基于集成学习技术的青海高原地表温度反演研究

doi:10.11755/j.issn.1006-7639-2025-06-0997

干旱气象 ›› 2025, Vol. 43 ›› Issue (6): 997-1005.DOI: 10.11755/j.issn.1006-7639-2025-06-0997

• 技术报告 • 上一篇

基于集成学习技术的青海高原地表温度反演研究

辛萍萍¹^,²(), 陈国茜¹^,³(), 周生蓉⁴, 文生祥¹^,⁵, 程俊清², 田媛²

1.青海省防灾减灾重点实验室，青海西宁 810001
2.青海省大柴旦行政委员会气象局，青海海西 817000
3.青海省气象科学研究所，青海西宁 810001
4.青海省果洛州气象局，青海果洛 814000
5.青海省诺木洪气象站，青海诺木洪 816102

收稿日期:2024-08-29 修回日期:2024-11-28 出版日期:2025-12-31 发布日期:2026-01-19
通讯作者: 陈国茜（1986—），女，广西北海人，硕士，正高级工程师，主要从事高寒生态遥感监测评估技术研发与业务应用。E-mail： 71153087@qq.com。
作者简介:辛萍萍(1993—),女，青海平安人，工程师，主要从事县级综合气象业务工作。E-mail： 2287485706@qq.com。
基金资助:
青海省防灾减灾重点实验室开放基金项目(QFZ-2024-M20)

Research on land surface temperature retrieval over the Qinghai Plateau based on ensemble leaning technology

XIN Pingping¹^,²(), CHEN Guoqian¹^,³(), ZHOU Shengrong⁴, WEN Shengxiang¹^,⁵, CHENG Junqing², TIAN Yuan²

1. Key Laboratory of Disaster Prevention and Mitigation of Qinghai Province， Xining 810001， China
2. Dachaidan Administrative Committee Meteorological Bureau of Qinghai Province， Haixi 817000， Qinghai， China
3. Qinghai Institute of Meteorological Sciences， Xining 810001， China
4. Guoluo Tibetan Autonomous Prefecture Meteorological Bureau of Qinghai Province， Guoluo 814000， Qinghai， China
5. Nuomuhong Meteorological Station of Qinghai Province， Nuomuhong 816102， Qinghai， China

Received:2024-08-29 Revised:2024-11-28 Online:2025-12-31 Published:2026-01-19

摘要/Abstract

摘要：

地表温度作为地表物理过程的重要参数，在有云情况下，微波遥感是获取其信息的主要途径之一。本文基于FY-3D/MWRI亮温数据，采用随机森林（Random Forest，RF）、XGBoost、LightGBM等集成学习算法构建青海高原地表温度估算模型。通过深入分析亮温数据、地形要素等特征在不同模型中的贡献度，发现RF模型中亮温数据贡献度较高，XGBoost模型中亮温数据和地形要素均表现出较高贡献度，LightGBM模型则地形要素贡献度较高。3个模型的训练和测试精度均超过0.8，其中LightGBM与XGBoost模型的训练、测试精度差异较小。3个模型均能较好地刻画青海高原2个低温区和2个高温区的空间分布特征，其中XGBoost模型在干旱和洪涝过程下表现尤为突出，其估算结果与地表温度实测值的偏差最小。综合表明，XGBoost模型为青海高原地表温度估算的最优模型，其反演结果为该区域开展干旱与洪涝遥感实时监测提供技术支持。

关键词: 地表温度, 被动微波遥感, 随机森林, XGBoost, LightGBM

Abstract:

Land surface temperature is an important parameter of surface physical processes. Under cloudy conditions, microwave remote sensing is one of the main methods to obtain its information. Based on the FY-3D/MWRI brightness temperature data, this paper builds land surface temperature retrieval models over the Qinghai Plateau using ensemble learning algorithms such as Random Forest (RF), XGBoost, and LightGBM. Through in-depth analysis of the contribution of brightness temperature data, terrain factors, and other features in different models, it is found that the contribution of brightness temperature data is relatively high in the RF model, both brightness temperature data and terrain factors show high contributions in the XGBoost model, and the contribution of terrain factors is relatively high in the LightGBM model. The training and testing accuracies of the three models all exceed 0.8, among which the training and testing accuracies of the LightGBM and XGBoost models are relatively small. All three models can well depict the spatial distribution characteristics of the two low-temperature and two high-temperature areas over the Qinghai Plateau. Among them, the XGBoost model performs more prominently in drought and flood processes, and its estimation results have the smallest deviation from the measured Land surface temperature values. In conclusion, the XGBoost model is the optimal model for land surface temperature retrieval over the Qinghai Plateau, and its inversion results provide technical support for real-time remote sensing monitoring of drought and flood in this region.

