温度反演（精选5篇）
温度反演 篇1
陆地表面温度(Land Surface Temperature,LST)是区域和全球尺度地球表层物理过程的一个关键参量,它综合了地表和大气相互作用以及能量交换的结果。针对陆地表面温度的研究已经广泛的应用于气象、地质、水文以及生态学各个领域。因此,陆地表面温度对全球能量平衡的研究有着重要的意义。由于地表温度的研究范围广,时效性强。近地表测量无法达到工作需要,通过遥感方法进行地表温度的反演,可以在很大的程度上提高测量范围并减少一定的工作量,是目前遥感科学的一个很普遍的应用。
通过遥感数据进行地表温度反演,需要多个复杂数学模型的协同工作,同时由于研究区域广、计算量大、难以达到时效性的要求。为此,引入网格计算来解决计算机硬件的瓶颈问题,达到计算速度的需要。
网格计算是继万维网之后出现的一种新型网络计算平台,它是把地理位置上分散的资源集成起来,为用户提供全面共享各种资源的一种基础设施。用户不需要了解具体细节就可以使用自己需要的资源[1]。这种想法在人们研制MULTICS[2,3]的时候就提出来了,网格就如同建立计算机的输电网[4],一个电厂生产的电力可以通过输电网传送到本地或远方的用电户。一台计算机多余的技术能力可以通过网格,让本地或远方的用户加以利用网格把整个因特网整合成一台巨大的超级计算机,实现计算资源、存储资源、数据资源、信息资源、知识资源、专家资源的全面共享和协同[5]。
构建网格平台来完成地表温度反演的运算,可以提高计算的时效性,加快信息提取的速度,达到地表温度实时测量的要求。我们在实验室基础上做了技术上的研究,为地表温度反演的网格计算提供了一定的基础。
1地表温度反演的模型
在研究地表温度反演时,我们选取的是Terra和Aqua两颗卫星上搭载的MODIS传感器,利用MODIS两次观测数据进行地表温度反演。计算方法上,选择了统计回归分析方法来解决地表温度反演问题。虽然统计回归分析方法解决地表温度反演问题需要花费大量的计算时间,但是只需要做一次计算就可以。地表温度和通道比辐射率应该是14个通道亮温观测值的线性组合,其数学表达式为:
(1)式中xi由两次数据的地表温度、7个通道比辐射率和两次数据的大气温度和水汽含量以及各向异性因子α等14变量构成的向量,yj为第j次观测的通道亮温,wi,j为系数,i=1,…,14,j=1,…,14,wi,0为水平偏移系数。为了求解该方程,首先要针对各种不同的大气条件和地表条件设定大气水汽含量、大气温度、地表温度和通道比辐射率等来构造一组巨大的模拟观测数据,也同时把这些设定值作为方程(1)左边的xi值,进行模拟,把模拟出来的通道辐射亮度通过查找表转换成辐射亮温数据,同时作为方程(1)右边的yj值。把这些模拟出的亮温数据作为独立变量;把设定的地表温度、地表通道比辐射率和大气参数作为非独立变量,然后进行统计回归分析。回归分析的结果即为方程(1)的系数。通过这种方法得到的xi是这些未知变量在统计意义上的最佳估计值。
2网格平台的选取
搭建网格平台,合适的操作系统是首选因素。虽然网格平台的搭建要考虑到系统异构性,但在研究之初,需要一种完全开源的操作系统,以便于针对所出现情况,进行模型的各种分析及改进,待相关技术成型后,再转向大众操作平台。Ubuntu是一个基于Debian包系统的linux发行版[6],而且其软件的安装主要是通过“源”,完全符合实验平台对操作系统的要求。
与此同时,不同的网格计划项目采用了不同的体系结构。网格体系结构是关于如何建造网格的技术,包括对网格基本组成部分和各部分功能的定义和描述,网格各部分相互关系与集成方法的规定,网格有效运行机制的刻画。网格的体系结构是网格的核心技术,只有建立了合理的网格体系结构,才能设计和建造好网格,才能使网格有效地发挥作用[7]。我们采用目前IBM等大企业支持的事实上的标准,开放网格服务体系结构[8](opengrid servicearchitecture,OGSA),即Globus的toolkit体系结构。
GlobusToolkit4.0(GT4)是开放网格服务基础设施(OpenGridServiceInfrastructure,OGSI)的参考实现。其中提供了基于开放网格服务架构OGSA和Web服务架构构建网格服务的基础平台。这些服务可以实现资源共享、任务日程安排与组织,还可以访问网格上的各种分布式资源[9]。
3网格服务的配置
我们在组建好的网格平台下,建立一个简单的模型,来完成基础的网格服务[10,11,12,13]。要组建网格服务,首先需要详细指定我们对外界节点所建立的服务。在这点上,我们不需要关心这些服务内部的工作情况,比如它们使用什么运算法则,其它系统彼此间的影响等等。我们只需要知道对我们的用户来说,什么操作是可以利用的。一种特殊的XML语言即WSDL(WebServiceDescriptionLanguage),可以用来指定WebService所提供的操作。
我们先用JAVA语言建立一个简单的数学实例模型。其部分代码如下:
