基于ETM_影像的福州市部分城区的地表温度反演与分析
遥感07-毕业设计题目(选)
学生 于博洋 臧 博
许海蓬 赵 强
修明军 王 旭 牟 磊 李敬德 吴廷博 张焕雪 姬景龙 段 宁 李文君 姜 建 王玉叶 纪晓华 孙云晓 侯典吉 吴 垒 田会龙 高明刚 任仲亮 耿晓庆 王孔华 王吉振 张 岩
宋 晓 刘明旭 刘钊君 谢小伟 李 兴 李 帅 孙常峰 张 超
郑明振 曲家杰 赵冠雄 张 辰
指导教师 江涛 江涛 江涛 江涛 江涛 江涛 江涛 王志勇 王志勇 王志勇 王志勇 王志勇 战丽丽 战丽丽 战丽丽 战丽丽 战丽丽 王仁礼 王仁礼 王仁礼 王仁礼 王仁礼 王萍 王萍 王萍 王萍 孙林 孙林 孙林 孙林 孙林 孙林 蔡玉林 蔡玉林 蔡玉林 蔡玉林 蔡玉林 朱红春 朱红春 朱红春 朱红春 朱红春 许君一 许君一 许君一 许君一 许君一 许君一 朱金山 朱金山 朱金山 朱金山 朱金山 朱金山 朱金山
选题来源 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 生产 科研 科研 生产 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 科研 研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 工程实际 理论研究 科研项目 工程实际 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目 科研项目
基于ETM数据地表温度反演实验单通道算法操作文档
基于ETM 数据煤田火区地表温度反演的研究实验操作步骤与流程算法：单通道算法，其公式为Τs =γ[ε−1(ψ1L sensor +ψ2)+ψ3]+δ （1）γ={c 2L sensor T sensor 2[λ4c 1L sensor +λ−1]}−1（2） δ=−γL sensor +T sensor （3）L sensor =L min (λ)+[L max (λ)−L min (λ)]Q DN Q max ⁄ （4）T sensor =K 2ln (1+K 1L (λ)⁄)⁄ （5） K 1=666.09(mW ∙cm −2∙sr −1∙um −1), K 2=1282.71Kψ1=0.1471∙ω2−0.1558ω+1.1234 （6）ψ2=−1.1836∙ω2−0.3761ω−0.5289 （7）ψ3=−0.0455∙ω2+1.8719ω−0.3907 （8）ω=0.177e +0.339 （9）e =0.6108∗exp [17.27(Τ0−273)237.3+Τ0−273]∗RH （10） 先来说明单通道算法公式（1）中γ，L sensor ，δ，ψ1，ψ2，ψ3等这些参数的计算过程，地表比辐射率ε的计算过程稍后在说明。
（1）对于ψ1，ψ2，ψ3的计算，只要查阅资料得知相对湿度RH ，与温度Τ0后，就可以算出大气中水蒸汽的含量ω，进而可以根据公式算出ψ1，ψ2，ψ3。
（2）对于L sensor 的计算，也就是辐射校正的过程，主要目的在于把影像中像元的灰度值转化成辐亮度L sensor ，公式（4）中的L min (λ)，L max (λ)，Q max 在影像头文件中可以找到，Q DN 就是所要进行校正的影像。
在ENVI 中的操作如下： Basic tools → band math ,然后点开出现如下左侧对话框：对于ETM 数据热红外波段高增益就是L sensor =3.2+9.45∙Q DN 255⁄ 然后点ok 出现如下右侧对话框：选择b1为需要校正的波段指定输出文件夹点ok即可。
针对TM_ETM_遥感数据的地表温度反演与验证
的影响，暴露于地表上的部分还会受到空气温度和太阳 辐射的影响，这些因素共同造成了水银温度计的测量误 差[3]，同时这样接触式测量难以实现大面积快速测量，其 结果也缺乏区域代表性[4]。红外辐射计能够以非接触的方 式测量地表辐射温度，对于均匀下垫面有一定代表性。 但是如果直接用红外辐射计得到的地面实测值来对遥感 反演结果进行验证，则忽略了周围的环境辐射以及地表 比辐射率的影响[5]。吴骅[6] 基于上述 3 种反演算法，利 用 TM 影像计算了北京城区的地表温度，结果表明：辐 射传输方程算法反演的地表温度最高，其次为单窗算法， 普适性单通道算法反演得到的地表温度最低，而且单窗 算法反演得到的水体温度与使用红外辐射计观测的温度 值相差近 2℃。孟宪红等[7]分别采用辐射传输方程算法、 单窗算法和普适性单通道算法，利用 Landsat-5 TM 遥感 数据对甘肃金塔地区的地表温度进行反演，并以金塔绿 洲自动气象站的红外地表温度探头获取的地表辐射温度 资料为基础，将流动观测中由手持式红外测温仪获取的 地表温度插值到卫星过境时刻，通过比较，得到辐射传 输方程算法、单窗算法和普适性单通道算法的平均误差 分别为 1.88℃、1.87℃和 2.86℃，认为这 3 种方法都能较 好地反映地表温度的分布趋势。高志强等[8]利用研究样带 区域 57 个国家一级气象观测站的实测地表温度数据，并 采用二项式插值方法对地表温度进行空间尺度的扩展， 分别与 CLM（Common Land Surface Model）模拟的地表 温度和 AVHRR 遥感数据反演的地表温度进行了对比研 究，结果表明：模式模拟得到的地表温度与实测地表温 度的分布格局吻合。在水域和农田上，模拟值误差较大， 而在裸地、草地和林地上，模拟温度误差较小。利用分 裂窗算法反演得到的地表温度与地面实测值相差较大， 在裸地和农田上的差异更加明显。相对而言，分裂窗算 法较适合于自然覆盖状态的地表温度的反演。Li Fuqin
(完整)基于单窗算法反演地表温度的ENVI操作教程
单窗算法反演地表温度教程1.1 算法原理1.1.1单窗算法单窗算法（MW 算法）是覃志豪于2001年提出的针对TM 数据只有一个热红外波段的地面温度反演算法。
经过众多学者验证，单窗算法具有很高的反演精度，且同样适用于ETM+和landsat 8数据。
公式如下：6666666666/)))1(()1((C T D T D C D C b D C a T a sensor s -++--+--=式中，LST 为地表温度（K ），T sensor 是传感器上的亮度温度（K ），T a 是大气平均温度（K ）；a 、b 为参考系数，当地表温度为0-70℃时，a = -67.355351，b = 0.458606；C 、D为中间变量，计算公式为：式中，为地表比辐射率，为地面到传感器的大气总透射率。
因此单窗算法反演地表温度的关键是计算得到亮度温度T senso 、地表比辐射率、大气透射率和大气平均作用温度T a 。
1.1.2参数计算1.1.2.1辐射亮温计算利用Planck 公式将图像像元对应传感器辐射强度值转换为对应的亮度温度值。
公式如下式中，T senso 为亮度温度值；影像预处理后得到的光谱辐射值，λL 单位为，K1 、K2为常量，可由数据头文件获取。
)/(2m sr m w μ⋅⋅计算图像辐射亮温之前，需采用辐射定标参数将像元灰度值DN转换为热辐射强度值，公式如下：式中，M L 为增益参数，A L 为偏移参数，该参数可直接在影像通文件数据中获取，且ENVI 软件中已经集成，不需要自己在查找。
1.1.2.2地表比辐射率计算根据覃志豪针对TM 影像提出的混合像元分解法来确定区域地表福辐射率。
对于城市区域，我们简单的将其分为水体、自然表面和建筑表面三种，因此针对混合像元尺度上的地表比辐射率通过下式来估算：式中，为混合像元的地表比辐射率；P V 为植被覆盖率；R V 为植被的温度比率；R M 为建筑表面的温度比率；V 表示植被法地表比辐射率，m 表示建筑表面的地表比辐射率；d表示辐射校正项。
ENVI下利用ETM+数据反演地表温度
ENVI下利用ETM+数据反演地表温度地表温度作为地球环境分析的重要指标，而遥感技术作为现代重要的对地观测手段，使得基于遥感图像的地表温度反演的研究越来越多。
主要的地表温度反演方法有：大气校正法，单窗算法，单通道法等等。
本文介绍用辐射传输方程法对地表温度进行反演。
技术流程：例子数据为2002年9月2日的襄樊市Landsat ETM+数据。
根据数据的特点以及地表温度反演研究的技术要求，采用的技术路线为：先对Landsat ETM+数据进行预处理：数据读取、辐射定标、大气校正、襄樊区域裁剪，利用大气校正，即：辐射传输方程法对其影像热红外波段数据进行操作反演，实现襄樊市地区的地表真实温度的反演研究。
具体的处理流程如下：具体的实现步骤如下：第一步：准备数据热红外数据使用的是Landsat的第六波段，已经做了传感器定标、几何校正、工程区裁剪，详细流程参考上面的流程图。
文件为TM6-rad-subset-jz-xiangfan.img。
由TM影像（已经过大气校正）生成的NDVI数据，已经利用主菜单->BasicTools->Resize Data（SFatial/SFectral）重采样为60米分辨率，与TMi6数据保持一致，文件名为：TM-NDVI-60m.img。
第二步：地表比辐射率计算物体的比辐射率是物体向外辐射电磁波的能力表征。
它不仅依赖于地表物体的组成，而且与物体的表面状态(表面粗糙度等)及物理性质(介电常数、含水量等)有关，并随着所测定的波长和观测角度等因素有关。
在大尺度上对比辐射率精确测量的难度很大，目前只是基于某些假设获得比辐射率的相对值，本文主要根据可见光和近红外光谱信息来估计比辐射率。
(一)植被覆盖度计算计算植被覆盖度Fv采用的是混合像元分解法，将整景影像的地类大致分为水体、植被和建筑，具体的计算公式如下：F V = (NDVI- NDVI S)／(NDVI V - NDVI S) （2）其中，NDVI为归一化差异植被指数，取NDVI V = 0.70和NDVI S = 0.00，且有，当某个像元的NDVI大于0.70时，F V取值为1；当NDVI小于0.00，F V取值为0。
地表温度反演
