【数据集】中国江北气候区100m逐日近地表气温数据

根据论文《Convolutional Long Short-Term Memory network for generating 100 m daily near-surface air temperature》，本文旨在利用ConvLSTM（卷积长短期记忆网络）模型，生成中国江北气候区在2019–2023年夏季（6–8月）的100米空间分辨率的逐日近地表气温数据（最高温 Tmax、最低温 Tmin、平均温 Tmean）。以下是该数据集的详细生产过程，涵盖输入数据来源、处理方法、模型结构及最终输出效果。

数据概述

一、数据输入来源与处理流程

研究采用的数据总结如下：

1. 再分析气温数据（主输入）

ERA5 与 ERA5-Land陆地再分析产品：

• 提供小时级的温度数据。

• ERA5（0.25°）用于填补 ERA5-Land（0.1°，约等于10 km）在陆水交界处的空缺。
  ERA5-land以0.1的较高空间分辨率提供每小时温度，但仅针对陆地地区，导致陆地-水界面出现缺口。为了解决这个问题，我们使用0.25分辨率的无缝ERA5数据来填补ERA5-Land中的空白。

• 所有时间数据从 UTC 转换为北京时间（UTC+8）。
  由于研究区域位于中国境内，ERA5-hour(UTC) 和 ERA5-land-hour(UTC) 数据被转换为中国时区 (UTC+8)。

• 使用双线性插值将 ERA5 resample 至 0.1°。

• 融合后计算每日 Tmax、Tmin、Tmean。

2. 辅助数据（辅助输入）

温度与海拔高度密切相关，因为海拔越高，温度越低。数字高程模型提供了重要的地形信息，直接影响温度模式。

不同的土地利用类型也会影响温度变化。人类活动的增加放大了不透水表面对温度的影响。然而，LULC数据在土地覆盖均匀的地区可能不太有效，如山区，那里类似的像素编码可能无法捕捉温度变化。尽管所选的 LULC 数据满足研究的时间和空间分辨率要求，但有限的类别数量（如表1所示）导致了类似的挑战。

此外，在城市地区，高度的土地利用异质性和100米的目标分辨率仍然会带来精度损失的风险，尤其是在分散的城市绿地中。

考虑到以上两个原因，我们计划采用NDVI（归一化植被指数）和FVC（植被覆盖度）数据来补充LULC信息。

数据类型	数据来源	分辨率	描述
DEM (数字高程模型)	NASA SRTM	90m	反映地形对气温的影响
LULC (土地利用/覆盖)	CLCD	30m	9类地表类型（如耕地、城市、森林等）
FVC (植被覆盖度)	Sentinel-2 NDVI计算	10m	基于 NDVI 的经验估算公式计算得出
气候分区矢量	中国气候区划数据	/	用于定义研究区域
地面气象站观测数据	中国气象局 V3.0	日尺度	用作模型训练与验证标签，共276个站点

CLCD 土地利用类型含9个分类，如下：

3. 对比数据集

为了评估ConvLSTM降尺度数据集（表示为CMData）的性能，选择了另外两个数据集进行比较：

(1) 2019年至2022年6月至8月的每日温度数据（WData）
J2024-Reconstruction of all-sky daily air temperature datasets with high accuracy in China from 2003 to 2022

(2) 2019年至2023年6月至8月的每月温度数据（TData）
J2019-1 km monthly temperature and precipitation dataset for China from 1901 to 2017

为了确保时间尺度的一致性，CMData和台站温度数据都汇总到一个月尺度，以便与TData进行比较。

二、数据预处理与标准化

空间重采样：所有数据统一至0.001°（约100米）空间分辨率。

标准化处理：

• Tmax、Tmin、Tmean、DEM 使用 Z-score 标准化。
• FVC、LULC 保持原始形式输入。

窗口提取：以站点为中心提取 5×5 像素窗口，构建六维数组输入模型。

三、模型结构与参数设置

1. 模型结构 —— ConvLSTM 网络

ConvLSTM：在 LSTM 的基础上引入卷积操作，融合时间与空间特征。

因此，本研究中使用的网络由三个ConvLSTM层组成，分别具有128、64和64个隐藏单元。最后应用一个卷积层来产生Tmax、Tmin和Tmean的输出。卷积核大小设置为5×5。通过优化和测试，我们实现了模型准确性和过度拟合风险之间的平衡。在其他参数中，批量大小被设置为32，训练时期的数量被设置为50。

网络层数：

• 三层 ConvLSTM：隐藏单元数分别为 128、64、64。
• 最后一层为卷积层，输出单个预测值（Tmax、Tmin、Tmean）。

卷积核大小：5×5。
损失函数：加权 MSE（均方误差）：Tmax 和 Tmin 权重为 0.4，Tmean 权重为 0.2。

训练参数：

• 批处理大小（Batch size）：32
• 训练轮次（Epochs）：50

四、训练与推理流程

本研究基于两个假设：
(1) 周围环境影响中心位置的温度。据此，我们选取了气象站位置及其周围5×5图像窗口对应的像元作为数据批次。
(2) 温度和环境因素之间的关系在几年内保持相对稳定。虽然全球变暖是一个严重的长期现象1，但短期波动是存在的，线性趋势在短短几年内并不明显。这个假设保证了在研究期（五年）内共享同一个模型的可行性。
此外，通过将时间框架集中在夏季，大规模的温度波动有所缓解。

