EN中文

地球信息科学学报 >

2016 , Vol. 18 >Issue 4: 564 - 574

DOI: https://doi.org/10.3724/SP.J.1047.2016.00564

MODIS_LST与AMSR-E_BT的相关性及地表温度反演

  • 时洪涛 , 1 ,
  • 宋冬梅 , 1, 2*, * ,
  • 单新建 2, 3 ,
  • 崔建勇 1 ,
  • 臧琳 1 ,
  • 沈晨 4 ,
  • 屈春燕 2, 3 ,
  • 任鹏 5 ,
  • 邵红梅 4 ,
  • 盛辉 1 ,
  • 吴会胜 1 ,
  • 宋先月 6
展开
  • 1. 中国石油大学（华东）地球科学与技术学院,青岛 266580
  • 2. 中国地震局地质研究所 地震动力学国家重点实验室,北京 100029
  • 3. 中国地震局地质研究所,北京 100029
  • 4. 中国石油大学（华东）理学院,青岛 266580
  • 5. 中国石油大学（华东）信息与控制工程学院,青岛 266580
  • 6. 上海市地震局,上海 200062
*通讯作者：宋冬梅（1973-）,女,吉林长春人,博士,副教授,研究方向为高光谱遥感分类,地震热红外异常信息提取。E-mail: songdongmei1973@126.com

作者简介：时洪涛（1990-）,男,硕士生,研究方向为地震热红外异常信息提取。E-mail:

收稿日期: 2015-03-05

  要求修回日期: 2015-05-27

  网络出版日期: 2016-04-19

基金资助

地震动力学国家重点实验室资助项目（LED2012B02）

上海地区地壳活动图像天地联合监测分析资助项目（14231202600）

收起

The Correlation Analysis Between MODIS_LST and AMSR-E_BT and Study of LST Retrieval Method

  • SHI Hongtao , 1 ,
  • SONG Dongmei , 1, 2, * ,
  • SHAN Xinjian 2, 3 ,
  • CUI Jianyong 1 ,
  • ZANG Lin 1 ,
  • SHEN Chen 4 ,
  • QU Chunyan 2, 3 ,
  • REN Peng 5 ,
  • SHAO Hongmei 4 ,
  • SHENG Hui 1 ,
  • WU Huisheng 1 ,
  • SONG Xiaoyue 6
Expand
  • 1. School of Geoscience, China University of Petroleum, Qingdao 266580, China
  • 2. State Key Laboratory of Earthquake Dynamics, Institute of Geology, China Earthquake Administration, Beijing 100029, China
  • 3. Institute of Geology, China Earthquake Administration, Beijing 100029, China
  • 4. School of Science, China University of Petroleum, Qingdao 266580, China
  • 5. College of Information and Control Engineering, China University of Petroleum, Qingdao 266580, China
  • 6. Earthquake Adminstration of Shanghai Municipality, Shanghai 20062, China
*Corresponding author: SONG Dongmei, E-mail:

Received date: 2015-03-05

  Request revised date: 2015-05-27

  Online published: 2016-04-19

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

本文以2007年和2008年MODIS每日地表温度（LST）数据及AMSR-E地表亮温（BT）数据为研究对象,结合土地覆盖类型数据,统计分析MODIS_LST与AMSR-E_BT在不同土地覆盖类型、频率和极化方式条件下的相关性。结果表明,频率在18.7、23.8和36.5 GHz的AMSR-E-BT与MODIS_LST的相关性较大,且在垂直极化通道上的相关性较在水平极化上大;不同土地覆盖类型,与MODIS_LST相关性较大所对应的AMSR-E微波通道不同。同时,考虑混合像元问题对相关性的影响,对25种不同地物类型组合下MODIS_LST与AMSR-E-BT的相关性进行统计分析,发现混合像元中地物类型越多,则二者相关性越小。最后,采用多元线性回归分析法,根据不同土地覆盖类型建立反演回归模型,对部分研究区域MODIS-LST进行反演,误差平均在±3.15 K以内,与不考虑下垫面覆盖的模型比较,反演MODIS_LST精度平均提高了1.5 K。

关键词： MODIS地表温度; AMSR-E地表亮温; 相关性分析; 反演

本文引用格式

时洪涛 , 宋冬梅 , 单新建 , 崔建勇 , 臧琳 , 沈晨 , 屈春燕 , 任鹏 , 邵红梅 , 盛辉 , 吴会胜 , 宋先月 . MODIS_LST与AMSR-E_BT的相关性及地表温度反演[J]. 地球信息科学学报, 2016 , 18(4) : 564 -574 . DOI: 10.3724/SP.J.1047.2016.00564

Abstract

By taking MODIS daily land surface temperature (LST) data and AMSR-E brightness temperature (BT) data from 2007 to 2008 as the input, combining with the land cover type data, the statistics and analysis of the relativity between MODIS_LST and AMSR-E_BT in different land cover types, channels and polarization ways are produced. Based on the International Geosphere-Biosphere Program (IGBP) vegetation classification scheme, land cover data is re-classified into seven types, including water, forest land, grass land, farmland, urban land, desert land and other land cover types. The statistical result shows that the correlation is apparent between MODIS_LST and AMSR-E_BT in 18.7 GHz, 23.8 GHz and 36.5 GHz channel, and it reveals a higher correlation in the vertical channel compared to the horizontal channel. Moreover, this paper finds out that the microwave channel of AMSR-E_BT, which has the highest relativity with MODIS-LST, is different with respect to different land cover types. In addition, by considering the impact of mixed pixel, this paper analyzes the correlation between MODIS_LST and AMSR-E_BT for 25 types of land cover type combinations. It is inferred that the correlation declines as the quantity of land cover types in the single mixed pixel increases. Finally, according to different land cover type combinations, the inversion model is established by adopting the multivariate linear regression method, and this model has been applied to inverse MODIS_LST in a part of the study area. Inversion results reveal that the error is limited in ±3.15 K in average, and the inversion accuracy is raised by 1.5 K successfully in comparison with the inversion model without considering land cover type combination. However, there are some problems with MODIS land surface temperature inversion by using AMSR-E brightness temperature, such as the space resolution variation between MODIS LST and AMSR-E_BT, changes of land cover type with changing seasons and the influence of relative humidity of land cover on the retrieval accuracy. Therefore, selecting land surface bright temperature with a high quality and space resolution, considering season variations and classification accuracy of land cover type factors are future research directions.

