本文章前半部分植被指数反演内容请看定量遥感实验三 植被指数反演-CSDN博客
七、遥感温度反演——实验过程
温度反演的实验过程相比于之前的实验步骤来说就较为单调了,没有许多让我们进行选择与处理的参数,但单调并不意味着简单。与第二次实验非常类似,遥感温度反演主要是要求我们通过已知的数学公式进行建模,在一步又一步的过程中逐渐计算得到最终地表温度。
实验的具体操作不是非常困难,最艰难的点主要在:虽然我们之前已经进行了NDVI计算、大气校正等等的数据预处理操作,但是该模型的构建依然十分考验我们的耐心,而且数学公式也十分复杂,模型建立经常容易报错,这就会导致我们在实验过程中做着做着就自己迷失了方向,不知道自己下一步应该干些什么,因此我们首先就应该理清楚温度反演过程的脉络,这可以帮助我们在实验过程中迅速找到并理解正确的实验步骤。
热红外波段亮度温度计算——> 植被覆盖度计算(利用NDVI)——> 地表比辐射率计算(利用植被覆盖度与监督分类结果)——> 大气参数处理——> 地表温度计算
1.热红外波段数据处理
此次实验中的热红外波段是由同一个遥感传感获取得到的两个具有不同增益的波段(B61与B62),这两个波段具有相同的波段范围与带宽,而增益、空间分辨率与二者在DN值高、低端的饱和度都不相同。而为了获得最终的准确的地表温度,我们首先需要进行辐射定标操作:将传感器输出的温度转化为已知的国际单位制的亮度温度。这一个步骤至关重要,我们需要保证我们的这一步骤建立的模型与得出的结果完全正确,否则最后得出的结果将会与实际值产生很大误差。
数学公式 | |
建立模型 | |
结果 (左61 右62) |
|
2.遥感影像监督分类
在后续进行地表比辐射率计算时,不同的地物的地表比辐射率计算公式是不同的。根据实验要求,我们需要将遥感影像的主要地物分为三类——水体,居民区,植被,这就需要利用我们之前实验课学习的监督分类方法了:
1.首先在主菜单中的Raster中选择Supervised——> Signature Editor,我们需要首先构建各类地物的AOI;
2.打开AOI区域表后,因为我们此时还没有添加任何AOI所以此时可以看到这里都是空白的:
我们打开主菜单的Drawing,在此处选择多边形就可以在遥感影像中选取我们想要地物的AOI区域,每类地物都要尽可能的选择多的数量,保证监督分类的准确性;
3.在选择完尽可能多的AOI后,我们可以将所有AOI合并起来,并将其中的Value改为我们特定的值,用以后续实验中建模的方便。水体赋值为1,居民区赋值为2,植被赋值为3;
4.按以上步骤完成后,即可得到我们的监督分类AOI,此时回到主菜单点击Raster——> Supervised——> Supervised Classification,
在弹出的参数表中,输入经过大气校正后的遥感影像,再选择我们的监督分类AOI,即可得到最终监督分类的结果如下:
3.植被覆盖度计算
植被覆盖度的计算需要利用到我们在上一个植被指数实验中计算得到的NDVI值进行建模。除此之外,还需要特别注意的是:当NDVI大于0.7或小于0.05时,对应的地表植被覆盖度应该分别取1和0,这是我们根据我们的课堂知识可以得出的,当NDVI值位于0.05—0.7的范围时,得到的植被覆盖度值才较为准确。
数学公式 | NDVIv=0.7,NDVIs=0.05 |
建立模型 | |
结果 | |
4.地表比辐射率计算
数学公式 | |
建立模型 | |
结果 | |
5.大气参数处理
为了最后的地表温度计算的模型建立,我们首先需要获得大气等效温度与大气透射率两个大气参数,计算公式如下:
大气等效温度:
大气透射率: (ω取2.0)
6.地表温度计算
数学公式 | a = -67.355351 b = 0.458606 C = ε×τ= 地表比辐射率*0.800692 D = (1-τ)[1+(1- ε)τ] Tb为热红外波段的亮度温度 Ta为大气等效温度:287.5294615 |
