Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification

📄 arXiv: 2502.14433v2 📥 PDF

作者: Shengjie Liu, Siqin Wang, Lu Zhang

分类: cs.CV

发布日期: 2025-02-20 (更新: 2025-12-30)

DOI: 10.1109/TGRS.2025.3643985

💡 一句话要点

提出DELAG深度集成学习方法，重建Landsat跨轨区域高时空分辨率地表温度，并量化不确定性。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 地表温度重建 深度集成学习 Landsat 不确定性量化 城市气候 高时空分辨率 遥感 高斯过程

📋 核心要点

  1. 高时空分辨率的地表温度数据在现实应用中至关重要，但Landsat卫星重访周期长，且易受云层覆盖影响，限制了数据获取。
  2. DELAG方法结合年度温度周期和高斯过程，利用深度集成学习重建Landsat地表温度，并量化重建结果的不确定性。
  3. 实验表明，DELAG在晴空和多云条件下均能有效重建地表温度，优于现有方法，并可用于准确估计近地面气温。

📝 摘要（中文）

本研究提出了一种名为DELAG的深度集成学习方法，该方法结合了年度温度周期和高斯过程，用于重建复杂城市区域的Landsat地表温度（LST）。利用Landsat自2021年以来的跨轨特性和双卫星运行，将数据可用性提高到每16天4景。选取纽约、伦敦和香港作为研究区域。实验表明，DELAG成功重建了晴空（RMSE = 0.73-0.96 K）和重度多云（RMSE = 0.84-1.62 K）情况下的LST，优于现有方法。此外，DELAG可以量化不确定性，从而提高LST重建的可靠性。进一步测试了重建的LST以估计近地面气温，结果（RMSE = 1.48-2.11 K）与从晴空LST获得的结果（RMSE = 1.63-2.02 K）相当。结果表明DELAG重建的成功，并突出了LST重建在估计准确气温方面的更广泛应用。本研究为Landsat LST重建提供了一种新颖实用的方法，特别适用于Landsat跨轨区域内的复杂城市区域，为解决高时空分辨率的复杂气候事件迈出了一步。

🔬 方法详解

问题定义：论文旨在解决Landsat卫星地表温度数据时空分辨率不足的问题，尤其是在复杂城市区域。现有方法难以有效应对云层覆盖和Landsat重访周期长的挑战，导致高时空分辨率的地表温度数据缺失。

核心思路：论文的核心思路是利用深度集成学习，结合年度温度周期和高斯过程的优势，对Landsat地表温度进行重建。通过集成多个模型的预测结果，提高重建精度和鲁棒性，并量化重建结果的不确定性。

技术框架：DELAG方法的技术框架主要包括以下几个阶段：1) 数据预处理：对Landsat数据进行校正和预处理，包括辐射校正、几何校正等。2) 特征提取：提取与地表温度相关的特征，如植被指数、地表反射率等。3) 模型训练：使用深度学习模型（具体模型结构未知）结合年度温度周期和高斯过程进行训练。4) 集成预测：将多个模型的预测结果进行集成，得到最终的地表温度重建结果。5) 不确定性量化：利用高斯过程或其他方法量化重建结果的不确定性。

关键创新：该方法的主要创新点在于：1) 提出了DELAG深度集成学习框架，能够有效融合年度温度周期和高斯过程的优势。2) 利用Landsat跨轨特性和双卫星运行，提高了数据可用性。3) 能够量化重建结果的不确定性，为用户提供更可靠的地表温度数据。

关键设计：论文中关于深度学习模型的具体结构、损失函数和训练参数等关键设计细节未知。但可以推测，模型可能采用了卷积神经网络（CNN）或循环神经网络（RNN）等结构，并结合了适当的损失函数进行训练。年度温度周期和高斯过程的具体融合方式也未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DELAG方法在纽约、伦敦和香港三个城市进行了实验验证，结果表明，在晴空条件下，RMSE为0.73-0.96 K；在重度多云条件下，RMSE为0.84-1.62 K。重建的地表温度数据可用于估计近地面气温，结果与使用晴空LST估计的结果相当（RMSE = 1.48-2.11 K vs. RMSE = 1.63-2.02 K），表明DELAG方法具有较高的重建精度和实用价值。

🎯 应用场景

该研究成果可广泛应用于城市气候研究、热岛效应监测、农业干旱评估、生态环境监测等领域。重建的高时空分辨率地表温度数据能够为城市规划、气候变化应对和资源管理提供重要支持，并有助于更准确地预测和应对极端天气事件。

📄 摘要（原文）

Many real-world applications rely on land surface temperature (LST) data at high spatiotemporal resolution. In complex urban areas, LST exhibits significant variations, fluctuating dramatically within and across city blocks. Landsat provides high spatial resolution data at 100 meters but is limited by long revisit time, with cloud cover further disrupting data collection. Here, we propose DELAG, a deep ensemble learning method that integrates annual temperature cycles and Gaussian processes, to reconstruct Landsat LST in complex urban areas. Leveraging the cross-track characteristics and dual-satellite operation of Landsat since 2021, we further enhance data availability to 4 scenes every 16 days. We select New York City, London and Hong Kong from three different continents as study areas. Experiments show that DELAG successfully reconstructed LST in the three cities under clear-sky (RMSE = 0.73-0.96 K) and heavily-cloudy (RMSE = 0.84-1.62 K) situations, superior to existing methods. Additionally, DELAG can quantify uncertainty that enhances LST reconstruction reliability. We further tested the reconstructed LST to estimate near-surface air temperature, achieving results (RMSE = 1.48-2.11 K) comparable to those derived from clear-sky LST (RMSE = 1.63-2.02 K). The results demonstrate the successful reconstruction through DELAG and highlight the broader applications of LST reconstruction for estimating accurate air temperature. Our study thus provides a novel and practical method for Landsat LST reconstruction, particularly suited for complex urban areas within Landsat cross-track areas, taking one step toward addressing complex climate events at high spatiotemporal resolution. Code and data are available at https://skrisliu.com/delag