基于MODIS数据的青藏高原2001–2020年1 km分辨率逐月气温数据集

青藏高原雪、冰和环境数据集专题 II 区论文（已发表） • 版本 ZH3 Vol 8 (3) 2023

A dataset of MODIS-based monthly air temperature with a spatial resolution of 1 km on the Tibetan Plateau from 2001 to 2020

莫亚萍，徐永明，刘勇洪，陈惠娟，祝善友

MO Yaping, XU Yongming, LIU Yonghong, CHEN Huijuan, ZHU Shanyou

DOI: 10.11922/11-6035.csd.2022.0027.zh
CSTR: 32001.14.11-6035.csd.2022.0027.zh
: 10.11922/sciencedb.j00001.00406

： 2022 - 03 - 25

： 2023 - 05 - 04

： 2022 - 07 - 13

： 2023 - 09 - 25

map

6944 44 0

摘要&关键词

摘要：青藏高原近几十年来温度升高趋势明显，是全球变化研究的热点问题之一。然而，青藏高原气象站点数目较少且空间分布严重不均，在一定程度上影响了对青藏高原气候变化的认识。卫星遥感为大尺度气候变化研究提供了一条新的途径。本研究基于多种MODIS遥感数据、DEM数据和地形指数数据提取了月平均白天/夜间地表温度、月无云天数、月平均地表反照率、月平均NDVI、月平均NDSI、海拔和CTI指数等空间自变量，运用Cubist算法通过交叉验证和参数优化构建月平均气温、月平均最高气温和月平均最低气温估算模型，生成青藏高原2001–2020年1 km分辨率遥感月平均气温、月平均最高气温和月平均最低气温数据集。本数据集有助于进一步客观认识青藏高原温度变化规律，为研究青藏高原气候变化提供数据支撑。

关键词：青藏高原；气温；1 km；2001–2020；MODIS

Abstract & Keywords

Abstract: The Tibetan Plateau has experienced a rapid climate rise in recent years, which is a hot issue in the study of global change. However, the meteorological stations are sparsely and unevenly distributed on the Tibetan Plateau, which negatively influences the spatial representativeness of meteorological data on the climate change of the whole plateau. Satellite remote sensing provides a new approach to the large-scale research on the climate change. First, we extracted the monthly daytime land surface temperature, monthly nighttime land surface temperature, monthly clear sky days, monthly surface albedo, monthly NDVI, monthly NDSI, altitude, astronomical radiation radiance and CTI from MODIS remote sensing data, DEM data and CTI datasets. Then, we employed the Cubist algorithm to develop models for estimating monthly average, maximum and minimum air temperature through cross-validation and parameter tuning. Finally, we obtained dataset of MODIS-based monthly air temperature with a spatial resolution of 1 km on the Tibetan Plateau from 2001 to 2020. The dataset is helpful for further understanding the climate change on the Tibetan Plateau, and provides important database for the climate change research on the Tibetan Plateau.

Keywords: Tibetan Plateau; air temperature; 1 km; 2001-2020; MODIS

数据库（集）基本信息简介

数据库（集）名称	基于MODIS数据的青藏高原2001–2020年1 km分辨率逐月气温数据集
数据通信作者	徐永明（xym30@263.net）
数据作者	莫亚萍，徐永明，刘勇洪，陈惠娟，祝善友
数据时间范围	2001-2020年
地理区域	青藏高原（73–105°E，26–41°N）
空间分辨率	1 km
数据量	12.8 GB
数据格式	Geotiff
数据服务系统网址	http://dx.doi.org/10.11922/sciencedb.j00001.00406
基金项目	国家自然科学基金面上项目（41871028）；国家对地观测科学数据中心开放基金（NODAOP2021004）；江苏省研究生科研创新计划项目（KYCX22_1175）。
数据库（集）组成	数据集由3个部分组成，文件名YYYY表示年份，MM表示月份。其中：（1）Tmean_YYYY_MM.tif为月平均气温；（2）Tmax_YYYY_MM.tif为月平均最高气温；（3）Tmin_YYYY_MM.tif为月平均最低气温。

