地理研究 2017 , 36 (1): 49-60 https://doi.org/10.11821/dlyj201701004

研究论文

天山北坡绿洲—荒漠区高时空分辨率日均气温数据集构建——以三工河流域为例

王新新¹^,²^,, 罗格平¹^,, 叶辉¹^,², 张琪¹^,², 蔡鹏¹^,², 张苗¹^,²

1. 中国科学院新疆生态与地理研究所,荒漠与绿洲生态国家重点实验室,乌鲁木齐 830011
2. 中国科学院大学,北京 100049

Construction of mean air temperature datasets with high temporal and spatial resolution in oasis-desert region：A case study of Sangong River Basin on thenorthern slope of Tianshan Mountains

WANG Xinxin¹^,²^,, LUO Geping¹^,, YE Hui¹^,², ZHANG Qi¹^,², CAI Peng¹^,², ZHANG Miao¹^,²

1. State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, CAS, Urumqi 830011, China
2. University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 通讯作者：罗格平（1968- ）,男,新疆乌鲁木齐人,博士,研究员,主要从事土地利用变化及其生态效应、遥感与GIS应用研究。E-mail: luogp@ms.xjb.ac.cn

收稿日期: 2016-07-23

修回日期: 2016-12-5

网络出版日期: 2017-01-20

基金资助: 国家自然科学基金—新疆联合基金项目（U1303382）973计划前期研究专项（2014CB460603）国家自然科学基金项目（41271126）

作者简介:

作者简介：王新新（1991- ）,男,山东枣庄人,硕士,主要从事土地利用/土地覆被变化、遥感与GIS应用研究。E-mail: wangxinxin0803@outlook.com

展开

摘要

气温是刻画由下垫面不同导致的绿洲—荒漠区水热格局差异并分析其相互作用的关键参量。现有的温度数据集（CRU、MERRY、MODIS等）,空间分辨率均无法满足绿洲—荒漠相互作用研究的百米级精度要求。基于Landsat TM影像,通过遥感反演及统计模型估算三工河流域卫星过境日期日均气温空间数据,利用日均气温计算“气温相对变化速率”,以此推算卫星非过境日期的日均气温。结果显示：估算卫星过境日期日均气温的平均RMSE为1.54 ℃,绝对误差为0.50~2.87 ℃。气温相对变化速率为沙质荒漠（1.12）>土质荒漠（1.03）>建设用地（0.97）>农田（0.80）>低山丘陵（0.76）;卫星非过境日期日均气温计算值与实测值具有较好的相关性,R² > 0.90,P < 0.05,RMSE=2.34 ℃。

关键词： Landsat TM影像 ; 气温相对变化速率 ; 日均气温数据集 ; 绿洲— ; 荒漠区 ; 三工河流域

Abstract

Air temperature is one of key indicators reflecting the spatial hydrothermal heterogeneity, and it is also an indispensable factor driving ecological models or land surface models. Currently, the leading temperature datasets include Climatic Research Unit (CRU), The Climate Forecast System Reanalysis (CFSR), Moderate Resolution Imaging Spectroradiometer (MODIS), but their spatial resolutions are so coarse that they cannot efficiently characterize the difference of heterogeneous hydrothermal patterns in a medium-scale oasis-desert ecosystem in arid regions. So the construction of mean air temperature datasets with high temporal and spatial resolution is crucial for investigating ecological interactions between oasis and desert ecosystems. The Landsat TM/ETM/OLI images, whose spatial resolution of thermal infrared band is 120 m, might be the effective data source for retrieving the daily mean air temperature datasets, which could meet the requirements for effectively representing the interactions between oasis and desert ecosystems. In this paper, firstly, the single-channel algorithm was used to estimate the land surface temperature (LST) based on Landsat TM images. The instantaneous air temperature imageries were retrieved using Zakšek's algorithm. Then, the daily mean air temperature imageries were created based on the instantaneous temperature imageries, and the relative change rates of air temperature (R-rates) for land-cover types were calculated using the spatial daily mean air temperature imageries in different seasons. Finally, the daily mean air temperature datasets were constructed based on the mean air temperature imageries and R-rates. The R-rates showed great spatial heterogeneity in the Sangong River Basin. The R-rates of sandy desert, soil desert, reference station, cropland and hills was 1.12, 1.03, 0.97, 0.80 and 0.76, respectively, compared with built-up areas. Estimated daily mean air temperature and observed values at different weather stations showed a significant linear correlation (P<0.05). The daily mean air temperature datasets retrieved in this paper could effectively characterize the hydrothermal distribution pattern in oasis-desert ecosystems. The method used in the paper might provide a reference for retrieving the maximum and minimum air temperature.

Keywords： Landsat TM images ; the relative change rate of air temperature ; mean air temperature datasets ; oasis-desert region ; Sangong River Basin

PDF (8705KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

王新新, 罗格平, 叶辉, 张琪, 蔡鹏, 张苗. 天山北坡绿洲—荒漠区高时空分辨率日均气温数据集构建——以三工河流域为例[J]. , 2017, 36(1): 49-60 https://doi.org/10.11821/dlyj201701004

WANG Xinxin, LUO Geping, YE Hui, ZHANG Qi, CAI Peng, ZHANG Miao. Construction of mean air temperature datasets with high temporal and spatial resolution in oasis-desert region：A case study of Sangong River Basin on thenorthern slope of Tianshan Mountains[J]. 地理研究, 2017, 36(1): 49-60 https://doi.org/10.11821/dlyj201701004

1 引言

自1950s以来,干旱区大规模水土开发导致绿洲耗水急剧增加,外围荒漠生态系统可用水资源减少^[1],直接引起绿洲和外围荒漠水热格局的时空分布差异^[2],气温是综合反映这种时空分布差异,参与植被蒸腾、光合和呼吸等植物生理过程的关键指标^[3,4]。不同土地利用/土地覆被（Land Use and Land Cover,LULC）具有不同的生物物理属性,通过地—气系统的能量交换显著影响气温的时空变化^[5,6]。因此,高时空分辨率的绿洲—荒漠区近地表气温数据,不仅能清晰表征由LULC不同引起的绿洲—荒漠区能量分布差异,也是刻画绿洲—荒漠区水热格局、分析其相互作用的关键参量。

现有的气温再分析数据集空间分辨率较粗,通常大于10 km,如英国东英格利亚大学气候研究所的再分析数据（CRU）,空间分辨率为0.500°×0.500°;美国国家环境预报中心（NCEP）的再分析数据（CFSR）,空间分辨率为0.313°×0.313°;美国国家航空航天局（NASA）再分析数据（MERRA）,空间分辨率为0.500°×0.667°^[7];MODIS逐日地表温度产品（MOD11A1）,空间分辨率为1 km,时间序列始于2000年,序列较短。总之,现有温度数据集的空间分辨率相对绿洲—荒漠相互作用研究的空间尺度,显得过粗,无法满足研究的精度需求。因此,获取绿洲—荒漠区高时空分辨率的气温数据集成为绿洲—荒漠相互作用研究的关键环节。

目前,能够反映干旱区绿洲—荒漠近地表水热状况的气温数据主要通过气象站观测和遥感手段获取。干旱区站点主要分布于绿洲内,每个绿洲通常仅有1~2个气象站,荒漠及山区分布极少^[8],因此传统插值方法获得的气温数据无法准确表征近地表LULC的差异,也无法满足高精度表征绿洲—荒漠区水热格局差异的研究需要。建立地表温度（LST）与近地表2 m气温（T_2m）的相关关系是利用遥感技术获取气温空间数据的主要方法^[9,10],国际上已有一些成果^[9-14]。但这些研究主要以MODIS为数据源,空间分辨率至少为1 km,无法清晰体现绿洲—荒漠区空间差异性,且这些研究均是以获得卫星过境时刻瞬时气温或卫星过境日期日均气温为目的,未考虑如何获得卫星非过境日期日均气温。而Landsat TM/ETM/OLI系列影像时间序列长,热红外波段空间分辨率为120 m,以此为数据源推算逐日日均气温数据可有效表征绿洲—荒漠区水热格局差异。

表2 研究区气象站观测数据基本要素说明

Tab. 2 Basic elements of the meteorologicalstations in the study area

站点	时间序列	数据类型	下垫面类型
阜康市气象站	1971-2015年	逐小时气温	建设用地
阜康荒漠生态站	2004-2014年	逐小时地表温度、气温	土质荒漠
北沙窝荒漠站	2004-2014年	逐小时气温	沙质荒漠
波文比观测仪	2014-2015年	逐小时气温	绿洲（农田）
低山丘陵站	2004-2008年	逐小时气温	低山丘陵

新窗口打开

本文以天山北坡三工河流域为研究区,利用Landsat TM影像、气象站观测数据和土地利用/土地覆被数据,推算2009年与2010年（冬季除外）逐日日均气温数据集,主要研究目标包括：基于Landsat TM影像,反演瞬时地表温度,以此为数据源推算卫星过境日期日均气温;计算“气温相对变化速率”;推算卫星非过境日期日均气温;分析三工河流域日均气温的空间分布特征。

2 数据来源与研究方法

2.1 研究区概况

三工河流域（87°47′E~88°17′E,43°09′N~45°29′N）位于天山北坡东段,古尔班通古特沙漠南缘,具有干旱区典型的山地—绿洲—荒漠复合生态系统结构（图1）,面积约为1505 km²,地势从东南至西北呈递减趋势,流域内随着海拔的不同,温度与降水呈现显著差异性。① 南部低山丘陵区：年均温6.08 ℃,年均降水量约286 mm,平均海拔 733 m,地表覆被以灌木、半灌木及荒漠草地为主。② 中部冲洪积扇—冲积平原型人工绿洲区：年均温6.80 ℃,年均降水量约为220 mm,平均海拔为530 m。南部邻近天山,海拔较高,热量不足,农作物以粮食作物为主;北部邻近荒漠,热量充足,主要为棉花、啤酒花及葡萄等经济作物。③ 北部土质荒漠与沙质荒漠共同组成的荒漠区：年降水量约175 mm,年均温6.81 ℃,平均海拔467 m,建群种主要为梭梭、柽柳,植被盖度为10%~30%。

显示原图| 下载原图ZIP| 生成PPT

图1 三工河流域位置示意图

Fig. 1 The location of Sangong river watershed

2.2 数据来源与处理

（1）影像数据

遥感数据源为Landsat TM影像。由于研究区冬季影像云量高、积雪量大,且同一年春夏秋三季的影像质量无法同时满足质量要求（云量<5%）,因此选择不同年份跨度的春(3-5月)、夏（6-8月）、秋（9-11月）三季六幅影像（表1）,轨道号均为142/029,并对影像进行地形校正、大气校正等一系列预处理,将研究区中的水体进行掩膜处理。

表1 Landsat TM影像信息

Tab. 1 Landsat TM images used in the study

季节	日期	卫星过境时刻（北京时间）
春季	2004年4月6日	12时29分
春季	2005年4月9日	12时36分
夏季	2010年8月13日	12时40分
夏季	2009年8月16日	12时38分
秋季	2005年10月2日	12时37分
秋季	2008年10月10日	12时34分

新窗口打开

（2）气象数据

研究区内低山丘陵—绿洲—荒漠三个不同梯度内均架设有气象站或波文比观测仪（图1）,获得逐小时或逐日地表温度、近地面2 m气温数据（表2）,并对观测数据做以下处理：① 剔除传感器状态异常的数据;② 对单日缺失的数据按照线性回归法插补;③ 剔除连续缺失的观测数据。

（3）土地利用/土地覆被（LULC）数据

选择2004年的LULC类型图作为2004年、2005年的下垫面参考数据,选择2010年LULC类型图作为2008-2011年的下垫面参考数据,力求将影像选择过程中出现的年份跨度对结果影响降低到最小,并将LULC数据进行相似类型合并为5种^[15]：沙质荒漠（梭梭）、土质荒漠（柽柳、琵琶柴）、农田、建设用地（城市、乡村、道路、工矿用地）及低山丘陵。

2.3 研究方法

本文的技术流程图如图2所示。

2.3.1 计算地表温度本文采用Jimenez-Munoz and Sobrino 提出的单通道法^[16]反演地表温度。计算公式为：

$\begin{matrix} LST = γ [ε^{- 1} (ψ_{1} L_{sensor} + ψ_{2}) + ψ_{3}] + δ \end{matrix}$ （1）

