快速检索        
  武汉大学学报·信息科学版  2017, Vol. 42 Issue (7): 869-876

文章信息

胡德勇, 乔琨, 王兴玲, 赵利民, 季国华
HU Deyong, QIAO Kun, WANG Xingling, ZHAO Limin, JI Guohua
利用单窗算法反演Landsat 8 TIRS数据地表温度
Comparison of Three Single-window Algorithms for Retrieving Land-Surface Temperature with Landsat 8 TIRS Data
武汉大学学报·信息科学版, 2017, 42(7): 869-876
Geomatics and Information Science of Wuhan University, 2017, 42(7): 869-876
http://dx.doi.org/10.13203/j.whugis20150164

文章历史

收稿日期: 2015-12-09
利用单窗算法反演Landsat 8 TIRS数据地表温度
胡德勇1, 乔琨1,2, 王兴玲3, 赵利民4, 季国华1     
1. 首都师范大学资源环境与旅游学院, 北京, 100048;
2. 北京师范大学地理科学学部遥感科学与工程研究院, 北京, 100875;
3. 民政部国家减灾中心, 北京, 100721;
4. 中国科学院遥感与数字地球研究所, 北京, 100101
摘要:以Landsat 8为数据源,并结合地表发射率、大气透过率等参数遥感估算方法,提出了针对TIRS 10数据的单窗算法TIRS10_SC,并开展了研究区的地表温度反演3种单窗算法的对比研究。结果表明,TIRS10_SC算法紧密结合Landsat8 TIRS传感器的特性,通过遥感估算城区下垫面的地表发射率、大气透过率等特征,可以较为准确地估算出地表不同覆被类型的温度;裸土与水泥下垫面等相对均质的下垫面的温度反演效果稍好,TIRS10_SC算法和Q_SC算法其平均误差为0.60℃,JM_SC算法其平均误差为1.01℃;对于植被下垫面,TIRS10_SC算法和Q_SC算法其平均误差为1.48℃,JM_SC算法其平均误差为1.26℃,为了提升城区植被下垫面温度反演精度,应该进一步准确地量化其发射率特性。
关键词热红外遥感     地表温度     单窗算法     Landsat 8 TIRS    
Comparison of Three Single-window Algorithms for Retrieving Land-Surface Temperature with Landsat 8 TIRS Data
HU Deyong1, QIAO Kun1,2, WANG Xingling3, ZHAO Limin4, JI Guohua1     
1. College of Resource Environment & Tourism, Capital Normal University, Beijing 100048, China;
2. Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China;
3. Information Center, Ministry of Civil Affairs, Beijing 100721, China;
4. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
First author: HU Deyong, PhD, professor, specializes in resources and environment remote sensing, etc. E-mail: deyonghu@163.com
Corresponding author: QIAO Kun, master. E-mail: qiaoyingying2009@126.com
Foundation support: The National Natural Science Foundation of China, No. 41671339; the "Twelfth Five Year Plan" Advanced Project on Civil Space of National Defense Science and Industry Bureau, No. D030101
Abstract: Land surface temperature (LST) is one of the important biophysical variables affecting the exchange of water and energy between land-surface and atmosphere, and it is significant to retrieve LST accurately. The mono-window algorithm is more applied in Landsat TM 6 data, including Jiménez-Muñoz mono-window algorithm (JM_SC) and Qin Zhihao mono-window algorithm (Q_SC). There are a lot of changes for Landsat8 thermal infrared sensor (TIRS) compared with Landsat TM6. Thus a mono-window algorithm for Landsat 8 data (TIRS10_SC) was proposed first, and then some comparison and analysis of three mono-window algorithms were conducted in this paper. The results show that:(1) The TIRS10_SC algorithm is closely integrated with the characteristics of Landsat8 TIRS sensor and it performs well to retrieve LST of different land-cover types based on the retrieval of atmospheric transmittance and land-surface emissivity. (2) Through the comparative analysis, it is found that the retrieval accuracy with Q_SC and TIRS10_SC is higher than JM_SC algorithm. (3) The retrieval results of homogeneous underlying surfaces such as bare soil land and cement surfaces are more accurate than vegetated surfaces. For bare soil land and cement surfaces, the average error of TIRS10_SC and Q_SC algorithm is 0.60℃, and that of JM_SC is 1.01℃; for vegetated surfaces, the average error of TIRS10_SC and Q_SC algorithm is 1.48℃, and that of JM_SC is 1.26℃.In order to improve the LST retrieval accuracy of vegetated surfaces in urban areas, the land-surface emissivity characteristics of vegetated surfaces need to be quantified more accurately.
Key words: thermal remote sensing     land surface temperature     mono-window algorithm     Landsat 8 TIRS    

