Reconstruction of all-weather land surface temperature using XGBoost and spatio-temporal models with multi-source data fusion
Xuepeng Zhang · Ninglei Ouyang · Zhe Wang 等 4 人
提出XGBoost与时空邻接模型融合的全天候地表温度重建框架，生成京津冀1km无缝LST数据集。
逐日训练XGBoost，以GLDAS LST、DEM、纬度、NDVI为预测因子，
重建MAE为1.33K、RMSE为1.88K，冬季精度最高、夏季最低，与站点气温相关性达0.79。
可将该框架迁移至农业干旱与热岛监测，并探索引入物候与土壤水分因子提升夏季异质区精度。
方法有实质创新且精度可靠，但属区域性遥感技术论文，对农业信息化有间接支撑价值，未达每日精选门槛。
由热红外（TIR）遥感反演的地表温度（LST）常受云污染影响，导致显著的时空数据缺失。现有的全天候重建方法依赖单一策略：机器学习需要充足的晴空样本，且在密云条件下性能下降；而时空插值则无法捕捉LST与其控制因子之间的非线性关系。这些局限在异质区域最为严重。为解决上述问题，本文提出了一种稳健的全天候LST重建框架，将XGBoost机器学习算法与动态时空邻接模型相结合。XGBoost以晴空MODIS LST为目标变量，以GLDAS LST、DEM、纬度和NDVI为预测变量，逐日单独训练，进而预测受云污染像元的缺失LST；对于晴空样本不足的日期，则改用基于最近无云日期的邻接加权模型。据此生成了中国京津冀（BTH）地区无缝的1 km全天候LST数据集，并在各种云条件下均保持了精度。以MODIS LST进行验证，在所有具有有效MODIS参考值的像元上，模型平均绝对误差（MAE）为1.33 K，均方根误差（RMSE）为1.88 K；在作为伪云像元从训练中留出的30%晴空像元上，MAE和RMSE分别为1.32 K和1.90 K。与31个气象站2 m气温的独立对比（ρ = 0.79）支持了重建结果的时空一致性，而非其绝对精度。精度在冬季最高（MAE = 0.99 K），夏季最低（MAE = 1.74 K）。该框架由此克服了TIR观测的局限性，可为城市热岛监测、农业干旱评估和区域气候变化研究提供高分辨率全天候LST数据。