Satellite-derived land surface temperature: Current status and perspectives
1
2013
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
A Thermal-based remote sensing technique for routine mapping of land-surface carbon, water and energy fluxes from field to regional scales
2
2008
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... [2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Relationship among land surface temperature and LUCC, NDVI in typical Karst area
1
2018
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
风云三号C星微波全球地表温度产品精度评估
2
2018
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... 陆面过程模型是定量描述沙漠水热变化的一种有效方法,对数据要求较高,需要高分辨率、全天候陆表温度数据输入[4-5],然而古尔班通古特沙漠区站点稀少,属于数据稀缺区,仅有位于南缘绿洲区的阜康荒漠生态站,难以满足模型对输入数据的要求.基于此,以古尔班通古特沙漠为研究区,通过多种机器学习算法,建立基于空间结构相似性的精细图像与粗图像之间的非线性映射关系,将AMSR2数据融入到地表温度降尺度研究中,确定最合理模型并反演高时空分辨率的地表温度产品,为数据稀缺的干旱沙漠区陆表温度数据获取提供简洁有效的方法. ...
风云三号C星微波全球地表温度产品精度评估
2
2018
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... 陆面过程模型是定量描述沙漠水热变化的一种有效方法,对数据要求较高,需要高分辨率、全天候陆表温度数据输入[4-5],然而古尔班通古特沙漠区站点稀少,属于数据稀缺区,仅有位于南缘绿洲区的阜康荒漠生态站,难以满足模型对输入数据的要求.基于此,以古尔班通古特沙漠为研究区,通过多种机器学习算法,建立基于空间结构相似性的精细图像与粗图像之间的非线性映射关系,将AMSR2数据融入到地表温度降尺度研究中,确定最合理模型并反演高时空分辨率的地表温度产品,为数据稀缺的干旱沙漠区陆表温度数据获取提供简洁有效的方法. ...
FY-2G地表温度反演产品改变模式初值对一次台风暴雨模拟的影响
2
2017
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... 陆面过程模型是定量描述沙漠水热变化的一种有效方法,对数据要求较高,需要高分辨率、全天候陆表温度数据输入[4-5],然而古尔班通古特沙漠区站点稀少,属于数据稀缺区,仅有位于南缘绿洲区的阜康荒漠生态站,难以满足模型对输入数据的要求.基于此,以古尔班通古特沙漠为研究区,通过多种机器学习算法,建立基于空间结构相似性的精细图像与粗图像之间的非线性映射关系,将AMSR2数据融入到地表温度降尺度研究中,确定最合理模型并反演高时空分辨率的地表温度产品,为数据稀缺的干旱沙漠区陆表温度数据获取提供简洁有效的方法. ...
FY-2G地表温度反演产品改变模式初值对一次台风暴雨模拟的影响
2
2017
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... 陆面过程模型是定量描述沙漠水热变化的一种有效方法,对数据要求较高,需要高分辨率、全天候陆表温度数据输入[4-5],然而古尔班通古特沙漠区站点稀少,属于数据稀缺区,仅有位于南缘绿洲区的阜康荒漠生态站,难以满足模型对输入数据的要求.基于此,以古尔班通古特沙漠为研究区,通过多种机器学习算法,建立基于空间结构相似性的精细图像与粗图像之间的非线性映射关系,将AMSR2数据融入到地表温度降尺度研究中,确定最合理模型并反演高时空分辨率的地表温度产品,为数据稀缺的干旱沙漠区陆表温度数据获取提供简洁有效的方法. ...
