基于FSDAF方法融合生成高时空分辨率地表温度

2018-03-06杨贵军陈晓宁张勇峰尤静妮

自然资源遥感 2018年1期

杨敏，杨贵军，陈晓宁，张勇峰，尤静妮

(1.陕西省地震局，西安 710068； 2.国家农业信息化工程技术研究中心,北京 100097； 3.农业部农业信息技术重点实验室,北京 100097； 4.北京市农业物联网工程技术研究中心,北京 100097； 5.西安科技大学测绘科学与技术学院,西安 710054； 6.西安中天纬地测绘科技有限公司,西安 710065)

0 引言

地表温度(land surface temperature, LST)是能量平衡和水平衡的重要组成部分及主要分量，准确测定与估算研究区域的LST不仅能够监测农业旱情,指导农业耕种、排水及灌溉，还对研究全球气候变化、生态环境监测等问题具有极其重要的意义[1-6]。现有静止气象卫星数据能够满足对全球气候变化、生态环境监测等大区域性问题的研究，而对农业耕种、农田蒸散发等更精细尺度的研究，则需要高时间/高空间分辨率的遥感影像。现有的卫星传感器因硬件性能、卫星轨道设计等需要权衡入射辐射总能量守恒、数据在轨存储及传输能力有限等因素，致使传感器各种分辨率之间相互制约，故现有传感器中没有单独的传感器能够兼顾时空分辨率[7]。

时空数据融合方法可以获得高时空分辨率的数据,这些方法主要分为3大类[8]： ①基于权重函数的方法，时空自适应反射率融合模型(spatio-temporal adaptive reflectivity fusion model，STARFM)是基于权重函数的第一个方法，是Gao等[9]在假设高分辨率和低分辨率影像反射率变化一致的基础上提出的。针对其缺陷，出现了一些改进的算法，例如增强型STARFM(enhanced STARFM，ESTARFM)[10]和自适应影像反射率变化时空融合方法[11]； ②基于混合像元分解的方法，最早由Zhukov等[12]于1999年提出多传感器多分辨率技术，后来有了遥感数据时空融合方法(spatial temporal data fusion approach，STDFA)[13]； ③基于稀疏表示及字典学习的时空融合的方法，基于稀疏表示的反射率时空融合模型是Huang等[14]在2012年提出的最早的基于稀疏表示和字典学习的方法。上述方法大多需要输入一对以上的高时间/低空间分辨率数据(下文简称为低空间分辨率数据)和低时间/高空间分辨率数据(下文简称为高空间分辨率数据)再加上1景低空间分辨率数据(预测日期)。基于混合像元分解的方法和大部分基于权重函数的方法都假定输入和预测日期之间没有土地覆盖类型变化，这对异质区域的地表覆盖类型突变的预测是一个很大的挑战；基于稀疏表示和字典学习的方法虽能更好地预测像元的地表覆盖类型，但不能精确地保持物体的形状，尤其是当尺度差异太大时。为了克服上述时空数据融合方法的缺陷，本文采用一种灵活的时空数据融合(flexible spatio-temporal data fusion，FSDAF)模型生成高时空LST数据并对其进行验证分析。

1 研究区概况及数据源

1.1 研究区概况

本文的研究区域选择甘肃省张掖市黑河流域盈科灌区，地理范围为N38°44′～38°57′，E100°12′～100°32′。该灌区位于张掖市西南部，周围地势平坦开阔，适合农业耕种，可作为典型的绿洲农田观测站。主要地表覆盖类型为戈壁、水体、建筑物、农作物和沙地等，主要农作物类型为玉米、春小麦、油菜、水稻和胡麻等[15-16]。研究区位置及自动气象站(automatic weather station，AWS)分布如图1所示。

