Landsat卫星热红外数据地表温度遥感反演研究进展

Landsat卫星热红外数据地表温度遥感反演研究进展 Reviews of methods for land surface temperature retrieval from Landsat thermal infrared data 1 first-author 段四波，1983年生，男，研究员，研究方向为热红外定量遥感。E-mail： duansibo@caas.cn 段四波，1983年生，男，研究员，研究方向为热红外定量遥感。E-mail： duansibo@caas.cn duansibo@caas.cn 2 1 corresp 李召良，1964年生，男，研究员，研究方向为热红外遥感。E-mail： lizhaoliang@caas.cn 李召良，1964年生，男，研究员，研究方向为热红外遥感。E-mail： lizhaoliang@caas.cn lizhaoliang@caas.cn 3 4 5 6 7 8 9 10 11 12 13 13 1 中国农业科学院 农业资源与农业区划研究所, 北京 100081 中国农业科学院 农业资源与农业区划研究所, 北京 100081 Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China 中国科学院大学 资源与环境学院, 北京 100049 中国科学院大学 资源与环境学院, 北京 100049 College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China 中国地质大学(武汉) 地理与信息工程学院, 武汉 430074 中国地质大学(武汉) 地理与信息工程学院, 武汉 430074 School of Geography and Information Engineering, China University of Geosciences (Wuhan), Wuhan 430074, China School of Geography and Information Engineering, China University of Geosciences (Wuhan), Wuhan 430074, China 福州大学 遥感信息工程研究所, 福州 350108 福州大学 遥感信息工程研究所, 福州 350108 Institute of Remote Sensing Information Engineering, Fuzhou University, Fuzhou 350108, China Institute of Remote Sensing Information Engineering, Fuzhou University, Fuzhou 350108, China 中国科学院空天信息创新研究院, 北京 100101 中国科学院空天信息创新研究院, 北京 100101 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China 安徽大学 资源与环境工程学院, 合肥 230601 安徽大学 资源与环境工程学院, 合肥 230601 School of Resources and Environmental Engineering, Anhui University, Hefei 230601, China School of Resources and Environmental Engineering, Anhui University, Hefei 230601, China 南京大学 国际地球系统科学研究所, 南京 210023 南京大学 国际地球系统科学研究所, 南京 210023 International Institute for Earth System Science, Nanjing University, Nanjing 210023, China International Institute for Earth System Science, Nanjing University, Nanjing 210023, China 电子科技大学 资源与环境学院, 成都 611731 电子科技大学 资源与环境学院, 成都 611731 School of Resource and Environment, University of Electronic and Technology of China, Chengdu 611731, China School of Resource and Environment, University of Electronic and Technology of China, Chengdu 611731, China 中国科学院水利部成都山地灾害与环境研究所, 成都 610041 中国科学院水利部成都山地灾害与环境研究所, 成都 610041 Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China 北京大学 地球与空间科学学院 遥感与地理信息系统研究所, 北京 100871 北京大学 地球与空间科学学院 遥感与地理信息系统研究所, 北京 100871 Institution of Remote Sensing and Geographical Information System, School of Earth and Space Sciences, Peking University, Beijing 100871, China Institution of Remote Sensing and Geographical Information System, School of Earth and Space Sciences, Peking University, Beijing 100871, China 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室, 北京 100101 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室, 北京 100101 State Key Laboratory of Resources and Environment Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China State Key Laboratory of Resources and Environment Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China 昆明理工大学 国土资源工程学院, 昆明 650093 昆明理工大学 国土资源工程学院, 昆明 650093 Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming 650093, China Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming 650093, China 河北地质大学 河北省农业干旱遥感监测国际联合研究中心, 石家庄 050031 河北地质大学 河北省农业干旱遥感监测国际联合研究中心, 石家庄 050031 Hebei International Joint Research Center for Remote Sensing of Agricultural Drought Monitoring, Hebei GEO University, Shijiazhuang 050031, China Hebei International Joint Research Center for Remote Sensing of Agricultural Drought Monitoring, Hebei GEO University, Shijiazhuang 050031, China 作为驱动地表与大气之间能量交换的关键物理量，地表温度在众多领域中都发挥着重要作用，包括气候变化、环境监测、蒸散发估算以及地热异常勘探等。Landsat热红外数据因其时间连续性和高空间分辨率等特点被广泛应用于地表温度反演中。本文详细地介绍了Landsat热红外传感器及其可用的数据与产品的现状，梳理了2001年—2020年20年间基于Landsat热红外数据的地表温度遥感反演与应用的相关文献发表及互引情况，系统地综述了基于Landsat热红外数据的地表温度反演算法，包括基于辐射传输方程的算法、单窗算法、普适性单通道算法、实用单通道算法和分裂窗算法等。在此基础上，进一步介绍了每种算法的参数化方案，包括地表比辐射率和大气参数的估算方法。最后针对Landsat热红外数据地表温度遥感反演提出了未来可能的发展趋势与研究方向。 Land Surface Temperature (LST) is a pivotal factor in the energy exchange procedure between the land surface and the atmosphere. It plays a critical role in various study fields, including regional and global climate change analysis, environment monitoring, evapotranspiration estimation, and geothermal anomaly exploration. How to accurately capture LST from satellites data is one of the international hot spots and frontier topics in the quantitative remote sensing of surface parameters, and numbers of algorithms and products have been developed since 1960s. Specially, due to the advantage of high-spatial resolution, temporal continuity, and data availability, Landsat thermal infrared (TIR) data is generally used for LST retrieval. Landsat sensors and related LST products are introduced in detail at this paper, involving in Landsat 4-5 TM, Landsat 7 ETM+, and Landsat 8 TIRS. By analyzing the abundant academic papers, this article reviews the related publications and citations from 2000 to 2020 about Landsat LST retrieval by dividing them into two parts: algorithm and application. Furthermore, this paper systematically describes the algorithms for LST retrieved from Landsat TIR data including the Radiative Transfer Equation (RTE)-based algorithm, the mono-window algorithm, the generalized single-channel algorithm, the practical single-channel algorithm, and the split-window algorithm. On this basis, this article introduces the methods to obtain relevant parameters of each algorithm including atmospheric parameters and land surface emissivity. Furthermore, the calculation of atmospheric parameters mainly depends on water vapor and air temperature near the surface and atmospheric profiles, which can be obtained in three ways including ground-based sounding data, satellite inversion and