小行星表面温度是研究行星热物理特性的关键参数。 太阳系中小天体的轨道动力学研究具有多种实际应用, 包括预测行星体轨道和撞击产生的陨石坑率、 选择航天器合适的探测采样目标。 对于近地天体, 分析它们的轨道结构、 星体的轨道演化和未来的偏移轨迹等近地天体动力学特性具有重要意义。 中国即将发射“天问二号”, 对近地小行星2016HO3进行热辐射探测和风化层采样。 “天问二号”预计在不远的将来到达环绕2016HO3的轨道。 研究了一种温度-比辐射率分离算法, 用于从“欧西里斯-雷克斯”热辐射光谱仪(OTES)辐亮度数据中, 计算与小行星2016HO3热物理性质相近的行星“贝努”(Bennu)的表面温度。 温度-比辐射率分离算法融合了发射率归一化法(NEM)、 比值法(RAT)、 发射率最大最小值差法(MMD), 是目前精度较高的一种表面温度反演算法。 为了验证算法的准确性, 使用了CRISM光谱库的光谱数据, 通过改变目标的温度和算法使用波段, 来研究算法对二者的敏感性。 其中, 因为仪器波段限制等原因, 尚无使用波段对算法的误差推导。 研究结果表明: (1)设置温度范围为115~415 K, 步长5 K, 随着温度的增加, 反演温度的均方根误差增加, 而发射率的误差大致不变。 (2)样本温度为295 K, 算法使用的波段起点为7.5 μm, 采样间隔0.04 μm, 终点为10~13.8 μm, 步长0.2 μm。 发现波长范围在7.5~13.8 μm, 算法的MMD模块的精度最高。 使用算法求解行星“贝努”的表面温度, 结果表明: 在剔除了大太阳高度角和高纬像素的情况下, 算法计算的温度的误差平均值为-0.366 0 K, 误差的标准差为1.0393 K。

美国地质调查局(USGS) 2020年12月正式发布了基于Landsat热红外光谱数据生产的2级地表温度产品(Landsat Collection 2 Level-2 surface temperature, LC2L2ST), 但目前还鲜有该地表温度产品的相关研究报道。 由于美国地质调查局已宣布自2022年开始将不提供除该产品之外的其他地表温度数据, 因此有必要对该产品进行适时的评估。 在同类遥感卫星产品中, MODIS地表温度产品的质量最被广大用户认可, 应用也最为广泛, 因此首次将Landsat新型热红外地表温度产品与MODIS地表温度产品进行交互对比, 以评估新产品与MODIS地表温度产品的一致性。 分别选取了我国的不同地区(福州、 太湖、 银川、 敦煌)作为试验区, 以20对同日过空的LC2L2ST与MODIS地表温度影像为数据源进行交互对比。 影像涵盖植被、 水体、 建筑、 荒漠等地物以及不同的季节。 在试验区影像上选取一系列均质样区(ROI), 通过各样区的地表温度均值散点进行拟合回归分析, 研究二者地表温度间的差异及定量关系, 并提出彼此转换的模型。 结果表明, Landsat地表温度新产品与MODIS地表温度产品具有很高的相关性, 4个试验区的决定系数(R2)皆大于0.98, 集成4个试验区的总R2也接近0.98; 但LC2L2ST比MODIS的地表温度平均高0.90 ℃(RMSE=2.29 ℃)。 分析发现, 二者地表温度数据间的差异与其在空间分辨率、 观测角度、 地物类型和季节的不同有关。 从不同地物和季节来看, LC2L2ST在晚秋和冬季略低于MODIS的地表温度, 而在夏季极端高温的城镇、 荒漠地区则明显高于MODIS的地表温度, 且偏差可近7 ℃。 总的看来, Landsat新型地表温度产品与MODIS同类产品的相关性显著, 但在夏季的城市和沙漠地区的差异较大, 因此, LC2L2ST新产品在夏季高温季节的适用性仍有待进一步基于地面实测温度的验证。 鉴于两种地表温度数据产品仍存在着一定差距, 因此二者如要协同使用, 需要进行转换。 本研究基于4个试验区的560个ROI样区构建了二者地表温度间的转换方程, 并通过验证发现, 经转换后的两数据差异性得到大幅缩小。 因此, 必要的数据转换有利于二者数据的协同使用, 可为长时间序列的地表温度变化监测提供连续的遥感数据。

