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

多源地表温度估算近地表气温的精度对比

许慧慧 高美玲 李振洪 胡羽丰

许慧慧, 高美玲, 李振洪, 胡羽丰. 多源地表温度估算近地表气温的精度对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210541
引用本文: 许慧慧, 高美玲, 李振洪, 胡羽丰. 多源地表温度估算近地表气温的精度对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210541
XU Huihui, GAO Meiling, LI Zhenhong, HU Yufeng. The Accuracy Comparison of Near Surface Air Temperature Estimation Using Different Land Surface Temperature Sources[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210541
Citation: XU Huihui, GAO Meiling, LI Zhenhong, HU Yufeng. The Accuracy Comparison of Near Surface Air Temperature Estimation Using Different Land Surface Temperature Sources[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210541

多源地表温度估算近地表气温的精度对比

doi: 10.13203/j.whugis20210541
基金项目: 

国家自然科学基金(42001382,42041006,41941019);陕西省基础科学研究计划(2021JQ-238,2020JQ-350);长安大学中央高校基本科研业务费专项资金(300102261108,300102260301);中欧合作龙计划5(59339)。

详细信息
    作者简介:

    许慧慧,硕士生,主要从事热环境相关研究,huihui.xu@chd.edu.cn

The Accuracy Comparison of Near Surface Air Temperature Estimation Using Different Land Surface Temperature Sources

Funds: 

The National Natural Science Foundation of China (42001382, 42041006, 41941019)

