基于隨機森林的地表溫度重建方法研究

章 勇，陳保平，劉培朕

（池州學院 地理與規劃學院，安徽 池州 247000）

地表溫度（Land Surface Temperature，LST）作為測量地表熱平衡的關鍵參數，影響地表和大氣之間的相互作用和能量交換，因此獲取高精度的地表溫度數據具有重要意義[1]。它不僅是全局和區域層面研究地表系統過程的重要參考，也是描述熱島效應和全球變暖等自然現象的重要指標[2]。此外，地表溫度廣泛應用于氣候、水文、干旱等科學領域[3]。

目前，全局和區域地表溫度數據主要依靠熱紅外遙感，然而，熱紅外遙感無法穿透云層，造成基于熱紅外遙感的LST 數據在有云條件下存在缺失值[4]。多云地區地表溫度遙感數據的缺失造成了地表溫度產品時空不連續，限制了地表溫度相關的應用，因此，云下地表溫度的重建具有重要意義[5]。隨機森林模型具有強大的非線性表達能力，本文基于隨機森林模型重建云下地表溫度，以獲得全空條件下的地表溫度數據。

1 研究區及數據預處理

1.1 研究區

黑河流域，為我國西部的第二大內河流域，它位于河西走廊的中心。黑河流域地處歐亞大陸中央，不與海洋相接壤，周圍被山地所包圍。其活動一般受海洋環流限制，并受極地冷空氣團的直接影響。屬干旱氣候，降水小而集中，風大，日照較強而充實，但晝夜氣溫差異也比較大。裸地是黑河流域最主要的覆蓋類型，耕地較少多在水體、濕地處，草地、林地主要分布在南部地區。黑河流域土地覆蓋分布如圖1所示。

圖1 黑河流域土地覆蓋分布圖

1.2 數據預處理

本文主要數據源如表1所示，主要包括MODIS每日地表溫度產品MOD11A1，MODIS 歸一化植被指數（NDVI）產品MOD13A2，GLASS 反照率（Albedo）以及ALOS 數字高程模型（DEM）數據，CLDAS土壤濕度數據。由于MODIS地表溫度和歸一化植被指數以及GLASS反照率的空間分辨率為1km，而DEM 和CLDAS 土壤濕度（SM）數據的空間分辨率分別為30m和7km。為了統一空間分辨率，采用雙線性內插法將DEM 和土壤濕度數據重采樣到1km。

表1 多元數據集

2 研究方法

本文技術路線圖如圖2所示，主要通過隨機森林算法，建立了晴空條件下地表溫度與回歸因子NDVI、Albedo、SM、DEM之間的回歸關系，并將云空下的NDVI、Albedo、SM、DEM 回歸因子代入建立的晴空回歸模型，實現了云空LST 的重建，最后合并原始MODIS 晴空LST 和重建的云空LST 以獲得全空條件下的LST。

圖2 技術路線圖

2.1 隨機森林模型

隨機森林模型，是由Leo Brayman 和Carter Adele 于2001 年發明的一個數據挖掘技術。隨機森林由決策樹組成，具有強大的非線性表達能力，與其他暗箱方法相比，更有利于分析變量的重要性。隨機森林不但可以進行分類，而且還可以進行回歸分析，能夠建立良好的回歸方程，并利用變量與多個參數之間的互相依賴性，將其外推到量化關系之中。

2.2 模型因子選擇

在建立隨機森林模型時，必須選取合適的模型因子作為輸入變量。因為地表溫度與植被、反照率、土壤濕度以及地形之間都存在著高度的關聯。因此，本文在地表溫度重建中選取了歸一化植被指數、反照率、土壤濕度和數字高程模型作為模型因子。通過隨機森林構建地表溫度和模型因子之間的非線性關系，其回歸關系可以用公式（1）表示。

式中，LST表示地表溫度，NDVI表示歸一化植被指數，Albedo表示反照率，SM表示土壤濕度，DEM表示數字高程模型，f表示隨機森林回歸模型。

3 結果與分析

3.1 重建結果視覺效果

為比較重建前后LST 的視覺效果，圖3 顯示了2015年5月8日和11月4日的LST原始數據與重建的全空LST可視化結果。

圖3 黑河流域重建前后地表溫度

由圖3 可以看出，采用隨機森林算法實現LST重建的有效性較高，該算法能夠重建云下缺失的地表溫度數值，并保持重構結果和原始LST之間的空間一致性。同時，重建圖像也可以很好地保留原始LST的細節信息。經過對隨機森林模型重構之后，可以獲得空間上完整的LST，從而可以突出地表溫度的空間變化特性，黑河流域南部地區多植被覆蓋，溫度較低;北部地區有建筑物、裸地等，溫度較高;符合客觀規律。

3.2 定量評價

為了定量驗證云下LST的重建精度，選取云量較小的2015年8月30日的LST原始數據，通過模擬云空進行定量評價，如圖4所示。隨機提取晴空下原始影像中區域數據作為驗證集模擬云空，剩下的晴空數據用于構建隨機森林回歸模型，通過將晴空下像元的回歸因子和地表溫度構建隨機森林模型，再將模擬云空的回歸因子代入構建的隨機森林模型即可獲得模擬云空下地表溫度。

圖4 模擬云空重建結果

模擬云空區域重建結果如圖5 所示，重建的LST保留了原始LST的紋理信息。為了進一步評價重建結果，我們計算了模擬云空區域的R、MAE 以及RMSE，進行對比驗證，模擬地表溫度與實際地表溫度相互之間的相關系數R為0.99，說明重建前后地表溫度數值間的密切度高、關聯性較好；重建前后的影像圖中MAE 為0.12，模擬值與實際地表溫度高度一致；重建前后影像RMSE 為0.22，說明偏差較小。綜上，利用隨機森林模型具有可信度，能合理實現云下地表溫度重建，同時其重建的準確度也較高。

圖5 模擬云空區域

4 結語

本文主要基于隨機森林回歸模型，選擇NDVI、Albedo、SM 和DEM 作為回歸因子，重建云下LST 信息。重建結果在視覺上能夠在保留原始LST 紋理信息的基礎上獲得空間上完整的LST 數據，重建結果符合客觀規律。在模擬重建實驗中，重建結果的R 為0.99，MAE 為0.12，RMSE 為0.22，重建誤差較低。