|
基本信息Personal Information
博士生导师
曾获荣誉：
入选湖北省人才计划、斯坦福大学“全球前2%顶尖科学家”榜单、中国知网高被引学者，获得湖北省自然科学奖、自然资源科技奖、美国硅谷国际发明展奖、Remote Sensing of Environment突出审稿贡献奖等
数据融合论文发表于RSASE
发布时间：2025-12-27 点击次数：
研究动机：地理要素自身的时空自相关性能否提高数据智能融合精度？
论文内容：高分辨率、高时空连续性和高精度温度数据（3H Ta）对于理解全球气候变化和研究城市热条件至关重要。我们之前的研究表明，以深度学习模型为基础，以多源点面数据为输入构建的GRASPS方法可生成较高质量的3H Ta数据。然而，地理要素自身的时空自相关性能否提高数据智能融合精度？为此，本研究分析了地理时空因素对温度融合数据输入、基于深度学习的融合模型和融合后温度误差标定3个方面的影响。结果表明：将地理空间自相关因子纳入融合模型后，与不考虑时空因素的模型相比，RMSE和MAE分别降低了68%和73%。进一步使用地理时空差异分析（GSTDA）误差校正，结合时空因素补偿特定时间或地点的温度后，RMSE和MAE从0.75 °C降至0.64 °C–0.69 °C和0.58 °C，RMAE和MAE分别降低了9.37%和10.15%。近日，该论文“Considering geographical spatiotemporal attributes for seamless air temperature data fusion with high accuracy”发表于Remote Sensing Applications: Society and Environment期刊。