Landsatクロス・トラック領域における深層アンサンブル学習と不確実性定量化を用いた日々の地表面温度再構築

科学分野:

• 地球・環境科学
• リモートセンシング
• 気候科学

背景:

• 高空間時間解像度の地表面温度（LST）は、都市環境研究に不可欠である。
• Landsatデータは高い空間解像度を提供するが、頻度の低い再訪と雲の干渉により、複雑な都市景観での利用が制限される。

研究 の 目的:

• 複雑な都市域におけるLandsat LST再構築のための深層アンサンブル学習手法DELAGの開発と検証。
• Landsatのクロス・トラック機能とデュアル衛星運用によりLSTデータの利用可能性を向上させる。
• 再構築されたLSTの信頼性と不確実性を評価し、地表付近気温の推定への応用を評価する。

主な方法:

• 年周温度サイクルとガウス過程を統合した深層アンサンブル学習アプローチであるDELAGを実装した。
• Landsatデータを、クロス・トラック特性とデュアル衛星運用によって強化し、16日ごとのデータ頻度を4シーンに増加させた。
• 様々な雲量条件下で、ニューヨーク市、ロンドン、香港でDELAGを検証した。

主要な成果:

• DELAGは、複雑な都市域におけるLandsat LSTの再構築に成功し、RMSE値は晴天時で0.73-0.96 K、曇天時で0.84-1.62 Kと低かった。
• この手法は不確実性定量化を提供し、LST再構築の信頼性を向上させる。
• 再構築されたLSTは、晴天時LSTの結果に匹敵する正確な地表付近気温の推定値（RMSE = 1.48-2.11 K）をもたらした。

結論:

• DELAGは、複雑な都市環境における高解像度Landsat LST再構築のための新規かつ実用的なソリューションを提供する。
• データ利用可能性と精度の向上が、従来のLSTデータ取得の限界に対処する。
• この手法は、複雑な気候イベントの研究や、高空間時間解像度での気温推定の改善の可能性を前進させる。