海表温度（SST）是重要的海洋水文参数。对其进行精准预测在海洋相关领域中至关重要。深度学习强大的分析能力使其近年来广泛应用于SST预测中，但SST时间序列波动性和随机性的特点使其精准预测仍然具有挑战性。首先，采用变分模态分解（VMD）作为去噪模块，降低SST序列噪声对预测结果的影响。进而，为了解决深度模型在SST预测中存在的滞后现象，采用迁移学习的方法，将长短时记忆网络（LSTM）与宽度学习系统（BLS）相结合，使用LSTM作为BLS的特征映射结点，提高了预测精度。最终，提出了一种基于VMD-LSTM-BLS的SST预测模型。选取我国东海海温进行实例验证。通过与基准模型支持向量机、LSTM、门控循环单元以及现有的深度模型进行比较，证明了提出模型在SST预测中具有相对稳定、高效的优势，为SST预测的发展提供了新思路。

随着城市化进程不断加快, 地表温度升高引起的城市病日益严重。为深入认识滨海城市地表温度的影响因素, 进而为改善人居环境和生态健康提供科学数据支撑, 采用单窗算法反演了大连市内甘井子区、西岗区、沙河口区和中山区四区地表温度, 并综合运用多尺度地理加权回归模型 (Multiscale-GWR) 结合归一化建筑指数 (NDBI)、归一化植被指数 (NDVI)、改进的归一化水体指数 (MNDWI) 和归一化裸土指数 (NDBAI), 探究了地表温度与下垫面指数空间异质性关系。研究结果表明: (1) 大连市内四区的地表温度呈现由东向西递减的分布态势, 中山区、沙河口区和西岗区的北部地表温度较南部高, 甘井子区西南部地表温度较其他区域低。(2) 大连市内四区地表温度与下垫面指数关系基本上不存在全局效应, 空间异质性很强, Multiscale-GWR 模型可以较好地拟合下垫面指数与地表温度相关关系。(3) 从相关系数来看, 下垫面指数对地表温度的影响作用力表现为: NDBAI > NDVI > MNDWI > NDBI, NDBAI、NDVI 和 MNDWI 指数总体上呈现负相关效应, NDBI 总体上呈现正相关效应。

海表温度(SST)是平衡地表能量及衡量海水热量的重要指标,SST的高精度预测对全球气候、海洋环境及渔业具有重要意义。极端气候条件下,SST序列呈现明显的非平稳性,传统方法进行海表温度预测(SSTP)时难度大,且精度较低。基于经验模态分解(EMD)算法分解后的SST子序列非平稳性明显降低,且门控循环(GRU)神经网络作为一种常见的机器学习预测模型,参数较少、收敛速度更快,不易在训练过程中出现过拟合现象。结合EMD模型和GRU模型的优势,提出了一种基于EMD-GRU的SST预测模型。为验证所提模型预测效果,对5条不同长度的SST序列进行了多组对比实验。实验结果表明:与直接使用循环神经网络(RNN)、长短期记忆模型(LSTM)、门控循环神经网络(GRU)的模型相比,所提模型预测结果的多尺度复杂度更低;所提模型预测结果的均方差(MSE)和平均绝对误差(MAE)均有不同程度的降低。为验证数据序列长度对预测精度的影响,设计了补充实验。实验结果表明:预测长度越长精度效果越差;通过EMD算法对序列进行处理后,效果均得到了提升,且在预测长度变长的情况下,效果提升较为明显。

针对一种重要对抗措施——核弹头的反模拟气球诱饵，提出了一些有益于突防的具体措施。通过热网络数学模型及差分法，分别对不同大小空间球形目标的白天和夜间表面温度场分布进行了计算。结果表明，为了使诱饵在白天和夜间都能使用，在设计时采用一组不同大小的诱饵，使其表面温度分布在含弹头气球表面温度的附近两侧。这样既可破坏美国导弹防御系统（National Missile Defense, NMD）基于大小识别目标的能力，又可增加对方识别目标的复杂性。