EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 5: 1243 - 1256

DOI: https://doi.org/10.12082/dqxxkx.2024.230484

地球信息科学理论与方法

FY-4A地表温度产品质量评估与偏差订正方法研究

  • 黄大鹏 , 1, 2 ,
  • 王艳姣 1 ,
  • 肖风劲 , 1, * ,
  • 陈彦红 3
展开
  • 1.中国气象局国家气候中心，北京 100081
  • 2.南京信息工程大学 气象灾害预报预警与评估协同创新中心，南京 210044
  • 3.航天宏图信息技术股份有限公司，北京 100195
*肖风劲（1973—），男，湖南湘潭人，研究员，研究方向为卫星遥感应用与灾害风险影响评估。 E-mail:

黄大鹏（1978—），男，安徽潜山人，副研究员，研究方向为卫星遥感应用及气候变化影响评估与风险评估。E-mail:

收稿日期: 2023-08-18

  修回日期: 2024-01-23

  网络出版日期: 2024-05-21

基金资助

新一代人工智能国家科技重大专项(2022ZD0119500)

中国气象局风云卫星应用先行计划项目(23-512)

收起

Research on FY-4A Land Surface Temperature Quality Assessment and Bias Correction Method

  • HUANG Dapeng , 1, 2 ,
  • WANG Yanjiao 1 ,
  • XIAO Fengjin , 1, * ,
  • CHEN Yanhong 3
Expand
  • 1. National Climate Center, China Meteorological Administration, Beijing 100081, China
  • 2. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 3. Aerospace Hongtu Information Technology Co., Beijing 100195, China
*XIAO Fengjin, E-mail:

Received date: 2023-08-18

  Revised date: 2024-01-23

  Online published: 2024-05-21

Supported by

National Science and Technology Major Project(2022ZD0119500)

Fengyun Satellite Application Pilot Program of China Meteorological Administration(23-512)

Fold

摘要

气候变化研究需要长时间序列、稳定的、均一化的地表温度（LST）气候数据集支持。气候变化实时监测对数据集的要求则更高，还需要LST气候数据集实时的更新和快速便捷的获取，而国际上公开的实时更新的LST气候数据集则较少。本研究以国外长时间序列MODIS LST历史数据集为参照，对我国易于获取的FY-4A LST实时数据进行质量评估，在此基础上研发随机森林偏差订正算法，将FY-4A LST数据实时订正到MODIS LST质量水平上，从而研发融合静止气象卫星FY-4A和极轨卫星AQUA/MODIS的 LST气候数据集。对偏差订正后的2022年1、4、7和10月共4个月产品检验评估的结果表明：从4个月份偏差的平均值来看，订正后的LST平均偏差由-1.98 ℃降低到-0.42 ℃，平均绝对偏差由4.02 ℃降到2.84 ℃，均方根误差由5.13 ℃降到3.91 ℃，相关系数由0.86提升到0.90。随机森林回归偏差订正算法能够有效减小FY-4A LST与MODIS LST的偏差，订正后的FY-4A LST数据在全国范围不同区域和不同时段与MODIS LST均具有较好的一致性。对中国区域高温过程监测评估发现：订正后的FY4A LST与MODIS LST在全国大部分地区平均偏差较小，仅在海拔较高和地形相对复杂的山区存在较大偏差；偏差订正后2类卫星逐日平均偏差减小到-1 ℃左右，平均偏差较订正前显著减小。因此本文研发的融合FY-4A和MODIS的LST气候数据集可以很好支撑我国的气候变化研究和气候业务服务工作。

关键词： 地表温度; 静止气象卫星FY-4A; MODIS; 质量评估; 影响因素; 随机森林; 偏差订正; 高温过程监测

本文引用格式

黄大鹏 , 王艳姣 , 肖风劲 , 陈彦红 . FY-4A地表温度产品质量评估与偏差订正方法研究[J]. 地球信息科学学报, 2024 , 26(5) : 1243 -1256 . DOI: 10.12082/dqxxkx.2024.230484

Abstract

Climate change research requires the support of long time series, stable, and uniform Land Surface Temperature (LST) climate datasets. Real-time monitoring of climate change has requirements on datasets, such as requiring LST climate datasets to be updated in real-time and accessible conveniently. However, there are still limited publicly available LST climate datasets with real-time updates internationally. Scholars have conducted extensive research on the development of long time series LST datasets and achieved a series of innovative results. However, most of the existing LST datasets utilize polar orbit satellite data or geostationary meteorological satellite data, and there are few LST datasets that integrate geostationary meteorological satellites and polar orbit satellites. This study evaluated the quality of the real-time FY-4A LST data available in China using the long term MODIS LST historical dataset as a reference. A random forest bias correction algorithm was developed, and the FY-4A LST data were corrected to the quality level of MODIS LST, so as to develop a real-time bias-corrected LST climate dataset integrating FY-4A geostationary meteorological satellite and polar orbit satellite AQUA/MODIS. The evaluation results of the bias-corrected FY-4A LST in January, April, July, and October 2022 showed that the mean bias between the FY-4A LST and MODIS LST decreased from -1.98 ℃ to -0.42 ℃, the mean absolute bias decreased from 4.02 ℃ to 2.84 ℃, the root mean square error decreased from 5.13 ℃ to 3.91 ℃, and the correlation coefficient increased from 0.86 to 0.90 after bias correction. This random forest bias correction algorithm can effectively reduce the bias between FY-4A LST and MODIS LST. The corrected FY-4A LST data exhibited good consistency with MODIS LST in different regions of China and over different time periods. The monitoring and evaluation results of high temperature process in China showed that the mean bias of corrected FY-4A LST and MODIS LST was relatively small in most regions of the country, and there was a significant bias only in mountainous areas with higher elevations and relatively complex terrain. After the bias correction, the daily mean bias between corrected FY-4A LST and MODIS LST decreased to around -1 ℃, and the mean bias decreased significantly compared to that before the correction. Therefore, the LST climate dataset developed in the study by integrating FY-4A LST and MODIS LST can effectively support China's climate change research and provide better data quality for climate service.

