留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

城市地表温度影像时空融合方法研究

魏然 单杰

魏然, 单杰. 城市地表温度影像时空融合方法研究[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
引用本文: 魏然, 单杰. 城市地表温度影像时空融合方法研究[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
WEI Ran, SHAN Jie. Spatial and Temporal Fusion for Urban Land Surface Temperature Image Mapping[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
Citation: WEI Ran, SHAN Jie. Spatial and Temporal Fusion for Urban Land Surface Temperature Image Mapping[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489

城市地表温度影像时空融合方法研究

doi: 10.13203/j.whugis20150489
基金项目: 

国家重点基础研究发展计划(973计划) 2012CB719904

详细信息
    作者简介:

    魏然, 博士, 主要从事地表温度反演和时空融合的理论与方法研究。weiran85@whu.edu.cn

  • 中图分类号: P237

Spatial and Temporal Fusion for Urban Land Surface Temperature Image Mapping

Funds: 

The National Program on Key Basic Research of China(973 Program) 2012CB719904

More Information
    Author Bio:

    WEI Ran, PhD, specializes in land surface temperature retrieve and spatiotemporal fusion. E-mail: weiran85@whu.edu.cn

图(8) / 表(1)
计量
  • 文章访问数:  1490
  • HTML全文浏览量:  139
  • PDF下载量:  367
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-03-24
  • 刊出日期:  2018-03-05

城市地表温度影像时空融合方法研究

doi: 10.13203/j.whugis20150489
    基金项目:

    国家重点基础研究发展计划(973计划) 2012CB719904

    作者简介:

    魏然, 博士, 主要从事地表温度反演和时空融合的理论与方法研究。weiran85@whu.edu.cn

  • 中图分类号: P237

摘要: 地表温度(land surface temperature,LST)是反映地表能量和水平衡物理过程的一个重要参数,受限于载荷量的限制以及传感器的技术瓶颈,当前的卫星平台均难以获取同时具有较高空间和时间分辨率的遥感地表温度影像,客观上影响了遥感地表温度影像的应用。针对地表异质性较高的城市区域,选取覆盖武汉城区的中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer,MODIS)和增强型专题绘图仪(Enhanced Thematic Mapper Plus,ETM+)数据,结合时空反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM)和非线性辐射温度分解算法(non-linear disaggregation procedure for radiometric surface temperature,NL-DisTrad)对地表温度影像进行时空融合研究,最终生成60 m空间分辨率的逐日地表温度融合影像。将融合影像与2002-07-09和2002-10-13的ETM+实际地表温度影像进行融合精度验证分析,其决定系数R2分别为0.80和0.86,均方根误差(root mean square error,RMSE)分别为2.65 K和1.78 K。实验结果表明,所提出的地表温度时空融合模型在城市区域的地表温度时空融合应用中具有潜在的应用前景。

English Abstract

魏然, 单杰. 城市地表温度影像时空融合方法研究[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
引用本文: 魏然, 单杰. 城市地表温度影像时空融合方法研究[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
WEI Ran, SHAN Jie. Spatial and Temporal Fusion for Urban Land Surface Temperature Image Mapping[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
Citation: WEI Ran, SHAN Jie. Spatial and Temporal Fusion for Urban Land Surface Temperature Image Mapping[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
  • 地表温度(land surface temperature, LST)是监测植被生长、水资源管理和干旱监测的重要参数, 在多种生态过程中起决定性作用[1]。利用卫星传感器获取的热红外波段数据能够反演LST,使得大范围、连续性的LST观测成为可能。但由于卫星平台载荷量有所限制,并且在传感器的研制上仍存在技术瓶颈,因此,设计传感器时需要对其所具有的时间分辨率和空间分辨率特性进行取舍,造成增强型专题绘图仪(Enhanced Thematic Mapper Plus, ETM+)、先进星载热辐射与反射辐射计(Advanced Spaceborne Thermal Emission and Reflection Radiometer, ASTER)、热红外传感器(Thermal Infrared Sensor, TIRS)、中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer, MODIS)等主流卫星传感器均难以获取到同时具有较高时间和空间分辨率的LST数据,从而限制了遥感LST数据的应用。

