Landsat8 TIRS 地表温度反演
landsat遥感影像地表温度反演教程（大气校正法）
landsat遥感影像地表温度反演教程（⼤⽓校正法）基于辐射传输⽅程的Landsat数据地表温度反演教程⼀、数据准备Landsa 8遥感影像数据⼀景，本教程以重庆市2015年7⽉26⽇的=⾏列号为（128，049）影像（LC81280402016208LGN00）为例。
同时需提前查询影像的基本信息（详见下表）⼆、地表温度反演的总体流程三、具体步骤1、辐射定标地表温度反演主要包括两部分，⼀是对热红外数据，⼆是多光谱数据进⾏辐射定标。
（1）热红外数据辐射定标选择Radiometric Correction/Radiometric Calibration。
在File Selection对话框中，选择数据LC81230322013132LGN02_MTL_Thermal，单击Spectral Subset选择Thermal Infrared1（10.9），打开Radiometric Calibration⾯板。
Scale factor 不能改变，否则后续计算会报错。
保持默认1即可。
（2）多光谱数据辐射定标选择要校正的多光谱数据“LC81230322013132LGN02_MTL_MultiSpectral”进⾏辐射定标。
因为后续需要对多光谱数据进⾏⼤⽓校正，可直接单击Apply Flaash Settings，如下图。
注意与热红外数据辐射定标是的差别，设置后Scale factor值为0.1。
2、⼤⽓校正本教程选择Flaash 校正法。
FLAASH Atmospheric Correction，双击此⼯具，打开辐射定标的数据，进⾏相关的参数设置进⾏⼤⽓校正。
注意：如果在多光谱数据辐射定标时Scale factor值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为0.1，若已设置，则默认值为1即可。
1)Input Radiance Image：打开辐射定标结果数据；2)设置输出反射率的路径，由于定标时候；3)设置输出FLAASH校正⽂件的路径，最优状态：路径所在磁盘空间⾜够⼤；4)中⼼点经纬度Scene Center Location：⾃动获取；5)选择传感器类型：Landsat-8 OLI；其对应的传感器⾼度以及影像数据的分辨率⾃动读取；6) 设置研究区域的地⾯⾼程数据；7)影像⽣成时的飞⾏过境时间：在layer manager中的Lc8数据图层右键选择View Metadata，浏览time字段获取成像时间；注：也可以从元⽂件“LC81230322013132LGN02_MTL.txt”中找到，具体名称：DATE_ACQUIRED = 2013-05-12；SCENE_CENTER_TIME = 02:55:26.6336980Z；8) ⼤⽓模型参数选择：Sub-Arctic Summer（根据成像时间和纬度信息选择）；9) ⽓溶胶模型Aerosol Model：Urban，⽓溶胶反演⽅法Aerosol Retrieval：2-band（K-T）；10) 其他参数按照默认设置即可。
基于大气校正法的Landsat8TIRS反演地表温度
基于大气校正法的Landsat8TIRS反演地表温度(2015-07-02 08:22:53)转载▼标签：分类：遥感解决方案landsat8地表温度热红外遥感（Infrared Remote Sensing）是指传感器工作波段限于红外波段范围之内的遥感。
即利用星载或机载传感器收集、记录地物的热红外信息，并利用这种热红外信息来识别地物和反演地表参数如温度、湿度和热惯量等。
目前有很多的卫星携带了热红外传感器，包括ASTER、AVHRR、MODIS、TM/ETM+/ TIRS等。
目前，地表温度反演算法主要有以下三种：大气校正法（也称为辐射传输方程：Radiative Transfer Equation——RTE）、单通道算法和分裂窗算法。
本实例是基于大气校正法，利用Landsat8 TIRS反演地表温度。
基本原理：首先估计大气对地表热辐射的影响, 然后把这部分大气影响从卫星传感器所观测到的热辐射总量中减去, 从而得到地表热辐射强度, 再把这一热辐射强度转化为相应的地表温度。
具体实现为：卫星传感器接收到的热红外辐射亮度值Lλ由三部分组成：大气向上辐射亮度L↑，地面的真实辐射亮度经过大气层之后到达卫星传感器的能量；大气向下辐射到达地面后反射的能量。
卫星传感器接收到的热红外辐射亮度值Lλ的表达式可写为（辐射传输方程）：Lλ = [εB(T S) + (1-ε)L↓]τ+ L↑（1.1）式中，ε为地表比辐射率，T S为地表真实温度(K)，B(T S)为黑体热辐射亮度，τ为大气在热红外波段的透过率。
则温度为T的黑体在热红外波段的辐射亮度B(T S)为：B(T S) = [Lλ - L↑- τ(1-ε)L↓]/τε（1.2）T s可以用普朗克公式的函数获取。
T S = K2/ln(K1/ B(T S)+ 1) （1.3）对于TM，K1 =607.76 W/(m2*µm*sr)，K2 =1260.56K。
基于landsat8-OLI／TIRS和HJ-1B太湖叶绿素含量和温度反演研究
仅 对水 中生物的 生存有 着重要 的意义 ， 同时 ， 水温 的变化 也常常会 导致 水 中浮 游生物和植物疯 长 ， 进 而 引起 水资
源的污染 ， 对人 们 的 生 活 造 成 严 重 的影 响 。