Key words： land surface temperature; FY-4A geostationary meteorological satellite; MODIS; data quality assessment; influencing factor; random forest; bias correction; high temperature process monitoring

1 引言

地表温度（LST）是表征局地到全球尺度地表过程变化的重要特征物理量，在陆地和大气之间的能量平衡和水量平衡中发挥着重要作用[1⇓-3]，被广泛地应用于气象、水文、灾害监测和气候变化等领域的陆表过程和模型研究中[4⇓⇓⇓-8]。随着遥感技术的发展，一系列卫星遥感反演的LST产品被研发与应用。目前，全球公开可以获取的LST产品有30多种[9]。从数据研制方和提供方来看，主要有欧空局（ESA）、欧洲气象卫星应用组织（EUMETSAT）、美国国家航空航天局（NASA）、中国气象局国家卫星气象中心（NSMC）等组织及科学家生产的LST产品。从卫星运行轨道类型来看，主要有极轨卫星、静止卫星以及极轨卫星和静止卫星融合的LST产品。依传感器的类型划分，主要有热红外反演LST和微波反演LST产品。
地球科学和气候变化相关研究需要长时间序列LST数据集的支撑，国内外学者为此做了大量的研究工作，取得了系列创新成果。单从长时间序列LST数据集研发中的卫星遥感数据利用情况来看，大致分为以下6类。① 基于单一极轨卫星数据，以MODIS数据为主： Wan等[10-12]研发了多个版本的MODIS LST数据集，在国际上得到了最为广泛的应用；国内多位学者在MODIS LST数据基础上，重建了全球、中国和青藏高原等不同区域范围不同时空分辨率的全天候或非全天候的LST数据集[13-21]；另外，也有学者利用AVHRR、ATSR、 SLSTR、Landsat和ASTER等数据研发LST数据集[22-29]。② 基于单一静止气象卫星数据。国内外学者基于风云静止气象卫星、日本葵花卫星、NASA GOES卫星、EUMETSAT MSG卫星研发LST数据集[30-35]。③ 基于单一微波卫星数据，如SSM/I、AMSR-E数据等[36-37]。④ 融合微波和极轨卫星数据。如程洁等利用多尺度卡尔曼滤波融合AMSR-E/AMSR2 1 km地表温度和MODIS LST，生成中国区2002—2020年1 km无缝LST数据集[38]。⑤ 融合多系列极轨卫星LST产品。欧空局利用TERRA/MODIS数据在时间上衔接 Envisat ATSR数据和Sentinel-3A SLSTR数据生产了1995—2020年的全球0.01°LST数据集[39]。⑥ 融合极轨卫星与静止气象卫星数据。欧空局利用ATSR、TERRA/MODIS和AQUA/MODIS、Sentinel-3A/3B SLSTR等极轨卫星数据与MSG、GOES等静止气象卫星数据，生产了2009—2020年的全球0.05°, 3 h LST数据集，极轨卫星数据仅用于填补高纬度和中亚地区的空缺，未被纳入静止卫星数据的覆盖范围内[39]。目前国内外学者研发的LST数据集大多利用极轨卫星数据或静止气象卫星数据，融合静止气象卫星和极轨卫星的LST数据集较少。已有LST数据集的研发大多依赖国外卫星遥感数据且不能实时更新生产，不能很好的满足地球科学研究和气候变化研究对数据时效性的要求，无法满足气候变化实时监测评估的需要。目前能满足长时间序列且实时更新的LST气候数据集仅有NASA生产的MODIS LST产品（https://terra.nasa.gov/），但MODIS LST产品即将随着TERRA和AQUA卫星任务的退役而停止生产，因此亟需研发长时间序列、实时更新和历史实时一体化的LST气候数据集。
2016年，中国发射了国产FY-4A静止气象卫星，该卫星搭载先进的静止轨道辐射成像仪（AGRI）可以高空间和时间分辨率对地表、大气和云目标进行成像[40-42]。目前中国气象局国家卫星气象中心已开发FY-4A卫星LST二级数据产品[43-44]，该数据可以实时快速的获取。考虑到FY-4A LST获取的便捷性以及MODIS LST数据具有较高的质量[12]，本文以MODIS LST数据为参照，构建偏差订正模型对FY-4A LST数据进行偏差订正，将其订正到MODIS LST质量水平上，旨在建立融合MODIS和FY-4A LST的长时间序列且实时更新的LST气候数据集，以支撑气候变化及地球科学等相关研究，满足我国的气候变化监测评估业务对LST数据的实时应用需求，同时提升我国卫星遥感应用的自主化水平。

2 研究数据和研究方法

本文以MODIS LST数据为真值，开展FY-4A LST产品质量评估和偏差影响因素分析，基于随机森林模型开展FY-4A LST偏差订正方法研究，对偏差订正后的FY-4A LST数据开展订正效果评估及高温过程监测应用效果检验。具体技术路线如图1所示。
图1 研究技术路线

Fig. 1 Flow chart of the framework in this study

2.1 研究数据

FY-4A静止卫星有全圆盘和中国区两种观测模式，全圆盘观测频率为每15 min/次，中国区观测频率为每5 min/次。本文对中国区的FY-4A地表温度数据进行质量评估和偏差订正，该数据是基于FY-4A/AGRI研制的地表温度实时产品[44]，空间分辨率为4 km×4 km，时间分辨率为5 min。FY-4A LST反演采用Ulivieri和Cannizzaro[45]研究的算法，该算法输入参数包括FY-4A第4通道和第5通道的亮温、地表比辐射率和卫星观测天顶角。外源检验产品为AQUA /MODIS地表温度日合成产品MYD11A1 V061（以下简称：MODIS地表温度产品，MODIS LST），空间分辨率为1 km×1 km。其他辅助数据包括： ① 高程数据：来自于国际农业研究磋商组织（CGIAR）提供的SRTM地形数据产品[46]，分辨率90 m×90 m；② 坡度和坡向数据：该数据由SRTM数据加工而成； ③ AQUA/MODIS卫星地表覆盖类型数据MCD12Q1：该数据由NASA地球观测系统数据和信息系统的陆地过程分布式数据存档中心提供[47]，数据空间分辨率为500 m×500 m。

