城市地表温度影像时空融合方法研究

地表温度（land surface temperature,LST）是反映地表能量和水平衡物理过程的一个重要参数,受限于载荷量的限制以及传感器的技术瓶颈,当前的卫星平台均难以获取同时具有较高空间和时间分辨率的遥感地表温度影像,客观上影响了遥感地表温度影像的应用。针对地表异质性较高的城市区域,选取覆盖武汉城区的中分辨率成像光谱仪（Moderate-Resolution Imaging Spectroradiometer,MODIS）和增强型专题绘图仪（Enhanced Thematic Mapper Plus,ETM+）数据,结合时空反射率融合模型（enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM）和非线性辐射温度分解算法（non-linear disaggregation procedure for radiometric surface temperature,NL-DisTrad）对地表温度影像进行时空融合研究,最终生成60 m空间分辨率的逐日地表温度融合影像。将融合影像与2002-07-09和2002-10-13的ETM+实际地表温度影像进行融合精度验证分析,其决定系数R2分别为0.80和0.86,均方根误差（root mean square error,RMSE）分别为2.65 K和1.78 K。实验结果表明,所提出的地表温度时空融合模型在城市区域的地表温度时空融合应用中具有潜在的应用前景。     

AMSR-E地表温度数据重建深度学习方法

地表温度对于全球气候变化等研究具有重要意义。被动微波遥感传感器AMSR-E（Advanced Microwave Scanning Radiometer for EOS）可以获得全天候地表温度,可作为多云条件下热红外地表温度数据的补充;但轨道扫描间隙限制了该数据在全球或区域尺度上的实际应用。鉴于地表温度的高时空异质性和AMSR-E LST轨道间隙数据的特点,本文提出了一种多时相特征连接卷积神经网络地表温度双向重建模型（MTFC-CNN）,利用深度学习在处理复杂非线性问题上的优势,重建轨道间隙区域的地表温度值。将2010年中国大陆四季的AMSR-E LST数据（数据未含港澳台区域）,分为白天和夜晚,形成共8个数据子集进行实验。在模拟实验中,重建结果与原始反演地表温度值平均均方根误差在1.0 K左右,决定系数R²在0.88以上,优于传统的样条空间插值和时间线性回归方法;真实实验结果具有较好的目视效果,且与对应MODIS LST产品对比发现,重建区LST值和未重建区LST值与MODIS LST产品间具有相近的平均均方根误差和决定系数。因此,本文提出的MTFC-CNN方法能有效重建AMSR-E LST轨道间隙数据,且优于传统方法。     

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。     

顾及时空特征的FY-4A云覆盖像元地表温度重建模型

热红外遥感为地表温度(land surface temperature,LST)时空全局快速获取提供了有效手段,但目前已有的地表温度产品未估算云覆盖像元地表温度,如何估算地表温度产品中空值像元的地表温度,得到无缝的地表温度数据,是热红外遥感的研究难点。针对该问题,提出了一种顾及时空特征的LST重建模型,该模型首先在时间域对LST空值进行重建,然后在空间域对LST空值进行重建,最后采用Savitzky-Golay滤波器对重建的LST数据进行平滑去噪,实现LST的空值重建。以黑河流域为研究区域,以风云四号A星(Fengyun 4A,FY-4A)数据为例,计算了该模型在不同天气条件下的重建精度,并分析了不同空值区域大小对重建结果的影响。结果表明,所提方法能解决晴空和多云天气下有空值像元的LST重建问题,一天内LST连续空值数目为1～31时,重建的均方根误差为0.405～1.915 K,决定系数R2为0.952～0.989;与传统的昼夜温度变化模型相比较,该模型不受有效LST像元数量和LST分布时刻的影响。     

