山地地貌地表溫度的深度學(xué)習(xí)空間模擬

鮑舒琪,張成福,馮霜,賀帥,苗林

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 沙漠治理學(xué)院,呼和浩特 010000)

0 引言

地表溫度(land surface temperature,LST)與氣溫通過陸氣作用相互影響,氣溫變化會(huì)引起地表溫度的變化,直接影響土壤水熱過程,從而影響植被生長和枯枝落葉的分解等一系列生態(tài)過程[1]。目前主要通過遙感技術(shù)獲取大范圍地表溫度,能夠獲取實(shí)時(shí)數(shù)據(jù),且分辨率高成本低,但不能用來預(yù)測(cè)氣候變化規(guī)律及響應(yīng)[2]。李召良等[3]在地表溫度遙感反演方法研究進(jìn)展中表明衛(wèi)星遙感是獲取區(qū)域或全球尺度地表溫度時(shí)空分布的主要手段,但衛(wèi)星傳感器只能拍攝實(shí)時(shí)數(shù)據(jù),不能預(yù)測(cè)未來地表溫度的時(shí)空變化。

深度學(xué)習(xí)(deep learning,DL)算法具有強(qiáng)大的非線性映射能力與學(xué)習(xí)能力,廣泛應(yīng)用于較復(fù)雜生態(tài)環(huán)境的模擬預(yù)測(cè)。Shatnawi等[4]采用非線性自回歸外生人工神經(jīng)網(wǎng)絡(luò)模型成功模擬和預(yù)測(cè)了約旦北部2000—2016年間的地表溫度變化。蘇揚(yáng)等[5]用多時(shí)相特征連接卷積神經(jīng)網(wǎng)絡(luò)雙向重建模型(MTFC-CNN)重建軌道間隙區(qū)域的地表溫度值,其效果優(yōu)于傳統(tǒng)的樣條空間插值和時(shí)間線性回歸方法。張義崢等[6]基于降尺度殘差網(wǎng)絡(luò)構(gòu)建了美國密蘇里州的地表溫度深度學(xué)習(xí)模型,其降尺度效果優(yōu)于經(jīng)典傳統(tǒng)方法且穩(wěn)定性更強(qiáng)。

下墊面的地形起伏狀況是影響地表溫度分布特征的重要因素,其復(fù)雜的自然地理環(huán)境使得地表溫度在空間與時(shí)間上存在差異性[7-8]。肖堯等[9]在復(fù)雜地表地表溫度反演研究進(jìn)展中表明由于山地地貌地形起伏大、空間異質(zhì)性強(qiáng),出現(xiàn)長時(shí)序數(shù)據(jù)獲取難、地表溫度反演難等問題,導(dǎo)致大部分觀測(cè)站架設(shè)在平坦地區(qū),大多數(shù)地表溫度反演算法建立在地面平坦、地形因素影響小的區(qū)域。山地地表溫度的反演需要將地形因素融入到算法,而深度學(xué)習(xí)方法能夠?qū)W習(xí)山地地形因素與地表溫度的非線性關(guān)系特征,準(zhǔn)確模擬山地地區(qū)的地表溫度。

內(nèi)蒙古大青山位于半干旱區(qū),相對(duì)高差大,不同坡向植被分布差異較大。本文的研究目的是利用深度學(xué)習(xí)方法模擬預(yù)測(cè)該山地地表溫度的空間分布特征,并基于深度學(xué)習(xí)模型分析特定地形和植被條件下地表溫度的變化規(guī)律,以期為研究全球氣候變化對(duì)山地水熱過程和植被的影響提供一種定量的分析方法。

1 研究方法

1.1 研究區(qū)概況

內(nèi)蒙古大青山位于陰山山脈中段,海拔高度在960～2 322 m之間。大青山山體呈現(xiàn)東西走向,北坡較平緩,有交錯(cuò)分布的低山丘陵和盆地與內(nèi)蒙古高原相連,南坡陡峭,為剝蝕堆積形成的構(gòu)造斷裂地形[10]。大青山位于溫帶大陸性半干旱季風(fēng)氣候區(qū),區(qū)內(nèi)有山地森林、灌叢和草原植被,是土默川平原及黃河上中游地區(qū)重要的水源補(bǔ)給區(qū)。

