近地表氣溫遙感反演方法綜述

冷 佩，廖前瑜，※，任 超，李召良

（1. 中國農業科學院農業資源與農業區劃研究所，北京100081；2. 桂林理工大學測繪地理信息學院，廣西桂林541004）

0 引言

近地表氣溫是指在近地表（一般指距地面2 m 處高度）觀測的大氣溫度。近地表氣溫作為描述地表大氣環境的重要指標，控制著自然系統中大多數的生物和物理過程［1-2］，是各種地表過程模型，如地表蒸散發模型［3-4］、水文模型［5］、土壤—植被—水分系統動力模型［6］等的重要驅動參數。在全球氣溫變暖的大背景下，區域氣溫的持續攀升導致了生態環境的改變和氣象災害頻發，尤其是對農業生產的可持續發展產生了重大影響［7-10］。因此，準確估計近地表氣溫在地球表面空間上的連續分布對全球農業發展具有重要意義。

氣溫是表征空氣冷熱的物理量。近地表氣溫的變化主要受到輻射、湍流和平流等多種因素影響［11］。目前，分布在世界各地的氣象站能夠提供較為精確而連續時間序列的近地表氣溫數據，然而在稀疏空間分布的站點氣溫信息無法描述近地表氣溫在連續空間上的異質性。對于沒有氣象站點的地區，傳統方法大多通過距離最近的有限的氣象站氣溫觀測數據插值得到［12-18］。相比傳統觀測，遙感方法可以獲取區域尺度的近地表氣溫影響因子，具有實時性、區域性、經濟適用性等無可替代的優勢。遙感技術的廣泛應用為獲取區域尺度近地表氣溫提供了強大的數據支撐。因此，眾多學者圍繞近地表氣溫遙感反演進行了大量研究，并已形成了眾多基于遙感數據或與遙感數據結合的區域氣溫反演方法，這些主要可以歸納為4 類：大氣廓線外推方法、地表溫度—植被指數方法（Temperature Vegetation Index，TVX）、基于數據統計的方法以及基于地表能量平衡的方法。該文系統回顧近地表氣溫遙感反演算法模型及最新研究進展，為相關領域獲取區域近地表氣溫提供借鑒，對近地表氣溫遙感反演模型未來發展方向進行展望。

1 近地表氣溫遙感反演方法

1.1 大氣廓線外推方法

大氣廓線外推方法建立在同一垂直面空氣溫度是連續變化的假設之上。在此假設基礎之上，通過絕熱遞減率（Adiabatic Lapse Rate，ALR）插值得到近地表氣溫。近地表氣溫與ALR之間的關系可以表示為：

式（1）中Ta為近地表氣溫，H為地面海拔高度，H0為大氣廓線離地面最近的氣壓層高度，T0則為H0點對應的氣溫。

目前，MOD07_L2 是較為常用的基于大氣廓線外推方法反演近地表氣溫的數據源。MOD07_L2 可提供全球每日分布在20 個垂直大氣壓水平上（1 000、950、920、850、780、700、620、500、400、300、250、200、150、100、70、50、30、20、10、5 hPa）的大氣溫度剖面數據，具有較高水平空間分辨率（5 km），但是這些數據僅限于晴空條件下。因此，在使用MOD07_L2 大氣廓線參數時，需要對云干擾像元進行掩膜處理和質量控制。Bisht 等［19］利用垂直氣壓水平1 000 hPa 下的空氣溫度作為近地表氣溫。然而Tang等［20］認為由于海拔高度的變化，利用氣壓水平1 000 hPa 下的空氣溫度替代近地表氣溫顯然是不合適的，并提出了通過大氣流體靜力學的方法獲取近地表氣溫。Cosgrove 等［21］基于MOD07_L2 產品開發了一個簡單的大氣廓線外推參數化方法，將ALR 設定為每公里上升6.5℃或者下降6.5℃。因此，根據ALR 的假設似乎能夠獲取晴空下垂直面上任意高度的空氣溫度。然而固定的ALR 假設并不能準確地估計區域尺度的近地表氣溫，因為ALR 在空間分布上是變化的；除此之外，ALR 還存在日變化、顯著的季節變化和年變化［22］。因此，基于ALR 是常數的假設僅僅適用于均一下墊面和特定的氣壓水平區域［23］。Zhu 等［24］基于MOD07_L2 產品大氣廓線利用最接近地表的兩個氣壓層和所對應的空氣溫度逐像元計算ALR，然后通過地表氣壓插值得到一個氣溫，并利用估算得到的氣溫與地表溫度（Land Surface Temperature，LST）取平均得到晴空下地面2 m 的氣溫，最后將晴空下的氣溫和MOD06_L2 產品的LST 建立線性回歸關系，有云情況下根據回歸系數得到有云條件下地面2 m 的氣溫，全天候氣溫反演結果均方根誤差范圍為2.4～3.3℃。Famiglietti 等［25］基于MOD07_L2 大氣廓線利用地表大氣壓非線性內插得到近地表氣溫，并將結果與全球范圍內109 個地面氣象站觀測數據進行了對比驗證，平均均方根誤差為3.47℃。大氣廓線外推的方法原理簡單，不需要地面輔助數據就能得到精度較高的晴空下近地表氣溫。有云條件下則需要其他的遙感數據建模估算。

