估计夏天的气温对中国使用Himawari-8 AHI和数值天气预报数据

文摘

本研究提出了一个瞬时夏季空气温度(T_空气)估计模型使用Himawari-8先进Himawari成像仪(你好)亮度温度(BTs) split-window渠道和其他辅助数据。相关分析及逐步线性回归是用来选择的预测因子T_空气估计。你好BTs等九个预测通道14和15,海拔,可沉淀的水蒸气(采集),和相对湿度(RH)终于选中。逐步线性回归和神经网络(NN)方法应用于构造夏天T_空气分别评估模型对中国。估计T_空气通过线性和神经网络模型是使用观察评估T_空气来自中国272个气象站。结果表明,AHI BTs 14和15的渠道,海拔,采集,RH是更重要的T_空气比其它预测估计。神经网络模型的精度比线性模型。相关系数(R),均方根误差(RMSE),和偏见是0.97,1.72°C,和0.04°C,分别对神经网络模型和0.89,3.28°C,和0.07°C,分别为线性模型。大约75.6%的T_空气不同的神经网络模型在2.0°C,甚至有45.8%的人在1.0°C。的性能T_空气评估模型为每个网站也进行调查,和的准确性T_空气估计在中国东南部胜于中国西北。

1。介绍

空气温度(T_空气),一个基本的气象观测,是一个关键的环境变量在一个广泛的应用,如陆地水文、生态过程,气候变化和大气科学(1因特网3]。的时空模式T_空气可以高度可变的和复杂的,因为它是受属性在空间和时间差异很大(4,5]。

T_空气通常是用温度计住所位于约1.5 - 2米高的地面气象站的准确性和时间分辨率。然而,气象监测站的分布往往不均匀,稀疏的特别是在人烟稀少的地区,如西藏高原(6,7]。因此,观察到的空间分辨率T_空气车站是粗,只提供了有限的T_空气信息空间模式在广泛的领域(6,8]。

气象卫星能提供连续的表面和大气观测对于大型报道(8- - - - - -11]。在过去的几十年里,已经广泛应用于卫星观测T_空气估计。提出了几种方法,可以分为以下四个方法(12,13):简单的统计方法6,14),高级统计方法(15- - - - - -17),temperature-vegetation指数(TVX)方法(4,9,18,19),和检测方法20.,21]。

简单的统计方法直接建立一个线性地表温度(LST)和之间的关系T_空气。估计精度依赖于数据用于构造模型,如时间和地点。先进的统计方法一般考虑多个因素,如LST,海拔,和归一化植被指数(NDVI)T_空气估计模型(12]。这种方法通常采用多元线性回归方法来估计T_空气,估计精度明显优于简单的统计方法。TVX方法是基于假设NDVI与LST是线性相关的,和温度在top-of-canopy级别一样在无限的树冠浓密的树冠。TVX方法不适合低植被覆盖状况和裸地(4,18]。能量平衡方法是一个基于物理的方法,它需要大量的参数通常不能直接提供的遥感(13,20.]。

此外,其他技术,如神经网络(NN),支持向量机,和随机森林,也被用于T_空气估计(15,16,22]。这些模型可以表达各种输入和之间的非线性关系T_空气,其准确性通常比多元回归模型(16,22]。总之,现有的算法的估计错误通常是大约2 - 3°C (12,13]。提供“准确”的方法T_空气评估(即。,1-2°C) with high temporal and spatial resolution need to be further developed [12,13,23]。

在过去的几年中,中分辨率成像光谱仪(MODIS) LST产品验证和广泛用于T_空气估计由于其精度高(8,13,24- - - - - -26]。有几个研究重点T_空气估计在中国不同地区利用MODIS数据(27- - - - - -30.]。结果显示的准确性明显的地区差异T_空气估计在中国由于广泛和复杂的地形27,30.,31日]。MODIS提供观测空间但相对较低的时间分辨率高,可以只提供T_空气一天1 - 2次在同一地区。相比之下,地球同步气象卫星能提供连续监测地球表面的一个固定的地理区域(10,32]。新一代的地球同步气象卫星,如Himawari-8, goes - r,和FY-4A (FengYun-4A),将提供更准确的观察地球的大气,海洋,和土地在更高的时间(例如,2.5 -10分钟)和空间分辨率(例如,0.5 - 2公里)在未来几十年(32- - - - - -34]。

