Print

出版日期: 2016-3-25
点击次数:
下载次数:
DOI: 10.11834/jrs.20165165
2016 | Volumn 20 | Number 2





                              上一篇|





下一篇


Landsat 8热红外数据定标参数的变化及其对地表温度反演的影响
expand article info 徐涵秋
福州大学 环境与资源学院,遥感信息工程研究所,福建省水土流失遥感监测评价重点实验室,福建 福州 350108

摘要

Landsat系列卫星上的TIRS热红外传感器数据已被大量应用,针对TIRS数据的地表温度反演也相继开发出一些算法,并有一些研究对TIRS数据的定标及其地表温度反演算法的精度进行了对比。本文主要就TIRS热红外传感器定标参数的变化,结合这些定标参数变化的时间点对有关地表温度反演算法的适用性和有效性进行分析,特别是对劈窗算法是否适合当前的TIRS数据进行了讨论,以使用户能够对Landsat 8 TIRS热红外数据的正确使用有进一步的认识。总的看来,由于视域外杂散光的影响,TIRS数据的定标精度仍达不到设计目标,TIRS第11波段的不确定性仍成倍大于TIRS 10波段。因此,在Landsat团队未彻底解决这一问题之前,同时用TIRS第10、第11这两个差距较大的波段构成的劈窗算法来反演地表温度,其精度存在较大的不确定性,US6-S团队仍在致力于改进第11波段的精度,改进后的波段可以用劈窗策法。目前应以TIRS第10单波段的方式来反演地表温度为宜。

关键词

Landsat 8, 热红外数据, 定标, 劈窗算法, 地表温度反演, 交叉对比

Change of Landsat 8 TIRS calibration parameters and its effect on land surface temperature retrieval
expand article info XU Hanqiu
Fujian Provincial Key laboratory of Remote Sensing of soil Erosion, Insitute of Remote Sensing Information Engnineering, College of Environment and Resources, Fuzhou University, Fuzhou 350108, China
Supported by National Science & Technology pillar program (No. 2013 BAC081301-05)

Abstract

The thermal infrared data of the Landsat series satellite are the main data for the monitoring of the Earth’s surface temperature change. The Thermal Infrared Sensor (TIRS) of Landsat 8, a new generation of Landsat series satellites, contributes to this important mission. The TIRS data from Landsat 8 have been widely utilized since its launch on February 11, 2013. Several algorithms for the derivation of land surface temperature (LST) from TIRS data have also been developed successively. Studies on TIRS-data calibration accuracy and the precision of related LST inversion algorithms have been conducted. This paper presents a brief summary of the changes in TIRS-data calibration parameters and analyzes the suitability and effectiveness of current LST inversion algorithms based on the time point between current calibration parameters and LST inversion algorithms. In particular, the paper focuses on the suitability of two recently proposed split-window algorithms for current TIRS data. Users and researchers can therefore acquire further understanding of the algorithms and properly apply them to Landsat 8 TIRS data. In general, owing to the influence of significant stray light coming from outside TIRS’ field of view, the calibration accuracy of TIRS data still cannot meet design goals, and the uncertainty of TIRS band 11 is twice as large as that of TIRS band 10 at this stage. Moreover, the root mean square error of both TIRS band 10 and band 11 is much higher than that of Landsat 7 Enhanced Thematic Mapper Plus (ETM+) band 6. Therefore, before the problem of out-of-field stray light can be completely resolved, employing a split-window algorithm to retrieve LST using both TIRS band 10 and band 11 should be avoided as this may cause a large amount of uncertainty in the results. Users should work with TIRS band 10 data as a single spectral band, similar to Landsat 5 Thematic Mapper (TM) band 6 or Landsat 7 ETM+ band 6, given the large amount of uncertainty in the band 11 values. Users may use the single-channel (SC) algorithm of Jiménez–Muñoz and Sobrino to retrieve LST using TIRS band 10 when the atmospheric water vapor content is less than 3 g/cm2.

