环境科学研究  2017, Vol. 30 Issue (12): 1889-1897  DOI: 10.13198/j.issn.1001-6929.2017.03.30

引用本文  

李双成, 王晓玥, 谢爱丽, 等. 基于多层感知器模型的MODIS地表温度降尺度研究[J]. 环境科学研究, 2017, 30(12): 1889-1897.
LI Shuangcheng, WANG Xiaoyue, XIE Aili, et al. Downscaling MODIS Land Surface Temperatures Using Multilayer Perceptron Model[J]. Research of Environmental Sciences, 2017, 30(12): 1889-1897.

基金项目

国家自然科学基金重大项目(41590843)

责任作者

作者简介

李双成(1961-), 男, 河北平山人, 教授, 博士, 博导, 主要从事生态系统服务研究, scli@urban.pku.edu.cn

文章历史

收稿日期:2017-05-10
修订日期:2017-08-31
基于多层感知器模型的MODIS地表温度降尺度研究
李双成1 , 王晓玥1 , 谢爱丽1 , 马冰滢2     
1. 北京大学城市与环境学院, 地表过程分析与模拟教育部重点实验室, 北京大学土地科学中心, 北京 100871;
2. 北京大学深圳研究生院城市规划与设计学院, 城市人居环境科学与技术重点实验室, 广东 深圳 518055
摘要:LST(land surface temperature,地表温度)是一个极为重要的自然地理参数,能够表征地球表层系统的多个自然地理过程,同时与人类生产生活密切关联.为解决LST获取中时空分辨率不能自动互补的问题,以北京市为研究案例区,构建MLP(multilayer perceptron,多层感知器)模型,对MODIS(Moderate Resolution Imaging Spectroradiometer)1 km LST数据进行降尺度研究.结果表明:预测白天LST的MLP模型的训练、测试和整体决定系数分别为0.810、0.796和0.807,预测夜间LST的MLP模型的训练、测试和整体决定系数分别为0.702、0.705和0.701,预测残差值均服从正态分布,构建的模型可靠性较高.与回归模型和支撑向量机等模型相比,MLP模型具有拟合优度高、误差小等优点,此外,MLP模型测试数据集的拟合度也较高,说明模型的泛化推广能力较强.MLP模型的LST降尺度结果能够清晰地反映下垫面地表热环境的空间异质性和昼夜差异.平原地区的建设用地区为LST的高值区,山区远郊县为LST的低值区,白天LST显著高于夜间LST.将TM影像反演的LST的空间分辨率聚合到250 m,使之与MLP模型的LST降尺度结果的空间分辨率相同,并通过随机采50 000个样点比较TM影像反演的LST和MLP模型的LST降尺度结果.检验结果表明,尽管二者在具体数值上有些差异,但其空间结构高度相似,协方差为正,相关系数可达0.730,误差呈现正态分布.研究显示,人工神经网络模型在LST降尺度方面具有较大的应用前景.
关键词地表温度    降尺度    多层感知器    北京市    
Downscaling MODIS Land Surface Temperatures Using Multilayer Perceptron Model
LI Shuangcheng1 , WANG Xiaoyue1 , XIE Aili1 , MA Bingying2     
1. Key Laboratory for Earth Surface Processes of Ministry of Education, College of Urban and Environmental Sciences, Center of Land Science of Peking University, Peking University, Beijing 100871, China;
2. Key Laboratory for Environmental and Urban Sciences, School of Urban Planning and Design, Shenzhen Graduate School, Peking University, Shenzhen 518055, China
Abstract: Land surface temperature (LST) is an important geographic parameter which can indicate multiple geographical processes of the land surface system. It is also closely related to human production and life. In order to synchronize the spatial and temporal resolution of remotely sensed land surface temperatures, a multi-layer perceptron (MLP) was constructed to downscale MODIS land surface temperature data by taking Beijing as a study area. Compared with regression models and support vector machines, the results of MLP showed higher model fitness and smaller error. The determination coefficients of the MLP's train, test and all datasets were 0.810, 0.796 and 0.807 in the day, and 0.702, 0.705 and 0.701 at night, respectively. The downscaled LST could clearly reflect the spatial heterogeneity and differences between the day and night of the underlying surface thermal environment. In order to validate the performance of the MLP model, retrieved LST based on TM images with spatial resolution 60 m was aggregated to 250 m, which is the same resolution of the downscaled LST based on MLP. By random sampling and comparison, both spatial patterns were found to be highly similar, with a correlation coefficient of 0.730. The errors were normally distributed, although some LST values at specific pixels were different. This research suggests that the artificial neural network model has great application potential in the field of LST downscaling.
Keywords: land surface temperature    downscaling    multilayer perceptron    Beijing    

