熱紅外遙感反演近地層氣溫的研究進展

徐永明,覃志豪,萬洪秀

(1.南京信息工程大學遙感學院,南京 210044;2.南京大學國際地球系統(tǒng)科學研究所,南京 210093;3.中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所,北京 100081;4.中國科學院南京地理與湖泊研究所,南京 210008)

熱紅外遙感反演近地層氣溫的研究進展

徐永明1,2,覃志豪2,3,萬洪秀2,4

(1.南京信息工程大學遙感學院,南京 210044;2.南京大學國際地球系統(tǒng)科學研究所,南京 210093;3.中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所,北京 100081;4.中國科學院南京地理與湖泊研究所,南京 210008)

近地層氣溫是生態(tài)環(huán)境的重要因子,是描述地表與大氣能量交換與水分循環(huán)的關(guān)鍵變量。氣象站點觀測能夠提供點尺度上的準確氣溫資料,但是大多數(shù)地球系統(tǒng)模型需要空間連續(xù)的參數(shù)來模擬物理過程。遙感提供了比地表氣象觀測數(shù)據(jù)更理想的空間異質(zhì)度信息,為快速獲取大尺度的氣溫時空信息提供了新的途徑。主要介紹了目前常用的幾種遙感氣溫估算方法,包括溫度 -植被指數(shù)(TVX)方法、經(jīng)驗統(tǒng)計方法、神經(jīng)網(wǎng)絡(luò)方法和能量平衡方法等等,并對這些方法的優(yōu)、缺點分別進行了評述。最后,指出今后應(yīng)該加強輻射傳輸過程的機理研究、氣溫的時空尺度轉(zhuǎn)換以及云檢測算法等方面的研究。

熱紅外遙感;近地層氣溫;TVX方法;神經(jīng)網(wǎng)絡(luò);能量平衡

0 引言

近地層氣溫指在近地層 (距地面 2m或 1.5 m處)觀測的大氣溫度,是描述地表與大氣能量交換與水分循環(huán)的關(guān)鍵變量[1],對潛熱、顯熱通量,水氣壓、入射的長波和短波輻射、葉片氣孔阻抗及水勢等物理量都有重要影響[2],在氣候、水文、生態(tài)乃至傳染病研究等多個領(lǐng)域中得到廣泛應(yīng)用[3-6]。

由于受到緯度、海拔、植被覆蓋及土壤濕度等時空多變要素的影響,近地層氣溫的時空分布模式很復雜,使得獲取宏觀范圍的氣溫資料很困難[7,8]。氣象站點觀測能夠提供點尺度上的準確氣溫數(shù)據(jù),但是氣候、生態(tài)、陸面過程等地球系統(tǒng)模型研究與應(yīng)用需要空間上連續(xù)的面數(shù)據(jù),因而需要對氣象數(shù)據(jù)進行空間插值來完成由點到面的尺度轉(zhuǎn)換[9-11]?？臻g插值結(jié)果在很大程度上取決于氣象站點的密度和分布特征,由于氣象站點分布不均而且在部分地區(qū)密度很小,很多情況下進行空間插值得不到滿意的氣溫空間分布數(shù)據(jù)[12]。

隨著全球氣候變化研究的不斷深入,常規(guī)氣象站點觀測已經(jīng)無法滿足地球系統(tǒng)科學研究的需要。氣溫時空分布資料的缺乏在一定程度上制約了地學模型的發(fā)展,從而影響對全球氣候和環(huán)境的認識。近些年來,遙感技術(shù)的飛速發(fā)展為快速獲取大尺度的氣溫時空信息提供了新途徑。衛(wèi)星遙感最突出的優(yōu)勢在于能夠提供大范圍、且空間上連續(xù)的地表和大氣信息,提供了比地表氣象觀測數(shù)據(jù)更理想的空間異質(zhì)度信息。

從 20世紀 80年代開始,基于熱紅外波段的地表溫度反演成為遙感研究的一個熱點問題。許多學者開展了對地表溫度反演方法的研究,提出了一系列劈窗算法與單窗算法等經(jīng)典反演方法[13-17]。相對而言,氣溫的遙感研究工作還比較少,因為其反演難度要比地表溫度反演高很多。一般情況下,熱紅外傳感器接收到的能量中大約 80%是地表發(fā)射的熱輻射能量[18],而大氣輻射所占比重相對較低,傳感器對地表溫度很敏感,對氣溫并不太敏感。另外,地表熱輻射是面輻射,而大氣熱輻射是體輻射,其計算更加復雜。盡管如此,仍然有學者嘗試根據(jù)熱紅外遙感數(shù)據(jù)來反演近地層氣溫,本文對目前氣溫遙感反演方面的研究進行了回顧,綜合概括了氣溫反演方法取得的成果,對現(xiàn)有研究中存在的主要問題進行了分析討論,并對反演研究的進一步發(fā)展進行了展望。

