近日，长江中游城市群气象生态环境遥感团队博士生姚瑞等撰写的论文“Amethodforimprovingtheestimationofextremeairtemperaturebysatellite”发表在ScienceoftheTotalEnvironment期刊，本工作得到国家自然科学基金（、）等项目资助。
本研究首先提出了一种基于机器学习的“误差估计和校正”（errorpredictionandcorrection,EPC）气温估算方法，进而估算了中国东部-年每日气温，并将估算精度和传统的机器学习方法进行了对比。结果显示EPC估算气温的平均绝对误差（MAE）为0.75–1.01℃，而传统方法的MAE为1.32–1.97℃；传统方法估算的极高温气温偏差（bias）为负，可达–3.09℃；bias在极低温时为正，可达7.10℃，EPC法可以有效地改善这一现象。EPC法在估算极端气温和热浪强度时也表现良好，误差比传统方法低50%左右。
1研究区与数据
本研究将中国东部作为研究区，包括11个省以及3个直辖市，数据包括个站点的每日气温、填补缺失值之后的MODIS每日地表温度、高程、植被指数、土地覆盖、晴空太阳辐射等。
2
研究方法
本研究拟使用一种简单的正向变量选择方法被用来选择估算气温的变量，使用Cubist机器学习算法来估算气温。本文提出EPC方法来估算气温，流程图见图1，主要步骤如下：
1）数据准备。将气温和估算气温的变量准备好，估算气温的变量作为自变量，气温作为因变量。
2）样本分割。将所有数据根据月份分成12份，不同月份的气温分开进行估算。
3）误差获取。使用十折验证法对气温进行估算并验证精度，由此可以得到每个站点估算气温的误差。
4）拟合。将气温和预测气温的变量输入Cubist模型，对气温和预测变量进行拟合。同时，将误差和预测气温的变量输入Cubist模型，对误差和预测变量进行拟合。
5）气温和误差估算。使用拟合的结果以及预测的变量，估算每个像元的气温以及误差。
6）最终气温数据生产。将每个像元的气温减去误差，即可得到每个像元估算的最终气温，并生成最终的1km分辨率的气温图。
图1.EPC法的流程图
3
研究结果
使用EPC估算气温的精度明显比传统方法高（图2）。使用EPC法估算气温的平均绝对误差MAE为0.75–1.01℃，而传统方法的MAE为1.32–1.97℃。估算平均温的精度最高，最低温次之，最高温精度最低。不同季节中，夏季气温的估算误差最低，但R2也最低，主要是由于夏季的温度范围较小。从空间上看，估算平原地区的气温精度较高，而山区的精度较低，这是因为山区地形较复杂且站点密度较低。
图2.估算的气温的精度
尽管估算气温的总体偏差接近于0，但不同温度区间内的偏差相差较大。总体来说，估算气温的偏差在温度较高时为负值，而在温度较低时为正值。在估算极高或极低气温时，传统方法的偏差较大，例如在最高温小于–17.5℃时，偏差超过7℃。相比较而言，EPC法的偏差比传统方法低了大约50%。
图3.不同温度区间内的偏差
估算极端气温的精度比总体精度低。气温越极端，估算的精度越低。EPC估算极端气温的精度也明显比传统方法高。EPC估算极端气温的MAE比传统方法低1.41℃，RMSE低1.49℃。另外，在估算热浪和寒潮强度时，EPC的MAE分别为0.62和0.89℃，而传统方法的MAE分别为1.75和2.03℃。
本研究最终使用EPC制作了中国东部-年1km分辨率的每日的平均温、最高温、最低温数据，数据的MAE为0.75–1.01℃。
4
结论
1）本文提出了EPC法来估算气温。使用EPC法估算的气温的MAE为0.75–1.01℃，而传统方法的MAE为1.32–1.97℃。
2）估算气温的拟合线的斜率通常小于1，偏差在温度较高时为负，在温度较低时为正。而EPC法可以有效地降低偏差。
3）EPC在估算极端气温时也具有较高的精度，估算热浪和寒潮强度的MAE分别为0.62和0.89℃。
CITATION
Yao,R.,Wang,L.,Huang,X.,Cao,Q.,Peng,Y.,.Amethodforimprovingtheestimationofextremeairtemperaturebysatellite.ScienceoftheTotalEnvironment.
转载请注明：http://www.0431gb208.com/sjszlff/281.html