LST (land surface temperature, 地表温度)是一个重要的自然地理参数.一方面,LST连接多个陆地表层的生物物理过程(如热量和水分的循环过程),是大气与地表进行能量交换的重要指证[1-2],许多地气模型中均有温度(包括气温和地温)这个参数[3-4].另一方面,LST又是与人类生产生活密切关联的一个自然指标,它能够表征城市热环境[5-7]和区域性干旱[8-9]等现象.因此,获取LST状况长期以来是气候、生态、水文、土壤、城市等学科领域重要的研究目标之一[2].

一般来说,可以通过三种途径获得LST这一参数值:① 通过仪器手段观测得到,如常规气象观测、土壤墒情观测和一些特殊用途的观测等. ② 利用星载或机载传感器收集、记录地物的热红外信息,并利用这种热红外信息来识别地物和反演LST.常见的几种星载热红外传感器有ASTER、AVHRR、MODIS和ETM+/TM等. ③ 通过模式模拟途径获得.许多地球表层系统或子系统的模型都有与温度相关的模块或参数,可以作为中间过程或直接输出结果.三种途径相比,站点实地观测成本较高,且不能获得连续空间数据;模式模拟则受限于模型精度和系统误差,加之间接计算得到温度,其结果常受到质疑;随着红外传感器的不断发展,多时相、多光谱的遥感数据可以大范围地反映LST连续空间分布和动态变化信息,且定量分析精度不断提高.因此,红外遥感反演的LST逐渐成为了主要的数据源,其应用领域不断扩展[2, 10-11].

然而,受热红外传感器成像条件的制约,LST的获取常常存在时空分辨率不能自动互补的情况,即一些遥感反演的LST空间分辨率较高(如ETM+/TM),但时间分辨率较低;反过来,一些LST时间分辨率较高(如MODIS),而空间分辨率较低.在此情况下,对高时间分辨率的LST产品进行空间降尺度成为目前的研究热点之一[12-15].技术方法上,多采用统计降尺度如人工神经网络[16-17]、回归方程[18-19]、随机森林[20]和回归树[21]等.降尺度参数选择上,多采用遥感光谱指数〔如归一化差值植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、归一化建筑指数(normalized difference built-up index,NDBI)和发射率等〕[12, 22-26],也有加入地形和城市不透水表面等参数的研究[20, 27-29].

尽管已有一些LST降尺度研究成果发表,但尚存在许多需要改进之处.概括来说,LST降尺度工作是在大尺度上建立LST与相关因素的转换函数,然后应用到中小尺度上的过程,其核心是转换函数(趋势面函数)的构造[20].由于没有转换函数类型的先验知识,当前研究中出现各种经验公式,使降尺度成果的可比性和泛化能力受到影响.在此情形下,“黑箱”式的人工神经网络模型具有较大的优势.在对已有工作分析的基础上,该研究以北京市为案例区,构建MLP(multilayer perceptron,多层感知器)模型,以NDVI、NDBI和海拔为输入端神经元,LST为输出端神经元,实现LST的降尺度,以期为LST降尺度研究提供方法指导.

1 研究区概况

该研究区为北京市,总面积16 807.8 km2,其中山区面积约占62%,平原区占38%.北京市位于河北平原的西北部,西北倚靠燕山,西南太行山为其屏障,地势西北高、东南低,最高峰为位于门头沟区西北部的东灵山,海拔2 303 m.北京市气候类型为典型的温带大陆性季风气候,四季分明,春季多风沙,夏季炎热多雨,秋季晴朗温和,冬季寒冷干燥,多年平均气温12.0 ℃左右,多年平均降水量630 mm左右,多年平均蒸发量为1 800~2 000 mm.该地区属于半干旱半湿润地区,地带性植被类型为暖温带落叶阔叶林,主要建群种包括栎、桦、杨、椴等,森林主要分布在太行山和燕山中低山区.除了落叶阔叶林外,温性针叶林也是研究区森林植被的主要组成类型.平原地区的植被类型主要为人工植被,如农作物和人工林等.在平原区的低洼地带,生长有湿生和水生植被,如芦苇、香蒲等.

