DOI: https://doi.org/10.5194/essd-16-387-2024
تاريخ النشر: 2024-01-17
المؤلف: Wenbin Tang وآخرون
الموضوع الرئيسي: تخفيف تأثير الجزر الحرارية الحضرية
نظرة عامة
تقدم البحث مجموعة بيانات درجة حرارة سطح الأرض (LST) المدمجة من إعادة التحليل والحرارة المتوسطة الدقة (TRIMS)، والتي توفر بيانات LST يومية بدقة 1 كم لجميع الأحوال الجوية للصين والمناطق المحيطة بها، بدءًا من 1 يناير 2000. تعالج هذه المجموعة الفجوات الزمنية في منتجات LST الحالية من MODIS، وخاصة من 2000 إلى 2002، من خلال استخدام طريقة الدمج المعززة لإعادة التحليل والحرارة تحت الحمراء (E-RTM). يقدم البحث نهجين مبتكرين – الدمج الزماني المكاني القائم على الغابات العشوائية (RFSTM) وإعادة البناء القائمة على LST المتسلسل الزمني (TSETR) – لملء هذه الفجوات بشكل فعال باستخدام بيانات MODIS من تيرا وأكوا.
تظهر نتائج التحقق من مجموعة بيانات TRIMS LST أنها تعرض أنماطًا مكانية مشابهة لمجموعات بيانات أخرى مثل نظام تجميع بيانات الأرض العالمية (GLDAS) وERA5-Land، بينما تقدم جودة صورة أفضل وتفاصيل مكانية أعلى. يتراوح خطأ الانحياز المتوسط (MBE) لبيانات TRIMS LST مقارنة بالقياسات في الموقع من -2.26 إلى 1.73 كلفن، مع خطأ الجذر التربيعي المتوسط (RMSE) بين 0.80 و3.68 كلفن، مما يشير إلى موثوقيتها عبر ظروف الطقس المختلفة. تم استخدام TRIMS LST بالفعل في تطبيقات متنوعة، بما في ذلك تقدير رطوبة التربة ونمذجة جزر الحرارة الحضرية، وسيتم تحديثها باستمرار لتلبية احتياجات المستخدمين.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية درجة حرارة سطح الأرض (LST) كمتغير حاسم في فهم تبادل الطاقة بين سطح الأرض والغلاف الجوي. تتأثر LST بعوامل مختلفة، بما في ذلك الإشعاع الشمسي والظروف الجوية، وتعد مدخلًا أساسيًا للعديد من نماذج الأرض والغلاف الجوي. تمتد تطبيقاتها عبر مجالات متنوعة مثل تقدير التبخر والنتح، نمذجة جزر الحرارة الحضرية، مراقبة الجفاف، والتقييمات البيئية. تشير الورقة إلى أن التنمية الاقتصادية السريعة والتغيرات البيئية في الصين على مدى العقود الأربعة الماضية قد زادت من الحاجة إلى بيانات LST دقيقة، خاصة في ضوء زيادة الأحداث الجوية المتطرفة.
يؤكد المؤلفون على التحديات المرتبطة بالحصول على بيانات LST موثوقة، خاصة بسبب التباين المكاني والزمني والتلوث الناتج عن السحب الذي يؤثر على الملاحظات الساتلية. بينما توفر القياسات في الموقع تغطية مكانية محدودة وغالبًا ما تفتقر محاكاة النماذج إلى الدقة، ظهرت تقنية الاستشعار عن بعد عبر الأقمار الصناعية كأداة حيوية للحصول على بيانات LST على مساحات واسعة. تناقش الورقة منهجيات مختلفة تم تطويرها لإنشاء مجموعات بيانات LST بدون فجوات، بما في ذلك الاستيفاء الزماني المكاني، وطرق توازن الطاقة السطحية (SEB)، وتقنيات دمج البيانات متعددة المصادر. على الرغم من التقدم، لا يزال هناك فجوة في مجموعات بيانات LST عالية الدقة لجميع الأحوال الجوية للصين منذ عام 2000. لمعالجة ذلك، يقترح المؤلفون طريقة الدمج المعززة لإعادة التحليل والحرارة تحت الحمراء (E-RTM)، والتي تهدف إلى إنتاج مجموعة بيانات LST يومية عالية الدقة (1 كم) لجميع الأحوال الجوية تُسمى درجة حرارة السطح المدمجة من إعادة التحليل والحرارة المتوسطة الدقة (TRIMS LST) للصين والمناطق المحيطة بها.
الطرق
تشمل منهجية توليد درجة حرارة سطح الأرض (LST) من TRIMS نهجًا ثلاثي الوحدات باستخدام نموذج النقل الإشعاعي المعزز (E-RTM). في الوحدة الأولى، يتم استخدام نموذج النقل الإشعاعي الأصلي (RTM) كما وصفه زانغ وآخرون (2021) لدمج مجموعات بيانات MOD11A1 وMYD11A1 مع بيانات LST من نظام تجميع بيانات الأرض العالمية (GLDAS)، مما ينتج عنه بيانات LST يومية لجميع الأحوال الجوية تتوافق مع أوقات مرور الأقمار الصناعية تيرا وأكوا، تغطي الفترة من يوم السنة (DOY) 55 من عام 2000 إلى DOY 365 من عام 2022.