1、TM/ETM波段的热辐射传导方程：B6(T6)=t6(q)[e6B6(Ts)+(1-e6)I6~]+I6_Ts是地表温度；T6是TM6的亮度温度；t6是大气透射率；e6是地表辐射率。
B6(T6)表示TM6遥感器所接收到的热辐射强度；B6(Ts)是地表在TM6波段区间内的实际热辐射强度，直接决取于地表温度；I6~和I6_分别是大气在TM6波段区间内的向上和向下热辐射强度。
2、化简后最终的单窗体算法模型为：Ts={a(1-C-D)+[b(1-C+D)+C+D]T6-DTa}/C式中C6=t6e6(e6为比辐射率，t6为透射率）D6=(1-t6)[1+t6(1-e6)]a =-67.355351，b=0.4586063、大气平均作用温度Ta的近似估计温度换算：T＝t＋273.15本图为7月份拍摄，对于中纬度夏季平均大气Ta=16.0110+0.92621T0取乌鲁木齐市平均气温为25摄氏度时Ta = 312.157534、大气透射率t6的估计t6=0.974290-0.08007w，0.4≤w≤1.6。
w为水分含量，单位(g/cm2)，这里，取w=1.0，计算得到t6=0.894225、地表比辐射率的估计典型地表类型的比辐射率ew=0.995ev=0.986em=0.970Pv=[(NDVI- NDVIs)/(NDVIv- NDVIs)]2NDVI 为归一化植被指数, 取NDVIv=0.70 和NDVIs=0（分别取自5%及95%数据）e surface=0.9625+0.0614Pv-0.0461Pv^26、像元亮度温度计算T6=K2/ln(1+K1/L6)其中：K1=607.76，K2=1260.56（覃志豪，用陆地卫星TM6数据演算地表温度的单窗算法）；L6为遥感器接收的辐射强度。
7、遥感器接收的辐射强度计算L6=(15.303-1.238)*b1/255.0+1.238 （覃志豪，用陆地卫星TM6数据演算地表温度的单窗算法）；b1为第六波段像元灰度值（DN值）。
基于某单窗算法反演地表温度地ENVI操作教程
单窗算法反演地表温度教程1.1 算法原理1.1.1 单窗算法单窗算法（MW 算法）是覃志豪于2001年提出的针对TM 数据只有一个热红外波段的地面温度反演算法。
经过众多学者验证，单窗算法具有很高的反演精度，且同样适用于ETM+和landsat 8数据。
公式如下：式中，LST 为地表温度（K ），T sensor 是传感器上的亮度温度（K ），T a 是大气平均温度（K ）；a 、b 为参考系数，当地表温度为0-70℃时，a = -67.355351，b = 0.458606；C 、D 为中间变量，计算公式为：式中，为地表比辐射率，为地面到传感器的大气总透射率。
因此单窗算法反演地表温度的关键是计算得到亮度温度T senso 、地表比辐射率、大气透射率和大气平均作用温度T a 。
1.1.2 参数计算1.1.2.1 辐射亮温计算利用Planck 公式将图像像元对应传感器辐射强度值转换为对应的亮度温度值。
公式如下6666666666/)))1(()1((C T D T D C D C b D C a T a sensor s -++--+--=式中，T senso 为亮度温度值；λL 影像预处理后得到的光谱辐射值，单位为)/(2m sr m w μ⋅⋅，K1 、K2为常量，可由数据头文件获取。
计算图像辐射亮温之前，需采用辐射定标参数将像元灰度值DN 转换为热辐射强度值，公式如下：式中，M L 为增益参数，A L 为偏移参数，该参数可直接在影像通文件数据中获取，且ENVI 软件中已经集成，不需要自己在查找。
1.1.2.2 地表比辐射率计算根据覃志豪针对TM 影像提出的混合像元分解法来确定区域地表福辐射率。
对于城市区域，我们简单的将其分为水体、自然表面和建筑表面三种，因此针对混合像元尺度上的地表比辐射率通过下式来估算：式中，为混合像元的地表比辐射率；P V 为植被覆盖率；R V 为植被的温度比率；R M 为建筑表面的温度比率；V 表示植被法地表比辐射率，m 表示建筑表面的地表比辐射率；d 表示辐射校正项。
专题二：ENVI下利用ETM+数据反演地表
L7 ETM+ 波段特性选择band6的原因P34
地球自身的辐射主要 集中在长波，即6微米 以上的热红外区段。
该区段太阳辐射的影 响几乎可以忽略不计， 只考虑地表自身的热 辐射。
普朗克公式的反函数
在获取温度为TS的黑体在热红外波段的辐射亮度后， 根据普朗克公式的反函数，求得地表真实温度TS：
TS = K2/ln(K1/ B(TS)+ 1)
对于ETM+，K1 =666.09W/(m2· μm)，K2 =1282.71K。 sr· 利用ENVI主菜单->Basic Tools->Band Math，在公式输 入栏中输入： （1282.71）/alog（666.09/b1 +1）-273 b1：温度为T的黑体在热红外波段的辐射亮度值。 得到真实的地表温度值，单位是摄氏度。
ENVI下利用ETM+数据 反演地表温度
/s/blog_764b1 e9d0100r484.html 3/18/2013
反演（retrieve）
/view/750178.htm 遥感上的反演 基于模型知识的基础上，依据可测参数 值去反推目标的状态参数。或者说，根据 观测信息和前向物理模型，求解或推算描 述地面实况的应用参数（或目标参数）。
技术路线
第一步：准备数据 第二步：地表比辐射率计算 第三步：计算相同温度下黑体的辐射亮度值 第四步：反演地表温度 第五步：结果浏览与输出
扩展阅读
黑体及黑体辐射（P19） /view/27417.htm
所谓黑体是指入射的电磁波全部被吸收，既没有 反射，也没有透射( 当然黑体仍然要向外辐射)。
基于ETM数据地表温度反演实验单通道算法操作文档
基于ETM 数据煤田火区地表温度反演的研究实验操作步骤与流程算法：单通道算法，其公式为Τs =γ[ε−1(ψ1L sensor +ψ2)+ψ3]+δ（1）γ={c 2L sensor T sensor 2[λ4c 1L sensor +λ−1]}−1（2） δ=−γL sensor +T sensor （3）L sensor =L min (λ)+[L max (λ)−L min (λ)]Q DN Q max ⁄（4）T sensor =K 2ln (1+K 1L (λ)⁄)⁄（5） K 1=666.09(mW ∙cm −2∙sr −1∙um −1), K 2=1282.71Kψ1=0.1471∙ω2−0.1558ω+1.1234 （6）ψ2=−1.1836∙ω2−0.3761ω−0.5289（7）ψ3=−0.0455∙ω2+1.8719ω−0.3907 （8）ω=0.177e +0.339 （9）e =0.6108∗exp [17.27(Τ0−273)237.3+Τ0−273]∗RH （10） 先来说明单通道算法公式（1）中γ，L sensor ，δ，ψ1，ψ2，ψ3等这些参数的计算过程，地表比辐射率ε的计算过程稍后在说明。
（1）对于ψ1，ψ2，ψ3的计算，只要查阅资料得知相对湿度RH ，与温度Τ0后，就可以算出大气中水蒸汽的含量ω，进而可以根据公式算出ψ1，ψ2，ψ3。
（2）对于L sensor 的计算，也就是辐射校正的过程，主要目的在于把影像中像元的灰度值转化成辐亮度L sensor ，公式（4）中的L min (λ)，L max (λ)，Q max 在影像头文件中可以找到，Q DN 就是所要进行校正的影像。
在ENVI 中的操作如下： Basic tools →band math ,然后点开出现如下左侧对话框：对于ETM 数据热红外波段高增益就是L sensor =3.2+9.45∙Q DN 255⁄ 然后点ok 出现如下右侧对话框：选择b1为需要校正的波段指定输出文件夹点ok即可。
福建省ETM卫星遥感数据预处理方法
表 1 Landsat TM 图像信息特征及用途表
分辨率/m
主要用途
30
易穿透水体，对叶绿素与叶色素浓度反应敏感，有助于探测水下地形、
水质、水深，判别水中叶绿素分布等。
30
覆盖叶绿素的小反射峰区，与 3, 4 波段配合可探测植物长势、类型等。
30
覆盖叶绿素的强吸收谷，与 4 波段之比值或差值称植被指数，表征叶绿
第 34 卷第 5 期 2018 年 9 月
齐 齐 哈 尔 大 学 学 报（自然科学版） Journal of Qiqihar University(Natural Science Edition)
Vol.34,No.5 Sep.,2018
福建省 ETM 卫星遥感数据预处理方法
李琳 1，陈松林 2，修晓龙 3
素浓度极为灵敏，不同植物种类对叶绿素吸收的区别，也有助于区别不
同土壤、岩矿类型。
30
对绿色植物类别差异最敏感，为植物通用波段，用于生物量调查、作物
长势测 、水域判别等。
30
处于水的吸收带（1.4～1.9 µm）内，反映含水量敏感，用于土壤湿度、
植物含水调查，水分状况的研究，作物长势分析等。
120
根据辐射响应的差别，判别表面湿度、水体、岩石，以及监测与人类活
势资料，达到突出影像有用信息，压制干扰信息，提高图像的可解程度，提高解译效果的目的。并对其进行影像
质量分析，效果良好，可作为本课题后续地理底图编制和地理底图数据库建库的数据基础。
关键词：遥感图像；预处理；ETM
中图分类号：TP751.1
文献标志码：A
文章编号：1007-984X(2018)05-0012-07
和航片相比具有范围大、速度快、重访周期短等优势。它有地面分辨率为 1 m 的全色波段和蓝、绿、红、 近红外等 4 个地面分辨率为 4 m 的多光谱波段。
基于卫星数据的地表温度反演研究的报告
基于卫星数据的地表温度反演研究的报告近几十年来，由于全球变暖，地表温度的变化已成为大家关注的重要环境问题。
地表温度是反映环境变化的一个重要指标，由于地表温度的监测很难，卫星遥感技术可以实现地表温度的反演。
因此，卫星数据在研究环境变化和监测预警中扮演了关键角色。
地表温度反演是利用遥感卫星搜集的大气数据，通过反演模型，预测地表温度的一种技术。
要实现地表温度反演，必须具备准确的模型和良好的反演算法。
