地表温度反演

一、地表温度

         地表温度 (LST) 是地球资源监测和地表生态环境系统研究的重要指标之一,对水文、生态、 环境和生物地球化学等研究有重要意义。地表温度 (LST) 是地球资源监测和地表生态环境系统研究的重要指标之一,对水文、生态、 环境和生物地球化学等研究有重要意义。

     传统获取地表温度的做法是采用温度计测量,所测的结果只代表观测点的局部温度。
     遥感可以提供二维陆面温度分布信息并且可以快速同步地获取大面积区域地表温度。

二、卫星数据反演地表温度

1、基本概念

辐射温度:物体辐射能量的外部表征形式,也称表征温度,用热传感器来探测。

亮度温度:辐射出与观测物体相等的辐射能量的黑体的温度。

维恩位移定律:黑体辐射光谱中最强辐射的波长与黑体绝对温度成反比。

热红外波段(8-13um)的大气总体透过率;最重要的大气窗口位于8.0-9.4um和10-13um处。

地表比辐射率:物体在温度T、波长入处的辐射出射度Lg(T,入)与同温度、同波长下的黑体辐射出射度L。(T, A)的比值。用它来表征物体的发射本领。

【地表比辐射率的遥感反演方法:
•NDVI阈值法(地表比辐射率是NDVI的函数),根据可见光红波段和近红外光谱信息估计。
•根据热红外光谱仪获取的最小比辐射率与最大相对比辐射率之差的统计关系来确定
•假定比辐射率不变或与温度无关的热红外波谱指数不变,利用多时相数据来确定。】

2、反演算法

  • 海洋表面温度反演:

目标单一;海水比辐射率约为0.98;
海水表面温度与大气温度相差不大。

  • 陆地表面温度反演:

目标比辐射率变化较大;精度要求高(1k),需要精确的大气校正;
大气上下行辐射率影响较大,其校正依赖于地表比辐射率,地表比辐射率的求解依赖于地表辐射亮度。

  • 单通道(单窗)法:

 仅从一个热红外波段的遥感数据中反演地表温度。

  • 多通道(劈窗)算法:

利用两个相邻热红外波段对大气水汽的差异吸收实现大气校正;利用两个或多个波段反演地表温度。


从传感器辐亮度值直接反演地表温度,必须已知1个地表参数--地表比辐射率,它与地表成分、物理性状如含水量、粗糙度和视场角等有关。所
以,可将地表温度反演算法归纳成两大类:

  • 已知地表比辐射率的反演算法

单窗算法(辐射传输方程法、大气校正法)

统计方法

简单劈窗算法

  • 地表比辐射率与地表温度同步的反演算法

多通道劈窗算法

劈窗算法主要利用在一个大气窗口的两个临近红外波段,存在与大气影响密切相关的大气吸收、散射信息来进行大气纠正。
地表温度同亮度温度和发射率之间呈线性关系。地表温度可以用相邻的两个波段的亮度温度来线性表示,而表达式的系数是由波段发射率决定
的,它们不依赖于大气状況。劈窗算法主要是针对NOAA/AVHRR开发的,最初用在海面温度反演,20世纪80年代开始拓展到陆地温度反演。

辐射率模型、两因素模型和复杂模型法
MODIS数据地表温度产品所采用算法、TES-ASTER数据地表温度产品所采用算法等

三、MODIS地表温度ENVI反演实现

 

后续会继续补充(不好意思

  • 2
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 地表温度反演是利用遥感技术获取地表温度方法。在Python中,我们可以使用一些常用的遥感数据处理库来进行地表温度反演。 首先,我们可以使用Python的NumPy库来处理遥感数据。通过读取热红外遥感影像数据,可以获取地表的辐射亮温数据。接着,我们可以使用热辐射转换公式来将辐射亮温转换为地表温度。 其次,可以使用Python的GDAL库来读取和处理遥感影像数据。GDAL可以读取各种格式的遥感影像数据,并提供了一些图像处理的函数,例如图像的裁剪、缩放和投影转换。 还可以使用Python的OpenCV库进行图像处理。通过对遥感影像数据进行预处理,例如校正、去除云状物等,可以提高地表温度反演的准确性。 另外,Python的matplotlib库可以帮助我们对地表温度反演结果进行可视化。通过绘制热图或热力图,可以清晰地展示地表温度分布情况,并且可以通过颜色映射来显示温度的不同等级。 总结来说,通过Python中的NumPy、GDAL、OpenCV和matplotlib等库的配合使用,我们可以实现地表温度反演。这些库提供了丰富的数据处理和图像处理函数,帮助我们处理和分析遥感影像数据,并得到高质量的地表温度结果。 ### 回答2: 地表温度反演指的是通过遥感资料或其他数据,利用计算机程序推算出地表温度分布情况。Python是一种流行的编程语言,在地表温度反演中可以用Python编写相应的程序。 首先,要实现地表温度反演,需要准备相应的遥感资料或其他数据,如卫星遥感数据、地面观测数据等。这些数据可以使用Python的库来读取和处理,如Pandas、Numpy等。 其次,需要借助一些数学、物理模型来推算地表温度。例如,可以使用辐射传输模型,根据遥感数据中的辐射亮度或辐射通量信息,推算出地表温度。这需要运用一些数值计算和优化算法,Python提供了SciPy等库来支持这些计算任务。 另外,还可以结合机器学习或深度学习方法进行地表温度反演。可以使用Python的一些机器学习库,如Scikit-Learn、TensorFlow等,通过训练模型来预测地表温度。这需要准备一些已知的地表温度数据作为训练集,并进行数据预处理、特征工程、模型训练和预测等步骤。 最后,可以利用Python的可视化库,如Matplotlib、Seaborn等,将反演结果进行可视化展示。通过绘制地表温度分布的热图或等温线图,可以更直观地了解温度变化的情况。 总结起来,地表温度反演是利用遥感数据和计算机程序,推算出地表温度分布情况。Python提供了丰富的库和工具,能够方便地处理数据、应用数学物理模型、进行机器学习和深度学习,并将结果进行可视化展示。 ### 回答3: 地表温度反演是利用遥感数据和气象数据等方法来推测地表温度情况。Python是一种广泛应用于科学计算和数据分析的编程语言,具有丰富的库和功能,可以用来实现地表温度反演。 在地表温度反演中,首先需要收集和整理遥感数据和气象数据,比如陆地表温度数据、卫星云图数据、气象站观测数据等。 接下来,通过Python提供的数据处理库,如Pandas和NumPy,可以对数据进行清洗、格式转换和统计分析。比如可以对遥感数据进行空间插值,填补缺失值,以及对气象数据进行时空插值等操作。 然后,可以使用Python的图像处理库,如OpenCV和Pillow,来对遥感图像进行预处理,比如纠正辐射校正,去除雨滴和云状物等。 接着,可以利用Python的机器学习库,如Scikit-learn和TensorFlow,来建立地表温度反演模型。可以使用监督学习算法,如线性回归、支持向量机等,来训练模型,并利用已知的温度和遥感数据来进行模型参数的拟合和优化。 最后,可以利用Python的数据可视化库,如Matplotlib和Seaborn,将反演结果可视化,比如绘制温度分布图、温度变化曲线等。 总之,利用Python来进行地表温度反演可以通过多种功能和库的组合实现,从数据处理到模型训练和结果可视化,为地表温度反演提供了灵活和强大的工具。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值