Satellite-derived land surface temperature: Current status and perspectives卫星衍生的地表温度

一、卫星衍生的地表温度：现状和前景

二、地表温度的遥感反演有哪些难点和问题

• 地表温度、地表发射率、大气的耦合问题。
• 遥感反演出的地表温度的物理意义究竟是什么？
• 地表温度的遥感反演的验证问题。

三、 列举3-5种地表温度遥感反演的方法。

单通道算法：

热红外单通道算法，利用卫星接收的位于大气窗口的单通道数据，使用大气透过率/辐射程序对大气的衰减和发射进行校正，需要输入大气廓线数据。然后在已知地表发射率的条件下，将式(3)和式(4)反向计算，得到地表温度使用这种方法精确反演地表温度需要高质量的大气透过率/辐射程序来估算式(3)和式(4)中的大气参数，还需要已知通道发射率和准确的大气廓线，并且需要考虑地形的影响。通常，大气透过率/辐射程序的精度主要受到程序中所使用的大气辐射传输模型以及大气分子吸收系数和气溶胶吸收系数不确定性的影响。最常见的大气辐射传输模型，如MODTRAN系列模型和4A/OP模型，已经被广泛用于大气校正或卫星热红外数据模拟。研究表明，在大气窗口内，如3.4—4.1 μm和8—13 μm，不同大气辐射传输模型的精度在0.5%—2%之间，这将造成反演的地表温度误差在0.4—1.5 K之间。值得注意的是，即使大气辐射传输模型本身完全没有误差，在对大气的吸收和程辐射进行校正时，所用的大气廓线本身的不完整性也会造成一个严重的问题。相关研究还表明，地表发射率1%的误差在湿热大气下会对地表温度造成0.3 K的误差，而在干冷大气下误差更是高达0.7 K。由于单通道的波长范围通常在10 μm左右，在这个范围内大多数的地表发射率在百分之几以内，而发射率的不确定性会造成地表温度1—2 K的误差。然而，如果某个波长的地表发射率已知，那么反演误差就完全来自于大气校正。大气廓线通常是由地面无线探空设备、卫星垂直探测仪和气象预测模型测量得到。由于大气水汽会随着时间和空间发生剧烈变化，利用地面无线探空设备探测远离目标区域的大气或探测远离卫星过境时刻的大气可能都会对地表温度反演结果造成较大误差。
需要注意的是，单通道算法是对辐射传输方程的简单变形，前提是地表发射率和大气廓线已知。这些方法虽然在理论上能够精确反演地表温度，但高精度的地表发射率在实际应用中很难获取。

多通道算法：

使用单通道算法需要已知每个像元的地表发射率、大气辐射传输模型以及精确的大气廓线。这些条件在绝大多数的实际情况中很难或者不可能满足。为了利用卫星热红外数据获取全球或区域尺度下高精度的地表温度，必须发展其他方法。一种用于海洋温度反演的方法(即分裂窗算法)，利用了中心波长在11—12 μm之间的两个通道水汽吸收不同的特点，最早是由McMillin(1975)提出的，这种方法不需要任何大气廓线信息。在此之后，多种分裂窗算法被提出并修改，成功用于海面温度反演受到分裂窗算法成功用于海面温度遥感反演的启发，从20世纪80年代开始，国内外学者努力尝试将其扩展用于地表温度反演。

线性分裂窗算法：

线性分裂窗算法利用10—12.5 μm之间相邻通道的对水汽吸收特性不同的特点，根据温度或波长对辐射传输方程进行线性化处理。这种方法将地表温度表达为两个热红外通道亮度温度的线性组合。一种典型的线性分裂窗算法可以写为

需要指出的是，这种地表温度反演方法的精度有赖于系数ak的正确选择，这些系数可以通过对模拟数据的回归或者比较卫星数据和实测地表温度数据之间的经验关系来确定。要在卫星像元尺度上(几平方公里)获得与卫星观测同步的有代表性的地面实测温度数据是极其困难的。因此，利用辐射传输方程如MODTRAN来模拟大气顶部的亮度温度是一种有效的方式，通过比较模拟卫星数据与模型中预设的地表温度，可以准确地确定系数ak。过去几十年里，已经发展了多种线性分裂窗算法，这些算法形式上都比较相似，只是对系数ak的参数化不同。但总的来说，这些系数都被参数化为地表发射率、水汽含量和观测天顶角的线性或非线性组合。