本文利用 Ｅ Ｎ Ｖ Ｉ ｔ ／ Ｉ Ｄ Ｌ ５ ． １对 Ｌ ａ ｎ ｄ ｓ ａ ｔ ８卫星的 Ｏ Ｌ Ｉ ／ ／ Ｔ Ｉ Ｒ Ｓ数据和 Ｈ Ｊ 一１ Ｃ Ｃ Ｄ多光 谱数 据在 太湖水 体 区域 开展
第４ Ｏ卷 第 ５期
２ ０１ ７ 年 ５ 月
测 绘 与 空 间地 理 信 息
ＧＥ ｏＭＡ ＴＩ Ｃ ｓ＆ Ｓ Ｐ ＡＴ Ｉ Ａ Ｌ ｌ ＮＦ ＯＲ ＭＡＴ Ｉ ＯＮ Ｔ ＥＣ ＨＮＯ Ｌ ＯＧ Ｙ
Ｖｏ １ ． ４ ０， Ｎｏ． ５ Ｍａ ｙ ．，２０１ ７
基于 ｌ ａ ｎ ｄ ｓ ａ ｔ ８一ｏＬ Ｉ ／ Ｔ Ｉ ＲＳ 和 ＨＪ一１ Ｂ 太 湖 叶 绿 素 含 量 和 温 度 反 演 研 究
Ｒｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｏ ｆ Ｃｈ ｌ ｏ ｒ ｏ ｐ ｈ ｙ ｌ ｌ Ｃｏ ｎ ｔ ｅ ｎ ｔ ａ ｎ ｄ Ｔｅ ｍｐ ｅ ｒ ａ ｔ ｕ ｒ ｅ ｉ ｎ Ｔａ ｉ ｈ ｕ
Ｂａ ｓ ｅ ｄ ｏ ｎ Ｌａ ｎ ｄ ｓ ａ ｔ ８一ＯＬＩ ／ ＴＩ ＲＳ ａ ｎ ｄ ＨＪ一１ Ｂ
证 明了建立 的模型 的可靠性 ， 找到 了误 差来源。最后 分析 了造成叶绿 素含 量较 高的原 因及反 演的难 点。 关键词 ： Ｈ Ｊ 一１ Ｃ Ｃ Ｄ； ｌ ａ ｎ ｄ ｓ ａ ｔ ８一 Ｏ Ｌ Ｉ ／ Ｔ Ｉ Ｒ Ｓ ； 叶绿素 ； 太湖 ； Ｅ Ｎ Ｖ Ｉ ／ Ｉ Ｄ Ｌ
中 图分 类 号 ： Ｐ ２ ０ ８ 文献 标 识 码 ： Ａ 文章编号 ： １ ６ ７ ２— ５ ８ ６ ７ （ ２ ０ １ ７ ） ０ ５— ０ １ ４ ６— ０ ６
基于Landsat8影像和劈窗算法的济南地区地表温度反演
基于Landsat8影像和劈窗算法的济南地区地表温度反演作者：王菲来源：《绿色科技》2015年第08期摘要：地表温度是表征地表能量和资源环境变化的重要参数，通过地面观测站获得大面积地表参数并不现实。
遥感影像以其面积广、更新快、数据廉价的特点广泛应用于地表参数的求取。
利用Landsat8卫星影像，采用劈窗算法，对地表比辐射率和大气透过率进行了估算，实现了对济南地区地表温度的反演。
利用同日的MODIS温度产品对反演结果进行了验证，结果表明：反演结果能较真实地反映济南地区地表温度的分布规律。
关键词：济南地区；地表温度；Landsat8；劈窗算法中图分类号：TP79文献标识码：A文章编号：16749944（2015）080015041引言地表温度能清晰地表征地表能量平衡和资源环境变化，是一个重要的地表参数。
地面监测站虽然可以实时观测某些点的温度，但无法实现大面积获取该地区的地表温度参数。
遥感影像面积广、更新快，可以方便快捷地获得大面积地表温度参数。
不少学者曾针对地表温度反演做过大量工作[1～5]：覃志豪等使用陆地卫星TM6数据进行地表温度单窗算法反演，并针对TM6热红外波段特征给出地表比辐射率和大气参数的估算[1～3]；毛克彪等人利用MODIS数据和劈窗算法对山东地区的地表温度进行了反演，结果较合理[4]；陈云以Landsat8其中一个热红外通道—第11波段为数据源，利用单窗算法对厦门市的地表温度和热岛效应进行了求算和研究，得到较好结果[5]。
劈窗算法的数据源多选用MODIS、NOAA-AVHRR等拥有两个热红外通道的遥感影像。
MODIS数据反演地温效果较理想，但由于MODIS等数据的空间分辨率太低，因此MODIS等中低分辨率的数据比较适合反映大区域的温度变化规律。
针对于小区域的地表温度反演，目前多以TM、ETM、中巴资源卫星、HJ-1B等中高分辨率影像为数据源，利用单窗算法反演地表温度。
Landsat8影像数据源较新，两个热红外通道波谱范围与MODIS数据相近。
landsat8地表温度反演公式
landsat8地表温度反演公式
对于Landsat 8卫星影像的反演，可以使用单窗算法（Mono-window Algorithm）。
这是一种由覃志豪（2004）等根据地表热辐射传导方程，推导出的利用Landsat TM /ETM+第六波段数据反演地表温度的算法。
其计算公式如下：
TS=[a(1- C- D)+(b(1- C- D)+C+D) T6- DTa]/C （）
式中，TS为地表真实温度(K)；a和b是常量，分别为-和；C和D是中间变量，C=ετ，D=(1-τ) ([1+(1-ε) τ]，其中，ε是地表比辐射率，τ是大气透射率；T6是卫星高度上传感器所探测到的像元亮度温度(K)；大气平均作用温度(Ta)与地面附近（一般为2 m处）气温（T0）存在如下线性关系（Ta与T0的单位为K）：热带平均大气（北纬15°，年平均）Ta= + T0。
请注意，这些公式都是理论公式，实际应用时需要结合具体的数据和情境进行调整。
地表温度反演实验报告
地表温度反演实验报告地表温度是指地球表面的温度，是一个重要的气象参数，对于气候变化、城市热岛效应等问题具有重要的影响。
地表温度反演是通过遥感技术获取地表温度信息的一种方法，可以有效地监测地表温度的变化情况。
本实验旨在利用卫星遥感数据，反演地表温度，并对结果进行分析和讨论。
实验方法：我们收集了MODIS卫星传感器获取的遥感数据，包括云量、地表温度等信息。
然后，利用反演算法对这些数据进行处理，得到地表温度的反演结果。
接着，我们将反演结果与实地观测数据进行对比分析，验证反演结果的准确性。