reanalysis data. The methods estimating land surface emissivity depend on surface classification and NDVI images. Additionally, the superiority of high-spatial resolution LST from Landsat products makes them often applied to urban heat island effect, disaster monitoring, the LST impact for land use and land cover, where the studies require high-precision satellite images to facilitate detailed topics. With the development of science and technology, high-resolution data makes current problems in LST retrieval more and more obvious. According to the analysis for academic papers in the past 20 years, the research on the algorithm and application of LST retrieval based on Landsat TIR data shows an overall upward trend, and the Landsat LST retrieval and application will continuously play the important role in the future. Therefore, the prospective research trend and directions are proposed for Landsat TIR data, and this paper pointes out 4 directions for subsequent studies, including LST retrieval at the complex terrain region, LST retrieval under the cloud cover, spatio-temporal fusion of multi-source data, and long-term serial LST products. Finally, this article indicates that the uncertainty of land surface emissivity, real complex land surface, and banding effect causing LST errors. Therefore, more scholars should pay attention to these problems and actively propose new methods to solve the current deficiency. Moreover, it is helpful to further understand the mechanism of LST retrieval from remote sensing, provide inspiration for the establishment of new methods for remote sensing retrieval of LST, and promote the research level of quantitative remote sensing of LST in China.. Landsat 热红外数据 地表温度 地表比辐射率 大气参数 Landsat thermal infrared data land surface temperature land surface emissivity atmospheric parameter 1　引言 1 地表温度LST（Land Surface Temperature）是区域和全球尺度地表能量收支和水循环过程中的关键参数，能够提供地表能量平衡状态的时空变化信息（ Voogt和Oke，2003 Voogt和Oke，2003 ； Sobrino等，2004 Sobrino等，2004 ； Li等，2013 Li等，2013 ；Sobrino和Jiménez Muñoz，2014； Urbanski等，2016 Urbanski等，2016 ）。近年来，随着遥感技术以及反演算法的快速发展，地表温度已经被广泛应用于各个领域，如蒸散发和土壤湿度估算（ Zhao等，2017 Zhao等，2017 ； Ma等，2018 Ma等，2018 ）、城市热环境监测（ Fu和Weng，2018 Fu和Weng，2018 ； Lai等，2018 Lai等，2018 ）和灾害监测（ Jiang等，2017 Jiang等，2017 ； Mia等，2018 Mia等，2018 ； Sekertekin和Arslan，2019 Sekertekin和Arslan，2019 ）等。热红外数据TIR（Thermal Infrared）可以通过辐射传输方程直接与地表温度联系起来（ Ren等，2014 Ren等，2014 ； Duan等，2020 Duan等，2020 ）。目前，国内外学者已经卫星热红外数据开展了很多研究，并提出了不同的地表温度反演算法（ Qin等，2001b Qin等，2001b ；Jiménez-Muñoz和Sobrino，2003； Wan和Dozier，1996 Wan和Dozier，1996 ； Wan和Li，1997 Wan和Li，1997 ； Gillespie等，1998 Gillespie等，1998 ）。陆地卫星（Landsat）系列数据凭借其较高的空间分辨率和光谱信息，以及连续对地观测等诸多优点，成为长时间地表状态及其变化监测研究中最有效的遥感数据之一。而其中的热红外波段由于对地物热辐射信息敏感，因此被广泛应用于地表温度变化的监测中（Ndossi和Avdan，2016；Shiver等，2019； Wulder等，2019 Wulder等，2019 ； 张兆明 等，2020 张兆明 等，2020 ）。 20世纪80年代以来，国内外学者使用Landsat热红外数据开展了大量的研究，针对不同的传感器和实际情况研发了不同的地表温度反演算法，并不断地对方法进行改进。为了达到更高的反演精度，国内外学者还提出了不同的方法来消除地表比辐射率和大气的影响。本文详细地介绍了Landsat热红外数据和产品的发展与现状，系统地回顾了基于Landsat热红外数据的地表温度反演研究进展，阐述了与地表温度反演算法相关参数的估算方法，并对今后的研究方向进行了展望。 2　Landsat热红外传感器与数据产品 1 自1972年第一颗陆地卫星Landsat 1发射以来，美国共发射了8颗Landsat系列卫星，其中，Landsat 6没有到达预定轨道，发射失败。到目前为止，Landsat系列卫星已经完成了近50年的连续对地观测，积累了有史以来最完整、全球覆盖、时间连续的对地观测影像资料，为研究地表状况提供了宝贵的资料（ USGS，2013 USGS，2013 ）。 Landsat系列卫星的轨道设计为与太阳同步的近极地圆形轨道，以确保北半球中纬度地区获得中等太阳高度角（25°—30°）的成像，而且卫星以同一地方时、同一方向通过同一地点，保证遥感观测条件的基本一致，利于数据的对比。自1982年以来，Landsat系列卫星传感器（Landsat 4/5 TM（Thematic Mapper）、Landsat 7 ETM+（Enhanced Thematic Mapper Plus）和Landsat 8 TIRS（Thermal Infrared Sensor））不断获取地球表面的热红外影像，积累了近40年的热红外遥感数据，为地表温度反演研究提供了丰富的数据源。 表1 表1 显示了Landsat系列卫星及搭载的热红外传感器参数。 卫星参数 Landsat 4 Landsat 5 Landsat 7 Landsat 8 发射时间 1982-07 1984-03 1999-04 2013-02 卫星高度/km 705 705 705 705 轨道倾角/（°） 98.9 98.2 98.2 98.2 赤道过境时间 9：45 am 9：30 am 10：00 am 10：00 am 覆盖周期/d 16 16 16 16 幅宽/km 185 185 185 185 热红外传感器 TM TM ETM+ TIRS 热红外波段及其光谱范围 第6波段（10.4—12.5 μm） 第6波段（10.4—12.5 μm） 第6波段（10.4—12.5 μm） 第10波段（10.6—11.19 μm）第11波段（11.5—12.51 μm） 热红外波段空间分辨率/m 120 120 60 100 运行情况 1993年退役 2013年退役 在轨服务（2003-05之后影像出现条带） 在轨服务（第11波段无法准确定标） 2.1　Landsat热红外传感器 2 Landsat系列卫星所携带的热红外传感器有TM、ETM+以及TIRS 3种， 图1 图1 显示了Landsat 4/5/7/8热红外波段的光谱响应函数（ https：//landsat.gsfc.nasa.gov/ https://landsat.gsfc.nasa.gov/ ［2021-05-12］）。 （1）Landsat 4—5：TM传感器。Landsat 4—5卫星携带的热红外传感器是专题制图仪TM。TM传感器共包含7个波段，其中第6波段（10.4—12.5 μm）为热红外波段。Landsat 5超长服役了近29年，于2013-01停止获取数据。 （2）Landsat 7：ETM+传感器。Landsat 7搭载的ETM+传感器在TM传感器的基础上对空间分辨率和光谱特性都做出了改进，将热红外波段的空间分辨率提高到了60 m。 2003-05-31，Landsat 7搭载的ETM+扫描行校正器SLC（Scan Lines Corrector）发生故障，导致获取的影像出现了大约22%的条带数据丢失。在此之后，Landsat 7获取的所有数据都存在异常，需要采用SLC-off模型进行校正。因此，Landsat 7 SLC故障之前的数据产品称为L7 SLC-on产品，Landsat 7 SLC故障之后的异常数据产品称为L7 SLC-off产品。 为了解决Landsat 7 ETM+数据条带缺失的问题，美国地质调查局USGS（United States Geological Survey）/美国国家航空航天局NASA（National Aeronautics and Space Administration）开发了一种使用一个或多个SLC-off或SLC-on图像的局部线性直方图匹配方法。该方法在每个缺失像素的运动窗口中采用局部线性直方图匹配，得到重缩放函数。然后使用该重缩放函数将一个输入场景的辐射值转换为被间隙填充场景的等效辐射值，再使用转换后的数据填充该场景的间隙。这种方法非常简单，易于实现，可以解决很多由于数据缺失导致的问题。 （3）Landsat 8：TIRS传感器。与之前搭载的仅有一个热红外波段的TM/ETM+传感器不同，Landsat 8 TIRS热红外传感器具有两个热红外波段：第10波段（10.6—11.2 μm）和第11波段（11.5—12.5 μm）。自从其发射以来，TIRS传感器及其定标参数已经经历了数次变化。 2013-08-22，Landsat官网首次公布了定标的Landsat 8热红外数据存在偏差，其反演的水面温度会比实测温度高出2 K以上。Landsat团队认为定标偏差是由TIRS传感器视域外的杂散光引起的（Out-of-field stray light）（ Barsi等，2014 Barsi等，2014 ； Montanaro等，2014 Montanaro等，2014 ）。在经过重新定标处理后，TIRS第10和11波段对应的温度偏差分别为0.8 K和1.75 K，仍大于Landsat 7 ETM+热红外数据的0.48 K（ Barsi等，2014 Barsi等，2014 ； 徐涵秋，2016 徐涵秋，2016 ）。由于TIRS第11波段的定标偏差仍较大，USGS不鼓励使用分裂窗算法进行地表温度反演，而是建议采用单通道方法，利用TIRS传感器第10波段反演地表温度。 为了消除杂散光的影响，学者们开展了很多相关的研究。 Montanaro等（2015） Montanaro等（2015） 提出了一种新的杂散光校正算法SLCA（Stray Light Correction Algorithm），该算法大大降低了杂散光引起的定标误差。 Gerace和Montanaro（2017） Gerace和Montanaro（2017） 对SLCA算法进行改进，并利用20个场景（几乎都是近海场景）的MODIS数据对校正前后的Landsat 8亮度温度进行验证，结果发现在第10和11波段TIRS图像的绝对辐射误差平均降低到0.5%左右。