出版日期: 2017-09-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176492
2017 | Volumn21 | Number 5
上一篇  |  下一篇
基础理论 
Himawari 8 AHI 数据地表温度反演的实用劈窗算法
expand article info 刘超1,2 , 历华2 , 杜永明2 , 曹彪2 , 柳钦火2,3 , 孟翔晨4 , 胡友健1
1. 中国地质大学(武汉) 信息工程学院，武汉 430074
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. 全球变化与中国绿色发展协同创新中心，北京 100875
4. 北京师范大学 地理学与遥感科学学院 遥感科学国家重点实验室，北京 100875
收稿日期: 2017-01-03; 优先数字出版日期: 2017-09-01
基金项目: 国家自然科学基金(编号：41571357，41571359，41501366)；高分四号卫星应用共性关键技术项目(编号：30-Y20A02-9003-15/16)；国家高技术研究发展计划(863计划)(编号：2013AA12A304)
第一作者简介: 刘超(1992—　)，男，硕士研究生，研究方向为热红外地表温度反演的理论和应用。E-mail：superlch1992@outlook.com
通讯作者简介: 历华(1982—　)，男，副研究员，研究方向为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

摘要

地表温度是水文、气象、气候和环境等研究领域中的关键参数，利用热红外遥感可快速获取区域和全球高精度的地表温度数据。Himawari 8号是日本发射的新一代地球静止轨道气象卫星，星上搭载AHI (Advanced Himawari Imager)成像仪，具有更高的时空分辨率。利用AHI第14 (11.2 μm)和15 (12.35 μm)通道星上亮温数据，提出反演地表温度的实用劈窗算法，其中输入的发射率数据利用ASTER GED (Global Emissivity Dataset) v4计算得到。劈窗算法的系数由观测角度和大气水汽含量分区决定，其中大气水汽含量由两个劈窗通道直接估算得到。利用黑河流域生态—水文过程综合遥感观测联合试验(HiWATER) 4个站点的实测数据和中国7个湖泊中心点的MODIS地表温度产品对反演结果进行验证，结果表明，算法的均方根误差(RMSE)在3 K以内，达到目前常用遥感地表温度产品的精度。同时与利用MOD11C3 C6产品估算的发射率和温度反演结果进行对比分析，发现ASTER GED反演的结果具有更高的精度，适合用来生产高精度的地表温度产品。

关键词

地表温度, 劈窗算法, AHI, ASTER GED, 大气水汽含量

Practical split-window algorithm for retrieving land surface temperature from Himawari 8 AHI data
expand article info LIU Chao1,2 , LI Hua2 , DU Yongming2 , CAO Biao2 , LIU Qinhuo2,3 , MENG Xiangchen4 , HU Youjian1
1.College of Information Engineering, China University of Geosciences, Wuhan 430074, 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
4.State Key Laboratory of Remote Sensing Science, School of Geography, Beijing Normal University, Beijing 100875, China

Abstract

Land Surface Temperature (LST) is a key parameter for hydrological, meteorological, climatological, and environmental research fields. Accurate regional and global LST products can be obtained from thermal infrared remote sensing data. Himawari-8 is the next-generation of Japan geostationary meteorological satellite, which carries a new optical sensor called Advanced Himawari Imager (AHI), with significantly higher temporal and spatial resolutions. AHI has 16 observation bands, with spatial resolutions of 0.5 or 1 km for visible and near-infrared bands and 2 km for infrared bands. AHI can provide full disk images every 10 minutes, and can provide high temporal and spatial resolution LST information for many studies. The bands 14 and 15 of AHI can be used for LST retrieval by using the Split-Window (SW) algorithm. Thus, the objective of this paper is to propose a practical SW algorithm to retrieve LST from AHI data. Land Surface Emissivity (LSE) is one of the essential parameters for SW algorithm. SW algorithm is extremely sensitive to emissivity errors, and the sensitivity is significantly higher for direr atmospheres. A 0.005 error in emissivity will result in a LST error of 1 K or more under drier conditions. The ASTER Global Emissivity Dataset (GED) version 4 was adopted to calculate the LSE in this paper to improve the accuracy of emissivity in barren surfaces. The refined Generalized Split-Window (GSW) algorithm developed for MODIS was adopted to retrieve LST from the brightness temperature of AHI bands 14 and 15. MODTRAN 5.2, TIGR 3 atmospheric profile database, and ASTER spectral library data were used to create a simulation database to obtain the coefficients of the GSW algorithm. The coefficients were determined based on view zenith angle and atmospheric Water Vapor (WV) sub-ranges to improve the accuracy, and the WV was directly calculated using a simple method based on the brightness temperature of AHI bands 14 and 15. Two kinds of emissivity products were used to calculate LSE for AHI bands 14 and 15. The first product is the ASTER GED version 4 monthly product. The second is the MODIS MOD11C3 version 6 monthly emissivity product. The spatial resolution of the two products is 0.05°. Ground measurements collected from three Aerosol Robotic NETwork (AERONET) sites were used to validate the WV result. The root mean square errors (RMSEs) were 1.16 g/cm2, 0.94 g/cm2, and 1.23 g/cm2 for Baotou, Beijing-CAMS, and Hong_Kong_PolyU sites, respectively. The 2079 daytime and 2983 nighttime scenes of AHI images between June 1, 2015 and December 29, 2015 were used for LST retrieval. Ground LST measurements collected from four Heihe Watershed Allied Telemetry Experimental Research (HiWATER) sites and MODIS LST product data of the central points of seven lakes were used to validate the LST. The results show that the proposed algorithm demonstrates a reasonable accuracy, with RMSE less than 3 K, which has a comparable accuracy of current remote sensing LST products, such as MODIS, VIIRS, and FY-3B VIRR LST products. For LSE, ASTER GED v4 provides more realistic values of surface emissivity than MOD11C3 v6 because the emissivities are in accordance with the seasonal variation on NDVI. The MOD11C3 v6 typically provides constant values of emissivity, which was overestimated over the JCHM site. Thus, the LST was underestimated due to the overestimation of the emissivity. A practical SW algorithm for estimating land surface temperature from Himawari 8 AHI data was proposed based on GSW algorithm. ASTER GED v4 product was introduced to estimate the LSE for GSW algorithm. The LST result was evaluated with ground LST measurements collected in four HiWATER sites and the MODIS LST products, with RMSE of less than 3 K. The results also show that ASTER GED v4 product has higher accuracy than MOD11C3 v6 product in our study sites; thus, is more suitable in generating high accuracy LST product.