Key words： MODIS_LST; AMSR-E_BT; correlation analysis; retrieval

1 引言

陆地表面温度（Land Surface Temperature,LST）是衡量地球表面水热平衡的重要参数,其在全球水文、生态、农业、环境、气候及灾害监测等领域具有重要的研究意义[1-2]。自20世纪70年代以来,众多国内外学者对用热红外反演地表温度的方法做了大量研究[3-4]。结合微波遥感优势,建立微波地表亮温与MODIS地表温度的关系模型,对缺失的MODIS地表温度数据进行补值,能够弥补热红外技术反演地表温度的不足。
目前,被广泛应用的微波传感器主要有3种：搭载在Nimbus-7卫星上的SMMR（Scanning Multichannel Microwave Radiometer）传感器;搭载在美国国防气象卫星计划（DMSP）的系列极轨卫星上的SSM/I（Special Sensor Microwave Imager）传感器;地球观测系统（EOS）的Terra和Aqua卫星所搭载的AMSR-E（Advanced Microwave Scanning Radiometer-EOS）传感器[5-7]。
对此,McFarland、Holliger等利用SSM/I辐射计地表亮温数据,建立了反演地表温度的经验模 型[8-9],李万彪做了改进[10];Njoku等采用SSM/I和AMSR-E辐射计地表亮温数据,以反复交叉最小二乘法证明了被动微波遥感反演地表温度的可行 性[11]。陈圣波、毛克彪、武胜利、杨鹏等研究了利用被动微波遥感反演地表温度的方法[12-15]。上述研究虽然取得了一定成果,但其仍存在如空间分辨率差异导致的混合像元及下垫面粗糙程度不均等因素,对地表温度反演精度的影响等问题[16-18]。
本研究选取美国航空航天局提供的MODIS每日地表温度和AMSR-E地表亮温数据,结合国际地圈生物圈计划（International Geosphere-Biosphere Program,IGBP）全球植被分类方案下的MODIS土地覆盖类型数据,统计在不同土地覆盖类型、频率、极化方式下地表温度与地表亮温的相关性,采用回归分析方法,利用AMSR-E的地表亮温,并以MODIS地表温度产品作为参考,对地表温度进行了反演分析。

2 研究区数据源

研究区地理范围为59.0° E~139.0° E,11.0° N~69.0° N,如图1所示。研究所采用的数据是由美国航空航天局National Aeronautics and Space Administration （NASA）研发的地球观测系统数据及信息系统（EOSDIS）提供的2007年1月1日至2008年12月31日MODIS 11A1每日地表温度和AMSR-E L2A每日地表亮温数据（图2）,具体信息见表1。同时,考虑植被、水和建筑物等地物类型对MODIS_LST和AMSR-E_BT相关性的影响[19-20],本研究选择了NASA提供的MCD 12 Q2地表覆盖类型数据产品,并在国际地圈生物圈计划全球植被分类方案的基础上对地表覆盖类型数据进行重分类,以便分析不同植被覆盖类型下地表温度和亮温的相互关系。
Fig. 1 The MODIS land surface temperature of study area on January 1, 2008

图1 2008年1月1日研究区域MODIS地表温度数据

Fig. 2 AMSR-E brightness temperature of study area on January 1, 2008

图2 2008年1月1日研究区域AMSR-E地表亮温数据

Tab. 1 Information of AMSR-E microwave brightness temperature and MODIS data

表1 AMSR-E微波亮温与MODIS数据信息

AMSR-E微波亮温数据 MODIS数据
频率/GHZ 极化方式 空间分辨率/ km 数据类型 空间分辨率/km 数据集
6.9 V\H 5.4 地表温度
（MOD 11A1）		 1 LST_Night_1 Km
10.7 V\H 5.4
18.7 V\H 5.4
23.8 V\H 5.4 土地覆盖类型
（MCD 12Q2）		 0.5 Land_Cover_Type_1
36.5 V\H 5.4
89.0 V\H 5.4

3 地表温度的反演与结果分析

3.1 地表温度反演的流程与数据分析

研究采用MODIS 11A1日地表温度、MCD 12Q2土地覆盖类型和AMSR-E日地表亮温3种数据。首先,对下载的数据进行镶嵌、格式和坐标转换、重采样、重分类以及重投影处理;其次,根据不同土地覆盖类型选择样本点,并提取样本点的地表温度和地表亮温数据;然后,分别统计分析不同频率、极化方式,不同土地覆盖类型下地表温度和地表亮温的相关性,建立地表温度反演模型,对地表温度进行反演;最后,对反演结果进行精度评价。技术路线如图3所示。
Fig. 3 Flow chart of technical process

图3 技术路线流程图

(1)土地覆盖类型数据重分类
IGBP全球植被分类方案下的MODIS土地覆盖类型数据,把全球地表分为水体、常绿针叶林、常绿阔叶林、落叶针叶林、混交林、草原、永久湿地、城市和建筑区、作物、裸地或低植被覆盖地等19种地物类型[21]。根据MODIS地表温度分析AMSR-E地表亮温的混合像元问题时,混合像元中的地物类型组合数较大,所选择的样本点数量较多。由于属性相近的地物MODIS_LST和AMSR-E_BT相差不大,研究中在IGBP分类的基础上,对数据进行重分类,把地物类型属性较为相近的归为同一种地物,重分类为水体、草地、林地、农用地、城镇、荒漠和其他共7种地物类型。IGBP全球植被分类方案和重分类方案如表2所示。
Tab. 2 Scheme of IGBP classification and reclassification

