文章标题：A Data-Driven Model for Estimating Clear-Sky Surface Longwave Downward Radiation Over Polar Regions

发表期刊：IEEE Transactions on Geoscience and Remote Sensing

在线时间：2024年6月

作者：郭梦霏，硕士，研究方向为热红外定量遥感

程 洁，教授/博导，长期从事定量遥感与地球辐射平衡研究

曾琪，博士后，主要研究方向为地表辐射收支参量的遥感反演、产品评价及其时序分析

作者单位：北京师范大学 地理科学学部 遥感科学国家重点实验室；北京师范大学 水科学研究院

准确估算极区地表下行长波辐射具有重要意义。然而，目前的极区SLDR数据产品及SLDR反演算法的精度暂时无法满足相关研究的需要。因此，本文构建了一种新的数据驱动的极区晴天SLDR估算模型。模型共有两层，一层构建了三个机器学习模型，分别为XGBoost、CNN以及Transformer模型，二层为一个Stacking元模型。在模型验证和训练过程中，研究共使用了51个站点的多年观测数据。模型训练的偏差、RMSE以及R²分别为0、14.15 W/m²和0.95，验证结果分别为0.49、15.35 W/m²和0.9。文章进一步对比了ERA5和CERES-SYN产品的SLDR数据在极区晴天情况下的表现。结果表明，本研究所提出的数据驱动模型表现显著优于上述两种产品。本文还分析了模型在不同高程和季节的表现情况，结果表明模型具有良好的鲁棒性。

本研究采用了三类数据集，包括（1）站点观测数据、（2）DEM数据、（3）MODIS产品数据。研究参考了众多广泛使用的参数化模型和混合模型的输入数据，共采用12个参数作为模型输入。这些参数的详细信息见表1。其中，站点观测提供的近地表空气温度（Ta）和相对湿度（RH）是参数化模型的主要输入，反映了近地面低层大气发射的SLDR。气压（PS）数据是对近地面气候条件的补充。DEM 提供的高程数据也作为输入之一，常用于一些混合方法中，对 SLDR 有一定影响。MODIS 27-29 和 31-34 波段的大气顶（TOA）辐亮度主要反映整体大气的热辐射特性。传感器天顶角（SZA）数据也被纳入到模型中，作为 MODIS 波段辐亮度的补充。此外，MYD03 提供的经纬度数据用于 MODIS 产品数据与站点观测、DEM 数据的空间匹配；MYD35 提供的云掩膜（CM）数据用于识别晴云天。

表1 研究使用的主要数据

研究提出了一种新的极区晴天SLDR估算数据驱动模型，模型结构见图1。模型基于三种机器学习算法，分别为是XGBoost、CNN以及Transformer（各模型结构与超参数调节情况详见论文正文及附表），通过Stacking算法进行集成最终实现晴天SLDR估算。在Stacking元模型的选择上，我们做了多种模型尝试，最终选择了基于后向概率的贝叶斯平均算法。值得注意的是，Stacking集成并不是选择基础模型中的最优模型结果进行输出，而是通过统计后将各个基础模型预测的信息进行结合。将每个基础模型的弱点利用其他两个模型的强项去补足，从而使模型在极区晴天SLDR估算任务中获得更强大和稳定的性能。

图1 研究构建的数据驱动模型结构图

研究使用17个未在模型训练过程中用到的站点数据，共由31904个样本数据组成，对模型进行了验证。图2给出了三种基础模型及Stacking集成后的验证结果散点图。

从验证指标来看，三种基础模型中，Transformer模型表现优于其他两种模型（XGBoost和CNN）。其中，Transformer模型验证的Bias、RMSE分别为-0.17和15.69 W/m²，R²达到了0.9，XGBoost模型和CNN模型的Bias分别为0.9和0.27W/m²，RMSE分别为16.72和16.83 W/m²，R²均为0.89。Stacking集成后的模型验证Bias和RMSE分别为0.49 和15.35W/m²，R²为0.9。从评价指标来看，Stacking后模型表现相较于基础模型中的XGBoost和CNN有较大提升，与基础模型中表现最好的Transformer验证表现相当。从散点密度图分布来看，Stacking后模型离散值减少，在实际验证中提升了基础模型的可靠性和鲁棒性。

图 2 模型验证结果散点密度图（a）XGBoost（b）CNN（c）Transformer（d）Stacking

为了进一步证明所提出的数据驱动模型在实际SLDR估算应用中的能力，研究将模型应用在了真实的MODIS/Aqua影像中，同时使用了ERA5提供的近地表气象数据。图3分别显示了 2020 年 1 月 1 日和 2020 年 7 月 1 日数据驱动模型估算的南北极晴天SLDR，空白处表示被云层覆盖的区域。图像分辨率为 1km * 1km，可以提供比 ERA5 和 CERES 等产品更精细的细节信息。同时，本研究提出的数据驱动模型的应用不受地表类型的限制，可以同时估算海洋和陆地区域的 SLDR，这对海洋和海冰分布广泛的极地地区具有重要的实际意义。

图 3 模型估算的南北极晴天 SLDR 地理分布。 (a) 北极，2020 年 1 月 1 日；(b) 南极，2020 年 1 月 1 日；(c) 和 (d) 分别为 2020 年 7 月 1 日的北极和南极

Guo M, Cheng J, Zeng Q. A Data-Driven Model for Estimating Clear-Sky Surface Longwave Downward Radiation Over Polar Regions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-13.（下载）