基于随机森林算法的近地表气温遥感反演研究

近地表气温是城市热环境的重要表征,是改变和影响城区气候的重要因素。为获得空间上连续的近地表气温,本文以北京市为研究区,利用Landsat5/TM数据计算分别得到地表温度、归一化植被指数、改进的归一化差异水体指数、地表反照率、不透水面盖度,并结合气象站点气温和高程作为输入参数建立随机森林模型反演近地表气温。结果表明,随机森林反演的近地表气温平均绝对误差（MAE）为0.80 ℃,均方根误差（RMSE）为1.06 ℃,与传统多元线性气温回归方法相比,平均绝对误差（MAE）和均方根误差（RMSE）分别提高0.06 ℃和0.09 ℃。研究表明,利用随机森林模型反演近地表气温是可行的,并且具有一定的优越性。此外,对随机森林模型的输入参数进行重要性分析,地表温度对气温反演模型的影响最大,其次为高程。     

基于随机森林算法的地表温度鲁棒降尺度方法

陆地表面温度是描述区域或者全球范围内陆地表面与大气的相互作用和能量平衡最重要的环境参数之一。针对目前尚未有遥感卫星能够同时提供具有高时间和高空间分辨率的地表温度产品的问题,国内外学者发展了多种对低空间分辨率的地表温度进行降尺度的算法。然而,由于对地表温度解释变量和降尺度模型的选择往往具有区域局限性,导致了降尺度模型的泛化能力受到了一定的限制。本文首先评估了地表反射率、遥感光谱指数、地形因子、地表覆盖、经纬度以及基本状态变量6类环境参量与地表温度之间的相关关系,并在此基础上筛选出最佳解释变量;同时,结合在非线性回归问题上表现比较优秀的随机森林算法,建立了一种鲁棒性的基于随机森林算法地表温度降尺度模型（RRF）。本文选取了中国范围内具有代表性的11个地区作为主要研究区,将空间分辨率为1 km的MODIS地表温度产品降尺度至90 m。以北京市2个典型地表类型的子区域为代表研究区,通过与传统的基于归一化植被指数与地表温度相关关系的TsHARP模型,以及基于红波段和近红外波段以及地表高程作为尺度因子建立的简单Basic-RF模型的对比分析可得,RRF模型在2个子研究区降尺度结果均优于TsHARP模型和Basic-RF模型,其均方根误差分别为2.39 K和2.27 K。通过进一步对2个子研究区训练的RRF进行交叉验证,证明在一个研究区训练的RRF应用至另一研究区的降尺度时,RRF模型表现出了较好的鲁棒性,降尺度结果的均方根误差分别为2.56 K和2.44 K,精度误差相差仅为0.17 K。通过将RRF应用于中国范围内的多个研究区,结果表明利用少量训练数据构建的RRF模型适用于大范围的区域,地表温度降尺度结果都能取得较好的精度。     

大连市城区绿地时空特征的热环境效应研究

本文选择大连市沙河口和西岗区为研究区,以Landsat ETM、SPOT等数据为基础,通过遥感解译和反演得到1999年和2013年研究区内绿地及地表温度空间分布及演变特征,结合温度-植被指数（TVX）空间分析法测度城区发展过程中绿色空间减退所引起的热环境效应,以提出更有针对性的城市气候变化适应性规划。研究结果表明：（1）1999-2013年,研究区绿地面积减少43.8%,绿地斑块增加42.9%,城市绿地呈现面积减少、空间分布碎化的演变特征。其中,森林绿地、公园绿地和街区绿地转化为建设用地的贡献率分别为43.8%、42.9%和13.3%,街区绿地因原始面积小且转化率高,被建设用地侵占最为严重。（2）1999-2013年,研究区地表温度最高值上升5.2 K,地表温差增加1.7 K,地温聚集区间由301.6 ~304.7 K上升至306.5~310.9 K,热环境效应加剧。（3）TVX模型追踪结果显示,快速城市化过程中研究区内城市绿地转化为建设用地引起植被覆盖度下降和地表温度上升,其中街区绿地被侵占造成的地表热环境效应大于公园绿地和森林绿地。     