研究者利用计算机模拟和数学模型等方法，可以精确计算地表温度反演的质量，实现对地表温度的准确反演。
本研究的目的是研究基于卫星数据的地表温度反演方法，以期在研究全球变暖和气候变化方面发挥重要作用。
首先，研究者筛选出可以提供卫星数据的卫星系统，并利用其中的分布式计算模型进行实验，建立了基于通量的地表温度反演模型。
在反算过程中，研究者对卫星天气数据和地表温度进行了比较，得出了成功的结果。
接下来，研究者通过分析多普勒雷达回波信号的变换，可以给出模型的反演结果，并与实际采集的地表温度数据进行比较。
多普勒雷达回波信号中透露出的地表温度特征可以有效预测反演结果。
此外，研究者还考虑到雷达技术的相关限制，提出了改进型反演模型，以改善反演的精度。
最后，研究者还分析了基于卫星数据的地表温度反演技术过程中的局限性，并采取了一些措施来改善反演的精度。
经过本次研究，研究者构建了一个基于卫星数据的地表温度反演模型，其中包括一系列模型及其具体实现技术，这些模型和技术可以有效预测地表温度反演的结果，为研究全球变暖和气候变化提供重要依据。
总之，本报告介绍了基于卫星数据的地表温度反演技术的研究过程，以及改善反演精度的方法，为更好地研究全球变暖和气候变化提供了重要参考。
最近几十年来，随着全球变暖的加剧，地表温度变化已成为一个重要的环境问题，由于地表温度监测较难，为了实现地表温度反演，卫星遥感技术就成了研究的重点。
为此，本研究介绍了基于卫星数据的地表温度反演方法，包括模型建立，反演算法和反演精度改进等内容，并采用实验的方式进行验证，最终获得了成功的反演结果。
基于卫星数据的地表温度反演研究的报告
基于卫星数据的地表温度反演研究的报告地表温度是地理学领域中非常重要的环境参数，它可以反映大气和地表物质相互作用过程，是考虑环境变化因素的关键信息。
基于卫星数据的地表温度反演是利用太阳辐射作为温度的一个有效参考标尺，并利用一定衰减模型描述地表温度的特征，这是一种独特的研究方法。
在卫星数据的地表温度反演研究中，有不同的算法，如基于红外波段的算法、基于天线温度的算法、基于太阳辐射的算法等，它们可以更准确地反演出地表温度。
这些算法各自具有不同的优势和特点，可以有效地发挥此类技术的强大功能。
现在，地表温度反演技术已被广泛应用于气候变化，环境变化的研究中。
此外，它也被用于农业，水资源管理，生态监测，生物多样性以及其他地理信息系统中。
例如，地表温度反演可以帮助我们发现和确定土壤温度场的分布及其对植物生长和生物多样性的影响。
此外，地表温度反演也可以更好地理解气溶胶，降水等大气污染和气候变化造成的影响。
因此，基于卫星数据的地表温度反演研究是一项重要的任务，它有助于更好地理解地球的环境变化，预测气候变化的影响，收集有关农业状况，水资源分布，生物多样性数据等的信息。
因此，必须使用最新的技术和算法，以获得最准确的地表温度反演数据。
本报告将深入讨论基于卫星数据的地表温度反演研究，包括地表温度反演算法，地表温度反演技术在不同应用领域中的应用，基于卫星数据的地表温度反演研究需要考虑的问题以及获得最准确反演数据的最新技术。
首先，本报告将讨论不同的地表温度反演算法，如基于红外波段的算法、基于天线温度的算法和基于太阳辐射的算法，以及它们的优势和特点。
光谱数据分析也是地表温度反演的基本方法，它可以用来估计大气和地表特征，并有助于精确把握空间分布效应。
其次，本报告将讨论地表温度反演技术在不同应用领域，如气候变化，环境变化，农业，水资源管理，生态监测，生物多样性以及其他地理信息系统的应用。
基于卫星的地表温度反演技术可以为这些领域的研究提供有价值的反馈，从而确定空间分布和时间分布上的影响，帮助人们更好地理解和管理环境。
基于卫星数据的地表温度反演研究的报告
基于卫星数据的地表温度反演研究的报告近年来，随着和温室气体污染的迅猛发展，全球变暖的问题引起了全世界的关注。
地表温度是衡量全球变暖的一个重要标志，因此，研究地表温度变化的精确反演已成为气候研究中非常重要的一个动态领域。
为获取更准确的地表温度反演数据，利用卫星数据反演地表温度已成为当前研究的主要重点。
目前，卫星数据的地表温度反演研究有很多种方法，主要分为传统的反演方法和较新的反演方法。
在传统反演方法中，一般采用物理模型的方式，利用地表特征的观测数据，建立物理模型，反演地表温度。
在较新的反演方法中，主要是利用卫星数据实现数据挖掘，利用机器学习算法提取地表温度信息，结合物理模型来反演地表温度。
卫星数据反演地表温度具有一些优势，可以提供全球覆盖、高时间分辨率、频率和空间分辨率的高精度覆盖，实现全球性的地表温度反演研究。
同时，使用卫星数据反演地表温度能够实现长期观测，构建数据库，为研究地表温度变化提供有效的依据。
为了研究地表温度变化的规律，本文利用卫星数据的地表温度反演采用较新的反演方法，主要实现步骤如下：首先，利用高精度的卫星数据对全球的地表温度进行实时观测，并构建数据库；其次，采用机器学习算法进行地表温度信息的提取，联合物理模型反演地表温度；最后，进行相关分析，确定地表温度变化的规律。
在实际应用中，本文的方法可以有效地反映全球不同地区地表温度的变化情况，为特定地区的气候研究提供有效的依据。
同时，本文的方法也可以用于监测特定地区地表温度变化的长期趋势，为控制全球变暖提供有价值的参考。
总之，本文利用较新的反演方法，利用卫星数据实现了全球性的地表温度反演研究，为进一步研究全球变暖提供了可靠的科学依据，对于进一步评估全球变暖对地球气候变化的影响具有重要的意义。
综上所述，卫星数据的地表温度反演已成为气候研究中的一个热门课题，越来越多的研究者正在研究利用卫星数据提取地表温度信息，来反演地表温度。
本文基于卫星数据，实现了全球覆盖的高精度的地表温度反演，可以更好的预测特定地区的气候变化，为控制全球变暖提供有价值的参考。
基于卫星遥感技术的城市地表温度反演研究
总第23卷260期2021年4月大众科技Popular Science&TechnologyVol.23No.4April2021基于卫星遥感技术的城市地表温度反演研究陈湘楠耿莉(广西壮族自治区自然资源调查监测院，广西南宁530023)【摘要】随着我国空间规划的开展，需要能够掌握城市各地块的人类聚居和工业发展等指数，其中城市地表温度是衡量城市各地人类居住和发展状况一个有效的参考。
传统的手段统计分析地表低温宏观性差，且时效性不佳，因此需要一种能够快速分析城市地表气温方法。
研究以典型的南方城市——南宁市为例，利用Landsat8的多波段卫星遥感数据，通过热红外辐射到同温黑体辐射定标，快速分析城市地表温度差异，从而获得比较准确的城市地表温度分布图。
该研究成果对于未来南宁市空间规划和城市建设等领域，都有重要参考作用。
【关键词】温度反演；比辐射率；热辐射；Landsat8【中图分类号】X87【文献标识码】A【文章编号】1008-1151(2021)04-0029-04 Study of Urban Land Surface Temperature Retrieval Based onSatellite Remote Sensing TechnologyAbstract:With the development of China's spatial planning,we need to be able to grasp the index of h uman settlements and industrial development of each urban plot,in which the urban surface temperature is an efiective reference to measure the human living and development status in various parts of the city.The traditional method of statistical analysis of surface low temperature is poor in macroscopicity and timeliness,so it needs a fast method to analyze urban surface temperature.Taking Nanning,a typical southern city,as an example,using landsat8multi band satellite remote sensing data,through thermal infrared radiation to the same temperature blackbody radiometric calibration,the paper quickly analyzes the difference of urban surface temperature,so as to obtain a more accurate urban surface temperature distribution map.The research results have an important reference for the future of Nanning in the field of spatial planning and urban construction.Key words:temperature retrieval;emissivity;heat radiation;Landsat8引言城市是人类聚居地，是商业、工业、居住中心。
基于LandsatETM+影像的福州市地表温度反演研究
基于LandsatETM+影像的福州市地表温度反演研究
基于Landsat ETM+影像的福州市地表温度反演研究
以福州市为研究区,采用单窗算法,对Landsat ETM+第6波段的遥感数据,进行地表温度反演,得到地表温度分布图,分析了地表温度分布规律,并提出减轻热岛效应措施.结果表明:福州市城市热岛效应显著,单窗算法可以较好的反映城市热场的空间分布,地表温度与归一化植被指数(NDVI)有良好的负相关关系,与地面下垫面密切相关.
