本申請涉及地表溫度估算領(lǐng)域和機器學習領(lǐng)域，特別涉及一種基于機器學習的地表溫度估算方法。

背景技術(shù)：

1、地表溫度作為土壤的一種物理屬性，對植物的生長、發(fā)育等生理過程有著重要的影響，是農(nóng)業(yè)災損評估、生產(chǎn)決策的重要依據(jù)之一。由于當前進行地表溫度觀測的站點有限，觀測歷史較短，地表溫度觀測數(shù)據(jù)遠遠不能滿足應用需求。農(nóng)業(yè)生產(chǎn)中常用近地面氣溫代替地表溫度進行研究，但地表溫度會受到植被覆蓋、輻射、土壤濕度等因素的影響，采用近地面氣溫代替地表溫度誤差較大。因此對地表溫度進行估算具有重要應用需求。

2、當前地表溫度估算方法大多基于近地面氣象觀測數(shù)據(jù)采用線性回歸的方式進行，然而近地面氣象要素與地表溫度之間的關(guān)系非常復雜，并非線性關(guān)系，這類方法只能對單一站點或某一時間段進行擬合，具有時間和地域的局限性，且估算誤差普遍較大。當前尚缺少適用范圍廣、效果優(yōu)的地表溫度估算技術(shù)方案。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供一種基于機器學習的地表溫度估算方法解決了現(xiàn)有地表溫度估算方法僅對單一站點或某一時間段進行擬合，具有時間和地域的局限性，且估算誤差普遍較大的問題。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于機器學習的地表溫度估算方法，包括：

3、s1、收集近地面氣象觀測數(shù)據(jù)，建立氣象資料數(shù)據(jù)庫；

4、s2、整合氣象資料數(shù)據(jù)庫中的氣象數(shù)據(jù)，得到建模所需的樣本；

5、s3、對建模所需的樣本進行逐層遞進的三級情境劃分，分別建立各個情境的訓練數(shù)據(jù)庫；

6、s4、結(jié)合各個情境的訓練數(shù)據(jù)庫，為不同情境分別優(yōu)選模型的最優(yōu)自變量組合與算法；

7、s5、采用各個情境最優(yōu)的自變量組合和算法建立各情境的模型，通過交叉驗證對模型進行逐個測試，確定各個情境下的模型的最適參數(shù)，完成模型訓練；

8、s6、將待估算自變量輸入對應情境的估算模型，進行地表溫度估算。

9、進一步地：s1中建立的氣象資料數(shù)據(jù)庫包括目標地區(qū)氣象站的長時間序列近地面氣象要素逐日觀測數(shù)據(jù)，具體包括：地表溫度、日最高氣溫、日最低氣溫、日平均氣溫、日照時數(shù)和日降水量。

10、進一步地：s2中，描述樣本特征的變量包括日最高氣溫、日最低氣溫、日平均氣溫、日照時數(shù)、日降水量、氣象站編碼和日序；

11、氣象站編碼用于反映下墊面的差異；

12、日序用于反映年內(nèi)不同時間地表溫度與近地面氣象條件之間關(guān)系存在的差異。

13、進一步地：s3中，依次按照氣溫、日照和土壤濕度進行逐層遞進的三級情境劃分；

14、其中，對于劃分氣溫情境和日照情境的閾值的確定步驟，包括：

15、s31、將日最高氣溫、日最低氣溫、日平均氣溫、日照時數(shù)、日降水量、氣象站編碼與日序作為特征變量，將地表溫度逐日觀測數(shù)據(jù)作為目標變量，參考決策樹算法的聚類結(jié)果，確定劃分氣溫和日照情境的所有閾值分別的參考值；

16、s32、以各個閾值的參考值為基準，向上和向下每變化1個單位為一個預設(shè)值，氣溫上下各變化5個單位，日照時數(shù)上下各變化2個單位，形成每個閾值分別的預設(shè)值的數(shù)集 ai={ x1, x2,..., xn}；

