论文部分内容阅读
近年来,区域及全球气候变化越来越受到各国政府、学界及公众的关注。全球平均温度呈现显著的上升趋势,逐渐变暖的气候变化趋势也导致了许多陆面过程的变化。地表温度是气候变化的一个重要指示因子。长时序地表温度已成为相关科学领域的迫切需求。相较于传统的地面站点观测地表温度,基于卫星遥感数据反演区域及全球尺度的地表温度,在时效性、空间覆盖度以及成本等方面有极大的优势。地表辐射能量从地表传输到传感器平台过程中,会受到不同程度的大气、地形等环境因素的影响。从热红外遥感反演地表温度是目前使用最广、精度最好的途径。然而,地表温度反演方法和真实性检验方法框架方面却存在若干瓶颈。在反演方面,反演算法在全球尺度上的表现,特别是在不同大气条件下的适应性仍值得深入探究,且2000年之前全球尺度的地表温度产品稀缺。在真实性检验方面,地面站点视场与卫星像元尺度存在尺度不匹配、站点的空间代表性难以量化的问题;同时,地面站点辐射测量的地表温度仍可能受近地表大气效应的影响,进而对提取的实测地表温度导致不确定性,却缺乏有效的校正方法。本文针对上述问题开展了针对性研究,主要研究工作及结果如下:(1)构建了卫星热红外遥感反演全球长时序地表温度的多算法集成反演方法。从卫星热红外遥感数据反演地表温度的算法已经相对成熟,但是现有反演算法在全球尺度上的表现,特别是在不同大气条件下的适用性值得深入探究。为此,本章面向长时序的NOAA AVHRR系列存档数据,对17种常用的分裂窗算法在不同大气条件下进行训练、测试和敏感性分析,筛选出精度较高且对输入参数误差不敏感的多种分裂窗算法。采用随机森林方法,对从筛选出的分裂窗算法反演的地表温度进行集成,以此实现多算法集成反演。基于独立数据集的测试表明,集成反演方法的精度优于1 K,较单一分裂窗算法精度提升了20%,且集成反演方法对输入参数的误差敏感性较低。基于该集成反演方法,研制了1981—2000年全球逐日晴空地表温度数据集。(2)提出了一种地面站点空间代表性的时序量化模型。真实性检验中通常将地面站点数据作为参考数据。地面站点观测的地表温度在用于遥感反演的地表温度真实性检验中,受地面站点视场与卫星像元之间的尺度差异影响。因此,量化地面站点空间代表性及其时序变化,进而分析站点空间代表性差异对检验结果的影响,是地表温度真实性检验的关键问题。为此,本章将地面站点空间代表性定义为地面站点视场地表温度与卫星像元地表温度之间的差异,该差异值为空间代表性指标(Spatial Representativeness Indicator,SRI)。考虑地表温度随时间快速变化的特点,结合地表温度时间尺度分解模型,将SRI在时间序列上进行拓展,建立了站点空间代表性的时序量化模型,由此实现了站点空间代表性在时间维上的度量。基于时序量化模型,分析了我国不同气候区的16个地面站点在MODIS和AATSR像元尺度的空间代表性变化规律及其影响因素。进一步地,将时序化SRI作为“桥梁”,将站点实测地表温度转换到卫星像元尺度,对MODIS和AATSR地表温度进行了真实性检验,并量化了空间代表性对检验结果的影响:在所选站点中,空间代表性会导致真实性检验结果-1.95—5.6 K的系统性偏差和0.07—3.72 K的随机误差。(3)提出了一种地面站点辐射测温大气效应校正方法。辐射测温是真实性检验中获取站点实测地表温度的主要方式,通常仅根据一对长波辐射计的观测数据和地表发射率即可计算得到地表温度。然而,距离地表10米以内的大气辐射在整个大气空间中占比~30%,忽略此大气效应可能导致计算得到的地表温度存在不确定性,但迄今鲜有研究考虑该问题。为此,本章基于辐射传输模拟,构建了近地表空间大气参数估算方程,结合站点测温的辐射传输方程,实现了辐射测温的大气效应校正。通过对该方法的分析发现,当不考虑近地表大气效应时,1—50 m高度处计算得到的地表温度会有约0.2—5 K的高估和0.3—1.8 K的随机误差;对大气效应校正后,计算得到的地表温度系统性偏差降低67%—98%,考虑近地表的大气效应能有效地校正站点地表温度的系统性偏差。(4)基于地面站点实测地表温度对NOAA AVHRR反演的地表温度开展了真实性检验。地表温度的真实性检验关键是获取像元尺度的真值。常规的真实性检验仅将卫星遥感反演地表温度与站点观测地表温度直接比较。本章首先对1981—2000年的地表温度产品进行了初步检验,结果表明该数据产品的精度优于3 K。进一步地,本章结合空间代表性时序量化模型和近地表空间的大气效应校正方法,获取了站点在像元尺度的地表温度,并由此开展了地表温度的真实性检验,检验对象为根据多算法集成反演方法从NOAA AVHRR数据生成了2018—2020年部分区域的地表温度数据。采用方差分析确定了该地表温度在各个站点的精度优于2.5 K;该地表温度存在平均0.55 K(白天)和1.27 K(夜间)的系统性偏差。进一步分析发现,夜间较大的高估可能是反演过程使用的大气水汽含量高估导致。这一发现为后续的产品优化提供了指导。