Key words

land surface temperature, split-window algorithm, AHI, ASTER GED, atmospheric water vapor

1 引　言

地表温度LST (Land Surface Temperature)是表征陆地表面能量平衡和气候变化的重要指标，是区域和全球地表物理过程的关键参数，它综合了地表与大气相互作用以及大气和陆地之间能量交换的全部结果，对气象、水文、农业、城市环境和灾害监测等研究领域都有重要意义(Anderson 等，1997；Wan和Dozier，1996；Li 等，2013a；历华 等，2014)。

利用热红外遥感快速获取精确的区域和全球地表温度信息是长期以来的研究目标。针对不同的传感器，发展了不同的地表温度反演算法(Li 等，2013b)。地表温度反演的研究最初主要集中在极轨卫星上，如Becker和Li(1990)提出针对AHVRR数据的局地劈窗算法；在此基础上，Wan和Dozier(1996)进一步提出针对MODIS数据的通用劈窗算法；Gillespie等人(1998)提出针对ASTER多光谱热红外数据的温度与发射率分离算法。近些年，地球静止轨道卫星数据也越来越多地被应用到地表温度反演中，如Sun和Pinker(2003)提出针对GOES卫星的双通道算法；Trigo等人(2008)采用通用劈窗算法实现MSG-SEVIRI数据的地表温度反演。每一类卫星数据都有自己的特点和优势，极轨卫星有着更高的空间分辨率，但时间分辨率相对较低。静止卫星可对同一区域进行连续观测，因此可获取半个小时的高时间分辨率遥感数据，适合进行地表温度的日变化研究。Himawari 8号是日本2014年10月7日发射的地球静止轨道气象卫星，星上搭载了AHI (Advanced Himawari Imager)成像仪。AHI全圆盘数据的时间分辨率达到10 min一景，共有16个光谱通道，热红外通道的空间分辨率为2 km，接近一般极轨卫星传感器的空间分辨率(Bessho 等，2016)，其中第14(11.2 μm)和15通道(12.35 μm)可以采用劈窗算法反演地表温度，以生产高质量的地表温度产品。

劈窗算法中，需要地表发射率作为输入数据，但是劈窗算法对地表发射率的误差非常敏感，如干燥大气环境下0.005的发射率误差可以带来1 K以上的地表温度误差(Galve 等，2008；Yu 等，2008)。目前劈窗算法中的发射率多是采用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)进行计算。然而已有研究表明这些方法在裸露地表精度较差，如Guillevic等人(2014)发现MODIS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。ASTER Global Emissivity Dataset (GED)产品的发布为获取地表发射率提供了新的途径，ASTER 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 等，2015)，在裸露地表具有较高的精度(Hulley 等，2009；孟翔晨 等，2016)，ASTER GEDv4版本提供全球月平均发射率数据集，加入对植被和积雪的考虑，能更加真实地反映地表发射率的动态变化信息。

因此，本文的研究目标是提出一个针对AHI数据的实用劈窗算法用来生产高精度的地表温度产品。为提高算法精度，采用ASTER GEDv4产品计算地表发射率，同时用MODIS MOD11C3 C6产品进行对比分析。利用黑河生态—水文遥感试验(HiWATER)中4个站点的实测地表温度数据对温度反演算法结果进行验证。由于MODIS地表温度产品在内陆水体具有较高的精度(Wan 等，2002)，又选取中国大陆境内7个较大湖泊的MODIS MOD11A1/MYD11A1地表温度产品进行交叉验证。

2 方法介绍

2.1 劈窗算法

劈窗算法是目前应用最为广泛的地表温度反演算法，最初应用于海面温度的反演，后来被推广到地表温度的反演。其基本原理是利用10—13 μm大气窗口内的两个相邻通道(一般为10.5—11.5 μm和11.5—12.5 μm)对大气吸收作用的不同(尤其对大气水汽吸收作用的差异)，通过两个相邻通道所测得的星上亮温的线性组合或二次多项式组合来反演地表温度。其中最有代表性的劈窗算法就是Wan和Dozier(1996)针对MODIS数据提出的通用劈窗算法，该算法经过广泛验证和使用(Trigo 等，2008；Tang 等，2008；Jiang 等，2015)，具有较高精度，Wan(2013)对算法进行改进，在公式中增加一个二次项以提高算法精度。本文直接采用改进后的算法，其公式如下

$\begin{array}{c}{T_{\rm{s}}} = C + ({A_1} + {A_2}\displaystyle\frac{{1 - \varepsilon }}{\varepsilon } + {A_3}\displaystyle\frac{{\varDelta \varepsilon }}{{{\varepsilon ^2}}})\displaystyle\displaystyle\frac{{{T_i} + {T_j}}}{2} + ({B_1} + \\[7pt]{B_2}\displaystyle\displaystyle\displaystyle\frac{{1 - \varepsilon }}{\varepsilon } + {B_3}\displaystyle\displaystyle\displaystyle\displaystyle\frac{{\varDelta \varepsilon }}{{{\varepsilon ^2}}})\displaystyle\displaystyle\displaystyle\displaystyle\displaystyle\frac{{{T_i} - {T_j}}}{2}{{ + D(}}{T_{{i}}} - {T_j}{{\rm{)}}^{\rm{2}}}\end{array}$ (1)