复杂山区地形条件下ERA5再分析地表气温降尺度方法

高时空分辨率的气温栅格数据是多种地学模型和气候模型的重要输入。山区地形复杂,气温空间异质性强,如何获取高时空分辨率的山区地表气温数据一直是研究热点与难点。本文选择地形复杂的河北省张家口市作为试验区,基于局部薄盘样条函数对ERA5再分析日均近地表气温（2 m高度）进行空间插值,并利用随机森林算法,结合少量气象站观测气温数据、地形地表参数数据构建日均气温订正模型和气温逐时化模型,实现空间分辨率由0.1 °（约11 km）到30 m的逐时气温降尺度,最后将该模型拓展应用于其他时间与区域,检验本文发展的降尺度方法在没有站点观测数据条件下的时空移植性。结果显示,本文降尺度方法得到的高时空分辨率山区气温数据精度较高,1月均方根误差（RMSE）平均值为2.4 ℃,明显优于气象站点插值结果,且气温相对高低的空间分布更为合理、纹理更加丰富;将该方法应用到其他时间与区域的RMSE平均值分别为2.9 ℃与2.5 ℃,均小于再分析资料直接插值所产生的误差。研究结果总体表明,在气象站点较少甚至没有时,可利用本文方法通过ERA5再分析气温准确获取复杂地形条件下的山区高时空分辨率气温数据。     

地形复杂山区常用植被指数的地形校正对比

植被指数能反映地表植被生长、覆盖等情况,常作为反演植物生物物理参量的有效参数。然而,在地形复杂的山区,由于地形效应的影响,导致一些植被指数适用性受限。基于以上现状,本文以贵州省江口县为研究区,采用4种地形校正模型（Teillet-回归模型、Minnaert模型、C模型、SCS+C模型）对常用植被指数（SR、MSR、NDVI、SAVI、MSAVI、EVI）进行地形校正,以评价不同坡度条件下植被指数地形校正效果。结果表明：地形校正对缓解波段比形式的植被指数（SR、MSR、NDVI）地形效应的作用有限,而对非波段比形式的植被指数（SAVI、MSAVI、EVI）效果较好。另外,随着坡度增加,地形效应显著,地形校正效果也更明显：坡度较小时,波段比形式的植被指数无需进行地形校正,而建议非波段比形式的植被指数进行地形校正;坡度较大时,建议2类植被指数都进行地形校正,但非波段比形式的植被指数可能会发生过度校正现象。此外,地形校正后非波段比形式的植被指数与森林地上生物量线性回归模型的精度明显提高。因此,建议在地形复杂山区利用非波段比形式的植被指数进行定量反演时,先进行地形校正。     

基于随机森林的西辽河流域CCI土壤湿度降尺度研究

土壤湿度是气候系统中的关键因子，对农业管理、水资源管理和生态系统监测与评估等具有重要应用价值。遥感土壤湿度产品虽能提供大尺度范围的土壤湿度分布，但受限于较低的空间分辨率，难以满足实际应用的要求，对遥感土壤湿度产品的降尺度研究成为当前的热点之一。本文以0.25°分辨率的欧空局ESA CCI日土壤湿度为主要数据源，结合1 km分辨率的MODIS下垫面数据、地形数据、气象数据等环境因子，构建随机森林降尺度模型，对我国西辽河流域2013—2020年CCI日土壤湿度产品进行降尺度，得到1 km分辨率的土壤湿度时空分布数据。研究发现：(1)环境因子重要性分析表明，相对湿度和白天地表温度是影响土壤湿度变化最重要的2个因素，地形与位置因子的影响次之；(2)利用研究区内22个站点的实测数据序列对随机森林降尺度模型性能进行验证，结果表明考虑多种环境因子（地表、地形和气象）的降尺度结果比仅考虑地表参数的降尺度结果的精度要高，每个站点的RMSE都在0.048 8 m3/m3以下，平均相关系数为0.497 3,BIAS绝对值在0.003 0～0.033 3 m3/m3，降尺度后的土壤湿度与原始CCI遥感土壤湿度...     