非线性分裂窗算法：

由于对辐射传输方程线性处理以及分裂窗算法中的近似处理会产生误差，如把大气透过率近似处理为水汽含量的线性函数，最终导致如式(7)中的线性分裂窗算法反演的地表温度在湿热的大气条件下误差较大。为了提高反演精度，发展了一种非线性分裂窗算法，即

在最近几十年里，已经发展了多种形式相似的非线性分裂窗算法。

线性或非线性多通道算法

当有3个或多个热红外通道时，使用类似上述分裂窗算法的方法，将这些通道大气顶部的亮度温度进行线性或非线性组合来反演地表温度。例如，Sun和Pinker等发展了一种三通道线性算法，利用GOES数据反演夜间地表温度。在该方法中，假设3个通道的地表发射率可以根据地表类型估算得到。此外，利用3.9 μm处中红外通道Ti1的特点提高夜间大气校正的精度，3个通道线性方程的参数由通道发射率组成，没有考虑水汽含量和观测天顶角，即

式中，dk(k=0,···,6)是常数，与大气和观测天顶角无关。与已有的分裂窗算法比较结果表明，这种三通道算法能够获得最好的地表温度值，均方根误差是1K。此外，Sun和Pinker
还提出了一种基于SEVIRI(Spinning EnhancedVisible and Infrared Imager)数据的四通道非线性地表温度反演算法，算法考虑了地表发射率的影响，系数与地表类型有关。对于夜间的地表温度反演，算法可以写为

或使用Mushkin等人提出的方法对Ti1进行必要的太阳校正。用实测观测数据进行验证的结果表明，利用这种四通道算法反演的地表温度比通用分裂窗算法精度更高。
需要注意的是，卫星在白天大气顶部接收到的中红外数据包括地表反射的太阳直射辐射以及地表和大气自身的发射辐射，而太阳校正项的误差也会影响最终地表温度的反演精度，特别是在中红外波段反射率较高的干旱和半干旱地区。另外，多增加一个通道也会随之带来增加测量误差的代价。此外，与测量仪器噪声和其他不确定性有关的误差也会影响最终地表温度的反演精度。在中红外通道和8.7 μm通道，自然和人造地表的发射率范围以及各种不确定性要比传统分裂窗算法中使用的通道更高(，这也进一步限制了这些通道在业务应用中的广泛使用。
温度发射率分离法(TES)
Gillespie等人(1996)利用大气校正后的先进星载热发射和反射辐射仪(ASTER)数据，率先提出了温度发射率分离法。这一方法基于光谱反差和最小发射率之间的经验关系来增加方程的数目(等价于减少未知数的个数)，使不可解的反演问题变得可解。TES算法由3个成熟的模块组成：发射率归一化方法(NEM)、光谱比值(SR)、最大最小表观发射率差值法(MMD) 。NEM模块最早被用来估计初始的地表温度值和从大气校正后的辐射值中得到的归一化后的地
表发射率值。SR模块用来计算归一化后的发射率值与它们均值的比值，尽管SR模块不能直接获得真实的地表发射率值，但即使地表温度是由NEM模块粗略估计出的，发射率光谱的形状还是能得到很好的描述。最后，在SR模块结果的基础上，MMD模块用来找出N个通
道的光谱差异(即MMD)，接着利用N个通道的最小发射率值(LSEmin)和MMD之间的经验关系估算出最小的地表发射率。一旦估算出最小发射率值，其他通道的发射率也可以直接通过SR得到，接着便可以估算出地表温度并使之完善。TES的主要优势是结合了3个前驱具有吸引力的特征并且利用了N个通道的发射率范围和最小发射率值之间的经验关系来反演地表温度和发射率。因此，该方法可以适用于任何类型的自然下垫面，特别是类似于岩石和土壤的具有较大光谱反差的发射率的下垫面，并且不需要考虑发射率中的光谱差异。

多角度算法

多角度算法是建立在同一物体由于从不同角度观测时所经过的大气路径不同而产生的大气吸收不同的基础上。由于大气吸收体的相对光学物理特性在不同观测角度下保持不变，大气透过率仅随角度的变化而变化。与分裂窗算法的基本原理类似，大气的作用可以通过特定通道在不同角度观测下所获得亮温的线性组合来消除。这种算法主要基于第一代双角度模式卫星，即搭载在第一代欧洲遥感卫星(ERS-1)上的沿轨扫描辐射计(ATSR)发展而来。ATSR能够在2 min内对同一片地表区域进行双角度观测。一个是垂直观测，天顶角范围是0°—21.6°，另一个是前向观测，天顶角范围是52°—55°。假设地表温度和海面温度与观测天顶角无关，大气状况在水平方向是均一的并且在观测时间内稳定不变，Prata提出了一种基于ATSR数据的双角度算法反演地表温度和海面温度。Sobrino等人(1996)提出了一种改进型的双角度算法，考虑了垂直观测时的发射率εn和前向观测时的发射率εf。

