风云四号A星地表温度产品精度评价与分析_姚蓓蓓.pdf

计算机与图像技术Computer&Multimedia Technology电子技术与软件工程Electronic Technology&Software Engineering178地表温度(Land Surface Temperature,LST)是区域和全球尺度上地表物理过程中的一个关键因子，它是由地表与大气之间相互作用产生的综合结果1-4。由于气象站等实测数据在空间分布上不均匀，在大范围空间尺度上的研究受到限制5。由于大气环流系统的影响以及人类活动的干扰，地球上存在着不同区域内同一时相或同一区域内不同时相的气象观测资料，这些观测资料可以为气候模式提供输入参数，进而模拟预测未来的气温变化状况。但在实际应用中，由于地表物理性质的不均一性，使用地面观测站来获取地表温度数据显然具有一定的区域性和模糊性。而随着热红外遥感的兴起和发展，时效性更强的遥感使得地表温度数据的获取变的更为精确、范围更广。在遥感技术的支持下，从遥感卫星上获取的高时空分辨率的数据使得大面积地表温度连续观测成为可能。已经有大量研究人员针对热红外遥感数据发展了多种地表温度反演算法，主要有单通道法（已知地表发射率，采用不同策略去除大气的影响，实现地表温度的反演）、分裂窗算法（已知地表发射率的前提下，利用中心波长为 11 微米和 12 微米两个热红外通道对大气吸收的差异性来消除大气影响，从而反演地表温度）、温度发射率分离算法（不需要提前知道地表发射率，采用算法实现地表温度和地表发射率同时反演）等3。分裂窗算法是海表温度反演中较成熟的算法，后来应用于地面温度反演，经过近 60 年的发展，分裂窗算法已被广泛应用到国内外卫星传感器。自 2016 年发射以来，FengYun-4A(FY4A)搭载的多通道扫描成像辐射计(Advanced Geostationary Radiation Imager,AGRI)获取的高时间分辨率的数据极大地提高了我国在天气预报、气候变化等方面的应用能力。国家卫星气象中心免费提供自 2019 年 8 月 1 日至今的 FY-4A/AGRI 地表温度产品，该产品采用分裂窗算法反演得到。但官方尚未发布 FY-4A/AGRI 地表温度产品的精度评价结果，仅有一些学者在研究中对产品的精度进行了一些评价。比如：王爱辉等人6在地表温度重建模型的研究中对 FY-4A/AGRI 地表温度产品的精度进行了验证，结果表明地表温度产品的均方根误差为 4.8K。Liu 等人7利用温度-发射率分离算法从 FY-4A/AGRI 热红外数据反演地表温度，验证结果表明官方发布的地表温度产品存在低估，均方根误差大于 3.0K。地表温度是进行农业旱情监测、农田蒸散发等研究的重要依据4,8，地表温度反演的精度对这些研究至关重要。因此，对新一代气象卫星 FY-4A/AGRI地表温度产品进行精度评价至关重要。目前常用的地表温度验证方法主要包含三类：基于温度的方法、基于辐射的方法以及交叉验证1,9。基于温度的方法和基于辐射的方法均需要实测的地表温度或地表发射率数据，由于 FY-4A/AGRI 的空间分辨率较粗，很难在实地找到具有地表异质性较小的实测站点，因此本文采用交叉验证的方式对 FY-4A/AGRI 地表温度产品进行精度评价。交叉验证的方式被广泛用于评估地表温度产品的精度，例如：Li 等人10和 Duan 等人11的研究结果表明 MODIS 地表温度产品具有较高的精度，本风云四号 A 星地表温度产品精度评价与分析姚蓓蓓孟翔晨（曲阜师范大学日照校区 山东省日照市 276826）摘要：本文以 MODIS 地表温度产品为基准，对 2020 年 10 月份的 FY-4A/AGRI 地表温度产品进行精度评价与分析。研究结果表明：FY-4A/AGRI 地表温度与 MYD11 地表温度在空间和时间上的表现均比较接近，日平均偏差在-2.3K 和-0.8K 之间，日平均均方根误差在 2.4K 和 3.6 之间。FY-4A/AGRI 地表温度产品的精度较高，可为城市热岛、干旱监测等研究领域提供数据支撑。关键词：精度评价；模型构建；MODIS 基金项目：山东省自然科学基金项目(ZR2021QD055)。