跳转到内容

中巴经济走廊2013–2018年地表温度高分辨率反演数据集

维基文库,自由的图书馆
中巴经济走廊2013–2018年地表温度高分辨率反演数据集
作者:赵国辉 张耀南 康建芳
2019年8月13日
本作品收录于《中国科学数据
赵国辉, 张耀南, 康建芳. 中巴经济走廊2013–2018年地表温度高分辨率反演数据集[J/OL]. 中国科学数据, 2019, 4(3). (2019-08-10). DOI: 10.11922/csdata.2018.0055.zh.


摘要&关键词

[编辑]

摘要:区域下垫面热力状态是研究防灾减灾、气候变化、环境演变以及人地相互作用等一系列地球科学问题的重要出发点与纽带。地表温度是中巴经济走廊冰川、冻土、水文、生态以及灾害等众多环境问题的关键因子和基础数据。本数据集基于Landsat 8卫星热红外波段,采用多模型集成比较的方法,制备了中巴经济走廊地区2013年以来的高分辨率地表温度反演数据集,空间分辨率为30 m,时间分辨率为16天。采用的模型包括单通道反演模型、双通道劈窗反演模型以及数据融合模型,依据误差最小原则,自动制备了地表温度序列产品。为了控制数据的产品质量,将反演的地表温度与MODIS地表温度产品进行了全面比较。数据抽样结果表明:样本的一致性指数均大于0.84,Kling-Gupta系数在0.72以上。此外,通过对比验证,本数据产品在空间分辨率上具有明显优势。本数据集可用于中巴经济走廊区域地表温度时空变化监测,为科学研究、工程建设以及社会服务提供基础数据资料。

关键词:中巴经济走廊;地表温度;数据反演;2013–2018;Landsat 8

Abstract & Keywords

[编辑]

Abstract: Land surface temperature provides important basic data for research on, for example, hydrology, ecology, climate, natural disasters, environment and resources. A series of scientific issues in earth sciences, including disaster prevention and mitigation, climate change, environmental evolution and human-land interaction, all require a complete understanding of the thermal state of ground surface. Based on the thermal infrared bands of LANDSAT 8, a high-resolution temperature inversion dataset for the China–Pakistan Economic Corridor from 2013 to 2018 was built by using multiple LST inversion models. The data has a spatial resolution of 30 m and a temporal resolution of 16 days. The study uses different models to retrieve land surface temperature data, such as single-channel inversion model, double-channel split-window inversion model and data fusion model. For data quality verification, the temperature data are validated against MODIS MOD11A1 V6 surface temperature products. A sample test shows that the agreement index is greater than 0.84 and the Kling-Gupta coefficient is greater than 0.72. A comparison and verification shows that this data product has a higher spatial resolution. The dataset can be used to study the spatiotemporal change of natural environment, providing basic data for relevant scientific research, engineering construction and social service along the China–Pakistan Economic Corridor.

Keywords: China-Pakistan Economic Corridor; land surface temperature; data inversion; 2013 – 2018; Landsat 8

数据库(集)基本信息简介

[编辑]
数据库(集)名称 中巴经济走廊2013–2018年高空间分辨率地表温度反演数据集
数据作者 赵国辉,张耀南,康建芳
数据通信作者 张耀南(yaonan@lzb.ac.cn)
数据时间范围 2013–2018年
地理区域 中巴经济走廊区域,起点中国喀什,终点在巴基斯坦瓜达尔港,全长3000公里,地理范围23°47′N–41°55′N,60°20′E–80°16′E。
空间分辨率 30 m
数据量 3.73 TB
数据格式 GeoTIFF
数据服务系统网址 http://www.crensed.ac.cn/portal/metadata/d0dd0c4c-cdb6-4257-ae71-cf370aeea74f
基金项目 国家科技基础条件平台“特殊环境特殊功能观测研究台站共享服务平台”项目(Y719H71001);中国科学院信息化专项“寒旱区环境演变研究‘科技领域云’的建设与应用”项目(XXH13506)。
数据库(集)组成 数据集按照年份共分为6个目录,在每个年份目录下按照月份划分为12个子目录,数据命名规则为CPEC_LST_Xm_PPPRRR _YYYYMMDD.tif,其中X为分辨率,PPPRRR为WRS2行列号,YYYYMMDD为年月日标识,例如CPEC_LST_30m_152042_20170603.tif。