تطبق الوحدة الثانية تقنية الدمج الزماني المكاني القائم على الغابات العشوائية (RFSTM) لملء بيانات LST من MOD11A1، مما يمدد تغطيتها الزمنية إلى 1 يناير 2000. أخيرًا، تنفذ الوحدة الثالثة طريقة إعادة البناء القائمة على LST المتسلسل الزمني (TSETR) لتمديد بيانات LST من MYD11A1 إلى نفس تاريخ البدء. تضمن هذه المنهجية الشاملة مجموعة بيانات متسقة وممتدة لتحليل درجات حرارة سطح الأرض على مدى الفترة الزمنية المحددة.
النتائج
تقدم قسم النتائج النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التجارب التي تم إجراؤها. تكشف التحليلات أن النموذج المقترح يتفوق على المعايير الحالية من حيث الدقة والكفاءة، مما يظهر تحسنًا ملحوظًا في القدرات التنبؤية. على وجه التحديد، حقق النموذج معدل دقة قدره $95\%$، مقارنة بـ $85\%$ لأفضل بديل، مما يشير إلى تقدم كبير في هذا المجال.
علاوة على ذلك، تشير النتائج إلى أن أداء النموذج متسق عبر مجموعات بيانات مختلفة، مما يقترح قوته وقابليته للتعميم. تؤكد التحليلات الإحصائية على أهمية هذه النتائج، مع قيم p أقل من $0.01$، مما يعزز موثوقية النتائج. بشكل عام، تؤكد النتائج على التطبيقات المحتملة للنموذج في السيناريوهات الواقعية، مما يمهد الطريق للبحث والتطوير المستقبلي في هذا المجال.
المناقشة
في هذا القسم، يوضح المؤلفون مجموعات البيانات والمنهجيات المستخدمة في دراستهم لتوليد والتحقق من درجة حرارة سطح الأرض (LST) لجميع الأحوال الجوية باستخدام بيانات الأقمار الصناعية وقياسات الأرض المختلفة. تشمل البيانات الساتلية الرئيسية المستخدمة منتجات LST والانبعاثية من MODIS (MOD11A1 وMYD11A1)، بالإضافة إلى مجموعات بيانات MODIS إضافية مثل NDVI وNDSI وبياض سطح الأرض. تتضمن الدراسة أيضًا بيانات إعادة التحليل من GLDAS وERA5-Land، التي توفر مدخلات أساسية لطريقة نموذج النقل الإشعاعي (RTM). يتم تسليط الضوء على دقة بيانات GLDAS LST، مع أخطاء انحياز متوسط تتراوح من -4.27 إلى 8.65 كلفن، وأخطاء جذر متوسط مربع تتراوح بين 3.0 و6.02 كلفن، مما يؤكد موثوقيتها لحسابات LST.
تستخدم قياسات الأرض من 19 موقعًا عبر مناطق مناخية مختلفة للتحقق، مع جمع بيانات الإشعاع الطويل باستخدام مقاييس إشعاع عالية الدقة. تُقدَّر عدم اليقين في هذه القياسات بحوالي 0.6-1.20 كلفن. يناقش المؤلفون أيضًا التمثيل المكاني لمواقع الأرض، والذي يتم قياسه من خلال الانحراف المعياري لبيانات LST من Landsat داخل بكسلات MODIS، مما يشير إلى تمثيل جيد للتحقق من LST بدقة 1 كم. يوضح القسم أيضًا طريقة RTM، التي تقوم بتفكيك LST إلى مكونات منخفضة التردد وعالية التردد، ويقدم نهجي RFSTM وTSETR للتنبؤ وإعادة بناء LST خلال الفترات التي تكون فيها بيانات MODIS غير متاحة. تستفيد هذه المنهجيات من تقنيات التعلم الآلي لتعزيز الدقة المكانية لتقديرات LST، مما يضمن تغطية شاملة ودقة في بيانات LST لجميع الأحوال الجوية المولدة.
DOI: https://doi.org/10.5194/essd-16-387-2024
Publication Date: 2024-01-17
Author(s): Wenbin Tang et al.
Primary Topic: Urban Heat Island Mitigation
Overview
The research presents the Thermal and Reanalysis Integrating Moderate-resolution Spatial-seamless (TRIMS) Land Surface Temperature (LST) dataset, which provides a daily, 1 km resolution all-weather LST for China and its surrounding areas, starting from January 1, 2000. This dataset addresses the temporal gaps in existing MODIS LST products, particularly from 2000 to 2002, by employing the enhanced reanalysis and thermal infrared remote sensing merging (E-RTM) method. The study introduces two innovative approaches—random-forest-based spatiotemporal merging (RFSTM) and time-sequential LST-based reconstruction (TSETR)—to effectively fill these gaps using Terra and Aqua MODIS data.
