Himawari-8卫星云下海表温度反演的机器学习方法比较研究

作者：范冬林; 杨鑫; 曾优; 何宏昌; 付波霖

来源：遥感信息, 2023, 38(05): 39-48.

DOI：10.20091/j.cnki.1000-3177.2023.05.006

• 卫星遥感
• 海表温度
• 云下海表温度
• 机器学习
• Himawari-8卫星
• 瑞利校正

针对Himawari-8卫星因云层覆盖导致云下位置海表温度缺失或者反演精度下降的问题，利用近红外波段瑞利校正后阈值递增方法，建立6种无云-有云混合的遥感-实测样本数据集，评估了3种机器学习算法多层感知机（multi-layer perceptron, MLP）、随机森林回归（random forest regression, RFR）和支持向量回归（support vector regression, SVR）的云下海表温度反演的性能。实验结果表明，当阈值为0.125（无云）时，R2都超过了0.98;当阈值为0.4时，性能指标趋于平稳，MLP、RFR和SVR算法的R2分别为0.80、0.81和0.76。通过阈值递增方式构建的阈值模型对无云区域的海表温度影响较小，能够确保无云区域的反演精度。随着阈值的递增，模型对有云区域出现不同程度的低估和反演精度的下降，但在无云区域的制图效果与葵花卫星海表温度产品一致性较高。该方法可以显著提高海表温度反演结果的空间覆盖率，使得研究区空间覆盖率从75%提高到99%。

• 单位
  桂林理工大学