作者：蒋世章季青汪康董玉娟作者单位：蒋世章,季青(福建师范大学地理科学学院,福建,福州,350007)
汪康(上海市民防地基勘察院,上海,200232)
董玉娟(河北农业大学,河北,保定,071000)
刊名：大众科技英文刊名：DAZHONG KEJI 年，卷(期)：2009 ""(10) 分类号：P237 关键词：Landsat ETM+ 单窗算法地表温度城市热导。
利用Landsat遥感影像进行福州市地表热通量估算的研究试验
利用Landsat遥感影像进行福州市地表热通量估算的研究试验伍雄昌;张友水;黄美玲;梁春雨【摘要】The urban heat island effect has become one of the most serious city environmental problems. It causes the higher temperature in urban areas than in the surrounding rural areas, which changes the atmospheric environment and influences the people's life. Using satellite remote sensing (Landsat TM acquired in 1989 and ETM+ images acquired in 2001) ,we extract the land surface temperature, albedo and fractional vegetation cover. Then the sensible and latent heat fluxes which are climatic factor related to the urban heat island can be estimated with local ground meteorological data. The latent flux of impervious surface covered with anthropogenic building or cement road is corrected by using fractional vegetation cover. It improves the method calculating the latent flux of impervious surface. And then this paper analyses spatial-temporal distributions of surface heat fluxes with the land cover. In the end,by assessing and validating the accuracy of surface heat fluxes, we demonstrate that the estimated results of heat fluxes in our study are reasonable.%利用福州市1989年和2001年Landsat TM/ETM+遥感影像数据估算地表温度、地表反照率和植被覆盖度等地表参数,再结合气象站观测资料,估算与城市热岛密切相关的气候因子即显热通量和潜热通量.然后根据植被覆盖度对由人工建筑物和水泥道路等构成的不透水面覆盖区的潜热通量进行修正,改进了不透水面潜热通量的计算,并且探讨了地表热通量随土地覆盖变化的时空分布特征.最后对地表热通量精度进行分析和检验,论证了本研究的地表热通量估算结果是合理的.【期刊名称】《遥感信息》【年(卷),期】2013(028)002【总页数】11页(P24-34)【关键词】显热通量;潜热通量;植被覆盖度;不透水面;遥感;福州市【作者】伍雄昌;张友水;黄美玲;梁春雨【作者单位】福建师范大学地理科学学院,福州350007【正文语种】中文【中图分类】TP791 引言城市热岛效应[1]是由若干复杂因素导致的，如能源消耗，具有高热容量和高传导性的地表人工材料的应用，以及可应用于蒸散降温的植被和水域等透水面的减少。
基于TM影像的城市热岛效应反演及分析
基于 TM影像的城市热岛效应反演及分析【摘要】：随着城市建设的高速发展、城市人口大量增多、气候条件不断恶化，城市热岛效应带来的影响日益突出。
采用热红外影像反演地表温度成为一种高效获取地表温度数据的有效方法。
本文利用TM影像以辐射传输方程法和单窗算法分别对青岛西海岸经济新区的陆面温度进行反演，对两种方法得到的温度数据进行横向对比以检验两种反演方法的优劣性，同时对热岛效应区域变化情况进行纵向对比以总结城市热岛效应变化规律。
【关键词】：地表温度反演城市热岛效应动态变化特征引言近几十年来，热红外遥感技术的飞速发展为快速地获取区域地表温度空间差异信息提供了新的路径。
地表温度在区域资源环境研究中的重要性已经使热红外遥感成为遥感研究的一个重要领域[1]。
本文将采取辐射方程法和单窗算法分别对青岛高新区的热岛时空变化进行反演分析，以此来探究两种方法的差异性及优劣性。
1.研究区概况青岛西海岸经济新区是国家海洋经济发展战略确定建设的新区，本次研究区域为黄岛区、胶南市全域,陆域面积2096平方公里，该区属温带海洋性气候，平均气温12.7℃，温度最高为8月，月平均气温为25.3℃，极端最高气温为38.9℃，年平均降水量为662.1mm。
近年来，随着全球气候变暖及城市热岛效应的不断增强，该区的高温天气数逐年增加，且极端高温天气逐年增强。
2．反演机理与技术路线2.1辐射传输方程算法原理对于TM影像来说，热红外传感器所接收到的辐射能量（L（d））主要包括大气上行辐射亮度（Ls），大气下行辐射强度（Lx）以及地面的真实辐射亮度经过大气散射、吸收后卫星传感器接收的热辐射能量。
本文研究：假设在热辐射条件下将地表和大气看做朗伯体，根据辐射传输方程推导出与地表真实温度相同的黑体在热红外波段的辐射亮度LT的公式：LT=[L(d)- Ls-τ（1-ε）Lx]τε （1）由普朗克公式的反函数，进一步推导出地表真实温度T的计算公式：T=K2/Ln(K1/LT+1) （2）其中K1=666.09W(㎡·sr·μm)，K2=1282.71K[2]。
基于Landsat数据的2种地表温度空间降尺度算法比较研究
基于Landsat数据的2种地表温度空间降尺度算法比较研究范鹏宇;丁凤;张鑫【摘要】以2003年5月29日福州市Landsat ETM+影像为数据源,对2种地表温度空间降尺度算法-EM算法和HUTS算法进行实验、比较与分析.EM算法是利用高空间分辨率的地表比辐射率对低空间分辨率的亮度温度影像进行调节,从而达到提高热红外影像空间分辨率的目的；HUTS算法则是引入了归一化差异植被指数NDVI和地表反照率α,通过在低空间分辨率拟合二者与地表温度LST之间的关系,然后根据其尺度不变性,将该关系应用到高空间分辨率的影像上,从而达到提高热红外影像空间分辨率的目的.研究结果表明:1)2种算法所得结果影像都能在有效提高空间分辨率的同时较好地保持了原始地表温度影像的空间分布特征,达到了较好的降尺度效果；2)以RMSE为定量评价指标,HUTS算法要略优于EM算法,其中,EM 算法的RMSE为1.249 4,而HUTS算法仅为0.986 9.【期刊名称】《亚热带资源与环境学报》【年(卷),期】2013(008)002【总页数】8页(P20-27)【关键词】地表温度;空间降尺度;EM算法;HUTS算法;比较【作者】范鹏宇;丁凤;张鑫【作者单位】福建师范大学地理科学学院,福州350007;福建师范大学地理科学学院,福州350007;福建师范大学地理科学学院,福州350007【正文语种】中文【中图分类】TP7510 引言热红外遥感影像的常见用途是进行地表温度的反演，然而，运用遥感卫星直接来进行较高空间分辨率的日常地温监测还是比较困难的，这是由于地面发散的热辐射相对较低，许多卫星传感器不能提供具有与可见光和短波红外一样多的细节信息的热红外波段，导致直接从卫星热红外数据获得的地表温度通常是混合像元的温度，从而限制了遥感反演地表温度在实际生产生活中的深入应用［1］．因此，采用各种技术手段，如空间降尺度技术 (有的研究又称“亚像元分解”)提高热红外遥感数据的空间分辨率更显出其重要意义．近年来，伴随着地表温度遥感反演算法的不断发展，国外学者先后提出了一些将遥感反演所得地表温度进行空间降尺度的算法，以满足获取较高空间分辨率地表热信息的需求．基于不同空间分辨率下地表温度与归一化差异植被指数 (NDVI)之间的关系是恒定的这一假设，Kustas于2003年提出了利用地表温度与植被指数的关系来实现热红外影像空间降尺度的DisTrad算法，并成功地应用千米级的热红外影像与百米级的NDVI影像之间的关系将热红外影像分解至百米级，使得运用遥感数据进行百米级日常地温监测成为可能［2］;Agam于2007年对其与Kustas等人共同提出的DisTrad算法进行了改进，提出了TsHARP算法，并在对植被指数、植被覆盖度与地表温度关系进行回归分析的基础上，研究不同的回归关系在热红外影像降尺度的表现，结果表明植被覆盖度与地表温度之间的一元线性关系能够更好地实现降尺度目标［3］;2009年，Nichol基于斯蒂芬-玻尔兹曼定律，提出了利用比辐射率对影像像元进行分解的Emissivity Modulation算法 (以下简称为EM算法)，并将其成功地应用到香港地区的ASTER影像上［4］;2011年，Dominguez等人提出的High-resolution Urban Thermal Sharpener算法 (以下简称为HUTS算法)，则是在确定地表温度、归一化植被指数和地表反照率关系的基础上，将热红外波段的空间分辨率提高到与可见光近红外波段一致，并将其成功地应用到美国波多黎各地区的机载传感器ATLAS影像上［5］．