尹 枷 愿，蔡 宏*，田 鹏 举，唐 敏

(1.贵州大学矿业学院，贵州 贵阳 550025；2.贵州省生态气象和卫星遥感中心，贵州 贵阳 550025)

0 引言

地表温度(LST)是大气与地表能量循环中最重要的参数之一[1]，被广泛应用于水文平衡评估、全球变暖研究、城市热岛效应评估和地表蒸散量计算等领域[2-7],然而，受热红外传感器成像条件的影响，地表温度数据产品常因时空分辨率相互制约而无法满足实际应用需求。为此，不少学者提出地表温度降尺度方法以解决该问题，其实质是将其他高分辨率数据信息整合到热红外波段上，以此提高地表温度分辨率。常用的地表温度降尺度方法主要分为基于图像融合降尺度方法和基于尺度因子的统计回归降尺度方法[8]，后者着重研究影响LST变化的物理因素，因操作简单、精度高等而得到广泛应用。

早期统计回归降尺度研究主要探究LST与归一化植被指数(NDVI)[9]、植被覆盖度(VC)[10-12]等植被指数之间的线性关系，并成功应用于地形均匀或同质地区，但在复杂地区的效率不高[13]。因此，不少学者加入更多凸显地形变化和地表类型的尺度因子，例如：Maeda利用海拔、NDVI与LST之间的线性回归关系进行山区降尺度研究[14]；Duan等通过地理加权回归方法建立NDVI和DEM之间的非平稳关系，并成功将河北省华北平原与内蒙古高原过渡地带的LST从1 km降尺度至90 m[15]。尽管传统的统计回归方法取得了一定成效，但考虑到尺度因子与LST之间复杂的非线性关系，一些学者建议将贝叶斯[16]、人工神经网络[17]、支持向量机[18]和随机森林(RF)[19]等机器学习模型用于地表温度降尺度。……