论文部分内容阅读
高空间/高时间地表温度(Land surface temperature,LST)对农业耕种、农田蒸散发等精细尺度的研究具有重要的意义。目前,获取地表温度的热红外传感器主要有两种类别:一种是高空间/低时间分辨率,例如TM、ETM+、TIRS、ASTER,重访周期为16天;另一种是低空间/高时间分辨率,例如AVHRR、MODIS,具有好的时效性,但空间分辨率为1千米。如何结合两种类别传感器的热波段数据,生成高空间/高时间分辨率的LST数据,并对生成数据进行验证具有重要的意义。本论文在充分考虑上述问题的基础上,以黑河流域中游为研究区域,使用STARFM与FSDAF算法,利用2013-2016年34个时相Landsat-8数据与对应日期的MOD11A1数据生成高时序的Landsat-8 LST数据,并使用黑河流域开展的多尺度综合观测试验中获取的地面站点数据对融合结果验证。地面验证数据包括戈壁站(GB,下垫面为戈壁)、神沙窝站(SSW,下垫面为沙漠)、机场荒漠站(JCHM,下垫面为荒漠)、湿地站(SD,下垫面为芦苇湿地)、大满超级站(CJZ,下垫面为玉米)五个站点。具体研究内容和结果如下:(1)研究中首先对Landsat-8 TIRS 10波段进行地表温度反演得到Landsat-8 LST数据,并使用地面站点数据进行验证。结果表明,SD站反演结果与地面站点实测数据有较大偏差,平均偏差绝对值为8.72k,其它各站点具有较好的融合效果,平均偏差绝对值在2k左右。(2)采用STARFM与FSDAF时空融合算法,生成高时序的Landsat-8LST数据,并使用地面站点数据进行验证。对于STARFM算法,SD、GB、CJZ、SSW、JCHM 5个站点的平均偏差分别为-9.34k、-1.84k、-2.74k、-2.51k、-1.81k。对于FSDAF算法,为-8.97k、-1.52k、-1.84k、-2.16k、-1.65k。两种算法的预测结果差异较小。(3)为了进一步分析两种算法在高时空地表温度生成中的融合效果,在融合实验中,输入的低分辨率数据不仅使用了MOD11A1数据,也使用了Landsat-8 LST重采样数据(称之为MOD11A1模拟数据)。使用模拟数据时,融合结果只有算法本身带来的误差,不存在不同数据源带来的误差,更能突显算法的优缺点。结果表明:低分辨率数据使用MOD11A1时,STARFM算法具有更好的融合效果与鲁棒性;使用MOD11A1模拟数据时,FSDAF算法融合效果更好。