地表温度是非常重要的地表参数之一,它影响着“地-气”之间的能量交换和水热平衡过程,在城市热环境、辐射和能量平衡、全球气候变化等研究领域都有重要的应用价值[1-2]。常规的单点测温技术很难获取大面积地表温度的空间分布特征,因而测温结果在区域研究和应用中受到了极大的限制。热红外遥感探测技术能够探测到地表直接发射能量,成为目前获取区域地表温度的重要途径。

目前, 针对地表温度的遥感反演算法很多,包括辐射传导方程法、单窗算法、劈窗算法以及多通道多角度算法等,不同的算法适用于具有不同特性的热红外遥感数据[3]。Landsat卫星系列数据一直是地表温度反演的重要遥感数据之一,2013年Landsat 8卫星成功发射,又为地表温度反演提供了新的数据源。近期国内外学者针对Landsat 8数据的地表温度反演方法已经开展了研究,如Jiménez-Muñoz对单窗算法和劈窗算法的反演精度和敏感性进行了对比分析,结果表明随着大气水汽含量的增加,劈窗算法的精度略高于单通道算法[4];文献[5]探讨了劈窗算法反演地表温度的可行性以及相关参数的敏感性;Yu对辐射传导方程法、劈窗算法以及单通道算法3种算法的反演精度进行了定量对比分析,结果表明辐射传导方程法精度最高[6],其次是劈窗算法,最后是单通道算法。但是,上述提到的研究都是基于模拟数据集,没有涉及到Landsat 8热红外图像。Landsat 8热红外传感器(TIRS)包括第10波段(TIRS 10) 和第11波段(TIRS 11),Yu[6]在使用单波段进行地表温度反演时,发现第10波段相对于第11波段有着较高的反演精度;另外,美国地质调查局(United States Geological Survey,USGS)指出由于Landsat 8卫星刚发射运行不久,TIRS第11波段暂时存在定标不稳定性,因而不建议运用劈窗算法进行定量研究,如劈窗算法反演地表温度以及大气校正等[7]。故本文主要针对Landsat 8 TIRS 10数据讨论其单窗算法。

国内外学者已经对Landsat数据的单窗算法开展了很多研究,主要有Jiménez-Muñoz算法[8](JM_SC)和覃志豪算法[9](Q_SC)。他们将大气和地表的影响直接包括在演算公式内,与辐射传输方程法和劈窗算法相比,简单易行、应用方便,能够适用于长时间序列的Landsat卫星数据地表温度的反演。但是,目前利用Landsat 8数据反演地表温度的研究还比较少。

本文根据Landsat 8 TIRS传感器的特性,提出了针对TIRS 10数据的单窗算法(TIRS10_SC),同时利用单窗算法JM_SC和Q_SC完成了研究区地表温度反演。最后利用地表温度实测数据对三种不同地表温度反演的结果进行了精度验证和比较,以期确立较好的地表温度反演的技术流程和方法。

1 方法和技术路线 1.1 研究区和数据

研究区位于河南省郑州市郊区,约位于地理坐标113°15′41″~113°17′20″E,34°50′06″~34°50′52″N的区域范围内。研究区内地势平坦,平均海拔在133~139 m之间,主要土地覆被类型为建设用地、耕地、裸土等, 如图 1所示。选取覆盖研究区Landsat 8数据和MODIS L1B Calibrated Reflectance产品。Landsat 8数据包括OLI数据和TIRS数据,前者主要用于估算研究区的地表发射率,后者主要用于反演地表温度;MODIS数据产品主要用于估算研究区的大气水汽含量。这些遥感数据的特性如表 1所示。

图 1 研究区位置及地面温度观测点位置示意图 Figure 1 The Location of Study Area and Observation Sites
表 1 遥感数据及其特性 Table 1 The Remote Sensing Data and Their Characteristics
遥感数据类型Landsat 8MODIS Calibrated
Reflectance
产品轨道号124/36
空间分辨率/m30(OLI)
100(TIRS)
250 (第2波段)
1 000(第19波段)
成像时间2014-05-22 11:002014-05-22 10:30