$\begin{matrix} γ = [\frac{c_{2} L_{sensor}}{{T^{2}}_{sensor}} (\frac{λ^{4}}{c_{1}} L_{sensor} + λ^{- 1} {)]}^{- 1} \end{matrix}$ （2）

$\begin{matrix} δ = - γ L_{sensor} + T_{sensor} \end{matrix}$ （3）

式中：LST为地表温度（K）; $\begin{matrix} ε \end{matrix}$ 为地表比辐射率; $\begin{matrix} L_{sensor} \end{matrix}$ 为传感器辐射强度（mW $\begin{matrix} \cdot \end{matrix}$ cm^-2sr^-1μm^-1）; $\begin{matrix} T_{sensor} \end{matrix}$ 为亮度温度（K）^[17]; $\begin{matrix} λ \end{matrix}$ （μm）为TM6的中心波长;c₁与c₂为大气参数,分别为1.19104×10⁸ μm⁴ $\begin{matrix} \cdot \end{matrix}$ m^-2sr^-1与14387.7 μm $\begin{matrix} \cdot \end{matrix}$ K; $\begin{matrix} ψ_{1} \end{matrix}$ 、 $\begin{matrix} ψ_{2} \end{matrix}$ 和 $\begin{matrix} ψ_{3} \end{matrix}$ 为大气功能参数。

显示原图| 下载原图ZIP| 生成PPT

图2 技术路线图

Fig. 2 Study design

2.3.2 计算卫星过境时刻近地表2 m气温

Zakšek等基于LST,同时考虑季节、NDVI、反照率、海拔及地形等因子,推算卫星过境时刻近地表2 m气温T_{2 m},71%的验证点绝对误差小于2 K^[11]。计算公式为：

$\begin{matrix} T_{2 m} = LST + 1.82 - 10.66 cosz (1 - NDVI) + 0.566 α - 3.72 (1 - Albedo) \\ [cosis / cosz + (π - slope)] {R_{s}}^{↓} - 3.41 Δh \end{matrix}$ （4）

式中：z为太阳天顶角（rad）; $\begin{matrix} α \end{matrix}$ 为太阳方位角（rad）;Albedo为地表反射率;is为太阳入射角（rad）;slope为坡度（rad）; $\begin{matrix} {R_{s}}^{↓} \end{matrix}$ 为下行短波辐射（kw $\begin{matrix} \cdot \end{matrix}$ m^-2）;∆h为研究区高程与20 km²范围内平均高程的差值（km）。

2.3.3 计算日平均气温不同地表覆被类型通过地—气系统不同程度地影响近地表水热格局^[18]。本文分别考虑季节与土地覆被类型对气温的影响,建立卫星过境时刻瞬时气温与日均气温的统计模型：

$\begin{matrix} y_{j} = a + b x_{j} \end{matrix}$ （5）

式中： $\begin{matrix} y_{j} \end{matrix}$ 表示覆被类型j的日均气温; $\begin{matrix} x_{j} \end{matrix}$ 表示覆被类型j的卫星过境时刻瞬时气温;a为截距;b为斜率。

2.3.4 计算逐日日均气温数据

（1）计算气温相对变化速率

假设同一覆被类型相同季节内具有相同的温度变化速率,以阜康市气象站为参考站点,利用同一季节内的多幅日均气温影像,计算不同覆被类型相对参考站点的气温相对变化速率,具体算法如下：

分别考虑不同的下垫面类型,计算同一季节内所有影像与该季节参考影像（任选一幅,记作T_a）的日均气温差值 $\begin{matrix} Δ T_{j} \end{matrix}$ ：

$\begin{matrix} Δ T_{j} = T_{j} - T_{aj} \end{matrix}$ （6）

式中： $\begin{matrix} T_{j} \end{matrix}$ 为覆被类型j的日均气温; $\begin{matrix} T_{aj} \end{matrix}$ 为参考影像类型j的日均气温。

同样的方法获得同一季节内所有影像与参考影像中参考站点的日均气温差 $\begin{matrix} Δ \overset{′}{T} \end{matrix}$ ：

$\begin{matrix} Δ \overset{′}{T} = \overset{′}{T} - {\overset{′}{T}}_{a} \end{matrix}$ （7）

式中： $\begin{matrix} \overset{′}{T} \end{matrix}$ 为所有影像参考站点的影像气温; $\begin{matrix} {\overset{′}{T}}_{a} \end{matrix}$ 为参考影像中参考站点的影像气温。

计算覆被类型j的相对气温变化速率 $\begin{matrix} β_{j} \end{matrix}$ ：

$\begin{matrix} β_{j} = \frac{\sum (\frac{Δ T_{j}}{Δ \overset{′}{T}})}{n} \end{matrix}$ （8）

式中：n为影像的数量。

（2）推算逐日日均气温数据

$\begin{matrix} T_{ij} = (T_{si} - T_{sa}) \times β_{j} + T_{aj} \end{matrix}$ （9）

式中： $\begin{matrix} T_{ij} \end{matrix}$ 为日期i覆被类型j的日均气温; $\begin{matrix} T_{si} \end{matrix}$ 为日期i的参考站点（阜康市气象站）日均气温的观测值; $\begin{matrix} T_{sa} \end{matrix}$ 为参考影像过境日期a的参考站点日均气温观测值; $\begin{matrix} β_{j} \end{matrix}$ 为土地覆被类型j的相对气温变化速率; $\begin{matrix} T_{aj} \end{matrix}$ 为参考影像覆被类型j的影像气温。

3 结果分析

3.1 卫星过境日期日均气温的计算结果

（1）LST反演结果

利用阜康生态站观测得到的LST数据（表3）验证本文的结果。其中,绝对误差秋季（1.42 ℃）>春季（1.31 ℃）>夏季（0.85 ℃）,平均绝对误差为1.19 ℃,比宋挺等^[19]利用单通道法反演LST的绝对误差低0.21 K,比覃志豪等^[17]利用单窗法估算LST的绝对误差高0.09 ℃,比胡德勇等^[20]利用Landsat8热红外数据反演LST的绝对误差高0.36 ℃。

表3 阜康生态站地表温度及误差

Tab. 3 The land surface temperature and error of Fukang Station of Desert Ecosystem, The Chinese Academy of Sciences

日期	反演地表温度（℃）	站点观测地表温度（℃）	绝对误差（反演值-观测值）
2004年4月6日	25.64	24.36	1.28
2005年4月9日	9.81	11.14	-1.33
2010年8月13日	32.66	31.62	1.04
2011年8月16日	34.72	34.07	0.65
2005年10月2日	23.5	24.64	-1.14
2008年10月10日	23.56	21.87	1.69

新窗口打开

（2）卫星过境时刻瞬时气温与日均气温的相关统计模型

Landsat TM卫星飞过研究区的时间为北京时间12:30-13:00,因此本文选择13:00的近地表气温作为卫星过境时刻的瞬时气温,针对不同的覆被类型和季节,建立13:00的瞬时气温与日均气温的线性回归方程（图3）。春季（R²=0.96,P<0.01）与秋季（R²=0.96,P<0.01）的相关性最高,最低的为夏季（R²=0.78,P<0.01）,本文的相关性（R²≥0.83,P<0.01）明显高于直接利用LST数据与日均气温建立的回归模型^{[10, 21, 22]}。不同覆被类型拟合效果比较,低山丘陵>农田>建设用地>沙质荒漠>土质荒漠,其中最高的低山丘陵R²=0.96,P<0.01,最低的土质荒漠R²=0.83,P<0.01。

显示原图| 下载原图ZIP| 生成PPT

图3 13时瞬时气温与日均气温的相关关系

Fig. 3 The correlation between instantaneous (13 o'clock) and daily mean air temperature

（3）日均气温的计算结果与验证

利用北沙窝荒漠站、阜康生态站及阜康市气象站三个站点观测得到的日均气温数据验证计算结果（表4）,平均RMSE=1.54℃,绝对误差介于0.50~2.87℃,平均绝对误差为1.43 ℃,其中夏季（1.97 ℃）>春季（1.33 ℃）>秋季（1.00℃）,沙质荒漠（1.88 ℃）>土质荒漠（1.11 ℃）>建设用地（1.09 ℃）,夏季沙质荒漠的绝对误差最高,达到2.87℃,秋季建设用地的绝对误差最小,为0.50 ℃。

表4 站点观测日均气温与遥感反演日均气温的比较（℃）

Tab. 4 Comparison between observed daily mean air temperature and the temperature through the TM image (℃)

季节	日期	站点	观测值	计算值	绝对误差
春季	2004年4月6日	荒漠站	16.80	15.01	-1.79
		生态站	13.26	12.31	-0.95
		气象站	14.30	15.86	1.56
	2005年4月9日	荒漠站	6.90	8.73	1.83
		生态站	6.10	5.24	-0.86
		气象站	6.16	7.16	1.00
夏季	2010年8月13日	荒漠站	27.90	30.77	2.87
		生态站	24.50	25.97	1.47
		气象站	24.00	25.57	1.57
	2011年8月16日	荒漠站	28.50	26.30	-2.20
		生态站	25.00	26.80	1.80
		气象站	25.50	23.61	-1.89
秋季	2005年10月2日	荒漠站	13.55	12.08	-1.47
		生态站	11.95	12.76	0.81
		气象站	12.10	12.60	0.50
	2008年10月10日	荒漠站	15.55	14.43	-1.12
		生态站	12.20	11.10	-1.11
		气象站	13.06	14.06	1.00

新窗口打开

3.2 气温相对变化速率的计算结果与分析

由于阜康市气象站具有较长的时间序列（1971-2015）,因此以阜康市气象站为参考站点推算气温相对变化速率（表5）。从表中可以看出：气温相对变化速率沙质荒漠（1.12）>土质荒漠（1.03）>参考站点（1）>建设用地（0.97）>农田（0.80）>低山丘陵（0.76）。沙质荒漠植被盖度低,蒸散能力弱导致速率最高。虽然建设用地的下垫面与参考站点接近,但建设用地受城市绿地、行道树等植被的影响,速率低于参考站点。农田的植被覆盖度高,灌溉及时,植被蒸散等原因导致其速率较低。

表5 不同覆被类型的气温相对变化速率

Tab. 5 The relative rate of air temperature changesabout different land-cover types

土地覆被类型	春季	夏季	秋季
低山丘陵	0.85	0.65	0.79
农田	0.93	0.64	0.83
建设用地	0.98	0.99	0.95
沙质荒漠	1.18	1.12	1.05
土质荒漠	1.05	1.06	0.97
参考站点（阜康市气象站）	1	1	1

新窗口打开

同一季节内气温相对变化速率差异最大的为夏季,最高（沙质荒漠）与最低（农田）相差达0.48,差异最小的为秋季,差值为0.26。

3.3 逐日日均气温推算及验证

由于低山丘陵气象站地处研究区南缘,远离绿洲荒漠区,且只有4年的观测记录,阜康市气象站参与“气温相对变化速率”的计算,波文比观测仪只有1年多的观测记录,因此本文利用时间序列较长的阜康生态站和北沙窝荒漠站两个站点进行验证（图5）。结果表明：推算得到的逐日日均气温与实测值具有较好的相关性,R²>0.90,P<0.05,RMSE=2.34 ℃。2009年的验证结果中75%的验证点RMSE<2.50 ℃,P<0.05,84%的验证点RMSE<3.50 ℃,P<0.05,2010年73%的验证点RMSE<2.50 ℃,P<0.05（图4）。2010年春季荒漠站误差最大,RMSE=2.78 ℃,误差最小的是2009年的秋季,RMSE=1.72 ℃。不同季节RMSE比较中,夏季（2.12 ℃）>秋季（2.10 ℃）>春季（2.08 ℃）。

显示原图| 下载原图ZIP| 生成PPT

图4 2009年、2010年逐日日均气温RMSE分布直方图

Fig. 4 RMSE distribution histogram of daily mean airtemperature in 2009 and 2010

显示原图| 下载原图ZIP| 生成PPT

图5 站点观测值与计算值的比较

Fig. 5 Comparison between observed value at different stations and calculated value through images

