基于GeoAI机器学习的地表温度智能降尺度季节性表征及分析方法

本发明开发了一种基于GeoAI机器学习的地表温度智能降尺度季节性表征及分析方法。该方法能够通过城市景观特征指数产品和不完整的卫星地表温度反演数据，对受云层因素影响的地表温度缺失区域进行插补及降尺度。通过特有的分层抽样机制，解决了数据训练集代表性不足造成的训练偏差和过拟合问题，生成以季节为单位、10m分辨率的时空序列完整的地表温度产品。验证表明：该方法能精准弥补云量等因素导致的地表温度数据缺失，保证地表温度数据的空间完整性和时间连续性，真实反映卫星经过时研究区域的地表温度，有效表征城市热环境的季节性时空演变。此外，本发明还开发了基于GeoAI的特征重要性智能评估框架，能够解析并筛选与地表温度强相关的景观特征，为城市热环境的精准表征、建模和优化提供科学支撑和参考，具有重要应用价值。