Global surface temperature change
1
2010
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Advances in thermal infrared remote sensing for land surface modeling
1
2009
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Downscaling AVHRR land surface temperatures for improved surface urban heat island intensity estimation
1
2009
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
The impact of temporal aggregation of land surface temperature data for Surface Urban Heat Island (SUHI) monitoring
0
2013
Monitoring surface urban heat island formation in a tropical mountain city using landsat data (1987-2015)
0
2017
Thermal remote sensing of urban climates
0
2003
武汉市夏季城市热岛与不透水面增温强度时空分布
1
2019
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
武汉市夏季城市热岛与不透水面增温强度时空分布
1
2019
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Bare surface soil moisture retrieval from the synergistic use of optical and thermal infrared data
1
2014
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Spaceborne soil moisture es-timation at high resolution: A microwave-optical/IR synergistic approach
1
2010
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
A Climatological study of evapotranspiration and moisture stress across the continental united states based on thermal remote sensing: 1. model formulation
1
2007
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Derivation of daily evaporative fraction based on temporal variations in surface temperature, air temperature, and net radiation
0
2013
A Climatological study of evapotranspiration and moisture stress across the dontinental united states based on thermal remote sensing: 2. surface moisture climatology
1
2007
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Using MODIS land surface temperature and normalized difference vegetation index products for monitoring drought in the southern great plains, USA
1
2010
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Estimating daily land surface temperatures in mountainous environments by reconstructed MODIS LST data
1
2010
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
A simple retrieval method of land surface temperature from AMSR-E passive microwave data—A case study over southern China during the strong snow disaster of 2008
1
2011
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
基于被动微波与时空联合算法的云下像元LST重建
1
2016
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
基于被动微波与时空联合算法的云下像元LST重建
1
2016
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Validation of SMAP surface soil moisture products with core validation sites
1
2017
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
基于AMSR2多频亮温的黑河流域中上游土壤水分估算研究
2
2020
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
基于AMSR2多频亮温的黑河流域中上游土壤水分估算研究
2
2020
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China
2
2019
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
基于Catboost 的AMSR-2 半经验地表温度降尺度
1
2021
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
基于Catboost 的AMSR-2 半经验地表温度降尺度
1
2021
... 陆表温度(Land Surface Temperature, LST)是长波辐射与地气湍流热通量交换的直接驱动力[1],是反映区域乃至全球尺度水热平衡的重要参数之一[2].陆表温度提供了地表能量的时空变化信息,是下垫面最直接的能量体现[3],是各种陆面过程模型、环境模拟的重要输入参数[4-5],现被广泛应用于气候变化[6]、环境反演[2,7]、城市热岛研究[8-12]、土壤含水量反演[13-14]、蒸散发反演[15-17]及干旱监测[18]等领域.由于地形、土壤、植被和天气等因素的复杂性,地表温度空间上具有异质性[19],时间上具有波动性,因此需要高时空分辨率的数据来描述地表温度的空间分布及时间演变.但受到热红外传感器与微波辐射计成像原理的限制,单一传感器反演的地表温度日产品难以同时具有高空间分辨率与高空间连续性特征.天气影响导致热红外地表温度缺失像元较多、空间上不连续,中纬度地区MODIS数据60%以上受天气影响,云为最主要原因[20].被动微波具有全天候的优点,可穿透非降雨云团,获取陆表辐射信息[21],但其反演的陆表温度精度相对光学较低,且空间分辨率不足[22-23].因此发展全天候观测的被动微波数据与高空间分辨率的光学数据的融合算法,成为目前遥感研究热点 [24].微波地表温度空间降尺度是指确定低空间分辨率微波像元值的基础上,融合高空间分辨率的地表温度信息,使得微波全天候观测地表温度的同时,获取更多的细节信息[25],为微波反演精细地表温度数据提供了方法论. ...
Land surface temperature derived from the SSM/I passive microwave brightness temperatures
2
1990
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... [26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
Land surface temperature from Ka Band (37 GHz) passive microwave observations
2
2009
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 基于多通道辐射传输方程反演地表温度,每加入一个频率,将加入一个新的未知数,N个通道加入时,有N+1个未知数,因此基于被动微波的物理模型的地表温度反演为病态反演[27,57].为解决此问题,Fily等学者假设同一频率下垂直极化与水平极化的发射率可简化为线性关系表示[32,58-60],式(1)亦可简化为: ...
