基于随机森林的地表温度重建方法研究

章 勇，陈保平，刘培朕

（池州学院 地理与规划学院，安徽 池州 247000）

地表温度（Land Surface Temperature，LST）作为测量地表热平衡的关键参数，影响地表和大气之间的相互作用和能量交换，因此获取高精度的地表温度数据具有重要意义[1]。它不仅是全局和区域层面研究地表系统过程的重要参考，也是描述热岛效应和全球变暖等自然现象的重要指标[2]。此外，地表温度广泛应用于气候、水文、干旱等科学领域[3]。

目前，全局和区域地表温度数据主要依靠热红外遥感，然而，热红外遥感无法穿透云层，造成基于热红外遥感的LST 数据在有云条件下存在缺失值[4]。多云地区地表温度遥感数据的缺失造成了地表温度产品时空不连续，限制了地表温度相关的应用，因此，云下地表温度的重建具有重要意义[5]。随机森林模型具有强大的非线性表达能力，本文基于随机森林模型重建云下地表温度，以获得全空条件下的地表温度数据。

1 研究区及数据预处理

1.1 研究区

黑河流域，为我国西部的第二大内河流域，它位于河西走廊的中心。黑河流域地处欧亚大陆中央，不与海洋相接壤，周围被山地所包围。其活动一般受海洋环流限制，并受极地冷空气团的直接影响。属干旱气候，降水小而集中，风大，日照较强而充实，但昼夜气温差异也比较大。裸地是黑河流域最主要的覆盖类型，耕地较少多在水体、湿地处，草地、林地主要分布在南部地区。黑河流域土地覆盖分布如图1所示。

图1 黑河流域土地覆盖分布图

1.2 数据预处理

本文主要数据源如表1所示，主要包括MODIS每日地表温度产品MOD11A1，MODIS 归一化植被指数（NDVI）产品MOD13A2，GLASS 反照率（Albedo）以及ALOS 数字高程模型（DEM）数据，CLDAS土壤湿度数据。由于MODIS地表温度和归一化植被指数以及GLASS反照率的空间分辨率为1km，而DEM 和CLDAS 土壤湿度（SM）数据的空间分辨率分别为30m和7km。为了统一空间分辨率，采用双线性内插法将DEM 和土壤湿度数据重采样到1km。

表1 多元数据集

2 研究方法

本文技术路线图如图2所示，主要通过随机森林算法，建立了晴空条件下地表温度与回归因子NDVI、Albedo、SM、DEM之间的回归关系，并将云空下的NDVI、Albedo、SM、DEM 回归因子代入建立的晴空回归模型，实现了云空LST 的重建，最后合并原始MODIS 晴空LST 和重建的云空LST 以获得全空条件下的LST。

图2 技术路线图

2.1 随机森林模型

随机森林模型，是由Leo Brayman 和Carter Adele 于2001 年发明的一个数据挖掘技术。随机森林由决策树组成，具有强大的非线性表达能力，与其他暗箱方法相比，更有利于分析变量的重要性。随机森林不但可以进行分类，而且还可以进行回归分析，能够建立良好的回归方程，并利用变量与多个参数之间的互相依赖性，将其外推到量化关系之中。

2.2 模型因子选择

在建立随机森林模型时，必须选取合适的模型因子作为输入变量。因为地表温度与植被、反照率、土壤湿度以及地形之间都存在着高度的关联。因此，本文在地表温度重建中选取了归一化植被指数、反照率、土壤湿度和数字高程模型作为模型因子。通过随机森林构建地表温度和模型因子之间的非线性关系，其回归关系可以用公式（1）表示。

式中，LST表示地表温度，NDVI表示归一化植被指数，Albedo表示反照率，SM表示土壤湿度，DEM表示数字高程模型，f表示随机森林回归模型。

3 结果与分析

3.1 重建结果视觉效果

为比较重建前后LST 的视觉效果，图3 显示了2015年5月8日和11月4日的LST原始数据与重建的全空LST可视化结果。

图3 黑河流域重建前后地表温度

由图3 可以看出，采用随机森林算法实现LST重建的有效性较高，该算法能够重建云下缺失的地表温度数值，并保持重构结果和原始LST之间的空间一致性。同时，重建图像也可以很好地保留原始LST的细节信息。经过对随机森林模型重构之后，可以获得空间上完整的LST，从而可以突出地表温度的空间变化特性，黑河流域南部地区多植被覆盖，温度较低;北部地区有建筑物、裸地等，温度较高;符合客观规律。

3.2 定量评价

为了定量验证云下LST的重建精度，选取云量较小的2015年8月30日的LST原始数据，通过模拟云空进行定量评价，如图4所示。随机提取晴空下原始影像中区域数据作为验证集模拟云空，剩下的晴空数据用于构建随机森林回归模型，通过将晴空下像元的回归因子和地表温度构建随机森林模型，再将模拟云空的回归因子代入构建的随机森林模型即可获得模拟云空下地表温度。

图4 模拟云空重建结果

模拟云空区域重建结果如图5 所示，重建的LST保留了原始LST的纹理信息。为了进一步评价重建结果，我们计算了模拟云空区域的R、MAE 以及RMSE，进行对比验证，模拟地表温度与实际地表温度相互之间的相关系数R为0.99，说明重建前后地表温度数值间的密切度高、关联性较好；重建前后的影像图中MAE 为0.12，模拟值与实际地表温度高度一致；重建前后影像RMSE 为0.22，说明偏差较小。综上，利用随机森林模型具有可信度，能合理实现云下地表温度重建，同时其重建的准确度也较高。

图5 模拟云空区域

4 结语

本文主要基于随机森林回归模型，选择NDVI、Albedo、SM 和DEM 作为回归因子，重建云下LST 信息。重建结果在视觉上能够在保留原始LST 纹理信息的基础上获得空间上完整的LST 数据，重建结果符合客观规律。在模拟重建实验中，重建结果的R 为0.99，MAE 为0.12，RMSE 为0.22，重建误差较低。