1.2 數(shù)據(jù)來源與預(yù)處理

數(shù)據(jù)包括ASTER DEM 30 m高程數(shù)據(jù)、2019—2021年5—9月生長季的MODIS產(chǎn)品數(shù)據(jù)(表1)和氣象數(shù)據(jù)。經(jīng)輻射定標(biāo)和大氣校正等預(yù)處理的MOD09A1、MOD11A2、MOD13A1產(chǎn)品數(shù)據(jù)來源于NASA網(wǎng)站(https://ladsweb.modaps.eosdis.nasa.gov/)。ASTER GDEM 30 m高程數(shù)據(jù)來源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/)。氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)的6個(gè)氣象站點(diǎn)的氣候資料數(shù)據(jù)集。

表1 MODIS產(chǎn)品計(jì)算公式

用NASA提供的MRT(MODIS Reprojection Tool)軟件對(duì)MODIS數(shù)據(jù)進(jìn)行分層處理,提取LST、歸一化植被指數(shù)(normalized difference vegetation index,NDVI)、地表反照率等數(shù)據(jù),用ENVI、ArcGIS軟件進(jìn)行計(jì)算、重投影、格式轉(zhuǎn)換及圖像鑲嵌裁剪。

用ArcGIS軟件的空間分析工具基于高程數(shù)據(jù)計(jì)算海拔、坡度、坡向等地形因子數(shù)據(jù)。用ArcGIS軟件的反距離插值法將6個(gè)氣象站點(diǎn)數(shù)據(jù)插值為與研究區(qū)像元大小一致的空間柵格圖像,與研究區(qū)環(huán)境因子的各像元相對(duì)應(yīng)。用ArcGIS軟件的投影變換功能將所有空間數(shù)據(jù)統(tǒng)一坐標(biāo)系為WGS 1984 UTM、空間分辨率為500 m。

1.3 地表溫度的環(huán)境因子重要度分析

選擇影響LST的環(huán)境因子構(gòu)建模型時(shí),為防止數(shù)據(jù)集中存在大量冗余數(shù)據(jù)增加算法的成本,避免過度擬合,使用特征選擇算法挑選與目標(biāo)變量高度相關(guān)的特征變量,能有效提高算法的性能[11-12]。本文在構(gòu)建LST模型之前,運(yùn)用決策樹(decision tree,DT)構(gòu)造算法中的分類回歸樹(classification and regression tree,CART)[13],對(duì)可能引起LST變化的環(huán)境因子(如氣溫、海拔、植被蓋度等)進(jìn)行特征重要度分析,選取特征貢獻(xiàn)度較大的因子進(jìn)行LST模型構(gòu)建。

1.4 深度學(xué)習(xí)模型的構(gòu)建

1)深度學(xué)習(xí)方法介紹。深度學(xué)習(xí)本質(zhì)是利用多層的非線性信息處理來進(jìn)行監(jiān)督或無監(jiān)督的特征提取和轉(zhuǎn)換,并進(jìn)行模式分析和分類,可以通過多層學(xué)習(xí)訓(xùn)練獲得更高層的特征信息[14]。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱藏層、輸出層和每層中的神經(jīng)元組成,每個(gè)神經(jīng)元有一個(gè)權(quán)值和偏置對(duì)應(yīng)上一層的神經(jīng)元,輸入層神經(jīng)元數(shù)量為輸入特征變量的數(shù)量,輸出層的神經(jīng)元數(shù)量為訓(xùn)練過程中給予神經(jīng)網(wǎng)絡(luò)的輸出數(shù)量,隱藏層神經(jīng)元數(shù)量和隱藏層數(shù)量的正確選擇取決于輸入輸出關(guān)系的復(fù)雜程度[15]。

2)LST模型構(gòu)建。本研究在數(shù)據(jù)科學(xué)管理軟件Anaconda的Jupyter notebook平臺(tái),利用以Tensorflow 2.0為后端的深度學(xué)習(xí)庫Keras進(jìn)行模型的構(gòu)建運(yùn)行與測(cè)試。

從環(huán)境因子(如氣溫、海拔、NDVI等)和LST的空間柵格圖像上隨機(jī)選取1 200個(gè)樣本點(diǎn),提取2019—2021年3年數(shù)據(jù)共3 600個(gè)樣本作為模型數(shù)據(jù)集。以決策樹模型選取的環(huán)境因子作為輸入層數(shù)據(jù)集,LST作為輸出層數(shù)據(jù)集建立深度學(xué)習(xí)模型。輸入層數(shù)據(jù)集的70%劃分為訓(xùn)練集,20%劃分為測(cè)試集,10%劃分為預(yù)測(cè)集。模型的激活函數(shù)設(shè)置為Relu,優(yōu)化器選取RMSprop。經(jīng)多次訓(xùn)練后,確定藏層、神經(jīng)元個(gè)數(shù)和迭代次數(shù),構(gòu)建最優(yōu)LST模型。