(a) 研究区位置(b) ASTER B3(R)，B2(G)，B1(B)假彩色合成影像及AWS站点分布区的局部放大

图1研究区位置及AWS站点分布示意图

Fig.1LocationofstudyareaanddistributionofAWSsites

1.2 数据源及预处理

考虑到LST随时间变化快且与传感器的观测位置有关，间隔很短时间或处于不同观测位置都不能很好地说明数据融合的精度。因此，本文选择搭载同一平台(EOS/TERRA卫星)的中等分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)和高级热量散射和反射辐射仪(advanced spaceborne thermal emission and reflection radiometer,ASTER)传感器获取的数据，以保证传感器具有相同的观测时间和相同的观测位置。所用的MOD11_L2数据取自美国国家航空航天局(National Aeronautics and Space Administration，NASA)官网(http: //ladsweb.nascom.nasa.gov/)。ASTER LST数据及本文中采用的AWS观测数据取均来自2012年在黑河流域开展的“黑河流域生态水文过程综合遥感观测联合试验(Heihe watershed allied telemetry experimental resaerch，HiWATER)”[17]。首先利用MODIS Reprojection Tool将MODIS数据重投影为WGS/UTM84坐标系，并采用最近邻法重采样为90 m空间分辨率；然后使用ENVI软件，以2012年8月11日获取的ASTER影像为基准，对MODIS和其余的ASTER影像进行配准(配准误差小于0.5个像元)；最后根据研究区矢量文件对2种影像数据进行裁剪。所用的影像数据均无云覆盖，质量良好。结合先验知识，将研究区内的地表覆盖类型大致分为植被、水体及裸地3类。本文所用遥感数据见表1。

表1 研究中使用的遥感数据Tab.1 Remote sensing data used in study

①MODIS LST产品由广义分裂窗算法(generalized split-window algorithm，GSW)生成[18]； ②ASTER LST产品由温度发射率分离(temperature emissivity separation，TES)算法及水蒸气扩展(water vapor scaling，WVS)校正方法生成[19-20]。

2 基于FSDAF的时空数据融合方法

2.1 技术流程

本文技术流程图如图2所示。

图2 技术流程图Fig.2 Technique flowchart

2.2 时空数据融合方法

STARFM和ESTARFM方法在最后的预测中均使用临近像元信息来减少不确定性以及减轻块效应。本文使用了与STARFM和ESTARFM类似的策略，得到t2时刻更高精度的高空间分辨率像元值。具体步骤如下：首先，对t1时刻的高空间分辨率数据进行分类，结合2期低空间分辨率数据，计算每一地物覆盖类型的时间差异；然后，利用每一地物覆盖类型的时间差异，预测t2时刻的高空间分辨率，并计算低空间分辨率数据像元的残差；接着，对t2时刻的低空间分辨率数据，使用薄板样条(thin plate spline，TPS)插值函数预测对应时刻的高空间分辨率数据，并将残差分配给预测得到的高空间分辨率数据；最后，使用邻域信息在移动窗口内赋予权重，融合生成t2时刻的高空间分辨率数据。具体计算方法为

ΔRhigh(xij,yij,b)=εhigh(xij,yij,b)+ΔRhigh(a,b) ，

(1)

(2)

权重的计算和ESTARFM方法中的定义一致[10]，文中不再赘述。FSDAF方法是一种基于光谱解混分析与TPS插值函数的高时空分辨率数据融合方法，TPS插值函数主要是指导残差分布，残差求解方法为

εhigh(xij,yij,b)=mε(xi,yi,b)W(xij,yij,b) ，

(3)

(4)

CW(xij,yij,b)=Eho(xij,yij,b)+ε(xi,yi,b)[1-HI(xij,yij)]，

(5)

(6)

(7)

3 结果与分析

以2012年7月10日获取的ASTER LST和MODIS LST为基础影像对输入，用于预测2012年8月02日、8月18日、8月27日、9月03日、9月19日和9月28日共6 d的LST。用FSDAF方法生成的高时空分辨率LST影像并非一次性得到，而是多次调整窗口大小、地物类别数目、相似像元搜索阈值大小等参数的结果，最后选择大小为20像元×20像元的窗口，地物类别数目为5，相似像元搜索阈值为30。为了验证用FSDAF方法融合获得的高时空LST的精度，从地面点观测数据和ASTER温度产品数据这2个层次对融合结果进行验证分析。

