EN中文

热带地理 >

2019 , Vol. 39 >Issue 5: 689 - 700

DOI: https://doi.org/10.13284/j.cnki.rddl.003186

“粤港澳大湾区转型与创新发展”专题

MODIS与Landsat 8地表温度融合拼接——以粤港澳大湾区为例

  • 闫李月 1, 2 ,
  • 李洪忠 , 1 ,
  • 韩宇 1 ,
  • 陈劲松 1 ,
  • 左小清 2 ,
  • 王占峰 2
展开
  • 1. 中国科学院深圳先进技术研究院,广东 深圳 518052
  • 2. 昆明理工大学 国土资源工程学院,昆明 650093
李洪忠（1982—）,男,山东济南人,副研究员,主要研究方向为雷达遥感与生态环境遥感监测,（E-mail） 。

闫李月（1994—）,女,河南焦作人,硕士研究生,主要研究方向为遥感应用,（E-mail）18566735218@163.com;

收稿日期: 2019-09-05

  要求修回日期: 2019-09-29

  网络出版日期: 2019-11-08

基金资助

中国科学院战略性先导科技专项（A类）资助(A类资助XDA19030301)

深圳市科技计划基础研究(JCYJ20170818155853672)

国家自然科学基金(41771403)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Surface Temperature Splicing Study Fusing MODIS and Landsat 8: A Case Study in the Guangdong-Hong Kong-Macao Greater Bay Area

  • Liyue Yan 1, 2 ,
  • Hongzhong Li , 1 ,
  • Yu Han 1 ,
  • Jinsong Chen 1 ,
  • Xiaoqing Zuo 2 ,
  • Zhanfeng Wang 2
Expand
  • 1. Center for Geospatial Information, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518052
  • 2. Faculty of Land Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China

Received date: 2019-09-05

  Request revised date: 2019-09-29

  Online published: 2019-11-08

Copyright

Copyright reserved © 2019
Fold

摘要

以粤港澳大湾区为例,基于时空影像融合模型（STI-FM）,提出大区域多源LST（Land Surface Temperature, LST）影像融合拼接模型（Multi-source Image Fusion Stitching Model, MI-FSM）,消除时间不同、天气差异的影响,生成覆盖大湾区的中高分辨率地表温度数据。首先,应用STI-FM融合MODIS LST与Landsat LST,将不同时相的多幅Landsat LST合成为具有统一特定时相的LST影像。然后,对合成的LST影像进行镶嵌处理,实现粤港澳大湾区多幅Landsat8 LST图像的拼接。为了验证STI-FM在研究区的适用性,选取研究区中心“夏-夏、冬-夏”2组Landsat 8 LST图像,将合成的Landsat LST与验证数据进行对比与评价,结果表明：STI-FM在研究区具有较强的适用性。对精度进行评价,验证模型的可靠性,结果表明：不同时相MODIS LST图像间拟合程度较高,其回归分析的确定系数（R 2）均在0.6~0.9之间,RMSE均<1.5;最后对整体以及局部细节的目视分析表明：融合拼接的成果较为理想。

关键词： 地表温度; 影像融合; MODIS; Landsat 8; 粤港澳大湾区

本文引用格式

闫李月 , 李洪忠 , 韩宇 , 陈劲松 , 左小清 , 王占峰 . MODIS与Landsat 8地表温度融合拼接——以粤港澳大湾区为例[J]. 热带地理, 2019 , 39(5) : 689 -700 . DOI: 10.13284/j.cnki.rddl.003186

Abstract

Consider the Guangdong-Hong Kong-Macao Greater Bay Area as an example, this paper proposes a Multi-source Image Fusion Stitching Model (MI-FSM) for multi-source Land Surface Temperature (LST) images on a large-area study area; this model is based on the existing Spatio-Temporal Image Fusion Model (STI-FM). MI-FSM can eliminate the influences of different time and weather differences in the Landsat 8 data, realize seamless splicing between images, and generate medium- and high-resolution surface temperature data covering the Greater Bay Area. The data sources selected in the study were the Landsat 8 LST obtained from original Landsat 8 images via a surface temperature inversion algorithm and the MODIS LST 5d synthetic product. First, using the STI-FM fusion MODIS LST and Landsat LST, multiple Landsat LSTs of different phases were synthesized into LST images with uniform specific phases. Then, the synthesized LST images were mosaic-processed to splice multiple Landsat 8 LST images in the Guangdong-Hong Kong-Macao Greater Bay Area. To verify the applicability of STI-FM in the study area, this paper selected two groups of Landsat 8 LST images, “summer-summer” and “winter-summer,” in the center of the study area and compared and evaluated the synthesized Landsat LST concerning the verification data. In the “summer-summer” verification group, the minimum, maximum, mean, and standard deviation between the synthesized LST product and the actual LST were 0.01, 1.02, 0.10, and 0.03, respectively, and the coefficient of determination (R 2), Root Mean Square Error (RMSE), and Absolute Average Difference (AAD) were 0.849 5, 0.655 9, and 0.690 6, respectively. In the “winter-summer” verification group, the minimum, maximum, mean, and standard deviation between the synthesized LST product and the actual LST were 0.07, 0.08, 0.42, and 0.99, respectively, and R 2, RMSE, and AAD were 0.681 7, 1.375 3, and 1.012 9, respectively. The results show that STI-FM has a strong applicability in the study area. Finally, the accuracy of the model was further verified via an accuracy evaluation: the degree of fitting between different time-phase MODIS LST images was high, the R 2 value was between 0.6 and 0.9, and the RMSE was <1.5. Additionally, we selected three typical land cover types, cities, woodlands, and paddy fields and discussed the spatial distributions of their errors. The analysis results show that a linear relation is the most significant in cities, followed by paddy fields, and that the paddy fields are sensitive to seasonal differences. Woodlands have the poorest adaptability to the model, and there is no obvious relation with the errors for the woodlands. An evaluation was performed to prove that the results were reasonable: a visual analysis of the overall and local details indicated that the results of the fusion stitching were ideal.

