低纬度水稻种植区气温监测:结合遥感、模型同化和机器学习技术
摘要
1.简介
2.材料和方法
2.1. 研究区域
2.2. 数据集集合
2.2.1. 现场观测数据
2.2.2. DEM数据
2.2.3. 卫星观测数据
2.2.4. 数据产品和再分析数据集
3.方法
3.1. 数据预处理
3.2. 建模
3.2.1. RF型号
3.2.2. ANN模型
3.2.3. LSTM模型
3.2.4. MLR模型
3.3. 模型培训和验证
4.结果
4.1. 模型性能评估
4.2. 协变量的相对重要性
4.3. 水稻种植对建模和温度变化的影响
5.讨论
6.结论
作者贡献
基金
数据可用性声明
利益冲突
缩写
工具书类
俄亥俄州霍格·古德伯格。; 雅各布·D·。; 泰勒,M。; Guillén Bolaños,T。; 宾迪,M。; 布朗,S。; 卡米洛尼,I.A。; 迪迪奥,A。; 贾兰特,R。; Ebi,K。; 等人,《人类在1.5°C下稳定全球气候变化的迫切性》。 科学类 2019 , 365 ,eaaw6974。 [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 朱,X。; Duan,S。; 李,Z。; 吴,P。; Wu,H。; 赵伟。; Qian,Y.使用年温度循环模型从Landsat 8数据重建多云条件下的地表温度。 遥感环境。 2022 , 281 , 113261. [ 谷歌学者 ] [ 交叉参考 ] Bazrafshan,J.气温对伊朗不同气候长期干旱历史趋势的影响。 水资源。 管理。 2017 , 31 , 4683–4698. [ 谷歌学者 ] [ 交叉参考 ] 段,Z。; Tuo,Y。; 刘杰。; 高,H。; 宋,X。; 张,Z。; Yang,L。; Mekonnen,D.F.使用SWAT对埃塞俄比亚一个计量不足的盆地中的开放式降水和气温数据集进行水文评估。 J.水文学。 2019 , 569 , 612–626. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Sun,T。; Sun,R。; Chen,L.《评估城市热岛效应时地表温度和近地表气温的趋势不一致性》。 远程传感器。 2020 , 12 , 1271. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 阿森,S。; Ewert,F。; 马特雷,P。; Rötter,R.P.公司。; Lobell,D.B。; 卡马拉诺,D。; Kimball,文学学士。; M.J.奥特曼。; 墙壁,G.W。; 怀特,J.W。; 等。气温升高降低了全球小麦产量。 自然气候。 青稞酒。 2015 , 5 , 143–147. [ 谷歌学者 ] [ 交叉参考 ] Wang,H。; Yang,T。; 陈,J。; 贝尔,S.M。; Wu,S。; 姜瑜。; 孙,Y。; 曾勇。; 曾勇。; 潘,X。; 等。自由空气温度升高对双季水稻种植系统中粮食产量和温室气体排放的影响。 田间作物研究。 2022 , 281 , 108489. [ 谷歌学者 ] [ 交叉参考 ] Yang,Z。; 张,Z。; 张,T。; Fahad,S。; 崔,K。; 聂,L。; 彭,S。; Huang,J.中国中南部地区季节性温度升高对水稻品种的影响。 前面。 植物科学。 2017 , 8 , 1908. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] 赵,C。; 刘,B。; Piao,S。; 王,X。; Lobell,D.B。; 黄,Y。; 黄,M。; 姚,Y。; 巴苏,S。; Ciais,P。; 等。在四项独立估计中,气温升高降低了主要作物的全球产量。 程序。 国家。 阿卡德。 科学。 美国 2017 , 114 , 9326–9331. [ 谷歌学者 ] [ 交叉参考 ] Wang,L。; 胡,F。; 胡,J。; 陈,C。