高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

Landsat-8地表温度反演及其与MODIS温度产品的对比分析

张爱因 张晓丽

引用本文:
Citation:

Landsat-8地表温度反演及其与MODIS温度产品的对比分析

    作者简介: 张爱因。主要研究方向:定量遥感。Email:aiiyinzhang@gmail.com 地址:香港九龙红磡湾育才道11号香港理工大学土地测量与地理资讯学系.
    通讯作者: 张晓丽, zhang-xl@263.net
  • 中图分类号: S771.8;TP72

Land surface temperature retrieved from Landsat-8 and comparison with MODIS temperature product

    Corresponding author: Zhang Xiaoli, zhang-xl@263.net
  • CLC number: S771.8;TP72

  • 摘要: 目的 地表温度是区域与全球尺度地表过程分析与模拟的重要参数,在地表与大气能量交换的过程中扮演着重要的角色。本文使用3种算法对北京地区Landsat-8影像进行地表温度反演,并使用MODIS 地表温度产品对反演结果进行交叉验证,评估Landsat-8用于地表温度反演的精度与适用性,为后续使用Landsat-8反演地表温度的研究提供参考。方法 对反演地表温度所需的3个重要参数(大气平均作用温度、地表比辐射率、水汽含量)进行获取,得到3个算法的反演结果后,对各个算法的结果进行敏感性和差值分析,并将结果与同期MOD11A1地表温度产品进行对比分析。主要分析手段包括北京市不同行政区之间算法结果与温度产品的平均温度结果比较、不同地类之间算法结果与温度产品的平均温度结果比较,以及选取尺度效应较低、温度随时间变化较小的密云水库中心区域比较两者的温差。结果 3个算法的反演结果总体平均温差不超过1 K,其中Cristóbal等提出的改进后单通道算法与其他两个算法的温差最小,Wang等提出的改进后单窗算法与其他两个算法的温差最大。Landsat-8地表温度反演结果普遍高于MODIS温度产品。通过选取密云水库中心区域对本研究反演结果和温度产品进行对比可以得出,3种算法结果与MODIS温度产品的总平均差值为1.373 K。结论 反演结果总体上具有较理想的反演精度。Jiménez-Muñoz提出的劈窗算法具有最好的敏感性分析结果,且与MODIS温度产品的结果最接近。Landsat-8反演结果与MODIS温度产品在总体地温分布规律上保持一致,但Landsat-8因具有更高的分辨率而能更好地分辨小地块不同地类的地温差异,在精确反演地表温度领域拥有更大的优势。
  • 图 1  水汽含量敏感性分析结果散点与趋势线模拟示意图

    Figure 1.  Scatter and trend line diagram from the results of sensitivity analysis by water vapor contents

    图 2  地表比辐射率敏感性分析结果散点与趋势线模拟示意图

    Figure 2.  Scatter and trend line diagram from the results of sensitivity analysis by ground emissivity

    图 3  3种算法Landsat-8反演结果分布图

    Figure 3.  Distribution map of retrieval results from Landsat-8 data

    图 4  Landsat-8的3种算法与MODIS温度产品北京分区平均温度对比

    Figure 4.  Comparison between mean LST retrieved by 3 algorithms of Landsat-8 data and MODIS temperature product in Beijing Region

    图 5  不同地类Landsat-8反演结果与MODIS温度产品对比图

    Figure 5.  Comparison between retrieval results from Landsat-8 and MODIS temperature product by different ground feature

    图 6  北京局部地区Landsat-8 ISC算法反演结果与MODIS温度产品地表温度分布图对比(2017年9月12日)

    Figure 6.  LST distribution map of Landsat-8 ISC algorithm retrieval results and MODIS temperature product in Beijing local area (September 12, 2017)

    表 1  大气平均作用温度(Ta)与近地表温度(T0)线性估计方程式

    Table 1.  Linear relations for the approximation of effective mean atmospheric temperature (Ta) from the near surface air temperature (T0)

    大气模式 Atmosphere model线性关系式 Linear relation
    中纬度夏季 Mid-latitude summerTa = 16.011 0 + 0.926 2 T0
    热带大气 Tropical atmosphere modelTa = 17.976 9 + 0.917 2 T0
    中纬度冬季 Mid-latitude winterTa = 19.270 4 + 0.911 2 T0
    下载: 导出CSV

    表 2  典型地类在Landsat-8 TIRS波段的地表比辐射率值

    Table 2.  Land surface emissivity of representative ground features for Landsat-8 TIRS

    地表类型 Ground feature水域 Water area建筑 Building裸土 Bare soil植被 Vegetation
    10波段比辐射率值 Emissivity in band 100.9910.9620.9660.972
    11波段比辐射率值 Emissivity in band 110.9860.9630.9700.973
    下载: 导出CSV

    表 3  Landsat-8 TIRS波段大气透过率估算方程

    Table 3.  Estimation of atmospheric transmittance for the Landsat 8 TIRS bands

    大气模式 Atmosphere model水汽含量
    Water vapor content/(g·cm− 2)
    大气透过率估算方程
    Transmittance estimating equation
    R2SEE
    中纬度夏季 Mid-latitude summer0.2 ~ 1.6τ10 = 0.918 4 − 0.072 5 w0.9830.004 3
    1.6 ~ 4.4τ10 = 1.016 3 − 0.133 0 w0.9990.003 3
    4.4 ~ 5.4τ10 = 0.702 9 − 0.062 0 w0.9660.008 1
    热带大气 Tropical atmosphere model0.2 ~ 2.0τ10 = 0.922 0 − 0.078 0 w0.9830.005 9
    2.0 ~ 5.6τ10 = 1.022 2 − 0.131 0 w0.9990.003 3
    5.6 ~ 6.8τ10 = 0.542 2 − 0.044 0 w0.9910.001 7
    中纬度冬季 Mid-latitude winter0.2 ~ 1.4τ10 = 0.922 8 − 0.073 5 w0.9880.003 3
    注:SEE为标准估计误差,τ10为大气透过率,w为水汽含量。Notes: SEE means standard estimation error, τ10 means atmospheric transmittance, w means water vapor content.
    下载: 导出CSV

    表 4  ${\psi_1}$${\psi_2}$${\psi_3}$计算系数

    Table 4.  Numerical coefficients for ${\psi_1}$, ${\psi_2}$, and ${\psi_3}$

    系数 Coefficientψ1ψ2ψ3
    a4.472 973 036− 30.370 278 530− 3.761 839 863
    b− 0.000 074 8260.000 911 877− 0.000 141 775
    c0.046 628 212− 0.573 195 6710.091 136 221
    d0.023 169 178− 0.784 441 9530.545 348 754
    e− 4.961 73×10− 50.001 408 070− 0.000 909 502
    f− 0.026 274 5280.215 779 7230.041 809 016
    g− 2.452 320 564106.550 930 400− 79.958 380 610
    h0.000 376 021− 0.000 376 021− 0.000 104 728
    i− 7.212 197 93889.615 688 890− 14.659 549 110
    下载: 导出CSV

    表 5  3种算法反演得到的北京地区平均地温

    Table 5.  Average LST of Beijing region retrieved by 3 different algorithms

    算法 Algorithm日期 Date
    2017−03−042017−05−072017−07−102017−09−122017−11−15
    IMW287.84309.41308.88302.87280.84
    ISC286.54308.27309.22302.51280.30
    JSW286.58308.31308.73302.13279.30
    注:IMW、ISC、JSW分别代表Wang和Qin改进后单窗算法、Cristóbal和Jiménez-Muñoz改进后单通道算法、Jiménez-Muñoz劈窗算法。Notes: IMW, ISC, JSW represent Improved Mono-Window Algorithm, Improved Single-Channel Method and Jimenez-Munoz Split Window Algorithm, respectively.
    下载: 导出CSV

