Яркостная температура является важной базовой наблюдательной величиной пассивной микроволновой радиометрии и ключевым входным параметром для восстановления температуры поверхности, влажности почвы, снеговой водозапасности и других основных параметров поверхности. Она имеет значительную научную ценность и потенциал применения в области метеорологии, климата и экологического дистанционного зондирования. Пассивный микроволновый датчик AMSR2 (Advanced Microwave Scanning Radiometer 2) может получать круглосуточные данные яркостной температуры с глобальным покрытием, однако из-за ограничений конструкции орбиты и характеристик датчика данные AMSR2 содержат орбитальные пробелы, которые влияют на полноту данных и точность применения. В данной статье, основываясь на анализе пространственно-временных характеристик орбитальных пробелов и нелинейной связи между данными яркостной температуры и обобщенным спектром переменных среды, предложена многомерная модель восстановления спатиально-временного спектрального случайного леса STSRF (Spatio-Temporal Spectral Random Forest). На примере данных яркостной температуры AMSR2 по региону Китая за 2020 год сформированы обучающие и валидационные наборы данных отдельно по месяцам и по дням и ночам; проведены моделируемые и реальные эксперименты и оценено качество понижения масштаба данных до и после восстановления. В моделируемых экспериментах восстановление яркостной температуры STSRF показало высокую точность, среднеквадратичная ошибка составляла 0,78—2,21 К в дневных и 0,73—2,35 К в ночных условиях, при этом общая точность восстановления в высокогорных районах была лучше, чем в других зонах; в реальных экспериментах восстановленная яркостная температура STSRF пространственно хорошо согласовывалась с наблюдательными данными AMSR2 без заметных признаков восстановления. Кроме того, сравнительный анализ понижения масштаба показал, что результаты на основе восстановленных данных обладают преимуществами в сохранении пространственных деталей и числовой точности по сравнению с прямыми методами понижения масштаба, что дополнительно подтверждает эффективность стратегии восстановления. Таким образом, метод STSRF эффективно восстанавливает данные орбитальных пробелов яркостной температуры AMSR2 и способствует последующей обработке понижения масштаба, обеспечивая техническую поддержку для широкомасштабных высокоразрешающих микроволновых радиометрических приложений.

AMSR2 яркостная температура; восстановление орбитальных пробелов; пространственно-временный спектральный случайный лес; понижение масштаба; переменные окружающей среды