基于Landsat8数据的地表温度反演算法对比分析

段金馈

摘 要：地表温度（Land Surface Temperature，LST）是重要的地表物理参量。该文以北京市为研究区，基于Landsat8影像数据，利用辐射传输方程法（RTE算法）、针对TIRS10的单窗算法（TIRS10_SC算法）以及改进单通道算法（JM_SC10算法）反演地表温度，并运用气象观测点数据进行验证。结果表明，TIRS10_SC算法反演精度最好，RMSE为3.92℃;其次是RTE和JM_SC10算法。

关键词：Landsat8;地表温度;地表温度反演

中图分类号 P407文献标识码 A文章编号 1007-7731（2019）17-0148-03

Comparative Analysis of Land Surface Temperature Retrieval Algorithm based on Landsat8 Data——A Case Study in Beijing City

Duan Jinkui

（School of Geography and Environment，Shandong Normal University，Jinan 250358，China）

Abstract：Land Surface Temperature （LST） is an important surface physical parameter.Taking Beijing area as the research area，based on Landsat8 image data，LST is retrieved by the radiation transfer equation algorithm （RTE algorithm），the improved single window algorithm （TIRS10_SC algorithm） and the improved single channel algorithm （JM_SC10 algorithm）.The result is verified by meteorological observation point data.The results show that the TIRS10_SC algorithm has the best accuracy，RMSE is 3.92°C，followed by RTE algorithm and JM_SC10 algorithm.

Key words：Landsat8;Land surface temperature;Land surface temperature retrieval

地表温度是影响陆地、海洋和大气之间物理过程的重要参数，在城市热环境研究[1]、生态环境监测[2]以及灾害预警[3]等领域具有广泛的应用。随着技术的发展，通过卫星遥感数据反演LST，已经成为了高效获取大范围LST的主要途径。Landsat8卫星发射于2013年，其TIRS传感器空间分辨率达100m，OLI传感器的空间分辨率达到30m、15m，是目前遥感反演LST的重要数据源。国内外学者提出了许多针对Landsat8 TIRS10遥感数据改进的温度反演算法，如胡德勇等[4]提出了针对Landsat8 TIRS10的单窗算法;Jiménez-Mu?oz等[5]在其原有单通道算法[6]（Single-channel Algorithm，SC算法）的基础上，通过模拟数据集改进了针对Landsat8的参数，提出了改进单通道算法。

本研究选取北京市作为研究区，基于Landsat8 数据，采用辐射传输方程法、改进单窗算法及改进单通道算法来反演LST，并采用60个观测点的实测数据对反演结果进行验证，以期为LST反演算法的选择提供参考。

1 研究区概况

北京市位于华北平原北部，近几十年来，北京市经历了城市快速扩张、人口的爆炸式增长以及土地利用变革，城市热岛效应加剧，因而监测北京市LST具有重要意义。

2 研究方法

2.1 数据来源及预处理 Landsat8影像来源于USGS官网（https：//glovis.usgs.gov/），轨道号为123/32，下载2014年9月4日Landsat8影像数据，该景影像云量低于0.1%，影像质量高，适宜进行温度反演;与Landsat8数据成像时间相近的MODIS L1B数据用于进行大气水汽含量反演;气象观测点数据来源于中国科学院资源环境科学数据中心。

2.2 反演算法对比及参数计算

2.2.1 辐射传输方程法 辐射传输方程法，也称为大气校正法（Radiative Transfer Equation Algorithm，簡称RTE算法）。卫星传感器接收到的热红外辐射亮度值L由3部分组成：大气向上辐射亮度[L↑]、大气向下辐射亮度[L↓]以及地面辐射经大气传导后到达传感器的辐射亮度。表达式为：

[L=[εB（Ts）+（1-ε）L↓]τ+L↑]

地表温度TS可以根据普朗克函数公式获取：

[TS=K2/ln（1+k1/B（TS）]

式中：[τ]为大气透过率，[L↑]、[L↓]以及[τ]可以通过NASA查询网站（https：//atmcorr.gsfc.nasa.gov/）获取;对于Landsat8 TIRS10，[K1]=774.89W/（m2·sr·μm），[K2]=1321.08K;[ε]为地表比辐射率，通过NDVI阈值法计算：

[ε+0.004P]v+0.986

式中：Pv为植被覆盖度，可根据像元二分模型由归一化植被指数NDVI来计算。

2.2.2 针对TIRS10的单窗算法 针对Landsat8 TIRS10单窗算法（TIRS10_SC算法）是胡德勇等[4]在覃志豪单窗算法[7]的基础上针对Landsat TIRS传感器提出的。表达式为：

[TS=[K2（C+D）T10+（1-C-D）T210-K2DTa]/K2C]

[C-ετ]

[D=（1-τ）[1+（1-ε）][τ]]