3.1 地面点验证与分析

对用FSDAF方法生成的高时空分辨率LST的地面点验证是利用从黑河网站申请到的AWS站点的地表辐射红外温度进行的。AWS站点中AWS1站点的下垫面地物类型为菜地、AWS4站点下垫面地物类型为村庄、AWS17站点下垫面地物类型为果园，其余站点下垫面地物类型均为玉米，因此，研究区域下垫面大部分都是地表覆盖均匀的农田，且地势平坦，LST空间差异较小，站点位置处的温度测量值对其下方周围一定范围内的农田温度值具有一定的代表性，可以用AWS站点的测量值对遥感预测LST数据进行验证[21-24]。Wan[25]指出了现场实测的LST验证点应远小于1 K的不确定性，因此选择4 d的利用FSDAF方法生成的LST数据小于1 K的不确定性点来验证。验证点的选择是以17个AWS站点为中心选择一个3像元×3像元的窗口，对窗口内的9个像元值计算平均标准差，最后选择所有4 d平均标准差小于1 K的AWS站点进行验证。图3为AWS站点对应的4 d平均标准差。

图3 17个AWS站点4 d平均标准差Fig.3 Average standard deviation of 17 AWS stations in 4 days

对4个日期AWS站点观测的LST值与基于FSDAF方法生成的LST进行验证分析的散点图如图4所示。

(a) 20120802 (b) 20120818

图4AWS站点观测LST与FSDAF融合生成LST的散点图

Fig.4ScatterplotsforgroundmeasuredLSTbyAWSstationandLSTgeneratedbyFSDAFfusion

由图4可以看出，AWS站点观测的LST数据与基于FSDAF方法生成的LST数据的散点分布呈明显的正相关性，且散点分布较为集中，决定系数R2均高于0.64，表明基于FSDAF方法生成的LST值具有较高的预测精度。

值得注意的是，图4中AWS1这一样本点的预测LST明显高于其余样本点的LST，其原因是该站点下垫面地物类型为菜地，而菜地的地表覆盖没有玉米地均匀,裸露地表较多；且从图1的AWS站点分布图可以看出，AWS1站点附近有裸土或不透水面等高温区域，故AWS1的LST明显高于其他站点的LST。

3.2 ASTER温度产品验证与分析

用于对预测生成的LST数据进行验证的真值采用从寒区旱区科学数据中心申请到的、与MODIS获取时间一致的ASTER LST产品(图5)。图5最左列为利用FSDAF方法预测生成的6 d的90 m空间分辨率LST影像；中间列为从“黑河流域生态水文试验： 2012年黑河流域中游ASTER地表温度和地表反射率数据集”获得的ASTER LST产品；最右列为从NASA官网获取的MODIS LST产品(用最近邻法重采样为90 m空间分辨率)。

(d) 20120818 LST(e) 20120818 ASTER LST(f) 20120818 MODIS LST

(g) 20120827 LST(h) 20120827 ASTER LST(i) 20120827 MODIS LST

(j) 20120903 LST(k) 20120903 ASTER LST(l) 20120903 MODIS LST

(m) 20120919 LST(n) 20120919 ASTER LST(o) 20120919 MODIS LST

图5-1研究区不同日期LST分布图

Fig.5-1LSTdistributioninstudyareaindifferentdates

(p) 20120928 LST(q) 20120928 ASTER LST(r) 20120928 MODIS LST

图5-2研究区不同日期LST分布图

Fig.5-2LSTdistributioninstudyareaindifferentdates

由图5可以看出，用FSDAF融合生成的LST分布图、ASTER的LST产品分布图以及MODIS的LST产品分布图的空间分布趋势完全一致。图5中红色为高温地物(均为沙漠区域)，蓝色为低温地物(均为农田等有植被覆盖区域)，这与研究时间段内研究区的地表覆盖真实情况十分吻合。由图5最右列图可以看出，虽然MODIS LST产品已重采样为90 m空间分辨率，但并没有给MODIS加入任何空间辅助信息，所以直接由1 000 m分辨率重采样而来的MODIS LST数据的斑块现象十分明显。而基于FSDAF方法预测生成的LST影像与MODIS LST影像形成鲜明对比，前者是在后者的基础上加入了一些空间辅助信息，增加了纹理细节，消除了部分斑块现象，与ASTER LST产品的影像纹理十分吻合。

