基于随机森林算法的地表温度降尺度研究

地表温度(land surface temperature,LST)是地面能量平衡等模型中的重要参数之一。高时间分辨率的遥感LST可通过降尺度处理实现空间分辨率的提高,这对详细的LST时空分布监测具有重要意义。以北京市为研究区,选择Landsat8 OLI/TIRS数据,通过改进的单窗(improved mono-window,IMW)算法反演LST作为验证数据,在计算归一化差值植被指数(normalized difference vegetation index,NDVI)和归一化差值建筑指数(normalized difference built-up index,NDBI)等多种遥感指数并模拟至1 000 m空间分辨率的基础上,联合空间分辨率为1 000 m的MODIS/LST产品,利用随机森林(random forest,RF)模型实现LST(100 m空间分辨率)降尺度,并与多因子回归方法和基于植被指数的LST锐化算法(TsHARP)2种常用降尺度方法进行对比。实验结果表明:以模拟Landsat/LST作为降尺度数据源,RF方法降尺度LST的均方根误差(root-mean-square,RMSE)为2.01 K,与多因子回归方法和TsHARP算法相比,精度分别提高了0.16 K和0.44 K;针对MODIS/LST降尺度时,RF方法的RMSE为2.29 K,与多因子回归方法和TsHARP算法相比,精度分别提高了0.42 K和0.50 K;针对不同地表类型,RF算法降尺度效果不同,其中高植被覆盖区表现最优,RMSE为1.81 K;城镇表面因其空间异质性,RMSE则达到了2.75 K。     

多尺度城市地表温度降尺度方法

针对目前星载热红外传感器的空间分辨率低,无法满足城市尺度的生态环境研究需求的现状,该文选择地表覆盖类型复杂的区域,根据研究区土地覆盖类型,选取归一化植被指数(NDVI)、城市不透水面指数(ISA)、改进的归一化差异水体指数(MNDWI)等因子加入DisTrad模型,采用移动窗口逐步回归统计地表温度和因子的线性关系,利用半方差曲线函数和均方根误差综合确定最优移动窗口的大小,以提高地表温度降尺度精度。研究结果表明:改进的DisTrad模型在地表覆盖类型复杂区域,具有良好的降尺度目视效果,且具有较高的降尺度精度,尤其在低植被覆盖的建筑区、水体区域具有更高的精度。     

Landsat 8 地表温度产品降尺度深度学习方法研究

以光谱指数为趋势面因子的降尺度方法被广泛用于遥感地表温度尺度转换中,但面临构建的光谱指数难以凸显地表温度分布规律、浅层的统计模型难以精准刻画趋势面因子与地表温度之间的复杂关系的不足。为此,本文以Landsat 8 ARD 地表温度产品为降尺度对象,以Landsat 8 OLI原始数据为潜在趋势面因子,构建地表温度降尺度残差网络（LSTDRN）的深度学习模型;探索适用于Landsat 8地表温度产品空间降尺度的趋势面波段或组合,并在不同季节、不同地表类型下与经典传统方法TsHARP进行定量比较。结果表明：LSTDRN方法利用Landsat 8 OLI原始单波段作为趋势面因子就能有较好的降尺度效果,增加潜在趋势面因子的组合数量并不能提高降尺度效果。不同地表覆盖类型实验中,LSTDRN方法降尺度效果整体优于经典传统方法,且以近红外波段、红光波段和归一化植被指数为趋势面因子时,近红外波段降尺度效果定量评价表现最佳;不同地表覆盖类型的LSTDRN降尺度效果排序为：植被>建筑>水体,而经典传统方法则没有表现出明显的差异。不同季节实验中,LSTDRN方法在春夏冬3季的降尺度效果的定量评价表现明显好于经典传统方法,两类方法的秋季降尺度结果相当。因此,提出的LSTDRN对Landsat 8遥感地表温度产品具有较好的降尺度效果,整体优于经典传统方法且稳定性更强。     