最后，我们对地表温度的空间分布特征进行研究，分析其与地形、植被覆盖等因素的关系。
实验结果：经过反演算法处理，我们得到了一幅地表温度的空间分布图。
从图中可以看出，地表温度在不同区域有明显的差异，一般来说，城市区域的地表温度要高于郊区和农田地区。
另外，我们还发现地形和植被覆盖对地表温度有一定的影响，高海拔地区的地表温度要低于低海拔地区，而植被茂密的地区地表温度相对较低。
实验分析：通过对地表温度的反演结果进行分析，我们可以发现地表温度的空间分布受到多种因素的影响，包括城市化程度、地形、植被覆盖等。
城市热岛效应导致城市区域地表温度升高，而高海拔地区地表温度较低，这些都是地表温度空间分布差异的原因之一。
植被覆盖可以降低地表温度，起到调节气候的作用。
结论：地表温度反演是一种有效的监测地表温度变化的方法，可以为气候研究、城市规划等领域提供重要的参考依据。
通过对地表温度的反演结果进行分析，可以更好地理解地表温度的空间分布特征，为环境保护和气候调控提供科学依据。
希望通过本实验的研究，能够更深入地探讨地表温度变化的规律，为未来的研究提供参考。
地表温度反演步骤
地表温度反演是通过遥感技术获取地表温度的过程。
以下是一般的地表温度反演步骤：
1. 数据收集：选择适合的遥感数据源，如热红外遥感数据或者微波遥感数据。
这些数据可以来自于卫星、飞机或无人机等。
2. 大气校正：由于大气在传输过程中对热辐射的吸收和散射作用，会影响到地表温度的观测。
因此，需要进行大气校正，以消除大气效应并准确估算地表温度。
3. 辐射学模型：建立辐射学模型，将已经校正的遥感数据与地表温度之间的物理关系联系起来。
这个模型通常基于不同波段的辐射亮温和地表温度之间的经验关系。
4. 晴空辐射和云覆盖修正：如果存在云覆盖，需要对遥感数据进行修正，以排除云的干扰。
这可以通过晴空辐射率和云覆盖率的估计来实现。
5. 地表温度反演：利用辐射学模型和修正后的遥感数据，通过数学计算反演地表温度。
这个过程可以是基于物理模型的解析方法，也可以是基于统计回归或机器学习的统计方法。
6. 优化和验证：对反演得到的地表温度进行优化和验证。
可以与已知的地面观测数据进行比较，评估反演结果的精确性和可靠性。
需要注意的是，地表温度反演是一个复杂的过程，涉及到多种因素和技术手段。
具体步骤可能会根据数据源、研究目的和数据处理软件的不同而有所变化。
地表温度反演的三种方法
地表温度反演的三种方法
地表温度反演是通过遥感技术获取地表温度信息的过程。
一般来说，地表温度反演方法可以分为三种：基于亮温的方法、基于辐射能量平衡的方法和基于模型的方法。
1. 基于亮温的方法：这种方法是根据地表反射下来的辐射能直接计算地表温度。
通常需要使用多光谱遥感数据，并使用反演算法将遥感数据转换为地表亮温，然后通过专门的公式或模型将亮温转换为地表温度。
这种方法比较简单，但受到大气中的影响较大，精度较低。
代表性算法有单窗算法（Single-Window Algorithm, SWA）、双窗算法（Two-Window Algorithm, TWA）等。
2. 基于辐射能量平衡的方法：这种方法是通过计算地表吸收的太阳辐射能和辐射冷却能量之间的平衡来反演地表温度。
这种方法需要考虑地表的地形、植被和大气特性等因素，一般需要使用高分辨率遥感数据和气象数据来进行模型计算。
代表性算法有热红外转换（Thermal Infrared Conversion, TIC）法、分层蒸散算法（Surface Energy Balance System, SEBS）等。
3. 基于模型的方法：这种方法基于已知的地表温度统计模型或地理信息系统等数据库，利用数据挖掘等方法来反演地表温度。
这种方法需要大量的先验知识和算法支持，并且需要大量的人工调整和验证。
代表性算法有人工神经网络（Artificial Neural Network, ANN）法、支持向量机（Support Vector
Machines, SVM）法等。
基于Landsat8_数据的地表温度反演分析研究——以南宁市城区为例＊
DOI ：10.15913/ki.kjycx.2024.07.005基于Landsat8数据的地表温度反演分析研究——以南宁市城区为例＊苏相琴1，张 迅2，黄禧亮1，潘泳羽3（1.广西开放大学（广西信息职业技术学院），广西 南宁 530022；2.广西壮族自治区自然资源遥感院，广西 南宁 530000；3.广西壮族自治区环境保护科学研究院，广西 南宁 530000）摘 要：地表温度是评估城市热环境的重要指标之一，能够反映城市热岛效应的程度和空间分布。
以南宁市城区为研究对象，利用Landsat8卫星遥感数据，通过热红外辐射到同温黑体辐射定标，从而获得城市地表温度分布图，快速分析南宁市的地表温度差异。
结合南宁市城区的不同土地利用覆被结果，通过横向对比分析，揭示出南宁市各城区地表温度的分布特点，评估城市热岛效应的程度，为城市热环境研究和城市规划提供重要参考。
关键词：Landsat8遥感影像；NDVI ；DEM ；地表温度中图分类号：TP79 文献标志码：A 文章编号：2095-6835（2024）07-0021-04——————————————————————————＊［基金项目］2021年度广西高校中青年教师科研基础能力提升项目“基于RSEI 模型的生态环境质量动态监测与评估研究”（编号：2021KY1922）城镇化的推进引发了越来越多的生态问题，例如大气污染、水源污染、能源污染等，特别是城市气候特征中的“热岛效应”，逐渐受到人们的广泛关注。
