基于XGBoost的LST空间降尺度方法

作者：颜佳楠; 陈虹^*; 姚光林; 吴骅

来源：无线电工程, 2021, 51(12): 1508-1516.

• 地表温度
• 降尺度
• 机器学习
• XGBoost

地表温度(Land Surface Temperature, LST)是热环境监测中的重要参数之一。针对LST降尺度,开展了极端梯度提升树(Extreme Gradient Boost, XGBoost)用于LST的空间降尺度研究,对比分析了地表反射率、光谱指数、地形因子、大气再分析数据、经纬度以及地表覆盖类型6种回归核在不同组合形式条件下将1 km分辨率的MODISLST产品降尺度至100 m分辨率的LST的模型性能。研究结果表明,选取group2(光谱指数)、group4(光谱指数、地形)、group7(光谱指数、经纬度)作为回归核时,模型表现能力最好,此时均方根误差在2 K左右,且能保持清晰的图像纹理。光谱指数对于LST降尺度的作用较为重要。单个局部研究区数据训练的降尺度模型泛化能力还是不够,为保证降尺度图像的准确性和相似性,XGBoost模型在训练过程中仍需选择更具代表性的训练数据。

• 单位
  山东省第八地质矿产勘查院; 中国科学院地理科学与资源研究所; 资源与环境信息系统国家重点实验室