Key words

Landsat 8, thermal infrared data, calibration, split-window algorithm, land surface temperature retrieval, cross comparison

1 引 言

遥感卫星的热红外影像是监测地球表面温度变化的主要数据,它为全球气候变化研究提供了重要的数据来源(Kustas和Anderson,2009; Anderson等,2012; Georgescu等,2013)。而在中尺度的热红外对地观测中,Landsat系列卫星一直扮演 着重要的角色。2013年2月11日,美国宇航局(NASA)成功发射了Landsat 8卫星,搭载于其上的独立热红外传感器TIRS(Thermal Infrared Sensor)进一步延续了Landsat对地热红外观测的这一重要使 命(Irons等,2012Roy等,2014)。

Landsat 8发射以来,其TIRS热红外数据已被大量应用,针对TIRS数据的地表温度反演也相继开发出一些算法,其中有采用单波段的单通道算法(Jiménez-Muñozoz等,2014),也有采用双波段的劈窗算法(Rozenstein等,2014; Jiménez-Muñozoz等,2014)。同时,也有一些研究对TIRS数据的定标精度及其地表温度反演算法的精度进行了分析和对比(Barsi等,2014; Yu等,2014宋挺等,2015徐涵秋等,2015a2015b,2016)。但是,由于Landsat 8 TIRS传感器的定标参数自发射以来一直在发生变化(USGS,2015),因此以上针对TIRS热红外数据开发的地表温度反演算法是否适用,针对这些算法精度所作的对比结果是否可靠,还有待进一步求证。鉴于此,本文旨在通过考察Landsat 8 TIRS热红外传感器及其定标参数的变化过程,对比各个重要时间节点的相关研究成果,来讨论这些问题,以便让用户和研究者能够对Landsat 8 TIRS热红外数据的正确使用有进一步的认识。

2 TIRS传感器及其定标参数的变化

Landsat 8 TIRS热红外传感器具有两个热红外波段:第10、第11波段,这明显不同于Landsat 5/7卫星仅有1个热红外波段的TM/ETM+传感器。但是,TIRS热红外传感器及其定标参数自发射以来已经历了数次重要的变化(USGS,2015):

(1)2013年8月22日,Landsat官网首次公布了定标的Landsat 8热红外数据存在偏差,其反演的水面温度会比实测温度高出2 K或更多。

(2)2013年9月16日,Landsat网站公布将对TIRS热红外传感器的第10波段进行偏差校正。

(3)2013年10月25日,Landsat 8网站要求用户将所下载的TIRS 第10波段求出的辐亮度值减去0.32 W/(m2·sr·μm),而TIRS 第11 波段由于误差更大而未能给出修正方案,美国地质调查局(USGS)也因此不鼓励用双波段的劈窗算法来反演地表温度。

(4)2013年11月14日,Landsat 8网站的公告又将TIRS第10波段的调整参数由上述的0.32改为0.29。而对TIRS 第11波段,则要求将所求出的辐亮度值减去0.51 W/(m2·sr·µm)。Landsat团队认为定标偏差起因于TIRS传感器视域外的杂散光(out-of-field stray light)(Barsi等,2014; Montanaro等,2014)。

(5)2014年1月23日,Landsat网站宣布,由于偏差参数调整误差使得2014年1月14日—2014年1月23日获取的TIRS 第10、第11波段热红外波段产生了3%的绝对辐亮度值误差,并出现明显的条带。

(6)2014年1月29日,Landsat网站发布公告 称:由于视域外杂散光导致TIRS热红外影像出现条带和定标参数误差,USGS将于2014年2月3日撤下所有已经上网的Landsat 8数据,在用2013年11月14日发布的定标参数进行重新处理后,再陆续提供给用户下载使用。重新定标处理后会使TIRS 10波段的温度降低2.1 K,第11波段降低4.4 K,但是即便如此,重新处理后的TIRS 10、11波段的均方根差(RMS)仍分别达到0.12 W/cm2和0.2 W/(m2·sr·µm),对应的温度偏差为0.8 K和1.75 K(表 1),大于Landsat 7 ETM+ 热红外数据的0.48 K。这是因为Landsat团队虽然确定了域外杂散光 是造成定标偏差的原因,但仍然未能量化域外杂散光的影响幅度(Barsi等,2014)。由于TIRS 11波段的定标偏差仍较大,因此,TIRS热红外数据虽经重新处理,但USGS还是不鼓励用劈窗算法来反演TIRS的地表温度。