计算机与图像技术Computer&Multimedia Technology电子技术与软件工程Electronic Technology&Software Engineering179文使用 MODIS 地表温度产品对 FY-4A/AGRI 地表温度产品进行交叉验证。王亚维等人12使用 MODIS 地表温度产品对 FY-2C 地表温度进行了验证。刘超等人13使用青海湖的 MODIS 地表温度产品对反演的葵花八号地表温度进行了交叉验证。因此，本文的研究目标是以成熟的 MODIS 地表温度产品为基准，对 FY-4A/AGRI 地表温度产品的性能进行分析，评价 FY-4A/AGRI 地表温度产品的精度。1 数据源和数据处理1.1 FY-4A/AGRI LST数据介绍本文从风云卫星遥感数据服务网（下载地址：http:/ 年 10 月共 1236 幅圆盘图像的 FY-4A/AGRI 地表温度产品用来分析其产品精度。FY-4A/AGRI 地表温度的空间分辨率为 4 千米，时间分辨率为 15 分钟，空间覆盖范围主要为亚洲和大洋洲。FY-4A/AGRI 地表温度产品是基于波长范围分别为 10.3 微米-11.3 微米和 11.5 微米-12.5 微米范围内的两个长波红外通道数据，采用分裂窗算法14反演得到，公式如下所示：Ts=A0+A1Ti+A2(Ti-Tj)+A3+A4(Ti-Tj)(sec-1)（1）式中，Ts为反演的 FY-4A/AGRI 地表温度（单位为K），Ti和 Tj分别为 FY-4A/AGRI 第 12 通道（中心波长为 10.7 微米）和 13 通道（中心波长为 12.0 微米）的亮度温度，为第 12 通道和 13 通道的平均地表辐射率，代表卫星观测天顶角，A0到 A4为分裂窗算法系数，可以利用辐射传输方程和大气廓线、发射率波谱库等数据拟合得到。1.2 MODIS LST数据介绍本文从美国航空航天局（National Aeronautics and Space Administration，NASA，下 载 网 址 为：https:/search.earthdata.nasa.gov）下 载 了 2019 年 10 月 的Aqua/MODIS 地表温度产品（MYD11_L2，以下简称MYD11）作为参考数据来评估 FY-4A/AGRI 地表温度产品的精度。MODIS LST 的空间分辨率为 1 千米，空间覆盖范围为全球。最新的 MYD11 地表温度产品采用Wan 15提出的分裂窗算法得到，公式如下所示：（2）式中，Ts为反演的 Aqua/MODIS 地表温度（单位为K），Ti和 Tj分别为 Aqua/MODIS 第 31 通道和 32 通道的亮度温度，为第31通道和32通道的平均地表辐射率，为第 31 通道和 32 通道的地表辐射率的差值，b0到b7为算法系数。为了降低数据存储的大小，官方采用无符号 16 位整型对地表温度数据进行了存储，因此从上述网站上下载的地表温度数据需要进行相应的转换，才能获得单位为开尔文的地表温度数据，转换公式如下：LST=scale*DN+offset （3）式中，DN 为下载的产品原始值，scale 为乘系数，此处等于 0.02，offset 为加系数，此处为 0。1.3 时空匹配和质量控制由于 FY-4A 和 Aqua 卫星数据的时、空分辨率均不一致，因此验证前需要对两者进行时间匹配和空间匹配。此外，由于云的影响和反演算法的误差，需要剔除产品中存在的无效值和异常值。由于很难匹配到相同时刻的数据，本文将时间阈值设置为 10 分钟，对两种地表温度数据进行时间匹配。空间匹配是指利用最邻近采样算法获取相同经纬度条件下的AGRI和MODIS 地表温度。质量控制则是首先根据 LST 产品自带的质量控制文件，去除数据质量较差的 LST 像元，选取数据质量较好的地表温度像元；然后采用 Duan 等人16提出的“3-Hampel identifer”准则剔除数据对中存在的异常值。1.4 评价指标采用以下评价指标对 FY-4A/AGRI 地表温度产品进行评估，分别为：平均绝对偏差（Mean Absolute Error,MAE），平均偏差（bias）和均方根误差（Root Mean Squared Error,RMSE），计算公式如下所示：（4）计算机与图像技术Computer&Multimedia Technology电子技术与软件工程Electronic Technology&Software Engineering180 （5）（6）式中，为官方发布的 FY-4A/AGRI 地表温度数据，为 NASA 发布的 MYD11 地表温度数据。