根据《北京统计年鉴2016》,2015年北京市各类土地利用面积:耕地219 326.49 hm2、园地134 857.89 hm2、林地737 078.88 hm2、草地85 066.77 hm2、城镇及工矿用地304 393.05 hm2、交通运输用地47 062.78 hm2、水域及水利设施用地78 304.28 hm2、其他土地34 525.92 hm2.改革开放以来,北京市社会经济快速发展,GDP由2000年的31.62×1010元升至2015年的230.15×1010元.人口数量也急剧增加,常住人口由2000年的13.64×106人增至2015年的21.71×106人.与此同时,城市扩张显著,根据《北京统计年鉴2016》,北京市建成区面积从2000年的490.1 km2扩展到2015年的1 289.3 km2.城市面积扩张及其基础设施的修建,显著改变了城市下垫面的自然和人文景观要素构成,突出表现为不透水表面积增大,城市热环境改变,热岛效应增强.

2 数据与方法 2.1 NDVI和NDBI

NDVI (normalized difference vegetation index,归一化差值植被指数)是应用最为广泛的遥感光谱指数,常用来表征下垫面地物尤其是绿色植被的生长状况.计算公式:

${\rm{NDVI}} = \frac{{{\rho _{{\rm{nir}}}} - {\rho _{{\rm{red}}}}}}{{{\rho _{{\rm{nir}}}} + {\rho _{{\rm{red}}}}}}$ (1)

式中,ρredρnir为分别为红波段和近红外波段处的反射率值,在MODIS中对应于波段1和波段2. NDVI值归一化在-1~1之间,大于0表示有植被生长,且值越大植被覆盖度越高;NDVI小于0表示地表覆盖为云、水、雪等;NDVI为0表示地表为岩石或裸土等. MODIS中用于计算NDVI的波段1和波段2的空间分辨率为250 m(http://ladsweb.nascom.nasa.gov/data/search.html).

NDBI (normalized difference built-up index,归一化建筑指数)是一种用来表征城镇用地的有效指标[30],计算公式:

${\rm{NDBI}} = \frac{{{\rho _{{\rm{mir}}}} - {\rho _{{\rm{nir}}}}}}{{{\rho _{{\rm{mir}}}} + {\rho _{{\rm{nir}}}}}}$ (2)

式中,ρmirρnir分别为中红外波段和近红外波段处的反射率值,在TM中分别对应于波段5和波段4. NDBI值大于0表示城镇用地,小于0则表示非城镇用地.采用Hansen等[31]提供的2010年研究区TM影像数据,根据式(2) 计算得到NDBI. NDBI原始数据的空间分辨率为30 m,使用ArcGIS 10.2的聚合工具将其粗粒化到250 m.

2.2 海拔(DEM)

海拔数据来自于SRTM(Shuttle Radar Topography Mission)计划,由美国太空总署(NASA)和国防部国家测绘局(NIMA)联合测量,由CIAT(国际热带农业中心)利用新的插值算法得到SRTM地形数据(http://srtm.csi.cgiar.org),空间分辨率为90 m,使用ArcGIS 10.2的聚合工具将其粗粒化到250 m.

2.3 LST(地表温度)

LST数据有两种:① 基于MODIS影像的LST,采用劈窗算法由第31波段和第32波段的亮温反演实现(http://ladsweb.nascom.nasa.gov/data/search.html),时间为2009年9月14日,空间分辨率为1 km,用于MLP模型训练的目标值;② 基于TM影像的LST[32],时间为2009年9月22日,原始空间分辨率为60 m,使用ArcGIS的聚合工具将其粗粒化到250 m,用于与MLP模型的LST降尺度结果的对比.

所有数据层均通过投影变换,统一至Albers等面积圆锥投影.投影参数:第一标准纬线25°,第二标准纬线47°,中央经线105°.为了减少数据提取的误差,所有图层均使用统一的北京市行政区划边界进行掩膜处理,并保证行列数和栅格大小一致.