Key words: land surface temperature, passive microwave remote sensing, Random Forest, XGBoost, LightGBM

中图分类号:

P407.7

辛萍萍, 陈国茜, 周生蓉, 文生祥, 程俊清, 田媛. 基于集成学习技术的青海高原地表温度反演研究[J]. 干旱气象, 2025, 43(6): 997-1005.

XIN Pingping, CHEN Guoqian, ZHOU Shengrong, WEN Shengxiang, CHENG Junqing, TIAN Yuan. Research on land surface temperature retrieval over the Qinghai Plateau based on ensemble leaning technology[J]. Journal of Arid Meteorology, 2025, 43(6): 997-1005.

图/表 7

图1 研究区概况

Fig.1 The general situation of the study area

图2 地表温度反演技术流程

Fig.2 The land surface temperature inversion technology process

图3 RF（a）、XGBoost（b）、LightGBM（c）模型特征重要程度排序

Fig.3 Feature importance ranking of RF (a), XGBoost (b), and LightGBM (c) models

表1 RF、XGBoost、LightGBM模型的评价指标

Tab.1 Evaluation metrics of the RF， XGBoost， and LightGBM models

模型	RMSE/K		MAE/K		R²
模型	训练集	测试集	训练集	测试集	训练集	测试集
RF	2.7	6.3	1.9	4.7	0.96	0.82
XGBoost	5.1	6.2	3.8	4.7	0.89	0.83
LightGBM	6.0	6.3	4.6	4.9	0.84	0.83

图4 RF（a）、XGBoost（b）、LightGBM（c）模型反演及实际观测（d）的2021—2023年青海高原年平均地表温度空间分布

Fig.4 The spatial distribution of the annual land average surface temperature of the Qinghai Plateau during 2021-2023 based on the inversion of RF (a), XGBoost (b), and LightGBM (c) models and actual observations (d)

图5 2023年7月上旬至8月中旬青海省东部农业区干旱过程下3个模型反演地表平均温度及实测地表温度与降水量

Fig.5 The average land surface temperature retrieved by three models， measured land surface temperature and precipitation under the drought process in the eastern agricultural region of Qinghai Province from early July to mid-August 2023

图6 2023年8—9月青海省玉树藏族自治州通天河流域洪涝过程下3个模型反演地表平均温度与实测数据对比

Fig.6 Comparison of average land surface temperature retrieved by three models and observed data under flood processes in the Tongtian River Basin， Yushu Tibetan Autonomous Prefecture， Qinghai Province， from August to September 2023

