Drei Skalen des LST-Mangels für simulierte Wolkenkontaminationen wurden untersucht. Darunter der geringe Mangel von 30%, der mittlere Mangel von 51% und der hohe Mangel von 75%. Clouds haben seit Jahrzehnten die Fernerkundung der Bodentemperatur beeinträchtigt, die eine der wichtigsten Metriken des Erdsystems ist. Ein neuer Ansatz mit Hilfe von Maschinellem Lernen scheint diese Herausforderung gelöst zu haben. Traditionelle Techniken, die educated guesses über Temperaturen unter den Wolken machen, sind hilfreich, leiden jedoch unter signifikanten Fehlern. Ein neuer Ansatz nutzt eine neuartige Radar-Technik, bessere Höhenmodelle und Maschinelles Lernen.
Die Messung der Oberflächentemperatur der Erde durch Satelliten- oder Luftsensorik ist entscheidend für die Überwachung verschiedener Umweltbedingungen. Landflächen-Temperaturmessungen werden für zahlreiche Anwendungen wie Wassermangelanalysen, Klimawandelüberwachung, Vorhersage von Waldbränden, Landwirtschaft, Städteplanung und vieles mehr verwendet. Leider stellen Wolken erhebliche Hindernisse bei der Fernerkundung dar, insbesondere in Regionen mit dauerhafter Bewölkung, was zu ungenauen oder unvollständigen Messungen führen kann. Die Interpolation von Datenlücken aufgrund von Wolken war bislang eine gängige Methode zur Erreichung genauerer Ergebnisse.
Fortgeschrittene Algorithmen und Modelle wurden entwickelt, um die Bodentemperatur zu rekonstruieren. Dabei spielen Maschinelles Lernen und Tiefe Neuronale Netze eine wichtige Rolle. Auch Synthetische Apertur-Radar (SAR) konnte als ergänzendes Instrument genutzt werden, um optische Daten zu rekonstruieren. SAR kann Wolken durchdringen und wertvolle Informationen liefern. Außerdem können Digitale Höhenmodelle (DEMs) das Verständnis von Geländeauswirkungen auf die Temperatur verbessern und bessere Vorhersagen ermöglichen. Die Forscher haben DEMs mit SAR integriert, um die Genauigkeit ihrer Bodentemperaturmodelle zu verbessern. Ihr neues Modell wurde Synthetic Aperture Radar and Digital Elevation Model-integrated Land Surface Temperature (SDX-LST) genannt.
Das SDX-LST-Modell ermöglichte präzise Vorhersagen der Bodentemperatur unabhängig von Wolkenbedeckung, Vegetationstyp und Gelände. Dies wurde in verschiedenen Testgebieten überprüft. Die Forscher arbeiten nun daran, ihr Modell weiter zu verbessern. Maschinelles Lernen und fortschrittliches Radar haben somit das Problem der Wolkenbedeckung in der Fernerkundung gelöst.