三亚热带雨林环境植被和地表能量空间分布特征

遥感地表能量信息通过空间分布及变化趋势体现生态系统要素的格局、状态、质量,客观反映城市生态系统的状态,是度量区域生态系统要素生态过程的重要内容。本文以三亚市热带雨林植被环境的地表能量综合响应特征和作用、影响关系特征为基础,采用植被指数分级、地表能量分级和植被-能量关系等指标,结合雨林垂直分带和植被分布信息,探讨近30年（1987-2016年）不同时期热带雨林环境的水平地带性、垂直地带性及其时空变化特征。结果表明：①近30年三亚市域植被覆盖比例维持在90%左右,植被指数分级构成以高、中数值分布为主,并呈现整体趋高态势。②各级地表能量分布比例的波动幅度在10%之内,中等地表能量级别范围呈现向低地表能量区域扩展趋势。③随着海拔高度的提升,植被指数高数值的热带雨林分布比例增加,地表能量值降低。④热带雨林的地表能量和植被指数的时空分布稳定性均高于人工植被。本文基于遥感地表能量综合响应特征和作用、影响关系特征建立的指标评价体系,可以为热带雨林生态系统的量化评价提供支持。     

基于马尔可夫链和最大后验准则的模拟静止气象卫星数据地表组分温度反演

地表组分温度比像元混合温度具有更强的物理意义和实用价值,是定量遥感反演的一个重要研究方向。本文以马尔可夫链和最大后验准则地表温度尺度转换方法,结合静止气象卫星数据高时间分辨率的特点,通过模拟静止气象卫星数据地表组分温度反演进行分析和验证。在研究过程中,地面被简化为由植被和土壤两组分组成,同时假设邻近像元的植被和土壤组分温度相同。鉴此,本文通过模拟构建20×20像元大小的静止气象卫星混合像元图像,并对各像元各时刻温度添加均值为0标准差为2K的随机误差,最终应用所提算法估算各像元各时刻的植被和土壤组分温度大小。精度分析结果表明,该算法能够较为精确地反演植被和土壤组分温度,且误差基本控制在2K以内。此外,本文还进一步讨论了算法的适用性及其对混合像元温度误差、植被覆盖度误差,以及邻近像元植被覆盖度变化范围的敏感度。分析结果再次证明,该方法对混合像元温度误差和植被覆盖度误差都具有较低的敏感性,在最大温度误差条件(均值为1.8K,标准差为5K)和最大植被覆盖度误差(均值为0.18,标准差为0.2)的条件下,各组分温度的估算精度分别能控制在3K和2K以内,满足精度要求。但是,由于组分温度初值的确定方法,对所计算窗口内植被覆盖度变化范围有较强的敏感性,反演结果与植被覆盖度变化范围相关,要求窗口内植被覆盖度变化范围足够大才能满足初值估算的精度要求。     

融合土地覆盖和土壤水分产品的近地表空气温度空间化方法

空气温度是评价人居环境的重要指标,与人类的生产生活息息相关;其观测对于水文、环境、生态和气候变化等方面的研究具有重要意义。传统的大范围空气温度观测数据一般通过气象站点获取,但由于气象观测站点空间分布离散稀疏的特点,所获取的数据不能精确描述空间连续的空气温度变化情况。因此,实现基于遥感数据的近地表空气温度精准估算具有重要的现实意义。本研究基于精细的地表覆盖类型、空间连续的土壤水分、地表温度（LST）数据,并结合其他辅助数据,构建了近地表空气温度空间化模型,并对近地表空气温度影响因子进行评估,发现地表覆盖类型对近地表空气温度的影响最大,土壤水分为最活跃的影响因素,经验证,模型精度较高,R²接近0.85,RMSE为0.5℃。本研究获取的精确空间连续的近地表空气温度信息,能够充分表达其空间异质性,为农业气象灾害灾变过程监测、农作物生长过程模拟、区域气候变化分析等研究提供良好的近地表空气温度数据支撑。     