2.4 MLP(多层感知器)模型

MLP模型是在单层感知器基础上增加隐藏层而形成的一种多层前馈网络(multilayer feedforward neural network),一般由输入层、隐藏层和输出层构成(见图 1).

图 1 MLP模型结构示意 Fig.1 The structure of MLP model

根据已有的研究成果[1, 5, 14, 26, 29]对LST影响因素进行定性分析,并采用不同网络结构进行多次模拟,最终选定NDVI、NDBI和海拔作为MLP模型的输入端神经元,LST作为输出端神经元.用1 km的LST数据提取训练数据,共获得11 607个样点,其中70%用来训练(train)网络,15%用来测试(test)网络,15%用来检验(validation)网络.训练数据集用来训练和确定网络参数(如权值分布等),检验数据集用来确定和优化网络结构,测试数据集用来测试已经训练好的网络泛化能力.用拟合优度和误差作为网络性能的表征,综合考虑训练、测试和检验3个数据子集的拟合效果,经过多次迭代,最后确定MLP的隐藏层神经元数为13.经过模型测试,增加隐藏层的层数没有提高模型拟合优度,且增加了训练时间,故只设一个隐藏层.因此,MLP网络结构为3-13-1. MLP网络隐藏层转移函数为“logsig”(单极性S函数),输出层转移函数为“purelin”(线性函数).训练函数为“trainlm”(Levenberg-Marquardt梯度下降函数),最大训练批次为300,训练目标最小误差0.01. MLP网络构建、训练和测试均在MATLAB R2015b中实现.

该研究以北京市为案例区,通过构建MLP模型,将基于MODIS影像的1 km LST数据降尺度到250 m.同时通过降尺度结果分析、与多元线性回归和支撑向量机回归模型的拟合优度对比,并与粗粒化到250 m的TM影像反演的LST数据进行比较,验证MLP模型应用于LST降尺度的可行性和有效性.

3 结果与分析 3.1 MLP模型模拟性能

在MATLAB环境中运行构建的MLP模型,分别得到白天LST和夜间LST的预测拟合优度(R)(见图 23).从图 2可以看出,MLP模型对于白天LST预测的拟合优度R都超过或接近于0.8,拟合效果很好.而且,测试数据的拟合优度R(0.796) 也接近0.8,说明网络的泛化(generalization)能力较强,能够用于训练样本以外的数据预测.结合图 3可知,MLP模型对于夜间LST的拟合效果稍逊于白天,但训练、检验、测试和全部样本的拟合优度R都在0.7左右,说明网络拟合效果较好,且具有较强的推广能力.

图 2 MLP模型对于白天LST预测的拟合效果 Fig.2 Fitting effects of MLP model for LST prediction in the day

图 3 MLP模型对于夜间LST预测的拟合效果 Fig.3 Fitting effects of MLP model for LST prediction at night

另外,为了表征MLP模型的性能,对神经网络拟和残差(实际值与网络输出值之差)进行正态分布分析(见图 4),结果发现,MLP模型对白天和夜间LST的拟合残差值符合正态分布,说明模型所用数据及网络权值所表达的变量之间关系具有可靠性.

图 4 MLP模型预测LST残差值正态分布 Fig.4 The normal distribution of LST prediction residual of MLP model

为了说明MLP模型的性能,选择多元线性回归和支撑向量机回归模型与之进行对比.回归数据按照MLP模型训练和测试的比例分割,因变量分别为白天LST和夜间LST,分别得到训练、测试和整体回归数据的拟合优度(见表 1).从表 1可以看出,从拟合优度来看,不论是白天LST还是夜间LST的训练、测试和整体拟合优度,MLP模型的效果都优于MLR和SVM模型,说明MLP模型在预测LST方面更加具有优势.

表 1 MLP模型和其他常用模型对于LST预测的拟合优度比较 Table 1 Comparisons of goodness of fit between MLP model and other common models for LST prediction
3.2 MLP模型结果

采用构建的MLP模型将1 km的LST降尺度到250 m(见图 5).从图 5可以看出,LST的降尺度结果能够清晰地反映下垫面地表的热环境空间异质性.平原地区的建设用地区为LST的高值区,但能够分辨城区的水域和绿地的降温效应;山区远郊县为LST的低值区,反映出海拔和自然植被对于温度的分异和调节作用.整体上,白天的LST显著高于夜间,白天的最高温度为36.85 ℃,最低温度18.06 ℃, 平均为26.52 ℃,标准偏差为2.04 ℃;夜间的最高温度为19.25 ℃,最低温度6.86 ℃, 平均为13.85 ℃,标准偏差为1.55 ℃.值得注意的是,水体表面的温度在白天和夜间差异较大,其中位于北京市东北部的密云水库区域可明显反映出水体在白天有降温效应,在夜间有升温效应.