2 结果与分析2.1 基于单景影像的验证结果图 1 和图 2 分别展示了 2020 年 10 月 1 日 05:00（UTC）和16:00（UTC），2020年10月29日05:45（UTC）和 17:45（UTC）四个时刻的 FY-4A/AGRI 地表温度与MYD11 地表温度的差值图以及对应的偏差直方图分布。图 1(a)与图 1(b)所展示的影像位于澳大利亚南部，分别代表该区域白天地表温度差异空间分布和夜晚地表温度差异空间分布。由图 1(a)可以看出在南澳大利亚州和北部地区的区域为蓝绿色，说明 FY-4A/AGRI 地表温度在该区域略低于 MYD11 地表温度；在昆士兰州和新南威尔士州的区域为黄绿色，说明 FY-4A/AGRI 地表温度 和 MYD11 地表温度在该区域的温度比较接近；在西澳大利亚州的区域为黄红色，说明 FY-4A/AGRI 地表温度在该区域高于 MYD11 地表温度。由图 1(b)可以看出在整个区域的颜色均为黄绿色，没有特别大的色差，说明 FY-4A/AGRI 地表温度和 MYD11 地表温度在该区域的夜间温度比较接近。由图 1(c)可以看出在甘肃省东南部和内蒙古西南部区域颜色为蓝色，说明 FY-4A/AGRI地表温度在该区域低于 MYD11 地表温度；在祁连山及南部山区颜色为深红色，说明 FY-4A/AGRI 地表温度在该区域远高于 MYD11 地表温度；在其他区域的颜色为(a)2020 年 10 月 1 日 05:00（UTC）时刻结果(b)2020 年 10 月 1 日 16:00（UTC）时刻结果(c)2020 年 10 月 29 日 05:45（UTC）时刻结果(d)2020 年 10 月 29 日 17:45（UTC）时刻结果图 1：基于 MYD11 地表温度的 FY-4A/AGRI 地表温度验证结果计算机与图像技术Computer&Multimedia Technology电子技术与软件工程Electronic Technology&Software Engineering181黄绿色，说明 FY-4A/AGRI 地表温度和 MYD11 地表温度在该区域的温度比较接近。由图 1(d)可以看出在整个区域的颜色均为黄绿色，说明 FY-4A/AGRI 地表温度和MYD11 地表温度在该区域的夜间温度比较接近。如图 2 所示，对于第一景影像而言，93.3%的偏差在-5.0K 和 3.0K 之间，4.3%的偏差在-13.0K 和-5.0K之间，2.3%的偏差在 3.0K 和 11.0K 之间。整幅影像的平均偏差为-1.7K，MAE 为 2.3K，RMSE 为 2.8K。对于第二景影像而言，97.6%的偏差在-4.0K 和 2.0K之间，0.5%的偏差在 2.0K 和 8.0 之间，1.9%的偏差在-10.0K 和-4.0K 之间。整幅影像的平均偏差为-1.2K，MAE 为 1.4K，RMSE 为 1.7K。对于第三景影像而言，80.2%的偏差在-4.0K 和 6.0K 之间，3.6%的偏差在 6.0K和 16.0K 之间，16.1%的偏差在-14.0K 和-4.0K 之间。整幅影像的平均偏差为-0.5K，MAE 为 2.5K，RMSE为 3.3K。对于第四景影像而言，45.0%的偏差在-6.0K和-1.0K 之间，54.3%的偏差在-1.0K 和 4.0K 之间。整幅影像的平均偏差为-0.9K，MAE 为 1.4K，RMSE 为1.8K。上述验证结果表明：和 MYD11 地表温度相比，FY-4A/AGRI 地表温度整体存在低估现象，但 FY-4A/AGRI 地表温度 和 MYD11 地表温度的整体吻合度较高，白天地表温度的 RMSE 在 3.0K 附近，夜间地表温度的RMSE 优于 2.0K。