基于半变异函数的重庆市地表温度空间异质性建模及多尺度特征分析

城市地表温度空间异质性的研究对理解城市地表温度空间结构有重要意义。本文利用大气校正法反演地表温度,基于半变异函数构建城市地表温度空间异质性模型,并进一步分析不同空间尺度下地表温度空间异质性结构参数的变化规律。以2013年6月16日的Landsat 8为数据源,以重庆为研究区开展实验,研究结果表明：① 不同空间尺度下重庆地表温度空间异质性均呈现指数模型分布特征;② 在30 m空间尺度下,地表温度空间异质性主要是由空间结构引起,但随机因素引起的空间变异占比为0.45,呈现出明显的块金效应,表明该尺度下随机因素引起的空间变异不可忽略;③ 从空间尺度（30~1500 m）整体变化上看,地表温度空间异质性主要由空间结构引起,同时表现出明显的尺度效应;随着空间尺度增大,块金值（C₀）、偏基台值（C）、基台值（C₀+C）以及块基比（C₀/（C₀+C））逐渐减小,表明地表温度空间异质性逐渐减弱但空间自相关性逐渐增强。变程（A）逐渐增大,表示空间自相关性范围逐渐扩大;④ 随机因素引起的空间变异占比为0.23~0.46,呈现出波动变化,这是因为地表温度在像元内部也存在空间异质性。空间结构引起的空间变异相对平缓,这是因为空间尺度的变化不会改变地形结构;⑤ 从尺度域来看,基台值与块金值在尺度域（690 m,1500 m）内呈现出较大幅度波动变化状态,且变化趋势相似,表明地表温度空间异质性的变化与随机因素有较大关联。综上所述,分析地表温度空间结构需要选取合适的空间尺度,尺度较小时,容易受到随机因素干扰,从而影响地表温度在空间结构上的空间变异性;尺度较大时,地表温度空间异质性较弱且变化不稳定。     

城市地表覆盖组分及植被多样性与热环境关联性分析——以贵阳市为例

本文以贵阳市为研究对象,研究了地表覆盖组分及植被多样性对地表温度的影响。首先基于Landsat8 OLI多时相影像数据在GEE平台上实现了研究区域地表覆盖精细分类;然后结合不同季节8天合成的MODIS温度产品数据,利用时空统计分析、相关分析等方法分析了研究区不同地表覆盖类型地表温度时空分布特征,地表温度与不同地表覆盖组分、地表覆盖多样性和植被覆盖多样性的相关性。结果表明：贵阳市建成区主要分布有常绿阔叶林、常绿针叶林等植被,常绿阔叶林在不同季节对地表温度的降温效应明显,而不透水面对地表温度具有明显的增温效应,尤其以夏季最为显著;地表覆盖多样性与地表温度之间具有较强相关性,其中植被覆盖多样性较植被覆盖率对地表温度的影响更为显著,而不透水面的增加会明显降低植被多样性的影响。因此,要发挥城市绿地对城市温度和热岛效应的调节作用,建议可以适当增加常绿阔叶林的绿化面积,同时在空间上要提升植被多样性水平,能够较大程度改善城市热环境。     

闽浙赣地区GPM IMERG降水产品降尺度建模与比较分析

针对目前的技术手段下难以直接获得大范围高精度精细化降水空间分布的问题,本文以闽浙赣地区为研究范围,选用GPM IMERG降水产品,综合应用地面实测降水数据以及水汽与植被指数数据,基于地理加权回归（GWR）法构建了基于水汽因子的降尺度模型,同时基于最小二乘（OLS）法构建了基于水汽因子与植被指数的对比模型,将降水产品的分辨率从0.1°提升至1 km,最终获得2015年闽浙赣地区各月精细化降水空间分布,使用验证站点实测数据进行验证。结果表明：① 构建的 3个降尺度模型中,GWR模型与2种OLS模型相比,拟合优度分别提升了102.9%和93.9%,模型降尺度结果整体优于2种OLS模型,且月际差异小,稳定性更高;2种OLS模型中,采用了水汽因子的模型拟合效果有8个月份更优;② 融合多源数据的GWR降尺度模型获得的结果在研究区内是可靠的,与GPM降水产品相比,在提升空间分辨率的同时,平均相对误差与均方根误差月均分别下降了42%和32%,精度明显改善。     