; 刘,X。; 张,D。; Chen,T。; 苗,Y。; Zhang,L.1961-2018年华南地区极端气温的多阶段时空变化。 西奥。 申请。 气候。 2021 , 146 , 243–256. [ 谷歌学者 ] [ 交叉参考 ] Xu,Y。; 秦,Z。; Shen,Y.利用统计方法从MODIS数据估算近地表气温的研究。 《国际遥感杂志》。 2012 , 33 , 7629–7643. [ 谷歌学者 ] [ 交叉参考 ] 博斯坦,P.A。; 尤夫林,G.B.M。; Akyürek,S.Z。绘制土耳其年平均降雨量图的回归和克里金技术比较。 国际期刊申请。 地球观测地理信息。 2012 , 115–126. [ 谷歌学者 ] [ 交叉参考 ] T.R.麦克维卡。; Jupp,D.L.使用协变量对墨累-达令盆地的水分有效性进行空间插值:遥感数据的新用途。 遥感环境。 2002 , 79 , 199–212. [ 谷歌学者 ] [ 交叉参考 ] 价格,D.T。; 麦肯尼,D.W。; 纳尔德,I.A。; Hutchinson,M.F。; Kesteven,J.加拿大月平均气候数据空间插值的两种统计方法的比较。 农业。 为了。 美托洛尔。 2000 , 101 , 81–94. [ 谷歌学者 ] [ 交叉参考 ] 陈,Y。; Liang,S。; 马,H。; 李,B。; 他,T。; Wang,Q.An All-Sky 2003–2019年中国大陆1公里日地表气温产品,来自MODIS和辅助数据。 地球系统。 科学。 数据 2021 , 13 , 4241–4261. [ 谷歌学者 ] [ 交叉参考 ] Noi,P.T。; Degener,J。; Kappas,M.从MODIS LST数据的动态组合中估算每日空气表面温度的多元线性回归、立方体回归和随机森林算法的比较。 远程传感器。 2017 , 9 , 398. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 秦,J。; 他,M。; 姜浩。; Lu,N.融合MODIS和ERA5温度重建青藏高原60年(1961-2020)地面气温。 科学。 总环境。 2022 , 853 , 158406. [ 谷歌学者 ] [ 交叉参考 ] 夏,Y。; 郝,Z。; Shi,C。; 李,Y。; 孟,J。; 徐,T。; 吴,X。; Zhang,B.区域和全球土地数据同化系统:创新、挑战和前景。 J.Meteorol公司。 物件。 2019 , 33 , 159–189. [ 谷歌学者 ] [ 交叉参考 ] 曾磊。; 胡,Y。; 王,R。; 张,X。; 彭,G。; 黄,Z。; 周,G。; Xiang,D。; 孟·R。; Wu,W。; 等。通过机器学习方法对全球气候带的8天和每日最高和最低气温进行估算。 远程传感器。 2021 , 13 , 2355. [ 谷歌学者 ] [ 交叉参考 ] 郑,M。; 张杰。; 王,J。; Yang,S。; Han,J。; Hassan,T.利用多源卫星数据和机器学习模型重建2003-2018年欧亚大陆0.05°全天空日最高气温。 大气。 物件。 2022 , 279 , 106398. [ 谷歌学者 ] [ 交叉参考 ] H.E.贝克。; 潘,M。; 米拉莱斯,D.G。; Reichle,R.H。; 多里戈,W.A。; 哈恩,S。; 谢菲尔德,J。; Karthikeyan,L。; Balsamo,G。; R.M.帕里努萨。; 等。使用826个传感器的现场测量对18个基于卫星和模型的土壤水分产品进行评估。 水文学。 地球系统。 科学。 2021 , 25 , 17–40. [ 谷歌学者 ] [ 交叉参考 ] 郭,B。; 徐,T。; 杨琼。; 张杰。; 戴,Z。; 邓,Y。; 邹J.中国南方山区流域八种卫星降水产品的多时空尺度评价。 远程传感器。 2023 , 15 , 1373. [ 谷歌学者 ] [ 交叉参考 ] 刘,H。; Xin,X。; 苏,Z。; 曾勇。; Lian,T。