与国外相比，国内学者在这方面的研究起步相对较晚，但近年来也陆续发表了一些研究成果．2009年，杨红娟对现有几种利用地表温度与植被指数关系进行函数拟合的地表温度降尺度研究方法进行了比较，并提出了基于MODIS数据的地表温度降尺度三角形算法［6］;杨静学于2010年将DisTrad算法模型应用于高植被覆盖区，并通过引入增强型植被指数EVI对其进行了改进［7］;2010年，刘雅妮对比分析了2种不同的多尺度参数化方案，指出利用植被指数分解温度的方法适用性更广，纠正效果更好，并提出如果能将2种方法融合起来，可进一步提高尺度订正效果［8］;聂建亮于2011年利用3种不同转换关系的TsHARP方法将MODIS地表温度从1 km降尺度到500 m，并对降尺度结果和原始影像进行定性和定量统计验证，分析了3种不同的TsHARP降尺度方法的效果及其精度［9］;2011年，林丽娟将TsHARP算法和EM算法进行了对比研究，并尝试将EM算法应用于厦门的城市热岛研究［10］;2011年，占文凤等从数据同化角度提出了一种基于半经验回归方程和调节技术的热红外影像细化通用理论框架［11］．纵观国内外研究发现，尽管各国学者迄今为止已经提出了各种不同的地表温度空间降尺度方法，但研究区域和条件不同，遥感数据类型不同，每一种方法在不同研究区的适用性不同 (如有些方法是基于不同植被覆盖条件提出的)，其相关参数 (如植被指数、地表比辐射率等)的选择、计算、组合及适用范围仍需要进一步深入研究和探讨．有鉴于此，本研究以福建省福州市为研究区，选择目前较为成熟的、适宜用于城市区域的2种算法——EM算法和HUTS算法进行实验比较与分析，以探讨这2种算法的适用性情况．1 研究区概况及数据研究区的范围为119°08'～119°27'E，25°52'～26°10'N，总面积约946 km2;在地貌上属于河口盆地，盆地周围丘陵山地环绕;境内地势自西向东倾斜，闽江自西北向东南穿流而过．由于地形相对封闭，不利于气流流动，研究区所在的福州市区城市热岛显著，特别是近年来福州市区夏季温度屡创新高，已成为全国新三大“火炉”之一．研究所选取的实验数据为覆盖福州市区及其周边毗邻地区的2003年5月29日的Landsat ETM+影像，其热红外波段影像的空间分辨率为60 m，多光谱波段的空间分辨率为30 m．研究区范围如图1所示．1．1 地表比辐射率的估算根据国内外文献调查，地表比辐射率的获取途径主要有3种:实验室测量、野外测量和利用遥感数据反演．前二者虽然精度较高，但只能在某一时刻对特定地物进行测量且较繁琐．遥感反演是目前能够瞬时获取较大范围地表比辐射率的唯一有效途径．基于Landsat数据的地表比辐射率反演方法主要有2类:NDVI 估算法［12］和分类赋值法［4，13-14］．其中，NDVI估算法是通过建立NDVI和地表比辐射率之间的经验模型来估算地物的比辐射率;而分类赋值法则是先将遥感影像进行分类，再根据实测的或者文献报道的地物比辐射率给各类土地覆盖类型赋予不同的值，从而获得地表比辐射率影像．结合研究区特点及降尺度的需要，本研究采用目前较为常用的算法——由覃志豪等提出的方法进行研究区地表比辐射率的估算［13］．图1 研究区影像 (RGB543假彩色合成)Figure1 Image of the studyarea(RGB543)1．2 地表温度反演热红外遥感数据常被用来进行地表温度反演．Landsat TM/ETM+的第 6波段 (以下简称为“TM6”或“ETM+6”)属于热红外波段，可以用来进行地表温度的反演．应用TM6/ETM+6数据反演地表温度主要有4种方法:辐射传输方程法、基于影像的反演算法、单窗算法和单通道算法［12，15-19］．通过文献阅读与初步实验对比，本研究选取较常用的单窗算法进行研究区的地表温度反演．单窗算法 (Mono-window Algorithm)是覃志豪等人［17］为了避免辐射传输方程法对实时大气剖面探测数据的依赖性，根据地表热辐射传输方程，推导出的一个简单可行的专门用于从TM6/ETM+6数据中反演地表温度的方法，这一算法把大气和地表状态对地表热传输的影响直接包括在演算公式中．该算法计算公式如下:式 (1)中:LST是地表温度，单位为K;a6和b6是根据热辐射强度和亮度温度的关系拟合出来的参考系数，分别为a6=-67．355 351和b6=0．458 606;C6和D6是中间变量，可分别根据C6=ετ和D6=(1-τ)［1+(1-ε)τ］求得;ε是地表辐射率;T6是卫星高度上传感器所探测到的像元亮度温度，单位为K;Lλ是传感器在卫星高度上测得的辐射强度，单位为W/(m2·ster·μm)，可通过辐射定标从像元DN 值计算获得;Gain、Offset为波段定标系数，即传感器参数，可以从图像头文件中获取，或根据影像的成像时间通过经验值获得;对于Landsat ETM+，K1=666．09 W/(m2·ster·μm)，K2=1 282．71 K;τ是大气透射率，Ta是大气平均作用温度，单位为K，这2个参数可根据当地的地面气象观测数据 (地面附近的气温和水分含量)估算获得［14］．1．3 地表反照率的估算地表反照率表征着地表物理结构的综合状况，快速、有效获取地表反照率在区域地表温度反演、气候监测及辐射建模等应用中具有重要意义．近年来，许多学者实证拟合了TM/ETM+数据进行地表反照率反演时各波段的权重系数，本研究以Liang 等提出的转换系数来计算全波段的地表反照率，其公式如下［20］:式 (2)中:α为地表反照率，r1、r3、r4、r5、r7分别为各波段的反射率．本研究采用ENVI软件自带的FLAASH模块进行大气校正，求得各波段的反射率，而后计算全波段的地表反照率．2 研究方法2．1 EM 算法EM算法的主要思路是利用高空间分辨率的地表比辐射率影像对低空间分辨率的热红外影像进行调节，从而达到提高热红外影像空间分辨率的目的．基于EM算法应用ETM+热红外影像进行空间降尺度的技术流程如图2所示．在ETM+的热红外波段影像上，60 m×60 m区域的信息由一个像元表示，而在其可见光或近红外波段影像上，相同大小的区域则可由4个像元予以表达，所获取的地物信息更为丰富．实际应用中，如果仅采用与热红外波段影像空间分辨率(60 m 空间分辨率)一致的地表比辐射率影像来进行地表温度的反演，那么得到的地表温度影像所能反映的热信息就很有限，而如果用与可见光、近红外等波段空间分辨率(30 m空间分辨率)一致的地表比辐射率影像来进行地表温度的反演，就可以利用4个像元各自的比辐射率值对相应的60 m分辨率上的一个像元所表征的亮度温度进行调节，则所获得的地表温度影像就能够拥有与30 m地表比辐射率相一致的空间分辨率．图2 EM算法流程图Figure2 Procedure of the EM method2．2 HUTS 算法HUTS算法是在TsHARP算法的基础上引进一个新的参数地表反照率α，通过确定地表温度LST、归一化植被指数NDVI和地表反照率α的关系，把热红外波段的空间分辨率提高到与可见光或近红外一致．在城市区域，地表反照率是影响地表温度高低的一个重要决定因素．研究表明，深水处及有阴影的区域要比具有相同反照率的阳光直射的区域冷得多，而没有阴影的土地类型的反照率则与地表温度LST 有着很好的相关关系［21］．基于HUTS算法应用ETM+热红外影像进行空间降尺度的技术流程如图3所示．HUTS算法是通过构建LST、NDVI和α三者之间的4次双变量回归方程来达到降尺度的效果．具体操作步骤如下:首先根据高分辨率 (30 m)的NDVI影像和α影像粗化模拟出与LST影像具有相同空间分辨率 (60 m)的低分辨率NDVI影像和α影像;然后分别以模拟出来的60 m的NDVI影像及α影像和LST影像为自变量和因变量，应用双变量回归方程去解决公式 (3)的系数向量P［5］:图3 HUTS算法流程图Figure3 Procedure of the HUTS method式 (3)中:LST为地表温度，NDVI为归一化差异植被指数，α为地表反照率，P=［P1，P2，…，P15］为多变量回归方程中的系数向量．由于LST与NDVI和α三者之间的关系具有尺度不变性 (scale-invariance)［3，5］，因此，可以将三者在低分辨率影像上的相关关系推广应用到高分辨率影像．在确定了60 m的NDVI、α和LST的函数关系后，理论上根据LST与NDVI 和α关系的尺度不变性，可以直接将30 m的NDVI及α直接代入公式 (3)中估算出30 m的LST，然而，由于回归值与实际情况之间有误差存在，且这一误差往往不能被忽略，因此，对实际的LST60与估算的LS^T60作减法得到反映误差情况的残差，将求得的残差值加到估算的LST30，即可得到HUTS算法的最终降尺度结果．将同一空间分辨率下的LST与NDVI及α的像元值，采用双变量非线性回归模型对三者的关系进行拟合后的结果如表1所示．表1 LST与NDVI及α的回归方程Table1 Regression equations of LST，NDVI and α注:N代表植被指数NDVI．images/BZ_349_254_737_2217_808.png0．941 4双变量非线性回归60 LST=-133．10 ×N4-332．49 ×N3× α +7 255．13 ×N2× α2-36 198．78 ×N × α3-150 899．47× α4+307．37 ×N3-2 241．10 ×N2× α +11 946．52 ×N× α2+116 862．08 × α3+7．95 ×N2-812．66 ×N × α -32 099．