1 氣溫的遙感反演方法

由于傳感器入瞳熱輻射能量中大氣輻射能量的比重較小,加上大氣整體輻射的復雜性,目前還沒有從熱紅外波段輻射傳輸方程反演氣溫的方法報道,現(xiàn)有的氣溫遙感反演算法主要是基于地表溫度與氣溫之間的關(guān)系來估算近地層氣溫。太陽輻射首先加熱陸地表面,然后由陸地表面對近地層大氣加熱。因此,從區(qū)域能量平衡的觀點,地表溫度與氣溫之間存在必然的聯(lián)系。氣溫反演算法總體上可以歸納為:溫度 -植被指數(shù) (Temperature Vegetation Index,TVX)法、常規(guī)統(tǒng)計方法、神經(jīng)網(wǎng)絡(luò)方法和能量平衡方法 4種。

1.1 TVX方法

TVX方法是一種利用地表溫度和光譜植被指數(shù)之間的負相關(guān)性來從遙感數(shù)據(jù)中提取氣溫的空間鄰域運算方法。其原理是假定濃密植被的地表溫度即冠層表面溫度等于冠層內(nèi)的氣溫?；谶@個前提,通過某個像元鄰域窗口的植被指數(shù) -地表溫度特征空間計算出濃密植被冠層的溫度,就可近似為該鄰域的氣溫。

由于空間鄰域窗口內(nèi)未必一定存在高植被覆蓋度像元,為了保證 TVX方法的實用性,可根據(jù)植被指數(shù) (NDV I)和地表溫度 (Ts)之間的回歸直線 (式1)推算出濃密植被 NDV I對應(yīng)的地表溫度,即濃密植被冠層溫度。根據(jù)濃密植被冠層溫度等于冠層內(nèi)氣溫的前提假設(shè),就可以得到該窗口的氣溫值,即

式中,Ta是近地表氣溫;S和 I是利用鄰域窗口中的NDV I和 Ts根據(jù)最小二乘法擬合得到的回歸系數(shù) (回歸直線的斜率和截距);NDV Isat是濃密冠層的 NDV I(飽和 NDV I值 )。

TVX方法的重要前提是假設(shè)濃密植被冠層溫度等于冠層內(nèi)氣溫。雖然單個葉片在太陽直射條件下的溫度要比周圍氣溫高出許多[19-21],遙感像元尺度上的空間異質(zhì)度以及冠層葉片群體遮蔽混合效應(yīng)使得濃密植被的冠層溫度與氣溫很接近[22]。許多學者認為,在一定范圍內(nèi),以高植被覆蓋度像元的溫度作為氣溫估計值的假設(shè)是可行的[23-26]。

TVX方法目前應(yīng)用比較廣泛,已有多位學者先后使用 NOAA/AVHRR、M SG/SEV IR I、EOS/MOD IS等數(shù)據(jù)在不同研究區(qū)域反演了近地層氣溫[1,2,18,22,27-33]。該方法估算精度一般在 2～5℃左右,如 Prince等利用 AVHRR數(shù)據(jù)在美國 FIFE試驗場、西非 HAPEX-Sahel試驗場、加拿大 BOREAS試驗場和美國 Red-A rkansas盆地這 4個不同類型研究區(qū)估算近地層氣溫,均方根誤差分別為3.48℃、1.72℃、2.21℃和 4.85℃[29]。

利用 TVX方法估算近地層氣溫的關(guān)鍵問題有兩個:其一是如何確定濃密冠層像元對應(yīng)的飽和NDV I值;其二是如何選擇鄰域窗口的尺寸。飽和NDV I值在很大程度上決定著鄰域窗口的濃密冠層溫度,即氣溫值。對于未經(jīng)過大氣校正的影像而言,由于大氣散射的影響導致植被 NDV I偏低,因此飽和 NDV I取值比較低,如 0.65[18,22]、0.7[2,28]、0.77[30]。對于經(jīng)過大氣校正的遙感影像而言,飽和NDV I取值比較高,一般取 0.86[1,31,33]?？臻g窗口尺寸的選取對氣溫估算也有很大影響。鄰域窗口太小、樣本數(shù)不足會影響回歸分析的穩(wěn)定性;鄰域窗口太大,多種地表類型的混合會加大植被指數(shù) -地表溫度散點圖的離散程度,影響回歸分析精度。對于 1 km分辨率的 AVHRR和 MOD IS數(shù)據(jù),空間鄰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],對于 3 km分辨率的SEV IR I數(shù)據(jù),則采用的是7像元×7像元[22]。