先进Himawari成像仪(你好)机载Himawari-8可以提供连续的观察在16个光谱波段波长为0.4μ米至13.4μm /亚太地区每10分钟。它提供了前所未有的机遇T_空气估计在这个地区在更高的空间和时间分辨率。但是,没有操作LST产品目前已经公布了你好,这意味着T_空气评估方法基于LST产品不能用于AHI数据。据我们所知,有一些研究T_空气估计使用AHI数据。本研究的主要目的是分析的可行性AHI亮度温度(BTs)T_空气估计和构造一个瞬时的T_空气在中国使用先进的统计方法估计模型。

部分2描述了研究区和数据集用于这项研究。部分3描述的方法T_空气评估包括关联分析、逐步线性回归、神经网络和误差分析。该算法的验证T_空气估计提出了部分4。结论给出了部分5。

2。研究区域与数据

2.1。研究区域

研究区位于中国大陆,地形变化很大,从西向东逐渐下降(图1)。中国的大部分人口都位于东部平原。广阔的西部地区是由高原和沙漠(例如,西藏高原、戈壁和塔克拉玛干沙漠)和较低的人口35]。同样,气象监测站的空间分布不均匀是由于人口和经济发展的不平衡(图1)。

站的海拔范围从0到4532。气象监测站的六大地表类型草原(∼23.7%)、农田(∼20.34%),伍迪热带稀树草原(∼14.41%),混交林(∼12.7%),作物/自然植被镶嵌(∼9.32%),和贫瘠的或稀疏的土地(∼8.47%)。

中国的气候不同于地区由于复杂的地形35]。主要由干燥的季节,潮湿的季风,导致显著的T_空气冬天和夏天之间的差异(36]。夏天T_空气在中国相对较高(> 20°C)除了高海拔地区(例如,西藏高原)。例如,夏天T_空气在图的网站1范围从2017年−3.7°C到39.5°C。夏季热浪对人体健康产生重大影响,农业粮食生产,水和电的使用。夏天是很重要的T_空气在大规模监测。这项研究集中在夏季T_空气估计在中国使用AHI观察。

2.2。数据

AHI L1b光辉和L2云掩膜数据MODIS L3(即。,归一化植被指数) products, meteorological data, Global Forecast System (GFS) forecast fields, and other auxiliary data such as elevation and latitude were used in this study.

2.2.1。卫星数据

Himawari-8(位于140.7°E)是日本新一代地球同步气象卫星。它在2015年7月7日开始运作,作为一个替代MTSAT-2(也称为Himawari-7)。你好是主要的仪器上Himawari-8和有16个多光谱通道(3可见,近红外,10红外通道)。主要抓住了亚太地区的可见光和红外图像32]。的空间分辨率AHI可见、近红外和红外通道0.5公里,1.0公里,2.0公里,分别与成像系统上的极轨气象卫星。它可以提供全盘观察每10分钟和地区观测时间间隔较短(32]。

正如上面提到的,没有操作LST Himawari-8产品。在这项研究中,你好split-window频道14和15的BTs(以后,英国电信_11μ米和英国电信_12μ米分别是用作LST的代理T_空气评估(表1)。你好L2云掩模产品用于选择晴朗的天空像素。你好数据收集在2016年夏季和2017一天四次(如UTC00, 06年、12和18)从JAXA Himawari监视器(P-Tree系统)(http://www.eorc.jaxa.jp/ptree/index.html)。MODIS植被指数月度L3全球0.05度没有发生(MOD13C2) NASA地球观测系统获得的数据和信息系统(EOSDIS) (https://earthdata.nasa.gov/)。


乐队	中心波长(μ米)	带宽(μ米)	NEΔT	空间分辨率(公里)

14	11.2	0.67	≤0.2 K@300K	2
15	12.4	0.97	≤0.2 K@300K	2

2.2.2。气象数据

T_空气、RH和表面压力观测天气小时(如UTC00, 06年、12和18)在2016年夏季和2017年从中国的272个地面气象站(图1)使用。数据下载来自中国气象数据服务中心(CMDC) (http://data.cma.cn/)。

2.2.3。辅助数据

之前的研究表明,添加辅助参数可以改善的准确性T_空气估计(3,10,11,15,16,37- - - - - -39]。在这项研究中,归一化植被指数、采集、RH,纬度(以下简称LAT),经度(以下简称朗),儒略日(JD)小时,海拔(以下为EL),距离海岸(DTC),表面压力(SP),并查看天顶角(VZA)初步选定。

