基于机器学习的宁夏地区地表温度反演

摘要

针对宁夏地区地表温度高精度反演的需求，基于Aqua卫星上搭载的中分辨率成像光谱仪（MODIS）提供的热红外波段的亮度温度数据，结合辅助数据，采用5种适用于回归任务的机器学习模型——梯度提升树（GBDT）、极端梯度提升算法（XGBoost）、轻量级梯度提升机（LightGBM）、支持向量回归（SVR）和随机森林（RF），对宁夏地区地表温度进行反演研究；通过多指标评估模型性能，并选取最优模型对宁夏地区地表温度反演结果进行分析。结果表明，XGBoost模型表现出更高的精度和鲁棒性，与MODIS地表温度产品交叉验证中均方根误差达1.22 K，平均绝对误差为0.91 K；站点验证中均方根误差达2.07 K，平均绝对误差为1.47 K。此外，季节分析结果显示，XGBoost模型在秋季和春季的反演效果优于夏季和冬季。研究不仅证实了XGBoost在地表温度反演中的优越性，更为区域尺度地表温度估算提供了可靠方法，对相关研究具有重要参考价值。

关键词

地表温度反演 / 机器学习 / 热红外遥感 / MODIS / 宁夏