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。     

卫星遥感地表温度降尺度的光谱归一化指数法

针对卫星遥感技术监测地表温度(land surface temperature,LST)存在时空分辨率矛盾这一难题,以TsHARP温度降尺度算法为基础,根据地表覆盖类型的不同,分别选择与LST相关性更好的光谱指数(归一化植被指数,NDVI;归一化建造指数,NDBI;改进的归一化水体指数,MNDWI;增强型裸土指数,EBSI)提出了新的转换模型,并从定性和定量两个角度评价了TsHARP法和新模型的降尺度精度。结果表明:两种模型在提高LST空间分辨率的同时又能较好地保持MODIS LST影像热特征的空间分布格局,消除了原始1km影像中的马赛克效应,两种模型均能够达到较好的降尺度效果;全局尺度分析表明,不管是在降尺度结果的空间变异性还是精度方面,本文提出的模型(RMSE:1.635℃)均要优于TsHARP法(RMSE:2.736℃);TsHARP法在水体、裸地和建筑用地这些低植被覆盖区表现出较差的降尺度结果,尤其对于裸地和建筑用地更为明显(|MBE|3℃),新模型提高了低植被覆盖区地物的降尺度精度;不同季节的降尺度结果表明,两种模型都是夏、秋季的降尺度结果优于春、冬季,新模型的降尺度结果四季均好于TsHARP法,其中春、冬季的降尺度精度提升效果要优于夏、秋季。     

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。     

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。     

面向城区和山区的ERA5再分析地表温度降尺度

地表温度是陆面过程动态模拟、区域和全球变化分析等研究领域的重要参数,如何获得高时空分辨率地表温度数据一直是研究热点问题。选择河北省张家口市城郊区、山区两个区域作为试验研究区,在ERA5 0.1°分辨率地表温度订正基础上,构建随机森林降尺度模型以实现多层级分辨率的地表温度降尺度,并与Landsat 8 TIRS反演地表温度进行对比分析,以探讨再分析地表温度在不同分辨率、不同下垫面类型上的降尺度效果。结果表明：不同分辨率的降尺度结果都能够准确表达地表温度相对高低的空间分布特征,纹理精度显著提高,但降尺度误差随着空间分辨率提高而逐渐增大,城郊区和山区的降尺度均方根误差变化范围分别为1.16—1.79 ℃、1.61—2.49 ℃,地表温度高值与低值区域分别存在着低估和高估现象;随机森林降尺度模型中的参数重要性随尺度变化不大,总体表现为两个区域中植被指数NDVI的重要性都比较大,而海拔高度在山区区域对降尺度模型的影响更大。     

风云静止卫星地表温度产品空值数据稳健修复

静止卫星地表温度数据是研究昼夜气候和环境变化的重要参数。但现有发布的静止卫星地表温度数据由于受到云等大气因素的影响,往往出现数值缺失现象。针对该问题,提出基于昼夜变化模型的风云静止卫星地表温度空值数据的稳健修复方法。由多项式、傅里叶函数和高斯函数构建新的昼夜变化模型,并利用LevenbergMarquardt算法进行模型参数的求解与优化,进而实现空值修复。以风云2号F星数据(FY-2F)为例,模拟不同类型的像元缺失情况进行修复,并将不同模型修复结果与真实温度值比较,同时也对真实数据进行了测试。结果表明:本文提出的修复方法能有效对温度空值数据修复,且优于传统方法。     

Downscaling Landsat-8 land surface temperature maps in diverse urban landscapes using multivariate adaptive regression splines and very high resolution auxiliary data

ABSTRACT

We propose a method for spatial downscaling of Landsat 8-derived LST maps from 100(30?m) resolution down to 2–4?m with the use of the Multiple Adaptive Regression Splines (MARS) models coupled with very high resolution auxiliary data derived from hyperspectral aerial imagery and large-scale topographic maps. We applied the method to four Landsat 8 scenes, two collected in summer and two in winter, for three British towns collectively representing a variety of urban form. We used several spectral indices as well as fractional coverage of water and paved surfaces as LST predictors, and applied a novel method for the correction of temporal mismatch between spectral indices derived from aerial and satellite imagery captured at different dates, allowing for the application of the downscaling method for multiple dates without the need for repeating the aerial survey. Our results suggest that the method performed well for the summer dates, achieving RMSE of 1.40–1.83?K prior to and 0.76–1.21?K after correction for residuals. We conclude that the MARS models, by addressing the non-linear relationship of LST at coarse and fine spatial resolutions, can be successfully applied to produce high resolution LST maps suitable for studies of urban thermal environment at local scales.     