    表 6  3种算法之间反演结果差值比较

    Table 6.  Difference of the retrieval results between 3 algorithms

    日期 DateIMW−ISCIMW−JSWISC−JSW总平均差值
    Total average
    difference
    总平均
    标准偏差
    Total average standard
    deviation
    算法
    温差值
    LST difference
    差值标
    准偏差
    Standard deviations
    算法
    温差值
    LST difference
    差值标
    准偏差
    Standard deviation
    算法
    温差值
    LST difference
    差值标
    准偏差
    Standard deviation
    2017−03−041.2950.3341.2530.721− 0.0390.6540.8620.570
    2017−05−071.1340.4301.0900.790− 0.0390.8090.7540.676
    2017−07−10− 0.3370.4710.1480.7860.4870.7360.7360.664
    2017−09−120.3570.2510.7340.6180.3820.5130.4910.461
    2017−11−150.5380.3561.5200.5000.9880.5401.0150.465
    绝对值的平均值
    Absolute total average
    0.732 20.368 40.9490.6830.3870.650 40.6340.567
    下载: 导出CSV

    表 7  Landsat-8算法反演结果与MODIS温度产品平均温差(密云水库地区)

    Table 7.  Mean temperature difference between retrieved results from Landsat-8 and MODIS temperature product (Miyun Reservoir Area)

    日期
    Date
    IMW−MODISISC−MODISJSW−MODIS总平均差值
    Total average
    difference
    总平均标准偏差
    Total average standard
    deviation
    算法
    温差值
    LST difference
    差值标
    准偏差
    Standard deviation
    算法
    温差值
    LST difference
    差值标
    准偏差
    Standard deviation
    算法
    温差值
    LST difference
    差值标
    准偏差
    Standard deviation
    2017−03−04− 2.4531.556− 2.7911.521− 2.8261.388− 2.6901.488
    2017−05−07− 1.6530.708− 1.4491.429− 2.4351.495− 1.8461.211
    2017−07−10− 0.3000.6550.8900.6530.2330.6490.2740.652
    2017−09−12− 0.2690.244− 0.2320.202− 0.2440.284− 0.2480.243
    2017−11−152.4200.5431.5140.5230.8930.5661.6090.544
    绝对值的平均值
    Absolute total average
    1.419 00.741 21.375 00.865 61.326 00.876 41.373 00.828 0
    下载: 导出CSV
  • [1] Li Z L, Tang B H, Wu H, et al. Satellite-derived land surface temperature: current status and perspectives[J]. Remote Sensing of Environment, 2013, 131: 14−37 doi: 10.1016/j.rse.2012.12.008
    [2] Rozenstein O, Qin Z H, Derimian Y, et al. Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm[J]. Sensors, 2014, 14: 5768−5780 doi: 10.3390/s140405768
    [3] Jiménez-Muñoz J C, Sobrino J A, Skokovic D, et al. Land surface temperature retrieval methods from landsat-8 thermal infrared sensor data[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11: 1840−1843 doi: 10.1109/LGRS.2014.2312032
    [4] Jin M J, Li J M, Wang C L, et al. A practical split-window algorithm for retrieving land surface temperature from Landsat-8 data and a case study of an urban area in China[J]. Remote Sensing, 2015, 7: 4371−4390 doi: 10.3390/rs70404371
    [5] Ren H Z, Du C, Liu R Y, et al. Atmospheric water vapor retrieval from Landsat 8 thermal infrared images[J]. Journal of Geophysical Research: Atmospheres, 2015, 120: 1723−1738 doi: 10.1002/2014JD022619
    [6] Wang F, Qin Z H, Song C Y, et al. An improved Mono-Window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data[J]. Remote Sensing, 2015, 7: 4268−4289 doi: 10.3390/rs70404268
    [7] Cristóbal J, Jiménez-Muñoz J C, Prakash A, et al. An improved single-channel method to retrieve land surface temperature from the Landsat-8 thermal band[J]. Remote Sensing, 2018, 10: 431 doi: 10.3390/rs10030431
    [8] Yu X L, Guo X L, Wu Z C. Land surface temperature retrieval from Landsat 8 TIRS: comparison between radiative transfer equation-based method, split window algorithm and single channel method[J]. Remote Sensing, 2014, 6: 9829−9852 doi: 10.3390/rs6109829
    [9] 宋挺, 段峥, 刘军志, 等. Landsat 8 数据地表温度反演算法对比[J]. 遥感学报, 2015, 19(3):451−464Song T, Duan Z, Liu J Z, et al. Comparison of four algorithms to retrieve land surface temperature using Landsat 8 satellite[J]. Journal of Remote Sensing, 2015, 19(3): 451−464
    [10] 徐涵秋. 新型 Landsat 8卫星影像的反射率和地表温度反演[J]. 地球物理学报, 2015, 58(3):741−747Xu H Q. Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite[J]. Chinese Journal of Geophysics, 2015, 58(3): 741−747
    [11] 徐涵秋. Landsat 8热红外数据定标参数的变化及其对地表温度反演的影响[J]. 遥感学报, 2016, 20(2):229−235Xu H Q. Change of Landsat 8 TIRS calibration parameters and its effect on land surface temperature retrieval[J]. Journal of Remote Sensing, 2016, 20(2): 229−235
    [12] Qin Z H, Dall ’olmo G, Karnieli A, et al. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data[J]. Journal of Geophysical Research: Atmospheres, 2001, 106: 22655−22670 doi: 10.1029/2000JD900452
    [13] Gerace A, Montanaro M. Derivation and validation of the stray light correction algorithm for the thermal infrared sensor onboard Landsat 8[J]. Remote Sensing of Environment, 2017, 191: 246−257 doi: 10.1016/j.rse.2017.01.029
    [14] Qin Z H, Karnieli A, Berliner P. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2010, 22(18): 3719−3746
    [15] 覃志豪. 陆地卫星 TM6 波段范围内地表比辐射率的估计[J]. 国土资源遥感, 2004, 61(3):28−42 doi: 10.3969/j.issn.1001-070X.2004.03.007Qin Z H. The estimation of land surface emissivity for Landsat TM6[J]. Remote Sensing for Land & Resources, 2004, 61(3): 28−42 doi: 10.3969/j.issn.1001-070X.2004.03.007
    [16] Sobrino J A, Coll C, Caselles V. Atmospheric correction for land surface temperature using NOAA-11 AVHRR channels 4 and 5[J]. Remote Sensing of Environment, 1991, 38(1): 19−34 doi: 10.1016/0034-4257(91)90069-I
    [17] Cristóbal J, Jiménez-Muñoz J C, Sobrino J A, et al. Improvements in land surface temperature retrieval from the Landsat series thermal band using water vapor and air temperature[J]. Journal of Geophysical Research: Atmospheres, 2009, 114: D08103
    [18] Jiménez-Muñoz J C, Sobrino J. A generalized single-channel method for retrieving land surface temperature from remote sensing data[J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D22): 4688 doi: 10.1029/2003JD003480
    [19] Sobrino J A, Li Z L, Stoll M P, et al. Multi-channel and multi-angle algorithms for estimating sea and land surface temperature with ATSR data[J]. International Journal of Remote Sensing, 1996, 17: 2089−2114 doi: 10.1080/01431169608948760
  • [1] 魏晶昱毛学刚方本煜包晓建许振宇 . 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别. 北京林业大学学报, 2016, 13(11): 23-33. doi: 10.13332/j.1000-1522.20160054
    [2] 齐春辉程占红
    ZHAOGuang-jie
    王云琦王玉涛郑凌凌李吉跃李雪萍段爱国邹大林张求慧李贤军赵燕东冯夏莲匡文慧温俊宝李雪峰张灿徐文铎常德龙谭炳香刘金福吴斌刘常富鲁绍伟翟洪波余新晓王玉杰吴庆利洪伟何友均温俊宝韩士杰何承忠李增元宋湛谦赵广杰吴斌何兴元张树文张建国朱天辉LUOWen-sheng白陈祥何正权李吉跃韩烈保张路平黄文豪]魏晓霞姜伟陈尔学陈发菊刘凤芹张养贞张志毅FurunoTakeshi郭忠玲]陈玮何静童书振骆有庆李俊清林秦文骆有庆梁小红匡秋明郑兴波曾会明张璧光梁宏伟许志春赵桂玲张军安新民李颖张振明胡伟华许志春庞勇RENQian崔国发侯伟赵广亮雷渊才李福海杨凯李凤兰宋国正刘君PaulWolfgang曹川健郑杰李考学姚永刚田桂芳董建生张有慧张全来李永波赫万成李长明张世玺 . 格氏栲林林窗更新特征的研究. 北京林业大学学报, 2006, 3(3): 14-19.
    [3] 张璧光胡胜华袁怀文刘杏娥魏潇潇李瑞高黎颜绍馗吴彩燕张莉俊王芳周永学何亚平白岗栓黄荣凤毛俊娟杨平邓小文胡万良张洪江王费新秦爱光郑小贤殷亚方王小青谭学仁王兆印汪思龙李猛乔建平王胜华崔赛华常旭费世民戴思兰赵天忠樊军锋王晓欢罗晓芳张岩王正孙向阳张克斌NagaoHirofumi杜社妮刘燕李昀江泽慧高荣孚李华张占雄韩士杰孔祥文王海燕刘云芳张双保陈放徐嘉范冰KatoHideo张旭江玉林龚月桦郭树花丁磊侯喜录陈宗伟常亮杨培华任海青IdoHirofumi刘秀英李晓峰李媛良陈秀明李考学张桂兰张代贵费本华薛岩蒋俊明高建社陈学平徐庆祥涂代伦续九如刘永红李雪峰王晓东金鑫丁国权张红丽 , . 川西南山地云南松林窗边界木偏冠现象与影响因素. 北京林业大学学报, 2007, 4(6): 66-71.
    [4] 马友平冯仲科董斌艾训儒 , . Logistic模型参数的遗传算法求解. 北京林业大学学报, 2008, 5(增刊1): 192-195.
    [5] 朱歆慧李文彬董金宝 . 人体重心动摇轨迹的包络面积算法. 北京林业大学学报, 2007, 4(4): 37-40.
    [6] 方陆明柴红玲唐丽华徐爱俊 . 基于DEM的视频可视域提取算法. 北京林业大学学报, 2010, 7(3): 27-32.
    [7] 张娟韩殿元黄心渊 . 自然背景下的梅花图像分割算法研究. 北京林业大学学报, 2012, 9(3): 64-70.
    [8] 陈明健陈志泊杨猛莫琴 . 叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法. 北京林业大学学报, 2017, 14(2): 108-116. doi: 10.13332/j.1000-1522.20160351
    [9] 仲亭玉刘文萍刘鹏举 . 基于分数阶微分视频融合的森林烟火检测算法. 北京林业大学学报, 2017, 14(3): 24-31. doi: 10.13332/j.1000-1522.20160163
    [10] 董灵波孙云霞刘兆刚 . 基于森林空间收获问题的模拟退火算法邻域搜索技术比较. 北京林业大学学报, 2017, 14(8): 24-32. doi: 10.13332/j.1000-1522.20170095
    [11] 方赛银李明邱荣祖 . 基于微粒群优化算法的人造板生产批量时域滚动计划. 北京林业大学学报, 2018, 15(2): 106-113. doi: 10.13332/j.1000-1522.20170405
    [12] 汪垚张志玉倪文俭刘见礼张大凤 . 基于机载LiDAR数据的林下地形提取算法比较与组合分析. 北京林业大学学报, 2017, 14(12): 25-35. doi: 10.13332/j.1000--1522.20170300
    [13] 焦治李光辉武夕 . 基于速度误差校正的林木应力波无损检测断层成像算法. 北京林业大学学报, 2018, 15(1): 108-119. doi: 10.13332/j.1000-1522.20170384
    [14] 张帆付慧杨刚 . 低空林地航拍图像拼接的改进缝合线算法. 北京林业大学学报, 2018, 15(5): 90-102. doi: 10.13332/j.1000-1522.20170372
    [15] 胡静陈志泊杨猛张荣国崔亚稷 . 基于全卷积神经网络的植物叶片分割算法. 北京林业大学学报, 2018, 15(11): 131-136. doi: 10.13332/j.1000--1522.20180007
    [16] 毛丽丽雷廷武赵军BraltsFVincent . 土壤入渗性能线源测量方法的近似算法研究. 北京林业大学学报, 2010, 7(3): 70-74.
    [17] 徐爱俊方陆明楼雄伟 . 基于可见光视频的森林火灾识别算法. 北京林业大学学报, 2010, 7(2): 14-20.
    [18] 吴梦宇罗琴娟韩摇宁 . 基于多运动特征的森林火灾烟雾图像识别算法. 北京林业大学学报, 2013, 10(3): 154-158.
    [19] 李明泽于欣彤高元科范文义 . 基于SAR极化分解与Landsat数据的森林生物量遥感估测. 北京林业大学学报, 2018, 15(2): 1-10. doi: 10.13332/j.1000-1522.20170284
    [20] 何游云张玉波李俊清王卷乐 . 利用无人机遥感测定岷江冷杉单木树干生物量. 北京林业大学学报, 2016, 13(5): 42-49. doi: 10.13332/j.1000-1522.20150383
  • 加载中
图(6)表(7)
计量
  • 文章访问数:  66
  • HTML全文浏览量:  66
  • PDF下载量:  14
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-19
  • 录用日期:  2018-11-27
  • 网络出版日期:  2019-03-28
  • 刊出日期:  2019-03-01