Landsat8 OLI数据的预处理包括辐射定标、大气校正和几何校正等。首先对Landsat 8 OLI数据的4、5波段进行辐射定标(定标系数来源于影像头文件),将数字值转换为表观辐射亮度;再对其进行大气校正,得到地表反射率;然后对MODIS数据进行几何校正和重投影等预处理,采用的投影方式为UTM,坐标系为WGS-84;最后将所有图像重采样至Landsat 8数据分辨率大小(30 m)。

同时,为开展地表温度遥感反演及其精度验证,我们采集了研究区地表温度观测数据。地表温度测定采用了集成热电偶的无线传感器网络(WSN)设备,以同步获取不同测定点、不同地物类型的表面温度,对于裸土和水泥地面测温,直接将WSN设备放置在裸土和水泥地面上方,紧贴地表;对于稀疏植被测温,将WSN设备捆绑在植被叶片上,紧贴植被叶片表层。该WSN设备的测温范围为-50℃~+350℃,频率为1次/min。依据研究区主要下垫面类型,共设定了15个观测点,编号为1、2、3、4、5、6、7、8、9、10、11、35、45、56和75,各测点的空间分布如图 1所示。其中,测点1、2、3、4、5、6、7、8下垫面为裸土,并在空间格局上布设为4×2阵列结构;9、10和11下垫面为水泥地面;测点35、45、56和75下垫面为稀疏植被。

1.2 TIRS接收到的热红外辐射能量

地表热辐射传输方程是遥感反演地表温度的基础。Landsat 8卫星TIRS接收到的辐射通量主要包括地表热辐射、大气上行热辐射以及大气下行热辐射被地表反射回传感器部分:

$ {L_{{\rm{sen}}}}\left( {{T_{10}}} \right) = \tau \varepsilon L\left( {{T_s}} \right) + \tau \left( {1 - \varepsilon } \right){L_a} \downarrow + {L_a} \uparrow $ (1)

式中,T10Ts分别代表TIRS 10亮温和地表温度(K);Lsen(T10)为亮温为T10时传感器接收到的辐射能量(W×m-2×sr-1×μm-1);L(Ts)为地表温度为Ts时的黑体辐射能量(W×m-2×sr-1×μm-1);τ为大气透过率(无量纲);ε代表地表发射率(无量纲);La↓为大气下行辐射(W×m-2×sr-1×μm-1);La↑为大气上行辐射(W×m-2×sr-1×μm-1)。

通过数学积分简化,La↑和La↓可近似为[9]

$ \left\{ \begin{array}{l} {L_a} \uparrow \approx \left( {1 - \tau } \right)L\left( {{T_a}} \right)\\ {L_a} \downarrow \approx \left( {1 - \tau } \right)L\left( {{T_a} \downarrow } \right) \end{array} \right. $ (2)

式中,TaTa↓分别表示大气向上和向下的平均作用温度(K);L(Ta)为大气温度为Ta时的大气向上辐射能量;L(Ta↓)为大气温度为Ta↓时的大气向下辐射能量。研究表明, 用Ta代替Ta↓对求解地表温度产生的影响可以忽略不计,则L(Ta)可以代替L(Ta↓)进行计算[9]

将式(2) 代入式(1),则Landsat 8 TIRS 10接收到的辐射能量可简化为:

$ \begin{array}{*{20}{c}} {{L_{{\rm{sen}}}}\left( {{T_{10}}} \right) = {\tau _{10}}{\varepsilon _{10}}L\left( {{T_s}} \right) + \left( {1 - {\tau _{10}}} \right) \times }\\ {\left[ {1 + \left( {1 - {\varepsilon _{10}}} \right){\tau _{10}}} \right]L\left( {{T_a}} \right)} \end{array} $ (3)

式中,τ10为TIRS 10的大气透过率;ε10为TIRS 10的地表发射率。

1.3 地表和大气的热红外辐射能量

根据普朗克黑体辐射理论,物体的辐射能量与温度和波长的关系为:

$ \begin{array}{*{20}{c}} {L\left( {{T_j}} \right) = 2h{c^2}/\left[ {\lambda _{10}^5 \times \left( {{{\rm{e}}^{hc/{\lambda _{10}}k{T_j}}} - 1} \right)} \right] = }\\ {{K_1}/\left( {{{\rm{e}}^{{K_2}/{T_j}}} - 1} \right)} \end{array} $ (4)

式中,L(Tj)为温度为Tj时的辐射能量;当j=10时,Tj代表TIRS 10的亮温(K);当j=s时,Tj代表地表温度(K);当j=a时,Tj代表大气平均作用温度(K);h为普朗克常数(h=6.626 1×10-34 J×s);c为真空中的光速(c=2.997 9×108 m×s-1);k为玻尔兹曼常数(k=1.380 6×10-23 J×K-1);K1K2为公式简化后常数,分别为774.89(W×m-2×sr-1×μm-1)和1 321.08(K)。

式(4) 可展开为:

$ \begin{array}{*{20}{c}} {L\left( {{T_j}} \right) = L\left( T \right) + \left( {{T_j} - T} \right)\partial L\left( T \right)/\partial T + \delta = }\\ {\left( {Q + {T_j} - T} \right)\partial L\left( T \right)/\partial T} \end{array} $ (5)

式中,Q=[L(T)+δ]/[əL(T)/əT]; L(Tj)和L(T)分别为在温度为TjT时的辐射能量;Q为温度参数(K);T为某一固定的温度(K);δ为一阶泰勒展开的余项;əL(T)/əT为辐射函数对温度T求偏导。

通常情况下,由于存在Ta < T10 < Ts关系,该T可以设置为T10[9]。展开温度参数的表达式[L(T)+δ]/[əL(T)/əT],有:

$ Q = T_{10}^2\left( {{{\rm{e}}^{{K_2}/{T_{10}}}} - 1} \right)/\left( {{K_2}{{\rm{e}}^{{K_2}/{T_{10}}}}} \right) + \Delta Q $ (6)

式中,ΔQ为泰勒展开余项δ带来的温度参数增量。

1.4 针对Landsat 8 TIRS 10单窗算法

当亮温T10较低时,式(6) 可近似为T102/K2,将其和式(5) 代入式(3),可推导出针对Landsat 8 TIRS 10数据的单窗算法(TIRS10_SC):

$ \begin{array}{*{20}{c}} {{T_s} = \left[ {{K_2}\left( {C + D} \right){T_{10}} + } \right.}\\ {\left. {\left( {1 - C - D} \right)T_{10}^2 - {K_2}D{T_a}} \right]/{K_2}C} \end{array} $ (7)

式中,C=ε10τ10; D=(1-τ10)[1+(1-ε10)τ10]; T10为TIRS 10的亮温(K);Ta为大气平均作用温度。

除了上述TIRS10_SC算法之外,本文还利用JM_SC算法和Q_SC算法开展研究区地表温度反演研究,并分析对比三者之间的差异。JM_SC算法和Q_SC算法的地表温度基本原理和公式参见文献[8-9]。

1.5 技术路线

本文采用TIRS10_SC、Q_SC和JM_SC算法,利用Landsat 8 TIRS数据反演地表温度,根据各参量的量化需求,制定了以下地表温度反演的技术路线,如图 2所示。

图 2 技术路线示意图 Figure 2 Flowchart of Technical

图 2可以看出,3种应用于Landsat 8 TIRS数据的反演算法的技术流程如下:

1) JM_SC算法。根据Landsat 8 TIRS光谱响应函数,确定c1c2常数;利用Landsat 8 OLI数据估算地表发射率ε10;利用MODIS数据估算大气水汽含量w10,然后利用大气水汽含量计算变量φ1φ2φ3

2) TIRS10_SC算法。利用MODIS数据估算大气水汽含量和大气透过率τ10;利用Landsat 8 OLI数据估算地表发射率ε10;然后,利用ε10τ10值计算CD中间变量;可以利用温度观测数据估算大气平均作用温度Ta[10],公式为Ta=16.011+0.926 21T0,其中T0为近地面气温。

3) Q_SC算法。根据Landsat 8 TIRS光谱响应函数,确定ab常数;其他参数确定方法和TIRS10_SC算法相同。

从上述技术流程可以看出,利用MODIS数据估算大气水汽含量和大气透过率τ10,利用Landsat 8 OLI数据估算地表发射率ε10是3种算法的共性问题,所采取的方法如下。