此后，该算法被应用于所有Landsat 8产品的生成系统中。 2.2　Landsat数据产品 2 目前，Landsat系列卫星获取的50年观测数据主要由美国地质调查局/地球资源观测科学中心EROS（Earth Resources Observation and Science）数据存档中心负责存储管理。为了促进数据的应用以及数据处理算法的改进，从2008年起，USGS逐步免费开放Landsat系列数据。世界各地用户可以通过USGS相关网站免费获取包括L0R、L1G、L1T等经过多种处理等级的Landsat标准数据产品。其中，L0R级产品为原始数据，L1G级产品为经过了系统辐射定标和几何粗校正后的数据，L1T级产品则是进一步利用地面控制点与数字表面模型DEM（Digital Elevation Model）等地面高程信息进行了几何精校正的数据。 2016年，USGS将Landsat存档重新组织为一个名为Landsat Collection 1的分层集合管理结构。这种结构确保所有Landsat Level-1级产品提供具有一致的数据质量的存档。Landsat Collection 1包括了来自Landsat 8 OLI/TIRS，Landsat 7 ETM+，Landsat 4—5 TM和Landsat 1—5 MSS的 Level-1级别数据产品。Landsat Collection 2是USGS对Landsat进行的第二次重大再处理工作，该工作对Landsat数据产品进行了多项改进。Collection 2包括1972年以来所有传感器的Level-1数据，以及1982年至今的全球Level-2级地表反射率和地表温度产品。基于Collection 1的产品，Collection 2包括：Landsat 8 TIRS和Landsat 7 ETM+的 Level-1级别数据产品、美国Landsat ARD（Analysis Ready Data）产品和Level-3科学产品的数据处理和下载（ Fu和Weng，2016a Fu和Weng，2016a ）。 Landsat Collection 1产品分为3层：Tier 1（T1）产品、Tier 2（T2）产品以及近实时Tier（NT）产品。近实时层产品是一个过渡层，数据放在实时层中，可在12小时内下载，然后便会被处理为Tier 1或Tier 2的产品。Tier 1是具有12 m或更小均方根误差RMSE（Root Mean Square Error）的大地测量精度的产品，该数据适用于时间序列分析。Tier 1包括Level-1地形精度校正L1TP（Terrain Precision Correction）数据。处理过程中没有达到Tier 1标准的Landsat影像被置于Tier 2。Tier 2和Tier 1具有相同的辐射标准，但是没有达到Tier 1的几何标准。Tier 2包括系统地形校正L1GT（Systematic Terrain Correction）和系统几何校正L1GS（Geometric Systematic Correction）数据。 2017年，USGS发布了美国陆地卫星分析就绪数据ARD。该数据是使用Landsat Collection 1 Tier 1数据的处理算法——陆地卫星产品生成系统（LPGS）生成的，以统一的存储格式为美国本土（CONUS）、阿拉斯加以及夏威夷地区提供数据，可以用于长时间序列分析（ Dwyer等，2018 Dwyer等，2018 ）。当前的Landsat ARD数据集是基于Landsat 4-5 TM传感器Tier 1数据、Landsat 7 ETM+传感器Tier 1数据以及Landsat 8 TIRS传感器Tier1 /Tier 2数据创建的。Landsat ARD数据集始终按照时间序列分析所需的最高科学标准进行处理，它由以下产品组成：（1）大气顶层TOA（Top of the Atmosphere）反射率；（2）大气顶层亮温BT（Brightness Temperature）；（3）地表反射率LSR（Land Surface Reflectance）；（4）地表温度（LST）；（5）像元质量评估QA（Quality Assurance）。其中，地表温度产品是使用基于辐射传输方程的方法反演得到的。该方法使用NCEP-NARR（National Centers for Environment Prediction North American Regional Reanalysis）再分析大气廓线数据和ASTER GED（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Emissivity Dataset）（缩写列表见附录A）数据分别进行大气和比辐射率的校正。由于NCEP-NARR再分析大气廓线数据仅覆盖美国，因此只能提供美国区域的地表温度产品。 3　Landsat热红外数据地表温度反演与应用的文献分析 1 首先，在Web of Science“核心合集”数据库和中国知网（CNKI）数据库中以“Landsat”、“Land surface temperature”和“emissivity”为关键词，检索得到从2001年—2020年共20年间发表的相关文献。其中，Web of Science核心合集数据库中检索结果为390篇，中国知网数据库为164篇。其次，逐篇浏览摘要及算法部分的内容，筛选出以Landsat热红外数据为主要数据源，进行地表温度反演的文献。最后，删除会议摘要等，保留期刊论文和会议论文，最终共得到文献393篇。需要说明的是，由于关键词选择及文献可获得性的限制，本文可能遗漏部分资料。 本文将这些文献分为算法和应用两部分。其中，算法部分的文献有145篇，应用部分的文献有248篇。算法部分的内容主要包括：（1）目前常用的基于Landsat热红外数据的地表温度反演算法及其验证，如基于辐射传输方程的算法（ Chatterjee等，2017 Chatterjee等，2017 ； 孟翔晨 等，2018 孟翔晨 等，2018 ）、单窗算法（ Qin等，2001b Qin等，2001b ； 覃志豪 等，2003 覃志豪 等，2003 ； Li等，2004 Li等，2004 ； 胡德勇 等，2015 胡德勇 等，2015 ， 2017 2017 ； 蒋大林 等，2015 蒋大林 等，2015 ；Wang等，2015； Bendib等，2017 Bendib等，2017 ）、普适性单通道算法（Jiménez-Muñoz和Sobrino，2003；Jiménez-Muñoz等，2009）、实用单通道算法（ Wang等，2016 Wang等，2016 ； Wang等，2019 Wang等，2019 ）和分裂窗算法（Jiménez-Muñoz等，2014； Rozenstein等，2014 Rozenstein等，2014 ； Jin等，2015 Jin等，2015 ； 崔世超等，2016 崔世超等，2016 ； Wang等，2016 Wang等，2016 ； Li和Jiang，2018 Li和Jiang，2018 ）；（2）地表温度反演相关参数的获取与验证，如比辐射率相关的算法、验证及其对地表温度的影响分析（ 覃志豪 等，2003 覃志豪 等，2003 ； Mallick等，2012 Mallick等，2012 ； Chen等，2016 Chen等，2016 ； Parastatidis等，2017 Parastatidis等，2017 ； Ren等，2017 Ren等，2017 ； Li和Meng，2018 Li和Meng，2018 ； Duan等，2019b Duan等，2019b ； Neinavaz等，2020 Neinavaz等，2020 ； 王丽霞 等，2019 王丽霞 等，2019 ； Vanhellemont，2020 Vanhellemont，2020 ； Varade等，2020 Varade等，2020 ； Yin等，2020 Yin等，2020 ），大气参数相关的估算方法、验证及其对地表温度的影响分析（ Rosas等，2017 Rosas等，2017 ； Galve等，2018 Galve等，2018 ； Meng和Cheng，2018 Meng和Cheng，2018 ； Yang等，2020 Yang等，2020 ）；（4）不同地表温度反演算法之间的对比验证（ 丁凤 等，2006 丁凤 等，2006 ； 杜嘉 等，2009 杜嘉 等，2009 ； Zhou等，2012 Zhou等，2012 ； Yu等，2014 Yu等，2014 ； 宋挺 等，2015 宋挺 等，2015 ；Skokovic等，2017；Zereie等，2018； Käfer等，2020 Käfer等，2020 ； Miller等，2020 Miller等，2020 ； Sajib和Wang，2020 Sajib和Wang，2020 ； Guo等，2020 Guo等，2020 ； Sekertekin和Bonafoni，2020a Sekertekin和Bonafoni，2020a ）；（5）真实场景下的地表温度反演算法，如具有复杂三维结构的山区和城市地表温度反演算法（ Yang等，2015b Yang等，2015b ； Hofierka等，2020 Hofierka等，2020 ； Zhu等，2021 Zhu等，2021 ）和云覆盖区域的地表温度反演算法（ Wang等，2019 Wang等，2019 ）；（6）其他算法相关的文献，如地表温度的降尺度方法（ Rodriguez-Galiano等，2012 Rodriguez-Galiano等，2012 ）和多源卫星数据时空融合算法（ Wu等，2013 Wu等，2013 ； Weng和Fu，2014 Weng和Fu，2014 ； Quan等，2018 Quan等，2018 ；Son等，2018； Januar等，2020 Januar等，2020 ）等。 应用部分的内容主要包括：（1）地表温度在城市区域的应用，如热岛效应（Li等，2012； Maimaitiyiming等，2014 Maimaitiyiming等，2014 ； Lai等，2018 Lai等，2018 ； Guha等，2019 Guha等，2019 ；Mbuh等，2019； Lu等，2020 Lu等，2020 ； Terfa等，2020 Terfa等，2020 ； 王力涛 等，2020 王力涛 等，2020 ）、城市不透水面的影响（ Lu和Weng，2006 Lu和Weng，2006 ； Xu，2010 Xu，2010 ； Zhang等，2017 Zhang等，2017 ）和植被覆盖的影响（Li等，2012； 胡光庭 等，2017 胡光庭 等，2017 ）等；（2）地表温度在灾害监测的应用，如地热监测（ Qin等，2011 Qin等，2011 ； Wang等，2019 Wang等，2019 ； Gemitzi等，2021 Gemitzi等，2021 ）、煤火监测（ Jiang等，2017 Jiang等，2017 ； Vu和Nguyen，2018 Vu和Nguyen，2018 ）和火山监测（ Mia等，2015 Mia等，2015 ， 2018 2018 ； Sekertekin和Arslan，2019 Sekertekin和Arslan，2019 ）等；（3）其他参数对地表温度的影响，如土地利用和土地覆盖对地表温度的影响（ Fu和Weng，2016b Fu和Weng，2016b ； Dhar等，2019 Dhar等，2019 ； Dang等，2020 Dang等，2020 ； Roy等，2020 Roy等，2020 ）和其他参数的影响（ Scarano和Sobrino，2015 Scarano和Sobrino，2015 ； Guha等，2018 Guha等，2018 ； Mahato和Pal，2019 Mahato和Pal，2019 ； Nill等，2019 Nill等，2019 ； Peng等，2020 Peng等，2020 ）。 图2 图2 为相关文献中地表温度反演算法的使用情况。在常用的基于辐射传输方程的算法、单窗算法、普适性单通道算法以及分裂窗算法中，使用最多的是基于辐射传输方程的算法，该算法具有坚实的物理基础以及较高的反演精度；其次是单窗算法，该算法简单易用，普适性较强；然后是普适性单通道算法，该算法需要的输入参数最少，且精度较高；最少使用的是分裂窗算法，因为在Landsat系列卫星中，只有Landsat 8有两个热红外波段可以使用分裂窗算法，数据源较少。而且，Landsat 8的第11波段受杂散光影响，定标偏差较大。这4种算法将在第4节中详细阐述。 图3 图3 为按上述关键词统计出来的中英文文献的发表情况， 图4 图4 为文献的引用情况。由 图3 图3 和 图4 图4 可以看出，近20年来，越来越多的学者选择使用Landsat热红外数据进行地表温度反演的算法与应用研究。尤其是2008年Landsat数据开放使用之后，相关的地表温度反演算法与应用的文献数量明显增多。在近10年间，基于Landsat热红外数据的地表温度反演算法与应用的研究总体上呈现上升趋势，被引频次达到较高的水平。