表 1 TIRS定标参数调整及其对温度的影响
Table 1 Current correction parameters and RMS variability

下载CSV 
  修正值/(W/(m2·sr·µm)) RMS/(W/(m2·sr·µm)) 温度修正/K RMS/K
TIRS band 10 -0.29 0.12 -2.1 0.80
TIRS band 11 -0.51 0.20 -4.4 1.75
注:表中的数据为2015-06-26 Landsat 网站的数据。

(7)2014年12月19日,Landsat网站发布公告 称,由于Landsat 8 TIRS传感器A侧的景像选择装置SSM(Scene Select Mechanism)的电子编码器出现异常,因此USGS虽然仍在接收TIRS热红外数据,但却中断了对TIRS数据的处理,对异常期间接收的TIRS影像都以0值充填(zero-fill)。

(8)2015年3月2日,USGS启用了Landsat 8 TIRS传感器B侧的电子编码器,2015年3月13日Landsat 8恢复了热红外数据的正常处理,并对异常期间接收的“0填充”TIR数据也一并进行处理。

(9)2015年5月18日,Landsat的公告称,异常期间接收的“0填充”TIR数据已处理完毕。

(10)2015年10月21日,Landsat公告称,Landsat定标团队曾经试图开发一个针对域外杂散光的算法,以削减其对温度反演的影响,并原定于秋季发布,但最终发现该算法未能达到预期目标。

表 1为当前Landsat 8 TIRS数据的定标精度,即TIRS第10、第11波段定标的RMS仍分别达到0.8 K和1.75 K,明显大于Landsat 7 ETM+第6波段的0.48 K。

由于TIRS第11波段的定标不确定性比10波段大了1倍,且Landsat团队仍在致力于解决视域外杂 散光的量化问题,因此USGS先后多次告诫不要用双波段的劈窗算法来反演地表温度,而是建议采用单波段的方式,用TIRS 10波段来计算地表温度(Barsi等,2014; Montanaro等,2014; USGS,2015)。

3 TIRS传感器的交叉定标

不同传感器之间的交叉定标(cross calibration)是检查传感器定标准确性的重要方法。Landsat 8卫星于2013年2月发射后,在其到达预定轨道的途中,曾在2013年3月29—31日期间和Landsat 7位于同一轨道,从而获得了这两颗卫星在美国西部珍贵的同日过空影像(时间间隔仅2—20 min)。Landsat 7 ETM+由于传感器的定标做得很好(Markham和Helder,2012; Schott等,2012),而被广泛作为不同传感器之间交叉对比的参照标准(Teillet等,2001; Goward等,2003; Chander等,2008),其热红外数据的绝对定标误差小于0.48 K。

Landsat团队对所获得的同步影像进行的最初 交叉对比发现(表 2),Landsat 8 TIRS第10、第11波段与Landsat 7 ETM+第6波段的平均亮温差分别为-1.84°C和-1.94°C(Barsi等,2014)。此后再次对比又发现TIRS第10、第11波段与ETM+第6波段的平均辐亮度值差分别为0.78 W/(m2·sr·µm)和2.78 W/(m2·sr·µm),TIRS 第11波段的偏差明显大于第10波段,但Barsi等人(2014)没有明确说明此次对比采用的是否为2014年2月重新定标后的TIRS数据。

为了验证Landsat 8 TIRS热红外数据经重新定标后的精度,徐涵秋和黄绍霖(2016)[1]同样采用2013年3月29日在美国西部同日过空的3对Landsat 8和Landsat 7热红外影像,对二者进行交叉对比。结果发现,与ETM+ 6波段相比,TIRS 10波段的平均偏差为0.79 K,TIRS 11波段的平均偏差为-2.01 K。这说明,经过重新定标后TIRS第10波段的精度有了明显提高,但TIRS第11波段的定标误差仍成倍高于TIRS 第10波段,如表 2所示。