式中，Ts为反演的地表温度；C，A1，A2，A3，B1，B2，B3和D为算法回归系数；ε=(ε14+ε15)/2，Δε=ε14–ε15，ε14和ε15为AHI 14和15通道的地表发射率；Ti、Tj为AHI 14和15通道的亮度温度。

从式(1)可看出，为得到地表温度，需要知道地表发射率和劈窗算法系数，其中算法系数与观测角度和大气水汽含量相关。由于Himawari 8号为地球静止轨道卫星，传感器与地表相对固定，观测角度可由像元与卫星中心的几何位置计算获得。因此，算法系数、地表发射率和大气水汽含量是实现通用劈窗算法的必需参数，下面将对各参数的获取方法进行具体介绍。

2.2 劈窗算法系数模拟

系数的模拟主要分为两个部分，分别为建立模拟数据库和系数的回归拟合。首先根据传感器的通道响应函数，利用大气辐射传输模型MODTRAN 5.2来模拟不同大气和地表状况下的星上亮温数据。模拟基于辐射传输方程，在晴空条件下，卫星传感器热红外通道在大气层顶接收到的总辐射可表示为

${R_i} = {\varepsilon _i}{B_i}({T_{\rm{s}}}){\tau _i} + L_i^{{\rm{atm}} \uparrow } + (1 - {\varepsilon _i}){\tau _i}L_i^{{\rm{atm}} \downarrow }$ (2)

式中，i表示第i通道；B是普朗克函数；Ts是地表温度；τi是大气透过率； ${L_i^{{\rm{atm}} \uparrow }}$ 是大气上行辐亮度；εi是地表发射率； ${L_i^{{\rm{atm}} \downarrow }}$ 是大气下行辐亮度。

模拟时需要输入大气廓线，本文采用的是法国动力气象实验室建立的大气廓线数据库TIGR2000 (Thermodynamic Initial Guess Retrieval database)。TIGR 2000包含了2311条大气廓线，是利用拓扑学1968年—1989年全球范围内海量大气样本中挑选出来的，有很好的代表性。由于热红外地表温度反演是基于晴空条件下进行的，某一层相对湿度值高于90%或者连续两层相对湿度超过85%的廓线可视为有云廓线，则剩余的946条无云廓线被挑选出来用于模拟。无云大气廓线中水汽含量的变化范围为0.06—6.27 g/cm2，大气底层温度Tair为231—314 K。

由于AHI在中国地区最大的观测角度可达到80°以上，模拟大气透过率和大气上行辐射时输入的观测角度有11个，分别为0°，10°，20°，30°，40°，50°，60°，65°，70°，75°，80°；模拟大气下行辐射时直接采用53°来代替半球积分的结果(Kondratiev，1969)。将通道响应函数、观测角度和大气廓线数据输入MODTRAN 5.2，模拟得到对应角度的大气透过率、大气上行辐射和大气下行辐射。地表温度根据大气底层温度模拟，范围为：当Tair<280 K时，Tair–16 K到Tair+4 K，间隔为1 K；当Tair>280 K，Tair–4 K到Tair+29 K，间隔为1 K。地表发射率用AHI 14和15通道的光谱响应函数与197条ASTER波谱库数据积分获得。将大气参数、地表发射率和地表温度数据代入式(2)辐射传输方程，可计算得到传感器接收到的总辐射，再通过普朗克函数求得通道亮温，总共模拟了200多万种星上亮温与地表发射率、地表温度、大气水汽含量、观测角度一一对应的情况。

建立好模拟数据库之后，利用最小二乘拟合多元线性回归，按照劈窗算法模型建立地表温度与大气顶层亮温的关系来获取劈窗算法系数。为提高拟合精度，使用分段线性来近似非线性，将大气水汽含量分为6个区间，设置0.5 g/cm2的重叠区：[0—1.5]，[1—2.5]，[2—3.5]，[3—4.5]，[4—5.5]，[5—6.5]。由此建立6个分区12个角度下的算法系数查找表，在调用时根据水汽含量值选择算法系数分区，在分区内以角度为自变量将各个系数线性拟合，通过像元实际观测角度，根据系数拟合公式计算得到该像元各个劈窗算法系数。

2.3 劈窗算法误差分析

将发射率、模拟的亮温以及模拟的系数带入模型得到模拟的地表温度误差。图1为各水汽区间下算法RMSE随着观测角度变化图，从图1可看出，均方根误差(RMSE)随着角度(VZA)和大气水汽含量的增大而增大，当观测角大于60°时，RMSE急剧上升，特别是在湿润的大气环境中。在观测角小于30°或者在水汽含量小于4.5 g/cm2时，均方根误差小于1.5 K；在观测天顶角小于60°并且大气可降水汽含量小于4.5 g/cm2情况下，均方根误差小于2.5 K。中国区域的观测角度分布由东南到西北逐步增大，绝大部分在70°以内，而角度大的西北地区大多时候水汽含量较低，所以算法的模拟精度在2 K以内。

2.4 地表发射率估算

发射率是地表温度反演中的一个关键参数，直接影响地表温度反演的精度。本文采用两种遥感地表发射率产品来计算AHI的发射率，分别是ASTER GEDv4产品和MODIS MOD11C3 C6产品。


图 1 各水汽区间下算法RMSE随着观测角度变化图
Fig. 1 The RMSE of the algorithm for different water vapor content sub-range with the increasing view zenith angle

