基于隨機森林算法的地表溫度降尺度研究

華俊瑋， 祝善友， 張桂欣

(南京信息工程大學地理與遙感學院,南京 210044)

0 引言

地表溫度(land surface temperature，LST)是在區域乃至全球尺度上反映地、氣間相互作用的重要參數[1]，已被廣泛應用于地表能量通量估算[2]、土壤濕度及區域干旱研究[3]、城市熱環境評價[4]和植物動力學研究等領域?，F有衛星遙感反演LST產品存在著時間分辨率和空間分辨率的矛盾，單一衛星產品無法滿足精細化的LST時空分布監測與應用研究。例如，具有較高空間分辨率的Landsat遙感衛星產品，其過境周期為16 d； 而MODIS/LST產品每天可獲取4次，但其空間分辨率僅為1 km。因此，在較高時間分辨率LST數據基礎上，增強、提高其空間分辨率，是當前熱紅外遙感應用研究中的熱點與關鍵問題之一。

基于LST的降尺度轉換方法可以分為熱紅外銳化(thermal sharpening，TSP)和溫度分解(temperature unmixing，TUM)2類[5],其中，TSP方法能使熱紅外圖像或LST的空間分辨率得以提高； 而TUM方法則可獲取同一像元內不同組分的溫度信息。為了獲取更高分辨率的LST信息，許多學者基于TSP方法開展了降尺度轉換方法研究。Kustas等[6]基于LST和歸一化差值植被指數(normalized difference vegetation index，NDVI)間的關系提出了去聚合(disaggregation，DisTrad)算法，該算法構建了LST和NDVI間的線性回歸關系，實現了LST降尺度。Agam等[7]在DisTrad算法基礎上，提出的基于植被指數的LST銳化(TsHARP)算法將NDVI作為回歸核，探討不同擬合模型在降尺度過程中的差異，實現了km級分辨率的LST降尺度。Essa等[8-9]統計不同地表類型遙感指數與LST間的相關關系，并基于城市表面改進了DisTrad算法。Zhu等[10]提出了多遙感指數逐步回歸模型算法，并應用于上海城區、郊區混合區地溫降尺度研究，發現與DisTrad法相比，更適用于空間異質化的城市及其周邊區域。Wang等[11]結合MODIS和ASTER數據，利用地表溫度像元分解和重組方法(double-step pixel decomposition，DSPD)成功地將km級分辨率降尺度至250 m。Bindhu等[12]利用LST和NDVI構建Hot edge模型和人工神經網絡模型，結合MODIS和Landsat ETM+數據進行了降尺度研究，并估算了區域蒸散狀況。盡管針對LST降尺度的方法多種多樣，但其實質都是建立熱紅外波段信息與各類地表參數間的關系模型，并假定這種關系模型不隨空間尺度發生變化。

上述簡單的單因子、多因子回歸關系并不能完全概述不同尺度因子與LST間的復雜關系。在物理機制尚不清楚的前提下，使用機器學習方法構建降尺度模型是較好的選擇。與人工神經網絡、支持向量機等機器學習方法相比，隨機森林(random forest，RF)算法具有運算量小、容納樣本數量大等優點，適用于遙感降尺度研究。針對約旦河谷周邊植被覆蓋區，Hutengs等[13]利用RF算法將MOD09GA中多波段反射率作為輸入因子，將MODIS/LST產品由960 m降尺度至240 m，并利用ETM+數據反演的LST驗證了降尺度效果。但在研究中，研究區土地覆蓋類型以植被為主，類型較為單一，驗證LST與MODIS/LST產品反演算法不一致，降尺度空間分辨率不高等問題，使得RF方法能否擴展用于下墊面類型復雜的城市區域，尚需進一步研究。