Dataset Profile

Title	A dataset of MODIS-based monthly air temperature with a spatial resolution of 1 km on the Tibetan Plateau from 2001 to 2020
Data corresponding author	XU Yongming (xym30@263.net)
Data authors	MO Yaping, XU Yongming, LIU Yonghong, CHEN Huijuan, ZHU Shanyou
Time range	2001–2020
Geographical scope	Tibetan Plateau (73–105°E, 26–41°N)
Spatial resolution	1 km
Data volume	12.8 GB
Data format	Geotiff
Data service system	<http://dx.doi.org/10.11922/sciencedb.j00001.00406>
Sources of funding	National Natural Science Foundation of China (41871028); the Open Research Fund of National Earth Observation Data Center (NODAOP2021004)；the Postgraduate Research & Practice Innovation Program of Jiangsu Province (KYCX22_1175).
Dataset composition	The dataset is composed of three subsets. YYYY and MM represent the year and the month. (1) “Tmean_YYYY_MM.tif” contains monthly average air temperature. (2) “Tmax_YYYY_MM.tif” contains monthly maximum air temperature. (3) “Tmin_YYYY_MM.tif” contains monthly minimum air temperature.

map

引言

近地表气温是表征地表热环境特征的重要气象指标，与人们生活及植被生长密切相关，对于气候变化、城市热岛、生态环境、农业生产、公共健康等多个领域的研究有着重要价值^[1-3]。气温在地表与大气之间能量与水分循环过程中起着关键作用，是气象、水文、生态等地球系统模型的重要输入参数^[4-5]。由于受到纬度、海拔、植被覆盖等时空多变要素的影响，气温存在显著的时空差异性。气象站点观测能够提供点尺度的气温观测，但是由于站点数据有限并且分布不均，无法很好反映温度的空间差异，也不能满足地球系统模型对气温格网输入数据的需求^[6-8]。空间插值虽然能够将站点观测气温转换为空间连续的格网气温，但是在站点稀疏或者下垫面复杂区域，插值效果不够理想^[9-10]。卫星遥感能够提供比站点观测更好的空间覆盖和空间细节差异，为大尺度温度变化监测提供了新的途径^[11]。

青藏高原是世界上海拔最高的高原，被视为地球“第三极”。由于其较高的海拔，在区域和全球气候变化中扮演了重要角色，是全球变化研究的热点区域^[12-13]。自20世纪后半段以来，青藏高原经历了显著的升温过程^[14-15]。青藏高原的升温导致了一系列生态和环境问题，包括冰川退缩、冻土消融、生态退化、物候期提前等^[16-18]。由于地形、交通等因素影响，青藏高原气象站点数目很少且空间分布严重不均，在一定程度上影响了对青藏高原气候变化的认识，并有可能带来分析理解上的偏差。目前有一些研究针对青藏高原地区研制了气温格网数据集，但是这些数据集通过气象站点观测数据插值或者气象再分析数据空间降尺度生成，不能很好描述气温的空间细节变化^[19-21]。本研究基于MODIS遥感数据、SRTM DEM数据和综合地形指数CTI数据，估算青藏高原地区2001–2020年1 km分辨率月平均气温、月平均最高气温和月平均最低气温，为青藏高原气候变化研究提供数据支撑。

1 数据采集和处理方法

1.1 研究数据

遥感数据主要为Terra/MODIS遥感数据，具体包括地表温度产品、反射率产品、反照率产品等。地表温度产品为逐日1 km分辨率地表温度产品MOD11A1，提供了白天和夜间地表温度等数据；反射率产品为8天合成500 m分辨率地表反射率产品MOD09GA，提供了第1–7波段的大气校正后地表真实反射率数据；反照率产品为逐日500 m分辨率地表反照率产品MCD43A3，提供了第1–7波段以及整个短波波段的黑空和白空反照率。此外，还使用了90 m分辨率的SRTM /DEM数据以及英国自然环境研究委员会环境信息技术中心提供的全球地形指数数据。

气象数据为青藏高原地区135个气象站点提供的2001–2020年期间日平均气温、日最高气温和日最低气温。研究区范围以及气象站点的空间分布见图1。基于日平均气温、日最高气温和日最低气温进行月平均处理，得到月平均气温、月平均最低气温与月平均最高气温。

