衛(wèi)星遙感地表溫度降尺度的光譜歸一化指數(shù)法

李小軍，辛曉洲，江 濤，張海龍

1.中國科學院遙感與數(shù)字地球研究所遙感科學國家重點實驗室，北京 100101； 2.中國科學院大學，北京 100049； 3.山東科技大學測繪科學與工程學院，山東 青島 266590

?

衛(wèi)星遙感地表溫度降尺度的光譜歸一化指數(shù)法

李小軍1,2，辛曉洲1，江 濤3，張海龍1

1.中國科學院遙感與數(shù)字地球研究所遙感科學國家重點實驗室，北京 100101； 2.中國科學院大學，北京 100049； 3.山東科技大學測繪科學與工程學院，山東 青島 266590

針對衛(wèi)星遙感技術(shù)監(jiān)測地表溫度(land surface temperature，LST)存在時空分辨率矛盾這一難題，以TsHARP溫度降尺度算法為基礎(chǔ)，根據(jù)地表覆蓋類型的不同，分別選擇與LST相關(guān)性更好的光譜指數(shù)(歸一化植被指數(shù)，NDVI；歸一化建造指數(shù)，NDBI；改進的歸一化水體指數(shù)，MNDWI；增強型裸土指數(shù)，EBSI)提出了新的轉(zhuǎn)換模型，并從定性和定量兩個角度評價了TsHARP法和新模型的降尺度精度。結(jié)果表明：兩種模型在提高LST空間分辨率的同時又能較好地保持MODIS LST影像熱特征的空間分布格局，消除了原始1 km影像中的馬賽克效應(yīng)，兩種模型均能夠達到較好的降尺度效果；全局尺度分析表明，不管是在降尺度結(jié)果的空間變異性還是精度方面，本文提出的模型(RMSE：1.635℃)均要優(yōu)于TsHARP法(RMSE：2.736℃)；TsHARP法在水體、裸地和建筑用地這些低植被覆蓋區(qū)表現(xiàn)出較差的降尺度結(jié)果，尤其對于裸地和建筑用地更為明顯(|MBE|>3℃)，新模型提高了低植被覆蓋區(qū)地物的降尺度精度；不同季節(jié)的降尺度結(jié)果表明，兩種模型都是夏、秋季的降尺度結(jié)果優(yōu)于春、冬季，新模型的降尺度結(jié)果四季均好于TsHARP法，其中春、冬季的降尺度精度提升效果要優(yōu)于夏、秋季。

MODIS；降尺度；地表溫度；TsHARP算法；地表覆蓋

地表溫度是地-氣系統(tǒng)相互作用過程的重要物理參數(shù)，在地表蒸散量估算[1]、土壤水分估計[2]及城市熱島[3]等研究領(lǐng)域中應(yīng)用廣泛。但是，受到成像條件的制約，目前常用的衛(wèi)星熱紅外傳感器均存在時空分辨率之間的矛盾[4]，或時間分辨率較高而空間分辨率較低(如MODIS)，或時間分辨率較低而空間分辨率較高(如Landsat TM)。這種矛盾使得LST數(shù)據(jù)的使用受到極大限制[5]，為獲取滿足應(yīng)用需求的LST產(chǎn)品，地表溫度降尺度技術(shù)應(yīng)運而生。