图6为8月2日的ASTER LST产品与FSDAF预测的LST影像的差值分布，分布在-8～15 K之间。总的来看，真实LST与预测LST差值分布图几乎没有纹理信息，看起来像一些随机噪声值，这说明基于FSDAF方法预测生成的LST值与真实的LST值分布几乎没有差异，纹理十分接近。但可以看出地物覆盖类型的交界处(水体与农田、农田与居民地、农田与沙漠等)误差较大，这可能是由于地物交界处的地表覆盖类型较为复杂、混合像元现象比较严重，而且输入的基础影像与ASTER和MODIS数据的尺度差异太大。

图6真实LST与预测LST差值影像图

Fig.6DifferenceimageoftrueLSTandpredictedLST

为了更加直观地了解基于FSDAF方法生成的LST值的精度，本文以ASTER LST产品为真值，对FSDAF预测生成的LST影像进行相关性分析，以验证该方法对本研究区的适用性。图7为ASTER LST产品和对应位置像元的预测LST的散点图，使用决定系数(R2)、平均绝对误差(mean absolute error,MAE)及均方根误差(root mean squared error,RMSE)来定量评价基于FSDAF方法生成的6个日期LST影像的精度。

(a) 20120802 (b) 20120818

图7-1FSDAF方法预测LST与ASTERLST产品的散点图

Fig.7-1ScatterplotsofLSTpredictedbyFSDAFmethodandASTERLSTproduct

(e) 20120919 (f) 20120928

图7-2FSDAF方法预测LST与ASTERLST产品的散点图

Fig.7-2ScatterplotsofLSTpredictedbyFSDAFmethodandASTERLSTproduct

从图7散点图的离散程度以及走势可以看出,预测影像的精度较高。图中可见有个别散点并不服从于整体散点的分布走势，分析认为这些分散的散点可能对应于图6中的地物交界处。整体来看，6个日期的R2≥0.91，MAE≤1.84 K，RMSE≤2.44 K，这3个指标定量地说明了FSDAF方法预测生成的LST精度很高。

4 讨论

用时空融合方法生成高时空分辨率的LST数据可解决由传感器各种分辨率之间的制约导致的不能同时获取高时间/高空间分辨率数据的缺陷，FSDAF方法也不例外。FSDAF方法与STARFM的主要区别在于FSDAF方法是将混合像元分解、空间插值以及STARFM方法整合为一个框架。从图4―7这一系列图及其精度评价参数可以看出，用FSDAF方法融合生成的LST精度很高；从与地面观测LST的散点图能很明显地看出，FSDAF方法预测生成的LST精度很高； 20120710—20120928时间跨度2个多月，预测精度依然很高，这能很好地解决高空间分辨率传感器运行周期长以及云雨天气导致的影像不可用等问题。

本文只是将Zhu等[8]的FSDAF方法应用于黑河中游盈科灌区，并对生成的数据进行了多级验证分析，以研究该方法对盈科灌区试验区的适用性；但并没有对FSADF算法本身有所改进。

现已发表的文献和本文几乎使用完全相同的研究区融合生成LST，采用的是ESTARFM方法[23]、基于时序数据的时空融合方法[26]和基于混合像元分解的时空融合方法[27]。ESTARFM的决定系数比FSDAF方法的略高，但ESTARFM方法需要输入2个时期的高空间分辨率影像，比FSDAF要求的输入条件更苛刻些，而且ESTARFM方法的误差范围比FSDAF要大。

FSDAF方法能够有如此好的预测结果，主要归因于以下几方面： ①FSDAF方法在解决端元的时空变化时比其他的基于混合像元分解方法更加稳健； ②由地表覆盖变化或者类内差异导致的时间变化的局部变化是通过残差分布来建模的； ③FSDAF方法预测的影像通过引入邻域信息而具有较好的空间连续性。