在这项研究中，我们首先使用双线性插值法处理从ERA5和ERA5-land、DEM、LULC和FVC数据计算的每日温度数据，以实现0.001（约100米）的空间分辨率。
使用处理后的数据作为ConvLSTM模型输入，我们以100米的空间分辨率生成每日Tmax、Tmin和Tmean数据。
然后，我们进行了时间和空间的准确性评估，计算微波辐射、RMSE和R2指标，并与其他数据集进行比较。
此外，我们分析了所选因子作为输入数据的通道重要性，并讨论了降尺度数据集的应用价值。

1. 训练阶段

在对原始多数据集进行双线性插值后，我们对Tmax、Tmin、Tmean和DEM应用Z得分标准化，而FVC、NDVI和LULC则以其原始形式使用。
由于NDVI和FVC有很强的相关性，我们测试了三种情况——使用NDVI、FVC或两者都使用——发现只使用FVC会导致较小的培训损失。因此，FVC被选为与DEM和LULC作为最终的辅助投入。

在标准化的图像中，我们提取与气象站相对应的图像窗口，并将其堆叠成六维数组：ID、年份、时间步长、通道Channel、高度、宽度。
这里，ID代表不同的站，Year代表研究年份(2019–2023)，Time_Step代表天数(6月到8月，92天)，Channel 代表输入变量(Tmax，Tmin，Tmean，DEM，FVC，LULC)，Height 和Width 代表窗口维数（均为5）。

在随机选择训练和测试站后，我们将ID和Year维度合并到Batch维度中，得到一个五维输入数组：Batch_Size、Time_Step、Channel、Height、Width。
输入维度：[Batch_Size, Time_Step (92天), Channel (6), Height (5), Width (5)]
模型的损失函数是均方误差(MSE)。
标签为站点观测数据（Tmax、Tmin、Tmean）

说明：最初，损失被定义为Tmax、Tmin和Tmean的平均MSE。经过测试，我们发现Tmax和Tmin的MSE高于Tmean。因此，我们将损失函数调整为MSEs的加权和，Tmax和Tmin的权重为0.4，Tmean的权重为0.2。

2. 推理阶段

使用基于台站的数据进行初始模型训练和验证。对于像素级温度推断，我们采用了滑动窗口方法。
首先，使用与训练数据相同的平均值和标准偏差对输入数据进行标准化：
对于Tmax，30.950和3.285；对于Tmin，24.081和2.709；对于Tmean，27.303和2.723；DEM为 69.769 和138.189 。
然后提取围绕每个目标像素的 5×5窗口 作为推理的输入，并应用该模型获得Tmax、Tmin和Tmean。

使用滑动窗口法对整个区域像素进行推理：

• 每个像素提取其周围 5×5 窗口作为输入。
• 使用训练好的模型预测该像素的 Tmax、Tmin、Tmean。

五、输出效果与评估结果

考虑的评价指标有三个，如下：

1. 精度评估指标

月尺度评价指标如下：

年尺度评价指标如下：

变量	MAE (℃)	RMSE (℃)	R²
Tmax	0.784	1.027	0.929
Tmin	0.696	0.908	0.892
Tmean	0.564	0.733	0.943

Tmean 的预测精度最高。

散点密度图显示了Tmax (a)、Tmin (b)和Tmean ©的观测值和预测值之间的一致性，MAE、RMSE和R2的结果位于左上角。

箱线图显示真实观测值和预测值之间的月(a)和年(b)绝对差异

空间评估显示：大多数站点 MAE < 1°C，R² > 0.9，但部分高海拔森林地区精度较低（如安徽岳西站）。

2. 辅助变量重要性评估（Importance Score）

每个 辅助变量的重要性分数评估如下：

输入因子	重要性评分
ERA5-Tmean	49.33%
ERA5-Tmin	20.74%
ERA5-Tmax	16.88%
DEM	8.55%
LULC	4.15%
FVC	0.89%

对应于所有站点的LULC、DEM和FVC属性的MAE值。

主要依赖 ERA5 气温数据。
DEM 在辅助数据中最重要，FVC 贡献最小。

3. 与其他数据集对比

相比 WData（1km/日）与 TData（1km/月）：

• CMData（本研究）空间分辨率更高（100m）；
• 精度略低于 WData，但远优于 TData；
• 更适合城市内部温度细节研究。
  
  

六、最终数据成果

输出内容：逐日 Tmax、Tmin、Tmean（单位：℃）
时间范围：2019–2023年6月–8月
空间范围：中国江北气候区（110.22°E–121.91°E，27.20°N–34.10°N）
空间分辨率：100米

数据下载

国家青藏高原科学数据中心-Summer Daily Scale 100m Maximum, Minimum, and Average Temperature

基于FileZilla下载数据

下载信息如下：

打开FileZilla，并填写上述信息：

可根据需要，右键下载。

Python实现代码下载

GitHub-ConvLSTM-for-Temperature-Downscaling

各文件功能总结如下：
main_run.py： main function to run scripts
convlstm_final.py: convLSTM model
contribution_factors.py: customized function to calculate channel importance
criterion_weighted.py: weighted criterion function train_validate.py: train and validate functions
parameters_std.xlsx: standardized parameters for required training channels
checkpoint_model_19-23.pth: final model to conduct downscaling

参考