摘要与引言
研究背景：地表温度（LST）在地表过程和能量平衡的表征中扮演着关键角色，对全球和区域气候变化研究具有重大意义。
研究挑战：随着多源遥感数据的增加，构建一个减少对辅助数据（如地表发射率（LSE）和与卫星观测同步的大气水汽含量（WVC））依赖的LST模型成为一个挑战。
研究目的：提出基于随机森林模型（RF）的LST反演模型（RFLSTR），无需依赖同步的辅助数据，提高LST反演的效率和便利性。
材料与方法
数据收集：使用美国地质调查局（USGS）和日本宇宙航空研究开发机构（JAXA）的数据集，包括Landsat 8 OLI/TIRS数据和数字地表模型（DSM）。
研究区域：选择北京地区和韩国中部地区作为研究区，利用自动气象站收集的现场LST数据进行模型验证。
模型构建：基于随机森林训练的RFLSTR模型，输入变量包括亮度温度（BT）、归一化植被指数（NDVI）、归一化差异建筑指数（NDBI）、改进的归一化差异水指数（MNDWI）、DSM、坡度和方位角。
结果
模型验证：通过10折交叉验证，RFLSTR模型显示出高建模精度，均方根误差（RMSE）和平均绝对误差（MAE）低于2K。
时空迁移性能：使用北京地区和韩国的Landsat 8图像评估RFLSTR模型的时空迁移性能，以及使用韩国的Landsat 9图像分析传感器迁移性能。
讨论
模型优势：RFLSTR模型在不同年份、不同地区和不同传感器的LST反演中显示出强大的迁移能力，证明了该方法的优越性和应用前景。
模型限制：RFLSTR模型仅在Landsat 9上验证了传感器迁移能力，未来需要评估两种传感器的数据特征，减少传感器间的偏差。
结论
模型性能：RFLSTR模型在10年数据上验证了其强大的时间鲁棒性，平均R2达到0.86，RMSE为1.41 K。
应用潜力：RFLSTR模型为基于机器学习的卫星LST反演提供了一种有效方法，具有广泛的应用潜力。
DOI：10.1016/j.asr.2024.04.007
