Print

出版日期: 2016-05-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20165230
2016 | Volumn20 | Number 3





                              上一篇|





下一篇
技术方法
基于ASTER GED产品的地表发射率估算
expand article info 孟翔晨1,2 , 历华2 , 杜永明2 , 曹彪2 , 柳钦火2,3 , 孙林1 , 朱金山1
1. 山东科技大学 测绘科学与工程学院, 山东 青岛 266590;
2. 中国科学院遥感与数字地球研究所 遥感科学国家重点实验室, 北京 100101;
3. 全球变化研究协同创新中心, 北京 100875
收稿日期: 2015-09-30; 修改日期: 2016-01-21; 优先数字出版日期: 2016-05-25
基金项目: 国家自然科学基金(编号:41571357,41571359,41501366);国家高技术研究发展计划(863计划)(编号:2013AA12A304);高分四号卫星应用共性关键技术项目(编号:30-Y20A02-9003-15116)
第一作者简介: 孟翔晨(1990-),男,硕士,现从事热红外地表温度反演的理论和应用研究。E-mail:xiangchenmeng@yeah.net
通讯作者简介: 历华(1982-),男,博士,副研究员,现从事热红外辐射传输建模、地表温度与发射率的遥感反演及验证。E-mail:lihua@radi.ac.cn
中图分类号: TP79
文献标识码: A
文章编号: 1007-4619(2016)03-0382-15

摘要

地表发射率是地表温度反演的重要输入参数,为了解决现有地表发射率估算方法在裸露地表精度较差的问题,本文基于最新的ASTER全球地表发射率产品(ASTER GED)和基于植被覆盖度的方法(VCM),提出了一个改进的地表发射率估算方法。首先,利用ASTER GED产品求解裸土发射率,然后,利用ASTER波谱库中的植被发射率和植被覆盖度结合VCM方法计算地表发射率。利用张掖地区2012年11景ASTER TES算法反演的地表发射率产品和实测地表发射率数据进行了验证,同时利用一景Landsat 8 TIRS数据分析了对地表温度反演精度的影响。结果表明该方法估算的地表发射率整体精度较高,可以有效改进裸露地表的发射率估算精度,用于支持利用多种热红外传感器数据生产高精度的地表温度产品。

关键词

ASTER GED , 地表温度 , 地表发射率 , 植被覆盖度 , 温度发射率分离

Estimating land surface emissivity from ASTER GED products
expand article info MENG Xiangchen1,2 , LI Hua2 , DU Yongming2 , CAO Biao2 , LIU Qinhuo2,3 , SUN Lin1 , ZHU Jinshan1
1.College of Geomatics, Shandong University of Science and Technology, Qingdao 266590, China;
2.State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China;
3.Joint Center for Global Change Studies (JCGCS), Beijing 100875, China

Abstract

Land Surface Emissivity (LSE) is a key parameter for determining land surface temperature because it depends on the features of the surface composition, is related to surface roughness, dielectric constant, and water content, and changes with vegetation fraction. Auxiliary data are used to calculate emissivity through single-channel algorithms, e.g., classification-based, NDVI threshold, and vegetation cover methods. However, these techniques present several limitations. For example, the classification-based method LSE is insensitive to land cover change on barren surfaces.Moreover, MODIS C5 LST products underestimate LST in an arid area of Northwest China because of the over estimate of LSE. Therefore, the precision of land surface emissivity in arid and semi-arid areas must be improved before the retrieval of land surface temperature. In this study, we developed a method for improving the accuracy of land surface emissivity for barren surface by using the latest ASTER Global Emissivity Database (GED) and Vegetation Cover Method (VCM). ASTER GED was used to determine bare soil emissivity. The spectra of soil in ASTER spectral library were selected to fill small gaps of bare soil emissivity according to different land cover types. The vegetation emissivity of ASTER spectral library and Fractional Vegetation Cover (FVC) product were used in VCM method estimate land surface emissivity. This method can not only maintain the high precision of ASTER GED for barren surface but can also effectively characterize seasonal characteristics of vegetation emissivity over time; hence, the proposed technique an provide reliable input data for retrieval of land surface temperature. This method was evaluated with 11 scenes of ASTER land surface emissivity products of Zhangye region in 2012 and in situe missivity measurements. Results show that the biases of bands 10-12 are within 0.015 and RMSEs are less than 0.03.The biases of bands 13 and 14 are less than 0.005 and RMSEs are less than 0.01 compared with those in ASTER LSE products. The retrieved emissivity is close to the in situ measured emissivity with minor errors. One scene of Landsat 8 TIRS data was also used to analyze the influence of the proposed method on the accuracy of land surface temperature retrieval. The results show that the method can obtain more reasonable and accurate land surface emissivity than NDVI threshold method, especially for barren surface. Hence, the method can be used to produce high-precision land surface temperature products for other thermal infrared sensors, e.g., Landsat 8 TIRS, HJ-1B IRS, and FY-3 MERSI. In this study, an improved method for estimating land surface emissivity from ASTER GED products and VCM was proposed to improve the accuracy of land surface emissivity for barren surfaces. This method was evaluated with ASTER LSE products and in situ emissivity measurements. One scene of Landsat 8 TIRS data was also used to analyze the influence of this method on the accuracy of land surface temperature retrieval. The results in Zhangye city show that the proposed method can obtain reasonable and accurate land surface emissivity. However, further analysis is required for other areas. Although ASTER GED is relatively stable on bare surfaces, Hulley et al. (2010) indicated that the soil moisture at 11 and 12 micron can increase LSE by up to 0.03 times. In this regard, the effects of soil moisture on land surface emissivity must be considered in future research.

