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

张爱因, 张晓丽. Landsat-8地表温度反演及其与MODIS温度产品的对比分析[J]. 北京林业大学学报, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
引用本文: 张爱因, 张晓丽. Landsat-8地表温度反演及其与MODIS温度产品的对比分析[J]. 北京林业大学学报, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
Zhang Aiyin, Zhang Xiaoli. Land surface temperature retrieved from Landsat-8 and comparison with MODIS temperature product[J]. Journal of Beijing Forestry University, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
Citation: Zhang Aiyin, Zhang Xiaoli. Land surface temperature retrieved from Landsat-8 and comparison with MODIS temperature product[J]. Journal of Beijing Forestry University, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234

Landsat-8地表温度反演及其与MODIS温度产品的对比分析

doi: 10.13332/j.1000-1522.20180234
基金项目: 国家重点研发计划项目(2017YFD0600902)
详细信息
    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,教授,博士生导师。主要研究方向:林业遥感与信息技术。Email:zhang-xl@263.net 地址:100083 北京市海淀区清华东路35号北京林业大学林学院

  • 中图分类号: S771.8;TP72

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

  • 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

    (a)IMW算法水汽含量敏感性分析结果Results of sensitivity analysis by water vapor contents of IMW algorithm;(b)ISC算法水汽含量敏感性分析结果Results of sensitivity analysis by water vapor contents of ISC algorithm;(c)JSW算法水汽含量敏感性分析结果Results of sensitivity analysis by water vapor contents of JSW algorithm. LST:地表温度Land surface temperature

    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

    (a)IMW算法地表比辐射率敏感性分析结果Results of sensitivity analysis by LSE of IMW algorithm;(b)ISC算法地表比辐射率敏感性分析结果Results of sensitivity analysis by LSE of ISC algorithm;(c)JSW算法地表比辐射率敏感性分析结Results of sensitivity analysis by LSE of JSW algorithm. LSE:地表比辐射率Land surface emissivity

    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 K

    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 K

    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) K

    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):451−464.

    Song 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):741−747.

    Xu 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):229−235.

    Xu 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.2004.03.007

    Qin 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] 王雪琳, 刘金福, 何中声, 吴则焰, 江蓝, 朱静, 邢聪, 谷新光.  格氏栲林窗土壤微生物群落功能多样性季节动态特征 . 北京林业大学学报, 2020, 42(7): 77-88. doi: 10.12171/j.1000-1522.20200052
    [2] 李膨利, MuhammadAmir Siddique, 樊柏青, 黄华国, 刘东云.  下垫面覆盖类型变化对城市热岛的影响 . 北京林业大学学报, 2020, 42(3): 99-109. doi: 10.12171/j.1000-1522.20190045
    [3] 雷相东.  机器学习算法在森林生长收获预估中的应用 . 北京林业大学学报, 2019, 41(12): 23-36. doi: 10.12171/j.1000-1522.20190356
    [4] 欧强新, 雷相东, 沈琛琛, 宋国涛.  基于随机森林算法的落叶松−云冷杉混交林单木胸径生长预测 . 北京林业大学学报, 2019, 41(9): 9-19. doi: 10.13332/j.1000-1522.20180266
    [5] 段文标, 郭绮雯, 陈立新, 冯静, 王丽霞, 杜珊.  阔叶红松混交林不同大小林隙地表温度和浅层土壤温度的时空异质性 . 北京林业大学学报, 2019, 41(9): 108-121. doi: 10.13332/j.1000-1522.20180390
    [6] 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, 40(11): 131-136. doi: 10.13332/j.1000-1522.20180007
    [7] 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, 40(5): 90-102. doi: 10.13332/j.1000-1522.20170372
    [8] 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, 40(1): 108-119. doi: 10.13332/j.1000-1522.20170384
    [9] 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, 40(2): 106-113. doi: 10.13332/j.1000-1522.20170405
    [10] 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, 39(2): 108-116. doi: 10.13332/j.1000-1522.20160351
    [11] 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, 39(8): 24-32. doi: 10.13332/j.1000-1522.20170095
    [12] 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, 39(3): 24-31. doi: 10.13332/j.1000-1522.20160163
    [13] 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, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
    [14] 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, 34(3): 64-70.
    [15] 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, 32(3): 70-74.
    [16] 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, 32(3): 27-32.
    [17] 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, 30(增刊1): 192-195.
    [18] 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, 29(4): 37-40.
    [19] 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, 29(6): 66-71.
    [20] 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, 28(3): 14-19.
  • 加载中
图(6) / 表 (7)
计量
  • 文章访问数:  2248
  • HTML全文浏览量:  2650
  • PDF下载量:  110
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-19
  • 修回日期:  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

