基于MODIS地表參數(shù)產(chǎn)品和地理數(shù)據(jù)的近地層氣溫估算方法評價
——以安徽省為例

曲培青，施潤和，劉朝順，鐘洪麟

(1.華東師范大學地理信息科學教育部重點實驗室，上海 200062;2.華東師范大學，中國科學院對地觀測與數(shù)字地球科學中心環(huán)境遙感與數(shù)據(jù)同化聯(lián)合實驗室，上海 200062)

基于MODIS地表參數(shù)產(chǎn)品和地理數(shù)據(jù)的近地層氣溫估算方法評價
——以安徽省為例

曲培青1，2，施潤和1，2，劉朝順1，2，鐘洪麟1，2

(1.華東師范大學地理信息科學教育部重點實驗室，上海 200062;2.華東師范大學，中國科學院對地觀測與數(shù)字地球科學中心環(huán)境遙感與數(shù)據(jù)同化聯(lián)合實驗室，上海 200062)

為研究應用MODIS地表參數(shù)產(chǎn)品估算近地層氣溫的可行性，對MODIS地表溫度(LST)、反照率(ALBEDO)、植被指數(shù)(NDVI)等產(chǎn)品數(shù)據(jù)和高程(ALT)、緯度(LAT)等地理數(shù)據(jù)進行主成分分析，并以主成分累積方差較大的前若干個主成分作為自變量，建立自變量與各氣象臺站氣溫之間的多元線性關系。結果顯示:所建立的多元線性回歸模型的均方根誤差(RMSE)均在0.5～2.4之間，其中，與月平均最高氣溫(Tmax)和14時氣溫(T14)回歸得到的RMSE整體較大，與月平均最低氣溫(Tmin)回歸得到的RMSE整體較小;RMSE的波動呈現(xiàn)出冬季大、夏季小的季節(jié)特征;利用Terra/MODIS數(shù)據(jù)得到的結果優(yōu)于利用Aqua/MODIS數(shù)據(jù)得到的結果，且其夜間數(shù)據(jù)對Tmin的估算精度較高，日間數(shù)據(jù)對Tmax和T14的估算精度較高;各參數(shù)對氣溫回歸權值影響從大到小依次為LST、ALT、LAT、NDVI和ALBEDO。因此，利用MODIS地表參數(shù)產(chǎn)品可以監(jiān)測不同時刻的近地層氣溫空間分布，但對不同時刻的氣溫回歸分析，最優(yōu)數(shù)據(jù)選擇有所不同。

氣象臺站;氣溫;MODIS產(chǎn)品;精度評價

0 引言

近地層氣溫是全球氣候變化研究的關鍵指標之一，對其進行精確的定量反演具有重要的科學價值。目前，大量近地層氣溫資料均由氣象臺站實測獲得。但由于氣象臺站呈點狀分布，所以只有對其獲得的數(shù)據(jù)進行插值等處理才能獲得空間連續(xù)的氣溫信息。而插值處理往往會帶來一些不確定性，這便影響和限制了區(qū)域氣溫信息的準確獲取和利用，該問題在氣象臺站分布稀疏的地區(qū)尤為突出。