建立模型 | |
结果 (左61 右62) | |
最终模型汇总:
最终结果:
八、补充——相关参数来源研究
在课堂上,老师建议我们为更了解实验公式与具体操作的基本原理与其背后含义,可以通过查阅提供的相关文献。因为如果不深入挖掘思考每一个参数的具体来源与背后含义,在实验课中的一些操作就会变为简单机械的根据PPT提供的内容进行重复性的操作,因此本次实验中我在与同学进行交流的同时通过广泛的查阅相关文献,尽自己最大的能力对此次实验中的相关参数进行了研究如下:
1. 大气平均作用温度 Ta 的估计:
大气平均作用温度主要取决于大气剖面气温分布和大气状态。
其中的w是从地面到遥感器高度Z之间的大气水分总含量;Tz 为高程为z处的大气温度;w(z,Z)代表从高程z到遥感器高度Z 之间的大气水分含量。因此确定Ta需要大气剖面各层的实时气温和水分含量。文献中采用已知地面附近的当地气温数据,推算大气剖面各层的气温分布的方法,而利用实时大气总水分含量w,推算大气剖面各层的水分含量。
在以上参数都已知后,我们即可获得在标准大气状态下(天空晴朗、没有涡旋作用)的大气平均作用温度是地面附近气温的一个线性函数。也就是我们老师提供的PPT中的公式。
补充:如果用标准大气来计算平均作用温度就必须满足一些假设,即:天空比较晴朗,没有明显的大气垂直涡旋作用等。这一假设是十分重要的,因为垂直涡旋作用将破坏大气的一般状态改变大气剖面水分和气温的垂直分布最终使大气平均作用温度的推算有较大偏差。我认为这也是导致我们最终结果误差的一个重要因素;
2.大气透射率(τ6)的估计:
影响大气透射率的因素较多:气压、气温、气溶胶含量、大气水分含量、O3、CO2、CO、NH4 等,对热辐射传导均有不同程度的作用从而使地表的热辐射在大气中的传导产生衰减。研究表明,大气透射率的变化主要取决于大气水分含量的动态变化,其它因素因其动态变化不大而对大气透射率的变化没有显著影响。因此,水分含量就成为大气透射率估计的主要考虑因素。
因此,文献中作者运用大气模拟程序LO WTRAN7模拟大气水分含量变化与大气透射率变化之间的关系,建立相关方程,以便用来进行大气透射率的近似估计,如下表格所示。
而本次实验中,结合拍摄的遥感影像的具体时间与主要地物的气候特征与地环境,选择的水分含量w=2,大气透射率估计方程为高气温下的τ6=1.031412-0.115 36w;
3.C、D值的定义:
C值与D值为中间变量,主要是通过公式之间的推导为了简便公式获得的。
上述公式为TM 6所观测到的热辐射强度,运用Taylor 展开式对 Planck 函数进行线性展开,即可得到以下结果:
上述公式中Tj为亮度温度(当j=6时)、地表温度(当j=s时) 和大气平均作用温度(当 j = a时)。参数 L6定义为: ,考虑到大多数情况下,通常有Ts>T6>T a。因此,我们可以定义这一固定温度T为T6。这样,对于TM6的区间而言,Ts、T6和Ta所对应的 Planck 函数就可进一步展开为如下形式:
将以上展开式代入方程并并消除方程两边的 项,即可得到:
L6=C6(L6+Ts-T6)+D6(L6+Ta-T 6)
在此方程中,参数C、D则被分别定义为C=τ6ε6、D=(1-τ6)*[1+τ6(1-ε6)],ε为地表比辐射率; τ为大气透射率,用以更简单化的表示该方程。
参考文献:
[1]覃志豪,Zhang Minghua,Arnon Karnieli等.用陆地卫星TM6数据演算地表温度的单窗算法[J].地理学报,2001(04):456-466.
[2]覃志豪,LI Wenjuan,ZHANG Minghua等.单窗算法的大气参数估计方法[J].国土资源遥感,2003(02):37-43.