93 × α2-0．06 × N+3 703．61 × α +149．60 120 LST=-116．66 ×N4-829．52 ×N3× α +4 431．97 ×N2× α2+13 453．00 ×N × α3-54 144．08× α4+334．60×N3-618．92 ×N2× α -9 633．51 ×N ×0．9α2+42 038．14× α3-131．33 × N2+1 935．10 × N × α -11 455．46 × α2-104．62 × N+1 314．86 × α +247．69 27 43 结果分析与讨论为了对2种算法的空间降尺度效果进行比较，本研究采用了以下的步骤:首先，将空间分辨率为60 m的原始地表温度影像作为基础验证数据;然后，将空间分辨率为60 m的地表温度影像LST粗化模拟成120 m的低空间分辨率影像;最后再分别应用2种算法对模拟的120 m的LST影像进行降尺度运算，将其空间分辨率提高到60 m．选择将粗化模拟的空间分辨率为120 m的LST影像降尺度到60 m的原因在于，120 m与60 m具有与ETM+影像的热红外波段与可见光波段的空间分辨率之比(2∶1)相同的比例关系．3．1 定性分析从研究区整幅地表温度影像中选取一块大小适中、地表特征明显的试验区，以凸显地表温度降尺度前后的差异．图4显示的是截取出来的空间分辨率为60 m的地表温度真实影像以及经由EM算法和HUTS算法降尺度后的空间分辨率为30 m的地表温度影像．图4 原始LST影像 (空间分辨率:60 m)与降尺度后LST影像 (空间分辨率:30 m)Figure4 Original LST image(spatial resolution:60 m)and LST images after downscaling(spatial resolution:30 m)(a)原始60 m LST影像 (验证影像) (b)EM算法降尺度后所得30 m LST影像 (c)HUTS算法降尺度后所得30 m LST 影像分别用图4(b)和图4(c)与图4(a)进行对比，可以看出，图4(b)和图4(c)可以捕捉到大部分图4(a)影像上的地表温度信息，表明2种降尺度方法所得到的地表温度影像能够较好地保持原始地表温度影像的热特征，且影像中的高温区和低温区的空间分布与图4(a)中的分布情况吻合得较好;经过2种算法进行空间降尺度后的地表温度影像的空间分辨率有了一定程度的提高(尤其是HUTS算法)，色调更为丰富，也更加精细地描绘了研究区地表温度的空间分布格局，同一种土地覆盖类型内部的空间差异更为明显;但是，在图4(c)中可以看到一些“块状”结构，这是由于HUTS算法中未对残差影像做任何处理，而直接将其叠加到高空间分辨率的估计影像上造成的，此外，由于在拟合的时候需要将水体信息剔除掉 (本研究采用MNDWI指数［22］来进行水体信息的剔除)，所以在晋安河等水体区域也会出现较为明显的蓝色块状结构．3．2 定量评价为了对2种降尺度方法进行定量评价，本研究选用RMSE(root mean square error，均方根差)作为评价指标，对验证影像LST验证，60 m和降尺度后的LST60 m影像进行统计分析．除了使用统计参数RMSE外，还做了散点图分析，并对HUTS算法中一些常规统计参数进行计算，以直观地显示2种方法之间的优劣及其与原始影像的相关关系．3．2．1 RMSE 分析RMSE可以灵敏地测出n维空间中2个测度向量的相似性［22］．使用RMSE作为定量评价指标，主要是对结果影像与验证影像进行一致性检验，进而根据结果影像与实际影像的一致性程度对不同降尺度方法的效果做出判断．RMSE越小，越趋于0，说明结果影像与验证影像的一致性越强．在本研究中，RMSE指标的计算可以指示出哪种降尺度算法得到的地表温度影像与用来验证的地表温度影像之间的差异性更小，更好地保持了地物热特征．RMSE计算公式如下［23］:式 (4)中:RMSE为均方根误差，LS^T60为由粗化模拟的120 m分辨率降尺度为60 m分辨率的地表温度影像，LST60为用于验证的原始60 m分辨率的地表温度影像，n为一幅影像的总像元数 (在本研究中，n为采样点总数，为3 079)．经过计算，本研究中EM算法的RMSE为1．249 4，HUST算法的RMSE为0．986 9，尽管RMSE值的大小因取样点的不同而不同，然而其总体上HUTS算法的RMSE要略小于EM算法．3．2．2 散点图分析图5给出了分别基于EM算法和HUTS算法进行空间降尺度后的地表温度影像与原始地表温度影像的二维特征空间散点图．从图5中可以看到，EM算法和HUTS 算法二者的散点群基本近似对称地分布在1∶1线的两侧，其中，后者比前者离1∶1线较紧密一些，说明后者与原始影像比较接近．进一步地，以原始LST影像像元值为自变量x，分别以EM算法影像和HUTS算法降尺度后的像元值为因变量y，求得二者与原始LST影像的关系系数分别为0．966、0．982，由此可见，无论是EM影像还是HUTS影像，其斜率皆小于1，表明两者所得的地表温度都比用于验证的原始地表温度来得小，而其中HUTS影像的斜率 (0．982)与1十分接近，则表明HUTS法比EM法能够更好地保持地物的热特性．图5 原始LST影像与降尺度后LST影像散点图Figure5 Scatter plots of the original LST image versus LST image after downscaling(a)实际LST与EM算法后LST散点图 (b)实际LST与HUTS算法后LST散点图对研究区空间分辨率为60 m的地表温度影像和HUTS算法降尺度后30 m地表温度影像分别进行特征值的统计，结果见表2．从表2中可以看出，从60 m降尺度至30 m，地表温度值的区间变化范围增大，标准差则从2．96增加到3．44，表明随着尺度的减小，所揭示的温度信息差异扩大，能够更好地体现不同地物之间的温度差异以及同一地物间的细节信息．由于受HUTS算法降尺度后的地表温度大于实际地表温度值的影响，30 m尺度上的地表温度的平均值大于60 m尺度上的平均值．综上所述，EM算法和HUTS算法能够较好地达到预期的降尺度效果，其中又以HUTS算法略优于EM算法．究其原因在于，与DisTrad和TsHARP等基于以植被覆盖为主区域提出的算法不同，这2种算法均充分考虑了城市区域地表覆盖的特点，引入了对城市地表温度具有重要影响的因子来对遥感反演所得到的地表温度进行空间降尺度，其中，HUTS算法引入了地表反照率这一重要参数，并且通过文献了解到LST、地表反照率和NDVI之间具有较为复杂的非线性关系，从而达到了较好的函数拟合和降尺度效果;EM算法则通过引入地表比辐射率将城市地表覆盖类型与植被等其他类型区分开来，但由于本研究所采用的Landsat影像成像时间是当地时间上午10:30左右，在白天，地表辐射温度的差异更多的是受到地表反照率、阴影、地表水分状况或地表热属性等的影响，相比之下，地表比辐射率对辐射温度的影响只是在夜间才会相对凸显，且比辐射率的反演又会存在一定的误差，这对EM算法的精度造成了一定的影响．因此，利用白天影像进行地表温度降尺度处理时，HUTS算法要略优于EM算法．表2 60 m地表温度与30 m的地表温度的统计度量Table2 Statistical measures of 60 m resolution LST and 30 m resolutionLSTimages/BZ_351_1292_525_2217_583.png/℃ 25．76 26．48标准差2．96 3．44最大值/℃ 39．10 40．65最小值均值/℃ 17．56 16．634 结论研究结果表明:EM算法和HUTS算法的结果总体趋势比较接近，都能达到了预期的降尺度效果，其中，HUTS算法所获得的降尺度影像具有更小的RMSE值，与验证影像差异更小，更接近于验证影像的光谱特征，其原因在于引入了决定城市地表温度的重要参数地表反照率，并且采用了双变量非线性回归方程，从而具有更好的函数拟合和降尺度效果．未来研究中，应用EM算法和HUTS算法时需要进一步考虑和改进的问题主要包括:1)本研究所采用的降尺度过程都是先对原始高空间分辨率影像升尺度后再对其进行降尺度处理，然后再利用原始高空间分辨率影像对降尺度结果进行验证，而原始影像在升尺度过程中会产生新的误差，这些误差需要采用相应的手段予以剔除;2)在HUTS算法中对残差影像未做任何处理，将其直接叠加到高分辨率的估计影像上，有可能会掩盖掉一部分在降尺度过程中构建的高分辨率信息，使得HUTS算法的降尺度效果受到一定的影响．参考文献 (Reference):【相关文献】［1］Lakshmi V，Zehrfush D．Normalization and comparison of surface temperatures across a range of scales［J］．IEEE Transactions on Geoscience and Remote Sensing，2002，40(12):2636-2646．［2］Kustas W P，Norman J M，Anderson M C，et al．Estimating subpixel surface temperatures and energy fluxes from the vegetation index-radio metric temperature relationship［J］．Remote Sensing of Environment，2003，85(4):429-440．［3］Agam N，Kustas W P，Anderson M C，et al．