HELIOS-Net: 融合观测太阳 - 云 - 卫星几何关系与深度神经网络的白天逐小时地表温度估算

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:HELIOS-Net: Hourly daytime estimation of land surface temperature with integration of observational solar-cloud-satellite geometry and deep neural network

【字体: 大 中 小 】 时间:2026年09月27日 来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.9

编辑推荐:

   **摘要** 基于地球静止卫星的地表温度(LST)由于其广泛的空间覆盖和高时间分辨率,对监测昼夜热力动力学至关重要。然而,频繁的云层覆盖导致大量数据缺失,限制了其在可靠热力监测应用中的实际效用。太阳-云-卫星几何(SCSG)效应近期被引入以反映LST重建中的直接云辐射效应,但

  

**摘要** 基于地球静止卫星的地表温度(LST)由于其广泛的空间覆盖和高时间分辨率,对监测昼夜热力动力学至关重要。然而,频繁的云层覆盖导致大量数据缺失,限制了其在可靠热力监测应用中的实际效用。太阳-云-卫星几何(SCSG)效应近期被引入以反映LST重建中的直接云辐射效应,但其应用在很大程度上仅限于极地轨道卫星。为解决这一局限,我们提出了HELIOS-Net,一个用于韩国、日本中部和澳大利亚东南部地区GEO-KOMPSAT-2A卫星逐时白天LST重建的深度学习(DL)框架。该框架将基于SCSG的机制划分与生成对抗网络(GAN)相结合,利用卫星观测以及多种气象和地形变量来重建空间连续的全天候LST。与实地观测的验证表明,HELIOS-Net在所有区域均表现出高性能,多云条件下决定系数(R2)值为0.63–0.94,均方根误差(RMSE)值为2.45–7.65°C。对比评估进一步表明,其整体性能优于ERA5-Land以及现有的基于卫星观测的全天候LST产品。附加分析证实,SCSG效应和DL框架都有助于提高逐时白天LST重建的保真度。这些结果凸显了所提框架实现高质量、空间连续的全天候LST地球静止卫星监测的潜力,为在不同观测几何和环境条件下缓解云致数据缺失提供了一种有前景的方法。

**引言** 地表温度(LST)代表了地表与大气之间的热力相互作用(Tomlinson等人,2011)。作为地表能量交换的关键指标,LST被广泛应用于水文学、气候变化分析和城市热力监测等多个研究领域(Jiang等人,2022;Kim等人,2024;Lee等人,2025;Li等人,2023a;Qian等人,2026)。表征LST的时间演变对于理解地表热力条件的变化及其相关环境变化至关重要。在此背景下,对能够提供地表热力环境综合时空表征的LST数据集的需求日益增长(Kim等人,2025b;Z.-L. Li等人,2013)。

卫星遥感通过提供广泛的空间覆盖以及区域和全球尺度的连续观测,使LST动力学的研究成为可能(Li等人,2023)。在各类卫星平台中,地球静止卫星提供了高(例如亚小时级)时间分辨率,非常适合表征昼夜和日内尺度的精细LST变化。因此,基于地球静止卫星的LST产品对于在不同环境和气候背景下监测地表热力条件具有极高价值(Freitas等人,2013;Yamamoto等人,2023)。尽管具有这些优势,但用于LST反演的热红外(TIR)观测经常受到云层遮挡,导致大量数据缺失(Jia等人,2021;Yoo等人,2020;Zeng等人,2018)。这些缺失限制了地球静止卫星的有效利用,阻碍了其高时间分辨率的发挥。因此,在多云条件下重建缺失像元仍是开发高质量全天候LST产品的关键挑战。

为填补云覆盖造成的数据缺失,已开发了多种LST重建算法(Wu等人,2021)。第一种方法是时空插值,利用具有相似时空特征的相邻晴空像元来估计缺失的LST(Liu等人,2017;Wu等人,2019)。然而,该方法会导致显著偏差,因为它忽略了云致LST动力学(Jia等人,2022;Zhang等人,2016)。第二种方法涉及地表能量平衡(SEB)技术,考虑晴空与多云条件下的辐射差异。虽然该框架能够表示云致辐射效应,但需要多个物理变量,如湿度和风速,并且强烈依赖于短波辐射(Fu等人,2019;Zeng等人,2018)。第三种方法依赖于与被动微波(PMW)观测的数据融合,后者可穿透云层实现全天候感知。然而,其较低的时间分辨率导致时间不匹配,限制了与地球静止卫星数据的融合(Duan等人,2017;Kou等人,2016)。第四种方法涉及与再分析模型的数据融合。尽管再分析数据空间分辨率相对较粗,但它们提供了连续的、全天候的背景信息,且具有较高时间分辨率,促进了其在地球静止卫星LST重建中的广泛应用(Zhang等人,2021;Zhou等人,2022)。

