近地表气温遥感反演方法(定)

近地表气温遥感反演方法研究进展

摘要：气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。结合遥感的空间分辨率高，覆盖面广，资料同步性强的特点，运用遥感方法反演气温弥补了传统方法的缺点，气象卫星的发展，为其提供了技术平台支持。本文从近地表气温反演的各种不同的方法进行阐述，分别从半统计方法、统计方法、多因子分析方法和遗传算法方面进行叙述。

关键词：气温；遥感；反演方法这

1.引言

气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。由于近地球表面气温控制着大部分陆地表面过程(如光合作用、呼吸作用及陆地表面蒸散过程等)，因此，气温是各种植物生理、水文、气象、环境等模式或模型中的一个非常重要的近地表气象参数输入因子[1,2]。高山、水体、植被以及土壤含水量等，以至于表现出很大的空间异质性。我们常常听说的气温，是有气象观测站在植有草皮的观测场所中离地面1.5米高的百叶箱中的温度表测得的。由于温度表保持了良好的通风性并避免了阳光直接照射，因而具有较好的代表性，这个温度基本上反映了观测地点(当地)的气温。但是随着数值预报的发展，常规的探测手段越来越不能满足现代业务预报的需要。特别是在海洋，沙漠，沙漠等的荒僻的地区，基本不可能设立气象站点，即使设立站点也十分稀疏，这就使得我们所获取的气温资料十分有限，要想研究特定位置的气温水平空间分布状况及其内部结构特征等都有一定的困难。同时在不同地形和不同景观条件下，一个气象站观测的数据能够代表的范围有很大差别，即使通过空间内插过程也不能够获得满意的气温空间分布，从影响模型模拟结果[3]。

而遥感具有覆盖面广，空间分辨率高，资料同步性强的特点，所以利用卫星遥感手段资料反演近地表的大气温度就弥补了传统手段的缺陷，不论在现实意义还是经济意义上，都是非常重要的。随着大气科学理论和遥感探测技术的迅速发展，在全球大气观测系统中，卫星探测技术将会成为中流砥柱。同时，从60年代有了气象卫星之后，给遥感反演温度提供了可靠的现实依据。

目前反演大气参数的方法基本可以分为三类：物理方法、半统计方法和统计方法。物理方法是从辐射传输方程出发，根据已知的一些大气知识对方程进行简化，从而达到求解的目的，至今对它们的物理机制认识得还很不清楚，所以极大地限制了该方法的应用与发展。半统计方法是采用物理方法与实测资料的结合，建立个大气参数间的关系，然后利用实测资料进行各参数的反演。目前在该领域采用比较多的是统计方法，它主要包括单因子线性回归分析方法、多元统计方法、Bowen 比分析方法、遗传算法和神经网络方法等，利用这些方法时需考虑多种影响因素，从而建立各因素之间的相互关系[4]。

本文具体从半统计方法和统计方法对气温反演进行研究，着重论述了统计方法反演近地表气温，考虑了热红外和微波两个波段对气温的反演。

2. 半统计方法

在广阔的海面上，大气参数的实际观测资料比较稀少。目前随着气象卫星的发射，可以直接或间接地借助卫星遥感信息资料反演或提取海面气温、水汽含量、降雨率、风速等气象参数[5]。温度廓线的反演问题，即为由辐射计测量值推求出大气温度廓线。传统的物理反演方计算量大，很费时。而且，这类方法需要输入下垫面比辐射率和水汽廓线，而不同波段的比辐射率变化大，所以应用物理方法反演气温难度较大。 Konda 等[6]应用半统计方法，采用空气动力学方程和块体公式建立了海表面气温与海面温度、风速和湿度之间的关系，然后利用现场测量资料进行海面月平均气温的反演。同时这种方法在于陆表气温反演也可以应用，通过建立地表温度与气温之间的关系，从而反演出近地表气温。

3. 统计方法

气温是控制着陆地表面和大气之间水汽和能量交换的重要的气候参数。遥感获取的陆地表面温度( Land SurfaceT emperature ，LST )和气温之间必然存在着能量方面的联系，近地表气温手下垫面类型及其特征的影响十分明显。近地表气温的反演多用统计方法，统计方法有单因子统计方法，多元统计方法，Bowen 比分析方法和神经网络方法等。

3.1单因子统计方法

遥感反演的地表温度T ls 和气温具有相关关系，chen 等[7]研究利用GOES 静止气象卫星的热红外数据推算的空气温度与实际观测的1.5米的气温的线性回归系数R 2=0.76，回归方程的标准差为1.3-2.0℃。 Horiguchi 等[8]也利用实测气温值与静止气象卫星反演的地表温度进行回归分析，发现估算的气温误差在1-1.7K 。