3.4 日均气温的空间分布特征

本文将2009年与2010年春、夏、秋三个季节的逐日日均气温影像平均后得到三幅不同季节的平均气温影像（图6）,夏季的日均气温为26.55 ℃,明显高于春季（16.39 ℃）与秋（17.31 ℃）季,不同覆被类型的气温比较：沙质荒漠>土质荒漠>建设用地>农田>低山丘陵（图7）,沙质荒漠均温最高,为22.40 ℃,最低的是低山丘陵,为18.42 ℃,以农田为主建设用地为辅的绿洲区平均气温比荒漠区低2.20 ℃。

显示原图| 下载原图ZIP| 生成PPT

图6 三工河流域三季节日均气温图

Fig. 6 The spatial pattern of seasonal mean air temperature in Sangong River Basin

显示原图| 下载原图ZIP| 生成PPT

图7 2009年、2010年不同覆被类型不同季节的日均气温

Fig. 7 The daily mean air temperature of different land-cover types and seasons in 2009 and 2010

三工河流域日均气温的分布具有明显的水平地带性,如图6所示。① 北部荒漠区,与绿洲区毗邻,植被覆盖度低,受到自身生物物理特性及水分限制,由蒸散引起的降温作用较弱,该区气温最高,且下垫面较为均一,空间差异性小。② 中部绿洲区,主要包括农田与建设用地的不透水地表。由于农作物具有不同的物候期、灌溉方式与灌溉时间等,且绿洲内部耕地、防护林、水库、夹荒漠、裸地与不透水地表交错分布,导致绿洲区内部温度空间差异性较大。③ 南部低山丘陵区,该区植被覆盖类型主要为低山丘陵干草原,大部分地区已接近于裸地,植被覆盖度低,但海拔明显高于平原区导致气温最低。

4 讨论

4.1 与其他研究方法的比较

本文主要完成了两个研究目标：① 反演荒漠—绿洲区卫星过境日期日均气温,② 估算卫星非过境日期的日均气温并构建逐日日均气温数据集。将目标①的结果与其他研究结果比较（表6）,本文的RMSE比以MODIS为数据源的结果低0.35~3.09 ℃,且MODIS产品1 km的空间分辨率很难体现绿洲—荒漠区绿洲与荒漠的差异性。虽然本文的RMSE比神经网络法的结果高0.26 ℃,但神经网络法需要数量充足且分布均匀的气象站作为数据基础,考虑到干旱区气象站数量与分布的特殊性,神经网络法在本文研究区的适用性较差。因此本文较其他研究的创新点即获取站点数量较少且分布不均匀流域,空间分辨率为120 m的日均气温数据,同时利用“气温相对变化速率”估算了卫星非过境日期的日均气温空间数据。

表6 日均气温遥感估算方法与精度

Tab. 6 Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

注：① 建模因子中,Alt为高程,SZA为太阳天顶角,Jday为儒略日,Dts为距海岸距离,Albedo为地表反照率,NDVI为归一化植被指数,LULC为土地利用/土地覆被类型数据;② 方法中S、M、A分别代表简单回归、多元回归和神经网络方法。

新窗口打开

4.2 不确定分析

本文推算卫星过境日期日均气温与卫星非过境日期日均气温时,均假设前提为同一地表覆被类型同一季节内具有相同的气温相对变化速率。但现实中同一覆被类型内部存在差异性,尤其是夏季的绿洲区,农作物的物候期不同,且蒸散能力、灌溉方式、灌溉时间等也存在明显的差异,这些因素决定了绿洲内不同农作物具有不同的气温变化速率。尽管不同农作物的气温变化速率可以相互抵消和平均,从而弱化了农作物物候期导致的气温变化速率的差异,但本文中同一覆被类型具有相同气温变化速率的假设对反演结果存在一定的不确定性。

在精度验证时,反演值为Landsat TM影像热红外波段像元温度,空间分辨率为 120 m,而气象站实测数据代表站点附近近地表2 m气温,尺度差异可能增大验证误差^[28]。

5 结论

本文利用Landsat TM影像、气象站观测数据和土地利用/土地覆被数据,通过建立卫星过境时刻瞬时气温与日均气温的回归方程来估算卫星过境日期日均气温影像。同时,定义“气温相对变化速率”用以推算卫星非过境日期日均气温数据,构建了一套空间分辨率为120 m的逐日日均气温数据集,并分析三工河流域日均气温的空间分布特征。主要结论如下：

（1）通过建立卫星过境时刻瞬时气温与日均气温的回归方程估算了2009年与2010年卫星过境日期日均气温,平均RMSE=1.54 ℃,其中绝对误差夏季>春季>秋季,沙质荒漠>土质荒漠>建设用地。

（2）气温相对变化速率是推算卫星非过境日期日均气温的关键,其中沙质荒漠（1.12）>土质荒漠（1.03）>建设用地（0.97）>农田（0.80）>低山丘陵（0.76）,利用气温相对变化速率推算的卫星非过境日期日均气温与气象站实测数据具有较好的相关性,R²>0.90,P<0.05。

（3）三工河流域日均气温空间差异较大,其中沙质荒漠（22.40 ℃）>土质荒漠（20.60 ℃）>建设用地（19.60 ℃）>农田（19.10 ℃）>低山丘陵（18.42 ℃）。

