基于物理引导深度学习的 2 km 分辨率逐时气温不确定性感知制图
计算机视觉与模式识别
2025-09-17 v1 机器学习
摘要
近地表气温是地球表面的一个关键物理属性。尽管气象站提供连续监测，卫星提供广阔的空间覆盖，但没有单一数据源能以时空无缝的方式提供数据。在此，我们提出一种数据驱动的物理引导深度学习方法，以生成美国本土 2 km 分辨率的逐时气温数据。该方法被称为 Amplifier Air-Transformer，首先重建被云遮挡的 GOES-16 地表温度数据。它通过一个编码了年温度周期的神经网络来实现，结合一个用于在更精细尺度上放大 ERA5 温度值的线性项，以及用于捕捉时空变化的卷积层。然后，另一个神经网络利用地表温度与关键地球表面属性之间的潜在关系，将重建的地表温度转换为气温。该方法进一步通过深度集成学习进行预测不确定性估计，以提高可靠性。所提出的方法基于美国本土（2018-2024）的 777 亿个地表温度像元和来自气象站的 1.55 亿条气温记录进行构建和测试，在站点验证中实现了 1.93 C 的逐时气温制图精度。所提出的方法简化了地表温度重建和气温预测，并可扩展至其他卫星数据源，以实现高时空分辨率的无缝气温监测。本研究生成的数据可从 https://doi.org/10.5281/zenodo.15252812 下载，项目网页可在 https://skrisliu.com/HourlyAirTemp2kmUSA/ 找到。
引用
@article{arxiv.2509.12329,
title = {Uncertainty-Aware Hourly Air Temperature Mapping at 2 km Resolution via Physics-Guided Deep Learning},
author = {Shengjie Kris Liu and Siqin Wang and Lu Zhang},
journal= {arXiv preprint arXiv:2509.12329},
year = {2025}
}