热红外遥感反演近地层气温的研究进展

徐永明,覃志豪,万洪秀

(1.南京信息工程大学遥感学院,南京 210044;2.南京大学国际地球系统科学研究所,南京 210093;3.中国农业科学院农业资源与农业区划研究所,北京 100081;4.中国科学院南京地理与湖泊研究所,南京 210008)

热红外遥感反演近地层气温的研究进展

徐永明1,2,覃志豪2,3,万洪秀2,4

(1.南京信息工程大学遥感学院,南京 210044;2.南京大学国际地球系统科学研究所,南京 210093;3.中国农业科学院农业资源与农业区划研究所,北京 100081;4.中国科学院南京地理与湖泊研究所,南京 210008)

近地层气温是生态环境的重要因子,是描述地表与大气能量交换与水分循环的关键变量。气象站点观测能够提供点尺度上的准确气温资料,但是大多数地球系统模型需要空间连续的参数来模拟物理过程。遥感提供了比地表气象观测数据更理想的空间异质度信息,为快速获取大尺度的气温时空信息提供了新的途径。主要介绍了目前常用的几种遥感气温估算方法,包括温度 -植被指数(TVX)方法、经验统计方法、神经网络方法和能量平衡方法等等,并对这些方法的优、缺点分别进行了评述。最后,指出今后应该加强辐射传输过程的机理研究、气温的时空尺度转换以及云检测算法等方面的研究。

热红外遥感;近地层气温;TVX方法;神经网络;能量平衡

0 引言

近地层气温指在近地层 (距地面 2m或 1.5 m处)观测的大气温度,是描述地表与大气能量交换与水分循环的关键变量[1],对潜热、显热通量,水气压、入射的长波和短波辐射、叶片气孔阻抗及水势等物理量都有重要影响[2],在气候、水文、生态乃至传染病研究等多个领域中得到广泛应用[3-6]。

由于受到纬度、海拔、植被覆盖及土壤湿度等时空多变要素的影响,近地层气温的时空分布模式很复杂,使得获取宏观范围的气温资料很困难[7,8]。气象站点观测能够提供点尺度上的准确气温数据,但是气候、生态、陆面过程等地球系统模型研究与应用需要空间上连续的面数据,因而需要对气象数据进行空间插值来完成由点到面的尺度转换[9-11]。空间插值结果在很大程度上取决于气象站点的密度和分布特征,由于气象站点分布不均而且在部分地区密度很小,很多情况下进行空间插值得不到满意的气温空间分布数据[12]。

随着全球气候变化研究的不断深入,常规气象站点观测已经无法满足地球系统科学研究的需要。气温时空分布资料的缺乏在一定程度上制约了地学模型的发展,从而影响对全球气候和环境的认识。近些年来,遥感技术的飞速发展为快速获取大尺度的气温时空信息提供了新途径。卫星遥感最突出的优势在于能够提供大范围、且空间上连续的地表和大气信息,提供了比地表气象观测数据更理想的空间异质度信息。

从 20世纪 80年代开始,基于热红外波段的地表温度反演成为遥感研究的一个热点问题。许多学者开展了对地表温度反演方法的研究,提出了一系列劈窗算法与单窗算法等经典反演方法[13-17]。相对而言,气温的遥感研究工作还比较少,因为其反演难度要比地表温度反演高很多。一般情况下,热红外传感器接收到的能量中大约 80%是地表发射的热辐射能量[18],而大气辐射所占比重相对较低,传感器对地表温度很敏感,对气温并不太敏感。另外,地表热辐射是面辐射,而大气热辐射是体辐射,其计算更加复杂。尽管如此,仍然有学者尝试根据热红外遥感数据来反演近地层气温,本文对目前气温遥感反演方面的研究进行了回顾,综合概括了气温反演方法取得的成果,对现有研究中存在的主要问题进行了分析讨论,并对反演研究的进一步发展进行了展望。