最近，Green 等[9]发现在非洲和欧洲大陆，从AVHRR 反演的地表温度与气象台观测的月平均温度有显著的相关性。

3.2 多因子相关分析法

3.2.1 气温与地温，卫星反演地表温度相关关系

由于卫星反演地表温度，气温与地温之间存在了较强的相关性 。闵文斌，李跃清[10]利用Terra/MODIS 数据采用分裂窗算法反演地表温度T ls 和自动气象站的实测数据T a 与0cm 地温数据T s 两两进行相关分析。地面观测数据是以气象站所在的象元为晴空作为选择条件的，挑选出同时具有气温观测和地温观测数据的气象站点数据。但由于自动气象站的观测数据是整点观测，要想获得与卫星过境准同步的数据需进行时间插值，温度随时间的日变化的关系可以用正弦关系来表示[11,12]。利用每个气象站的经纬度、观测日期，以及实测的最大、最小温度值，建立各自的谐波函数。然而，此方法的拟合值与实际每小时观测值比较结果表明拟合值并不理想，这是由于气温变化并非完全遵循正弦函数，还会受到当时云状、风等情况影响。考虑到分析数据是卫星过境的较短时间内内插，考虑卫星过境时间温度的变化情况。如实验数据是在11:00-12:00或12:00-13:00 ( Terra 经过四川盆地时间)的1个小时内插值，而且是在日出以后、温度极大值出现以前的单调升温时段内，假设插值的1小时内温度变化是单调线性的，与卫星过境时间HH:MM 准同步的地面气温与地温的获取便可采用下式进行插值，即

60/)(111MM T T T T H H H H H H H H MM ?-+=-+- (1)

式中HH，MM分别代表卫星过境时的时、分，T HH-1和T HH+1分别是卫星过境时间前、后整点的观测温度。

将地面准同步观测的空气温度T a，土壤表面温度T s和卫星反演地表温度T ls两两进行相关分析[13]，发现总样本相关性很好，T ls与T s，T ls与T a，T s与T a的相关系数分别为0. 834，0.854，0. 864，都通过了0.001显著性检验。然而它们都没有通过相关系数的稳定性检验[14]，针对不同的卫星过境时间，相关系数相差甚大，特别是T ls与T a的相关系数表现出极大的不稳定性。而相关系数是否稳定是统计模型效果好坏的关键问题，所以T a，T ls与T s两两不稳定的相关系数表明：简单利用卫星反演地表温度来估算气温、地温的精度不能得到保证，仅根据空气温度来进行地温的空间插值，会造成较大误差。这是由于卫星像元地表温度的反演误差、以及卫星和地面观测非完全同步，地表状况的差异和尺度的不匹配。卫星反演地表温度是卫星像元尺度温度，对于非均匀下垫面，不同像元内组分组成是不同的。地面气象观测只是针对其所在卫星像元内的观测点而言的，地温更是只代表像元内土壤组分的温度。但是依据Prihodko等[1]提出的P2G模型的气温与浓密植被冠层温度近似的假设，那(T s-T a)与(T s-T ls)在一定程度上可反映像元内组分的差异，二者应该有较好的相关性。通过分析，果然发现(T s-T a)与(T s-T ls)存在显著线性相关，且相关系数稳定，不论是总体样本还是不同卫星观测时间的子样本相关系数都达0.82以上，也都通过了0.001的显著性检验，判定系数R2=0.7913。(T s-T a)与(T s-T ls)的相关关系可表示为:

(T s-T ls)=0.9891(T s-T a)-1.1707 (2)

由此可根据三者关系建立近地表气温的反演模型。

3.2.2 海温、湿度和气温间相关关系

Kubota等[15]提出了从海平面的湿度反演月平均近海面气温的方法，先从比湿估算出水汽压力，然后利用气温和水汽压力及相对湿度的关系就可以得到近海面气温。

Liu等[16]基于Konda[17]提出的算法，提出了计算实时海面气温和湿度的统计方法，分别使用SSM/I卫星数据及GMS-5数据建立与实测资料的统计关系，从而计算了台湾及南海中国海区的海表温度、海面湿度和气温值，与船测资料相比，使用SSM/I计算得到的均方根差分别为1.43 g/kg和1.6 K。