定义了服务接口后(whattheservicedoes),下一步就是执行这个接口。也就是“how theservice doeswhatitsaysitdoes”[14]。在这之前我们需要对一个针对指定服务联系时,使用的有资格的名字,简称为Qname(qualifiedname),它要包括一个名称空间名和一个本地名,有了Qname后,就可以利用WEB服务部署描述器。
服务部署描述(WSDD)文件用于告诉WEB服务容器如何订阅我们的WEB服务,JNDI文件指定每个服务使用的资源屋(resourecehome)[15]。GT4使用AXISWSDD来配置JAZ-RPC处理程序以及这些处理程序所需的表态参数。通过设置服务名称、消息处理样式、枢轴处理程序、工厂和服务实例java类信息来部署服务。而服务部署描述文件deployserver.wsdd主要指出服务的名称、WSDL文件名称及存放路径、实现服务的类名,以告诉WEB服务引擎如何发布网格服务。
最后,就是利用ANT创建GAR文件,Apache Ant是一个基于Java的生成工具。生成工具在软件开发中用来将源代码和其他输入文件转换为可执行文件的形式。随着应用程序的生成过程变得更加复杂,确保在每次生成期间都使用精确相同的生成步骤,同时实现尽可能多的自动化,以便及时产生一致的生成版本。
服务端实现服务后,必须编译存根文件和服务端的实现文件。build文件是一个标准的XML文件,它包含一个根节点Project,Project定义了至少一个Target,每个Target又是一系列Task的集合。编写build.xml文件和一些相关配置文件,其中build.xml文件用来供ANT编译、打包此服务,生成server和client端的GAR文件,此文件包含了WEB服务器部署网格服务需要的所有文件和信息。这一步需要WSDL服务接口文件,JAVA的服务实现,使用WSDD和JNDI编写的部署描述文件,使用ANT产生GAR文件,其详细描述如图1所示。
4在网格服务中配置数学模型
使用GT4工具发布服务,GAR文件包含Web服务器需要发布Web服务所需的所有文件和信息,使用GT4工具—Ant将GAR中的文件复制到GT4指定的目录中。就可以将服务部署到网格环境之中,在客户端编写客户程序,即可检测网格服务。
编译客户端程序示例如下:
java
-classpath ./build/stubs/classes/:MYMCLASSPATH
org.globus.examples.clients.MathService-instance.Client
http://127.0.0.1:8080/wsrf/services/examples/core/first/MathService
顺利执行后,即可在终端出现如下信息:
Current value: 15
Current value: 10
至此,一个简单的网格服务加法数学模型构建完成,地表温度反演方法只是一个相对复杂的数学模型,但其实现机理相同。将方程(1)的算法利用程序写成地表温度反演的具体数学模型,替换掉网格服务中的数学加法模型即可。
5结论
在实验室条件下,我们做了一次响应时间与计算量的结果统计分析,实验环境为局域网内三台装有Ubuntu系统,并配置好网格平台,所有软件、硬件设施完全相同的电脑,机器配置如下:
处理器:Inter(R) Pentium(R) 4 CPU 3.0G; 内存: kingston DDR 512*2
硬盘: WD 160G; 显卡: NVIDIA Geforce 6500
网卡: Realtek RTL8168/8111 PCI-E Gigabit Ethernet NIC
进行温度反演时,为了确保能准确的看出响应时间与计算量的关系,我们在对模型研究发现,数据量的增加与计算量的增加是成正比关系的。所以,在测试数据时,只改变数据量的大小,相关参数设置不变。就可以检测出响应时间与计算量的关系。图2是在建立好的网格平台下,分别以单机运算、2台机器作为计算节点,3台机器作为计算节点,对青海湖地区试验点的影像信息进行计算的数据量与响应时间图。当采集数据不断增多,计算量逐渐加大的情况下,记录多个节点运行系统时的响应时间进行比较。
实践证明,在数据量较小时,由于单个机器不需要进行任务分配,所以运行速度要比多节点执行快,当数据量逐步提升时,多节点的响应时间明显有所提高。针对遥感地表温度反演的数学模型来说,都是以小时或以天为计算单位。在系统运行时,多节点运算的响应时间完全在可接受范围内,比单机有所提高。
摘要：海量的遥感数据以及面向应用快速处理的紧急需求,需要强大的计算资源。地表温度反演,需要实时的遥感数据分析,要求高性能计算的支持。通过对当前国际上网格技术的研究,引入了开放网格服务体系结构,利用GLOBUS在实验室基础上来组建网格平台,为加速地表反演的运算提供了技术帮助。
关键词：地表温度,网格服务,Globus
温度反演 篇2
利用MODIS合成产品数据MOD11A2和MOD13A2获取的归一化植被指数(NDVI)和陆地表面温度(LST)构建Ts-NDVI特征空间,并把该特征空间计算的温度植被干旱指数(TVDI)作为土壤湿度指标.利用该指标反演伊犁博州地区6-8月3个月份每8d的土壤湿度.然后将土壤湿度分为5级,进而得到该时段伊犁博州地区土壤湿度空间分布特征.