Land surface temperature retrieval over circumpolar arctic using SSM/I–SSMIS and MODIS data
0
2015
Modelling directional effects on remotely sensed land surface temperature
0
2017
Retrieval of land surface parameters using passive microwave measurements at 6-18 GHz
2
1999
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 采用机器学习方法反演地表温度,根据各频率的物理特性选择特征向量,克服多通道反演的非线性问题,同时较好解决病态反演问题.选择AMSR-2的36.5、23.8、89 GHz 3个高频垂直极化亮温,反演高质量地表温度;36.5 GHz垂直极化为反演计算的数据,23.8 GHz垂直极化消除大气的平均影响,89 GHz垂直极化的参与用来消除大气水汽的影响[30,33-34].对AMSR-2地表温度降尺度反演具体步骤(图2)如下: ...
Toward “all weather,” long record, and real‐time land surface temperature retrievals from microwave satellite observations
0
2016
A practical method for retrieving land surface temperature from AMSR-E over the amazon forest
3
2007
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 基于多通道辐射传输方程反演地表温度,每加入一个频率,将加入一个新的未知数,N个通道加入时,有N+1个未知数,因此基于被动微波的物理模型的地表温度反演为病态反演[27,57].为解决此问题,Fily等学者假设同一频率下垂直极化与水平极化的发射率可简化为线性关系表示[32,58-60],式(1)亦可简化为: ...
... 其中:代表垂直与水平极化方向上地表发射率;为线性回归系数.但是这种假设简化了先决条件,如恒定的大气校正、地表植被的吸收、忽略大气散射效应等[32,58-60]. ...
A Neural-network technique for retrieving land surface temperature from AMSR-E passive microwave data
5
2007
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 采用2018年GCOM-W上AMSR-2传感器L1R数据集,升轨和降轨数据能够在2 d内覆盖除极地以外的全球大部分地区.L1R拥有6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz频率垂直与水平极化的两种亮温数据.根据时洪涛等研究,选取与陆表温度高度相关的垂直极化亮温,参与陆表温度反演[35].根据毛克彪等[33, 34]研究结果,选取36.5 V GHz为温度反演的主导因子;23.8 V GHz通道与18.7 H GHz通道的亮温作为辅助数据,消除大气、地表水等影响,89 V GHz为消除其他平均影响.10 km空间分辨率的AMSR-2被动微波亮温数据由JAXA提供(http:∥gportal.jaxa.jp).Aqua与GCOM-W具有相似的过境时间(过境时间差<15 min),因此采用MYD11A1作为陆表温度真值数据.为提高反演精度,选择晴空下质量average LST error≤1 K的像元与AMSR-2匹配[48].微波亮温对下垫面异质性描述能力较差,因此选择MYD13A2的归一化植被指数(Normalized Vegetation Index,NDVI)和增强植被指数(Enhan-ced Vegetation Index, EVI)作为辅助数据,参与微波地表温度降尺度.遥感数据详情参见表1. ...
... 被动微波观测反演地表温度的物理基础为辐射传输理论[39],通过辐射能量平衡建立地表温度反演算法.辐射传输方程描述了被动微波辐射计接收到到的总能量,包括地面辐射和向上、向下的大气路径辐射以及由大气吸收而减弱的辐射分量[33-34],通用辐射传输方程表示如下: ...
... 采用机器学习方法反演地表温度,根据各频率的物理特性选择特征向量,克服多通道反演的非线性问题,同时较好解决病态反演问题.选择AMSR-2的36.5、23.8、89 GHz 3个高频垂直极化亮温,反演高质量地表温度;36.5 GHz垂直极化为反演计算的数据,23.8 GHz垂直极化消除大气的平均影响,89 GHz垂直极化的参与用来消除大气水汽的影响[30,33-34].对AMSR-2地表温度降尺度反演具体步骤(图2)如下: ...
... (2)垂直极化作差(36.5 GHz Pol. V, 36.5 GHz Pol.V~23.8 GHz Pol. V)与垂直极化分别作为特征向量(36.5 GHz Pol. V, 23.8 GHz Pol. V)的交叉验证对比分析,表明作差特征向量评分>单波段特征向量评分.利用36.5 GHz垂直极化和23.8 GHz垂直极化作差,能够削弱大气水汽的影响,其结果与毛克彪等[33-34]的研究结果一致.因此,将选用36.5 GHz垂直极化和23.8 GHz垂直极化作差参与1 km陆表温度反演. ...