在未来，随着Landsat系列卫星和传感器的发展，预计相关的文献数量将持续增长，Landsat热红外数据将在地表温度反演与应用中继续发挥重要作用。 图5 图5 为2001年—2020年间各国作者发表相关论文的数量（仅统计第一作者）， 图6 图6 为使用Citespace可视化软件统计相关文献间的共被引网络关系图。其中， 图6（a） 图6（a） 为基于Landsat热红外数据的地表温度反演研究作者共被引关系网络图， 图6（b） 图6（b） 为基于Landsat热红外数据的地表温度反演研究国家及机构合作关系网络图。由 图6（a） 图6（a） 可以看出，Qihao Weng共被引的频次最高，该学者对地表温度在城市中的应用进行了大量研究；其次为Jiménez-Muñoz Juan Carlos和Zhao-Liang Li，这两位学者都对地表温度反演算法有着非常深入地研究，并取得了丰硕的成果。对基于Landsat热红外数据的地表温度反演研究文献发表国家及机构进行分析。由 图6（b） 图6（b） 可以看出，中国机构的发文数量最多，并且与其他机构的联系密切，说明中国的机构与其他国家机构之间的合作广泛。发文数量最多的机构是中国科学院，除此之外，北京师范大学、复旦大学、北京大学以及中国农业科学院也具有较高的发文量和影响力。 1,2; 4　Landsat热红外数据地表温度反演方法 1 针对Landsat热红外数据，国内外学者提出了多种算法反演地表温度。根据使用的热红外传感器的通道数不同，可以分为单通道算法和分裂窗算法两类。 4.1　单通道算法 2 单通道算法是利用卫星接收的位于大气窗口的单通道数据，借助于大气垂直廓线数据（温度、湿度等），结合大气辐射传输方程计算大气上下行辐射和大气透过率等大气参数以达到大气校正的目的，从而反演地表温度。常用的单通道算法包括基于辐射传输方程的算法（ Sobrino等，2004 Sobrino等，2004 ）、 Qin等（2001b） Qin等（2001b） 提出的单窗算法、Jiménez-Muñoz和Sobrino（2003）提出的普适性单通道算法和 Wang等（2019） Wang等（2019） 提出的实用单通道算法。 4.1.1　基于辐射传输方程的算法 3 基于辐射传输方程的算法是最早发展起来的一种地表温度反演算法。该算法的基本思路是基于热红外辐射传输方程，去除辐射传输过程中大气对热辐射的影响，从而较为精确地获得地表温度。该算法具有广泛的适用性，能够被应用于任何传感器上的热红外遥感数据。热红外辐射传输方程表示为 <math display="block" id="M1"><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow></msub><mo>=</mo><mi>B</mi><mfenced separators="|"><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow></msub></mrow></mfenced><mo>=</mo><mfenced separators="|"><mrow><mi>ε</mi><mi>B</mi><mfenced separators="|"><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub></mrow></mfenced><mo>+</mo><mfenced separators="|"><mrow><mn mathvariant="normal">1</mn><mo>-</mo><mi>ε</mi></mrow></mfenced><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">d</mi></mrow></msub></mrow></mfenced><mi>τ</mi><mo>+</mo><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">u</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640297&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640295&type= 65.70133209 5.92666674 式中， L sen 为星上辐亮度（W·m -2 ·sr -1 ·μm -1 ）， B 为普朗克函数， T sen 为星上亮温（K）， ε 为地表比辐射率， τ 为大气透过率， T s 为地表温度（K）， L d 和 L u 分别是大气下行辐射和大气上行辐射（W·m -2 ·sr -1 ·μm -1 ）。 由于大气层的剖面是一个连续剖面，在不同的高程上大气参数是不同的，因而大气辐射亮度也不同。在基于辐射传输方程算法的具体应用中，最核心的部分就是要精确获得大气上、下行辐射以及大气透过率的值，并将该部分大气影响从传感器接收到的辐射中消除，得到地表的辐射值，在地表比辐射率已知的情况下，可以计算得到地表温度： <math display="block" id="M2"><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>K</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></mrow><mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">n</mi><mfenced separators="|"><mrow><mfenced separators="|"><mrow><mfrac><mrow><msub><mrow><mi>K</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></mrow><mrow><mi>B</mi><mo stretchy="false">(</mo><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><mo stretchy="false">)</mo></mrow></mfrac></mrow></mfenced><mo>+</mo><mn mathvariant="normal">1</mn></mrow></mfenced></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640301&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640299&type= 32.08866501 16.34066582 式中， K 1 和 K 2 为辐射常量。 表2 表2 总结了Landsat 4/5/7/8热红外波段的辐射常量 K 1 和 K 2 的值（ USGS，2018a USGS，2018a ， 2018b 2018b ， 2018c 2018c ）。 辐射常量 Landsat 4 TM6波段 Landsat 5 TM6波段 Landsat 7 ETM+6波段 Landsat 8 TIRS10波段 Landsat 8 TIRS11波段 K 1 /（W·m -2 ·sr -1 ·μm -1 ） 671.62 607.76 666.09 774.89 480.89 K 2 /K 1284.30 1260.56 1282.71 1321.08 1201.14 基于辐射传输方程的算法不仅具有坚实的物理基础，且计算精度较高。但是该算法计算过程复杂，难以获取实时的大气廓线数据（包括不同高度的温度、湿度等）。而使用标准大气廓线数据替代实时的大气廓线数据则会影响大气对地表辐射的模拟，从而降低地表温度的反演精度。 4.1.2　单窗算法 3 为了减少对大气廓线的依赖， Qin等（2001b） Qin等（2001b） 通过引入大气平均作用温度，提出了一种基于Landsat 5 TM第6波段数据的单窗算法。该算法将大气和地表的影响直接包含在反演公式中，只需要大气平均作用温度和大气透过率两个大气参数，估算得到地表温度： <math display="block" id="M3"><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mi>C</mi></mrow></mfrac><mfenced separators="|"><mrow><mi>a</mi><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><mi>C</mi><mo>-</mo><mi>D</mi><mo stretchy="false">)</mo><mo>+</mo><mfenced separators="|"><mrow><mi>b</mi><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><mi>C</mi><mo>-</mo><mi>D</mi><mo stretchy="false">)</mo><mo>+</mo><mi>C</mi><mo>+</mo><mi>D</mi></mrow></mfenced><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow></msub><mo>-</mo><mi>D</mi><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">a</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640306&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640305&type= 89.49266815 7.70466709 式中， <math display="block" id="M4"><mi>C</mi><mo>=</mo><mi>ε</mi><mi>τ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640309&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640307&type= 10.49866676 2.70933342 <math display="block" id="M5"><mi>D</mi><mo>=</mo><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><mi>τ</mi><mo stretchy="false">)</mo><mfenced separators="|"><mrow><mn mathvariant="normal">1</mn><mo>+</mo><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><mi>ε</mi><mo stretchy="false">)</mo><mi>τ</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640312&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640310&type= 38.43866730 4.23333359 式中， a 和 b 是普朗克方程相关的系数， T a 是大气平均作用温度（K）。 由于Landsat 8热红外波段的光谱范围和响应函数与Landsat 5不同，所以需要针对Landsat 8第10波段对单窗算法输入参数 a 、 b 进行了重新拟合（Wang等，2015）。 表3 表3 为Landsat 5 TM第6波段系数 a 6 、 b 6 以及Landsat 8 TIRS第10波段系数 a 10 、 b 10 。 温度范围/℃ a 6 b 6 温度范围 a 10 b 10 0—30 -60.3263 0.43436 20—70℃ -70.1775 0.4581 10—40 -63.1885 0.44411 0—50℃ -62.7182 0.4339 20—50 -67.9542 0.45987 -20—30℃ -55.4276 0.4086 30—60 -71.9992 0.47271 — — — Qin等（2001b） Qin等（2001b） 使用模拟数据对单窗算法进行了验证。结果表明，该方法的地表温度反演精度较高，当输入参数没有误差时，该方法的地表温度反演精度可以达到0.4 K。Wang等（2015）提出的针对Landsat 8 TIRS第10波段的改进的单窗算法反演地表温度的偏差和RMSE分别为-0.05 K和0.84 K，具有较高的反演精度。单窗算法既考虑了地表比辐射率的影响，也考虑了大气辐射的影响。在地表温度反演过程中所需要的大气参数比传统的辐射传输方程要少，且反演精度较高，普适性较强。 