    将多时相、多源卫星传感器数据进行时空融合是解决这一问题的有效途径。近年来相继出现了利用已知时相获取的覆盖相同地区的MODIS和ETM+反射率影像构造其他时相MODIS反射率影像对应的ETM+反射率影像的时空融合模型。基于重构原理的时空融合模型最为普及,这类模型利用待融合像元邻域内的相似像元,依据光谱、时间和空间等的综合权重插值生成融合像元,如时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model, STARFM)[2]、时空自适应反射率变化制图法(spatial temporal adaptive algorithm for mapping reflectance change, STAARCH)[3]、改进型时空自适应反射率融合方法(enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM)[4]、时空数据融合法(spatial and temporal data fusion approach, STDFA)[5], 以及考虑不同地表覆盖的反射率在不同观测平台下的观测差异而提出的改进型时空融合方法[6]等。

    时空反射率融合方法在保证较高辐射精度的前提下显著提高了ETM+反射率影像的时间分辨率,并为LST影像的时空融合提供了思路。利用多卫星平台获取的热红外数据可以获得同时具有高空间和时间分辨率的地表蒸散量影像,可以更好地监测陆地生态系统水分状况[7]。在公共卫生研究领域,时空融合LST影像也能用于准确地监测热传染性疾病的分布[8]。为了提高时空融合LST影像的辐射精度,学者们也对LST时空融合模型本身进行了改进,如利用双边滤波算法的LST模型[9]、基于ESTARFM的时空自适应温度融合法(spatio-temporal adaptive data fusion algorithm for temperature mapping, SADFAT)[10]、利用3个卫星传感器的LST时空融合模型[11]。上述LST时空融合模型在地表覆盖同质性较高的区域有着良好的融合精度,但是该类方法都基于同类像元辐射率一致等假设,因而容易受到像元辐射率在空间和时间上的变异性影响。该类模型输入的MODIS影像的热红外波段的空间分辨率较低,存在严重的混合像元情况,将MODIS像元所接收到的辐射信息映射到ETM+像元这一过程会出现一定程度的误差,造成该类模型在异质性较高的区域(如城市等)的应用中会存在较大的融合误差。

    具有高空间和时间分辨率的LST是城市热岛效应研究的重要参数[12],本文结合时空反射率融合模型和地表温度降尺度算法,针对目前已有的LST时空融合模型在地表异质性较高的区域融合精度不高的问题,提出了一种新的LST时空融合方法。利用MODIS和ETM+数据对本文方法进行实验验证,以实际ETM+影像作为参考,对本文和SADFAT方法得到的融合结果进行对比分析。

    • 在众多基于重构原理的时空反射率融合模型中,ESTARFM模型考虑了像元的异质性,其基于混合像元分解理论,引入纯净像元与混合像元在一段时间内反射率变化的转换系数,提高了模型在异质性较高区域的反射率融合精度,因此本文利用ESTARFM进行反射率时空融合, 主要针对异质性较高的复杂区域,。

      该模型需要已知预测时相tp的低分辨率影像,以及分别在时相t1t2(t1tpt2)获取的两组高、低分辨率影像对。模型基于滑动窗口实现,实现过程如下。

      1) 相似像元搜索。基于阈值判断准则在邻域窗口内搜索相似像元,由于引入了两组已知时相的影像,需要同时满足两个时相的阈值判断才能被定义为相似像元,具体判断为:

      $$ \left\{ \begin{align} &\left| H\left( {{x}_{i}}, {{y}_{i}}, {{t}_{1}}, {{b}_{j}} \right)-H\left( {{x}_{w/2}}, {{y}_{w/2}}, {{t}_{1}}, {{b}_{j}} \right) \right|\le \\ &\frac{2{{\sigma }_{j}}{{({{t}_{1}})}^{2}}}{\mathit{N}} \\ &\left| H({{x}_{i}}, {{y}_{i}}, {{t}_{2}}, {{b}_{j}})-H({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{2}}, {{b}_{j}}) \right|\le \\ &\frac{2{{\sigma }_{j}}{{({{t}_{2}})}^{2}}}{\mathit{N}} \\ \end{align} \right. $$ (1)

