[论文解读] Deep learning-based air temperature mapping by fusing remote sensing, station, simulation and socioeconomic data

Huanfeng Shen, Yun Jiang+4 more|arXiv (Cornell University)|Jan 14, 2020

Urban Heat Island Mitigation参考文献 58被引用 5

一句话总结

本研究提出一种基于深度置信网络（DBN）的框架，通过融合多源数据（包括遥感、地面站观测、再分析模拟和经济社会变量）对中国日最高气温（Ta）进行空间映射。五层DBN模型表现出高精度（RMSE: 1.996°C，MAE: 1.539°C，R: 0.986），优于MLR、BPNN和随机森林模型，证明了深度学习在异质数据源下进行时空Ta估算的有效性。

ABSTRACT

Air temperature (Ta) is an essential climatological component that controls and influences various earth surface processes. In this study, we make the first attempt to employ deep learning for Ta mapping mainly based on space remote sensing and ground station observations. Considering that Ta varies greatly in space and time and is sensitive to many factors, assimilation data and socioeconomic data are also included for a multi-source data fusion based estimation. Specifically, a 5-layers structured deep belief network (DBN) is employed to better capture the complicated and non-linear relationships between Ta and different predictor variables. Layer-wise pre-training process for essential features extraction and fine-tuning process for weight parameters optimization ensure the robust prediction of Ta spatio-temporal distribution. The DBN model was implemented for 0.01° daily maximum Ta mapping across China. The ten-fold cross-validation results indicate that the DBN model achieves promising results with the RMSE of 1.996°C, MAE of 1.539°C, and R of 0.986 at the national scale. Compared with multiple linear regression (MLR), back-propagation neural network (BPNN) and random forest (RF) method, the DBN model reduces the MAE values by 1.340°C, 0.387°C and 0.222°C, respectively. Further analysis on spatial distribution and temporal tendency of prediction errors both validate the great potentials of DBN in Ta estimation.

研究动机与目标

• 开发一种基于多源数据的高分辨率时空气温（Ta）制图方法，用于中国区域。
• 解决Ta与多样化环境及经济社会预测因子之间非线性和复杂关系的挑战。
• 通过利用深度学习提升Ta估算精度，改进传统统计与机器学习模型。
• 验证深度置信网络（DBN）在捕捉时空Ta变化方面的鲁棒性与泛化能力。

提出的方法

• 采用五层深度置信网络（DBN）来建模Ta与预测变量之间复杂的非线性关系。
• 应用分层预训练从输入数据中提取分层特征，随后进行微调以优化网络权重。
• 输入数据包括遥感数据（如地表温度）、地面站观测数据、再分析模拟输出以及经济社会指标。
• 基于全国尺度数据集（空间分辨率为0.01°）采用10折交叉验证策略进行模型训练与验证。
• DBN通过堆叠自编码器架构整合异质数据源，实现端到端的特征学习与预测。
• 通过独立测试集上的RMSE、MAE和决定系数（R²）评估模型性能。

实验结果

研究问题

• RQ1 深度置信网络能否有效融合多源数据（遥感、地面站、模拟和经济社会数据），以提升日最高气温的制图精度？
• RQ2 DBN模型在预测不同气候与地形区域的Ta时，相较于传统方法（如多元线性回归、反向传播神经网络和随机森林）表现如何？
• RQ3 基于DBN的Ta制图中，预测误差的空间与时间分布特征如何？这揭示了模型的何种可靠性？
• RQ4 经济社会数据与模拟气象数据在多大程度上提升了基于深度学习的Ta估算精度？

主要发现

• DBN模型在全国尺度上实现均方根误差（RMSE）为1.996°C，平均绝对误差（MAE）为1.539°C，决定系数（R）为0.986。
• 与多元线性回归（MLR）相比，DBN将MAE降低1.340°C；与反向传播神经网络（BPNN）相比降低0.387°C；与随机森林（RF）相比降低0.222°C。
• 空间误差分析显示，模型在不同地形与气候区域均表现出一致的预测性能，表明其具有良好的泛化能力。
• 时间误差分析显示误差随时间变化极小，证实模型在捕捉季节性和昼夜Ta变化方面的稳定性。
• 引入经济社会数据与模拟气象数据显著提升了模型精度，尤其在城市地区与数据稀疏区域表现更优。
• 分层预训练与微调策略增强了特征提取能力与模型收敛性，从而提升了预测性能。