目前LST降尺度方法有很多，基于像元尺度的LST尺度轉(zhuǎn)換方法主要分為3類：數(shù)理統(tǒng)計方法、光譜混合模型法和調(diào)制分配方法。數(shù)理統(tǒng)計回歸法的基礎(chǔ)假設(shè)是“關(guān)系尺度不變性”，即LST與回歸核的統(tǒng)計關(guān)系在各個尺度上保持不變。回歸核包括反照率、組分權(quán)重和光譜指數(shù)等[1,5-6]。光譜混合模型的基本原理是線性光譜混合模型，通過關(guān)聯(lián)不同尺度上的LST，進而回歸求解低尺度空間(即高分辨)上的LST[7]。基于調(diào)制分配的方法是將高尺度空間的LST按照一定的權(quán)重分配給子像元，分配因子包括發(fā)射率、同一時刻獲取的更高分辨率傳感器的LST以及二者的組合等[5]。按照LST降尺度方法中涉及的尺度因子個數(shù)，降尺度方法分為單一尺度因子法[1,6,8]和多尺度因子法[9-12]。多尺度因子法主要建立LST與多個相關(guān)因子間的線性關(guān)系，如逐步回歸法[9]和主成分分析[10]，或更為復雜的關(guān)系，如支持向量機[11]或神經(jīng)網(wǎng)絡(luò)[12]。單一尺度因子法因其物理意義明確并且模型簡單而得到廣泛應(yīng)用。文獻[1]首次提出利用LST與NDVI(normalized difference vegetation index)的關(guān)系來實現(xiàn)LST降尺度的DisTrad(disaggregation procedure for radiometric surface temperature)算法，通過建立兩者間的二次回歸模型，成功實現(xiàn)對千米級到百米級LST的降尺度。文獻[6]對DisTrad算法進行了改進，通過對LST、植被覆蓋度和植被指數(shù)進行回歸分析的基礎(chǔ)上提出了TsHARP(an algorithm for sharpening thermal imagery)算法，該算法認為LST與植被覆蓋度之間的一元線性關(guān)系能夠達到更好的降尺度效果。文獻[8]利用TsHARP法的5種變形討論了全局、分段回歸、局域和土地利用分層的降尺度模型，并認為分層回歸降尺度法的精度要高于原始全局方法。但是該方法中涉及的尺度因子均為NDVI，對于下墊面復雜的區(qū)域，不同類型地物的LST最佳指示因子并不一定是NDVI指數(shù)。

上述研究已經(jīng)取得突破性的進展，但仍存在一些問題需要解決：①多數(shù)研究是先將高分辨率的LST數(shù)據(jù)聚合至低分辨率而后進行降尺度處理，并再利用原始LST對降尺度結(jié)果進行驗證，原始LST數(shù)據(jù)在重采樣或升尺度過程中會產(chǎn)生新的誤差，會對降尺度結(jié)果產(chǎn)生大的干擾，因此其結(jié)果缺乏說服力。②NDVI雖然被人們最早用于LST降尺度研究，但是對于下墊面復雜的城市地區(qū)，不能較好地反映建筑物和裸地的高溫區(qū)以及水體造成的低溫區(qū)。

針對上述問題，本文以TsHARP降尺度方法為基礎(chǔ)，直接對原始MODIS LST產(chǎn)品進行降尺度研究，根據(jù)地表覆蓋類型的不同，選擇與LST相關(guān)性更好的光譜指數(shù)建立二者之間的關(guān)系實現(xiàn)降尺度來彌補問題2的不足，由于Landsat 8熱紅外波段的分辨率明顯高于MODIS數(shù)據(jù)，并且文獻[13—14]提出的單通道算法進行Landsat 8熱紅外傳感器TIRS(thermal infrared sensor)影像地表溫度反演具有很好的精度和敏感性，TIRS和MODIS成像時間也非常接近(本文選擇的數(shù)據(jù)二者相差小于35 min)，因此可以把TIRS反演的地表溫度作為當日地表溫度的參考值，對不同方法的降尺度結(jié)果進行驗證。

1 研究區(qū)概況

研究區(qū)包含北京北以及河北部分地區(qū)，如圖1所示，其地理位置為116°6′15″E—117°45′12″E，40°14′52″N—40°59′19″N，屬于暖溫帶大陸性氣候；區(qū)內(nèi)地勢平坦，只有西北部和東部有部分山脈，東南部為平原，屬于華北平原的西北邊緣區(qū)。中下部為北京郊區(qū)，包括懷柔城區(qū)等下墊面為不透水層覆蓋地區(qū)以及水系比較發(fā)達的密云區(qū)；周邊主要以林地和耕地覆蓋，整個研究區(qū)地表覆蓋類型復雜，空間異質(zhì)性高，對進行地表溫度降尺度研究具有代表性。

