利用时空神经网络模型的长江经济带气温反演

传统基于遥感的气温反演方法往往使用全局模型,从而忽略了气温分布及其时空影响异质性,特别是在较大区域尺度的研究中存在不足.针对长江经济带区域,引入时空地理加权神经网络模型,建立一种高精度的气温估计方法.通过在广义回归网络模型中建立局部模型来顾及时空异质性的影响,融合遥感数据、同化数据、站点数据,获取面域分布的近地表气温信息.采用基于站点的十折交叉验证方法对模型性能进行评估,结果表明,时空地理加权神经网络有效提高了气温估计的精度(均方根误差为1.899℃,平均绝对误差(mean absolute error,MAE)为1.310℃,相关系数为0.976),与多元线性回归和传统的全局神经网络方法相比,MAE值分别降低了 1.112℃和0.378℃.气温空间分布制图结果显示,该方法结果能很好地反映长江经济带气温空间上的差异和不同季节的特征信息,具有实际应用价值.