[1]: 该文献已被录用,拟在《光谱学与光谱分析》2016年第6期发表

表 2 TIRS数据的交叉定标、地表温度反演算法及其对比研究
Table 2 Cross calibrations, land surface temperature retrieval algorithms and related comparison studiesfor Landsat 8 TIRS data

下载CSV 
    作者 投稿年月 发表/在线发表年月 数据源/下载日期 验证数据 精度
算法研究 单通道SC Jiménez-Muñoz等(2014) 2014-02 2014-04 模拟数据 模拟数据 <1.5K(w≤3g/cm2)5K(w>3g/cm2)
劈窗SW-R Rozenstein等(2014) 2014-01 2014-03 模拟数据 模拟数据 0.93(RMSE)
劈窗SW-JM Jiménez-Muñoz等(2014) 2014-02 2014-04 模拟数据 模拟数据 1.5K(NE∆T=0.4K)2.1K(NE∆T=1.5K)
对比研究 交叉对比 Barsi等(2014) 2014-07 2014-11 2014-02前未重新定标的数据 ETM+ TIRS 10均值:-1.84°CTIRS 11均值:-1.94°CTIRS 10均值:0.78
交叉对比 Barsi等(2014) 2014-07 2014-11 未说明是否为2014-02重新定标数据 ETM+ W/(m2·sr·µm)TIRS 11均值:2.85
交叉对比 徐涵秋和黄绍霖(2016) 2015-02 2016-02 2014-02后重新定标数据 ETM+ W/(m2·sr·µm)TIRS 10均值:0.79 KTIRS 11均值:-2.01 K
算法对比 宋挺等(2015) 2014-07 2014-12 未说明是否为2014-02重新定标数据 太湖实测数据 SW-R:0.69 KSW-JM:0.65 KSC:1.35 K
算法对比 徐涵秋等(2015a2015b) 2013-122014-06 2015.42015-03 2014-02后重新定标数据 国家基准气候站实测数据 SW-R:-5.42 KSW-JM:-12.20 KSC10波段:-1.77 KSC11波段:2.23 K
算法对比 Yu等(2014) 2014-04 2014-10 2014-02后重新定标数据 SURF-RAD TIRS 10均值:1.48 KTIRS 11均值:1.75 K
注:w为大气水汽含量;NE∆T为噪音等效温差。

从当前所进行的交叉定标结果来看,经过重新定标后的TIRS数据的定标精度虽有明显的提高,但仍不理想,这在TIRS 第11波段表现得更为明显,它所造成的误差多在1.5 K以上。

4 地表温度反演算法的适用性分析

Landsat 8 TIRS传感器自发射以来所发生的一系列定标变化必然会对其地表温度的反演产生重要影响,而有关地表温度反演算法提出的时间节点也会直接影响这些反演算法的有效性。因此,有必要就当前国际上一些针对Landsat 8 TIRS数据地表温度反演提出的典型算法的适用性进行讨论,这些算法主要有:(1)Jiménez-Muñoz等人(2014)提出的单通道算法(SC);(2)Jiménez-Muñoz等人(2014)提出的劈窗算法(SW-JM);(3)Rozenstein等人(2014)提出的劈窗算法(SW-R)(有关这些算法的具体公式可见相关参考文献)。表 2列出的是这些算法提出的时间节点。

表 2可知,Jiménez-Muñoz等人(2014)Rozenstein等人(2014)几乎是同时提出了针对Landsat 8 TIRS数据的劈窗算法,而前者还同时提出了针对TIRS 第10波段的单通道算法。尽管USGS一再强调由于TIRS 第11波段误差较大,不宜采用劈窗算法来反演地表温度,但Jiménez-Muñoz等人(2014)Rozenstein等人(2014)还是提出了基于TIRS 第10、第11波段的劈窗算法。他们投稿的时间(2014年1—2月)正是USGS公告要进行热红外数据重新处理的时间点。从他们所发表的论文来看,Jiménez-Muñoz等人(2014)应该还是知道Landsat 8 TIRS的定标存在问题,因为其推出的SC算法只提供了针对TIRS 第10波段的大气参数,而没有提供针对TIRS 第11波段的大气参数;但Rozenstein等人(2014)的论文至始至终没有提到TIRS热红外数据存在的定标问题,因此很难判断其算法是适用于USGS重新定标前或重新定标后的数据。

