本發明涉及近地表氣溫多源數據融合建模，特別涉及一種高分辨率冰川區近地表氣溫空間化方法。
背景技術：
1、在全球變暖背景下，冰川加速消融使得準確獲取近地表氣溫及其空間分布數據變得尤為重要。這些數據不僅對分析冰川消融動態和預測未來冰凍圈變化至關重要，還對理解亞洲季風系統和研究全球氣候變化具有重要的科學價值。作為水文與冰川模型的關鍵輸入參數，近地表氣溫數據的獲取在青藏高原等高海拔地區面臨著嚴峻挑戰。該地區氣象觀測站點分布稀疏，且惡劣的自然環境導致冰川溫度的原位觀測數據十分稀缺，這使得傳統的氣溫監測方法難以滿足實際需求。
2、目前的氣溫監測技術主要存在以下幾個方面的問題。首先，雖然地面站點觀測能夠提供較高精度的實測數據，但由于高海拔地區的極端環境條件，氣象站點布設十分困難，導致數據空間代表性不足。對于高海拔復雜地形區域，在缺乏觀測數據的情況下進行近地表氣溫空間化，數據的準確度難以保證。其次，衛星遙感技術雖然能夠實現地理空間上大范圍的溫度監測，但其自身存在諸多局限性。以landsat系列衛星的地表溫度產品為例，其時間分辨率受制于衛星軌道參數，重訪周期長。同時，存在云層覆蓋等因素造成的影像數據缺失問題。此外，冰雪等高反射率地表的特殊輻射特性以及山地地形造成的遮蔽效應，都會給溫度反演帶來顯著的不確定性。
3、當前，雖然已有研究嘗試將地面觀測、衛星遙感和數值模擬相結合來獲取氣溫數據，但這類多源數據融合方法仍存在明顯不足。一方面，基于衛星地表溫度的反演僅限于晴空條件，在多云天氣下無法獲取有效數據；另一方面，現有方法往往忽略了高海拔地區溫度垂直遞減率隨時間和空間的動態變化特征。特別值得注意的是，在機器學習算法框架下，很少有研究能夠系統性地利用具有明確地理坐標定位的局地溫度數據作為約束條件，來優化基于遙感數據的氣溫反演結果。這一問題在冰川區表現得尤為突出，因為現有框架多數未能充分考慮冰川區特殊的地形和氣候特征。
4、因此，現有技術還有待改進和提高。
技術實現思路
1、鑒于上述現有技術的不足之處，本發明的目的在于提供一種高分辨率冰川區近地表氣溫空間化方法，旨在解決傳統技術依賴稀疏站點插值或單一衛星數據，在復雜地形下誤差顯著，且缺乏對溫度垂直遞減率的動態約束，導致氣溫空間化精度過低的問題。
2、為了達到上述目的，本發明采取了以下技術方案：
3、一種高分辨率冰川區近地表氣溫空間化方法，包括：
4、步驟1、收集冰川區域內氣象觀測站提供的近地表氣溫觀測數據和對應觀測站坐標，按照時間序列建立冰川區域近地表溫度數據樣本集，對樣本集中數值0和無效數據標記為缺失值，保留高質量數據；
5、步驟2、基于冰川區域近地表溫度數據樣本集，建立初步氣溫分布場，將高質量數據采用最近鄰插值法對初步氣溫分布場的網格點賦值，輸出初步氣溫空間分布；
6、步驟3、對缺失值數據采用基于三角剖分的插值處理，將初步氣溫分布場重建為高分辨率氣溫分布場；
7、步驟4、基于氣象觀測站提供的近地表氣溫觀測數據和衛星遙感地表溫度數據，進行時間同步和空間對齊，精進高分辨率氣溫分布場，獲取冰川區近地表氣溫空間化模型；
8、步驟5、通過地面-衛星協同框架將氣象站點實測的近地表溫度數據與經過經緯度坐標校準和波段轉換匹配的衛星遙感地表溫度數據進行整合，并結合數字高程模型構建基準訓練集，對冰川區近地表氣溫空間化模型進行訓練；
9、步驟6、通過溫度垂直遞減率計算和高程變量的反距離加權插值法，對訓練后的冰川區近地表氣溫空間化模型進行誤差校正，并結合冰川區氣溫數據生成近地表氣溫的空間分布場。