Landsat-8地表温度反演及其与MODIS温度产品的对比分析

    通讯作者: 张晓丽, zhang-xl@263.net
    作者简介: 张爱因。主要研究方向:定量遥感。Email:aiiyinzhang@gmail.com 地址:香港九龙红磡湾育才道11号香港理工大学土地测量与地理资讯学系
  • 北京林业大学森林培育与保护教育部重点实验室,北京林业大学精准林业北京市重点实验室,北京 100083

摘要: 目的 地表温度是区域与全球尺度地表过程分析与模拟的重要参数,在地表与大气能量交换的过程中扮演着重要的角色。本文使用3种算法对北京地区Landsat-8影像进行地表温度反演,并使用MODIS 地表温度产品对反演结果进行交叉验证,评估Landsat-8用于地表温度反演的精度与适用性,为后续使用Landsat-8反演地表温度的研究提供参考。方法 对反演地表温度所需的3个重要参数(大气平均作用温度、地表比辐射率、水汽含量)进行获取,得到3个算法的反演结果后,对各个算法的结果进行敏感性和差值分析,并将结果与同期MOD11A1地表温度产品进行对比分析。主要分析手段包括北京市不同行政区之间算法结果与温度产品的平均温度结果比较、不同地类之间算法结果与温度产品的平均温度结果比较,以及选取尺度效应较低、温度随时间变化较小的密云水库中心区域比较两者的温差。结果 3个算法的反演结果总体平均温差不超过1 K,其中Cristóbal等提出的改进后单通道算法与其他两个算法的温差最小,Wang等提出的改进后单窗算法与其他两个算法的温差最大。Landsat-8地表温度反演结果普遍高于MODIS温度产品。通过选取密云水库中心区域对本研究反演结果和温度产品进行对比可以得出,3种算法结果与MODIS温度产品的总平均差值为1.373 K。结论 反演结果总体上具有较理想的反演精度。Jiménez-Muñoz提出的劈窗算法具有最好的敏感性分析结果,且与MODIS温度产品的结果最接近。Landsat-8反演结果与MODIS温度产品在总体地温分布规律上保持一致,但Landsat-8因具有更高的分辨率而能更好地分辨小地块不同地类的地温差异,在精确反演地表温度领域拥有更大的优势。

English Abstract

  • 地表温度(Land surface temperature, LST)是区域与全球尺度地表过程分析与模拟的重要参数,在地表与大气能量交换的过程中扮演着重要的角色。地表温度在水循环、气候变化、植被监测等许多领域的应用中都体现了极大的重要性,精确的地表温度有助于评估能量与水文平衡、热惯量和土壤湿度以及掌握全球表面温度的长期变化动态,对相关领域的研究具有重大意义。

    近年来国内外学者已对热红外遥感反演地表温度这一课题进行了大量研究,并提出了不同算法以便更精确地反演地表温度。Li等[1]的综述性文章详细介绍了使用热红外遥感数据反演地表温度的相关研究进展,并总结了各类算法的优缺点与适用性。

