Key points are not available for this paper at this time.
Die Landoberflächentemperatur (LST) ist eine wichtige Ressource für eine Vielzahl von Aufgaben. Die Daten sind größtenteils kostenlos und kombinieren hohe räumliche und zeitliche Auflösung mit zuverlässiger Datenerfassung über einen historischen Zeitraum. Wenn Fernerkundung eingesetzt wird, um LST-Daten bereitzustellen, wie das MODA11-Produkt, das Informationen von den MODIS-Sensoren an NASA-Satelliten nutzt, kann die Datenerfassung durch Wolken oder Wolkenschatten behindert werden, wodurch die Sicht der Sensoren auf verschiedene Bereiche der Welt verdeckt wird. Dies erschwert es, die hohe Auflösung der Daten voll auszuschöpfen. Eine gängige Lösung zur Interpolation von LST-Daten sind statistische Interpolationsmethoden, wie das Anpassen von Polynomen oder die dünne Plattenspline-Interpolation. Diese Methoden haben Schwierigkeiten, zusätzliches Wissen über das Forschungsgebiet zu integrieren und lokale Abhängigkeiten zu lernen, die den Interpolationsprozess unterstützen können. Wir schlagen einen neuartigen Ansatz zur Interpolation von Fernmessdaten zur LST in einem festen Forschungsgebiet vor, wobei lokale Lufttemperaturmessungen an Bodenstandorten berücksichtigt werden. Der zweistufige Ansatz besteht darin, die LST aus Lufttemperaturmessungen dort zu lernen, wo sich die Wetterstationen am Boden befinden, und die verbleibenden fehlenden Werte mit partiellen Faltungen innerhalb einer U-Net-Tiefenlernarchitektur zu interpolieren. Unser Ansatz verbessert die Interpolation der LST für unser Forschungsgebiet um 44 % in Bezug auf den RMSE im Vergleich zu modernsten statistischen Methoden. Durch die Verwendung der Lufttemperatur können wir eine Abdeckung von 100 % bieten, selbst wenn keine gültigen LST-Messungen verfügbar waren. Die resultierende nahtlose Abdeckung hochauflösender LST-Daten wird helfen, das volle Potenzial der Fernerkundung von LST-Daten zu erschließen.
Huber et al. (Do,) haben diese Frage untersucht.