一般来说，近地表气温数据依赖于站点观测方式获取，数值精准，空间分布却较为稀疏。以点数据粗略代表面域难以准确表达出气温在连续空间上的异质性，给区域尺度相关研究的开展与分析带来显著不确定性。考虑到现有模型对数据的特征信息挖掘能力有限且模型中对影响气温的多类因素的综合考虑尚显不足，本研究提出了一种结合多源异构数据融合与深度学习理论的高精度气温估算方法，在全国范围内以2015年的日最高气温估算为例展开研究。首先，本文对地面站点数据、卫星遥感数据、模式同化数据及社会经济数据进行预处理，实现有效的点对提取；在此基础上，引入深度学习中的深度信念网络模型，进行气温的高精度估算；分别从整体尺度及不同的时空尺度对比了本文模型与多元线性回归、BP神经网络及随机森林方法的气温估算精度，证实了该模型性能最佳，具有明显的优势性及稳定性；再深入分析了模型参数的设置及多源异构数据的引入对模型精度的影响及实际制图中的不确定性因素；最终，将本文方法得到的气温产品与同化气温产品进行对比，本文的制图结果能更精确地体现出气温的时空细节信息，为估算高精度的连续时空分布气温提供了新的技术途径。实验结果如图1、2所示。

图1. 研究区域的年度平均日最高气温制图（单位：℃），（a）模式同化气温制图；（b）DBN 模型的气温制图

图2. 气温空间分布的季节性变化（单位：℃），（a）春季；（b）夏季；（c）秋季；（d）冬季

        查看详细>>    H. Shen, Y. Jiang, T. Li, Q. Cheng, C. Zeng, and L. Zhang, “Deep learning-based air temperature mapping by fusing remote sensing, station, simulation and socioeconomic data,” Remote Sensing of Environment, vol. 240, p. 111692, Apr. 2020.