2.2 FY-4A LST和MODIS LST时空匹配方法

为了使得FY-4A和MODIS两者的地表温度数据空间匹配一致，将1 km×1 km空间分辨率的MODIS LST升尺度到4 km×4 km空间分辨率，计算FY-4A卫星1个像元对应的MODIS 16个像元的LST平均值，在统一的4 km×4 km空间分辨率的像元上比较FY-4A LST和MODIS LST的偏差。
由于地表温度参数对卫星观测时间变化非常敏感，因此首先对FY-4A和MODIS地表温度观测时间进行了严格的匹配。一般情况下AQUA/MODIS过境时间13：30，但每天经过同一地点的时间并不相同；卫星观测地面路径重复间隔16 d，即同一地点在间隔16 d后过境时间相同，16 d内过境时间不同，相差在2.5 h以内。为了寻找中国区域内每天与MODIS过境时间相匹配的FY-4A地表温度，以2018—2021年共计4年MODIS地表温度观测时间数据为样本，统计了以2018年1月1日为开始日期，MODIS在16 d的地面路径重复周期内的观测时间，保存为16 d观测时间模板文件，1个地面路径重复周期内第1 d和第2 d的观测时间分布分别如图2(a)和图2(b)所示。以该时间数据为基础，选择最邻近的5 min内的中国区FY-4A地表温度产品进行时间匹配，获得中国区内与MODIS观测时间最邻近的FY-4A地表温度数据。
图2 AQUA/MODIS在16 d的地面路径重复周期内某天的观测时间分布

Fig. 2 View time of AQUA/MODIS on a certain day during a 16-day revisit cycle

2.3 FY-4A LST质量检验和评估方法

由于受观测时刻、观测场景、云检测误差等因素影响，对2类卫星地表温度数据进行时空匹配、异常值处理和有效像元筛选，再进行定量的质量检验和对比分析。本文使用2018—2021年各月数据作为样本数据计算LST均值和标准差，选取3倍标准差内的数据作为有效数据，超过3倍标准差的数据作为异常值。3倍标准差剔除异常值的方法是一种经典的数据处理方法，它是根据样本量和样本方差体现出来的分布统计学中的“三倍标准差”原则来处理数据异常值的方法。
本文以MODIS LST数据为参照，计算FY-4A LST与MODIS LST的平均偏差、平均绝对偏差、均方根误差和相关系数等指标，以此评估偏差订正前后FY-4A LST的数据质量。指标计算如下：
（1）平均偏差
B i a s M E A N =   1 N ∑ i = 1 N x i - x o i
式中： B i a s M E A N表示FY-4A LST与MODIS LST的平均偏差；N表示FY-4A LST与MODIS LST匹配的样本数量； xi表示 FY-4A LST； xoi表示MODIS LST。
（2）平均绝对偏差
B i a s A E =   1 N ∑ i = 1 N ( | x i - x o i | )
式中： B i a s A E表示FY-4A LST与MODIS LST的平均绝对偏差；N、xi、xoi含义同式（1）。
（3）均方根误差
R M S E = 1 N ∑ i = 1 N x i - x o i 2
式中： RMSE表示FY-4A LST与MODIS LST的均方根误差；N、xi、xoi含义同式（1）。
（4）相关系数
C o r r = ∑ i = 1 N x i - x ¯ x o i - x o ¯ ∑ i = 1 N x i - x ¯ 2 ∑ i = 1 N x o i - x o ¯ 2
式中： Corr表示FY-4A LST与MODIS LST的相关系数； N、xi、xoi含义同式（1）； x ¯表示FY-4A LST样本均值； x o ¯表示MODIS LST样本均值。

2.4 FY-4A LST偏差订正方法

由于地表温度对卫星观测时间、不同地表类型和地形等因素变化非常敏感[48-49]，因而造成FY-4A和MODIS的LST空间差异分布不均，且随时间变率大，在偏差订正算法研发时需要消除上述因素对2类卫星地表温度差异的影响。
基于观测重叠期内的MODIS和FY-4A地表温度数据，以MODIS LST为参照，对FY-4A LST进行偏差订正，将其订正到MODIS LST质量水平上，建立融合MODIS LST和FY-4A LST的长时间序列地表温度气候数据集。基于2018—2021年1—12月FY-4A LST和MODIS LST，结合其他辅助数据（包括高程、经度、纬度、坡度、坡向、地表覆盖类型和儒略日）共同构建训练数据，采用随机森林回归方法逐月建立LST偏差订正模型，并使用2022年1—12月FY-4A LST和MODIS LST作为检验样本，对偏差订正模型效果进行评估。具体订正方法如下：
（1）读取MODIS观测时间数据，对16 d重访周期内观测时间进行统计，得到静态时间数据；基于此静态时间数据，挑选时间上最邻近的FY-4A地表温度数据，拼接得到中国区的FY-4A与MODIS最邻近匹配的地表温度数据。
（2）读取MODIS LST、FY-4A LST、高程、经度、纬度、坡度、坡向、地表覆盖类型和儒略日等数据作为模型输入变量，选择所有输入数据有效范围内的像元进行数据预处理；对预处理后的训练数据进行时空匹配。
（3）模型训练数据预处理：将训练数据按照7:3的比例分成训练集和测试集，并对训练集和测试集进行重新排序。
（4）模型训练参数调整：在模型训练过程中主要调整决策树个数、模型收敛指标和树的深度3个参数，首先按照常规给3个参数各自一个默认值，然后固定其中2个参数对另一个参数进行调整，当测试集拟合优度R2和训练集拟合优度R2最为接近时，固定该参数的值，然后再固定一个参数，调整另一个，以此类推，不断试验，直到找到最优参数。R2介于0~1之间，越接近1，回归拟合效果越好，一般R2大于0.8时认为模型拟合优度比较高。
（5）基于上述训练确定的逐月偏差订正模型，输入FY-4A LST、高程、经度、纬度、坡度、坡向、地表覆盖类型和儒略日等数据，对2022年逐月的FY-4A LST数据进行偏差订正。并以MODIS LST为真值，采用平均偏差、平均绝对偏差、均方根误差和相关系数等指标对偏差订正模型效果进行详细评估。