1 气温的遥感反演方法

由于传感器入瞳热辐射能量中大气辐射能量的比重较小,加上大气整体辐射的复杂性,目前还没有从热红外波段辐射传输方程反演气温的方法报道,现有的气温遥感反演算法主要是基于地表温度与气温之间的关系来估算近地层气温。太阳辐射首先加热陆地表面,然后由陆地表面对近地层大气加热。因此,从区域能量平衡的观点,地表温度与气温之间存在必然的联系。气温反演算法总体上可以归纳为:温度 -植被指数 (Temperature Vegetation Index,TVX)法、常规统计方法、神经网络方法和能量平衡方法 4种。

1.1 TVX方法

TVX方法是一种利用地表温度和光谱植被指数之间的负相关性来从遥感数据中提取气温的空间邻域运算方法。其原理是假定浓密植被的地表温度即冠层表面温度等于冠层内的气温。基于这个前提,通过某个像元邻域窗口的植被指数 -地表温度特征空间计算出浓密植被冠层的温度,就可近似为该邻域的气温。

由于空间邻域窗口内未必一定存在高植被覆盖度像元,为了保证 TVX方法的实用性,可根据植被指数 (NDV I)和地表温度 (Ts)之间的回归直线 (式1)推算出浓密植被 NDV I对应的地表温度,即浓密植被冠层温度。根据浓密植被冠层温度等于冠层内气温的前提假设,就可以得到该窗口的气温值,即

式中,Ta是近地表气温;S和 I是利用邻域窗口中的NDV I和 Ts根据最小二乘法拟合得到的回归系数 (回归直线的斜率和截距);NDV Isat是浓密冠层的 NDV I(饱和 NDV I值 )。

TVX方法的重要前提是假设浓密植被冠层温度等于冠层内气温。虽然单个叶片在太阳直射条件下的温度要比周围气温高出许多[19-21],遥感像元尺度上的空间异质度以及冠层叶片群体遮蔽混合效应使得浓密植被的冠层温度与气温很接近[22]。许多学者认为,在一定范围内,以高植被覆盖度像元的温度作为气温估计值的假设是可行的[23-26]。

TVX方法目前应用比较广泛,已有多位学者先后使用 NOAA/AVHRR、M SG/SEV IR I、EOS/MOD IS等数据在不同研究区域反演了近地层气温[1,2,18,22,27-33]。该方法估算精度一般在 2～5℃左右,如 Prince等利用 AVHRR数据在美国 FIFE试验场、西非 HAPEX-Sahel试验场、加拿大 BOREAS试验场和美国 Red-A rkansas盆地这 4个不同类型研究区估算近地层气温,均方根误差分别为3.48℃、1.72℃、2.21℃和 4.85℃[29]。

利用 TVX方法估算近地层气温的关键问题有两个:其一是如何确定浓密冠层像元对应的饱和NDV I值;其二是如何选择邻域窗口的尺寸。饱和NDV I值在很大程度上决定着邻域窗口的浓密冠层温度,即气温值。对于未经过大气校正的影像而言,由于大气散射的影响导致植被 NDV I偏低,因此饱和 NDV I取值比较低,如 0.65[18,22]、0.7[2,28]、0.77[30]。对于经过大气校正的遥感影像而言,饱和NDV I取值比较高,一般取 0.86[1,31,33]。空间窗口尺寸的选取对气温估算也有很大影响。邻域窗口太小、样本数不足会影响回归分析的稳定性;邻域窗口太大,多种地表类型的混合会加大植被指数 -地表温度散点图的离散程度,影响回归分析精度。对于 1 km分辨率的 AVHRR和 MOD IS数据,空间邻域窗口尺寸最常用的是 9像元 ×9像元[2,27-29]和13像元 ×13像元[1,31,33],对于 3 km分辨率的SEV IR I数据,则采用的是7像元×7像元[22]。

1.2 经验统计方法

经验统计方法通常基于地表温度和气温之间的强相关性,通过线性回归等统计方法建立气象站点观测气温与对应像元地表温度或者亮度温度之间的经验方程,并将回归方程应用于整个研究区的地表温度,从而推算出气温。