Key words： Land Surface Temperature; image fusion; MODIS; Landsat 8; the Guangdong-Hong Kong-Macao Greater Bay Area

开放科学（资源服务）标识码（OSID）：
地表温度（Land Surface Temperature, LST）是理解和分析区域环境状况与气候现象的关键指标之一,在研究蒸腾作用、植被物候、森林火灾、农业干旱和城市热岛中起着重要作用（魏然 等,2018）。传统的地表温度获取主要通过定点测量的方式,精度较高,但观测范围小。目前更多的是利用卫星传感器提供的热红外数据反演LST,能够实现大范围、连续性的观测（覃志豪 等,2004;胡德勇 等,2015）。然而,由于卫星平台荷载与传感器设计技术的限制,遥感LST监测存在一定的难点（徐涵秋 等,2003;张良培 等,2016）。一方面,传感器的时间分辨率和空间分辨率特性无法同时兼备,难以获取同时具有较高时间和空间分辨率的LST数据,如Landsat 8空间分辨率为30 m,但是重访周期需要16 d;中分辨率成像光谱仪（MODIS）重访周期为1 d,但是空间分辨率最低为1 km。目前,尚没有热红外遥感数据可以同时具备高空间与高时间分辨率的特点。另一方面,空间分辨率较高的数据,往往覆盖区域较小。基于中（高）分辨率的大区域LST研究往往需要进行遥感影像的拼接（顾明明 等,2018）。然而,LST图像受时相影响大,直接进行2幅或多幅影像的拼接将面临不同程度的图幅间差异问题,这为较大区域的Landsat LST制图及后续应用研究带来了很大困难。因此,大部分学者都选取单幅影像来进行区域LST的相关研究。
多源数据时空融合是解决上述问题的有效方法（魏然,2016;郑明亮 等,2018）,例如,基于反射率的数据融合算法——时空自适应反射融合模型（StarFM）（Gao et al., 2006; Liu et al., 2011）、增强的StarFM（Zhu et al., 2010）,有效地实现了2种数据的融合,为获得高时空分辨率的数据提供了一种有效的方法;针对反射率变化的时空自适应映射算法（STAARCH）（Hilker et al., 2009）增强了模型对不同地表覆盖类型的融合效果,得到了广泛应用。上述算法都是基于影像原始波段的融合,再进一步模拟生成地表温度、叶面积指数（Leaf Area Index, LAI）、归一化植被指数（Normalized Difference Vegetation Index, NDVI）和增强植被指数（Enhanced Vegetation Index, EVI）等多种遥感参数集。近年来,出现了引入年温度周期和线性光谱混合分析温度映射的时空自适应数据融合模型（SADFAT）（Weng et al., 2014; Wu et al., 2016）,通过融合MODIS和Landsat数据,将MODIS热红外数据（1 km）分辨率提升到120 m;然后通过温度反演,可获得高空间分辨率的地表温度,但该模型需要3个日期上的3幅MODIS LST图像和对应时间的2幅Landsat LST,合成第3个日期上的Landsat LST,需要较多的输入数据,在一定程度上限制了其更广泛的应用。还有将极限学习机与SADFAT模型结合的方法（Bai et al., 2015）,基于人工神经网络中的极限学习机（ELM）将Landsat ETM+的热红外波段空间分辨率由60 m提高到30 m,利用SADFAT模型对ETM+影像与MODIS LST产品进行融合,可获得高时空的LST影像,但该模型对使用者与实验条件的要求均较高。值得一提的是,Khaled Hazaymeh等（2015a;2015b）开发了一种时空影像融合模型（STI-FM）,通过确定2个时刻MODIS LST产品的线性关系,生成高时间序列的Landsat 8 LST预测数据,模型计算效率高、容易实现,非常适合大范围、普通实验环境下的高分辨数据融合实验。
粤港澳大湾区是世界第四大湾区,是国家建设世界级城市群和参与全球竞争的重要空间载体。2019-02-18,中共中央、国务院印发的《粤港澳大湾区发展规划纲要》中提到粤港澳大湾区不仅要建成为充满活力的世界级城市群、国际科技创新中心、“一带一路”建设的重要支撑、内地与港澳深度合作示范区,还要打造成宜居宜业宜游的优质生活圈,成为高质量发展的典范。然而,改革开放以来经济持续高速发展,粤港澳大湾区城市迅速扩张,区域内部热环境也日益恶化。国内学者对此已有一些研究,如窦浩洋（2010）、朱娟（2018）等基于珠江三角洲城市群气象站温度数据进行热岛效应研究,前者计算了2000—2003年间每月热岛强度值,通过热岛的月际变化曲线,总结热岛的年变化规律以及昼夜差异;后者利用近30年气温资料,分析珠三角的温度变化趋势及城镇化发展对温度场的影响程度,然而气象站点呈分散分布,观测范围有限,难以全面反映站点覆盖范围以外地区热环境的真实状况。饶胜（2010）、贺丽琴（2017）等基于MODIS LST数据分析了珠三角区域热岛的分布,前者通过统计不同下垫面与地表温度的差异,分析区域热岛现象的空间分布特征;后者通过讨论热岛强度大小与NDVI在不同季节下的相关性,进行热岛效应的时空分析,但MODIS LST数据空间分辨率极低（1 km）,得到的分析结果精确程度不高。要对整个大湾区进行更全面精确的热环境评估,需要更高分辨率的LST数据。Landsat数据的空间分辨率虽然可以满足研究需要,但中国南部沿海常年多云多雨,Landsat数据缺失、质量差的现象尤其明显,同一地区2年内可能只有一景影像可用,影像的拼接面临非常严重的时相差异问题。MODIS数据的时间分辨率虽然可以满足需要,但其空间分辨率太低,难以实现对区域城市热岛现象特征更精细的分析。若基于有效方法将MODIS数据与Landsat数据进行融合,则能够将两者的优势进行一定程度的结合,使影像数据同时具备高时间和高空间分辨率,满足研究需要。
因此,本文应用Landsat 8数据与MODIS数据,以时空影像融合模型（STI-FM）为基础,结合MODIS温度产品与Landsat 8 LST,构建一种针对大区域热环境研究的多源影像融合拼接模型（Multi-source Image Fusion Stitching Model, MI-FSM）。目的是实现多幅不同时相Landsat 8 LST图像真正的无痕拼接,最终生成准确可靠的粤港澳大湾区高分辨率的LST成果,以期为进一步开展粤港澳大湾区全面的热环境研究、城市间的热岛效应相互作用分析以及综合环境评估提供数据支撑,为粤港澳大湾区的发展建设提供参考。