5 结论

本文应用FSDAF方法融合ASTER和MODIS数据，生成具有MODIS高时间分辨率的90 m高空间分辨率LST影像。利用MODIS数据提供的时序信息和ASTER数据提供的空间纹理信息，对融合生成的LST用AWS站点观测的LST数据以及ASTER LST产品进行了多级验证。得出以下结论：

1)FSDAF方法用于生成本文研究区高时空LST是可行的，得到的LST影像纹理清晰且与真实影像十分吻合，空间细节连续性好。

2)用AWS站点观测的LST值验证FSDAF方法生成的LST影像的结果精度很高，R2≥0.64，且散点图较为集中。

3)用ASTER LST产品对FSDAF方法生成的LST影像进行验证，同样也可以得到较高的精度：R2≥0.91，MAE≤1.84 K，RMSE≤2.44 K。

本文只是一个基于FSDAF方法生成高时空分辨率LST的应用实例，结果表明该算法应用于本文的研究区是可行的，能够预测土地覆盖类型的变化且纹理清晰、精度较高；但该算法无法预测土地覆盖类型的微小变化，在今后的研究中应该更深层次地考虑如何加入静止气象卫星数据生成更高时间分辨率的LST，以预测土地覆盖类型的微小变化。对于不能很好解决的土地覆盖类型交界处等混合像元严重的问题，应考虑加入中间过渡分辨率的影像数据进行分析。

[1] 刘绍民,孙中平,李小文,等.蒸散量测定与估算方法的对比研究[J].自然资源学报,2003,18(2):161-167.

Liu S M,Sun Z P,Li X W,et al.A comparative study on models for estimating evapotranspiration[J].Journal of Natural Resources,2003,18(2):161-167.

[2] Li A N,Zhao W,Deng W.A quantitative inspection on spatio-temporal variation of remote sensing-based estimates of land surface evapotranspiration in south Asia[J].Remote Sensing,2015,7(4):4726-4752.

[3] 张仁华,孙晓敏,王伟民,等.一种可操作的区域尺度地表通量定量遥感二层模型的物理基础[J].中国科学D辑(地球科学),2004,34(s2):200-216.

Zhang R H,Sun X M,Wang W M,et al.The physical basis of an operable regional scale surface fluxes on quantitative remote sensing Bilevel model[J].Science China Earth Sciences,2004,34(s2):200-216.

[4] Huang B,Wang J,Song H H,et al.Generating high spatiotemporal resolution land surface temperature for urban heat island monitoring[J].IEEE Geoscience and Remote Sensing Letters,2013,10(5):1011-1015.

[5] Zhou J,Zhan W F,Hu D Y,et al.Improvement of mono-window algorithm for retrieving land surface temperature from HJ-1B satellite data[J].Chinese Geographical Science,2010,20(2):123-131.

[6] Wan Z M,Li Z L.A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(4):980-996.

[7] Zhang Y.Understanding image fusion[J].Photogrammetric Engineering & Remote,2004,70(6):657-661.

[8] Zhu X L,Helmer E H,Gao F,et al.A flexible spatiotemporal method for fusing satellite images with different resolutions[J].Remote Sensing of Environment,2016,172:165-177.

[9] Gao F,Masek J,Schwaller M,et al.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(8):2207-2218.

[10] Zhu X L,Chen J,Gao F,et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote Sensing of Environment,2010,114(11):2610-2623.

[11] Hilker T,Wulder M A,Coops N C,et al.A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J].Remote Sensing of Environment,2009,113(8):1613-1627.

[12] Zhukov B,Oertel D,Lanzl F,et al.Unmixing-based multisensor multiresolution image fusion[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(3):1212-1226.

[13] Wu M Q,Niu Z,Wang C Y,et al.Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model[J].Journal of Applied Remote Sensing,2012,6(1): 063507.

[14] Huang B,Song H H.Spatiotemporal reflectance fusion via sparse representation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):3707-3716.