doi: 10.13332/j.1000-1522.20180234
    基金项目:  国家重点研发计划项目(2017YFD0600902)
    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,教授,博士生导师。主要研究方向:林业遥感与信息技术。Email:zhang-xl@263.net 地址:100083 北京市海淀区清华东路35号北京林业大学林学院
  • 中图分类号: 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。

English Abstract

张爱因, 张晓丽. Landsat-8地表温度反演及其与MODIS温度产品的对比分析[J]. 北京林业大学学报, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
引用本文: 张爱因, 张晓丽. Landsat-8地表温度反演及其与MODIS温度产品的对比分析[J]. 北京林业大学学报, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
Zhang Aiyin, Zhang Xiaoli. Land surface temperature retrieved from Landsat-8 and comparison with MODIS temperature product[J]. Journal of Beijing Forestry University, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
Citation: Zhang Aiyin, Zhang Xiaoli. Land surface temperature retrieved from Landsat-8 and comparison with MODIS temperature product[J]. Journal of Beijing Forestry University, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
  • 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[2-7]。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[8-11]。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:

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

      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)。

      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

      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[14-15] 。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:

      $$ {\varepsilon _{i}} = \left\{ {\begin{aligned} & {{\varepsilon _{i{\rm s}}},{\rm{NDVI}} < {\rm{NDVI_{\rm s}}}}\\ & {P_{\rm v}R_{\rm v}\varepsilon_{ i{\rm v}} + (1 - P_{\rm v})R_{\rm s}\varepsilon_{i{\rm s}} + {{\rm d}}\varepsilon ,}\\ & \quad {{\rm{NDVI_S}} \leqslant {\rm{NDVI}} \leqslant {\rm{NDVI_{\rm v}}}}\\ & {{\varepsilon _{i{\rm v}}} + {\rm{d}}\varepsilon ,{{\rm NDVI}} > {\rm{NDVI_{\rm v}}}} \end{aligned}} \right. $$ (2)

      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:

      $${\varepsilon _i} = \left\{ {\begin{aligned} & {{\varepsilon _{i{\rm m}}},{\rm{NDVI }} <{\rm{NDV}}{{\rm{I}}_{{\rm m}}}}\\[5.5pt] & {{P_{\rm v}}{R_{\rm v}}{\varepsilon _{i{\rm v}}} + (1 - {P_{v}}){R_{\rm{m}}}{\varepsilon _{i{\rm m}}} + {{\rm{d}}\varepsilon }},\\[5.5pt] & \quad {{\rm{NDVI_m}} \leqslant {\rm{NDVI}} \leqslant {\rm{NDV}}{{\rm{I}}_{\rm{v}}}}\\[5.5pt] & {{\varepsilon _{i{\rm v}}} + {{\rm{d}}\varepsilon },{\rm{NDVI }} >{\rm{NDV}}{{\rm{I}}_{\rm{v}}}} \end{aligned}} \right.$$ (3)

      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:

      $$P_{\rm{v}} = \frac{{({\rm{NDVI}} - {\rm{NDVI_s}})}}{{({\rm{NDVI_v}} - {\rm{NDVI_s}})}}$$ (4)
      $$P_{\rm{v}} = {\left[ {\frac{{({\rm{NDV_I}} - {\rm{NDVI_s}})}}{{({\rm{NDVI_v}} - {\rm{NDVI_s}})}}} \right]^2}$$ (5)

      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。