1 研究区与数据

1.1 研究区概况

粤港澳大湾区包含“粤9市（广州、深圳、珠海、佛山、中山、东莞、肇庆、江门、惠州）+香港、澳门”,位于21°33′53″—24°23′35″ N、111°21′08″—115°25′09″ E（图1）,面积约为5.59万km2。该地区处于低纬度带,面临广阔的海洋,属热带和亚热带湿润季风气候区,是中国光、热和水资源最丰富的地区之一,常年多云多雨,长夏短冬,年均降水量>1 500 mm。全区域平均海拔<200 m,大部为低山丘陵,沿海与中部部分地区较为平缓。
图1 研究区位置与范围

注：121/44、121/45 、122/43、122/44 、122/45 、123/43、123/44、123/45分别为覆盖粤港澳大湾区的8幅Landsat 8影像行列号。

Fig.1 Location and scope of the study area

1.2 数据介绍

选用的数据源为Landsat 8数据和MODIS数据。这2种数据源具有类似的轨道结构和光谱特性,其热特性具有较高的一致性和可比性（Hazaymeh et al., 2015a; 2015b）。
Landsat 8热红外传感器（TIRS）时间分辨率为16 d,空间分辨率30 m,波长范围10.60~12.51 μm,即波段10和11,本文仅使用10波段（10.60~11.19 μm）进行LST反演。Landsat 8数据获取自美国地质调查局（USGS）。粤港澳大湾区需要8幅Landsat8影像覆盖,其行列号（Path/Row）分别为121/44、121/45、122/43、122/44、122/45、123/43、123/44、123/45（见图1）。其中,122/44覆盖湾区中心区域,包括广州、深圳、东莞、佛山和中山大部分;122/43仅覆盖广州、惠州北部一小部分;123/43覆盖肇庆北部;123/44覆盖佛山西部与肇庆大部分区域、江门西北角;123/45覆盖江门西南角;122/45覆盖江门东南部、中山市南部、珠海市与澳门;121/44覆盖惠州大部分区域以及深圳东部;121/45仅覆盖深圳东南角与香港、珠海的部分小岛。
MODIS有7个热红外波段,波长范围为8.4~ 14.385 μ m。本文选用的MODIS LST产品是TERRA星中国1 km地表温度5 d合成产品,由MODIS陆地标准产品MOD11A1经过拼接、切割、投影转换等过程加工而成,其中MOD11A1波长范围为10.78~ 12.27 μ m,空间分辨率为1 km。该数据产品取月内每5 d平均值,覆盖范围为中国陆地区域,本文所用的是覆盖研究区的部分。选用5 d合成的MODIS LST产品,一方面是由于5 d合成的LST产品可在一定程度上消除每日MODIS数据的云影响;另一方面,MODIS LST每日产品受云的影响存在大范围的数据缺失,部分日期的MODIS LST产品在研究区范围内没有值重叠,无法计算不同时相MODIS LST间关系,故每日MODIS LST产品不可用。MODIS数据获取自中国科学院计算机网络信息中心国际科学数据镜像网站（http://www.gscloud.cn）。需要注意的是,该产品与NASA官方提供的MODIS LST 8 d合成数据在算法上并无差别,不同的是一个是8 d合成,一个是5 d合成,由于日期与天气变化的影响,两者在数值上存在差异。而Landsat为当天数据,理论上5 d合成的MODIS LST与对应的Landsat LST数据相对更接近。
表1列出了所选Landsat8数据的行列号、对应日期、当日气温和所选MODIS LST的日期。共选用10组数据,分别编号为1~10,对应日期表示为t1~t10。其中,122/44选取了3组（编号1、9、10）用来评价模型的适用性,1-8用于粤港澳大湾区LST拼接制图。气温为Landsat8数据对应日期研究区11个地区的平均最高温（即当日最高温的平均值）,用于辅助模型精度以及成果分析。
表1 选取的Landsat8与MODIS数据信息

Tab.1 Information on selected Landsat and MODIS data

编号 Landsat8 Path/Row 日期 气温/℃ MODIS 5 d合成LST日期
1 122/44 2015-10-18 30.36 2015-10-16—2015-10-20
2 121/44 2014-11-25 28.45 2014-11-21—2014-11-25
3 122/45 2016-02-07 16.45 2016-02-06—2016-02-10
4 123/44 2014-10-06 30.27 2014-10-06—2014-10-10
5 121/45 2015-02-13 22.27 2015-02-11—2015-02-15
6 123/45 2015-04-16 28.55 2015-04-16—2015-04-20
7 122/43 2015-10-18 30.36 2015-10-16—2015-10-20
8 123/43 2015-04-16 28.55 2015-04-16—2015-04-20
9 122/44 2014-10-15 28.82 2014-10-11—2014-10-15
10 122/44 2015-01-19 19.73 2015-01-16—2015-01-20

2 研究方法

首先,对选取的原始数据进行数据预处理,包括地表温度反演、裁剪,获得MODIS LST与Landsat LST数据集;然后,应用STI-FM融合MODIS LST与Landsat LST,将不同时相的多幅Landsat LST合成为具有同一特定时相的LST图像集;之后,进行STI-FM在研究区的适用性验证,论证方法的合理性与精度,作为模型应用于研究区的依据;通过适用性验证后,再进行合成Landsat LST的拼接,生成覆盖大湾区的Landsat LST图像;最后,将合成的Landsat LST拼接成果,分别与原始Landsat LST直接拼接的成果、MODIS LST 5 d合成产品进行对比,以评价成果（图2）。
图2 研究方法流程