10、進一步的，步驟1中，采用孤立森林算法對樣本集中數值0和無效數據標記為缺失值，孤立森林算法從數據樣本集中無放回抽取 φ個默認大小的子樣本，每個子樣本訓練一棵孤立樹，對每棵樹，隨機選擇特征和分割值，特征包括時間、近地表氣溫觀測數據、觀測點坐標，遞歸劃分數據空間，直到數據點被孤立，孤立樹的最大深度設為的向上取整值以避免過擬合，通過隨機分割數據構建樹，異常值因偏離群體，只需少量劃分就可以被孤立到樹的淺層節點，計算異常得分：
11、；
12、其中 h為路徑長度，即數據點從根節點到被隔離的邊數， e( h( x))為點 x在所有樹中的平均路徑長度， φ為子樣本個數 ，c( φ)為路徑長度的歸一化因子，標準化得分范圍0~1，結合冰川氣候背景，動態調整閾值，若異常得分高于閾值判定為異常。
13、進一步的，步驟1中，結合冰川氣候背景，動態調整閾值，若異常得分高于閾值判定為異，其中，針對空間異常，當冰川觀測站區域內某觀測點溫度嚴重偏離周邊站點，即使得分未超閾值也標記為異常，進行缺失值標記；
14、針對極端氣候干擾和晝夜溫差顯著的冰川區域，結合多源數據進行適應性優化，對于寒潮場景，通過引入遙感再分析數據進行空間驗證，若低溫在大范圍內一致，則判定為真實事件并保留數據，對于晝夜溫差大的站點，采用滑動窗口標準化，以7天為窗口計算均值和標準差，當前值超出均值±3倍標準差時方標記為異常，以避免將正常晝夜波動誤判。
15、進一步的，步驟2中，將氣象站覆蓋區域劃分成網格，基于最近鄰算法，將每個氣象站的觀測數據作為對應網格的初始近地表氣溫分布估算值，所采用的氣溫數據來源于不同流域的自動氣象站和溫度記錄儀，將目標覆蓋區域內的氣象站坐標按邏輯順序整理為集合：
16、 x(station)={1,…, x j,…, x n}，其中 x(station)表示氣象站坐標集合， x j表示單個氣象站的坐標, n表示總站點數量；
17、將氣象站覆蓋區域劃分為網格：
18、 x(grid)={1,…, x i,…, x m}，其中 x(grid)表示網格坐標集合， x i表示單個網格的中心坐標， m表示網格點數量；
19、為每個站點分配唯一索引 x(station)={1,…, x j,…, x n}，用于后續匹配，根據氣象站索引編號對網格點與站點距離計算并進行最近鄰匹配；
20、基于最近鄰學習，使用暴力搜索計算每個站點與每個網格中心點之間的距離：
21、；
22、 l表示采用歐氏距離作為度量標準，即標準坐標系下兩點間的直線距離；
23、當站點與網格的索引相同，則將該站點的近地表氣溫值直接賦予對應網格，在氣象站點覆蓋范圍內，觀測值將分配至各臨近網格，形成初始的氣溫分布場，氣象觀測數據用于對周邊站點區域進行賦值，確保每個網格的氣溫數據均源自實際觀測值。
24、進一步的，步驟3中，基于步驟1的缺失值數據，計算數據樣本集的均值和標準差，采用3 σ準則，對超出±3倍標準差的極端溫度觀測值重新賦值，對數據進行清洗與標準化處理，記錄所有異常值的空間分布特征，空間分布特征包括海拔和經緯度信息；然后基于站點坐標構建voronoi圖，使站點作為圖元的中心點實現空間分區，站點的實際坐標即為voronoi單元的中心，進一步利用voronoi單元交點與站點坐標構建delaunay三角網，進行delaunay三角剖分，確保研究區全覆蓋，構建不規則三角網，通過三角插值對初始近地表氣溫分布估算結果進行迭代修正，并計算插值后的網格節點溫度與實測數據的殘差，對殘差大于2°c的節點進行二次插值，迭代殘差優化以提高局部精度，采用自適應閾值優化，確保重建后的溫度場符合實際氣候分布規律。
25、進一步的，在步驟3的插值處理過程中，為避免單站觀測數據誤差導致周邊區域估算值偏高或偏低，需對站網覆蓋區的經過插值的近地表氣溫分布實施平滑函數處理：
