154.com皇冠“科研成果快报”
1. 标题
· 一个基于Google Earth Engine的Landsat卫星地表温度数据生产框架
· An Efficient Framework for Producing Landsat-Based Land Surface Temperature Data Using Google Earth Engine
2. 成果信息
· Wang, M., Zhang, Z., …, & Liu, X.. An Efficient Framework for Producing Landsat-Based Land Surface Temperature Data Using Google Earth Engine. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 4689-4701, 2020.
· https://ieeexplore.ieee.org/abstract/document/9161278
· doi: 10.1109/JSTARS.2020.3014586
3. 成果团队成员
· 王猛猛,博士,中国地质大学(武汉)地理与信息工程学院,讲师,主要从事热红外遥感及其在生态环境方面的应用研究。
· 张正加,博士,中国地质大学(武汉)地理与信息工程学院,讲师,主要从事InSAR技术研究及其在矿区地表沉降、高原冻土活动层厚度监测研究。
· 刘修国,博士,中国地质大学(武汉)地理与信息工程学院,教授,主要从事遥感信息提取及其地学应用、地学大数据建模及可视分析等方面的研究。
4. 成果介绍
长时间序列地表温度(land surface temperature, LST)数据对生态、环境和气候变化等研究有极其重要的意义。Landsat系列卫星传感器(TM、ETM+和TIRS)自1982年开始以60-120米空间分辨率获取全球地表热辐射信息,截至目前,已经采集了超过四百万景Landsat热红外影像数据,为生产长时间序列(~40年)、较高空间分辨率(~100米)的地表温度产品提供了重要的数据基础。
Google earth engine (GEE)是一个专门用于存储和处理卫星图像和其他地球观测数据的大数据云平台。本文提出了一个基于GEE平台的Landsat系列卫星地表温度数据反演框架,可用于生产全球尺度、长时间序列的地表温度数据产品。该框架基于GEE平台上的Landsat原始影像数据(Landsat RAW Images)、Landsat地表反射率数据(Landsat Surface Reflectance)、ASTER 全球比辐射率产品(ASTER-GED)以及NCEP再分析大气水汽含量数据(NCEP_RE/WV),利用团队先前提出的实用单通道算法(Practical single-channel algorithm, PSC)对Landsat热红外数据做大气校正和比辐射率校正,实现Landsat系列卫星地表温度数据反演。整个框架的技术流程如图 1。将ASTER-GED比辐射率数据引入到NDVI阈值法中提升裸地区域的Landsat地表比辐射率估计精度,从而改善裸地区域地表温度反演;根据Landsat影像的时空属性和空间分辨率,对NCEP_RE/WV大气水汽含量数据做时空插值处理,提供满足全球范围、长时间序列Landsat地表温度反演要求的大气水汽含量数据。本文提出的框架统一了Landsat系列卫星数据(TM、ETM+和TIRS)地表温度反演中的地表温度反演算法、地表比辐射率估计算法和大气水汽含量估计算法,以及地表比辐射率和大气水汽含量的输入数据;因此利用提出的框架可以生产出时空可比性的Landsat地表温度产品。本研究在GEE code Editor上编程实现了Landsat地表温度反演框架并开源共享了程序(https://code.earthengine.google.com/?accept_repo=users/wangmmcug/landsat_psc_lst)。借助GEE平台,利用编写好的程序,用户可以生产全球范围内任何一景Landsat地表温度数据,而无需再执行数据下载、数据预处理和地表温温度反演等一系列处理流程。同时,Landsat地表温度反演GEE程序也可以集成到基于GEE平台的、与地表温度相关的其他应用研究中。
图 1 基于Google Earth Engine的Landsat卫星地表温度数据生产框架
本文利用辐射通量观测站实测地表温度数据和MODIS地表温度产品分别对Landsat地表温度反演精度进行了评价。基于9个辐射通量观测站点(包括7个SURFRAD站点、1个BSRN站点和1个HiWATER站点)实测地表温度的验证结果表明(如图 2和表 1),总计1317个有效的晴空Landsat-实测地表温度数据对,总体的bias为0.33K,总体的RMSE为2.01K;Landsat系列不同卫星数据取得了一个类似的精度,Landsat 5、Landsat 7和Landsat 8的bias(RMSE)分别为0.29K (1.92K)、0.40K (2.08K)和0.21K (1.98K)。基于本文提出的方法反演Landsat地表温度数据的精度比Ermida等提出的方法高出0.25 K。另外,在内陆湖泊区域利用MODIS地表温度产品对Landsat地表温度数据做交叉验证的结果表明(如表 2),总计在12个胡泊区域的100景晴空Landsat 8影像,总体bias为0.17 K,总体RMSE为1.11K。
基于以上分析可知,本文提出的框架可以在全球尺度上用一个较为简单稳健的方法获取较高精度的Landsat地表温度数据。在GEE平台上利用本文提出的框架可以给用户提供一个可免费访问、长时间序列的地表温度数据。
图 2 Landsat地表温度与SURFRAD、BSRN和HiWATER监测站点实测地表温度之间的比较
表 1本文提出的方法与Ermida 等方法的Landsat地表温度反演精度比较
|
|
本文提出的方法 |
Ermida 等人的方法 |
|
|
L5 |
L7 |
L8 |
Total |
L5 |
L7 |
L8 |
Total |
BND 农田 |
number |
71 |
76 |
32 |
179 |
71 |
76 |
32 |
179 |
bias |
0.37 |
0.27 |
1.64 |
0.56 |
1.47 |
0.98 |
2.08 |
1.37 |
RMSE |
1.85 |
1.69 |
2.84 |
2.00 |
2.36 |
1.99 |
2.95 |
2.33 |