利用衛(wèi)星遙感的熱紅外波段數(shù)據(jù)反演氣溫一般采用“兩步走”的方式，即首先利用遙感數(shù)據(jù)反演地表溫度(LST)，然后再由LST數(shù)據(jù)推導出氣溫值。由LST數(shù)據(jù)推導氣溫的方法一般分為模型法和經(jīng)驗法兩種，前者須獲取作物水分脅迫指數(shù)和空氣動力阻力等參數(shù)［1］，而這些參數(shù)通常難以直接獲得，因此限制了該方法的應用范圍;后者是通過建立氣溫與相關遙感或地理參數(shù)之間的函數(shù)關系來實現(xiàn)的，常見的有溫度植被指數(shù)法和統(tǒng)計學方法。溫度植被指數(shù)法假設在一定植被覆蓋度下的植被輻射溫度與周圍空氣溫度相當，利用植被指數(shù)和地表溫度的負相關性獲得研究區(qū)內(nèi)的氣溫［2－4］，但不同地區(qū)、不同季節(jié)以及不同傳感器獲得的植被輻射溫度與周圍空氣溫度相當?shù)闹脖恢笖?shù)并不同［3，5］，且該方法在植被稀疏區(qū)不適用;統(tǒng)計學方法則直接建立氣溫與LST的函數(shù)關系(多為線性關系)。Vogt等［6］建立了日最高氣溫和LST的線性回歸關系，得出平均誤差在2～2.5 K之間;Yan等［7］通過建立不同緯度的校正方程對回歸結果進行校正，使估算精度有一定提高;Cristobal等［8］建立了遙感數(shù)據(jù)和氣象臺站地理數(shù)據(jù)與氣溫的多元線性關系，認為這兩類數(shù)據(jù)的應用可以有效改善回歸模型的精度;Vancutsem等［9］通過分析MODIS的LST產(chǎn)品與氣溫的線性關系，認為MODIS夜間數(shù)據(jù)可較好地估算最低氣溫，而白天數(shù)據(jù)與最高氣溫的關系不穩(wěn)定。

為了進一步研究利用MODIS地表參數(shù)產(chǎn)品估算近地層氣溫的可行性和適用性，本文以安徽省2003—2005年數(shù)據(jù)為例，以月平均氣溫、月平均最高氣溫、月平均最低氣溫以及每天2時、8時、14時、20時這4個瞬時氣溫為研究對象，利用多元線性回歸方法評價和分析MODIS地表溫度(LST)、反照率(ALBEDO)、植被指數(shù)(NDVI)等地表參數(shù)產(chǎn)品和高程(ALT)、緯度(LAT)兩種地理數(shù)據(jù)對上述氣溫估算的精度及其規(guī)律。

1 數(shù)據(jù)源

1.1 氣象站點數(shù)據(jù)

本文所使用的安徽省80個氣象站點(圖1)數(shù)據(jù)包括氣象站的緯度、高程等地理數(shù)據(jù)和2003—2005年間的常規(guī)氣溫數(shù)據(jù)。氣溫數(shù)據(jù)包括月平均氣溫、月平均最高氣溫、月平均最低氣溫以及每天4個時刻(2時、8時、14時和20時)的觀測氣溫數(shù)據(jù)。

圖1 安徽省氣象站點分布Fig.1 Location of meteorological stations in Anhui province

1.2 遙感數(shù)據(jù)

本文采用的MODIS產(chǎn)品數(shù)據(jù)包括Aqua和Terra星每8 d合成的LST產(chǎn)品、每16 d合成的ALBEDO產(chǎn)品以及每月合成的NDVI產(chǎn)品，這些產(chǎn)品均從NASA 相關數(shù)據(jù)發(fā)布網(wǎng)站(https://wist.echo.nasa.gov/)獲得。

2 研究方法

2.1 數(shù)據(jù)預處理

2.1.1 氣象站點數(shù)據(jù)的預處理

首先計算2003—2005年間每天4個時刻的月平均氣溫數(shù)據(jù)，即2時月平均氣溫(T02)、8時月平均氣溫(T08)、14時月平均氣溫(T14)和20時月平均氣溫(T20);然后將這4個時次的氣溫與月平均氣溫(Tmean)、月平均最高氣溫(Tmax)、月平均最低氣溫(Tmin)的時間尺度進行統(tǒng)一。

2.1.2 遙感數(shù)據(jù)的預處理

首先對研究區(qū)的遙感數(shù)據(jù)進行投影轉換和拼接，提取出氣象站點處的遙感地表參數(shù)數(shù)據(jù)，即LST、NDVI和 ALBEDO，并根據(jù)文獻［9］把連續(xù)兩個8d內(nèi)LST差值超過6℃的異常值刪除，最后將8d合成的LST產(chǎn)品和16d合成的ALBEDO產(chǎn)品均處理成月產(chǎn)品。

2.2 回歸分析

利用多元線性回歸方法建立氣溫與遙感地表參數(shù)產(chǎn)品、氣象臺站地理數(shù)據(jù)之間的關系，從而分析和評價MODIS地表參數(shù)產(chǎn)品對氣溫的反演精度。自變量選取需考慮那些與氣溫密切相關的若干因子，包括各個氣象站點的 LAT、ALT、LST、NDVI和ALBEDO; 因變量選取 Tmean、Tmax、Tmin、T02、T08、T14和T20。

由于Aqua和Terra衛(wèi)星過境時刻不同，其反演的LST值存在較大差異。通過對LST進行細分，產(chǎn)生了不同自變量組合(表1)。

表1 自變量分組情況Tab.1 Groups of independent variables

為了消除自變量之間共線性的影響，在回歸分析之前先進行主成分分析，選取主成分累積方差大于80%的前若干個主成分作為自變量進行回歸分析，并采用逐步回歸的方法自動選擇自變量。對2003—2005年同一月份的樣本數(shù)據(jù)逐月建立每個因變量的回歸方程，共7組自變量、7類氣溫指標、12個月的樣本數(shù)據(jù)。因此，最后生成的方程有7×7×12個，所有方程及其偏回歸系數(shù)都通過0.05水平的顯著性檢驗。

3 結果與分析

3.1 回歸精度分析

以 2003—2005 年逐月 Tmean、Tmax、Tmin、T02、T08、T14和T20作為因變量，采用不同的自變量組合對近地層氣溫分別進行回歸精度分析，其結果如表2所示。

表2 2003—2005年氣溫回歸模型精度統(tǒng)計Tab.2 Statistics of accuracy measurements of temperature regression model from 2003 to 2005

從表2可以看出，因變量 Tmean和 T08的平均RMSE最小，為0.82;而Tmax和 T14的平均 RMSE較大，均超過了1.20。日低溫時段(如T02)的氣溫估算精度之所以優(yōu)于高溫時段(如T14)，主要是由于白天太陽輻射對地表能量平衡產(chǎn)生影響，使得對高溫時段的氣溫估算精度降低。研究還發(fā)現(xiàn)，與Aqua/MODIS LST相比，Terra/MODIS LST對各因變量氣溫指標的估算精度略優(yōu)，故表2中未列出與Aqua/MODIS LST相關的自變量組合及其統(tǒng)計結果。此外，Terra/MODIS晚上的LST對Tmin和T02的估算精度較高，而白天的LST對Tmax和T14的估算精度相對較高。

從以上分析還可以得出，近地層氣溫的估算精度受衛(wèi)星過境時間的影響，即白天過境的衛(wèi)星數(shù)據(jù)對Tmax和T14具有較高的估算精度，晚上過境的衛(wèi)星數(shù)據(jù)對Tmin和T02等具有較高的估算精度。但研究發(fā)現(xiàn)，雖然Aqua白天過境地方時接近14時，晚上過境地方時接近02時，但其對T14和T02的估算精度均不是最高的，這可能與影響氣溫的因素眾多以及LST反演精度等有關，有待進一步研究。

3.2 估算精度的月變化分析

分別選擇對各氣溫類型逐月估算精度最佳的回歸模型，分析其RMSE的月變化特征。從圖2可以看出，所有氣溫類型的RMSE在0.5～2.4之間，各類氣溫指標在不同月份的RMSE變化特征不盡相同。多數(shù)類型的RMSE在冬春季各月中波動較大，如反映日高溫狀況的Tmax和T14，而在夏季較平穩(wěn)，如反映日低溫狀況的Tmin。

圖2 2003—2005年間氣溫回歸模型的RMSE月變化Fig.2 Monthly RMSE variation of the temperatureregression model from 2003 to 2005

3.3 權值影響分析

為了研究各變量對氣溫估算精度的影響，本文對回歸系數(shù)和載荷矩陣進行了分析。結果表明，標準化回歸系數(shù)的絕對值越大，所對應的自變量對因變量的相對影響也就越大。也就是說，各個主成分的系數(shù)大小反映了自變量對因變量的影響程度，而主成分載荷矩陣則影響了原始變量的貢獻大小。因此，載荷矩陣與標準化回歸系數(shù)的乘積反映了原始變量對因變量的作用。選取各個氣溫類型回歸精度高的模型，分析原始變量對氣溫的影響作用，如圖3所示。

圖3 2003—2005年氣溫回歸模型中各自變量的權值Fig.3 Weights of different variables in air temperature regression model from 2003 to 2005

在所有月份、所有類型的氣溫回歸分析中，氣象臺站的緯度和高程對氣溫有“負”的影響，平均大小分別在0.2和0.4附近。緯度(或高程)越高，氣溫就越低;緯度(或高程)越低，氣溫就越高。植被指數(shù)和反照率對近地層氣溫的影響較小，平均小于0.2。

LST與近地層氣溫的正相關性較為明顯，相關系數(shù)在0.6附近波動。如果地表溫度高，通過熱量傳輸便可以把更多的熱量輸入大氣，使近地層氣溫升高，反之，則使近地層氣溫降低。在Tmin和Tmean的回歸分析中，LST的權值相對較大，大于0.6;在Tmax和接近最高氣溫(T14)的回歸分析中，LST的權值相對較小，小于0.6，說明最高氣溫的影響因素比較復雜，更難估算。

在影響近地層氣溫的所有變量中，LST的影響作用最大，其次是 ALT、LAT、NDVI和 ALBEDO。這與Cristobal等［8］在加泰羅尼亞地區(qū)對136個氣象站點進行月回歸分析的研究結論基本相似，但各個變量對近地層氣溫的影響程度稍有不同。

4 結論

為了評價MODIS不同類型產(chǎn)品數(shù)據(jù)對近地層氣溫反演結果的影響，本文利用2003—2005年白天和晚上的LST、NDVI、ALBEDO遙感數(shù)據(jù)，并結合氣象臺站ALT、LAT地理數(shù)據(jù)，建立與氣象臺站地表觀測氣溫的多元線性關系模型。通過7組數(shù)據(jù)對7種氣溫類型在12個月內(nèi)的共588個回歸方程的分析，得出如下結論:

(1)將MODIS白天和晚上4個時刻的遙感數(shù)據(jù)與氣象臺站地理數(shù)據(jù)相結合，可以監(jiān)測不同類型近地層氣溫的空間分布，這對各種生態(tài)環(huán)境模型具有重要的應用價值。

(2)在不同類型的近地層氣溫回歸分析中，所選擇的最優(yōu)數(shù)據(jù)有所不同。本研究為不同氣溫類型的反演提供了數(shù)據(jù)選擇依據(jù):反演平均氣溫時采用Terra白天和晚上的平均數(shù)據(jù)較好;反演最低氣溫、2時和8時氣溫時采用Terra晚上的數(shù)據(jù)較好;反演最高氣溫和14時氣溫時采用Terra白天的數(shù)據(jù)較好。

(3)從Terra數(shù)據(jù)對最高/最低氣溫的反演精度優(yōu)于Aqua數(shù)據(jù)看出，最高和最低氣溫的反演精度受衛(wèi)星過境時間的影響并不明顯，但實時的氣溫反演需要時間效應。因此，對衛(wèi)星過境時間對實時氣溫的回歸模型影響還需進一步研究。

總體上，月平均氣溫回歸獲得的RMSE最小，月平均最高氣溫和14時月平均氣溫的RMSE較高。RMSE在時間上的變化表現(xiàn)為夏季月份波動小，冬季月份波動大。各個原始變量對氣溫的權值影響，表現(xiàn)為LST的影響最大，其次是ALT、LAT、NDVI和ALBEDO。但由于近地層氣溫受到多種因素的影響(如下墊面用地類型)，如何評估這種影響以及如何把這種影響加入到經(jīng)驗統(tǒng)計模型當中，將對近地面氣溫反演具有重要意義。

［1］Sun Y J，Wang J F，Zhang R H，et al.Air Temperature Retrieval from Remote Sensing Data Based on Thermodynamics［J］.Theoretical and Applied Climatology，2005，80(1):37 －48.