    自Landsat-8发射以来,一些针对Landsat-8的地表温度反演算法也相继被提出[27]。随后,对几种反演算法的比较和精度评价的研究也随之展开[811]。Rozenstein[2]基于Qin等的劈窗算法[12]提出了一种针对TIRS的劈窗算法,将大气透过率与地表比辐射率作为输入参数,反演结果的均方根误差(RMSE)值为0.95°;Jiménez-Muñoz等[3]则针对Landsat-8 TIRS数据提出了单通道和劈窗两种算法,两者的平均误差均小于1.5 K,在大气水汽含量增加时劈窗算法的精度要稍高一些。Jin等[4]提出了一种实用的劈窗算法用于反演Landsat-8地表温度,并将该方法应用于中国太原的城镇地区,其结果展现了较高的精度和普适性。Ren等[5]提出了一种实用的双通道算法对TIRS 10、11波段进行地表温度反演,该方法仅使用Landsat-8自身数据,运用MSWCVR算法反演水汽含量参数,其结果精度平均高于1 K。Wang等[6]提出了一种针对TIRS 10波段的改进后单窗算法IMW,并使用了新的手段获取了大气平均作用温度参数,对真实数据的反演结果精度达到1.4 K;Cristóbal等[7]在Jiménez-Muñoz等于2014提出的单窗算法[3]的基础上进行了改进,引入了新的参数——近地表温度,使用2013—2016年的Landsat-8数据进行反演,其平均精度达到1 K。

    目前针对Landsat-8地表温度反演的研究尚存在的问题主要包括:(1)由于Landsat-8 TIRS 11波段受杂散光影响而产生的定标参数不理想问题,使用劈窗算法反演地表温度在问题解决之前具有较大的不确定性。但是,2015年Gerace等[13]提出了一种削减杂散光带来的误差影响的矫正算法,该算法大大削减了杂散光带来的条带与定标误差,将10波段的误差削减到了0.3 K,将11波段的误差削减到了0.19 K。该算法于2017年4月被USGS正式采纳并被实施到了处理系统中。(2)针对Landsat-8反演算法的比较与精度评价的相关研究存在争议,一些研究指出目前一些算法的反演精度不高[10],而得出反演结果精度较高的研究[9]则被指出其结果可能具有不确定性[11]

    本文采用Wang等[6]和Cristóbal等[7]提出的两个单通道算法以及Jiménez-Muñoz等[3]提出的劈窗算法对北京地区Landsat-8影像进行地表温度反演。3个算法均为针对Landsat-8影像的地表温度反演方法, 具有较高的代表性,其中单通道算法是目前针对Landsat-8的地表温度反演算法中经实测数据验证精度最高和最具有实际操作性的两个算法,而Jiménez-Muñoz等[3]的劈窗算法则因为2017年后Landsat-8 TIRS数据经过杂散光较正后具有了可操作性。本文对各个算法进行了敏感性和差值分析,同时对反演地表温度所需的3个重要参数——大气平均作用温度、地表比辐射率和水汽含量进行获取,以期获得最高精度的地表温度反演结果。最后,使用MODIS 地表温度产品对反演结果进行交叉验证,评估Landsat-8用于地表温度反演的精度和适用性,为后续使用Landsat-8反演地表温度的研究提供参考。

    • 本文研究区位于中国首都北京。北京位于华北平原北部,背靠燕山,毗邻天津市和河北省。地理坐标115°25′ ~ 117°35′E,39°28′ ~ 41°05′N,典型的北温带半湿润大陆性季风气候,全市平均海拔约43.5 m。夏季高温多雨,冬季寒冷干燥,降水季节分配不均匀。北京全市总面积约16 427.2 km2,其中山地约占61%,平原约占39%。

    • 本研究使用的数据为覆盖北京区域的两景Landsat-8数据,卫星过境时间为北京时间10:53左右。两景数据可覆盖北京99%的区域,能满足研究北京市的地表温度分布。获取2017年3月4日、2017年5月7日、2017年7月10日、2017年9月12日和2017年11月15日共5期Landsat-8影像数据。该数据的TIRS波段用于获取5期不同时间的北京地区亮温数据,其中2017年9月12日的OLI波段数据用于进行北京市的地表类型分类,分类方法为决策树分类法。并获取与Landsat-8影像数据过境时间相差约半小时的MODIS温度产品MOD11A1数据、MODIS水汽产品MOD05_L2以及中国地面气候资料日值数据集。以上前三者数据均来自USGS官网,气温数据来自中国气象数据网(http://data.cma.cn/)。

    • 地表温度反演的两个重大难题是地表比辐射率与地表温度的分离以及很难获取精确的大气参数。影响地表温度反演精度的因素除了算法本身,还有几个重要参数——亮度温度、地表比辐射率、大气透过率和大气平均作用温度的精度。因此,准确获取这几个参数在地表温度反演中变得格外重要。

    • 亮度温度需通过影像数据的辐亮度值(thermal spectral radiance)通过普朗克函数算法换算为亮温值。将辐亮度转化为亮度温度的普朗克计算公式为:

      ${T_i} = \frac{{{K_2}}}{{\ln (1 + {K_1}/{R_i})}}$

      式中:Tii波段的亮度温度;Rii波段辐亮度;K1K2为常量,对于TIRS 10波段,K1为774.89 W/(m2·sr·μm),K2为1 321.08 K,对于TIRS11波段,K1为 480.89 W/(m2·sr·μm),K2为1 201.14 K。

    • 大气平均作用温度的获取一般需要卫星过境时间各层大气廓线的水汽含量和大气温度。对于难以直接获取得到实测大气廓线数据的大多数情况,Qin等[14]提出了一种根据典型气候模式下的标准大气廓线数据以及当地气象数据估算大气平均作用温度的方法。大气平均作用温度(Ta)与近地表气温(T0)存在线性估算方程式(见表1)。

      大气模式 Atmosphere model线性关系式 Linear relation
      中纬度夏季 Mid-latitude summerTa = 16.011 0 + 0.926 2 T0
      热带大气 Tropical atmosphere modelTa = 17.976 9 + 0.917 2 T0
      中纬度冬季 Mid-latitude winterTa = 19.270 4 + 0.911 2 T0

      表 1  大气平均作用温度(Ta)与近地表温度(T0)线性估计方程式

      Table 1.  Linear relations for the approximation of effective mean atmospheric temperature (Ta) from the near surface air temperature (T0)

      Qin等[14]提出的估算式被广泛应用于地表温度反演中大气平均作用温度参数的实际获取中,该估算式仅适用于晴空无云且无大型垂直大气湍流的气候条件。本文采用Wang等[6]根据Qin等[14]的线性估算式(见表1)提出的大气平均作用温度获取方法,结合校准公式将当地气象站点气温数据转换为研究区气温数据,得出了最终的大气平均作用温度参数。该方法更适用于Landsat-8影像,在校准过程中考虑了卫星过境时间、地形、地势等因素,能够以更高的精度应用于Landsat-8地表温度反演的单窗算法中。

    • 目前基于归一化植被指数(NDVI)阈值的经验性方法即NDVI阈值法,是应用最广泛的获取地表比辐射率(Land Surface Emissivity, LSE)的手段。该方法具有较强的可操作性,方法简单且具备较为理想的精度,也是用于Landsat-8地表温度反演中获取LSE的最常用方法[1415] 。本研究采取的估算方法为覃志豪等[15]提出的NDVI阈值法。该方法虽然原本应用于TM 6波段,但因TM 6波段范围(10.45 ~12.6 μm)与TIRS波段范围(10.6 ~ 12.5 μm)接近,因此该方法同样适用于Landsat-8。

      由于裸土地类通常分布于自然表面,而人造物等则分布于城镇地区,因此比辐射率的估算又根据自然表面和城镇表面分开进行。其中,自然表面的像元可看作是植被和裸土的混合像元。计算公式[15]如下:

      $ {\varepsilon _{i}} = \left\{ {\begin{aligned} & {{\varepsilon _{i{\rm s}}},{\rm{NDVI}} < {\rm{NDVI_{\rm s}}}}\\ & {P_{\rm v}R_{\rm v}\varepsilon_{ i{\rm v}} + (1 - P_{\rm v})R_{\rm s}\varepsilon_{i{\rm s}} + {{\rm d}}\varepsilon ,}\\ & \quad {{\rm{NDVI_S}} \leqslant {\rm{NDVI}} \leqslant {\rm{NDVI_{\rm v}}}}\\ & {{\varepsilon _{i{\rm v}}} + {\rm{d}}\varepsilon ,{{\rm NDVI}} > {\rm{NDVI_{\rm v}}}} \end{aligned}} \right. $

      城镇表面的像元可看作是植被和建筑物的混合像元,计算公式[15]为:

      ${\varepsilon _i} = \left\{ {\begin{aligned} & {{\varepsilon _{i{\rm m}}},{\rm{NDVI }} <{\rm{NDV}}{{\rm{I}}_{{\rm m}}}}\\[5.5pt] & {{P_{\rm v}}{R_{\rm v}}{\varepsilon _{i{\rm v}}} + (1 - {P_{v}}){R_{\rm{m}}}{\varepsilon _{i{\rm m}}} + {{\rm{d}}\varepsilon }},\\[5.5pt] & \quad {{\rm{NDVI_m}} \leqslant {\rm{NDVI}} \leqslant {\rm{NDV}}{{\rm{I}}_{\rm{v}}}}\\[5.5pt] & {{\varepsilon _{i{\rm v}}} + {{\rm{d}}\varepsilon },{\rm{NDVI }} >{\rm{NDV}}{{\rm{I}}_{\rm{v}}}} \end{aligned}} \right.$

      式中:εii波段的地表比辐射率值;Pv为植被覆盖度,即植被在混合像元中所占的比例;dε为地表粗糙度的估算项,可由经验公式估算得到;RvRmRs分别为植被、城镇、裸土的温度比率;εivεimεis分别为植被、城镇、裸土在i波段的比辐射率值;NDVIs为裸土的NDVI值,NDVIv为植被的NDVI值,NDVIm为城镇的NDVI值。

      计算植被覆盖度一般采用如下两种公式:

      $P_{\rm{v}} = \frac{{({\rm{NDVI}} - {\rm{NDVI_s}})}}{{({\rm{NDVI_v}} - {\rm{NDVI_s}})}}$

      $P_{\rm{v}} = {\left[ {\frac{{({\rm{NDV_I}} - {\rm{NDVI_s}})}}{{({\rm{NDVI_v}} - {\rm{NDVI_s}})}}} \right]^2}$

      根据经验,NDVIs取0.05,NDVIv取0.70。本文采用公式(4)。

      对于水体、建筑、植被和裸土的平均地表比辐射率,本研究使用ASTER提供的常用地物光谱数据库(http://speclib.jpl.nasa.gov),获取得到的Landsat-8 TIRS两个波段(中心波长分别为10.9 μm和12 μm)。不同地物的平均比辐射率值如表2所示。

      地表类型 Ground feature水域 Water area建筑 Building裸土 Bare soil植被 Vegetation
      10波段比辐射率值 Emissivity in band 100.9910.9620.9660.972
      11波段比辐射率值 Emissivity in band 110.9860.9630.9700.973

      表 2  典型地类在Landsat-8 TIRS波段的地表比辐射率值

      Table 2.  Land surface emissivity of representative ground features for Landsat-8 TIRS

      以上各项参数的获取方法虽以基于经验的手段为主,但其估算结果可以较好地满足地表温度对比辐射率精度的要求。

    • 本研究采用的估算方法为使用MODTRAN 4模拟得到的在不同大气模型以及不同水汽含量范围下的水汽含量与大气透过率线性估算式。该估算式针对Landsat-8 TIRS 10波段,主要包括3个标准大气模式,适用于晴空无云且无大型大气湍流的气候条件。模拟结果由Wang等[6]所提供(表3),结果的显著性水平达到0.01,且标准估计误差小于0.01,是较为理想的模拟结果。

      大气模式 Atmosphere model水汽含量
      Water vapor content/(g·cm− 2)
      大气透过率估算方程
      Transmittance estimating equation
      R2SEE
      中纬度夏季 Mid-latitude summer0.2 ~ 1.6τ10 = 0.918 4 − 0.072 5 w0.9830.004 3
      1.6 ~ 4.4τ10 = 1.016 3 − 0.133 0 w0.9990.003 3
      4.4 ~ 5.4τ10 = 0.702 9 − 0.062 0 w0.9660.008 1
      热带大气 Tropical atmosphere model0.2 ~ 2.0τ10 = 0.922 0 − 0.078 0 w0.9830.005 9
      2.0 ~ 5.6τ10 = 1.022 2 − 0.131 0 w0.9990.003 3
      5.6 ~ 6.8τ10 = 0.542 2 − 0.044 0 w0.9910.001 7
      中纬度冬季 Mid-latitude winter0.2 ~ 1.4τ10 = 0.922 8 − 0.073 5 w0.9880.003 3
      注:SEE为标准估计误差,τ10为大气透过率,w为水汽含量。Notes: SEE means standard estimation error, τ10 means atmospheric transmittance, w means water vapor content.

      表 3  Landsat-8 TIRS波段大气透过率估算方程

      Table 3.  Estimation of atmospheric transmittance for the Landsat 8 TIRS bands

      在确定大气透过率和水汽含量的关系式后,获取大气透过率参数的关键问题变成了如何获取水汽含量参数。本文使用与Landsat-8过境时间最近的MODIS水汽产品MOD05作为水汽含量数据。使用MODIS水汽产品的优点在于该产品自身精度较高,且无需自己进行反演。

    • 本文使用Jiménez-Muñoz等[3]、Wang等[6]、Cristóbal等[7]提出的3种算法对5期北京地区Landsat-8数据进行反演,评估不同算法的精度和敏感性差异。

    • 根据来自大气和地表的热辐射影像,Qin等[14]、Sobrino等[16]提出了如下方程式表达传感器接收到的辐射与地表温度的关系式:

      $B_{{i}}(T_i) = \tau_i[\varepsilon_iB_i(T_{\rm{s}}) + (1 - \varepsilon_i)I_i \downarrow ] + I_i \uparrow $

      式中:${B_i}\left( {{T_i}} \right)$为星上热辐射,Tii波段的亮度温度;$\tau_i $为大气透过率;${\varepsilon _i}$为地表比辐射率;${B_i}\left( {{T_{\rm{s}}}} \right)$为地面辐射量,${T_{\rm{s}}} $为地表温度;${I_i} \downarrow $${I_i} \uparrow $分别为大气下行和上行辐射。

      Wang和Qin的改进后单窗算法(Improved Mono-Window Algorithm)主要通过Qin等原先提出的应用于Landsat-5的6波段单窗算法针对Landsat-8卫星改进而来。由于TIRS 10波段的波段范围与TM 6波段的波段范围不同,因此大气的上、下行辐射以及大气透过率都需要根据TIRS 10波段的光谱范围和光谱响应函数进行重新处理。该算法主要改进的地方在于对3个重要参数(大气平均作用温度、比辐射率和大气透过率)针对Landsat-8 TIRS 10波段进行了重新获取,并且获取方法也进行了一定改进。其具体算法公式如下:

      $\begin{aligned} T_{\rm{s}} =& [a_{10}(1 - C_{10} - D_{10}) + (b_{10}(1 - C_{10} - D_{10}) + \\ & C_{10} + D_{10})T_{10} - D_{10}T_{\rm a}]/C_{10} \end{aligned}$

      式中:a10b10为系数,其值根据不同温度范围而有所不同;T10为Landsat-8 第10波段的亮度温度,Ta为大气平均作用温度,C10D10为算法的内部参数。

      内部参数表达式如下:

      $C_{\rm{10}} = \tau_{\rm{10}}\varepsilon_{\rm{10}}$

      $D_{\rm{10}} = ({\rm{1 - }}\tau_{\rm{10}})[1 + (1 - \varepsilon_{10})\tau_{\rm{10}}]$