（4）本文基于站点观测数据,通过建立卫星过境时刻瞬时气温与日均气温的相关关系估算日均气温影像,基于该思想,同样可以建立卫星过境时刻瞬时气温与日最高、最低温的回归方程来推算日最高、最低温空间数据。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[6]	张晓东, 朱文博, 崔耀平, 等. 伏牛山地区森林植被动态变化对水热条件的响应 . 地理研究, 2016, 35(6): 1029-1040. https://doi.org/10.11821/dlyj201606003 URL Magsci [本文引用: 1] 摘要 <p>利用环境一号卫星不同时相多光谱数据,提取伏牛山地区不同森林植被类型。借助S-G滤波算法重构2000-2013年MODIS EVI时间序列影像,并结合气温和降水数据,运用线性回归、相关性分析和ANUSPLIN插值等方法分析伏牛山地区不同森林植被类型变动对水热条件的响应方式。结果表明：① 伏牛山地区植被覆盖较高,EVI平均值为0.48,14年来总体呈上升趋势,但不同森林植被类型变化存在明显差异,其中占比例最大的落叶阔叶林的上升趋势最为明显。② 14年来伏牛山地区气温呈升高趋势,气温距平升高速度约为0.27℃/10a,降水距平百分率呈波动增加趋势。③ 伏牛山地区不同森林植被类型EVI变化和气温、降水的相关性存在明显差异,其中常绿阔叶林EVI与气温的相关性最高,常绿落叶混交林与气温的相关性最弱;除常绿落叶混交林与降水主要呈弱正相关外,其余森林植被类型与降水主要呈弱负相关。④ 伏牛山地区森林植被对气温和降水的响应总体上滞后性不明显,仅在局部区域内常绿落叶混交林与气温和降水存在半个月滞后期。</p> [Zhang Xiaodong, Zhu Wenbo, Cui Yaoping, et al. The response of forest dynamics to hydro-thermal change in Funiu Mountain. Geographical Reserch, 2016, 35(6): 1029-1040.] https://doi.org/10.11821/dlyj201606003 URL Magsci [本文引用: 1] 摘要 <p>利用环境一号卫星不同时相多光谱数据,提取伏牛山地区不同森林植被类型。借助S-G滤波算法重构2000-2013年MODIS EVI时间序列影像,并结合气温和降水数据,运用线性回归、相关性分析和ANUSPLIN插值等方法分析伏牛山地区不同森林植被类型变动对水热条件的响应方式。结果表明：① 伏牛山地区植被覆盖较高,EVI平均值为0.48,14年来总体呈上升趋势,但不同森林植被类型变化存在明显差异,其中占比例最大的落叶阔叶林的上升趋势最为明显。② 14年来伏牛山地区气温呈升高趋势,气温距平升高速度约为0.27℃/10a,降水距平百分率呈波动增加趋势。③ 伏牛山地区不同森林植被类型EVI变化和气温、降水的相关性存在明显差异,其中常绿阔叶林EVI与气温的相关性最高,常绿落叶混交林与气温的相关性最弱;除常绿落叶混交林与降水主要呈弱正相关外,其余森林植被类型与降水主要呈弱负相关。④ 伏牛山地区森林植被对气温和降水的响应总体上滞后性不明显,仅在局部区域内常绿落叶混交林与气温和降水存在半个月滞后期。</p>
[7]	Hu Z Y, Zhang C, Hu Q S, et al. Temperature changes in Central Asia from 1979 to 2011 based on multiple datasets. Journal of Climate, 2014, 27(3): 1143-1167. https://doi.org/10.1175/JCLI-D-13-00064.1 Magsci [本文引用: 1] 摘要 The arid and semiarid region in central Asia is sensitive and vulnerable to climate variations. However, the sparse and highly unevenly distributed meteorological stations in the region provide limited data for understanding of the region's climate variations. In this study, the near-surface air temperature change in central Asia from 1979 to 2011 was examined using observations from 81 meteorological stations, three local observation validated reanalysis datasets of relatively high spatial resolutions, and the Climate Research Unit (CRU) dataset. Major results suggested that the three reanalysis datasets match well with most of the local climate records, especially in the low-lying plain areas. The consensus of the multiple datasets showed significant regional surface air temperature increases of 0.36 degrees-0.42 degrees C decade(-1) in the past 33 years. No significant contributions from declining irrigation and urbanization to temperature change were found. The rate is larger in recent years than in the early years in the study period. Additionally, unlike in many regions in the world, the temperature in winter showed no increase in central Asia in the last three decades, a noticeable departure from the global trend in the twentieth century. The largest increase in surface temperature was occurring in the spring season. Analyses further showed a warming center in the middle of the central Asian states and weakened temperature variability along the northwest-southeast temperature gradient from the northern Kazakhstan to southern Xinjiang. The reanalysis datasets also showed significant negative correlations between temperature increase rate and elevation in this complex terrain region.
[8]	殷刚, 陈曦, 塔西甫拉提·特依拜, 等. 气候模式同站点插值外推气象数据的比较 . 地理研究, 2015, 34(4): 631-643. https://doi.org/10.11821/dlyj201504003 Magsci [本文引用: 1] 摘要 <p>在气象站稀疏的中亚荒漠地区采用基于大气物理机制的区域气候模式,可获得高分辨率格点气象资料进行气候变化研究。针对中亚地区1958-2001年的气候变化,采用RegCM区域气候模式对ERA40和NCEP/NCAR两套气象再分析数据进行动力降尺度至40 km,并将结果同三套基于气象站点插值外推的格点数据（CRU、WM和APHRO）进行比较。所有数据一致表明,1960年代以来新疆地区的气温显著增加,南疆地区降水增加、天山山区降水减少。除APHRO外,数据都表明北疆地区降水呈增加趋势。RegCM模拟的气温和降水数据与站点外推数据空间分布格局基本一致;但RegCM数据年平均气温低于站点外推数据,RegCM数据在新疆山区的年降水量是站点外推数据年降水量的1.3倍。由于研究区内73%的气象站点分布在中山带以下的干热气候区,站点外推数据可能低估山区降水并高估该区域气温。与站点插值外推的格点数据相比,区域气候模式具有能细致描述区域内中小尺度的地形/下垫面特征、更精确反映气象要素空间变异格局的能力。但因为缺乏足够的地面观测以及高精度遥感反演气象数据,当前尚无法全面评估区域气候模式在中亚地区尤其是山区的模拟精度。</p> [Yin Gang, Chen Xi, Tiyip Tashpolat, et al. A comparison study between site-extrapolation-based and regional climate model-simulated climate datasets. Geographical Research, 2015, 34(4): 631-643.] https://doi.org/10.11821/dlyj201504003 Magsci [本文引用: 1] 摘要 <p>在气象站稀疏的中亚荒漠地区采用基于大气物理机制的区域气候模式,可获得高分辨率格点气象资料进行气候变化研究。针对中亚地区1958-2001年的气候变化,采用RegCM区域气候模式对ERA40和NCEP/NCAR两套气象再分析数据进行动力降尺度至40 km,并将结果同三套基于气象站点插值外推的格点数据（CRU、WM和APHRO）进行比较。所有数据一致表明,1960年代以来新疆地区的气温显著增加,南疆地区降水增加、天山山区降水减少。除APHRO外,数据都表明北疆地区降水呈增加趋势。RegCM模拟的气温和降水数据与站点外推数据空间分布格局基本一致;但RegCM数据年平均气温低于站点外推数据,RegCM数据在新疆山区的年降水量是站点外推数据年降水量的1.3倍。由于研究区内73%的气象站点分布在中山带以下的干热气候区,站点外推数据可能低估山区降水并高估该区域气温。与站点插值外推的格点数据相比,区域气候模式具有能细致描述区域内中小尺度的地形/下垫面特征、更精确反映气象要素空间变异格局的能力。但因为缺乏足够的地面观测以及高精度遥感反演气象数据,当前尚无法全面评估区域气候模式在中亚地区尤其是山区的模拟精度。</p>
[9]	祝善友, 张桂欣. 近地表气温遥感反演研究进展 . 地球科学进展, 2011, 26(7): 724-730. Magsci [本文引用: 2] 摘要 <p>高时间分辨率的近地表气温空间分布数据是许多陆面过程模型中非常重要的输入参数之一。在常规气象观测站点稀少或没有的情况下，利用遥感技术进行较高时空分辨率的近地表气温估算与反演，在理论方法与业务实践上都具有重要研究意义。根据地表能量平衡与辐射平衡原理，在气温遥感反演物理机制分析的基础上，总结了国内外近年来气温遥感反演的研究进展，主要方法可归纳为5类：单因子统计方法、多因子统计方法、神经网络方法、地表温度—植被指数方法和地表能量平衡方法，并从遥感反演气温的时空分辨率、反演模型中影响因子的考虑、模型的可移植性与实用性角度，讨论了已有研究方法中存在的困难与问题，最后对未来可能的研究方向做出了展望。</p> [Zhu Shanyou, Zhang Guixin. Progress in near surface air temperature retrieved by remote sensing technology. Advances in Earth Science, 2011, 26(7): 724-730.] Magsci [本文引用: 2] 摘要 <p>高时间分辨率的近地表气温空间分布数据是许多陆面过程模型中非常重要的输入参数之一。在常规气象观测站点稀少或没有的情况下，利用遥感技术进行较高时空分辨率的近地表气温估算与反演，在理论方法与业务实践上都具有重要研究意义。根据地表能量平衡与辐射平衡原理，在气温遥感反演物理机制分析的基础上，总结了国内外近年来气温遥感反演的研究进展，主要方法可归纳为5类：单因子统计方法、多因子统计方法、神经网络方法、地表温度—植被指数方法和地表能量平衡方法，并从遥感反演气温的时空分辨率、反演模型中影响因子的考虑、模型的可移植性与实用性角度，讨论了已有研究方法中存在的困难与问题，最后对未来可能的研究方向做出了展望。</p>
[10]	姚永慧, 张百平, 韩芳. 基于Modis地表温度的横断山区气温估算及其时空规律分析 . 地理学报, 2011, 66(7): 917-927. Magsci [本文引用: 2] 摘要横断山区气象观测站稀少且多分布在河谷之中,气温资料极度匮乏,严重影响山区地理与生态研究。随着遥感技术的发展,热红外遥感数据,结合地面观测数据,可以用来推测山区气温。本文通过对横断山区2001 年-2007 年间64 个气象台站的多年月平均气温数据(Ta) 与Modis地表温度多年月平均值(Ts) 进行了时序分析和回归分析,并取得如下研究结果：(1) Ts 与Ta 具有非常好的线性相关关系,89%的台站的决定系数高于0.5；95%的台站的标准误差都低于3 oC,84.4%的台站标准误差低于2.5 oC；12 个月份的Ts 与Ta 的决定系数R<sup>2</sup>在0.63~0.90 之间,标准误差在2.22~3.05 oC之间。(2) 研究区内月均气温的变化范围在-2.25~15.64 oC之间；生长季(5-9 月份) 的月均气温变化范围为：10.44~15.64 oC。(3) 等温线的海拔高度自山体外围向内部逐渐升高,与山体效应的增温效应相吻合；0 oC等温线自10 月份从海拔4700±500 m左右逐渐降低,至1月份降至最低点,约在3500±500 m左右,此后,逐渐回升,至次年5 月份再次达到4700±500 m左右,也就是说横断山区5200 m以下的广大山区全年至少有6~12 个月的气温在0 oC以上。研究表明：可以利用Modis月均地表温度结合地面观测台站的数据较精确的估算山区月均气温。 [Yao Yonghui, Zhang Baiping, Han Fang. MODIS-based air temperature estimation in the Hengduan mountains andits spatio-temporal analysis. Acta Geographica Sinica, 2011, 66(7): 917-927.] Magsci [本文引用: 2] 摘要横断山区气象观测站稀少且多分布在河谷之中,气温资料极度匮乏,严重影响山区地理与生态研究。随着遥感技术的发展,热红外遥感数据,结合地面观测数据,可以用来推测山区气温。本文通过对横断山区2001 年-2007 年间64 个气象台站的多年月平均气温数据(Ta) 与Modis地表温度多年月平均值(Ts) 进行了时序分析和回归分析,并取得如下研究结果：(1) Ts 与Ta 具有非常好的线性相关关系,89%的台站的决定系数高于0.5；95%的台站的标准误差都低于3 oC,84.4%的台站标准误差低于2.5 oC；12 个月份的Ts 与Ta 的决定系数R<sup>2</sup>在0.63~0.90 之间,标准误差在2.22~3.05 oC之间。(2) 研究区内月均气温的变化范围在-2.25~15.64 oC之间；生长季(5-9 月份) 的月均气温变化范围为：10.44~15.64 oC。(3) 等温线的海拔高度自山体外围向内部逐渐升高,与山体效应的增温效应相吻合；0 oC等温线自10 月份从海拔4700±500 m左右逐渐降低,至1月份降至最低点,约在3500±500 m左右,此后,逐渐回升,至次年5 月份再次达到4700±500 m左右,也就是说横断山区5200 m以下的广大山区全年至少有6~12 个月的气温在0 oC以上。研究表明：可以利用Modis月均地表温度结合地面观测台站的数据较精确的估算山区月均气温。
[11]	Zakšek K, Schroedter-Homscheidt M. Parameterization of air temperature in high temporal and spatial resolution from a combination of the SEVIRI and MODIS instruments. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(4): 414-421. https://doi.org/10.1016/j.isprsjprs.2009.02.006 Magsci [本文引用: 1] 摘要 <h2 class="secHeading" id="section_abstract">Abstract</h2><p id="">Some applications, e.g. from traffic or energy management, require air temperature data in high spatial and temporal resolution at two metres height above the ground (<span id="mmlsi11" onclick="submitCitation('/science?_ob=MathURL&_method=retrieve&_eid=1-s2.0-S0924271609000410&_mathId=si11.gif&_pii=S0924271609000410&_issn=09242716&_acct=C000228598&_version=1&_userid=10&md5=434ca7b2def1887e3ea3a01628b0d1bd')" style="cursor:pointer;" alt="Click to view the MathML source" title="Click to view the MathML source"><span class="formulatext" title="click to view the MathML source"><em>T</em><sub>2<em>m</em></sub></span></span>), sometimes in near-real-time. Thus, a parameterization based on boundary layer physical principles was developed that determines the air temperature from remote sensing data (SEVIRI data aboard the MSG and MODIS data aboard Terra and Aqua satellites). The method consists of two parts. First, a downscaling procedure from the SEVIRI pixel resolution of several kilometres to a one kilometre spatial resolution is performed using a regression analysis between the land surface temperature (<em>LST</em>) and the normalized differential vegetation index (<em>NDVI</em>) acquired by the MODIS instrument. Second, the lapse rate between the <em>LST</em> and <span id="mmlsi12" onclick="submitCitation('/science?_ob=MathURL&_method=retrieve&_eid=1-s2.0-S0924271609000410&_mathId=si12.gif&_pii=S0924271609000410&_issn=09242716&_acct=C000228598&_version=1&_userid=10&md5=a7e62a8e030d50536a152ddb9f30da48')" style="cursor:pointer;" alt="Click to view the MathML source" title="Click to view the MathML source"><span class="formulatext" title="click to view the MathML source"><em>T</em><sub>2<em>m</em></sub></span></span> is removed using an empirical parameterization that requires albedo, down-welling surface short-wave flux, relief characteristics and <em>NDVI</em> data. The method was successfully tested for Slovenia, the French region Franche-Comté and southern Germany for the period from May to December 2005, indicating that the parameterization is valid for Central Europe. This parameterization results in a root mean square deviation <em>RMSD</em> of 2.0 K during the daytime with a bias of −0.01 K and a correlation coefficient of 0.95. This is promising, especially considering the high temporal (30 min) and spatial resolution (1000 m) of the results.</p>
