一种基于多源融合和机器学习的平均气温空间降尺度方法与流程

本发明属于气温空间降尺度方法，具体为一种基于多源融合和机器学习的平均气温空间降尺度方法。

背景技术：

1、近地表空气温度（air temperature，at），指的是地球表面上方2米高度处的空气温度。它不仅是衡量天气和气候状况的一项基本指标，更是对自然环境、人类活动以及生态系统有着深远影响的关键因素。在与气候和环境变化相关的各类应用场景中，近地表空气温度都扮演着举足轻重的角色，尤其是在陆地水文与物候学、公共健康、病媒传播及传染病传播情况预测等领域。

2、日平均气温（daily mean air temperature，dmat）作为描述天气状况的核心指标，不仅是气候变化的直观体现，还与众多自然和社会现象紧密相连。它能精准反映热浪事件的发生频率和强度，精确衡量高温和低温天气对农作物造成的损害程度，清晰展现城市热岛效应的强弱变化，有效揭示疾病媒介的传播趋势，同时也是评估其对人类健康影响的重要依据。通常情况下，dmat的数据是通过分布在各地、距地面2米高的气象台站测量获取的。这些测量数据具备时间序列长、精度高的显著优势。然而，获取这些数据并非易事，不仅耗时久、成本高，还需要投入大量的人力。此外，气象站的分布存在明显局限性，在沙漠和山区等特殊地理区域，气象站的分布尤为稀疏。因此，获取大范围、高分辨率的无缝dmat产品，已成为当前遥感和气象学领域的研究热点。

3、为了获得空间连续的大范围dmat产品，通常采用自然邻域、逆距离加权以及一系列克里金插值方法等技术。然而，这些方法过度依赖于地面站点的密度。插值结果的可靠性随着与所选站点距离的增加而降低，特别是在使用逆距离加权法时。因此，对于站点密度低的大区域，插值方法可能会导致较大的误差。同时，通过站点插值得到的dmat产品在精度上会受到限制。与观测数据稀缺形成对比的是，再分析资料产品提供了长期且空间一致的dmat数据集，并且在过去20年中被越来越多地应用于气候变化评估。再分析资料产品旨在通过同化大量观测数据来估计真实大气和陆地表面的状态。然而，再分析数据中存在不确定性，例如观测变化和模型误表示。随着同化系统的发展，空间分辨率已经提高到0.1°，例如era5-land。然而，一些局部过程，如深谷中的温度反转以及积雪的累积与融化等仍未被明确考虑。此外，由于陆地表面的异质性，许多水文和气候影响模型采用高分辨率的应用，通常需要1公里以内的产品。因此，还需要通过空间降尺度技术对现有的这些产品进行处理得到高分辨率dmat数据。

4、气温空间降尺度方法已有部分研究成果，目前研究降尺度的方法大部分都是基于统计模型建立的，即建立日均气温与不同遥感指数因子之间的统计关系，然后根据高空间分辨率的遥感指数数据实现日均气温的空间降尺度。在基于统计回归的降尺度研究中，高分辨率遥感指数因子的选取应顾及与日均气温之前存在相关机理要素，比如植被覆盖、高程等。目前，有部分学者将机器学习技术与空间降尺度技术相结合，将机器学习模型替换了传统的统计模型。与传统统计模型相比，统计模型往往基于线性假设，难以准确捕捉日均气温与遥感指数因子之间复杂的非线性关联。而机器学习模型能够处理更复杂的非线性关系，并且可以自动发现数据中的复杂模式和规律，具有更强的适应性和泛化能力。尽管机器学习技术在气温空间降尺度中展现出巨大的潜力，但仍然面临一些挑战。一方面机器学习模型建立需要大量的训练样本数据，模型的计算复杂度较高，需要强大的算力资源，另一方面所选取的遥感指数因子对机器学习模型的建立也有很大的影响（一般是基于机理因素去选取遥感指数因子），而获取这样的高分辨率遥感数据并非易事。

5、总的来说，以往的气温空间降尺度方法无论是基于机器学习模型还是基于统计模型的方法，降尺度得到的数据精度过度依赖于原始气温数据的精度，但是在一些站点密度低的区域，比如通过站点插值获取的气温数据在这些地区的精度不可靠，因此会导致降尺度的数据在这些地方的精度也不可靠。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，本发明的目的是提供一种基于多源融合和机器学习的平均气温空间降尺度方法。