      式中:${\tau _{10}}$为10波段大气透过率,${\varepsilon _{10}}$为10波段地表比辐射率。

    • Cristóbal和Jiménez-Muñoz改进后的单通道算法(Improved Single-Channel Method)主要由Cristóbal等[17]和Jiménez-Muñoz等[18]提出的算法改进而来。算法针对Landsat-8 TIRS 10单个波段,使用水汽含量和近地表温度作为输入参数反演地表温度。其原理也是根据辐射传输方程演算而得,在公式(6)基础上,参数B可根据普朗克公式展开为:

      ${B_\lambda }({T_{\text{s}}}) = \frac{{C_1}}{{{\lambda ^5}\left[ {\exp \left( {\displaystyle\frac{{{C_2}}}{{\lambda {T_{\text{s}}}}}} \right) - 1} \right]}}$

      式中:C1C2为普朗克常量,其值分别为1.191 × 108 W·μm4/(sr·m2)和1.439 × 104 μm4·K;λ为波长。

      根据Jiménez-Muñoz等[18]的研究,为求得地表温度(LST),公式可被改写为:

      ${\text{LST}} = \gamma [\varepsilon _{10}^{ - 1}(\psi_ 1L_{\text{sensor}} + {\psi _2}) + {\psi _3}] + \delta $

      其中,

      $\gamma = {\left\{ {\frac{{{C_2}{L_{{\rm{sensor}}}}}}{{{{\left( {{T_{{\rm{sensor}}}}} \right)}^2}}}\left[ {\frac{{{\lambda ^4}}}{{{C_{\rm{1}}}}}{L_{{\rm{sensor}}}} + {\lambda ^{ - 1}}} \right]} \right\}^{ - 1}}$

      $\delta = {\rm{ - }}\gamma L_{\rm{sensor}} + T_{\rm{sensor}}$

      式中:${T_{\rm sensor}}$为亮度温度,具体求法如公式(1)所示;${L_{{\rm{sensor}}}}$为传感器接收到的辐射强度;${\psi_1}$${\psi_2}$${\psi_3}$是大气功能参数。

      拟合大气功能参数的具体方法是使用大气廓线数据库中的全球尺度上的大气参数(大气上行辐射、大气下行辐射、大气透过率等)。Cristóbal等[7]使用GAPRI数据库中的4 714条大气廓线数据,利用大气传输软件MODTRAN 5.0的辐射传输编码拟合得到了3个大气功能参数表达式。多项式的一般形式:

      $\begin{aligned} \psi_{{n}} = & i{w^2} + hT{_0^2} + gw + fT_0 + eT{_0^2}w + \\ & dT_0w + cT_0{w^2} + bT{_0^2}{w^2} + a \end{aligned}$

      式中:n = 1,2,3;hgfedcba分别为拟合得到的计算系数,其值根据大气功能参数的不同而不同。T0为近地表气温,w为水汽含量值。

      ${\psi_1}$${\psi_2}$${\psi_3}$计算系数如表4所示。

      系数 Coefficientψ1ψ2ψ3
      a4.472 973 036− 30.370 278 530− 3.761 839 863
      b− 0.000 074 8260.000 911 877− 0.000 141 775
      c0.046 628 212− 0.573 195 6710.091 136 221
      d0.023 169 178− 0.784 441 9530.545 348 754
      e− 4.961 73×10− 50.001 408 070− 0.000 909 502
      f− 0.026 274 5280.215 779 7230.041 809 016
      g− 2.452 320 564106.550 930 400− 79.958 380 610
      h0.000 376 021− 0.000 376 021− 0.000 104 728
      i− 7.212 197 93889.615 688 890− 14.659 549 110

      表 4  ${\psi_1}$${\psi_2}$${\psi_3}$计算系数

      Table 4.  Numerical coefficients for ${\psi_1}$, ${\psi_2}$, and ${\psi_3}$

      根据Cristóbal等[7]的对比检验,引入T0参数后的地表温度反演结果比原先的算法具有更高的精度和稳定性。新算法的反演结果的总均方根误差为0.78 K,判定系数R2为0.99,相比原算法的均方根误差1.56 K和R2的0.98具有较明显的提升。

    • Jiménez-Muñoz劈窗算法(Jiménez-Muñoz Split Window Algorithm)使用TIRS两个相邻波段对地表温度进行反演。该算法基于Sobrino等[19]提出的算法结构,针对Landsat-8 TIRS波段进行了重新的参数模拟。具体公式如下:

      $\begin{aligned} T_{\rm{s}} = & T_{10} + C_{1}(T_{10} - T_{11}) + C_2{(T_{10} - T_{11})^2} + \\ & C_0 + (C_3 + C_4w)(1 - \varepsilon ) + (C_5 + C_6w)\Delta \varepsilon \end{aligned} $

      式中:T10T11为TIRS第10、11波段的亮度温度值;C1 ~ C6为通过大气传输软件MODTRAN使用GAPRI数据库的4 714条大气廓线数据模拟得到的计算系数,其值分别为C0 = − 0.268,C1 = 1.378,C2 = 0.183,C3 = 54.30,C4 = − 2.238,C5 = − 129.20,C6 = 16.40;w为水汽含量值;$\varepsilon $为10、11波段的平均地表比辐射率,$\Delta \varepsilon $为比辐射率增量。

      为了方便引用,下文将这3个算法分别简称为IMW算法、ISC算法和JSW算法。

    • 针对地表温度反演的敏感性分析方法[9]如下:

      $\Delta T_{\rm{s}} = \left| {T_{\rm s}(x + \Delta x) - T_{\rm s}(x)} \right|$

      式中:$\Delta {T_{\rm{s}}}$代表因参数误差造成的地表温度误差,Δx为参数x的估计误差,${T_{\rm s}}\left( {x + \Delta x} \right)$为参数加入误差值后的地表温度反演结果,${T_{\rm s}}\left( x \right)$为不含误差的地表温度反演结果。

      在进行某一参数的敏感性分析时保持其他参数不变,但并非固定值,而是实际反演中应用的参数分布影像数据,这样可以假定其他参数无误差值,从而可以更实际地估计单独参数误差变动情况下的地表温度误差。在对水汽含量进行敏感性分析时,设水汽含量值为1、2、3 g/cm2,对低、中、高3个水汽含量水平进行分析,观察不同水平地表温度误差随水汽含量误差的变化情况。在对地表比辐射率进行敏感性分析时,设地表比辐射率值为0.94、0.96和0.98,评估不同地表比辐射率值下温度误差随比辐射率误差的变化。

      图1图2是水汽含量与地表比辐射率的敏感性分析结果。由图12可知:两个参数在误差升高时温度反演结果都会随之升高,当水汽含量升高时地表温度对水汽含量误差越敏感,而反演结果对地表比辐射率误差的敏感性则不会受地表比辐射率值大小的影响。无论是水汽含量参数还是地表比辐射率参数,JSW算法均具有最理想的敏感性分析结果,ISC算法其次,IMW算法对地表比辐射率参数的敏感性适中,与ISC算法分析结果接近,对水汽含量参数的敏感性较高。

      图  1  水汽含量敏感性分析结果散点与趋势线模拟示意图

      Figure 1.  Scatter and trend line diagram from the results of sensitivity analysis by water vapor contents

      图  2  地表比辐射率敏感性分析结果散点与趋势线模拟示意图

      Figure 2.  Scatter and trend line diagram from the results of sensitivity analysis by ground emissivity

    • 分别使用3个算法对北京地区5个时间的Landsat-8影像数据进行反演。反演得到5个日期的北京市平均地温数据(表5)。

      算法 Algorithm日期 Date
      2017−03−042017−05−072017−07−102017−09−122017−11−15
      IMW287.84309.41308.88302.87280.84
      ISC286.54308.27309.22302.51280.30
      JSW286.58308.31308.73302.13279.30
      注:IMW、ISC、JSW分别代表Wang和Qin改进后单窗算法、Cristóbal和Jiménez-Muñoz改进后单通道算法、Jiménez-Muñoz劈窗算法。Notes: IMW, ISC, JSW represent Improved Mono-Window Algorithm, Improved Single-Channel Method and Jimenez-Munoz Split Window Algorithm, respectively.