1.2 經(jīng)驗統(tǒng)計方法

經(jīng)驗統(tǒng)計方法通?；诘乇頊囟群蜌鉁刂g的強相關(guān)性,通過線性回歸等統(tǒng)計方法建立氣象站點觀測氣溫與對應(yīng)像元地表溫度或者亮度溫度之間的經(jīng)驗方程,并將回歸方程應(yīng)用于整個研究區(qū)的地表溫度,從而推算出氣溫。

簡單的經(jīng)驗統(tǒng)計方法將地表溫度作為影響氣溫的唯一因子,直接建立氣溫與地表溫度或者亮度溫度間的一元線性回歸方程。Chen等將靜止衛(wèi)星Meteosat/V ISSR數(shù)據(jù)的亮度溫度與 1.5m處氣溫進行回歸運算,估算了 1978～1981年間佛羅里達州夜間的氣溫,兩者的相關(guān)系數(shù) R=0.87,氣溫估算的平均標準誤差為 1.57℃[34];周紅妹等根據(jù)市區(qū)城鎮(zhèn)建筑區(qū)、市區(qū)工業(yè)區(qū)、市區(qū)城郊結(jié)合部和郊縣農(nóng)業(yè)區(qū)這 4種不同下墊面類型,分別建立了亮溫與氣溫之間的經(jīng)驗關(guān)系,相關(guān)系數(shù)在 0.87～0.99之間[35];Jones等選擇了 5個無云時相的夜間MOD IS數(shù)據(jù),針對不同地貌類型 (高原、山谷、平原和山地)分別建立了地表溫度與夜間最低氣溫之間的回歸方程,相關(guān)系數(shù)在 0.57～0.81之間,均方根誤差在0.15～0.74℃之間[36];Co lom bi等利用阿爾卑斯地區(qū)MOD IS數(shù)據(jù)反演得到的地表溫度與衛(wèi)星過境時的氣溫建立線性回歸方程,回歸方程分為白天和夜間兩種情況,判定系數(shù) R2分別為 0.86和0.80,均方根誤差分別為 2.47℃和 3.36℃[37]。

除了以地表溫度或者亮度溫度為唯一自變量的簡單經(jīng)驗方程之外,有些學者考慮到地表特征和大氣狀況等因素對近地層熱環(huán)境的影響,在回歸方程中加入了植被指數(shù) (NDV I)、太陽天頂角、海拔、經(jīng)緯度及下行輻射等變量,以提高統(tǒng)計模型的估算精度:C ressw ell在利用 Meteosat地表溫度數(shù)據(jù)估算南非1996年 11月和 1997年 5～6月的氣溫時,考慮了太陽天頂角變化對地表太陽入射輻射以及溫度的影響,將其加入統(tǒng)計過程,建立了基于地表溫度和太陽天頂角的 2階多項式來估算氣溫,判定系數(shù) R2=0.844,估算誤差在 0.09～1.69℃之間,有超過 1/4的驗證樣本誤差小于 1℃[38];Kawashima等考慮到植被密度是影響近地表熱環(huán)境的重要參數(shù),利用NDV I來表征植被密度,依據(jù) NDV I和 Landsat TM反演得到的地表溫度建立了幾種不同天氣條件下的近地層氣溫回歸方程,標準誤差在 1.4～1.85℃之間[39];Meteotest基于簡單的邊界層物理基礎(chǔ),建立了白天的近地層氣溫半經(jīng)驗方程,通過地表溫度、地表反照率、下行輻射和風速來估算氣溫[40];Zaksek等在Meteotest半經(jīng)驗氣溫估算方程基礎(chǔ)上加入了NDV I、高程差和坡度,去除了風速,并對原方程中下行輻射項的形式做了修改,建立了一個形勢比較復雜的半經(jīng)驗估算方程,驗證結(jié)果表明,均方根誤差約為 2℃,相關(guān)系數(shù)為 0.95,41%的樣本絕對誤差在1℃以內(nèi)[6];祝善友等利用 NOAA和 FY等多源極軌氣象衛(wèi)星的熱紅外波段估算上海地區(qū) 2005年的氣溫時,考慮到氣溫與地表溫度隨時間變化的快慢不同,根據(jù)不同時刻的氣溫和亮溫的分布特點,分季度、分時段建立了熱紅外波段亮溫線性組合與氣溫之間的回歸方程,相關(guān)系數(shù)在 0.823～0.957之間,均方根誤差在 1.4～2.7℃之間,在利用均值和方差對熱紅外波段亮溫修正不同站點之間以及同一站點不同時刻亮溫的離散性之后,精度有了一定程度的提高,相關(guān)系數(shù)在 0.887～0.989之間,均方根誤差在 0.8～1.3℃之間[41]。