在上述方法基础上,机器学习(ML)的最新进展推动了融合方法在LST重建中的广泛应用,尤其是融合再分析数据的方法(Ding等人,2022;Li等人,2023b;Liu等人,2024)。然而,由于这些方法主要依赖晴空卫星衍生LST作为目标变量,训练过程倾向于偏向晴空条件,限制了所得模型捕捉多云条件下LST动力学的能力。鉴于这些局限性,近期研究开始将实地观测纳入LST重建框架中,因为它们在多种大气条件下提供了连续且直接的测量(Cho等人,2022;Kim等人,2025a;Yoo等人,2020;Zhao等人,2020)。与仅依赖卫星观测的方法相比,这些方法在表征多云条件下的LST方面表现有所改善。然而,站点密度的空间分布不均和空间异质性限制了重建方法在不同区域间的泛化能力。此外,像素级卫星LST与点位实地观测之间的空间尺度差异使得二者的直接融合变得复杂(Ma等人,2021;Yu等人,2017)。

为解决这些局限,太阳-云-卫星几何(SCSG)效应被引入作为LST重建的一种替代方法(Chen等人,2023;Du等人,2025;Wang等人,2019)。SCSG效应通过考虑卫星观测角度与太阳照射角度之间的相对几何关系来计算云投影的空间差异(Wang等人,2017)。通过这种几何框架,卫星图像中受云辐射效应影响的观测LST像元可以被系统地识别。例如,Chen等人(2023)开发了一个基于SCSG的框架,通过考虑云致辐射效应来重建缺失的中分辨率成像光谱辐射计(MODIS)LST,其中首先估计晴空等效LST,然后使用基于回归的模型将其与受云影响的LST关联起来。这使得能够在一致的空间尺度上跨区域收集受云影响的LST样本,支持在异质地表上的稳健重建。

然而,基于SCSG的LST重建主要应用于极地轨道卫星(如MODIS和Landsat),在地球静止平台上的应用有限(Chen等人,2023;Wang等人,2019)。先前的研究主要关注相对高分辨率(约≤1 km)的观测。SCSG效应适用于地球静止观测较粗像元尺度的LST重建这一问题尚未得到充分研究。此外,极地轨道卫星在相对固定的过境时间捕捉SCSG效应,而地球静止卫星则在白天全天提供重复观测。随着太阳几何的变化,SCSG效应以及可观测的受云影响LST像元的可用性也会在昼夜周期中发生变化(S. Li等人,2013)。这些SCSG效应的时间变化及其对地球静止LST重建的影响尚未得到系统性研究。

随着遥感数据的快速扩展和最新技术进步,数据驱动的深度学习(DL)在各种环境应用中始终优于传统机器学习(Han等人,2023)。卷积神经网络能够有效提取复杂的空间特征,已被广泛应用于环境预测和分类任务(Cho等人,2024;Nguyen等人,2022;Yoo等人,2019)。近期,生成式深度学习模型因其能够概率性地建模数据分布并生成真实的空间模式而受到关注。通过保留内在空间结构,它们越来越多地被应用于降尺度、数据转换和重建等多种应用(Chen等人,2025;Jung等人,2025;Park等人,2024;Yang等人,2023)。例如,Wu等人(2022)使用生成对抗网络(GAN)生成了无缺口的MODIS LST,展示了生成式DL在LST重建中的潜力。这些DL模型尤其擅长捕捉异质环境因素之间复杂的非线性交互作用。在基于SCSG的LST重建背景下,DL方法非常适合通过利用增加的受云影响LST样本数量来联合学习晴空和多云条件下的LST动力学。因此,探索整合SCSG效应
的DL方法对于地球静止LST重建具有重大潜力。