3 结果与分析

3.1 FY-4A LST与MODIS LST时空差异

为了评估FY-4A和MODIS 2类LST产品长时间的偏差变化规律，本文选取了一年中的1、4、7和10月共4个月，分别代表四季，统计2018—2022年FY-4A LST与MODIS LST在中国区的时空差异。图3(a)、3(b)、3(c)和3(d)分别为2018—2022年FY4A与MODIS卫星1、4、7和10月LST月平均偏差的空间分布情况。从空间分布差异来看，FY4A LST与MODIS LST平均偏差随着不同季节变化差异较大。在新疆、内蒙古西部等地，2类卫星地表温度四季均呈现较大的负偏差，这可能与该地区的地表类型为沙漠戈壁有关，其中7月负偏差最大，1月负偏差最小。1月除内蒙古新疆部分地区呈现负偏差外，全国其余大部地区均呈现正偏差，且在青藏高原和秦岭以北海拔较高的山脉地区正偏差幅度较大； 4月在青藏高原东南部、太行山至秦岭一线地区呈现正偏差，全国其余大部地区呈现负偏差； 7月全国大部地区呈现负偏差；10月份新疆内蒙古部分区域的负偏差外，东北大部、太行山-秦岭-青藏高原东部、新疆山脉等地呈现较大正偏差，其余地区偏差相对较小，主要在-2~2 ℃之间。
图3 2018—2022年FY-4A与MODIS地表温度月平均偏差空间分布

Fig. 3 Monthly mean bias between FY-4A LST and MODIS LST in China during 2018—2022

从2类卫星LST月平均偏差的空间分布规律来看，偏差与地表覆盖类型和地形特征具有一定的关联。从2类卫星地表温度的时间变化来看（表1），夏季7 月平均温度最高，2类卫星共同有效空间范围内的平均地表温度分别为32.4 ℃和35.5 ℃；春季平均地表温度分别为26.2 ℃和27.2 ℃，秋季分别为20.9 ℃和21.2 ℃；冬季平均温度最低，分别为7.2 ℃和6.2 ℃。夏季2类卫星平均温度差异最大（平均偏差为-3.1 ℃），春季次之（平均偏差为 -1.0 ℃），然后是冬季（平均偏差为1.0 ℃），秋季最小（平均偏差为-0.3 ℃）。不同月份，2类卫星LST的偏差表现出不同的时空分布规律，因此考虑逐月建立FY-4A LST的偏差订正模型。
表1 不同月份和全年中国FY-4A和MODIS平均地表温度和偏差统计

Tab.1 Mean LST and mean bias between FY-4A LST and MODIS LST in different months and all year over China during 2018—2022 (℃)

1月 4月 7月 10月 年平均
FY-4A LST 7.2 26.2 32.4 20.9 21.7
MODIS LST 6.2 27.2 35.5 21.2 22.6
LST平均偏差（FY4A-MODIS） 1.0 -1.0 -3.1 -0.3 -0.9

3.2 中国区FY-4A LST偏差影响因素分析

基于热红外通道的LST反演算法对地表发射率和大气中的水汽吸收比较敏感，地表发射率的微小改变也会对反演结果造成不同[2]。MODIS和FY-4A的LST反演算法中的地表发射率都通过植被覆盖度计算，因此LST容易受地表覆盖类型的影响。MODIS和FY-4A的LST反演算法公式不同[10,44]，即使采用同样的地表发射率，MODIS和FY-4A反演得到的LST也不同。另外，由于地表发射率随卫星观测角度的变化而变化，MODIS和FY-4A的卫星观测角度不同会引起地表发射率的差异，而且由于地形坡度变化的影响，也会引起局地观测角度的变化，从而引起发射率的变化[11]。在植被区域，发射辐射随观测角度变化而变化，除了角度效应影响地表发射率之外，而且角度效应对冠层温度也产生影响[50-51]。由于大气效应的影响，地表发射率也会不同。一般来说，随着观测角度和大气水汽含量的增大，LST反演的误差增大。本文使用的MODIS LST数据采用了考虑传感器观测角度影响的改进的分裂窗反演算法，更好地校正了地表发射率和大气的影响。FY-4A LST反演算法增加了传感器观测角度校正项，用于大气路径长度的校正，进一步的大气校正有利于改善FY-4A大角度观测下的算法准确性[33]。MODIS和FY-4A LST反演算法都采用了同样的干湿大气划分方法，但采用了各自卫星传感器生产的水汽柱水汽含量产品。FY-4A LST产品质量验证结果表明，FY-4A LST产品在大气水汽含量大的季节精度较低[44]。因此，可以考虑分季节或者分月份研究FY-4A LST与MODIS LST的偏差。
基于以上对MODIS LST和FY-4A LST反演算法及影响因素的分析，考虑从地表覆盖类型、地形特征和观测月份等因素分析FY-4A LST产品的偏差分布规律。以MODIS LST产品为参照，计算FY-4A LST产品在整个中国区域的偏差。选取不同季节的代表性月份1、4、7和10月，区分地表覆盖类型、高程、坡度和坡向等地表参数，分析其对 FY-4A LST偏差的可能影响（图4）。
图4 不同月份不同陆表参数条件下FY-4A地表温度偏差统计

Fig. 4 Bias of FY-4A LST under different land surface parameters in different months

从图4(a)可以看出，在不同地表类型下FY-4A LST平均偏差在不同季节的整体变化趋势一致，但偏差程度随地表覆盖类型和季节变化而存在差异，如7月LST偏差在各种地表类型都最大，而4月和10月偏差则相对较小；LST偏差在裸地主要呈显著的负偏差，而在森林、城镇、农田等地表类型则主要呈现正偏差，可见地表类型对LST偏差有较大影响。
将中国区地表高程数据以500 m为间隔划分为14个等级，统计不同月份各高程等级内FY-4A LST平均偏差变化情况（图4(b)）。地表高程在0~1 500 m时，LST偏差随高程增加呈下降趋势，在1 500~ 5 500 m内LST偏差呈波动上升趋势，在5 500~ 7 000 m内偏差急速上升。
对中国区坡度数据按照10°间隔划分为7个区间，统计不同月份不同坡度区间FY-4A LST平均偏差的变化情况（图4(c)）。1月，FY-4A LST平均偏差随坡度的增加呈上升趋势，且主要为正偏差；其余月份FY-4A LST平均偏差则在0°~10°坡度先增加，在10°~50°坡度变化幅度较小，大于50°坡度则呈下降趋势。
对中国区坡向数据按照30°间隔划分为12个区间，统计不同月份不同坡向区间FY-4A LST平均偏差的变化情况（图4(d)）。LST平均偏差在不同季节随不同坡向变化趋势基本一致，均在坡向为150°~210°内达到最大。