采集、RH和SP来自GFS 3小时预测领域,然后根据线性内插的位置和时间信息AHI试探。GFS数据通过NOAA国家运营模式存档和分配系统(流浪者)(ftp://nomads.ncdc.noaa.gov/GFS/)。纬度、经度、EL和VZA Himawari-8辅助地理定位数据的获得由日本气象厅提供。归一化植被指数是由MODIS植被指数月度L3全球0.05度没有发生(MOD13C2)。JD的连续数天从每年1月1日。DTC是来自全球有层次高分辨率地理数据库(GSHHG) (http://www.soest.hawaii.edu/pwessel/gshhs/index.html)。在这项研究中使用的主要数据的详细信息如表所示2。


缩写	单位	空间分辨率	时间分辨率	源

你好BTs	K	2公里	10分钟	Himawari-8
站T_空气	°C	网站	30分钟	CMDC
采集	厘米	0.5°	3 h	GFS
GFS猕	%	0.5°	3 h	GFS
站猕	%	网站	30分钟	CMDC
GFS SP	下丘脑-垂体-肾上腺轴的	0.5°	3 h	GFS
站SP	下丘脑-垂体-肾上腺轴的	网站	30分钟	CMDC
归一化植被指数	- - - - - -	0.05°	每月	MODIS L3
民主党	米	2公里	- - - - - -	Himawari-8

3所示。方法

3.1。相关分析

相关分析是使用SPSS 20.0进行。结果表明,T_空气有很强的相关性(例如,R=与BT±0.60±0.80)_11μ米,英国电信_12μ米、埃尔和SP,而温和的相关性(例如,R=±0.40±0.60)与VZA和采集(如表所示3)。相比之下,英国电信_12μ米(R= 0.69),英国电信_11μ米更多的是与T_空气(R=0.75)。可能的解释是,在11个频道μm是位于一个更透明的大气窗口,和BT_11μ米不受大气和接近比BT LST吗_12μ米。此外,T_空气有弱相关(例如,R=±0.20±0.40)与纬度、经度,DTC和很弱的相关性(例如,R= 0与JD -±0.20),小时,RH和归一化植被指数。


	T_空气	英国电信_11μ米	英国电信_12μ米	VZA	纬度	朗	JD	小时	采集	SP	RH	埃尔	归一化植被指数	直接转矩

T_空气	1	0.75	0.69	−0.45	−0.22	0.29	0.17	−0.1	0.57	0.66	−0.19	−0.67	0.11	−0.38
英国电信_11μ米	0.75	1	0.98	−0.25	0.08	0.34	0.06	−0.17	0.17	0.53	−0.38	−0.54	−0.07	−0.30
英国电信_12μ米	0.69	0.98	1	−0.23	0.12	0.36	0.04	−0.15	0.1	0.51	−0.38	−0.52	−0.09	−0.29
VZA	−0.45	−0.25	−0.23	1	0.66	−0.62	−0.10	0.01	−0.74	−0.57	−0.5	0.56	−0.4	0.63
纬度	−0.22	0.08	0.12	0.66	1	0.15	−0.08	0.03	−0.64	−0.02	−0.49	0.01	−0.32	0.19
朗	0.29	0.34	0.36	−0.62	0.15	1	0.03	0.01	0.30	0.68	0.21	−0.67	0.23	−0.63
JD	0.17	0.06	0.04	−0.1	−0.08	0.03	1	−0.05	0.29	0.06	0.19	−0.06	0.22	−0.03
小时	−0.10	−0.17	−0.15	0.01	0.03	0.01	−0.05	1	0.01	0.01	0.17	−0.01	0.00	0.01
采集	0.57	0.17	0.10	−0.74	−0.64	0.3	0.29	0.01	1	0.59	0.56	−0.58	0.44	−0.46
SP	0.66	0.53	0.51	−0.57	−0.02	0.68	0.06	0.01	0.59	1	0.15	−0.99	0.23	−0.68
RH	−0.19	−0.38	−0.38	−0.5	−0.49	0.21	0.19	0.17	0.56	0.15	1	−0.13	0.47	−0.26
埃尔	−0.67	−0.54	−0.52	0.56	0.01	−0.67	−0.06	−0.01	−0.58	−0.99	−0.13	1	−0.22	0.66
归一化植被指数	0.11	−0.07	−0.09	−0.40	−0.32	0.23	0.22	0.00	0.44	0.23	0.47	−0.22	1	−0.18
直接转矩	−0.38	−0.3	−0.29	0.63	0.19	−0.63	−0.03	0.01	−0.46	−0.68	−0.26	0.66	−0.18	1

值得注意的是,皮尔逊相关系数只有措施两个变量之间的线性关系。可能有两个变量之间的非线性关系,当相关系数很低。一些重要的变量可以省略,如果只使用相关分析选择的预测T_空气估计。因此,逐步线性回归进一步应用于评估各种因素的贡献T_空气估计在接下来的部分。