本文以空間異質性強的北京市作為研究區，選擇Landsat8 OLI/TIRS數據，采用改進的單窗(improved mono-window，IMW)算法反演LST作為驗證數據，計算表征下墊面空間特性的遙感指數，并模擬至1 000 m空間分辨率作為自變量，將1 000 m空間分辨率的MODIS/LST產品作為因變量輸入RF模型，實現LST(100 m空間分辨率)降尺度； 并與多因子回歸方法、LST銳化算法(TsHARP)2種常用降尺度方法進行對比，進而分析不同方法在植被、水體和城鎮等典型驗證區中的降尺度效果。由于參與降尺度的遙感指數來源于Landsat OLI傳感器，與MODIS傳感器在分辨率、觀測時間、觀測方式上存在著差異，研究中進一步將模擬的1 000 m空間分辨率的Landsat/LST降尺度至100 m分辨率，并與MODIS/LST降尺度結果進行對比和分析。

1 研究區概況與數據源

1.1 研究區概況

北京市位于華北平原北部，其地理范圍為E115°25′～117°30′，N 39°26′～41°03′，總面積為16 410.54 km2。北京市地形西北高、東南低，平均海拔43.5 m； 具有典型的北溫帶半濕潤大陸性季風氣候，夏季高溫多雨，冬季寒冷干燥，春、秋季較為短促。北京市城鎮化進程迅速，城鎮化率由1992年的75%提升至2012年的86%； 土地覆蓋類型復雜，城市中心以城鎮建設用地為主，城郊主要為混合農田及村莊； 城市西北部以山體、林地為主。

1.2 數據源及其預處理

遙感圖像選取對應研究區域的2014年獲取的2景Landsat8 OLI/TIRS數據，軌道行/列號分別為123/32和123/33，成像時間為北京時間9月4日上午10:54，成像效果好且云量少。Landsat8 OLI傳感器空間分辨率為30 m。Landsat8 TIRS傳感器擁有2個熱紅外波段，空間分辨率為100 m，中心波長分別為10.9 μm和12.0 μm，與MODIS傳感器的熱紅外通道相近。對Landsat遙感圖像進行了預處理，包括幾何糾正、輻射定標、大氣校正和圖像鑲嵌與裁切。

MODIS/LST數據選取2景MOD11A1/LST產品，軌道行/列號分別為26/04及26/05，成像時間與Landsat8數據相近。利用MRT軟件對MOD11A1/LST數據進行了拼接和重投影等預處理。

2 研究方法

2.1 LST遙感反演

對于不同傳感器，LST反演算法也不同。對于Landsat8 TIRS傳感器的B10和B11這2個熱紅外波段，鑒于B11波段數值的不確定性，一般使用B10波段數據反演LST。Wang等[14]提出的IMW算法在南京地區獲得了精度較高的LST反演結果，故本文采用該算法反演LST，并用于驗證降尺度效果。IMW的算法為

TS={a10(1-C10-D10)+[b10(1-C10-D10)+C10+D10]T10-D10Ta}/C10,

(1)

式中：TS為反演的LST；T10為B10波段的亮溫；Ta為大氣平均作用溫度；a10和b10為由普朗克函數推導所得常數，地溫范圍在0～50 ℃時，分別取值為-62.718 2和0.433 9；C10和D10為內部參數，計算公式分別為

C10=τ10ε10,

(2)

D10=(1-τ10)[1+(1-ε10)τ10],

(3)

式中τ10和ε10分別為B10波段的大氣透過率和地表比輻射率。根據成像時刻，選擇中緯度夏季估算模型，即

τ10=1.0163-0.1330w，

(4)

式中w為水汽含量。

2.2 LST降尺度轉換

LST降尺度轉換方法的本質是利用高空間分辨率的輔助地表參數提高原有LST產品的空間分辨率，其基本思想是在不同尺度下，LST和地表參數之間的定量關系保持不變，即在低空間分辨率尺度下LST與地表參數間的關系模型仍能應用于高空間分辨率的LST。獲取高空間分辨率LST(THR)的模型為

THR=f(SHR)+ΔTLR,

(5)

ΔTLR=TLR-f(SLR),

(6)