      表 5  3种算法反演得到的北京地区平均地温

      Table 5.  Average LST of Beijing region retrieved by 3 different algorithms

      通过表5可以看出:2017年5月7日和2017年7月10日的地温值较高;2017年9月12日的地温值其次,约在302 K左右;2017年3月4日和2017年11月15日的地温相对较低。总体的趋势变化与气温的趋势变化相符:3月份为早春季节,气候相对仍较寒冷,5月份北京开始进入夏季,天气较热,地表温度大幅升高,到9月则开始降温,11月进入冬季,温度较低。

      从不同算法之间的差距来看,平均地表温度最大的差值为2017年3月4日时IMW算法与JSW算法相差1.3 K,最小的差值为0.04 K,说明3种算法反演得到的平均温度近似度较高,算法反演结果差异较小。

      图3为最终的地表温度反演结果分布图。从图3中可以看到3个算法的温度分布有较大相似性。从空间上来看,北京的北部与西部地区为温度低值区域,与北京的山区基本重合,而高值区域则集中在北京的市区。从时间上来看,气温越高的日期如5月和7月,山区与市区的地温差越大,且郊区城镇与附近山区地温接近,而气温较低的日期如3月和11月两地区的温差则较小,山区中的一些城镇也呈现出较高的温度。

      图  3  3种算法Landsat-8反演结果分布图

      Figure 3.  Distribution map of retrieval results from Landsat-8 data

      表6为Landsat-8的IMW、JSW、ISC 3种算法两两之间差值的统计结果。为了更好地衡量算法之间的差距大小,表中平均值为绝对值的平均值。

      日期 DateIMW−ISCIMW−JSWISC−JSW总平均差值
      Total average
      difference
      总平均
      标准偏差
      Total average standard
      deviation
      算法
      温差值
      LST difference
      差值标
      准偏差
      Standard deviations
      算法
      温差值
      LST difference
      差值标
      准偏差
      Standard deviation
      算法
      温差值
      LST difference
      差值标
      准偏差
      Standard deviation
      2017−03−041.2950.3341.2530.721− 0.0390.6540.8620.570
      2017−05−071.1340.4301.0900.790− 0.0390.8090.7540.676
      2017−07−10− 0.3370.4710.1480.7860.4870.7360.7360.664
      2017−09−120.3570.2510.7340.6180.3820.5130.4910.461
      2017−11−150.5380.3561.5200.5000.9880.5401.0150.465
      绝对值的平均值
      Absolute total average
      0.732 20.368 40.9490.6830.3870.650 40.6340.567

      表 6  3种算法之间反演结果差值比较

      Table 6.  Difference of the retrieval results between 3 algorithms

      通过表6中数据可知:最大差值出现在2017年5月7日,IMW算法与JSW算法的差值为1.52 K;最小的差值为0.039 K;3种算法的总体差值较小。从各日期的平均温差来看,温差值从2017年3月4日到2017年9月12日呈递减趋势,而到2017年11月15日有明显峰值。由此也可以看出在研究区气温适中或较高时会有较好的反演结果。

      从各算法差值的平均值来看:ISC算法与JSW算法之间的温差最小,平均只有0.387 K,其原因可能是两种算法使用了同一大气廓线数据库(GAPRI),但这两个算法的平均标准差则达到0.65,说明虽然平均温差较低但数据有一定离散性;温差最大的两个算法也为ISC算法与JSW算法,其标准差值最高。IMW与ISC算法的平均温差为0.732 K,但标准差值最低,说明这两个算法之间差值的离散程度较低,平均值数据更可靠。ISC算法的反演结果普遍高于其他两个算法,JSW算法的反演结果温度最低。总体而言,ISC算法与其他两个算法的差异最小。

    • 使用EOS MODIS地表温度产品MOD11 A1与3种算法反演得到的地表温度结果进行对比验证,该产品在北京地区的卫星过境时间比Landsat-8卫星过境时间约提前半小时。由于城市陆地表面的地表温度随时间变化较快,对整个研究区进行对比得到的结果参考价值不大。考虑到研究区中不同地物之间地表温度会有较大的差异,且受到热岛效应的影响不同行政区的地表温度也会有所不同。因此,分别统计了3个算法反演的地表温度结果和MODIS温度产品在北京地区4个不同地类(植被、裸土、城镇、水域)以及16个不同行政区的平均温度和标准差。

    • 5个不同日期的北京16个行政区平均温度和标准差统计结果如图4所示。

      图  4  Landsat-8的3种算法与MODIS温度产品北京分区平均温度对比

      Figure 4.  Comparison between mean LST retrieved by 3 algorithms of Landsat-8 data and MODIS temperature product in Beijing Region

      图4中可以看到:3个算法反演得到的各区平均温度差距较小,而MODIS温度产品则要比Landsat-8反演结果低;在气温较高的几个时间的差距较大,平均有4 ~ 5 K的温差,而气温较低的几个时间则差距适中,平均温差约为1 ~ 3 K。这是因为两者在过境时间上存在半小时的差异,地温在上午半小时内会有几度的升高,且在天气较热的情况下地温的变化幅度更大。在变化趋势上MODIS温度产品与Landsat-8基本一致。从变化幅度上来看,较热的几个日期变化幅度较大,且能明显地看到热岛效应的影响结果,横坐标轴左边的几个城区大于右边的郊区,而天冷的日期,不同行政区间的温度差异较小,热岛效应的作用也不明显。

    • 图5为不同地类之间Landsat-8反演结果与MODIS温度产品数据的平均地温数据。根据之前的敏感性分析与3种算法间的对比研究,选取敏感性分析结果最好且与其他两个算法差距最小的ISC算法作为Landsat-8的反演结果。

      图  5  不同地类Landsat-8反演结果与MODIS温度产品对比图

      Figure 5.  Comparison between retrieval results from Landsat-8 and MODIS temperature product by different ground feature

      根据经验可知裸地与人工建筑的温度受气温影响变化较大,而水体则因其较高的比热容而温度变化较小。本研究得出的结果与经验一致,水体的平均温度最低,平均要比其他地类的地温低10 K左右;其次为植被;城镇与裸土的平均温度最高,这两个地物的平均地温也十分接近。不同地物随时间变化的增减趋势一致,但变化程度有所不同,水体变化幅度最小,植被适中,城镇和裸土的变化幅度最大。不同日期中地物之间的温度差距大小也有所不同,在天气较冷时地物之间的温差较小,天热时温差较大。

      MODIS地表温度产品的反演结果在植被、裸土和城镇3个地类中明显低于Landsat-8的反演结果,其中裸土和城镇地类与MODIS温度产品的温差最大,平均为5 K左右,植被的温差约为4 K。由于MODIS过境时间与Landsat-8过境时间相差约半小时,而裸土和城镇的地表温度随时间变化较大,因此可能导致了这样的温差结果。对于水体而言,MODIS温度产品与Landsat-8反演结果较接近,平均温差约1.4 K左右,也说明了在温度随时间变化较小的地物间两者的温差更小。从时间上来看,城镇与裸土在天气较热的2017年5月7日、2017年7月10日和2017年9月12日时两者的温差较高,而在天气较冷的2017年3月4日和2017年11月15日时温差较小。植被和水体则相反,在天气较热时温差较低,天气较冷时温差稍高。

    • 如果只对全局数据计算两者间的差值会出现许多地区差距较大的情况。为了更科学地评估反演结果的精度,选取了北京市密云水库的中心区域作为Landsat-8反演结果与MODIS温度产品的对比研究区。该区域因为面积较大,且只有水体一类地物,与其他地物距离又较远,因此MODIS和Landsat-8之间的尺度效应可忽略不计。表7为Landsat-8和MODIS温度产品在该区域的反演平均差值数据。

      日期
      Date
      IMW−MODISISC−MODISJSW−MODIS总平均差值
      Total average
      difference
      总平均标准偏差
      Total average standard
      deviation
      算法
      温差值
      LST difference
      差值标
      准偏差
      Standard deviation
      算法
      温差值
      LST difference
      差值标
      准偏差
      Standard deviation
      算法
      温差值
      LST difference
      差值标
      准偏差
      Standard deviation
      2017−03−04− 2.4531.556− 2.7911.521− 2.8261.388− 2.6901.488
      2017−05−07− 1.6530.708− 1.4491.429− 2.4351.495− 1.8461.211
      2017−07−10− 0.3000.6550.8900.6530.2330.6490.2740.652
      2017−09−12− 0.2690.244− 0.2320.202− 0.2440.284− 0.2480.243
      2017−11−152.4200.5431.5140.5230.8930.5661.6090.544
      绝对值的平均值
      Absolute total average
      1.419 00.741 21.375 00.865 61.326 00.876 41.373 00.828 0