; 李,L。; 于斯。; Zhang,H.在现场和盆地尺度上对十种全球ET产品进行相互比较和评估。 J.水文学。 2023 , 617 , 128887. [ 谷歌学者 ] [ 交叉参考 ] 黄,X。; 韩,S。; Shi,C.青藏高原高寒地区三个气温再分析数据集的评估。 远程传感器。 2022 , 14 , 4447. [ 谷歌学者 ] [ 交叉参考 ] 王,M。; 他,C。; 张,Z。; 胡,T。; 段,S.-B。; Mallick,K。; 李,H。; Liu,X.使用现场测量对陆地卫星系列的三个地表温度产品进行评估。 IEEE传输。 地质科学。 远程传感器。 2023 , 61 , 22508960. [ 谷歌学者 ] [ 交叉参考 ] 黄,X。; 韩,S。; Shi,C.中国三个再分析温度数据系统的多尺度评估。 农业 2021 , 11 , 1292. [ 谷歌学者 ] [ 交叉参考 ] Zhao,T。; Fu,C.从几个再分析数据集对中国地表气温的适用性评估。 高原气象。 2009 , 28 , 594–606. [ 谷歌学者 ] [ 交叉参考 ] 王,C。; Bi,X。; 栾,Q。; Li,Z.利用机器学习方法从MODIS数据估算中国京津冀地区的日近地面气温和瞬时近地面气温。 远程传感器。 2022 , 14 , 1916. [ 谷歌学者 ] [ 交叉参考 ] Meyer,H。; Katurji,M。; Appelhans,T。; 缪勒,M.U。; Nauss,T。; Roudier,P。; Zawar-Reza,P.基于MODIS LST绘制南极洲每日气温图。 远程传感器。 2016 , 8 , 732. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Otgonbayar,M。; 阿茨伯格,C。; 马蒂乌齐,M。; Erdenedalai,A.利用MODIS陆地表面温度(LST)时间序列和机器学习技术估计蒙古月平均气温的气候学。 远程传感器。 2019 , 11 , 2588. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Vulova,S。; 梅耶,F。; 芬纳,D。; 努里,H。; Kleinschmit,B.《德国柏林夏夜:利用遥感、众包气象数据和机器学习对气温进行空间建模》。 IEEE J.选择。 顶部。 申请。 地球观测遥感器。 2020 , 13 , 5074–5087. [ 谷歌学者 ] [ 交叉参考 ] Xu,Y。; 克努德比,A。; Ho,H.C.根据加拿大不列颠哥伦比亚省MODIS估算每日最高气温。 《国际遥感杂志》。 2014 , 35 , 8108–8121. [ 谷歌学者 ] [ 交叉参考 ] Yoo,C。; 我,J。; 南帕克。; Quackenbush,L.J.使用MODIS时间序列卫星数据估算城市景观中的每日最高和最低气温。 ISPRS J.摄影。 远程传感器。 2018 , 137 , 149–162. [ 谷歌学者 ] [ 交叉参考 ] Breiman,L.随机森林。 机器。 学习。 2001 , 45 , 5–32. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 刘,Y。; Ortega-Farías,S。; 田,F。; 王,S。; Li,S.利用陆地卫星图像估算中国西北干旱地区地表和近地表气温。 前面。 环境。 科学。 2021 , 9 . [ 谷歌学者 ] [ 交叉参考 ] 贾,H。; Yang,D。; 邓,W。; 魏强。; Jiang,W.利用地理加权回归和深度学习预测地表温度。 电线数据最小知识。 发现。 2021 , 11 ,e1396。 [ 谷歌学者 ] [ 交叉参考 ] Kartal,S。; Sekertekin,A.使用基于空间插值技术和深度学习模型的新混合模型预测MODIS地表温度。 环境。 科学。 波卢特。 物件。 