      式中,H表示高分辨率影像;(xw/2, yw/2)表示大小为w×w窗口的中心像元坐标;(xi, yi)为窗口内第i个像元坐标;bj表示第j个波段;σj为第j波段的反射率标准差;N表示该邻域内所包含的土地覆盖类型种类。

      2) 相似像元权重计算。权重W决定在预测中心像元的反射率变化时,邻域内相似像元对中心像元的贡献。它由相似像元与中心像元的光谱相似度S以及空间距离D综合决定,当一个相似像元同时具有与中心像元较高的光谱相似度以及较小的空间距离时,该像元对中心像元的反射率变化预测贡献更高,具体计算方法参见文献[4]。

      3) 转移系数V计算。同时对t1t2的高、低分辨率影像反射率进行线性回归,将斜率作为转移系数,并假设在t1t2这段时期内,转移系数不变。

      4) 中心像元反射率预测。利用t1t2时相的高、低分辨率影像可分别得到对tp时相的中心像元反射率的预测H1(xw/2, yw/2, tp, bj)及H2(xw/2, yw/2, tp, bj),其计算公式为:

      $$ \begin{align} &{{H}_{1}}({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{p}}, {{b}_{j}})=H({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{1}}, {{b}_{j}})+ \\ &\ \ \ \ \ \ \ \ \ \ \sum\limits_{i=1}^{\mathit{n}}{{{W}_{i}}\times V\times (L({{x}_{i}}, {{y}_{i}}, {{t}_{p}}, {{b}_{j}})-} \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ L({{x}_{i}}, {{y}_{i}}, {{t}_{1}}, {{b}_{j}}) \\ \end{align} $$ (2)
      $$ \begin{align} &{{H}_{2}}({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{p}}, {{b}_{j}})=H({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{2}}, {{b}_{j}})- \\ &\ \ \ \ \ \ \ \ \ \ \sum\limits_{i=1}^{n}{{{W}_{i}}\times V\times (L({{x}_{i}}, {{y}_{i}}, {{t}_{2}}, {{b}_{j}})-} \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ L({{x}_{i}}, {{y}_{i}}, {{t}_{p}}, {{b}_{j}}) \\ \end{align} $$ (3)

      式中,L表示低分辨率影像;n为邻域内相似像元总数。

      利用时间权重将两者进行融合,使其对tp时刻的预测反射率更准确,如式(4)所示:

      $$ \begin{align} &H({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{p}}, {{b}_{j}})={{T}_{1}} \times \\ &{{H}_{1}}({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{P}}, {{b}_{j}})+{{T}_{2}} \times\\ & \ \ \ \ \ {{H}_{2}}({{x}_{w/2}}, {{y}_{w/2}}, {{t}_{p}}, {{b}_{j}}) \\ \end{align} $$ (4)

      式中,T1T2分别表示t1t2时相对tp时相中心像元预测反射率的时间权重,具体计算公式可参见文献[4]。

    • LST降尺度也被称为热红外影像锐化或混合像元分解,国内学者对LST降尺度算法进行了详尽的综合性评述[13],并对其中几种算法进行了性能对比分析[14]。本文所采用的LST降尺度算法是基于统计回归的算法,其原理是引入可见光波段等更高空间分辨率的信息构造趋势面,在低分辨率尺度下建立LST与趋势面因子间的趋势面转换模型,假设该模型具有尺度不变特性,再将该转换模型应用到高分辨率尺度上,最终完成LST尺度转换。基于统计回归算法的关键是建立可以描述趋势面因子与LST间关系的模型,其中结合辐射温度分解算法(disaggregation procedure for radiometric surface temperature, DisTrad)[15]算法和反向传播(back propagation, BP)神经网络提出的非线性辐射温度分解算法(non-linear disaggregation procedure for radiometric surface temperature, NL-DisTrad)[16],能利用神经网络更好地模拟趋势面因子与LST间的复杂关系模型,因此本文利用该算法进行LST降尺度。