1.3 神經(jīng)網(wǎng)絡(luò)方法

神經(jīng)網(wǎng)絡(luò)方法利用大量相互聯(lián)系的“神經(jīng)元”來逼近任意復雜的非線性關(guān)系,不需要已知氣溫與地表溫度、亮度溫度、地表特性等因素的相互作用機理,只通過訓練數(shù)據(jù)直接建立氣溫和輸入?yún)?shù)之間的關(guān)系。

Jang等基于多層前饋神經(jīng)網(wǎng)絡(luò)MLF將 NOAA/AVHRR的 5個波段數(shù)據(jù) (已轉(zhuǎn)化為反射率和亮度溫度)和地表海拔、太陽天頂角和儒略日等的不同組合作為輸入?yún)?shù)來反演氣溫,并分析了隱層節(jié)點數(shù)對于估算精度的影響,結(jié)果表明,在隱層節(jié)點數(shù)為22時精度最高,相關(guān)系數(shù)為 0.926,均方根誤差為1.79℃,有 95%的樣本誤差在 3℃以內(nèi)[42];M ao等利用輻射傳輸模型 (MODTRAN)建立了包含不同大氣狀況和土地覆蓋類型的模擬數(shù)據(jù)集,將該數(shù)據(jù)集隨機分割為訓練樣本和驗證樣本兩個部分,通過動態(tài)學習神經(jīng)網(wǎng)絡(luò) DL來估算氣溫,當輸入?yún)?shù)為ASTER第 11～14波段的亮度溫度時,標準誤差為3.5℃,將從 ASTER 1B中得到的地表溫度和比輻射率也作為先驗知識輸入神經(jīng)網(wǎng)絡(luò)后,精度有了明顯改善,標準誤差能夠達到 1℃左右[43]。

1.4 能量平衡方法

大氣與地表之間存在能量和物質(zhì)交換,忽略水平方向能量輸入和光合作用耗能后的地表能量平衡方程為

式中,Rn是凈輻射;H是顯熱通量;LE是潛熱通量;G是土壤熱通量。

能量平衡方法將顯熱通量和潛熱通量表達為地氣溫差 (Ts-Ta)的函數(shù),以此為依據(jù)建立地表溫度與氣溫之間的關(guān)系。不過,凈輻射、顯熱通量、潛熱通量和土壤熱通量的計算都比較復雜,需要很多參數(shù),如空氣動力學阻抗、風速等等。

Pape和Loffler基于一維地表能量平衡方程同時反演挪威高山地區(qū)的地表溫度和氣溫,需要將氣象站點觀測的總輻射、氣溫、風速、大氣濕度以及由遙感數(shù)據(jù)導出的地貌、下墊面和植被類型信息作為輸入?yún)?shù)。通過迭代運算,首先求解出地表溫度的數(shù)值解,然后再計算出 2 m高度的氣溫,判定系數(shù)R2在 0.833～0.985之間,均方根誤差在 0.37～1.02℃之間[44]。Sun等將能量平衡方程以及各個分量的計算公式聯(lián)立,通過一系列變換之后,將地氣溫差表達為地表比輻射率、凈輻射、空氣動力學阻抗、作物缺水指數(shù) (CWSI)這幾個物理量的函數(shù),建立了地表溫度與氣溫之間的定量關(guān)系,氣溫反演誤差在 0.3～3.61℃之間,80%的樣本誤差在 3℃以內(nèi)[12]。

2 方法評述

與地表溫度反演中雙波段數(shù)據(jù)采用劈窗算法、單波段數(shù)據(jù)采用單窗單通道算法不同,目前氣溫遙感反演中還沒有哪一種方法得到普遍應(yīng)用和認可。現(xiàn)有的 TVX法、經(jīng)驗統(tǒng)計法、神經(jīng)網(wǎng)絡(luò)法和能量平衡法各有其優(yōu)點和缺陷。