2 數(shù)據(jù)及研究方法

2.1 數(shù)據(jù)及其處理

本文使用的數(shù)據(jù)主要有MODIS傳感器、Landsat 8上搭載的多光譜陸地成像儀OLI(operational land imager)和TIRS 3種傳感器的數(shù)據(jù)，數(shù)據(jù)列表見表1。研究采用對應(yīng)區(qū)域(Path：123；Row：32)的Landsat 8影像，成像時間為2014-05-15、2014-8-19、2014-10-06、2014-12-25，成像效果好，平均云量均低于6%，研究區(qū)內(nèi)無云量，利于進行本文的研究。MODIS數(shù)據(jù)來自于美國NASA EOS Data Gateway提供的MODIS產(chǎn)品，包括4個時相覆蓋研究區(qū)(h26v04)的500 m分辨率反射率產(chǎn)品(MOD09GA)、1 km分辨率的每日地表溫度產(chǎn)品(MOD11A1)和大氣水汽產(chǎn)品(MOD05_L2)，數(shù)據(jù)均可在NASA官網(wǎng)(https:∥eosweb.larc.nasa.gov/)免費下載。

圖1 研究區(qū)示意圖Fig.1 Research area

表1 研究中使用的數(shù)據(jù)列表

獲取的Landsat 8 OLI_TIRS已經(jīng)經(jīng)過幾何校正并轉(zhuǎn)至WGS-84/UTM投影下，故只需對其進行輻射定標、大氣校正，將OLI多光譜波段DN值轉(zhuǎn)為地表反射率值，使用文獻[13]提出的單通道算法來反演地表真實溫度，該方法所需參數(shù)較少，并且精度和敏感性較高[14-15]。MODIS產(chǎn)品原始的投影為正弦投影，本文使用NASA研發(fā)的MODIS Swath Reprojection Tool(MRT Swath)和MODIS Reprojection Tool(MRT)分別對MOD05_L2和另外兩種MODIS產(chǎn)品將投影轉(zhuǎn)化為WGS-84/UTM，投影帶號為50，最后對上述數(shù)據(jù)進行裁剪，獲得研究區(qū)數(shù)據(jù)。

2.2 LST降尺度原理

LST降尺度轉(zhuǎn)換總是面臨更高分辨率上信息不足的問題，因此常通過引入額外信息構(gòu)造趨勢面才能實現(xiàn)降尺度轉(zhuǎn)換[16]。TsHARP降尺度方法就是通過引入NDVI或植被覆蓋度來構(gòu)造趨勢面，其基本假設(shè)是：LST和植被指數(shù)的關(guān)系在各個尺度上基本一致，土壤濕度分布的空間變化是最主要影響因素[17]。以MODIS數(shù)據(jù)為例，TsHARP方法的原理如下：建立1000 m尺度上LST與趨勢面因子間的關(guān)系，如式(1)所示

(1)

(2)

(3)

TsHARP算法建立了多種趨勢面轉(zhuǎn)換函數(shù)，本文選擇其中一種模型進行對比研究(式(4))。為解決問題2，文中利用決策樹模型將地物分為植被、建筑用地、水體和裸地，在保證最小殘差和最大決定系數(shù)的前提下，分別選擇NDVI、NDBI(normalized difference build-up index)、MNDWI(modified normalized difference water index)和EBSI(enhanced bare soil index)來建立不同地物光譜指數(shù)與LST之間最佳回歸關(guān)系式(模型2)從而實現(xiàn)降尺度，4種指數(shù)的計算方法分別參考文獻[18—21]，技術(shù)路線如圖2所示，兩種模型如下：

模型1Ts=a+bNDVI+cNDVI2

(4)

模型2

植被

Ts=f(NDVI)→Ts=a+bNDVI+cNDVI2

建筑用地

Ts=f(NDBI)→Ts=a+bNDBI

水體

(5)

裸地

圖2 研究技術(shù)路線Fig.2 The methodology

2.3 降尺度精度評價指標

對1000 m LST到500 m LST的降尺度效果可以從定性和定量兩個角度進行。定性分析通過趨勢面因子對地物指示性特征分析、對計算結(jié)果進行目視對比分析。定量分析包括以下指標。

決定系數(shù)(R2)

(7)

相對平均偏差(MBE′)

(8)

相對均方根誤差(RMSE′)

(9)

式中，R表示相關(guān)系數(shù)；mi為500m尺度上的LST真實參考值；ei表示500m尺度上的LST估計值；n為樣本總數(shù)；MBE表示平均偏差；RMSE表示均方根誤差。