Fig.2 Flow chart of research method

2.1 数据预处理

2.1.1 Landsat 8 LST反演 首先进行Landsat 8地表温度的反演,将传感器接收的热红外辐射信息转换为地表温度（李召良 等,2016）。普朗克函数用于定量描述黑体辐射的能量与波长（频率）、温度的客观规律,已知物体的能量谱和辐射强度,即可推算出亮度温度。
根据普朗克函数将黑体辐射亮度值转化为亮度温度（覃志豪,2003）,公式为：
$~{{T}_{b}}\text{=}{{k}_{\text{2}}}\text{/}\ln (\frac{{{k}_{1}}}{{{L}_{b}}}+1)$
式中：Tb是亮度温度,单位为K;Lb为同温度下的黑体辐射亮度,由对热红外波段进行辐射定标后的辐亮度L1和地表比辐射率ε计算得到;k1、k2为Landsat 8第10波段的参数：k1=774.89,k2=1 321.08。
得到亮度温度Tb后,选取覃志豪（2003）的单窗算法,计算地表温度,公式为：
$L\left( t \right)=\frac{1}{C}\left\{ \text{a}\left( 1-C-D \right)+\left[ \text{b}\left( 1-C-D \right)+C+D \right]{{T}_{b}}-D\times {{T}_{C}} \right\}$
式中：$L(t)$为地表温度;a、b为常数,地表温度在0~70℃内,a=-67.355 351,b=0.458 606;TC为大气平均作用温度,估算方程为：
中纬度夏季下：TC=16.011 0+0.926 21×T0
热带大气下：TC=17.976 9+0.917 15×T0
式中：T0为气象局给与的地表1.5~2 m左右的地面温度（单位：K）,即气温;C、D为中间变量,C=ετ;D=（1-τ）×[1+（1-ε）τ],ε为比辐射率,τ为大气透射率（https://atmcorr.gsfc.nasa.gov/）。
将影像编号1~10的Landsat8数据通过上述方法,获得Landsat8 LST图像集,分别表示为L(t1)、L(t2)、……、L(t10)。
2.1.2 MODIS LST图像的预处理 由于本文选取的MODIS数据集坐标系与Landsat 8影像一致,因此预处理无需再进行投影与坐标转换,仅需将获取的数据依次裁剪至研究区范围。裁剪后的MODIS LST分别表示为M(t1)、M(t2)、……、M(t10)。

2.2 时空影像融合模型（STI-FM）

STI-FM模型由Khaled Hazaymeh等提出,目的是通过高时间分辨率的MODIS LST,与已有的Landsat8 LST结合,提高Landsat8 LST图像的时间分辨率。
STI-FM模型基于2个假设：一是2幅连续的MODIS LST图像之间存在线性关系;二是在特定时间段（比如t1或t2）由LANDSAT 8和MODIS图像得到的LST是相似的。
核心思路是通过确定2个时间MODIS LST产品的线性关系,将结果带入STI-FM中,生成高时间序列的Landsat 8 LST预测数据。即确定了t1的MODIS LST和t2的MODIS LST之间的线性关系,然后用t1的Landsat8 LST在t2生成合成的Landsat8 LST图像（图3）。
图3 STI-FM模型原理

Fig.3 STI-FM model schematic

2.3 适用性验证

Khaled Hazaymeh将STI-FM模型应用于中东约旦的半干旱区,若要将其应用于亚热带季风气候的粤港澳大湾区,需要进行模型的适用性验证。
本文使用覆盖研究区中心的3组122/44数据（编号为1、9、10）评价STI-FM模型的适用性,其中t1、t9分别为2015-10-18和2014-10-15,都处于夏季;t10为2015-01-19,处于冬季。t1 Landsat8 LST作为验证数据,将不同季节Landsat8 LST通过模型合成为日期t1的合成LST成果,然后分别与t1 Landsat 8 LST,即验证数据进行对比。选择“夏-夏、冬-夏”2组对比分析,可以使模型适用性验证更全面和客观。
具体验证方法如下：
1）将t9、t10,即“夏、冬”2幅Landsat8 LST通过模型合成后得到日期t1的合成LST成果;
2）分别与实际的Landsat8 LST图像进行对比,具体通过2个方面：一是将3幅LST图像的最小、最大、均值和标准差进行对比;二是在影像覆盖范围内获取10 000个随机点的LST值,计算合成LST成果与实际LST成果间的决定系数（R2）、均方根误差（RMSE）和绝对平均差（AAD）3个参数,评价成果的精度（Hazaymeh et al., 2015a; 2015b）：
${{R}^{2}}={{\left[ \frac{\sum{\left( {{L}_{\left( t \right)}}-\overline{{{L}_{\left( t \right)}}} \right)\left( {{S}_{\left( t \right)}}-\overline{{{S}_{\left( t \right)}}} \right)}}{\sqrt{\sum{{{\left( {{L}_{\left( t \right)}}-\overline{{{L}_{\left( t \right)}}} \right)}^{2}}}}\sqrt{\sum{{{\left( {{S}_{\left( t \right)}}-\overline{{{S}_{\left( t \right)}}} \right)}^{2}}}}} \right]}^{2}}$
$\text{RMSE}=\sqrt{\frac{\sum{{{\left[ {{S}_{\left( t \right)}}-{{L}_{\left( t \right)}} \right]}^{2}}}}{n}}$
$\text{AAD}=\frac{1}{n}\sum{\left| {{S}_{\left( t \right)}}-{{L}_{\left( t \right)}} \right|}$
式中：L(t)为实际的Landsat 8 LST值;S(t)为通过模型合成的Landsat 8 LST值;$\overline{{{L}_{\left( t \right)}}}$为实际的Landsat8 LST的平均值;$\overline{{{S}_{\left( t \right)}}}$为通过模型合成的Landsat 8 LST的平均值;n为10 000。

2.4 多源影像融合拼接模型（MI-FSM）

2.4.1 不同时相MODIS LST图像间的关系 确定2个时间上MODIS LST产品的线性关系,是模型的首要步骤（见图2）。
以M(t1)和M(t2)为例,计算得到斜率a与截距c,公式如下：
M(t1)=a×M(t2)+c
2.4.2 合成Landsat8 LST图像 依据2.4.1小节日期t1的MODIS LST[即M(t1)]和日期t2的MODIS LST[即M(t2)]之间的线性关系,即公式（8）所确定的斜率a和截距c,用t2的Landsat 8 LST[即L(t2)]在日期t1生成合成的Landsat 8 LST[即S(t2)(t1)]：
S(t2)(t1)=a×L（t2）+c
依据公式（9）,结合2.4.1小节确定的M(t2)~M(t10)与M(t1)间的关系,分别将L(t2)~L(t10),计算得到S(t2) (t1)~S(t10)(t1),即全部处于日期t1的合成Landsat 8 LST图像集。
2.4.3 合成Landsat8 LST图像集的拼接 本文基于ENVI的影像镶嵌处理工具,实现合成Landsat 8 LST图像集的拼接。具体操作按照常规的遥感影像镶嵌的处理流程,对L(t1)、S(t2)(t1)~S(t10)(t1)、进行镶嵌（Seamless Mosaic）。
另外,本文还将实际的Landsat8 LST图像集[L(t1)、L(t2)、……、L(t8)]直接进行拼接,与合成Landsat 8 LST拼接成果进行对比。镶嵌操作中图像间的接边线均在镶嵌工具中进行自动生成并配合手动编辑,以更好地对2种拼接成果的接缝处作对比评价。