利用模拟数据拟合回归确定。利用模拟热红外数据，Sobrino和Jiménez-Muñoz(2005)比较了如式(13)所示的双角度算法，并考虑了地表发射率、水汽含量和观测天顶角的非线性分裂窗算法。结果表明，在地表发射率的光谱和角度变化已知情况下，双角度算法精度要优于分裂窗算法。值得注意的是，尽管多角度(双角度)算法能够比分裂窗算法提供更好的结果，但是双角度算法应用于卫星数据时有几个实际困难(Sobrino和Jiménez-Muñoz，2005)。多角度算法中的一个重要
现象是发射率的角度相关性，因为在卫星空间分辨率尺度下，自然地表的角度效应是未知的，如裸土和岩石(Sobrino和Cuenca，1999)。地表温度的角度相关性也是一个问题。除了需要大气晴空无云并且水平均一，还必须要求在不同斜程路径下的多角度测量有明显差异。否则，不同角度下的测量会高度相关，导致算法不稳定，并对仪器噪声极其敏感(Prata，1993，1994a)。此外，在不同观测角度下对同一目标地物进行观测会覆盖不同的传感器区域(即像元)。即使可能会观测到同样的像元大小，但由于地物的3维结构，在不同观测角度下观测到的地物仍可能明显不同。最后，不同观测角度像元的配准不好会导致地表温度反演结果的巨大误差。所以，多角度算法仅适用于理想大气条件下的均质区域(如海洋表面或浓密森林植被)，而不适用于非均质地表。

四、地表温度遥感产品的验证方法有哪些？（对每个方法做具体介绍）

卫星反演地表温度的验证

尽管近几十年来提出了很多算法来从卫星热红外数据中反演地表温度，但是很少有对这一温度进行验证的报道。这是因为在地面测量卫星像元尺度的地表温度较难，而且地表温度自身也存在较大的时间和空间上的变化。在最近几年，一些研究开始验证通过不同传感器得到的地表温度，其中大多是下垫面均匀的。这些传感器验证包括TM/ETM+、ASTER、AVHRR、AATSR、MODIS和SEVIRI数据(Coll 等，2005，2010，2012；Hulley和Hook，2009；Niclòs 等，2011；Prata，1994b；Sabol 等，2009；Sawabe 等，2003；Sobrino 等，2007；Sòria和Sobrino，2007；Trigo 等，2008a，b；Wan，2008；Wan和Li，2008；Wan 等，2002，2004)。其中，有3种方法通常被用来验证从遥感数据中反演得到的地表温度值：基于温度的方法(T-based)、基于辐射的方法(R-based)以及交叉验证。

基于温度的方法(T-based)