2.4.1 基于ASTER GED的地表发射率估算

ASTER GED采用ASTER温度发射率分离TES (Temperature and Emissivity Separation)算法反演得到，为了提高精度，利用WVS (Water Vapor Scaling)方法来进行大气校正，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进行验证，结果表明美国9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。图2为ASTER 10—14通道与AHI 14和15通道的光谱响应函数，根据波谱响应函数覆盖范围，AHI 14通道与ASTER 13和14通道的波长范围比较接近，可直接利用ASTER 13和14通道的发射率来计算AHI 14通道的发射率。AHI 15通道与ASTER重叠较少，利用波谱库数据分析后发现AHI 15通道的发射率与ASTER 10—14的5个通道的发射率具有最高的相关性，因此尝试利用ASTER 10—14的5个通道的发射率来计算AHI 15通道的发射率。为建立发射率转换的经验关系，我们从ASTER波谱库中挑选78条发射率波谱，包含植被、水体、冰雪、土壤和岩石，基本涵盖大多数自然地表类型。利用式(3)结合发射率波谱和光谱响应函数计算得到各通道的发射率

${\varepsilon _i} = \frac{{\int_{{\textit{λ} _1}}^{{\textit{λ} _2}} {f(\textit{λ} )\varepsilon (\textit{λ} ){B_\textit{λ} }({T_{\rm{s}}})} {\rm{d}}\textit{λ} }}{{\int_{{\textit{λ} _1}}^{{\textit{λ} _2}} {f(\textit{λ} ){B_\textit{λ} }({T_{\rm{s}}}){\rm{d}}\textit{λ} } }}$ (3)

式中，λ1和λ2为波长的最小值和最大值；f(λ)为传感器通道光谱响应函数；Bλ(Ts)为温度为Ts的黑体辐射亮度；Ts采用300 K。

采用最小二乘拟合建立从ASTER 13和14通道到AHI 14通道，ASTER 10—14通道到AHI 15通道的发射率回归公式，具体公式如下

$\begin{aligned}{\rm{AHI}} \, 14 = & 0.0012 + 0.0963 \times {\rm{ASTER}} \, 13 + \\[4pt] &0.9027 \times {\rm{ASTER}} \, 14\end{aligned}$ (4)
$\begin{aligned}{\rm{AHI}} \, 15 = & 0.5705 + 0.0029 \times {\rm{ASTER}} \, 10{\rm{ - }}\\[3pt] &0.0065 \times {\rm{ASTER}} \, 11 + 0.0665 \times \\[3pt] &{\rm{ASTER}} \, 12 - 0.08 \times {\rm{ASTER}} \, 13 + \\[3pt] &0.4393 \times {\rm{ASTER}} \, 14\end{aligned}$ (5)

式中，AHI 14通道回归公式的决定系数R2为0.999，RMSE为0.0004；AHI 15通道回归公式的R2为0.867，RMSE为0.0029，精度都比较高。由于在建立发射率回归公式时采用多种地表类型的发射率波谱，因此得到的回归公式可以适用于多种地表类型，在计算AHI的发射率时直接采用ASTER GED的结果。本文采用最新发布的ASTER GEDv4全球月平均地表发射率产品，其空间分辨率为0.05°，通过上述公式转换为AHI 14和15通道2015年月平均发射率数据，由于AHI热红外数据的空间分辨率是2 km，因此在使用ASTER GED计算地表发射率时会由于空间分辨率不一致带来一定的误差。


图 2 ASTER 10—14通道与AHI 14和15通道的光谱响应函数
Fig. 2 Spectral response functions of ASTER band 10—14 and AHI band 14, 15

2.4.2 基于MOD11C3的地表发射率估算

MOD11C3的发射率产品采用的是日夜算法，利用MODIS中红外和热红外通道的白天和晚上观测数据同步反演地表温度和发射率(Wan和Li，1997)。图3为MODIS 31和32通道与AHI 14和15通道的光谱响应函数，根据波谱响应函数覆盖范围，AHI 14通道与MODIS 31通道的波长区间非常接近，可利用MODIS 31通道发射率来计算AHI 14通道的发射率；AHI 15通道与MODIS 32通道的波长区间非常接近，可利用MODIS 32通道发射率来计算AHI15通道的发射率。与2.3.1类似，利用式(3)结合波谱库数据，根据响应函数积分计算得到各通道的发射率，采用最小二乘拟合建立从MODIS 31通道到AHI 14通道，MODIS 32通道到AHI 15通道的发射率回归公式为

${\rm{AHI }} \, 14 = 0.2332 + 0.7590 \times {\rm{MODIS }} \, 31$ (6)
${\rm{AHI }} \, 15 = 0.0795 + 0.9183 \times {\rm{MODIS }} \, 32$ (7)

式中，AHI 14通道回归公式的决定系数R2为0.958，RMSE为0.005；AHI 15通道回归公式的R2为0.953，RMSE为0.008，精度都比较高。本文采用C6版本的2015年MOD11C3月平均地表发射率产品，其空间分辨率为0.05°，通过上述公式转换为AHI 14和15通道的发射率。


图 3 MODIS 31和32通道与AHI 14和15通道的光谱响应函数
Fig. 3 Spectral response functions of MODIS band 31, band 32 and AHI band 14, band 15

2.5 大气水汽含量反演

劈窗算法需要根据大气水汽含量来选择不同水汽分区的算法系数，为了不依赖其他外部数据，本文直接采用AHI数据反演大气水汽含量。Julien等人(2015)提出针对MSG/SEVIRI传感器热红外波段的快速大气水汽含量估算方法，其公式为

$WV = {a_0} + {a_1}(I{R_{108}} - I{R_{120}})$ (8)

式中，WV为反演的水汽含量，a0、a1为算法回归系数，IR108、IR120为中心波长10.8 μm和12 μm热红外通道的亮度温度。

AHI 14和15通道的中心波长与上式用到的波段相近，因此本文采用该算法来反演所需要的大气水汽含量。要得到大气水汽含量，需要获得算法的系数。与劈窗算法系数模拟的部分类似，同样利用MODTRAN 5.2建立模拟样本数据库，得到星上亮温，通过最小二乘拟合线性回归按照水汽反演算法公式建立大气水汽含量与星上亮温的关系来获取水汽反演算法系数。各角度下的系数及精度见表1。