3 结果与讨论

3.1 不同时相MODIS LST图像间的关系

获取不同时相MODIS LST图像间的关系是模型实现的首要步骤,其线性关系的拟合优度是衡量模型精度的重要指标。因此,通过分析不同时相MODIS LST图像间线性关系的拟合优度,来评价模型的精度。
表2列出了t2~t10的MODIS LST[M(t2)~M(t10)]与t1的MODIS LST[M(t1)]间的线性关系,以及线性拟合的确定系数（R2）和均方根误差（RMSE）。由表2可知：7组线性关系中确定系数（R2）均在0.6~0.9之间,RMSE均<1.5,表明MODIS图像间普遍具有较强的相关性。其中,t3、t5和t10对应的MODIS LST线性回归拟合优度最差,R2≤0.63,RMSE>1.2;t4和t9的拟合优度最好,R2≥0.84,RMSE<1。对比t2~ t10的日期可以发现：t2为11月、t3和t5为2月、t10为1月,处于冬季,其对应的R2均≤0.7;而t4和t9均为10月,处于夏季,R2分别高达0.86和0.84,又已知t1为夏季10月,这表明,2幅MODIS LST间的线性拟合优度与其所处季节（气候）有明显相关性。
表2 M(t2)~ M(t10)与M(t1)间的关系

Tab.2 Correlation coefficient between M(t2)~ M(t10)and M(t1)

日期编号 日期 线性关系 确定系数R2 RMSE
t2 2014-11-21—2014-11-25 y=0.866 2x+6.202 0.70 1.16
t3 2016-02-06—2016-02-10 y=0.842 6x+12.96 0.62 1.30
t4 2014-10-06—2014-10-10 y=0.843 2x+4.285 0.86 0.78
t5 2015-02-11—2015-02-15 y=0.682 5x+15.00 0.63 1.26
t6 2015-04-16—2015-04-20 y=0.666 5x+9.974 0.68 1.16
t7 2015-10-16—2015-10-20 — — —
t8 2015-04-16—2015-04-20 — — —
t9 2014-10-11—2014-10-15 y=0.922 2x+2.487 0.84 0.84
t10 2015-01-16—2015-01-20 y=0.979 0x+10.40 0.63 1.28
基于此,进一步分析不同日期间温差对拟合优度的影响。结合表1不同日期的气温,绘制M(t2)~ M(t10)与M(t1)线性拟合的R2和RMSE与t2~t10与t1间温度之差的关系（图4）：已知t1当天研究区平均最高温为30.36°C,t4为30.27°C,温度相差0.09°C,因此t4在图中的横坐标为0.09,对应的R2为0.86,RMSE为0.78。由图4可以看出,线性回归的R2和RMSE都与MODIS LST图像间的气温之差有明显相关：温差越小,R2越高,RMSE越小;温差越大,R2越低,RMSE越大。表明R2与温差呈正相关,RMSE与温差呈负相关,即温差越小,拟合优度越好,模型精度越高。已知气温是气候条件的重要特征之一,R2和RMSE又是衡量模型精度的2个重要指标,因此初步认为模型精度受气候条件影响。
图4 不同日期温差对R2和RMSE的影响

Fig.4 Effect of temperature difference in different dates on R2 and RMSE

另外,虽然整体上看不同时相MODIS LST图像间拟合程度较高,但R2最高也未达到0.9,表明模型在实际应用中的效果与理想效果略有差距。对比已有研究（Hazaymeh et al., 2015a; 2015b）,其回归分析的R2控制在0.8~0.95之间。结合当前已有研究成果与前提假设,并通过因素排除法,推断造成差异的原因可能有2点：1）模型精度所选日期的天气差异,即温度之差影响明显;2）本文所选研究区的大气状况对模型精度也产生一定影响。
为了进一步讨论误差的空间分布,选取了城市、林地和水田3种典型的地表覆盖类型,分别分析不同地表覆盖类型下MODIS LST间的线性关系（图5）。
图5 不同土地覆盖类型下MODIS LST间的关系

Fig.5 Relationship between MODIS LST under different land cover types

从整体来看,拟合优度除了在不同季节下有所差异,在不同土地覆被类型下也呈现出不同趋势。其中,城市下MODIS LST间线性关系的整体拟合优度最好,且基本服从相同季节间拟合优度大于不同季节间拟合优度的规律。而林地和水田则呈现出明显的分异特征,林地在2015年1和8月、2014年10月下的MODIS LST拟合优度较好,其余均不甚理想,这表明该模型在林地范围适用性受限;水田则在2015年1和2月、2014年11月下的拟合优度最差,其余则良好,已知冬季水田与夏季水田的地表覆盖不同,此为出现差异的主要原因。
综合表明,虽然对不同时相MODIS LST图像间的关系的讨论中,整体指标良好,满足实验要求,但其在不同地物类型下所受影响有所差异。通过分析,初步认为城市下的线性关系最显著;其次是水田,且水田对季节差异的反应较为敏感;林地对模型的适应性最差,规律也不明显。在后续开展的热环境定量分析中,有必要作进一步的分析与讨论,并纳入模型的改进。