3)模型評(píng)估。用回歸損失函數(shù)均方誤差(mean squared error,MSE)和平均絕對(duì)誤差(mean absolute error,MAE)評(píng)估模型預(yù)測(cè)值與真實(shí)值之間的差距,衡量模型模擬性能和預(yù)測(cè)精度。MSE用來評(píng)價(jià)數(shù)據(jù)的變化程度,MSE值越小說明模型預(yù)測(cè)具有更好的精確度,MAE可以準(zhǔn)確反映實(shí)際預(yù)測(cè)誤差情況。

4)單個(gè)因子對(duì)LST空間變化的分析。在已構(gòu)建的深度學(xué)習(xí)模型基礎(chǔ)上,將待分析的單個(gè)環(huán)境因子設(shè)置為若干等級(jí),同時(shí)將其他環(huán)境因子固定為區(qū)域均值(表2),以此計(jì)算LST隨這一因子的變化規(guī)律。

表2 各環(huán)境因子均值表

研究區(qū)NDVI空間范圍在0.14～0.91,等級(jí)間距設(shè)置為0.05;日均氣溫空間值范圍在14.18～20.57 ℃,等級(jí)間距設(shè)置為0.25 ℃;海拔空間范圍在960～2 322 m,等級(jí)間距設(shè)置為50 m;地表反照率空間范圍在0.06～0.21,等級(jí)間距設(shè)置為0.01;坡度空間范圍在0°～66.5°,等級(jí)間距設(shè)置為5°。

5)不同植被覆蓋情景下LST空間變化對(duì)于單個(gè)因子的響應(yīng)。為分析各環(huán)境因子在不同植被覆蓋度下對(duì)LST分布的影響,本文根據(jù)《土壤侵蝕分級(jí)標(biāo)準(zhǔn)》中的植被覆蓋度分級(jí)標(biāo)準(zhǔn),設(shè)定4種NDVI情景模式:NDVI為0.2(低植被覆蓋)、0.4(中低植被覆蓋)、0.5(中等植被覆蓋)和0.8(高植被覆蓋)?；跇?gòu)建的LST深度學(xué)習(xí)模型,分析在不同植被覆蓋情景下,LST隨各個(gè)影響因子的變化規(guī)律,同樣設(shè)置其他特征變量為均值(表2)。

2 結(jié)果與分析

2.1 環(huán)境因子重要度分析

選取對(duì)LST空間分布變化有影響的7個(gè)環(huán)境因子(平均氣溫、高程、坡度、坡向、剖面曲率、NDVI和地表反射率),經(jīng)決策樹模型篩選出相對(duì)貢獻(xiàn)率較高的因子為平均氣溫、坡度、地表反照率、海拔和NDVI(貢獻(xiàn)率分別為0.008、0.087、0.09、0.227、0.588),相對(duì)貢獻(xiàn)率較低的因子為剖面曲率和坡向因子(貢獻(xiàn)率均為0)。環(huán)境因子重要度見圖1。

圖1 地表溫度空間分布的環(huán)境因子貢獻(xiàn)度

2.2 深度學(xué)習(xí)模型預(yù)測(cè)精度

圖2為模型預(yù)測(cè)模擬的LST值與觀測(cè)值對(duì)比圖。預(yù)測(cè)結(jié)果表明模型精度最高(MAE為0.60 ℃,MSE為0.65 ℃)的隱藏層個(gè)數(shù)為3層,訓(xùn)練迭代次數(shù)為30 000次。圖2(a)表明預(yù)測(cè)值與觀測(cè)值對(duì)比較吻合,構(gòu)建的深度學(xué)習(xí)模型能很好地預(yù)測(cè)模擬LST的變化趨勢(shì),預(yù)測(cè)值與觀測(cè)值的變化波動(dòng)規(guī)律一致,模型預(yù)測(cè)結(jié)果較準(zhǔn)確。由圖2(b)可知深度學(xué)習(xí)模型預(yù)測(cè)的LST值與LST觀測(cè)值散點(diǎn)分布較集中,比較貼合在相關(guān)線附近,且散點(diǎn)圖決定系數(shù)R2為0.89,說明深度學(xué)習(xí)構(gòu)建的LST模型預(yù)測(cè)模擬效果較好,擬合效果較優(yōu),擬合穩(wěn)定性較高。因此使用深度學(xué)習(xí)方法對(duì)LST進(jìn)行模擬具有一定的可靠性。