表2 IGBP全球植被分类与重分类方案

分类DN值 IGBP 重分类后 分类DN值 IGBP 重分类后
0 水体 水体 8 多树的草原 草地
1 常绿针叶林 林地 9 稀树草原
2 常绿阔叶林 10 草原
3 落叶针叶林 11 永久湿地
4 落叶阔叶林 12 作物 农用地
5 混交林 14 作物和自然植被的镶嵌体
6 郁闭灌丛 16 裸地或低植被覆盖地 荒漠
7 开放灌丛 15 雪、冰 其他
未分类区
13 城市和建成区 城镇 254、255 未分类区填充值
在此基础上进行样本点的选取。根据不同位置,分别选取一个AMSR-E像元（对应36个MODIS像元）中,含有1-6种地物类型组合的6大类样本点。依据重分类的6种土地覆盖类型,理论上AMSR-E_BT共有63（ C 6 1 + C 6 2 + C 6 3 + C 6 4 + C 6 5 + C 6 6 ）种组合类型的混合像元,但受地理位置、地物类型分布及选点要求等条件的限制,最终满足要求的共有25种不同地物类型组合的样本点,其对应的土地覆盖类型组合如表3所示。
Tab. 3 Different combinations of land types in a mixed pixel

表3 混合像元的不同地物类型组合

单一地物类型 两种地物类型 3种地物类型 4种地物类型 5种地物类型 6种地物类型
♢ ♢〇 ♢☆△ ♢☆〇▱ ♢☆△⎔▱ ♢☆△
〇⎔▱
☆ ♢△ ♢▱〇
△ ♢☆ ☆▱〇
〇 ♢▱ ♢△⎔ ♢☆⎔▱ ♢☆△〇▱
⎔ ☆▱ ♢△〇
▱ ♢⎔ ♢△▱
〇▱ △〇⎔

注：♢草地、☆林地、△荒漠、〇城镇、⎔水体、▱农用地

（2）数据重采样及2种数据的像元匹配
由于地表温度与地表亮温数据的空间分辨率不同,为建立MODIS_LST和AMSR-E_BT数据一一对应关系,研究先对6个频率共12个通道的AMSR-E_BT数据进行重采样,使每一个AMSR-E像元对应36个（9行×4列）MODIS像元。对于重采样后的AMSR-E_BT数据,一个像元对应36个MODIS像元,因此,将36个MODIS像元的平均值 R 1 i （式（1））作为与AMSR-E_BT对应的地表温度值,参与二者相关系数的计算。
R 1 i = ∑ m = 1 9 ( ∑ n = 1 4 R MODI S m , n ) 36 , i = 1,2 , … , 365 ( 366 ) (1)
式中：m、n分别代表36个MODIS地表温度像元所在的行、列数; i 代表一年中的天数,其中闰年天数为366,非闰年天数为365。
（3）样本点的选取
本文根据25种不同地表覆盖类型组合,在不同地理位置对每种地物类型组合选择10-15个样本点（图4）,分别提取出不同频率、极化方式、地理位置下的MODIS_LST和AMSR-E_BT数据,并对二者的相关性进行分析。样本点主要分布在中国境内,其中,荒漠类型样本点主要分布在中国西北地区,农用地、水体和林地主要分布于中国中东部地区。
Fig. 4 The sample point locations and land cover types of the study area

图4 研究区域范围、土地覆盖类型及选点位置

3.2 MODIS_LST 与AMSR-E_BT数据的相关性

本文统计2007年和2008年地表温度和MODIS_LST长时间序列,不同频率、极化方式及混合像元地物组合类型下二者对应的相关系数。
设 R 1 代表地表温度时间序列（一维向量）; R 2 代表地表亮温时间序列,维数与 R 1 相同。
ρ ( R 1 , R 2 ) = Cov ( R 1 , R 2 ) D ( R 1 ) D ( R 2 ) (2)
R R 1 R 2 = ∑ i = 1 N ( R 1 i - r 1 ) ( R 2 i - r 2 ) ∑ i = 1 N ( R 1 i - r 1 ) 2 ∑ i = 1 N ( R 2 i - r 2 ) 2 ， i = 1,2 , … , 355 ( 356 ) (3)
式中： N 表示时间序列所对应的天数,2007年和2008年的 N 值分别为365和366;式（2）为两向量的协方差;式（3）为两向量的相关系数,即MODIS_LST与AMSR-E_BT的相关系数; r 1 和 r 2 分别为地表温度和地表亮温在同一时间序列上的平均值。

3.3 不同下垫面下多元线性回归法反演地表温度

对于AMER-E微波地表亮温数据,不同频率下的微波信号与大气和地表的相互作用不同,探测值包含的信息量和内容也不同。除去大气的吸收波段,微波频率越低,大气对信号的吸收和散射作用越弱,受大气的影响越小;反之越大。因此,为综合考虑不同频率和极化方式下AMSR-E_BT与MODIS_LST的相互关系,研究不同下垫面土地覆盖类型,采用多元线性回归分析法,建立AMSR-E_BT与MODIS_LST的线性回归模型（图5）,根据最小二乘原理求解多个自变量与因变量回归模型中的偏回归系数。在以像元的基础上,根据不同土地覆盖类型,选取6个频率（6.9、10.7、18.7、23.8、36.5和89.0 GHz）上水平极化和垂直极化共12个通道的AMSR-E_BT数据为自变量,MODIS地表温度为因变量,利用多元线性回归方法求解各通道的偏回归系数,建立该土地覆盖类型下地表温度的反演模型。主要算法如式（4）所示。
LS T MODIS_ L i = A ∙ B T AMSR_ L i T + B 0 , ( i = 1,2 , … , 25 ) A = [ a 1 , a 2 , ... , a 12 ] B T AMSR_ L i = [ AMS R 6.9 H , AMS R 6.9 V , … , AMS R 89.0 H , AMS R 89.0 V ] (4)
式中： L i 代表某一地物类型或不同地物类型组合（如 L 1 代表草地覆盖类型, L 8 代表草地和水体类型组合）; LS T MODIS_ L i 为 L i 土地覆盖类型下的MODIS地表温度; A = [ a 1 , a 2 , … , a 12 ] ,为 L i 土地覆盖类型下回归模型中每一通道AMSR-E_BT所对应的偏回归系数组成的12维向量, a 1 , a 2 , … , a 12 分别为12通道地表亮温对应的偏回归系数; B T AMSR_ L i 为 L i 土地覆盖类型下,每一通道AMSR-E_BT所组成的12维列向量,B0为常数,AMSR6.9H, AMS R 6.9 V , … ， AMS R 89.0 H ， AMS R 89.0 V 分别代表每个频率在垂直极化（V）和水平极化（H）上的地表亮温;向量 A 的元素值及常数 B 0 均由回归分析计算所得。
Fig. 5 Sketch map of multiple linear regression