Key words

ASTER GED , land surface termpera ture , land surface emissivity , fractional vegetation cover , temperature emissivity separation

1 引 言

地表发射率是地表物质的固有物理特性之一，不仅与地物组成成分有关，也与地表粗糙度、含水量等有关，而且会随着地表类型和地表覆盖的变化而变化(Gillespie等，1998)。地表发射率是地表温度反演中的一个重要输入参数，在地表温度反演中，对于温度为300 k左右的常温地表，0.01的发射率误差会导致地表温度1 K以上的反演误差(Becker，1987)。因此，地表发射率的研究对地表温度反演尤为重要。目前常用的遥感地表发射率反演算法可简单分为两类：第一类是直接反演的多波段方法，利用多个热红外波段数据进行温度和发射率同步反演，例如ASTER的温度发射率分离算法(TES)(Gillespie等，1998)、 Becker和Li(1990)提出的与温度无关的光谱指数(TISI)方法以及双温法(TTM)(Watson，1992)等；第二类是利用辅助数据来间接计算，常用的有NDVI阈值法(Sobrino和Raissouni，2000)、基于植被覆盖度的方法VCM(Vegetation Cover Method)(Valor和Caselles，1996)和分类赋值法(Snyder等，1998)。第一类方法需要在8- 12 μm至少有3个以上的波段(Sobrino和Jiménez-Muoz，2014)，而大多数星载热红外传感器无法满足，因此第二类算法在目前的地表温度反演中被广泛应用，例如MODIS 1 km地表温度产品采用IGBP分类赋值方法获得地表发射率；Jiménez-Muoz等人(2009)利用普适性单通道算法结合简化的植被覆盖指数NDVI阈值法从LANDSAT TM/ETM+热红外数据中反演地表温度；Coll等人(2012)利用VCM方法生产AATSR的地表发射率产品。但是已有研究表明第二类方法在裸露地表误差较大，例如Guillevic等人(2014)发现MODIS 5版地表温度产品在裸露地表存在明显低估，其中一个重要原因就是高估了裸露地表的发射率；Hulley等人(2014)发现利用分类赋值法计算的地表发射率不能有效地随着地表类型发生变化；Li等人(2014)指出MODIS C5地表温度产品在中国西北干旱地区高估了裸露地表的发射率而导致地表温度被低估。因此，为了提高地表温度反演精度，必须对这类方法进行改进，以提高裸露地表的发射率估算精度。

ASTER Global Emissivity Dataset(GED)是由美国国家航空航天局(NASA)2014年发布的全球地表发射率数据集(Hulley和Hook，2009)。该数据集利用2000年- 2008年全球所有ASTER数据生产，采用1°×1°分幅，包括100 m和1 km两种空间分辨率的产品。产品包括了ASTER 5个热红外波段发射率的平均值和标准偏差，地表温度的平均值和标准偏差，全球DEM，水体掩膜，归一化植被指数(NDVI)的平均值和标准偏差，经纬度和观测次数。NDVI是利用ASTER可见光近红外波段的大气层顶表观反射率计算得到，未经过大气校正。ASTER GED采用ASTER TES算法反演得到，为了提高精度，其大气校正采用了Water Vapor Scaling(WVS)大气校正方法，并采用了同步的MOD07大气廓线产品和最新的大气辐射传输模型MODTRAN5.2。Hulley等人(2009)利用实验室测量的沙漠发射率波谱对裸露地表的ASTER GED进行了验证，结果表明美国九个沙漠验证点的5个热红外波段的平均发射率误差都在0.016之内，表明ASTER GED在裸露地表精度较高，可以用于改进现有干旱半干旱地区的地表发射率估算方法，进而提高地表温度反演精度。Jiang等人(2015)在裸露地表利用ASTER GED进行FY-3B/VIRR地表温度反演，发现ASTER GED可以比分类赋值法取得更高的反演精度，表明ASTER GED在裸露地表的精度较高，可作为地表温度反演的输入参数。在植被覆盖区，植被发射率有着季节性变化，而ASTER GED的发射率是多年平均值，不能表征植被覆盖区发射率的季节性差异，需要对植被覆盖区的发射率进行修正。因此，本文的研究目标是基于ASTER GED产品和目前常用的VCM方法，提出一个改进的地表发射率估算方法。在干旱半干旱地区，裸土发射率较为稳定，可以认为裸土发射率不随时间发生变化。而土壤水分对于发射率的影响较为复杂(Mira等，2010；Wang等，2015)，从简单实用的角度考虑，本文裸土发射率的计算不考虑土壤水分的影响。首先假设每一个ASTER GED像元可以分为裸土背景和植被两部分，根据两者比例求解裸土发射率，然后结合ASTER波谱库的植被发射率和植被覆盖度产品对植被覆盖区的发射率进行修正。基于此方法可进一步为其他热红外传感器，例如HJ-1B IRS，Landsat TIRS以及FY3 MERSI等提供更精确的地表发射率产品，以生产高精度的地表温度产品。同时，本文选取甘肃省张掖市作为研究区对结果进行验证，一方面验证改进的地表发射率估算方法在干旱半干旱地区的精度，另一方面验证ASTER GED产品在裸露地表的稳定性。

2 方法介绍

2.1 VCM方法

根据Caselles和Sobrino(1989)提出的几何模型，异质性粗糙地表的有效发射率可以定义为裸土发射率和植被发射率的加权组合，如果考虑自然表面内部反射和几何分布所引起的发射率比例，结合Valor和Caselles(1996)提出的基于植被覆盖度(VCM)的方法，自然地表的有效发射率可表示为

$\varepsilon = {\varepsilon _{\rm{v}}}{P_{\rm{v}}} + {\varepsilon _{\rm{s}}}(1 - {P_{\rm{v}}})+ d\varepsilon $ (1)

式中，εv是植被发射率，εs是裸土发射率，Pv是植被覆盖度，可以利用NDVI计算得到；而dε则根据不同地表覆盖类型分别计算，主要与植被高度，植被之间距离以及植被覆盖度等有关，由于dε计算公式较为复杂，本文采用Valor和Caselles(1996)提供的简化公式，那么像元尺度的有效发射率可表示为：

$ \varepsilon = {\varepsilon _{\rm{v}}}{P_{\rm{v}}} + {\varepsilon _{\rm{s}}}(1 - {P_{\rm{v}}})+ 4\left\langle {d\varepsilon } \right\rangle {P_{\rm{v}}}\left({1 - {P_{\rm{v}}}} \right)$ ((2))

式中，$ \langle d\varepsilon \rangle $，为根据不同植被的高度以及它们之间的距离合理取值来计算得到平均值(Peres和DaCamara，2005)。

由于植被在热红外波段的发射率比较稳定，可以直接利用波谱库中的植被发射率波谱进行计算，因此利用上式计算地表发射率的关键输入参数为εs。现有方法大多采用ASTER波谱库(Baldridge等，2009)中土壤的发射率波谱来进行代替，但由于裸露地表的发射率随着空间的变化波动较大，采用波谱库的平均值会带来较大误差(Jiang等，2015)。因此，为了提高裸露地表的发射率精度，本文采用ASTER GED产品来求解裸土发射率εs，以提高地表发射率的估算精度。具体流程包括两部分：第一是利用ASTER GED求解裸土发射率，第二是对求解的裸土发射率进行空缺填补。另外，为了支持本方法在多种热红外传感器的适用性，得到ASTER 5个窄通道的裸土发射率之后，可以利用窄通道的发射率组合来计算波长范围接近的其他热红外传感器的裸土发射率，以支持地表温度反演(Tang等，2008；Jiang等，2015)。