注: 空间分辨率为 250 m. 图 5 MLP模型的LST降尺度结果 Fig.5 Downscaled LST based on MLP model

通过对网络输入端神经元全局性敏感分析可以发现,影响LST的3个因素作用各不相同.对于白天的LST来说,3个因素作用大小依次是NDVI、海拔和NDBI. NDVI主要反映地表绿色覆盖,通过反照率和蒸散发等对LST产生较大作用.相比较而言,NDBI的作用范围仅限于城区等人类活动显著的区域;对于夜间的LST来说,3个因素作用大小依次是海拔、NDVI和NDBI.到了夜间,植被调节LST的作用程度有所下降,而海拔对于地形的分异作用得以凸显.

3.3 MLP模型检验

为了检验MLP模型的LST降尺度效果,在ArcGIS中将TM影像反演的LST的空间分辨率聚合到250 m,使之与MLP模型的LST降尺度结果的空间分辨率相同(见图 6),并生成50 000个随机点对两个图层采样进行相关性分析.

注: 空间分辨率为 250 m. 图 6 MLP模型LST降尺度结果与TM反演LST结果比较 Fig.6 Comparison between downscaled LST based on MLP model and retrieved LST based on TM images

图 6可以发现,MLP模型的LST降尺度结果与TM反演LST结果在空间格局上具有高度的一致性,都表现出建成区LST高、西部和北部山区LST低的空间结构.诚然,由于TM的LST数据与MODIS的LST数据时间不完全相同,前者是2009年9月22日,后者是2009年9月14日(第257天),加之LST反演算法以及尺度粗粒化带来的误差,导致二者在数值上有一定差别.

利用ArcGIS 10.2的空间分析模块中的Band Collection Statistics工具,对两个图层进行定量比较.从表 2可以看出,MLP模型的LST降尺度结果与TM反演LST结果的协方差矩阵为正,且相关系数达到0.73,表明两种结果的吻合度较高.将两个图层各像素值相减得到二者的差值,并对误差的空间结构进行正态分布检验,结果显示误差服从正态分布(见图 7).

表 2 MLP模型的LST降尺度结果与TM反演LST结果相关性分析 Table 2 Correlation of downscaled LST based on MLP model and retrieved LST based on TM images

图 7 MLP模型的LST降尺度结果与TM反演LST结果的随机点检验误差QQplot图 Fig.7 QQplot of random point errors between downscaled LST based on MLP model and retrieved LST based on TM images
4 讨论 4.1 与其他人工神经网络模型比较

目前,将人工神经网络应用到LST降尺度的国内外研究仍然较少. YANG等[16]以北京市昌平区为例,利用SOFM(自组织特征映射)网络对LST进行空间降尺度研究,得到降尺度结果与观测值相关系数为0.709.该研究中,基于MLP模型的降尺度结果与观测值的相关系数为0.730,可以说明MLP模型的应用对基于人工神经网络模型的LST降尺度研究具有一定的改进作用.

4.2 模型的不确定性、适用性及拓展性

尽管MLP模型在LST降尺度等方面表现出较为优异的性能,但仍在一些不确定性,主要表现在:① 模型结构的选择.人工神经网络模型的“黑箱”特性,使得网络结构和训练参数的选择带有一定的主观性.在实际应用时,一般采用不同类型的网络结构和训练参数进行多次模拟,根据拟合性能选出最优. ② 自变量的确定.与一般回归模型相同,因变量LST的影响因素选择上也具有一定的不确定性.在MLP模型建构时,可采用拟合优度作为指标,尝试不同的自变量组合来解决这一问题. ③ 数据误差带来的不确定性.除模型自身因素外,研究中的不确定性还可能来源于模型数据误差,如LST反演、NDVI和NDBI计算导致的误差.在该研究中,北京北部与西部山区由于地表异质性强,其降尺度结果差于平原地区,未来可考虑在平原和山区分别建立不同的网络模型,并在山区网络模型中增加坡度、坡向、湿度[33]、地形粗糙度[34]等作为输入端神经元,以提高降尺度的精度.