26、采用5×5滑動窗口，計算窗口內溫度值的中位數，替換中心像素值，以有效去除噪聲和離群點，動態調整窗口大小，當檢測到窗口內有效數據點比例低于閾值，則擴大窗口以確保足夠樣本；
27、在進行中值濾波時，特別關注冰川-裸巖過渡帶、冰磧區域的關鍵區域，避免過度平滑導致溫度躍遷信息丟失，對冰川表面與非冰川表面分別設定濾波強度閾值，確保小尺度溫度梯度得以保留；
28、對濾波后的溫度場計算局部梯度，當相鄰柵格溫差超過閾值，則降低該區域高斯核的標準差 σ值，以保留氣候突變特征，進行空間連續性優化；
29、采用交叉驗證計算均方根誤差和標準差，確保插值后的溫度場符合觀測趨勢，對殘差較大的區域，結合衛星遙感地表溫度數據進行修正，調整近地表氣溫分布，輸出高分辨率連續近地表溫度場。
30、進一步的，步驟4中，基于氣象觀測站提供的近地表氣溫觀測數據和衛星遙感地表溫度數據，進行時間同步和空間對齊包括：
31、步驟41、氣象觀測站點采集的氣溫數據通常以固定時間周期記錄，相鄰觀測時刻之間存在一定時間間隔，當衛星過境時間位于氣象站點兩次連續觀測時刻之間時，對遙感數據融合中的站點觀測時間進行插值，基于所有可用站點觀測數據擬合一條三階均勻b樣條曲線，將站點氣溫插值至精確的遙感成像時間戳，使溫度數據在時間上完成插值，同衛星中心過境時間相匹配，將各站點內相鄰兩個觀測時刻時段的氣象記錄進行劃分，細分為 n個子區間，各子區間的步長可表示為：
32、；
33、其中，δ t表示時間步長即兩個時間點之間的間隔時長，為時段結束時間，為時段起始時間， n表示細分后的子區間數量，至之間的任意時刻可表示為， i=?0,?1,2,?..., n；
34、步驟42、采用三階均勻b樣條曲線對和時刻對應的氣溫觀測記錄進行插值，每個基函數均為三次多項式，樣條曲線在參數節點空間上均勻分布，每個控制點對應一個基函數，對于兩時間點到間的觀測數據點，其中每個代表時刻氣溫觀測值，該三次樣條插值函數f( t)需滿足以下條件：
35、；
36、其中，為時段起始時間， n表示細分后的子區間數量；至之間的任意時刻表示為， i=?0,?1,?2,?..., n，每段均為按以下規則計算的三次多項式：
37、；
38、對于b樣條表示，該插值函數表示為：
39、；
40、其中，β j( t)?為三次b樣條基函數， α j為根據數據約束條件f i( t i)= y i計算的權重系數，作為三次多項式的f( t)三次樣條插值函數，該函數由基函數與控制點權重相乘后求和，得到插值曲線的表達式，獲取任意衛星中心時間時刻的氣溫值，實現時間同步和空間對齊，精進高分辨率氣溫分布場，獲取冰川區近地表氣溫空間化模型。
41、步驟43、當獲取了遙感衛星的影像時間，但該時刻沒有記錄氣象觀測數據，則預測下一時間點的氣象觀測信息，然后在上一個時刻與該時刻之間對氣溫進行插值，定位與遙感影像時間對齊到特定時間點，并利用該精確時刻的溫度插值結果來代表氣象站的近地表氣溫分布，每個氣象站下一時間點的近地表氣溫采用支持向量回歸進行預測，最終通過最小化總損失和最大化間隔來獲得優化模型；
42、支持向量回歸通過尋找最優超平面來建立回歸模型，最小化預測值與訓練樣本觀測值之間的誤差，對于非線性模型，支持向量回歸使用核函數映射到特征空間，再進行回歸，支持向量回歸的損失函數表示為：
43、；
44、其中， y表示氣象站觀測記錄的氣溫觀測值， η表示近地表氣溫的預測值，為回歸誤差的容忍范圍內，若偏差處于ε范圍內，則不會被判定為誤差，l( y, η)為損失函數，忽略其運算過程中的微小不精確性。