表 1 各个观测角度下大气水汽反演模拟系数及精度
Table 1 The coefficients and accuracy of the water vapor retrieval algorithm for different view zenith angle

下载CSV 
角度/(°) a0 a1 R2 RMSE/(g/cm2)
0 0.75069 0.55482 0.684 0.749
10 0.74721 0.55167 0.685 0.748
20 0.73667 0.54222 0.687 0.745
30 0.71877 0.52638 0.69 0.742
40 0.69295 0.50399 0.694 0.738
50 0.65821 0.47476 0.695 0.735
60 0.613 0.43808 0.692 0.74
65 0.58576 0.41657 0.685 0.748
70 0.55481 0.39258 0.671 0.764
75 0.51894 0.36586 0.648 0.791
80 0.47294 0.33717 0.607 0.836

以角度为自变量将各个观测角度下的系数进行线性拟合，通过像元实际观测角度计算得到各像元的水汽反演系数，从而得到水汽含量。

3 数据与处理

3.1 AHI数据

本文采用的AHI数据为2015年6月1日至12月29日每小时一景的14和15波段星上亮温数据，投影方式为经纬度投影，空间分辨率为0.018°，影像覆盖区域为中国地区，以北京时间8点到17点为白天，其他时间为夜晚，共2079景白天数据，2983景夜晚数据(极少数时间数据缺失)。

3.2 验证数据

3.2.1 实测地表温度数据

用于验证的实测地表温度数据来自于黑河流域生态—水文过程综合遥感观测联合试验(HiWATER)(Li 等，2013a)。黑河流域位于97.1°E—102.0°E，37.7°N—42.7°N之间，是中国第二大的内陆河，总流域面积为14.3 万km2，整个流域是典型的高寒和旱区景观。基于HiWATER，2012年—2016年构建了覆盖黑河流域上、中、下游的水文气象观测网。本文选取的是试验的3个超级站以及1个地表温度观测站，上游阿柔超级站(ArouCJZ，下垫面为草地)，中游大满超级站(CJZ，下垫面为玉米)，下游四道桥超级站(SDQ，下垫面为柽柳)和机场荒漠站(JCHM，下垫面为荒漠)。表2为HiWATER验证站点信息，图4为4个站点的空间分布图。为了评价4个站点的空间异质性，采用2013年4月至2015年12月所有晴空Landsat 8 TIRS数据生产的地表温度产品进行分析(孟翔晨 等，2016)。由于USGS提供的Landsat 8 TIRS热红外波段数据被重采样至30 m空间分辨率，因此我们生产的地表温度产品空间分辨率也是30 m，以站点为中心，统计站点周围71×71像元(2.1 km×2.1 km)的Landsat TIRS地表温度的标准差，以所有数据的平均标准差做为站点空间异质性的评价标准(Li 等，2014)。ArouCJZ，CJZ，JCHM和SDQ等4个站点的平均标准差分别为1.16 K，1.24 K，0.46 K和2.76 K，结果表明前3个站点更适合用来验证AHI尺度的地表温度产品，其中JCHM站的空间异质性最小，由于验证站点数量有限，本文保留了SDQ站的验证结果。

表 2 HiWATER验证站点信息
Table 2 The information of HiWATER validation sites

下载CSV 
站名 经纬度 海拔/m 地表类型
阿柔超级站(ArouCJZ) 100.4643°E, 38.0473°N 3033 高寒草地
大满超级站(CJZ) 100.3722°E, 38.8555°N 1556 玉米
机场荒漠站(JCHM) 100.6967°E, 38.7781°N 1625 荒漠
四道桥站(SDQ) 101.1374°E, 42.0012°N 933 柽柳


图 4 地表实测验证站点位置图
Fig. 4 Spatial distribution of the four validation sites in this study

3个超级站点的地表温度观测设备为CNR1/CNR4四分量辐射仪。CNR1/CNR4观测的地表长波辐射数据，使用下面的公式计算地表温度

${T_{\rm{s}}} = {[\frac{{{F^ \uparrow } - (1 - {\varepsilon _{\rm{b}}}) \cdot {F^ \downarrow }}}{{{\varepsilon _{\rm{b}}} \cdot \sigma }}]^{1/4}}$ (9)

式中，Ts是地表温度； $ {F^ \uparrow } $ 是上行长波辐射； $ {F^ \downarrow } $ 下行长波辐射；εb是宽波段发射率，其中ArouCJZ和CJZ站直接利用ASTER波谱库中的草地样本结合Planck公式计算得到，SDQ站利用ASTER GED窄波段发射率计算得到(Cheng 等，2013)；σ是斯蒂芬波尔兹曼常数(5.67×10–8 W·m–2·K–4)。

机场荒漠站的地表温度观测设备为SI-111红外辐射计(8—14 μm)，计算地表温度公式为

$B({T_{\rm{s}}}) = [B({T_{\rm{r}}}) - (1 - \varepsilon ){L_{{\rm{sky}}}}]/\varepsilon $ (10)

式中，B是Planck公式；Ts是地表温度；Tr是SI-111观测的温度；ε是SI-111通道发射率，利用实测发射率计算得到(Li 等，2014)；Lsky是大气下行辐射，利用对天55°观测的SI-111计算得到。

站点的观测频率为30 s，输出10 min的平均数据，选取AHI影像过境时间前后的两次观测数据，线性插值得到影像过境时间的地表温度。

3.2.2 交叉验证数据

地表温度交叉验证数据采用的是2015年6月1日至12月29日的MODIS官方地表温度产品MOD11A1/MYD11A1，它是选择每天观测角度最小的MOD11_L2/MYD11_L2数据生成的日产品(Wan，2013)。验证区域选取中国大陆地区7个大型内陆湖泊(巢湖、洪泽湖、青海湖、抚仙湖、色林错、太湖、滇池)的中心点，像元单一稳定，选择与MODIS过境时间差值半小时以内的反演结果，与相应的温度产品进行对比验证。