4.1.3　普适性单通道算法 3 Jiménez-Muñoz和Sobrino（2003）针对Landsat 5 TM数据提出了一种反演地表温度的普适性单通道算法。该算法假设地表比辐射率已知，根据辐射传输方程，对普朗克函数进行一阶泰勒级数展开，仅需要通过大气水汽含量反演地表温度。Jiménez-Muñoz等（2009）对普适性的单通道算法进行改进，并扩展到 Landsat 4、5 TM和Landsat 7 ETM+。Jiménez-Muñoz等(2014)和 Cristóbal等(2009) Cristóbal等(2009) 提出了针对Landsat 8 TIRS数据的单通道算法。普适性单通道算法表示为 <math display="block" id="M6"><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><mo>=</mo><mi>γ</mi><mfenced separators="|"><mrow><mo stretchy="false">(</mo><msub><mrow><mi>ψ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow></msub><mo>+</mo><msub><mrow><mi>ψ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo stretchy="false">)</mo><mo>/</mo><mi>ε</mi><mo>+</mo><msub><mrow><mi>ψ</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub></mrow></mfenced><mo>+</mo><mi>δ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640320&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640318&type= 49.36066818 5.24933338 <math display="block" id="M7"><mi>γ</mi><mo>=</mo><msubsup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>/</mo><mo stretchy="false">(</mo><msub><mrow><mi>b</mi></mrow><mrow><mi mathvariant="normal">γ</mi></mrow></msub><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640323&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640322&type= 23.70666695 4.82600021 <math display="block" id="M8"><mi>δ</mi><mo>=</mo><msubsup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow><mrow/></msubsup><mo>-</mo><msubsup><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mo>/</mo><msub><mrow><mi>b</mi></mrow><mrow><mi mathvariant="normal">γ</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640327&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640325&type= 24.80733490 4.06400013 式中， b γ 是与等效波长相关的量。对于Landsat 4 TM第6波段， b γ =1290 K；对于Landsat 5 TM第6波段， b γ =1256 K；对于Landsat 7 ETM+第6波段， b γ =1277 K；对于Landsat 8 TIRS第10波段， b γ =1324 K。 ψ 1 、 ψ 2 和 ψ 3 是大气水汽含量 w 的函数： <math display="block" id="M9"><mfenced open="[" close="]" separators="|"><mrow><mtable><mtr><mtd><msub><mrow><mi>ψ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mrow><mi>ψ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mrow><mi>ψ</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub></mtd></mtr></mtable></mrow></mfenced><mo>=</mo><mfenced open="[" close="]" separators="|"><mrow><mtable><mtr><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">11</mn></mrow></msub></mtd><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">12</mn></mrow></msub></mtd><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">13</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">21</mn></mrow></msub></mtd><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">22</mn></mrow></msub></mtd><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">23</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">31</mn></mrow></msub></mtd><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">32</mn></mrow></msub></mtd><mtd><msub><mrow><mi mathvariant="normal">c</mi></mrow><mrow><mn mathvariant="normal">33</mn></mrow></msub></mtd></mtr></mtable></mrow></mfenced><mfenced open="[" close="]" separators="|"><mrow><mtable><mtr><mtd><msup><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mtd></mtr><mtr><mtd><mi>w</mi></mtd></mtr><mtr><mtd><mn mathvariant="normal">1</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640333&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640331&type= 39.53932953 15.23999977 传感器 c ij j =1 j =2 j =3 3 Landsat 4 TM i =1 0.06674 -0.03447 1.04483 i =2 -0.50095 -1.15652 0.09812 i =3 -0.04732 1.50453 -0.34405 3 Landsat 5 TM i =1 0.08158 -0.05707 1.05991 i =2 -0.58853 -1.08536 -0.00448 i =3 -0.06201 1.59086 -0.33513 3 Landsat 7 ETM+ i =1 0.06982 -0.03366 1.04896 i =2 -0.51041 -1.20026 0.06297 i =3 -0.05457 1.52631 -0.32136 3 Landsat 8 TIRS i =1 0.04019 0.02916 1.01523 i =2 -0.38333 -1.50294 0.20324 i =3 0.00918 1.36072 -0.27514 Jiménez-Muñoz等（2009）对普适性单通道算法进行了验证。结果表明，当大气水汽含量在0.5—2 g·cm -2 范围内时，普适性单通道算法的误差在1—2 K之间。当考虑更大范围的大气水汽含量时，普适性单通道算法的精度大幅降低，误差将超过4 K。Jiménez-Muñoz等（2014）对改进后的普适性单通道算法进行验证，结果表明，当大气水汽含量小于3 g·cm -2 时，RMSE小于1.5 K。但 徐涵秋（2016） 徐涵秋（2016） 指出，Jiménez-Muñoz等（2014）建立的模型所采用的数据并不是真正的TIRS热红外数据，且没有经过实测数据验证。Jiménez-Muñoz等（2014）也指出其模型需经广泛的实测数据验证，因此他们于2018年提出了改进的模型（Cristobal等，2018），使得模型估算数据与实测数据的偏差可总体小于-0.5 K。总的来看，普适性单通道算法既考虑了地表比辐射率的影响，也考虑了大气辐射的影响，适用于任何带宽约为1 μm的热红外传感器，并且因为其需要的实时大气参数较少而被广泛使用。 4.1.4　实用单通道算法 3 针对现有单通道算法中线性化普朗克函数和大气参数系数求解引入的误差， Wang等（2019） Wang等（2019） 提出了实用单通道算法PSC（Practical Single-Channel）。实用单通道算法直接构建地表黑体辐射亮度与星上辐射亮度之间的关系，避免线性化普朗克函数带来的误差。通过分析大气参数构建最优大气参数估算模型，并基于全局拟合方法求解大气参数模型的系数，规避多个大气参数误差的叠加。实用单通道算法包含两种形式：（1）基于大气水汽含量的实用单通道算法（PSC w ）；（2）基于大气水汽含量和近地表气温的实用单通道算法（PSC w&Ta ），算法表示如下： <math display="block" id="M10"><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>K</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></mrow><mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">n</mi><mfenced separators="|"><mrow><mfrac><mrow><msub><mrow><mi>K</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></mrow><mrow><mi>B</mi><msub><mrow><mfenced separators="|"><mrow><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub></mrow></mfenced></mrow><mrow><mi mathvariant="normal">x</mi></mrow></msub></mrow></mfrac><mo>+</mo><mn mathvariant="normal">1</mn></mrow></mfenced></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640340&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640339&type= 31.49600029 17.61066628 式中， B （ T s ） x 为 B （ T s ） w 或 B （ T s ） w&Ta 。 <math display="block" id="M11"><mtable><mtr><mtd><mi>B</mi><mo stretchy="false">(</mo><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><msub><mrow><mo stretchy="false">)</mo></mrow><mrow><mi mathvariant="normal">w</mi></mrow></msub><mo>=</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mi>w</mi><mo>+</mo><mfenced separators="|"><mrow><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mi>w</mi><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">4</mn></mrow></msub><msup><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfenced><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mi>ε</mi></mrow></mfrac><mo>+</mo></mtd></mtr><mtr><mtd><mfenced separators="|"><mrow><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">5</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">6</mn></mrow></msub><mi>w</mi><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">7</mn></mrow></msub><msup><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfenced><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mi>ε</mi></mrow></mfrac><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow></msub></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640343&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640341&type= 65.78600311 17.18733406 <math display="block" id="M12"><mtable columnalign="left"><mtr><mtd><mi>B</mi><mo stretchy="false">(</mo><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><msub><mrow><mo stretchy="false">)</mo></mrow><mrow><mi mathvariant="normal">w</mi><mo>&</mo><mi mathvariant="normal">T</mi><mi mathvariant="normal">a</mi></mrow></msub><mo>=</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mi>w</mi><mo>+</mo><mfenced separators="|"><mrow><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mi>w</mi></mrow></mfenced><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">a</mi></mrow></msub><mo>+</mo></mtd></mtr><mtr><mtd><mfenced separators="|"><mrow><mfenced separators="|"><mrow><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">4</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">5</mn></mrow></msub><mi>w</mi><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">6</mn></mrow></msub><msup><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfenced><mo>+</mo><mfenced separators="|"><mrow><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">7</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">8</mn></mrow></msub><mi>w</mi><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">9</mn></mrow></msub><msup><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfenced><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">a</mi></mrow></msub></mrow></mfenced><mo>+</mo></mtd></mtr><mtr><mtd><mfenced separators="|"><mrow><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">10</mn></mrow></msub><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">11</mn></mrow></msub><mi>w</mi><mo>+</mo><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">12</mn></mrow></msub><msup><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfenced><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mi>ε</mi></mrow></mfrac><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">n</mi></mrow></msub></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640347&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640345&type= 85.51332855 22.52133369 Wang等（2019） Wang等（2019） 基于模拟数据和SURFRAD辐射通量观测站点实测数据对PSC w 和PSC w&Tn 算法的稳定性和精度进行评价，并与当前被最广泛使用的普适性单通道算法做比较。分析结果表明，实用单通道算法对输入参数误差的敏感性比普适性单通道算法弱，具有更好的稳定性；与普适性单通道算法相比，实用单通道算法地表温度反演精度提升了0.47 K。 卫星 a 0 a 1 a 2 a 3 a 4 a 5 a 6 a 7 Landsat 4 -0.400985 1.563747 0.282200 -1.430355 -0.276741 1.022396 -0.002946 0.032781 Landsat 5 -0.374535 1.615873 0.249358 -1.540580 -0.280461 1.026033 0.004315 0.034258 Landsat 7 -0.383841 1.572869 0.261657 -1.462534 -0.279104 1.024070 0.000557 0.033393 卫星 a 0 a 1 a 2 a 3 a 4 a 5 a 6 Landsat 4 -0.329768 1.155640 -0.008760 0.013946 0.371511 -1.511747 -0.198502 Landsat 5 -0.280294 1.194112 -0.007207 0.013798 0.356265 -1.701744 -0.186382 Landsat 7 -0.301172 1.158707 -0.007891 0.013780 0.349217 -1.562254 -0.196950 卫星 a 7 a 8 a 9 a 10 a 11 a 12 Landsat 4 0.010662 -0.026725 0.001481 0.986492 0.085282 0.020863 Landsat 5 0.009602 -0.028564 0.001975 0.981257 0.112059 0.018686 Landsat 7 0.009917 -0.027157 0.001617 0.985842 0.094073 0.020544 4.2　分裂窗算法 2 由于难以准确、实时获取大气信息，为了避免对大气参数的依赖，可以利用遥感数据自身所包含的信息进行大气校正。分裂窗算法就是基于此思路发展而来，其原理是利用大气窗口内两个相邻通道（中心波长约在11 μm、12 μm处）对大气吸收作用的不同（尤其对大气中水汽作用的差异），通过两个通道测量值的各种组合来剔除大气的影响，从而进行大气校正。 尽管Landsat 8 TIRS第11波段绝对辐射定标误差较大，不宜采用分裂窗算法进行地表温度反演，但是Jiménez-Muñoz等（2014）、 Rozenstein等（2014） Rozenstein等（2014） 、 Yu等（2014） Yu等（2014） 和 Du（2015） Du（2015） 还提出了基于TIRS第10、第11波段的分裂窗算法。 Jiménez-Muñoz等（2014）在 Sobrino等（1996） Sobrino等（1996） 提出的分裂窗算法的基础上，提出了针对Landsat 8热红外传感器的非线性分裂窗算法。 Rozenstein 等（2014） Rozenstein 等（2014） 在 McMillin（1975） McMillin（1975） 提出的分裂窗算法的基础上，结合Qin等（2010a）针对AVHRR（Advanced Very High Resolution Radiometer）数据对辐射传输方程一阶泰勒线性公式拟合得到的分裂窗算法，分别对 Landsat 8 TIRS第10和第11两个波段的热辐射强度值 L i 和温度 T 进行线性拟合，得到0—60℃下的Landsat 8地表温度计算公式。 Yu等（2014） Yu等（2014） 在 Mao等（2006） Mao等（2006） 针对MODIS数据提出的分裂窗算法的基础上，通过泰勒展开将普朗克函数线性化，模拟了-10—20℃和20—50℃的范围内辐射强度值 L i 和温度 T 之间的分段线性关系，进一步改进了算法的各项系数。 Du等（2015） Du等（2015） 在辐射传输理论的基础上，通过消除集中在11—12 μm之间两个相邻热红外通道的不同大气吸收带所造成的大气影响，对星上亮温采用线性和非线性组合来计算地表温度，并使用MODTRAN（MODerate resolution atmospheric TRANsmission）计算得到不同大气条件下对应的系数。 Jiménez-Muñoz等（2014）和 Rozenstein等（2014） Rozenstein等（2014） 所建立的模型所采用的数据都是模拟的Landsat 8 TIRS数据，而不是真正的TIRS热红外数据。尽管在两篇文章中都借助了其他模型的数据进行验证，但是模型的精度都没有经过实测数据验证。徐涵秋等（2015a，2015b）根据福州国家气候基准站的实测地表温度数据，对以上两种分裂窗算法进行了对比。对比结果显示，在选用的两个日期中， Rozenstein等（2014） Rozenstein等（2014） 提出的分裂窗算法的误差分别为-5.75 K和-5.09 K，两日平均误差为-5.42 K；Jiménez-Muñoz等（2014）提出的分裂窗算法的误差分别为-13.61 K和-10.78 K，两日平均误差为-12.2 K。无论是Jiménez-Muñoz等（2014）或是 Rozenstein等（2014） Rozenstein等（2014） 提出的分裂窗算法精度都不高。