[15] 角媛梅,马明国,肖笃宁.黑河流域中游张掖绿洲景观格局研究[J].冰川冻土,2003,25(1):94-99.

Jiao Y M,Ma M G,Xiao D N.Research on the landscape pattern of Zhangye oasis in the middle reaches of Heihe River[J].Journal of Glaciology and Geocryology,2003,25(1):94-99.

[16] 刘润堂,李远华,许平.黑河流域农业节水任务及需正确处理的关系[J].中国水利,2002(2):44-46.

Liu R T,Li Y H,Xu P.Agricultural water saving task in Heihe River Basin and how to handle its relationship with other respects properly[J].China Water Resources,2002(2):44-46.

[17] 历华,王合顺,杜永明,等.黑河生态水文遥感试验:2012年黑河流域中游ASTER地表温度和地表发射率数据集[EB/OL].2015.http://westdc.westgis.ac.cn/data/43932103-65cd-4b25-a750-8936913efafe.

Li H,Wang H S,Du Y M,et al.HiWATER: ASTER LST and LSE dataset in 2012 in the middle reaches of the Heihe River Basin[EB/OL].2015. http://westdc.westgis.ac.cn/data/43932103-65cd-4b25-a750-8936913efafe.

[18] Li Z L,Tang B H,Wu H,et al.Satellite-derived land surface temperature:Current status and perspectives[J].Remote Sensing of Environment,2013,131:14-37.

[19] Xu Z W,Liu S M,Li X,et al.Intercomparison of surface energy flux measurement systems used during the HiWATER-MUSOEXE[J].Journal of Geophysical Research:Atmospheres,2013,118(23):13140-13157.

[20] Li H,Sun D L,Yu Y Y,et al.Evaluation of the VIIRS and MODIS LST products in an arid area of Northwest China[J].Remote Sensing of Environment,2014,142:111-121.

[21] Yang G J,Weng Q H,Pu R L,et al.Evaluation of ASTER-like daily land surface temperature by fusing ASTER and MODIS data during the HiWATER-MUSOEXE[J].Remote Sensing,2016,8(1):75.

[22] 白洁,刘绍民,扈光.针对TM/ETM+遥感数据的地表温度反演与验证[J].农业工程学报,2008,24(9):148-154.

Bai J,Liu S M,Hu G.Inversion and verification of land surface temperature with remote sensing TM/ETM+ data[J].Transactions of the CSAE,2008,24(9):148-154.

[23] 杨贵军,孙晨红,历华.黑河流域ASTER与MODIS融合生成高分辨率地表温度的验证[J].农业工程学报,2015,31(6):193-200.

Yang G J,Sun C H,Li H.Verification of high-resolution land surface temperature by blending ASTER and MODIS data in Heihe River Basin[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(6):193-200.

[24] 于文凭,马明国.MODIS地表温度产品的验证研究——以黑河流域为例[J].遥感技术与应用,2011,26(6):705-712.

Yu W P,Ma M G.Validation of the MODIS land surface temperature products:A case study of the Heihe River Basin[J].Remote Sensing Technology and Application,2011,26(6):705-712.

[25] Wan Z M.New refinements and validation of the MODIS Land-Surface Temperature/Emissivity products[J].Remote Sensing of Environment,2008,112(1):59-74.

[26] 石月婵,杨贵军,李鑫川,等.融合多源遥感数据生成高时空分辨率数据的方法对比[J].红外与毫米波学报,2015,34(1):92-99.

Shi Y C,Yang G J,Li X C,et al.Intercomparison of the different fusion methods for generating high spatial-temporal resolution data[J].Journal of Infrared and Millimeter Waves,2015,34(1):92-99.

[27] 邬明权,王洁,牛铮,等.融合MODIS与Landsat数据生成高时间分辨率Landsat数据[J].红外与毫米波学报,2012,31(1):80-84.

Wu M Q,Wang J,Niu Z,et al.A model for spatial and temporal data fusion[J].Journal of Infrared and Millimeter Waves,2012,31(1):80-84.