[12]	Benali A, Carvalho A C, Nunes J P, et al. Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment, 2012, 124(9): 108-121. https://doi.org/10.1016/j.rse.2012.04.024 URL [本文引用: 1] 摘要 Air surface temperature (T air ) is an important parameter for a wide range of applications such as vector-borne disease bionomics, hydrology and climate change studies. Air temperature data is usually obtained from measurements made in meteorological stations, providing only limited information about spatial patterns over wide areas. The use of remote sensing data can help overcome this problem, particularly in areas with low station density, having the potential to improve the estimation of T air at both regional and global scales. Some studies have tried to derive maximum (T max ), minimum (T min ) and average air temperature (T avg ) using different methods, with variable estimation accuracy; errors generally fall in the 2–302°C range while the level of precision generally considered as accurate is 1–202°C. The main objective of this study was to accurately estimate T max , T min and T avg for a 1002year period based on remote sensing—Land Surface Temperature (LST) data obtained from MODIS—and auxiliary data using a statistical approach. An optimization procedure with a mixed bootstrap and jackknife resampling was employed. The statistical models estimated Tavg with a MEF (Model Efficiency Index) of 0.941 and a RMSE of 1.3302°C. Regarding T max and T min , the best MEF achieved was 0.919 and 0.871, respectively, with a 1.83 and 1.7402°C RMSE. The developed datasets provided weekly 102km estimations and accurately described both the intra and inter annual temporal and spatial patterns of T air . Potential sources of uncertainty and error were also analyzed and identified. The most promising developments were proposed with the aim of developing accurate T air estimations at a larger scale in the future.
[13]	Florio E N, Lele S R, Chi C Y, et al. Integrating AVHRR satellite data and NOAA ground observations to predict surface air temperature: a statistical approach. International Journal of Remote Sensing, 2004, 25(15): 2979-2994. https://doi.org/10.1080/01431160310001624593 URL 摘要 ABSTRACT Ground station temperature data are not commonly used simultaneously with the Advanced Very High Resolution Radiometer (AVHRR) to model and predict air temperature or land surface temperature. Technology was developed to acquire near-synchronous datasets over a 1 000 000 km region with the goal of improving the measurement of air temperature at the surface. This study compares several statistical approaches that combine a simple AVHRR split window algorithm with ground meterological station observations in the prediction of air temperature. Three spatially dependent (kriging) models were examined, along with their non-spatial counterparts (multiple linear regressions). Cross-validation showed that the kriging models predicted temperature better (an average of 0.9掳C error) than the multiple regression models (an average of 1.4掳C error). The three different kriging strategies performed similarly when compared to each other. Errors from kriging models were unbiased while regression models tended to give biased predicted values. Modest improvements seen after combining the data sources suggest that, in addition to air temperature modelling, the approach may be useful in land surface temperature modelling.
[14]	Neteler M. Estimating Daily Land Surface Temperatures in Mountainous Environments by Reconstructed MODIS LST Data. Remote Sensing, 2010, 2(1): 333-351. https://doi.org/10.3390/rs1020333 URL [本文引用: 1] 摘要 Abstract Continuous monitoring of extreme environments, such as the European Alps, is hampered by the sparse and/or irregular distribution of meteorological stations, the difficulties in performing ground surveys and the complexity of interpolating existing station data. Remotely sensed Land Surface Temperature (LST) is therefore of major interest for a variety of environmental and ecological applications. But while MODIS LST data from the Terra and Aqua satellites are aimed at closing the gap between data demand and availability, clouds and other atmospheric disturbances often obscure parts or even the entirety of these satellite images. A novel algorithm is presented in this paper, which is able to reconstruct incomplete MODIS LST maps. All nine years of the available daily LST data (2000鈥2008) have been processed, allowing the original LST map resolution of 1,000 m to be improved to 200 m, which means the resulting LST maps can be applied at a regional level. Extracted time series and aggregated data are shown as examples and are compared to meteorological station time series as an indication of the quality obtained.
[15]	王渊刚, 罗格平, 赵树斌, 等. 新疆耕地变化对区域碳平衡的影响 . 地理学报, 2014, 69(1): 110-120. https://doi.org/10.11821/dlxb201401011 URL Magsci [本文引用: 1] 摘要基于“Bookkeeping”模型，对1975-2005 年期间新疆耕地变化对区域碳平衡的影响进行了分析。荒漠土地开垦和耕地转移是新疆耕地变化的两种主要方式，1975-2005 年这两种耕地变化方式使新疆碳储量增加了20.6 Tg C，其中土地开垦使区域碳储量增加了51.8 Tg C，而耕地转移则向大气排放了31.2 Tg C。在1975-1985 年期间，新疆耕地大规模转移，区域碳储量的变化趋势受耕地转移的影响较大；1985 年后随新疆土地开垦规模的增加，碳储量变化趋势主要受土地开垦影响。30 年间，新疆碳储量增加主要是由草地开垦为耕地引起，而耕地转移为草地是新疆碳储量减少的主要原因。新疆地区进行合理的水土开发活动有利于区域碳固定，且长期的耕作管理活动会进一步增强耕地的碳汇功能。 [Wang Yuangang, Luo Geping, Zhao Shubin, et al. Effects of arable land change on regional carbon balance in Xinjiang. Acta Geographica Sinica, 2014, 69(1): 110-120.] https://doi.org/10.11821/dlxb201401011 URL Magsci [本文引用: 1] 摘要基于“Bookkeeping”模型，对1975-2005 年期间新疆耕地变化对区域碳平衡的影响进行了分析。荒漠土地开垦和耕地转移是新疆耕地变化的两种主要方式，1975-2005 年这两种耕地变化方式使新疆碳储量增加了20.6 Tg C，其中土地开垦使区域碳储量增加了51.8 Tg C，而耕地转移则向大气排放了31.2 Tg C。在1975-1985 年期间，新疆耕地大规模转移，区域碳储量的变化趋势受耕地转移的影响较大；1985 年后随新疆土地开垦规模的增加，碳储量变化趋势主要受土地开垦影响。30 年间，新疆碳储量增加主要是由草地开垦为耕地引起，而耕地转移为草地是新疆碳储量减少的主要原因。新疆地区进行合理的水土开发活动有利于区域碳固定，且长期的耕作管理活动会进一步增强耕地的碳汇功能。
[16]	Jiménez-Muñoz J C, Sobrino J A. A generalized single-channel method for retrieving land surface temperature from remote sensing data. Journal of Geophysical Research, 2003, 108(D22): 2015-2023. https://doi.org/10.1029/2003JD003480 URL [本文引用: 1] 摘要 1] Many papers have developed algorithms to retrieve land surface temperature from at-sensor and land surface emissivity data. These algorithms have been specified for different thermal sensors on board satellites, i.e., the algorithm used for one thermal sensor (or a combination of thermal sensors) cannot be used for other thermal sensor. The main goal of this paper is to propose a generalized single-channel algorithm that only uses the total atmospheric water vapour content and the channel effective wavelength (assuming that emissivity is known), and can be applied to thermal sensors characterized with a FWHM (Full-Width Half-Maximum) of around 1 mm actually operative on board satellites. The main advantage of this algorithm compared with the other single-channel methods is that in-situ radiosoundings or effective mean atmospheric temperature values are not needed, whereas the main advantage of this algorithm compared with split-window and dual-angle methods is that it can be applied to different thermal sensors using the same equation and coefficients. The validation for different test sites shows root mean square deviations lower than 2 K for AVHRR channel 4 (l % 10.8 mm) and ATSR-2 channel 2 (l % 11 mm), and lower than 1.5 K for Landsat Thematic Mapper (TM) band 6 (l % 11.5 mm). Citation: Jim茅nez-Mu帽oz, J. C., and J. A. Sobrino, A generalized single-channel method for retrieving land surface temperature from remote sensing data, J. Geophys. Res., 108(D22), 4688, doi:10.1029/2003JD003480, 2003.
[1]	Chu P C, Lu S H, Chen Y C. A numerical modeling study on desert oasis self-supporting mechanisms. Journal of Hydrology, 2005, 312(1): 256-276. https://doi.org/10.1016/j.jhydrol.2005.02.043 URL [本文引用: 1] 摘要 Oasis self-supporting mechanisms due to oasis breeze circulation (OBC) are proposed and simulated numerically in this study using a coupled mesoscale and land-surface model. Excessive evaporation from the oasis makes the oasis surface colder than the surrounding desert surface. The sensible heat-flux gradient from oasis to surrounding desert drives the OBC with downdraft over the oasis and updraft over the desert. The horizontal length-scale of the OBC is around four times as large as the oasis scale. This secondary circulation creates two mechanisms to reduce heat and moisture exchange between the oasis and the surrounding desert: (1) the updraft over the desert reduces low-level hot, dry air flowing from the desert into the oasis; and (2) the downdraft increases the atmospheric static stability that reduces the oasis evaporation. Reduction of the oasis scale weakens the oasis self-supporting mechanisms through the decrease of the OBC associated with the increase of the oasis surface evaporation and decrease of the atmospheric stability over the oasis.
[2]	罗格平, 周成虎, 陈曦. 干旱区绿洲土地利用与覆被变化过程 . 地理学报, 2003, 28(1): 63-72. https://doi.org/10.3321/j.issn:0375-5444.2003.01.008 URL [本文引用: 1] 摘要应用遥感和GIS技术及数理统计学方法,以新疆三工河流域冲洪积扇-冲积平原型绿洲为研究区,利用1978年、1987年和1998年的遥感数据,深入研究了70年代中后期以来干旱区绿洲LUCC的过程和趋势.结果表明:(1)遥感和GIS在绿洲土地利用与覆被变化数据获取和空间分析方面是一种非常强大而有效的技术手段;(2)通过建立绿洲LUCC的幅度、速度、区域差异和变化趋势数学模型,可以较好的研究绿洲土地LUCC的过程和趋势,如变化的双向性、单向性、正向性和反向性,变化的涨势或落势等,在三工河流域绿洲应用取得良好效果;(3)自70年代中后期以来三工河流域绿洲LUCC趋缓,并存在显著的时空差异:前期绿洲LUCC处于单向转换过程的非平衡状态,并呈现一定的地段分异,其中绿洲上部处于准平衡状态,而绿洲中部和下部处于非平衡状态.后期绿洲LUCC呈现双向转换为主的发展态势,使绿洲LUCC处于准平衡状态;绿洲上部和中部处于非平衡状态,绿洲下部处于平衡状态,均表现出不同的变化过程和趋势.
[17]	覃志豪. 用陆地卫星TM6数据演算地表温度的单窗算法 . 地理学报, 2001, 56(4): 456-466. https://doi.org/10.1142/S0252959901000401 URL [本文引用: 2] 摘要陆地卫星 TM数据 (TM6)热波段表示地表热辐射和地表温度变化。长期以来 ,从 TM6数据中演算地表温度通常是通过所谓大气校正法。这一方法需要估计大气热辐射和大气对地表热辐射传导的影响 ,计算过程很复杂 ,误差也较大 ,在实际中应用不多。根据地表热辐射传导方程 ,推导出一个简单易行并且精度较高的演算方法 ,把大气和地表的影响直接包括在演算公式中。该算法需要用地表辐射率、大气透射率和大气平均温度 3个参数进行地表温度的演算。验证表明 ,该方法的地表温度演算较高。当参数估计没有误差时 ,该方法的地表温度演算精度达到 0 .4℃ ,在参数估计有适度误差时 ,演算精度仍达 1 .1℃。因该方法适用于仅有一个热波段的遥感数据 ,故称为单窗算法。 [Qin Zhihao. Mono-window a lgorithm for retrieving land surface temperature from landsat TM6 data. Acta Geographica Sinica, 2001, 56(4): 456-466.] https://doi.org/10.1142/S0252959901000401 URL [本文引用: 2] 摘要陆地卫星 TM数据 (TM6)热波段表示地表热辐射和地表温度变化。长期以来 ,从 TM6数据中演算地表温度通常是通过所谓大气校正法。这一方法需要估计大气热辐射和大气对地表热辐射传导的影响 ,计算过程很复杂 ,误差也较大 ,在实际中应用不多。根据地表热辐射传导方程 ,推导出一个简单易行并且精度较高的演算方法 ,把大气和地表的影响直接包括在演算公式中。该算法需要用地表辐射率、大气透射率和大气平均温度 3个参数进行地表温度的演算。验证表明 ,该方法的地表温度演算较高。当参数估计没有误差时 ,该方法的地表温度演算精度达到 0 .4℃ ,在参数估计有适度误差时 ,演算精度仍达 1 .1℃。因该方法适用于仅有一个热波段的遥感数据 ,故称为单窗算法。