3.3 偏差订正模型分析

1—12月各月FY-4A LST偏差订正模型的训练集和测试集的拟合优度和均方根误差如表2所示。R2最小值为0.82，均大于0.8，说明模型拟合优度较高。训练集和测试集的均方根误差接近。
表2 各月FY-4A LST和MODIS LST训练集和测试集拟合优度（R2）和均方根误差（RMSE）

Tab. 2 The goodness of fit and RMSE of the training and testing sample sets for FY-4A LST and MODIS LST from January to December

指标 数据集 月份
1 2 3 4 5 6 7 8 9 10 11 12
R2 训练集 0.93 0.93 0.91 0.90 0.88 0.89 0.92 0.93 0.91 0.89 0.93 0.92
测试集 0.87 0.89 0.86 0.84 0.82 0.83 0.87 0.89 0.87 0.85 0.88 0.87
RMSE
/℃		 训练集 3.82 4.36 4.58 4.94 5.84 6.18 6.72 6.50 4.98 4.22 3.81 3.72
测试集 3.81 4.26 4.63 4.82 5.96 6.18 6.71 6.45 4.98 4.18 3.86 3.78
中国区不同月份的FY-4A LST偏差订正模型中，各输入要素的贡献值如表3所示。所有月份中，FY-4A LST贡献最大，均在0.8以上，说明中国区FY-4A LST和MODIS LST较为一致。2—12月，除FY-4A LST贡献最大之外，地表覆盖类型和地形因子中的高程和坡度贡献较大；2—10月，地表覆盖类型的贡献高于地形因子的贡献；11—12月，坡度的贡献高于地表覆盖类型的贡献；1月，坡度和纬度贡献较大，地表覆盖类型的贡献较小。不同月份各输入要素贡献大小可能与地表植被（包括自然植被和农作物）的生长规律及不同月份的太阳高度角变化具有一定的关联。11—12月和1月，无论是自然植被还是农作物都停止了生长，植被覆盖度低，地表覆盖类型对FY-4A和AQUA/MODIS观测的LST偏差影响较小。2月份，北方冬小麦开始返青生长，南方早稻开始育秧和播种，植被覆盖度逐渐增加，地表覆盖类型对2类卫星LST偏差的影响开始显现。从2—10月，特别是4—10月，中国植被处于生长季，地表覆盖度高，植被结构复杂，且不同卫星的观测角度不同，不同卫星反演的LST产品偏差受不同地表覆盖类型的植被生长状况的影响较大。
表3 1—12月FY-4A-LST偏差订正模型各输入要素的贡献值

Tab. 3 Contribution values of each input element in the bias correction model for FY-4A LST from January to December

月份 FY4A-LST 地表覆盖类型 高程 坡度 坡向 经度 纬度 儒略日
1 0.849 0.017 0.023 0.043 0.013 0.018 0.026 0.011
2 0.871 0.033 0.019 0.030 0.019 0.011 0.019 0.011
3 0.844 0.055 0.019 0.032 0.007 0.013 0.023 0.007
4 0.809 0.044 0.033 0.030 0.016 0.027 0.026 0.015
5 0.839 0.049 0.027 0.025 0.008 0.026 0.018 0.009
6 0.870 0.033 0.024 0.021 0.010 0.016 0.018 0.007
7 0.888 0.041 0.022 0.012 0.006 0.015 0.012 0.006
8 0.880 0.046 0.025 0.016 0.005 0.014 0.010 0.005
9 0.884 0.040 0.015 0.025 0.005 0.011 0.013 0.006
10 0.824 0.063 0.022 0.038 0.005 0.018 0.022 0.008
11 0.883 0.033 0.016 0.033 0.004 0.010 0.017 0.003
12 0.883 0.022 0.016 0.042 0.006 0.009 0.017 0.006

3.4 FY-4A LST偏差订正效果评估

使用2022年逐月的MODIS LST数据，对偏差订正后的同期FY-4A LST数据进行偏差订正效果评估。限于篇幅，本文仅对2022年1、4、7和10月共4个月评估结果进行展示，2022年中国区域FY-4A LST与MODIS LST月平均偏差空间分布如图5 所示。可以看出，全国大部地区FY-4A LST与 MODIS LST月平均偏差较偏差订正前有了明显的减小，主要在-2~2 ℃之间，可见偏差订正后FY-4A LST与MODIS LST产品质量更为接近。
图5 2022年FY-4A LST与MODIS LST月平均偏差分布

Fig. 5 Monthly mean bias between FY-4A LST and MODIS LST in China during 2022

从2022年1、4、7和10月偏差订正前后中国区FY-4A LST和MODIS LST平均偏差、平均绝对偏差、均方根误差和相关系数的逐日变化对比（图6）来看，偏差订正后FY-4A LST与MODIS LST的一致性明显提升。表4为偏差订正前后中国区FY-4A LST和MODIS LST在月尺度上的平均偏差、平均绝对偏差、均方根误差和相关系数定量统计结果。从1、4、7和10月共4个月份偏差的平均值来看，平均偏差由-1.98 ℃降低到-0.42 ℃，平均绝对偏差由4.02 ℃降低到2.84 ℃，均方根误差由5.13 ℃降低到3.91 ℃，相关系数由0.86提升到0.90。总体来说，不管是日尺度还是月尺度，偏差订正后FY-4A LST和MODIS LST在平均偏差、平均绝对偏差、均方根误差和相关系数等指标方面均较偏差订正前有了明显的提高。
图6 2022年各月偏差订正前后FY-4A LST与MODIS LST平均偏差、平均绝对偏差、均方根误差和相关系数逐日变化曲线

Fig. 6 The daily variation curves of the mean bias, mean absolute bias, root mean square error, and correlation coefficient of FY-4A LST and MODIS LST before and after monthly bias correction in 2022

表4 不同月份中国地表温度偏差订正结果统计

Tab. 4 Statistics of bias correction results for land surface temperature in different months over China

时间 平均偏差/℃ 平均绝对偏差/℃ 均方根误差/℃ 相关系数
订正前 订正后 订正前 订正后 订正前 订正后 订正前 订正后
202201 0.05 -0.39 3.02 2.42 3.93 3.32 0.82 0.87
202204 -2.42 -0.43 4.29 3.28 5.54 4.48 0.84 0.87
202207 -4.32 -0.57 5.44 3.28 6.85 4.52 0.87 0.91
202210 -1.23 -0.29 3.22 2.35 4.20 3.31 0.89 0.93
均值 -1.98 -0.42 4.02 2.84 5.13 3.91 0.86 0.90