3 結(jié)果與分析

3.1 降尺度結(jié)果定性評價

降尺度結(jié)果定性評價如圖3所示，對比圖3中兩種模型(圖3(c)、(d))的降尺度結(jié)果與原始1kmMODISLST(圖3(a))可以發(fā)現(xiàn)，兩種降尺度模型均可以捕捉到大部分原始1kmMODISLST中的地表溫度信息，即兩幅500mLST降尺度影像較好地保持了原始地表溫度影像熱特征的空間分布格局，且影像中高溫區(qū)和低溫區(qū)均與圖3(a)中吻合得較好。此外，兩種模型的降尺度結(jié)果色調(diào)更加豐富(尤其是模型2)，更加精細地描繪了地表熱特征的空間差異性，較好地消除了圖3(a)中的馬賽克效應(yīng)。

圖3 降尺度結(jié)果定性評價Fig.3 Qualitative analysis of downscaled LST

升尺度后的Landsat8TIRS地表溫度(500m)如圖3(b)所示，其與1kmMODISLST的熱特征分布基本相同，并且信息更加豐富，影像熱特征分布空間變異性更加明顯。對比圖3(b)發(fā)現(xiàn)，模型2(圖3(d))的降尺度結(jié)果要比模型1(圖3(c))信息更加豐富，同種類型地物溫度分布的空間差異性更為明顯，溫度過渡之間沒有明顯的過渡圈。為了更加充分驗證降尺度的效果，下面對兩種模型的降尺度結(jié)果進行更進一步的定量統(tǒng)計分析。

3.2 降尺度結(jié)果定量評價

3.2.1 全局比較

為了對降尺度結(jié)果進行定量評價，除了計算上述評價指標(隨機選擇5000個點)，還對升尺度Landsat8TIRS500mLST和兩種模型降尺度的500mMODISLST進行了統(tǒng)計分析，統(tǒng)計量包括均值(Mean)、標準差(SD)，此外對Landsat8TIRSLST和兩種降尺度結(jié)果還分別進行了散點圖分析，以求更加直觀地顯示降尺度結(jié)果的優(yōu)良，如圖4所示。統(tǒng)計結(jié)果見表2，由表可知，兩種模型降尺度的500mMODISLST均值均接近于Landsat8TIRS升尺度的LST均值(25.865℃)，說明兩種模型降尺度的結(jié)果與實際驗證溫度之間的總體偏差較小，其中模型1的平均值偏差較大(1.160℃)。SD反映了圖像像素值的離散程度，對于熱紅外影像而言，SD反映了地表熱特征的空間變異性[17]。兩種模型的SD計算結(jié)果表明，模型2的SD最大，并且最接近于TIRS500mLST的SD，說明與模型1相比，模型2能夠更好地體現(xiàn)不同下墊面地物的溫度差異以及相同下墊面覆蓋地物的細節(jié)信息，這一點從圖3中也可以看出。兩種模型的R2差異并不明顯，其中模型2的R2最大。RMSE和MBE能夠反映降尺度影像和驗證影像之間的一致性，可以用來指示兩種降尺度模型與TIRSLST熱特征分布的差異性。模型1的RMSE要大于模型2，說明模型2很好地再現(xiàn)了TIRS500mLST地表熱特征的空間分布格局，能夠較好地保持地表真實溫度的熱特征，而模型1較差，從MBE可以看出，兩種模型的降尺度結(jié)果與TIRSLST的平均偏差均較小(絕對值小于1℃)，降尺度結(jié)果非常接近真實地表溫度，并且兩種降尺度結(jié)果的MBE均小于0，印證了兩種模型降尺度的500mMODISLST均值均低于TIRS500mLST的均值，這一點由散點圖(圖4)也可以得到證實，綜合對上述統(tǒng)計量的討論，兩種算法均能夠達到較好的降尺度效果，不管是在降尺度結(jié)果的空間變異性還是精度方面，模型2均要優(yōu)于模型1。

圖4 500 m TIRS LST與500 m MODIS降尺度LST散點圖Fig.4 Scatter plots of 500 m TIRS LST versus downscaled 500 m MODIS LST