3.2 STI-FM在大湾区的适用性评价

Landsat8 LST图像的最小、最大、均值和标准差是由整幅图像所有像素上的LST值计算而来,可以反映图像整体的LST状况,最大、最小值反映温度极值,均值反映整体温度水品,标准差反映温度值的离散程度。由表3可知,S(t9)(t1)与L(t1)的最小、最大、均值和标准差分别相差0.01、1.02、0.10和0.03;S(t10)(t1)与L(t1)分别相差0.07、-0.08、0.42和0.99。初步表明2幅合成的LST图像与L(t1)在整体上具有较强的一致性。进一步,在122/44影像覆盖范围内选10 000个随机点,获取3幅图像的LST值。分别绘制S(t9)(t1)、S(t10)(t1)与L(t1)的LST关系（图6）,并进行直线拟合,与y=x作对比。图6-a中S(t9)(t1)非常接近L(t1),通过公式（2）（3）（4）,计算确定系数（R2）、均方根误差（RMSE）和绝对平均差（Absolute Average Difference, AAD）分别为0.849 5、0.655 9和0.690 6;图6-b中S(t10)(t1)则不如St9,其R2、RMSE和AAD分别为0.681 7、1.375 3和1.012 9。表明模型合成的Landsat8 LST图像S(t9)(t1)与实际的LST图像L(t1)很接近,S(t10)(t1)则与L(t1)间略差于前者,证明STI-FM用于融合粤港澳大湾区LST数据的合理性与适用性,且不同季节下的数据融合效果有所差异。
图6 S(t9)(t1)和S(t10)(t1)与L(t1)的LST关系

图注：t9合成的Landsat LST、t10合成的Landsat LST 和t1 Landsat LST分别对应S(t9)、S(t10)和L(t1)。

Fig.6 LST relationship diagram of S(t9)(t1), S(t10)(t1)and L(t1)

表3 L(t1)、S(t9)(t1)和S(t10)(t1)基本参数对比

Tab.3 Comparison of basic parameters of L(t1), S(t9)(t1) and S(t10)(t1) ℃

LST数据 最小值 最大值 均值 标准差
L(t1) 14.74 46.60 29.79 2.15
S(t9)(t1) 14.73 45.58 29.69 2.12
S(t10)(t1) 14.67 46.68 29.37 1.16
图中2条拟合直线分别与y=x相比,图6-a拟合直线非常接近y=x;图6-b则与y=x偏差稍大,S(t10)(t1)温度分布过于集中,直线拟合的斜率过低,还出现了少量偏离整体的异常值。由表1中实验数据信息可知,t9为2014-10-15,当日气温为28.82℃;t10为2015-01-19,当日气温为19.73℃;而t1为2015-10-18,当日气温为30.36℃。综合表明,用2014-10-15的Landsat8 LST模拟2015-10-18的LST数据时,S(t9)(t1)与L(t1)有很好的相关性,其拟合直线与1∶1线之间的角度较小,说明将2个时相MODIS LST的线性关系应用于对应时相的Landsat LST上比较合理;然而,用2015-01-19的数据进行融合模拟的结果,虽然两者之间也具有较好的相关性（R2接近0.7）,但是两者的拟合直线与1∶1线之间的角度较大,说明这2个时相的Landsat LST之间存在相关性,但其与相应的2个时相MODIS LST的线性关系略有差异。这进一步表明STI-FM在大湾区的适用性强弱受季节（即天气状况）影响。
从总体来看,STI-FM在研究区具有一定的适用性,且初步证明融合模型更适用于相同季节的LST数据。

3.3 拼接成果评价

将日期t1的合成LST拼接成果分别与原始的LST直接拼接的成果、日期t1的MODIS LST产品作整体对比（图7）,以及局部细节对比（图8）。
图7 成果对比（a. 原始Landsat8 LST直接拼接的成果;b. 合成的Landsat8 LST成果;c. MODIS LST产品）

Fig.7 Comparison of results (a. Results of direct splicing of the original Landsat8 LST; b. Results of the synthesized Landsat8 LST;

c. MODIS LST products)

图8 局部细节对比（a. 原始Landsat8 LST直接拼接的成果;b. 合成的Landsat8 LST成果;c. MODIS LST产品）

注：a1~a5、b1~b5和c1~c5分别对应图7-a上圈出的编号1~5这5个区域。

Fig.8 Comparison of local details ( a. Results of direct splicing of the original Landsat8 LST; b. Results of the synthesized Landsat8 LST; c. MODIS LST products)

鉴于缺乏真值的情况,主要以目视观察的方法进行评价。为了增强成果的可视化效果,使用完全一致的温度等级划分标准对3种大湾区LST成果进行温度分级（见图7）。由图7可知,从整体上来看,合成的30 m LST成果效果最佳,无拼接痕迹,与MODIS LST成果的温度分布大体一致,且相较于MODIS LST产品,合成的成果分辨率高,能展示出更多的细节。
图8选取了5个位于图像拼接位置的区域对3种成果进行局部细节比较。
图8-a1、b1、c1是行/列号123/43与123/44接缝处,位于肇庆北怀集县中部。截取区域的左上角即为怀集县城,是高温集中地,其余区域植被覆盖较为丰富,许多乡村沿公路和河流及其周边呈零散分布,对应的地表温度状况都在图8-b1中很好地反映出来;而图8-a1则在零散分布的村落群中出现了明显间断,然而现实中截取区域的中间部分与下半部分村落集散程度相当,温度分布情况也应相当,这从图8-c1 MODIS LST圈出位置均匀分布的地表温度中也可以反映出来。
图8-a2、b2、c2是行/列号123/44与123/45接缝处,位于江门西部。截取区域与上述同样为乡村分散分布的地区,地表温度状况也类似。对照图8-c2 MODIS LST的温度分布,图8-a2完全违背了下半部分本应为高温区的情况,图中圈出位置接缝明显,对比之下,图8-b2则非常合理。
图8-a3、b3、c3和图8-a4、b4、c4是行/列号123/45与122/45接缝处,分别是江门西北深井镇至海侨镇一线和江门市下川岛。图8-a3、b3、c3中,深井镇至海侨镇一线处于镇南湾东部沿岸,沿岸水田集中,水田周边则为裸地、旱地和居民地。查阅文献（杜国明 等,2019）得知,水田对地表热环境存在较为明显的降温作用,同一地区水田平均地表温度与旱地相差可达到10℃左右。图8-b3中部的环形高温地区展示了这一特点,环形中心低温区水田分布集中,环形上主要为裸地、旱地和少量居民地;图7-c3也可以隐约看出环形的轮廓;图7-a3则由于接缝问题完全无法反映该区域地表温度分布的真实状况。
图8-a4、b4、c4中,下川岛四周环海,岛上建设旅游区,大部分区域植被覆盖丰富,下川王府洲旅游区、沙栏和南澳头等地则为不透水面。而图8-a4中右侧影像高温区过多,左侧则完全为低温区,但左侧的宁澳和南澳头等地本应为高温区,表示此处地表温度分布不合理;图8-b4则展示出了下川岛合理的温度分布,少部分不透水面表现为高温区,其余为低温区,更接近实际情况;图8-c4 MODIS LST空间分辨率过低,整体表现为较低与低温,面积较小的高温区无法体现出来。
图8-a5、b5、c5是行/列号122/44与122/45接缝处,位于江门城区新会区与台山市一线。两地分别处于截取区域的东北角和西南角,中间相隔一片丘陵地带,丘陵地带地表温度明显低于两头城市。图8-a5由于接缝的影响,北部低温区与丘陵地带实际分布不完全相同,而图8-b5则与实际完全对应,并与图8-c5 MODIS LST同时对应。
另外,行/列号122/44、121/44和123/44之间不同时相原始的Landsat8 LST图像直接拼接起来,与合成的日期t1的Landsat8 LST图像集拼接后的成果相比,基本无差别,比如深圳大鹏区域。已知大鹏区域位于122/44与121/44接缝处,对比t1 122/44 Landsat8 LST与t2 121/44 Landsat8 LST图像,得到2张LST图像上的最高LST值分别为46.34℃和45.71℃、平均LST值分别为26.79℃和25.94℃。说明这2幅原始的图像LST差异并不大,进一步表明一定时间范围内2幅原始Landsat8 LST相差不大的情况下,直接拼接的成果也可用。最后,行/列号121/45的Landsat8 LST图像因为仅覆盖研究区个别独立的小岛,拼接过后影响极小,无法进一步比较。综合而言,通过多源影像融合拼接模型（MI-FSM）合成的LST成果较为理想,基本实现了Landsat8 LST的大区域成果拼接,获得了较为可靠且较高分辨率的大区域LST成果。