Jackson等[18]利用多种卫星量温资料用线性回归的方法来反演实时近海面气温，同实测数据相比最小的均方根误差为1.5℃。

3.3 Bowen比方法

Liu等[19]采用改进的Bowen比方法估算台湾及南海中国海区的实时近海面气温，先根据36个月的试验确定在中国台湾及中国南海海区的最优Bowen比值，然后利用Bowen比的定义，依据海表温度和海面风速计算出近海面气温值，与实测数据相比，其均方根差为1.46K。He等[20]利用了NOAA卫星上的TOVS 资料分别建立了海表温度、105Pa的露温、气温与海面气温和露温的经验关系。

3.4 神经网络

近些年神经网络方法的优越性逐渐被人们发现并得到应用和发展，它具有良好的自适应样本数据能力和很强的容错能力，即使在数据中出现噪音、形变时也能正常地工作;它还具有固有的非线性特性，在建立数据之间的非线性关系时表现出良好的优越性[21]。

伍玉梅[22]等利用专用成像传感器SSM/I和红外辐射计AVHRR资料进行近海面气温和湿度的反演，首先分析与近海面气温和湿度关系比较密切的几个气象因子及其相关性，加入风速影响，并采用神经网络建立近海面气温和湿度与它们之间的关系，利用训练好的网络模型反演月平均近海面气温和湿度，并与TAO

和NDBC提供的浮标及观测站的实测数据进行比较，得到近海面气温和相对湿度的均方根差分别为0.87℃和3.73%。低纬度反演的结果精度较高，达到0.53℃(气温)和2.03%(相对湿度);较大的误差(气温1.06℃、相对湿度3.85%)主要发生在近岸和高纬度区，因为近岸的地形比较复杂，并且很容易受陆地气候的影响;高纬度地区的气候变化比较剧烈，同时前能得到的高纬度地区的实测资料比较少，这些因素都会影响反演结果的准确度。

Singh等[23]采用人工神经网络方法由MSMR的亮温数据来计算月平均的近海面气温和湿度，同实测资料相比的均方根差分别为1.0℃和1.1 g/kg。

同时，微波测温技术也是获取全球大气温度场信息的重要手段。根据分子微波波谱学的理论，气体分子对微波的吸收和发射主要是分子转动能级之间量子跃迁的结果，其谱线结构要比红外振-转光谱简单得多。氧分子的微波吸收谱具有明显的频率分区，有一条共振吸收线位于118.75 GHz，其余45条谱线集中于50-70 GHz附近，形成一个以60 GHz为中心的共振复合带。因而可用氧气50-70 GHz吸收波段和118 GHz 吸收波段来探测大气温度。目前较为成熟的微波温度探测器均采用60 GHz附近通道，如AMSU2A、SSM/T21等，其观测资料应用的最大限制就是它们的空间分辨率不够高[24]。为了提高星载被动微波温度探测器的空间分辨率，国内外专家已考虑到采用118 GHz附近通道遥感反演温度廓线。在同样的天线尺寸下，118 GHz辐射计的视场直径是60 GHz辐射计的一半。

在微波波段，大气下垫面比辐射率的变化范围较大，且目前在高频还没有较好的微波比辐射率模型，故比辐射率是一个较难确定的参数。此外，高频波段的微波通道亮温受水汽的影响较明显，据Chedin等[25]的研究，相对干空气而言，水汽可以使辐射计118.75和3.9 GHz通道亮温增量达到20 K，故使用物理反演方法前必须准确地确定水汽分布或对水汽的影响进行修正，而目前对于大气水汽的反演精度还不够高，且对于陆面上的水汽反演难度较大。因此，采用物理反演方法从高频微波通道亮温反演大气温度存在较大困难。与物理反演方法相比，统计反演方法的优点在于简单易行，且在反演过程中不必考虑复杂的物理过程，如Ali等[26]和陈洪滨等[27]已经用线性统计反演算法研究了118.75 GHz附近通道遥感反演温度廓线的能力，利用神经网络技术从118.75GH z附近六通道亮温反演大气温度的数值模拟能有效地处理非线性问题。

Rumelhart等[28]人提出的后向传输算法(Back Propagation Algorithm)，通常称为BP算法，此算法已经被广泛应用于遥感领域，这种采用BP算法的网络也称之为BP网络。BP网络的学习过程有两部分组成:正向传播和反向传播。当正向传播时，输入信息从输入层经隐层单元的激发函数处理后传向输出层，每层神经元的状态只影响下一层的神经元状态.如果在输出层得不到期望输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回。返回过程中，逐一修改各层神经元连接的权值。这种过程不断迭代，最后使得信号误差达到允许的范围之内。