2022 , 29 , 67115–67134. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 哈利勒,美国。; 阿扎姆,美国。; Aslam,B。; 乌拉,I。; 塔里克,A。; 李,Q。; Lu,L.开发一个时空模型来预测地表温度:更好的城镇规划的前进之路。 持续性 2022 , 14 , 11873. [ 谷歌学者 ] [ 交叉参考 ] Mukonza,S.S.公司。; Chiang,J.-L.利用卫星数据预测Mundan水库地表水温度的微气候计算机和深度学习模型。 水 2022 , 14 , 2935. [ 谷歌学者 ] [ 交叉参考 ] 苏,H。; 张,T。; 林,M。; 卢·W。; Yan,X.-H.基于长短期记忆神经网络从遥感数据预测地下热盐结构。 遥感环境。 2021 , 260 , 112465. [ 谷歌学者 ] [ 交叉参考 ] 钟,J。; Lee,Y。; Jang,W。; Lee,S。; Kim,S.气温与MODIS地表温度之间的相关分析,以及使用TensorFlow长短记忆预测冷热波发生期间的气温。 远程传感器。 2020 , 12 , 3231. [ 谷歌学者 ] [ 交叉参考 ] Yang,D。; 钟,S。; 梅,X。; 叶,X。; 牛,F。; Zhong,W.几种常用近地表面气温估算模型的比较研究。 远程传感器。 2023 , 15 , 1136. [ 谷歌学者 ] [ 交叉参考 ] Che,J。; 丁,M。; 张,Q。; Wang,Y。; Sun,W。; Wang,Y。; Wang,L。; Huai,B.基于MODIS数据和机器学习方法重建格陵兰冰盖上的近地表气温。 远程传感器。 2022 , 14 , 5775. [ 谷歌学者 ] [ 交叉参考 ] Shwetha,H.R。; Kumar,D.N.使用微波植被指数和人工神经网络预测多云条件下的高时空分辨率地表温度。 ISPRS J.摄影。 远程传感器。 2016 , 117 , 40–55. [ 谷歌学者 ] [ 交叉参考 ] 王,J。; Deng,Z.基于MODIS数据的沿海水域海面温度反演算法的开发。 环境。 莫尼特。 评估 2017 , 189 , 286. [ 谷歌学者 ] [ 交叉参考 ] Wu,W。; 唐,X.-P。; 郭新杰。; 杨,C。; 刘海波。; Shang,Y.-F.使用人工神经网络对月土壤温度进行时空建模。 西奥。 申请。 气候。 2013 , 113 , 481–494. [ 谷歌学者 ] [ 交叉参考 ] 伦克,W。; 小妮,Y。; Yaya,S。; W.Chengyong。; Baokang,L.复杂山区气温估算及其影响因素研究。 公共科学图书馆 2022 , 17 ,电话:0272946。 [ 谷歌学者 ] [ 交叉参考 ] ⑩ahin,M.土耳其利用遥感和人工神经网络对气温进行建模。 高级空间资源。 2012 , 50 , 973–985. [ 谷歌学者 ] [ 交叉参考 ] Chiueh,Y.-W。; Tan,C.-H。; Hsu,H.-Y.区域小气候温度降低一摄氏度的值——稻田的冷却效应。 大气 2021 , 12 , 353. [ 谷歌学者 ] [ 交叉参考 ] Gogoi,P.P。; Vinoj,V。; 斯温,D。; Dash,J。; Tripathy,S.土地利用和土地覆盖变化对印度东部地表温度的影响。 科学。 代表。 2019 , 9 , 8859. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 陈,X。; 顾,X。; 刘,P。; 王,D。; 穆塔兹,F。; Shi,S。; 刘,Q。; Zhan,Y.基于多时间热红外图像的农田年际变化对地表温度的影响。 红外物理。 Technol公司。 2022 , 122 , 104081. [ 谷歌学者 ] [ 交叉参考 ] Xin,B。; Yu,L。; 李·G。; 焦,Y。; 刘,T。; 张,S。