4 结论

本文进行了融合MODIS与Landsat8的高分辨率地表温度拼接研究,以时空影像融合模型（STI-FM）为基础,构建了多源影像融合拼接模型（MI-FSM）,生成了较高分辨率的粤港澳大湾区LST成果图。通过讨论不同时相MODIS LST图像间的线性拟合关系,验证了模型的可靠性;通过对比分析“夏-夏、冬-夏”2组实验成果与验证数据,验证STI-FM在研究区的适用性,结果证明STI-FM在研究区具有较强的适用性,融合模型更适用于相同季节的LST数据;最后通过成果评价,证明合成的粤港澳大湾区高分辨率LST成果是合理有效的。
本文借助MODIS高时间分辨率的特点,在一定程度上克服了时相差异对多幅Landsat地表温度（LST）图像拼接的影响。生产出大区域的Landsat8 LST数据,为粤港澳整体的热环境精确评估提供数据基础。
不过,本文仍存在一些不足之处,主要有以下2点：1）由于涉及区域较大且存在缺乏真值的情况,仅能基于有一定参考价值的几组对照数据,对成果进行较为粗略的合理性评价,未来需要引入更精确的定量化评价方法。2）没有深入挖掘土地覆盖模式对模型精度的影响。半干旱区地表覆盖简单,温度变化的规律也相对简单,而粤港澳大湾区地表覆盖复杂,不同地表类型热属性差异大,仅用线性关系进行融合模拟所获得的精度有限。后续的研究需要进一步分析不同土地覆盖模式对模型具体的影响,以便于改进模型。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Bai Yang, Wong Mansing, Shi Wenzhong, Wu Lixin and Qin Kai . 2015. Advancing of Land Surface Temperature Retrieval Using Extreme Learning Machine and Spatio-Temporal Adaptive Data Fusion Algorithm. Remote Sensing, 7(4):4424-4441.

2
窦浩洋, 张晶晶, 赵昕奕 . 2010. 珠江三角洲城市热岛空间分布及热岛强度研究. 地域研究与开发, 29(4):72-77.

[ Dou Haoyang, Zhang Jingjing and Zhao Xinyi . 2010. Study on Spatial Distribution and Intensity of Urban Heat Island in Pearl River Delta. Areal Research and Development, 29(4):72-77. ]

3
杜国明, 刘文琦, 于佳兴, 张爽 . 2019. 三江平原水旱田分布对遥感反演局地地表温度的影响. 农业工程学报, 35(5):259-267,320.

[ Du Guoming, Liu Wenqi, Yu Jiaxing and Zhang Shuang . 2019. Influence of Paddy Field and Dry Field Distribution on Local Surface Temperature by Remote Sensing Inversion in Sanjiang Plain. Transactions of the Chinese Society of Agricultural Engineering, 35(5):259-267, 320. ]

4
Gao Feng, Masek Jeff, Schwaller Matt and Hall Forrest . 2006. On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44(8):2207-2218.

5
顾明明, 黑文艳, 李长春, 陆国政 . 2018. 大区域Landsat影像数据的一体化镶嵌处理方法与研究. 测绘地理信息, 43(4):55-58.

[ Gu Mingming, Hei Wenyan, Li Changchun and Lu Guozheng . 2018. Treatment Methods and Research on Regional Integration Based on Data of the Landsat Images Mosaic. Journal of Geomatics, 43(4):55-58. ]

6
Hilker Thomas, Wulder Michael A, Coops Nicholas C, Linke Julia, McDermid Greg, Masek Jeffrey G, Gao Feng and White Joanne C . 2009. A New Data Fusion Model for High Spatial- and Temporal-Resolution Mapping of Forest Disturbance Based on Landsat and MODIS. Remote Sensing of Environment, 113(8):1613-1627.

7
贺丽琴, 杨鹏, 景欣, 晏磊, 苏琳琳 . 2017. 基于MODIS影像及不透水面积的珠江三角洲热岛效应时空分析. 国土资源遥感, 29(4):140-146.

[ He Liqin, Yang Peng, Jing Xin, Yan Lei and Su Linlin . 2017. Analysis of Temporal-Spatial Variation of Heat Island Effect in Pearl River Delta Using MODIS Images and Impermeable Surface Area. Remote Sensing for Land & Resources, 29(4):140-146. ]

8
胡德勇, 乔琨, 王兴玲, 赵利民, 季国华 . 2015. 单窗算法结合Landsat8热红外数据反演地表温度. 遥感学报, 19(6):964-976.