2.2 利用ASTER GED求解裸土发射率

基于VCM方法，不考虑地形和植被结构的影响，假设每一个ASTER GED像元可以分为植被和裸土背景两个部分的加权组合(Jiménez-Muoz等，2009)，那么像元发射率可表示为

$ {\varepsilon _{\rm{A}}} = {\varepsilon _{\rm{v}}}{P_{\rm{v}}} + {\varepsilon _{\rm{s}}}(1 - {P_{\rm{v}}})$ ((3))

式中εA，εv，εs和分别为ASTER GED每个像元的发射率，这个像元对应的植被发射率和裸土发射率；Pv为ASTER GED每个像元的植被覆盖度。裸土发射率可以直接利用上式求出(Hulley等，2015)：

$ {\varepsilon _{\rm{s}}} = \left({{\varepsilon _{\rm{A}}} - {\varepsilon _{\rm{v}}}{P_{\rm{v}}}} \right)\left({1 - {P_{\rm{v}}}} \right)$ ((4))

εv利用ASTER波谱库中的植被发射率波谱，结合ASTER光谱响应函数分别计算各通道的发射率，取其平均值作为该通道的植被发射率。ASTER波谱库中有3种绿色植被的发射率波谱，分别是针叶林、阔叶林和草地，本文最终选择3种发射率波谱的均值作为各通道的植被发射率(Caselles等，2012)，计算结果如表 1所示。Pv利用ASTER GED中的多年平均NDVI数据NDVIA计算得到(Gutman和Ignatov，1998)。

表 1 不同植被类型的ASTER 5通道的植被发射率
Table 1 Vegetation emissivity of the five bands of ASTER for different vegetation types

下载CSV 
植被类型 波段10 波段11 波段12 波段13 波段14
针叶林 0.992 0.990 0.990 0.989 0.990
阔叶林 0.980 0.977 0.978 0.974 0.973
草地 0.989 0.983 0.968 0.981 0.986
平均值 0.987 0.983 0.979 0.981 0.983
标准差 0.006 0.007 0.011 0.008 0.009
$ {P_v} = 1 - {\rm{ }}\left({{\rm{NDV}}{{\rm{I}}_{\max }} - {\rm{NDV}}{{\rm{I}}_A}} \right)\left({{\rm{NDV}}{{\rm{I}}_{\max }} - {\rm{NDV}}{{\rm{I}}_{\min }}} \right)$ ((5))

式中，NDVImax是影像植被全覆盖时的NDVI值，NDVImin是影像裸土背景的NDVI值，NDVImax和NDVImin根据每幅1°×1°的分幅影像直方图选取95%和5%置信区间来获得。当NDVI小于NDVImin时，植被覆盖度为0，裸土发射率直接使用ASTER GED的像元发射率；NDVI大于NDVImax时，植被覆盖度为1，发射率直接采用植被发射率赋值。根据统计结果，当植被覆盖度大于0.6时，部分裸土发射率的计算结果过低，这部分异常值则利用表 2数据进行替换，由上述公式计算得到的本文试验区ASTER 13、14通道的裸土发射率如图 1所示。

表 2 各种地表类型的裸土发射率均值及标准差
Table 2 Mean values and standard deviations of bare soil emissivity for different surface types

下载CSV 
地表类型 波谱类型 波段10 波段11 波段12 波段13 波段14
均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差
森林 淋溶土、灰土 0.912 0.056 0.921 0.045 0.915 0.047 0.968 0.004 0.969 0.003
灌木 旱成土 0.940 0.026 0.947 0.026 0.948 0.028 0.970 0.008 0.970 0.006
草地 旱成土 0.940 0.026 0.947 0.026 0.948 0.028 0.970 0.008 0.970 0.006
苔原 旱成土 0.940 0.026 0.947 0.026 0.948 0.028 0.970 0.008 0.970 0.006
湿地 水体、草 0.986 0.005 0.987 0.004 0.986 0.008 0.992 0.004 0.990 0.004
农田 软土 0.950 0.027 0.954 0.020 0.949 0.021 0.973 0.003 0.973 0.003
建筑 沥青、混凝土 0.922 0.030 0.928 0.032 0.919 0.042 0.954 0.016 0.953 0.013
荒地 岩石、沙地、旱成土、始成土 0.884 0.085 0.918 0.073 0.900 0.091 0.956 0.030 0.963 0.024
冰雪 冰、雪 0.986 0.008 0.986 0.008 0.987 0.007 0.993 0.003 0.984 0.009
水体 水体 0.983 0 0.984 0 0.985 0 0.993 0.002 0.991 0.004


图 1 张掖试验区ASTER 13通道裸土发射率与14通道裸土发射率空间分布图
Fig. 1 Spatial distribution of bare soil emissivity for ASTER channel 13 and channel 14 in Zhangye region

2.3 裸土发射率的填补

ASTER GED是利用全球多年晴空数据拼接得到，部分地区由于没有有效的晴空数据覆盖而存在空缺，因此在使用ASTER GED进行全球产品生产时需要对这部分数据进行填补。本文利用全球地表覆盖数据(GlobalLand30)结合ASTER和MODIS UCSB波谱库(Snyder等，1997)的发射率波谱对缺失部分进行填补。GlobalLand30是利用美国Landsat系列卫星影像和中国环境减灾卫星(HJ-1)影像数据，采用基于像素分类-对象提取-知识检核的综合方法提取而成的30 m分辨率的全球分类数据。数据包括耕地、森林、草地、灌木、湿地、水体、苔原、人造覆盖、裸地、冰川和永久积雪10个一级地表覆盖类型，没有进行二级类型提取(陈军等，2014)。初步精度评估表明全球地表覆盖数据总体精度达到80%以上，误判率低于10%，高于其他全球覆盖产品，可以为本研究提供精确的分类数据。裸土发射率填补的具体过程如下：

利用ASTER和MODIS UCSB波谱库的数据，结合ASTER 5个波段的光谱响应函数计算每一类地表类型的裸土发射率，取其平均值作为每一类的裸土发射率。ASTER波谱库提供的是各种地物的方向半球反射率，根据基尔霍夫定律将方向半球反射率直接转换为发射率。对于每一类地表类型的裸土发射率，通过混合不同土壤类别的发射率波谱得到(历华，2010)。表 2列出了每种地表类型采用的发射率波谱类型，并给出了计算得到的各种地表类型裸土发射率的平均值和标准差。由于森林波谱库中的部分样本的发射率过低，导致森林分类统计结果的标准差较大；而不同岩石波谱数据之间的差别较大(Caselles等，2012)，导致荒地整个分类结果的标准差较大。空值部分占全球比例约为4%，主要集中在高纬地区，得到各类别裸土发射率之后，将空值部分用给定的裸土发射率替代，得到填补后的裸土发射率。