      NL-DisTrad算法以归一化植被指数(normalized difference vegetation index, NDVI)作为趋势面因子,并将NDVI与LST关系模型的建立分为两个环节。由于干燥地物像元的NDVI与LST间的关系呈现出稳定的负相关性,算法首先建立代表干燥地物的热边函数;再利用BP神经网络建立由植被覆盖、土壤含水量和气象因子等众多因素造成的NDVI与LST变异性关系的网络模型。实现步骤如下。

      1) 将NDVI影像下采样为LST影像的分辨率,在NDVI-LST的低空间分辨率特征分布空间中,剔除水体像元,选取不同NDVI所对应的高LST像元作为热边像元,并对该部分像元进行二次函数拟合。

      2) 计算热边函数拟合的LST与实际LST的差值,将3×3邻域窗口内的NDVI作为输入,中心像元的LST残差作为输出,利用BP神经网络建立邻域NDVI与LST残差的关系模型,本文采用的BP神经网络的模式为9-10-1。

      3) 将在低分辨率尺度下训练好的热边函数和BP神经网络应用于高分辨率NDVI影像,生成高分辨率的LST影像,完成空间尺度转换。

    • 本文选择ETM+和MODIS影像分别作为高、低空间分辨率影像,实现两个传感器间的LST时空融合。充分发挥反射率时空融合模型和LST降尺度技术的各自优势,将LST时空融合分为两个步骤:首先,利用已知时相t1t2的ETM+和MODIS影像以及预测时相tp的MODIS影像,通过ESTARFM模型预测tp时相的60 m反射率影像,并计算得到tp时相的NDVI影像;然后,将其作为LST空间降尺度的趋势面因子,通过NL-DisTrad算法在MODIS空间分辨率尺度(960 m)下建立NDVI-LST的尺度转换模型,并将该模型应用于上一步生成的tp时相的融合NDVI影像,最终得到tp时相的60 m空间分辨率LST影像,完成预测时相LST的空间尺度转换。需要注意的是,由于是异源卫星传感器间的时空融合应用,要考虑不同传感器间的辐射观测差异,进行传感器间的相对辐射校正。融合方法实现流程如图 1所示。

      图  1  融合方法流程图

      Figure 1.  Flowchart of Research Method

    • 以实际观测得到的ETM+的NDVI和LST影像作为验证影像,分别采用目视和相关性分析的方法,定性和定量地评价融合NDVI和LST影像的结果精度。本文选择决定系数R2和均方根误差(root mean square error, RMSE)作为检验融合影像与观测影像相似性的定量评价指标。

    • 本文的研究区域为中国武汉市城区。武汉市属北半球亚热带湿润季风型气候,其土地覆盖类型主要包括城镇、农田、水域和林地。由于经济的高速发展,武汉市的土地覆盖类型变化很快,尤其是城郊区的耕地流失较快, 而城市建设用地面积不断增加, 加上工业废气的排放, 使得武汉市的热岛现象较为严重。图 2为研究区域的RGB影像(由ETM+的第4、2、1波段组成)。

      图  2  武汉研究区域RGB影像

      Figure 2.  Study Area of Wuhan

    • 实验数据分别为ETM+数据、MODIS的大气校正反射率产品MOD09GA和地表温度产品MOD11A1。分别选取2002年3月19日、7月9日、10月13日以及2003年1月17日的4景质量良好且无云覆盖的ETM+数据和MODIS产品进行模型的实现和精度验证。

      利用ENVI-FLAASH模块对ETM+数据进行大气校正,以中国湖北省1:10 000地形图对大气校正后的影像进行几何校正,并重投影为UTM-WGS84坐标系第49带,误差小于0.5个像元。利用单窗算法[17]得到ETM+的LST影像。采用监督分类方法对研究区域进行土地覆盖分类,共分为城镇、农田、水域、林地、裸地5大土地覆盖类型,总体分类精度高于82%。利用MODIS重投影工具(MODIS reprojection tool, MRT)将MODIS产品重投影为与ETM+影像相同的投影坐标系,并分别利用双线性插值法将MOD09GA产品的第1、2、4波段反射率和MOD11A1产品LST重采样为60 m、240 m和960 m(为ETM+影像空间分辨率的倍数),以便后续运算。截取512×512个像元(空间分辨率为60 m)的区域作为实验分析区。