在本研究中,我们提出了HELIOS-Net,一个SCSG感知的深度学习框架,用于从地球静止卫星估计逐时白天LST。所提框架首先对GEO-KOMPSAT-2A(GK2A)卫星进行基于SCSG的机制划分,以识别受云辐射效应影响的LST像元。随后,采用GAN模型,通过整合所识别像元以及补充的 Meteorological 和地形变量来重建逐时白天GK2A LST。为评估泛化能力,该框架被应用于三个具有不同观测几何的区域:韩国、日本中部和澳大利亚东南部。重建的GK2A LST与现有的全天候LST产品进行了定量和定性比较,并进一步量化了SCSG效应
对基于DL重建性能的贡献。

**研究区域** 为评估所提出的LST重建框架在不同观测几何下的泛化性能,在韩国、日本中部和澳大利亚东南部选择了三个研究区域(图1)。韩国位于东亚北半球中纬度地区(约34–38.5°N,125–130°E)。该地区具有受东亚季风影响的大陆性温带气候,夏季炎热潮湿,冬季寒冷干燥。地形从……

**方法** 图2展示了所提出的HELIOS-Net框架流程图。该框架由四个主要阶段组成:1)GK2A卫星影像的基于SCSG的机制划分;2)GK2A、ERA5-Land和辅助数据集的预处理;3)开发整合SCSG效应与DL的逐时白天LST重建模型;以及4)通过与现有全天候LST产品对比评估和贡献评估来评价重建GK2A LST的性能。

**LST重建性能的综合评估** 由HELIOS-Net重建的全天候LST在所有研究区域均表现出清晰的昼夜演变特征,从清晨到午后初升高,之后降低(图4)。在韩国、日本中部和澳大利亚东南部,主导空间模式以LST与海拔之间的强反向关系为特征,高海拔地区温度一致偏低(见图1)。此外还观察到额外的空间变异性,较高温度……

**将SCSG效应整合到地球静止LST重建中** 基于SCSG的LST重建方法在先前研究中主要通过极地轨道卫星进行探索(Chen等人,2023;Du等人,2025)。本研究是首次将SCSG效应扩展到地球静止卫星的尝试,证明了逐时白天LST估计的可行性。鉴于地球静止卫星的高时间分辨率,它们非常适合观测日内热力动力学。然而,主要挑战仍然是云……

**结论** 本研究提出了HELIOS-Net,一个整合SCSG效应从地球静止卫星重建逐时白天LST的深度学习框架,扩展了先前为极地轨道传感器开发的基于SCSG的方法。该框架首先执行基于SCSG的机制划分,以识别云影内受云辐射效应影响的观测LST像元。随后,基于GAN的模型通过整合SCSG感知的云效应与……来重建连续的全天候LST。

**数据可用性声明** 本研究中使用的所有数据集均已公开提供。GK2A卫星数据可通过KMA API Hub(https://apihub.kma.go.kr/)获取。SRTM DEM数据可从USGS EarthExplorer(https://earthexplorer.usgs.gov)获取。包括土地覆盖(MCD12Q1)和NDVI(MOD13A2)在内的MODIS数据集从NASA Earthdata Search(https://search.earthdata.nasa.gov/search)获取。ERA5-Land再分析数据由Copernicus Climate Data Store提供……

**CRediT作者贡献声明** Youngseok Kim:撰写—原稿、可视化、验证、软件、方法、调查、正式分析、数据整理、概念化。Dongjin Cho:撰写—审阅与编辑、验证、项目管理、方法、调查、正式分析、概念化。Dukwon Bae:撰写—审阅与编辑、调查、正式分析。Yeonsu Lee:撰写—审阅与编辑、正式分析。Siwoo Lee:撰写—审阅与编辑、正式分析。

Sejeong Bae:利益冲突声明

作者声明,他们不存在任何已知可能影响本文所报告工作的竞争财务利益或个人关系。

致谢

本研究得到韩国国立研究基金会(NRF)资助(RS-2025-02310080),该基金由韩国政府(科学技术信息通信部)提供资金支持。Youngseok Kim 部分研究得到韩国教育部资助的国立研究基金会(NRF)基础科学研究计划支持(RS-2025-25429969)。

Youngseok Kim | Dongjin Cho | Dukwon Bae | Yeonsu Lee | Siwoo Lee | Sejeong Bae | Jungho Im
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