3 试验区和数据介绍

3.1 研究区域

为了对上述提出的地表发射率估算方法在干旱半干旱地区的精度进行验证，本文选取甘肃省张掖市盈科实验站为研究区。该地区为大陆性气候，气候干燥，降水稀少，年降水量50—200 mm，海拔高度为1300—1700 m，研究区主要地表类型为绿洲农田、城镇、荒漠和沙漠。神沙窝沙漠(SSW)和农田超级站(CJZ)为实测发射率验证站点(如图 2所示，影像来源于2012年7月10日的ASTER可见光影像)


图 2 研究区分布及验证站点分布情况
Fig. 2 Spatial distribution and ground photographs of the two sites in this study

3.2 数据源

本文使用的数据有研究区100 m的ASTER GED产品，2012年黑河生态水文遥感试验(HiWATER)(Li等，2013)中游试验获取的11景ASTER L1B数据以及利用该数据反演的地表温度与地表发射率产品，同时具有地面实测发射率数据。此外，利用2013年7月5日的一景Landsat 8数据分析本文提出的地表发射率计算方法对地表温度反演精度的影响。

3.2.1 ASTER L1B数据

2012年黑河生态水文遥感试验(HiWATER)获取的11景ASTER L1B影像(日本欧空局)，日期为2012年5月30日至2012年9月19日。11景ASTER影像覆盖范围均为中游人工绿洲生态水文试验区以及周边沙漠、荒漠，卫星过境的北京时间均在12:15左右。产品包括3个15 m空间分辨率的可见光和近红外波段，以及5个90 m空间分辨率的热红外波段。可见光和近红外波段用来计算植被覆盖度，热红外波段用来反演地表温度和地表发射率产品。

3.2.2 ASTER地表温度和地表发射率数据

ASTER地表温度和地表发射率数据是利用过境时间一致的MOD07大气廓线产品结合大气辐射传输模型MODTRAN 5.2对ASTER L1B数据进行大气校正，采用Water Vapor Scaling(WVS)大气校正方法和ASTER温度发射率分离(TES)算法反演得到地表温度和5个波段的地表发射率。Li等人(2014)利用黑河中游地面实测数据对地表温度产品进行了验证，结果表明地表温度产品的平均偏差小于0.5 K，RMSE小于2 K。利用TES算法反演的地表发射率对本文提出的发射率方法进行对比验证。

3.2.3 实测发射率数据

该实验利用傅里叶变换红外波谱仪BOMEM MR304和漫反射金板同步测量了地表辐射和大气下行辐射，还利用接触式点温计测量了漫反射金板的温度，并使用Iterative Spectrally Smooth Temperature and Emissivity Separation(ISSTES)算法提取8- 14 μm的发射率波谱(Wang等，2015)。本文选择比较均一的玉米和沙漠为验证点，其中玉米的测量点在超级站(CJZ)附近，测量日期为2012年7月4日，直接在CJZ样地采样测量，共有5个测量数据。沙漠的测量点在神沙窝站(SSW)附近，采样回来再进行测量，测量日期为2012年6月20日，共有2个测量数据。最后利用ASTER 5个通道的波谱响应函数把8—14 μm的发射率波谱转化为ASTER 5个通道的发射率。

3.2.4 Landsat 8数据

本文使用的Landsat 8数据来自美国地质勘探局(USGS)，同时包括对应的地表反射率产品和云掩膜文件，日期为2013年7月5日。Landsat 8 TIRS具有两个热红外通道，分别为TIRS10和TIRS11，空间分辨率为100m。

4 研究结果与分析

为了评估本文提出的发射率估算方法的精度，采用两种方法对结果进行验证。一是把本文方法计算的发射率与ASTER TES算法反演的发射率进行对比，二是直接利用实测发射率进行验证。最后利用Landsat 8 TIRS数据对本文提出的地表发射率计算方法对地表温度反演精度的影响做了初步分析。

4.1 与ASTER发射率产品的对比验证

由于WVS大气校正方法结合TES算法可以反演得到较为精确的地表发射率(Hulley等，2012)，本文首先利用ASTER TES算法反演的发射率产品对利用本文方法计算的11天的发射率结果进行对比验证。图 3分别为2012年7月10日ASTER 第13通道的ASTER TES 发射率影像与本文方法估算的发射率影像。采用平均误差bias、均方根误差RMSE和相关系数R来评价发射率之间的差异，结果如表 3所示。从结果中可以看出，10—12通道的bias均在0.015以内，RMSE均小于0.03，相关系数均大于0.8为显著相关；13和14通道的bias均小于0.005，RMSE均小于0.01，除了5月30日和9月12日这两天相关系数较低，其他天的相关系数均大于0.65。对比结果表明本文方法计算的发射率与ASTER TES 发射率具有较好的一致性，并且在整个植被生长季节具有较好的稳定性。由于10—12通道的光谱范围为8.0—9.5 μm，地物发射率在此区间变化幅度较大，因此RMSE也较大，而13、14通道光谱范围为10—12 μm，地表发射率在此区间较为平稳，因此RMSE较小。统计该地区ASTER GED产品的标准差，可以发现10—14通道的标准差分别为0.037、0.035、0.04、0.009、0.006，说明10—12通道的发射率误差比13、14通道大，这与本文的对比结果相似，说明ASTER GED产品的精度决定了本文发射率估算方法的精度。由于目前大多数热红外传感器的光谱范围是10—12 μm，因此ASTER 13和14通道发射率的精度可以满足需求。为了更直观的显示对比结果，以2012年7月10日为例，图 4显示了本文计算的发射率与ASTER TES 发射率的散点图，从图 4中可以看出两者相关性较高，点集中在1:1线附近，其中13和14波段由于发射率变化范围较小，散点图显得较为集中。


图 3 ASTER TES发射率影像与本文估算发射率影像对比图（2012-07-10，波段13）
Fig. 3 Comparison between ASTER TES LSE image and the estimated LSE image for band13 (July 10, 2012)

表 3 本文估算发射率影像与ASTER TES 发射率影像的对比统计结果
Table 3 Comparison between the estimated LSE and ASTER TES LSE