    • 首先,利用ESTARFM算法得到武汉地区60 m的NDVI融合影像。选取2002年3月19日与2003年1月17日的反射率数据来分别预测2002年7月9日和10月13日的NDVI影像,融合结果如图 3所示。图 3(a)图 3(b)分别为2002年7月9日和10月13日的ETM+实际NDVI影像;图 3(c)图 3(d)分别为利用ESTARFM算法融合得到的2002年7月9日和10月13日的NDVI影像。

      图  3  实际(上)与融合(下)的NDVI影像

      Figure 3.  Observed and Fused NDVI Images

      图 3中可以看出, 融合NDVI影像和实际NDVI影像的分布很相似,这表明ESTARFM算法能够较好地预测出这两个时相NDVI的变化信息,但对于较复杂的细节信息(例如图 3中的细节放大图),预测影像出现模糊的现象,其原因是ETM+和MODIS的可见光和近红外波段的空间分辨率相差仍然较大,以至于融合算法难以捕捉纹理丰富且任意分布的地物特征。另一方面,在农田和湿地等区域预测影像与实际影像存在明显的光谱差异,其原因是ESTARFM需利用预测时相的前、后时相的两对观测影像,但是由于武汉区域无云遮盖的ETM+影像较少,造成前、后观测时相与预测时相的间隔较长,长时间间隔引起的地物变化会造成预测影像光谱上的明显差异,而农田和湿地会由于物候或季节的变化产生明显的地物类型改变,造成在这些区域的融合结果存在预测误差。

      为了更直观地进行比较,图 4给出了融合NDVI与实际NDVI影像的散点分布图,其中图 4(a)图 4(b)分别代表 2002年7月9日和10月17日的结果,散点图中所有的数据点大致都分布在Y=X等值线两侧,且其R2分别为0.85和0.88,RMSE分别为0.073和0.052。这些指标表明ESTARFM方法得到的融合NDVI影像较为准确,可为后续利用NL-DisTrad方法对LST进行降尺度的环节提供可靠的输入。

      图  4  实际与融合NDVI影像散点图

      Figure 4.  Scatter Plots for Observed and Fusion NDVI Images

    • 选择2002年7月9日的MODIS数据说明NL-DisTrad的算法步骤。图 5展示了低空间分辨率下建立的热边函数和残差模型。图 5(a)为热边函数的拟合结果,剔除水体像元后,选取NDVI和LST的特征分布图中不同NDVI所对应的较高LST值像元作为热边像元,并对这些像元进行二次函数拟合,得到热边函数。图 5(b)为实际LST与热边函数拟合LST的差值以及通过BP网络训练的LST差值间的散点分布。从图 5中可以看出拟合差值与实际差值分布较为一致,系数R2为0.763。

      图  5  热边函数和LST残差模型建立

      Figure 5.  Hot Edge Function and LST Difference Model Built in Low Spatial Resolution