偏差较大的区域一部分位于云覆盖周图 2：基于 MYD11 地表温度的 FY-4A/AGRI 地表温度验证结果(a)2020 年 10 月 1 日 05:00（UTC）时刻结果(b)2020 年 10 月 1 日 16:00（UTC）时刻结果(c)2020 年 10 月 29 日 05:45（UTC）时刻结果(d)2020 年 10 月 29 日 17:45（UTC）时刻结果计算机与图像技术Computer&Multimedia Technology电子技术与软件工程Electronic Technology&Software Engineering182围的山区，一方面云及云阴影的存在会影响地表温度反演的结果，如果云检测的精度较差，那么反演出来的地表温度差异也比较明显；另一方面现有的地表温度反演算法没有考虑地形的影响，对于不同空间分辨率的地表温度而言，地表异质性同样会影响地表温度的分布，尤其是山区的地表温度。2.2 总体验证结果图 3 展示了使用 2020 年 10 月份的 MYD11 地表温度对 FY-4A/AGRI 地表温度的验证结果，横坐标为日期，纵坐标分别为日平均偏差和日平均均方根误差。由于 FY-4A 为静止卫星观测范围大概可以覆盖三分之一地球，因此在 MODIS 过境时刻可以匹配到多幅影像，因此图 3 中的误差棒代表每日偏差（均方根误差）的标准差。据图 3 可知，在整个 10 月份时间内 FY-4A/AGRI 地表温度与 MYD11 地表温度的日平均偏差在-2.3K和-0.8K之间，其中29.0%的日平均偏差在-2.1K和-1.7K 之间，32.3%的日平均偏差在-1.7K 和-1.4K 之间，12.9%的日平均偏差小于-2.3K，25.8%的日平均偏差在-1.4K 和-0.8K 之间。在整个 10 月份时间内 FY-4A/AGRI 地表温度与 MYD11 地表温度的日平均均方根误差在 2.4K 和 3.6K 之间，其中在 2.9K 到 3.1K 范围内的数据最多，占比为 45.2%。日平均均方根误差在 3.1K到 3.4K 范围内的数据占比和在 3.4K 到 3.6K 范围内的数据占比相同，均为 16.1%。日平均均方根误差在 2.4K到 2.6K 之间和在 2.6K 到 2.9K 之间的比例分别为 12.9%和 9.7%。上述验证结果和已有研究的结果类似，比如王爱辉等人6的研究表明 FY-4A/AGRI 地表温度的均方根误差为 4.8K。Liu 等人7的验证结果表明 FY-4A 地表温度的均方根误差大于 3.0K。以上验证结果表明：相较于 MYD11 地表温度数据，FY-4A/AGRI 地表温度数据存在一定低估，但两者在总体空间分布和时间分布上较为接近。因此，可以推断FY-4A/AGRI 地表温度产品的精度较高，可以为农业旱情监测、农田蒸散发等研究提供数据支撑。3 结论作为新一代国产静止卫星的代表，对 FY-4A/AGRI地表温度产品的精度评价及分析有助于提升其产品质量，为国产卫星遥感产品的应用打下坚实的基础。本文以基于分裂窗算法反演的MYD11 地表温度产品为基准，通过对 2020 年 10 月 FY-4A/AGRI 地表温度产品进行交叉验证评估其产品质量。验证结果表明，FY-4A/AGRI地表温度与 MYD11 地表温度的日平均偏差的平均值为-1.6K，日均方根误差的平均值为 3.0K，说明 FY-4A/AGRI 地表温度与 MYD11 地表温度在时间趋势上表现(a)日平均偏差的统计结果(b)日平均均方根误差的统计结果。图 3：2020 年 10 月份 FY-4A/AGRI 地表温度的验证结果计算机与图像技术Computer&Multimedia Technology电子技术与软件工程Electronic Technology&Software Engineering183一致，FY-4A/AGRI 地表温度相较于 MYD11 地表温度存在低估现象，二者高度相关。两者之间存在差异的主要原因为：云和云阴影的影响、地形效应、观测角度的影响等。本文只是将 2020 年 10 月份的 FY-4A/AGRI 地表温度产品与 MYD11 地表温度产品进行了对比，开展 FY-4A/AGRI 地表温度产品时间序列验证工作，缺乏更长时间序列的验证，今后会继续收集更多的卫星地表温度产品来评价 FY-4A/AGRI 地表温度产品的精度。参考文献1 李召良,段四波,唐伯惠,等.热红外地表温度遥感反演方法研究进展J.遥感学报,2016,20(05):899-920.2 白洁,刘绍民,扈光.