图5 多元线性回归法示意图

3.4 地表温度反演结果分析

本文通过统计分析特定实验区范围内地表温度反演结果与实际MODIS地表温度差值绝对值的最大值、最小值和平均值来评价反演精度,即最大误差、最小误差和误差均值,并对单一地物覆盖类型和2种地物类型组合下地表温度反演结果进行对比和分析。
3.4.1不同土地覆盖类型的MODIS_LST与AMSR-E_BT的相关性
（1）单一地物类型（纯像元）
据图6分析可知,6种不同地物类型的MODIS_LST与6个频率下的AMSR-E_BT存在显著的线性关系,相关系数均在0.80以上。在相同频率通道、不同土地覆盖类型条件下,MODIS_LST和AMSR-E_BT呈线性回归的斜率和截距不同,且线性回归的斜率随频率的升高而变大。从散点聚集程度、线性分布程度和相关性系数可看出,在10.7、18.7、23.8和36.5 GHz频率下,MODIS_LST和AMSR-E_BT线性相关性要大于6.9 GHz和89.0 GHz下二者的相关性。由图6可知,MODIS_LST和AMSR-E_BT间的相关性大小与下垫面土地覆盖类型、微波的频率以及极化方式均有密切关系。
Fig. 6 Scatter diagrams of the MODIS_LST and AMSR-E_BT with different channels in 2008

图6 2008年不同通道下MODIS_LST和AMSR-E_BT散点图

Fig. 7 Correlation coefficients between LST and BT of a mixed pixel including a single land cover type

图7 单一地物类型地表温度和地表亮温相关系数

从土地覆盖类型方面分析,不同土地覆盖类型下AMSR-E_BT和MODIS_LST的相关系数整体上具有大小顺序,即：荒漠>农用地>草地>水体>城镇>林地。由图7可知,MODIS_LST和AMSR-E_BT在垂直极化的相关性,总体上要大于水平极化上的相关性。从各频率角度对比二者的相关系数大小可看出,在6.9 GHz和89.0 GHz通道上,二者的相关性明显小于其他频率通道（林地类型除外）。
（2）多种地物类型（混合像元）
从2种地物类型组合的情况分析（图8）,在10.7~89.0 GHz频率范围内的微波通道上,地表亮温和地表温度的相关系数值均在0.8以上,最大达到0.96,且在垂直极化上MODIS_LST和AMSR-E_BT的相关性大于水平极化上的相关性,与单一地物类型下的分析结果一致。由图8可知,在草地和城镇2种地物类型组合下,10.7~36.5 GHz的相关性系数均较高;草地和荒漠、草地和林地、草地和农用地的地物类型组合情形,各个频率通道上MODIS_LST和AMSR-E_BT的相关性都比较大。对于水体和草地组合类型而言,6.9 GHz和89.0 GHz频率下,地表温度和AMSR-E_BT的相关性较高。因此,在利用AMSR-E_BT反演MODIS_LST时,应考虑根据不同地物类型组合,用不同频率通道的AMSR-E_BT进行反演。
由多种地物类型组合条件下,MODIS_LST和AMSR-E_BT间的相关系数分析（图9）可知,随着混合像元中地物类型数量的增加,MODIS_LST和AMSR-E_BT的相关性在各频率呈减小趋势。因此,对于多类型组合下的混合像元情况,在进行地表温度反演时应考虑选择相关系数较大,所对应的频率或极化方式下的地表亮温。例如,对于水体-草地-农用地组合类型,反演地表温度时应选择频率为18.7、23.8和36.5 GHz时2个极化方式通道下的AMSR-E地表亮温;对于水体-草地-林地-农用地而言,应选择6.9 GHz垂直极化、10.7 GHz水平极化、18.7 GHz水平极化,以及36.5 GHz垂直和水平极化的AMSR-E_BT进行反演。
3.4.2 逐像元多元线性回归分析法的地表温度反演
由上述分析可知,不同土地覆盖类型下地表亮温和地表温度的相关性不同。本文采用逐像元多元线性回归分析法对结果验证,根据不同土地覆盖类型建立不同的回归模型对MODIS地表温度进行反演,并与不考虑土地覆盖类型的线性回归模型的反演结果进行对比。
此外,本研究统计了研究区域内混合像元中包含不同地物类型数目所占的比率,其中包含单一地物类型（即下垫面土地覆盖类型只有一种）像元占总数的65.0%,包含2种地物类型的像元占总数的22.60%,包含3种和3种以上地物类型的像元占总数的12.4%,包含1种地物和2种地物的像元数占总数的87.60%。因此,在精度评价时,本文选择像元中包含1种和2种地物类型情况下所反演地表温度结果进行对比分析,如图10（a）、（b）所示。左图中区域数据用于回归分析,计算AMSR-E_BT各频率、通道对应的偏回归系数;右图为地表温度反演实验区,选择实验区中无缺值的区域对反演结果进行精度评价。
Fig. 8 Correlation coefficients between LST and BT of a mixed pixel including two land cover types

