中山大学博士生一作在遥感顶刊《Remote Sensing of Environment》最新成果！

地表温度是刻画地球系统气候变化和能量平衡的重要参数，然而，星载光学传感器无法穿透云层探测地面，这使得当前多数卫星计划发布的地表温度产品因云污染而存在大量缺失值，严重限制了地表温度产品的广泛应用。因此，开展云下地表温度重建对于提高产品质量和深化应用具有重要意义。虽然前人已提出了基于数据融合、时空插值或地表能量平衡的多种温度重建算法，但在重建精度、输入变量可获得性以及方法便捷性等方面仍有较大提升空间。

针对上述问题，本文提出了一种新的地表温度重建算法——多参量插值经验正交函数（Multivariate Data Interpolating Empirical Orthogonal Functions，MDINEOF）。该算法的核心思想是引入全天候辐射分量等信息辅助地表温度的精确插值重建，具有操作简单、精度较高、所需参数较少、鲁棒性较强等特点。其基本思路是：将总净辐射、地表温度晴空值及其云空初始值、长波下行辐射处理为时间序列矩阵，同时输入DINEOF算法；由DINEOF算法对输入数据进行正交分解，识别并提取其中的主成分，这个过程是信息降维和特征提取的过程，使得算法能通过考虑辐射-温度的关系来表征温度场，最终利用在迭代中提取到的温度场时空特征进行云下晴空地表温度的重建。该研究为云下地表温度或其他相关参数的重建提供了新思路。

首先，该研究在ERA5再分析数据中根据云覆盖度，人为构建地表温度缺失值，并用MDINEOF算法重建，以此评价所提算法的时空重建能力。结果显示，相较于原始DINEOF算法，MDINEOF算法重建出来的LST空间模式（图1）和时间变化趋势（图2）都能更好地与ERA5原始数据吻合，表明该算法可以较好地恢复输入数据的原有时空特征，重建精度较高。

图1 DINEOF与MDINEOF算法在多种地表类型上的地表温度重建精度（RMSE）

图2 DINEOF与MDINEOF算法在（a）农田、（b）沙漠、（c）森林、（d）草地/灌木、（e）冰雪、（f）复杂地形环境下重建的ERA5地表温度时间序列

验证了所提算法的时空重建能力的可靠性后，该研究进一步将该算法应用于MODIS的地表温度产品并与站点实测值验证，同时将该算法与多种同类算法进行重建精度的同步对比，结果如下图。

图3 MDINEOF与五种同类算法的重建精度对比

结果显示，该算法在仅需三种辅助数据的前提下实现了3.28K的云下地表温度重建精度，整体精度优于现有的大部分算法。此外，该研究还基于高斯噪声测试了算法对所需辅助数据的敏感性，结果表明MDINEOF算法具有较强的抵抗噪声的能力。

图4 分别对（a）长波下行辐射、（b）全波长净辐射、（c）云空地表温度初始值引入不同程度的高斯噪声，测试MDINEOF算法的重建精度变化

该研究成果于2024年5月以“MDINEOF: A scheme to recover land surface temperatures under cloudy-sky conditions by incorporating radiation fluxes”为题发表在《Remote Sensing of Environment》上。中山大学测绘科学与技术学院博士生石传晔为文章第一作者，王天星教授为论文通讯作者，中山大学测绘学院郑小坡副教授以及马里兰大学贾奥林博士等为论文合作作者。该研究得到了国家自然科学基金（42022008、42101347）等项目的支持。