(1) 估算大气透过率值τ10。本文运用MODTRAN模拟了不同的大气状况下τ10w之间的关系,建立τ10w之间的模型,然后通过大气水汽含量估算大气透过率[11], 其中w由0.4 g/cm2增加到6 g/cm2,步长为0.2(图 3)。

图 3 TIRS第10波段大气透过率随大气水汽含量的变化 Figure 3 The Variation of Atmospheric Transmittance with Atmospheric Water Vapor Content for TIRS Band 10

为了获得更加精确的拟合关系,将大气水汽含量的范围分为两段进行拟合,结果如表 2

表 2 TIRS第10波段大气水汽含量与大气透过率关系式的拟合结果 Table 2 The Piecewise Relationships of Atmospheric Transmittance and Atmospheric WaterVapor Content for Band 10
大气水汽含量范
围/(g·cm-2)
拟合方程R2RMSE
0.4~3.0τ10=-0.017 7w2-0.043 5w+0.9340.999 90.000 5
3.0~6.0τ10=0.017 6w2-0.280 4w+1.337 40.997 20.004 4

选择和Landsat卫星过境时间大致相同的MODIS遥感数据,采用通道比值法估算大气水汽含量值[12]。通道比值法可以消除地表反射率随波长变化对大气透过率产生的影响,能够提高大气水汽含量的反演精度[12]

$ w = {\left\{ {\alpha - \ln \left[ {\rho \left( {19} \right)/\rho \left( 2 \right)\beta } \right]} \right\}^2} $ (8)

式中,w为大气水汽含量(g/cm2);ρ(19) 和ρ(2) 分别表示MODIS数据第19波段和第2波段的表观反射率;αβ为常数,针对不同的地表类型有不同的取值。本文采用混合型地表的参数α=0.02,β=0.651[12]

(2) 估算地表发射率值ε10

采用基于图像分类的计算方法估算地表发射率[13]。参照他人研究成果将建筑物表面、植被、裸土等纯净像元的地表发射率分别设为0.965、0.987和0.968[14]。运用监督分类将其分为城镇地表(包括道路、建筑物等)、自然地表(包括林地、耕地等)和裸土3类。城镇地表和自然地表的地表发射率可表示为[13]

$ \left\{ \begin{array}{l} \varepsilon = {P_v}{R_v}{\varepsilon _v} + \left( {1 - {P_v}} \right){R_m}{\varepsilon _m} + {\rm{d\varepsilon }}\left( {城镇地表} \right)\\ \varepsilon = {P_v}{R_v}{\varepsilon _v} + \left( {1 - {P_v}} \right){R_s}{\varepsilon _s} + {\rm{d\varepsilon }}\left( {自然地表} \right) \end{array} \right. $ (9)

式中,εm、εvεs分别代表建筑物表面、植被和裸土纯净像元的地表发射率;Pv为植被覆盖度;Rv、RmRs分别代表建筑物表面、植被和裸土的温度比率;dε为调节参数,可根据植被的构成比例求得[15]

$ \left\{ \begin{array}{l} {\rm{d\varepsilon }} = 0.0038{P_v},\;{P_v} \le 0.5\\ {\rm{d\varepsilon = 0}}{\rm{.0038}}\left( {1 - {P_v}} \right),{P_v} > 0.5 \end{array} \right. $ (10)

植被覆盖度可采用基于NDVI的像元二分模型来估算[16]

$ {P_v} = {\left( {\frac{{{\rm{NDVI}} - {\rm{NDV}}{{\rm{I}}_s}}}{{{\rm{NDV}}{{\rm{I}}_v} - {\rm{NDV}}{{\rm{I}}_s}}}} \right)^2} $ (11)

式中,NDVIs为裸露土壤的NDVI值;NDVIv为全植被覆盖区的NDVI值。

根据研究区实际植被覆盖状况,本文将NDVIs设为0.14,NDVIv设为0.5。当图像像元的NDVI>NDVIv时,则代表全植被覆盖,Pv=1;当图像像元的NDVI < NDVIs时,则代表裸土,Pv= 0。图像像元的NDVI、值通过Landsat 8 OLI数据第4、5波段数据求得。

植被、建筑物和裸土的温度比率由式(12) 估算[13]