参考文献 39

[1]	曹若云, 2024. 青藏高原土壤有机碳的精细化制图与储量估算研究[D]. 兰州: 兰州大学.
[2]	陈超, 梁锦涛, 杨刚, 等, 2024. 面向土地覆盖精准分类的遥感特征参数优选方法[J]. 测绘学报, 53(7): 1 401-1 416.
[3]	陈国茜, 李素雲, 赵梦凡, 等, 2025. 基于FY3D/MWRI亮温数据的青海高原土壤水分估算[J]. 遥感技术与应用, 40(5):1175-1 189.
[4]	何志伟, 唐伯惠, 李召良, 2024. 考虑地形和邻近效应的高空间分辨率山区地表温度遥感反演[J]. 中国科学: 地球科学, 54(11): 3 647-3 663.
[5]	侯光雷, 张洪岩, 王野乔, 等, 2010. 基于MODIS数据的吉林省中部地表温度反演及空间分布研究[J]. 地理科学, 30(3): 421-427.
[6]	胡翠琴, 马英, 黄晓东, 等, 2025. 基于随机森林算法的青藏高原AMSR2地表温度降尺度反演[J]. 草业科学, 42(1): 11-22..
[7]	胡盼盼, 2021. 基于MODIS数据的青藏高原2003—2020年地表温度时空变化分析[D]. 北京: 中国地质大学大学.
[8]	黄志明, 周纪, 丁利荣, 等, 2021. 藏东南冰川地区250 m空间分辨率全天候地表温度生成[J]. 遥感学报, 25(8): 1 873-1 888.
[9]	姜鹏, 纪瑞鹏, 冯锐, 等, 2012. 基于多源遥感数据的辽宁地表温度反演及空间分布研究[J]. 气象与环境学报, 28(3): 44-48.
[10]	练义华, 2023. 基于深度学习和机器学习的全天候地表温度估算方法研究[D]. 北京: 中国农业科学院.
[11]	刘峰, 张甘霖, 2022. 青藏高原数字土壤制图产品数据集(2015—2024)[DB]. 国家青藏高原科学数据中心. https://cstr.cn/18406.11.Terre.tpdc.272482.
[12]	刘杰, 刘高平, 安晶晶, 等, 2024. 基于机器学习的模式温度预报订正方法[J]. 沙漠与绿洲气象, 18(3): 96-104.
[13]	刘信达, 2023. 基于主被动微波遥感技术的青藏高原地区冻融变化监测研究[D]. 石家庄: 石家庄铁道大学.
[14]	陆品延, 2018. 基于Landsat8数据的青藏地区地表温度反演研究[D]. 南京: 南京信息工程大学.
[15]	毛克彪, 施建成, 覃志豪, 等, 2006. 一个针对ASTER数据同时反演地表温度和比辐射率的四通道算法[J]. 遥感学报, 10(4): 593-599.
[16]	石玉, 肖继东, 张旭, 2010. 基于MODIS数据的乌昌地区地表温度反演[J]. 沙漠与绿洲气象, 4(4):48-50.
[17]	王彬雁, 王佳津, 曹萍萍, 等, 2023. 基于随机森林模型的小时强降水订正分析[J]. 高原山地气象研究, 43(3): 91-98.
[18]	王博, 2022. 基于FY-3D微波成像仪的地表温度与植被光学厚度的反演与验证[D]. 泰安: 山东农业大学.
[19]	王国胜, 何清, 金莉莉, 等, 2022. 塔克拉玛干沙漠沙垄起伏地形夏季地表温度差异特征[J]. 沙漠与绿洲气象, 16(6):131-140.
[20]	王佳琳, 潘志华, 韩国琳, 等, 2016. 1961—2010年中国0 cm地温变化特征及其与气温变化的关系[J]. 资源科学, 38(9): 1 733-1 741.
[21]	王姝, 张亮, 朱红秀, 等, 2024. 2022年7—8月干旱对川西高原植被长势的影响[J]. 高原山地气象研究, 44(1): 94-103.
[22]	翁珊珊, 2025. 基于多源数据融合的青藏高原地表温度智能估算与地表温度产品订正研究[D]. 南昌: 江西理工大学.
[23]	肖柳瑞, 毛克彪, 郭中华, 等, 2025. 基于机器学习的宁夏地区地表温度反演[J]. 西北工程技术学报: 中英文, 24(2):130-136.
[24]	徐迅澎, 张煜, 张玉常, 等, 2023. 基于MODIS数据的青藏高原1 km分辨率逐日地表温度数据集(2000—2020)[J]. 全球变化数据学报: 中英文, 7(3): 252-261.
[25]	阳勇, 陈仁升, 宋耀选, 2014. 高寒山区地表温度测算方法研究综述[J]. 地球科学进展, 29(12): 1 383-1 393.
[26]	杨栎楠, 马亚宇, 赵润华, 2025. 基于迁移学习的天府机场低能见度预报模型[J]. 高原山地气象研究, 45(增刊1): 121-127.
[27]	原琪翔, 2022. 基于FY-3D数据的美国中东地表温度热红外遥感反演方法研究[D]. 石家庄: 河北地质大学.
[28]	张庆, 张楠, 陈子煊, 等, 2024. 多种机器学习方法在京津冀地区低能见度天气预报中的应用[J]. 气象科学, 44(2): 362-374.
[29]	张兆明, 彭燕, 何国金, 等, 2025. 青藏高原Landsat系列卫星地表温度产品(1986—2023)[J]. 中国科学数据:中英文网络版, 10(2): 193-201.
[30]	赵美亮, 曹广超, 曹生奎, 等, 2021. 1980—2017年青海省地表温度时空变化特征[J]. 干旱区研究, 38(1):178-187.
[31]	朱怀松, 刘晓锰, 裴欢, 2007. 热红外遥感反演地表温度研究现状[J]. 干旱气象, 25(2): 17-21.
[32]	朱瑜馨, 吴门新, 鲍艳松, 等, 2021. FY-3D/MWRI L1B亮温LST反演与降尺度研究[J]. 自然资源感, 33(3): 27-35.
[33]	祝新明, 宋小宁, 冷佩, 等, 2021. 多尺度地理加权回归的地表温度降尺度研究[J]. 遥感学报, 25(8): 1 749-1 766.
[34]	BREIMAN L, 2001. Random Forests[J]. Machine Learning, 45: 5-32.
[35]	DIETTERICH T G, 2000. An experimental comparison of three methods for constructing ensembles of Decision Trees: Bagging, Boosting, and Randomization[J]. Machine Learning, 40(2): 139-157.
[36]	DUAN S B, LI Z L, LENG P, 2017. A framework for the retrieval of all-weather land surface temperature at a high spatial resolution from polar-orbiting thermal infrared and passive microwave data[J]. Remote Sensing of Environment, 195: 107-117.
[37]	LIU Y B, YAMAGUCHI Y, KE C Q, et al, 2007. Reducing the discrepancy between ASTER and MODIS land surface temperature products[J]. Sensors, 7(12): 3 043-3 057.
[38]	PIPUNIC R C, WALKER J P, WESTERM A, 2008. Assimilation of remotely sensed data for improved latent and sensible heat flux prediction: A comparative synthetic study[J]. Remote Sensing of Environment, 112(4): 1 295-1 305.
[39]	QIN Z, KARNIELI A, BERLINER P, 2001. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-egypt border region[J]. International Journal of Remote Sensing, 22(18): 3 719-3 746.