A Physics-based statistical algorithm for retrieving land surface temperature from AMSR-E passive microwave data
5
2007
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 采用2018年GCOM-W上AMSR-2传感器L1R数据集,升轨和降轨数据能够在2 d内覆盖除极地以外的全球大部分地区.L1R拥有6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz频率垂直与水平极化的两种亮温数据.根据时洪涛等研究,选取与陆表温度高度相关的垂直极化亮温,参与陆表温度反演[35].根据毛克彪等[33, 34]研究结果,选取36.5 V GHz为温度反演的主导因子;23.8 V GHz通道与18.7 H GHz通道的亮温作为辅助数据,消除大气、地表水等影响,89 V GHz为消除其他平均影响.10 km空间分辨率的AMSR-2被动微波亮温数据由JAXA提供(http:∥gportal.jaxa.jp).Aqua与GCOM-W具有相似的过境时间(过境时间差<15 min),因此采用MYD11A1作为陆表温度真值数据.为提高反演精度,选择晴空下质量average LST error≤1 K的像元与AMSR-2匹配[48].微波亮温对下垫面异质性描述能力较差,因此选择MYD13A2的归一化植被指数(Normalized Vegetation Index,NDVI)和增强植被指数(Enhan-ced Vegetation Index, EVI)作为辅助数据,参与微波地表温度降尺度.遥感数据详情参见表1. ...
... 被动微波观测反演地表温度的物理基础为辐射传输理论[39],通过辐射能量平衡建立地表温度反演算法.辐射传输方程描述了被动微波辐射计接收到到的总能量,包括地面辐射和向上、向下的大气路径辐射以及由大气吸收而减弱的辐射分量[33-34],通用辐射传输方程表示如下: ...
... 采用机器学习方法反演地表温度,根据各频率的物理特性选择特征向量,克服多通道反演的非线性问题,同时较好解决病态反演问题.选择AMSR-2的36.5、23.8、89 GHz 3个高频垂直极化亮温,反演高质量地表温度;36.5 GHz垂直极化为反演计算的数据,23.8 GHz垂直极化消除大气的平均影响,89 GHz垂直极化的参与用来消除大气水汽的影响[30,33-34].对AMSR-2地表温度降尺度反演具体步骤(图2)如下: ...
... (2)垂直极化作差(36.5 GHz Pol. V, 36.5 GHz Pol.V~23.8 GHz Pol. V)与垂直极化分别作为特征向量(36.5 GHz Pol. V, 23.8 GHz Pol. V)的交叉验证对比分析,表明作差特征向量评分>单波段特征向量评分.利用36.5 GHz垂直极化和23.8 GHz垂直极化作差,能够削弱大气水汽的影响,其结果与毛克彪等[33-34]的研究结果一致.因此,将选用36.5 GHz垂直极化和23.8 GHz垂直极化作差参与1 km陆表温度反演. ...
MODIS_LST与AMSR-E_BT的相关性及地表温度反演
3
2016
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... [35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 采用2018年GCOM-W上AMSR-2传感器L1R数据集,升轨和降轨数据能够在2 d内覆盖除极地以外的全球大部分地区.L1R拥有6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz频率垂直与水平极化的两种亮温数据.根据时洪涛等研究,选取与陆表温度高度相关的垂直极化亮温,参与陆表温度反演[35].根据毛克彪等[33, 34]研究结果,选取36.5 V GHz为温度反演的主导因子;23.8 V GHz通道与18.7 H GHz通道的亮温作为辅助数据,消除大气、地表水等影响,89 V GHz为消除其他平均影响.10 km空间分辨率的AMSR-2被动微波亮温数据由JAXA提供(http:∥gportal.jaxa.jp).Aqua与GCOM-W具有相似的过境时间(过境时间差<15 min),因此采用MYD11A1作为陆表温度真值数据.为提高反演精度,选择晴空下质量average LST error≤1 K的像元与AMSR-2匹配[48].微波亮温对下垫面异质性描述能力较差,因此选择MYD13A2的归一化植被指数(Normalized Vegetation Index,NDVI)和增强植被指数(Enhan-ced Vegetation Index, EVI)作为辅助数据,参与微波地表温度降尺度.遥感数据详情参见表1. ...