[2]	[Luo Geping, Zhou Chenghu, Chen Xi. Process of land use/land cover change in the oasis of arid region. Acta Geographica Sinica, 2003, 28(1): 63-72.] https://doi.org/10.3321/j.issn:0375-5444.2003.01.008 URL [本文引用: 1] 摘要应用遥感和GIS技术及数理统计学方法,以新疆三工河流域冲洪积扇-冲积平原型绿洲为研究区,利用1978年、1987年和1998年的遥感数据,深入研究了70年代中后期以来干旱区绿洲LUCC的过程和趋势.结果表明:(1)遥感和GIS在绿洲土地利用与覆被变化数据获取和空间分析方面是一种非常强大而有效的技术手段;(2)通过建立绿洲LUCC的幅度、速度、区域差异和变化趋势数学模型,可以较好的研究绿洲土地LUCC的过程和趋势,如变化的双向性、单向性、正向性和反向性,变化的涨势或落势等,在三工河流域绿洲应用取得良好效果;(3)自70年代中后期以来三工河流域绿洲LUCC趋缓,并存在显著的时空差异:前期绿洲LUCC处于单向转换过程的非平衡状态,并呈现一定的地段分异,其中绿洲上部处于准平衡状态,而绿洲中部和下部处于非平衡状态.后期绿洲LUCC呈现双向转换为主的发展态势,使绿洲LUCC处于准平衡状态;绿洲上部和中部处于非平衡状态,绿洲下部处于平衡状态,均表现出不同的变化过程和趋势.
[3]	张丽文, 黄敬峰, 王秀珍. 气温遥感估算方法研究综述 . 自然资源学报, 2014, 29(3): 540-552. https://doi.org/10.11849/zrzyxb.2014.03.017 URL [本文引用: 1] 摘要？气温作为重要的气候资源之一，在植被长势、农业灾害和气候变化研究中发挥着举足轻重的作用。目前大尺度农业、气候模型都需要空间分布的气温作为输入参数。除了用有限的台站数据空间插值获取气温栅格化数据外，遥感技术更为连贯精细的气温空间观测提供了有力的数据支持。为服务区域尺度气温相关的科研及业务工作，论文首先介绍了目前国内外气温遥感估算的主要方法，包括简单统计法、高级统计法、温度-植被指数分析法（TVX法）、地表能量平衡法及大气温度廓线外推法。再根据实际应用需要，重点总结比较了最高、最低和平均气温及不同时空尺度气温的遥感估算特点。最后讨论了气温遥感估算在实际应用中存在的问题并探讨了未来的研究趋势。
[18]	白洁, 刘绍民, 丁晓萍. 海河流域不同下垫面上大孔径闪烁仪观测显热通量的时空特征分析 . 地球科学进展, 2010, 25(11): 1187-1198. Magsci [本文引用: 1] 摘要 <p>基于海河流域密云站、馆陶站和大兴站2008—2009年大孔径闪烁仪的观测数据，结合涡动相关仪和自动气象站的同步观测，经过数据筛选、质量评价、数据处理及插补等步骤，得到了3个站点不同时间尺度的显热通量和蒸散量。首先分析了3个站点1月、4月、7月、10月不稳定状态下大孔径闪烁仪通量观测的空间代表性及源区内不同下垫面的通量贡献率，并结合下垫面作物生长状况比较分析了3个站点不同季节大孔径闪烁仪观测显热通量与净辐射的月平均日变化趋势，不同下垫面上两者变化趋势一致，且馆陶站的显热通量在各月中都为最低，1月、7月密云站的显热通量与大兴站较为接近。同时3个站点2008—2009年9:00~15:00显热通量日平均值的季节变化趋势表明，相对于密云站单峰状的季节变化，源区内下垫面的植被类型和植被生长状况导致馆陶站和大兴站的显热通量都表现出明显的三峰变[JP2]化。最后，以馆陶站大孔径闪烁仪和涡动相关仪观测的30 min显热通量数据为例，结合涡动相关仪的能量闭合率，大孔径闪烁仪和涡动相关仪通量足迹源区的重叠程度和非重叠部分的地面非均一性，对不同尺度显热通量观测的差异原因进行了讨论。</p> [Bai Jie, Liu Shaomin, Ding Xiaoping. Temporal-spatial characteristics analysis of area-averaged sensible heat fluxes by large aperture scintillometer over Hai River basin. Advances in Earth Science, 2010, 25(11): 1187-1198.] Magsci [本文引用: 1] 摘要 <p>基于海河流域密云站、馆陶站和大兴站2008—2009年大孔径闪烁仪的观测数据，结合涡动相关仪和自动气象站的同步观测，经过数据筛选、质量评价、数据处理及插补等步骤，得到了3个站点不同时间尺度的显热通量和蒸散量。首先分析了3个站点1月、4月、7月、10月不稳定状态下大孔径闪烁仪通量观测的空间代表性及源区内不同下垫面的通量贡献率，并结合下垫面作物生长状况比较分析了3个站点不同季节大孔径闪烁仪观测显热通量与净辐射的月平均日变化趋势，不同下垫面上两者变化趋势一致，且馆陶站的显热通量在各月中都为最低，1月、7月密云站的显热通量与大兴站较为接近。同时3个站点2008—2009年9:00~15:00显热通量日平均值的季节变化趋势表明，相对于密云站单峰状的季节变化，源区内下垫面的植被类型和植被生长状况导致馆陶站和大兴站的显热通量都表现出明显的三峰变[JP2]化。最后，以馆陶站大孔径闪烁仪和涡动相关仪观测的30 min显热通量数据为例，结合涡动相关仪的能量闭合率，大孔径闪烁仪和涡动相关仪通量足迹源区的重叠程度和非重叠部分的地面非均一性，对不同尺度显热通量观测的差异原因进行了讨论。</p>
[3]	[Zhang Liwen, Huang Jingfeng, Wang Xiuzhen. A review on air temperature estimation by satellite thermal infrared remote sensing. Journal of Natural Resources, 2014, 29(3): 540-552.] https://doi.org/10.11849/zrzyxb.2014.03.017 URL [本文引用: 1] 摘要？气温作为重要的气候资源之一，在植被长势、农业灾害和气候变化研究中发挥着举足轻重的作用。目前大尺度农业、气候模型都需要空间分布的气温作为输入参数。除了用有限的台站数据空间插值获取气温栅格化数据外，遥感技术更为连贯精细的气温空间观测提供了有力的数据支持。为服务区域尺度气温相关的科研及业务工作，论文首先介绍了目前国内外气温遥感估算的主要方法，包括简单统计法、高级统计法、温度-植被指数分析法（TVX法）、地表能量平衡法及大气温度廓线外推法。再根据实际应用需要，重点总结比较了最高、最低和平均气温及不同时空尺度气温的遥感估算特点。最后讨论了气温遥感估算在实际应用中存在的问题并探讨了未来的研究趋势。
[4]	Hou P, Chen Y H, Qiao W, et al. Near-surface air temperature retrieval from satellite images and influence by wetlands in urban region. Theoretical and Applied Climatology, 2013, 111(1-2): 109-118. https://doi.org/10.1007/s00704-012-0629-7 URL [本文引用: 1] 摘要 Near-surface air temperature (NSAT) directly reflects the thermal conditions above the ground and has been considered as a relevant indicator of resident health in urban regions. The rapid retrieval of NSAT data is necessary to assess urban environments. In this paper, a method of NSAT retrieval is developed that employs Landsat Thematic Mapper images using an Energy Balance Bowen Ratio model. This model is established based on the energy balance over land and the Bowen ratio. The degree of retrieval error obtained when using this model is determined on the basis of a comparison with the observed values obtained from weather stations; the mean error is approximately 2.21聽掳C. Moreover, the spatial relationship between NSAT and urban wetlands is analyzed using Geographical Information System technology. The results show that wetlands have an obvious influence on atmospheric temperature and that this influence decreases as the distance from the wetland increases. When that distance is less than 300聽m, its influence on the NSAT is significant.
[19]	宋挺, 段峥, 刘军志, 等. Landsat 8数据地表温度反演算法对比 . 遥感学报, 2015, 19(3): 451-464. https://doi.org/10.11834/jrs.20154180 URL [本文引用: 1] 摘要随着卫星遥感技术的发展,利用遥感反演地表温度的方法不断出现,如劈窗法、双角度法和单通道算法等。Landsat系列卫星的遥感数据是地表温度反演的重要数据之一。本文选择无锡周边区域为研究区,利用Landsat 8卫星遥感数据,对两种劈窗算法(Juan C.Jiménez-Muoz劈窗算法和Offer Rozenstein劈窗算法)和两种单窗算法(Juan C.Jiménez-Muoz单通道算法和覃志豪单窗算法)的地表温度反演精度进行了对比和敏感性分析。采用太湖16个浮标站的实测数据来验证了4种算法的反演精度。结果表明:两种劈窗算法的精度较高且较为接近,误差为0.7 K左右;覃志豪单窗算法和Juan C.Jiménez-Muoz单通道算法精度较低,误差分别为1.3 K和1.4 K左右。Juan C.Jiménez-Muoz劈窗算法对参数的敏感性最低,Juan C.Jiménez-Muoz单通道算法次之,覃志豪单窗算法和Offer Rozenstein劈窗算法敏感性相对最高。其中Juan C.Jiménez-Muoz单通道算法只适用于一定的水汽含量范围,有一定的局限性。 [Song Ting, Duan Zheng, Liu Junzhi, et al. Comparison of four algorithms to retrieve land surface temperature using Landsat 8 satellite. Journal of Remote Sensing, 2015, 19(3): 451-464.] https://doi.org/10.11834/jrs.20154180 URL [本文引用: 1] 摘要随着卫星遥感技术的发展,利用遥感反演地表温度的方法不断出现,如劈窗法、双角度法和单通道算法等。Landsat系列卫星的遥感数据是地表温度反演的重要数据之一。本文选择无锡周边区域为研究区,利用Landsat 8卫星遥感数据,对两种劈窗算法(Juan C.Jiménez-Muoz劈窗算法和Offer Rozenstein劈窗算法)和两种单窗算法(Juan C.Jiménez-Muoz单通道算法和覃志豪单窗算法)的地表温度反演精度进行了对比和敏感性分析。采用太湖16个浮标站的实测数据来验证了4种算法的反演精度。结果表明:两种劈窗算法的精度较高且较为接近,误差为0.7 K左右;覃志豪单窗算法和Juan C.Jiménez-Muoz单通道算法精度较低,误差分别为1.3 K和1.4 K左右。Juan C.Jiménez-Muoz劈窗算法对参数的敏感性最低,Juan C.Jiménez-Muoz单通道算法次之,覃志豪单窗算法和Offer Rozenstein劈窗算法敏感性相对最高。其中Juan C.Jiménez-Muoz单通道算法只适用于一定的水汽含量范围,有一定的局限性。
[20]	胡德勇, 乔琨, 王兴玲, 等. 单窗算法结合Landsat 8热红外数据反演地表温度 . 遥感学报, 2015, 19(6): 964-976. https://doi.org/10.11834/jrs.20155038 URL [本文引用: 1] 摘要 Landsat热红外系列数据一直是地表温度反演重要的遥感数据源,目前用于地表温度反演的单窗算法主要针对Landsat TM/ETM+第6波段数据(TM 6)建立的,Landsat 8热红外传感器(TIRS)与TM 6相比有很多变化,因而其单窗算法也需要改进.本文以Landsat 8 TIRS第10波段(TIRS 10)为数据源,提出了针对TIRS 10的单窗算法(TIRS10_SC),并对研究区地表温度进行反演研究,确定了研究区不同类型地表的温度值.研究结果表明:(1) TIRS10_SC算法可以较好地应用于Landsat 8数据的地表温度反演,平均反演误差为0.83℃,相关系数为0.805,反演温度与模拟数据和实测数据都具有较好的一致性;(2)通过对单窗算法中的地表发射率、大气水汽含量和大气平均作用温度等参数敏感性分析发现,TIRS10 SC算法能够获得较为可靠的反演结果;同时,TIRS10 SC算法对大气水汽含量和地表发射率敏感性较高,对大气平均作用温度敏感性稍弱.该算法对于利用Landsat 8 TIRS数据快速反演地表温度具有应用价值. [Hu Deyong, Qiao Kun, Wang Xingling, et al. Land surface temperature retrieval from landsat 8 thermal infrared data using mono-window algorithm. Journal of Remote Sensing, 2015, 19(6): 964-976.] https://doi.org/10.11834/jrs.20155038 URL [本文引用: 1] 摘要 Landsat热红外系列数据一直是地表温度反演重要的遥感数据源,目前用于地表温度反演的单窗算法主要针对Landsat TM/ETM+第6波段数据(TM 6)建立的,Landsat 8热红外传感器(TIRS)与TM 6相比有很多变化,因而其单窗算法也需要改进.本文以Landsat 8 TIRS第10波段(TIRS 10)为数据源,提出了针对TIRS 10的单窗算法(TIRS10_SC),并对研究区地表温度进行反演研究,确定了研究区不同类型地表的温度值.研究结果表明:(1) TIRS10_SC算法可以较好地应用于Landsat 8数据的地表温度反演,平均反演误差为0.83℃,相关系数为0.805,反演温度与模拟数据和实测数据都具有较好的一致性;(2)通过对单窗算法中的地表发射率、大气水汽含量和大气平均作用温度等参数敏感性分析发现,TIRS10 SC算法能够获得较为可靠的反演结果;同时,TIRS10 SC算法对大气水汽含量和地表发射率敏感性较高,对大气平均作用温度敏感性稍弱.该算法对于利用Landsat 8 TIRS数据快速反演地表温度具有应用价值.
[21]	Kawashima S, Ishida T, Minomura M, et al. Relations between surface temperature and air temperature on a local scale during winter nights. Journal of Applied Meteorology, 2000, 39(9): 1570-1579. [本文引用: 1]
[22]	Colombi A, De M C, Pepe M, et al. Estimation of daily mean air temperature from MODIS LST in Alpine areas. EARSeL eProceedings, 2007, 6(1): 38-46. URL [本文引用: 2] 摘要 ABSTRACT This study is aimed at demonstrating the feasibility of the MODIS Land Surface Temperature (LST) product as a source for calculating spatially distributed daily mean air temperature to be used as input for hydrological or environmental models. The test area is located in the Italian Alpine area. The proposed procedure solves, by empirical approaches, the problem of relating LST to the Air Temperature (Tair) and instantaneous Tair values to daily mean values, exploiting ground data weather station measurements as a reference. The relationship between LST and Tair is deter- mined by correlation analysis and equation generalisation for spatial distribution. The extrapolation of daily mean values of Tair from instantaneous values is addressed again by correlation analyses taking into account the altitude variability and exploiting historical series. Validation was accom- plished by accuracy assessment procedures both punctual and spatially distributed, the latter per- formed by comparison with the Inverse Distance Weighting (IDW) interpolation method. The proposed methodology produced satisfactory results as related to the objective: The daily mean air temperatures derived by LST showing an overall RMSE of 1.89掳C, and slightly outper- forms the interpolation method used as comparison.
[23]	Cristóbal J, Ninyerola M, Pons X. Modeling air temperature through a combination of remote sensing and GIS data. Journal of Geophysical Research: Atmospheres, 2008, 113(D13): 1395-1400. https://doi.org/10.1029/2007JD009318 URL [本文引用: 1] 摘要 Air temperature is involved in many environmental processes such as actual and potential evapotranspiration, net radiation and species distribution. Ground meteorological stations provide important local data of air temperature, but a continuous surface for large and heterogeneous areas is also needed. In this paper we present a hybrid methodology between Remote Sensing and Geographical Information Systems to retrieve daily instantaneous, mean, maximum and minimum air temperatures (2002-2004) as well as monthly and annual mean, maximum and minimum air temperatures (2000-2005) on a regional scale (Catalonia, northeast of the Iberian Peninsula) by means of multiple regression analysis and spatial interpolation techniques. To perform multiple regression analysis we have used geographical and multiresolution remotely sensed variables as predictors. The geographical variables we have included are altitude, latitude, continentality and solar radiation. As remote sensing predictors, we have selected those variables that are most closely related with air temperature such as albedo, land surface temperature (LST) and NDVI obtained from Landsat-5 (TM), Landsat-7 (ETM+), NOAA (AVHRR) and TERRA (MODIS) satellites. The best air temperature models are obtained when remote sensing variables are combined with geographical variables: averaged R= 0.60 and averaged root mean square error (RMSE) = 1.75掳C for daily temperatures, and averaged R= 0.86 and averaged RMSE = 1.00掳C for monthly and annual temperatures. The results also show that combined models appear in a higher frequency than only geographical or only remote sensing models (87%, 11% and 2% respectively) and that LST and NDVI are the most powerful remote sensing predictors in air temperature modeling.