  • 摘要: 近地表气温(简称气温)是陆-气交互过程中重要的变量之一。气象站点稀疏而使得观测到的气温空间不连续,基于地表温度数据结合辅助变量估算气温成为获取气温空间分布的有效方式。目前,已有多种地表温度产品,但鲜有研究评估多源地表温度数据在估算气温时的精度及其适用性。针对该问题,本研究利用Google Earth Engine平台和随机森林算法,基于Landsat、MODIS、全球陆面数据同化系统(Global Land Data Assimilation System,GLDAS)三种地表温度数据源估算了黄河流域近地表气温的最大值、最小值和平均值;结合站点观测分析了多源地表温度估算气温的精度及适用性。结果表明:三种地表温度数据源估算夏季气温平均值时精度差异较小;对于气温极值估算,GLDAS显著优于MODIS和Landsat;每种数据源估算气温极值的精度低于其估算气温均值;此外,地表温度的时间分辨率会显著影响近地表气温的估算精度。本研究可以为长时序气温产品估算提供科学参考。
  • [1] de Wit A J, van Diepen C A. Crop Growth Modelling and Crop Yield Forecasting Using Satellite-Derived Meteorological Inputs[J]. International Journal of Applied Earth Observations and Geoinformation, 2007, 10(4):414-425
    [2] Izady A, Davary K, Alizadeh A, et al. Groundwater Conceptualization and Modeling Using Distributed SWAT-Based Recharge for the Semi-Arid Agricultural Neishaboor Plain, Iran[J]. Hydrogeology Journal, 2015, 23(1):47-68
    [3] Robeson S M. Relationships between Mean and Standard Deviation of Air Temperature:Implications for Global Warming[J]. Climate Research, 2002, 22(3):205-213
    [4] Lofgren B M, Hunter T S, Wilbarger J. Effects of Using Air Temperature as a Proxy for Potential Evapotranspiration in Climate Change Scenarios of Great Lakes Basin Hydrology[J]. Journal of Great Lakes Research, 2011, 37(4):744-752
    [5] Wu T T, Li Y R. Spatial Interpolation of Temperature in the United States Using Residual Kriging[J]. Applied Geography, 2013, 44:112-120
    [6] Rolland C. Spatial and Seasonal Variations of Air Temperature Lapse Rates in Alpine Regions[J], Journal of Climate, 2003, 16(7):1032-1046
    [7] Gouvas M A, Sakellariou N K, Kambezidis H D. Estimation of the Monthly and Annual Mean Maximum and Mean Minimum Air Temperature Values in Greece[J]. Meteorology and Atmospheric Physics, 2011, 110(3/4):143-149
    [8] Kattel D B, Yao T D, Panday P K. Near-Surface Air Temperature Lapse Rate in a Humid Mountainous Terrain on the Southern Slopes of the Eastern Himalayas[J]. Theoretical and Applied Climatology, 2018, 132(3/4):1129-1141
    [9] Benali A, Carvalho A C, Nunes J P, et al. Estimating Air Surface Temperature in Portugal Using MODIS LST Data[J]. Remote Sensing of Environment, 2012, 124:108-121
    [10] Xu Y M, Anders K, Shen Y, et al. Mapping Monthly Air Temperature in the Tibetan Plateau from MODIS Data Based on Machine Learning Methods[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(2):345-354
    [11] Yang Y Z, Cai W H, Yang J. Evaluation of MODIS Land Surface Temperature Data to Estimate Near-Surface Air Temperature in Northeast China[J]. Remote Sensing, 2017, 9(5):410
    [12] Kloog I, Nordio F, Coull B A, et al. Predicting Spatiotemporal Mean Air Temperature Using MODIS Satellite Surface Temperature Measurements across the Northeastern USA[J]. Remote Sensing of Environment, 2014, 150:132-139
    [13] Prihodko L, Goward S N, Estimation of Air Temperature from Remotely Sensed Surface Observations[J], Remote Sensing of Environment, 1997, 60(3):335-346
    [14] Zhu W B, Lü A, Jia S F. Estimation of Daily Maximum and Minimum Air Temperature Using MODIS Land Surface Temperature Products[J]. Remote Sensing of Environment, 2013, 130:62-73
    [15] Zhang R H, Rong Y, Tian J, et al. A Remote Sensing Method for Estimating Surface Air Temperature and Surface Vapor Pressure on a Regional Scale[J]. Remote Sensing, 2015, 7(5):6005-6025
    [16] Sun Y J, Wang J F, Zhang R H, et al. Air Temperature Retrieval from Remote Sensing Data Based on Thermodynamics[J]. Theoretical and Applied Climatology, 2005, 80(1):37-48
    [17] Zhang W, Huang Y, Yu Y Q, et al. Empirical Models for Estimating Daily Maximum, Minimum and Mean Air Temperatures with MODIS Land Surface Temperatures[J]. International Journal of Remote Sensing, 2011, 32(24):9415-9440
    [18] Vancutsem C, Ceccato P, Dinku T, et al. Evaluation of MODIS Land Surface Temperature Data to Estimate Air Temperature in Different Ecosystems over Africa[J]. Remote Sensing of Environment, 2010, 114(2):449-465
    [19] Zhu S Y, Zhang G X. Progress in Near Surface Air Temperature Retrieved By Remote Sensing Technology[J]. Advances in Earth Science, 2011, 26(7):724-730
    [20] Mostovoy G V, King R L, Reddy K R, et al. Statistical Estimation of Daily Maximum and Minimum Air Temperatures from MODIS LST Data over the State of Mississippi[J]. GIScience & Remote Sensing, 2006, 43(1):78-110
    [21] Shen H F, Jiang Y, Li T W, et al. Deep Learning-Based Air Temperature Mapping by Fusing Remote Sensing, Station, Simulation and Socioeconomic Data[J]. Remote Sensing of Environment, 2020, 240:111692
    [22] Xu Y M, Knudby A, Ho H C. Estimating Daily Maximum Air Temperature from MODIS in British Columbia, Canada[J]. International Journal of Remote Sensing, 2014, 35(24):8108-8121
    [23] Li L, Zha Y. Mapping Relative Humidity, Average and Extreme Temperature in Hot Summer over China[J]. Science of the Total Environment, 2018, 61:875-881
    [24] Gao M L, Li Z H, Tan Z Y, et al. Use of Google Earth Engine to Generate a 20-Year 1 km×1 km Monthly Air Temperature Product over Yellow River Basin[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14:10079- 10090
    [25] Ho H C, Knudby A, Sirovyak P, et al. Mapping Maximum Urban Air Temperature on Hot Summer Days[J]. Remote Sensing of Environment, 2014, 154:38-45
    [26] Hansen M C, Potapovet P V, Moore R, et al. High-Resolution Global Maps of 21st-Century Forest Cover Change[J]. science, 2013, 342(6160):850-853
    [27] Donchyts G, Baart F, Winsemius H, et al. Earth's Surface Water Change over the Past 30 Years[J]. Nature Climate Change, 2016, 6(9):810-813
    [28] Liu X P, Huang Y H, Xu X C, et al. High-Spatiotemporal-Resolution Mapping of Global Urban Change from 1985 to 2015[J]. Nature Sustainability, 2020, 3(7):564-570
    [29] Tuckett P A, Ely J C, Sole A J, et al. Rapid Accelerations of Antarctic Peninsula Outlet Glaciers Driven by Surface Melt[J]. Nature Communications, 2019, 10:4311
    [30] Wang M M, Zhang Z J, Hu T, et al. An Efficient Framework for Producing Landsat-Based Land Surface Temperature Data Using Google Earth Engine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13:4689-4701
    [31] Mujawdiya R, Chatterjee R, Kumar D. MODIS Land Surface Temperature Time Series Decomposition for Detecting and Characterizing Temporal Intensity Variations of Coal Fire Induced Thermal Anomalies in Jharia Coalfield, India[J]. Geocarto International,2020,15:1-5
    [32] Kilibarda M, Hengl T, Heuvelink G B, et al. Spatio-temporal Interpolation of Daily Temperatures for Global Land Areas at 1 km Resolution. Journal of Geophysical Research:Atmospheres. 2014,119(5):2294-2313
  • [1] 刘浩, 王广军, 谈明洪.  咸海面积萎缩对区域地表温度的影响 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200165
    [2] 王爱辉, 杨英宝, 潘鑫, 胡解君德.  顾及时空特征的FY-4A云覆盖像元地表温度重建模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200039
    [3] 李恒凯, 吴冠华, 王秀丽.  面向开采扰动的离子型稀土矿区地表温度降尺度方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190022
    [4] 卢阳, 杨建思, 黄昕, 杨其全, 马嵩.  面向局部气候带的城市形态对地表温度的影响 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200031
    [5] 叶涛焱, 李莉, 姚炎明, 夏乐章, 管卫兵.  基于Landsat影像的杭州湾最大浑浊带年际变化研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170346
    [6] 魏然, 单杰.  城市地表温度影像时空融合方法研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150489
    [7] 王斐, 覃志豪, 宋彩英.  利用Landsat TM影像进行地表温度像元分解 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140604
    [8] 胡德勇, 乔琨, 王兴玲, 赵利民, 季国华.  利用单窗算法反演Landsat 8 TIRS数据地表温度 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150164
    [9] 徐涵秋, 林中立, 潘卫华.  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, doi: 10.13203/j.whugis20130733
    [10] 田礼乔, 陈晓玲, 邱凤, 张伟.  星载激光雷达气溶胶数据辅助的近岸浑浊水体大气校正研究 . 武汉大学学报 ● 信息科学版,
    [11] 杨元德, 鄂栋臣, 晁定波.  利用GRACE数据反演格陵兰冰盖冰雪质量变化 . 武汉大学学报 ● 信息科学版,
    [12] 赵强, 杨世植, 乔延利, 麻金继.  利用MODIS红外资料反演大气参数以及表层温度的研究 . 武汉大学学报 ● 信息科学版,
    [13] 周旋, 周晓中, 吴耀平, 翟景秋.  利用MODIS数据监测夜间雾 . 武汉大学学报 ● 信息科学版,
    [14] 毛克彪, 唐华俊, 周清波, 马柱国.  实用劈窗算法的改进及大气水汽含量对精度影响评价 . 武汉大学学报 ● 信息科学版,
    [15] 刘良明, 张红梅, 张丰.  近海Ⅱ类水体的MODIS影像大气校正方法 . 武汉大学学报 ● 信息科学版,
    [16] 周纪, 陈云浩, 李京, 蒋卫国.  基于MODIS数据的雪面温度遥感反演 . 武汉大学学报 ● 信息科学版,
    [17] 杜晓, 王世新, 周艺, 魏华.  一种新的基于MODIS的地表含水量模型构造与验证 . 武汉大学学报 ● 信息科学版,
    [18] 马慧云, 李德仁, 刘良明, 梁益同.  基于MODIS卫星数据的平流雾检测研究 . 武汉大学学报 ● 信息科学版,
    [19] 刘良明, 胡艳, 鄢俊洁, 谭德宝.  MODIS干旱监测模型各参数权值分析 . 武汉大学学报 ● 信息科学版,
    [20] 刘良明, 梁益同, 马慧云, 黄靖.  MODIS和AVHRR植被指数关系的研究 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  151
  • HTML全文浏览量:  27
  • PDF下载量:  18
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-09-30
  • 网络出版日期:  2022-03-31