地表温度（LST ）是衡量地球表面自然生态环境的重要物理指标[1]，是地球系统水量和能量平衡的重要因素，在全球气候变化、监测和灾害预防、天气预报、城市建设等领域有着重大意义[2-4]。
因此，获取精确的地表温度对于城市建设和生态保护都有极其重要的意义。
随着科学技术的快速发展，遥感数据在地表温度反演中的应用变得越来越普遍，热红外波段也是进行地表温度反演的重要研究对象[5]。
landsat_遥感影像地表温度反演教程(大气校正法)
基于辐射传输方程的Landsat数据地表温度反演教程一、数据准备Landsa 8遥感影像数据一景，本教程以重庆市2015年7月26日的=行列号为（128，049）影像（LC81280402016208LGN00）为例。
同时需提前查询影像的基本信息（详见下表）二、地表温度反演的总体流程三、具体步骤1、辐射定标地表温度反演主要包括两部分，一是对热红外数据，二是多光谱数据进行辐射定标。
（1）热红外数据辐射定标选择Radiometric Correction/Radiometric Calibration。
在File Selection对话框中，选择数据LC81230322013132LGN02_MTL_Thermal，单击Spectral Subset选择Thermal Infrared1（10.9），打开Radiometric Calibration面板。
（2）多光谱数据辐射定标选择要校正的多光谱数据“LC81230322013132LGN02_MTL_MultiSpectral”进行辐射定标。
因为后续需要对多光谱数据进行大气校正，可直接单击Apply FlaashSettings，如下图。
Scale factor 不能改变，否则后续计算会报错。
保持默认1即可。
2、大气校正本教程选择Flaash 校正法。
FLAASH Atmospheric Correction，双击此工具，打开辐射定标的数据，进行相关的参数设置进行大气校正。
注意：如果在多光谱数据辐射定标时Scale factor值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为0.1，若已设置，则默认值为1即可。
1)Input Radiance Image：打开辐射定标结果数据；2)设置输出反射率的路径，由于定标时候；3)设置输出FLAASH校正文件的路径，最优状态：路径所在磁盘空间足够大；4)中心点经纬度Scene Center Location：自动获取；5)选择传感器类型：Landsat-8 OLI；其对应的传感器高度以及影像数据的分辨率自动读取；注意与热红外数据辐射定标是的差别，设置后Scale factor值为0.1。
Landsat8
Landsat8 TIRS载荷与MODIS1B热红外波段数据的简单对⽐现有的地表温度反演算法⼤致有以下四种：⼤⽓校正法、单通道算法、分裂窗算法和多波段算法。
⼤⽓校正法和单通道算法需要⼤⽓实时剖⾯数据，单通道算法适⽤于只有⼀个热红外波段的数据，如Landsat TM /ETM数据；分裂窗算法适合于两个热红外波段的数据，如 MOAA- AVHRR和MODIS；多波段波段算法适合于多个热红外波段的数据，所需参数多，运算复杂且需要⽩天晚上两景数据，反演难度较⼤，就成熟程度⽽⾔，多波段算法还在发展之中。
到⽬前为⽌，分裂窗算法是⽬前发展⽐较成熟的地表温度遥感反演⽅法。
这⼀算法需要两个彼此相邻的热红外波段遥感数据来进⾏地表温度的反演。
分裂窗算法主要是针对MOAA- AVHRRR的热红外通道4和5的数据来推导。
Landsat 8数据的两个热红外波段与MODIS 热红外波段的31，32波段以及AVHRR的4和5波段范围最为接近，是否能⽤分裂窗算法实现Landsat8 TIRS载荷？LandSat-8上携带的TIRS载荷，将是有史以来最先进，性能最好的TIRS。
TIRS将收集地球两个热区地带的热量流失，⽬标是了解所观测地带⽔分消耗，特别是美国西部⼲旱地区。
表2：TIRS载荷参数Band #中⼼波长(µm)最⼩波段边界 (µm)最⼤波段边界(µm)空间分辨率 (m)1010.910.611.21001112.011.512.5100MODIS拥有36个波段，其中31和32波段为热红外波段，如下表所⽰。
表3：MODIS1B数据参数波段号主要应⽤分辨率波段宽度频谱强度要求的信噪⽐1植被叶绿素吸收2500.620-0.67021.81282云和植被覆盖变换2500.841-0.87624.72013⼟壤植被差异5000.459-0.47935.32434绿⾊植被5000.545-0.56529.02285叶⾯/树冠差异500 1.230-0-1.250 5.4746雪/云差异500 1.628-1.6527.32757陆地和云的性质500 2.105-2.155 1.01108叶绿素10000.405-0.42044.98809叶绿素10000.438-0.44841.983810叶绿素10000.483-0.49332.180211叶绿素10000.526-0.53627.975412沉淀物10000.546-0.55621.075013沉淀物，⼤⽓层10000.662-0.6729.591014叶绿素荧光10000.673-0.6838.7108715⽓溶胶性质10000.743-0.75310.258616⽓溶胶/⼤⽓层性质10000.862-0.877 