Air Temperature Monitoring over Low Latitude Rice Planting Areas: Combining Remote Sensing, Model Assimilation, and Machine Learning Techniques

Lin, Minghao; Fang, Qiang; Xia, Jizhe; Xu, Chenyang

doi:10.3390/rs15153805

开放式访问第条

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

¹

中山大学农业学院，中国深圳518107

²

中山大学深圳校区，中国深圳518107

^三

深圳大学城市信息学系，中国深圳518060

⁴

中国驻马店463000中山大学河南研究院现代农业创新中心

^*

应向其寄送信件的作者。

远程传感器。 2023,15(15), 3805;https://doi.org/10.3390/rs15153805

收到的提交文件：2023年5月31日/修订日期：2023年7月15日/接受日期：2023年7月27日/发布日期：2023年7月31日

（本文属于特刊生态环境卫星系统的研究与应用)

下载

浏览地物

版本注释

摘要

:

气温（Ta）对于研究地表过程和人类活动至关重要，尤其是农业耕作，而农业耕作受温度的影响很大。综合多源数据的遥感技术可以高精度地估算Ta，克服了传统测量因空间异质性而带来的不足。本研究基于广东省2012-2018年的现场测量数据，应用三种机器学习模型和融合多源数据集，评估了四种数据组合在Ta估计中的性能。对协变量的相关性进行了比较，重点是水稻种植面积（RA）。结果表明：（1）多源数据的融合提高了模型估计的准确性，其中随机森林（RF）模型与ERA5组合的性能最佳，R最高²达到0.956，MAE值为0.996°C，RMSE为1.365°C；（2）总降水量（TP）、风速（WD）、归一化植被指数（NDVI）和地表温度（LST）是长期Ta估算的显著协变量；（3）水稻种植提高了估算Ta的模型性能，并且在夏季轮作期间模型精度降低。本研究为温度估计模型和协变量数据集的选择提供了参考。它为后续的ML研究提供了一个案例，以遥感农业地区的温度以及农业耕作对全球变暖的影响。

关键词：

遥感;空气温度;机器学习;水稻种植

1.简介

在全球变暖的背景下[1]及时准确地监测钽对于研究地表能量、陆地大气系统的水平衡越来越重要[2]以及人类生产实践，如干旱监测、城市热岛效应和水文评估[三,4,5]. 特别是，作物的发展不可避免地受到温度变化的挑战，这对农业产量和作物质量产生了重大影响[6,7,8,9]. 因此，有必要使用长期的空间和时间连续Ta数据来了解农业种植区Ta的变异性。然而，农业种植和生产的时间周期性和空间广泛性导致了农业种植区Ta的时空异质性[10]. 使用气象站Ta数据的传统插值方法有时可能无法准确反映数据的空间异质性和非线性关系。其他因素，如场地密度、土地覆盖和海拔（ELE）也极大地影响了空间插值的准确性，这阻碍了农业钽的准确监测[11,12,13,14].

最新的遥感技术集成了基于站点观测的多个遥感数据源，从而实现了Ta时空估算的高精度[15,16,17,18,19,20]. 例如，Noi等人将多个LST数据集与辅助数据集相结合，以实现高度准确的Ta估计[16]. 秦等人通过整合台站、卫星和再分析数据成功估算了长期近地表Ta[17]. 在另一项研究中，使用多个卫星测量和ELE数据生成中国大陆上空的日平均地表Ta[15]. Zheng等人结合遥感数据、同化数据和地质年代参数，重建欧亚大陆长期全天候最大Ta[20]. Zeng等人结合多源数据估计了Ta的三种空间尺度类型（气候带、大陆和全球尺度）[19]. 这些研究表明，高度相关的多变量融合可以提高温度估计的准确性。

许多研究评估了气象变量在遥感建模中的适用性，例如土壤湿度[21]，降水[22]、蒸散量（ET）[23]、和温度[24,25]. 然而，大多数研究仅评估了多个卫星产品和再分析数据集提供的单个气象变量。各种数据产品和再分析数据集的适用性在算法、参数、数据源等方面不同，因此它们在不同地区的效用可能不同[26,27]. 因此，评估更多的数据变量将有助于选择数据源和环境参数。同时，很少有研究应用了来自多个来源的相同变量，并评估了它们对模型性能的不同影响。

近年来，引入ML和深度学习（DL）模型已成为遥感建模的一种流行方法。它有助于捕获多个协变量之间的复杂关系，提高模型效率，同时提供优于传统半经验模型的良好性和准确性[28]. RF模型是用于温度估计的经典ML模型[29,30,31,32,33]，因为它通过组合多个弱分类器来形成一个鲁棒分类器，从而降低了过拟合的风险[34]. 例如，Liu等人使用RF模型通过卫星测量估算了中国西北干旱地区的近地表Ta[35]. 作为一种递归神经网络（RNN），长短期记忆（LSTM）神经网络模型在LST估计中表现出了出色的性能[36,37,38,39,40]. Chung等人利用一年中冷期和热期的不同LST数据构建了一个Ta估计LSTM模型，并在冷期取得了可接受的性能[41]. Yang等人还评估了Ta的大规模LSTM模型的性能[42]. 人工神经网络（ANN）模型在温度估计方面的潜力也得到了证明[39,43,44,45,46]. Runke等人应用ANN模型在复杂山区实现高温估算精度[47]. ⑩ahin利用ANN模型对20个城市的月平均气温进行建模[48]. 然而，ML模型，特别是DL模型，尚未经常用于估算农业种植区的Ta。

大米(水稻（L.）是亚洲广泛种植的国际重要主食作物。低纬度地区，特别是中国南方主要水稻种植区的双季水稻种植区，受到极端温度的强烈影响[10]. 虽然之前的一项研究考察了低纬度水稻种植对调节城市集群热岛效应的影响[49]，所研究的区域太小，无法具有足够的代表性。因此，有必要分析低纬度水稻种植如何在更高的时空尺度上调节温度。此外，不同的土地覆盖类型直接或间接地改变了地表温度[50,51]. 在农业遥感中，Xin等人通过整合多幅遥感图像研究了水稻种植对东北盐碱地地表温度的影响[52]. Chen等人应用多时相热红外图像描述作物年际变化对区域地表温度的影响[51]. 刘等人研究了三江平原稻田扩展对温度的响应，结果表明，稻田扩展具有很大的季节变化性[53]. Zhou等人推导了中国东部农业对地表温度的冷却效应[54]. 然而，现有的大多数研究都集中于评估作物种植对温度的影响。迄今为止，很少有研究从温度模型的遥感反演角度估计作物种植对精度的响应。了解特定作物类型（例如水稻）不同阶段温度估算模型性能的差异对于农业遥感应用也是至关重要的。

温度估计，特别是在农业种植区，受到各种因素的影响，如ELE、LST、ET、TP等。多个遥感数据集提供相同的温度相关气象变量，如TP、WD等。然而，很少有研究评估来自多个来源的相同变量对温度估计的影响。广东省是我国低纬度双季水稻的主要种植区，极端温度发生率较高。研究低纬度水稻种植对农业遥感Ta模型估算的影响具有重要意义。因此，本研究的目标是（1）评估融合多个数据集的相同变量对温度估计模型的影响；（2）将ML和DL模型应用于RA中的温度估计并进行比较；（3）讨论了水稻种植对低纬度Ta模型估计的影响以及水稻种植的冷却效应。本研究的结果有望为选择最合适的多源数据集进行温度估算提供一个案例，并为研究ML-Ta遥感在农业领域的应用提供科学依据。

2.材料和方法

2.1. 研究区域

广东省总面积约18万公里²(图1). 它位于北纬20°09′至25°34′之间，东经109°45′至117°20′之间。广东省土地覆盖类型多样，空间异质性强。山地丘陵、台地和平原分别占全省陆地总面积的33.7%、24.9%、14.2%和21.7%，而河流和湖泊仅占5.5%。总体而言，广东地势北高山低，南低平原台地。广东省年平均日照时数1745.8小时；年气温22.3°C；年总降水量高达3194亿m^三广东省水稻种植类型为双季水稻，水稻种植面积约18000公里²约占广东省面积的10%。

2.2. 数据集集合

2.2.1. 现场观测数据

提取了广东省86个气象站的平均Ta观测值，并在地面以上1.5 m处进行了测量。Ta数据来自中国气象数据服务中心（CMDC，网址：http://data.cma.cn/，于2022年2月22日访问）。根据广东省水稻种植范围，提取了非水稻种植区（NA）的58个站点和RA的28个站点。此外，每个台站的地理和时间参数，包括纬度、经度和时间，都是与Ta观测同时使用和获取的。

2.2.2. DEM数据

我们应用航天飞机雷达地形任务（SRTM）数据中的30m分辨率数字高程模型（DEM）数据（版本SRTMGL1v003G）来获得广东省的高程数据。

2.2.3. 卫星观测数据

在本研究中，下载了中分辨率成像光谱仪（MODIS）的两个陆地产品（2012年至2018年）：MOD11A1和MOD09GA数据。先前的研究表明，LST是估计Ta的一个有影响力的变量[55]. 因此，每天1km的LST数据是从MOD11A1产品中获得的。利用MOD09GA波段1和波段2的每日表面反射率计算NDVI公司.

N个 D类 V（V） 我

是卫星最关键的参数之一，反映作物生长和营养信息。NDVI公司使用MOD09GA产品每日1km近红外波段计算值

(B类 2)

和红色带

(B类 1)

如下：

N个 D类 V（V） 我 = \frac{N个 我 R（右） (B类 2) - R（右） E类 D类 (B类 1)}{N个 我 R（右） (B类 2) + R（右） E类 D类 (B类 1)}

(1)

2.2.4. 数据产品和再分析数据集

全球陆地表面卫星（GLASS）产品数据：这项研究使用了2012年至2018年的ET、近红外波段的黑色天空反照率和GLASS产品的净初级产量（NPP），时间分辨率为8天(http://glass.umd.edu/index.html/，于2022年10月27日访问）。与ET和NIR产品的1km分辨率相比，NPP产品的分辨率为500m。基于遥感数据的涡流协方差-光利用效率（EC-LUE）模型计算了GLASS NPP产品。将五种基于过程的算法与贝叶斯模型平均法相结合，得到了具有较高可靠性和准确性的GLASS-ET产品。玻璃反照率产品包括三个光谱范围：实际大气条件下的总短波、可见光和近红外。本研究使用NIR。

我们使用了来自欧洲中期天气预报中心（ECMWF）再分析v5（ERA5）第五代气候再分析数据集、全球陆地数据同化系统（GLDAS）和中国气象强迫数据集（CMFD）的三个数据集，其中包括地面压力（SP）、WD和TP。

ERA5数据：我们获得了ERA5陆地产品“地表压力”数据、“总降水量”数据和ECMWF档案分发的“10 m u/v风分量”数据(https://cds.climate.copernicus.eu/cdsapp#!/家，于2022年12月10日访问）。再分析数据集的空间分辨率为0.1×0.1°。“地面压力”数据反映了地面上的大气压力。“10 m u/v风分量”数据是指受当地植被、建筑物等影响的10 m风的东向和北向分量。“总降雨量”数据包括降雨量和降雪量之和。

GLDAS数据：通过先进的地面和天基观测系统，GLDAS提供了一系列长期网格化地表状态和通量参数。我们在本研究中使用了诺亚模型数据产品。利用了同化数据，如0.25°空间分辨率和3小时分辨率的“Psurf_finst”、“Rainf_f_tavg”和“Wind_f_inst”。

CMFD数据：中国科学院青海高原研究所通过插值遥感产品、再分析数据集和原位观测数据，开发了CMFD资料(https://data.tpdc.ac.cn/home网站，于2022年12月13日访问）。数据集包含海洋、陆地和空气气象要素，时间和空间分辨率分别为3小时和0.1°。一些研究表明，CMFD比中国其他再分析数据集更准确。本研究使用了CMFD数据集中的“压力”、“风速”和“降水率”。

3.方法

图2显示了研究的总体框架。首先，基于现场观测数据，我们融合了多个源数据集（DEM、MODIS、GLASS和再分析数据集），并将数据分为四种不同范围的组合（GLASS、CMFD、GLDAS和ERA5）（广东省所有地区（AA）、RA和NA）。然后，我们使用三种ML方法（RF、ANN和LSTM）比较长期序列Ta的多元线性回归（MLR）模型输出，并对模型进行评估。该研究还调查了水稻种植对Ta估计的影响，并确定了影响Ta的因素。

为了开展我们的工作，我们引入了带有地理和时间参数以及遥感数据的每日Ta站观测数据。本研究中使用的所有数据及其缩写均列于表1.

3.1. 数据预处理

使用Hdf-Eos到GIS转换工具（HEG）v2.15对原始数据进行裁剪，并使用最近邻算法将裁剪后的数据重新采样到相同的分辨率，缩放像素大小为0.0125°（x，y），时间尺度为每天。有几件事需要注意。（1） ERA5数据从m/小时同化为mm/小时。（2） ERA5的WD是根据“10 m u/v风分量”数据计算得出的。

在完成所有数据预处理后，根据广东省水稻种植范围和地点分布，将数据分为AA、RA和NA。根据同化数据的差异，数据分为四种数据组合：GLASS组合（DEM数据+MODIS数据集+GLASS数据集）、ERA5组合（DEM+MODIS数据库+GLASS+ERA5再分析数据集），CMFD组合（DMM+MODIS+GLASS-数据集+CMFD再分析数据集），和GLDAS组合（DEM数据+MODIS数据集+GLASS数据集+GLDAS再分析数据集）。

3.2. 建模

3.2.1. RF型号

我们使用基于决策树算法的RF模型，通过从多个决策树中投票来估计结果。用输入数据的子集训练每个决策树，并使用随机选择的属性确定节点分割[56]. 然而，模型中决策树的数量也限制了模型训练所需的空间和时间[57]. 此外，RF模型提供了响应变量预测因子的相对重要性。模型性能取决于超参数的最佳选择，例如树的数量“Num_tree”和叶节点“min_samples_leaf”所需的最小样本数[43]. 合理数量的树可以提供更好的训练效率，同时确保模型的预测效率。对“min_samples_leaf”参数的调整证实了该模型的健壮性。我们对这些参数进行了多次调整，最终确定最佳“min_samples_leaf”为5，最佳“Num_tree”为150。

3.2.2. ANN模型

我们应用了ANN模型，这是一个模拟人脑信息处理的非参数非线性模型。ANN模型由输入层、输出层和几个隐藏层组成，如下式所示：

Y（Y） = （f） (X（X）, W公司) + \in

(2)

哪里

Y（Y）

表示模型的响应相关变量，

X（X）

表示预测自变量，

W公司

表示其重量，以及

\in

表示其偏差项。

我们使用Levenberg-Marquardt算法作为ANN函数。ANN模型的超参数是“隐藏层大小”，它指定了神经网络中隐藏层的数量和大小，并影响模型的准确性。最终的ANN模型有三个隐藏层，每个层有10个隐藏神经单元。

3.2.3. LSTM模型

本研究使用LSTM。它是一种RNN类型，可以学习长期相关性并估计时间序列数据。LSTM模型克服了传统RNN模型的消失梯度问题，比卷积神经网络（CNN）模型具有更高的精度。LSTM模型具有链式网络结构，由双向连接的递归关键块单元组成。LSTM中控制单元状态的三个门称为遗忘(

{（f）}_{t吨}

)，输入(

我_{t吨}

)和输出(

{o（o）}_{t吨}

). 每个门由一个S形函数和一个通过逐点乘法激活的全连接神经网络组成，该网络可以控制信息的存储和删除。单个单元获取序列数据

{x个}_{t吨}

(t吨=1、2、3、4…）作为输入集。

{小时}_{t吨 - 1}

表示输入信息。

{小时}_{t吨}

表示输出信息。

{C类}_{t吨 - 1}

表示旧元素的状态。

{C类}_{t吨}

是一个新的单元格状态。

本研究使用自适应矩估计（Adam）优化器更新模型参数。每个模型的迭代次数设置为400。经过调整和选择，LSTM模型的超参数“迷你批量大小”、“numHiddenUnits”和“InitialLearnRate”分别调整为512、16和0.002。

3.2.4. MLR模型

MLR是一种经典的线性回归技术。与简单的线性回归分析相比，MLR可以预测一个变量和几个自变量之间的最佳关系。在本研究中，MLR模型是使用Ta数据和几个协变量开发的。

3.3. 模型培训和验证

本文使用RF、ANN和LSTM模型对处理后的数据进行建模，并引入MLR作为控制。所有预测变量均归一化。总共75%的数据集被选为训练集，剩下的25%被用作测试集。模型性能通过10倍交叉验证进行测试。通过将预测结果与相应的有效站基观测值进行比较，评估了模型的准确性。均方根误差(

R（右） M（M） S公司 E类

)，平均绝对误差(

M（M） A类 E类

)和决定系数(

{R（右）}^{2}

)作为模型评价指标。模型指标公式如下式所示：

R（右） M（M） S公司 E类 = \sqrt{\frac{1}{n个} \sum_{我 = 1}^{n个} {(年_{我} - \hat{年})}^{2}}

(3)

M（M） A类 E类 = \frac{1}{n个} \sum_{我 = 1}^{n个} |年_{我} - \hat{年}|

(4)

{R（右）}^{2} = \frac{\sum_{我 = 1}^{n个} {(年_{我} - \hat{年})}^{2}}{{(年_{我} - \hat{年})}^{2}}

(5)