鉴于此,用户如要使用Jiménez-Muñoz等人(2014)Rozenstein等人(2014)的劈窗算法,需要注意以下3个问题:(1)无论是Jiménez-Muñoz等人(2014)Rozenstein等人(2014)建立模型所采用的数据都是模拟Landsat 8 TIR的数据,而不是真正的TIR热红外数据;(2)两篇论文中模型的精度都没有经过实测数据验证,而是借助其他模型的数据进行验证,尽管Jiménez-Muñoz等人(2014)也指出其模型需经广泛的实测数据验证;(3)两篇论文都没有述及他们的算法对定标存在不确定性的TIRS热红外数据的适应问题,所以无法判定这些算法是适用于USGS重新定标前或重新定标后的数据。因此,用户在选择Jiménez-Muñoz等人(2014)Rozenstein等人(2014)的劈窗算法来反演地表温度时,应该慎重考虑这些问题。

5 地表温度反演算法对比分析

表 2中同时列出了近期对上述算法进行精度对比的几项研究。宋挺等人(2015)基于太湖浮标站水深0.4 m的实测水温数据,对以上两种劈窗算法和SC单通道算法进行了比较。徐涵秋等人(2015a2015b)根据福州国家气候基准站的实测地表温度数据,同样对比了以上3种算法。Yu等人(2014)根据美国海洋和大气局(NOAA)的SURFRAD(Surface Radiation budget network)场地数据对比了SC单通道算法。

宋挺等人(2015)的对比结果来看,在他们所选用的两个日期里,SW-JM劈窗算法的绝对误差分别为0.62 K和0.68K,两日平均误差为0.65 K,明显好于模型创建者Jiménez-Muñoz等人(2014)的2.1 K; 宋挺等人SW-R劈窗算法的绝对误差分别为0.59 K和0.79K,根据作者原文中的表 5表 6的数据换算为RMSE,则为0.925,和Rozenstein等人(2014)的模型误差几乎一致。宋挺等人(2015)对比的单通道SC算法的两日平均绝对误差为1.35 K,也好于创建者的模型精度。而徐涵秋等人(2015a2015b)的对比结果却显示,无论是Rozenstein等人(2014)或是Jiménez-Muñoz等人(2014)的劈窗算法的精度都不高。在徐涵秋等人(2015a2015b)选用的两个日期2013-08-04和2015-04-04里,SW-R的误差分别为-5.75 K和-5.09 K,两日平均误差为-5.42 K; SW-JM的误差分别为-13.61 K和-10.78 K,两日平均误差为-12.2 K。对于单通道SC算法,TIRS 第10波段的误差分别为-2.77 K和-0.77 K,两日平均误差为-1.77 K;TIRS 第11波段的误差分别为3.23 K和1.23 K,两日平均误差为2.23 K。

Yu等人(2014)对比SC算法的结果表明,TIRS 第10波段的绝对平均误差为1.48 K,TIRS 第11波段为1.75 K。

从以上对比研究结果来看,宋挺等人(2015)的对比结果精度最高,明显好于徐涵秋等人(2015a2015b)和Yu等人(2014)的精度,其劈窗算法的精度甚至好于或等于模型创建者的精度,也好于交叉对比的精度(表 2)以及USGS的定标预测精度(表 1)。但是,宋挺等人(2015)的地表温度反演及其对比结果可能存在不确定性:(1)所使用的Landsat 8 TIRS数据是USGS重新定标修正后的数据还是修正前的数据,修正前后的温度反演结果会相差2—4 K(表 1);(2)所用的两个日期的大气水汽含量是多少,这关系到对比结果的准确性,特别是SW-JM和SC算法的准确性;(3)文中式(1)(8)的表达式和其中的有些参数与Jiménez-Muñoz等人(2014)有明显出入,式(9)也未能根据Jiménez-Muñoz等人(2009)的建议采用Plank函数来计算亮温。