作 者：肖继东 姚坤 师庆东 逄淑女 师庆三 XIAO Ji-dong YAO Kun SHI Qing-dong PANG Shu-nv SHI Qing-san 作者单位：肖继东,XIAO Ji-dong(新疆生态遥感中心,新疆,乌鲁木齐,830002;新疆大学绿洲生态重点实验室,新疆,乌鲁木齐,830046;新疆师范大学生命与环境科学学院,新疆,乌鲁木齐,830053)姚坤,YAO Kun(新疆生态遥感中心,新疆,乌鲁木齐,830002;新疆大学绿洲生态重点实验室,新疆,乌鲁木齐,830046)
基于不同算法的温度反演比较 篇3
1. 影像准备 :1通过美国地质勘探局网站下载研究区域灞河流域的遥感影像图,下载遥感图为Landsat8影像。2经定位分析得知,屯溪流域位于灞河流域位于陕西省蓝田县灞源乡华岔村西部。查阅该地区TM遥感影像行列号,确定屯溪流域Landsat 8遥感影像所在的行列带号。3按影像行列带号下载影像及头文件。
2. 模板准备 : 准备灞河流域矢量模板,用于对影像进行裁剪获得灞河流域影像图,矢量模板文件为 :灞河裁剪模板 .evf
2 温度反演
Landsa8影像的10波段是热红外波段,接受的是与地表温度高低相对应的地物的热红外辐射,因此,可以通过其来反演出地表温度 , 在温度反演之前需要进行图像拼接与裁剪。
2.1图像拼接和裁剪 :三张原始影像的第10波段影像,进行拼接得到拼接后影像后,打开灞河EVF文件,进行掩膜处理,最后把掩膜的文件放在拼接图像上进行裁剪,得到裁剪结果。
2.2各类算法温度反演
2.2.1 B算法
这种方法简单,易于操作,对影像之外的外来参数依赖性很小。反演效果也较好,是种简单实用的方法。
2.2.2单通道算法
2.2.3单窗算法
2.2.4辐射传输方程法
大气平均作用温度估计误差对地表温度演算精度有较大影响 , 但这种影响直接取决于大气透射率的大小。大气透射率估计误差对数据的地表温度演算精度影响很大,这一误差随地表温度增加而迅速增大 , 温度越高 , 误差越大。
2. 地表比辐射率计算 :水体像元的比辐射率赋值为0.995,自然表面和城镇像元的比辐射率估算则分别根据下式进行计算 :
b1为NDVI值 ;b2为植被覆盖度值,可以通过计算得到地表比辐射率数据。
在NASA官网 (http://atmcorr.gsfc.nasa.gov/) 中输入成影时间以及中心经纬度,可以查询上面公式中所需的参数。利用ENVI主菜单 ->Basic Tools->Band Math,在公式输入栏中输入 :
4. 反演地表温度 :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 :
b1 :公式中的温度为T的黑体在热红外波段的辐射亮度值。由此可以得到真实的地表温度值(摄氏度)。
3 四种反演方法比较
见图1
B算法反演过程较为简便,易操作 ;对影像数据之外的外来参数依赖性较小 ;考虑了地表比辐射率因素的影响 ;单通道算法分类讨论地表比辐射率的影响,对结果反演较好 ;单窗算法既考虑了地表比辐射率的影响,也考虑了大气辐射的影响 ;反演过程所需要的大气参数比传统的辐射传导方程法要少得多,仅需要近地表气温和大气水分含量这两个参数 ; 辐射传输方程法也较为简便,易操作 ;分类讨论了地表比辐射率的影响。
4 论述
单窗算法反演和大气校正法的地表温度最高有54度,误差很大,与其他两者相比,都高出8度左右 ;
1) 总体比较 ;B算法和辐射传输方程法反演出来的温度差异在3度左右 ;两者与单窗算法反演出来的温度相差5-7度左右 ;总体反演温度趋势呈 :单通道算法
2) 各类别比较
见图2
3) 综述 ; 综上可看出,单通道算法反演的温度普遍偏低,但与其他算法最大不超过1度,单窗算法反演温度普遍偏高,比其他算法高出8度左右 ;B算法居中,辐射传输方程法在高温地区反演效果较差,与其他两者相差较多。
温度反演 篇4
关键词：单通道算法,MERSI数据,地表比辐射率,大气水汽含量,地表温度
1 云检测
利用VC++对基于HDF5格式的MERSI数据进行提取、数据预处理、云检测, 判断所选用数据是否可用。在有云的情况下, 热红外波段得到的不是真实的地表温度。为了有效地消除云的干扰, 从遥感图象上获得真实的地表温度信息, 首先要进行云像元识别, 即进行云像元的检测, 以达到去除云像元的目的。云在3波段 (0.65μm) 具有高反射率, 而且0.65μm遥感图象对区分陆地和云的边界较好;云在近红外波段18波段 (0.94μm) 的波谱特征主要与大气中的含水量有关, 它主要反映大气中的水汽特征, 即水汽吸收谷。由于在0.65μm与0.94μm处, 云与各种地物波谱特征形成明显反差, 因此将其归一化处理, 不仅可以突出云的信息, 而且可以部分消除太阳高度角、卫星扫描角及大气程辐射的影响, 归一化云检测指数CDI (Cloud Detection Index) 表示为:
选用FY3A_MERSI_GBAL_L1_20080903_0145_1000M_MS.HDF和FY3A_MERSI_GBAL_L1_20080816_0225_1000M_MS.HDF数据, 以沈阳 (东经123.4°, 北纬41.8°) 为中心截取100×100像元。云的云检测指数为正 (CDI>O) , 土壤的云检测指数接近0 (CDI≈0) , 植被的云检测指数为负 (CDI<0) [1]。经计算得出9月3日世界时间1时45分CDI<0的像元487个, CDI>0的像元是9513个。非云像元占总像元的4.87%。而8月16日世界时间2时25分的CDI<0的像元8 533个, CDI>0的像元是1 467个, 非云像元占总像元的85.33% (图1~2) 。
可以看出, 8月16日云量较少, 遥感数据可用。由于城市地表的复杂性将会对地表反演的准确度产生影响。因此, 选择辽西北地区农田多、土地条件简单的区域进行研究。本文选取FY3A_MERSI_GBAL_L1_20080816_0225_1000M_MS.HDF数据, 以新民 (东经122.83°, 北纬42°) 为中心截取170×170像元作为研究区。
2 MERSI地表温度的计算方法
对于只有一个热红外通道的遥感数据通常选用具有普适性的单通道算法[2]反演地表温度。应用Landsat TM数据计算的地表温度, 选定东经119°14′09″~119′23′25″、北纬26°0127″~26°09′43″作为实验的研究区, 其结果与实际地表温度相比平均高出5.3℃, 具有较高的反演精度[3]。针对MERSI数据特点:共20个通道, 仅有5个通道是热红外通道。该文选用单通道算法, 既考虑了地表比辐射率的影响, 也考虑了大气辐射的影响, 反演过程所需要的大气参数仅为大气水汽含量。
单通道算法 (Single-channel Method) 由Jiménez-Muno和Sobrino[4]提出, 对于TM6, 其计算公式为:
式中, Ts是地表温度 (K) ;Lsensor是卫星高度上遥感传感器测得的辐射 (W·m-2·sr-1·μm-1) , 计算公式[5]如下:
其中, DNTM6为TM6的像元DN值, 0≤DNTM6≤255。此外, ε是地表比辐射率;γ、δ、ψ1、ψ2、ψ3是中间变量, 分别由以下公式计算:
上述公式中, C1=1.191 04×108 (W·μm4·m-2·sr-1) , C2=14 387.7μm·K;Tsensor是像元亮度温度 (K) ;λ是有效作用波长 (对于TM6, λ为11.457μm) ;w是大气剖面总水汽含量 (g/cm2) 。
2.1 亮度温度
亮度温度是衡量物体温度的一个指标, 但不是物体的真实温度。TM卫星温度反演的基础数据是亮温, 最常用到的是大气顶层的亮温, 就是将气象卫星遥感器接收到的辐射率换算为相对应的温度[6]。计算公式:
其中, TB为亮温 (Kelvin) , L是定标后的辐射率, C1、C2是常数, C1=1.191 065 9×10-5, C2=1.438 833, v是探测波段的等效中心波数。
2.2 辐射率的计算
Malaret等提出的二次方程式模型把DN值转变成辐射温度[7]。其表达式为:
再应用Artis等提出的绝对表面温度表达式[8]计算:
其中, λ是波段有效波长, a=hc/K (l.438×10-2m K) , K是波尔兹曼常数 (l.38×10-23JK) , h是普朗克函数 (6.26×10-34Js) , c是光速 (2.998×108m/s) :
方程式中, Lmin是传感器可探测到的最小辐射率, Lmax是传感器可探测到的最大辐射率。DN为像元的观测记录值。传感器亮温由以下公式获得:
式中, 对于Landsat TM6波段而言, k1=607.76 Wm-2·sr-1·μm-1, k2=1 260.56K。
2.3 对表比辐射率 (LSE)
综合前人的地表比辐射率研究成果[9], 针对MERSI数据采取以下方法计算研究区地表比辐射率:首先对研究区进行监督分类, 将遥感影像分为水体、城镇和自然表面3种类型。水体像元的比辐射率赋值为0.995, 自然表面和城镇像元的比辐射率估算则分别根据公式进行计算:
式中, εsurface和εbuilt-up分别代表自然表面像元和城镇像元的比辐射率, Pv为植被覆盖度:
其中, NDVI为归一化植被指数, 取NDVImax=0.70和NDVImin=0.05, 且有当某个像元的NDVI>0.70时, Pv取值为1;当NDVI<0.05时, Pv取值为0。
2.4 大气水汽含量
MERSI近红外水汽反演算法主要利用在近红外940nm波长附近存在强水汽吸收特征, CO2等在此波段上是弱吸收带, 与水汽相比, 可以忽略不计。同时, 在865、1 240nm附近窄波段的大气透过率 (不包括连续吸收) 大于0.99, 这些波段可视为大气窗口波段[10]。将用18通道940nm波段与16通道865nm波段上的反射率组合成两波段比值方法来反演大气水汽含量。公式[11]为:
其中:W为大气水汽含量;TW为大气水汽吸收波段地面反射率与大气窗口波段地面反射率的比;α、β是参数, 分别取α=0.02, β=0.651。经过计算大气水汽含量最大值为6.708 6g/cm2, 最小值为0.366 15g/cm2。普遍集中在3~4g/cm2之间。对于8月的我国东北夏季, 数值属于正常范围。