[24]	Zhang W, Huang Y, Yu Y Q, et al. Empirical models for estimating daily maximum, minimum and mean air temperatures with MODIS land surface temperatures. International Journal of Remote Sensing, 2011, 32(24): 9415-9440. https://doi.org/10.1080/01431161.2011.560622 URL [本文引用: 1] 摘要 ABSTRACT Daily air temperature is a measurement that is required by many biogeochemical models. This study compared daily maximum (T max), minimum (T min) and mean (T mean) air temperature observations collected at 678 standard meteorological stations of China in 2003 with estimates derived from daytime and night-time land surface temperature (LST) observed by the Moderate Resolution Imaging Spectroradiometer (MODIS) on board TERRA and AQUA satellites. Correlation analysis showed that the determination coefficients (R 2 > 0.81) between models using night-time LSTs and the observed air temperatures were higher than those using daytime LSTs (R 2 > 0.57), but with significant seasonal variation. Though estimates derived from coupled daytime and night-time LSTs were more accurate than using night-time or daytime LSTs alone, the available pixels were substantially reduced. Four empirical models were established for T max, T min and T mean with MODIS night-time LSTs alone, or with coupled daytime and night-time LSTs, respectively. Solar declination was incorporated into the models to simulate seasonal variation of the correlations. Model validation showed that percentage of residuals within 鈥3掳C to 3掳C ranged approximately from 60.2% to 74.3%, 64.4% to 69.9% and 76.8% to 85.7% for T max, T min and T mean, respectively. It was concluded that night-time LST was the optimum predictor for estimating daily T min, T mean and even T max when considering both the performance of the models and the availability of the LST data. Moreover, there was no significant difference between LSTs of TERRA and AQUA for estimating daily air temperatures.
[25]	Jang J D, Viau A A, Anctil F. Neural network estimation of air temperatures from AVHRR data. International Journal of Remote Sensing, 2004, 25(21): 4541-4554. https://doi.org/10.1080/01431160310001657533 URL [本文引用: 1] 摘要 ABSTRACT Multilayer feed-forward (MLF) neural networks were employed to estimate air temperatures in Southern Qu茅bec (Canada) using Advanced Very High Resolution Radiometer (AVHRR) images. The input variables for the networks were the five bands of the AVHRR image, surface altitude, solar zenith angle, and Julian day. The estimation was carried out using a dataset collected during the growing season from June to September 2000. Levenberg--Marquardt back-propagation (LM-BP) was used to train the networks. The early stopping method was applied to improve the LM-BP and to generalize the networks. Bands 4 and 5, which are used for retrieval of surface temperature, were the most critical components for the estimation. The contribution of Julian day to the precision of estimated air temperature was much superior to that of altitude and solar zenith angle for the dataset of inter-seasonal air temperatures. The network using all five bands, Julian day, altitude, and solar zenith angle provided the best results, with 22 nodes in the hidden layer. In the time series of estimated and station air temperatures, the difference between the temperatures was generally maintained within 2掳C on various canopies, even during steep variations in August and September.
[26]	Zhao D Z, Zhang W C, Xu S J.A neural network algorithm to retrieve nearsurface air temperature from Landsat ETM+ imagery over the Hanjiang River basin, China. In: 2007 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2007: 1705-1708. https://doi.org/10.1109/IGARSS.2007.4423146 URL [本文引用: 1] 摘要 Abstract An algorithm based on a BP neural network for retrieval of near-surface daily mean, maximum and minimum air temperature from remotely sensed data was developed in this paper. The algorithm was tested to map air temperature by integrating Landsat Enhanced Thematic Mapper Plus (ETM+) derived surface information with GIS provided meteorological parameters with a BP neural network over the upstream Basin of the Hanjiang River, Southwestern China. The parameters involved in the training of the BP neural network for inversion of air temperature can be subdivided into six groups, each was used to represent different data sources for testing the sensitivity of these variables on the near-surface air temperature retrieved. These parameters are remotely sensed albedo, NDVI, layered meteorological data of station observed daily mean, maximum and minimum are temperature provided by GIS as well as the DEM of the study site. Five criterions, namely Mean Error (ME), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Relative Error (MRE) and correlation coefficient (R2) were utilized to evaluate the performance of the proposed algorithm by comparing the retrieved and the observed air temperature quantitatively. Systematic analyses suggested that the satisfied retrieval of daily mean and maximum near-surface air temperature can be achieved with MRE of 3.02% and 2.23% and RMSE of 0.93 and 0.9 respectively. However, only when all the parameters including daily mean and maximum near- surface air temperature were used for training the BP neural network, the daily minimum air temperature could be retrieved with the best MRE of 8.31%. From this study, it can be concluded that the BP neural network integrating with surface meteorological observations might be a promising approach for retrieving near-surface air temperature with reliable accuracy.
[27]	蔡明勇, 杨胜天, 曾红娟, 等. 基于多源空间信息的缺资料地区地表日均大气温度空间分布数据获取研究 . 干旱区地理, 2014, 37(6): 1240-1247. Magsci [本文引用: 1] 摘要地表大气温度是区域水循环研究与模型模拟中的关键因子，其日尺度的空间分布信息是众多生态、水文模型的重要输入。对于缺资料地区，尤其是在地形复杂地区，地表大气温度空间分布数据往往难以获得。基于多源空间信息，首先利用KLEMEN法反演得到研究区卫星过境时刻瞬时地表气温空间分布信息，然后通过建立的时间尺度转化方程实现研究区日均气温空间分布数据的获取。结果表明：研究中所提取的瞬时气温数据精度较高， <em>RMSE</em> 为2.33℃， <em>R</em><sup>2</sup>约为0.78；所建立的时间尺度转化方程可信度高， <em>R</em><sup>2</sup>约为0.98， <em>RMSE</em> 约为2 ℃；在不依赖于地面观测数据的条件下，研究所提取的日均气温数据总体精度 <em>R</em><sup>2</sup>为0.90，<em>RMSE</em>为4.63 ℃，且高温部分模拟精度高于低温部分。研究方法具有很好的可移植性，可应用于其他缺资料地区。 [Cai Mingyong, Yang Shengtian, Zeng Hongjuan, et al. Muti-source spatial data based on daily average temperature simulation in data sparse regions. Arid Land Geography, 2014, 37(6): 1240-1247.] Magsci [本文引用: 1] 摘要地表大气温度是区域水循环研究与模型模拟中的关键因子，其日尺度的空间分布信息是众多生态、水文模型的重要输入。对于缺资料地区，尤其是在地形复杂地区，地表大气温度空间分布数据往往难以获得。基于多源空间信息，首先利用KLEMEN法反演得到研究区卫星过境时刻瞬时地表气温空间分布信息，然后通过建立的时间尺度转化方程实现研究区日均气温空间分布数据的获取。结果表明：研究中所提取的瞬时气温数据精度较高， <em>RMSE</em> 为2.33℃， <em>R</em><sup>2</sup>约为0.78；所建立的时间尺度转化方程可信度高， <em>R</em><sup>2</sup>约为0.98， <em>RMSE</em> 约为2 ℃；在不依赖于地面观测数据的条件下，研究所提取的日均气温数据总体精度 <em>R</em><sup>2</sup>为0.90，<em>RMSE</em>为4.63 ℃，且高温部分模拟精度高于低温部分。研究方法具有很好的可移植性，可应用于其他缺资料地区。
[28]	王继燕, 罗格平, 鲁蕾. 利用TM影像分析天山北坡三工河流域地表反照率的时空变化 . 地理研究, 2010, 29(10): 1899-1908. Magsci [本文引用: 1] 摘要 <p>下垫面状况是影响地表反照率分布的主要因素之一。利用遥感方法获取地表反照率时空特征是研究地表下垫面状况的有效手段。天山北坡具有典型的山地－绿洲－荒漠景观和山盆地貌格局,这一独特且复杂多样的地表下垫面特征形成了特有的垂直分布的地表反照率。通过对三工河流域TM影像进行地形校正,基于6S(Second Simulation of Satellite Signal in the Solar Spectrum)模型分析地表反照率的时空分布。结果表明:基于中空间分辨率遥感数据的地表反照率反演适合于地表起伏明显的天山北坡地表反照率的分析。由于受到地表覆被类型及地表干湿程度的影响,三工河流域地表反照率呈明显的垂直地带性分布。中山森林带和低山干草原带受地形起伏和阴阳坡作用,其地表反照率表现出有规律的上下波动。绿洲区随着地表覆被类型、作物结构和作物物候的变化,地表反照率波动较大。</p> [Wang Jiyan, Luo Geping, Lu Lei. Analysis of the spatio-temporal distribution of the surface albedo in Sangong River Basin on the northern slope of Tianshan Mountains using TM image. Geographical Research, 2010, 29(10): 1899-1908.] Magsci [本文引用: 1] 摘要 <p>下垫面状况是影响地表反照率分布的主要因素之一。利用遥感方法获取地表反照率时空特征是研究地表下垫面状况的有效手段。天山北坡具有典型的山地－绿洲－荒漠景观和山盆地貌格局,这一独特且复杂多样的地表下垫面特征形成了特有的垂直分布的地表反照率。通过对三工河流域TM影像进行地形校正,基于6S(Second Simulation of Satellite Signal in the Solar Spectrum)模型分析地表反照率的时空分布。结果表明:基于中空间分辨率遥感数据的地表反照率反演适合于地表起伏明显的天山北坡地表反照率的分析。由于受到地表覆被类型及地表干湿程度的影响,三工河流域地表反照率呈明显的垂直地带性分布。中山森林带和低山干草原带受地形起伏和阴阳坡作用,其地表反照率表现出有规律的上下波动。绿洲区随着地表覆被类型、作物结构和作物物候的变化,地表反照率波动较大。</p>
[5]	Meng X H, Lu S H, Zhang T T, et al. Numerical simulations of the atmospheric and land conditions over the Jinta oasis in northwestern China with satellite-derived land surface parameters. Journal of Geophysical Research: Atmospheres, 2009, 114(D6): 605-617. https://doi.org/10.1029/2008JD010360 URL [本文引用: 1] 摘要 Abstract Mesoscale meteorological modeling is an important tool to help understand the energy budget of the oasis, while some of its initial field data are rough limited to describe the atmosphere and land conditions over a small oasis. Local factors including land surface parameters and their interaction with the atmosphere play a dominant role in the local circulation. Therefore, in this study, land surface parameters such as land-use types, vegetation cover fraction, and surface layer soil moisture are derived by satellite remote sensing data from EOS Moderate Resolution Imaging Spectroradiometer (EOS/MODIS), and soil moisture at 10 cm and 200 cm depth are obtained by combining surface layer soil moisture with experiential statistics. Then the parameters are used to specify the respective options in the MM5 model. Comparison with the observations shows that the modeling including satellite values leads to improved meteorological simulations in the Jinta oasis, both for the oasis effect and the local wind circulation, especially for description of the inhomogeneous characteristics over the oasis. Replacing values in the initial field with data obtained from remote sensing removes the number of unknowns in the model and increases the accuracy of the energy budget. This work is a very valuable addition to current numerical research on local circumfluence over the oasis areas.