$ \left\{ \begin{array}{l} {R_v} = 0.9332 + 0.0585{P_v}\\ {R_m} = 0.9886 + 0.1287{P_v}\\ {R_s} = 0.9902 + 0.1068{P_v} \end{array} \right. $ (12)
2 数据处理与结果分析 2.1 大气透过率处理结果

利用式(11) 估算得到研究区卫星过境时刻大气水汽含量约为2.78~2.82 g/cm2左右。再结合MODTRAN模拟得到的估算方程τ10=-0.017 7w2-0.043 5w+0.934 7,计算得到研究区大气透过率为0.66~0.68左右。

2.2 地表发射率处理结果

根据公式求得地表发射率如图 4所示,位于0.963~0.985之间,裸土和水泥下垫面区地表发射率较低,多数都小于0.972;耕地以及稀疏植被区由于植被叶冠密度不同而产生地表发射率的差异,叶冠密度较大时地表发射率可高达0.980~0.985,基本上都大于0.972。

图 4 地表发射率反演结果 Figure 4 The Retrieval Result of Land Surface Emissivity
2.3 地表温度反演结果及其精度验证

根据大气透过率和地表发射率的估算结果,采用3种算法对研究区的地表温度进行反演,结果如图 5所示。从图 5中颜色分布可以看出研究区下垫面温度空间差异明显,3种反演算法得到的地表温度结果总体趋势比较接近,Q_SC算法所得最高温度为32.25℃位于裸土下垫面区,最低温度为21.33 ℃位于耕地下垫面区;TIRS10_SC算法所得最高温度为32.26 ℃,最低温度为21.34 ℃;JM_SC算法所得最高温度为32.65 ℃,最低温度为22.64 ℃。

图 5 地表温度反演结果及地面测点位置图 Figure 5 The Retrieval Result of Land Surface Temperature and the Location of Observation Sites

本文使用实测数据对3种模型反演的地表温度进行精度分析,虽然地面点的实测数据不能完全代表像元尺度的地表温度,但可以作为反演结果精度验证的间接指标,验证结果及对比分析如表 3图 6所示。

表 3 反演结果精度验证 Table 3 Comparison Between the Retrieval Results and Measured Values
下垫面
类型
地面观测
点编号
地表测定
温度/(℃)
地表反演温度/(℃)误差(反演温度-测定温度)/(℃)
JM_SCTIRS10_SCQ_SCJM_SCTIRS10_SCQ_SC
130.5631.8431.3631.371.280.80.81
230.5532.1131.6731.661.561.121.11
331.4332.1131.6731.660.680.240.23
裸土430.8131.6631.2031.190.850.390.39
530.5931.8431.3831.371.250.790.78
631.1632.1131.6731.660.950.510.50
731.1232.1131.6731.660.990.550.54
831.1032.2631.8331.821.160.730.72
930.7131.2530.7330.720.540.020.01
水泥地面1031.0731.2530.7330.720.18-0.34-0.35
1129.6231.3030.7830.771.681.161.15
3527.4228.0927.2427.230.67-0.18-0.19
稀疏植被4528.7930.1929.5329.521.40.740.73
5629.5628.6127.8027.79-0.95-1.76-1.77
7529.1827.1525.9625.95-2.03-3.22-3.23
图 6 反演温度与实测温度对比 Figure 6 Comparison Between the Retrieval Results and Measured Values

图 6表 3可以看出,3种算法的地表温度反演结果和实测温度均具有较好的相关性;对于大多数实测点来说,Q_SC算法和TIRS10_SC算法的精度都要高于JM_SC算法;Q_SC算法和TIRS10_SC算法精度,两者差别不大;Q_SC算法最小误差为0.01 ℃,总体平均误差为0.83 ℃;TIRS10_SC算法最小误差为0.02 ℃,总体平均误差为0.84;JM_SC算法最小误差为0.18 ℃,总体平均误差为1.08 ℃。

为了进一步对3种反演算法进行对比分析,将3种算法应用于不同土地覆被类型温度反演,其结果的箱式统计图如图 7所示。可以看出对于不同的土地覆被类型来说,TIRS10_SC算法与Q_SC算法的差异并不明显,总体平均差值为0.007 ℃,而JM_SC算法的反演值比两者高,与TIRS10_SC算法的最大差值为1.308 ℃,平均差值为0.766 ℃;与Q_SC算法的最大差值为1.313 ℃,平均差值为0.773 ℃。