45、進一步的，步驟4中，為有效分析和利用支持向量回歸預測氣溫殘差及其對溫度預測的影響，采用多樣化數據集進行模型訓練，并設置避免過擬合措施。
46、進一步的，步驟5中，基于步驟1-步驟4步驟生成的高分辨率近地表氣溫空間化數據、經過輻射定標和大氣校正的遙感特征反演的地表溫度以及數字高程模型為變量，作為輸入數據準備，通過重采樣使高程數據與溫度空間化網格的空間分辨率保持一致；
47、將所有數據重采樣至統一網格，分辨率與氣溫場一致保持空間對齊，特征矩陣 x網格點包含特征包括冰川空間化近地表氣溫分布、高程變量、遙感數據反演地表溫度，目標變量 y對應網格點的插值氣溫值；
48、劃分訓練集和測試集，確?？臻g分布均勻，避免區域偏置，采用5折交叉驗證優化模型超參數，候選模型為隨機森林回歸，將決策樹回歸作為基線對比模型，采用多層感知機用以驗證非線性關系捕獲能力；
49、在隨機森林模型的訓練過程中，每棵樹基于隨機抽取的子樣本進行獨立訓練，超參數優化采用網格搜索方法，調整的參數包括樹的數量、樹的最大深度以及節點分裂所需的最小樣本數，模型性能通過均方誤差評估預測偏差的大小，并通過決定系數衡量模型對氣溫變化的解釋能力，通過特征重要性分析，得出地表溫度和數字高程模型等變量對氣溫預測的影響程度。
50、進一步的，步驟6中，使用氣象站點數據計算區域溫度垂直遞減率對冰川區修正，當站點位于冰川區，采用局部溫度垂直遞減率，對每個目標網格點根據其海拔和參考站溫度進行修正，進行溫度場海拔校正，若多個站影響目標點，按多站加權平均合并調整后的溫度；基于反距離加權插值法通過周邊氣象站點的觀測數據加權計算目標點的溫度，在數據稀疏區域擴大搜索范圍或補充虛擬站點，并結合氣溫隨高度變化的調整率，生成近地表氣溫的空間分布場，對所有網格點進行反距離加權插值，隨后利用氣溫垂直遞減率進行海拔校正，并在冰川區域采用局部遞減率進一步優化；最后采用交叉驗證方法，將部分站點數據作為驗證集，計算校正前后的均方根誤差和決定系數，同時分析殘差以檢驗高海拔地區的誤差改善情況。
51、本發明所采用的技術方案具有以下有益效果：
52、本發明提供的近地表氣溫多源數據融合方法具有顯著的創新優勢和應用效果。該方法針對高海拔冰川區的特殊環境條件，創新性地整合了地面站點觀測、衛星遙感數據和數字高程模型等多源數據，突破了單一數據源的局限。通過建立冰川優化溫度垂直遞減率修正算法，修正復雜地形條件下的近地表氣溫空間異質性偏差。通過該方法提出的高程約束反距離加權插值技術，調節不同區域的權重分配，降低單一插值方法在地形復雜區域產生的誤差。
53、在實用效果方面，該方法提高了高海拔冰川區近地表氣溫空間化的計算精確度。測試數據表明，經本方法處理后，氣溫數據的均方根誤差平均降低3.2攝氏度，標準差平均減小1.8攝氏度，顯著優于單一線性回歸算法。在冰川表面溫度修正過程中，通過融合近地表觀測數據、高程信息及垂直遞減率校正模型，有效減少了冰川與非冰川區域之間不合理的溫度突變，同時保持了氣溫空間分布的連續性。此外，生成的高分辨率氣溫產品能夠兼顧冰川地區特殊地形對氣溫分布的影響，為冰川變化研究提供了數據支持。
54、該方法還具有良好的適用性和擴展性。針對不同區域和時段的數據特征，可通過動態調節溫度垂直遞減率參數實現自適應優化?；跈C器學習技術的系統性偏差校正，進一步增強模型在不同氣候條件下的穩定性。該方法不僅能滿足科學研究的需要，也可為寒區工程選址、冰凍圈水文模擬等實際應用提供可靠依據。由于大幅降低了對地面站數據的依賴，該方法尤其適用于青藏高原等高海拔冰川區的氣溫監測，可為全球氣候變化背景下的冰川動態研究提供新的模型數據支持和技術手段。