Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks
作者: Solomiia Kurchaba, Angela Meyer
分类: cs.LG
发布日期: 2026-05-13
💡 一句话要点
提出基于深度神经网络的时空降尺度和城市地表温度临近预报方法
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 地表温度 时空降尺度 临近预报 深度学习 U-Net ConvLSTM 卫星遥感 城市气候
📋 核心要点
- 现有卫星地表温度产品难以兼顾高时空分辨率，限制了城市气候和生态研究的应用。
- 利用U-Net和ConvLSTM，结合不同卫星数据，实现地表温度的时空降尺度和临近预报。
- 实验结果表明，该方法在欧洲城市地表温度预测中表现良好，优于传统基线方法。
📝 摘要（中文）
地表温度（LST）是城市气候和生态研究等多种应用的关键变量。然而，现有的卫星LST产品通常只能提供高空间分辨率或高时间分辨率，两者之间存在根本性的权衡。为了解决这一问题，本文结合了来自地球静止卫星和极地轨道卫星的观测数据，提供了高时空分辨率（1公里，15分钟间隔）的LST场，并展示了其在LST日内预测中的应用。具体而言，训练了一个U-Net模型，将SEVIRI/MSG（3公里和15分钟分辨率）的LST场映射到Terra/Aqua MODIS（1公里，每天4次过境）的LST场，这些LST场在空间和时间上是共位的。该模型在欧洲人口超过100万的大城市LST上进行了训练，在预留测试集上实现了RMSE = 1.92°C和接近于零的偏差MBE = 0.01°C。此外，本文还提出了一个基于ConvLSTM架构的LST临近预报模型，该模型在降尺度的LST场上进行训练，预测提前期为15到75分钟。该临近预报模型优于持久性模型和气候滚动中值基准模型，对于所考虑的提前期，RMSE为0.57到1.15°C，偏差范围为-0.1到0.14°C。针对独立MODIS过境数据的额外验证证实了其稳健的性能。本文提出的高时空分辨率LST预测模型可直接应用于基于卫星的LST业务监测。
🔬 方法详解
问题定义：现有卫星地表温度（LST）产品在高空间分辨率和高时间分辨率之间存在权衡，无法同时提供两者。这限制了对城市地区精细时空变化的地表温度监测和预测，阻碍了城市气候和生态研究的深入开展。现有方法难以有效融合不同卫星数据，实现高精度、高时空分辨率的地表温度预测。
核心思路：本文的核心思路是利用深度学习模型，将来自不同卫星（SEVIRI/MSG和Terra/Aqua MODIS）的LST数据进行融合，实现时空降尺度和临近预报。通过U-Net模型实现空间降尺度，将低分辨率的SEVIRI/MSG数据映射到高分辨率的MODIS数据。然后，利用ConvLSTM模型对降尺度后的LST数据进行时间序列建模，实现临近预报。这种方法能够有效利用不同卫星数据的优势，克服现有方法的局限性。
技术框架：该方法包含两个主要阶段：1) 基于U-Net的时空降尺度：使用U-Net模型将低分辨率的SEVIRI/MSG LST数据降尺度到高分辨率（1km）。输入为SEVIRI/MSG LST，输出为对应时间和空间位置的MODIS LST。2) 基于ConvLSTM的临近预报：使用ConvLSTM模型对降尺度后的LST数据进行时间序列建模，预测未来15到75分钟的地表温度。输入为过去一段时间的降尺度LST数据，输出为未来一段时间的LST预测。
关键创新：该方法的主要创新点在于：1) 提出了一种基于深度学习的时空降尺度和临近预报框架，能够有效融合不同卫星数据，实现高精度、高时空分辨率的地表温度预测。2) 将U-Net和ConvLSTM模型应用于地表温度预测，充分利用了深度学习模型在图像处理和时间序列建模方面的优势。3) 针对城市地表温度预测问题，设计了合适的网络结构和训练策略，提高了预测精度和鲁棒性。
关键设计：U-Net模型采用标准的U型结构，包含编码器和解码器两部分。编码器负责提取输入图像的特征，解码器负责将提取的特征恢复到原始分辨率。ConvLSTM模型采用卷积操作来提取空间特征，并使用LSTM单元来建模时间序列。损失函数采用均方误差（MSE），优化器采用Adam。训练数据为欧洲人口超过100万的大城市LST数据，包括SEVIRI/MSG和MODIS数据。训练过程中，采用数据增强技术来提高模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在欧洲城市地表温度预测中表现良好。U-Net模型在预留测试集上实现了RMSE = 1.92°C和接近于零的偏差MBE = 0.01°C。ConvLSTM模型优于持久性模型和气候滚动中值基准模型，对于15到75分钟的提前期，RMSE为0.57到1.15°C，偏差范围为-0.1到0.14°C。针对独立MODIS过境数据的额外验证证实了其稳健的性能。
🎯 应用场景
该研究成果可应用于城市热岛效应监测、城市气候变化研究、农业干旱监测、精准农业灌溉、以及城市能源管理等领域。高时空分辨率的地表温度数据能够为城市规划和管理提供重要依据，帮助决策者制定更有效的应对气候变化的策略。此外，该方法还可以推广到其他遥感数据的时空融合和预测问题中。
📄 摘要（原文）
Land Surface Temperature (LST) is a key variable for various applications, such as urban climate and ecology studies. Yet, existing satellite-derived LST products provide either high spatial or high temporal resolution, resulting in a fundamental trade-off between the two. To address this trade-off, we combine observations from a geostationary and a polar orbiting satellite and provide LST fields at high spatial and high temporal resolution (1 km at 15-min intervals). We demonstrate their application for intraday forecasting of LSTs. To estimate LST fields at high spatiotemporal resolution, a U-Net model is trained to map LST fields from SEVIRI/MSG (3 km and 15 min resolution) to LST fields from Terra/Aqua MODIS (1 km, 4 overpasses per day) that are collocated in space and time. The presented model has been trained on LSTs across large European cities with a population exceeding 1 million inhabitants, and achieves an RMSE = $1.92$°C and near-zero bias MBE = $0.01$°C on the hold-out test set. As a second step, we present an LST nowcasting model based on ConvLSTM architecture, trained across downscaled LST fields with forecast lead times of 15 to 75 minutes. The nowcasting model outperforms a persistence and a Climatological Rolling Median benchmarks, with RMSEs of $0.57$ to $1.15$°C for the considered lead times and biases ranging from $-0.1$ to $0.14$°C. An additional validation conducted against independent MODIS overpasses confirms robust performance. Our LST forecast model at high spatiotemporal resolution is directly applicable to operational satellite-based LST monitoring.