式中：[T10]为Landsat8 TIRS10的辐射亮温;[Ta]为大气平均作用温度，通过中纬度夏季标准大气的大气平均作用温度估算方程[7]获取：

[Ta=16.0110+0.92621T0]

式中：[T0（K）]为近地表温度，可由气象站数据获得。

2.2.3 改进单通道算 改进单通道算法[5]（简称JM_SC10算法）是Jiménez-Mu1oz在其原有单通道算法[6]（Single-channel Algorithm，简称SC算法）的基础上，针对Landsat 8的大气参数提出来的。表达式为：

[TS=γ·φ1·L+φ2ε+φ3]+δ

[γ≈T102/bγL]

[δ≈T10-][T102/bγ]

式中：[φ1]、[φ2]、[φ3]是与大气水汽含量[ω]有关的函数[（[ω<（g/cm2））]]，采用初步改进的MODIS通道比值法[8]反演大气水汽含量[ω]。;[bγ]为常数，对于TIRS10，[bγ=1324]。

3 反演结果及精度验证

3.1 反演结果对比 利用上述算法，通过ENVI5.3、Arcgis10.4等工具，得到了北京市2014年9月4日LST反演结果（图1）。由图1可知，3种算法反演得到的LST空间分布规律基本一致。温度较高的地区集中在中部及东南部不透水面为主的地区;北部地区及西部地区温度较低，低温区域相对集中在西北部树木和裸土为主的地区以及东北部树木覆盖的地区;水体分布地区是周边的低温中心，如东部的于桥水库、中部的密云水库和怀柔水库以及西部的官厅水库。

3.2 反演结果精度验证 为验证3种算法的精度，选取与Landsat8影像成像同一日期相近时刻（2014年9月4日11时）的北京市60个气象观测点的实测数据，并从站点栅格内统计3种算法反演得到的LST进行验证。由表1可知：RTE算法、JM_SC10算法和TIRS10_SC算法的RMSE分别为4.51℃、3.92℃和5.03℃，各算法反演的LST普遍高于站点实测值且偏差不大，反演精度较为接近;其中TIRS10_SC算法RMSE最小，表明其反演的LST与观测点温度偏差最小，可信反演精度更高。在相关性方面，RTE、TIRS10_SC、JM_SC10等3种算法的回归系数R2值分别为0.4168、0.4131及0.4239，表明3种算法反演的LST与观测点温度的相关性较好。

4 结论与讨论

本文基于2014年9月4日北京市Landsat8遥感数据，通过RTE算法、JM_SC10算法及TIRS10_SC算法进行了LST反演，并通过60个观测点实测温度对反演结果进精度验证，主要结论如下：

（1）3种算法反演的LST的空间分布格局相似，且普遍高于观测点温度。不同算法反演的LST存在差异，JM_SC10算法反演的LST高于其他2种算法。

（2）3种算法与观测点数据存在较好的相关性，其R2值分别为0.4168、0.4131和0.4239;反演精度有差别，TIRS10_SC算法的反演精度最好，RTE算法次之，JM_SC10算法的较差，RMSE分别为3.92℃、4.51℃和5.03℃。

本文的结果具有一定的适用性，可以为LST反演算法的选择提供一定的参考。但LST受多方面因素的影响，研究不同区域LST反演算法的适用性是今后的重点。

参考文献

[1]ZAK?EK K，O?TIR K.Downscaling land surface temperature for urban heat island diurnal cycle analysis[J].Remote Sensing of Environment，2012，117：114-124.

[2]SEKERTEKIN A，KUTOGLU S H，KAYA S.Evaluation of spatio-temporal variability in Land Surface Temperature：A case study of Zonguldak，Turkey[J].Environmental Monitoring and Assessment，2015，188（1）：30.

[3]BHARDWAJ A，SINGH S，SAM L，et al.A review on remotely sensed land surface temperature anomaly as an earthquake precursor[J].International Journal of Applied Earth Observation and Geoinformation，2017，63：158-166.

[4]胡德勇，喬琨，王兴玲，等.单窗算法结合Landsat8热红外数据反演地表温度[J].遥感学报，2015，19（06）：964-976.

[5]JIM?NEZ-MU?OZ J C，SOBRINO J A，SKOKOVIC' D，等.Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data[J].IEEE Geoscience and Remote Sensing Letters，2014，11（10）：1840-1843.

[6]JIM?NEZ-MU?OZ J C，SOBRINO J A.A generalized single-channel method for retrieving land surface temperature from remote sensing data[J].Journal of Geophysical Research：Atmospheres，2003，108（D22）.

[7]QIN Z，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.

[8]KAUFMAN Y J，GAO B-C.Remote sensing of water vapor in the near IR from EOS/MODIS[J].IEEE Transactions on Geoscience and Remote Sensing，1992，30（5）：871-884.

（责编：张宏民）