6.251617云/⼤⽓层性质10000.890-0.92010.016718云/⼤⽓层性质10000.931-0.941 3.65719云/⼤⽓层性质10000.915-0.96515.025020洋⾯温度1000 3.660-3.8400.450.0521森林⽕灾/⽕⼭1000 3.929-3.989 2.38 2.0022云/地表温度1000 3.929-3.9890.670.0723云/地表温度1000 4.020-4.0800.790.0724对流层温度/云⽚1000 4.433-4.4980.170.2525对流层温度/云⽚1000 4.482-4.5490.590.2526红外云探测1000 1.360-1.390 6.0015027对流层中层湿度1000 6.535-6.895 1.160.2528对流层中层湿度10007.175-7.475 2.180.2529表⾯温度10008.400-8.7009.580.0530臭氧总量10009.580-9.880 3.690.2531云/表⾯温度100010.780-11.2809.550.0532云⾼和表⾯温度100011.770-12.2708.940.0533云⾼和云⽚100013.185-13.485 4.520.2533云⾼和云⽚100013.185-13.485 4.520.2534云⾼和云⽚100013.485-13.785 3.760.2535云⾼和云⽚100013.785-14.085 3.110.2536云⾼和云⽚100018.085-14.385 2.080.35Landsat 8的热红外波段的波宽以及波长中⼼与MODIS 1B的31与32波段的波宽以及波长中⼼基本⼀致，具体的对⽐细节如下：表 3 Landsat 8与MODIS1B热红外波段数据对⽐数据类型热红外波段中⼼波长波宽分辨率Landsat 81010.910.60-11.20100 111211.50-12.50100MODIS 1B 3111.0310.780-11.2801000 3212.0211.770-12.2701000从数据参数来看，是可以使⽤分裂窗算法实现Landsat8 TIRS载荷的温度反演。
基于Landset8影像的城市绿地冷岛效应分析——以北京市为例
（a）Landset OLI_TIRS影像（b）反演地表温度图1研究区Landsat OLI_TIRS影响及反演的地表温度城市热岛效应通常用城市中心区温度与其郊区的温度差来表征[4]。
目前用于表达城市热岛效应的指标主要为亮温、地表温度和大气温度。
对于遥感影像，大多数研究会使用亮温和地温来表征热岛效应[5]。
而冷岛效应与之相对价值工程应，是用区域中心的温度与其周边的温度的插值来表征。
本文以Landsat8遥感影像为基础数据来源，采用反演后的地表温度作为冷岛效应研究的表征。
以北京市绿地边界100m以内的平均温度作为冷岛区域温度，绿地边界外100-500m内的平均温度作为周边温度，后者与前者的差值即为城市绿地的冷岛效应。
2.2城市绿地选择本次研究选择了北京市建成区内部的7个城市绿地。
选择时遵循以下原则：①绿地位于城市繁华区；②由于相关研究表明只有在城市绿地面积大于1.5hm2才有降温作用，因而选择面积>1.5hm2的绿地。
绿地选择结果见表1。
2.3冷岛信息提取地表温度的反演应用了Landsat8OLI_TIRS遥感影像数据中的红光和近红外波段B4和B5。
生成无符号整型存储的地表温度数据。
在ArcGIS中多次利用栅格计算器，可以通过计算对生成的地表温度数据进行再次处理，得到量纲为摄氏度的温度。
以获取的地表温度影像为基础，结合Google Earth的高分辨率影响及以往的实地调查，选取城市绿地（表1），利用ArcGIS软件矢量化城市绿地的轮廓。
对拓扑成面的城市绿地，利用ArcGIS软件中的缓冲区功能分别建立城市绿地边界外100m和500m的缓冲区，利用擦除功能获得城市绿地边界外100-500m的缓冲区。
用裁剪或掩模提取的功能，分别获得各个城市绿地边界100m以内区域和城市绿地边界100-500m范围的温度图层。
利用软件中的分区统计功能，分别计算转换为栅格的上述多个城市绿地各个范围的温度图层的平均值。
地表温度反演实验报告(一)
地表温度反演实验报告(一)地表温度反演实验报告简介•地表温度反演是地球科学领域的重要研究方向之一；•本实验报告旨在探讨地表温度反演的原理、方法及实验结果；•通过实验分析，对地表温度反演技术进行评估与总结。
实验设计1.实验目的–研究地表温度反演的可行性；–探索合适的反演算法及参数设置；–评估反演结果的准确性与稳定性。
2.实验步骤–收集地表温度观测数据；–获取遥感影像数据，并预处理；–选择适合的反演算法，并设置参数；–利用算法反演地表温度；–对比反演结果和实际观测数据。
地表温度反演原理•地表温度反演基于遥感数据与地表温度观测数据之间的关系；•利用遥感数据中的亮温信息，通过数学模型计算地表温度；•常用的反演方法包括辐射平衡模型、统计回归模型等。
实验结果与分析1.数据采集–地表温度观测数据：通过传感器获取地表温度数据，包括时间、空间分辨率等信息；–遥感影像数据：利用卫星获取的图像数据，包括红外波段、热红外波段等。
2.反演算法选择–根据实验需求及数据特点，选择与地表温度反演相关的算法，如辐射平衡模型、统计回归模型等；–综合考虑计算复杂度、数据可得性等因素，选择最合适的算法。