图 7 3种算法不同地表覆被类型反演结果箱式统计图 Figure 7 The Box Plot of Three Algorithms for Different Landcover Types

总体来说,3种地表温度反演结果与实测温度较为一致,但是个别值(实测点75) 与实测温度存在较大的误差,可能由以下两个原因造成:① 稀疏植被下垫面的地表温度误差较大是由于其实测点周边地物类型比较复杂,分布不均,在遥感影像上对应为混合像元;地表发射率是根据地物类型赋予的经验值,虽然结合了简单的混合像元分解,但是没有对研究区不同地物类型的实际发射率进行测量统计,会带来一定的误差;② 大气水汽含量由MODIS数据反演得到,可能与实际大气水汽含量相比存在一定误差,从而给大气透过率以及JM_SC算法中相关参数的估算带来误差,因而JM_SC算法对大气水汽含量值更加敏感。

3 结语

本文基于热辐射传输方程,根据Landsat 8 TIRS传感器的特性提出了针对TIRS 10数据的单窗算法;然后,以Landsat 8数据为基本数据源结合MODIS数据,利用TIRS10_SC、JM_SC和Q_SC等3种单窗算法完成了研究区地表温度遥感反演,并对比分析了反演值与地表温度实测值。

1) 本文提出的单窗算法TIRS10_SC紧密结合Landsat 8 TIRS传感器的特性,结合遥感估算的地表发射率、大气透过率等特征,可较为准确地估算出不同地表覆被类型的温度。

2) 3种算法的地表温度反演结果和实测温度均具有较好的相关性。通过对3种单窗算法反演结果的对比发现,Q_SC算法和TIRS10_SC算法的反演精度要高于JM_SC算法。其中,Q_SC算法最小误差为0.01 ℃,总体平均误差为0.83 ℃;TIRS10_SC算法最小误差为0.02 ℃,总体平均误差为0.84;JM_SC算法最小误差为0.18 ℃,总体平均误差为1.08 ℃。

3) 裸土与水泥下垫面等相对均质的下垫面的温度反演效果稍好,TIRS10_SC算法和Q_SC算法其平均误差为0.60 ℃,JM_SC算法其平均误差为1.01 ℃;对于植被下垫面,TIRS10_SC算法和Q_SC算法其平均误差为1.48 ℃,JM_SC算法其平均误差为1.26 ℃。为了提升植被下垫面温度反演精度,应该进一步准确地量化其发射率特性。