17、其中， i代表閾值， n為該閾值的預設(shè)值的個數(shù)；

18、s33、計算所有閾值的預設(shè)值數(shù)集相乘的笛卡爾積，得到全部閾值配置組合；

19、s34、遍歷全部閾值配置組合劃分的各種情境，并代入機器學習模型進行建模；

20、s35、選取所有閾值配置組合中機器學習模型的均方根誤差最低者，作為最優(yōu)閾值配置組合；

21、s36、根據(jù)最優(yōu)閾值配置組合完成氣溫情境和日照情境的劃分；

22、對于土壤濕度情境的劃分，采用滑動窗口法，根據(jù)降水量數(shù)據(jù)，劃分土壤干旱和濕潤情境。

23、進一步地：s4中，為每種情境分別優(yōu)選模型的最優(yōu)自變量組合的方法包括：

24、s401、采用窮舉法對自變量進行組合，得到不同自變量組合；

25、s402、以地表溫度為目標變量，遍歷所有自變量組合并結(jié)合該情境的訓練數(shù)據(jù)庫代入機器學習模型進行擬合實驗；

26、s403、選取擬合實驗結(jié)果中均方根誤差最低的自變量組合作為最優(yōu)自變量組合。

27、進一步地：s4中，為每種情境分別優(yōu)選模型的最優(yōu)算法的方法包括：

28、s411、將最優(yōu)自變量組合分別代入不同的機器學習算法進行擬合實驗；

29、s412、選取擬合實驗結(jié)果中均方根誤差最低的機器學習算法作為最優(yōu)算法。

30、本發(fā)明的有益效果為：

31、1.地表溫度與近地面氣象條件間的響應機制復雜是地表溫度估算的關(guān)鍵難點。相比運用廣泛的時間序列線性回歸方法，機器學習更擅長處理復雜的非線性關(guān)系和高維數(shù)據(jù)，能夠更好地反映響應機制，提高地表溫度估算精度；

32、2.本發(fā)明將氣象站編碼和日序納入估算模型輸入的自變量中，因此所構(gòu)建的模型能夠更好地應用于不同的地區(qū)和不同的時間，提高模型的普適性。此外，在實際的應用過程中，隨著納入數(shù)據(jù)庫中的觀測站點的增多，數(shù)據(jù)庫的擴大，模型的估算效果會進一步提高；

33、3.發(fā)明采用分情境估算的辦法，設(shè)置了“氣溫—日照—土壤濕度”三個層次10種情境的地表溫度估算模型，這也提高了整體的估算精度和實用性。

技術(shù)特征：

1.一種基于機器學習的地表溫度估算方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于機器學習的地表溫度估算方法，其特征在于，s1中建立的氣象資料數(shù)據(jù)庫包括目標地區(qū)氣象站的長時間序列近地面氣象要素逐日觀測數(shù)據(jù)，具體包括：地表溫度、日最高氣溫、日最低氣溫、日平均氣溫、日照時數(shù)和日降水量。

3.根據(jù)權(quán)利要求1所述的基于機器學習的地表溫度估算方法，其特征在于，s2中，描述樣本特征的變量包括日最高氣溫、日最低氣溫、日平均氣溫、日照時數(shù)、日降水量、氣象站編碼和日序；

4.根據(jù)權(quán)利要求1所述的基于機器學習的地表溫度估算方法，其特征在于，s3中，依次按照氣溫、日照和土壤濕度進行逐層遞進的三級情境劃分；

5.根據(jù)權(quán)利要求1所述的基于機器學習的地表溫度估算方法，其特征在于，s4中，為每種情境分別優(yōu)選模型的最優(yōu)自變量組合的方法包括：

6.根據(jù)權(quán)利要求1所述的基于機器學習的地表溫度估算方法，其特征在于，s4中，為每種情境分別優(yōu)選模型的最優(yōu)算法的方法包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于機器學習的地表溫度估算方法，包括：收集近地面氣象觀測數(shù)據(jù)，建立氣象資料數(shù)據(jù)庫；整合氣象資料數(shù)據(jù)庫的氣象數(shù)據(jù)，得到建模所需的樣本；對樣本進行逐層遞進的三級情境劃分，分別建立各個情境的訓練數(shù)據(jù)庫；結(jié)合各個情境的訓練數(shù)據(jù)庫，為不同情境分別優(yōu)選模型的最優(yōu)自變量組合與算法；采用各個情境最優(yōu)的自變量組合和算法建立各情境的模型，通過交叉驗證對模型進行逐個測試，確定各個情境下的模型的最適參數(shù)，完成模型訓練；將待估算自變量輸入對應情境的估算模型，進行地表溫度估算，本申請對地表溫度估算問題展開研究，進行情境劃分，分別搭建各情境的地表溫度估算模型，有效提高了地表溫度估算精度和模型應用的普適性。

技術(shù)研發(fā)人員：劉昕雨,張琪,程明磊
受保護的技術(shù)使用者：南京信息工程大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6