3.5 高温过程监测应用效果检验

为了验证偏差订正后的FY-4A LST数据在高温事件实时监测评估业务中的实际应用效果，选取2022年6月12日至7月13日中国区的高温过程为例，利用MODIS LST和偏差订正后的FY-4A LST对此次高温过程进行监测。图7(a)和图7(b)分别为此次高温过程中国区MODIS地表温度多日平均值和订正后FY-4A地表温度多日平均值空间分布图。可以看出，偏差订正后的FY4A LST和MODIS LST空间分布极为一致，2类卫星在LST的细节分布上表征也基本一致，只是FY4A LST在我国南部地区存在部分缺测。
图7 MODIS LST与偏差订正后FY-4A LST监测的高温过程平均温度对比（2022/06/12—2022/07/13）

Fig. 7 Comparison of mean temperature of high temperature process monitored by MODIS LST and corrected FY-4A LST (2022/06/12—2022/07/13)

图8为订正后FY-4A LST和MODIS LST监测中国区高温过程的平均偏差空间分布，从图8可以看出，全国大部分地区2类卫星LST偏差较小，仅在海拔较高和地形相对复杂的山区存在较大偏差。图9为偏差订正后中国区FY4A LST和MODIS LST逐日平均偏差时间序列及偏差订正前中国区FY-4A LST和MODIS LST逐日平均偏差时间序列的对比图，可以看出，偏差订正前逐日平均偏差在-5 ℃左右上下波动，偏差订正后2类卫星逐日平均偏差减小到-1 ℃左右，基本在-2~0 ℃范围内，平均偏差较订正前显著减小。
图8 偏差订正后中国FY-4A LST与MODIS LST平均偏差空间分布

Fig. 8 Spatial distribution of mean bias between corrected FY-4A LST and MODIS LST during the high temperature process in China

图9 偏差订正前后中国FY4A LST与MODIS LST逐日平均偏差时间序列对比

Fig. 9 Comparison of daily mean bias time series between FY4A LST minus MODIS LST before and after bias correction in China

4 结论与讨论

本文在对FY-4A和MODIS地表温度产品质量评估的基础上，针对2类卫星LST偏差的分布特点，开展偏差影响因素分析，建立了逐月的随机森林回归模型对FY-4A LST数据进行偏差订正，将其订正到MODIS LST质量水平上，研发了融合静止气象卫星和极轨卫星的长时间序列、均一化的LST气候数据集，且能便捷的实时更新生产，极大的提高了地球科学和气候变化研究的时效性，可以更好地支撑气候变化实时监测评估业务的开展。另外，本文研发的偏差订正方法保证了LST数据集的实时生产不依赖于国外卫星数据，提高了国产卫星遥感应用的自主化水平。
对中国区域范围内的FY-4A LST和MODIS LST产品质量检验和评估后发现，FY-4A LST和MODIS LST产品具有较好的一致性，但也存在一定的偏差。不同月份，不同地表覆盖类型、高程、坡度和坡向等地表参数对2类LST产品的偏差均具有一定程度的影响。在一年的大部分月份，地表覆盖类型的影响相对更为明显，其次为地形因子。FY-4A反演算法中传感器观测角度订正项的引入以及本文提出的偏差订正模型方法的应用，一定程度上减少了观测角度对FY-4A LST的影响，在后续工作中，考虑进一步对FY-4A LST进行角度效应的校正，减少因为地表覆盖类型引起的LST反演结果的差异。地形因子对FY-4A LST和MODIS LST的偏差也有较明显的影响，这与Liu等[48]的研究结论一致，Liu等[48]研究了ASTER LST和MODIS LST的差异，发现坡度和坡向等地形因子对两者LST的差异有较大的影响，通过地形因子的校正可以明显缩小两者的差异。
采用平均偏差、平均绝对偏差、均方根误差和相关系数等检验指标，对偏差订正前后FY-4A LST与MODIS LST的一致性和偏差进行评估。评估结果表明：从2022年1、4、7和10月共4个月的产品订正结果来看，该方法能够有效减小FY-4A LST与MODIS LST的偏差。从4个月份偏差的平均值来看，平均偏差由-1.98 ℃降低到-0.42 ℃，平均绝对偏差由4.02 ℃降低到2.84 ℃，均方根误差由5.13 ℃降低到3.91 ℃，相关系数由0.86提升到0.90。可见，本文构建的随机森林回归模型能够有效提高 FY-4A LST产品与MODIS LST产品的均一性程度，在全国范围的不同区域和不同时段订正效果均较好，且该方法具有较强的普适性。对中国区域高温过程监测应用效果检验发现，FY-4A LST与MODIS LST平均偏差在全国大部分地区较小，仅在海拔较高和地形相对复杂的山区存在较大偏差；偏差订正后2类卫星逐日平均偏差减小到-1 ℃左右，基本在-2~0 ℃范围内，平均偏差较订正前显著减小。
当然，利用本文方法构建的LST气候数据集仍会存在一些问题，如：在MODIS 16 d的重访周期内观测时间不一致、每天的LST数据只提供一个时刻的反演结果。今后需要进一步研究不同气候区不同地表覆盖类型下LST的日变化规律，构建LST日变化模型，研发日平均、日最高和日最低LST气候数据集，以更好地满足精细化气候变化研究及气候变化监测评估业务的需求。
本文图文责任编辑：蒋树芳

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Li Z L, Tang B H, Wu H, et al. Satellite-derived land surface temperature: Current status and perspectives[J]. Remote Sensing of Environment, 2013, 131:14-37. DOI: 10.1016/j.rse.2012.12.008

[2]
程元良, 吴骅, 李召良, 等. FY-3D MERSI-Ⅱ地表温度遥感反演与验证[J]. 遥感学报, 2021, 25(8):1792-1807.

