基于时间相关与集成学习的卫星土壤湿度空间降尺度
计算机视觉与模式识别
2016-01-22 v1
摘要
开发了一种新算法，通过利用卫星尺度（10-40 km）获取的土壤湿度(SM)与更精细尺度历史辅助数据的时间相关性，对其降尺度(downscale)。包含此类相关性极大地减少了所需训练集的大小，解释了时间滞后关系，并使得即使在辅助数据存在短期缺口时也能降尺度。该算法基于装袋回归树(bagged regression trees, BRT)，并使用高分辨率遥感产品与SM观测之间的相关性。算法训练多个回归树并自动选择产生最佳降尺度估计的树。使用美国佛罗里达州中北部两年的多尺度合成数据集对该算法进行了评估，包括每年两季玉米和一季棉花的生长季。当除过去七天的时态相关性和过去一年的所有可用数据外，使用0.02%的数据进行训练时，发现该区域的时间平均误差为0.01 ，标准差为0.012 。对于棉花地表覆盖的像素，该算法在降尺度SM中获得的空间平均最大误差为0.005 。当降尺度当天的地表温度(LST)未包含在算法中以模拟“数据缺口”时，在降尺度当天LST不可用时，空间平均误差最小增加了0.015 。结果表明，基于BRT的算法在异质微气象条件下利用复杂非线性时空相关性降尺度SM提供了高精度。
引用
@article{arxiv.1601.05767,
title = {Spatial Scaling of Satellite Soil Moisture using Temporal Correlations and Ensemble Learning},
author = {Subit Chakrabarti and Jasmeet Judge and Tara Bongiovanni and Anand Rangarajan and Sanjay Ranka},
journal= {arXiv preprint arXiv:1601.05767},
year = {2016}
}