一个改进的基于机器学习的模型,用于预测日间和空间连续的近地表空气温度

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 接近地表的空气温度 (Tair) 对城市热量评估和公共健康至关重要.
• 使用稀疏天气站的传统Tair估计方法缺乏空间细节.
• 城市热岛 (UHI) 效应需要精确,精细的温度监测.

研究的目的:

• 开发一种使用联合学习人工神经网络 (FLANN) 进行细度Tair预测的新框架.
• 利用多种来源的卫星和地面数据进行增强的Tair估计.
• 用开发的FLANN模型详细分析城市热岛动态.

主要方法:

• 利用Landsat 8/9,Sentinel 3和Himawari 8/9的热数据以及自动气象站的数据.
• 提取并严格选择了23个预测变量,减少到9个显著因素.
• 开发并验证了一个用于Tair预测的联合学习人工神经网络 (FLANN) 模型.

主要成果:

• 弗兰获得了0.98的Pearson相关系数 (r) 和0.97K的RMSE,优于线性模型 (r=0.85,RMSE=1.09).
• 对于城市站,FLANN显示出显著的改进,r和RMSE的差异分别为0.19K和-2.03K.
• 在香港进行的详细UHI分析揭示了动态的空间和时间模式.

结论:

• FLANN提供了一种强大而准确的方法,用于精细的Tair预测.
• 该框架增强了城市热岛效应和动态的分析.
• 这种方法支持改善城市热环境管理和公共卫生战略.