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。     

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。     

多分辨率地表温度降尺度研究

基于随机森林多遥感因子的降尺度方法 MIRF作为一种新近提出的地表温度空间降尺度方法,避免了因为降尺度因子单一化和回归模型线性化给降尺度带来的不确定性。该方法只是在特定条件下有所应用,但其在多分辨率层级下的降尺度能力和受尺度效应的影响如何还缺乏相关研究。以张掖地区为研究区,以Landsat 8为数据源,设置了810m、270m、90m和30m四种分辨率层级,将反演的810m地表温度降尺度至以上几个较高分辨率层级上。通过交叉验证和直接验证,结果表明:在以上多种分辨率层级上,MIRF方法都取得了较好的精度。随着降尺度分辨率层级的提高,MIRF方法的RMSE从1.2K增加到了2.5K,R2从0.97变化到0.91。说明在270m层级上,MIRF精度最高,受尺度效应的影响最弱。与DisTrad方法和TsHARP方法比较,MIRF方法在以上分辨率层级上受尺度效应的影响也是最弱的。     

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。     

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...     

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。     

耦合MOD16和SMAP的微波土壤湿度降尺度研究

局域尺度上的水文或农业应用亟需较高空间分辨率的土壤湿度(SM)数据,微波土壤湿度空间降尺度是实现这一需求的重要途径.其中“光学/热红外与微波数据融合”的降尺度方法展现出了较大的应用潜力,然而这类方法依赖于遥感地表温度LST (Land Surface Temperature)或由LST分解得到的SM指数,受限于LST“...     

地表辐射温度取代地表温度的可行性分析——以“风云2号”C星与MODIS数据为例

为了反演出全天各个时刻的地表温度数据,在不考虑大气水汽含量和地表比辐射率的情况下,首先建立“风云2号”C星2个热红外通道数据相对于MODIS地表温度数据之间的回归方程,反演出各个时刻的5 km空间分辨率的地表辐射温度;然后根据地表温度最大值和最小值出现的时间,将反演的地表辐射温度降尺度到1 km空间分辨率,在同时刻、同...     

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。     

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。     

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。     

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.     

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.     

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.     

利用AMSR2和MODIS数据的土壤冻融相变水量降尺度方法

本文基于站点实测土壤温度和土壤湿度数据分析,发现温度指数TI(Temperature Index)和土壤冻融相变水量呈现幂函数关系,温度指数能够反映相变水量的变化。使用MODIS地表温度产品计算温度指数,在AMSR2卫星观测尺度上与相变水量建立了关系,从而对土壤冻融相变水量进行了降尺度研究。采用CTP-SMTMN数据采集仪观测网络上的站点观测到土壤水分对土壤冻融相变水量降尺度结果进行了验证。结果表明,土壤冻融相变水量降尺度结果与实测值较为接近,在土壤相变水量大于0.01(m³/m³)时,RMSE为0.0085(m³/m³),MAE为0.0059(m³/m³)。这种通过温度指数对土壤相变水量进行降尺度的方法具有简便,可行,可靠的优势,适合在冻融交替期计算较湿润土壤在冻融过程中产生的相变水量。同时,这种降尺度方法能够生成小尺度上的相变水量产品,实现了热红外遥感和被动微波遥感的优势整合,对研究地气水热平衡,气候变化,土壤冻结强度以及冻融侵蚀强度等具有重要意义。