[Cheng Y L, Wu H, Li Z L, et al. Retrieval and validation of the land surface temperature from FY-3D MERSI-Ⅱ[J]. National Remote Sensing Bulletin, 2021, 25(8):1792-1807.] DOI:10.11834/jrs.20211302

[3]
Hu Y X, Tang R L, Jiang X G, et al. A physical method for downscaling land surface temperatures using surface energy balance theory[J]. Remote Sensing of Environment, 2023,286:113421. DOI: 10.1016/j.rse.2022.113421

[4]
Chen J M, Liu J. Evolution of evapotranspiration models using thermal and shortwave remote sensing data[J]. Remote Sensing of Environment, 2020,237:111594. DOI:10.1016/j.rse.2019.111594

[5]
邓雅文, 凌子燕, 孙娜, 等. 基于广义回归神经网络的京津冀地区土壤湿度遥感逐日估算研究[J]. 地球信息科学学报, 2021, 23(4):749-761.

DOI

[Deng Y W, Ling Z Y, Sun N, et al. Daily estimation of soil moisture over Beijing-Tianjin-Hebei region based on general regression neural network model[J]. Journal of Geo-information Science, 2021, 23(4):749-761.] DOI:10.12082/dqxxkx.2021.200149

[6]
Liu Q, Zhang S, Zhang H R, et al. Monitoring drought using composite drought indices based on remote sensing[J]. Science of The Total Environment, 2020,711:134585. DOI:10.1016/j.scitotenv.2019.134585

[7]
Li Y T, Li Z L, Wu H, et al. Biophysical impacts of earth greening can substantially mitigate regional land surface temperature warming[J]. Nature Communications, 2023, 14(1):121. DOI:10.1038/s41467-023-35799-4

PMID

[8]
刘宇翔, 杨英宝, 胡佳, 等. 基于长时序MODIS数据的中国城市昼夜热岛强度时空特征[J]. 地球信息科学学报, 2022, 24(5):981-995.

DOI

[Liu Y X, Yang Y B, Hu J, et al. Temporal and spatial characteristics of diurnal surface urban heat island intensity in China based on long time series MODIS data[J]. Journal of Geo-information Science, 2022, 24(5):981-995.] DOI:10.12082/dqxxkx.2022.210520

[9]
Li Z L, Wu H, Duan S B, et al. Satellite remote sensing of global land surface temperature: Definition, methods, products, and applications[J]. Reviews of Geophysics, 2023, 61(1):e2022RG000777. DOI:10.1029/2022RG000777

[10]
Wan Z M, Dozier J. A generalized split-window algorithm for retrieving land-surface temperature from space[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(4):892-905. DOI:10.1109/36.508406

[11]
Wan Z M. MODIS Land-surface temperature algorithm theoretical basis document, version3.3[R]. April, 1999.

[12]
Wan Z M. New refinements and validation of the collection-6 MODIS land-surface temperature/emissivity product[J]. Remote Sensing of Environment, 2014, 140:36-45. DOI:10.1016/j.rse.2013.08.027

[13]
Zhao B, Mao K B, Cai Y L, et al. A combined Terra and Aqua MODIS land surface temperature and meteorological station data product for China from 2003 to 2017[J]. Earth System Science Data, 2020, 12(4):2555-2577. DOI: 10.5194/essd-12-2555-2020

[14]
Tang R L, Peng Z. Global 25 km daily land surface temperature dataset (2010-2020) in clear sky[DB/OL]. National Tibetan Plateau/Third Pole Environment Data Center, 2023. https://doi.org/10.11888/RemoteSen.tpdc.300192

[15]
Yang M J, Zhao W, Zhan Q Q, et al. Spatiotemporal patterns of land surface temperature change in the Tibetan Plateau based on MODIS/Terra daily product from 2000 to 2018[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14:6501-6514. DOI:10.1109/JSTARS.2021.3089851

[16]
Zhang X D, Zhou J, Liang S L, et al. A practical reanalysis data and thermal infrared remote sensing data merging (RTM) method for reconstruction of a 1-km all-weather land surface temperature[J]. Remote Sensing of Environment, 2021,260:112437. DOI:10.1016/j.rse.2021.112437

[17]
Hong F L, Zhan W F, Göttsche F M, et al. A simple yet robust framework to estimate accurate daily mean land surface temperature from thermal observations of tandem polar orbiters[J]. Remote Sensing of Environment, 2021,264:112612. DOI:10.1016/j.rse.2021.112612

[18]
Chen X, Su Z, Ma Y, et al. Development of a 10-year (2001-2010) 0.1° data set of land-surface energy balance for mainland China[J]. Atmospheric Chemistry and Physics, 2014, 14(23):13097-13117. DOI:10.5194/acp-14-13097-2014

[19]
Liu X Y, Li Z L, Li J H, et al. Global 1-km monthly mean land surface temperature product (2003-2020) (1.0)[DB/OL]. Zenodo, 2022. https://doi.org/10.5281/zenodo.6618442

[20]
Duan S B, Zhou S. Global monthly mean land surface temperature dataset (2003-2019)[DB/OL]. National Tibetan Plateau/Third Pole Environment Data Center, 2023. https://doi.org/10.11888/RemoteSen.tpdc.300545

[21]
Yu P, Zhao T J, Shi J C, et al. Global spatiotemporally continuous MODIS land surface temperature dataset[J]. Scientific Data, 2022, 9(1):143. DOI:10.1038/s41597-022-01214-8

PMID

[22]
Liu X Y, Tang B H, Yan G J, et al. Retrieval of global orbit drift corrected land surface temperature from long-term AVHRR data[J]. Remote Sensing, 2019, 11(23):2843. DOI:10.3390/rs11232843

[23]
Ma J, Zhou J, Göttsche F M, et al. A global long-term (1981-2000) land surface temperature product for NOAA AVHRR[J]. Earth System Science Data, 2020, 12(4):3247-3268. DOI:10.5194/essd-12-3247-2020

[24]
Dech S W, Tungalagsaikhan P, Preusser C, et al. Operational value-adding to AVHRR data over Europe: Methods, results, and prospects[J]. Aerospace Science and Technology, 1998,2(5):335-346. DOI:10.1016/S1270-9638(98)80009-6

[25]
Pinheiro A C T, Mahoney R, Privette J L, et al. Development of a daily long term record of NOAA-14 AVHRR land surface temperature over Africa[J]. Remote Sensing of Environment, 2006, 103(2):153-164. DOI:10.1016/j.rse.2006.03.009

[26]
Prata F. Land surface temperature measurement from space: AATSR algorithm theoretical basis document[R]. Contract Report to ESA, 2002.