伏牛山地区森林植被动态变化对水热条件的响应

2016

... 自1950s以来,干旱区大规模水土开发导致绿洲耗水急剧增加,外围荒漠生态系统可用水资源减少^[1],直接引起绿洲和外围荒漠水热格局的时空分布差异^[2],气温是综合反映这种时空分布差异,参与植被蒸腾、光合和呼吸等植物生理过程的关键指标^[3,4].不同土地利用/土地覆被（Land Use and Land Cover,LULC）具有不同的生物物理属性,通过地—气系统的能量交换显著影响气温的时空变化^[5,6].因此,高时空分辨率的绿洲—荒漠区近地表气温数据,不仅能清晰表征由LULC不同引起的绿洲—荒漠区能量分布差异,也是刻画绿洲—荒漠区水热格局、分析其相互作用的关键参量. ...

伏牛山地区森林植被动态变化对水热条件的响应

2016

Temperature changes in Central Asia from 1979 to 2011 based on multiple datasets.

2014

... 现有的气温再分析数据集空间分辨率较粗,通常大于10 km,如英国东英格利亚大学气候研究所的再分析数据（CRU）,空间分辨率为0.500°×0.500°;美国国家环境预报中心（NCEP）的再分析数据（CFSR）,空间分辨率为0.313°×0.313°;美国国家航空航天局（NASA）再分析数据（MERRA）,空间分辨率为0.500°×0.667°^[7];MODIS逐日地表温度产品（MOD11A1）,空间分辨率为1 km,时间序列始于2000年,序列较短.总之,现有温度数据集的空间分辨率相对绿洲—荒漠相互作用研究的空间尺度,显得过粗,无法满足研究的精度需求.因此,获取绿洲—荒漠区高时空分辨率的气温数据集成为绿洲—荒漠相互作用研究的关键环节. ...

塔西甫拉提·特依拜, 等. 气候模式同站点插值外推气象数据的比较

2015

... 目前,能够反映干旱区绿洲—荒漠近地表水热状况的气温数据主要通过气象站观测和遥感手段获取.干旱区站点主要分布于绿洲内,每个绿洲通常仅有1~2个气象站,荒漠及山区分布极少^[8],因此传统插值方法获得的气温数据无法准确表征近地表LULC的差异,也无法满足高精度表征绿洲—荒漠区水热格局差异的研究需要.建立地表温度（LST）与近地表2 m气温（T_2m）的相关关系是利用遥感技术获取气温空间数据的主要方法^[9,10],国际上已有一些成果^[9-14].但这些研究主要以MODIS为数据源,空间分辨率至少为1 km,无法清晰体现绿洲—荒漠区空间差异性,且这些研究均是以获得卫星过境时刻瞬时气温或卫星过境日期日均气温为目的,未考虑如何获得卫星非过境日期日均气温.而Landsat TM/ETM/OLI系列影像时间序列长,热红外波段空间分辨率为120 m,以此为数据源推算逐日日均气温数据可有效表征绿洲—荒漠区水热格局差异. ...

塔西甫拉提·特依拜, 等. 气候模式同站点插值外推气象数据的比较

2015

近地表气温遥感反演研究进展

2011

... [9-14].但这些研究主要以MODIS为数据源,空间分辨率至少为1 km,无法清晰体现绿洲—荒漠区空间差异性,且这些研究均是以获得卫星过境时刻瞬时气温或卫星过境日期日均气温为目的,未考虑如何获得卫星非过境日期日均气温.而Landsat TM/ETM/OLI系列影像时间序列长,热红外波段空间分辨率为120 m,以此为数据源推算逐日日均气温数据可有效表征绿洲—荒漠区水热格局差异. ...

近地表气温遥感反演研究进展

2011

基于Modis地表温度的横断山区气温估算及其时空规律分析

2011

... Landsat TM卫星飞过研究区的时间为北京时间12:30-13:00,因此本文选择13:00的近地表气温作为卫星过境时刻的瞬时气温,针对不同的覆被类型和季节,建立13:00的瞬时气温与日均气温的线性回归方程（图3）.春季（R²=0.96,P<0.01）与秋季（R²=0.96,P<0.01）的相关性最高,最低的为夏季（R²=0.78,P<0.01）,本文的相关性（R²≥0.83,P<0.01）明显高于直接利用LST数据与日均气温建立的回归模型^{[10, 21, 22]}.不同覆被类型拟合效果比较,低山丘陵>农田>建设用地>沙质荒漠>土质荒漠,其中最高的低山丘陵R²=0.96,P<0.01,最低的土质荒漠R²=0.83,P<0.01. ...

基于Modis地表温度的横断山区气温估算及其时空规律分析

2011

Parameterization of air temperature in high temporal and spatial resolution from a combination of the SEVIRI and MODIS instruments.

2009

... Zakšek等基于LST,同时考虑季节、NDVI、反照率、海拔及地形等因子,推算卫星过境时刻近地表2 m气温T_{2 m},71%的验证点绝对误差小于2 K^[11].计算公式为： ...

Estimating air surface temperature in Portugal using MODIS LST data.

2012

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

注：① 建模因子中,Alt为高程,SZA为太阳天顶角,Jday为儒略日,Dts为距海岸距离,Albedo为地表反照率,NDVI为归一化植被指数,LULC为土地利用/土地覆被类型数据;② 方法中S、M、A分别代表简单回归、多元回归和神经网络方法. ...

Integrating AVHRR satellite data and NOAA ground observations to predict surface air temperature: a statistical approach.

2004

Estimating Daily Land Surface Temperatures in Mountainous Environments by Reconstructed MODIS LST Data.

2010

新疆耕地变化对区域碳平衡的影响

2014

... 选择2004年的LULC类型图作为2004年、2005年的下垫面参考数据,选择2010年LULC类型图作为2008-2011年的下垫面参考数据,力求将影像选择过程中出现的年份跨度对结果影响降低到最小,并将LULC数据进行相似类型合并为5种^[15]：沙质荒漠（梭梭）、土质荒漠（柽柳、琵琶柴）、农田、建设用地（城市、乡村、道路、工矿用地）及低山丘陵. ...

新疆耕地变化对区域碳平衡的影响

2014

A generalized single-channel method for retrieving land surface temperature from remote sensing data.

2003

... 2.3.1 计算地表温度本文采用Jimenez-Munoz and Sobrino 提出的单通道法^[16]反演地表温度.计算公式为： ...

A numerical modeling study on desert oasis self-supporting mechanisms.

2005

干旱区绿洲土地利用与覆被变化过程

2003

用陆地卫星TM6数据演算地表温度的单窗算法

2001

... 式中：LST为地表温度（K）;

\begin{matrix} ε \end{matrix}

为地表比辐射率;

\begin{matrix} L_{sensor} \end{matrix}

为传感器辐射强度（mW

\begin{matrix} \cdot \end{matrix}

cm^-2sr^-1μm^-1）;

\begin{matrix} T_{sensor} \end{matrix}

为亮度温度（K）^[17];

\begin{matrix} λ \end{matrix}

（μm）为TM6的中心波长;c₁与c₂为大气参数,分别为1.19104×10⁸ μm⁴

\begin{matrix} \cdot \end{matrix}

m^-2sr^-1与14387.7 μm

\begin{matrix} \cdot \end{matrix}

\begin{matrix} ψ_{1} \end{matrix}

、

\begin{matrix} ψ_{2} \end{matrix}

和

\begin{matrix} ψ_{3} \end{matrix}

为大气功能参数. ...

... 利用阜康生态站观测得到的LST数据（表3）验证本文的结果.其中,绝对误差秋季（1.42 ℃）>春季（1.31 ℃）>夏季（0.85 ℃）,平均绝对误差为1.19 ℃,比宋挺等^[19]利用单通道法反演LST的绝对误差低0.21 K,比覃志豪等^[17]利用单窗法估算LST的绝对误差高0.09 ℃,比胡德勇等^[20]利用Landsat8热红外数据反演LST的绝对误差高0.36 ℃. ...

用陆地卫星TM6数据演算地表温度的单窗算法

2001

... 式中：LST为地表温度（K）;

\begin{matrix} ε \end{matrix}

为地表比辐射率;

\begin{matrix} L_{sensor} \end{matrix}

为传感器辐射强度（mW

\begin{matrix} \cdot \end{matrix}

cm^-2sr^-1μm^-1）;

\begin{matrix} T_{sensor} \end{matrix}

为亮度温度（K）^[17];

\begin{matrix} λ \end{matrix}

（μm）为TM6的中心波长;c₁与c₂为大气参数,分别为1.19104×10⁸ μm⁴

\begin{matrix} \cdot \end{matrix}

m^-2sr^-1与14387.7 μm

\begin{matrix} \cdot \end{matrix}

\begin{matrix} ψ_{1} \end{matrix}

、

\begin{matrix} ψ_{2} \end{matrix}

和

\begin{matrix} ψ_{3} \end{matrix}

为大气功能参数. ...

干旱区绿洲土地利用与覆被变化过程

2003

气温遥感估算方法研究综述

2014

海河流域不同下垫面上大孔径闪烁仪观测显热通量的时空特征分析

2010

... 2.3.3 计算日平均气温不同地表覆被类型通过地—气系统不同程度地影响近地表水热格局^[18].本文分别考虑季节与土地覆被类型对气温的影响,建立卫星过境时刻瞬时气温与日均气温的统计模型： ...

海河流域不同下垫面上大孔径闪烁仪观测显热通量的时空特征分析

2010

气温遥感估算方法研究综述

2014

Near-surface air temperature retrieval from satellite images and influence by wetlands in urban region.

2013

Landsat 8数据地表温度反演算法对比

2015

Landsat 8数据地表温度反演算法对比

2015

单窗算法结合Landsat 8热红外数据反演地表温度

2015

单窗算法结合Landsat 8热红外数据反演地表温度

2015

Relations between surface temperature and air temperature on a local scale during winter nights.

2000

Estimation of daily mean air temperature from MODIS LST in Alpine areas.

2007

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

Modeling air temperature through a combination of remote sensing and GIS data.

2008

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

Empirical models for estimating daily maximum, minimum and mean air temperatures with MODIS land surface temperatures.

2011

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

Neural network estimation of air temperatures from AVHRR data.

2004

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

2007

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

基于多源空间信息的缺资料地区地表日均大气温度空间分布数据获取研究

2014

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

基于多源空间信息的缺资料地区地表日均大气温度空间分布数据获取研究

2014

... Summary of daily mean air temperature estimation by using remotely sensed data

作者	数据源	建模因子	方法	RMSE（℃）	空间分辨率
Benali等^[12]	MODIS LST	Alt、Dts、Jday	M	1.50~2.24	1 km
Colombi等^[22]	MODIS LST		S	1.89	1 km
Cristobal等^[23]	Terra卫星		S	1.89	1 km
Zhang等^[24]	MODIS LST	太阳赤纬角	M	2.08~2.96	1 km
Jang等^[25]	AVHRR	Alt、SZA、Jday	M	1.79	1.1 km
Zhao等^[26]	Landsat ETM+	Albedo、NDVI、Alt	A	1.28	120 m
蔡明勇等^[27]	MODIS、NCEP		S	4.63	1 km
本文	Landsat TM	季节、LULC、	S	1.54	120 m

利用TM影像分析天山北坡三工河流域地表反照率的时空变化

2010

... 在精度验证时,反演值为Landsat TM影像热红外波段像元温度,空间分辨率为 120 m,而气象站实测数据代表站点附近近地表2 m气温,尺度差异可能增大验证误差^[28]. ...

利用TM影像分析天山北坡三工河流域地表反照率的时空变化

2010

Numerical simulations of the atmospheric and land conditions over the Jinta oasis in northwestern China with satellite-derived land surface parameters.

2009

〈

〉

天山北坡绿洲—荒漠区高时空分辨率日均气温数据集构建——以三工河流域为例

Construction of mean air temperature datasets with high temporal and spatial resolution in oasis-desert region：A case study of Sangong River Basin on thenorthern slope of Tianshan Mountains

1 引言

2 数据来源与研究方法

2.1 研究区概况

2.2 数据来源与处理

2.3 研究方法

3 结果分析

3.1 卫星过境日期日均气温的计算结果

3.2 气温相对变化速率的计算结果与分析

3.3 逐日日均气温推算及验证

3.4 日均气温的空间分布特征

4 讨论

4.1 与其他研究方法的比较

4.2 不确定分析

5 结论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子