基于温度的方法是基于地面的方法，它直接将从卫星数据中反演得到的地表温度与在卫星过境时刻地面测量的温度进行对比(Coll 等，2005；Prata，1994b；Slater 等，1996；Wan 等，2002；Wang 等，2008；Li 等，2013；Guillevic 等，2012；)。然而，在实验场测量地表温度是一项复杂而又困难的工作，这是由于卫星像元(几平方千米)和实验场传感器(几平方米或几平方厘米)的尺度差异造成的。此外，自然地表覆盖和相应的地表温度和发射率值在公里级别上的差异很大。Snyder等人(1997)指出均匀并且平坦的容易被测量和特征化的表面可以作为验证站点，包括内陆水、沙、雪和冰(Coll 等，2005；Guillevic 等，2012；Sobrino 等，2004a；Wan，2008)。验证仪器需要观测的区域大小取决于地表像元间的差异以及几个“端元”可以结合的程度，从而获取卫星像元的代表值。这一过程一直很有挑战性，这是因为在影像中很难找到足够的地表，在地面上进行有代表性的热量的采样也较为困难。由于在像元尺度上绝大多数地球表面都是不均匀的，高质量的地面温度验证较为缺乏，并且受限于一些均匀的地表类型，比如专用的湖泊、海滩、草地和农田(Coll 等，2005，2010，2009；Wan 等，2002，2004)。一旦确定了热量均匀的区域，由验证站点地面测量仪器在几个点处测量的地表温度的平均值可以认为是真实的地表温度值，并且可将其与像元尺度上卫星数据反演得到的地表温度值进行比较。许多学者利用这个方法针对不同的传感器进行了地表温度值的验证(Coll等，2005，2010，2009；Peres 等，2008；Sabol等，2009；Wan，2008；Wan 等，2002)。基于温度的方法的主要优势在于它提供了直接评估卫星传感器辐射质量和地表温度反演算法改正大气和地表发射率影响的能力。然而，基于温度的方法验证的成功与否主要取决于地面温度测量的精度以及它们能在多大程度上代表像元尺度上的地表温度。由于地表温度会随着时间和空间变化，在几米或者短时间内，地表温度就可以有10 K甚至更大的变化，这取决于地表的本质、太阳辐射的级别以及当地气象条件，因此该方法的验证活动通常会限制于晚上以及均匀下垫面，比如湖泊、浓密草地以及植被区域。另外，即使地面观测可以展开，将地面点测量的尺度转换为卫星传感器视场角下的像元尺度也是一个难点，
特别是对于不均匀的下垫面会更难(Wan 等，2002)，从而导致了仅有少数地表类型适用于基于温度的验证方法，并能使地表测得的地表温度在像元尺度的误差在1 K以内。实测数据的收集也是一个艰苦的任务，并且通常限制于短期的、专门
的实验场测量。因此，基于温度的方法不适用于地表温度产品的全球验证。

基于辐射的方法(R-based)

基于辐射的方法(R-based)是一种高级的用来验证基于空间的地表温度测量的可选择的方法(Coll等，2012；Wan和Li，2008；Wan，2014；Hulley和Hook，2011；Niclòs 等，2011)。这一方法不依赖于地面测量的地表温度值，它需要的是发射率光谱和测量的大气廓线，其中发射率光谱可以在实验场中测量得到，也可以通过地表覆盖类型或辅助数据估算得到，大气廓线则是在卫星过境时在验证站点测量得到(Wan，2008；Wan和Li，2008)。这一方法使用的是由卫星数据反演得到的地表温度和之前提到的实测的大气廓线以及作为大气辐射传输方程的初始输入参数的地表发射率，这一方程模拟的是卫星过境时刻大气层顶的辐射值。利用模拟的大气层顶的辐射值与测量的辐射值之间的差值，初始的地表温度值可以得到调整，模拟的辐射值可以通过迭代重计算来匹配卫星测量的辐射值。调整后的地表温度值和初始的由卫星数据反演得到的地表温度值的差值便是地表温度反演的精度。更多有关基于辐射的方法的细节可参考Wan和Li(2008)。基于辐射的方法不需要地面测量的地表温度值，因此它可以应用到地面测量难以开展的地表，并且可以扩展到均匀的、非同温的表面。该方法使得在白天和晚上对均匀的、非同温的表面而言，卫星反演的地表温度的验证变得可能。然而，这一方法的最大限制是像元尺度测量或估计的典型地物发射率值的使用，检查实际大气是否无云，在观测时刻模拟中用到的廓线能在多大程度上代表实际廓线(Coll 等，2012)。该方法的成功与否取决于大气辐射传输方程、大气廓线以及像元尺度地表发射率的精度。

交叉验证

这一方法使用经过验证的其他卫星数据反演得到的地表温度来进行验证(Trigo 等，2008a)。这一验证技术是一种可选的验证地表温度的方法，应用的条件是在没有可用的大气廓线或者地面测量值，或者是基于温度和辐射的验证方法不能采
用的情况下。交叉验证方法是将已经验证好的地表温度产品作为参考，将需要验证的由卫星数据反演得到的地表温度与由其他卫星反演得到的验证过的地表温度进行比较。由于地表温度存在较大的空间和时间上的变化，因此在比较之前，需要进行地理坐标匹配、时间匹配以及观测天顶角的匹配(Qian 等，2013；Trigo 等，2008a)。这一方法的主要优势在于它可以在没有地面测量的情况下进行验证，并且只要能获得已经验证好的产品，它可以在世界范围内使用。正如之前所提到的那样，这一方法的精度对两次温度测量的空间和时间上的不匹配较敏感，两次观测的时间间隔应该尽可能的短。考虑到地表发射率同样依赖于观测天顶角，在不同的观测角下，两传感器的像元覆盖了不同的区域，包含不同的地表信息，因此只有具有相同或相近的观测天顶角的像元才能被用来进行交叉验证。