MODIS_LST与AMSR-E_BT的相关性及地表温度反演
3
2016
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... [35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 采用2018年GCOM-W上AMSR-2传感器L1R数据集,升轨和降轨数据能够在2 d内覆盖除极地以外的全球大部分地区.L1R拥有6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz频率垂直与水平极化的两种亮温数据.根据时洪涛等研究,选取与陆表温度高度相关的垂直极化亮温,参与陆表温度反演[35].根据毛克彪等[33, 34]研究结果,选取36.5 V GHz为温度反演的主导因子;23.8 V GHz通道与18.7 H GHz通道的亮温作为辅助数据,消除大气、地表水等影响,89 V GHz为消除其他平均影响.10 km空间分辨率的AMSR-2被动微波亮温数据由JAXA提供(http:∥gportal.jaxa.jp).Aqua与GCOM-W具有相似的过境时间(过境时间差<15 min),因此采用MYD11A1作为陆表温度真值数据.为提高反演精度,选择晴空下质量average LST error≤1 K的像元与AMSR-2匹配[48].微波亮温对下垫面异质性描述能力较差,因此选择MYD13A2的归一化植被指数(Normalized Vegetation Index,NDVI)和增强植被指数(Enhan-ced Vegetation Index, EVI)作为辅助数据,参与微波地表温度降尺度.遥感数据详情参见表1. ...
基于随机森林算法的地表温度降尺度研究
1
2018
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
基于随机森林算法的地表温度降尺度研究
1
2018
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
Downscaling land surface temperature in an arid area by using multiple remote sensing indices with random forest regression
0
2017
A Novel method to estimate subpixel temperature by fusing solar-reflective and thermal-infrared remote-sensing data with an artificial neural network
0
2010
Land surface temperature derivation under all sky conditions through integrating AMSR-E/AMSR-2 and MODIS/GOES observations
3
2019
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
... 被动微波观测反演地表温度的物理基础为辐射传输理论[39],通过辐射能量平衡建立地表温度反演算法.辐射传输方程描述了被动微波辐射计接收到到的总能量,包括地面辐射和向上、向下的大气路径辐射以及由大气吸收而减弱的辐射分量[33-34],通用辐射传输方程表示如下: ...
... 总体上亮点有二:①使用植被指数与3个垂直极化亮温,应用于古尔班通古特半固定沙漠被动微波地表温度降尺度研究,精度较高,为数据稀缺的沙漠地区提供了高时空分辨率的地表温度数据.②将10 km像元重采样为4份,增加训练样本数建立更多的模型映射关系,提高了随机森林对地表温度的反演精度.Sun等[39]在10 km空间尺度下训练回归树模型,基于空间结构相似性,反演5 km分辨率地表温度;本研究尝试在5 km空间尺度下训练,在1 km空间分辨率上反演地表温度,获得了更好的结果.但是其中一些不确定性仍需进一步研究. ...