［2］Prince S D，Goward S N.Global Primary Production:A Remote Sensing Approach［J］.Journal of Biogeography，1995，22(4):815－835.

［3］Stisen S，Sandholt I，N?rgaard A，et al.Estimation of Diurnal Air Temperature Using MSG SEVIRI Data in West Africa［J］.Remote Sensing of Environment，2007，110(2):262 －274.

［4］Riddering J P，Queen L P.Estimating Near－ surface Air Temperature with NOAA AVHRR［J］.Canada Journal of Remote Sensing，2006，32(1):33 －43.

［5］Goward S N，Xue Y K，Czajkowski K P.Evaluating Land Surface Moisture Conditions from the Remotely Sensed Temperature/Vegetation Index Measurements:An Exploration with the Simplified Simple Biosphere Model［J］.Remote Sensing of Environment，2002，79(2):225 －242.

［6］Vogt J V，Viau A A，Paquet F.Mapping Regional Air Temperature Fields Using Satellite － derived Surface Skin Temperatures［J］.International Journal of Climatology，1998，17(14):1559 －1579.

［7］Yan H，Zhang J H，Hou Y Y，et al.Estimation of Air Temperature from MODIS Data in East China［J］.International Journal of Remote Sensing，2009，30(23):6261 －6275.

［8］Cristòbal J，Ninyerola M，Pons X.Modeling Air Temperature Through a Combination of Remote Sensing and GIS Data［J］.Journal of Geophysical Research，2008，113(D13):D13106.

［9］Vancutsem C，Ceccato P，Dinku T，et al.Evaluation of MODIS Land Surface Temperature Data to Estimate Air Temperature in DifferentEcosystemsoverAfrica［J］.Remote Sensing of Environment，2010，114(2):449 －465.

The Evaluation of MODIS Data and Geographic Data for Estimating Near Surface Air Temperature

QU Pei－ qing1，2，SHI Run － he1，2，LIU Chao － shun1，2，ZHONG Hong － lin1，2
(1.Key Laboratory of Geographic Information Science，Ministry of Education，East China Normal University，Shanghai 200062，China;2.Joint Laboratory for Environmental Remote Sensing and Data Assimilation，ECNU and CEODE，Shanghai 200062，China)

The main objective of this study is to discuss the feasibility of predicting near－surface air temperature using MODIS products.Principal component analysis of land surface temperature(LST)，ALBEDO，vegetation index(NDVI)，altitude(ALT)and latitude(LAT)was employed，with some principal components of the cumulative variance in the front of these principal components as independent variables.Multiple linear relationships between independent variables and meteorological observation temperatures were established.The results show that the range of RMSE is between 0.5 and 2.3.Most of RMSE vary greatly in winter months but are relatively stable in summer months.Compared with Aqua/MODIS，Terra/MODIS can get better results.RMSE of Tminmodeled by Terra nighttime MODIS is lower，and so are Tmaxand T14modeled by Terra daytime MODIS.LST is the most powerful predictor，followed by ALT，LAT，NDVI and ALBEDO.The MODIS products can therefore monitor the spatial distribution of near－ surface air temperature at different times，with the optimal products selections being different.

Meteorological station;Air temperature;MODIS products;Accuracy assessment

TP 79

A

1001－070X(2011)04－0078－05

2011－03－14;

2011－05－09

國家重點基礎研究發(fā)展計劃(編號:2010CB951603)和上海市科技支撐計劃項目(編號:2010DZ0581600)共同資助。

曲培青(1984－)，女，主要研究方向為遙感應用和GIS應用。

施潤和(1979－)，男，主要從事定量遙感研究。E－mail:rhshi@geo.ecnu.edu.cn

(責任編輯:刁淑娟)