图8 2种地物类型组合下地表温度和地表亮温的相关系数

Fig. 9 Correlation coefficients between LST and BT of a mixed pixel including three land cover types

图9 3种和3种以上地物类型组合下地表温度和地表亮温的相关系数

Fig. 10 MODIS_LST and AMSR-E_BT of data filling research area on January 1, 2008

图10 补值区2008年1月1日MODIS地表温度与AMSR-E_6.9 GHz_H地表亮温

（1）单一地物类型下地表温度反演（像元个数：1212行,1245列）
在研究区域内（1212行像元×1245列像元）,以草地和荒漠为例,对比分析2种模型下地表温度的反演结果。从误差方面分析,考虑下垫面土地覆盖类型所建立的回归模型对地表温度反演的误差比未考虑下垫面土地覆盖类型时小,且前者的最大误差的绝对值和最小误差的绝对值均小于后者。如图11-13所示。图12、13中红色线圈部分为草地和荒漠地的补值区。因此,利用AMSR-E_BT数据反演MODIS地表温度时,考虑下垫面土地覆盖类型能有效提高反演精度。
（2）2种地物类型组合下地表温度反演（像元个数：1212 行,1245 列）
本文对2种地物类型组合的地表温度反演结果进行统计,发现考虑不同土地覆盖类型的回归模型其反演误差要小于未考虑土地覆盖类型的回归模型,其中,最大误差的绝对值和最小误差的绝对值分别小2.56 K和2.0 K,误差均值小1.50 K。图14中红圈标注部分为2种地物类型组合类型的补值区。
Fig. 11 MODIS_LST, AMSR-E_BT and land cover type data of data filling research area

图11 补值区的地表温度、土地覆盖类型、地表亮温数据

Fig. 12 Comparison of the results of MODIS_LST between two types of retrieval methods in the grass land

图12 草地区域的2种反演方法地表温度反演结果对比

Fig. 13 Retrieval results of MODIS_LST in the desert area

图13 荒漠区域地表温度反演结果

Fig. 14 Retrieval result of MODIS LST in combination of farmland and forestland cover type

图14 农用地和林地混合区域地表温度反演值结果

4 结语

本文结合MODIS土地覆盖类型数据,统计了MODIS地表温度和AMSR-E地表亮温之间在不同土地覆盖类型、不同频率和极化方式的相关性。研究结果表明,MODIS地表温度和AMSR-E地表亮温,总体上在18.7、23.8和36.5GHz频率的相关性较大,且在垂直极化上的相关性比在水平极化上大。不同地物组合类型的混合像元,其地表温度和地表亮温的相关性不同,较大相关性系数所对应的微波通道也不同。
在地表温度反演研究中,采用逐像元多元线性回归分析方法,根据不同土地覆盖类型,建立不同的回归模型,能有效地提高反演精度,进而对MODIS每日地表温度数据进补值。然而,采用多元线性回归法反演地表温度仍存在一些问题,如地表温度与地表亮温数据间的空间分辨率差异,二者差异越大,反演精度越低;土地覆盖类型数据的分类精度,地物覆盖类型随时间和季节的变化,土壤湿度和下垫面粗糙程度等因素对反演结果产生的影响等。因此,选择质量较高、空间分辨率较大的地表亮温数据,综合考虑季节变化、土地覆盖类型分类精度等多种因素,提高地表温度反演精度是下一步应研究的工作之一。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
郭广猛,杨青生.利用MODIS数据反演地表温度的研究[J].遥感技术与应用,2004,19(1):34-36.地表温度(LST)是气象、水 文、生态等研究中一个重要的参数,目前国内的研究大多使用NOAA/AVHRR数据来获取地表温度,应用MODIS数据获取LST基本上还是空白。 MODISLST反演算法精度较高但是计算复杂,在很大程度上限制了其应用。采用简单的统计方法和神经网络方法,得出了内蒙古东北地区的LST计算公式。 该公式计算简单而且精度很高,完全能够满足一般的研究需要。

DOI

[ Guo G M, Yang Q S.Retrieving land surface temperature from MODIS data[J]. Remote Sensing Technology and Application, 2004,19(1):34-36. ]

[2]
朱怀松,刘晓锰,裴欢,等.热红外遥感反演地表温度研究现状[J].干旱气象,2007,20(2):17-21.地球表面温度是一个重要的水文、气象参数,它影响着大气、海、陆 之间的感热和潜热交换,是诸多研究领域不可或缺的基础资料,精确定量反演陆面温度的成果将推动旱灾预报和作物缺水研究、农作物产量估算、数值天气预报、全 球气候变化和全球碳平衡等领域研究的进展.因此,利用卫星遥感资料进行地表温度的反演已成为目前遥感定量研究中的重要任务之一.本文阐述了遥感反演地表温 度的原理及各种方法,对各种方法所要解决的关键问题及优缺点做了评述,最后展望了遥感反演地表温度的发展趋势.

DOI

[ Zhu H S, Liu X M,Pei H.Summary on retrieval of land surface temperature using thermal infrared remote sensing[J]. Journal of Arid Meteorology, 2007,20(2):17-21. ]

[3]
潘广东,王超,田国良.SSM/I微波辐射计数据陆面温度反演[J].遥感学报,2001,5(4):254-258.利用美国防卫气象卫星计划(DMSP)特别微波辐射/成像计 (SSM/I)的多通道微波辐射亮温数据,开展中国陆地区域陆地表面温度反演研究.选择1997年7月20/24日的SSM/I数据,先对中国陆地区域的 数据进行处理与成像,然后基于Holliger算法利用七个通道数据进行地表类型分类.最后利用SSM/I数据的统计算法进行中国区域内的陆面温度反演研 究,并用NOAA-AVHRR反演的温度数据进行分析比较,其结果与实际情况基本一致.研究结果表明,SSM/I微波辐射计数据可以为大面积的陆面温度反 演提供快速的研究方法,为全球变化研究提供一种新资料.

DOI

[ Pan G D,Wang C, Tian G L.Land surface temperature retrieval with SSM/I Data[J]. Journal of Remote Sensing, 2001,5(4):254-258. ]

[4]
毛克彪,施建成,李召良,等.用被动微波AMSR数据反演地表温度及发射率的方法研究[J].国土资源遥感,2005(3):14-17.针对对地观测卫星多传感器的特 点,提出了借助MOD IS地表温度产品从被动微波数据中反演地表温度的方法。即利用MOD IS地表温度产品和AMSR不同通道之间的亮度温度,建立地表温度的反演方程。该方法克服了以往需要测量同步数据的困难,为不同传感器之间的参数反演相互 校正和综合利用多传感器的数据提供实际应用和理论依据。文中以MOD IS地表温度产品作为评价标准,对方法进行检验,其平均误差为2~3℃。另外,微波的发射率是土壤水分反演的关键参数,在对微波地表温度反演的基础上,进 一步对发射率进行了研究。

DOI

[ Mao K B, Shi J C, Li Z L, et al.The land surface temperature and emissivity retrieved from the AMSR passive microwaved data[J]. Remote Sensing for Land & Resources, 2005,3:14-17. ]

[5]
Gloersen P, Barath F T.A scanning multichannel microwave radiometer for Nimbus-G and SeaSat-A[J]. IEEE Journal of Oceanic Engineering, 1977,2(2):172-178.A scanning multichannel microwave radiometer (SMMR) has been designed for the Nimbus-G spacecraft and incorporated also into the SeaSat-A payload for the primary purpose of determining sea surface temperatures and wind stress on a nearly all-weather basis. Observations of microwave polarization components will be made at wavelengths of 0.8, 1.4, 1.7, 2.8, and 4.6 cm over a swath 822 km wide below the Nimbus-G and 595 km wide below the SeaSat-A spacecraft. The smallest spatial resolution cell is about 20 km at a wavelength of 0.8 cm, and proportionately larger at the other wavelengths. Using algorithms based on a combination of experimental data and physical models for converting the observed brightness temperatures, the indicated accuracies of the results (excluding conditions of significant rainfall) are within 1 K for sea surface temperature and 2 m/s for surface wind speeds, over a range from 0-50 m/s.

DOI

[6]
Hollinger J P, Perice J L, Poe G A.SSM/I instrument evaluation[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990,28(5):781-790.The Special Sensor Microwave/Imager (SSM/I) instrument and scan geometry are briefly described. The results of investigations of the stability of the gain, calibration targets and spin rate, the radiometer noise and sensitivity, the coregistration, the beam width and main-beam efficiency of the antenna beams, and the absolute calibration and geolocation of the instrument are presented. The results of this effort demonstrate that the SSM/I is a stable, sensitive, and well-calibrated microwave radiometric system capable of providing accurate brightness temperatures for microwave images of the Earth and for use by environmental product retrieval algorithms. It is predicted that this SSM/I and the 11 future ones currently built or to be built will provide high-performance microwave measurements for determination of global weather and critical atmospheric, oceanographic, and land parameters to operational forecasters and users and the research community for the next two decades

DOI

[7]
Kawanishi T, Sezai T, Ito Y, et al.The advanced microwave scanning radiometer for the earth observing system (AMSR-E), NASDA’s contribution to the EOS for global energy and water cycle studies[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003,41(2):184-194.

[8]
Mcfarland M J, Miller R L, Neale C M U. Land surface temperature derived from the SSM/I passive microwave brightness temperatures[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990,28(5):839-845.Not Available

DOI

[9]
Holliger J.DMSP special sensor microwave / imager calibration/validation[R].Final Report, Vol II. Washington DC: NavalResearch Laboratory, 1991,5.

[10]
李万彪,朱元竞,洪刚,等.SSM / I遥感中国东部地面温度[J].自然科学进展,1998,8(3):305-313.使用1991年6～7月SSM/I资料,根据聚类分析得到地表下垫面的5种分类。提出了反演地面温度的非线性经验统计方法。统计回归得到估计地面温度的均方根误差为1.60～2.18℃在此基础上对于1993年6～7月中国东部地面温度分布进行了反演计算。

[ Li W B, Zhu Y J,Hong G,et al.SSM/I remote sensing land surface temperature of eastern China[J]. Progress in Natural Science,1998,8(3):305-313. ]

[11]
Njoku E G, Li Li.Retrieval of land surface parameters using passive microwave measurements at 6-18GHz[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999,37(1):79-93.An approach is evaluated for retrieval of land surface parameters (soil moisture, vegetation water content, and surface temperature) using satellite microwave radiometer data in the 6-18 GHz frequency range. The approach is applicable to data that will be acquired by the Advanced Microwave Scanning Radiometer (AMSR), planned for launch on the Japanese Advanced Earth Observing Satellite (ADEOS)-II and Earth Observing System (EOS) PM-1 platforms in 1999 and 2000, respectively. The retrieval method is based on a radiative transfer (RT) model for land-surface and atmospheric emission, with model coefficients that can be tuned over specific calibration regions and applied globally. The method uses an iterative, least-squares algorithm, based on six channels of radiometric data. Simulations using this algorithm indicate that, for an assumed sensor noise of 0.3 K in all channels, soil moisture and vegetation water content retrieval accuracies of 0.06 g cmand 0.15 kg m, respectively, should be achievable in regions of vegetation water content less than approximately 1.5 kg m. A surface temperature accuracy of 2 C should be achievable, except for bare soils, where discrimination between moisture and temperature variability is difficult using this algorithm. These accuracies are for retrievals averaged over the sensor footprint, and they exclude conditions of precipitation, open water, snow cover, frozen ground, or high topographic relief within the footprint. The algorithm has been tested using data from the Nimbus-7 Scanning Multichannel Microwave Radiometer (SMMR) for the years 1982-1985, over the African Sahel, and the retrieval results compared to output from an operational numerical weather prediction model