Dataset Profile

[编辑]
Title A dataset of high-resolution land surface temperature inversion for the China-Pakistan Economic Corridor (2013–2018)
Data corresponding author Zhang Yaonan (yaonan@lzb.ac.cn)
Data authors Zhao Guohui, Zhang Yaonan, Kang Jianfang
Time range 2013–2018
Geographical scope China-Pakistan Economic Corridor: 23°47′ N – 41°55′ N, 60°20′ E – 80°16′ E
Spatial resolution 30 m
Data volume 3.73 TB
Data format GeoTIFF
Data service system <http://www.crensed.ac.cn/portal/metadata/d0dd0c4c-cdb6-4257-ae71-cf370aeea74f>
Sources of funding “Special environment & special function observation research station shared service platform” program of the National Science and Technology Infrastructure Platform (Y719H71001); Information technology program of the Chinese Academy of Sciences , Research on Environmental Evolution in Cold and Arid regions: Construction and Application of CSTCloud (XXH13506).
Dataset composition This dataset contains six directories corresponding to the six years. Each directory contains 12 sub-directories corresponding to the 12 month. Data files are named in the format: CPEC_LST_Xm_PPPRRR_YYYYMMDD.tif, where X is spatial resolution, YYYYMMDD is the year, month and date of the observation, PPPRRR is the WRS path and row numbers (e.g., CPEC_LST_30m_152042_20170603.tif).


引 言

[编辑]

地表温度(Land Surface Temperature,LST)作为陆地表面热辐射状态的度量,综合了地表与大气相互作用以及大气和陆地之间能量交换的全部结果,是表征地表水热平衡和气候变化的关键参数、地表循环过程研究的重要组成部分。准确地反演区域地表温度时空变化不仅对气候变化、生态保护以及资源评价等相关领域的研究至关重要,而且对环境监测、灾害防治、工程建设等也具有重要应用价值[1]

传统地表温度监测技术很难获取其时空分布特征数据,在区域研究和应用中受极大的限制,而热红外遥感探测技术能够探测到地表直接发射能量,成为获取区域地温的重要途径[2]。基于遥感手段的陆表参数反演为地表温度时空数据制备提供了直接的技术手段。目前常用的地表温度遥感数据多数来自MODIS卫星,其虽具有较好的区域性和实效性,对于地表变化连续观测具有明显优势,但是无法满足局部区域环境变化监测的空间分辨率。Landsat系列卫星数据凭借其长期连续、全球覆盖、高分辨率、科学的数据存档与分发策略等优势,成为地表特征和地球系统科学研究中最有效的遥感数据之一[3]。自2013年Landsat 8卫星成功发射以来,提供免费的中分辨率数据以及16天的重放周期,成为区域热红外遥感的重要数据源,目前已拥有5年多的热红外波段存档数据,为地表温度反演提供了重要的数据支撑。

目前针对不同的应用领域以及区域,国内外学者发展了不同的地表温度反演模型。为了准确地反演地表温度的时空变化,兼顾模型的适用性,构建了地表温度反演模型集,其中包括单通道反演模型、双通道劈窗反演模型以及数据融合模型。依据遴选标准,自动生成制备了中巴经济走廊区域2013–2018年Landsat 8地表温度遥感反演数据集(图1),以期为中巴经济走廊自然环境变时空化监测研究、工程建设以及社会服务提供基础数据资料。


图片

图1 中巴经济走廊区域2013–2018年地表温度遥感反演数据集覆盖范围


1 数据采集和处理方法

[编辑]

1.1 基础数据

[编辑]