下载CSV 
波段 参数 日期
2012-05-30 2012-06-15 2012-06-24 2012-07-10 2012-08-02 2012-08-11 2012-08-18 2012-08-27 2012-09-03 2012-09-12 2012-9-19
波段10 bias -0.014 -0.013 -0.012 -0.004 -0.008 -0.013 -0.012 -0.009 0.009 0 -0.016
RMSE 0.024 0.024 0.026 0.024 0.024 0.027 0.024 0.022 0.021 0.022 0.026
R 0.845 0.867 0.846 0.850 0.867 0.826 0.867 0.877 0.892 0.831 0.838
波段11 bias -0.014 -0.011 -0.012 -0.007 -0.012 -0.017 -0.014 -0.011 -0.002 -0.007 -0.017
RMSE 0.022 0.021 0.024 0.023 0.024 0.028 0.025 0.022 0.017 0.022 0.026
R 0.862 0.880 0.853 0.847 0.864 0.826 0.867 0.878 0.902 0.836 0.842
波段12 bias -0.006 -0.004 -0.009 -0.006 -0.013 -0.019 -0.015 -0.010 -0.006 -0.010 -0.016
RMSE 0.019 0.019 0.023 0.023 0.024 0.029 0.025 0.021 0.018 0.023 0.026
R 0.880 0.902 0.868 0.866 0.883 0.843 0.880 0.895 0.918 0.859 0.864
波段13 bias -0.005 0.002 -0.001 0.001 -0.001 -0.004 -0.003 -0.001 0.003 0.001 -0.002
RMSE 0.009 0.008 0.009 0.009 0.008 0.009 0.008 0.008 0.009 0.009 0.009
R 0.648 0.751 0.763 0.759 0.794 0.754 0.805 0.799 0.772 0.711 0.711
波段14 bias -0.003 0 0 0.001 0 -0.001 0 0.001 0.004 0.003 -0.002
RMSE 0.008 0.007 0.009 0.008 0.007 0.009 0.008 0.008 0.009 0.011 0.008
R 0.461 0.722 0.711 0.756 0.798 0.692 0.771 0.754 0.753 0.585 0.662


图 4 本文估算发射率影像与ASTER TES 发射率影像的散点图（2012年7月10日）
Fig. 4 Scatterplots between the estimated LSE and ASTER TES LSE imageries (July 10, 2012)

为了验证本文提出方法的稳定性，选择一个玉米地试验站点进行地表发射率与植被覆盖度的时间序列分析，结果如图 5所示。图 5(a)图 5(b)分别为本文方法计算的地表发射率和ASTER TES发射率在表 3中11个时间点的时序变化图。从图 5可以看出，植被覆盖度从5月份开始增长，到7月份达到顶峰，随后基本保持不变，到9月份后开始下降。植被发射率的变化趋势与植被覆盖度的变化趋势保持了较好的一致性，随着植被覆盖度的增加，发射率也随之增加，反之亦然。受TES算法本身在植被区反演精度的影响(Jiménez-Muoz等，2006)，导致TES结果有些天的趋势和植被覆盖度的趋势略有差异，说明本文提出的方法更能体现植被发射率随季节变化的特征。


图 5 发射率和植被覆盖度的时间序列图
Fig. 5 Time series plot of LSE and FVC

为了进一步验证ASTER GED产品在裸露地表的稳定性，本文选取植被覆盖度小于0.2的地区作为裸露地表进行验证。采用最近邻法对TES发射率图像进行重采样来消除传感器空间分辨率的差异，图 6是2012年7月10日裸露地表发射率与ASTER GED的散点图。与图 4相比，可以看出两种发射率在裸露地表的相关性更高，bias和RMSE更小。由于发射率在13和14波段范围内的变化较小，导致这两个波段整体的R值较小，尤其是第14波段，11天数据中有7天的R小于0.5，但其bias和RMSE均较小，综合来看并不影响最终的发射率结果。通过表 4可以看出10—12通道的bias均小于0.004，RMSE均在0.01左右，相关系数均大于0.95；13—14通道除了5月30日，其他天的bias均小于0.001，RMSE均小于0.005。这个结果说明ASTER GED产品在裸露地表的波动性较小，稳定性和精度较高，和Hulley等人(2009)验证结果一致，因此可以用来改进干旱半干旱地区的地表发射率估算精度，进而提高地表温度的反演精度。


图 6 本文估算发射率影像与ASTER GED影像在裸露地表的散点图（2012-07-10）
Fig. 6 Scatterplots between the estimated LSE and ASTER GED imageries for barren surface (July 10, 2012)

表 4 本文估算发射率影像与ASTER GED影像在裸露地表部分对比结果
Table 4 Comparison between the estimated LSE and ASTER GED imageries for barren surface

下载CSV 
波段 参数 日期
2012-05-30 2012-06-15 2012-06-24 2012-07-10 2012-08-02 2012-08-11 2012-08-18 2012-08-27 2012-09-03 2012-09-12 2012-9-19
波段10 bias -0.003 -0.001 0 0.003 0.003 0.003 0.003 0.003 0.003 0.003 0.002
RMSE 0.010 0.006 0.008 0.008 0.010 0.010 0.011 0.010 0.011 0.010 0.009
R 0.969 0.986 0.980 0.979 0.964 0.965 0.953 0.967 0.958 0.965 0.972
波段11 bias -0.002 -0.001 0 0.003 0.003 0.003 0.003 0.003 0.003 0.003 0.002
RMSE 0.009 0.006 0.007 0.007 0.010 0.010 0.010 0.010 0.010 0.010 0.009
R 0.974 0.988 0.983 0.982 0.978 0.969 0.959 0.971 0.964 0.970 0.975
波段12 bias -0.002 -0.001 0.001 0.003 0.003 0.003 0.003 0.004 0.004 0.003 0.003
RMSE 0.007 0.005 0.006 0.007 0.009 0.009 0.009 0.009 0.009 0.009 0.008
R 0.988 0.993 0.991 0.990 0.982 0.984 0.978 0.985 0.981 0.984 0.987
波段13 bias -0.001 0 0 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0
RMSE 0.004 0.002 0.003 0.003 0.004 0.004 0.004 0.004 0.004 0.004 0.003
R 0.886 0.957 0.931 0.930 0.864 0.877 0.831 0.880 0.847 0.875 0.899
波段14 bias -0.001 -0.001 0 0.001 0 0 0 0.001 0 0 0
RMSE 0.004 0.003 0.003 0.003 0.004 0.004 0.004 0.004 0.004 0.004 0.004
R 0.559 0.817 0.704 0.689 0.453 0.498 0.374 0.499 0.404 0.487 0.571