基于广义回归神经网络的京津冀地区土壤湿度遥感逐日估算研究

土壤湿度是地表水热交换过程和水文循环中的一个关键组成部分,获取高时空分辨率的土壤湿度数据一直是当前研究的热点。SMAP（Soil Moisture Passive and Active）主被动微波土壤湿度产品的精度高,但存在着空间分辨率低和时间分辨率缺失的问题,这限制了其在区域尺度上的应用,为解决这一问题得到更高时空分辨率的土壤湿度产品,本文利用广义回归神经网络模型（GRNN）模拟了MODIS地表温度、反射率、植被指数光学/热红外遥感数据以及高程、坡度、坡向、经纬度数据与SMAP土壤湿度的关系,从而将京津冀地区SMAP L2土壤湿度产品的时间分辨率由不连续（4~20 d）提升至1 d,空间分辨率由3 km提升至1 km,并扩展其在京津冀地区的空间覆盖范围。研究发现:① GRNN模型总体验证结果表明土壤湿度估算值与SMAP原始值的相关性较高（r=0.7392）,均方根误差（RMSE）为0.0757 cm3/cm3;② 不同季节典型日期的GRNN模型估算结果精度相差较大,春季处的相关性相比其他季节最低,精度相对较高（r_春=0.6152,RMSE_春=0.0653cm3/cm3）,秋季和夏季土壤湿度估算精度较为接近（r_夏=0.6957,r_秋=0.7053,RMSE_夏=0.0754cm3/cm3,RMSE_秋=0.0694cm3/cm3）,冬季的估算精度最高（r_冬=0.8214,RMSE_冬=0.0367cm3/cm3）;③ 2016年京津冀夏秋季节的土壤湿度较其他季节要显著提高,空间分布上坝上高原区域较低,而沿海地区的土壤湿度明显较高。本研究对京津冀地区的生态水文、气候预测以及干旱监测等应用领域具有重要价值。     

PM2.5对地表温度的影响及其应用

采用线性最小二乘原理对从对流层顶10 km至地表0.8 km的温度探空廓线进行拟合，外插地表温度，讨论外插地表温度与实测温度的统计特性。将其应用于GPS气象中的加权平均温度模型发现，基于外插的地表温度能显著提高模型精度，提高约1.2~1.7 K。     

结合HASM和GWR方法的省级尺度近地表气温估算

卫星遥感反演得到的地表温度可用于近地表气温的估算,但现有方法的估算精度仍有进一步提升的空间。为了获取空间上连续且精度较高的近地表气温,本研究以四川省为例,首次将高精度曲面建模（HASM）用于遥感和气温实测数据的融合,并将综合了气温、地表温度、海拔、坡度、坡向的地理加权回归（GWR）拟合结果作为HASM模型的初始温度场,进而采用此种结合HASM和GWR的求解算法（HASM-GWR）,融合MOD11C3地表温度产品与190个气象台站的气温实测数据,开展省级尺度近地表气温估算,并通过比较HASM-GWR、GWR以及普通线性回归（OLS）3种方法的估算精度,评估各模型对近地表气温的估算效果。结果表明,相比于传统估算模型,采用HASM-GWR数据融合方法能有效提高近地表气温的估算精度。采用该方法的近地表气温估算残差,72%介于-1~1 ℃,90%介于-2~2 ℃;且与GWR和OLS模型相比,估算结果的均方根误差（RMSE）分别降低了25.42%和39.83%。     

基于几何光学模型的人工林叶面积指数遥感反演

 MODIS等全球叶面积指数(LAI)产品空间分辨率偏低(250m~7km),不能满足高空间分辨率遥感应用的需求。为获取大区域高空间分辨率LAI,有必要对物理模型用于高空间分辨率遥感影像LAI反演的可行性进行探讨。本文基于4-scale模型LAI反演算法,以甘肃省张掖为研究区,利用TM 影像实现研究区人工林LAI反演。反演算法考虑了反射率入射-观测角度对LAI与植被指数关系的影响和植被冠层尺度的集聚程度。利用地面实测LAI数据对反演结果进行验证与分析,并与NDVI经验模型进行对比,同时分析LAI反演结果对波段反射率敏感性。结果表明: 4-scale模型LAI反演结果与实测LAI一致性良好(R²=0.67,RMSE=0.50),且优于NDVI经验模型(R²=0.59,RMSE=0.67);当LAI大于2时,4-scale模型LAI反演算法误差小于NDVI经验模型,能有效避免植被指数的饱和现象;红光波段反射率减小时,引起4-scale模型LAI反演结果的变化幅度比其增大时更高,且影响程度大于近红外波段反射率。研究表明,4-scale 模型LAI反演算法可用于TM数据反演人工林LAI,模型应用普适性较强。     