表2 降尺度結(jié)果的統(tǒng)計度量

注：500 m Landsat 8 TIRS LST的平均值為25.865℃，標準差為4.116

3.2.2 分地物類型比較

本文統(tǒng)計了不同地物覆蓋類型的降尺度結(jié)果(表3)，由表3可知，原始全局降尺度模型(模型1)在水體、裸地和建筑用地這些低植被覆蓋區(qū)表現(xiàn)出較差的降尺度結(jié)果，尤其對于裸地和建筑用地更為明顯(|MBE|>3℃)。兩種降尺度模型均表現(xiàn)出對植被、裸地和建筑用地為低估(MBE<0)，而水體為高估(MBE>0)，圖4也印證了這一點，對整個研究區(qū)而言水體表現(xiàn)為低溫，低溫區(qū)位于1∶1直線上方，高溫區(qū)則位于下方，這是由于原始全局降尺度模型在構(gòu)建趨勢面轉(zhuǎn)換函數(shù)時剔除了水體，光譜指數(shù)二次項的存在會對水體和建筑用地的降尺度結(jié)果產(chǎn)生大的干擾[6]。對比模型2和模型1，在植被地區(qū)兩種模型的差異并不明顯，因為在植被地區(qū)模型2與模型1使用了相同形式的趨勢面轉(zhuǎn)換函數(shù)。而對于其他地物類型，新參數(shù)的引進和替換均在一定程度上提高了降尺度結(jié)果的精度。對于水體地區(qū)，模型2的MBE要比模型1提升1.041℃，這是因為原始全局降尺度模型沒有考慮水體，而文中改進的模型2，單獨建立水體LST與MNDWI之間的關(guān)系，較好地避免了其他地物對水體區(qū)域的影響。裸地的MBE由原先的-3.203℃提升到了-2.380℃，建筑用地則由-3.463℃提升到了-2.014℃，提升了41.842%，這是由于模型2不僅避開了不同類型地物構(gòu)建趨勢面轉(zhuǎn)換函數(shù)時產(chǎn)生的影響，而且對于建筑用地，NDBI與城市中心區(qū)的LST擬合效果較好，利用其與LST之間的線性關(guān)系對于城市地表溫度的降尺度效果要優(yōu)于單獨使用NDVI[16]。兩種模型降尺度的500 m MODIS LST與TIRS 500 m LST差異的空間分布如圖5所示，為詳細展示不同模型的降尺度差異，文中從研究區(qū)選擇出一塊大小適中的區(qū)域，對比圖5(a)、圖5(b)，結(jié)合圖5(c)可以發(fā)現(xiàn)，模型2對水體、建筑用地的降尺度結(jié)果有著明顯改善，模型1對水體的降尺度結(jié)果明顯存在高估，而建筑用地表現(xiàn)為明顯低估，空間差異分布情況與上述定量統(tǒng)計具有一致的結(jié)論。

表3 不同地物降尺度結(jié)果的統(tǒng)計度量Tab.3 Statistical measures of downscaling results of different land-cover

圖5 500 m MODIS降尺度LST與500 m TIRS LST差異圖Fig.5 Difference between 500 m MODIS LST and 500 m TIRS LST

3.2.3 不同季節(jié)比較

不同時相遙感影像反演的LST和4種光譜指數(shù)均存在差異，為避免這種差異對降尺度結(jié)果評價的影響，本文還分別應(yīng)用兩種模型對不同季節(jié)的MODIS LST進行了降尺度，同樣以對應(yīng)時期反演的Landsat 8 TIRS LST作為當期地表溫度的參考值對降尺度結(jié)果進行驗證，驗證結(jié)果見表4。由表4可知，4個季節(jié)兩種模型的降尺度結(jié)果存在明顯差異。總體而言，模型2的降尺度結(jié)果要優(yōu)于模型1，但是不同季節(jié)提升效果不同。兩種模型均是夏、秋季的降尺度結(jié)果優(yōu)于春、冬季，這是由于NDVI受季節(jié)影響比其他3個指數(shù)要更加嚴重，并且NDVI溫度降尺度方法用于春、冬季要弱于其他方法[5]。此外，分別從RMSE和MBE的差異幅度來看，模型2相比模型1的降尺度結(jié)果在春、冬季的提升效果均要優(yōu)于夏、秋季，這是因為NDVI溫度降尺度方法較適合于夏、秋季，因此分土地利用類型使用不同光譜指數(shù)和全局尺度上使用NDVI提升效果并不明顯，相反，春、冬季處于弱勢地位的NDVI被替換后，降尺度效果有著明顯提升，此處得出的結(jié)論與文獻[5]一致。

表4 不同季節(jié)降尺度結(jié)果的統(tǒng)計度量Tab.4 Statistical measures of downscaling result in different seasons