在模拟试验中，采用三层BP神经网络，输入向量有六个元素，分别对应六个通道的亮度温度，隐层单元个神经元，输出向量有14元素，分别对应于T1000、T925、T850、T700、T500、T400、T300、T250、T200、T150、T100、T70、T50、T30，其中T 1 000为1 000 hPa等压面上的气温，其他类同。

考虑权重函数分析，运用权重函数分析可得对于这四个通道，在相同大气环境条件下，海面的权重函数值大于陆面的权重函数值，这是由于海面的比辐射率小于陆面的比辐射率，即海面的反射率大于陆面的反射率，因此海面上被反射的下行水汽辐射大于陆面上被反射的下行水汽辐射。故水汽对海面上权重函数较低的四个通道亮温的贡献较陆面上的大，即海面上这四个通道亮温对水汽的变化较陆面上更敏感。因

此，在其他影响因素(如下垫面比辐射率)得到充分考虑的情况下，水汽对近海面的温度反演的影响更大一些，即近海面的温度反演较近陆面的温度反演困难一些。同时，也可以得知，相对陆面而言，由于海面上权重函数较低，通道的亮度温度中含有更多的水汽信息，故有可能相对容易地利用这些通道亮温获取海面上的水汽信息。

4.遗传算法

遗传算法是由Holland提出的模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。它的一个独特的优点就是它可以得到一组不同变量之间的比较简单实用的关系。而利用其他非线性方法，如神经网络方法，则需要对神经网络有完整的认识，包括一系列复杂的输入层，隐含层，每一层的响应函数的形式及权重等。遗传算法同其他非线性方法(如神经网络)最主要的区别就是它的客观性和数据适应性。其他方法，如神经网络，输入参数，隐含层的层数和响应函数的选择都是非常主观的。

遗传算法通过对包含特定问题解的种群中的个体进行选择、重组、变异等遗传操作来模拟生物进化过程。其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。尤其适用于处理传统搜索方法难以解决的复杂和非线性问题。同其他方法相比，遗传算法有如下的优点:遗传算法从问题解的串集开始搜索，而不是从单个解开始，在求解时使用特定问题的信息极少，容易形成通用算法程序，而且有极强的容错能力。遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则，并具有隐含的并行性。

王丽静等[4]通过遗传算法，使用Advanced Microwave Scanning Radiometer for EOS(AMSR-E)的海洋产品数据海表温度、风速、大气水蒸气、云液态水，通过遗传算法建立其与近海面气温和比湿之间的经验关系，进行近海面气温和比湿的实时反演。反演结果与The Tropical Ocean2Atmosphere(TAO)和The National Data Buoy Center(NDBC)的浮标实测资料进行比较，实时近海面气温和比湿的均方根误差分别为1.18℃和1.36 g/kg。分析结果表明，利用遗传算法采用AMSR-E海洋产品数据可以较好地反演近海面气温和比湿。

5.结论

本文对于近地表气温遥感的反演方法进行了综述，在对各类方法反演地表温度的过程中，由于对于气象要素，环境要素的考虑更加全面，反演精度也越来越高。本文从热红外亮温通道的气温直接反演到考虑均值和方差的气温反演，同时介绍了神经网络和Bowen比方法和遗传算法。综合各类反演方法可知，神经网络方法反演精度相对最高，可达误差为0.5K的反演高精度。对于热红外和微波两个波段对近地表气温反演可知，热红外利用亮温进行反演，对于不同的地表覆盖，使用不同的方法。

对于气温的反演，发展趋势是多传感器，多时相，多因子相关分析，建立气温反演模型，争取达到定量遥感的精度。同时，应该加强对于反演地区的气候因素，地形因素的了解，只有在具有反演地区地理环境的先验知识的条件下，反演精度才会越来越高。气温反演要进一步发展例如神经网络，遗传算法等技术，争取有新的突破，采用新技术，充分发展微波技术，近地表气温的反演精度才会越来越高，全球气温数值反演才能成为可能。

参考文献

[1] Prihodk oL,Goward S N. Estimaion of Air Temperature from Remotely Sensed Surface Observations [J] . Remot e Sensin g ofE nvironmen t,1997,60( 3) : 3352346.

[2] 齐述华,王军邦,张庆员,骆成凤,郑林等. 利用MODIS 遥感影像获取近地层气温的方法研究[J] . 遥感学报,2005,9(5) : 5702575.