基于集成学习技术的青海高原地表温度反演研究

Research on land surface temperature retrieval over the Qinghai Plateau based on ensemble leaning technology

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 39

相关文章 10

编辑推荐

Metrics

[1]	吕玫霞, 闫昕旸, 何金梅, 程鹏, 王小勇, 李晓琴. 基于随机森林算法的青藏高原东北边坡输电线路覆冰厚度预报模型[J]. 干旱气象, 2025, 43(3): 488-497.
[2]	王璐璐, 谭江红. 基于LightGBM的豫南浓雾客观预报研究[J]. 干旱气象, 2024, 42(5): 702-709.
[3]	田国珍, 任玉欢, 杨茜, 黄小燕, 赵斯楠, 左小瑞, 李智才. 三种遥感干旱监测指数在黄土高原东部的适用性研究[J]. 干旱气象, 2024, 42(3): 338-346.
[4]	盖长松, 曹丽娟, 阳园燕. 三种气温插补方法在中国西南地区的应用分析[J]. 干旱气象, 2023, 41(5): 792-801.
[5]	冯良敏, 周秋雪, 曹萍萍, 王佳津. 四川地区气温转折过程2 m温度变化订正研究[J]. 干旱气象, 2023, 41(1): 164-172.
[6]	刘娜, 黄武斌, 杨建才, 王基鑫, 王一丞, 张君霞. 基于SCTP-RF算法的甘肃省短期定量降水客观预报方法研究[J]. 干旱气象, 2022, 40(1): 146-155.
[7]	余卫国, 房世波, 齐月, 陈金华. ASTER数据地表温度产品精度评价[J]. 干旱气象, 2019, 37(6): 987-992.
[8]	管延龙，王让会，李成，姚健. 天山北麓1963～2010年0 cm最高与最低地表温度变化特征[J]. 干旱气象, 2015, 33(4): 587-594.
[9]	裴　欢, 房世峰. 南京市夏季热岛特征及其与土地利用覆盖关系研究[J]. J4, 2008, 26(1): 23-27.
[10]	朱怀松, 刘晓锰, 裴欢. 热红外遥感反演地表温度研究现状[J]. J4, 2007, 25(2): 17-21.