4.2 基于实测发射率的验证

为了进一步验证本文提出方法的准确性，选择农田(CJZ)和沙漠(SSW)这两个站点的实测发射率对估算结果进行验证(图 8)。鉴于本文方法估算发射率的空间分辨率为100 m，而实测数据覆盖范围仅为一个点，利用实测数据对发射率估算结果进行验证时，需要分析验证点的代表性。Wang等人(2015)利用9 m分辨率Thermal Airborne Spectrographic Imager(TASI)数据反演的发射率分别对戈壁、荒漠和沙漠(SSW)的90 m ASTER发射率进行了异质性分析，得到的标准差均小于0.005。另外，本文对农田(CJZ)和沙漠(SSW)这两个站点为中心的1×1和3×3 ASTER像元发射率进行统计分析，分别计算站点的发射率均值与实测数据之间的偏差，结果如图 7所示。从图可以看出，农田的偏差较小，空间差异性较小；沙漠的偏差相对较大，尤其是10和12波段，而常用于地表温度反演的13和14波段的偏差的绝对值均小于0.009，上述结果表明验证点地表类型比较均一，空间尺度效应可以忽略。


图 7 本文方法估算发射率与实测发射率对比图
Fig. 7 Comparison between the estimated LSE and measured emissivity for crop and sand dune


图 8 本文方法估算发射率与实测发射率偏差图
Fig. 8 Column map of bias between the estimated LSE and measured emissivity for crop and sand dune

由于农田站玉米发射率的测量日期为2012年7月4日，本文选取2012年7月10日的发射率结果进行对比，利用4个测量结果的平均值进行验证，农田站点的实测发射率在ASTER 5个波段的标准差分别为0.006，0.006，0.008，0.008，0.0056；沙漠站沙子发射率的测量日期为2012年6月20日，选取2012年6月24日的发射率反演结果进行对比，利用2个测量结果的平均值进行验证，沙漠站点的实测发射率在ASTER 5个波段的标准差分别为0.0015，0.0011，0.0016，0.0021，0.0001。从图 8中可以看出本文方法估算的发射率值与实测发射率比较接近，玉米的估算结果和实测发射率吻合较好，5个波段的bias分别为-0.004，-0.0014，0.0005，0.0031，0.007；沙漠站点的估算结果略低于实测发射率，5个波段的bias分别为-0.0176，-0.0004，0.0128，-0.0015，-0.0089，与Hulley等人(2009)验证结果一致，9个沙漠站点中的10—12通道的误差也相对较大。验证结果表明估算结果较为准确，本文提出的发射率估算方法可以用来改进干旱半干旱地区地表发射率产品。

4.3 对地表温度反演精度的影响分析

为了分析本文提出的地表发射率计算方法对地表温度反演精度的影响，以Landsat 8 TIRS 10 单通道地表温度反演为例，在其余输入参数相同的情况下，分别采用目前常用的NDVI阈值法和本文方法计算的发射率作为输入参数进行地表温度反演，并对结果进行对比分析。前一种方法采用Sobrino等人(2008)提出的简化的NDVI阈值法，地表发射率的计算公式如式(6)所示，

$ {\varepsilon _{\rm{A}}} = \left\{ {\begin{array}{*{20}{l}}{{\varepsilon _{\rm{s}}}}\\{{\varepsilon _{\rm{v}}}{P_{\rm{v}}} + }\\{{\varepsilon _{\rm{v}}}}\end{array}} \right.{\varepsilon _{\rm{s}}}\left({1 - {P_{\rm{v}}}} \right)\left| {\begin{array}{*{20}{l}}{{\rm{NDVI}} \le {\rm{NDV}}{{\rm{I}}_{\rm{s}}}}&{}\\{{\rm{NDV}}{{\rm{I}}_{\rm{s}}} \le {\rm{NDVI}} \le {\rm{NDV}}{{\rm{I}}_{\rm{v}}}}&{}\\{{\rm{NDVI}} \ge {\rm{NDV}}{{\rm{I}}_{\rm{v}}}}&{}\end{array}} \right. $ ((6))

本文分别利用ASTER波谱库中的3条植被波谱和49条裸土发射率波谱，结合Landsat 8 TIRS 10波谱响应函数计算通道发射率，取其平均值作为该通道的植被和裸土发射率，最终计算得到的植被和裸土发射率分别为0.984±0.009和0.971±0.005。

图 9为ASTER 13、14通道，Landsat 8 TIRS 10通道的波谱响应函数，从图 9中可以看出ASTER 13、14通道与TIRS 10通道的波长覆盖范围比较接近，可以利用13和14通道的发射率来计算TIRS 10通道的发射率。利用式(7)结合ASTER波谱库中251条发射率波谱，根据波谱响应函数分别计算ASTER 13、14通道，TIRS 10通道的发射率。


图 9 ASTER 13, 14和Landsat TIRS 10通道的光谱响应函数
Fig. 9 Spectral response functions of ASTER band 13, 14 and Landsat TIRS band 10
$ {\varepsilon _{\rm{i}}} = \frac{{\int_{{\lambda _1}}^{{\lambda _2}} {f\left(\lambda \right)\varepsilon \left(\lambda \right){B_\lambda }\left({{T_{\rm{s}}}} \right){\rm{d}}\lambda } }}{{\int_{{\lambda _1}}^{{\lambda _2}} {f\left(\lambda \right){B_\lambda }\left({{T_{\rm{s}}}} \right){\rm{d}}\lambda } }} $ ((7))

式中f(λ)，为热红外传感器波谱响应函数，λ1和λ2分别是波长最小值和最大值，Bλ(Ts)是温度为Ts的黑体辐射亮度，Ts采用300 K。

根据式(7)得到的各个通道的发射率，采用最小二乘拟合法建立从ASTER 13、14通道的裸土发射率到TIRS 10通道的裸土发射率的转换公式，如式(8)所示。其转换方程的决定系数R2为0.992，RMSE为0.003，说明式(8)的精度较高，可以用来计算其他热红外传感器的裸土发射率。利用本文方法求解的ASTER 13和14通道裸土发射率，结合式(8)计算得到TIRS10通道的裸土发射率，并进一步采用VCM方法得到像元的地表发射率。

$ {\varepsilon _{{\rm{TIRS10}}}} = {\rm{0}}{\rm{.7180}}{\varepsilon _{{\rm{aster}}13}} + {\rm{0}}{\rm{.3740}}{\varepsilon _{{\rm{aster}}14}}{\rm{ - 0}}{\rm{.0880}} $ ((8))