式中：SHR和SLR分別為高空間分辨率和低空間分辨率下的地表參數；f為高(低)空間分辨率下，地表溫度THR(TLR)與地表參數SHR(SLR)間的映射關系； △TLR為殘差。

利用RF模型，并分別參考王祎婷等[15]和聶建亮等[16]提出的多因子回歸模型和TsHARP算法進行LST降尺度轉換。在LST降尺度方法研究及其應用分析中[13,17]，可利用較高空間分辨率數據模擬的低空間分辨率數據進行降尺度，對降尺度結果基于原始高分辨率數據進行評價； 或采用一種低分辨率數據進行降尺度，利用另外一種高空間分辨率數據作為檢驗依據。對這2類方法進行了對比研究，首先將100 m分辨率的Landsat/LST通過平均聚合方法模擬至1 000 m分辨率，再利用降尺度方法將空間分辨率分別提升至500 m，200 m和100 m； 同時，將空間分辨率1 000 m的MOD11A1/LST產品降尺度提升至100 m，進而在這2種降尺度過程中對比不同數據、不同模型方法的優劣。降尺度過程中應用的地表參數主要有：歸一化差值植被指數(normalized difference vegetation index，NDVI)、土壤調整植被指數(soil adjusted vegetation index，SAVI)、改進型土壤調整植被指數(modified SAVI，MSAVI)、非線性植被指數(non-linear index，NLI)、歸一化差值建筑指數(normalized difference built-up index，NDBI)和裸土指數(bare-soil index，BI)，它們的計算方法見文獻[18-23]，在此不再贅述。

2.3 RF模型

RF是Breiman[24]提出的一種機器學習模型，其實質是對決策樹算法的改進。RF通過bootstrap重采樣技術，首先將從原始訓練樣本中抽取的多個樣本自助合并，生成訓練樣本合集； 然后根據自助樣本集生成多個決策樹并組成RF，其分類或回歸模型結果按決策樹投票分數而定。在LST降尺度過程中，LST與各種參量間的關系并非線性，而RF模型對多元共線性不敏感，能有效防止過度擬合。該算法的預測結果對于缺失數據和非平衡數據較為穩健； 對于多種觀測資料，可產生高準確度的分類器，能處理大量的輸入變量。而且，RF在提高預測精度的同時，并未顯著提高運算量。與傳統的最小二乘線形回歸擬合相比，RF更具優勢。

本研究利用R語言中的random Forest數據包構建RF模型，獲取更高空間分辨率的LST。RF算法的構建過程如圖1所示，其中訓練樣本為低空間分辨率(1 000 m)的遙感圖像，因變量為LST，自變量為NDVI，SAVI，MSAVI，NDBI，NLI和BI。

圖1 隨機森林模型建立過程Fig.1 Building process of random forest

RF算法的具體步驟如下：

1)在輸入的總樣本中，用bootstrap法有放回地隨機抽取k次，得到k個自助樣本集作為訓練集，未抽取的部分組成袋外數據。

2)將每個訓練集都單獨作為一棵決策樹，決策樹節點從自變量數量中選擇M個(M小于自變量個數)，并按照節點不純潔度最小原則進行分支生長。

3)將步驟2)重復n次，得到N棵決策樹，組成RF。

4)RF的結果為每棵決策樹預測結果通過簡單平均法得到，預測精度利用每棵決策樹的平均袋外數據(out of band，OOB)來確定。

利用RF算法構建LST預測模型后，計算擬合殘差(即遙感圖像反演LST與模型預測結果之間的差值)。將高空間分辨率(100 m)的地表參數輸入RF模型中，獲取100 m分辨率的LST預測結果； 再加上重采樣至高空間分辨率的擬合殘差后，得到降尺度后的100 m分辨率LST結果。

構建RF模型需要確定樹節點的預選變量個數和決策樹數目這2個關鍵參數，以此來得到最優化的RF模型。根據袋外誤差隨節點的變化，將決策樹節點選為4。利用R語言繪制出相關誤差圖來判斷決策樹的數目N。模型誤差隨決策樹數目的變化見圖2。