3 LST反演结果与误差分析
3.1 LST反演结果
为了对MERSI数据反演的地表温度作出效果评价, 采用同一时间段的MODIS数据用劈窗算法反演地表温度和气象站观测的日平均地温, 选取辽宁省内8个县市区 (表1) , 比较MERSI LST、MODIS LST以及地面观测站观测的日平均地表温度。
通过表1、图3可以得出以下结论:MERSI数据反演的温度普遍低于MODIS数据反演的地表温;MODIS数据高于地面观测站所测的的日平均值;MERSI LST, MODIS数据反演的LST和观测站日平均温度趋势基本一致;MODIS LST与地面观测站观测的日平均温度平均差5.96K;MODIS LST与MERSI LST平均差值为18.15K;观测站观测的日平均温与MERSI LST平均差值为12.19K;地面观测值最大值为305.11K, MERSI LST最大值为295.17K, MODIS LST最大值为310.72K, 均出现在康平;地面观测值最小值为298.0K, MERSI LST最小值为285.81, MODIS LST最小值为307.52K, 均出现在本溪。
3.2 误差的分析
通过反演得到的辽宁地区陆面温度影像图和表可以知道, 不同算法反演得到的结果有一定的差异。这可能跟各算法涉及的误差来源有关。为了比较各算法的反演精度, 从误差来源定性地分析了各算法的结果误差。
(1) 传感器本身特性所带来的误差 (宽波段到单波段的假设、校准) , 大气水蒸汽含量所带来的误差和地表比辐射率估计方法产生的误差。用相同时间段北京时间上午10时25分的MERSI数据和MODIS数据计算的NDVI、MERSI的NDVImax=0.751 84和NDVImin=0.126 29。而MODIS NDVImax=0.699 43和NDVImin=0.046 954。由于所用的阈值不同, 得到的地表比辐射率也存在一定的差异, 但数值大体一直集中在0.4~0.6之间。大气水汽含量基本一致。MERSI的大气水汽含量Wmax=6.708 6g/cm2, Wmin=0.366 15g/cm2, 水汽含量均值为3.702 6g/cm2;MODIS的大气水汽含量Wmax=3.154 3g/cm2, Wmin=0.678 02g/cm2, 水汽含量均值为2.423 1g/cm2。地表比辐射率εmax=0.983, εmin=0.962, 平均值为0.981。在计算比辐射率时, 将林地、水体等归为农田区, 采用农田区公式进行计算, 带来一定误差。
(2) 地面各观测站所观察的值为日平均温度, 该文选取的是2008年8月16日上午10时25分的数据, 此时太阳光线充足, 地表温度正处于一天中的较高值时期, LST反演结果反映的是冠层温度, 因此高于观测站观测的日平均温度。
(3) 除了传感器本身带来的误差外, 还存在计算误差和研究区地表状况带来的误差。本文计算误差主要存在于参数, 由于单通道算法的普适性已经在Landsat TM6数据和AVHRR中得到验证, 所用参数并未调整。而研究区包含大量农田区域, 下垫面简单, 地表物单一, 但是也同样包含城市部分, 城市由于表面多是反射率较高的材料使得温度变化相对林地和耕地更大, 由于热岛效应及其他因素的影响复杂, 所以存在误差。
4 结语
单通道算法需要大气水汽含量和地表比辐射率这2个重要的参量。普适性单通道算法应用于Landsat TM遥感数据地表温度的反演已得到广泛认可。其中的参量大气水汽含量通常根据近地面气温条件用经验值法进行估算, 但是MERSI遥感数据与MODIS具有相同的水汽吸收波段和大气窗口波段, 参照MODIS大气水汽含量计算方法, 采用大气水汽吸收波段 (Band18) 数据和大气窗口波段 (Band16) 数据计算MERSI的大气水汽含量, MERSI的大气水汽含量Wmax=6.708 6g/cm2, Wmin=0.366 15g/cm2, 水汽含量均值为3.7026g/cm2, 对于8月我国东北夏季这样的数值属于正常范围;在计算地表比辐射率时参照Landsat TM6, 采用NDVI阈值法, MERSI的NDVImax=0.751 84和NDVImin=0.126 29, 数值基本集中在0.4~0.6之间。地表比辐射率εmax=0.983, εmin=0.962, 平均值为0.981。为了定量的分析MERSI LST反演效果, 以MODIS、LST作为参考, 比较MODIS LST、MERSI LST和地面观测站测得的日平均温度, 结果表明, MERSI LST低于MODIS LST 18℃左右, MERSI LST低于观测站数值12K左右, 但各站点温度趋势基本一致。虽然MERSI的反演结果与MODIS LST相差10K以上, 但是各个站点的相差值均衡, 反演趋势基本一致。最高温度均出现在康平, 最低温度则都出现在本溪。
参考文献
[1]宋小宁, 赵英时.MODIS图象的云检测及分析[J].中国图象图形学报:A辑, 2003, 8 (9) :1079-1083.
