利用Landsat TM影像进行地表温度像元分解

提出了一种基于Landsat TM的地表温度二次像元分解方法,将地表温度的空间分辨率从120 m提高到30 m。首先,利用地表类型的线性统计模型（E-DisTrad）获取初次分解子像元的地表温度,计算得到初次分解子像元的辐亮度;然后,利用面向对象的图像分割方法获取二次分解子像元的权重,实现对地表温度的二次分解;最后,采用升尺度再分解的验证方法进行精度分析,并选取了北京市TM影像进行实例分析。实验结果表明,二次像元分解模型不仅能有效地提高地表温度的空间分辨率,反映出不同地表类型地表温度的空间差异性,而且保证了像元分解前后能量值的一致性,非常适合于复杂地表覆盖地区的热红外波段遥感影像数据的降尺度处理。     

Landsat8地表温度反演算法研究

介绍了Landsat8地表温度反演算法。利用单窗算法和分裂窗算法分别对Landsat8的两个热红外波段进行了地表温度反演,并通过ENVI-met的模拟温度进行精度验证。结果表明,分裂窗算法和第10波段的单窗算法拥有更高的精度。     

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。     

Landsat 8地表温度反演及验证—以黑河流域为例

地表温度是区域和全球尺度地表物理过程的一个重要参数,目前已有的地表温度产品空间分辨率较低,缺乏高空间分辨率的地表温度产品。Landsat系列卫星提供了大量免费的高空间分辨率遥感数据,然而对应的高空间分辨率地表温度产品还未见到,为了获取长时间序列的高空间分辨率地表温度数据,针对Landsat 8 TIRS数据提出了一个物理单通道地表温度反演算法。该算法首先利用ASTER全球地表发射率产品(ASTER GED)结合Landsat 8地表反射率产品计算Landsat 8影像的地表发射率,然后利用快速辐射传输模型RTTOV结合MERRA大气廓线数据对热红外影像进行大气校正,最后利用物理单通道地表温度反演算法得到地表温度。利用黑河流域HiWATER试验2013年—2015年15个站点的实测地表温度数据对本文方法和普适性单通道算法进行了验证,同时对验证站点的空间异质性进行了分析。结果表明,本文方法和普适性单通道算法估算的地表温度整体精度均较高,能够获取高精度、高空间分辨率的地表温度数据,可以服务于城市热岛效应、地表蒸散发估算等相关研究。     

单窗算法结合Landsat8热红外数据反演地表温度

Landsat热红外系列数据一直是地表温度反演重要的遥感数据源,目前用于地表温度反演的单窗算法主要针对Landsat TM/ETM+第6波段数据(TM 6)建立的,Landsat 8热红外传感器(TIRS)与TM 6相比有很多变化,因而其单窗算法也需要改进。本文以Landsat 8 TIRS第10波段(TIRS 10)为数据源,提出了针对TIRS 10的单窗算法(TIRS10_SC),并对研究区地表温度进行反演研究,确定了研究区不同类型地表的温度值。研究结果表明:(1)TIRS10_SC算法可以较好地应用于Landsat 8数据的地表温度反演,平均反演误差为0.83℃,相关系数为0.805,反演温度与模拟数据和实测数据都具有较好的一致性;(2)通过对单窗算法中的地表发射率、大气水汽含量和大气平均作用温度等参数敏感性分析发现,TIRS10 SC算法能够获得较为可靠的反演结果;同时,TIRS10 SC算法对大气水汽含量和地表发射率敏感性较高,对大气平均作用温度敏感性稍弱。该算法对于利用Landsat 8 TIRS数据快速反演地表温度具有应用价值。     

HJ-1B卫星热红外遥感影像农田地表温度反演

本文以我国自主研发的HJ-1B卫星影像为数据源,利用其热红外影像、基于JM&S普适性单通道算法反演2009年5月20日河北省涿州市和高碑店市的农田地表温度。最后将HJ-1B IRS影像的地表温度反演结果与同时相Landsat TM5影像的反演结果进行比较分析,分析结果表明:本文所提出的基于HJ-1B卫星热红外影像反演农田地表温度精度可靠,该方法是可行性的。     

