复杂地表地表温度反演研究进展
肖尧,马明国,闻建光,于文凭

Progress in Land Surface Temperature Retrieval over Complex Surface
Yao Xiao,Mingguo Ma,Jianguang Wen,Wenping Yu
表1 地表温度反演算法及特点
Table 1 Algorithms for surface temperature and their characteristics
反演算法作者及发表时间特点
热红外反演单通道算法Price, 1983[11]; Susskind, 1984[12]; Qin, et al, 2001[14]; Mu?oz & Sobrino, 2003[15]; Jiménez-Mu?oz, et al, 2009[4]; Cristobal, et al, 2018[16]对单个红外通道进行建模，需要输入地表发射率、大气传输模型、精确大气廓线。
多通道算法McMillin, 1975[3]; Deschamps & Phulpin, 1980[18]; Becker & Li, 1990[19]; Sobrino, et al, 1996[20]; Franca & Carvalho, 2004[21]; Qian, et al, 2016[22]; Tang, 2018[23]对多个红外通道进行建模，无需大气廓线数据，反演精度较高，地表发射率具有不确定性，对算法结果影响较大。
多角度算法Chedin, et al, 1982[24]; Prata, 1993[25]; Sobrino, et al, 1996[20]; Li, et al, 2001[26]; Ren, 2015[27]根据特定通道在不同角度的亮温差异来消除大气的影响，无需大气廓线数据，数据源稀缺。
多时相算法Watson, 1992[28]; Wan & Li, 1997[29]; Wan, 2008[30]基于地表发射率不随时间变化的假设，无需输入地表发射率，结果对传感器噪声、大气校正误差和影像配准精度敏感，现在主要应用于MODIS地表温度反演。
高光谱反演算法Kanani, et al, 2007[31]; Borel, 2008[32]; Ouyang, et al, 2010[33]; Wang, et al, 2011[34]; Zhong, et al, 2016[35]; Chen, et al, 2019[36]利用地表发射率固有的光谱特征，无需输入地表发射率，需要精确大气校正。
被动微波反演统计模型单通道回归

Mcfarland, 1990[37]; Njoku, 1999[38]; 毛克彪, et al, 2006[39]; Han, et al, 2018[40];

Zhou, et al, 2019[41]

算法简单，模型回归需要大量实验数据，模型系数具有较强局地性。
多通道回归
物理模型微波辐射传输方程Xiang, et al, 1997[42]; Basist, et al, 1998[43]; Fily, et al, 2003[44]; Kohn, et al, 2010[45]; Zhang, et al,2019[46]; Huang, et al, 2019[47]具有物理意义，且反演精度较经验模型高，过于依赖输入参数和假设条件的准确性。
基于发射率求解
基于发射率不变
神经网络模型Zurk, et al, 1992[48]; Aires, et al, 2001[49]; Prigent, et al, 2016[50]; Ermida, et al, 2017[53]; Jiménez, et al, 2017[54]; Mao, et al,2018[55]方法简单易行，但不具有实际物理意义，通过输入有代表性的训练样本建立数学公式推导结果，对训练样本的依赖性较大。