[2]SOBRINO J A, JIMéNez-MUńOZ J C, PAOLINI L.Land surface temp-erature retrieval from LANDSAT TM5[J].Remote Sensing of Enviornment, 2004 (90) :434-440.
[3]丁凤, 徐涵秋.基于Landsant 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, 2008, 24 (1) :92-96.
[4]JIMéNez-MUńOZ J C, SOBRINO J A.Generalized single channel method for retrieving land surface temperature from remote sensingdata[J].Jounralof Geophysical Research, 2003 (A108) :1-9 (ACL) .
[5]CHANDER G, MARKHAM B.Revised Landsat-5 TM Radio-metric Calibration Procedures and Postcalibration Dy-namic Ranges[J].IEEE Transactionson Geoscience and Remote Sensing, 2003, 41 (11) :2674-2677.
[6]张培昌, 王振会.大气微波遥感基础[M].北京:气象出版社, 1995.
[7]MALARET E, BARTOLUCCI L.A., LOZANO D F, et al.Landsat-4 and Landsat-5 Thematic Mapper data quality analysis[J].Photogrammtric Engineering and Remote Sensing, 1985 (51) :1407-1416.
[8]Artis D A.Carnahan W H.Survey of emissivity variability in the rmographyof urban area[J].Remote Sensing of Environment, 1982, 12 (4) :313-329.
[9]丁凤, 徐涵秋.单窗算法和单通道算法对参数估计误差的敏感性分析[J].测绘科学, 2007, 32 (1) :87-90.
[10]王伟民, 孙晓敏, 张仁, 等.地物反射光谱对MODIS近红外波段水汽反演影响的模拟分析[J].遥感学报, 2005, 9 (1) :8-15.
温度反演 篇5
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。基于Landsat8影像反演地表温度的研究不多, 且尚不成熟。本文以Landsat8影像为数据源, 通过NDVI门槛值法估计地表比辐射率, 模拟大气水汽含量和透过率的关系求算大气透过率, 采用劈窗算法对济南地区地表温度进行反演。将反演结果与当日的MOD11产品进行比较, 验证结果的可信性。
2 研究区概况
济南市位于山东省中西部, 地理位置介于36°01′N至37°32′N, 116°11′E至117°44′E之间。南依泰山, 北跨黄河, 背山面水, 地处鲁中南低山丘陵与鲁西北冲积平原的交接带上, 地势南高北低。济南地区属于暖温带气候区, 由于所处的地理位置, 形成了夏热冬冷、四季分明的大陆性季风气候。夏季天气炎热, 平均气温26.7℃;冬季平均气温在1℃左右。
济南地区地形可分为三带:北部临黄带, 中部山前平原带, 南部丘陵山区带。种植业一般分布在北部临黄带和南部丘陵山区带, 建成区集中在中部山前平原带, 而南部丘陵山区带则树木葱郁、环境优美。
3 材料与方法
本文采用2013年5月21日的Landsat8-OLI_TIRS数据, 条带号为122、行编号34和条带号122、行编号35的两景影像, 云量分别为0.17和0.82, 可以满足地温反演的需要。OLI包括了ETM+传感器所有的波段, 还新增两个波段:蓝色波段 (band 1) 和短波红外波段 (band 9) 。近红外band5和短波红外band9与MODIS对应的波段接近。本文主要利用红、绿、近红外波段及两个热红外波段进行研究。
本文采用劈窗算法进行地温反演。劈窗算法最初是为反演海面温度开发的, 主要针对NOAA-AVHRR的4、5两个热红外通道[6]。本文针对Landsat8数据的特点, 把用于MODIS的劈窗算法稍作改变, 使其适合于Landsat8数据。
4 地表温度反演
4.1 图像预处理
数据源的产品类型为L1, 经过了简单的几何校正。图像由灰度值记录, 亮度大的地区灰度值大。要进行比辐射率、亮温的计算, 首先需将图像进行辐射定标。定标的结果有两种:辐射亮度或表观反射率。根据需求不同, 对热红外数据和可见光数据分别定标。定标所需参数从图像的源文件中即可获得。
