论文部分内容阅读
陆地表面温度（Land Surface Temperature，LST）与地表特征参量（如归一化植被指数，Normalized Difference Vegetation Index，NDVI）之间存在着经验统计关系，据此可将较低空间分辨率的 LST提升至较高空间分辨率。现有的提升方案大部分都是利用 NDVI-LST的负相关关系进行模型的构建，本文以移动窗口的形式对表面辐射温度提升过程（Disaggregation Procedure for Radiometric Surface Temperature，DisTrad）模型进行优化和改进。论文的主要研究工作和内容包括： （1）在两个研究区以NDVI为提升因子构建基于图像级的DisTrad模型；提升结果的均方根误差（Root Mean Square Error，RMSE）在黑河流域研究区和四川研究区分别为4.09K、5.67K。 （2）针对NDVI对LST的影响在局部和全局尺度上表现不一致的特点，在以像元为中心的移动窗口内进行DisTrad模型提升。黑河流域研究区和四川研究区在不同移动窗口下最优提升结果的精度分别为4.18K、5.29K，表明区域尺度LST提升模型的可行性；尤其在地表覆盖类型丰富的四川研究区证明了对DisTrad模型优化的有效性。 （3）考虑到多个地表因子对LST的影响，在地形复杂的四川研究区加入地形因子及其他地表特征参量以移动窗口的形式构建改进的DisTrad模型。不同移动窗口下最终提升结果的RMSE为4.93K；该提升优于移动窗口形式的单变量提升，证明了在地形起伏区地形因子在一定程度上能够解释LST的空间变异。 （4）针对多个地表参量为提升因子时输入数据之间存在较大冗余性的特点，在移动窗口内基于逐步线性回归进行LST的提升。论文中测试了多组地表因子为提升核的情况；当输入数据间冗余性较大时，提升LST的RMSE为5.54K-5.88K；选定数字高程模型（Digital Elevation Model，DEM）和NDVI为提升核时的提升结果，其提升LST的RMSE为4.93K，证实了该模型具有一定的专家经验知识。