1.2 地表溫度—植被指數方法

1989 年Nemani 等［26］人首次提出地表溫度-植被指數特征空間模型。圖1 為TVX 示意圖。由于濃密植被和周圍空氣的熱容接近，TVX 方法估算近地表氣溫是基于遙感圖像植被全覆蓋時的地表溫度近似等于該地點空氣溫度的假設。因此，LST隨著植被覆蓋度的增加趨近于該點的空氣溫度，即使不發生蒸散發，全植被覆蓋冠層的輻射溫度也與冠層內空氣溫度保持平衡［1，27］。基于此，TVX 方法能夠成功地應用于空氣溫度的估算有兩個限制條件［28-31］：（1）在晴空條件下具有較為穩定的大氣條件；（2）地表在一定范圍內滿足土壤水分均一的條件。TVX 模型由于其物理原理明確，模型簡單，不需要輔助數據的特點，被廣泛應用于區域近地表氣溫的估算。Zhu 等［29］將植被指數與地表溫度的負相關系數閾值降至0.1后，成功地利用TVX 方法從MODIS 陸地產品中提取出了日最高氣溫和日最低氣溫，均方根誤差為3.79℃。Renaud 等［32］基于TVX 模型估算了城市植被氣溫，均方根誤差范圍在3.34～6.23℃。

圖1 TVX 示意圖Fig.1 TVX configuration

TVX 方法估算近地表氣溫一般是通過建立像元陣列的NDVI 和LST 回歸關系，然后外推求得理論植被全覆蓋情況下的LST，最后求得各個像元的近地表氣溫。關系式如下：

式（2）、（3）中LST為地表溫度，NDVI為歸一化植被指數，ai和bi分別為每個移動窗口內的LST和NDVI線性回歸系數的截距和斜率，Ta為近地表氣溫，NDVImax為理論植被全覆蓋植被指數。

1.3 基于數據統計的方法

1.3.1 單因子統計模型

單因子統計模型是基于空氣溫度和地表溫度的高度相關性，通過建立空氣溫度和遙感數據地表溫度的線性回歸關系求得氣溫。Chen 等［33］建立了基于GOES（Geostationary Operational Environmental Satellite）靜止氣象衛星反演的地表溫度和地面站點實測空氣溫度的線性回歸關系，統計結果顯示地表溫度和空氣溫度之間平均相關系數為0.87，估算的空氣溫度標準方差為1.57℃。侯英雨等［34］基于AVHRR（Advanced Very High Resolution Radiometer）衛星的地表溫度與觀測空氣溫度的相關關系，建立了稀疏植被下墊面不同高程范圍的空氣溫度單因子統計模型，經檢驗反演結果絕對誤差在1.5～1.8℃之間。單因子統計模型可以表述為：

該方法的優點在于模型簡單，輸入參數少。然而其回歸系數依賴于建模數據的獲取時間和地點，無法推廣到區域尺度。Lin 等［35］的研究表明在不同地形和不同時刻條件下，空氣溫度和地表溫度的關系是變化的，在解釋復雜地形表面能量通量的時空變化時必須要考慮相關的環境因子。因此，僅考慮地表溫度對空氣溫度的影響的統計模型并不適用于所有時刻和區域的空氣溫度估算。

1.3.2 多因子統計模型

多因子統計模型考慮了多個空氣溫度的影響因子建立線性或非線性模型求解空氣溫度。影響空氣溫度的因素主要可歸類為兩類：（1）地理變量包括海拔、緯度和離海岸線距離等；（2）物理變量（遙感變量）包括地表溫度、植被指數和地表反照率等。多因子統計模型可以表述為：