简单的经验统计方法将地表温度作为影响气温的唯一因子,直接建立气温与地表温度或者亮度温度间的一元线性回归方程。Chen等将静止卫星Meteosat/V ISSR数据的亮度温度与 1.5m处气温进行回归运算,估算了 1978～1981年间佛罗里达州夜间的气温,两者的相关系数 R=0.87,气温估算的平均标准误差为 1.57℃[34];周红妹等根据市区城镇建筑区、市区工业区、市区城郊结合部和郊县农业区这 4种不同下垫面类型,分别建立了亮温与气温之间的经验关系,相关系数在 0.87～0.99之间[35];Jones等选择了 5个无云时相的夜间MOD IS数据,针对不同地貌类型 (高原、山谷、平原和山地)分别建立了地表温度与夜间最低气温之间的回归方程,相关系数在 0.57～0.81之间,均方根误差在0.15～0.74℃之间[36];Co lom bi等利用阿尔卑斯地区MOD IS数据反演得到的地表温度与卫星过境时的气温建立线性回归方程,回归方程分为白天和夜间两种情况,判定系数 R2分别为 0.86和0.80,均方根误差分别为 2.47℃和 3.36℃[37]。

除了以地表温度或者亮度温度为唯一自变量的简单经验方程之外,有些学者考虑到地表特征和大气状况等因素对近地层热环境的影响,在回归方程中加入了植被指数 (NDV I)、太阳天顶角、海拔、经纬度及下行辐射等变量,以提高统计模型的估算精度:C ressw ell在利用 Meteosat地表温度数据估算南非1996年 11月和 1997年 5～6月的气温时,考虑了太阳天顶角变化对地表太阳入射辐射以及温度的影响,将其加入统计过程,建立了基于地表温度和太阳天顶角的 2阶多项式来估算气温,判定系数 R2=0.844,估算误差在 0.09～1.69℃之间,有超过 1/4的验证样本误差小于 1℃[38];Kawashima等考虑到植被密度是影响近地表热环境的重要参数,利用NDV I来表征植被密度,依据 NDV I和 Landsat TM反演得到的地表温度建立了几种不同天气条件下的近地层气温回归方程,标准误差在 1.4～1.85℃之间[39];Meteotest基于简单的边界层物理基础,建立了白天的近地层气温半经验方程,通过地表温度、地表反照率、下行辐射和风速来估算气温[40];Zaksek等在Meteotest半经验气温估算方程基础上加入了NDV I、高程差和坡度,去除了风速,并对原方程中下行辐射项的形式做了修改,建立了一个形势比较复杂的半经验估算方程,验证结果表明,均方根误差约为 2℃,相关系数为 0.95,41%的样本绝对误差在1℃以内[6];祝善友等利用 NOAA和 FY等多源极轨气象卫星的热红外波段估算上海地区 2005年的气温时,考虑到气温与地表温度随时间变化的快慢不同,根据不同时刻的气温和亮温的分布特点,分季度、分时段建立了热红外波段亮温线性组合与气温之间的回归方程,相关系数在 0.823～0.957之间,均方根误差在 1.4～2.7℃之间,在利用均值和方差对热红外波段亮温修正不同站点之间以及同一站点不同时刻亮温的离散性之后,精度有了一定程度的提高,相关系数在 0.887～0.989之间,均方根误差在 0.8～1.3℃之间[41]。

1.3 神经网络方法

神经网络方法利用大量相互联系的“神经元”来逼近任意复杂的非线性关系,不需要已知气温与地表温度、亮度温度、地表特性等因素的相互作用机理,只通过训练数据直接建立气温和输入参数之间的关系。