而 Yu等（2014） Yu等（2014） 以及 Du等（2015） Du等（2015） 也没有对TIRS热红外数据存在的定标问题进行讨论，因此很难判断其算法在USGS重新定标前后的准确性。 4.3　地表温度反演算法对比 2 随着各种遥感温度产品的成熟，地面实测数据的丰富，以及地表温度反演算法的发展，很多学者对基于Landsat热红外数据的单通道算法和分裂窗算法进行了对比和验证。 基于Landsat 5 TM数据， Zhou等（2012） Zhou等（2012） 在低水汽含量的干旱地区比较了3种地表温度反演算法，包括基于辐射传输方程的算法、单窗算法和普适性单通道算法。结果发现，普适性单通道算法和基于辐射传输方程的算法精度相似，单窗算法的精度稍差。基于Landsat 8 TIRS数据， Yu等（2014） Yu等（2014） 对基于辐射传输方程的算法、普适性单通道算法以及 Rozenstein等（2014） Rozenstein等（2014） 提出的分裂窗算法进行了对比，并且使用SURFRAD（Surface Radiation Budget Network）中的4个站点实测数据对这3种算法反演得到的地表温度进行验证，结果发现，基于辐射传输方程的地表温度反演算法精度最高，RMSE低于1 K。 Wang等（2019） Wang等（2019） 基于Landsat 8 TIRS热红外数据对单窗算法、普适性单通道算法以及 Rozenstein等（2014） Rozenstein等（2014） 提出的分裂窗算法进行对比，并分析了这3种算法对输入参数的敏感性，结果表明，这3种算法在反演地表温度时均具有较高的精度，其中，输入参数的误差对分裂窗算法的反演结果影响最小，单窗算法对大气平均作用温度的误差较为敏感。 Sekertekin和Bonafoni（2020a） Sekertekin和Bonafoni（2020a） 分别使用Landsat 5 TM、Landsat 7 ETM+以及Landsat 8 TIRS热红外数据对基于辐射传输方程的算法、单窗算法、普适性单通道算法以及 Yu等（2014） Yu等（2014） 改进的分裂窗算法进行了对比分析，结果发现，对于Landsat 5 TM热红外数据，精度最高的地表温度反演算法是基于辐射传输方程的算法，而对于Landsat 7 ETM+以及Landsat 8 TIRS热红外数据，单窗算法的精度最高。 基于杂散光校正后的Landsat 8 TIRS热红外数据，García-Santos等（2018）分别利用基于辐射传输方程的算法、普适性单通道算法以及Jiménez-Muñoz等（2014）和 Du等（2015） Du等（2015） 提出的两种分裂窗算法反演地表温度，并使用21个地面观测数据对反演结果进行验证，结果发现这4种地表温度反演算法都具有较高的精度，其中分裂窗算法的精度最高，RMSE在2 K以内。 Guo等（2020） Guo等（2020） 使用Jiménez-Muñoz等（2014）、 Rozenstein等（2014） Rozenstein等（2014） 和 Yu等（2014） Yu等（2014） 提出的3种分裂窗算法以及分别基于第10和第11波段的普适性单通道算法对Landsat 8 TIRS热红外数据杂散光校正前后的地表温度反演精度进行了评价。他们发现，在进行杂散光校正后，在3种分裂窗算法和两种单通道算法中，精度最好的两种是 Rozenstein等（2014） Rozenstein等（2014） 提出的分裂窗算法和基于第10波段的普适性单通道算法，与SURFRAD地面站点的实测数据相对比，均方根误差RMSE约为2.5 K。 5　大气参数计算 1 在热红外遥感中，大气对热红外传感器系统所接收到的辐射能量的光谱组成和强度均有明显影响。在任一大气窗口，大气不是可完全透过，介于热红外传感器与地面之间的大气会增加或者减少来自地面的辐射。单通道算法利用大气参数来修正大气对地表热辐射传输的影响，建立精确的大气参数模型是使用单通道算法反演地表温度的关键（ Galve等，2018 Galve等，2018 ）。 5.1　基于大气廓线的大气参数计算 2 由 式（1） 式（1） 可以看出，在使用辐射传输方程反演地表温度时，必须获得大气透过率、大气上行辐射和大气下行辐射3个大气参数。以大气廓线作为输入，利用大气辐射传输模型（例如MODTRAN等）可以模拟地表到传感器之间的辐射传输过程，从而输出大气透过率、大气上行辐射和大气下行辐射等参数。比如 Barsi等（2003） Barsi等（2003） 开发的大气校正参数计算器ACPC（Atmospheric Correction Parameter Calculator），使用国家环境预测中心NCEP（National Centers for Environment Prediction）模拟的全球大气廓线以及MODTRAN模型，计算大气透过率、大气上行辐射以及大气下行辐射等大气参数。ACPC可用于Landsat 5 TM、Landsat 7 ETM+第6波段以及Landsat 8 TIRS第10波段的热红外数据（ Barsi等，2003 Barsi等，2003 ； Sekertekin和Bonafoni，2020b Sekertekin和Bonafoni，2020b ）。 目前，常用的大气廓线主要来自于地基探空数据、卫星反演大气廓线产品以及再分析大气廓线产品。大气廓线的主要参数包括地理位置信息、时间信息、大气分层数、各分层气压以及各气压层上的大气湿度以及大气温度等参数信息。 Coll等（2012） Coll等（2012） 、 Meng等（2018） Meng等（2018） 和 Yang等（2020） Yang等（2020） 比较了常用大气廓线产品的精度。 表7 表7 给出了目前仍在提供数据的常用的大气廓线及其主要特征。 大气廓线 数据源 时间范围 时间分辨率 空间分辨率 垂直分辨率 下载网址 地基探空大气廓线 UWYO 1973年 每日两次 — 不一 http：//weather.uwyo.edu/upperair/sounding.html 2 卫星反演大气廓线 AIRS 2002年至今 每日两次 1°×1° 24层 https：//search.earthdata.nasa.gov/ MxD07 2000年至今 每日两次 5 km×5 km 20层 https：//ladsweb.modaps.eosdis.nasa.gov/search/ 7 再分析大气廓线 ECMWF 1979年—2019年 每6小时 0.75°×0.75° 37层 http：//apps.ecmwf.int/datasets/ ERA5 1950年至今 每1小时 0.25°×0.25° 37层 http：//apps.ecmwf.int/data-catalogues/era5/ JRA-55 1958年至今 每6小时 0.125°×0.125° 27层 http：//jra.kishou.go.jp/JRA-55/index_en.html MERRA2 1980年至今 每3小时 0.625°×0.5° 42层 https：//disc.gsfc.nasa.gov NCEP/GFS 2007年至今 每6小时 0.5°×0.5° 31层 https：//nomads.ncdc.noaa.gov/data/gfsanl/ NCEP/FNL 1999年至今 每6小时 1.0°×1.0° 26层 http：//rda.ucar.edu/datasets/ds083.2/ NCEP/DOE 1979年至今 每6小时 2.5°×2.5° 17层 http：//rda.ucar.edu/datasets/ds091.0/ 5.1.1 地基探空大气廓线 3 UWYO大气廓线是美国怀俄明大学探空数据。该数据的时间分辨率为12 h/d：00和12 UTC，它提供高程（m）、温度（℃）、气压（hPa）、水汽质量混合比（g/kg）以及相对湿度（%）等大气参数。 5.1.2 卫星反演大气廓线 3 （1）AIRS大气廓线。AIRS搭载于太阳同步极地轨道系列卫星EOS/Aqua，该数据用于测量全球范围内的大气水汽和温度。AIRS大气廓线的空间分辨率为1°×1°，气温和位势高度提供24个气压层：1000 hPa、925 hPa、850 hPa、700 hPa、600 hPa、500 hPa、400 hPa、300 hPa、250 hPa、200 hPa、150 hPa、100 hPa、70 hPa、50 hPa、30 hPa、20 hPa、15 hPa、10 hPa、7 hPa、5 hPa、3 hPa、2 hPa、1.5 hPa和1 hPa，而水汽参数仅提供前12个气压层数据。 （2）MxD07大气廓线。MODIS传感器搭载于EOS/Terra和EOS/Aqua卫星，该数据可以从美国宇航局网站免费下载。MxD07大气廓线提供了大气温度、湿度廓线，空间分辨率为5 km×5 km，共有20个气压层：1000 hPa、950 hPa、920 hPa、850 hPa、780 hPa、700 hPa、620 hPa、500 hPa、400 hPa、300 hPa、250 hPa、200 hPa、150 hPa、100 hPa、70 hPa、50 hPa、30 hPa、20 hPa、10 hPa和5 hPa。 5.1.3 再分析大气廓线 3 （1）ECMWF大气廓线。欧洲中期天气预报中心ECMWF（European Centre Medium-Range Weather Forecasts）再分析中期产品提供了全球大气再分析数据。ERA-Interim大气廓线数据的获取时间为UTC时间每日0时、6时、12时和18时，空间分辨率为0.75°×0.75°。它在37个气压层上给出了相对湿度、水汽以及位势高等参数：1000 hPa、975 hPa、950 hPa、925 hPa、900 hPa、875 hPa、850 hPa、825 hPa、800 hPa、775 hPa、750 hPa、700 hPa、650 hPa，600 hPa、550 hPa、500 hPa、450 hPa、400 hPa、350 hPa、300 hPa、250 hPa、225 hPa、200 hPa、175 hPa、150 hPa、125 hPa、100 hPa、70 hPa、50 hPa、30 hPa、20 hPa、10 hPa、7 hPa、5 hPa、3 hPa、2 hPa和1 hPa。 （2）ERA5大气廓线。ERA5再分析资料是由ECMWF运营的哥白尼气候变化服务打造的最新一代的再分析数据。ERA5相较其前一代ERA-Interim数据在时间和空间分辨率上都有所提升，该数据的空间分辨率为0.25°×0.25°，时间分辨率为1 h/d。ERA5具有单层和多层数据集。单层数据中记录的总水汽含量用于支持地表温度反演。多层数据由地表高程，温度，相对湿度等组成，提供了 1000—1 hPa 的37个气压层。 （3）JRA-55大气廓线。JRA-55数据是日本气象厅使用资料同化系统开展的第2个再分析项目，也是最新发布的一套再分析数据集。该数据文件以GRIB格式提供，空间分辨率为0.125°×0.125°，时间分辨率为6 h/d：00、06、12和18 UTC。它提供了37个气压层，但是仅有27个气压层给出了相对湿度等参数。 （4）MERRA2大气廓线。MERRA2是利用戈达德地球观测系统模型与大气数据同化系统结合5.12.4版生成的一种再分析大气廓线。该数据的时间分辨率为3 h/d，空间分辨率为0.625° E×0.5° N，提供42个气压层：1000 hPa、975 hPa、950 hPa、925 hPa、900 hPa、875 hPa、850 hPa、825 hPa、800 hPa、775 hPa、750 hPa、725 hPa、700 hPa、650 hPa、600 hPa、550 hPa、500 hPa、450 hPa、400 hPa、350 hPa、300 hPa、250 hPa、200 hPa、150 hPa、100 hPa、70 hPa、50 hPa、40 hPa、30 hPa、20 hPa、10 hPa、7 hPa、5 hPa、4 hPa、3 hPa、2 hPa、1 hPa、0. hPa7、0.5 hPa、0.4 hPa、0.3 hPa和0.1 hPa。 （5）NCEP/GFS大气廓线。NCEP/GFS大气廓线来源自美国国家环境预报中心NCEP（National Centers for Environmental Prediction）的全球预报系统。该数据的空间分辨率有0.5°×0.5°和1°×1°，时间分辨率为6 h/d：00、06、12和18 UTC，提供了31个气压层：1000 hPa、975 hPa、950 hPa、925 hPa、900 hPa、850 hPa、800 hPa、750 hPa、700 hPa、650 hPa、600 hPa、550 hPa、500 hPa、450 hPa、400 hPa、350 hPa、300 hPa、250 hPa、200 hPa、150 hPa、100 hPa、70 hPa、50 hPa、30 hPa、20 hPa、10 hPa、7 hPa、5 hPa、3 hPa、2 hPa和1 hPa。 （6）NCEP/FNL大气廓线。NCEP/FNL大气廓线来源自美国国家环境预报中心，由全球数据同化系统生成。