基于热红外遥感的近地层气温反演研究

《基于热红外遥感的近地层气温反演研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、‘●_⋯。-一Estimationolnear-surfaceairtemoeraturebythermalremotesensingDissertationSubmittedtoNanjingUniversityInPartialFulfillmentoftheRequirementsfortheDegreeofDoctorofScienceByXUYongmingSUPERVISOR：Prof．QINZhihaoSchoolofGeogpraphicandOceanographicSciencesNanjingUniversity

2、Nanjing，Jiangsu，ChinaMay2010本研究得到以下课题资助973项目《气候变化对我国粮食生产系统的影响机理及适应机制研究》(NO：2010CB951500)国家自然科学基金项目《我国农业旱灾机理与监测方法研究》(NO：30571078)J㈣壹童叁垒墼墼丝坠丝塑』竺查匡童逊一壹遗堑超量盛专业2QQ2级博士生姓名：盆壅明指导教师(姓名、职称)：里!量塞鏊撞摘要近地层气温是地表与大气之间水分和能量交换的关键影响因素，是地球系统模型研究中的重要变量。掌握近地层地气温的详细时空分布对于有效的理解生态、水文、气候、农业以及陆地

3、生物活动具有重要意义。与常规的气象站点观测相比，遥感提供了一种有效获取大范围气温时空信息的新途径。与地表温度反演研究相比，目前近地层气温遥感反演研究开展得相对较少。现有的TVX方法、数理统计方法、神经网络方法和能量平衡方法等气温反演方法主要是通过地表温度来推算近地层气温，缺乏辐射传输过程方面的机理研究。本文以探索近地层气温遥感定量反演的有效方法为主要研究目标，选择了地貌类型丰富的长江三角洲地区为研究区，利用2005年全年的EOS／AQUAMODIS数据和同期气象观测数据开展了气温反演研究。论文从热红外波段辐射传输方程出发推导近地层气温

4、的反演模型，与现有的TVX方法及经验统计方法的气温反演精度进行比较分析，并在此基础上利用遥感反演结果对研究区气温的时空变化特征及其与太阳辐射的关系进行分析讨论。本文首先采用现有的TVX方法和经验统计方法反演了研究区的近地层气温，利用气象观测资料对这两种方法的反演精度进行了分析评价。然后基于MODIS热红外波段的辐射传输方程推导气温的理论反演模型，通过引入大气有效平均作用温度来表征大气上行和下行热辐射、对热辐射亮度的Planck方程进行Taylor多项式展开、两个波段联立等一系列变换，建立具有物理意义的近地层气温理论劈窗算法，并基于推导

5、出的劈窗算法形式通过回归统计手段建立了半经验的劈窗算法。对几种气温反演方法进行对比后，选用精度最高的分段半经验劈窗算法反演了长江三角洲地区2005年全年的近地层气温。考虑到研究区云量较多导致了反演结果中的大量缺失值，通过多时相合成和HANTS方法进行了气温序列的去云重建处理。最后基于重建的气温数据和HANTS变换的谐波组分对长江三角洲地区气温的时间变化特征和空间分布差异进行了研究，运用时滞互相关I方法定量分析了气温年周期变化变化对于太阳辐射变化的响应关系与滞后效应。本论文得到的结论如下：1)在本研究中常规TVX方法的气温反演精度与前人

6、的研究结果相近，均方根误差RMSE为3．04。C，但是只有72．23％的样本能适用该方法。在对TVX方法的适用范围进行改进之后，适用样本比重提高到了80．15％，不过整体精度略有下降，RMSE为3．13"(7。按照窗口内不同植被类型的面积比重对饱和NDVI值进行动态计算，反演RMSE提高到了3．10。C，精度有改善，但是效果不够显著。2)本研究采用了5种不同形式、不同自变量组合的经验回归方程，其验证精度在3．29～3．56。C之问。针对城镇、水体、林地和农田这4种不同土地覆盖类型分别建立的气温经验方程精度有明显提高，方程d和e的RMS

7、E达到了3．0l℃左右。气温经验模型的尺度分析表明反演精度均随空间尺寸的增加而升高，5*5窗口是最合适气温经验方程的空间尺寸。3)基于MODIS两个热红外波段的辐射传输方程推导建立了近地层气温理论劈窗算法，利用长三角地区2005年观测气温验证得到的RMSE为5．66℃，还达不到实用化要求。根据理论劈窗算法的形式建立的气温反演的半经验劈窗算法精度令人满意，RMSE达到2．92℃。针对不同水汽含量区间建立的分段半经验劈窗算法精度进一步提高，RMSE达到了2．6l℃。与现有的TVX方法和经验统计方法相比，分段半经验劈窗算法精度更高，而且形式

8、简单，计算量小，易于实现，是一种比较理想的气温反演方法。4)HANTS算法可以有效填补数据中的缺值部分，重建气温无云时间序列数据。HANTS变换不仅仅适用于NDVI、EVI等植被指数数据，也同样适用于气温这样的具有周期性