光谱指数趋势面的城市地表温度降尺度转换

针对城市及周边区域建造区和自然地表交织分布的特点,探讨了利用归一化植被指数(NDVI)和归一化建造指数(NDBI)构造趋势面的地表温度(LST)降尺度方法,以北京市市区及周边较平坦区域为例实现了LST自960 m向120 m的降尺度转换。分析了LST空间分布特征及NDVI、NDBI对地物的指示性特征;以北京市四至六环为界分析NDVI、NDBI趋势面对地表温度的拟合程度及各自的适用区域;在120 m、240 m、480 m和960 m 4个尺度上评价了NDVI、NDBI和NDVI+NDBI趋势面对LST的拟合程度和趋势面转换函数的尺度效应;对NDVI、NDBI和NDVI NDBI等3种方法的降尺度结果分覆盖类型、分区域对比评价。实验结果表明结合两种光谱指数的NDVI NDBI方法降尺度转换精度有所改善,改善程度取决于地表覆盖类型组合。     

不同土地利用类型的城市热环境效应研究——以广州市为例

利用2005年Landsat TM遥感卫星数据,对广州市不同土地利用类型与城市热环境之间的关系进行研究,发现不同土地利用类型对地表温度(LST)的影响具有明显的差异。草地、林地及耕地的LST与归一化植被覆盖指数(NDVI)呈现明显的负相关,水域的LST与归一化水体指数(MNDWI)之间呈现明显负相关,而城镇建设用地指数(NDBI)、未利用土地指数(NDBaI)则与LST呈现明显正相关。最后建立了LST与各土地利用类型表征指数及DEM之间的多元线性回归方程,可用来指示一个地区不同地表覆盖及地形差异导致的地表温度分布,为城市热环境的评价和分析提供依据。     

地表温度日变化模型偏差系数解算的地表温度降尺度

地表温度LST（Land Surface Temperature）是全球气候变化研究的关键参数,遥感是获取全球和区域尺度地表温度的一种切实可行手段,但现有的单一传感器无法提供高时空分辨率的LST数据,限制了遥感地表温度数据的深入广泛应用。现有的降尺度方法难以生成无缝高时空分辨率的地表温度数据,且降尺度效果易受高空间分辨率LST数据缺失及有效时刻分布影响。本文提出了一种基于地表温度日变化模型DTC（Diurnal Temperature Cycle）偏差系数解算的地表温度降尺度方法,采用FY-4A、MODIS和Landsat 8的LST数据生成晴空及多云条件下逐小时100 m的无缝LST数据。方法主要包含4部分：（1）利用空值重建方法获取无缝的FY-4A的LST数据;（2）建立FY-4A LST数据的DTC模型;（3）采用时空融合模型对MODIS的LST数据进行空间降尺度;（4）解算DTC模型偏差系数,获取逐小时100 m分辨率的无缝LST数据。实验结果表明,本文提出的方法具有较高的降尺度精度,可获得晴空及多云条件下无缝高时空地表温度数据,且高空间分辨率的地表温度数据缺失和有效时刻分布对本文方法降尺度结果影响较小。     

多尺度地理加权回归的地表温度降尺度研究

由于星载热红外传感器研发技术的局限性,单一传感器尚不能提供兼具高频次、高空间分辨率地表温度数据。协同其他遥感辅助数据,对低空间分辨率、高时间频次地表温度产品开展降尺度研究成为了解决这一难题的有效途径。然而由于现有地表温度降尺度方法未充分考虑不同地表状态参数对地表温度空间分异格局的尺度影响差异,降尺度后的地表温度数据在异质性景观区域存在精度较差和空间纹理不清晰的问题。鉴于此,本文以北京和张掖地区的8期MODIS地表温度产品为例,通过引入多尺度地理加权回归MGWR（Multiscale Geographically Weighted Regression）来分析归一化植被指数NDVI、数字高程模型DEM、坡度和经纬度对地表温度空间格局影响的尺度差异,提出一种针对MODIS地表温度产品的空间降尺度算法,并与TsHARP算法、多元线性回归算法、地理加权回归算法和随机森林回归算法进行定量对比。结果表明,基于MGWR模型的地表温度降尺度转换函数能够良好地揭示多种地表状态参数与地表温度间的不同作用关系,其中NDVI和坡度对地表温度分布具有全局影响,DEM和经纬度对地表温度呈现出了局域性作用。与4种代表性方法相比,基于MGWR算法降尺度后的100 m分辨率地表温度数据具有更好的空间纹理,在城镇和沙漠等温度异质性明显地区保障了清晰的景观纹理;另外,对于所选研究区的8期MODIS地表温度产品而言,利用MGWR算法降尺度后的地表温度均拥有更好的精度,在0—1 K误差级别下的面积占比均大于57%,均方根误差RMSE（Root-Mean-Square Error）均小于2.85 K,决定系数R²（coefficient of determination）均大于0.88。     

