使用核机器将 SMAP L3 亮度温度降尺度至 9km

在本研究中，使用机器学习算法将 SMAP 亮度温度(T$_{\textrm{B}}$)从 36km 降尺度至 9km。它利用图像分割基于气象和土地覆盖相似性对研究区域进行聚类，随后采用基于支持向量机的回归计算所有像素处降尺度后 T$_{\textrm{B}}$ 的值。高分辨率遥感产品如地表温度、归一化植被指数、增强植被指数、降水、土壤质地和土地覆盖被用于降尺度。该算法于 2015 年 4 月至 7 月在美国艾奥瓦州实施，并与 9km 的 SMAP L3_SM_AP T$_{\textrm{B}}$ 产品进行比较。发现降尺度后的 T$_{\textrm{B}}$ 与 SMAP-T$_{\textrm{B}}$ 产品非常相似，即使在植被覆盖区域平均差异 $\leq$ 5K。然而，降尺度的标准差比 AP 产品低 7K。降尺度后 T$_{\textrm{B}}$ 的概率密度函数与 SMAP-T$_{\textrm{B}}$ 相似。结果表明该算法可用于在网格上利用复杂的非线性相关性对 T$_{\textrm{B}}$ 进行降尺度。