地表温度的时间和角度归一化方法

地表温度的时间归一化

地表温度是一个随时间变化的特征物理量，卫星遥感获取的只是对应观测时刻、观测角度下的瞬时地表温度。不同极轨卫星传感器获取的像元温度具有不同的局地观测时间，即使同一极轨卫星传感器，同一天不同像元或同一像元不同天，其局地观测时间也不相同，导致极轨卫星观测数据反演的同一天不同像元或同一像元不同天的地表温度产品之间缺乏可比性(Li 等，2013)。为了使得同一天不同像元或同一像元不同天之间的地表温度具有可比性，需要将不同局地观测时间的地表温度归一化到相同的局地观测时间。根据一天中云的分布状况，地表温度的时间归一化方法可分为全天无云和部分有云两种情况。
在全天无云的情况下，利用地表温度日变化模型拟合卫星遥感获取的地表温度可以模拟得到一天中任意时刻的地表温度，从而实现全天无云状况下极轨卫星地表温度的时间归一化。对于每一天每个地点，极轨卫星最多提供4次观测数据(例如，Terra-MODIS和Aqua-MODIS，白天和晚上的观测数据)，而现有的地表温度日变化模型包含了5—6个自由参数(Duan 等，2012，2013，2014a；Inamdar 等，2008；Jiang 等，2006；Schädlich等，2001；Quan 等，2014)。在这5—6个自由参数中，有的参数与时间相关(如最大温度出现时刻、温度开始衰减时刻)，有的参数与温度相关(如日出时刻附近的初始温度、温度的幅度)。地表温度日
变化模型的一般形式可以表示为

式中，Ts为地表温度，t为时间，T0为日出时刻附近的初始温度，Ta为温度的幅度，tm为最大温度出现时刻，ts为温度开始衰减时刻。通常假定与时间相关的参数可以通过气候模式(如CCM3/BATS)或者静止卫星数据(如GOES，MSG-SEVIRI)得到，从而确定地表温度日变化的典型模式。结合地表温度日变化典型模式和极轨卫星一天2次或者4次的观测数据，利用地表温度日变化模型可以模拟得到一天中任意时刻的地表温度。Jin和Dickinson(1999)通过气候模式CCM3/
BATS模拟出不同纬度、不同季节、不同地表覆盖类型条件下的地表温度日变化典型模式，再结合一天2次的NOAA-AVHRR地表温度数据，利用地表温度日变化模型模拟得到一天中任意时刻的地表温度。Sun和Pinker(2005)发展了与Jin和Dickinson(1999)类似的方法估算NOAA-AVHRR的地表温度日变化数据，但是其地表温度日变化典型模式通过静止卫星GOES的地表温度日变化数据获得。Zhou等人(2013)通过静止卫星FY-2C数据得到地表温度日变化典型模式，再结合一天4次的MODIS地表温度数据，利用地表温度日变化模型模拟得到一天中任意时刻的地表温度。上述方法需要通过气候模式或者静止卫星数据确定地表温度日变化典型模式，并且假定极轨卫星数据具有与典型模式类似的地表温度日变化模式。为了不借助于气候模式或者静止卫星数据，通过数据统计分析假定温度开始衰减时刻ts可以近似为日落前1小时，Duan等人(2014b)发展了4参数地表温度日变化模型。利用4参数地表温度日变化模型拟合一天4次的MODIS地表温度数据，模拟得到一天中任意时刻的地表温度。为了将地表温度日变化模型能够应用于不同观测次数的地表温度数据，Huang等人(2014)发展了一系列不同参数数量(2—12个)的地表温度日变化模型。利用这一系列模型拟合不同观测次数的地表温度数据，模拟得到一天中任意时刻的地表温度，从而实现天无云状况下极轨卫星地表温度的时间归一化。

部分有云情况

基于地表温度日变化模型的地表温度时间归一化方法只能应用于全天无云情况，而在部分有云情况下(即极轨卫星过境时段无云)，该方法无法得以使用。通过数据统计分析表明，上午时段地表温度随时间呈近似线性变化。基于这一特点，Duan等人(2014c)建立了斜率函数法地表温度时间归一化模型，即