城市地表温度空间降尺度研究—以北京市为例

地表温度LST（Land Surface Temperature）是城市热环境研究的重要参数之一,城市下垫面极为复杂,LST空间差异性较高。高空间分辨率LST对精细化城市热环境监测和缓解具有重要意义。目前大部分城市遥感LST降尺度研究仍以二维角度为主,缺乏建筑三维结构的考虑。本研究同时考虑地表二维和三维指标,构建基于随机森林方法的降尺度模型,开展MODIS 1 km LST降尺度研究（100 m）,并探讨二维和三维建筑形态对LST影响的空间尺度效应。另外,为了弥补随机森林模型缺乏物理基础的不足,参考热辐射传输方程,将方程中传感器接收的辐亮度和与大气透过率相关的大气可降水量,加入降尺度模型构建中。为了更好利用真实观测的MODIS 1 km LST验证降尺度结果,故将MODIS LST和所有指标因子升尺度至5 km,开展5 km LST降尺度至1 km研究,进一步研究探讨大气顶层辐亮度和大气可降水量对LST降尺度的影响。研究结果表明：（1）随机森林模型中增加辐亮度和大气可降水量前后,通过将5 km LST降尺度后1 km LST与原始MODIS 1 km LST相比,RMSE和R²分别由3.1 K和0.5提高至0.38 K和0.94。（2）当随机森林模型中增加建筑形态指标后,模型的袋外分数OOB_score由0.46提高至0.49,模拟的100 m LST与ASTER LST产品比较,R²有所降低,可能的原因是ASTER 和MODIS LST的反演方法和传感器不同,造成两者在100 m尺度下的对比性差一些。但是当驱动因子中增加MOD02和MOD05后,RMSE和R²由2.4 K和0.29提高至1.2 K和0.68,进一步说明MOD02和MOD05在1 km LST降至100 m过程中,起到至关重要作用。（3）在1 km和100 m尺度下,增加建筑形态后,模型OOB_score均有提高,并且建筑形态指标的重要性有所不同,在100 m尺度下独立建筑形态的影响程度有所增加。综上,MODIS LST在城市地区降尺度研究中需要考虑大气顶层辐亮度、大气可降水量和建筑形态的影响,并且不同的建筑形态对LST的重要性存在空间尺度效应。     

长春市城区热岛效应遥感分析

针对城市热岛效应对城市生态环境产生的诸多问题,该文以长春市为研究区,利用Landsat TM/TIRS遥感影像,采用普适单通道算法反演地表温度,分析各种驱动因子对地表温度的影响。结果表明:普适单通道算法反演得到的地表温度与卫星过境时测得的气温差值在2℃内。高程(DEM)、优化土壤调节植被指数(OSAVI)、改进归一化差异水体指数(MNDWI)均与地表温度呈负相关,归一化差异不透水面指数(NDISI)与地表温度呈正相关,城市中心区地表温度相对高。长春市1995—2017年间各土地覆盖类型中水体变化最为稳定,裸地变化最为活跃;各土地覆盖类型的平均温度均呈现:建设用地>裸地>林地>水体。因此,通过增加植被与水域的覆盖范围、减少人为不透水面面积可缓解城市热岛效应。     

地理要素对地表温度降尺度算法的多维响应

针对如何克服不同传感器地表温度的时空分辨率矛盾的问题,该文利用随机森林(RF)算法、BP神经网络(BP)算法和多元回归(MLR)算法,直接将原始1km分辨率的MODIS LST降尺度至250m分辨率,并评估地理要素对不同降尺度算法的多维响应。结果表明:①在不同海拔、坡度、坡向和土地利用类型中,RF算法的降尺度效果均为最佳;②在降尺度模型中考虑经纬度、地形因子等地理要素能显著提升降尺度效果;③降尺度效果随海拔升高先增后减,随坡度增加先增后降,从不同坡向看,降尺度效果分异明显,从不同土地利用类型看,林地、草地的降尺度精度最高,耕地次之,水域和建筑用地降尺度精度最低。     