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。     

A radiance-based split-window algorithm for land surface temperature retrieval: Theory and application to MODIS data

The split-window algorithm is the most commonly used method for land surface temperature (LST) retrieval from satellite data. Simplification of the Planck’s function, as an important step in developing the SWA, allows us to directly relate the radiance to the temperature toward solving the radiative transfer equation (RTE) set. In this study, Planck’s radiance relationship between two adjacent thermal infrared channels was modeled to solve the RTE set instead of simplification of the Planck’s function. A radiance-based split-window algorithm (RBSWA) was developed and applied to Moderate Resolution Imaging Spectroradiometer (MODIS) data. The performance of the RBSWA was assessed and compared with three most common brightness temperature-based split-window algorithms (BTBSWAs) by using the simulated data and satellite measurements. Simulation analysis showed that the LST retrieval using RBSWA had a Root Mean Square Error (RMSE) of 0.5 K and achieved an improvement of 0.3 K compared with three BTBSWAs, and the LST retrieval accuracy using RBSWA was better than 1.5 K considering uncertainties in input parameters based on the sensitivity analysis. For application of RBSWA to MODIS data, the results showed that: 1) comparison between LST from MODIS LST product and LST retrieved using RBSWA showed a mean RMSE of 1.33 K for 108 groups of MODIS image covering continental US, which indicates RBSWA is reliable and robust; 2) when using the measurements from US surface radiation budget network as real values the RMSE of the RBSWA algorithm was 2.55 K and was slightly better than MODIS LST product; and 3) through the cross validation using Advanced Spaceborne Thermal Emission and Reflection Radiometer LST product, the RMSE of the RBSWA algorithm was 2.23 K and was 0.28 K less than that of MODIS LST product. We conclude that the RBSWA for LST retrieval from MODIS data can attain a better accuracy than the BTBSWA.     

Estimating land-surface temperature under clouds using MSG/SEVIRI observations

The retrieval of land-surface temperature (LST) from thermal infrared satellite sensor observations is known to suffer from cloud contamination. Hence few studies focus on LST retrieval under cloudy conditions. In this paper a temporal neighboring-pixel approach is presented that reconstructs the diurnal cycle of LST by exploiting the temporal domain offered by geo-stationary satellite observations (i.e. MSG/SEVIRI), and yields LST estimates even for overcast moments when satellite sensor can only record cloud-top temperatures. Contrasting to the neighboring pixel approach as presented by Jin and Dickinson (2002), our approach naturally satisfies all sorts of spatial homogeneity assumptions and is hence more suited for earth surfaces characterized by scattered land-use practices. Validation is performed against in situ measurements of infrared land-surface temperature obtained at two validation sites in Africa. Results vary and show a bias of −3.68 K and a RMSE of 5.55 K for the validation site in Kenya, while results obtained over the site in Burkina Faso are more encouraging with a bias of 0.37 K and RMSE of 5.11 K. Error analysis reveals that uncertainty of the estimation of cloudy sky LST is attributed to errors in estimation of the underlying clear sky LST, all-sky global radiation, and inaccuracies inherent to the ‘neighboring pixel’ scheme itself. An error propagation model applied for the proposed temporal neighboring-pixel approach reveals that the absolute error of the obtained cloudy sky LST is less than 1.5 K in the best case scenario, and the uncertainty increases linearly with the absolute error of clear sky LST. Despite this uncertainty, the proposed method is practical for retrieving the LST under a cloudy sky condition, and it is promising to reconstruct diurnal LST cycles from geo-stationary satellite observations.     

耦合双时相与邻近像元信息的极轨卫星地表组分温度反演

与混合像元的地表温度相比,植被和土壤的组分温度具有更明确的物理意义。因此,本文提出了一种从具有广泛应用的极轨卫星地表温度产品中分离出植被和土壤组分温度的算法。该算法使用温度日变化模型作为桥梁连接极轨卫星一日内的两次观测,利用多像元数据进行模型求解,从而得到过境时刻的地表植被和土壤组分温度。论文针对MODIS数据开展了地表组分温度的反演,并利用实测站点数据和高分辨率卫星数据对反演结果进行了验证。结果表明,该算法可以提供合理的植被和土壤组分温度信息,反演温度的误差变化范围为1.4 K到2.5 K。此外,对观测时刻组合方式的分析表明该算法只需要一次白天观测和一次夜晚观测就可以得到精度较好的分离结果,并且两次观测可以来自于不同传感器,进一步表明了算法具有良好的可操作性。