式中，SLP为地表温度在极轨卫星上午过境时段内的变化斜率；LSTbn为时间归一化前的地表温度；LSTan为时间归一化后的地表温度；tbn和tan分别为对应LSTbn和LSTan的局地观测时间。利用斜率函数法地表温度时间归一化模型将地表温度归一化到相同的局地观测时间时，必须要先确定SLP。然而，在极轨卫星上午过境时段内，极轨卫星只能获取1次观测数据，因此不能直接从极轨卫星地表温度数据中获得SLP。静止卫星数据具有高时间分辨率的特点，能够提供每15 min或者30 min的热红外数据，假定极轨卫星数据在卫星上午过境时段内具有与静止卫星数据类似的地表温度变化信息，因此利用静止卫星数据可以估算SLP。Duan等人(2014c)建立了地表温度变化斜率SLP与3个可获取参量之间的回归关系，即

式中，NDVI为归一化植被指数；cos θs为太阳天顶角的余弦值；DEM为地表高程；a0、a1、a2、a3为回归系数。
地表温度的角度归一化。目前地表温度反演算法常常将地表看做同温均质体，假设温度不随传感器的观测通道发生变化，且多在反演过程忽略地表温度本身的方向性。对于浓密植被和水体来说，这一假设是合理的，并且能够有效地减少未知数的个数。但是，对于3维结构明显(例如稀疏植被、城市建筑)的非同温混合像元，其内部具有复杂组合结构且存在不同的组分，不同组分具有不同的发射率和温度，而不同组分对像元热辐射贡献的有效权重也随着观测角度的变化而变化，因此像元的热辐射往往表现出明显的方向性，导致其温度随着观测通道与观测角度而发生变化，那么将像元当作同温均质体假设将不再成立。研究发现，垂直方向上和倾斜方向上的裸土温差高达5 K，城市地表温差高达10 K，而温度1—3 K的误差将在通量估算结果中引入高达100 W/m2的误差(Lagouarde 等，2010，2014)。即使是同温像元，像元内部各组分在不同观测角度下的不同比例以及各个组分间的多次散射也使得像元发射率依赖于观测方向，从而导致同温像元的热辐射也表现出一定的角度效应。对于大角度观测传感器(如MODIS、AVHRR)不同像元对应不同的观测角度，温度的角度效应将导致观测数据反演的同一景影像不同像元或同一像元在不同天的地表温度产品之间缺乏可比性，从而使得温度产品的应用受到很大程度的限制。将不同方向上的地表温度(或等效温度)纠正到同一方向上(如垂直方向上)以增强不同像元间地表温度的可比性，增加地表温度的适用性。这一过程即是地表温度的角度归一化。像元热辐射的角度效应主要来自于像元发射率的方向性、以及不同温度组分比例随观测角度的变化。Ren等人(2011)在假设同温地表的前提下，将地表温度的角度效应完全归咎于发射率的角度变化，基于MODIS的发射率产品提取了像元尺度多种地类的方向性发射率，并将其应用于劈窗算法实现了地表温度的角度纠正，角度纠正后的地表温度数值与原有的MODIS地表温度相差1—3 K，且差异随着观测天顶角的增大而增大。彭菁菁等人(2011)利用经过大气纠正以后的方向性亮温代替原有核驱动BRDF(Bidirectional Reflectance DistributionFunction)模型中的二向性反射率，将核驱动BRDF模型应用到方向性亮温，从而使得在已知不少于3个方向性亮温的前提下，便可拟合出任意方向上
的亮温。利用机载多角度热红外数据对模型进行了验证，误差小于1.0 K。在此基础上，Ren等人(2015)深入探讨了核驱动BRDF模型对半球空间方向性热辐射的拟合能力，提出了地表温度角度归一化的局部最优角度组合以及观测天顶角临界值。更进一步，在明确了方向性等效温度与发射率定义的基础上，发展了从机载多角度中红外与热红外数据反演方向性等效温度与发射率的D-TISI模型，并利用核驱动BRDF模型获得所有像元在垂直方向上等效温度。结果表明，垂直方向上与观测倾斜方向上的等效温度存在明显差异，尤其是非植被区，二者温差可达6 K或更高。然而，尽管多角度热红外数据是实现地表温度角度归一化过程的重要数据源，但是目前仅有ATSR系列卫星平台提供2个角度的热红外数据观测，角度数目和观测时间间隔(2 min)还不足以高精度地实现地表温度角度归一化，因此还需要在方法以及多角度热红外数据源等方面进一步开展研究。