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

Landsat系列卫星上的TIRS热红外传感器数据已被大量应用,针对TIRS数据的地表温度反演也相继开发出一些算法,并有一些研究对TIRS数据的定标及其地表温度反演算法的精度进行了对比。本文主要就TIRS热红外传感器定标参数的变化,结合这些定标参数变化的时间点对有关地表温度反演算法的适用性和有效性进行分析,特别是对劈窗算法是否适合当前的TIRS数据进行了讨论,以使用户能够对Landsat 8 TIRS热红外数据的正确使用有进一步的认识。总的看来,由于视域外杂散光的影响,TIRS数据的定标精度仍达不到设计目标,TIRS第11波段的不确定性仍成倍大于TIRS 10波段。因此,在Landsat团队未彻底解决这一问题之前,同时用TIRS第10、第11这两个差距较大的波段构成的劈窗算法来反演地表温度,其精度存在较大的不确定性,US6-S团队仍在致力于改进第11波段的精度,改进后的波段可以用劈窗策法。目前应以TIRS第10单波段的方式来反演地表温度为宜。     

长春地区地表温度异常遥感分析

热红外遥感是一项探测地热资源、植被覆盖、农作物估产等生态环境评价研究的重要技术。本次使用Landsat 7/ETM＋热红外波段（band 6）,基于单通道算法,对长春地区地表温度应用反演,从而为研究该区地热资源、土地覆盖、城市热岛效应及环境评价提供可靠的依据。研究表明,热红外遥感能够有效探测到地表温度异常,而引起其异常的原因有待我们就一步验证和深入研究。     

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。     

高分数据辅助下的热红外遥感影像几何校正

随着热红外遥感技术的不断发展,热红外遥感影像在地表温度反演、森林火灾监测、矿物探测等方面应用广泛,而在这些应用中,热红外影像的几何校正是重要的基础性技术。利用高分二号卫星空间分辨率高的优势,通过研究分析异构载荷的成像差异与关联,提出了一种模拟影像与特征匹配相结合的方法。该方法立足高分辨率光学影像,以地面辐射基础数据为条件,首先从热红外辐射角度进行影像模拟形成过渡影像,并将其用于辅助热红外影像几何校正;然后利用尺度不变特征变换(scale invariant feature transform, SIFT)算子实现特征点的检测,从而获取同名点,提高热红外影像的几何校正精度。     

多分辨率低秩导向滤波的热红外图像空间融合

热红外遥感图像由于其特定的成像方式,包含目标特有的发射率及温度等特征。然而,热红外遥感图像较低的空间分辨率却限制了其广泛应用。随着遥感技术的发展,同一区域获得的多源遥感图像可以提供更为完备的目标信息,使得利用多源融合技术实现热红外图像空间分辨率增强与亚像素级特征提取成为可能。为此,本文提出了一种基于多分辨率自适应低秩表达与残差信息迁移的热红外图像空间超分辨算法,该算法通过可见光与热红外图像融合的方式实现热红外图像空间特性的自适应融合增强。本文算法优势主要体现在以下几个方面：（1）基于多分辨率的超像素分割,使用超像素块代替传统的方块作为低秩恢复单元,自适应地调整单元内空间特性以保持单元内地物类型的稳定并抑制结构性噪声;（2）通过构建导向线性滤波器,在保护热红外图像光谱信息的前提下,实现可见光图像精细空间特征向热红外图像的迁移;（3）在低分辨层建立增强热红外图像残差与可见光图像残差之间关联并迁移至高分辨层,在保证超分辨图像细节信息的前提下,实现热红外图像空间超分辨。为了验证算法的有效性,本文采用2014年IGARSS数据融合竞赛提供的可见光与热红外实验数据进行实验,并与融合竞赛中表现最为优异的监督图特征融合方法进行比较,并从温度反演精度以及分类精度两个方面评价超分辨效果。实验结果表明,本文提出的方法其噪声抑制效果、空间平滑效果、边缘锐化效果更为优异,超分辨热红外图像有着更为精细的空间信息,并且对于不同区域类型均能较好的保护热红外图像光谱信息。对于不同地物类型,融合超分辨图像有较高的亚像素温度反演精度以及更高的分类精度,其温度反演误差小于1 K,总体分类精度较原热红外图像提升20%以上。     

提高中巴卫星IR MSS图像空间分辨能力的光谱保真融合方法

介绍一种提高中巴资源卫星IRMSS图像空间分辨能力的光谱保真融合方法。通过计算低分辨率图像上每一个像元对应的高分辨率图像上一组子像元的平均亮度值及二者之差,将该差值与高分辨率图像上相应子像元亮度求和,形成新的图像。该图像具有高分辨率图像的空间细节,又具有低分辨率图像的光谱信息,从而实现融合图像信息保真。试验表明,光谱保真融合方法可以在不改变光谱信息的前提下提高IRMSS图像的空间分辨能力,是一种新的简单实用的数据处理方法。     