3.反演结果对比–将反演结果与地表温度观测数据进行对比分析；–计算误差指标（如均方根误差、标准差等），评估反演结果的准确性；–分析误差的原因，并提出改进方法。
结论与展望•在本实验中，通过地表温度反演实验，得出以下结论：1.地表温度反演方法在一定程度上能够准确估计真实地表温度；2.不同的反演算法对应不同的精度和稳定性，需根据实际需求选择合适的算法；3.反演结果可能存在误差，需要进一步优化算法以提高精度。
•展望未来，地表温度反演技术有望在环境监测、气候变化研究等领域得到广泛应用。
随着遥感技术的不断发展，我们可以预期地表温度反演方法的精度将得到进一步提高。
以上是本次地表温度反演实验报告的主要内容，通过对实验步骤、原理及结果的介绍，我们对地表温度反演技术有了更深入的了解，并对其发展前景进行了展望。
landsat8合成年地表温度
landsat8合成年地表温度Landsat 8是一颗由美国国家航空航天局（NASA）和美国地质调查局（USGS）联合发射的卫星，它搭载了先进的传感器，能够提供高分辨率的遥感影像数据。
其中，通过Landsat 8卫星获取的地表温度数据在环境监测、气候研究、城市规划等领域具有广泛的应用。
地表温度是指地球表面的温度，它反映了地表物体对太阳辐射的吸收和散射能力。
利用Landsat 8卫星获取的地表温度数据，可以帮助我们深入了解地球表面的热分布情况，从而更好地了解地球气候变化、城市热岛效应等现象。
Landsat 8卫星携带的热红外传感器（TIRS）可以测量地表的辐射温度。
该传感器有两个波段，分别为10.8 - 11.3微米和11.5 - 12.5微米。
这两个波段对应的是地表的热辐射能力较强的区域，因此可以准确地测量地表温度。
利用Landsat 8卫星获取的地表温度数据，可以进行地表热分析。
通过对不同地区的地表温度进行比较，可以研究地表的热分布情况，进而分析热岛效应的影响。
热岛效应是指城市地区由于人类活动所导致的高温区域，它对城市的气候、生态环境等产生重要影响。
利用Landsat 8卫星获取的地表温度数据，可以帮助我们更好地了解城市热岛效应的形成机制，并为城市规划和生态环境改善提供科学依据。
地表温度数据还可以用于监测环境变化。
通过对时间序列的地表温度数据进行分析，可以研究气候变化、极端气候事件等现象。
利用Landsat 8卫星获取的地表温度数据，可以帮助我们更好地了解全球气候变化的趋势和规律，为环境保护和应对气候变化提供科学依据。
地表温度数据还可以用于农业生产。
不同作物对温度的适应能力不同，通过对地表温度数据的分析，可以了解不同地区的作物生长状况，进而进行合理的农业生产规划。
利用Landsat 8卫星获取的地表温度数据，可以帮助农民更好地掌握农作物的生长情况，提高农业生产效益。
利用Landsat 8卫星获取的地表温度数据，可以在环境监测、气候研究、城市规划和农业生产等领域发挥重要作用。
地表温度反演原理
地表温度反演原理
地表温度反演是通过遥感技术获取地表温度信息的一种方法。
它基于热辐射原理，利用地表辐射特征与温度之间的关系来反演地表温度。
地表的热辐射主要是通过红外波段的电磁辐射来表现的。
根据斯特凡-波尔兹曼定理，物体辐射出的热辐射功率与物体表面的温度的四次方成正比。
因此，可以通过测量地表辐射能量的强度来估算地表的温度。
在遥感技术中，常用的地表温度反演方法包括亮温法和辐射率方法。
亮温法主要是通过测量地球表面辐射出的红外辐射的亮温值，然后使用辐射传输模型和大气校正来推算地表温度。
辐射率方法则是通过测量可见光和红外波段的辐射强度，并结合地表辐射率的特性来推算地表温度。
地表温度反演的过程中需要考虑大气的影响，因为大气对地表辐射的吸收和散射会引起测量误差。
因此，地表温度反演需要进行大气校正，将测量值与大气影响进行分离，得到地表温度的真实值。
总的来说，地表温度反演原理是基于地表热辐射特征与温度之间的关系，通过遥感技术测量地表辐射能量的强度，并结合辐射传输模型和大气校正方法来推算地表温度。
landsat地表温度反演matlab_概述说明
landsat地表温度反演matlab 概述说明1. 引言1.1 概述本文旨在介绍利用Landsat卫星数据进行地表温度反演的方法和实现过程，并探讨MATLAB在这一过程中的应用。
地表温度是一个重要的地球物理参数，对气候变化、环境监测等领域具有重要意义。
由于Landsat系列卫星具备高空间分辨率、多光谱波段等特点，成为许多遥感研究中必不可少的数据源。
通过地表温度反演，我们可以获取全球各地不同时间点下的精确温度信息，从而更好地了解和研究地球系统。
1.2 文章结构本文主要分为五个部分展开论述，如下所示：第二部分为正文部分，包括三个小节。
首先，我们将介绍Landsat地表温度反演的基本概念和背景知识，并简要介绍相关研究现状；其次，我们将详细探讨MATLAB在地表温度反演中的应用，介绍MATLAB在数据处理、算法实现等方面的优势和使用方法；最后，我们将深入探讨与解释常见的反演算法原理与方法，为后续的方法与实现提供理论基础。
第三部分是方法与实现部分，包含三个小节。
首先，我们将介绍地表温度反演的数据预处理步骤，包括影像校正、大气校正等内容；其次，我们将详细讲解温度反演算法的具体实现过程，包括数学模型、参数设置等；最后，我们将对结果进行分析并展开讨论，评估地表温度反演的准确性和可靠性。
第四部分为结论与展望部分，包含两个小节。