式（5）中Albedo為地表反照率，h為高程。

Kawashima 等［36］在單因子統計模型基礎之上，引入了NDVI，通過平均地表溫度和歸一化植被指數的二元線性回歸分析得到了氣溫，反演標準誤差在0.47～1.05℃。Cristóbal等［37］發現結合遙感變量（地表溫度、地表反照率和植被指數）和地理變量（海拔、緯度和太陽輻射）的空氣溫度模型要比單純地理模型和單純遙感模型精度要高，混合模型日尺度氣溫反演結果的平均均方根誤差為1.75℃，月尺度和年尺度的氣溫反演結果平均均方根誤差為1℃。徐偉燕等［38］考慮了地表溫度、植被指數、水汽壓、地表反照率及高程5 個影響因子建立多元線性回歸模型估算近地表氣溫，反演結果均方根誤差為2.31℃，同時對其分白天和夜晚進行了檢驗，發現夜間精度比白天高。白琳等［39］利用地表溫度、植被指數、差異水體指數、地表反照率、不透水面蓋度和高程6 個影響因子，將隨機森林方法應用于近地表氣溫的反演，反演結果的均方根誤差為1.06℃，發現多因子的隨機森林方法比單純的多元線性回歸模型精度高。Jang 等［40］將通過AVHRR 的5 個波段反演得到的反射率和亮溫數據，結合地理變量作為神經網絡的輸入層來反演空氣溫度，結果顯示隱層節點數為22 時精度最高，均方根誤差為1.79℃，有95%的樣本誤差在3℃以內。Chenour 等［41］采用地理加權回歸方法比較了單變量和多變量模型的精度，結果顯示采用地表溫度、植被指數、高程、坡度及反照率的地理加權回歸方法進行大氣估算精度最高，平均均方根誤差為0.62℃，平均相關系數為0.99。大量的研究表明多因子的統計模型精度要比單因子的統計模型高。但是可移植性仍然較差，而且并不能反映湍流和平流對空氣溫度的影響。

1.4 基于地表能量平衡方法

忽略平流的影響，根據能量平衡方程可以建立近地表氣溫的表達式：

式（6）中，Ta為近地表氣溫，T0為空氣動力學溫度，H為顯熱通量，ρ為空氣密度，Cp為空氣定壓比熱，ra為空氣動力學阻抗。由于空氣動力學溫度在實際中難以獲取，因此通常假設地表溫度等于空氣動力學溫度。空氣動力學溫度與地表溫度之間的差異會隨著植被覆蓋度降低而變大，這一假設應用在稀疏植被下墊面和裸土下墊面時會帶來較大的誤差［42-43］。

Pape 等［44］基于能量平衡方程，并結合地面實測的氣象數據和遙感數據求解得到近地表氣溫，均方根誤差在0.37～1.02℃之間，但是其僅僅考慮了能量閉合系統內的湍流影響和輻射影響。然而，在實際情況中地表能量平衡方程通常是不閉合的，平流作用也會對氣溫產生影響。Zhang 等［45］提出了一個基于能量平衡思想估算區域氣溫的算法（Advection-Energy Balance for Surface Air Temperature Algorithm，ADEBAT），同時考慮了局部驅動力和平流的影響，對于區域內每一個待反演像元，尋找距離其最近的滿足有溫差和風速風向相近條件的兩個氣象站點估算平流因子，結果均方根誤差在0.2～0.42 K。Liu 等［46］通過反距離加權插值改進了ADEBAT 算法的平流因子。Zhu 等［47］提出了一種基于地表能量平衡算法（Surface Energy Balance Algorithm for Land，SEBAL）的晴空氣溫反演方法，通過對極端像元（水面像元和干燥裸土像元）的迭代計算，建立地表溫度和氣溫的線性關系，利用MODIS 數據反演得到的結果均方根誤差為1.7℃，利用Landsat8數據反演得到的結果均方根誤差為2.6℃。

2 近地表氣溫遙感反演方法優缺點比較

大氣廓線外推方法簡單易行，可操作性強，不需要地面輔助數據就可以獲取晴天條件下的區域氣溫，但是其結果精度相對于其他3 種方法仍然有待提高。有云條件下，可以通過已獲取的晴空下空氣溫度和地表溫度建立回歸關系求得云干擾下的空氣溫度［24］。與此同時，面臨的另外一個問題是通過熱紅外并不能獲取云干擾下的地表溫度數據，實際上，與空氣溫度建立回歸關系的地表溫度是使用統計或時空插值方法填充獲取的，僅僅是理論無云條件下的地表溫度近似值，而不是實際觀測的云下地表溫度［48］。大氣廓線外推方法由于其特點，得到了廣泛應用，特別是在復雜陸地過程模型中，常常將大氣廓線外推方法獲取的空氣溫度作為輸入參數之一［20，23］。

TVX 方法的成功應用建立在兩個假設條件下：（1）地表溫度和植被指數之間存在很強的負相關關系；（2）全植被冠層的溫度與冠層內的空氣溫度處于平衡狀態。然而，研究表明TVX 方法雖然依賴于地表溫度和植被指數之間的負相關關系，但是這種依賴關系并不十分敏感，相關系數閾值可低至0.1［28］。TVX 方法的一個關鍵是求得NDVImax，研究表明NDVImax隨著研究區和衛星圖像的不同而變化［1］，一般通過地面輔助數據和遙感數據之間的經驗關系來判定NDVImax。而且當該方法應用于低植被覆蓋度區域和裸土區域時，由于移動窗口內的地表溫度和植被指數變化范圍較小而導致構成的線性關系變得隨機。因此，TVX 方法不適用于低植被覆蓋度或非植被覆蓋下墊面。盡管TVX 方法得益于簡單的模型和輸入，但NDVImax的經驗性大大限制了TVX 模型的估算精度和實際應用。