4 結(jié) 論

針對現(xiàn)有研究中地表溫度降尺度存在的問題，本文以TsHARP算法為基礎(chǔ)，根據(jù)地表覆蓋類型的不同，分別選擇與LST相關(guān)性更好的光譜指數(shù)建立二者之間的關(guān)系，提出了新的轉(zhuǎn)換模型，并用兩種轉(zhuǎn)換模型直接將原始1 km MODIS LST產(chǎn)品降尺度到500 m，將Landsat 8 TIRS反演的LST作為當日地表溫度的參考值，從定性和定量兩個角度評價了兩種降尺度模型的降尺度效果及其精度。結(jié)果發(fā)現(xiàn)：

(1) 對兩種模型降尺度結(jié)果和原始1 km MODIS LST的對比發(fā)現(xiàn)，降尺度影像較好地保持了原始地表溫度影像熱特征的空間分布格局。兩種模型的降尺度結(jié)果色調(diào)更加豐富，較好地消除了原始1 km影像中的馬賽克效應(yīng)。同樣，降尺度結(jié)果可以捕捉到大部分TIRS LST影像中的熱特征，模型2的降尺度結(jié)果要比模型1(TsHARP法)信息更加豐富。

(2) 定量驗證表明，全局尺度上，兩種模型降尺度的500 m MODIS LST均值均接近于TIRS升尺度的LST均值，平均偏差的絕對值都小于1℃，兩種模型均能夠達到較好的降尺度效果，不管是在降尺度結(jié)果的空間變異性還是精度方面，模型2(RMSE：1.635℃)均要優(yōu)于模型1(RMSE：2.736℃)。

(3) 不同地物降尺度結(jié)果的統(tǒng)計表明，原始全局降尺度模型(模型1)在水體、裸地和建筑用地這些低植被覆蓋區(qū)表現(xiàn)出較差的降尺度結(jié)果，尤其對于裸地和建筑用地更為明顯(|MBE|>3℃)。除了植被地區(qū)，模型2均在一定程度上提高了其他地物類型的降尺度精度，究其原因，模型2不僅較好地避開了不同類型地物構(gòu)建趨勢面轉(zhuǎn)換函數(shù)時產(chǎn)生的影響，而且針對不同的下墊面覆蓋類型選擇了比NDVI擬合效果更好的光譜指數(shù)。

(4) 不同季節(jié)的降尺度結(jié)果表明，兩種模型都是夏、秋季的降尺度結(jié)果優(yōu)于春、冬季，模型2的降尺度結(jié)果四季均好于模型1，其中春、冬季的降尺度提升效果要優(yōu)于夏、秋季。

需要補充說明的是，受限于地面實測氣象數(shù)據(jù)，文中采用相近時間過境的Landsat 8 TIRS LST作為地表實測溫度的參考值對4種轉(zhuǎn)換關(guān)系的降尺度結(jié)果進行定量探討，雖然這種驗證方法應(yīng)用廣泛[15,17]，但是TIRS LST在升尺度過程中會存在誤差，因此，今后還需進行大量試驗完善對該方法的驗證，此外，針對不同區(qū)域、不同分辨率熱紅外遙感影像降尺度的應(yīng)用也是今后研究的重點。

[1] KUSTAS W P, NORMAN J M, ANDERSON M C, et al.Estimating Subpixel Surface Temperatures and Energy Fluxes from the Vegetation Index-radiometric Temperature Relationship[J].Remote Sensing of Environment, 2003, 85(4): 429-440.

[2] GILLIES R R, CARLSON T N.Thermal Remote Sensing of Surface Soil Water Content with Partial Vegetation Cover for Incorporation into Climate Models[J].Journal of Applied Meteorology, 1995, 34(4): 745-756.

[3] WENG Qihao, LU Dengsheng.A Sub-pixel Analysis of Urbanization Effect on Land Surface Temperature and Its Interplay with Impervious Surface and Vegetation Coverage in Indianapolis, United States[J].International Journal of Applied Earth Observation and Geoinformation, 2008, 10(1): 68-83.

[4] HA W, GOWDA P H, HOWELL T A.A Review of Downscaling Methods for Remote Sensing-based Irrigation Management: Part I[J].Irrigation Science, 2013, 31(4): 831-850.