我们将总结主要研究成果，并指出在Landsat地表温度反演领域取得的进展和突破点；同时，我们还将对Landsat 地表温度反演的意义和应用前景进行展望，探讨其在气候变化、资源监测等方面的潜力和发展方向。
最后一部分是结束语，对全文进行简要总结，并再次强调Landsat地表温度反演的重要性和应用前景。
1.3 目的本文旨在系统介绍Landsat地表温度反演的原理、方法和实现过程，并探索MATLAB在这一过程中发挥的作用。
通过本文的阐述，读者可以了解到Landsat 卫星数据在地表温度反演中的应用前景以及MATLAB在该领域中的优势和使用方法。
Landsat 8数据介绍
Landsat 8数据介绍1. 简介1.1 数据简介2013年2月11日，美国航空航天局(NASA) 成功发射Landsat-8卫星。
Landsat-8卫星上携带两个传感器，分别是OLI陆地成像仪(Operational Land Imager)和TIRS热红外传感器(Thermal Infrared Sensor)。
Landsat-8在空间分辨率和光谱特性等方面与Landsat 1-7保持了基本一致，卫星一共有11个波段，波段1-7，9-11的空间分辨率为30米，波段8为15米分辨率的全色波段，卫星每16天可以实现一次全球覆盖。
OLI陆地成像仪有9个波段，成像宽幅为185 x 185km。
与Landsat-7上的ETM传感器相比，OLI陆地成像仪做了以下调整：1. Band 5的波段范围调整为0.845–0.885 μm，排除了0.825μm处水汽吸收的影响;2. Band 8全色波段范围较窄，从而可以更好区分植被和非植被区域;3. 新增两个波段。
Band 1蓝色波段(0.433–0.453 μm) 主要应用于海岸带观测，Band 9短波红外波段(1.360–1.390 μm) 应用于云检测。
LandSat-8上携带的TIRS热红外传感器主要用于收集地球两个热区地带的热量流失，目标是了解所观测地带水分消耗。
1.2 传感器参数传感器波段波长范围/μm信噪比空间分辨率/m用途说明1.3 产品参数2. 数据更新量Landsat 8 每天至少可以获得400幅图像。
Landsat 8覆盖中国区域大约需要9天的时间。
此前这个系列的卫星每天只能获得250幅图像。
这是因为该卫星可以监测区域有更大的灵活性，过去的陆地卫星在轨道上只能收集卫星直接下面航迹线两边一定宽度的地带，而Landsat 8上的遥感器具有指向偏离航迹一个角度获取信息的能力，可以收集到本来要后面的轨道圈才处于卫星下面的地面信息。
这有助于及时获取需多时相(如灾害)对比研究的图像。
- 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)。
热红外遥感（Infrared Remote Sensing）是指传感器工作波段限于红外波段范围之内的遥感。
即利用星载或机载传感器收集、记录地物的热红外信息，并利用这种热红外信息来识别地物和反演地表参数如温度、湿度和热惯量等。
目前有很多的卫星携带了热红外传感器，包括ASTER、AVHRR、MODIS、
TM/ETM+/ TIRS等。
目前，地表温度反演算法主要有以下三种：大气校正法（也称为辐射传输方程：Radiative Transfer Equation——RTE）、单通道算法和分裂窗算法。
本实例是基于大气校正法，利用Landsat8 TIRS反演地表温度。
基本原理：首先估计大气对地表热辐射的影响, 然后把这部分大气影响从卫星传感器所观测到的热辐射总量中减去, 从而得到地表热辐射强度, 再把这一热辐射强度转化为相应的地表温度。
具体实现为：卫星传感器接收到的热红外辐射亮度值Lλ由三部分组成：大气向上辐射亮度L↑，地面的真实辐射亮度经过大气层之后到达卫星传感器的能量；大气向下辐射到达地面后反射的能量。
卫星传感器接收到的热红外辐射亮度值Lλ的表达式可写为（辐射传输方程）：
Lλ = [εB(T S) + (1-ε)L↓]τ+ L↑（1.1）
式中，ε为地表比辐射率，T S为地表真实温度(K)，B(T S)为黑体热辐射亮度，τ为大气在热红外波段的透过率。
则温度为T的黑体在热红外波段的辐射亮度
B(T S)为：
B(T S) = [Lλ - L↑- τ(1-ε)L↓]/τε（1.2）
T s可以用普朗克公式的函数获取。
T S = K2/ln(K1/ B(T S)+ 1) （1.3）
对于TM，K1 =607.76 W/(m2*µm*sr)，K2 =1260.56K。
对于ETM+，K1=666.09 W/(m2*µm*sr)，K2 =1282.71K。
对于TIRS Band10，K1= 774.89 W/(m2*µm*sr)，K2 = 1321.08K。
从上可知此类算法需要2个参数：大气剖面参数和地表比辐射率。
大气剖面参数在NASA提供的网站(/)中，输入成影时间以及中心经纬度可以获取大气剖面参数。
适用于只有一个热红外波段的数据，如Landsat TM /ETM+/TIRS数据。
主要内容就是使用BandMath工具计算公式（1.2）和公式（1.3），处理流程如下图所示。
注：OLI大气校正是可选项，根据前人研究成果，大气校正处理对结果影响不是很大。
图1.1 基于大气校正法的TIRS反演流程图
1、图像辐射定标
(1)在主界面中，选择File→Open，在文件选择对话框中选择