; Lei,Z.盐碱地绿化对当地地表温度的影响——基于遥感的多尺度评估。 远程传感器。 2022 , 14 , 4246. [ 谷歌学者 ] [ 交叉参考 ] 刘,T。; Yu,L。; Zhang,S.地表温度对灌溉稻田扩展的响应:以中国吉林省西部半干旱地区为例。 科学。 代表。 2019 , 9 , 5278. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] 周,D。; 李,D。; 孙,G。; 张,L。; 刘,Y。; Hao,L.中国东部城市化和农业对地表温度的对比影响。 《地球物理学杂志》。 Res.大气。 2016 , 121 , 9597–9606. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 沈,H。; 姜瑜。; 李·T。; Cheng,Q。; 曾,C。; Zhang,L.通过融合遥感、站点、模拟和社会经济数据进行基于深度学习的气温制图。 遥感环境。 2020 , 240 , 111692. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Livingston,F.J.布雷曼随机森林机器学习算法的实现。 ECE591Q机械。 学习。 J.巴普。 2005 , 1–13. [ 谷歌学者 ] 袁,Q。; 沈,H。; 李·T。; 李,Z。; 李,S。; 姜瑜。; Xu,H。; Tan,W。; 杨琼。; 王,J。; 等,《环境遥感深度学习:成就与挑战》。 遥感环境。 2020 , 241 , 111716. [ 谷歌学者 ] [ 交叉参考 ] 杜,B。; 毛,K。; 贝蒂尼,S.M。; 孟,F。; 王晓明。; Guo,Z。; C·6月。; Du,G.一种新的完全耦合物理-统计-深度学习方法,用于从多源数据中检索近地表气温。 远程传感器。 2022 , 14 , 5812. [ 谷歌学者 ] [ 交叉参考 ] 潘,B。; 郑毅。; 沈,R。; Ye,T。; 赵伟。; Dong,J。; 马,H。; Yuan,W.中国双季水稻高分辨率分布数据集。 远程传感器。 2021 , 13 , 4609. [ 谷歌学者 ] [ 交叉参考 ] Amani-Beni,M。; 陈,Y。; Vasileva,M。; 张,B。; Xie,G.空气和地表温度之间的定量空间关系,精细尺度城市内部小气候研究的代理? 维持。 城市社会。 2022 , 77 , 103584. [ 谷歌学者 ] [ 交叉参考 ] 米尔德雷克斯勒,D.J。; Yang,Z。; 科恩,W.B。; Bell,D.M.基于干旱和高温的森林脆弱性指数。 遥感环境。 2016 , 173 , 314–325. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Bird,D.N。; Banzhaf,E。; Knopp,J。; Wu,W。; Jones,L.结合时空数据,从遥感地表温度(LST)数据创建精细分辨率的每日城市气温产品。 大气 2022 , 13 , 1152. [ 谷歌学者 ] [ 交叉参考 ] Zhang,Y。; Liang,S.,基于卫星观测的土地覆盖变化对中国地表温度的影响。 环境。 Res.Lett公司。 2018 , 13 , 024010. [ 谷歌学者 ] [ 交叉参考 ] 崔,J。; Wang,Y。; 周,T。; 江,L。; Qi,Q.温度调节了2001-2019年青藏高原高寒草原MODIS NPP的动态。 远程传感器。 2022 , 14 , 2401. [ 谷歌学者 ] [ 交叉参考 ] 孙,J。; Du,W.降水和温度对中国草地净初级生产力和降水利用效率的影响。 GIScience遥感。 2017 , 54 , 881–897. [ 谷歌学者 ] [ 交叉参考 ] 张,H。; 西北部Immerzeel。; 张,F。; R.J.德科。; S.J.戈里。; Ye,M.