针对 TM/ETM+遥感数据的地表温度反演与验证 J.农业工程学报,2008(09):148-54+2.3 胡德勇,乔琨,王兴玲,等.单窗算法结合 Landsat8热红外数据反演地表温度 J.遥感学报,2015,19(06):964-76.4 孟翔晨,历华,杜永明,等.Landsat 8 地表温度反演及验证以黑河流域为例 J.遥感学报,2018,22(05):857-71.5 周 芳 成,唐 世 浩,韩 秀 珍,等.云 下 遥 感地 表 温 度 重 构 方 法 研 究 J.国 土 资 源 遥感,2021,33(1):78-85.6 王爱辉,杨英宝,潘鑫,等.顾及时空特征的FY-4A 云覆盖像元地表温度重建模型 J.武汉大学学报（信息科学版）,2021,46(6):852-62.7 LIU W,SHI J,LIANG S,et al.Simultaneous retrieval of land surface temperature and emissivity from the FengYun-4A advanced geosynchronous radiation imager J.International Journal of Digital Earth,2022,15(1):198-225.8 独文惠,覃志豪,黎业.热红外遥感及其在农业旱情监测中的应用研究进展 J.中国农业信息,2018,30(02):24-41.9 朱金顺,任华忠,叶昕,等.热红外遥感地表温度与发射率地面验证进展 J.遥感学报,2021,25(8):1538-66.10 LI H,SUN D,YU Y,et al.Evaluation of the VIIRS and MODIS LST products in an arid area of Northwest China J.Remote Sensing of Environment,2014,142(111-21).11 DUAN S-B,LI Z-L,WU H,et al.Radiance-based validation of land surface temperature products derived from Collection 6 MODIS thermal infrared data J.International Journal of Applied Earth Observation and Geoinformation,2018,70(84-92).12 王亚维,宋小宁,唐伯惠,等.基于 FY-2C 数据的地表温度反演验证以黄河源区玛曲为例 J.国土资源遥感,2015,27(04):68-72.13 刘超,历华,杜永明,等.Himawari 8 AHI 数据地表温度反演的实用劈窗算法 J.遥感学报,2017,21(05):702-14.14 YU Y,TARPLEY D,PRIVETTE J L,et al.Developing Algorithm for Operational GOES-R Land Surface Temperature Product J.IEEE Transactions on Geoscience and Remote Sensing,2009,47(3):936-51.15 WAN Z.New refinements and validation of the collection-6 MODIS land-surface temperature/emissivity product J.Remote Sensing of Environment,2014,140(36-45).16 DUAN S-B,LI Z-L,LI H,et al.Validation of Collection 6 MODIS land surface temperature product using in situ measurements J.Remote Sensing of Environment,2019,225(16-29).作者简介姚蓓蓓（1987-），女，硕士学位,助教。主要从事遥感影像处理与分析相关的工作。孟翔晨（1990-）（通讯作者），男，博士学历，讲师。主要从事热红外遥感理论与应用相关的工作。