Jang等基于多层前馈神经网络MLF将 NOAA/AVHRR的 5个波段数据 (已转化为反射率和亮度温度)和地表海拔、太阳天顶角和儒略日等的不同组合作为输入参数来反演气温,并分析了隐层节点数对于估算精度的影响,结果表明,在隐层节点数为22时精度最高,相关系数为 0.926,均方根误差为1.79℃,有 95%的样本误差在 3℃以内[42];M ao等利用辐射传输模型 (MODTRAN)建立了包含不同大气状况和土地覆盖类型的模拟数据集,将该数据集随机分割为训练样本和验证样本两个部分,通过动态学习神经网络 DL来估算气温,当输入参数为ASTER第 11～14波段的亮度温度时,标准误差为3.5℃,将从 ASTER 1B中得到的地表温度和比辐射率也作为先验知识输入神经网络后,精度有了明显改善,标准误差能够达到 1℃左右[43]。

1.4 能量平衡方法

大气与地表之间存在能量和物质交换,忽略水平方向能量输入和光合作用耗能后的地表能量平衡方程为

式中,Rn是净辐射;H是显热通量;LE是潜热通量;G是土壤热通量。

能量平衡方法将显热通量和潜热通量表达为地气温差 (Ts-Ta)的函数,以此为依据建立地表温度与气温之间的关系。不过,净辐射、显热通量、潜热通量和土壤热通量的计算都比较复杂,需要很多参数,如空气动力学阻抗、风速等等。

Pape和Loffler基于一维地表能量平衡方程同时反演挪威高山地区的地表温度和气温,需要将气象站点观测的总辐射、气温、风速、大气湿度以及由遥感数据导出的地貌、下垫面和植被类型信息作为输入参数。通过迭代运算,首先求解出地表温度的数值解,然后再计算出 2 m高度的气温,判定系数R2在 0.833～0.985之间,均方根误差在 0.37～1.02℃之间[44]。Sun等将能量平衡方程以及各个分量的计算公式联立,通过一系列变换之后,将地气温差表达为地表比辐射率、净辐射、空气动力学阻抗、作物缺水指数 (CWSI)这几个物理量的函数,建立了地表温度与气温之间的定量关系,气温反演误差在 0.3～3.61℃之间,80%的样本误差在 3℃以内[12]。

2 方法评述

与地表温度反演中双波段数据采用劈窗算法、单波段数据采用单窗单通道算法不同,目前气温遥感反演中还没有哪一种方法得到普遍应用和认可。现有的 TVX法、经验统计法、神经网络法和能量平衡法各有其优点和缺陷。

TVX方法只需要由遥感影像导出的地表温度和 NDV I就可以估算气温,不需要任何地表观测数据,对输入参数要求最小。但缺陷是:①该方法不适用于水体、积雪和城镇等区域,适用范围受到限制;②饱和 NDV I值的选取大多依赖经验,受到个人主观性的干扰;③TVX是一种邻域运算方法,会导致一定的平滑效应,在一定程度上降低了空间分辨率。

经验统计法是估算气温的一种最为简捷的方法,统计模型注重结果与输入参数的相关性,通常不涉及机理过程,形式简单,对参数要求较少。但是回归方程不具有明确意义,区域性强而普适性差,随地域和季节变化而变化,难以推广到其他时间和地区。

神经网络方法具有分布并行处理、非线性映射、自适应学习和容错等特性。但是其解决问题的过程不明确,不利于解释气温估算的内在机理,而且,如果参数或算法选择不合适,容易出现训练时间过久、出现过度拟合现象等。

能量平衡方法以地表能量平衡理论为基础,物理意义明确。但是模型比较复杂,所需参数过多,而且有些参数 (如空气动力学阻抗、风速等)无法通过遥感手段获取,只能依赖实地观测,限制了其在较大空间尺度上的应用。

3 结论与展望

本文对近地层气温热红外遥感反演方法的研究进展进行了回顾和总结。总体上来说,近地层气温的遥感反演研究尚处于探索阶段,各种方法的精度还不是很稳定,而且没有统一的表达形式,距离业务化反演的要求还有一定距离。为了提高近地层气温反演的精度和实用性,笔者认为今后应该在下面几个方面作进一步研究:

(1)加强热红外波段大气辐射传输等过程的机理研究,深入理解气温与大气上下行热辐射、星上亮温、大气透过率、水汽含量、观测天顶角等因素之间的联系和内在规律。目前已有多种大气辐射传输模型 (如MODTRAN、LOW TRAN等)能够细致描述热红外辐射在大气中的传输过程,可基于现有的大气辐射传输模型研究气温与大气上下行辐射等因素之间的定量关系。考虑到不同的大气辐射传输模型对大气热辐射过程的计算存在一定的差异,最好能够选取若干典型区域进行星地一体观测试验,验证现有的大气热辐射传输模型在不同大气与地表条件下的适用性与准确性。

(2)在时间尺度上,结合气温日变化模型,考虑如何将气温瞬时值进行时间延拓,即把卫星过境时的反演气温扩展到一天的尺度上,得到任意时刻的气温或日平均气温。

(3)在空间尺度上,要考虑气温估算方法的空间尺度效应及尺度转换问题,以及像元尺度气温估算结果的定量表达和评价方法。

(4)改善云检测算法。像元中云的存在会在很大程度上影响气温的估算精度,如何更好地去除云的影响是气温遥感反演首要解决的问题之一。

[1] Prihodko L,Goward SN.Estimation of Air Temperature from Remotely Sensed Surface Observations[J].Remote Sensing of Environment,1997,60:335-346.

[2] Lakshmi V,Czajkow ski K,Dubayah R,et al.Land Surface Air Temperature Mapping Using TOV and AVHRR[J].International Journal of Remote Sensing,2001,22(4):643-662.

[3] Green RM,Hay S I.The Potential of Pathfinder AVHRR Data for Providing Surrogate Climatic Variables Across Africa and Europe for Epidemiological Applications[J].Remote Sensing of Environment,2002,79:166-175.

[4] Zhang Y,Li Ch,Zhou X,et al.A Simulation Model L inking Crop Grow th and Soil Biogeochemistry for Sustainable Agriculture[J].Ecological Modelling,2002,151:75-108.

[5] Huld TA,SuriM,Dun lop E D.Estimating Average Daytime and Daily Temperature Profiles within Europe[J].Environmental Modelling&Software,2006,21:1650-1661.

[6] Zaksek K,Schroedter-Homscheidt M.Parameterization of Air Temperature in High Temporal and Spatial Resolution from a Combination of the SEV IRI and MOD IS Instruments[J].ISPRS Journal of Photogrammetry and Remote Sensing,2009,64:414-421.

[7] Geiger R.Climate near the Ground[M].Cambridge:Harvard University Press,1965.

[8] Oke TR.Boundary Layer Climates[M].London:Methuen,1978.

[9] Boyer D G.Estimation of Daily Temperature Means Using Elevation and Latitude in Mountainous Terrain[J].Water Resources Bulletin,1984,4:583-588.

[10]De Beurs K.Evaluation of Spatial Interpolation Techniques for Clim ate Variables:Case Study of Jalisco,Mexico[D].Wageningen Agricultural University,the Netherlands,1998.

[11]Ishida T,Kawashim a S.Use of Cokriging to Estimate Surface Air Temperature from Elevation[J].Theoretical and Applied Climatology,1993,47:147-157.

[12]Sun Y J,W ang J F,Zhang R H,et al.Air Temperature Retrieval from Remote Sensing Data Based on Thermodynamics[J].Theoretical and Applied Climatology,2005,80:37-48.

[13]Price JC.Land Surface Temperature Measurements from the Sp lit Window Channels of the NOAA 7 Advanced Very High Resolution Radiometer[J].Journal of Geophysical,1984,89:7231-7237.

[14]Becker F,Li Z.Towards a Local Split Window Method over Land Surfaces[J].International Journal of Remote Sensing,1990,11:369-393.

[15]Sobrino J A,Co ll C,Casellesv.Atmospheric Correction for Land Surface Temperature Using NOAA-11 AVHRR Channels4 and 5[J].Remote Sensing of Environment,1991,38:19-34.

[16]Liang S.An Optimization Algorithm for Separating Land Surface Temperature and Emissivity from Multispectral Thermal Infrared Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39:264-274.