"LC81230322013276LGN00_MTL.txt"文件，ENVI自动按照波长分为五个数据集：多光谱数据（1-7波段），全色波段数据（8波段），卷云波段数据（9波段），热红外数据（10，11波段）和质量波段数据（12波段）。
（2）在Toolbox工具箱中，选择Radiometric Correction/Radiometric Calibration。
在File Selection对话框中，选择数据LC81230322013132LGN02_MTL_Thermal，单击Spectral Subset选择Thermal Infrared1（10.9），打开Radiometric Calibration面板。
（3）在Radiometric Calibration面板中，设置以下参数：
•定标类型（Calibration Type）：辐射亮度值（radiance）。
•其他选择默认参数。
（4）选择输出路径和文件名1-LC81230322_band10_rad.dat，单击OK 按钮执行定标处理。
得到Band10辐射亮度图像。
2、地表比辐射率计算
TIRS的Band10热红外波段与TM/ETM+6热红外波段具有近似的波谱范围，本例采用TM/ETM+6相同的地表比辐射率计算方法。
使用Sobrino提出的NDVI阈值法计算地表比辐射率。
ε=0.004Pv+0.986 （1.4）
其中，Pv是植被覆盖度，用以下公式计算：
Pv = [(NDVI- NDVI Soil)／(NDVI Veg - NDVI Soil)] （1.5）
其中，NDVI为归一化植被指数，NDVI Soil为完全是裸土或无植被覆盖区域的NDVI值，NDVI Veg则代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。
取经验值NDVI Veg = 0.70和NDVI Soil = 0.05，即当某个像元的NDVI大于0.70时，Pv取值为1；当NDVI小于0.05，Pv取值为0。
注：这里采用简化的植被覆盖度计算模型，感兴趣的可以使用更加精确的植被覆盖度计算模型。
（1）在Toolbox工具箱中，双击Spectral/Vegetation/NDVI工具，在文件输入对话框中，选择Landsat8 OLI多光谱图像。
图1.2 NDVI文件输入对话框
提示：覃志豪提出使用原始的DN值图像计算NDVI对反演结果影响不大。
（2）在NDVI Calculaton parameters对话框中，自动识别NDVI计算波段：Red：4，Near IR：5。
图1.3 NDVI对话框
（3）选择输出文件名和路径。
（4）在Toobox中，选择Band Ratio/Band Math，输入表达式：(b1 gt 0.7)*1+(b1 lt 0.05)*0+(b1 ge 0.05 and b1 le 0.7)*((b1-
0.05)/(0.7-0.05))
其中，b1：NDVI。
计算得到植被覆盖度图像。
（5）在Toobox中，选择Band Ratio/Band Math，输入表达式：
0.004*b1+0.986
其中，b1：植被覆盖度图像。
计算得到地表比辐射率图像。
提示：为了得到更精确的地表比辐射率数据，可使用覃志豪等提出的先将地表分成水体、自然表面和城镇区，分别针对三种地表类型计算地表比辐射率：•水体像元比辐射率：0.995
•自然表面像元比辐射率：εsurface = 0.9625 + 0.0614Pv -
0.0461Pv2
•城镇区像元比辐射率：εbuilding = 0.9589 + 0.086Pv - 0.0671Pv2 3、黑体辐射亮度与地表温度计算
在NASA公布的网站查询（），输入成影时间：2013-10-03 02:55和中心经纬度（Lat：40.32899857，Lon：
116.70610046），以及其他相应的参数，得到大气剖面信息为：
•大气在热红外波段的透过率τ：0.90
•大气向上辐射亮度L↑：0.75 W/(m2·sr·μm)
•大气向下辐射亮辐射亮度L↓：1.29W/(m2·sr·μm)
提示：由于缺少地表相关参数（气压、温度、相对湿度等信息），得到的结果是基于模型计算的结果。
（1）依据公式（1.2），在Toolbox工具箱中，双击Band Ratio/Band Math 工具，输入表达式：
(b2-0.75-0.9*(1-b1)*1.29)/(0.9*b1)
其中，b1：地表比辐射率图像
b2：Band10辐射亮度图像
计算得到同温度下的黑体辐射亮度图像。
（2）依据公式（1.3），在Toobox中，双击Band Ratio/Band Math工具，输入表达式：
(1321.08)/alog(774.89/b1+1)-273
其中，b1：同温度下的黑体辐射亮度图像
得到单位为摄氏度的地表温度图像。
提示：公式（1.3中），TIRS Band10的K1和K2是从*_MTL.txt元数据文件中获取。
（3）在图层管理器（Layer Manager）中的地表温度图像图层，右键选择Raster Color Slices。
将温度划分为四个区间：
•25℃以上
•22℃至25℃
•20℃至22℃
•15℃至20℃
•低于15℃
（4）分别浏览几个温度区间的空间分布范围。
（5）统计反演结果得出81%区域的温度集中在15~22°区间。
提示：缺少同步温度测量数据用于验证反演结果，查询2013年10月3号北京市最低气温为10°，最高气温为22°。
本示例反演结果大部分在这个区间内，反演结果有一定的参考价值。