TVX方法只需要由遙感影像導出的地表溫度和 NDV I就可以估算氣溫,不需要任何地表觀測數(shù)據(jù),對輸入?yún)?shù)要求最小。但缺陷是:①該方法不適用于水體、積雪和城鎮(zhèn)等區(qū)域,適用范圍受到限制;②飽和 NDV I值的選取大多依賴經(jīng)驗,受到個人主觀性的干擾;③TVX是一種鄰域運算方法,會導致一定的平滑效應(yīng),在一定程度上降低了空間分辨率。

經(jīng)驗統(tǒng)計法是估算氣溫的一種最為簡捷的方法,統(tǒng)計模型注重結(jié)果與輸入?yún)?shù)的相關(guān)性,通常不涉及機理過程,形式簡單,對參數(shù)要求較少。但是回歸方程不具有明確意義,區(qū)域性強而普適性差,隨地域和季節(jié)變化而變化,難以推廣到其他時間和地區(qū)。

神經(jīng)網(wǎng)絡(luò)方法具有分布并行處理、非線性映射、自適應(yīng)學習和容錯等特性。但是其解決問題的過程不明確,不利于解釋氣溫估算的內(nèi)在機理,而且,如果參數(shù)或算法選擇不合適,容易出現(xiàn)訓練時間過久、出現(xiàn)過度擬合現(xiàn)象等。

能量平衡方法以地表能量平衡理論為基礎(chǔ),物理意義明確。但是模型比較復雜,所需參數(shù)過多,而且有些參數(shù) (如空氣動力學阻抗、風速等)無法通過遙感手段獲取,只能依賴實地觀測,限制了其在較大空間尺度上的應(yīng)用。

3 結(jié)論與展望

本文對近地層氣溫熱紅外遙感反演方法的研究進展進行了回顧和總結(jié)?？傮w上來說,近地層氣溫的遙感反演研究尚處于探索階段,各種方法的精度還不是很穩(wěn)定,而且沒有統(tǒng)一的表達形式,距離業(yè)務(wù)化反演的要求還有一定距離。為了提高近地層氣溫反演的精度和實用性,筆者認為今后應(yīng)該在下面幾個方面作進一步研究:

(1)加強熱紅外波段大氣輻射傳輸?shù)冗^程的機理研究,深入理解氣溫與大氣上下行熱輻射、星上亮溫、大氣透過率、水汽含量、觀測天頂角等因素之間的聯(lián)系和內(nèi)在規(guī)律。目前已有多種大氣輻射傳輸模型 (如MODTRAN、LOW TRAN等)能夠細致描述熱紅外輻射在大氣中的傳輸過程,可基于現(xiàn)有的大氣輻射傳輸模型研究氣溫與大氣上下行輻射等因素之間的定量關(guān)系?？紤]到不同的大氣輻射傳輸模型對大氣熱輻射過程的計算存在一定的差異,最好能夠選取若干典型區(qū)域進行星地一體觀測試驗,驗證現(xiàn)有的大氣熱輻射傳輸模型在不同大氣與地表條件下的適用性與準確性。

(2)在時間尺度上,結(jié)合氣溫日變化模型,考慮如何將氣溫瞬時值進行時間延拓,即把衛(wèi)星過境時的反演氣溫擴展到一天的尺度上,得到任意時刻的氣溫或日平均氣溫。

(3)在空間尺度上,要考慮氣溫估算方法的空間尺度效應(yīng)及尺度轉(zhuǎn)換問題,以及像元尺度氣溫估算結(jié)果的定量表達和評價方法。

(4)改善云檢測算法。像元中云的存在會在很大程度上影響氣溫的估算精度,如何更好地去除云的影響是氣溫遙感反演首要解決的問題之一。

[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.用陸地衛(wèi)星 TM 6數(shù)據(jù)演算地表溫度的單窗算法[J].地理學報,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]齊述華,王軍邦,張慶員,等.利用MOD IS遙感影像獲取近地層氣溫的方法研究[J].遙感學報,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]周紅妹,周成虎,葛偉強,等.基于遙感和 GIS的城市熱場分布規(guī)律研究[J].地理學報,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,張桂欣,尹 球,等.基于多源極軌氣象衛(wèi)星熱紅外數(shù)據(jù)的近地表氣溫反演研究[J].遙感技術(shù)與應(yīng)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.

(責任編輯: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,講師,博士,主要從事熱紅外遙感、資源環(huán)境遙感方面的研究。

TP 722.5

A

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

2010-06-18;

2010-08-04

國家重點基礎(chǔ)研究發(fā)展計劃項目 (編號:2010CB428505)、國家自然科學基金項目 (編號:40801040,40901239)。