[17]覃志豪,Zhang M,Karnieli A,et al.用陆地卫星 TM 6数据演算地表温度的单窗算法[J].地理学报,2001,56(4):456-466.

[18]Czajkowski K P,Goward SN,Stadler S,et al.Thermal Remote Sensing of Near Surface Environmental Variables:Application over the Oklahoma Mesonet[J].The Professional Geographer,2000,52(2):345-357.

[19]Hatfield JL.Canopy Temperatures:The Usefulness and Reliability of Remote Measurements[J].Agronomy Journal,1979,71:889-892.

[20]Seguin B,It ier B.Using Midday Surface Temperature to Estimate Daily Evaporation from Satellite Thermal Infrared Data[J].International Journal of Remote Sensing,1983,4:371-383.

[21]Smith GA,Ranson K L,Nguyen D,et al.Thermal Vegetation Canopy Model Studies[J].Remote Sensing of Environment,1985,11:2113-2120.

[22]Stisen S,Sandholt I,Norgaard A,et al.Estimation of Diurnal Air Temperature Using MSG SEV IR I Data in West Africa[J].Remote Sensing of Environment,2007,110:262-274.

[23]Gardner B R,B lad B L,Watts D G.Plant and Air Temperature in Differentially Irrigated Corn[J].Agricultural Meteorology,1981,25:207-217.

[24]Nemani R R,Running SW.Estimation of Regional Surface Resistance to Evapo transpiration from NDVI and Thermal-IR AVHRR Data[J].Journal of Applied Meteorology,1989,28(4):276-284.

[25]Carlson TN,Gillies R R,Perry EM.A Method to Make Use of Thermal Infrared Temperature and NDVI Measurements to Infer Surface Soil Water Content and Fractional Vegetation Cover[J].Remote Sensing Review,1994,52:161-173.

[26]Vanderwaal JA,Holbo N R.Needle-Air Temperature Differences of Douglas fir Seed lings and Relation to Climate[J].Forest Science,1984,30:643-653.

[27]Goward SN,Xue Y K,Czajkow ski K P.Evaluating Land Surface Moisture Conditions from the Remotely Sensed Temperature/Vegetation Index Measurements—An Exploration with the Simplified Simple Biosphere Model[J].Remote Sensing of Environment,2002,79:225-242.

[28]Czajkowski K P,Mulhern T,Goward SN,et al.Biospheric Environmental Monitoring at BOREAS with AVHRR Observations[J].Journal of Geophysical Research,1997,102(29):651-662.

[29]Prince SD,Goetz SJ,Dubayah RO,et al.Inference of Surface and Air Temperature,Atmospheric Precipitable Water and Vapor Pressure Deficit Using Advanced Very High-Resolution Radiometer Satellite Observations:Comparison with Field Observations[J].Journal of Hydro logy,1998,213:230-249.

[30]Boegh E,Soegaard H,Hanan N,et al.A Remote Sensing Study of the NDVT-Ts Relationship and the Transpiration from Sparse Vegetation in the Sahel Based on High-Resolution Satellite Data[J].Remote Sensing of Environment,1999,69:224-240.

[31]齐述华,王军邦,张庆员,等.利用MOD IS遥感影像获取近地层气温的方法研究[J].遥感学报,2005,9(5):570-575.

[32]Riddering JP,Queen L P.Estimating Near-Surface Air Temperature with NOAA AVHRR[J].Canada Journal of Remote Sensing,2006,32(1):33-43.

[33]Vancutsem Y,Ceccato P,Dinku T,Evaluation of MOD ISL and Surface Temperature Data to Estimate Air Temperature in Different E-cosystems over Africa[J].Remote Sensing of Environment,2010,114(2):449-465.

[34]Chen E,Allen J L H,Bartholic J F,et al.Comparison of Winter Nocturnal Geostationary Satellite Infrared-Surface Temperature with Shelter-Height Temperature in Florida[J].Remote Sensing of Environment,1983,13(4):313-327.