图1 数据空间范围及气象站点分布示意图

Figure 1 Spatial scope and the distribution of meteorological stations of the dataset

1.2 数据处理

基于Google Earth Engine平台对MODIS等遥感数据进行预处理。由于云覆盖造成遥感数据中存在较多的缺失值，需要进行月合成处理。从MODIS逐日地表温度产品MOD11A1提取白天、夜间地表温度和质量控制QC信息，取各个月内有效温度值进行平均，得到月平均白天和夜间地表温度，并统计各个月的无云天数。从MODIS逐日地表反照率产品MCD43A3中提取短波波段黑空反照率进行月平均合成处理，对月合成处理后仍然存在的缺失值利用15×15的滑动窗口平均值进行填补，得到月平均地表反照率。从MODIS 8天合成地表反射率产品MOD09GA中提取第1、2、4和6波段反射率，进行月合成处理后计算月平均归一化植被指数NDVI和归一化雪盖指数NDSI。从SRTM/DEM数据提取地表海拔，计算月平均天文辐射，从地形指数数据提取综合地形指数CTI。将计算得到的所有空间数据统一重采样到1 km分辨率。

1.3 气温估算方法

之前的研究表明，能拟合复杂非线性关系的机器学习模型在遥感气温估算方面的表现明显优于传统的统计模型，其中Cubist等集成学习模型表现尤为突出^[22]。因此，本研究选择Cubist模型估算青藏高原气温。Cubist是一种在M5模型树基础上扩展的基于规则的线性回归树预测模型。该方法采用分类响应的方法进行递归划分所有变量，然后建立树状模型。其节点建立的是基于自变量的多元线性最小二乘模型，以一系列组合起来的分段线性模型很好地解决了非线性问题^[23]。

参考前人研究，以月平均白天地表温度、月平均夜间地表温度、月内无云天数、月平均地表反照率、月平均NDVI、月平均NDSI、月平均天文辐射、海拔和CTI为自变量构建Cubist模型。表1给出了上述自变量的选择依据。

表1 气温估算模型自变量的选择依据

自变量	选择依据
月平均白天地表温度	地表温度是与气温之间存在强相关，是气温遥感估算的最重要输入变量
月平均夜间地表温度	地表温度是与气温之间存在强相关，是气温遥感估算的最重要输入变量
月内无云天数	月内无云天数表征月内云覆盖状况，是影响到达地表太阳辐射的重要因素
月平均地表反照率	地表反照率表征地表吸收入射太阳辐射的能力，是地表能量平衡过程的关键因子
月平均NDVI	NDVI表征植被覆盖状况，植被通过蒸散和冠层遮蔽等产生降温效应
月平均NDSI	NDSI表征积雪覆盖状况，积雪覆盖影响地表辐射和热特性，进而影响气温
月平均天文辐射	天文辐射表征没有大气影响下到达地表的太阳辐射，是地表能量平衡过程的关键因素
海拔	海拔是影响气温的重要因素，通常情况下海拔越高气温越低
CTI	CTI表征地形凹凸和形态的不同，反映了局地地形对气温的影响

提取气象站点对应遥感影像像元的这9个空间自变量值，分别以月平均气温、月平均最高气温和月平均最低气温为因变量，逐年拟合Cubist模型。在拟合过程中，通过参数随机化搜索方法进行参数优化，通过5折交叉验证对各参数组合的精度进行验证，计算平均绝对误差MAE和判定系数R²作为评价指标，确定最优的参数组合构建最终气温估算模型。

逐年将构建的月平均气温、月平均最高气温和月平均最低气温估算模型应用于该年的月平均白天地表温度、月平均夜间地表温度、月内无云天数、月平均地表反照率、月平均NDVI、月平均NDSI、海拔、月平均天文辐射和CTI这9个空间自变量，得到青藏高原月平均气温、月平均最高气温和月平均最低气温。

