ISPRS P&RS: 基于太阳-云-卫星观测几何的云下地表温度插值算法
由于云的影响及大气干扰等情况,基于卫星遥感的地表温度数据存在大范围数据缺失,严重阻碍了地表温度产品的应用。目前发展的插值方法众多,如传统基于地表能量平衡的方法以及与再分析数据、微波数据融合的方法。然而,现有方法还存在较大不足,如微波与再分析数据分辨率粗糙,数据本身不确定性大,基于地表能量平衡的方法依赖于众多难以大范围获取的气象参数(如风速、辐射、气温等);且现有方法难以较好解决LST数据大面积数据缺失的情形。
鉴于此,我们提出了一种新的云下地表温度插值方法。方法基于太阳-云-卫星几何关系(图1)将原始MODIS LST图像像元分为4类,A区表示已知LST的晴空像元、B区表示未知LST的晴空像元、C区表示未知LST的云像元、D区表示已知LST的云像元。B区和C区为插值对象。对于B区像元的插值,本研究基于我们此前发展的晴空温度插值方法(Chen et al. 2021, JSTARS)估算其温度。该方法基于相似性理论,利用时间上邻近的多幅参考影像的相似像元对未知像元插值;对于C区的插值,本研究利用相同的晴空温度插值方法,得到C区像元的等效晴空温度,作为先验信息;考虑到D区像元的云下LST已知,将其作为样本,以C区等效晴空温度和其他与云下LST紧密联系的参数作为输入,基于机器学习和空间聚类算法估算C区的真实云下温度。
研究以青藏高原为试验区(图2),从两个方面来验证。1)将插值结果与代表性站点上的实测LST进行对比,结果表明,两者的均方根误差为3.99 °C、R-squared为0.74;基于相同站点,MODIS LST晴空温度与站点对比结果表明,均方根误差为2.66 °C、R-squared为0.86。以晴空MODIS LST精度作为参考精度,考虑到数据源本身的误差以及插值方法引入的一定误差,本文云下插值结果的误差在可接受的范围内;2)与两种现有的全天候地表温度产品进行交叉验证表明,本方法得到的结果在空间纹理、精度指标、以及描述LST季节变化特征等方面的表现均为最优。 新方法具备以下优势:1) 充分利用了具备有效观测值的云下像元,为恢复云下温度提供了新思路;2) 插值过程所需数据均为遥感数据,插值过程易实现,容易推广至全球其他区域;3)插值过程结合了LST数据在空间上和时序上的所有已知信息,能够较好解决遥感LST数据大面积数据缺值的情形。
![](https://permalab.science/wp-content/uploads/2023/02/scsg-1024x818.jpg)
![](https://permalab.science/wp-content/uploads/2023/02/qtp-results-1024x970.jpg)
该工作由PermaLab团队联合中科院西北院冰川冻土沙漠数据中心完成。以“A stepwise framework for interpolating land surface temperature under cloudy conditions based on the solar-cloud-satellite geometry”为题发表在“ISPRS Journal of Photogrammetry and Remote Sensing”上。第一作者陈玉红,通讯作者南卓铜。本工作得到自然科学基金及江苏省研究生(博士生)科研与实践创新项目计划的资助。/文:陈玉红
论文:50天免费访问链接 (April 10, 2023前);代码与示例数据:Github。
Accepted version pdf (5MiB)
One Reply to “ISPRS P&RS: 基于太阳-云-卫星观测几何的云下地表温度插值算法”
Comments are closed.