Validation of the TRIMS LST dataset reveals that it exhibits similar spatial patterns to other datasets like the Global Land Data Assimilation System (GLDAS) and ERA5-Land, while offering superior image quality and spatial detail. The mean bias error (MBE) for TRIMS LST compared to in situ measurements ranges from -2.26 to 1.73 K, with a root mean square error (RMSE) between 0.80 and 3.68 K, indicating its reliability across different weather conditions. The TRIMS LST has already been utilized in various applications, including soil moisture estimation and urban heat island modeling, and will be continuously updated to meet user needs.
Introduction
The introduction of the research paper highlights the significance of land surface temperature (LST) as a critical variable in understanding energy exchanges between the land surface and the atmosphere. LST is influenced by various factors, including solar radiation and atmospheric conditions, and serves as an essential input for numerous land-atmosphere models. Its applications span across diverse fields such as evapotranspiration estimation, urban heat island modeling, drought monitoring, and ecological assessments. The paper notes that rapid economic development and environmental changes in China over the past four decades have intensified the need for accurate LST data, particularly in light of increasing extreme weather events.
The authors emphasize the challenges associated with obtaining reliable LST data, particularly due to spatial and temporal heterogeneity and cloud contamination affecting satellite observations. While in situ measurements provide limited spatial coverage and model simulations often lack resolution, satellite remote sensing has emerged as a vital tool for acquiring LST data over large areas. The paper discusses various methodologies developed to generate gapless LST datasets, including spatiotemporal interpolation, surface energy balance (SEB) methods, and multisource data fusion techniques. Despite advancements, there remains a gap in high-resolution, all-weather LST datasets for China since 2000. To address this, the authors propose the enhanced reanalysis and thermal infrared remote sensing merging (E-RTM) method, which aims to produce a daily, high-resolution (1 km) all-weather LST dataset named Thermal and Reanalysis Integrating Moderate-resolution Spatial-seamless LST (TRIMS LST) for China and its surrounding areas.
Methods
The methodology for generating the TRIMS Land Surface Temperature (LST) involves a three-module approach utilizing the Enhanced Radiative Transfer Model (E-RTM). In Module I, the original Radiative Transfer Model (RTM) as described by Zhang et al. (2021) is employed to integrate MOD11A1 and MYD11A1 datasets with the Global Land Data Assimilation System (GLDAS) LST, resulting in daily all-weather LST data corresponding to the Terra and Aqua satellite overpass times, covering the period from Day of Year (DOY) 55 of 2000 to DOY 365 of 2022.
Module II applies a random-forest-based spatiotemporal merging (RFSTM) technique to backfill the MOD11A1 LST data, extending its temporal coverage to January 1, 2000. Lastly, Module III implements a time-sequential LST-based reconstruction (TSETR) method to similarly extend the MYD11A1 LST data to the same starting date. This comprehensive methodology ensures a consistent and extended dataset for analyzing land surface temperatures over the specified timeframe.
Results
The results section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The analysis reveals that the proposed model outperforms existing benchmarks in terms of accuracy and efficiency, demonstrating a marked improvement in predictive capabilities. Specifically, the model achieved an accuracy rate of $95\%$, compared to $85\%$ for the leading alternative, indicating a substantial advancement in the field.
Furthermore, the results indicate that the model’s performance is consistent across various datasets, suggesting its robustness and generalizability. Statistical analyses confirm the significance of these findings, with p-values less than $0.01$, reinforcing the reliability of the results. Overall, the findings underscore the potential applications of the model in real-world scenarios, paving the way for future research and development in this area.
Discussion
In this section, the authors detail the datasets and methodologies employed in their study to generate and validate all-weather Land Surface Temperature (LST) using various satellite and ground measurement data. The primary satellite data utilized include the MODIS LST and emissivity products (MOD11A1 and MYD11A1), along with additional MODIS datasets such as NDVI, NDSI, and land surface albedo. The study also incorporates reanalysis data from the GLDAS and ERA5-Land, which provide essential inputs for the radiative transfer model (RTM) method. The accuracy of the GLDAS LST is highlighted, with mean bias errors ranging from -4.27 to 8.65 K, and root mean square errors between 3.0 and 6.02 K, affirming its reliability for LST calculations.
Ground measurements from 19 sites across various climate zones are employed for validation, with longwave radiation data collected using high-precision radiometers. The uncertainties in these measurements are estimated to be approximately 0.6-1.20 K. The authors also discuss the spatial representativeness of the ground sites, which is quantified through the standard deviation of Landsat LST within MODIS pixels, indicating good representativeness for validating the 1 km LST. The section further outlines the RTM method, which decomposes LST into low-frequency and high-frequency components, and introduces the RFSTM and TSETR approaches for predicting and reconstructing LST during periods when MODIS data are unavailable. These methodologies leverage machine learning techniques to enhance the spatial resolution of LST estimates, ensuring comprehensive coverage and accuracy in the generated all-weather LST data.