3.2。逐步线性回归

逐步线性回归方法与多个变量的回归,同时删除不重要的变量。在这项研究中,选择了最佳模型使用Akaike信息准则(AIC) [40]。最小化AIC的最佳模型最大化对数似,与处罚包括预测的数量,消除强烈相关变量和之前检查的个体变量(41]。在每个步骤中,一个变量被认为是增加(或减少)的组解释变量逐步回归过程使用另类投资会议。重复这个过程,直到没有显著的变量输入或删除任何更多。在这项研究中,使用SPSS 20.0执行逐步线性回归分析。

3.3。神经网络

人工神经网络(NNs)计算系统是基于一组连接人工神经元,尤其适合处理非线性和复杂的问题。神经网络技术可以描述输入和输出之间的关系从训练数据和已广泛应用于地球物理参数估计。

在这项研究中,一个多层前馈神经网络是用于构造T_空气估计模型。2016数据集被用来训练神经网络,和2017年的数据被用来验证训练神经网络。

3.4。误差分析

三个统计因素,相关系数(R)、均方根误差(RMSE)和偏见,被用来评估的准确性T_空气估计模型如下: 在哪里是估计的T_空气,是观察到的T_空气气象监测站,N是样本容量。一般来说,R是用来评估程度的一致性,但不是绝对的协议,和积极(消极)偏见表明估计过高(低估)的T_空气。低RMSE值略有差异估计和真实的T_空气。

4所示。结果和分析

瞬时的夏天T_空气估计在中国执行的线性回归和神经网络模型,分别。集中的黄鳍金枪鱼,气象,GFS对中国在2016年被用来构造数据集T_空气估计模型,和2017年的数据被用来验证构造模型。验证的线性和神经网络模型,提出了在这一节中。

4.1。T_空气估计结果

以下4.4.1。逐步线性回归模型的结果

总共有9个变量选择最适合的模型,由于AIC逐步回归过程。为了评估模型中的每个预测的贡献T_空气估计,9线性T_空气评估模型(以下简称线性模型)建立了9预测(BT_11μ米、采集、RH EL, BT_12μ米,纬度、小时、经度和VZA)先后介绍了(表4)。与此同时,九个神经网络模型(以下简称AHI NN模型)也使用相同的线性预测模型。


模型	预测因素	线性模型			神经网络模型
模型	预测因素	R	RMSE (°C)	偏见(°C)	R	RMSE (°C)	偏见(°C)

1	英国电信_11μ米	0.75	5.53	0.07	0.77	4.46	0.06
2	英国电信_11μ米,采集	0.85	4.79	−0.05	0.89	3.20	0.01
3	英国电信_11μ米、采集、猕	0.84	4.78	−0.06	0.95	2.21	0.09
4	英国电信_11μ米、采集、RH EL	0.84	4.50	−0.03	0.95	2.15	0.12
5	英国电信_11μ米、采集、RH EL, BT_12μ米	0.84	4.36	−0.05	0.95	2.09	0.10
6	英国电信_11μ米、采集、RH EL, BT_12μ米,纬度	0.84	4.27	−0.05	0.96	2.06	0.13
7	英国电信_11μ米、采集、RH EL, BT_12μ米LAT,小时	0.84	4.25	−0.07	0.97	1.81	0.06
8	英国电信_11μ米、采集、RH EL, BT_12μ米,小时,经度纬度	0.85	4.03	−0.06	0.97	1.76	0.04
9	英国电信_11μ米、采集、RH EL, BT_12μ米LAT,小时,经度,VZA	0.89	3.28	0.07	0.97	1.72	0.04

英国电信_11μ米是第一个预测引入线性模型的逐步回归方法(模式1),表明BT的贡献_11μ米到T_空气估计是优于其他的预测因子。的准确性T_空气估计明显改善时采集、EL和VZA包括在模型中。这表明,英国电信_11μ米采集,EL, VZA比其他变量发挥更重要的作用T_空气估计线性模型。采集到的贡献T_空气估计可以分为两个部分。首先,采集有很好的正相关(R= 0.57)T_空气。其次,采集所需的主要参数之一,大气校正和地表温度检索。因此,T_空气估计精度是合理改进的模型通过引入采集AHI BTs被用作LST的代理人。