A vegetation index based technique for spatial sharpening of thermal imagery［J］．Remote Sensing of Environment，2007，107(4):545-558．［4］Nichol J E．An emissivity modulation method for spatial enhancement of thermal satellite images in urban heat island analysis［J］．Photogrammetric Engineering and Remote Sensing，2009，75(5):1-10．［5］Dominguez A，Kleissl J，Luvall J C，et al．High-resolution urban thermal sharpener(HUTS)［J］．Remote Sensing of Environment，2011，115(7):1772-1780．［6］Yang Hong-juan．Remote sensing evapotranspiration model:Study and application in the arid oasis［D］．Beijing:Tsinghua University Ph．D．Dissertation，2009．［杨红娟．遥感腾发模型研究及其在干旱区平原绿洲的应用［D］．北京:清华大学博士学位论文，2009．］［7］Yang Jing-xue，Shu Hua，Wang Yun-peng．Distrad model for thermal sub-pixelmapping in high vegetation area［J］．Re-mote Sensing Technology and Application，2010，25(3):346-352．［杨静学，苏华，王云鹏．Distrad热像元分解模型运用于高植被覆盖区的问题及改进［J］．遥感技术与应用，2010，25(3):346-352．］［8］Liu Ya-ni，Xin Xiao-zhou，Liu Qin-huo，et al．Method and validation for surface fluxes estimation based on multi-scale remotely sensed data［J］．Advances in Earth Science，2010，25(11):1261-1272．［刘雅妮，辛晓洲，柳钦火，等．基于多尺度遥感数据估算地表通量的方法及其验证分析［J］．地球科学进展，2010，25(11):1261-1272．］［9］Nie Jian-liang，Wu Jian-jun，Yang Xi，et al．Downscaling land surface temperature based on relationship between surface temperature and vegetation index［J］．Acta Ecologica Sinica，2011，31(17):4961-4969．［聂建亮，武建军，杨曦，等．基于地表温度-植被指数关系的地表温度降尺度方法研究［J］．生态学报，2011，31(17):4961-4969．］［10］Lin Li-juan．Spatio-temporal analysis of urban heat island based on spatial sharpening of thermal imagery［D］．Fuzhou:Fuzhou University Master Dissertation，2011．［林丽娟．基于热红外影像亚象元分解的城市热岛变化研究［D］．福州:福州大学硕士学位论文，2011．］［11］Zhan W F，Chen Y H，Zhou J，et al．Sharpening thermal imageries:A generalized theoretical framework from an assimilation perspective［J］．IEEE Transactions on Geoscience and Remote Sensing，2011，49(2):773-789．［12］Ding Feng，Xu Han-qiu．Comparison of two new algorithms for retrieving land surface temperature from Landsat TM thermal band［J］．Geo-Information Science，2006，8(3):125-130．［丁凤，徐涵秋．TM热波段图像的地表温度反演算法与实验分析［J］．地球信息科学，2006，8(3):125-130．］［13］Qin Zhi-hao，Li Wen-juan，Xu Bin，et al．The estimation of land surface emissivity for Landsat TM6［J］．Remote Sensing for Land and Resources，2004，61(3):28-36．［覃志豪，李文娟，徐斌，等．陆地卫星TM6波段范围内地表比辐射率的估计［J］．国土资源遥感，2004，61(3):28-36．］［14］Qin Zhi-hao，Li Wen-juan，Xu Bin，et al．Estimation method of land surface emissivity for retrieving land surface temperature from Landsat TM6 data［J］．Advances in Marine Science，2004，22(Supp．):129-137．［覃志豪，李文娟，徐斌，等．利用Landsat TM6反演地表温度所需地表辐射率参数的估计方法［J］．海洋科学进展，2004，22(增刊):129-137．］［15］Sobrino J A，Jiménez-Muñoz J C，Paolini L．Land surface temperature retrieval from Landsat TM5［J］．Remote Sensing of Environment，2004，90(4):434-440．［16］Artis D A，Carnahan W H．Survey of emissivity variability in thermography of urban areas［J］．Remote Sensing of Environment，1982，12(4):313-329．［17］Qin Z H，Karnieli A，Berliner P．A mono window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt borderregion［J］．International Journal of Remote Sensing，2001，22(18):3719-3746．［18］Jiménez-Muñoz J C，Sobfino J A．A GenerMized single-channel method for retrieving land surface temperature from remote sensing data［J］．Journal of Geophysical Research，2003，108(D 22):1-9．［19］Ding Feng，Xu Han-qiu．Comparison of three algorithms for retrieving land surface temperature from Landsat TM thermal infrared band［J］．Journal of Fujian Normal University:Natural Science Edition，2008，24(1):91-96．［丁凤，徐涵秋．基于Landsat TM的3种地表温度反演算法比较分析［J］．福建师范大学学报:自然科学版，2008，24(1):91-96．］［20］Liang S L．Narrowband to broadband conversions of land surface albedoI:Algorithms［J］．Remote Sensing of Environment，2001，76(2):213-238．［21］Small C．Comparative analysis of urban reflectance and surface temperature ［J］．Remote Sensing of Environment，2006，104(2):168-189．［22］Zhang Tie-jun，Xu Han-qiu．Cross comparison of modified normalized difference water index(MNDWI)between ASTER and ETM+sensor imagery［J］．Journal of Astronautics，2010，31(4):1244-1252．［张铁军，徐涵秋．基于MNDWI水体指数的ASTER 与ETM+影像交互比较研究［J］．宇航学报，2010，31(4):1244-1252．］［23］Willmott C J．Some comments on the evaluation of model performance ［J］．Bulletin of the American Meteorological Society，1982，163(11):1309-1313．。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