[35]周红妹,周成虎,葛伟强,等.基于遥感和 GIS的城市热场分布规律研究[J].地理学报,2001,56(2):189-197.

[36]Jones P,Jedlovec G,Suggs R,et al.Using MOD ISLST to Estimate Minim um Air Temperatures at Night[C].13 th Conference on Satellite Meteorology and Oceanography,2004.

[37]Colombi A,De Michele C,Pepe M,et al.Estimation of Daily Mean Air Temperature from MOD ISLST in Alpine Areas[J].EAR SeLe Proceedings,2007,6:38-46.

[38]Cresswell M P.Estimating Surface Air Temperatures,from Meteosat Land Surface Temperatures,Using an Empirical Solar Zenith Angle Model[J].International Journal of Remote Sensing,1999,20(6):1125-1132.

[39]Kawashima S,Ishida T,Minomura M,et al.Relations Between Surface Temperature and Air Temperature on a Local Scale During Winter Nights[J].Journal of Applied Meteorology,2000,39:1570-1579.

[40]Meteotest.Meteonorm Handbook,Part III:Theory Part 2[EB/OL].[2010-04-11]http://www.m eteo test.ch/pd f/am/theory_2.pdf.

[41]祝善友,张桂欣,尹 球,等.基于多源极轨气象卫星热红外数据的近地表气温反演研究[J].遥感技术与应用,2009,24(1):27-31.

[42]Jang J,Viau A A,Anctil F.Neural Network Estimation of Air Temperatures from AVHRR Data[J].International Journal of Remote Sensing,2004,25(21):4541-4554.

[43]Mao K B,Tang H J,Wang X F,et al.Near-Surface Air Temperature Estimation from ASTER Data Based on Neural Network Algorithm[J].International Journal of Remote Sensing,2008,29(20):6021-6028.

[44]Pape R,Loffler J.Modelling Spatio-Temporal Near-Surface Temperature Variation in High Mountain Landscapes[J].Ecological Modelling,2004,178:483-501.

(责任编辑:刁淑娟)

Advances in the Study of Near Surface Air Temperature Retrieval from Thermal Infrared Remote Sen sing

XU Yong-ming1,2,QIN Zhi-hao2,3,WAN Hong-xiu2,4
(1.School of Remote Sensing,Nanjing University of Information Science&Technology,Nanjing 210044,China;2.International Institute for Earth System Sciences,Nanjing University,Nanjing 210093,China;3.Institute of Natural Resources and Regional Planning,Chinese Academy of Agricultural Sciences,Beijing 100081,China;4.Nanjing Institute of Geography and Limnology,Chinese Academy of Sciences,Nanjing 210008,China)

Near surface air temperature is an import antenvironment variable in many earth system models,because it is a key factor in the energy and water exchanges between land surface and atmosphere.Detailed measurements of spatial and temporal variations of near surface air temperature are critical for the effective understanding of climate,hydro logy,ecology,agriculture and terrestrial life processes.Traditionally meteorological observation could provide accurate air temperature data at the point scale,but most earth system models need gridded input variables.Satellite remote sensing provides a straightforward and consistent way to observe air temperature at regional and global scales with more spatially detailed information than meteorological data.This paper systematically review s the air temperature retrieving algorithm s for thermal remote sensing data,which include TVX app roaches,statistical approaches,neural network approaches and energy balance approaches.The main advantages and limitations of these four methods are also discussed.Finally,the development tendencies of estimating air temperature by remote sensing are pointed out,such as in tensive research on thermal radiant transfer model,spatial-temporal scaling of air temperature and improvement of c loud detection.

Thermal infrared remote sensing;Near surface temperature;TVX approach;Neural network;Energy balance

徐永明 (1980-),男,讲师,博士,主要从事热红外遥感、资源环境遥感方面的研究。

TP 722.5

A

1001-070X(2011)01-0009-06

2010-06-18;

2010-08-04

国家重点基础研究发展计划项目 (编号:2010CB428505)、国家自然科学基金项目 (编号:40801040,40901239)。