3.2.3 水汽验证数据

采用全球自动观测网AERONET (Aerosol Robotic NETwork)的站点数据。AERONET是由NASA和CNRS (LOA-PHOTONS)联合建立的地基气溶胶遥感观测网，利用CIMEL自动太阳光度计(SPAM)作为基本观测仪器观测，其中的观测内容包括大气水汽含量。AERONET数据有level1.0、level1.5和level2.0等3个级别，级别越高质量越好，但是由于level2.0的站点和数据太少，本文选取影像范围内Hong_Kong_PolyU、Beijing-CAMS和Baotou等3个站点的level 1.5数据，分别对应水汽含量较高、中等和较低的地区，将观测数据按当天前后最接近的时间插值到AHI影像时间，来对反演的水汽含量进行验证(Ren 等，2015)。

4 研究结果与分析

将AHI亮温数据与观测角度带入水汽反演公式，得到水汽含量值，根据水汽含量值选择劈窗算法区间，在区间内由观测角计算得到劈窗系数，结合发射率数据与亮温数据反演得到地表温度，下面对反演结果进行验证分析。

4.1 大气水汽含量验证

通过时间的匹配插值，3个站点分别有324、191、109组有效验证数据，表3为3个站点的水汽含量验证统计结果。水汽含量较低的Baotou站有一定的高估，平均误差(Bias)为1.05 g/cm2、均方根误差(RMSE)为1.16 g/cm2；Beijing-CAMS站Bias为0.53 g/cm2，RMSE为0.94 g/cm2，精度在3个站点中最高；水汽含量较高的Hong_Kong_PolyU站存在低估，Bias为–0.99 g/cm2，RMSE为1.23 g/cm2，总体上水汽反演的精度接近了模拟的精度水平。Julien等人(2015)通过敏感性分析得到，0.5 g/cm2，1 g/cm2，1.5 g/cm2的大气水汽含量误差分别会导致0.13 K，0.23 K，0.39 K的劈窗地表温度反演误差，1 g/cm2左右的水汽反演误差在劈窗算法反演地表温度中是可以接受的，因此本文的水汽反演结果可以用来选择劈窗算法的分区参数。

表 3 本文反演水汽与AERONET站点对比统计结果
Table 3 Summary of comparison between the estimated water vapor and AERONET sites’ data

下载CSV 
站点名称 Bias/(g/cm2) RMSE/(g/cm2) N
Baotou 1.05 1.16 324
Beijing-CAMS 0.53 0.94 191
HK_PolyU –0.99 1.23 109
注：N为有效验证数据组数。

4.2 不同发射率的对比

如2.3节所述，本文共采用两种输入发射率来进行劈窗反演的计算：ASTER GED和MOD11C3。地表发射率是劈窗算法的关键输入参数，在进行地表温度反演结果验证之前，首先对两种发射率结果进行对比分析。图5为4个站点2015年每个月AHI 14和15通道的地表发射率值，以及对应的MOD13C2植被指数产品提取的NDVI值。从图5可以看出，两个植被站点(ArouCJZ和CJZ)上ASTER GED的结果有明显随着NDVI变化的趋势，更能反映出植被发射率的季节变化特征，而MOD11C3的结果基本保持不变，这主要受分类赋值法的影响，说明ASTER GED的结果比MOD11C3更加合理。在ArouCJZ站，其下垫面为草地，在夏季NDVI较高的时候，两种发射率相差不大，而冬季的时候MOD11C3在AHI 14通道高估0.01左右，AHI15通道高估0.006左右。在裸土地表JCHM站，其下垫面为荒漠，MOD11C3的结果相比ASTER GED存在明显的高估，AHI 14通道高估0.015左右，AHI 15 通道高估0.01左右。


图 5 地面实测站点2015年月平均NDVI与两种方法(ASTER GEDv4，MOD11C3C6)估算的AHI14和15通道月平均发射率图
Fig. 5 Monthly average NDVI and monthly average emissivity of AHI 14 and 15 bands estimated from two methods (ASTER GEDv4, MOD11C3C6) on validation sites in 2015

4.3 基于地面实测数据的验证

为获得可靠的统计结果，在验证时利用阈值对验证结果进行剔除。本文参考Sobrino等人(2016)的方法，采用算法模拟误差的3倍来进行剔除。验证区AHI的观测角度在60°左右，在图2中，60°的观测角下中低大气水汽含量下的算法模拟RMSE为2 K，因此用3倍模拟精度的6 K作为剔除异常值的阈值。两种发射率反演的温度结果与4个地面站点的实测温度数据对比如表4和图6所示，其中Bias是算法结果减去实测结果。对于白天的结果，ASTER GED在4个站点的Bias都比MOD11C3低。夜晚的结果也一样，除了SDQ站，其他3个站点上ASTER GED的Bias更小。对于RMSE，白天ASTER GED的反演结果在4个站点的值更低(ArouCJZ站2.62 K和2.66 K，CJZ站2.75 K和2.78 K，JCHM站2.84 K和3.50 K，SDQ站1.44 K和1.63 K)，夜晚ASTER GED反演结果相比MOD11C3在ArouCJZ站和JCHM站较好(2.40 K和2.78 K，2.23 K和2.95 K)，其他两个站点接近(2.34 K和2.30 K，2.54 K和2.40 K)。MOD11C3反演结果比ASTER GED反演结果精度更低，其中JCHM站MODIS11C3结果比ASTER GED白天低估0.87 K，夜晚低估0.96 K，主要是由于MOD11C3高估了地表发射率导致，说明ASTER GED在裸露地表具有更高的精度，更适合用来生产高精度的地表温度产品。上述验证结果与MODIS、VIIRS和FY-3B VIRR等地表温度产品在该地区的验证结果接近(Li 等，2014；Jiang 等，2015)，说明本文提出的实用劈窗算法达到较高精度。