通过整合八种类型的再分析和陆地数据同化产品,利用基于机器学习的MODIS估计温度衰减率,创建青藏高原1公里长期(1980-2014)日平均气温。 国际期刊申请。 地球观测地理信息。 2021 , 97 , 102295. [ 谷歌学者 ] [ 交叉参考 ] Loginov,S.V.公司。; 伊波利托夫,I.I。; Kharyutkina,E.利用再分析和遥感数据研究了俄罗斯亚洲领土上空的地表气温、地表热平衡和大气顶部辐射平衡的关系。 《国际遥感杂志》。 2014 , 35 , 5878–5898. [ 谷歌学者 ] [ 交叉参考 ] Girjatowicz,J.P。; Świątek,M.大气环流对波罗的海南部海岸水温的影响。 海洋学 2019 , 61 , 38–49. [ 谷歌学者 ] [ 交叉参考 ] 纳斯托斯,P.T。; 费兰德拉斯,C.M。; Founda,D。; Zerefos,C.S.与希腊广大地区大气环流变化有关的气温趋势。 《国际遥感杂志》。 2011 , 32 , 737–750. [ 谷歌学者 ] [ 交叉参考 ] 马,C。; 赵,J。; 艾,B。; 重建的无云卫星数据揭示的南海北部海面温度和叶绿素a的两个十年变化。 IEEE传输。 地质科学。 远程传感器。 2021 , 59 , 9033–9046. [ 谷歌学者 ] [ 交叉参考 ] 王,A。; Zeng,X.利用青藏高原现场观测对多重再分析产品进行评估。 《地球物理学杂志》。 物件。 2012 , 117 ,D05102。 [ 谷歌学者 ] [ 交叉参考 ] Yang,K。; 郭,X。; He,J。; 秦,J。; Koike,T.《青藏高原大气热源的气候学和趋势:实验支持的再研究》。 J.攀登。 2011 , 24 , 1525–1541. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 斯特拉杰纳尔,B。; 塞迪尔尼克,J。; 费蒂奇,A。; 利查尔,M。; Pristov,N。; Smerkol,P。; Jerman,J.双向耦合和海表面温度对区域大气和海洋模型中降水预测的影响。 Q.J.R.Meteorol公司。 Soc公司。 2019 , 145 , 228–242. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Yadav,R.K.赤道中太平洋和北大西洋西北部2米表面温度在调节印度夏季风变化中的作用。 攀登。 动态。 2009 , 32 , 549–563. [ 谷歌学者 ] [ 交叉参考 ] 太阳,X。; 谢林。; F.H.塞马齐。; Liu,B.维多利亚湖流域湖面温度对降水空间分布和强度的影响。 周一。 天气。 版次。 2015 , 143 , 1179–1192. [ 谷歌学者 ] [ 交叉参考 ] 潘,C。; 王,X。; 刘,L。; 王,D。; Huang,H.华南暴雨特征及其与气温的标度关系(基于事件过程的分析)。 水 2019 , 11 , 185. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 斯坦科普夫,J。; Engelbrecht,F.验证非洲年内和年际时间尺度上的ERA5和ERA-间期降水。 大气。 物件。 2022 , 280 , 106427. [ 谷歌学者 ] [ 交叉参考 ] K.T.Lim Kam Sian。; Dosio,A。; 阿尤吉,B.O。; 哈根,D.F。; Kebacho,L.L。; Ongoma,V.非洲上空的主要降水模式及其观测的相关大气环流。 国际气候杂志。 2023 . [ 谷歌学者 ] [ 交叉参考 ] 蔡,Y。; 陈,G。; Wang,Y。; Yang,L.土地覆盖和季节变化对使用MODIS图像估计最高气温的影响。 远程传感器。 2017 , 9 , 233. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ]