利用完整的Landsat光谱范围和基于信息的机器学习技术进行高分辨率气温估算 Daniel Eitan, Asher Holder, Zohar Yakhini, Alexandra Chudnovsky

《Remote Sensing》:High-Resolution Air Temperature Estimation Using the Full Landsat Spectral Range and Information-Based Machine Learning Daniel Eitan, Asher Holder, Zohar Yakhini and Alexandra Chudnovsky

【字体: 大 中 小 】 时间:2026年03月23日 来源:Remote Sensing 4.1

编辑推荐:

  本研究提出一种新型可扩展机器学习框架,通过融合高分辨率Landsat热红外与反射光谱数据及时空元数据,实现近地表空气温度30米分辨率的精准反演,验证其在湿润海岸与干旱内陆的普适性(R2≈0.88-0.84),为城市热岛治理、气候政策及公共卫生评估提供支持。

  

摘要

对近地表空气温度(??air)进行高精度空间分辨率的测绘,对于城市规模的监测至关重要,这也是地球观测(EO)领域中的一个关键挑战。依赖于地面测量方法受到其空间覆盖范围有限和高运营成本的制约。我们提出了一种新型的可扩展机器学习框架,旨在克服这一限制。该方法利用可解释的卷积神经网络(CNN)融合高分辨率的Landsat数据(包括热光谱和反射光谱带)以及相关的时空元数据,从而能够在30米的分辨率下推断出近地表空气温度,而无需依赖密集的地面监测网络。我们的混合CNN架构在空间泛化能力方面进行了优化,能够在从潮湿沿海地区(??2≈0)到干旱内陆地区(??2≈0)等多种环境中保持强大的性能和泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号