Downscaling of Land Surface Temperature Maps in the Texas High Plains with the TsHARP Method

High-resolution evapotranspiration (ET) maps can assist demand-based irrigation management. Development of high-resolution daily ET maps requires high-resolution land surface temperature (LST) images. Earth-observing satellite sensors such as the Landsat 5 Thematic Mapper (TM) and MODerate resolution Imaging Spectroradiometer (MODIS) provide thermal images that are coarser than simultaneously acquired visible and near-infrared images. In this study, we evaluated the TsHARP downscaling technique for its capability to downscale coarser LST images using finer resolution normalized difference vegetation index (NDVI) data. The TsHARP technique was implemented to downscale seven coarser scale (240, 360, 480, 600, 720, 840, and 960 m) synthetic images to a 120 m LST image. The TsHARP was also evaluated for downscaling a coarser 960 m LST image to 240 m to mimic MODIS datasets. Comparison between observed 120 m LST images and 120 m LST images downscaled from coarser 240, 360, 480, 600, 720, 840, and 960 m images yielded root mean square errors of 1.0, 1.3, 1.5, 1.6, 1.7, 1.8, and 1.9°C, respectively. This indicates that the TsHARP method can be used for downscaling coarser (960 m) MODIS-based LST images using finer Landsat (120 m) or MODIS (240 m)-derived NDVI images. However, the TsSHARP method should be evaluated further with real datasets before using it for an operational ET remote sensing program for irrigation scheduling purposes.     

藏东南冰川地区250 m空间分辨率全天候地表温度生成

遥感全天候地表温度产品在多云雾地区意义重大,对冰川泥石流多发的藏东南地区极具应用价值,但遥感全天候地表温度空间分辨率不足限制了其在精细化灾害监测中的应用。以藏东南冰川地区为研究区,采用高程、坡度、坡向、地表覆盖类型、植被指数、地表反射率、积雪指数作为全天候地表温度的影响因子,结合移动窗口,进行多种地表温度降尺度方法的对比,进而使用最优的降尺度方法将现有的遥感全天候地表温度产品（TRIMS LST）的空间分辨率从1 km提升至250 m。利用地面站点实测数据的评价结果表明,基于梯度提升决策树（LightGBM）的降尺度方法得到的250 m空间分辨率全天候地表温度的均方根误差在白天/夜间为2.25 K/2.15 K,优于基于多元线性回归和随机森林的降尺度方法,且比原始1 km分辨率全天候地表温度的精度高0.25 K左右。基于Q指数与SIFI指数的图像质量评价结果表明,降尺度得到的250 m地表温度不仅在空间格局和幅值上与原始1 km遥感全天候地表温度一致,而且补充了大量的地表温度空间细节信息。生成得到的250 m分辨率的地表温度对于藏东南冰川地区的灾害分析具有积极的意义。     

遥感地表温度降尺度方法比较————性能对比及适应性评价

在归纳现有遥感地表温度降尺度方法的基础上, 选取3种代表性方法:Normalized Difference Vegetation Index (NDVI)、Pixel Block Intensity Modulation (PBIM)和Linear Spectral Mixture Model (LSMM)方法进行实验比较, 并建立了一种纹理相似性度量指标CO-RMSE (Co-Occurrence Root Mean Square Error)。结果表明:(1)NDVI方法受季节影响最严重, 不适于春、冬季, 其次为PBIM方法;(2)LSMM方法受分辨率限制最大, 低分辨率时丢失大量纹理信息, NDVI方法在较高分辨率时优于PBIM方法, 较低分辨率时则相反;(3)3种方法的适用区域分别为植被与裸土像元并存区域, 山区和反照率变化较大区域, 以及类别间温差较大区域;(4)NDVI方法操作最简单, LSMM方法最复杂。分析认为, 尺度因子是决定方法性能的关键, 应根据季节、分辨率、地表覆盖、应用目的和操作性等综合选择。     

On Urban Heat Island of Beijng Based on Landsat TM Data

IntroductionThe scientists have begun to retrieve land sur-face temperature (LST) fromsatellite data sincethe launch of TIROS-Ⅱin 60s of the 20th centu-ry . With the development of remote sensingtechnology and its application, more and moreLST retrieval …     