Downscaling land surface temperatures at regional scales with random forest regression
1
2016
... 自1990年以来,学者们通过各种方法不断探索被动微波观测数据来反演陆表温度[26-35].最早,McFarland等[26]以SSM/I作为数据源,将37 GHz作为最主要的回归因子,其他通道处理后作为修正数据,对地表温度进行了反演.Holmes等[27,30,32]以AMSR-E为数据源,通过多元线性回归算法,对地表温度进行反演,表明36.5 GHz为地表温度最佳反演波段,受到大气影响较小,能够获取浅层温度信息,但裸地的低含水量及散射作用会降低微波反演的精度.毛克彪等[33-34]通过人工神经网络,建立AMSR-E亮度温度与MODIS陆表温度的回归关系模型,反演陆表温度,取得了较好的结果且表明89.0 GHz垂直极化是标定MODIS陆表温度的最佳波段.时洪涛等[35]在土地覆盖类型的基础上,通过多元线性回归建立AMSR-E被动微波亮度温度与MODIS陆表温度之间的关系,对陆表温度进行反演,补充MODIS陆表温度缺失像元.谭建灿等[24]通过卷积神经网络融合AMSR-2亮度温度数据与MYD11A1数据,对中国范围内的地表温度进行了反演,取得了满意的结果.上述研究多基于被动微波亮度温度数据,对LST进行反演,得到地表温度的空间分辨率与被动微波一致,但空间分辨率上的劣势没有得到解决.许多学者基于空间结构相似性,将粗分辨率下训练模型在细空间分辨率的数据上应用,反演得到精细分辨率的遥感产品[36-40].其中Sun等[39]建立了5通道算法,根据6.9 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz波段的特性,以垂直与水平极化的差作为特征向量,通过回归树算法,将10 km空间分辨率上的微波亮度温度降尺度到5 km,得到地表温度数据.根据被动微波亮温各频率物理特性结合机器学习算法构建降尺度模型,提高被动微波反演地表温度的精度. ...
古尔班通古特沙漠南缘荒漠化过程演变的景观格局特征分析
1
2015
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
古尔班通古特沙漠南缘荒漠化过程演变的景观格局特征分析
1
2015
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
基于像元二分法的沙地植被景观格局特征变化分析
1
2016
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
基于像元二分法的沙地植被景观格局特征变化分析
1
2016
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
新疆地区沙漠形成与演化的古环境证据
1
2013
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
新疆地区沙漠形成与演化的古环境证据
1
2013
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
古尔班通古特沙漠沙垄表面的稳定性与顶部流动带的形成
1
2003
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
古尔班通古特沙漠沙垄表面的稳定性与顶部流动带的形成
1
2003
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
古尔班通古特沙漠固定与半固定沙丘成因初探
1
2000
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
古尔班通古特沙漠固定与半固定沙丘成因初探
1
2000
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
古尔班通古特沙漠春季土壤含水量空间格局
1
2013
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
古尔班通古特沙漠春季土壤含水量空间格局
1
2013
... 古尔班通古特沙漠(44°15′~46°5′N,84°50′~91°20′E)位于准噶尔盆地中部,玛纳斯河流域以东及乌伦古河以南地区,是中国最大的固定、半固定沙漠,同时也是世界第三大沙漠,其最有代表性的沙丘类型是沙垅,占沙漠面积的80%[41].研究区地势东北高西南低,海拔300~600 m,沙丘形态丰富,多为南北走向的沙垄及新月型沙丘链、蜂窝状沙丘,沙丘高度在10~50 m[42].由于常年受西风带控制,且冬季主要受到蒙古—西伯利亚高压带影响,属干旱荒漠气候特征[43].古尔班通古特沙漠全年蒸发量为2 000~2 800 mm,全年降水量不超过220 mm,沙漠腹地仅有70~100 mm,集中在5~9月,冬季积雪深度约30 cm,其中有20cm左右的稳定积雪[44-45].全年平均温度为5~5.7 ℃,昼夜温差为10~30 ℃[46]. ...
Quality assessment and validation of the MODIS global land surface temperature
1
2004
... 采用2018年GCOM-W上AMSR-2传感器L1R数据集,升轨和降轨数据能够在2 d内覆盖除极地以外的全球大部分地区.L1R拥有6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz频率垂直与水平极化的两种亮温数据.根据时洪涛等研究,选取与陆表温度高度相关的垂直极化亮温,参与陆表温度反演[35].根据毛克彪等[33, 34]研究结果,选取36.5 V GHz为温度反演的主导因子;23.8 V GHz通道与18.7 H GHz通道的亮温作为辅助数据,消除大气、地表水等影响,89 V GHz为消除其他平均影响.10 km空间分辨率的AMSR-2被动微波亮温数据由JAXA提供(http:∥gportal.jaxa.jp).Aqua与GCOM-W具有相似的过境时间(过境时间差<15 min),因此采用MYD11A1作为陆表温度真值数据.为提高反演精度,选择晴空下质量average LST error≤1 K的像元与AMSR-2匹配[48].微波亮温对下垫面异质性描述能力较差,因此选择MYD13A2的归一化植被指数(Normalized Vegetation Index,NDVI)和增强植被指数(Enhan-ced Vegetation Index, EVI)作为辅助数据,参与微波地表温度降尺度.遥感数据详情参见表1. ...