DOI

[12]
毛克彪,施建成,李召良,等.一个针对被动微波AMSR-E数据反演地表温度的物理统计算法[J].中国科学:D辑,2006,36(12):1170-1176.用MODIS的地表温度产品和 AMSR-E不同通道之间的亮度温度回归分析表明用89GHzV做地表温度反演主通道的精度最高.用AIEM模型模拟表明,土壤粗糙度和土壤水分变化引起 土壤辐射率变化可以通过不同极化波段的差值得到有效的消除,从而克服了被动微波反演地表温度中辐射率不稳定的困难.通过回归系数分析表明,不同的地表覆盖 类型的辐射机制是不同的.要精确地反演地表温度,至少对地表分成三种覆盖类型,即水覆盖的地表、雪覆盖的地表以及非雪和水覆盖的地表.以MODIS地表温 度产品作为评价标准,物理统计方法的平均精度在2～3℃.

DOI

[ Mao K B, Shi J C, Li Z L.A statistical physics algorithm for retrieving land surface temperature from AMSR-E passive microwave data[J]. Science in China(Series D), 2006,36(12):1170-1176. ]

[13]
武胜利,杨虎.AMSR-E亮温数据与MODIS地表分类产品结合反演全球地表温度[J].遥感技术与应用,2007,22(2):234-237.<p>AMSR-E被动微波传感器获取的亮温数据与MODIS陆表分类产品(MOD12)相结合,将全球陆表分为16类,并假设每种类型的地表在各个被动微波通道具有较一致的发射率,在此基础上针对每种陆表类型分别建立了陆表温度反演算法。在算法的建立过程中,为了避免混合像元以及冻土、积雪发射率不确定性带来的影响,仅对单一地表类型占90%以上以及MODIS陆表温度产品高于273K的被动微波像元进行回归。同时,考虑到降雨对回归结果的影响,在数据选择中加入了降雨判识,在被动微波亮温数据中除去了降雨像元。利用上述算法,用2004年1～10月的全球部分地区AMSR-E数据在MODIS陆表分类产品的基础上对每种地表类型分别进行了陆表温度反演,并与MODIS陆表温度产品进行对比,结果显示相关性较好,均方根误差为2～4 K。</p>

[ Wu S L,Yang H.Global land surface temperature retrieval with AMSR-E brightness temperature and MODIS land cover type products[J]. Remote Sensing Technology and Application, 2007,22(2):234-237. ]

[14]
陈圣波,张学红.利用MODIS热红外数据反演地表温度前应处理的几个问题[J].吉林大学学报(地球科学版),2004,34(3):476-480.中分辨率成像光谱仪(M0DIS)作为甚高分辨率扫描仪 (AVHRR)等的换代产品,必然考虑到利用MODIS红外数据来反演地表温度.首先通过大气窗口的分析,在MODIS的16个热红外波段中可以选择7个 波段,即波段20、22、23、29、31、32、33.它们与相应的AVHRR波段有着共同的波谱响应范围,但利用反演算法时应注意它们比较大的相关 性.在MODIS热红外通道的定标处理中,使其记数值换算为具有物理意义的辐射亮度值.

DOI

[ Chen S B, Zhang X H.Several problems before inversion of surface temperatures by MODIS thermal infrared data[J]. Journal of Jilin University(Earth Science Edition), 2004,34(3):476-480. ]

[15]
杨鹏,杨世植,夏鹏.基于MODIS数据的地表温度反演[J].大气与环境光学学报,2011,6(4):287-293.利用MODIS影像数据，采用劈窗算法来反演安徽地区的地表温度。结合Sobrine、覃志豪等提出的NDVITEM方法和地物监督分类方法，对地表比辐射率进行了估算，将反演结果与NASA的地表温度产品进行比较，平均误差在1K左右。同时利用卫星过境当天从安徽省高密度自动监测站获取的实时数据对反演结果进行验证，发现反演温度与地面实测数据的曲线走势具有高度的一致性且有较高的相关性，能直观地反映安徽地区地表温度的空间分布。

DOI

[ Yang P, Yang S Z, Xia P.Land surface retrieved from MODIS data[J].Journal of Atmospheric and Environment Optics, 2011,6(4):287-293. ]

[16]
Chen S S, Chen X Z, Chen W Q, et al.A simple retrieval method of land surface temperature from AMSR-E passive microwave data-A case study over Southern China during the strong snow disaster of 2008[J]. International Journal of Applied Earth Observation and Geoinformation, 2011,13:140-151.The analysis of the passive microwave radiance transfer equation certifies that there is a linear relationship between satellite-generated brightness temperatures (BT) and in situ observation temperature and that land surface temperature (LST) is largely influenced by vegetation cover conditions. Microwave polarization difference index (MPDI) is an effective indicator for characterizing the land surface vegetation cover density. Based on the analysis of LST models from AMSR-E BT with 6.9 GHz MPDI intervals at 0.04, 0.02 and 0.01, respectively, this paper developed a simplified LST regression model with MPDI-based five land cover types, combining observation temperatures from 86 meteorological observation stations. The study shows that smaller MPDI intervals can obtain higher accuracy of AMSR-E LST simulation, and that the combination of HDF Explorer and ArcGIS software was useful for automatically processing the pixel latitude, longitude and BT information from the AMSR-E HDF imagery files. The RMSE of the five LST simulation algorithms is between 1.47 and 1.92 degrees C, with an average LST retrieval error of 0.91-1.30 degrees C. Besides, only 7 polarization bands and 5 land surface types are required by the proposed simplified model. The new LST simulation models appears to be more effective for producing LST compared to past most studies, of which the accuracy used to be more than 2 degrees C. This study is one of the rare applications that combine the meteorological observation temperature with MPDI to produce the LST regression analysis algorithms with less RMSE from AMSR-E data. The results can be referred to similar areas of the world for LST retrieval or land surface process research, in particular under extreme bad weather conditions. (C) 2010 Elsevier B.V. All rights reserved.

