MODIS(Moderate-resolution Imaging Spectroradiometer, 中分辨率成像光谱仪)LST(Land Surface Temperature, 地表温度)产品在大气物质和能量交换、 气候变化研究及地震前兆热异常探测等方面具有重要价值。然而, 由于云的遮挡导致MODIS LST数据产品中存在大量空值, 限制了其广泛应用。为此, 文中提出了一种基于混合模型的地表温度重建方法——SCLSTM(即SSA-CLSTM)。与传统方法相比, 该方法无需建立复杂的回归关系模型。此外, 由于CNN(Convolutional Neural Network, 卷积神经网络)能够充分提取一维时间序列数据的局部特征, 而LSTM(Long Short-Term Memory, 长短期记忆)能够充分学习数据的长时间序列特征, 因此将CNN和LSTM结合能够更加充分地学习数据的潜在特征。首先, 使用SSA(Singular Spectrum Analysis, 奇异谱分析)模型提取出地表温度时间序列中的趋势值用于填补缺值像元, 实现地表温度的初步重建。然后, 再利用SCLSTM(即1DCNN-3层堆叠LSTM)模型学习数据的局部时序特征和长期依赖关系, 并实现对缺失像元的地表温度进行迭代预测, 完成数据的精细重建。新疆和田地区和四川汶川地区的实验结果表明, 文中方法与现有其他2种基于混合模型的重建方法相比, 重建后的LST数据误差最小, 与原始数据的一致性最高。其中, 文中方法的RMSE可降至0.712K, AD为0.695K, 重建后的LST数据与原始数据的相关系数可达0.95以上。此外, 气象站的实测地表温度数据也进一步验证了该方法的可靠性。文中所提方法为基于深度学习的LST重建工作提供了一种新的技术手段和思路, 同时也为基于LST的地表过程和地震热异常研究提供了坚实的数据基础。