圖2模型誤差隨決策樹數目的變化

Fig.2ModelerrorchangeswithnumberofDecisionTree

從圖2可見，在決策樹數量小于100時，模型誤差較大； 而當決策樹數量大于200后，模型誤差趨于平穩； 因此，將決策樹的數目設置為200。同時，RF模型的輸出精度平均減少值和節點不純度平均減少值作為評估擬合過程中自變量重要性的參數(圖3)，自變量對應的這2種參數值越大則表明該自變量對于模型模擬LST的重要性越大。

(a) 輸出精度平均減少值與隨機森林變量 (b) 節點不純度平均減少值與隨機森林變量

圖3隨機森林變量重要性

Fig.3Importanceofrandomforestvariables

由圖3可以看出，NDVI和NDBI這2個參量對基于RF模型的LST降尺度模擬更為重要。

2.4 精度評價

將IMW算法反演的Landsat/LST作為真實LST，用以驗證不同降尺度方法效果優劣。選取均方根誤差(root-mean-square error,RMSE)和降尺度與真實LST之間的線性擬合決定系數(R2)作為檢驗指標。RMSE用以衡量觀測值與真實值之間的偏離程度，RMSE值越小則擬合精度越高，即

(6)

式中：n為參與評價的像元數目；Toi為第i個像元的真實LST；Tei為第i個像元對應的降尺度方法模擬LST。

3 結果與討論

3.1 Landsat模擬LST降尺度

利用3種不同方法對模擬的1 000 m分辨率Landsat/LST進行降尺度，結果如圖4所示，其中以Landsat TIRS數據通過IMW算法反演的100 m分辨率LST(圖4(b))作為真實值。

由圖4可以看出，隨著降尺度結果分辨率的不斷提高，LST圖像的紋理特征逐步細化，降尺度結果也逐漸接近于真實LST(100 m)，符合中心城區地溫高、周圍郊區地溫低等空間分布特征。對比RF、多因子回歸和TsHARP算法的100 m分辨率降尺度LST空間分布圖像(圖4(i)，(j)和(k)與真實LST(100 m)(圖4(b))可以看出，前2種方法模型中增加了地表參數，特別是加入了表征城鎮建筑物的指數NDBI，其城區LST分布明顯更接近于真實值； 而TsHARP算法中只考慮了NDVI單因子，因受擬合殘差的影響，紋理特征不清晰。以Landsat 反演的LST作為參考，不同降尺度算法的RMSE和R2計算結果見表1。由表1可以看出，隨著模擬分辨率的提高，模擬LST與真實LST間的RMSE逐步增大，決定系數R2不斷降低。對比這3種方法降尺度結果與真實LST間的RMSE可以看出，隨機森林法效果最好，多因子回歸法次之，TsHARP法效果最差。隨著降尺度分辨率的提高，3種方法RMSE間的差值也不斷擴大，在100 m尺度上，RF方法相較于TsHARP算法精度提高了0.44 K。研究區內多種土地覆蓋類型(城鎮、城鄉結合部、裸土、水體及植被等)交錯分布，空間異質性強，混合像元較多。TsHARP算法單純構建LST―NDVI間的相關關系，難以刻畫多種土地類型LST空間分布特征，故造成城鎮高溫區與真實值之間的出入較大； 同時，地表溫度―地表參數之間的關系也不能通過多因子線性關系準確表達，導致降尺度結果精度不如RF算法。

(a) 模擬LST(1 000 m) (b) 真實LST(100 m)

(c) 隨機森林法(500 m) (d) 多因子回歸法(500 m)(e) TsHARP法(500 m)

(f) 隨機森林法(200 m) (g) 多因子回歸法(200 m)(h) TsHARP法(200 m)

(i) 隨機森林法(100 m) (j) 多因子回歸法(100 m)(k) TsHARP法(100 m)

圖4基于模擬Landsat/LST的不同分辨率降尺度效果
Fig.4DownscaledresultsatvariousresolutionscalesfromsimulatedLandsat/LST

表1 不同分辨率地表溫度降尺度均方根誤差Tab.1 RMSEs of downscaled LST at various resolution scales

3.2 MODIS數據降尺度

LST降尺度方法的初衷是克服不同傳感器之間空間―時間分辨率的矛盾，以期獲取高時空分辨率的LST產品。結合Landsat OLI數據，將1 000 m分辨率的MOD11A1/LST產品降尺度至100 m，并評價降尺度效果。不同地表類型區域的降尺度效果不同，分別選取高植被覆蓋區、水域和城鎮3種不同土地類型，評價不同方法在不同區域的降尺度效果，并將其與模擬的1 000 m分辨率Landsat/LST降尺度結果進行對比。圖5―圖7分別是高植被覆蓋區、水域和城鎮3個區域的LST降尺度結果。

(a) MODIS LST(1 000 m)(b) Landsat LST(100 m)

(c) 隨機森林LST(100 m)(d) 多因子回歸LST(100 m)(e) TsHARP算法LST(100 m)

圖5植被覆蓋區降尺度結果

Fig.5Downscaledresultsofvegetationarea

(a) MODIS LST(1 000 m)(b) Landsat LST(100 m)

(c) 隨機森林LST(100 m)(d) 多因子回歸LST(100 m) (e) TsHARP算法LST(100 m)

圖6水域降尺度結果

Fig.6Downscaledresultsofwaterarea

(a) MODIS LST(1 000 m) (b) Landsat LST(100 m)

(c) 隨機森林LST(100 m)(d) 多因子回歸LST(100 m) (e) TsHARP算法LST(100 m)

圖7城鎮區域降尺度結果

Fig.7Downscaledresultsofurbanarea

對比圖5―圖7中各種方法降尺度結果和MODIS/LST及Landsat/LST可以看出，降尺度后LST的空間分布及紋理特征明顯，與Landsat/LST相近。為了定量描述不同區域內不同方法的降尺度效果，計算RMSE以及降尺度LST和驗證LST間線性擬合的決定系數R2，結果見表3。

表3 不同方法在不同區域的MODIS/LST降尺度結果精度Tab.3 Precision of downscaled MODIS/LST in various regions for different methods

由表3可以看出，高植被覆蓋區LST降尺度效果最好； 其次為水域； 而城鎮區域因內部空間異質性強、混合像元較多，構建LST與地表參數間相對穩定的定量關系較為困難，RMSE最大。對比同一區域不同方法的降尺度效果可以看出，RF模型效果最佳。與TsHARP算法相比，RF的RMSE明顯降低了0.2～0.7 K，整個研究區內RMSE降低了0.5 K； 加入多元地表參數的回歸方法的RMSE有所降低，但整體RMSE要比RF算法高0.42 K。對比LST降尺度結果和驗證LST間的相關性，RF算法的決定系數R2最高，其中在高植被覆蓋區和水域擬合較好，R2分別為0.56和0.58； 而在城鎮區域擬合較差，R2僅為0.21。

以100 m分辨率的Landsat TIRS/LST反演結果作為真實值，針對1 000 m分辨率的模擬Landsat/LST和MODIS/LST這2種不同數據源，圖8給出了RF算法在3種不同地表類型區域內的降尺度結果誤差分布直方圖。