新疆阜康地区秋季大气NO_X和O_3变化特征及影响要素
1
2012
... 阜康荒漠生态站位于87°55′E、44°17′N,古尔班通古特沙漠南缘,是绿洲与荒漠之间的过渡区,地面植被较为茂盛, 多以荒漠草原以及草甸草原为主[49],海拔461 m,提供每日逐时地表温度.由于AMSR-2扫描间隙的存在及自动站陆温采集的缺失,共选253条数据参与地表温度验证.自动站数据由国家生态科学中心提供(http:∥rs.cern.ac.cn/index.jsp). ...
新疆阜康地区秋季大气NO_X和O_3变化特征及影响要素
1
2012
... 阜康荒漠生态站位于87°55′E、44°17′N,古尔班通古特沙漠南缘,是绿洲与荒漠之间的过渡区,地面植被较为茂盛, 多以荒漠草原以及草甸草原为主[49],海拔461 m,提供每日逐时地表温度.由于AMSR-2扫描间隙的存在及自动站陆温采集的缺失,共选253条数据参与地表温度验证.自动站数据由国家生态科学中心提供(http:∥rs.cern.ac.cn/index.jsp). ...
个人信用评分组合模型研究与应用
1
2011
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
个人信用评分组合模型研究与应用
1
2011
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
京津冀内陆平原区PM2.5浓度时空变化定量模拟
1
2018
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
京津冀内陆平原区PM2.5浓度时空变化定量模拟
1
2018
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
1
2012
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
1
2012
... 本研究使用4个机器学习模型(随机森林,RF、Cubist回归树,Cubist、支持向量机,SVM、深度信念网络,DBN),对2个空间尺度(5 km、10 km),分别采用10种向量组合进行训练,对被动微波亮温与MODIS地表温度映射关系进行构建.机器学习模型的初步评估,选用“十折交叉验证”方案[50-52].将古尔班通古特沙漠的训练数据随机分为10组,循环地将其中9组作为训练数据拟合模型,其余的1组作为验证.将十次的拟合精度均值作为本模型的最终精度.采用十折交叉验证能够有效降低系统误差、随机误差和粗差,使模型测试的精密度达到理论上的最高[23, 53]. ...
多数据源土壤传递函数模型在水分模拟中的不确定性
1
2012
... 将决定系数R2(Coefficient of Determination)、平均绝对误差MAE(Mean Absolute Error)和均方根误差RMSE(Root Mean Square Error)作为评价指标,进行调参、验证和对比[54].模型的筛选与评价分为两步,①以MYD11A1作为目标向量的十折交叉验证,对模型进行评价,在5 km与10 km空间尺度下分别确定最优模型,反演1 km空间分辨率的陆表温度数据;②将基于5 km和10 km尺度上反演的陆表温度分别与MYD11A1有值像元及站点实测值对比分析、评价精度. ...
多数据源土壤传递函数模型在水分模拟中的不确定性
1
2012
... 将决定系数R2(Coefficient of Determination)、平均绝对误差MAE(Mean Absolute Error)和均方根误差RMSE(Root Mean Square Error)作为评价指标,进行调参、验证和对比[54].模型的筛选与评价分为两步,①以MYD11A1作为目标向量的十折交叉验证,对模型进行评价,在5 km与10 km空间尺度下分别确定最优模型,反演1 km空间分辨率的陆表温度数据;②将基于5 km和10 km尺度上反演的陆表温度分别与MYD11A1有值像元及站点实测值对比分析、评价精度. ...