哪里

年_{我}

和

{\hat{年}}_{我}

，是

我

-th实际值和

我

-第个预测值n个-第个数据。

4.结果

4.1. 模型性能评估

本研究应用三个ML模型（RF、ANN和LSTM）和一个常规MLR模型估算广东省2012-2018年Ta。应用ML和DL方法在长时间序列中提高了Ta估计精度。泰勒图(图3)表明RF模型具有最佳性能，最大R²0.951，归一化RMSE小于0.222，因为在RF模型的训练过程中存在随机生成的结构表示，使其比其他固定模型更具适应性和鲁棒性[42]. ANN模型表现第二好，R最大提高0.047²与传统MLR模型相比，MAE和RMSE分别最大减少0.349和0.405。LSTM模型表现出最差的性能，其估计精度结果与MLR模型的结果非常相似。

集成更多相关变量可以有效地改进复杂温度的模型估计。表2结果表明，具有更多变量的CMFD、GLDAS和ERA5组合比GLASS组合具有更高的模型准确性。比较模型，融合再分析数据集ERA5-land的组合在与CMFD组合相同的空间精度下具有最佳性能，这可以归因于ERA5较低的时间分辨率（1h）[58].

4.2. 协变量的相对重要性

RF模型用于比较每个组合中单个协变量的相对重要性(图4). NDVI是除ERA5组合外所有组合中最显著的协变量，在GLASS、CMFD和GLDAS组合中分别占总重要性的25%、17%和19%。另一方面，与NDVI相比，MODIS提供的另一个协变量LST在模型中的重要性一般较小。当考虑GLASS数据产品提供的协变量时，它们的相对重要性遵循NIR>ET>NPP的顺序。就不同再分析数据组合中相同变量的比较而言，TP显示出最高的相对重要性。在ERA5组合中，TP超过了相对重要性超过22%的其他组合，远远超过了CMFD组合（15%）和GLDAS组合（13%）。

4.3. 水稻种植对建模和温度变化的影响

我们使用总体性能最佳的RF模型评估了RA和NA的估计精度。图5结果表明，每个数据集组合的散点图沿1:1的直线均匀分布，验证了模型的有效性。数据集组合具有不同的估计精度，顺序如下：ERA5>GLDAS>CMFD>GLASS，这与第4.1节在本研究中，RA中均匀的地表植被覆盖导致模型性能高于NA²达到0.956，最低MAE值为0.996，最低RMSE为1.365。

我们使用RF模型评估了不同组合每年的RMSE，并检查了水稻种植对模型性能影响的年际变化。所有小提琴曲线的RMSE值集中在75%分位数和上限值之间(图6). 结合温度变化的模式，我们推断这是因为每年极端温度的出现导致了模型误差。在RA中，不同的组合显著影响了模型性能的年际变化。RA小提琴图中的误差上下限分布比AA图中的更紧凑，在ERA5组合中尤为明显。相反，小提琴图在NA数据集之间更加一致。ERA5数据集与最佳模型性能的组合具有最低的中位数界限，范围为1.338°C至1.304°C。值得注意的是，尽管模型拟合较差，但CMFD数据集在RA中的误差分布范围较短，并且显示出比GLDAS更好的准确性。这些发现可能是由于使用了更多的现场数据来生成CMFD数据集。

我们利用ERA5组合和RF模型分析了水稻种植对Ta估算的季节影响(图7). 我们考虑了广东省的水稻种植日历[59]早稻从三月上旬到四月下旬浸没并移栽，从四月中旬到七月中旬种植，七月收获。晚稻在7月至8月中旬被淹没并移栽，8月至10月生长，10月中旬至11月下旬收获。结果表明，在水稻双季种植期间，该模型的估计精度显著提高。然而，由于低纬度地区高温期较长，估计精度随季节推进呈V型，7月份精度最低，其中R²与最高值相比减少了0.172。同时，很容易发现7、8月份RA的模型精度低于NA。考虑到水稻种植周期，除了7月和8月的平均温度较高外，这可能是由于双季水稻的替代，这改变了原始的地表反照率，导致模型误差增加。

我们利用广东省气象站的实地观测，通过比较RA和NA之间的月度Ta差异，评估了长期种植水稻对区域Ta的影响(图8). 箱形图表明，RA中的月Ta与NA相比往往较低，如所有图中始终低于0°C的中线所示。然而，值得注意的是，RA在夏季面临极端高温的风险，最大温差超过0.5°C（7月）。另一方面，在冬季，RA的冷却效果变得明显，11月和12月以及1月的最小温差超过1.0°C。

此外，我们从纬度和海拔接近的RA和NA中各选择一个气象站进行温差比较(图9). S59075站（112.5697°N，24.295°E，海拔155.2 m）位于RA，S59117站（113.2867°N、24.7844°E，高度116 m）位于NA。散点图显示温差分布接近于图8夏季，RA的S59075温度稍高，最高温度出现在8月。北美的S59117冬季温度较高。

为了进一步探讨影响水稻种植区域温度的因素，显示了RA和NA中ERA5组合预测变量的相对重要性图10TP是两个地区Ta估算的主要协变量，对RA的影响更为显著（最大相对重要性为21.78%）。WD在NA中排名第二，对11.42%的水稻种植点产生了强烈影响。NDVI和LST通常用作温度估计变量，在本研究中也具有相当大的相对重要性（大于10%），并且对NA的影响大于RA。

5.讨论

RF模型是遥感中温度估计的经典模型，在本研究中显示出最佳的模型结果，具有最高的R²值超过0.95。对于海面温度（SST）估计，海洋数据固有的空间非线性和时间依赖性使LSTM能够准确估计这一特性[40]. 然而，在本研究中，LSTM模型的性能低于ANN模型，并且改进了R²与MLR模型相比只有0.01，这可能是由于Ta的影响参数比LST更复杂[60]. LSTM模型更适合表征时间序列估计，但它不能完全捕获其中一些参数的空间属性。此外，Mildrexler等人指出，温度和LST之间的关系强度取决于土地覆盖，这也可以解释研究区域Ta估算中海面更准确的LSTM的劣势[61]. 因此，尽管LST和Ta之间存在统计上可靠和空间上显著的相关性，但在估计这些参数时，应更加注意模型的适用性。尽管初始数据之间的精度存在差异，但在统一精度后，从多源数据集中融合了更多高度相关的因素，从而显著改善了模型估计。在这项研究中，ERA5组合获得了最佳结果，这很可能是因为考虑到数据产品的初始准确性，ERA5产品具有较高的空间和时间分辨率。因此，在后续研究中，纳入高分辨率数据产品对温度估计的准确性至关重要。然而，值得注意的是，融合GLDAS再分析产品的空间和时间分辨率低于ERA5，LSTM和MLR模型中的GLDAS组合显示出比其他模型更接近ERA5组合的模型精度，MAE和拟合优度优于理论上最优的ERA5组合，可能是因为LSTM和MLR对GLDAS产品提供的时间序列数据之间的线性关系更敏感。

在以往的研究中，LST和NDVI是Ta估计的两个重要参数[47,62]. 在本研究中，NDVI显著影响长期Ta建模，在GLASS组合中的最大相对重要性为25%。ET和NIR可以部分解释长期土地覆盖类型转换过程中生物物理过程改变引起的局部温度变化[63]. 在本研究中，ET和NIR是影响基于GLASS数据的Ta估计的两个更重要的协变量。温度决定了潮湿地区植被NPP的分布和变化[64,65]. 然而，将NPP作为协变量纳入本研究的模型表明，NPP对温度估计的相对重要性很低，在GLASS组合中仅超过10%（11%）。考虑ELE在估算Ta中的重要性[66]，将ELE数据添加到模型中，发现在GLASS组合中具有显著重要性（15%）。大气环流是准确估算Ta的必要组成部分，不容忽视[67]. Nastos等人研究了希腊广大地区的年平均Ta与大气环流之间的关系，发现了一个与Ta高度相关的大气环流指数[68]. Girjatowicz等人研究了波罗的海南部海岸水温对大气环流的响应，发现冬季的相关性最高[69]. 在本研究中，广东省位于东南亚沿海地区。大气环流，如海洋季风环流和台风，对广东省及周边沿海的温度监测有很大影响[70]. WD、TP和SP是描述大气环流对Ta影响的重要因素[71,72,73,74]. WD对陆空相互作用以及能量、水和动量的传递产生了巨大影响[72]. 以往的许多研究都解释了TP和温度之间的强时空相关性[14,75]. SP也是全球大气环流研究中的一个重要气候变量[74]. 在再分析产品提供的三个协变量中，与温度相关的SP对长期Ta估计的影响最小，而TP和WD更重要（相对重要性>10%）。这可能是由于研究区域靠近海洋，海洋季风环流输送的大量水汽影响了Ta的估算。同时，夏季和秋季频繁的风暴对广东省的日气温变化有很大影响[76]. 此外，ERA5组合具有最高的模型准确性和最大的相对重要性份额（40%）。特别值得注意的是，TP在ERA5组合中的相对重要性大于22%。以往的研究表明，降水模式与大气环流的季节和空间变化有关，ERA5提供的降水变量与观测数据具有较好的拟合度和较高的相关性[77,78]这可能是ERA5组合具有最佳模型性能的原因之一。因此，在未来长期序列Ta估计的协变量中，应更加重视ERA5-land提供的降水因子。

Ta建模精度强烈依赖于土地覆盖。均匀的地表覆盖有助于地表和上覆大气之间空间能量的一致交换，从而提高模型估计的准确性[79]. 本研究中RA的模型估计精度优于NA，但本研究7月和8月RA的模型精度低于NA，这是由于早稻和晚稻轮作破坏了原始均匀地面覆盖，导致模型误差增加。同时，RA在冬稻休耕期具有较高的反射率和较低的变异性，相对于NA具有较高的模型估计精度。Cai等人发现，针对非种植作物季节开发的模型优于种植季节模型，这与我们的模型结果相同[79]. 我们观察到，在本研究中，低纬度水稻生长季节频繁的高低温波动可能导致模型精度下降。先前的研究报告了中国中高纬度地区稻田和灌溉对区域钽的冷却效应[52,53]. 我们的研究表明，广东省低纬度地区RA的Ta普遍低于NA。水稻生育期Ta的变异性较小，表明低纬度水稻种植具有温度调节作用。然而，在夏季，当水稻主要种植时，RA中的Ta有可能超过NA（尤其是7月），这可能是因为低纬度地区夏季和秋季的变暖效应更强，加剧了RA的温室气体排放[7,10]. 由于夏季Ta可能较高，因此在未来的研究中应谨慎考虑低纬度稻田的冷却效应。比较相关性分析发现，ELE对长期Ta估算的贡献可以忽略不计。然而，它在RA中的相对重要性远高于NA。这可能归因于NA的复杂地理环境，例如造成温室效应的城市群。然而，RA在空间上更均匀，因此对海拔变化更敏感。

6.结论

本研究将多个ML模型应用于四个数据组合，其中包含来自不同源数据集的多个相同变量，以评估Ta估计建模的性能，并比较每个协变量的相对重要性。主要研究结果如下：（1）多元遥感数据与数据产品和再分析数据集的集成提高了模型的估计精度，RF模型和ERA5组合的性能最高，R最高²达到0.956，最低MAE值为0.996°C，最低RMSE为1.365°C。（2） TP、WD、NDVI和LST是长期Ta建模的关键协变量。在所有协变量中，ERA5组合中的TP的影响最为显著，对RA的影响更为显著，这在未来的研究中应该得到更多的关注。ELE是影响RA模型估计的重要协变量。（3）水稻种植总体上提高了Ta估算的模型性能，但在夏季作物轮作期间模型精度下降。我们还研究了低纬度水稻种植对Ta的影响及其模型估计。可以发现，长期在低纬度地区种植水稻对区域温度有降温作用，并减少了水稻种植季节温差的变化。然而，还应考虑夏季低纬度稻田高温的潜在风险。本研究为Ta估计模型和数据集变量的选择提供了参考。这是一个关于农业遥感温度估计和农业作物种植对全球变暖影响的后续ML研究的案例。

作者贡献

C.X.和M.L.：概念化、方法论、验证；M.L.：数据整理、撰写初稿、形式分析、调查；Q.F.：软件、数据管理、写作审查和编辑；J.X.：监督、可视化、资金获取、写作审查和编辑；C.X.：项目管理、资金获取、资源、写作审查和编辑。所有作者都已阅读并同意手稿的出版版本。

基金

本研究得到了国家自然科学基金（42171400）、广东省自然资源局（[20123]-25）、广东省自然科学基金（2021A1515011324）和中山大学河南研究所（2021-006）的支持。

数据可用性声明

不适用。

利益冲突

作者声明没有利益冲突。

缩写

AA公司	广东省各地
亚当	自适应矩估计
人工神经网络	人工神经网络
CMDC公司	中国气象数据服务中心
CMFD公司	中国气象强迫数据集
CNN公司	卷积神经网络
数字高程模型	数字高程模型
DL公司	深度学习
EC-LUE公司	涡流协变-光利用效率
ECMWF公司	欧洲中期天气预报中心
电气工程师	高程
电子逆向拍卖5	欧洲中期天气预报再分析中心v5
电子技师	蒸发蒸腾
玻璃	全球地面卫星
GLDAS公司	全球土地数据同化系统
HEG公司	Hdf-Eos到GIS转换工具
LST公司	地表温度
LSTM公司	长短期记忆
MAE公司	平均绝对误差
毫升	机器学习
MLR公司	多元线性回归
MODIS卫星	中分辨率成像光谱仪
不适用	非冰种植
NDVI公司	归一化差值植被指数
近红外光谱	近红外波段的黑色天空反照率
核电站	净初级生产
服务提供商	表面压力
R（右）²	测定的相关性
无线电高度表	水稻种植区
射频	随机森林
RMSE公司	均方根误差
循环神经网络	循环神经网络
SRTM公司	航天飞机雷达地形测量任务
不锈钢	海面温度
助教	空气温度
TP（转移定价）	总降雨量
西部数据	风速

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]

图1。广东省RA和气象站分布。

图2。结合多源数据集和不同ML模型的三个区域的Ta估计模型框架。

图3。不同ML模型和数据集的建模结果泰勒图。(A类). 玻璃组合。(B类). CMFD组合。(C类). GLDAS组合。(D类). ERA5组合。

图4。不同数据集源的相对重要性比率。(A类). 玻璃组合的相对重要性划分。(B类). CMFD组合的相对重要性划分。(C类). GLDAS组合的相对重要性划分。(D类). ERA5组合的相对重要性划分。

图5。根据10倍交叉验证结果预测的Ta点密度与现场观察到的Ta点密度的关系图。蓝线是散乱点的线性回归；红线是1:1的线。

图5。根据10倍交叉验证结果预测的Ta点密度与现场观察到的Ta点密度图。蓝线是散乱点的线性回归；红线是1:1的线。

图6。使用RF模型对每个数据集组合进行年际RMSE变化。每种车型在七年内的年RMSE值显示为小提琴图。红线表示四分位数；顶部红线是75%的四分位数，底部红线是25%的四分位。黑色虚线表示中间带。

图7。在ERA5组合下RA和NA的月度RF模型性能。

图8。RA和NA之间温差的方框图。

图8。RA和NA之间温度差异的方框图。

图9。RA气象站S59075和NA气象站S49117月温差散点图。

图9。RA气象站S59075和NA气象站S59117的月温差散点图。

图10。RA和NA中ERA5组合影响因素的相对重要性。

表1。2012年至2018年用于模型估计的变量。

数据源	缩写	数据	空间分辨率	时间分辨率
现场	助教	空气温度	/	每日
MODIS卫星	NDVI公司	归一化差值植被指数	500米	每日
MODIS卫星	LST公司	地表温度	1000米	每日
玻璃	近红外光谱	近红外波段的黑天空反照率	1000米	8天
	电子技师	蒸发蒸腾	1000米	8天
	核电站	净初级生产	500米	8天
电子逆向拍卖5	服务提供商	表面压力	0.1°	每小时
	TP（转移定价）	总降雨量	0.1°	每小时
	西部数据	10 m u/v风分量	0.1°	每小时
GLDAS公司	服务提供商	Psurf_f_安装	0.25°	3小时
	TP（转移定价）	降雨量_平均值	0.25°	3小时
	西部数据	风__inst	0.25°	3小时
CMFD公司	服务提供商	压力	0.1°	每日
	TP（转移定价）	降雨量	0.1°	每日
	西部数据	风速	0.1°	每日

表2。结合不同数据集的模型的模型性能。

	指标	玻璃	CMFD公司	GLDAS公司	电子逆向拍卖5
射频	R（右）²	0.938	0.946	0.948	0.951
	MAE公司	1.157	1.080	1.067	1.023
	RMSE公司	1.582	1.486	1.469	1.414
人工神经网络	R（右）²	0.868	0.882	0.888	0.892
	MAE公司	1.753	1.664	1.622	1.600
	RMSE公司	2.301	2.191	2.130	2.105
LSTM公司	R（右）²	0.846	0.849	0.854	0.854
	MAE公司	1.906	1.890	1.887	1.888
	RMSE公司	2.486	2.461	2.457	2.450
MLR公司	R（右）²	0.838	0.844	0.847	0.845
	MAE公司	1.974	1.950	1.948	1.949
	RMSE公司	2.544	2.514	2.512	2.510

免责声明/出版商注释：所有出版物中包含的声明、意见和数据仅为个人作者和贡献者的声明、观点和数据，而非MDPI和/或编辑的声明、看法和数据。MDPI和/或编辑对内容中提及的任何想法、方法、说明或产品造成的任何人员或财产伤害不承担任何责任。

分享和引用

MDPI和ACS样式

林，M。；方，Q。；夏，J。；徐，C。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。远程传感器。 2023,15, 3805.https://doi.org/10.3390/rs15153805

AMA风格

林M，方Q，夏J，徐C。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。遥感. 2023; 15(15):3805.https://doi.org/10.3390/rs15153805

芝加哥/图拉宾风格

林明浩、强芳、夏继哲和徐晨阳。2023.“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”遥感15，编号15:3805。https://doi.org/10.3390/rs15153805

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单