徐涵秋等人(2015a2015b)采用的Landsat 8数据是USGS于2014年2月重新定标处理后的数据。从他们对比的结果来看,SW-R的平均误差为-5.42 K,SW-JM的平均误差甚至超过10 K,说明Rozenstein等人(2014)Jiménez-Muñoz等人(2009)的劈窗算法可能不适用于USGS重新定标处理后的TIRS数据。相比而言,单通道SC算法的误差较低,TIRS 第10波段为平均低估-1.77 K,TIRS 第11波段为平均高估2.23 K。TIRS 11波段的误差大于TIRS 10波段也反映了USGS所指出的TIRS第11波段定标精度逊于TIRS第10波段。

Jiménez-Muñoz等人(2014)指出,因为单通道SC算法所选用的大气参数只有大气水汽含量这一项,因此当大气水汽含量大于3 g/cm2时,SC算法的精度会受到明显影响。从徐涵秋等(2015a2015b)采用的影像来看,其中一天(2013-08-04)的大气水汽含量大于3 g/cm2,达4.18 g/cm2,尽管采用了当天的大气透过率τ、大气上行辐射强度L和下行辐射强度L来计算ψ,但过高的大气水汽含量还是对地表温度的反演造成了偏差(达到-2.77 K)。而另一天(2015-04-04)的大气水汽含量为2.86 g/cm2,小于3 g/cm2,因此SC算法的精度得到明显提高,TIRS 第10波段的误差降到0.77 K。这表明在大气水汽含量小于3 g/cm2时,采用SC算法反演TIRS 10波段的地表温度有望获得较高的精度。而对SW-JM劈窗算法而言,大气水汽含量的降低也使误差有所降低,但仍高达-10.78K。显然,影响SW-JM算法精度的最主要因素并不是大气水汽含量,而是该劈窗算法使用了定标精度不高的TIRS 11波段。Jiménez-Muñoz等人(2014)提出的单通道算法(SC)的精度之所以好于劈窗算法(SW-JM)的精度,是由于SC算法没有采用定标误差较大的TIRS 11波段。

Yu等人(2014)采用的是2014年2月重新定标处理后的Landsat 8数据,从他们对SC算法的对比结果来看,TIRS 第11波段的误差也高于TIRS 第10波段。但是可能因为所用的影像较多,所以Yu等人(2014)没有说明各影像日期的大气水汽含量。

6 结 论

Landsat 8发射2年多来,由于受到TIRS传感器视域外杂散光的困扰,Landsat团队一直在对TIRS热红外数据的定标参数进行修正。但目前看来这一问题仍未彻底解决,主要原因是无法准确定量杂散光的影响程度。因此,虽然USGS已采用了最新的定标参数对Landsat 8影像进行重新处理,但TIRS热红外数据定标参数的不确定性还是超出了设计要求,TIRS 第10、第11波段的RMS仍达到了0.8 K和1.75 K,明显大于Landsat 7 ETM+ 第6波段的0.48 K。Barsi等人(2014)指出:现有的定标参数可能更适合于北半球夏季的影像,并已意识到用一个固定的值来对不同季相的影像进行修正,可能会造成有些影像的过度修正。徐涵秋和黄绍霖(2016)也指出了这一“矫枉过正”的现象。由于TIRS 11波段的定标不确定性仍较大,因此USGS不断告诫用户不要企图使用劈窗算法来反演地表温度。