      表 7  Landsat-8算法反演结果与MODIS温度产品平均温差(密云水库地区)

      Table 7.  Mean temperature difference between retrieved results from Landsat-8 and MODIS temperature product (Miyun Reservoir Area)

      表7中,为了更好地衡量不同算法与MODIS温度产品间的平均温差,计算了所有日期的绝对总平均值,而由于统一日期间算法温差值正负符号大致相同,因此对于同一日期的平均温差没有进行绝对值计算。通过以上数据可知,不同算法与温度产品之间的平均温差中最大的算法为IMW(1.419 K),最小的算法为JSW算法(1.326 K),说明不同算法与MODIS产品的差距不大。从不同日期来看,在2017年3月4日、2017年5月17日和2017年9月12日时Landsat-8反演结果均大于MODIS温度产品,其他日期则普遍小于MODIS温度产品。两者间温差最大的日期为2017年3月4日,平均温差达到了− 2.69 K,2017年5月7日和2017年11月15日的平均温差也较高,而2017年7月10日和2017年9月12日的温差则很低,仅有不到0.3 K的绝对温差。总体而言,在温度较低时Landsat-8反演结果与MODIS温度产品的差距较大,而温度较高时则差距较小。2017年5月7日虽然气温较高,但根据查阅气象台当日的气温数据,2017年5月7日的全天最高温和最低温的温差高达24 K,因此MODIS温度产品与实际算法反演结果因过境时间差而产生一定的温差是合理的。实际反演结果与MODIS温度产品的总平均温差为1.373 K,说明Landsat-8反演结果与MODIS温度产品在尺度效应忽略不计的情况下差值较小。

    • 为了更进一步比较Landsat-8地表温度反演结果与MODIS温度产品在空间分布上的区别和联系,观察两者因尺度的不同而产生的差异,选取北京两个地类较丰富、温度异质性较明显的行政区(大兴区和怀柔区),用于分析Landsat-8反演结果和MODIS温度产品在区域尺度较小时同一地区地温高低分布规律的关系,以及彼此在空间分辨率上的差异。图6为2017年9月12日大兴与怀柔地区Landsat-8 ISC算法反演结果分布图与MODIS温度产品分布图,同时对大兴西北区域进行了局部放大。

      图  6  北京局部地区Landsat-8 ISC算法反演结果与MODIS温度产品地表温度分布图对比(2017年9月12日)

      Figure 6.  LST distribution map of Landsat-8 ISC algorithm retrieval results and MODIS temperature product in Beijing local area (September 12, 2017)

      图6中可以看出,Landsat-8的地表温度反演结果与MODIS温度产品结果在地表温度空间分布规律上具有较高的一致性。但相对而言,两者的分布规律在怀柔区更接近,而在大兴区则有一定差异。MODIS温度产品在大兴北部区域呈现均匀的地温高值分布,而Landsat-8反演结果则存在较大的异质性,北部区域既存在地温高值区,也存在低值区,且分布较零散。从真彩色影像可以看出,怀柔区不同地类分布较聚集,多种地类零散分布的现象较少,而大兴区的耕地与城镇则时常紧挨在一起,耕地的地温较低,城镇则较高。MODIS温度产品因空间分辨率仅有1 km,无法反映小区块地类不同的地温差异,因此只能呈现一个平均上的较高地温分布。Landsat-8反演结果分辨率为100 m,能够较好地展现小地块不同地类的地温差异。从怀柔东南区域与大兴西北区域的局部放大图可以更直观地观察这一差异。在Landsat-8地表温度反演结果影像中可观察到城镇区域地温较高,植被区域则相对地温较低,水体部分温度最低。Landsat-8反演结果影像可以清楚地看到地物轮廓。在怀柔区西南部分局部放大图中,Landsat-8影像由于可以分辨出水体温度明显低于周围地区,因此可以看到整个怀柔水库的轮廓,而MODIS地表温度产品的影像则仅呈现出均匀分布的红黄两色,完全无法区分不同地类的地温差异。显然,拥有更高空间分辨率的Landsat-8影像相比MODIS温度产品在精确反演地表温度层面具有更大的优势。

    • 本文分别使用Wang等提出的改进后单窗算法、Cristóbal等提出的改进后单通道算法和Jiménez-Muñoz等提出的劈窗算法对北京地区Landsat-8地表温度进行了反演,得到了5期多时相地表温度分布图,并对3种算法结果进行敏感性分析,同时对Landset-8反演结果与MODIS温度产品进行了多个角度的对比分析,结果表明:

      (1) JSW算法对参数的敏感性最低,ISC算法其次,IMW算法对参数的敏感性相对较高。JSW算法在Landsat-8影像消除杂散光效应影响后可得到更广泛的应用。

      (2) 3个算法的反演结果总体平均温差不超过1 K,其中ISC算法与其他两个算法的温差最小,IMW算法与其他两个算法的温差最大。在天气较热时算法间的差距较小,天气较冷时算法之间差距较大,5期的地表温度变化趋势与气温变化趋势相符合。

      (3) 北京主城区的平均地温明显高于郊区,其中远郊区平均地温最低,大兴区作为离城区最近的郊区具有较高的地温。在天气较热时北京地区的热岛效应较明显,天气较冷时热岛效应相对较弱。

      (4)从总体来看,MODIS温度产品普遍低于Landsat-8的反演温度;从不同日期的反演结果来看,2017年7月10日和2017年9月12日两个时期的反演结果与MODIS温度产品最为接近;从不同地类的平均地温来看,MODIS温度产品与Landsat-8数据反演结果在水体地类温差最为接近,在城镇和裸土地类温差较大。从不同算法来看,JSW算法反演结果平均与MODIS温度产品最接近,其次为ISC算法,IMW算法差距最大。通过选取密云水库中心区域对本研究反演结果与MODIS温度产品进行对比得出,3种算法结果与MODIS温度产品的总平均差值为1.373 K,说明两者在尺度效应忽略不计的情况下地温差值较小。

    • 通过对3种不同Landsat-8 TIRS波段地表温度反演算法结果进行对比分析得出,3个算法之间的差值较小,说明三者精度相近,但更进一步的精度对比研究还需通过与地表实测数据的对比分析得出。

      通过将Landsat-8地表温度反演结果与MODIS温度产品进行对比分析则可得出,MODIS温度产品与Landsat-8地表温度反演结果之间存在一定的温差,其原因可能是两者间约半小时的卫星过境时间差以及因空间分辨率的巨大差距产生的尺度效应。两者在总体地温分布规律上保持一致,但Landsat-8因具有更高的分辨率而能更好地分辨小地块不同地类的地温差异,在精确反演地表温度领域拥有更大的优势。

      虽然本研究最终顺利完成了3种算法的地表温度反演,且得到了较为理想的结果,但依然存在一些不足。首先,在对反演结果进行精度评估中本文仅采用了算法结果自身之间的对比以及与MODIS温度产品的对比,而由于缺乏获取这些数据的渠道且没有自己实施地温实测的条件,因此未采用实测数据更准确地评估反演结果的精度。此外,本文在获取水汽含量参数时采用的是MODIS水汽含量产品,该产品因为MODIS过境时间和Landsat-8卫星存在半小时的时间差而可能存在一定误差,更为理想的获取参数手段可能为使用MSWCVR算法直接通过Landsat-8自身数据反演得到水汽含量,但考虑到该算法自身存在的误差问题而未采用。后续研究可考虑进一步改善对获取水汽含量参数的精度问题。

      针对以上不足,今后的相关研究可考虑选用与卫星数据在时空上完全匹配的实测数据,并增加更多地表温度反演相关算法,更全面地对各类算法的反演精度进行评估验证,同时进一步提高重要参数获取的精度,改进算法的反演结果。

参考文献 (19)

目录

    /

    返回文章
    返回