      将低空间分辨率下训练的热边函数和BP神经网络模型应用于预测时相的融合NDVI影像,得到预测时相的融合LST影像,选取2002年7月9日的实际和融合结果进行比较展示,如图 6所示。其中,白色部分为水体,图 6(a)为实验区域MODIS的LST产品,图 6(b)为利用单窗算法生成的LST,将其作为实际参考影像,图 6(c)为本文方法得到的融合LST影像,图 6(d)为SADFAT方法得到的融合LST影像。相较于MODIS的LST产品,本文方法和SADFAT方法生成的融合LST影像在空间分辨率上有了很大的提高,且其分布与实际LST分布较为一致。本文选取了武汉城郊区域进行LST影像的细节展示,其范围如黑色标记框所示,图 6(e)图 6(f)图 6(g)分别为该区域所对应的LST细节图。从细节图上可以看出,本文方法生成的结果较之SADFAT方法生成结果更接近于实际参考影像,尤其对线状地物的LST还原较为准确,而SADFAT方法生成的LST在线状地物区域存在模糊现象,甚至存在细节缺失的情况。MODIS与ETM+的热红外波段空间分辨率比高达16,MODIS热红外波段混合像元现象严重,SADFAT方法直接将MODIS像元的热红外辐射信息映射到ETM+像元,这一映射过程会出现一定程度的误差,这种误差在异质性较高的城市区域更加明显,造成了融合结果中地物的细节模糊或缺失。本文方法首先利用MODIS数据中具有较高空间分辨率的反射率波段进行反射率时空融合,再将LST降尺度技术应用于融合反射率,生成预测时相的高分辨率LST,缓解了混合像元所造成的融合误差。

      图  6  2002-07-09实际与融合LST影像

      Figure 6.  Observed and Fused LST Images

      图 7为2002年7月9日两者的差值影像和差值直方图, 反映了本文方法融合LST与实际LST影像的差异。其中,图 7(a)为融合LST与实际LST的差值影像,从图中可以看出差值总体不高,其差值均值为0.52 K。但是在观测时相期间,地表覆盖类型发生较大变化区域(如江河、湖泊与陆地的交界处、城郊的农田、湿地等)的融合LST与实际LST间存在较大差异,最大差值的绝对值达到5.27 K。图 7(b)为差值影像直方图,呈现出良好的正态分布特性。

      图  7  2002-07-09实际与融合LST差值影像和直方图统计

      Figure 7.  Differences and Their Histograms of the Observed and Fused LST Images

      图 8分别为两组预测时相本文方法和SADFAT方法生成的融合LST与实际LST的相关分布图,相关分布图中所有的数据点大致都分布在Y=X等值线两侧,且在两个预测时相,本文方法生成结果较之SADFAT方法的生成结果,均表现出与实际LST影像间更好的相关性。

      图  8  实际与融合LST影像的散点分布图

      Figure 8.  Scatter Plots for Observed and Fused LST Images

      两组预测时相融合LST影像的定量评价参数统计见表 1。从表 1中可以看出,在两个预测时相,本文方法得到的融合LST与实际LST影像的R2分别为0.803和0.862,RMSE分别为2.65 K和1.78 K,均优于SADFAT方法的生成结果,反映出本文方法生成的融合影像与实际影像光谱相似性更高,差异更小,融合结果更准确。

      表 1  融合LST影像评价参数统计表

      Table 1.  Statistics of the Fused LST Images

      日期 本文方法 SADFAT
      R2 RMSE/K R2 RMSE/K
      2002-07-09 0.803 2.65 0.785 3.02
      2002-10-13 0.862 1.78 0.828 1.93
    • 针对地表异质性较高的城市区域,本文将时空反射率融合模型(ESTARFM)和非线性地表温度降尺度算法(NL-DisTrad)相结合,提出了一种综合型的LST时空融合模型。利用武汉城区的多时相MODIS和ETM+数据对该模型进行了60 m实验验证,生成了具有MODIS时间分辨率和空间分辨率的LST影像。采用ETM+实际LST产品进行验证分析,两个预测时相的融合结果与实际LST影像的R2分别达到0.803和0.862,RMSE分别为2.65 K和1.78 K,并且各项评价参数均优于经典模型SADFAT的结果。本文方法的特点在于将LST时空融合过程分为反射率时空融合与LST降尺度两个步骤进行。由于MODIS反射率波段与ETM+反射率波段的空间分辨率差距较小,反射率时空融合能有效降低异质区域混合像元的融合误差;再利用LST降尺度算法将LST与下垫面的物理关系带入整个模型中,从而显著提高了融合精度。本文方法也适用于其他多种同时具有可见光、近红外和热红外波段的多光谱卫星传感器,能够为相关研究提供同时具有高空间和时间分辨率的遥感LST影像。

参考文献 (17)

目录

    /

    返回文章
    返回