模型的适用性和可拓展性是衡量模型价值的重要指标.对于“黑箱”式的人工神经网络建模,一般情况下将数据集分为训练、测试和检验三部分.网络的测试和检验效果是决定网络适用性和可拓展性的重要指标.尽管有时网络训练性能很好,但测试和检验效果不佳,说明网络的泛化能力较差,离线应用将会有较大的不确定性.从模型方法推广角度,MLP可广泛应用于因变量和自变量之间的关系建立,这一特性与回归模型类似.而比回归模型更具优势的是,MLP可应用于变量之间的非线性和非平稳关系的模拟.

5 结论

a)构建的MLP模型在LST降尺度方面性能优异,预测白天LST的MLP模型的训练、测试和整体决定系数分别为0.810、0.796和0.807,预测夜间LST的MLP模型的训练、测试和整体决定系数分别为0.702、0.705和0.701,且预测残差值服从正态分布,说明构建的模型可靠性较高.

b)与多元回归和支撑向量机模型比较,不论是白天还是夜间LST的训练、测试和整体拟合优度,MLP模型都较高,说明MLP模型在预测LST方面具有优势.此外,MLP模型测试数据集的拟合度也较高,说明模型的泛化推广能力也较强.

c)用构建的MLP模型将1 km的MODIS LST降尺度到250 m,结果显示,不论是白天还是夜间的LST降尺度结果,都能清晰地反映出下垫面不同覆被物下地表热环境的空间异质性及昼夜差异.

d)将TM反演的LST与MLP模型降尺度的LST相比较发现,尽管具体数值上有所差异,但二者的空间格局高度相似,协方差为正,相关系数高达0.730.

研究显示,使用人工神经网络模型进行LST降尺度是一条行之有效的途径.

