基于CCI和MODIS数据的淮河流域地表土壤湿度降尺度方法研究

土壤湿度是控制陆地和大气间水热能量交换的一个关键参数,同时也是陆面生态系统水循环的重要组成部分。本文选用25 km分辨率的CCI(Climate Change Initiative)土壤湿度产品数据,并结合1 km分辨率的MODIS数据,构建微波土壤湿度产品数据降尺度回归算法,获取淮河流域1 km空间分辨率的土壤湿度数据。降尺度后所获取淮河流域1 km空间分辨率的土壤湿度数据总体上提高了25 km空间分辨率的CCI土壤湿度产品数据的精度.     

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。     

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。     

耦合MODIS数据的SMAP被动微波土壤水分空间降尺度研究——以闪电河流域为例

土壤水分不仅是陆面过程中重要的变量,同时也是全球水循环中的关键参数。为了获得高分辨率的土壤水分数据,本文将基于自适应窗口的土壤水分降尺度方法应用在闪电河流域,以1 km MODIS产品(地表温度和归一化植被指数)作为辅助数据,对9 km的SMAP被动微波土壤水分(SMAP土壤水分)数据进行降尺度,得到研究区1 km的降尺度土壤水分数据。利用地面站点实测土壤水分和机载被动微波土壤水分(机载土壤水分)对降尺度土壤水分和SMAP土壤水分进行了验证,并对辅助数据和降尺度方法本身展开分析以探讨降尺度过程中的不确定性来源。结果表明:(1)本文使用的基于自适应窗口的土壤水分降尺度方法能够有效地提高SMAP土壤水分的空间分辨率,在进一步丰富土壤水分分布细节变化信息的同时,还能够保留SMAP土壤水分的空间变化特征并与其保持值域一致。(2) 3种基于像元尺度的土壤水分数据(机载土壤水分、SMAP土壤水分和降尺度土壤水分)与站点实测土壤水分之间的相关性并不高,这主要与点、面数据之间的空间匹配不一致、空间代表性不同以及有效验证的数据量有限有关。而与站点数据验证相比,降尺度土壤水分和SMAP土壤水分均和机载土壤水分数据相关性较好。(3) SMAP土壤水分与辅助数据之间的相关性比机载土壤水分与辅助数据之间的较高,而这两种土壤水分数据之间存在的这种偏差主要受到空间尺度、观测配置、参数反演算法和选用的辅助数据等因素的影响。(4)针对验证结果的不确定性,通过增加辅助数据或改变土壤水分估算模型结构进而修改降尺度模型的方式在本研究中并不能显著提高降尺度结果的精度,如何进一步提高降尺度精度仍是未来需要研究的重点。     

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。     

基于极端随机树的闪电河流域土壤水分反演

土壤水分在地表动植物生存、大气—地表间的能量和物质循环中承担着重要的角色,对水循环、气候变化、农业监测、生态环境、地质灾害等应用指标的大面积监测具有重要意义。但由于土壤类型、土壤结构条件、地形特征、植被环境以及人类活动等因素的影响,土壤含水量的分布存在空间异质性特点,对较大区域(例如流域尺度)的土壤水分分布进行监测仍然十分困难。本文以闪电河流域为例,利用中分辨率成像光谱仪(MODIS)反射率数据反演得到植被指数,并以相关植被指数VIs (Vegetation Indices)、地表温度LST (LandSurface Temperature)数据为输入参数,实测土壤水分数据为期望输出参数,发展了一种基于极端随机树的土壤水分反演方法。考虑到地表温度的不易测量性以及对区域土壤湿度监测的需求,本文使用短波红外转换反射率STR (Shortwave Infrared Transformed Reflectance)代替LST建立极端随机树模型,反演了覆盖闪电河流域的2°×2°区域的土壤湿度图。实验结果表明:(1)输入参数使用LST时,基于极端随机树的土壤湿度反演模型表现较好,其均方根误差为0.054 m~3m~(-3),相关系数为0.69,预测精度优于其他模型(支持向量机、随机森林);(2)输入参数使用STR时,预测结果的均方根误差为0.060 m~3m~(-3),相关系数为0.66,使用STR代替LST进行大面积土壤湿度预测具有可行性,土壤水分的空间分布与实际情况基本一致,能够满足一般的应用需求。     