Quality assessment and validation of the MODIS global land surface temperature
1
2010
... 在实验中,很难获取像元尺度(1 km×1 km)的地表温度真值数据.Wan等[55]获得了2000~2001年的地表真值数据,对MODIS数据进行了评估,结果表明MODIS的地表温度产品精度在1 K以内;于文凭和马明国[56]以黑河流域为研究区对MODIS地表温度产品进行精度验证,表明平均绝对误差小于2.2 K,可以用来间接评估反演产品的质量.将基于RF|C09模型的反演产品与MODIS产品进行对比,得到两种不同空间尺度模型下的评价指标(图6). ...
MODIS地表温度产品的验证研究——以黑河流域为例
1
2011
... 在实验中,很难获取像元尺度(1 km×1 km)的地表温度真值数据.Wan等[55]获得了2000~2001年的地表真值数据,对MODIS数据进行了评估,结果表明MODIS的地表温度产品精度在1 K以内;于文凭和马明国[56]以黑河流域为研究区对MODIS地表温度产品进行精度验证,表明平均绝对误差小于2.2 K,可以用来间接评估反演产品的质量.将基于RF|C09模型的反演产品与MODIS产品进行对比,得到两种不同空间尺度模型下的评价指标(图6). ...
MODIS地表温度产品的验证研究——以黑河流域为例
1
2011
... 在实验中,很难获取像元尺度(1 km×1 km)的地表温度真值数据.Wan等[55]获得了2000~2001年的地表真值数据,对MODIS数据进行了评估,结果表明MODIS的地表温度产品精度在1 K以内;于文凭和马明国[56]以黑河流域为研究区对MODIS地表温度产品进行精度验证,表明平均绝对误差小于2.2 K,可以用来间接评估反演产品的质量.将基于RF|C09模型的反演产品与MODIS产品进行对比,得到两种不同空间尺度模型下的评价指标(图6). ...
基于AMSR2数据的青藏高原地表温度反演
1
2020
... 基于多通道辐射传输方程反演地表温度,每加入一个频率,将加入一个新的未知数,N个通道加入时,有N+1个未知数,因此基于被动微波的物理模型的地表温度反演为病态反演[27,57].为解决此问题,Fily等学者假设同一频率下垂直极化与水平极化的发射率可简化为线性关系表示[32,58-60],式(1)亦可简化为: ...
基于AMSR2数据的青藏高原地表温度反演
1
2020
... 基于多通道辐射传输方程反演地表温度,每加入一个频率,将加入一个新的未知数,N个通道加入时,有N+1个未知数,因此基于被动微波的物理模型的地表温度反演为病态反演[27,57].为解决此问题,Fily等学者假设同一频率下垂直极化与水平极化的发射率可简化为线性关系表示[32,58-60],式(1)亦可简化为: ...
A simple retrieval method for land surface temperature and fraction of water surface determination from satellite microwave rrightness temperatures in sub-arctic areas
2
2003
... 基于多通道辐射传输方程反演地表温度,每加入一个频率,将加入一个新的未知数,N个通道加入时,有N+1个未知数,因此基于被动微波的物理模型的地表温度反演为病态反演[27,57].为解决此问题,Fily等学者假设同一频率下垂直极化与水平极化的发射率可简化为线性关系表示[32,58-60],式(1)亦可简化为: ...
... 其中:代表垂直与水平极化方向上地表发射率;为线性回归系数.但是这种假设简化了先决条件,如恒定的大气校正、地表植被的吸收、忽略大气散射效应等[32,58-60]. ...
Physical retrieval of land surface temperature using the special sensor microwave imager
0
1998
Space-borne passive microwave remote sensing of soil moisture: A review
2
2015
... 基于多通道辐射传输方程反演地表温度,每加入一个频率,将加入一个新的未知数,N个通道加入时,有N+1个未知数,因此基于被动微波的物理模型的地表温度反演为病态反演[27,57].为解决此问题,Fily等学者假设同一频率下垂直极化与水平极化的发射率可简化为线性关系表示[32,58-60],式(1)亦可简化为: ...
... 其中:代表垂直与水平极化方向上地表发射率;为线性回归系数.但是这种假设简化了先决条件,如恒定的大气校正、地表植被的吸收、忽略大气散射效应等[32,58-60]. ...