基于MLP神经网络的大气加权平均温度模型

以中国西南地区2015~2017年探空数据为实验数据,使用多层感知器（MLP）神经网络回归方法建立西南地区的加权平均温度(T_m)模型。将气象参数（地表温度、水汽压）和非气象参数（高程、纬度和年积日）作为模型输入因子,由数值积分法计算得到的T_m作为学习目标,通过神经网络模型进行迭代训练从而得到中国西南地区的T_m。以2018年探空站T_m数据为参考值,对MLP模型精度进行验证,并与Bevis模型和GPT3模型进行对比分析。结果表明,MLP模型的年均RMSE和年均bias分别为1.99 K和0.15 K,比Bevis模型、GPT3模型年均RMSE分别降低1.36 K(40.6%)和1.51 K(43.1%),年均bias分别下降0.70 K（82.4%）和1.04 K（87.4%）,且该模型在中国西南区域不同高程、纬度和季节的精度与稳定性优于Bevis模型和GPT3模型。     

干旱区植被覆盖度提取模型的建立

本文通过分析遥感提取植被覆盖度的经验模型法、植被指数法和混合像元分解法,归纳了它们各自的优势、精度和存在的问题,指出了影响应用较广泛的植被指数转换法精度是全植被覆盖像元的选取。在此基础上提出了植被指数转换法的改进模型一利用高分辨率卫星图像的最大NDVI值作为均一像元的NDVI值替换中等分辨率卫星图像的NDVI值,建立植被覆盖度提取模型,从而通过中等分辨率卫星图像获取大范围植被覆盖度的方法。经实践检验,该方法简单、实用,适合于利用中等分辨率卫星图像进行大范围宏观监测。     

顾及多因子影响的中国区域Tm模型精化研究

利用中国区域2015~2017年探空数据,建立一种顾及地表温度、地表水汽压、高程和纬度的中国区域大气加权平均温度T_m模型（BET模型）。以2018年探空站T_m数据为参考值,分析BET模型精度,并与Bevis模型和GPT3模型进行对比。结果表明,BET模型年均RMSE与bias分别为3.15 K和0.04 K,相比于Bevis模型、1°×1°分辨率的GPT3模型和5°×5°分辨率的GPT3模型,年均RMSE分别降低29.2%、32.8%和39.1%,年均bias分别降低96.4%、96.7%和97.4%,且该模型在中国区域不同高程和纬度上的精度与稳定性优于Bevis模型和GPT3模型。     

神农架林区植被分布与地形的关系研究

神农架林区是我国物种多样性最为丰富的地区之一,地形地貌复杂,对植被分布影响巨大。本文利用该地区2007年数字高程数据、2007年植被分布图以及2017年野外实地调查数据,基于最大熵模型和空间分析理论,从植被类型和种群两个角度研究该地区不同尺度植被空间分布的地形特征,分别量化植被类型和种群空间分布的地形范围,得到植被类型与地形因子关系模型、植被种群与地形因子关系模型。结果表明:①神农架林区影响植被空间分布的地形因子不同,其中影响针叶林分布的最重要的地形因子是高程和高程变异系数,影响阔叶林分布的是高程和坡向,影响灌丛分布的是坡向变率和坡向,影响草丛分布的较为分散;②典型植被种群分布的地形范围和植被类型的基本一致,其中90%针叶林分布在高程1600~2600 m间,典型种群巴山冷杉和华山松主要分布在高程1700~3200 m和1700~2200 m;85%的阔叶林分布在高程1000~2000 m间,典型种群青冈类和鹅耳枥主要分布在高程1200~2200 m间;95%的灌丛分布在坡向变率0~40°间,典型种群杜鹃和蔷薇主要分布在坡向变率小于40°的范围,但相应的关系模型存在差异,植被类型与地形因子为高斯模型,典型种群与地形因子关系模型相对复杂,不同种群的分布模式不同;③虽然坡度常作为数字地形的重要因子,但本文研究发现该地区坡度对植被类型和种群分布的影响不明显。研究结果可为神农架林区植被保护和恢复,以及植被规划和管理提供基础参考。