[5] 全金玲, 占文鳳, 陳云浩, 等.遙感地表溫度降尺度方法比較——性能對比及適應(yīng)性評價[J].遙感學報, 2013, 17(2): 361-387.QUAN Jinling, ZHAN Wenfeng, CHEN Yunhao, et al.Downscaling Remotely Sensed Land Surface Temperature: A Comparison of Typical Methods[J].Journal of Remote Sensing, 2013, 17(2): 361-387.

[6] AGAM N, KUSTAS W P, ANDERSON M C, et al.A Vegetation Index Based Technique for Spatial Sharpening of Thermal Imagery[J].Remote Sensing of Environment, 2007, 107(4): 545-558.

[7] LIU Desheng, PU Ruiliang.Downscaling Thermal Infrared Radiance for Subpixel Land Surface Temperature Retrieval[J].Sensors, 2008, 8(4): 2695-2706.

[8] JEGANATHAN C, HAMM N A S, MUKHERJEE S, et al.Evaluating a Thermal Image Sharpening Model over a Mixed Agricultural Landscape in India[J].International Journal of Applied Earth Observation and Geoinformation, 2011, 13(2): 178-191.

[10] ZHU Shanyou, GUAN Huade, MILLINGTON A C, et al.Disaggregation of Land Surface Temperature over a Heterogeneous Urban and Surrounding Suburban Area: A Case Study in Shanghai, China[J].International Journal of Remote Sensing, 2013, 34(5): 1707-1723.

[11] YANG Guijun, PU Ruiliang, ZHAO Chunjiang, et al.Estimation of Subpixel Land Surface Temperature Using an Endmember Index Based Technique: A Case Examination on ASTER and MODIS Temperature Products over a Heterogeneous Area[J].Remote Sensing of Environment, 2011, 115(5): 1202-1219.

[12] KERAMITSOGLOU I, KIRANOUDIS C T, WENG Qihao.Downscaling Geostationary Land Surface Temperature Imagery for Urban Analysis[J].IEEE Geoscience and Remote Sensing Letters, 2013, 10(5): 1253-1257.

[14] 徐涵秋.新型Landsat8衛(wèi)星影像的反射率和地表溫度反演[J].地球物理學報, 2015, 58(3): 741-747.XU Hanqiu.Retrieval of the Reflectance and Land Surface Temperature of the Newly-launched Landsat 8 Satellite[J].Chinese Journal of Geophysics, 2015, 58(3): 741-747.

[15] 宋挺, 段崢, 劉軍志, 等.Landsat 8數(shù)據(jù)地表溫度反演算法對比[J].遙感學報, 2015, 19(3): 451-464.SONG Ting, DUAN Zheng, LIU Junzhi, et al.Comparison of Four Algorithms to Retrieve Land Surface Temperature Using Landsat 8 Satellite[J].Journal of Remote Sensing, 2015, 19(3): 451-464.

[16] 王祎婷, 謝東輝, 李亞惠.光譜指數(shù)趨勢面的城市地表溫度降尺度轉(zhuǎn)換[J].遙感學報, 2014, 18(6): 1169-1181.WANG Yiting, XIE Donghui, LI Yahui.Downscaling Remotely Sensed Land Surface Temperature over Urban Areas Using Trend Surface of Spectral Index[J].Journal of Remote Sensing, 2014, 18(6): 1169-1181.

[17] 李小軍，江濤，辛曉洲，等.基于MODIS的地表溫度空間降尺度方法[J].生態(tài)學雜志，2016，35(12)：3443-3450.LI Xiaojun, JIANG Tao, XIN Xiaozhou, et al.Spatial Downscaling of Land Surface Temperature Based on MODIS Data[J].Chinese Journal of Ecology, 2016, 35(12): 3443-3450.

[18] 劉耀林, 趙翔, 馬瀟雅, 等.TM/ETM+影像大氣校正產(chǎn)品質(zhì)量評價方法研究[J].測繪學報, 2012, 41(4): 549-555.LIU Yaolin, ZHAO Xiang, MA Xiaoya, et al.Research on Quality Assessment of Atmospheric Correction Products Retrieved from TM/ETM+ Imagery[J].Acta Geodaetica et Cartographica Sinica, 2012, 41(4): 549-555.