济南地区位于两幅影像上, 需要分别对两景热红外和可见光影像进行拼接、裁剪, 得到济南地区的遥感数据。
4.2 亮度温度反演
亮度温度是与物体辐射能量相同时黑体的温度, 通常比真实温度小。将图像DN值定标为热辐射强度之后, 可用Planck函数求解出亮度温度, 计算公式如下:
式中:Ki1和Ki2是发射常量, 对于第i=10波段, 分别为K10, 1=774.89W·m-2·sr-1·um-1, K10, 2=1 321.08 K;对于第i=11波段, 为K11, 1=480.89W·m-2·sr-1·um-1, K11, 2=1 201.14 K。Ii波段i的辐射亮度值。
亮温可以反映地表温度的分布规律, 却无法代表真实地温。从图1和图2可以看出波段10和波段11的亮温差异较大, 但基本的温度规律是一致的, 即水体的温度在整个区域中最低;有植被覆盖地区的温度明显小于裸露地区;城镇区域温度最高。
4.3 地表比辐射率估算
地表比辐射率是物体与黑体在同温度、同波长下的辐射出射度的比值。在劈窗算法反演地表温度过程中, 地表比辐射率是一个重要的参数, 它直接影响到反演的精度[7]。在Landsat8卫星影像的尺度下, 像元基本可以认为是由自然表面、水体和城镇组成。水体结构比较简单, 在Landsat8热红外第10波段和11波段下直接取比辐射率为ε10, w=0.99683, ε11, w=0.99254。自然表面和城镇的则需要借助NDVI和植被覆盖度求算。
4.3.1 NDVI和植被覆盖度
归一化植被指数 (NDVI) , 通常应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等, 取值范围为[-1, 1], 负值表示云、水、雪等, 正值则表示有植被覆盖, 且值越大覆盖度越高。
经过统计, NDVI取值符合正态分布, 取95%的置信区间, 认为NDVI小于0的为水体, 大于0.725的为自然表面, 在0~0.725之间的为城镇。
植被覆盖度 (VFC) 为植被冠层垂直投影面积与土壤总面积之比, 在地表比辐射率求算过程中可用于解决混合像元中植被丰度的问题。利用遥感估测植被覆盖度的方法有多种, 较为实用的是利用归一化植被指数NDVI估计。
4.3.2 自然表面的比辐射率估算
自然表面的像元可以看做是由不同比例的植被叶冠和裸土组成[2]的混合像元, 对于面积较大的100%的植被或裸土表面, 可直接用这两种类型的地表比辐射率来表示像元的比辐射率, VFC=1时, ε=εv;VFC=0时, ε=εs, 但很少出现这两种情况。针对植被和裸土混合的像元, 需确定各成分的比例, 再根据各成分的典型比辐射率求出混合像元的比辐射率。植被和裸土的纯净像元在Landsat8热红外通道下的比辐射率分别为:ε10, v=0.98672, ε11, v=0.98990, ε10, s=0.96767, ε11, s=0.97790。植被和裸土的比例则可由植被覆盖度确定。因此, 自然表面的比辐射率计算如下:
式中:Rs, Rv分别为植被和裸土的温度比率;Pv是植被占混合像元的比例;εv和εs是植被和裸土的纯像元在热红外波段区间内的比辐射率。在地表相对较平整情况下, 一般可取dε=0;在地表高低相差较大情况下, dε可以根据植被的构成比例简单估计。
4.3.3 城镇比辐射率估算
一般来说, 城镇混合像元的地表比辐射率的求法与自然表面的类似。城镇可以看作是不同比例的建筑物表面和绿化植被所组成。因此其计算公式应为:
式中:εm是建筑表面在热红外波段内的比辐射率, 针对Landsat8的情况, 取ε10, m=0.964885, ε11, m=0.975115。Rm为建筑表面的温度比率。
4.4 大气透过率
大气透过率对地表热辐射的传输有着重要影响, 水汽是估计大气透过率的主要因素。通常作法是通过MODTRAN等大气模型软件模拟大气透过率与水汽含量的关系, 再根据获得的水汽含量来估算透过率。针对Landsat8第10波段和第11波段, 利用MODTRAN模拟两者关系, 拟合优度分别为0.9948、0.9956, 效果较好。
ENVI软件中的FLAASH大气校正模块是基于MODTRAN4开发的。在对可见光数据进行大气校正时, 结果中可以获得当时水汽柱为2.9224cm, 依据气压和绝对湿度的关系, 从NASA官网上输入影像中心经纬度获得温度数据, 得到当时大气水汽含量为1.97g/cm2。根据此时的水汽含量, 得到Landsat8两个热红外通道的大气通过率分别为:0.83和0.74。
4.5 劈窗算法反演地表温度
获取地表比辐射率和大气透过率后, 计算劈窗算法公式中各参数值即可完成对济南地区地表温度的反演过程, 得到最终反演效果图 (图3) 。
5 精度验证