[ Hu Deyong, Qiao Kun, Wang Xingling, Zhao Limin and Ji Guohua . 2015. Land Surface Temperature Retrieval from Landsat 8 Thermal Infrared Data Using Mono-Window Algorithm. Journal of Remote Sensing, 19(6):964-976. ]

9
Hazaymeh Khaled and Hassan Quazi K . 2015 a. Fusion of MODIS and Landsat-8 Surface Temperature Images: A New Approach. PLoS One, 10(3):1-13. DOI: 10.1371/journal.pone.0117755 March 2.

10
Hazaymeh Khaled and Hassan Quazi K . 2015 b. Spatiotemporal Image-fusion Model for Enhancing the Temporal Resolution of Landsat-8 Surface Reflectance Images Using MODIS Images. Journal of Applied Remote Sensing, 9(1): 096095: 1-096095: 14.

11
Liu Hua and Weng Qihao . 2011. Enhancing Temporal Resolution of Satellite Imagery for Public Health Studies: A Case Study of West Nile Virus Outbreak in Los Angeles in 2007. Remote Sensing of Environment, 117:57-71.

12
李召良, 段四波, 唐伯惠, 吴骅任, 华忠, 阎广建, 唐荣林, 冷佩 . 2016. 热红外地表温度遥感反演方法研究进展. 遥感学报, 20(5):899-920.

[ Li Zhaoliang, Duan Sibo, Tang Bohui, Wu Yeqian, Hua Zhong, Yan Guangjian, Tang Ronglin and Leng Pei . 2016. Review of Methods for Land Surface Temperature Derived from Thermal Infrared Remotely Sensed Data. Journal of Remote Sensing, 20(5):899-920. ]

13
覃志豪, 李文娟, 徐斌, 陈仲新, 刘佳 . 2004. 陆地卫星TM6波段范围内地表比辐射率的估计. 国土资源遥感,(3): 28--32, 36-41,74.

[ Qin Zhihao, Li Wenjuan, Xu Bin, Chen Zhongxin and Liu Jia . 2004. The Estimation of Land Surface Emissivity for Landsat TM6. Remote Sensing for Land & Resources,(3): 28--32, 36-41,74. ]

14
覃志豪 . 2003. 利用Landsat TM6反演地表温度所需地表辐射率参数的估计方法//遥感专业委员会. 第十四届全国遥感技术学术交流会论文选集. 北京: 中国海洋学会, 9.

[ Qin Zhihao. 2003. Estimation Method of Surface Radiance Parameters Required for Inversion of Surface Temperature Using Landsat TM6. In: Remote Sensing Professional Committee. Selected Works of the 14th National Remote Sensing Technology Academic Exchange Conference. Beijing: China Ocean Society, 9. ]

15
饶胜, 张惠远, 金陶陶, 窦浩洋 . 2010. 基于MODIS的珠江三角洲地区区域热岛的分布特征. 地理研究, 29(1):127-136.

[ Rao Sheng, Zhang Huiyuan, Jin Taotao and Dou Haoyang . 2010. The Spatial Character of Regional Heat Island in Pearl River Delta Using MODIS Remote Sensing Data. Geographical Research, 29(1):127-136. ]

16
Weng Qihao, Fu Peng and Gao Feng . 2014. Generating Daily Land Surface Temperature at Landsat Resolution by Fusing Landsat and MODIS Data. Remote Sensing of Environment, 145:55-67.

17
Wu Mingquan, Wu Chaoyang, Huang Wenjiang, Niu Zheng, Wang Changyao, Li Wang and Hao Pengyu . 2016. An Improved High Spatial and Temporal Data Fusion Approach for Combining Landsat and MODIS Data to Generate Daily Synthetic Landsat Imagery. Information Fusion, 31:14-25.

18
魏然 . 2016. 多源遥感地表温度数据时空融合研究及应用. 武汉:武汉大学.

[ Wei Ran . 2016. Method and Application Research on Spatial and Temporal Fusion with Multi-source Remote Sensing of Land Surface Temperature Data. Wuhan: Wuhan University. ]

19
魏然, 单杰 . 2018. 城市地表温度影像时空融合方法研究. 武汉大学学报(信息科学版), 43(3):428-435.

[ Wei Ran and Shan Jie . 2018. Spatial and Temporal Fusion for Urban Land Surface Temperature Image Mapping. Geomatics and Information Science of Wuhan University, 43(3):428-435. ]

20
徐涵秋, 陈本清 . 2003. 不同时相的遥感热红外图像在研究城市热岛变化中的处理方法. 遥感技术与应用, 18(3):129-133,185.

[ Xu Hanqiu and Chen Benqing . 2003. An Image Processing Technique for the Study of Urban Heat Island Changes Using Different Seasonal Remote Sensing Data. Remote Sensing Technology and Application, 18(3):129-133, 185. ]

21
Zhu Xiaolin, Chen Jin, Gao Feng, Chen Xuehong and Masek Jeffrey G . 2010. An Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model for Complex Heterogeneous Regions. Remote Sensing of Environment, 114(11):2610-2623.

22
张良培, 沈焕锋 . 2016. 遥感数据融合的进展与前瞻. 遥感学报, 20(5):1050-1061.

[ Zhang Liangpei and Shen Huanfeng . 2016. Progress and Future of Remote Sensing Data Fusion. Journal of Remote Sensing, 20(5):1050-1061. ]

23
郑明亮, 黄方, 张鸽 . 2018. 基于TsHARP模型和STITFM算法的地表温度影像融合研究. 遥感技术与应用, 33(2):275-283.

[ Zheng Mingliang, Huang Fang and Zhang Ge . 2018. Land Surface Temperature Data Fusion of Landsat ETM and MODIS by Combining TsHARP and STITFM Model. Remote Sensing Technology and Application, 33(2):275-283. ]

24
朱娟, 李锟, 谢丹妮, 班远冲, 韩振超, 欧阳旸 . 2018. 珠三角城市群热岛效应时空分布特征. 环境科学导刊, 37(3):11-16.

[ Zhu Juan, Li Kun, Xie Danni, Ban Yuanchong, Han Zhenzhao and Ouyang Chang . 2018. The Temporal and Spatial Distribution of Heat Island Effect in the Pearl River Delta Urban Group. Environmental Science Survey, 37(3):11-16. ]

Options
文章导航

/

〈 〉