北京7·21暴雨时空分布特征及热岛-雨岛响应关系

以新中国成立以来北京地区发生单日最大降雨的2012年"北京7·21暴雨事件"作为研究对象,采用热带降雨观测计划(tropical rainfall measuring missio,TRMM)降雨数据、气象观测降雨数据和中分辨率成像光谱仪(MODIS)的地表温度(land surface temperature,LST)产品,利用空间插值、空间降尺度、精度评价及相关分析等方法分析北京7月21日暴雨的时空分布特点,定量研究城市"热岛-雨岛"时空响应关系。结果表明:从空间分布来看,强降雨发生北京南部;从TRMM的3 h降雨数据来看,随着时间推移最强雨带自西向东推进;经气象数据验证,降尺度的TRMM 3B42数据精度有所提高;LST对暴雨的影响表明热岛与雨岛在空间分布上存在一致性,且在雨强最大时段两者相关性最好。     

FY-3D/MWRI L1B亮温LST反演与降尺度研究

基于2020年2月1日FY-3C VIRR LST和FY-3D MWRI L1B亮温数据,以18°～54°N,73°～135°E的区域为样例区,利用统计回归模型和层次贝叶斯融合模型,分别进行FY-3D MWRI L1B LST反演和降尺度研究,构建了基于FY-3D单频率水平和垂直极化亮温的LST二元线性回归反演模型及基于FY-3D反演LST和FY-3C VIRR LST的层次贝叶斯融合降尺度模型,并以MYD11A1 day LST为参考数据进行了验证。结果表明:反演统计模型,对于FY-3D降轨数据,平均偏差-1.28 K,误差标准差8.85 K,均方根误差8.85 K,对于FY-3D升轨数据,平均偏差-0.81 K,误差标准差6.74 K,均方根误差6.78 K;层次贝叶斯融合降尺度模型,对于FY-3D降轨数据,平均偏差0.50 K,误差标准差5.45 K,均方根误差5.41 K,对于FY-3D升轨数据,平均偏差0.25 K,误差标准差5.54 K,均方根误差5.54 K,精度满足需求,可以为被动微波LST反演与降尺度提供思路。     

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。     

融合微波遥感与模型模拟的时空无缝土壤湿度数据生成方法

遥感反演与模型模拟是获取全球土壤湿度数据的两种基本手段,遥感反演可以获得相对较高的空间分辨率,但往往存在时空缝隙;陆面模型能够模拟土壤湿度的时空连续演进,但空间分辨率往往较粗。为此,集成二者的互补优势,提出一种融合微波遥感与模型模拟的全球无缝土壤湿度数据生成方法。具体地,针对SMAP(soil moisture active passive）卫星9 km土壤湿度数据的空缺区域,引入GLDAS Noah 0.25°的模型同化数据,建立二者之间的时空融合模型,通过对模型数据的降尺度实现对遥感数据的填补,进一步基于泊松方程方法进行残差校正,进而生成高精度的9 km日尺度土壤湿度无缝数据。实验结果证明,该方法可以有效结合遥感观测的空间分辨率优势与模型模拟的时空连续优势,提供时空无缝全球土壤湿度数据,更好地满足全球尺度水循环监测与水资源管理的需求。     

被动微波土壤水分遥感产品空间降尺度研究：方法、进展及挑战

土壤水分不仅在地表水、能量以及碳循环中发挥着非常重要的作用,其时空变化也是影响和反映气候变化的关键因子。虽然被动微波遥感技术是目前监测大尺度范围土壤水分变化最为成熟的技术手段,但是其土壤水分产品空间分辨率往往较低（几十千米不等）,不能满足区域和局地尺度的应用需求。鉴于这一问题,空间降尺度逐渐成为了提高被动微波土壤水分遥感产品空间分辨率的主要方式,也是当前遥感研究领域的热点之一。本文总结与分析了近20多年来国内外被动微波土壤水分遥感产品空间降尺度研究进展,系统归纳了经验性、半经验性和基于物理机理的3大类降尺度方法,并就各方法特征进行了详细说明,概述了各方法的优势和缺点。归纳而言,虽然被动微波土壤水分遥感产品空间降尺度方法众多,但可靠的高分辨率降尺度土壤水分产品仍较少,这与被动微波土壤水分遥感产品、降尺度关系模型方法以及降尺度辅助因子等有着直接的关联。未来相关研究应重点结合多源遥感数据建立适用性强、精度高的降尺度关系模型,进而实现时空无缝的高时空分辨率降尺度土壤水分产品的生产,为推动土壤水分遥感产品在农林业管理、自然灾害监测、水文过程分析等区域应用中提供支持。     