[27]
Ghent D J, Corlett G K, Göttsche F M, et al. Global land surface temperature from the along-track scanning radiometers[J]. Journal of Geophysical Research: Atmosphere, 2017,12,22:12167-12193. DOI:10.1002/2017JD027161

[28]
Parastatidis D, Mitraka Z, Chrysoulakis N, et al. Online global land surface temperature estimation from landsat[J]. Remote Sensing, 2017, 9(12): 1208. DOI:10.3390/rs9121208

[29]
Hulley G C, Hook S J. Generating consistent land surface temperature and emissivity products between ASTER and MODIS data for earth science research[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(4):1304-1315. DOI:10.1109/TGRS.2010.2063034

[30]
Jiang G M, Liu R G. Retrieval of sea and land surface temperature from SVISSR/FY-2C/D/E measurements[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(10):6132-6140. DOI:10.1109/TGRS.2013.2295260

[31]
Dong S Y, Cheng J, Shi J C, et al. A data fusion method for generating hourly seamless land surface temperature from Himawari-8 AHI data[J]. Remote Sensing, 2022, 14(20):5170. DOI:10.3390/rs14205170

[32]
Choi Y Y, Suh M S. Development of Himawari-8/Advanced Himawari Imager (AHI) land surface temperature retrieval algorithm[J]. Remote Sensing, 2018, 10(12):2013. DOI:10.3390/rs10122013

[33]
Yu Y Y, Tarpley D, Privette J L, et al. Developing algorithm for operational GOES-R land surface temperature product[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(3):936-951. DOI:10.1109/TGRS.2008.2006180

[34]
Duguay-Tetzlaff A, Bento V A, Göttsche F M, et al. Meteosat land surface temperature climate data record: achievable accuracy and potential uncertainties[J]. Remote Sensing, 2015, 7(10):13139-13156. DOI:10.3390/rs71013139

[35]
Trigo I F, Peres L F, DaCamara C C, et al. Thermal land surface emissivity retrieved from SEVIRI/Meteosat[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(2):307-315. DOI:10.1109/TGRS.2007.905197

[36]
Aires F, Prigent C, Rossow W B, et al. A new neural network approach including first guess for retrieval of atmospheric water vapor, cloud liquid water path, surface temperature, and emissivities over land from satellite microwave observations[J]. Journal of Geophysical Research: Atmosphere, 2001, 106(D14):14887-14907. DOI:10.1029/2001JD900085

[37]
Jiménez C, Prigent C, Ermida S L, et al. Inversion of AMSR-E observations for land surface temperature estimation: 1. Methodology and evaluation with station temperature[J]. Journal of Geophysical Research: Atmosphere, 2017, 122(6):3330-3347. DOI:10.1002/2016JD026144

[38]
Xu S, Cheng J. A new land surface temperature fusion strategy based on cumulative distribution function matching and multiresolution Kalman filtering[J]. Remote Sensing of Environment, 2021,254:112256. DOI:10.1016/j.rse.2020.112256

[39]
ESA CCI. CCI land surface temperature algorithm theoretical basis document, version4.0[R]. Mar, 2023.

[40]
Yang J, Zhang Z Q, Wei C Y, et al. Introducing the new generation of Chinese geostationary weather satellites, Fengyun-4[J]. Bulletin of the American Meteorological Society, 2017, 98(8):1637-1658. DOI:10.1175/BAMS-D-16-0065.1

[41]
Zhang P, Zhu L, Tang S H, et al. General comparison of FY-4A/AGRI with other GEO/LEO instruments and its potential and challenges in non-meteorological applications[J]. Frontiers in Earth Science, 2019,6:224. DOI: 10.3389/feart.2018.00224

[42]
Zhang P, Chen L, Xian D, et al. Update on Fengyun meteorological satellite program and development[J]. Chinese Journal of Space Science, 2020, 40(5):884-897. DOI:10.11728/cjss2020.05.884

[43]
Min M, Wu C Q, Li C, et al. Developing the science product algorithm testbed for Chinese next-generation geostationary meteorological satellites: Fengyun-4 series[J]. Journal of Meteorological Research, 2017, 31(4):708-719. DOI:10.1007/s13351-017-6161-z

[44]
Dong L X, Tang S H, Wang F Z, et al. Inversion and validation of FY-4A official land surface temperature product[J]. Remote Sensing, 2023, 15(9): 2437. DOI:10.3390/rs15092437

[45]
Ulivieri C, Cannizzaro G. Land surface temperature retrievals from satellite measurements[J]. Acta Astronautica, 1985, 12(12):977-985. DOI:10.1016/0094-5765(85)90026-8

[46]
Jarvis A, Reuter H I, Nelson A, et al. Hole-filled seamless SRTM data V4[DB/OL]. International Centre for Tropical Agriculture (CIAT), 2008. https://srtm.csi.cgiar.org

[47]
Friedl M, Sulla-Menashe D. MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500m SIN Grid V061[DB/OL]. NASA EOSDIS Land Processes Distributed Active Archive Center, 2022. https://doi.org/10.5067/MODIS/M CD12Q1.061

[48]
Liu Y B, Yamaguchi Y, Ke C Q. Reducing the discrepancy between ASTER and MODIS land surface temperature products[J]. Sensors, 2007, 7(12):3043-3057. DOI:10.3390/s7123043

PMID

[49]
李娅丽, 汪小钦, 陈芸芝, 等. 福建省地表温度与植被覆盖度的相关性分析[J]. 地球信息科学学报, 2019, 21(3):445-454.

DOI

[Li Y L, Wang X Q, Chen Y Z, et al. The correlation analysis of land surface temperature and fractional vegetation coverage in Fujian province[J]. Journal of Geo-information Science, 2019, 21(3):445-454.] DOI:10.12082/dq xxkx.2019.180316

[50]
Kimes D S. Azimuthal radiometric temperature measurements of wheat canopies[J]. Applied optics, 1981, 20(7):1119-1121. DOI:10.1364/AO.20.001119

PMID

[51]
Lagouarde J P, Kerr Y H, Brunet Y. An experimental study of angular effects on surface temperature for various plant canopies and bare soils[J]. Agricultural and Forest Meteorology, 1995,77(3/4): 167-190. DOI:10.1016/0168-1923(95)02260-5

Options
文章导航

/

〈 〉