然而,变化的R和RMSE小于0.01和0.14°C时RH, BT_12μ米,LAT和小时进一步添加到模型,表明这些预测的影响较小T_空气估计线性模型。作为英国电信_12μ米有很强的线性相关与英国电信_11μ米的准确性T_空气估计不能有效地改善了通过引入BT_12μ米当英国电信_11μ米已经包括在模型中。值得注意的是,SP、JD、归一化植被指数和DTC并不包括在逐步线性回归模型的方法。SP与EL很强的相关性(R=−0.9947);因此,SP了由于模型的多重共线性。JD、归一化植被指数和DTC不显著降低AIC的价值,所以他们也不包括在模型中。这表明,JD、归一化植被指数和DTC不能为夏季T提供更多有用的信息_空气估计线性模型。

4.1.2。神经网络模型的结果

英国电信_11μ米、采集、RH和EL中扮演重要的角色T_空气AHI估计的神经网络模型。R、RMSE和偏见由四个预测的神经网络模型(模型4)分别为0.95,2.15°C,分别和0.12°C。的变化R和RMSE BT时小于0.01和0.06°C_12μ米纬度、经度和VZA进一步添加到模型,表明这些因素影响较小T_空气估计当EL和BT_11μ米已经包括在内。(即与线性模型、时间信息。,hour) can effectively improve the accuracy of the NN models. The RMSE was reduced by 0.25°C when hour was added in the NN model (e.g., Model 7), while it can be negligible in the linear models.

一般来说,T_空气你好神经网络模型的估计精度比相应的线性模型。的RMSE线性和NN模型之间的差异大于1.0°C,可达2.5°C模型3 - 8。如表所示49,神经网络模型精度最高T_空气估计。因此,神经网络模型9终于选择了T_空气估计,以下结果和讨论主要是根据这个模型。

R、均方根误差和偏差是0.89,3.28°C,和0.07°C,分别对线性模型(图92(一个)),而0.97,1.72°C,和0.04°C的神经网络模型(图92 (b))。图3显示了估计的二维直方图T_空气和现场T_空气观察。的约45.8%和75.6%T_空气错误是在1.0°C和2.0°C,分别对神经网络模型,而约26.5%和50.1%的错误是在1.0°C和2.0°C,分别为线性模型。

(一)

(b)

此外,GFS的准确性T_空气在中国也被评估。R、RMSE GFS之间的偏差T_空气和原位T_空气观察2017年夏天是0.91,2.68°C,分别和0.19°C。GFS的准确性T_空气是比神经网络模型的结果但略优于线性模型。

4.2。的空间分布T_空气估计错误

为了进一步评估神经网络模型的适用性9T_空气估计在中国,T_空气估计误差的R、RMSE和偏见)为每个网站调查,及其空间分布特征进行了分析。

结果表明,神经网络模型的精度比线性模型对大多数网站。神经网络模型的相关系数主要范围从0.90到0.98,而RMSE范围从1.0°C到2.5°C(见图4)。偏差在±1°C的神经网络模型。神经网络模型的RMSE∼75.46%∼95.25%的网站是小于2.0°C和2.5°C,分别。这表明,神经网络模型估计的可行性T_空气用你好BTs LST的代理人。

(一)

(b)

此外,表现出明显的空间差异结果的准确性T_空气估计算法。神经网络模型的RMSE大多数网站在中国东南部是小于1.75°C时,在中国西北约为2.0 - -2.5°C。相比之下,线性模型的性能与气象站点这种差别很大。线性模型在中国东南部的RMSE主要从2.0到3.0°C,而中国西北部通常大于3.25°C。

有三种可能的解释上述结果的性能T_空气估计模型在中国东南部比在中国西北。首先,在中国气象监测站的分布不均匀,主要位于人口密集的地区(如中国东部)。其次,数值模型的准确性(例如,GFS模型)在中国东部比西部地区(通常是更好的42]。第三,VZAs AHI的西部地区大于东部地区,可以达到80°。这意味着你好观察在西部地区更容易受到大气的影响。此外,T_空气日夜在东北地区差异大于中国东南部由于纬度越高。尽管中国东北和东南部的相关系数具有可比性,东北的RMSE略大于中国西南地区由于温度变化范围大。

4.3。RH的不确定性的影响T_空气估计

如上所述,引入采集和RH信息可以明显改善的准确性T_空气估计模型。然而,它也可以是误差源之一。因此有必要分析GFS采集和RH的不确定性的影响T_空气估计。没有同步采集的观察(例如,GPS和无线电探空仪采集可用在这项研究中,与GFS RH的不确定性的影响T_空气估计只有使用272个气象站点观测到RH调查。

GFS RH对中国的适用性评估通过比较与观察到的RH气象网站。结果表明,GFS RH错误在中国西部大于东部中国,这是与之前的研究一致(42]。GFS的RMSE RH在中国东部约为10 - 15%,而在中国西部约15 - 20%。