[3] 祝善友,张桂欣,尹球,匡定波.基于多源极轨气象卫星热红外数据的近地表气温反演研[J] . 2009 ,2(24):1 27-31.

[4] 王丽静,何宜军,张彪.利用遗传算法反演实时近海面气温和比湿[J],海洋科学,2009, 4 (33) :20-25.

[5] 刘良明.卫星海洋遥感导论,武汉大学出版社,2005 ,192—276.

[6] Konda M,Imasato N,Shibata A.A new method to determine near-sea surface air temperature by using satellite data[J] , 1996,102(C6):14349—14360.

[7] ChenE,Allen LH,Bartholic JF,et al. Comparsion of winter-noctual geostationary satellite infrared-surface temperature with shelter-height temperature in Florida [J].Remote Sensing of Environment,1983,13:313-327. [8] Horiguchi I,Tani H and Motoki T. Accurate estimation of 1.5 m-height air temperature by GMS IR data[C]. Pro 24 th Int. Cymp. On Rem. Sens. Envir. Rio de Janeiro May 1991,301-307,1992.

[9] Green R. The potential of Pathfinder AVHRR data for providing surrogate climatic variables across africa and Europe for epidemiological applications[J]. Remote Sensing of Environment,2002,79(2-3):166-175.

[10] 闵文斌,李跃清.利用MODIS反演四川盆地地表温度与地面同步气温、地温观测值的相关性试验[J].气象学报，2010,36(6):101-105.

[11] Parton WJ,Logan J A.A model for diurnal variation in soil and air temperature [J]. Agricultural Meteorology,1981,23(3):205-216.

[12] 赣笃鸣,胨万蜃,高隶表等.小气候与农田小气候［M］.北京:农业出版社,1981 ,23(3) :205-216.

[13] 魏凤英.现代气候统计诊断与预测技术「M].北京:气象出版社,1999:27-41.

[14] 关惠平.相关系数稳定性检验及其在水文地质学中的应用「J」.西安地质学院学报,1992,14(2);58-64.

[15] Kubota M,Shikauchi A.Air temperature at ocean surface derived from surface-level humidity.J Oceanogr,1995,51:619—634.

[16] Liu G R,Liu C C,Kuo T H.2001.A contrast and comparison ofnear-sea surface air temperature/humidity from GMS and SSM/I data with an improved algorithm.IEEE Trans GeosciRemote Sensing,39(10):2148—2157. [17] Konda M,Imasato N,Shibata A,1996.A new method to determine near-sea surface air temperature by using satellite data[J] .Geophys Res,102(C6):14349—14360.

[18] Jackson D L,Which G A,Bates J J.Near_surface retrieval of air temperat ure and specific humidity suing multisensor microwave satellite o bservations[J].J Geophys Res,2006,111(10).

[19] Liu C C,Liu G R,Chen W J et al,2003.Modified Bowen ratio method in near-sea-surface air temperature estimation by using satellite data.IEEE Trans Geosci Remote Sensing,41(5):1025—1033.

[20] He Y J,Wu Y M,Zhang B et al,2005.Near Sea Surface Air Temperature Estimated from NOAA Data.IGARS2005,3: 1845—1848.

[21] 闻新,周露,王丹力等.MATLAB神经网络应用设计,北京:科学出版社,2000,169—232.

[22] 伍玉梅,何宜军,孟雷.利用卫星资料反演月平均近海面气温和湿度[J] ,海洋与湖沼, 2008,11(39):546-552.

[23] Randhir S,Vasudevan B G,Pal P K,et al.Artificial neural network app roach for estimatio n of surface specific humidity and air temperature using multif requency scanning microwave radiometer[J].Journal of Earth System Science,2004,113(1) :892101.

[24] 陈洪滨.利用高频微波被动遥感探测大气,遥感技术与应用,1999,14(2):49-545.

[25] Che din A,et al.Second2generat ion met eosat definit ion st udies on microwave an d infrared vert ical.soun ders.In: E SA STR-219.1986.29-39.

[26] Al i D S,Rosenkranz P W ,St aelin D H.At mospheric soundin g near 1182 GH z.J.Appl.Meterol,1980,19:1 234-1 238.

[27] 陈洪滨,林龙福.从118.75GHz附近六通道亮温反演大气温度廓线的数值模拟研究.大气科学,2003,27(6):894-900.

[28] Rumelhart D E,Hint on G and Will iams.Learning internal represcntation by eror propagation.In:Parallel Distributed Processing:Explorations in the Microst ructure of Cognition，vol.1:Foundat ions.Cambridge，MIT Pres s,1986,318-362.