基于SCLSTM模型的MODIS地表温度产品重建方法

作者：宋冬梅; 张曼玉^*; 单新建; 王斌

来源：地震地质, 2023, 45(06): 1349-1369.

• 地表温度
• SSA
• CNN
• LSTM
• MODIS

MODIS(Moderate-resolution Imaging Spectroradiometer,中分辨率成像光谱仪)LST(Land Surface Temperature,地表温度)产品在大气物质和能量交换、气候变化研究及地震前兆热异常探测等方面具有重要价值。然而，由于云的遮挡导致MODIS LST数据产品中存在大量空值，限制了其广泛应用。为此，文中提出了一种基于混合模型的地表温度重建方法——SCLSTM(即SSA-CLSTM)。与传统方法相比，该方法无需建立复杂的回归关系模型。此外，由于CNN(Convolutional Neural Network,卷积神经网络)能够充分提取一维时间序列数据的局部特征，而LSTM(Long Short-Term Me mory,长短期记忆)能够充分学习数据的长时间序列特征，因此将CNN和LSTM结合能够更加充分地学习数据的潜在特征。首先，使用SSA(Singular Spectrum Analysis,奇异谱分析)模型提取出地表温度时间序列中的趋势值用于填补缺值像元，实现地表温度的初步重建。然后，再利用SCLSTM(即1DCNN-3层堆叠LSTM)模型学习数据的局部时序特征和长期依赖关系，并实现对缺失像元的地表温度进行迭代预测，完成数据的精细重建。新疆和田地区和四川汶川地区的实验结果表明，文中方法与现有其他2种基于混合模型的重建方法相比，重建后的LST数据误差最小，与原始数据的一致性最高。其中，文中方法的RMSE可降至0.712K,AD为0.695K,重建后的LST数据与原始数据的相关系数可达0.95以上。此外，气象站的实测地表温度数据也进一步验证了该方法的可靠性。文中所提方法为基于深度学习的LST重建工作提供了一种新的技术手段和思路，同时也为基于LST的地表过程和地震热异常研究提供了坚实的数据基础。

• 单位
  中国石油大学（华东）; 中国地震局地质研究所