數據統計類的方法是基于地面觀測數據和遙感數據建立空氣溫度與其影響因子的一種線性或非線性的經驗關系。該方法原理簡單，需要大量的輸入數據，結果精度受到輸入數據的影響。由于地面氣象站點的疏密程度影響，可移植性差是這類模型的最大特點。隨著計算機技術的發展和大數據時代的到來，數據統計模型有了較大的發展，逐漸向更加復雜的非線性算法發展［39］。基于數據統計的方法由于其簡單的原理，常常被引入到其他3 種氣溫反演模型中用來提高氣溫的反演精度。

基于地表能量平衡的方法估算氣溫則具有良好的普適性和物理基礎，并且具有較高的反演精度。但是模型復雜，參數過多導致而容易造成誤差傳遞和累積，且具有遙感難以獲取的地面參數，如風速、空氣動力學阻抗和空氣動力學溫度等。在實際情況中，地表能量平衡通常都是不閉合的，需要考慮湍流和平流的影響。因此，地表能量平衡模型通常需要地面輔助數據計算湍流因子和平流因子對其結果進行校正，限制了其在大區域范圍上的應用。

表1 給出了上述4 類近地表氣溫遙感方法的對比。總的來說，每種方法都有各自的優缺點。然而，目前還沒有一種方法既能夠獨立于（或較少依賴于）地面輔助數據而又具有普遍適用性。

表1 不同近地表氣溫遙感反演方法對比Table 1 Comparison of methods for estimating near-surface air temperature

3 結論與展望

該文系統回顧和總結了近地表氣溫遙感反演的研究進展，并將這些方法歸納為4 類：大氣廓線外推方法、地表溫度—植被指數方法（TVX）、基于數據統計的方法以及基于地表能量平衡的方法。前3 種方法是基于空氣溫度和其他變量之間的經驗關系，易于理解和使用；而地表能量平衡模型則依賴于空氣溫度的物理形成機制，較為復雜，需要大量輸入數據，具有良好的可移植性和通用性。綜合目前國內外近地表氣溫遙感反演的發展現狀，對近地表氣溫遙感反演算法未來的發展方向做出展望。

（1）在晴空條件下，上述4 類方法都有一定適用性。然而現有的氣溫遙感反演算法除了大氣廓線外推方法之外，其余3 類方法一般都依賴地面觀測數據與遙感數據共同求解。距離通過純遙感數據反演得到高精度的全球氣溫還有一定的距離。同時TVX 方法和基于地表能量平衡的方法不適用于低植被覆蓋區域和裸土區域。未來應該加強不同地形條件下的大氣輻射傳輸過程研究。此外，晴空條件下，地表溫度的遙感反演技術已較為成熟，而地表溫度與近地表氣溫密切相關。考慮到靜止氣象衛星具有較高的時間分辨率，而現有氣溫反演算法較少考慮地表溫度日變化信息。因此，將地表溫度和其他地表參數的日變化信息引入氣溫反演中，有可能是提高晴空條件下氣溫反演精度的有效途徑。

（2）在云覆蓋情況下，目前僅有數據統計方法適用。面臨的主要困難是在有云條件下，無法獲取地表溫度、地表反照率以及植被指數等諸多氣溫反演的重要量。這也是定量遙感領域面臨的最大挑戰之一。盡管目前已經發展了大量估算云下地表參數的算法，但大多數是基于時間和空間的插值填充獲取的，并不能反映實際云覆蓋條件下的地面真值。微波由于能穿透云層的特點，被廣泛應用于獲取云下地表參數。因此，作者認為未來應該加強有云條件下的輻射傳輸過程研究，發展利用微波遙感數據獲取區域尺度近地表氣溫的方法。

（3）無論是在晴空還有云覆蓋條件下，現有的近地表氣溫遙感反演算法基本上忽略了平流對空氣溫度的影響，然而在實際中平流對空氣溫度的影響是顯著的。平流因子可以描述為關于風速的函數，但是目前還沒有可行的風速反演方法。現有的算法大多通過地面觀測氣溫與方程求解氣溫之間的差分估算平流因子。因此大氣流動對氣溫影響的量化建模是今后近地表氣溫遙感反演能否擺脫地面輔助數據，建立可靠的普適氣溫反演模型的關鍵。