(a) 植被(b) 水域 (c) 城鎮

圖8不同數據源隨機森林降尺度結果誤差直方圖

Fig.8ErrorhistogramofRandomForestdownscalingmethod

對于3種區域的不同數據源，RF算法的降尺度結果誤差都呈現出正態分布特征，模擬Landsat/LST的降尺度結果誤差直方圖的峰值都在0 K左右。而對于MODIS/LST的降尺度結果來說，在高植被覆蓋區域，直方圖峰值偏高0.5 K左右； 水域和城鎮區域降尺度后的LST相對偏低，峰值出現在-2.0 K附近。與MODIS/LST降尺度結果相比，植被、水域、城鎮與驗證LST的RMSE分別為1.81 K，2.09 K和2.75 K，模擬Landsat/LST降尺度精度分別提高了0.03 K，0.27 K和0.45 K。產生這種差異的主要原因是模擬Landsat /LST來源于Landsat TIRS傳感器，與驗證LST的傳感器相同； 而MODIS/LST成像時刻與Landsat/LST不同，傳感器之間在成像方式和LST反演精度上存在著一定差異。在不同土地覆蓋類型區域內，2種數據源降尺度結果誤差大小也存在著差異，在植被覆蓋度高的區域，內部像元較為單一，兩者降尺度之間的精度差異僅為0.06 K； 而在水域和城鎮區域，低空間分辨率MODIS圖像中混合像元更多(如水域邊緣、城鎮內綠化水體和建筑物混合像元等)，導致精度差異增大。

4 結論

利用Landsat8 OLI/TIRS遙感圖像數據，通過分裂窗算法反演地表溫度(LST)并計算多元遙感指數； 結合MOD11A1/LST產品，分別利用隨機森林(RF)算法、多因子回歸算法和TsHARP算法進行LST降尺度轉換，將空間分辨率從1 000 m提升至100 m，進而對比不同方法在不同地表類型中的降尺度轉換效果。得到如下結論：

1)不同降尺度方法用于MODIS/LST產品降尺度對比結果表明，無論在植被、水體還是城鎮區域，RF算法的降尺度效果均為最優，與多因子回歸算法和TsHARP算法相比，整體精度分別提高了0.32 K和0.50 K，與驗證LST間的相關性顯著提高。

2)對比同一方法在不同區域的降尺度效果表明，高植被覆蓋度區域的降尺度效果最好，而空間異質性強的城鎮區域降尺度效果較差。

3)由于不同傳感器成像時間、成像方式的差異，以及不同分辨率圖像中混合像元問題的程度不同，模擬1 000 m 空間分辨率的Landsat/LST和MODIS/LST產品的降尺度結果精度存在著一定差異。不同土地覆蓋類型區域的降尺度效果不同，在植被覆蓋區兩者精度差最小為0.03 K，而在水域和城鎮精度差異分別達到0.27 K和0.45 K。在今后研究不同傳感器數據降尺度過程中，需要進一步討論上述原因造成的誤差并進行相應校正。

[1] Kustas W,Anderson M.Advances in thermal infrared remote sensing for land surface modeling[J].Agricultural and Forest Meteorology,2009,149(12):2071-2081.

[2] Anderson M C,Allen R G,Morse A,et al.Use of Landsat thermal imagery in monitoring evapotranspiration and managing water resources[J].Remote Sensing of Environment,2012,122:50-65.

[3] 宋春橋,游松財,劉高煥,等.基于TVDI的藏北地區土壤濕度空間格局[J].地理科學進展,2011,30(5):569-576.

Song C Q,You S C,Liu G H,et al.The spatial pattern of soil moisture in northern Tibet based on TVDI method[J].Progress in Geography,2011,30(5):569-576.

[4] 葉彩華,劉勇洪,劉偉東,等.城市地表熱環境遙感監測指標研究及應用[J].氣象科技,2011,39(1):95-101.

Ye C H,Liu Y H,Liu W D,et al.Research on urban surface heat environment monitoring indexes and its application[J].Meteorological Science and Technology,2011,39(1):95-101.

[5] Zhan W F,Chen Y H,Zhou J,et al.Disaggregation of remotely sensed land surface temperature:Literature survey,taxonomy,issues,and caveats[J].Remote Sensing of Environment,2013,131:119-139.

[6] Kustas W P,Norman J M,Anderson M C,et al.Estimating subpixel surface temperatures and energy fluxes from the vegetation index-radiometric temperature relationship[J].Remote Sensing of Environment,2003,85(4):429-440.

[7] Agam N,Kustas W P,Anderson M C,et al.A vegetation index based technique for spatial sharpening of thermal imagery[J].Remote Sensing of Environment,2007,107(4):545-558.