本文采用2013年7月5日的Landsat8 TIRS数据进行地表温度反演，首先利用NASA提供的Landsat在线大气校正工具(Barsi等，2003)，输入Landsat TIRS数据的成像时间、中心经纬度以及其他相应的参数获得TIRS 10通道的大气透过率，大气上行辐射和大气下行辐射3个大气参数，再利用两种发射率结果结合辐射传输方程进行地表温度反演。从图 10(c)中可以看出，在裸露地表采用NDVI阈值法反演的地表温度存在明显低估，特别是图像右下角(红框部分)神沙窝沙漠地区，由于高估了发射率而导致地表温度被低估了1.6 K左右，从图 10(d)同样可以看出该地区的发射率被高估0.02左右。从图 10(f)中可以看出本文方法计算的发射率可以反映出裸露地区地表发射率的动态变化，而NDVI阈值法在所有的裸露地区都是固定值，显然不符合实际情况。以上分析表明本文提出的地表发射率估算方法能够获取更加合理和精确的裸露地表发射率，从而提高地表温度反演精度。


图 10 采用NDVI阈值法和本文方法反演得到的2013年7月5日LST, LST图像和差值图像
Fig. 10 LST and LSE maps retrieved using NDVI threshold method and new method for Landsat 8 TIRS on July 5, 2013

5 结 论

本文基于ASTER GED产品和目前常用的VCM方法，提出了一个改进的地表发射率估算方法，该方法不仅能够保留ASTER GED在裸露地表精度高的优势，同时能够有效表征植被发射率随时间变化的季节特征，进而为地表温度的反演提供了可靠的输入数据。

利用黑河流域中游张掖地区2012年5至9月11景ASTER地表发射率产品对结果进行了对比验证。结果表明10- 12通道的bias均在0.015以内，RMSE均小于0.03；13和14通道的bias均小于0.005，RMSE均小于0.01。同时利用地面站点的实测发射率对结果进行了验证，估算发射率结果与实测发射率比较接近，误差较小。以Landsat 8 TIRS10单通道地表温度反演为例，分析了本文提出的地表发射率计算方法对地表温度反演精度的影响，结果表明本文提出的地表发射率估算方法能够获取更加合理和精确的裸露地表发射率，从而提高地表温度反演精度。以上验证结果表明本文方法估算的地表发射率整体精度较高，满足地表温度反演的精度要求，同时可以利用本文提出的方法支持其他热红外传感器生产高精度的地表温度产品，例如Landsat 8 TIRS，HJ-1B IRS和FY-3 MERSI等。

虽然通过本文提出的方法得到了合理的地表发射率，但本文只对张掖地区进行了验证与分析，在其他地区还需要进行更广泛地验证；其次，虽然ASTER GED在裸露地表较为稳定，Hulley等人(2010)研究表明土壤水分在11和12 μm处会带来最高0.03的发射率误差，Wang等人(2015)在研究中发现土壤水分的变化使得ASTER宽波段发射率增加了0.03，因此在今后的研究中还需要进一步考虑土壤含水量对裸土发射率的影响。

参考文献(References)

