108 / 2024-08-15 22:38:19

耦合物理机理和机器学习软件直播观看的鲁棒地表温度反演方法

地表温度,机器学习,劈窗

地表温度（LST）是地表-大气系统的一个关键参数，驱动着地表与大气之间的水分和热量交换。然而，现有的LST反演方法通常对输入误差较为敏感。本研究提出了一种用于LST反演的稳健框架，称为SW-NN，该框架将基于物理模型的分裂窗（SW）算法与数据驱动的神经网络（NN）相结合。通过将SW算法融入NN的损失函数中，该框架提高了LST反演的精度。模拟分析表明，经过噪声加入训练后，该框架反演LST的理论均方根误差（RMSE）为0.54 K，优于单独使用NN或SW时的精度。对该框架的敏感性测试显示，当对亮温（BT）引入标准差（SD）为0.05 K的噪声、对水汽含量（WVC）引入10%的噪声、以及对地表比辐射率（LSE）引入0.01的噪声时，其影响均不超过0.20 K。该框架还被应用于MODIS数据的LST反演，并直接与十个SURFRAD和HiWATER站点的数据进行了验证。此外，还将该框架与NN方法、广义分裂窗（GSW）方法（MOD11 LST）和温度辐射率分离（TES）方法（MOD21 LST）进行了对比。结果表明，该框架反演的LST的RMSE为2.13 K，优于NN方法（RMSE为2.19 K）和GSW方法（RMSE为2.74 K），并且与TES方法（RMSE为2.15 K）相当。在地表比辐射率精度相对较低的干旱地区进一步分析发现，使用了相同的LSE输入，该框架将RMSE提高至2.38 K，而MOD11 LST的RMSE为3.60 K。该框架利用了SW模型的机理以及NN模型的非线性拟合能力，并且对输入误差，尤其是LSE误差表现出高度的鲁棒性。总之，该框架实现了稳健且精确的LST反演，具有可解释性，并且在专为具有两个热红外通道的传感器设计的现有方法中，尤其是在具有挑战性的环境条件下，表现出显著的改进。"