参考文献
[1]
KLEMEB Z, KRISTOF O. Downscaling land surface temperature for urban heat island diurnal cycle analysis[J]. Remote Sensing of Environment, 2012, 117(1): 114-124. (0)
[2]
LI Zhaoliang, TANG Bohui, WU Hua, et al. Satellite-derived land surface temperature:current status and perspectives[J]. Remote Sensing of Environment, 2013, 131(8): 14-37. (0)
[3]
MANNSTEIN H.Surface energy budget, surface temperature and thermal inertia[M]//VAUGHAN R A.Remote sensing applications in meteorology and climatology.Berlin, Germany:Springer Netherlands, 1987:391-410. (0)
[4]
刘冬韡, 敖翔宇, 谈建国, 等. 上海城市精细化地表温度分布模拟[J]. 气象与环境学报, 2015, 31(2): 59-66.
LIU Dongwei, AO Xiangyu, TAN Jianguo, et al. Refined simulation of urban surface temperature distribution in Shanghai[J]. Journal of Meteorology and Environment, 2015, 31(2): 59-66. (0)
[5]
STATHOPOULOU M, CARTALIS C. Downscaling AVHRR land surface temperatures for improved surface urban heat island intensity estimation[J]. Remote Sensing of Environment, 2009, 113(12): 2592-2605. DOI:10.1016/j.rse.2009.07.017 (0)
[6]
CLINTON N, PENG G. MODIS detected surface urban heat islands and sinks:global locations and controls[J]. Remote Sensing of Environment, 2013, 134(5): 294-304. (0)
[7]
陈彬辉, 冯瑶, 袁建国, 等. 基于MODIS地表温度的京津冀地区城市热岛时空差异研究[J]. 北京大学学报(自然科学版), 2016, 52(6): 1134-1140.
CHEN Binhui, FENG Yao, YUAN Jianguo, et al. spatiotemporal difference of urban heat island in Jing-Jin-Ji area based on MODIS land surface temperature[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2016, 52(6): 1134-1140. (0)
[8]
田辉, 马耀明, 胡晓, 等. 使用MODIS陆地产品LST和NDVI监测中国中、西部干旱[J]. 高原气象, 2007, 26(5): 1086-1096.
TIAN Hui, MA Yaoming, HU Xiao, et al. Monitoring drought in mid-western China using MODIS land product LST and NDVI[J]. Plateau Meteorology, 2007, 26(5): 1086-1096. (0)
[9]
王秀君, 陈健. 基于LST-EVI特征空间的土壤水分含量反演[J]. 遥感技术与应用, 2014, 29(1): 46-53.
WANG Xiujun, CHEN Jian. Soil moisture estimation based on the LST-EVI feature space[J]. Remote Sensing Technology and Application, 2014, 29(1): 46-53. (0)
[10]
JIMENEZ C, MICHEL D, HIRSCHI M, et al. Applying multiple land surface temperature products to derive heat fluxes over a grassland site[J]. Remote Sensing Applications Society & Environment, 2017, 6: 15-24. (0)
[11]
MAO K B, MA Y, TAN X L, et al. Global surface temperature change analysis based on MODIS data in recent twelve years[J]. Advances in Space Research, 2017, 59: 503-512. DOI:10.1016/j.asr.2016.11.007 (0)
[12]
[13]
全金玲, 占文凤, 陈云浩, 等. 遥感地表温度降尺度方法比较:性能对比及适应性评价[J]. 遥感学报, 2013, 17(2): 374-387.
QUAN Jinling, ZHAN Wenfeng, CHEN Yunhao, et al. Downscaling remotely sensed land surface temperatures:a comparison of typical methods[J]. Journal of Remote Sensing, 2013, 17(2): 374-387. (0)
[14]
郭会敏, 宫阿都, 何汝艳, 等. 遥感地表温度空间分辨率降尺度研究[J]. 遥感信息, 2015(4): 29-36.
GUO Huimin, GONG Adu, HE Ruyan, et al. Spatial downscaling research of the remotely land surface temperature[J]. Remote Sensing Information, 2015(4): 29-36. (0)
[15]
李小军, 江涛, 辛晓洲, 等. 基于MODIS的地表温度空间降尺度方法[J]. 生态学杂志, 2016, 35(12): 3443-3450.
LI Xiaojun, JIANG Tao, XIN Xiaozhou, et al. Spatial downscaling of land surface temperature based on MODIS data[J]. Chinese Journal of Ecology, 2016, 35(12): 3443-3450. (0)
[16]
YANG Guijun, PU Ruiliang, ZHAO Chunjiang, et al. Estimation of subpixel land surface temperature using an endmember index based technique:a case examination on ASTER and MODIS temperature products over a heterogeneous area[J]. Remote Sensing of Environment, 2011, 115(5): 1202-1219. DOI:10.1016/j.rse.2011.01.004 (0)
[17]
YILDIZ B Y, SAHIN M, SENKAL O, et al. Determination of land surface temperature using precipitable water based Split-Window and Artificial Neural Network in Turkey[J]. Advances in Space Research, 2014, 54(8): 1544-1551. DOI:10.1016/j.asr.2014.06.011 (0)
[18]
MUKHERJEE S, JOSHI P K, GARG R D. A comparison of different regression models for downscaling Landsat and MODIS land surface temperature images over heterogeneous landscape[J]. Advances in Space Research, 2014, 54(4): 655-669. DOI:10.1016/j.asr.2014.04.013 (0)
