论文部分内容阅读
地表温度(Land Surface Temperature,LST)是描述地表-大气相互作用过程,反映地表状况的一个非常重要的参数。但是,由于受到热红外传感器成像条件的制约,获取的遥感图像存在时空分辨率的矛盾,这种矛盾现象导致LST数据无法得到充分利用。通过LST降尺度算法可以有效地解决遥感图像时空分辨率的矛盾,得到同时具有高时空分辨率的LST图像。本研究在归纳现有LST降尺度算法的基础上,充分考虑地表温度的空间特性,建立LST降尺度模型,将MODIS地表温度空间分辨率从1000 m降尺度到100 m,并对降尺度的结果进行验证与分析。首先,本研究充分考虑地表温度的空间非平稳性与空间自相关性,提出基于地理加权自回归(Geographically Weighted Autoregressive,GWAR)模型的LST降尺度算法;其次,本研究考虑到地表温度与辅助参数之间并不是严格的线性关系,对LST降尺度模型进行进一步的优化,提出了基于非线性的地理加权回归(NL-GWR)模型和非线性的地理加权自回归(NL-GWAR)模型的LST降尺度算法;再次,本研究选取平原城市北京和高原城市兰州作为研究区域,分析了归一化差异植被指数(Normalized Difference Vegetation Index,NDVI)与归一化差异建筑指数(Normalized Difference Build-up Index,NDBI)分别作为辅助参数对降尺度结果的影响;最后,本研究利用单窗算法反演的Landsat 8的地表温度作为参考数据,对模型降尺度结果的准确性进行验证,并对不同模型得到的LST降尺度结果进行对比分析。得出结论如下:1.相比于局部的LST降尺度算法,传统的全局LST降尺度算法结果中具有明显的块效应;基于GWR模型的LST降尺度算法结果具有平滑效应。2.本文提出的基于GWAR模型的LST降尺度算法,有效地改善了基于GWR模型降尺度结果的平滑效应。在Landsat 8地表温度数据验证LST降尺度的结果对比中,基于GWAR模型的LST降尺度算法取得了最小的均方根误差(北京:1.37℃,兰州:1.76℃)和平均绝对误差(北京:0.86℃,兰州:1.33℃)。3.对辅助参数的选择比较中发现:在地表水分含量较高的区域,LST与NDVI不是完全的线性关系,因此NDVI作为辅助因子降尺度的结果在湖泊、河流等水分含量较大的区域降尺度效果较差,并且NDVI作为辅助因子受季节影响较大;NDBI作为辅助因子既避免了水域对降尺度结果的影响,而且不易受季节的影响。4.另外,在局部模型中考虑非线性关系建模,结果发现,相同模型相同参数的情况下,考虑非线性关系的NL-GWR模型和NL-GWAR结果要优于相对应的线性模型。5.在LST降尺度的过程中,充分考虑地表温度的空间特性以及考虑地表温度与辅助参数之间的非线性关系有助于提高LST降尺度结果的准确性,这也为LST降尺度算法的研究提供了新的思路。