Land surface temperature and its impact factors in Western Sichuan Plateau,China

The understanding influence of multiple factors variations on land surface temperature (LST) remains elusive. LST was retrieved by the atmospheric correction algorithms. Based on the correlation coefficients, stepwise regression analysis was developed to examine how multiple factors variability led to LST variations. The differences in LST between impact factors vary depending on time in a day. The elevation and land use types significantly affect the LST in sunny slope or shadow areas has a significantly quadratic curve correlation or a negative linear correlation with it, the influence of slope and aspect is not very significant. LST for forestland, grassland and bare land in the sunny slope and shadow area was the cubic polynomial related to its elevation. Normalized difference vegetation index (NDVI) and normalized difference moisture index (NDMI) effectively express LST in mountainous. LST and NDMI or NDVI have a significantly negative correlation, NDMI is more effective and more applicable for the expression of LST.     

GIDS空间插值法估算云下地表温度

选用陆面区域温度最佳空间插值法—梯度距离平方反比法(GIDS),为近似估算云下地表温度提供了可能。实验选取暖季南京江宁地区ETM+影像和ASTERGDEMV1高程数据,探索分析GIDS估算云下地表温度的可行性和可信性。对14种空间大小云覆盖区实验研究表明:利用GIDS插值估算云下地表温度具有可行性,且估算误差随着云覆盖区范围增大而增加,其最大MAE<0.9℃,最大RMSE<1.2℃,并在云覆盖区小于100×100像元时,最大MAE<0.8℃、RMSE<1℃;插值精度与最近邻无云像元典型代表性、区域内空间复杂度和地表覆盖类型均有关,存在不稳定性和动态性;云下NDVI均方差与MAE、RMSE有着一致变化趋势,借助NDVI均方差指示云下地表空间异质性及NDVI–LST负相关性,可对插值结果进行可信性评判,以避免插值结果盲目应用,推进和提升地表温度产品应用价值。     

Satellite-based analysis of the role of land use/land cover and vegetation density on surface temperature regime of Delhi,India

The knowledge of the surface temperature is important to a range of issues and themes in earth sciences central to urban climatology, global environmental change and human-environment interactions. The study analyses land surface temperature (LST) estimation using temporal ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) datasets (day time and night time) over National Capital Territory Delhi using the surface emissivity information at pixel level. The spatial variations of LST over different land use/land cover (LU/LC) at day time and night time were analysed and relationship between the spatial distribution of LU/LC and vegetation density with LST was developed. Minimum noise fraction (MNF) was used for LU/LC classification which gave better accuracy than classification with original bands. The satellite derived emissivity values were found to be in good agreement with literature and field measured values. It was observed that fallow land, waste land/bare soil, commercial/industrial and high dense built-up area have high surface temperature values during day time, compared to those over water bodies, agricultural cropland, and dense vegetation. During night time high surface temperature values are found over high dense built-up, water bodies, commercial/industrial and low dense built-up than over fallow land, dense vegetation and agricultural cropland. It was found that there is a strong negative correlation between surface temperature and NDVI over dense vegetation, sparse vegetation and low dense built-up area while with fraction vegetation cover, it indicates a moderate negative correlation. The results suggest that the methodology is feasible to estimate NDVI, surface emissivity and surface temperature with reasonable accuracy over heterogeneous urban area. The analysis also indicates that the relationship between the spatial distribution of LU/LC and vegetation density is closely related to the development of urban heat islands (UHI).     

On urban heat island of Beijing based on landsat TM data

Land surface temperature (LST) of Beijing area was retrieved from Landsat TM thermal band data utilizing a radiative transfer equation and the urban heat island (HUI) effects of Beijing and its relationship with land cover and normalized difference vegetation index (NDVI) were discussed. The result of LST showed that the urban LST was evidently higher than the suburban one. The average urban LST was found to 4. 5°C and 9°C higher than the suburban and outer suburban temperature, respectively, which demonstrated the prominent UHI effects in Beijing. Prominent negative correlation between LST and NDVI was found in the urban area, which suggested the low percent vegetation cover in the urban area was the main cause of the urban heat island.