[8] Essa W,Verbeiren B,van der Kwast J et al.Evaluation of the DisTrad thermal sharpening methodology for urban areas[J].International Journal of Applied Earth Observation and Geoinformation,2012,19:163-172.

[9] Essa W,van der Kwast J,Verbeiren B,et al.Downscaling of thermal images over urban areas using the land surface temperature-impervious percentage relationship[J].International Journal of Applied Earth Observation and Geoinformation,2013,23:95-108.

[10] Zhu S Y,Guan H,Millington A C,et al.Disaggregation of land surface temperature over a heterogeneous urban and surrounding suburban area:A case study in Shanghai,China[J].International Journal of Remote Sensing,2013,34(5):1707-1723.

[11] Wang F,Qin Z H,Li W J,et al.An efficient approach for pixel decomposition to increase the spatial resolution of land surface temperature images from MODIS thermal infrared band data[J].Sensors,2015,15(1):304-330.

[12] Bindhu V M,Narasimhan B,Sudheer K P.Development and verification of a non-linear disaggregation method(NL-DisTrad) to downscale MODIS land surface temperature to the spatial scale of Landsat thermal data to estimate evapotranspiration[J].Remote Sensing of Environment,2013,135:118-129.

[13] Hutengs C,Vohland M.Downscaling land surface temperatures at regional scales with random forest regression[J].Remote Sensing of Environment,2016,178:127-141.

[14] Wang F,Qin Z H,Song C Y,et al.An improved mono-window algorithm for land surface temperature retrieval from Landsat8 thermal infrared sensor data[J].Remote Sensing,2015,7(4):4268-4289.

[15] 王祎婷,謝東輝,李亞惠.光譜指數趨勢面的城市地表溫度降尺度轉換[J].遙感學報,2014,18(6):1169-1181.

Wang Y T,Xie D H,Li Y H.Downscaling remotely sensed land surface temperature over urban areas using trend surface of spectral index[J].Journal of Remote Sensing,2014,18(6):1169-1181.

[16] 聶建亮,武建軍,楊 曦,等.基于地表溫度-植被指數關系的地表溫度降尺度方法研究[J].生態學報,2011,31(17):4961-4969.

Nie J L,Wu J J,Yang X,et al.Downscaling land surface temperature based on relationship between surface temperature and vegetation index[J].Acta Ecologica Sinica,2011,31(17):4961-4969.

[17] 全金玲,占文鳳,陳云浩,等.遙感地表溫度降尺度方法比較——性能對比及適應性評價[J].遙感學報,2013,17(2):361-387.

Quan J L,Zhan W F,Chen Y H,et al.Downscaling remotely sensed land surface temperatures:A comparison of typical methods[J].Journal of Remote Sensing,2013,17(2):361-387.

[18] Rouse J W Jr,Haas R H,Schell J A,et al.Monitoring vegetation systems in the Great Plains with ERTS[C]//Third Earth Resources Technology Satellite-1 Symposium.Washington,D.C:NASA,1974:309.

[19] Huete A R.A soil-adjusted vegetation index(SAVI)[J].Remote Sensing of Environment,1988,25(3):295-309.

[20] Qi J,Chehbouni A,Huete A R,et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment,1994,48(2):119-126.

[21] Goel N S,Qin W H.Influences of canopy architecture on relationships between various vegetation indices and LAI and Fpar:A computer simulation[J].Remote Sensing Reviews,1994,10(4):309-347.

[22] Zha Y,Gao J,Ni S.Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J].International Journal of Remote Sensing,2003,24(3):583-594.

[23] 吳志杰,趙書河.基于TM圖像的“增強的指數型建筑用地指數”研究[J].國土資源遙感,2012,24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

Wu Z J,Zhao S H.A study of enhanced index-based built-up index based on Landsat TM imagery[J].Remote Sensing for Land and Resources,2012,24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

[24] Breiman L.Random forests[J].Machine Learning,2001,45(1):5-32.