线性和神经网络模型的准确性都明显改善时观察到RH(视为“true”RH)(图5)。的变化R、均方根误差和偏差的线性模型是关于0.02,0.25°C,和0.05°C由于GFS RH的不确定性,而0.01、0.19°C,和神经网络模型(图0.01°C5)。它表明,线性模型更容易受到RH误差的影响。

(一)

(b)

为了研究RH的空间分布的影响T_空气估计,RMSE差异引起的每个站点GFS RH错误也呈现(图6)。线性模型的RMSE差异主要范围从0到1.0°C。它可以达到1.5°C在西部地区(例如,西藏高原)由于较大的GFS RH错误。相反,神经网络模型的RMSE差异小于0.5°C对大多数网站,表明RH对神经网络模型不确定性的影响相对较弱。

(一)

(b)

5。结论

新一代的地球静止气象卫星(如Himawari-8/9 GOES-16/17, FY-4A)提供了前所未有的机遇T_空气估计时间和较高的空间分辨率。考虑没有操作LST产品可供Himawari-8最近,我们构造一个瞬间T_空气估计模型使用AHI / Himawari-8 BTs在热红外通道和其他辅助参数。

相关分析及逐步线性回归是用来选择的预测因子T_空气估计,和9因素(BT_11μ米、采集、RH EL, BT_12μ米、纬度、小时、经度和VZA)被选中。BT的贡献_11μ米、采集、RH和EL估计的精度T_空气远优于其他的预测因子。逐步线性回归和神经网络方法,分别应用于构造T_空气使用选中的预测评估模型。收集的数据集,包括AHI BT_11μ米,英国电信_12μ米,L2云面具,气象数据,GFS预报领域,和其他辅助数据,在中国的272个地面气象站在2016年夏天被用来构建模型,而在2017年夏天被用来评估的数据模型。

结果表明,T_空气神经网络模型的估计精度明显优于线性模型。R、RMSE和偏见的估计T_空气神经网络模型分别为0.97,1.72°C,和0.04°C,分别是0.89,3.28°C,和0.07°C,分别为线性模型。GFS的准确性T_空气在中国也被评估。R、RMSE GFS的偏见T_空气2017年夏天是0.91,2.68°C,分别和0.19°C。神经网络模型的准确性比GFST_空气,还不如GFS的线性模型T_空气。它表明,线性模型不能提供T_空气比GFS估计有更好的精度T_空气。大约75.6%的T_空气不同的神经网络模型在2.0°C,甚至有45.8%的人在1.0°C。它可以得出结论,这对瞬时夏天是可行的T_空气估计在中国使用你好BTs LST的代理人。

气象站点的空间分布在这项研究中的应用是不均匀的,和网站主要是位于人口密集地区(如中国东部)。因此,网站的数量和位置可能导致偏见的模型。此外,本研究集中在夏季T_空气在中国估计,其他季节模型的准确性需要进一步分析。的预测因子的贡献T_空气评估模型为不同的地区和季节可能会有所不同。例如,尽管DTC并不包括在拟议中的T_空气估计模型,它可能发挥重要作用T_空气估计在沿海地区。此外,GFS采集误差的影响T_空气估计需要进一步调查。

数据可用性

Himawari数据从JAXA Himawari下载监视器(P-Tree系统)http://www.eorc.jaxa.jp/ptree/index.html。GFS数据获得通过https://www.nco.ncep.noaa.gov/pmb/products/gfs/和气象站数据用于本研究访问中国气象数据服务中心(CMDC) (http://data.cma.cn/)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(41475032)和中国国家重点研发项目(2016 yfa0600101)。作者要感谢JAXA提供Himawari-8数据,国家环境预报中心(NCEP)对于GFS数据,和中国气象数据服务中心(CMDC)气象数据。