图 6 两种发射率反演温度结果与地面实测数据验证散点图
Fig. 6 Scatter plots for comparison between LST retrieved from two emissivity products and ground measurements

表 4 两种发射率反演温度结果与地面实测数据验证结果
Table 4 Summary of comparison between LST retrieved from two emissivity products and ground measurements

下载CSV 
站点 发射率 白天 夜晚
N Bias/K RMSE/K N Bias/K RMSE/K
阿柔超级站 ASTER GED 849 0.12 2.62 1611 –1.60 2.40
MOD11C3 849 –0.37 2.69 1611 –2.10 2.78
大满超级站 ASTER GED 676 1.02 2.74 1661 –0.96 2.34
MOD11C3 676 1.06 2.78 1661 –1.02 2.30
机场荒漠站 ASTER GED 382 –1.70 2.84 1146 –1.48 2.23
MOD11C3 382 –2.57 3.50 1146 –2.44 2.95
四道桥站 ASTER GED 504 1.44 3.10 1931 –1.82 2.54
MOD11C3 504 1.63 3.17 1931 –1.61 2.40

4.4 与MODIS LST产品交叉验证

为进一步对反演算法进行验证，还利用MODIS地表温度产品进行交叉验证。由于利用ASTER GED发射率反演的地表温度具有更高的精度，直接选择ASTER GED的温度反演结果进行对比分析。交叉验证结果如表5。从表5可以看出反演精度最高的点是青海湖，白天和夜晚的RMSE都是最小，分别是1.74 K和2.01 K，Bias也很小，分别为–0.18 K和–0.37 K；Bias最大的是色林错湖，白天和夜晚分别为1.57 K和1.39 K；RMSE最大的是滇池，白天和夜晚分别为2.76 K和2.56 K。总体Bias的绝对值都在1.6 K以内，RMSE在3 K以内，并且夜晚的反演结果比白天更好，与上一节中实测数据的验证结果一致，由于没有考虑观测角度的影响，也会给验证结果带来误差。

表 5 本文反演温度结果与MODIS LST产品交叉验证统计表
Table 5 Summary of comparison between retrieved LST and MODIS LST product

下载CSV 
湖泊名称 验证点经纬度 海拔/m 白天 夜晚
Bias/K RMSE/K N Bias/K RMSE/K N
巢湖 117°33′34.92″E，31°30′23.76″N 5 1.05 2.52 40 –0.002 2.42 138
抚仙湖 102°53′46.32″E，24°34′13.08″N 1723 –1.26 2.65 49 –1.08 2.62 177
洪泽湖 118°43′43.32″E，33°17′59.28″N 10 1.59 2.72 57 0.96 2.33 197
青海湖 100° 9′14.04″E，37° 1′17.04″N 3198 –0.18 1.74 80 –0.37 2.01 254
色林错湖 89° 5′23.64E，31°47′57.12″N 4544 1.57 2.43 115 1.39 2.72 286
太湖 120° 4′13.80″E，31°13′30.36″N 0 1.12 2.24 41 0.26 2.33 144
滇池 102°43′15.60″E，24°51′35.64″N 1888 0.44 2.76 56 –0.68 2.56 165

5 结　论

基于通用劈窗算法，本文提出一个针对Himawari 8号AHI的实用劈窗地表温度反演算法，算法利用ASTER GEDv4产品来估算地表发射率，为提高反演精度，根据大气水汽含量和观测角度对劈窗算法系数进行分区，并利用大气辐射传输模型MODTRAN 5.2结合TIGR大气廓线库和ASTER波谱库模拟得到了算法系数。分别利用HiWATER的4个站点的实测数据和中国7个湖泊中心点的MODIS地表温度产品对温度反演结果进行直接验证和交叉验证，结果表明总体上各个验证点的RMSE在3 K以内，精度与该地区对MODIS、VIIRS地表温度产品以及中国FY-3B VIRR地表温度产品的验证结果接近，达到目前常用遥感地表温度产品的精度。同时与MOD11C3产品计算的发射率和反演的温度进行了对比分析，结果表明植被站点上ASTER GED估算的发射率有明显随着NDVI变化的趋势，更能反映出植被发射率的季节变化特征，而MOD11C3的结果基本保持不变。同时，MOD11C3计算的地表发射率在裸露地表存在高估，导致反演的地表温度明显低估，表明ASTER GED在裸露地表具有更高的精度，适合用来生产高精度的地表温度产品。

本文在计算地表发射率时直接采用ASTER GEDv4全球月平均地表发射率产品，其空间分辨率为0.05°，与AHI热红外通道2 km的空间分辨率不一致，因此会给地表发射率估算带来一定误差。孟翔晨等人(2016)提出一个利用ASTER GED产品估算地表发射率的方法，在今后的研究中可以利用1 km ASTER GED产品结合该方法生产更高空间分辨率的地表发射率产品用于AHI的地表温度反演。另外，由于验证数据有限，今后应该采用更多站点的数据对结果进行验证，同时还可以采用基于辐亮度的方法和其他卫星的地表温度产品进行交叉验证。

参考文献(References)