圖2 模型預(yù)測(cè)模擬的地表溫度值與觀測(cè)值對(duì)比圖

2.3 地表溫度空間分布的模型預(yù)測(cè)分析

圖3是2021年LST的觀測(cè)值與預(yù)測(cè)值空間分布圖。對(duì)比發(fā)現(xiàn)觀測(cè)值與預(yù)測(cè)值的空間分布特征相近,每段LST區(qū)間分布區(qū)域都較為吻合,且地表溫度最低值僅相差0.32 ℃,最高值僅相差0.83 ℃,模擬值比觀測(cè)值空間分布較清晰。研究區(qū)西部、北部和南部地帶LST最高(30.5～37.36 ℃),因其位于大青山山腳,海拔相對(duì)較低且植被覆蓋較小(NDVI低于0.5);中部區(qū)域LST最低(20.38～28.5 ℃),因其是呼和浩特大青山主要山體部分,海拔高且植被覆蓋大(NDVI達(dá)0.7);由于其余地帶海拔介于上述兩個(gè)地帶之間,LST為28.5～30.5 ℃。

圖3 地表溫度預(yù)測(cè)值與觀測(cè)值的空間分布對(duì)比圖

2.4 單一控制變量下LST隨環(huán)境因子的變化分析

NDVI與LST的決定系數(shù)R2為0.95;隨NDVI增加LST呈下降趨勢(shì),NDVI每增加0.1時(shí)LST降低1.41 ℃(圖4(a))。平均氣溫與LST的決定系數(shù)R2為0.86;隨平均氣溫的增加LST呈上升趨勢(shì),平均氣溫每增加1 ℃時(shí)LST上升0.33 ℃(圖4(b))。海拔與LST的決定系數(shù)R2為0.85;隨海拔高度的增加LST呈下降趨勢(shì),海拔高度每增加50 m時(shí)LST減小0.18 ℃(圖4(c)),在海拔1 600 m以上的LST下降速率較大。坡度與LST的決定系數(shù)R2為0.61;隨坡度的增大LST整體呈下降趨勢(shì),坡度每增加1°時(shí)LST下降0.23 ℃(圖4(d)),在45°以下坡度的LST下降速率較小,在45°以上坡度的LST下降速率較大。地表反照率與LST的決定系數(shù)R2為0.88;隨地表反照率的增加LST呈上升趨勢(shì),地表反照率每增加0.01時(shí)LST升高0.02 ℃(圖4(e))。

圖4 地表溫度隨單一控制變量變化的規(guī)律圖

2.5 不同植被覆蓋情景下LST隨影響因素的變化分析

圖5是4種NDVI情景下模擬LST隨單一環(huán)境因子的變化規(guī)律,表3是圖5中每個(gè)線性曲線的函數(shù)參數(shù)信息表。圖5(a)是在4種NDVI的情景下模擬LST隨平均氣溫(14.5～20.5 ℃)單一變量下的變化情況。隨NDVI增加,LST隨平均氣溫上升而增加的增速呈下降趨勢(shì)。當(dāng)NDVI為0.2時(shí),LST增加速率為0.52 ℃/℃;NDVI為0.4和0.5時(shí),LST增加速率分別為0.09 ℃/℃和0.31 ℃/℃;NDVI為0.8時(shí),LST增加速率為0.04 ℃/℃(圖5(a)、表3)。在NDVI為0.2情景下,LST受平均氣溫影響較其他情景模式明顯,隨著平均氣溫的增加,LST在32.53～35.38 ℃之間逐漸升高,而在NDVI為0.4和0.5兩種情景模式下,LST受平均氣溫影響差異性較小。

