【摘 要】
：
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)、gr
【机 构】
：
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, 北京 100101;中国自然资源航空物探遥感中心, 北京 100083;山东省第八地质矿产勘查院, 山东 日照 276826
论文部分内容阅读
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2K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.
其他文献
系统端到端仿真是辅助实际合成孔径雷达(Synthetic Aperture Radar,SAR)系统开发和指标分析验证的有效手段.针对目前星载SAR仿真方法存在的考虑实际工作状态少、 多模式仿真代码冗余和系统可维护性差等问题,设计了一种模块化的端到端仿真方法,通过工作模式分解和模块组合复用的方法实现了多模式仿真.此外,相对于传统回波数据仿真,增加了收发通道、 传输链路、 模糊区、 运动误差、 天线方向图和数据格式化等描述实际载荷工作过程的物理模型,实现了多模式星载SAR全链路仿真.仿真结果表明,该方法能够