DOI

[17]
岳德君. 时间序列数据流中相关性分析技术研究[D].沈阳:东北大学,2008.

[ Yue D J.Study on correlation analysis in time series data streams[D]. ShenYang:Northeastern University,2008. ]

[18]
荣媛,杨永民.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[J].国土资源遥感,2011(4):14-19.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、同尺度的前提下,通过对“风云2号”C星数据反演得到的5 km空间分辨率地表辐射温度和MODIS数据升尺度得到的5 km空间分辨率地表温度以及它们的空间分布进行对比分析,发现二者的空间分布格局趋于一致；最后,结合植被覆盖分类图,求出不同植被覆盖类型区域在“风云 2号”C星(1 km空间分辨率)影像和MODIS(1 km空间分辨率)影像上的平均地表辐射温度,计算得到的绝对误差为1.95K,相对误差为10.7％.反演结果表明,以土壤和植被为主体的地表面,用该方 法得到的地表辐射温度与MODIS地表温度的最大误差在2K之内.

DOI

[ Rong Y, Yang Y M.The feasibility of replacing surface temperature with surface radiation temperature: a case study of“FY-2C”and MODIS data[J]. Remote Sensing for Land & Resources, 2011,4:14-19. ]

[19]
Kohn J, Royer A.AMSR-E data inversion for soil temperature estimation under snow cover[J]. Remote Sensing of Environment, 2010,114:2951-2961.Climate warming is the focus of several studies where the soil temperature plays an essential role as a state variable for the surface energy balance of the Earth. Many methods have been developed to determine summer surface temperature, but the determination in presence of snow is an ill-conditioned problem for microwave techniques because snow changes the emissivity of the surface. This project aims to improve the estimation of soil temperature, within the top 5&nbsp;cm of the ground, under the snowpack using passive microwave remote sensing. Results show the potential of the passive microwave brightness temperature inversion at 10&nbsp;GHz (derived from the Advanced Microwave Scanning Radiometer鈥擡arth Observing System, AMSR-E) for the estimation of soil temperature using a physical multilayer snow鈥搒oil model (SNTHERM) coupled with a snow emission model (HUT). The snow model is driven with meteorological measurements from ground-based stations as well as data generated from reanalysis. The proposed iterative retrieval method minimizes the difference between the simulated and measured brightness temperature using the soil temperature as a free parameter given by SNTHERM. Results are validated against ground-based measurements at several sites across Canada through several winter seasons. The overall root mean square error and bias in the retrieved soil temperature is respectively 3.29&nbsp;K and 0.56&nbsp;K, lower than the error derived from the snow鈥搒oil model without the use of remote sensing. The accuracy in detection of frozen/unfrozen soil under the snowpack is 78%, which is improved up to 81% if the spring melting period is not considered. This original procedure constitutes a very promising tool to characterize the soil (frozen or not) under snow cover, as well as its evolution in northern remote locations where measurements are unavailable.

DOI

[20]
郑文武,曾永年.地表温度的多源遥感数据反演算法对比分析[J].地球信息科学学报,2011,13(6):841-847.多源遥感数据的综合应用是提高 地表温度反演精度的有效途径。MODIS数据和Landsat TM数据在我国同一地区获取的时间相差不大,可以获取近似同步的MODIS数据和TM数据。本文将基于MODIS数据反演的大气参数应用于TM影像的地表 温度反演,分别对单窗口算法和普适性单通道算法进行了实验研究,应用气象站实测的地表温度数据对反演结果进行了检验,并对比分析了不同土地覆盖条件下两种 算法的精度差异。结果表明:两种算法反演精度均较高,单窗口算法反演精度为0.76K,普适性单通道算法反演精度为1.23K;在不同的土地覆盖条件下, 两种算法表现出明显的差异性,水体区反演结果差异最小,均值差异仅为0.02K,植被区差异最大,均值差异为0.62K。

DOI

[ Zheng W W, Zeng Y N.Comparative analysis of two land surface temperature retrieval algorithms based on multi-source remote sensing data[J]. Journal of Geo-information Science, 2011,136(613):841-847. ]

[21]
毕晓丽,葛剑平.基于IGBP 土地覆盖类型的中国陆地生态系统服务功能价值评估[J].山地学报,2004,1(1):48-53.以国际地圈生物圈(IGBP)所提供的1 km2分辨率土地覆盖分类数据和Costanza提出的生态系统服务功能价值,对中国陆地及各省市的生态系统服务功能价值进行评估.结果表明:中国陆地生 态系统服务价值为40 690亿元.与陈仲新所研究结果相比较,总体趋势一致,但价值量要小,原因有二:(1)表现为不同时期的中国陆地生态系统服务价值,经济的发展导致生态环 境的恶化是生态系统服务价值降低的直接原因;(2)土地覆盖存在着尺度依赖和分类问题,1 km2分辨率的土地覆盖可能会忽略那些面积较小但生态价值很高的土地类型,因此使得计算结果偏小.计算出各省市的生态系统价值均能客观的反映该省的生态环 境现状.比较分析各省生态系统服务价值及其1997年的国民生产总值(GDP),发现经济相对发达的省市存在环境质量管理与经济快速发展严重的脱节问题, 环境承载能力的大大降低应引起人们的注意.归一化植被指数(NDVI)是土地覆盖分类的依据.探讨了各省典型月份的NDVI值与生态系统服务价值之间的关 系,回归分析的复相关系数达0.789,证实了土地覆盖评估生态系统服务价值的可行性.由于测量精度问题及估算方法的不成熟,研究得出生态系统服务价值是 一个保守的低值估算,有待于进一步的检验和改进.

DOI

[ Hua X L, Ge J P.Evaluating ecosystem service valuation in China based on the IGBP Land cover datasets[J]. Journal of Mountain Science, 2004,1(1):48-53. ]

Options
文章导航

/

〈 〉