圖5 地表溫度在不同植被覆蓋情景下隨平均氣溫、海拔、坡度、地表反照率的變化規(guī)律圖

表3 地表溫度在不同植被覆蓋情景下隨平均氣溫、海拔、坡度、地表反照率變化的線性函數(shù)參數(shù)表

圖5(b)是在4種NDVI情景下模擬LST隨海拔(960～2 322 m)單一變量下的變化情況。隨NDVI增加,LST隨海拔增大而下降的降速呈先下降后增大趨勢(shì)。NDVI為0.2時(shí),LST下降速率為0.18 ℃/50 m;NDVI為0.4和0.5時(shí),LST下降速率分別為0.12 ℃/50 m和0.14 ℃/50 m;NDVI為0.8時(shí),LST下降速率為0.27 ℃/50 m;在海拔1 200 m高度出現(xiàn)最大值31.87 ℃,在1 500 m以上高度LST下降至最低,這是因?yàn)樵谘芯繀^(qū)海拔較低處是比較平坦的城郊山腳地區(qū),地表植被覆蓋較小,地表吸收的太陽輻射能量較多,地表溫度較大,在研究區(qū)海拔較高處則是大青山山體部分,植被覆蓋度較大,地表吸收的太陽輻射能量就越少,使地表溫度越低。

圖5(c)是4種NDVI情景下模擬LST隨坡度(0°～65°)單一變量下的變化情況。隨NDVI增加,LST隨坡度增大而下降的降速呈增大趨勢(shì)。當(dāng)NDVI為0.2時(shí),LST下降速率為0.02 ℃/(°);NDVI為0.4和0.5時(shí),LST下降速率分別為0.07 ℃/(°)和0.10 ℃/(°);NDVI為0.8時(shí),LST下降速率為0.15 ℃/(°)。

圖5(d)是4種NDVI情景下模擬LST隨地表反照率(0.06～0.21)單一變量下的變化情況。隨NDVI增加,LST隨地表反照率增大而增加的增速呈先下降后增大趨勢(shì)。NDVI為0.2時(shí),每增加0.1地表反照率LST增加0.31 ℃;NDVI為0.4和0.5時(shí),每增加0.1地表反照率LST分別增加0.26 ℃和0.28 ℃;NDVI為0.8時(shí),每增加0.1地表反照率LST增加0.51 ℃。

3 討論

3.1 深度學(xué)習(xí)方法對(duì)山地地表溫度空間分布的模擬精度

本研究使用深度學(xué)習(xí)方法模擬了內(nèi)蒙古大青山地表溫度的空間分布,得到了很好的模擬結(jié)果,表明該方法模擬復(fù)雜地貌下地表溫度空間分布具有可行性。本研究使用決策樹算法對(duì)環(huán)境因子進(jìn)行特征重要度分析。與汪子豪等[16]基于BP神經(jīng)網(wǎng)模擬地表溫度時(shí)不對(duì)輸入層數(shù)據(jù)進(jìn)行篩選的研究結(jié)果(RMSE為0.98 ℃)相比,使用決策樹算法減少了輸入變量的數(shù)據(jù)冗余,提高了模擬精度。使用深度學(xué)習(xí)方法構(gòu)建LST模型時(shí),需要選擇合理的輸入因子、適當(dāng)?shù)碾[藏層節(jié)點(diǎn)數(shù)以及訓(xùn)練次數(shù)才能獲得較高的模型精度[17]。

基于深度學(xué)習(xí)對(duì)地表溫度的模型構(gòu)建多在地形平坦區(qū)域研究[18-19],而在高山地區(qū)由于其復(fù)雜的地形情況,利用深度學(xué)習(xí)是否能準(zhǔn)確估算模擬高山地區(qū)的地表溫度的研究較少。

3.2 環(huán)境因子與山地地表溫度的關(guān)系

地表溫度的時(shí)空分布特征受氣象溫度、植被覆蓋和地形地貌等多個(gè)環(huán)境因素的共同影響,且這些環(huán)境因素之間也相互作用,使得地表溫度在區(qū)域尺度上的時(shí)空分布狀況具有一定的復(fù)雜性和差異性[20]。研究區(qū)東南部海拔高、坡度陡、植被覆蓋度高共同導(dǎo)致地表溫度最低;北部和西部區(qū)域海拔低、坡度平緩、植被覆蓋度低共同導(dǎo)致其地表溫度較高。在以往的研究中更多的是簡單分析了地表溫度與環(huán)境因子的相關(guān)性特征[21-22],未考慮到其他環(huán)境因素的潛在影響,而本文在分析地表溫度隨某一環(huán)境因子的變化規(guī)律時(shí),利用深度學(xué)習(xí)方法控制其他環(huán)境因子為均值,使結(jié)果更具有準(zhǔn)確性。

本研究發(fā)現(xiàn),影響大青山地表溫度的主要環(huán)境因子有NDVI、海拔、地表反照率、坡度和氣象站平均氣溫,其中影響最大的因子是NDVI,其次是海拔和坡度,而坡向影響最小,這與羅瑤等[23]的研究結(jié)果一致。NDVI是地表溫度影響最大的環(huán)境因子,LST隨NDVI的增大而降低,是由于植物可以吸收和轉(zhuǎn)化太陽輻射從而降低地表溫度[24]。本研究中LST隨地表反照率的增大而升高,表明地表反照率在15%～28%之間時(shí),地表溫度隨反照率的增大而升高;地表反照率大于40%時(shí),地表溫度隨反照率的增大而減小[25],本文由于大青山的地表反照率范圍在0.06～0.21之間,地表反照率非常小,所以僅出現(xiàn)了地表溫度隨地表反照率增大而升高的情況。在大青山復(fù)雜的地貌環(huán)境條件下,其特殊的地形因子(海拔、坡度、坡向等)也是影響地表溫度的重要環(huán)境因子,在地表溫度的空間分布特征中有著直接或間接影響。不同地形因子對(duì)地表溫度的影響存在差異,大青山海拔與地表溫度的關(guān)系不是簡單的線性關(guān)系,LST隨海拔的增大而降低,在海拔1 600 m以上LST下降明顯。這是由于在對(duì)流層海拔越高大氣吸收的地表長波輻射能量越少,大氣儲(chǔ)存的熱量越低氣溫就越低,從而影響地表與空氣之間的熱交換[26]。坡度與坡向主要因其不同坡度坡向條件下坡面吸收的太陽光照的大小不同,從而影響坡面LST的大小[27]。LST隨坡度的增大而降低,在0°～45°時(shí)LST下降速度較小,在45°以上時(shí)LST下降速度顯著。造成這種現(xiàn)象的原因是不同坡度的太陽入射強(qiáng)度和反射率不同,導(dǎo)致地表吸收的能量不同,由于險(xiǎn)坡吸收的太陽輻射較小,導(dǎo)致LST較小。本研究發(fā)現(xiàn),坡向因子與LST之間的關(guān)系不明顯,這可能與本研究使用的MODIS數(shù)據(jù)分辨率較大不能夠反映當(dāng)?shù)仄孪蜃兓嘘P(guān)。今后在使用深度學(xué)習(xí)方法模擬山地空間溫度變化時(shí),應(yīng)考慮選擇空間分辨率更高的數(shù)據(jù)。

地表溫度受下墊面及氣候環(huán)境中多種因素的共同影響,是多種因子相互作用的結(jié)果,本文由于數(shù)據(jù)的獲取難度以及研究水平的局限性僅選取了部分因子進(jìn)行訓(xùn)練,但在選擇影響因子進(jìn)行模型訓(xùn)練過程時(shí)是否還有更多的有效因子還未被驗(yàn)證,在后續(xù)研究中將充分考慮多種環(huán)境因子進(jìn)行模型的構(gòu)建。

4 結(jié)束語

本文基于環(huán)境因子數(shù)據(jù)集利用深度學(xué)習(xí)算法模擬預(yù)測(cè)了大青山LST的空間分布,并分析單一環(huán)境因子和植被變化情景下各環(huán)境因子與LST的關(guān)系,得到如下結(jié)論。

1)通過決策樹模型運(yùn)算發(fā)現(xiàn),植被覆蓋NDVI對(duì)LST的貢獻(xiàn)度最大(0.588),其次是海拔(0.227)、坡度(0.087)、地表反照率(0.09)和平均氣溫(0.008),最低的是剖面曲率(0)和坡向(0)因子。

2)利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)構(gòu)建的LST模型精度MAE達(dá)0.60 ℃,MSE達(dá)0.65 ℃;預(yù)測(cè)模擬的決定系數(shù)R2達(dá)0.89。

3)LST隨NDVI的增加而降低,NDVI每增加0.1時(shí)LST下降0.41 ℃;LST隨平均氣溫增加而升高,增加速率為0.33 ℃/℃;LST隨海拔升高而降低,下降速率為0.18 ℃/50 m;LST隨坡度增大而降低,下降速率為0.23 ℃/(°);LST隨地表反照率增大而增加,地表反照率每增加0.01時(shí)LST升高0.31 ℃。

4)隨NDVI的增大,LST隨平均氣溫上升而升高的速率呈下降趨勢(shì),隨海拔升高而下降的速率呈先減小后增大的趨勢(shì),隨坡度增加而下降的速率呈增大趨勢(shì),隨地表反照率增大而升高的速率呈先減小后增大的趨勢(shì)。