多源地表温度估算近地表气温的精度对比

doi: 10.13203/j.whugis20210541
    基金项目:

    国家自然科学基金(42001382,42041006,41941019);陕西省基础科学研究计划(2021JQ-238,2020JQ-350);长安大学中央高校基本科研业务费专项资金(300102261108,300102260301);中欧合作龙计划5(59339)。

    作者简介:

    许慧慧,硕士生,主要从事热环境相关研究,huihui.xu@chd.edu.cn

摘要: 近地表气温(简称气温)是陆-气交互过程中重要的变量之一。气象站点稀疏而使得观测到的气温空间不连续,基于地表温度数据结合辅助变量估算气温成为获取气温空间分布的有效方式。目前,已有多种地表温度产品,但鲜有研究评估多源地表温度数据在估算气温时的精度及其适用性。针对该问题,本研究利用Google Earth Engine平台和随机森林算法,基于Landsat、MODIS、全球陆面数据同化系统(Global Land Data Assimilation System,GLDAS)三种地表温度数据源估算了黄河流域近地表气温的最大值、最小值和平均值;结合站点观测分析了多源地表温度估算气温的精度及适用性。结果表明:三种地表温度数据源估算夏季气温平均值时精度差异较小;对于气温极值估算,GLDAS显著优于MODIS和Landsat;每种数据源估算气温极值的精度低于其估算气温均值;此外,地表温度的时间分辨率会显著影响近地表气温的估算精度。本研究可以为长时序气温产品估算提供科学参考。

English Abstract

许慧慧, 高美玲, 李振洪, 胡羽丰. 多源地表温度估算近地表气温的精度对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210541
引用本文: 许慧慧, 高美玲, 李振洪, 胡羽丰. 多源地表温度估算近地表气温的精度对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210541
XU Huihui, GAO Meiling, LI Zhenhong, HU Yufeng. The Accuracy Comparison of Near Surface Air Temperature Estimation Using Different Land Surface Temperature Sources[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210541
Citation: XU Huihui, GAO Meiling, LI Zhenhong, HU Yufeng. The Accuracy Comparison of Near Surface Air Temperature Estimation Using Different Land Surface Temperature Sources[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210541
参考文献 (32)

目录

    /

    返回文章
    返回