[19] 徐涵秋, 張鐵軍, 黃紹霖.Landsat-7 ETM+與ASTER建筑指數(shù)的定量比較[J].地理研究, 2013, 32(7): 1336-1344.XU Hanqiu, ZHANG Tiejun, HUANG Shaolin.Quantitative Comparison of Landsat 7 and ASTER Multispectral Measurements for theNDBIandIBI[J].Geographical Research, 2013, 32(7): 1366-1344.

[20] DONCHYTS G, SCHELLEKENS J, WINSEMIUS H, et al.A 30 m Resolution Surface Water Mask Including Estimation of Positional and Thematic Differences Using Landsat 8, SRTM and OpenStreetMap: A Case Study in the Murray-Darling Basin, Australia[J].Remote Sensing, 2016, 8(5): 386.

[21] 吳志杰, 趙書河.基于TM圖像的“增強的指數(shù)型建筑用地指數(shù)”研究[J].國土資源遙感, 2012, 24(2): 50-55.WU Zhijie, ZHAO Shuhe.A Study of Enhanced Index-based Built-up Index Based on Landsat TM Imagery[J].Remote Sensing for Land & Resources, 2012, 24(2): 50-55.

(責任編輯：張艷玲)

Spatial Downscaling Research of Satellite Land Surface Temperature Based on Spectral Normalization Index

LI Xiaojun1,2，XIN Xiaozhou1，JIANG Tao3，ZHANG Hailong1

1.State Key Laboratory of Remote Sensing Science， Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences， Beijing 100101，China； 2.University of Chinese Academy of Sciences，Beijing 100049，China； 3.Geomatics College，Shangdong University of Science and Technology，Qingdao 266690，China

Aiming at the problem that the spatial and temporal resolution of land surface temperature (LST) have the contradiction with each other, a new downscaling model was put forward, based on the TsHARP(an algorithm for sharpening thermal imagery) downscaling method, this research makes improvements by selecting the better correlation of spectral index(normalized difference vegetation index, NDVI; normalized difference build-up index, NDBI; modified normalized difference water index, MNDWI; enhanced bare soil index, EBSI) with LST, i.e., replaces the original NDVI with new spectral index according to the different surface land-cover types, to assess the accuracy of each downscaling method based on qualitative and quantitative analysis with synchronous Landsat 8 TIRS LST data.The results show that both models could effectively enhance the spatial resolution while simultaneously preserving the characteristics and spatial distribution of the original 1 km MODIS LST image, and also eliminate the “mosaic” effect in the original 1 km image, both models were proved to be effective and applicable in our study area; global scale analysis shows that the new model (RMSE:1.635℃) is better than the TsHARP method (RMSE:2.736℃) in terms of the spatial variability and accuracy of the results; the different land-cover types of downscaling statistical analysis shows that the TsHARP method has poor downscaling results in the low vegetation coverage area, especially for the bare land and building-up area(|MBE|>3℃), the new model has obvious advantages in the description of the low vegetation coverage area.Seasonal analysis shows that the downscaling results of two models in summer and autumn are superior to those in spring and winter, the new model downscaling results are better than the TsHARP method in the four seasons, in which the spring and winter downscaling improvement is better than summer and autumn.

MODIS；downscaling；land surface temperature；TsHARP method；land-cover

The National Natural Science Foundation of China (No.41371360)

LI Xiaojun(1992—)，male，postgraduate，majors in theory and method of remote sensing of land surface radiation and energy balance.

XIN Xiaozhou

李小軍，辛曉洲，江濤，等.衛(wèi)星遙感地表溫度降尺度的光譜歸一化指數(shù)法[J].測繪學報，2017,46(3)：353-361.

10.11947/j.AGCS.2017.20160196.

LI Xiaojun，XIN Xiaozhou，JIANG Tao，et al.Spatial Downscaling Research of Satellite Land Surface Temperature Based on Spectral Normalization Index[J].Acta Geodaetica et Cartographica Sinica,2017,46(3):353-361.DOI:10.11947/j.AGCS.2017.20160196.

P237

A

1001-1595(2017)03-0353-09

國家自然科學基金(41371360)

2016-04-27

修回日期：2017-01-20

李小軍(1992—)，男，碩士生，研究方向為地表輻射與能量平衡遙感估算理論與方法。

E-mail：kdxiaojun@126.com

辛曉洲

E-mail：xin_xzh@163.com