引用

s . d .王子和s . n . Goward“全球主要生产:遥感的方法,”生物地理学杂志,22卷,不。4/5,815 - 835年,1995页。视图:出版商的网站|谷歌学术搜索
s .所罗门政府间气候变化专门委员会。2007年气候变化:自然科学基础:工作组的贡献我的第四次评估报告政府间气候变化专门委员会美国剑桥,剑桥大学出版社,纽约,2007年。
s . Stisen Sandholt, a . Nørgaard r . Fensholt和l . Eklundh“昼夜气温估计使用味精SEVIRI数据在西非,”环境遥感,卷110,不。2、262 - 274年,2007页。视图:出版商的网站|谷歌学术搜索
l . Prihodko和s . n . Goward”估计从遥感表面空气温度观测,”环境遥感,60卷,不。3、335 - 346年,1997页。视图:出版商的网站|谷歌学术搜索
m . Gholamnia a Darvishi Boloorani, s . Hamzeh和m . Kiavarz“昼夜气温建模基于地表温度,“遥感,9卷,不。9,915年,页2017。视图:出版商的网站|谷歌学术搜索
j . v .沃格特a . a . Viau和f . Paquet“映射区域空气温度场使用采用卫星表面皮肤的温度,“国际气候学杂志,17卷,不。14日,第1579 - 1559页,1997年。视图:出版商的网站|谷歌学术搜索
c·j·威尔默特和s·m·罗伯逊”气候辅助地面空气温度插值(CAI),“国际气候学杂志,15卷,不。2、221 - 229年,1995页。视图:出版商的网站|谷歌学术搜索
c . Vancutsem p . Ceccato t Dinku, s . j .康纳”评价MODIS地表温度数据来估计空气温度在不同的生态系统在非洲,”环境遥感,卷114,不。2、449 - 465年,2010页。视图:出版商的网站|谷歌学术搜索
h .分担Sandholt, Aguado, e . Chuvieco和s . Stisen”空气温度估计MSG-SEVIRI数据:校准和验证TVX算法的伊比利亚半岛,“环境遥感,卷115,不。1,第116 - 107页,2011。视图:出版商的网站|谷歌学术搜索
e .好,“每日最小和最大表面气温从地球静止卫星数据,”地球物理学研究杂志:atm,卷120,不。6,2306 - 2324年,2015页。视图:出版商的网站|谷歌学术搜索
苏h . s . Liu, j .田r·张w . Wang和y . Wu”评估四种遥感方法估算表面空气温度在区域范围内,“应用气象学和气候学杂志》上卷,56号3、803 - 814年,2017页。视图:出版商的网站|谷歌学术搜索
k . Zakšek和m . Schroedter-Homscheidt”参数化空气温度的时间和空间分辨率高的组合SEVIRI和MODIS仪器,“ISPRS杂志摄影测量与遥感,卷64,不。4、414 - 421年,2009页。视图:出版商的网站|谷歌学术搜索
贝纳里,a·c·卡瓦略j . p . Nunes n . Carvalhais和a·桑托斯,“估计空气表面温度在葡萄牙利用MODIS LST数据,”环境遥感,卷124,不。9日,第121 - 108页,2012年。视图:出版商的网站|谷歌学术搜索
g . v . Mostovoy r·l·王,k . r . Reddy v . g . Kakani和m . g . Filippova“每日最高最低气温的统计估计从MODIS LST数据在密西西比州,”胃肠道科学与遥感,43卷,不。1,第110 - 78页,2006。视图:出版商的网站|谷歌学术搜索
j。张成泽,a . a . Viau和f . Anctil“神经网络估计气温从AVHRR数据,”国际遥感杂志》上,25卷,不。21日,第4554 - 4541页,2004年。视图:出版商的网站|谷歌学术搜索
k . b .毛h . j .唐问:b .周x f . Wang和d·l·王,“近地表空气温度估计从ASTER数据基于神经网络算法,”国际遥感杂志》上卷,29号20日,第6028 - 6021页,2008年。视图:出版商的网站|谷歌学术搜索
m·p·Cresswell a·p·莫尔斯·m·c·汤姆森和s·j·康纳,“估计表面空气温度,从气象卫星陆地表面温度,使用实证太阳天顶角模型,”国际遥感杂志》上,20卷,不。6,1125 - 1132年,1999页。视图:出版商的网站|谷歌学术搜索
k . Czajkowski s Goward s持枪证,a . Walz”热遥感近地表环境变量:应用程序在俄克拉荷马Mesonet,”专业地理学家,52卷,不。2、345 - 357年,2000页。视图:出版商的网站|谷歌学术搜索
w·朱、a . Lű和s .贾”估计日常最大和最小的空气温度使用MODIS地表温度产品,”环境遥感卷,130年,第73 - 62页,2013年。视图:出版商的网站|谷歌学术搜索