[19]
王祎婷, 谢东辉, 李小文. 构造地理要素趋势面的尺度转换普适性方法探讨[J]. 遥感学报, 2014, 18(6): 1139-1146.
WANG Yiting, XIE Donghui, LI Xiaowen. Universal scaling methodology in remote sensing science by constructing geographic trend surface[J]. Journal of Remote Sensing, 2014, 18(6): 1139-1146. DOI:10.11834/jrs.20144108 (0)
[20]
HUTENGS C, VOHLAND M. Downscaling land surface temperatures at regional scales with random forest regression[J]. Remote Sensing of Environment, 2016, 178: 127-141. DOI:10.1016/j.rse.2016.03.006 (0)
[21]
POUTEAU R, RAMBAL S, RATTE J P, et al. Downscaling MODIS-derived maps using GIS and boosted regression trees:the case of frost occurrence over the arid Andean highlands of Bolivia[J]. Remote Sensing of Environment, 2011, 115(1): 117-129. DOI:10.1016/j.rse.2010.08.011 (0)
[22]
KUSTAS W P, NORMAN J M, ANDERSON M C, et al. Estimating subpixel surface temperatures and energy fluxes from the vegetation index-radiometric temperature relationship[J]. Remote Sensing of Environment, 2003, 85(4): 429-440. DOI:10.1016/S0034-4257(03)00036-1 (0)
[23]
马伟, 赵珍梅, 刘翔, 等. 植被指数与地表温度定量关系遥感分析:以北京市TM数据为例[J]. 国土资源遥感, 2010, 22(4): 108-112.
MA Wei, ZHAO Zhenmei, LIU Xiang, et al. A quantitative analysis of the relationship between vegetation indices and land surface temperature based on remote sensing:a case study of TM data for Beijing[J]. Remote Sensing for Land and Resources, 2010, 22(4): 108-112. DOI:10.6046/gtzyyg.2010.04.22 (0)
[24]
聂建亮, 武建军, 杨曦, 等. 基于地表温度-植被指数关系的地表温度降尺度方法研究[J]. 生态学报, 2011, 31(17): 4961-4969.
NIE Jianliang, WU Jianjun, YANG Xi, et al. Downscaling land surface temperature based on relationship between surface temperature and vegetation index[J]. Acta Ecologica Sinica, 2011, 31(17): 4961-4969. (0)
[25]
RODRIGUEZ-GALIANO V, PARDO-IGUZUIZA E, SANCHEZ-CASTILLO M, et al. Downscaling Landsat 7 ETM+ thermal imagery using land surface temperature and NDVI images[J]. International Journal of Applied Earth Observation & Geoinformation, 2012, 18(1): 515-527. (0)
[26]
王祎婷, 谢东辉, 李亚惠. 光谱指数趋势面的城市地表温度降尺度转换[J]. 遥感学报, 2014, 18(6): 1169-1181.
WANG Yiting, XIE Donghui, LI Yahui. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI)[J]. Journal of Remote Sensing, 2014, 18(6): 1169-1181. DOI:10.11834/jrs.20144115 (0)
[27]
XU Hanqiu. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI)[J]. Photogrammetric Engineering & Remote Sensing, 2010, 76(5): 557-565. (0)
[28]
ESSA W, KWAST J V D, VERBEIREN B, et al. Downscaling of thermal images over urban areas using the land surface temperature-impervious percentage relationship[J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 23(23): 95-108. (0)
[29]
庞庆非, 权凌. 改进的DisTrad模型在地形起伏区地表温度空间分辨率提升的应用[J]. 地球信息科学学报, 2014, 16(1): 45-53.
PANG Qingfei, QUAN Ling. Disaggregation of MODIS land surface temperature using stepwise regression:a case study over Sichuan Basin[J]. Journal of Geo-Information Science, 2014, 16(1): 45-53. (0)
[30]
查勇, 倪绍祥, 杨山. 一种利用TM图像自动提取城镇用地信息的有效方法[J]. 遥感学报, 2003, 7(1): 37-40.
ZHA Yong, NI Shaoxiang, YANG Shan. An effective approach to automatically extract urban land-use from TM imagery[J]. Journal of Remote Sensing, 2003, 7(1): 37-40. DOI:10.11834/jrs.20030107 (0)
[31]
HANSEN M C, POTAPOV P V, MOORE R, et al. High-resolution global maps of 21st-century forest cover change[J]. Science, 2013, 342(6160): 850-853. DOI:10.1126/science.1244693 (0)
[32]
PENG Jian, XIE Pan, LIU Yanxu, et al. Urban thermal environment dynamics and associated landscape pattern factors:a case study in the Beijing metropolitan region[J]. Remote Sensing of Environment, 2016, 173: 145-155. DOI:10.1016/j.rse.2015.11.027 (0)
[33]
LUNDEN B, WESTER K, AXELSSON S. Analysis of satellite-derived surface temperatures in relation to land cover and topography[J]. Norsk Geografisk Tidsskrift-Norwegian Journal of Geography, 1997, 51(1): 47-59. DOI:10.1080/00291959708552363 (0)
[34]
HIRSCH E, AGASSI E, KOPEIKA N S. Comparing statistical and spatial characteristics of urban and rural infrared images, part 2:background simulation[J]. Optical Engineering, 2008. DOI:10.1117/1.2904027 (0)