本文仅探讨了单窗算法反演地表温度,结合Landsat 8 TIRS数据的特性,利用劈窗算法开展地表温度反演算法研究是今后需要继续研究的方向。

参考文献
[1] Qin Zhihao, Gao Maofang, Qin Xiaomin, et al. Methodology to Retrieve Land Surface Temperature from MODIS Data for Agricultural Drought Monitoring in China[J]. Journal of Natural Disasters, 2005, 14(4): 64–71 ( 覃志豪, 高懋芳, 秦晓敏, 等. 农业灾害监测中的地表温度遥感反演方法——以MODIS数据为例[J]. 自然灾害学报, 2005, 14(4): 64–71. )
[2] Sobrino J A, Gōmez M, Jiménez-Muñoz J C, et al. A Simple Algorithm to Estimate Evapotranspiration from DAIS Data:Application to the DAISEX Campaigns[J]. Journal of Hydrology, 2005, 315(1/4): 117–125
[3] Luo Juhua, Zhang Jingcheng, Huang Wenjiang, et al. The Analysis of Consistency Between HJ-1B and Landsat5 TM For Retrieving LST Based on the Single-channel Algorithm[J]. Spectroscopy and Spectral Analysis, 2010, 30(12): 3285–3289 ( 罗菊花, 张竞成, 黄文江, 等. 基于单通道算法的HJ-1与Landsat 5 TM地表温度反演一致性研究[J]. 光谱学与光谱分析, 2010, 30(12): 3285–3289. DOI:10.3964/j.issn.1000-0593(2010)12-3285-05 )
[4] Jiménez-Muñoz J C, Sobrino J A, Skokovic D, et al. Land Surface Temperature Retrieval Methods from Landsat-8 Thermal Infrared Sensor Data[J]. Geoscience and Remote Sensing Letters, 2014, 11(10): 1840–1843 DOI:10.1109/LGRS.2014.2312032
[5] Rozenstei O, Qin Z H, Derimian Y, et al. Derivation of Land Surface Temperature for Landsat 8 TIRS Using a Split Window Algorithm[J]. Sensors, 2014, 14(4): 5768–5780 DOI:10.3390/s140405768
[6] Yu X L, Guo X L, Wu Z C. Land Surface Temperature Retrieval from Landsat8 TIRS-Comparison Between Radiative Transfer Equation-based Method, Split Window Algorithm and Single Channel Method[J]. Remote Sensing, 2014, 6(10): 9829–9852 DOI:10.3390/rs6109829
[7] USGS. January 29, 2014-Landsat 8 Reprocessing to Begin February 3, 2014[EB/OL]. http://landsat.usgs.gov/calibration_notices.php, 2015-04-26
[8] Jiménez-Muñoz J C, Sobrino J A. A Generalized Single-channel Method for Retrieving Land Surface Temperature from Remote Sensing Data[J]. Journal of geophysical research, 2003, 108(D22): 2015–2023
[9] Qin Z H, Karnieli A, Berliner P. A Mono-Window Algorithm for Retrieving Land Surface Temperature from Landsat TM Data and Its Application to the Israel-Egypt Border Region[J]. International Journal of Remote Sensing, 2001, 22(18): 3719–3746 DOI:10.1080/01431160010006971
[10] Qin Zhihao, Li Wenjuan, Zhang Minghua, et al. Estimating of the Essential Atmospheric Parameters of Mono-Window Algorithm for Land Surface Temperature Retrieval from Landsat TM6[J]. Remote Sensing for Land Resources, 2003, 56(2): 37–43 ( 覃志豪, 李文娟, 张明华, 等. 单窗算法的大气参数估算方法[J]. 国土资源遥感, 2003, 56(2): 37–43. DOI:10.6046/gtzyyg.2003.02.10 )
[11] Mao Kebiao, Qin Zhihao, Wang Jianming, et al. Lowtran Retrieval of Atmospheric Water Content and Transmittance Computation of MODIS 31 and 32[J]. Remote Sensing for Land Resources, 2005, 63(1): 26–29 ( 毛克彪, 覃志豪, 王建明, 等. 针对MODIS数据的大气水汽含量反演及31和32波段透过率计算[J]. 国土资源遥感, 2005, 63(1): 26–29. DOI:10.6046/gtzyyg.2005.01.06 )
[12] Gao B C, Kaufman Y J. Remote Sensing of Water Vapor in near IR from EOS/MODIS[J]. IEEE Transactionson Geosciences and Remote Sensing, 1992, 30(5): 871–884 DOI:10.1109/36.175321
[13] Qin Zhihao, Li Wenjuan, Xu Bin, et al. The Estimation of Land Surface Emissivity for Landsat TM6[J]. Remote Sensing for Land Resources, 2004, 61(3): 28–32 ( 覃志豪, 李文娟, 徐斌, 等. 陆地卫星TM6波段范围内地表比辐射率的估计[J]. 国土资源遥感, 2004, 61(3): 28–32. DOI:10.6046/gtzyyg.2004.03.07 )
[14] Song Ting, Duan Zhen, Liu Junzhi, et al. Comparison of Four Algorithms for Retrieving Land Surface Temperature Using Landsat-8 Satellite Data[J]. Journal of Remote Sensing, 2015, 19(3): 1993–2002 ( 宋挺, 段峥, 刘军志, 等. 基于Landsat-8卫星遥感数据的地表温度反演算法对比研究[J]. 遥感学报, 2015, 19(3): 1993–2002. )
[15] Sobrino J A, Jiménez-Muñoz J C. Land Surface Temperature Retrieval from Landsat TM 5[J]. Remote Sensing of Environment, 2004, 90(4): 434–440 DOI:10.1016/j.rse.2004.02.003
[16] Carlson T N, Ripley D A. On the Relation Between NDVI, Fractional Vegetation Cover, and Leaf Area Index[J]. Remote Sensing of Environment, 1997, 62: 241–252 DOI:10.1016/S0034-4257(97)00104-1