Y.-J。太阳,肯尼迪。王,r。张,r . r . Gillies y .雪和研究。波”,空气温度从遥感数据检索基于热力学,”理论和应用气候学,卷80,不。1,37-48,2005页。视图:出版商的网站|谷歌学术搜索
r·佩普和j . Loffler”造型在高山景观时空近地表温度变化,“生态模型,卷178,不。3 - 4、483 - 501年,2004页。视图:出版商的网站|谷歌学术搜索
p .陈列,j·德根,m . Kappas“多元线性回归的比较,立体主义的回归,随机森林算法来估计每日空气表面温度的动态组合MODIS LST数据,”遥感,9卷,不。5,398年,页2017。视图:出版商的网站|谷歌学术搜索
d·p·巴斯克斯·j·雷耶斯,洛杉矶正在开心,“估计算法的比较研究地表温度从AVHRR数据,”环境遥感,卷62,不。3、215 - 222年,1997页。视图:出版商的网站|谷歌学术搜索
z湾”,新的改进和验证collection-6 MODIS的陆地表面温度和发射率的产品,”环境遥感卷。140年,36-45,2014页。视图:出版商的网站|谷歌学术搜索
w·朱,a . Lű贾,j .燕和r·马哈茂德”检索的全天候白天气温MODIS产品,”环境遥感卷,189年,第163 - 152页,2017年。视图:出版商的网站|谷歌学术搜索
n, s .梁黄g . et al .,“分层贝叶斯时空估计每月最大和最小表面空气温度,“环境遥感卷。211年,48-58,2018页。视图:出版商的网站|谷歌学术搜索
y姚明和b .张“MODIS-based空气温度估算青藏高原东南部和邻近地区,”《地理科学,22卷,不。1,第166 - 152页,2012。视图:出版商的网站|谷歌学术搜索
h .严j . Zhang y侯,y,“估计空气温度从MODIS数据在中国东部,”国际遥感杂志》上,30卷,不。23日,第6275 - 6261页,2009年。视图:出版商的网站|谷歌学术搜索
王黄f . w .妈,b . et al .,“空气温度估计与MODIS数据在青藏高原北部,“大气科学的进步,34卷,不。5,650 - 662年,2017页。视图:出版商的网站|谷歌学术搜索
m元,p .肖、m .冯和l .朱“新疆典型区域的空气温度估计基于MODIS地表温度产品,”遥感信息,30卷,不。1,第89 - 81页,2015。视图:谷歌学术搜索
刘y, x, x,鑫,c·邓和李x”量化空气之间的时空关系和地表温度不同覆盖类型在中国东南部,”国际遥感杂志》上,38卷,不。4、1114 - 1136年,2017页。视图:出版商的网站|谷歌学术搜索
k . Bessho k .日期、m . Hayashi et al .,“介绍himawari-8/9-Japan的新一代地球静止气象卫星,“日本气象学会杂志》的系列二世,卷94,不。2、151 - 183年,2016页。视图:出版商的网站|谷歌学术搜索
x y,陈,陈问:et al .,“FY-4气象卫星。”中国航空航天,18卷,不。2,页31 - 39,2017。视图:谷歌学术搜索
t·j·格林沃尔德r·b·皮尔斯t Schaack et al .,“实时仿真goes - r ABI的用户准备和产品评估,”美国气象学会的公告,卷97,不。2、245 - 261年,2016页。视图:出版商的网站|谷歌学术搜索
高x、y .史和f . Giorgi”的高分辨率模拟气候变化对中国,“科学中国地球科学,54卷,不。3、462 - 472年,2011页。视图:出版商的网站|谷歌学术搜索
h .左,s . Lu, y,“年平均气温的变化趋势和precipitain在中国在过去的50年中,“高原气象学,23卷,不。2、238 - 244年,2004页。视图:谷歌学术搜索
沈和g . g . Leptoukh“欧亚大陆中部和东部地表气温估计从MODIS地表温度,“环境研究快报》第六卷,没有。4 p。045206年,2011年。视图:出版商的网站|谷歌学术搜索
美国林:j .摩尔j.p.梅西纳,m·h·德维斯和j .吴”的评价估计每日最大和最小空气温度与MODIS数据在东非,”国际期刊《应用地球观测和地质信息18卷,第140 - 128页,2012年。视图:出版商的网站|谷歌学术搜索
威廉姆森、d s Hik j . a . Gamon et al .,“春季和夏季每月MODIS LST天生偏见与空气温度在冰雪覆盖被回归线山脉相比,“环境遥感卷。189年,14 - 24,2017页。视图:出版商的网站|谷歌学术搜索
y Sakamoto、m .石黑浩和g .北川Akaike信息标准统计1986年荷兰多德雷赫特阿富汗放任自流,命令,Reidel。
r .柴田”,选择一个自回归模型的顺序由Akaike的信息标准,“生物统计学,卷63,不。1,第126 - 117页,1976。视图:出版商的网站|谷歌学术搜索
w·龚施c、t . Zhang l .江z元,和孟x”评估地面气象要素的几个数值模型在中国,“气候与环境研究,20卷,不。1,53 - 62年,2015页。视图:谷歌学术搜索