DRA 灌木林地 |
number |
99 |
184 |
95 |
378 |
99 |
184 |
95 |
378 |
bias |
0.55 |
-0.24 |
-0.39 |
-0.07 |
0.28 |
-0.65 |
-0.75 |
-0.43 |
RMSE |
1.54 |
1.58 |
1.60 |
1.58 |
1.35 |
1.76 |
1.83 |
1.68 |
FPK 草地 |
number |
83 |
150 |
29 |
262 |
83 |
150 |
29 |
262 |
bias |
0.32 |
1.52 |
1.37 |
1.12 |
1.35 |
2.01 |
2.10 |
1.81 |
RMSE |
2.30 |
3.23 |
2.27 |
2.87 |
2.76 |
3.24 |
2.82 |
3.05 |
GWN 草地 |
number |
99 |
133 |
53 |
285 |
99 |
133 |
53 |
285 |
bias |
-0.25 |
-0.01 |
-0.49 |
-0.18 |
1.49 |
1.49 |
0.75 |
1.35 |
RMSE |
1.95 |
1.38 |
1.33 |
1.59 |
2.48 |
2.21 |
1.52 |
2.20 |
PSU 农田 |
number |
22 |
28 |
9 |
59 |
22 |
28 |
9 |
59 |
bias |
-0.99 |
-0.81 |
0.50 |
-0.68 |
0.19 |
0.04 |
1.29 |
0.28 |
RMSE |
2.09 |
2.13 |
1.98 |
2.10 |
1.76 |
2.04 |
2.22 |
1.97 |
SXF 农田 |
number |
42 |
61 |
34 |
137 |
42 |
61 |
34 |
137 |
bias |
1.39 |
1.27 |
0.73 |
1.17 |
1.31 |
1.41 |
1.47 |
1.39 |
RMSE |
1.79 |
1.60 |
2.57 |
1.94 |
1.84 |
1.80 |
2.80 |
2.10 |
TBL 农田 |
number |
60 |
81 |
19 |
160 |
60 |
81 |
19 |
160 |
bias |
4.12 |
1.83 |
4.63 |
3.02 |
4.06 |
1.72 |
4.24 |
2.90 |
RMSE |
4.52 |
3.90 |
4.85 |
4.26 |
4.48 |
3.49 |
4.47 |
4.01 |
GOB 沙漠 |
number |
- |
10 |
- |
10 |
- |
10 |
- |
10 |
bias |
- |
3.07 |
- |
3.07 |
- |
3.31 |
- |
3.31 |
RMSE |
- |
4.31 |
- |
4.31 |
- |
4.49 |
- |
4.49 |
JCHM 沙漠 |
number |
- |
8 |
9 |
17 |
- |
8 |
9 |
17 |
bias |
- |
-0.23 |
-0.44 |
-0.34 |
- |
-0.64 |
0.06 |
-0.27 |
RMSE |
- |
0.85 |
1.37 |
1.15 |
- |
1.13 |
1.15 |
1.14 |
Total 4个土地覆盖类型 |
number |
476 |
731 |
280 |
1487 |
476 |
731 |
280 |
1487 |
bias |
0.77 |
0.59 |
0.51 |
0.63 |
1.46 |
0.97 |
0.85 |
1.10 |
RMSE |
2.40 |
2.40 |
2.28 |
2.38 |
2.60 |
2.51 |
2.42 |
2.53 |
Total* 4 个土地覆盖类型 |
number |
416 |
640 |
261 |
1317 |
416 |
640 |
261 |
1317 |
bias |
0.29 |
0.40 |
0.21 |
0.33 |
1.08 |
0.84 |
0.61 |
0.87 |
RMSE |
1.92 |
2.08 |
1.98 |
2.01 |
2.21 |
2.31 |
2.21 |
2.26 |
表 2 12个内陆湖区域Landsat 地表温度和MODIS地表温度之间的bias(K)和RMSE(K)
Inland Lakes |
影像数 |
bias |
RMSE |
Maximum |
Minimum |
Mean |
Maximum |
Minimum |
Mean |
Lake Ontario |
5 |
2.10 |
-1.18 |
-0.21 |
2.15 |
0.43 |
1.31 |
Lake Erie |
5 |
1.15 |
-1.08 |
0.32 |
1.95 |
0.57 |
1.06 |
Lake Huron |
4 |
1.20 |
-0.39 |
0.35 |
1.27 |
0.26 |
0.93 |
Lake Michigan |
5 |
1.61 |
-0.19 |
0.73 |
1.74 |
0.28 |
1.01 |
Lake Superior |
6 |
1.43 |
-0.89 |
0.36 |
1.51 |
0.19 |
0.77 |
Lake Taihu |
6 |
0.10 |
-2.40 |
-0.72 |
2.47 |
0.26 |
0.94 |
Lake Caohu |
13 |
2.77 |
-1.57 |
0.67 |
2.82 |
0.36 |
1.23 |
Lake Qinghai |
3 |
0.07 |
-1.06 |
-0.57 |
1.13 |
0.69 |
0.94 |
Lake Sêling Co |
10 |
0.01 |
-2.29 |
-1.19 |
3.10 |
0.44 |
1.51 |
Lake Xahka |
17 |
2.66 |
-1.50 |
0.27 |
2.71 |
0.17 |
0.93 |
Lake Uvs |
7 |
2.77 |
0.48 |
1.11 |
2.78 |
0.57 |
1.41 |
Lake Van Golu |
19 |
2.91 |
-1.11 |
0.92 |
2.94 |
0.37 |
1.30 |
Total |
100 |
2.91 |
-2.40 |
0.17 |
3.10 |
0.17 |
1.11 |