[3]朱文娟,潘剑君,宋刚贤.基于空间建模的南京地区ETM+遥感影像地表温度反演研究[J].遥感信息,2008,No.98(04):50-55.
九、遥感温度反演——结果与分析
1.低增益波段与高增益波段反演温度结果对比:
B61 | B62 |
| |
| |
分析:
首先从几个具体的标准值来看,低增益波段的最大值,中位数都要略大于高增益波段,而高增益波段的最小值,标准差则要略大于低增益波段,总体温度表现为低增益波段的反演温度结果高于高增益波段的反演温度结果。但其实除去最大值之外,其它的差异都非常之小,维持在0.5以内,而且通过查阅相关文献资料,其同样判断:用这两种不同的工作状态反演出的温度只有微小的差别,认为两者差别可以忽略不计, 这两种工作状态都可用来反演地区的温度,因此我们也无法单纯的从本次实验有限的数据得出哪一种状态下的波段反演结果更好。
十、思考题
(1)单窗温度估算影响误差的主要因素有哪些
- 数据预处理部分:经过第一次的实验结果与分析,我们已经发现,是否进行大气校正是会非常影响我们的实验结果的,而在此次实验中对NDVI植被指数的计算中,我们又进一步发现了:大气散射会削弱近红外波段,增强红光波段,从而影响NDVI值影响植被覆盖率等等后续的计算。因此数据预处理部分譬如:大气校正、监督分类都会影响我们的单窗温度估算;
- 模型的建立:模型的建立可以说是地表温度反演中最重要的步骤,植被覆盖计算、地表比辐射率计算包括最后一步的地表温度反演,都需要我们根据数学公式建立准确的反演模型。如果输入数字错误,自然会导致偶然误差的出现,而且十分影响我们的最终温度结果,而在不熟练了解模型原理与具体步骤的情况下,九非常容易出现温度估算的误差;
- 热红外波段的选择:此次实验中的热红外波段是由同一个遥感传感获取得到的两个具有不同增益的波段,这两个波段具有相同的波段范围与带宽,而增益、空间分辨率与二者在DN值高、低端的饱和度都不相同。因此我们选择的波段不同,得出的最终结果也是不同的,我们应该根据我们的自身应用需要,选择正确合适的热红外波段才能反演得到我们想要的结果。
(2)Erdas建模过程需注意哪些问题?
- 输出文件数据类型的问题:在进行建模输出最终文件时,输出的结果的格式是需要我们自行设定的,在本次实验中因为目的是为了反演温度,同时存在除法等等运算,我们将所有输出文件的数据类型都设定为双精度浮点型,在进行其它实验操作时,我们要根据我们的具体需要选择具体的数据类型;
- 忽略0值的问题:在进行建模的输出结果处,都有一个是否忽略0值的选项,在此次实验中我们可以知道,是否忽略0值其实是非常影响我们的实验结果的,有些步骤如果不忽略0值甚至都无法得到正确的结果。在此实验中,我更倾向于在建模过程中全部选择忽略0值,否则在最后结果分析部分,非常容易出现许多的数据异常的最大值与最小值,而在其它实验中则需要根据我们的实际需要选择是否忽略0值;
- 建模报错问题:在实验过程中,建模结果报错可以说是我们最常见的问题,在上述实验报告的第四部分,我已经总结了公式常见的报错原因与解决方法。但所有的方法中我认为最常用且好用的方法,就是尝试将公式拆分的非常详细与细节,这样不仅可以帮助我们得到正确的结果,也可以帮助我们顺利排除出错误的位置,但需要我们有足够的耐心与清晰的逻辑细节,避免在最后将模型合并时出现错误;
- 学会查看帮助文件:在自主学习与利用遥感的Erdas软件的过程中,我们要学会查看软件为我们提供的帮助文件,例如一些模型公式与符号的用法,我们都可以在帮助文件中找到详细的注释(但是注释为英文,因此也需要提高我们的英文能力),除此之外,当我们的建模报错时,都会显示错误出现在第几行,这时我们就可以通过保存的脚本文件去查看具体的错误为什么从而进行排除。