表 1 Ta 与 To 的线性关系
美国 1976 平均大气
Ta=25.939 6+0.880 45 T0
热带平均大气(北纬 15°年平均) Ta=17.976 9+0.917 15 T0
中 纬 度 夏 季 平 均 大 气(北 纬 45°，
7 月)
Ta=16.011 0+0.926 21 T0
中 纬 度 冬 季 平 均 大 气(北 纬 45°，
相同土地覆盖类型开发程度不同，温度也存在差异，此差异小于不同土地覆盖类型之间的温度差。
关键词：遥感；ETM+；窗算法；地表温度 ；地物覆盖
中图分类号： TP722.4
文献标识码： A
文 章 编 号 ：1003-2029 （2010）03-0087-06
1 引言
地表温度是监测地球资源环境动态变化的重要指标之 一 ，对 水 文 、 生 态 、 环 境 和 生 物 地 球 化 学 等 研 究 有 重 要 意 义 [1]。 地球表面温度的精确定量反演的成果将推动旱灾预报和作 物缺水研究、农作物估产、数值天气预报、全球气候变化和全 球碳平衡等领域的发展。
εsurface=0.962 5+0.061 4pv-0.046 1pv2
（6）
εbuilding=0.095 89+0.086pv-0.067 1pv2
（7）
其中，pv 为植被覆盖度（图 4）。 其计算方法如下式：
pv=[(NDVI-NDVIs)/(NDVIv-NDVIs)]2
（8）
其 中 ，NDVI 为 归 一 化 植 被 指 数 （图 5），取 NDVIv=0.70,
热红外遥感技术的发展为地表温度反演提供了可能，并 且在研究城市热岛效应方面起了重要作用。 地面分辨率较高 的 Landsat ETM+第 6 波段属于热红外波段，可以接收来自地 表发射的辐射量，反映地表不同地物的热辐射能力,可以用来 分析地表的热辐射和温度区域差异。 目前基于 Landsat 热波 段数据反演地表温度有 3 种算法：大气校正法、单窗算法和 单通道算法。 其中覃志豪提出的一种根据地表热辐射传导方 程而不需要大气校正直接反演地表温度的单窗算法来估算 地表温度，该算法主要用 ETM6 数据把大气 和 地 表 的 影 响 直 接包括在演算公式中[2-5] 。 它仅需要 3 个基本参数：地表比辐 射率、大气透射率和大气等效温度。 地表比辐射率直接与地 表构成有关。 其中大气透过率和大气平均作用温度则可以根 据近各地方气象观测站卫星过境时相对的天气要素的实时 观测（如地面）的大气湿度和平均气温来估计所得。 单窗算法 简洁实用，裴欢、房世峰采用此算法进行了南京市夏季热导 特 征 及 其 与 土 地 利 用 覆 盖 关 系 的 研 究 [6]； 宫 阿 都 、 李 京 等 进 行 了北京市城市热导环境时空变化规律研究[7]。 本文使用单窗 算法反演福州地区地表温度，并分析城市土地覆盖类型与地
3 地表温度反演
3.1 单窗算法原理 单窗算法的简便之处在于它可以根据地表辐射传导方
程[3],而不 需 要 大 气 精 校 正 而 直 接 反 演 地 表 温 度[5],算 法 假 定 天
88
海洋技术
第 29 卷
图 1 研究区在福州市的相对位置
空晴朗而且没有明显的大气垂直对流作用情况下,把大气分
成几个平行层面,在缺乏实时大气剖面数据条件下，把标准
大气数据和实时地面气象资料 结 合 ，利 用 Landsat ETM+第 6
波段数据反演地表温度的演算方法。 计算公式如下：
Ts=[a（1-C-D）+（b（1-C-D）+C+D）T6-D*Ta]/C
（1）
式 中 ：Ts 是 地 表 实 际 温 度 （K）；Ta 是 大 气 的 等 效 温 度
（K）；T6 是行星的亮度温度 （K）；a 和 b 是参考系数，（当地表 温 度 为 0~70 ℃时 ，a=67.355 351，b=0.458 606）；C 和 D 是 中
图 4 植被覆盖度（pv）
4 结果及其分析
4.1 福州市研究区的热导特征 从福州地区温度反演图 （图 6）中，可以得出 ：（1）研究区
内热岛效应主要集中在福州市区的台江区、晋安区、仓山区、 马尾区、吴航镇及连江县。 呈现多中心非均匀分布的特点。 在
图 6 研究区温度反演结果图（单位：k）
4.2 土地利用对地表温度的影响 地表热辐射主要和地物的性质有关，不同的地物覆盖类
研究区进行监督分类，将遥感影像分为三类：水体、生活建筑
区和自然表面三种类型。 水体像元的比辐射率赋值为0.995，
生 活 建 筑 区 比 辐 射 率 ε （ building 图 2）和 自 然 表 面 εsurface（ 图 3） 的
比 辐 射 率 的 估 计 分 别 采 用 （6）和 （7）式 计 算 。
分布图，分析了研究区总体温度分布的特点、研究了三种下垫面类型的温度分布差异及与 NDVI 的关系、同时对生
活建筑区分别取样进行了对比分析。 结果表明：研究区中心热岛效应显著；研究区不同的土地覆盖类型地表温度有
显著差异，从 高 到 低 为 ，生 活 建 筑 区>自 然 表 面>水 体 ；地 表 温 度 与 归 一 化 植 被 指 数 （NDVI）有 良 好 的 负 相 关 关 系 ；
NDVIs=0.05,当某个像元的 NDVI 值大于 0.7 时，Pv 取值为 1,
第3期
刘 霞，等：基于 ETM+影像的福州市部分城区的地表温度反演与分析
89
当某个像元的 NDVI 值小于 0.05 时，Pv 取值为 0。
图 2 生活建筑区比辐射率 图 3 自然表面比辐射率
图 5 归一化植被指数（NDVI）
大气透射率估计方程
大气 剖面
水分 含量
大气透射率估计方程
高气温
0.4~1.6 1.6~3.0
τ=0.974 290-0.080 07ω τ=1.031 412-0.115 36ω
0.4~1.6 低气温
1.6~3.0
τ=0.982 007-0.096 11ω τ=1.083 710-0.141 42ω
有如下关系 ：
L6=3.2+0.037 058DNETM+6
(4）
式中：L6 为 ETM+6 传感器接收 的 辐 射 强 度(单 位 为 mW·
cm-2·sr-1·μm-1)。 求出热辐射强度 后,亮 度 温 度 可 用 下 面 的 反
推 公 式 近 似 计 算 行 星 亮 度 温 度 [4]
T6=K2 /（ln（k1/L6+1））
第 29 卷 第 3 期 2010 年 9 月
海洋技术 OCEAN TECHNOLOGY
Vol.29，No.3 Sept，2010
基于 ETM+影像的福州市部分城区的 地表温度反演与分析
刘 霞， 沙晋明
(福建师范大学 地理科学学院，福建 福州 350007)
摘 要:以福州市部分地区为研究对象，采用 Landsat ETM+第 6 波段的单窗算法，进行地表温度反演得出地表温度
这些地区三月初最高温度可达 301 K（28 ℃），这 个 区 域 热 源 形成的主要原因是福州市核心城区人口密集、 高楼林立、下 垫面多为水泥和沥青，吸热放热迅速以及汽车尾气排放等人 为 因 素 显 著 增 加 ， 导 致 该 区 温 度 显 著 高 于 周 边 其 他 地 区 ； （2） 处于热导区外的区域的温度明显低于热导区的温度，其中自 然表面（包括林地、园地、耕地、草地等）的温度约低于热导区 温度 3 ℃，水体的温度约低于热导区的温度 6 ℃。 福州市温 度分布的总体特征表现为：城镇区域温度高于郊区植被覆盖 大的林地及水体，低海拔地区温度高于高海拔地区。 城区人 为活动集中地和建筑物密集地是高温分布的集中区；水域和 植被覆盖率高的地方，温度明显较低。
收 稿 日 期 ：2010-04-11 基 金 项 目 ：福 建 省 自 然 科 学 基 金 资 助 项 目 （W0750001 ）
表温度的关系以及地表温度与植被覆盖度的关系，以期对合 理的利用土地资源和缓解温度压力提供依据。
2 数据来源及研究区概况
本次温度反演所使用的数据为 Landsat ETM+数据，研究 区 相 对 于 福 州 市 的 地 理 位 置 如 图 1 所 示 ， 获 取 时 间 为 2001 年 3 月 4 日 。 研 究 区 的 影 像 中 心 的 经 纬 度 为 ：26.001° N, 119.244° E。 研究区属南亚热带季风气候，温和多雨，年平均 气 温 为 16～20℃，属 海 洋 性 亚 热 带 季 风 气 候 ，全 年 冬 短 夏 长 ， 温暖湿润，无霜 期 达 326 d，年 平 均 日 照 数 为 1 700～1 980 h； 年平均降水量为 900～2 100 mm；年 平 均 气 温 为 16～20 ℃，最 冷 月 份 1～2 月 ，平 均 气 温 为 6～10 ℃；最 热 月 份 7～8 月 ，平 均 气温为 24～29 ℃。 年相对湿度约 77%。 近年来常出现热岛效 应，又因福州为盆地地形，夏季中午气温高达 36 ℃以 上 。 福 州市区所在地属于典型的河口盆地，盆地四周被群山峻岭所 环抱，其海拔多在 600～1 000 m 之间。 东有 鼓 山 ，西 有 旗 山 ， 南有五虎山，北有莲花峰，境内地势自西向东倾斜。 全市总面 积 12 154 km2，其中市区总面积 1 043 km2。 研究区的主要土 地利用类型有园地、林地 、水域、耕地、居民地和工矿用地以 及交通用地等。 为研究的需要将研究区分为水体、生活建筑 区居民地、工矿田地及以交通用地、自然表面（园地、林地以 及耕地）。
间变量:
C=ετ
（2）
D=（1-τ）[1+（1-ε）τ]