Wolken waren seit Jahrzehnten ein Schreckgespenst für die Fernerkundung der Bodenoberflächentemperatur, einem der wichtigsten metrischen Systeme der Erde, das alles von der Verfolgung des Klimawandels bis zur Vorhersage von Waldbränden betrifft. Ein neuer Ansatz unter Verwendung von maschinellem Lernen scheint diese Herausforderung gelöst zu haben.
Die Bodenoberflächentemperaturverfolgung mittels Fernerkundung wird oft von Wolken bedeckt. Traditionelle Techniken, die educated guesses über Temperaturen unter den Wolken machen, sind hilfreich, leiden aber unter signifikanten Fehlern. Ein neuer Ansatz, der eine neuartige Radar-Technik, bessere Höhenmodelle und maschinelles Lernen integriert, könnte eine bahnbrechende Lösung sein. Eine Studie über diesen neuen Ansatz wurde am 26. Juni im Journal of Remote Sensing veröffentlicht.
Die Messung der Oberflächentemperatur der Erde durch Satelliten- oder Luftfahrtssensoren (Fernerkundung) ist entscheidend für die Überwachung einer Vielzahl von Umweltbedingungen, von der Kartierung der Gesundheit der Vegetation bis zur Beurteilung des Wasserstress, der Überwachung des Klimawandels und der Vorhersage von Waldbränden. Sie ist für die Landwirtschaft unerlässlich, wo sie die Bewässerungspraktiken beeinflusst, und wird von politischen Entscheidungsträgern und Planern verwendet, um Wettermuster zu beobachten, den städtischen Wärmeinsel-Effekt zu studieren und Naturkatastrophen vorherzusagen. Die Bodenoberflächentemperatur ist einfach eine der wichtigsten Metriken, die die Gesellschaft verfolgen muss.
Leider stellen Wolken eine signifikante Herausforderung in der Fernerkundung dar, indem sie die Sicht auf die Erdoberfläche behindern und zu erheblichen Lücken bei der Datensammlung führen können. Dies kann zu ungenauen oder unvollständigen Messungen der Bodenoberflächentemperatur führen. Insbesondere in Regionen mit anhaltender Bewölkung haben Forscher oft Schwierigkeiten, zuverlässige Daten zu erhalten. Um das Problem der Wolkenbedeckung zu überwinden, haben Forscher bisher Interpolationsmethoden verwendet. Wo immer eine Lücke in den aufgrund von Wolkenbedeckung gesammelten Daten besteht, werden die Beobachtungen auf beiden Seiten der Wolken verwendet, um vorherzusagen, welche Temperatur unter den Wolken vorliegen muss.
Ein neuer Ansatz, der fortschrittliche Algorithmen und Modelle verwendet, um die Bodenoberflächentemperatur zu rekonstruieren, maschinelles Lernen und Deep-Learning-Techniken zu integrieren, um die Genauigkeit der Vorhersagen zu verbessern. Zudem hat das Synthetic Aperture Radar (SAR) als ergänzendes Werkzeug an Bedeutung gewonnen, da es kann Wolken durchdringen und wertvolle Informationen zur Rekonstruktion optischer Daten bereitstellen kann. Darüber hinaus können zwei oder mehr SAR-Bilder verglichen werden, um Veränderungen in der Erdoberfläche zu erkennen, wie Landabsenkungen, Deformationen oder Veränderungen in der Vegetation.
Die Autoren des Papiers haben ein neues Modell namens Synthetic Aperture Radar and Digital Elevation Model-integrated Land Surface Temperature (SDX-LST) Rekonstruktionsmodell entwickelt. Es generiert klare Bodenoberflächentemperaturdaten, auch in Regionen mit umfangreicher Wolkenbedeckung, mit hoher Auflösung (bis zu 30 Metern). Schließlich testeten sie ihr Modell über dem Lössplateau südöstlich der Wüste Gobi, dem Qinghai-Tibet-Plateau, Chinas Nordosten und den nördlichen Ebenen, den Nanling-Bergen und schließlich dem Desert Rock in Nevada. Ihr SDX-LST-Modell ermöglichte präzise Vorhersagen der Bodenoberflächentemperatur unabhängig von der Wolkendecke, Vegetationstyp und der Komplexität des Geländes.