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。     

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。     

Analysis of urban built-up areas and surface urban heat island using downscaled MODIS derived land surface temperature data

Regional scale urban built-up areas and surface urban heat islands (SUHI) are important for urban planning and policy formation. Owing to coarse spatial resolution (1000 m), it is difficult to use Moderate Resolution Imaging Spectroradiometer (MODIS) Land surface temperature (LST) products for mapping urban areas and visualization, and SUHI-related studies. To overcome this problem, the present study downscaled MODIS (1000 m resolution)-derived LST to 250 m resolution to map and visualize the urban areas and identify the basic components of SUHI over 12 districts of Punjab, India. The results are compared through visual interpretation and statistical procedure based on similarity analysis. The increased entropy value in the downscaled LST signifies higher information content. The temperature variation within the built-up and its environs is due to difference in land use and is depicted better in the downscaled LST. The SUHI intensity analysis of four cities (Ludhiana, Patiala, Moga and Vatinda) indicates that mean temperature in urban built-up core is higher (38.87 °C) as compared to suburban (35.85 °C) and rural (32.41 °C) areas. The downscaling techniques demonstrated in this paper enhance the usage of open-source wide swath MODIS LST for continuous monitoring of SUHI and urban area mapping, visualisation and analysis at regional scale. Such initiatives are useful for the scientific community and the decision-makers.     

利用高分辨率水文模型提高GRACE卫星的空间分辨率

为克服GRACE卫星数据空间分辨率粗糙的局限性,本文以高空间分辨率的PCR-GLOBWB数据为基础,构建了加权、乘权及误差分配降尺度方法,将GRACE卫星在河北省的水储量变化数据的空间分辨率由0.50°提高至0.05°。结果表明：加权降尺度方法不仅保留了GRACE数据的原始空间分布特征,还刻画了局部细节特征;误差分配降尺度方法结果较为理想,但在格网交界处的信号存在跳跃现象;乘权降尺度方法表现最差,与GRACE存在明显差异。经实测数据验证可知,加权降尺度方法与实测值拟合程度最好,相关系数最高可达0.81。本文为获取河北省高空间分辨率地下水储量数据提供了有效保障。     

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.     

Modelling the Gross Primary Productivity of West Africa with the Regional Biomass Model RBM+, using optimized 250 m MODIS FPAR and fractional vegetation cover information

Global warming associated with climate change is one of the greatest challenges of today’s world. Increasing emissions of the greenhouse gas CO₂ are considered as a major contributing factor to global warming. One regulating factor of CO₂ exchange between atmosphere and land surface is vegetation. Measurements of land cover changes in combination with modelling the Gross Primary Productivity (GPP) can contribute to determine important sources and sinks of CO₂.The aim of this study is to accurately model the GPP for a region in West Africa with a spatial resolution of 250 m, and the differentiation of GPP based on woody and herbaceous vegetation. For this purpose, the Regional Biomass Model (RBM) was applied, which is based on a Light Use Efficiency (LUE) approach. The focus was on the spatial enhancement of the RBM from the original 1000–250 m spatial resolution (RBM+). The adaptation to the 250 m scale included the modification of two main input parameters: (1) the fraction of absorbed Photosynthetically Active Radiation (FPAR) based on the 1000 m MODIS MOD15A2 FPAR product which was downscaled to 250 m using MODIS NDVI time series; (2) the fractional cover of woody and herbaceous vegetation, which was improved by using a multi-scale approach. For validation and regional adjustments of GPP and the input parameters, in situ data from a climate station and eddy covariance measurements were integrated.The results of this approach show that the input parameters could be improved significantly: downscaling considerably reduces data gaps of the original FPAR product and the improved dataset differed less than 5.0% from the original data for cloud free regions. The RMSE of the fractional vegetation cover varied between 5.1 and 12.7%. Modelled GPP showed a slight overestimation in comparison to eddy covariance measurements. The in situ data was exceeded by 8.8% for 2005 and by 2.0% for 2006. The model results were converted to NPP and also agreed well with previous NPP measurements reported from different studies. Altogether a high accuracy and suitability of the regionally adjusted and downscaled model RBM+ can be concluded. The differentiation between vegetation growth forms allows a separation of long-term and short-term carbon storage based on woody and herbaceous vegetation, respectively.