通过与Landsat 7 ETM+同步影像的交叉对比也表明,Landsat 8 TIRS数据虽经重新定标修正,但TIRS 第11波段与ETM+ 第6波段的偏差仍较明显,都大于1.5 K,远远无法满足定标精度要求。Barsi等人(2014)指出,TIRS 第10、第11波段与ETM+ 第6波段的偏差不宜超过±0.5 K,在极端情况下也不应超过±1 K。Coll等人(2010)也指出,在定标参数准确的前提下,不同热红外波段反演的地表温度精度应该是一致的。因此,当前TIRS 第11波段的定标偏差成倍大于TIRS 第10波段的情况,只能说明TIRS热红外数据的定标仍处于不稳定阶段。在这种情况下,基于定标精度有明显差距的TIRS 第10、第11波段提出的劈窗算法(SW-R和SW-JM)就难于获得理想的精度。而单通道SC算法由于只使用了定标精度较高的TIRS 第10波段来单独反演地表温度,因此其精度明显好于劈窗算法,偏差多在1.5—2.0 K左右,在大气水汽含量低于3 g/cm2时,甚至可获得误差小于1 K的精度。

综上,在TIRS传感器视域外杂散光的问题没有得到有效解决的情况下,以及TIRS 第11波段定标的不稳定性仍成倍大于TIRS 第10波段的前提下,采用这两个波段构建的劈窗算法来反演地表温度的时机可能还不成熟,因此,在TIRS第10、11波段的定标精度问题未得到解决之前,还是以单波段来反演TIRS的地表温度为宜。当大气水汽含量不高时,可尝试采用Jiménez-Muñoz等人(2014)的单通道SC算法,通过反演TIRS 第10波段来求算地表温度。