  • Anderson M C, Norman J M, Diak G R, Kustas W P and Mecikalski J R. 1997. A two-source time-integrated model for estimating surface fluxes using thermal infrared remote sensing. Remote Sensing of Environment, 60 (2): 195–216. [DOI: 10.1016/S0034-4257(96)00215-5]
  • Becker F and Li Z L. 1990. Towards a local split window method over land surfaces. International Journal of Remote Sensing, 11 (3): 369–393. [DOI: 10.1080/01431169008955028]
  • Bessho K, Date K, Hayashi M, Ikeda A, Imai T, Inoue H, Kumagai Y, Miyakawa T, Murata H, Ohno T, Okuyama A, Oyama R, Sasaki Y, Shimazu Y, Shimoji K, Sumida Y, Suzuki M, Taniguchi H, Tsuchiyama H, Uesawa D, Yokota H and Yoshida R. 2016. An introduction to Himawari-8/9—Japan’s new-generation geostationary meteorological satellites. Journal of the Meteorological Society of Japan, 94 (2): 151–183. [DOI: 10.2151/jmsj.2016-009]
  • Cheng J, Liang S L, Yao Y J and Zhang X T. 2013. Estimating the optimal broadband emissivity spectral range for calculating surface longwave net radiation. IEEE Geoscience and Remote Sensing Letters, 10 (2): 401–405. [DOI: 10.1109/LGRS.2012.2206367]
  • Galve J M, Coll C, Caselles V and Valor E. 2008. An atmospheric radiosounding database for generating land surface temperature algorithms. IEEE Transactions on Geoscience and Remote Sensing, 46 (5): 1547–1557. [DOI: 10.1109/TGRS.2008.916084]
  • Gillespie A, Rokugawa S, Matsunaga T, Cothern J S, Hook S and 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 and 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]
  • Hulley G, Veraverbeke S and 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]
  • Hulley G C, Hook S J and 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, Abbott E, Malakar N, Islam T and 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]
  • Jiang J X, Li H, Liu Q H, Wang H S, Du Y M, Cao B, Zhong B and 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]
  • Julien Y, Sobrino J A, Mattar C and Jiménez-Muñoz J C. 2015. Near-real-time estimation of water vapor column from MSG-SEVIRI thermal infrared bands: implications for land surface temperature retrieval. IEEE Transactions on Geoscience and Remote Sensing, 53 (8): 4231–4237. [DOI: 10.1109/TGRS.2015.2393378]
  • Kondratiev K Y A. 1969. Radiation in the Atmosphere vol. 12. New York: Academic Press: 911
  • Li H, Du Y M, Liu Q H, Xu D Q, Cao B, Jiang J X and Wang H S. 2014. Land surface temperature retrieval from Tiangong-1 data and its applications in urban heat island effect. Journal of Remote Sensing, 18 (S1): 133–143. [DOI: 10.11834/jrs.2014z20] ( 历华, 杜永明, 柳钦火, 徐大琦, 曹彪, 蒋金雄, 王合顺. 2014. 天宫一号数据地表温度反演及其在城市热岛效应中的应用. 遥感学报, 18 (S1): 133–143. [DOI: 10.11834/jrs.2014z20] )
  • 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 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 and Xu Z W. 2013a. 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]
  • Li Z L, Tang B H, Wu H, Ren H Z, Yan G J, Wan Z M, Trigo I F and Sobrino J A. 2013b. Satellite-derived land surface temperature: current status and perspectives. Remote Sensing of Environment, 131 : 14–37. [DOI: 10.1016/j.rse.2012.12.008]
  • Meng X C, Li H, Du Y M, Cao B, Liu Q H, Sun L and Zhu J S. 2016. Estimating land surface emissivity from ASTER GED products. Journal of Remote Sensing, 20 (3): 382–396. [DOI: 10.11834/jrs.2014z20] ( 孟翔晨, 历华, 杜永明, 曹彪, 柳钦火, 孙林, 朱金山. 2016. 基于ASTER GED产品的地表发射率估算. 遥感学报, 20 (3): 382–396. [DOI: 10.11834/jrs.2014z20] )
  • Ren H Z, Du C, Liu R Y, Qin Q M, Yan G J, Li Z L and Meng J J. 2015. Atmospheric water vapor retrieval from Landsat 8 thermal infrared images. Journal of Geophysical Research: Atmospheres, 120 (5): 1723–1738. [DOI: 10.1002/2014JD022619]
  • Snyder W C, Wan Z, Zhang Y and Feng Y. 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, Sòria G, Ruescas A B, Danne O, Brockmann C, Ghent D, Remedios J, North P, Merchant C, Berger M, Mathieu P P and Göttsche F M. 2016. Synergistic use of MERIS and AATSR as a proxy for estimating Land Surface Temperature from Sentinel-3 data. Remote Sensing of Environment, 179 : 149–161. [DOI: 10.1016/j.rse.2016.03.035]
  • Sobrino J A and 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]
  • Sun D L and Pinker R T. 2003. Estimation of land surface temperature from a geostationary operational environmental satellite (GOES-8). Journal of Geophysical Research: Atmospheres, 108 (D11): 4326 [DOI: 10.1029/2002JD002422]
  • Tang B H, Bi Y Y, Li Z L and 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]
  • Trigo I F, Monteiro I T, Olesen F and Kabsch E. 2008. An assessment of remotely sensed land surface temperature. Journal of Geophysical Research: Atmosphere, 113 (D17): D17108 [DOI: 10.1029/2008JD010035]
  • Valor E and 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]
  • Wan Z and Li Z L. 1997. A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data. IEEE Transactions on Geoscience and Remote Sensing, 35 (4): 980–996. [DOI: 10.1109/36.602541]
  • Wan Z M. 2013. New refinements and validation of the collection-6 MODIS land-surface temperature/emissivity product. Remote Sensing of Environment, 140 : 36–45. [DOI: 10.1016/j.rse.2013.08.027]
  • Wan Z M and Dozier J. 1996. A generalized split-window algorithm for retrieving land-surface temperature from space. IEEE Transactions on Geoscience and Remote Sensing, 34 (4): 892–905. [DOI: 10.1109/36.508406]
  • Wan Z M, Zhang Y L, Zhang Q C and Li Z L. 2002. Validation of the land-surface temperature products retrieved from terra moderate resolution imaging Spectroradiometer data. Remote Sensing of Environment, 83 (1/2): 163–180. [DOI: 10.1016/S0034-4257(02)00093-7]
  • Yu Y Y, Privette J L and Pinheiro A C. 2008. Evaluation of split-window land surface temperature algorithms for generating climate data records. IEEE Transactions on Geoscience and Remote Sensing, 46 (1): 179–192. [DOI: 10.1109/TGRS.2007.909097]
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体