Landsat 8卫星携带的2个主要传感器陆地成像仪(OLI)和热红外传感器(TIRS),在扫描方式、波段设置、辐射分辨性能等方面较之前的Landsat系列卫星均有很大的改进,尤其是热红外遥感器TIRS,可探测10.6–11.2 μm和11.5–12.5 μm两个热红外波段的辐射,瞬时视场角15°,地面幅宽185 km,可以更好地对热红外数据进行大气校正,进而能够对地表温度进行准确地反演。为此,本数据集基于Landsat 8的两个热红外通道(第10与11波段),反演制备地表温度产品。基础数据来源于美国USGS EarthExplorer(https://earthexplorer.usgs.gov/)官方网站,获取了自2013年到目前所有的Landsat 8 OLI/TIRS C1 Level-1数据产品(表1),具体行列号见图1。


表1 Landsat 8 OLI/TIRS C1 Level-1数据产品描述

序号 波段 描述 波长(μm) 空间分辨率(m) 传感器
1 Band 1 Coastal/Aerosol 0.435–0.451 30 OLI
2 Band 2 Blue 0.452–0.512 30 OLI
3 Band 3 Green 0.533–0.590 30 OLI
4 Band 4 Red 0.636 - 0.673 30 OLI
5 Band 5 Near Infrared 0.851–0.879 30 OLI
6 Band 6 Short-wave Infrared 1.566–1.651 30 OLI
7 Band 7 Short-wave Infrared 2.107–2.294 30 OLI
8 Band 8 Panchromatic 0.503–0.676 15 OLI
9 Band 9 Cirrus 1.363–1.384 30 OLI
10 Band 10 Thermal Infrared 10.60–11.19 30* TIRS
11 Band 11 Thermal Infrared 11.50–12.51 30* TIRS


  • USGS发布的1级产品已对数据进行了预处理,包括将TIRS波段从100 m重采样到30 m。

1.2 处理方法

[编辑]

本数据集的数据处理流程如图2,具体步骤如下:


图片

图2 中巴经济走廊地表温度数据集制备流程


步骤 1 首先对Landsat 8的基础数据按照数据质量进行筛选,把云量大于20%的数据剔除,然后分别对OLI和TIRS传感器数据进行处理。

步骤 2 按照Landsat 8数据手册[4],分别计算TIRS第10、11波段的辐射亮度值\({L}_{\lambda }\),并基于辐射亮度值计算星上亮度温度BT。依据裂窗协方差比算法[5][6]反演大气水汽含量ω,以修正大气和地表比辐射率的影响,算法如下: \[\omega ={c}_{0}+{c}_{1}×\frac{{\tau }_{j}}{{\tau }_{i}}+{c}_{2}{\left(\frac{{\tau }_{j}}{{\tau }_{i}}\right)}^{2}                                                     \left(1\right)\]\[\frac{{\tau }_{j}}{{\tau }_{i}}=\frac{{\epsilon }_{i}}{{\epsilon }_{j}}{R}_{j,i}, {          R}_{ji}=\frac{{\sum }_{k=1}^{N}\left({BT}_{i,k}\stackrel{-}{BT}}_{i}\right)\left(B{T}_{j,k{\stackrel{-}{BT}}_{j}\right)}{{\sum }_{k=1}^{N}{\left({BT}_{i,k}\stackrel{-}{BT}}_{i}\right)}^{2}}                            \left(2\right)\] 式中\({\tau }_{i}\),\({\tau }_{j}\)分别为第10波段和第11波段的大气透过率,\({\epsilon }_{i}\)与\({\epsilon }_{j}\)为其对应的比辐射率,\({\stackrel{-}{BT}}_{i}\)与\({\stackrel{-}{BT}}_{j}\)为其移动窗口内第10波段、第11波段的亮温均值,k为窗口内像元的索引,N为窗口大小,\({c}_{0}\)、\({c}_{1}\)与\({c}_{2}\)为基于大气辐射传输模型MODTRAN和大气廓线数据库TIGR(Thermodynamic Initial Guess Retrieval database)模拟产生的回归系数。

步骤 3 地表发射率是衡量表面散热效率的指标,不同的下垫面有不同的发射率值(0–1)。本数据集采用植被覆盖度加权法[7][8],基于Landsat 8 OLI第4、5波段获取地表发射率ε: \[\varepsilon ={\epsilon }_{v}FVC+{\epsilon }_{s}\left(1-FVC\right)+4 〈 d\epsilon  〉 FVC \left(1-FVC\right)                                \left(3\right)\]\[FVC={\left(\frac{NDVINDVI}_{s}}{{NDVI}_{v{NDVI}_{s}}\right)}^{2}                                                   \left(4\right)\]\[NDVI=\left({\rho }_{5{\rho }_{4}\right)/\left({\rho }_{5}+{\rho }_{4}\right)                                                \left(5\right)\] 式中:植被组分发射率\({\epsilon }_{v}\)与地表背景发射率\({\epsilon }_{s}\)数据来源于光谱数据库;<dε>表示像元内组分间多次散射而形成的腔体效应参数。FVC为植被覆盖度,NDVIs 和NDVIv 分别为裸土和浓密植被的归一化植被指数NDVI值,\({\rho }_{4}\)与\({\rho }_{5}\)为经过大气辐射校正模型COST(Cosine of solar zenith angle)修正过的Landsat 8红波段Band 4与近红外波段Band 5的地表反射率。

步骤 4 地表热辐射传输方程是遥感反演地表温度的基础,依据地表热辐射理论,建立地表温度LST的反演计算模型集,包括辐射传输方程单通道反演模型(SC1)[9]、单通道发射率校正模型(SC2)[10]、双通道劈窗算法模型(SW)[5]以及数据融合算法(DF),其具体推导过程及参数不再一一赘述,用户可具体参考每个算法对应的文献资料,主要公式如下:

1) SC1模型 \[{LST}_{SC1}=\gamma \left[\frac{1}{\epsilon }\left({\psi }_{1}{L}_{\lambda }+{\psi }_{2}\right)+{\psi }_{3}\right]+\delta \left(6\right)\]\[{\psi }_{i}={{b}_{i,2}\omega }^{2}+{b}_{i,1}\omega +{b}_{i,0} , \gamma \approx \frac{{BT}^{2}}{\mathrm{K}\bullet {L}_{\lambda }} , \delta \approx BT-\frac{{BT}^{2}}{\mathrm{K}} \left(7\right)\] 式中:\({\psi }_{1}、{\psi }_{2}\)与\({\psi }_{3}\)是大气函数,利用大气水汽含量ω近似获取,\({L}_{\lambda }\)为星上辐射亮度值,bi, 0 、bi, 1 与bi, 2 为回归参数,K为常数,其他符号同上。

2) SC2模型 \[{LST}_{SC2}=\frac{{BT}_{10}}{1+\frac{\lambda \sigma {BT}_{10}}{hc}\mathrm{ln}\epsilon } \left(8\right)\] 式中:\({BT}_{10}\)为Landsat 8第10波段亮度温度,λ为Landsat 8第10波段的波长,σ为玻尔兹曼常数,h为普朗克常数,c为光速。

3) SW模型 \[{LST}_{SW}={b}_{0}+\left({b}_{1}+{b}_{2}\frac{1-\epsilon }{\epsilon }+{b}_{3}\frac{∆\epsilon }{{\epsilon }^{2}}\right)\frac{{BT}_{10}+{BT}_{11}}{2}+\left({b}_{4}+{b}_{5}\frac{1-\epsilon }{\epsilon }+{b}_{6}\frac{∆\epsilon }{{\epsilon }^{2}}\right)\frac{B{T}_{10}BT}_{11}}{2}+{b}_{7}{\left(B{T}_{10{BT}_{11}\right)}^{2} \left(9\right)\] 式中:\({BT}_{11}\)为Landsat 8第11波段亮度温度,bn(n = 0,1,...7)为模型回归系数,\(\epsilon \)和\(∆\epsilon \)分别为TIRS两个通道的发射率均值与差值。

  4) DF模型 

依据空间相似性,每个MOD11A1数据产品像元对应不同地表类型Landsat 8像元的地表温度表达式为:

\({P}_{M}=\frac{1}{N}\sum _{j=1}^{m}{f}_{j}\left({P}_{L,j}\right) \) (10) \[{f}_{j}={BT}_{10}+{a}_{0,j}\left({BT}_{10}BT}_{11}\right)+{{a}_{1,j}\left({BT}_{10{BT}_{11}\right)}^{2}+{{a}_{2,j}\left(NDVI\right)}^{2}+{a}_{3,j}\left(NDVI\right)+{a}_{4,j} \left(11\right)\] 式中:\({P}_{M}\)为MOD11A1像元值,N为一个MOD11A1像元对应Landsat像元的个数,m为N个像元中所对应的高分辨率地表覆盖类型总数,PL,j 为m个地物类别中j类别的像元值,\({f}_{j}\)标识不同地表类型之间高低分辨率之间的对应关系,\({a}_{i,j}\)(i= 0,1,...4) 为MODIS与Landsat混合像元法求解出的回归参数。

步骤 5 遴选地表温度产品。以上4种反演模型产品以及第10与第11波段反演得到的亮温均值产品共计5种地表温度产品输出。为了与MODIS MOD11A1地温数据产品空间网格单元一一对应,每种模型反演产品分别进行坐标转换与重采样处理,然后逐像元进行统计比较,依据评价指标,选择最优反演结果纳入数据集。

2 数据样本描述

[编辑]

地表温度产品数据集命名格式为CPEC_LST_Xm_PPPRRR_YYYYMMDD.tif,其中X表示地表温度产品的分辨率,Landsat反演的地温产品为30 m,YYYY表示年份,MM表示月份,DD表示天,PPP是Landsat WRS2全球参考系统的条带号,RRR为其行号,例CPEC_LST_30m_152042_20170603.tif,中巴经济走廊区域中的数据如图3所示。目前数据起止时间为2013–2018年,并实时更新,目前数据共17018景,数据容量3822 GB,数据文件按照时间进行分类,数据格式为Geotiff文件,坐标系统为UTM坐标系统,数据类型为Single,温度单位为℃,可使用通过空间分析软件直接读取显示、融合以及分析(图4)。


图片

图3 中巴经济走廊地表温度产品单幅数据示例(CPEC_LST_30m_149038_20170918.tif)


图片

图4 中巴经济走廊全区域地表温度产品数据拼接融合示例(CPEC_LST_1km_201807.tif)


3 数据质量控制和评估

[编辑]

3.1 质量控制

[编辑]

数据集生产过程中对模型反演结果进行了逐景比较,每种模型反演的数据产品进行空间融合后与MODIS MOD11A1 V6地表温度产品逐像元比较,按照评价指标从中选择最优反演产品。本数据集的数据遴选指标包括纳什效率系数(NSE)、一致性指数(d)、Kling-Gupta系数(KGE)[11]、相关系数(R)与百分比偏差(Pbias)5种指标对数据产品进行质量控制。

3.2 数据评估

[编辑]

数据集质量评估采用整体评估和局部评估相结合的方法。整体评估采用随机抽样的方法,从全部数据产品中随机选取6组数据进行对比实验,数据样本分布如图5所示,每组数据产品的对比评价结果见表2。


图片

图5 中巴经济走廊地表温度数据集随机抽样数据空间分布图(红色表示)


表2 中巴经济走廊地表温度数据集抽样数据整体统计特征

No NSE d KGE R RMSE Pbias
Case1 0.686718 0.92459 0.80298 0.8275 2.5748 −0.059
Case2 0.58036 0.90692 0.80316 0.84465 2.5560 −2.2125
Case3 0.652364 0.87973 0.72429 0.88177 1.3074 −0.4122
Case4 0.520501 0.8498 0.59283 0.76165 4.7713 −3.9133
Case5 0.780329 0.95623 0.85319 0.97264 1.9507 4.32386
Case6 0.670532 0.91233 0.83199 0.85874 2.0782 3.16136


其次,为确保数据统计的随机性,开展了局部抽样评估,即再次从每组数据产品中随机选取子区域,进行对比分析,验证其空间相关性(图6),结果表明R2均在0.66以上,与整体趋势吻合。


图片

图6 中巴经济走廊地表温度案例数据子区域随机采样统计分析


4 数据价值

[编辑]

本数据集在整体上与MODIS地表温度产品保持较高的空间相关性,由于Landsat 8较高的空间分辨率,可以反演出更加清晰的地表纹理特征,例如水体、居住区、植被等地物,表达了更加详尽的地表温度细节与特征(图7),可直接用于表征中巴经济走廊区域陆表温度时空变化,开展探索其时空分异特征与规律研究,为研究冻融灾害、气候变化、灾害预测、热岛效应、工程安全等科学问题提供基础数据资料,服务于中巴两国的线路建设、生态保护、资源调查、工程建设以及防灾减灾等社会经济发展需求。


图片

图7 数据产品局部对照图(a为区域遥感影像,b为MODIS地表温度产品,c为本数据集产品)


5 数据使用方法和建议

[编辑]

本数据集可通过国家特殊环境、特殊功能观测研究台站共享服务平台(http://www.crensed.ac.cn)申请下载。由于数据量比较大也可联系数据作者,访问中国科学院超级计算兰州分中心的计算与数据平台,进行在线数据下载、共享、分析、处理及应用。数据文件均为GeoTIFF格式,可通过GIS相关的软件如ENVI、GRASS、ArcGIS等,直接进行查看与应用。

由于地表温度的遥感反演受地表发射率、大气透过率以及下垫面状况的影响,目前针对地表温度的遥感反演产品适宜于基于相对温度的科学应用,地表温度的真实值需要依据每个像元的发射率、地物分类以及大气条状况对本数据产品进行修正。

致 谢

[编辑]

感谢国家特殊环境、特殊功能观测研究台站共享服务平台给与的项目支持。感谢 USGS EarthExplorer网站提供免费的Landsat 8与MODIS数据产品。

参考文献

[编辑]
  1. 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(5): 702-714.
  2. 胡德勇, 乔琨, 王兴玲, 等. 利用单窗算法反演Landsat 8 TIRS数据地表温度[J]. 武汉大学学报(信息科学版), 2017, 42(7): 869-876.
  3. 姜高珍, 韩冰, 高应波, 等. Landsat系列卫星对地观测40年回顾及LDCM前瞻[J]. 遥感学报, 2013(5): 1033-1048.
  4. Department of the Interior US Geological Survey. USGS (2016) LANDSAT 8 (L8) Data Users Handbook. LSDS-1574 Version 2.0[EB/OL]. [2019-08-27]. https://landsat.usgs.gov/landsat-8-data-users-handbook.
  5. ^ 5.0 5.1 DU C, REN H, QIN Q, et al. A Practical Split-Window Algorithm for Estimating Land Surface Temperature from Landsat 8 Data [J]. Remote Sensing, 2015, 7(1): 647-665.
  6. REN H, DU C, LIU R, et al. Atmospheric water vapor retrieval from Landsat 8 thermal infrared images[J]. Journal of Geophysical Research Atmospheres, 2015, 120(5): 1723-1738.
  7. QING P Z, XIN X, JIAO J J, et al. Remote sensing algorithm for surface evapotranspiration considering landscape and statistical effects on mixed pixels[J]. Hydrology & Earth System Sciences, 2016, 20(11): 4409-4438.
  8. VALOR E, CASELLES V. Mapping land surface emissivity from NDVI: Application to European, African, and South American areas[J]. Remote Sensing of Environment, 1996, 57(3): 167-184.
  9. CRISTÓBAL J, JIMÉNEZ-MUÑOZ J C, PRAKASH A, et al. An Improved Single-Channel Method to Retrieve Land Surface Temperature from the Landsat-8 Thermal Band[J]. Remote Sensing, 2018, 10(3): 431.
  10. WENG Q, LU D, SCHUBRING J. Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies[J]. Remote Sensing of Environment, 2004, 89(4): 467–483.
  11. KLING H, FUCHS M, PAULIN M. Runoff conditions in the upper Danube basin under an ensemble of climate change scenarios[J]. Journal of Hydrology, 2012, 424/425(5): 264-277.

数据引用格式

[编辑]

赵国辉, 张耀南, 康建芳. 中巴经济走廊2013–2018年地表温度高分辨率反演数据集[DB/OL]. 国家特殊环境、特殊功能观测研究台站共享服务平台, 2018. (2018-08-27). DOI: 10.12072/casnw.054.2018.db.


本作品在“知识共享-署名 4.0 国际”协议下发表。

Public domainPublic domainfalsefalse