面向开采扰动的离子型稀土矿区地表温度降尺度方法

离子型稀土的开采活动会导致矿区地表极其剧烈的生态扰动,并且会造成当地的生态环境问题,而矿区地表热环境分异变化能较好地反映矿区的生态扰动特点,是一种辨识地表生态扰动的重要参数。离子型稀土矿区存在矿点分散且单个矿点面积较小的特征,因此获取实用性强且空间分辨率更高的地表温度数据对稀土矿区生态环境的监测具有重要价值。构建了一种综合图像融合算法、线性光谱混合模型的地表温度降尺度模型。以赣州市辖区内的定南县岭北离子型稀土矿区作为研究区域,以Landsat 8卫星影像作为主要数据源,首先选取同一年份两个季相的数据,综合图像融合算法和线性光谱混合模型,将地表温度空间分辨率降至15 m;然后对降尺度后的地表温度结果进行定性定量的分析并检验其精度。结果表明,分解前、后矿区地表温度的空间分布和走向整体一致,降尺度后的地表温度能够更细致地反映矿区地表特征和空间差异性,研究区内两个季相的降尺度结果整体均方根误差分别为1.459 K、1.196 K,绝对误差分别为1.128 K、0.952 K,精度较高,表明该方法对于提升离子型稀土矿的地表温度空间分辨率有较好的适用性。     

Sentinel-2A与Landsat 8O LI逐像元辐射归一化方法研究

考虑不同传感器光谱响应函数差异及不同地物类型反射率光谱的差异，提出了一种逐像元辐射归一化方法，并以2017年7月17日内蒙古达里诺尔湖地区准同步过境的Sentinel-2A及Landsat 8数据为例，对两类数据可见-近红外波段（VNIR）地表反射率结果进行归一化。首先采用Sen2cor方法及NASA官方提供大气校正算法，分别对Sentinel-2A及Landsat 8 OLI影像进行大气校正并重采样到同一空间分辨率；然后基于光谱库计算匹配因子并构建图像与光谱库之间的匹配转换模型，实现像元尺度上从Sentinel-2影像到Landsat 8影像地表反射率相似波段之间的转换。结果表明，经逐像元归一化的影像相比原始影像及经HLS光谱归一化的影像，与Landsat 8 VNIR波段的相关性明显提高，辐射一致性增强。该转换模型为多源中高分辨率遥感图像高精度辐射归一化提供了新思路。     

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.     

热红外与可见光数据的云边缘高度匹配

高分辨率数据中云高度的差异性突显,特别是边缘处高度在云阴影识别和地表辐射估算等方面成为需要考虑的重要因素。热红外数据获取云高度分辨率较低、缺乏细部差异性特征,为解决这一问题,首先将对应的热红外和可见光数据进行特征点配准,再将基于热红外数据计算的云高度重采样至高分辨率,然后以基于欧式距离变换的围线搜索方法及距离加权将热红外云边缘高度匹配至对应的可见光图像,最后根据云阴影的相似度匹配方法确定真实云高度。结果表明,算法在遵循热红外云高信息分布变化规律的同时,可以得到较准确的高分辨率云边缘高度,一定程度上解决了热红外技术获取云高在分辨率上的局限,扩展了其在云高反演方面的作用。     

Fusion of VNIR and thermal infrared remote sensing data based on GA-SOFM neural network

The multi-source data fusion methods are rarely involved in VNIR and thermal infrared remote sensing at present. Therefore, the potential advantages of the two kinds of data have not yet been adequately tapped, which results in low calculation precision of parameters related with land surface temperature. A new fusion method is put forward where the characteristics of the high spatial resolution of VNIR (visible and near infrared) data and the high temporal resolution of thermal infrared data are fully explored in this paper. Non-linear fusion is implemented to obtain the land surface temperature in high spatial resolution and the high temporal resolution between the land surface parameters estimated from VNIR data and the thermal infrared data by means of GA-SOFM (genetic algorithms & self-organizing feature maps)-ANN (artificial neural network). Finally, the method is verified by ASTER satellite data. The result shows that the method is simple and convenient and can rapidly capture land surface temperature distribution of higher resolution with high precision.