除了遥感估算之外，空间插值是获取空间连续气温的另一种常见思路。空间插值方法包括样条函数插值法、趋势面插值法、反距离权重插值法、泰森多边形插值法、克里金插值法等。其中，克里金方法是建立在变异函数理论和结构分析基础上，在有限区域内对区域化变量进行无偏最优估计的一种方法，被广泛应用于各类观测要素的空间插值。协同克里金方法是普通克里金方法的扩展，引入辅助变量对主要变量进行空间插值估算，提升了插值精度。本研究以上述9个自变量（月平均白天地表温度、月平均夜间地表温度、月内无云天数、月平均地表反照率、月平均NDVI、月平均NDSI、月平均天文辐射、海拔和CTI）为协同变量，运用协同克里金方法对站点观测月平均气温、月平均最高气温和月平均最低气温分别进行空间插值，计算MAE、RMSE和R²，将协同克里金方法插值精度与Cubist模型遥感估算精度进行对比，评估在青藏高原地区遥感估算和空间插值两种方法的表现。

2 数据样本描述

2.1 命名格式

青藏高原2001–2020年1 km分辨率逐月气温数据集由3个部分组成，分别为青藏高原2001–2020年月平均气温、月平均最高气温和月平均最低气温，每个月1个文件。其命名规则如下：

（1）Tmean_YYYY_MM.tif为月平均气温，YYYY表示年份，MM表示月份；

（3）Tmax_YYYY_MM.tif为月平均最高气温，YYYY表示年份，MM表示月份；

（3）Tmin_YYYY_MM.tif为月平均最低气温，YYYY表示年份，MM表示月份。

2.2 部分数据样本示例

图2–4分别给出了青藏高原2020年1月、4月、7月和10月的月平均气温、月平均最高气温和月平均最低气温示例图。

图2 青藏高原2020年1月、4月、7月和10月月平均气温空间分布图

Figure 2 Distribution of the monthly average air temperature on the Tibetan Plateau in April, July and October, 2020

图3 青藏高原2020年1月、4月、7月和10月月平均最高气温空间分布图

Figure 3 Distribution of the monthly maximum air temperature on the Tibetan Plateau in January, April, July and October, 2020

图4 青藏高原2020年1月、4月、7月和10月月平均气温空间分布图

Figure 4 Distribution of the monthly minimum air temperature on the Tibetan Plateau in January, April, July and October, 2020

3 数据质量控制和评估

在逐年利用Cubist模型估算青藏高原地区月平均气温、月平均最高气温和月平均最低气温的过程中，采用5折交叉验证的方式对模型进行精度验证，计算平均绝对误差MAE和判定系数R²作为精度指标。表2给出了2001–2020年的气温估算精度。月平均气温的MAE在1.01–1.14℃之间，RMSE在1.34–1.54℃之间，R²大部分都为0.97；月平均最高气温的MAE在1.06–1.22℃之间，RMSE在1.40–1.61℃之间，R²大部分都为0.96；月平均最低气温的MAE在1.28–1.41℃之间，RMSE在1.68–1.88℃之间，R²大部分都为0.96。

表2 青藏高原2001–2020年气温遥感估算精度

年份	月平均气温			月平均最高气温			月平均最低气温
年份	MAE (℃)	RMSE (℃)	R²	MAE (℃)	RMSE (℃)	R²	MAE (℃)	RMSE (℃)	R²
2001	1.03	1.42	0.97	1.10	1.47	0.97	1.29	1.74	0.96
2002	1.02	1.39	0.97	1.06	1.40	0.97	1.33	1.76	0.96
2003	1.11	1.53	0.97	1.16	1.60	0.96	1.39	1.86	0.96
2004	1.08	1.46	0.97	1.15	1.53	0.96	1.33	1.76	0.96
2005	1.14	1.54	0.97	1.19	1.58	0.96	1.37	1.82	0.96
2006	1.06	1.43	0.97	1.15	1.53	0.96	1.29	1.73	0.96
2007	1.01	1.34	0.98	1.11	1.44	0.97	1.28	1.68	0.97
2008	1.07	1.44	0.97	1.14	1.52	0.97	1.34	1.77	0.96
2009	1.11	1.50	0.97	1.16	1.54	0.96	1.36	1.78	0.96
2010	1.11	1.53	0.97	1.17	1.56	0.96	1.38	1.85	0.96
2011	1.08	1.49	0.97	1.19	1.61	0.96	1.30	1.73	0.97
2012	1.11	1.50	0.97	1.19	1.59	0.96	1.38	1.82	0.96
2013	1.01	1.50	0.97	1.11	1.57	0.96	1.29	1.77	0.97
2014	1.09	1.51	0.97	1.19	1.60	0.96	1.32	1.77	0.96
2015	1.05	1.44	0.97	1.10	1.46	0.96	1.33	1.79	0.96
2016	1.08	1.49	0.97	1.19	1.58	0.96	1.33	1.79	0.96
2017	1.12	1.50	0.97	1.22	1.61	0.96	1.38	1.82	0.96
2018	1.13	1.54	0.97	1.20	1.59	0.96	1.39	1.86	0.96
2019	1.05	1.41	0.97	1.16	1.52	0.97	1.31	1.71	0.97
2020	1.07	1.51	0.97	1.15	1.54	0.96	1.41	1.88	0.96