  • Baldridge A M, Hook S J, Grove C I, Rivera G.2009.The ASTER spectral library version 2.0. . Remote Sensing of Environment, 113 (4) : 711–715 . [DOI:10.1016/j.rse.2008.11.007]
  • Barsi J A, Barker J L, Schott J R.2003.An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument//Proceedings of the 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France:IEEE, 5 : 3014–3016 . [DOI:10.1109/IGARSS.2003.1294665]
  • Becker F.1987.The impact of spectral emissivity on the measurement of land surface temperature from a satellite. International Journal of Remote Sensing, 8 (10) : 1509–1522 . [DOI:10.1080/01431168708954793]
  • Becker F, Li Z L.1990.Temperature-independent spectral indices in thermal infrared bands. Remote Sensing of Environment, 32 (1) : 17–33 . [DOI:10.1016/0034-4257(90)90095-4]
  • Caselles E, Valor E, Abad F, Caselles V.2012.Automatic classification-based generation of thermal infrared land surface emissivity maps using AATSR data over Europe. Remote Sensing of Environment, 124 : 321–333 . [DOI:10.1016/j.rse.2012.05.024]
  • Caselles V, Sobrino J A.1989.Determination of frosts in orange groves from NOAA-9 AVHRR data. Remote Sensing of Environment, 29 (2) : 135–146 . [DOI:10.1016/0034-4257(89)90022-9]
  • 陈 军, 陈 晋, 廖 安平, 曹 鑫, 陈 利军, 陈 学泓, 彭 舒, 韩 刚, 张 宏伟, 何 超英, 武 昊, 陆 苗.2014.全球30m地表覆盖遥感制图的总体技术. 测绘学报, 43 (6) : 551–557 . ( ChenJ, ChenJ, LiaoA P, CaoX, ChenL J, ChenX H, PengS, HanG, ZhangH W, HeC Y, WuH, Lu M. 2014. Concepts and key techniques for 30 m global land cover mapping. Acta Geodaetica et Cartographica Sinica, 43 (6) : 551–557. )
  • Coll C, Valor E, Galve J M, Mira M, Bisquert M, García-Santos V, Caselles E, Caselles V.2012.Long-term accuracy assessment of land surface temperatures derived from the Advanced Along-Track Scanning Radiometer. Remote Sensing of Environment, 116 : 211–225 . [DOI:10.1016/j.rse.2010.01.027]
  • Gillespie A, Rokugawa S, Matsunaga T, Cothern J S, Hook S, Kahle A B.1998.A temperature and emissivity separation algorithm for Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) images. IEEE Transactions on Geoscience and Remote Sensing, 36 (4) : 1113–1126 . [DOI:10.1109/36.700995]
  • Guillevic P C, Biard J C, Hulley G C, Privette J L, Hook S J, Olioso A, Göttsche F M, Radocinski R, Román M O, Yu Y Y, Csiszar I.2014.Validation of land surface temperature products derived from the Visible Infrared Imaging Radiometer Suite (VIIRS) using ground-based and heritage satellite measurements. Remote Sensing of Environment, 154 : 19–37 . [DOI:10.1016/j.rse.2014.08.013]
  • Gutman G , Ignatov A.1998.The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models. International Journal of Remote Sensing, 19 (8) : 1533–1543 . [DOI:10.1080/014311698215333]
  • Hulley G C , Hook S J.2009.The North American ASTER land surface emissivity database (NAALSED) version 2.0.. Remote Sensing of Environment, 113 (9) : 1967–1975 . [DOI:10.1016/j.rse.2009.05.005]
  • Hulley G C, Hook S J, Baldridge A M.2009.Validation of the North American ASTER land surface emissivity database (NAALSED) version 2.0 using pseudo-invariant sand dune sites.. Remote Sensing of Environment, 113 (10) : 2224–2233 . [DOI:10.1016/j.rse.2009.06.005]
  • Hulley G C, Hook S J, Baldridge A M.2010.Investigating the effects of soil moisture on thermal infrared land surface temperature and emissivity using satellite retrievals and laboratory measurements. Remote Sensing of Environment, 114 (7) : 1480–1493 . [DOI:10.1016/j.rse.2010.02.002]
  • Hulley G C, Hook S J, Abbott E, Malakar N, Islam T , Abrams M.2015.The ASTER global emissivity dataset (ASTER GED):mapping earth's emissivity at 100 meter spatial scale. Geophysical Research Letters, 42 (19) : 7966–7976 . [DOI:10.1002/2015GL065564]
  • Hulley G C, Hughes C G, Hook S J.2012.Quantifying uncertainties in land surface temperature and emissivity retrievals from ASTER and MODIS thermal infrared data. Journal of Geophysical Research:Atmospheres, 117 (D23) : [DOI:10.1029/2012JD018506]
  • Hulley G, Veraverbeke S , Hook S.2014.Thermal-based techniques for land cover change detection using a new dynamic MODIS multispectral emissivity product (MOD21). Remote Sensing of Environment, 140 : 755–765 . [DOI:10.1016/j.rse.2013.10.014]
  • Jiang J X, Li H, Liu Q H, Wang H S, Du Y M, Cao B, Zhong B, Wu S L.2015.Evaluation of land surface temperature retrieval from FY-3B/VIRR data in an arid area of Northwestern China. Remote Sensing, 7 (6) : 7080–7104 . [DOI:10.3390/rs70607080]
  • Jiménez-Muñoz J C, Sobrino J A, Gillespie A, Sabol D, Gustafson W T.2006.Improved land surface emissivities over agricultural areas using ASTER NDVI. Remote Sensing of Environment, 103 (4) : 474–487 . [DOI:10.1016/j.rse.2006.04.012]
  • Jiménez-Muñoz J C, Cristobal J, Sobrino J A, Sòria G, Ninyerola M, Pons X , 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]
  • Li H, Sun D L, Yu Y Y, Wang H Y, Liu Y L, Liu Q H, Du Y M, Wang H S and Cao B. 2014. Evaluation of the VIIRS and MODIS LST products in an arid area of Northwest China. Remote Sensing of Environment, 142:111-121[DOI:10.1016/j.rse.2013.11.014]
  • Li H, Sun D L, Yu Y Y, Wang H Y, Liu Y L, Liu Q H, Du Y M, Wang H S, Cao B.2014.Evaluation of the VIIRS and MODIS LST products in an arid area of Northwest China. Remote Sensing of Environment, 142 : 111–121 . [DOI:10.1016/j.rse.2013.11.014]
  • Li X, Cheng G D, Liu S M, Xiao Q, Ma M G, Jin R, Che T, Liu Q H, Wang W Z, Qi Y, Wen J G, Li H Y, Zhu G F, Guo J W, Ran Y H, Wang S G, Zhu Z L, Zhou J, Hu X L, Xu Z W.2013.Heihe watershed allied telemetry experimental research (HiWATER):scientific objectives and experimental design. Bulletin of the American Meteorological Society, 94 (8) : 1145–1160 . [DOI:10.1175/BAMS-D-12-00154.1]
  • Mira M, Valor E, Caselles V, Rubio E, Coll C, Galve J M, Niclos R, Sanchez J M , Boluda R.2010.Soil moisture effect on thermal infrared (8-13-μm) emissivity. IEEE Transactions on Geoscience and Remote Sensing, 48 (5) : 2251–2260 . [DOI:10.1109/TGRS.2009.2039143]
  • Peres L F, DaCamara C C.2005.Emissivity maps to retrieve land-surface temperature from MSG/SEVIRI. IEEE Transactions on Geoscience and Remote Sensing, 43 (8) : 1834–1844 . [DOI:10.1109/TGRS.2005.851172]
  • Snyder W C, Wan Z M, Zhang Y L, Feng Y Z.1997.Thermal infrared (3-14 μm) bidirectional reflectance measurements of sands and soils. Remote Sensing of Environment, 60 (1) : 101–109 . [DOI:10.1016/S0034-4257(96)00166-6]
  • Snyder W C, Wan Z, Zhang Y , Feng Y Z.1998.Classification-based emissivity for land surface temperature measurement from space. International Journal of Remote Sensing, 19 (14) : 2753–2774 . [DOI:10.1080/014311698214497]
  • Sobrino J A , Jiménez-Muñoz J C.2014.Minimum configuration of thermal infrared bands for land surface temperature and emissivity estimation in the context of potential future missions. Remote Sensing of Environment, 148 : 158–167 . [DOI:10.1016/j.rse.2014.03.027]
  • Sobrino J A, Jiménez-Muñoz J C, Sòria G, Romaguera M, Guanter L, Moreno J, Plaza A, Martinez P.2008.Land surface emissivity retrieval from different VNIR and TIR sensors. IEEE Transactions on Geoscience and Remote Sensing, 46 (2) : 316–327 . [DOI:10.1109/TGRS.2007.904834]
  • Sobrino J A , Raissouni N.2000.Toward remote sensing methods for land cover dynamic monitoring:application to Morocco. International Journal of Remote Sensing, 21 (2) : 353–366 . [DOI:10.1080/014311600210876]
  • Tang B H, Bi Y Y, Li Z L, Xia J.2008.Generalized split-window algorithm for estimate of land surface temperature from Chinese geostationary FengYun meteorological satellite (FY-2C) data. Sensors, 8 (2) : 933–951 . [DOI:10.3390/s8020933]
  • Valor E, Caselles V.1996.Mapping land surface emissivity from NDVI:application to European, African, and South American areas. Remote Sensing of Environment, 57 (3) : 167–184 . [DOI:10.1016/0034-4257(96)00039-9]
  • Wang H S, Xiao Q, Li H, Du Y M , Liu Q H.2015.Investigating the impact of soil moisture on thermal infrared emissivity using aster data. IEEE Geoscience and Remote Sensing Letters, 12 (2) : 294–298 . [DOI:10.1109/LGRS.2014.2336912]
  • Watson K.1992.Two-temperature method for measuring emissivity. Remote Sensing of Environment, 42 (2) : 117–121 . [DOI:10.1016/0034-4257(92)90095-2]