为对反演结果进行验证, 查找2013年5月21日的MOD11A产品, 利用其白天温度与反演结果进行对比。但找到的当天的MOD11A产品的济南地区部分区域温度数据缺失, 无法很好地进行精度验证。仅能利用温度产品图像上较为完整的区域进行比较, 将其与反演结果相减, 温度差值平均为0.94℃, 表明反演结果较理想。
6 反演结果空间分析
对反演结果进行数值统计得知, 5月底济南地区的平均温度为23.8℃。根据山东省2014年统计年鉴记载:2013年济南市5月份的平均温度为22.1℃, 6月份为25.7℃。反演结果基本符合事实。其中, 最高温度为49℃, 出现在济南市市区, 而且市区温度普遍高于周边地区, 存在明显的热岛效应;最低温度为3℃, 出现在玉清湖水库, 该水库是济南市最大的水库。总体上来说, 5月底, 济南地区的地表温度分布在12~33℃之间, 与MODIS温度产品显示的18~30℃的区间相近, 但有差别, 除了反演精度的问题, 还由于MODIS影像的空间分辨率低, 1个像元代表1km2, 因此其像元表示的温度为1km2内的平均温度, 而无法显示极端温度点。
济南地区的地表温度高低与该地区的下垫面性质有着密切联系。不同下垫面对太阳辐射的反射率不同, 会直接影响到地表对太阳辐射能的吸收, 进而导致地区间热量状况出现差异。不同性质的下垫面比热容也不尽相同。济南地区的下垫面可以分为水体、水泥和混凝土表面、岩石、植被和土壤, 它们的比热容排序依次是:水泥、混凝土表面>岩石>土壤>植被>水体。吸收相同热量时, 比热容小的物体气温上升高, 因此在白天, 由于市区密集的建筑群和水泥地面比郊区的土壤、植被拥有更大的吸热率和更小的比热容, 加之市区拥挤的人口和汽车等排放的热量和温室气体使得城市地区升温快, 并向四周和大气中大量辐射, 造成了同一时间城区气温普遍高于周围的郊区气温的现象。植被的蒸腾作用蒸散的水汽在大气与地表之间起着调节温度和湿度的作用, 冠层繁茂的枝叶还可以吸收反射太阳光, 削弱太阳辐射, 因此温度要低于无植被覆盖的区域。水体则因为拥有巨大的比热容而温度最低, 如图3所示, 玉清湖水库、卧虎山水库、大明湖和黄河等水域的温度均在10℃之下。
济南地区的地表温度分布与地形有着密切关联。济南地区地形分为三带, 分别为北部临黄带、中部山前平原带和南部山区带。不同的地形条件影响着人们生产活动的类型。北部地区由于地形平坦, 加之有黄河穿过, 对该地区的农业灌溉提供了极大的便利, 促使了济南北部种植业的发展。5月底, 小麦成熟, 大范围植被覆盖, 温度多分布于15~20℃, 明显低于市区;中部平原带优越的地理条件使得济南市的建城区都分布于此, 该区域温度最高;南部山区通常分布着大面积森林, 但由于影像成像时间为5月份, 森林并不十分繁茂, 仍有大片裸露的岩石和土壤, 因此南部山区的温度并不是典型的植被覆盖区的温度特征, 相比较略高。由此看出自然环境和人类息息相关, 互相作用。
7 结语
本文针对Landsat8影像两个热红外通道的特点, 对地表温度反演所需的参数进行了调整, 采用了适合Landsat8数据的劈窗算法。首先, 利用Planck方程反演亮度温度;然后, 给出了地表比辐射率的估计, 通过建立大气水汽含量与热波段透过率的关系, 反演得到地表温度, 经验证, 平均误差在0.94℃。
反演结果显示, 时间为5月底时, 济南地区的地温呈现中间高, 四周低 (北部略低于南部) 的分布规律。中心城区热岛效应明显。这与下垫面性质相关, 比热容小的下垫面区域白天温度高于比热容大的区域。除此之外, 由于地形影响人类生产和活动, 因此温度的分布规律还与地形关联密切。
通过本次对济南地区地表温度 (LST) 的反演, 证明了利用遥感数据获取大面积地表参数的便捷性, 以及Landsat8数据应用于地温反演的可行性。目前针对Landsat8影像利用劈窗算法反演地表温度的研究尚不成熟, 反演所需参数的估算需更加精确。
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
参考文献
[1]覃志豪, Zhang Minghua, ArnonKarnieli.用陆地卫星TM 6数据演算地表温度的单窗算法[J].地理学报, 2001, 56 (4) :456~457.
[2]覃志豪, 李文娟, 徐斌.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 (3) :28~32.
[3]覃志豪, Li Wenjuan, Zhang Minghua.单窗算法的大气参数估计方法[J].国土资源遥感, 2003 (2) :37~43.
[4]毛克彪, 覃志豪, 施建成.用MODIS影像和劈窗算法反演山东半岛的地表温度[J].中国矿业大学学报, 2005, 34 (1) :46~49.
[5]陈云.基于landsat8的城市热岛效应研究初探——以厦门市为例[J].测绘与空间地理信息, 2014, 37 (2) :123~128.
[6]杨槐.从Landsat8影像反演地表温度的劈窗算法研究[J].测绘地理信息, 2014, 39 (4) :73.