2、技术方案：本发明所述的一种基于多源融合和机器学习的平均气温空间降尺度方法，包括以下步骤：

3、步骤一，获取覆盖研究区范围的气温数据、高分辨率辅助降尺度数据以及地面实测站点数据，并进行预处理，其中高分辨率辅助降尺度数据的空间分辨率优于或等于1 km；

4、步骤二，基于步骤一预处理后的数据构建机器学习融合模型，从而得到融合数据；

5、步骤三，融合数据利用高分辨率辅助降尺度数据作为降尺度因子，通过机器学习构建空间降尺度模型，对空间分辨率为10 km或更粗的低分辨率气温数据进行空间降尺度得到高分辨率气温数据；

6、步骤四，步骤二得到的融合数据与步骤一的原始气温数据进行站点精度验证并对比，观察融合后气温数据精度提升幅度，以此评估融合模型的有效性；将步骤三得到的高分辨率气温数据与步骤二得到的融合数据进行空间尺度对比，观察空间降尺度效果。

7、进一步地，步骤一中，气温数据选择2种以上不同来源的数据。

8、进一步地，步骤一中，高分辨率辅助数据包括纬度、经度、数字高程模型（digitalelevation model，dem）以及地表温度（land surface temperature，lst）中的一种或多种。

9、进一步地，步骤一中，预处理包括坐标统一、投影转换、辐射或几何校正、裁剪、缺失值剔除和重采样，并将预处理得到的影像分别重采样至原始气温数据分辨率和目标气温数据分辨率，且统一裁剪至同一研究区域。

10、进一步地，步骤二中，机器学习融合模型可为随机森林回归模型、极端梯度提升xgboost回归模型、lightgbm回归模型或上述模型构成的集成学习模型中的一种；在优选实施方式中，所述机器学习融合模型为xgboost回归模型。

11、进一步地，步骤二中，以地面实测站点平均气温作为标签，以不同来源气温数据及与气温变化机理相关的纬度、经度、数字高程模型dem和地表温度lst作为输入特征，对机器学习融合模型进行训练，输出与站点观测更一致的融合气温数据。

12、进一步地，步骤三中，以步骤二获得的融合气温数据为因变量，以高分辨率辅助降尺度数据作为自变量，采用随机森林、xgboost或支持向量回归构建空间降尺度模型，并生成目标分辨率的高分辨率平均气温数据。

13、进一步地，步骤三中，还包括残差修正：利用已建立的空间降尺度模型在低分辨率尺度上模拟气温，计算模拟值与原始低分辨率气温数据之间的回归残差，并将该残差重采样后叠加至初步降尺度结果，得到修正后的高分辨率平均气温数据。

14、进一步地，步骤三中，原始低分辨率气温数据的空间分辨率为10 km或更粗，目标高分辨率平均气温数据的空间分辨率为1 km或更精细，且高分辨率辅助降尺度数据的空间分辨率优于或等于1 km。需要说明的是，上述关于机器学习融合模型具体选型以及气温数据来源的“优选实施方式”表述仅用于说明较佳实施例，并不构成对本发明保护范围的限定。

15、进一步地，精度验证包括利用独立地面实测站点对融合结果和降尺度结果进行验证，并采用均方根误差rmse、平均绝对误差mae和决定系数r^2作为评价指标，同时结合不同海拔区间分层验证和与现有气温产品的对比验证评估模型效果。

16、工作原理：本发明先利用多源气温数据与机理因子构建融合模型，借助地面站点观测对不同来源气温产品进行误差校正和优势互补，得到精度更高的融合气温数据；再以融合气温数据为基础，结合高分辨率辅助因子构建空间降尺度模型，并通过残差修正保持低分辨率原始气温场的整体一致性，从而获得空间连续、分辨率更高且精度可靠的平均气温产品。

17、有益效果：本发明和现有技术相比，具有如下显著性特点：

18、1、通过引入地面站点观测与多源气温产品联合建模，能够在站点稀疏区域有效降低原始气温数据误差，提高融合气温数据的可靠性；

19、2、采用“先融合、后降尺度”的处理流程，并结合残差修正机制，在保持原始温度场总体趋势的同时显著增强了空间细节表达能力，能够获得1 km级高分辨率平均气温产品；

20、3、本发明将纬度、经度、数字高程模型dem和地表温度lst等机理相关因子引入机器学习模型，兼顾模型精度、泛化能力和可解释性，适用于复杂地形及不同气候区的平均气温空间降尺度。