基于高分辨率遥感影像的微气候预测的空间感知深度学习方法

微气候模型对于将气候与生态过程联系起来至关重要，但大多数基于物理的框架独立地为每个空间单元估计温度，并依赖简化的横向热交换表示。结果是，周围环境条件对局部微气候的影响所涉及的空间尺度仍未得到量化。本文展示了遥感技术如何有助于量化空间背景对微气候温度预测的贡献。基于卷积神经网络原理，我们设计了特定任务的深度神经网络，并训练了一系列输入数据空间范围被系统性变更的模型。使用无人机派生的空间图层和气象数据来预测焦点位置的地面温度，从而直接评估预测准确度随空间背景增加而变化。我们的結果表明，纳入空间相邻信息可显著提高预测准确度，超过约 5-7 米的空间范围后则显示出报酬递减。这一特征尺度表明，地面温度不仅受局部表面属性影响，也受横向热传递和辐射相互作用通过相邻微栖息地传播。空间效应的大小随时间、微栖息类型和局部环境特征而系统性变化，突显了微气候形成中的空间耦合具有情境依赖性。通过将深度学习作为诊断工具而非仅作为预测工具，本方法提供了一种通用且可迁移的方法，用于量化微气候模型中的空间依赖关系，并为开发显式考虑空间相互作用同时保持物理可解释性的混合机械-数据驱动方法提供指导。