La température de brillance est une mesure d'observation fondamentale importante en télédétection micro-ondes passive. Elle constitue une donnée d'entrée clé pour l'inversion de la température de surface, de l'humidité du sol, de l'équivalent en eau de la neige et d'autres paramètres clés de surface. Elle possède une valeur scientifique importante et un potentiel d'application dans les domaines météorologique, climatique et environnemental. Le capteur micro-ondes passif AMSR2 (Advanced Microwave Scanning Radiometer 2) peut obtenir des données de température de brillance à couverture mondiale et en toutes conditions météorologiques, mais en raison des limites du design orbital et des caractéristiques du capteur, les données AMSR2 présentent des lacunes orbitales qui affectent l'intégrité des données et la précision des applications. Cet article propose, sur la base de l'analyse des caractéristiques spatio-temporelles des lacunes orbitales et de la relation non linéaire entre les données de température de brillance et les variables environnementales dans un spectre général, un modèle de reconstruction multidimensionnel par forêt aléatoire spectrale spatio-temporelle STSRF (Spatio-Temporal Spectral Random Forest). En prenant l'exemple des données de température de brillance AMSR2 pour la région chinoise en 2020, des ensembles de données d'entraînement et de validation indépendants ont été construits selon les mois et séparément pour le jour et la nuit; des expériences simulées et réelles ont été menées, et l'effet de réduction d'échelle avant et après reconstruction a été évalué. Dans les expériences simulées, la reconstruction STSRF de la température de brillance a montré une grande précision, avec des erreurs quadratiques moyennes de 0,78 à 2,21 K en journée et de 0,73 à 2,35 K la nuit, et la précision globale de la reconstruction dans les zones de haute altitude était meilleure que dans les autres régions; dans les expériences réelles, la reconstruction STSRF de la température de brillance correspondait spatialement étroitement aux données d'observation AMSR2, sans trace évidente de reconstruction. De plus, l'analyse comparative de la réduction d'échelle a montré que les résultats basés sur les données reconstruites présentaient des avantages en termes de conservation des détails spatiaux et de précision numérique par rapport aux schémas de réduction d'échelle directs, confirmant ainsi l'efficacité de la stratégie de reconstruction. Par conséquent, la méthode STSRF permet non seulement de reconstruire efficacement les données de lacunes orbitales de température de brillance AMSR2, mais elle facilite également les traitements de réduction d'échelle ultérieurs, fournissant un support technique pour les applications de télédétection micro-ondes à haute résolution à grande échelle.

AMSR2 température de brillance; reconstruction des lacunes orbitales; forêt aléatoire spectrale spatio-temporelle; réduction d'échelle; variables environnementales