图5分别给出了2020年月平均气温、月平均最高气温、月平均最低气温遥感估算值与站点观测值散点图。图中可见，绝大多数样本均分布在1:1线附近，并且没有明显的高估或者低估现象，说明估算效果良好。

图5 2020年月平均气温、月平均最高、月平均气温遥感估算值与站点观测值散点图

Figure 5 Scatter plots between the remote sensing estimates and site observations of monthly average, monthly maximum and monthly minimum air temperature in 2020

另外需要特别指出的是，将2001–2020年共20年的样本整体用于拟合Cubist模型，月平均气温、月平均最高、月平均气温交叉验证MAE分别为0.72℃、0.84℃和0.91℃，精度明显高于逐年建模的结果。但是，考虑到如果将20年数据用于构建模型估算2001–2020年气温，在未来估算2021年及以后年份气温时，必然需要重新以2001年至2021年或更晚年份的数据重新训练Cubist模型，将其应用于所有年份重新估算气温。由于训练样本变化会引起模型变化，导致重新估算的2020年及之前气温数值发生变化，不利于数据集长期稳定更新。基于这样的考虑，采用逐年建模估算的方式生成青藏高原气温数据集。

利用协同克里金方法对青藏高原地区月平均气温、月平均最高气温和月平均最低气温进行逐月空间插值，同样采用5折交叉验证的方式进行精度验证，并逐年计算MAE、RMSE和R²。月平均气温的MAE在2.58–2.78℃之间，RMSE在3.24–3.47℃之间，R²在0.83–0.86之间变化；月平均最高气温的MAE在2.76–2.97℃之间，RMSE在3.43–3.65℃之间，R²在0.79–0.82之间变化；月平均最低气温的MAE在2.71–2.89℃之间，RMSE在3.42–3.66℃之间，R²在0.85–0.87之间变化。与Cubist模型估算精度相比，协同克里金插值精度明显偏低。空间插值方法对站点数量和分布有很大的依赖性，青藏高原地区气象站点数目偏少且分布不均，这可能是协同克里金方法精度偏低的主要原因。因此，在该地区更合适运用遥感估算的方法生成空间连续的气温格网数据。

4 数据价值

青藏高原地区2001–2020年1 km分辨率逐月数据集提供了青藏高原地区高分辨率的气温格网数据，相比于气象站点观测数据与再分析数据能够更好地反映该地区温度的精细时空变化。该地区具有幅员辽阔、地形复杂、海拔高以及气象站点稀疏等特点，本数据集为该地区的气候变化、增温海拔依赖性、生态环境评估等研究提供了重要的科学支撑数据。

5 数据使用方法和建议

本数据集为青藏高原地区2001–2020年1 km分辨率月平均气温、月平均最高气温和月平均最低气温的公开共享数据产品，数据以浮点型数据方式存储，像元值表示温度，单位为摄氏度，可以直接使用而不需要进行真值转换。文件格式为GeoTiff格式，可通过ENVI、ArcGIS等遥感和GIS软件直接打开和处理。

[1]

WANG A H, ZENG X B. Development of global hourly 0.5° land surface air temperature datasets[J]. Journal of Climate, 2013, 26(19): 7676–7691. DOI:10.1175/jcli-d-12-00682.1.