参考文献

    
  • Anderson M C, Allen R G, Morse A and Kustas W P. 2012. Use of Landsat thermal imagery in monitoring evapotranspiration and managing water resources. Remote Sensing of Environment, 122: 50-65 [DOI: 10.1016/j.rse.2011.08.025]
  • Barsi J A, Schott J R, Hook S J and Raqueno N G, Markham B L, Radocinski R G. 2014. Landsat-8 Thermal Infrared Sensor (TIRS) vicarious radiometric calibration. Remote Sensing, 6(11): 11607-11626 [DOI: 10.3390/rs61111607]
  • Chander G, Coan M J and Scaramuzza P L. 2008. Evaluation and comparison of the IRS-P6 and the Landsat sensors. IEEE Transactions on Geoscience and Remote Sensing, 46(1): 209-221 [DOI: 10.1109/TGRS.2007.907426]
  • Coll C, Galve J M, Sánchez J M and Caselles V. 2010. Validation of Landsat 7/ETM+ thermal band calibration and atmospheric correction with ground-based measurements. IEEE Transactions on Geoscience and Remote Sensing, 48(1): 547-555 [DOI: 10.1109/TGRS.2009.2024934]
  • Georgescu M, Moustaoui M, Mahalov A and Dudhia J. 2013. Summer-time climate impacts of projected megapolitan expansion in Arizona. Nature Climate Change, 3(1): 37-41 [DOI: 10.1038/nclimate1656]
  • Goward S N, Davis P E, Fleming D, Miller L and Townshend J R. 2003. Empirical comparison of Landsat 7 and IKONOS multispectral measurements for selected Earth Observation System (EOS) validation sites. Remote Sensing of Environment, 88(1/2): 80-99 [DOI: 10.1016/j.rse.2003.07.009]
  • Irons J R, Dwyer J L and Barsi J A. 2012. The next Landsat satellite: the Landsat data continuity mission. Remote Sensing Environment, 122: 11-21 [DOI: 10.1016/j.rse.2011.08.026]
  • Jiménez-Muñoz J C, Sobrino C J , Soria J A, Soria G, Ninyerola M and Pons X. 2009. Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data. IEEE Transactions on Geoscience and Remote Sensing, 47(1): 339-349 [DOI: 10.1109/TGRS.2008.2007125]
  • Jiménez-Muñoz J C, Sobrino J A, Skokovi’c D, Mattar C and Cristobal J. 2014. Land surface temperature retrieval methods from landsat-8 thermal infrared sensor data. IEEE Geoscience and Remote Sensing Letters, 11(10): 1840-1843 [DOI: 10.1109/LGRS.2014.2312032]
  • Kustas W and Anderson M. 2009. Advances in thermal infrared remote sensing for land surface modeling. Agricultural and Forest Meteorology, 149(12): 2071-2081 [DOI: 10.1016/j.agrformet.2009.05.016]
  • Markham B L and Helder D L. 2012. Forty-year calibrated record of earth-reflected radiance from Landsat: a review. Remote Sensing of Environment, 122: 30-40 [DOI: 10.1016/j.rse.2011.06.026]
  • Montanaro M, Gerace A, Lunsford A and Reuter D. 2014. Stray light artifacts in imagery from the Landsat 8 Thermal Infrared Sensor. Remote Sensing, 6(11): 10435-10456 [DOI: 10.3390/rs61110435]
  • Roy D P, Wulder M A, Loveland T R, Woodcock C E, Allene R G, Anderson M C, Helderg D, Ironsh J R, Johnsoni D M, Kennedyd R, Scambosj T A, Schaafk C B, Schottl J R, Shengm Y, Vermoten E F, Belwardo A S, Bindschadlerp R, Cohenq W B, Gaor F, Hipples J D, Hostertt P, Huntingtonu J, Justicev C O, Kilicw A, Kovalskyya V, Leek Z P, Lymburnerx L, Maseky J G, McCorkely J, Shuaiz Y, Trezzae R, Vogelmannc J, Wynneaa R H and Zhud Z. 2014. Landsat-8: science and product vision for terrestrial global change research. Remote Sensing of Environment, 145: 154-172 [DOI: 10.1016/j.rse.2014.02.001]
  • Rozenstein O, Qin Z H, Derimian Y and Karnieli A. 2014. Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm. Sensors, 14(4): 5768-5780 [DOI: 10.3390/s140405768]
  • Schott J R, Hook S J, Barsi J A, Markham B L, Miller J, Padula F P and Raqueno N G. 2012. Thermal infrared radiometric calibration of the entire Landsat 4, 5, and 7 archive (1982-2010). Remote Sensing of Environment, 122: 41-49 [DOI: 10.1016/j.rse.2011.07.022]
  • Song T, Duan Z, Liu J Z, Shi J Z, Yan F, Sheng S J, Huang J and Wu W. 2015. Comparison of four algorithms to retrieve land surface temperature using Landsat 8 satellite. Journal of Remote Sensing, 19(3): 451-464 (宋挺, 段峥, 刘军志, 石浚哲, 严飞, 盛世杰, 黄君, 吴蔚. 2015. Landsat 8数据地表温度反演算法对比. 遥感学报, 19(3): 451-464)[DOI: 10.11834/jrs.20154180]
  • Teillet P M, Barker J L, Markham B L, Irish R R, Fedosejevs G and Storey J C. 2001. Radiometric cross-calibration of the Landsat-7 ETM+ and Landsat-5 TM sensors based on tandem data sets. Remote Sensing of Environment, 78(1/2): 39-54 [DOI: 10.1016/S0034-4257(01)00248-6].
  • USGS. 2015. Landsat 8 Data[EB/OL]. [2015-07-29]. http://landsat.usgs.gov.
  • Xu H Q. 2015. Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite. Chinese Journal Geophysics, 58(3): 741-747 (徐涵秋. 新型Landsat8卫星影像的反射率和地表温度反演. 地球物理学报, 2015, 58(3): 741-747)[DOI: 10.6038/cjg20150304]
  • Xu H Q, Lin Z L and Pan W H. 2015. Some issues in land surface temperature retrieval of Landsat thermal data with the Single-Channel Algorithm. Geomatics and Information Science of Wuhan University, 40(4): 487-492 (徐涵秋, 林中立, 潘卫华. 2015. 单通道算法地表温度反演的若干问题讨论–以Landsat系列数据为例. 武汉大学学报(信息科学版), 40(4): 487-492)[DOI: 10.13203/j.whugis20130733]
  • Yu X L, Guo X L and Wu Z C. 2014. Land surface temperature retrieval from Landsat 8 TIRS—comparison between Radiative transfer equation-based method, split window algorithm and single channel method. Remote Sensing, 6(10): 9829-9852 [DOI: 10.3390/rs6109829]