该数据的空间分辨率为1°×1°，时间分辨率为6 h/d：00、06、12和18 UTC。此数据集有26个气压层：1000 hPa、975 hPa、950 hPa、925 hPa、900 hPa、850 hPa、800 hPa、750 hPa、700 hPa、650 hPa、600 hPa、550 hPa、500 hPa、450 hPa、400 hPa、350 hPa、300 hPa、250 hPa、200 hPa、150 hPa、100 hPa、70 hPa、50 hPa、30 hPa、20 hPa和10 hPa。它提供了表面压力，地势高度，温度以及相对湿度等大气参数。 （7）NCEP/DOE大气廓线。NCEP/DOE Reanalysis2（R2）数据在NCEP Reanalysis I版本上修复了一些错误，并更新了物理过程的参数设置。该数据的空间分辨率为2.5°×2.5°，时间分辨率为6 h/d：00、06、12和18 UTC，提供17个气压层的温度，相对湿度和地势高度数据：1000 hPa、925 hPa、850 hPa、700 hPa、600 hPa、500 hPa、400 hPa、300 hPa、250 hPa、200 hPa、150 hPa、100 hPa、70 hPa、50 hPa、30 hPa、20 hPa和10 hPa。 5.2　基于大气水汽含量和近地表气温的大气参数计算 2 单通道算法中需要输入大气参数来修正大气对辐射传输的影响。大气参数（大气透过率、大气上下行辐射）不仅与大气剖面密切相关，而且大气中的水汽、臭氧、二氧化碳以及其他成分都对其有一定影响。但是臭氧、二氧化碳等成分的含量比较稳定，因此这些参数对大气的影响可以表示为常数。而水汽含量在大气中变化剧烈，且在热红外波段具有强烈的辐射吸收作用，因此大气参数与水汽含量具有显著的相关性，可以使用大气水汽含量拟合得到（ Cristóbal等，2009 Cristóbal等，2009 ； Song等，2014 Song等，2014 ）。 目前，大气水汽含量可以由地面站点测量得到，比如由NASA/GSFC联合建立的全球自动观测网AERONET（AErosol RObotic NETwork）可以提供卫星过境时间附近较为精确的大气水汽数据（ Qin等，2001b Qin等，2001b ）。但是，该站点不提供有云和夜间的水汽值。而且由于地面测量站点数量的限制，所以该站无法提供覆盖全球的大气水汽数据。因此，一些研究采用大气廓线数据进行大气水汽含量的估算。比如将校正后的NCEP大气廓线或MOD 07大气廓线数据输入MODTRAN，经过大气辐射模型的模拟即可得到每条大气廓线对应的大气水汽值。但是在很多情况下，大气廓线数据并不能准确地反映卫星过境时的大气状况，而且空间分辨率低于Landsat热红外数据。所以需要对大气水汽值进行时间和空间插值，最终得到每个像元对应的大气水汽含量。在10—12 μm大气窗口内，水汽是大气中发挥吸收作用最主要的组分，因此可以利用两个分裂窗通道反演大气水汽含量（ Li等，2003 Li等，2003 ）。 Ren等（2015） Ren等（2015） 和 王猛猛等（2017） 王猛猛等（2017） 利用分裂窗协方差—方差比值法反演Landsat 8数据的大气水汽含量。Wang等（2015）将归一化植被指数NDVI（Normalized Difference Vegetation Index）引入到分裂窗协方差—方差比值法中提升Landsat 8数据的大气水汽含量反演精度。除此之外，大气水汽含量还可以由相关的参数计算得到。比如，大气水汽含量可以表示为相对湿度以及近地表气温的函数。 基于辐射传输方程， Qin等（2001b） Qin等（2001b） 和 Sobrino等（2004） Sobrino等（2004） 分别提出了不同的单通道算法，以减少对大气廓线的依赖。 Qin等（2001b） Qin等（2001b） 提出的单窗算法仅需要大气透过率以及大气平均作用温度两个大气参数来反演地表温度。基于Landsat TM 5第6波段， Qin等（2001b） Qin等（2001b） 通过使用LOWTRAN（LOW resolution TRANsmission）模拟大气水汽含量与大气透过率之间的关系，建立相关方程，用来大气透过率的近似估算。 表8 表8 为Landsat 5 TM第6波段大气透过率估算方程。在 Qin等（2001b） Qin等（2001b） 研究的基础上， Rozenstein等（2014） Rozenstein等（2014） 针对中纬度夏季大气和1976年美国标准大气，使用MODTRAN模拟了大气水汽含量和大气透射率之间的关系。 表9 表9 给出了Landsat 8 TIRS第10、11波段的透过率估算方程。 大气剖面 水汽含量 w /（g·cm -2 ） 大气透射率估计方程 2 高气温 0.4—1.6 τ 6 =0.974 290-0.08007 w 1.6—3.0 τ 6 =1.031 412-0.11536 w 2 低气温 0.4—1.6 τ 6 =0.982 007-0.09611 w 1.6—3.0 τ 6 =1.053 710-0.14142 w 大气剖面 水汽含量 w /（g·cm -2 ） 大气透射率估计方程 2 美国1976标准大气 2 0.5—3 τ 10 =1.0286-0.1146 w τ 11 =1.0083-0.1568 w 2 中纬度夏季大气 2 0.5—3 τ 10 =1.0335-0.1134 w τ 11 =1.0078-0.1546 w Sobrino等（1991） Sobrino等（1991） 把大气平均作用温度与大气水汽含量联系起来， 覃志豪等（2003） 覃志豪等（2003） 在 Sobrino等（1991） Sobrino等（1991） 提出的计算公式基础上，对大气水分、气温与海拔高程之间的相互关系进行分析，得到不同大气模式下，大气平均作用温度的计算公式。这种估算方法在缺少卫星过境时实时大气参数的情况下，可以通过大气平均作用温度（ T a ）与地面气温（ T 0 ）的线性公式近似推算得到大气平均作用温度，以便计算地表温度。 表10 表10 为不同大气模式下大气平均作用温度的估算方程。 标准大气类型 大气平均作用温度估算方程 美国1976标准大气 T a =25.9396+0.88045 T 0 热带大气 T a =17.9769+0.91715 T 0 中纬度夏季大气 T a =16.0110+0.92621 T 0 中纬度冬季大气 T a =19.2704+0.91118 T 0 6　地表比辐射率估算 1 地表比辐射率是地表温度反演过程中的一个关键输入参数。 Dash等（2002） Dash等（2002） 研究发现，地表比辐射率1%的误差在湿热大气下会对地表温度造成0.3 K的误差，而在干冷的大气条件下的误差可以达到0.7 K。因此，准确地获取地表比辐射率对精确反演地表温度起着至关重要的作用。 目前，常用的地表比辐射率的估算算法可以分为3类：半经验法、基于物理的方法和多通道温度/比辐射率分离算法（ Li等，2013 Li等，2013 ）。基于Landsat热红外传感器的特征，常用的地表比辐射率估算方法主要为半经验算法。地表比辐射率的半经验算法包括基于分类的方法（ Snyder等，1998 Snyder等，1998 ； Sun和Pinker，2003 Sun和Pinker，2003 ； Peres和DaCamara，2005 Peres和DaCamara，2005 ）和基于NDVI的方法（Van de Griend和Owe，1993； Valor和Caselles，1996 Valor和Caselles，1996 ； Sobrino和Raissouni，2000 Sobrino和Raissouni，2000 ）。 6.1　基于分类的方法 2 基于分类的方法的关键是根据传统的土地覆盖分类信息，对地表进行正确的分类，然后依据分类查找表确定地表的比辐射率。该方法假设同一土地覆盖类型具有相同的比辐射率。 为了使用MODIS热红外数据利用分裂窗算法反演地表温度， Snyder等（1998） Snyder等（1998） 考虑雪、水以及不同植被状态的叠加，提出了基于分类的地表比辐射率估算方法，使用3种不同的BRDF（Bidirectional Reflectance Distribution Function）核模型（ Li和Strahler，1992 Li和Strahler，1992 ； Roujean等，1992 Roujean等，1992 ； Snyder等，1998 Snyder等，1998 ）开发了一个比辐射率知识数据库（10.8—12.3 μm）。经过一系列的组合分析，从IGBP（MODIS/International Geosphere-Biosphere Programme）分类中选择了14个性质相似的不同发射率分类。对发射率等级均值和变化的分析表明，这14个等级中有8个等级覆盖了地球近70%的陆地表面，可以达到MODIS地表温度1 K的精度目标。一旦建立了发射率知识数据库，就可以在考虑季节和动态的情况下，直接从MODIS/IGBP类别估算地表比辐射率（ Snyder等，1998 Snyder等，1998 ）。 基于分类的比辐射率估算方法需要精确获取研究区域的地表分类情况，高分辨率卫星数据的发展使得全球地表覆盖GLC（Globel Land Cover）产品的空间分辨率有了大幅度提升，可以达到10—30 m，这些产品包括GlobeLand30、FROM_GLC、GLC_FCS30、ESA-S2-LC20和FROM_GLC10（ Liu等，2021 Liu等，2021 ）。基于高分辨率的GLC产品，在以后可以利用Landst热红外数据开展基于分类的比辐射率估算方法。 然而，基于分类的方法只适用于下垫面均一的情况，混合像元可能会影响比辐射率的估算精度。所以，基于分类的地表比辐射率估算方法存在一定的局限性。 6.2　基于NDVI的方法 2 像第2节中描述的那样，Landsat 5 TM以及Landsat 7 ETM+只有一个热红外波段，Landsat 8 TIRS只有一个质量较好的热红外波段，因此在进行地表比辐射率估算时需要使用辅助数据。基于NDVI的方法简单易用，目前被广泛应用于地表比辐射率的估算中。该方法假设在自然像元中，土壤和植被的比辐射率已知，根据植被覆盖情况估算混合像元的比辐射率。目前，国内外学者已经提出了多种基于NDVI的比辐射率估算方法。 6.2.1　Van de Griend和Owe的地表比辐射率估算方法 3 Van de Griend和Owe（1993）基于采集的比辐射率信息和NDVI数据建立地表比辐射率和NDVI之间的统计关系模型，其相关性可以表示为 <math display="block" id="M13"><mi>ε</mi><mo>=</mo><mi>a</mi><mo>+</mo><mi>b</mi><mi mathvariant="normal">l</mi><mi mathvariant="normal">n</mi><mo stretchy="false">(</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640370&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640368&type= 29.71800041 3.47133350 式中， a =1.0094， b =0.047。在该方法中，NDVI的适用范围为0.157—0.727，一旦NDVI的值超出这个范围，则该方法难以准确估算地表比辐射率。 6.2.2　Valor和Caselle的地表比辐射率估算方法 3 受Van de Griend和Owe（1993）工作的启发，Valor和Caselle（1996）考虑腔体效应，提出一种估算有效比辐射率的方法。该方法通过计算各分量的面积加权比辐射率，结合NDVI计算的植被覆盖度，估算得到地表比辐射率。该方法根据NDVI值将地表分为裸土、自然地表以及植被3种类型，采用 式（14） 式（14） 计算自然地表像元的比辐射率： <math display="block" id="M14"><mi>ε</mi><mo>=</mo><msub><mrow><mi>ε</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><msub><mrow><mi>ε</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mn mathvariant="normal">4</mn><mfenced open="<" close=">" separators="|"><mrow><mi>d</mi><mi>ε</mi></mrow></mfenced><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640373&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640371&type= 62.14533615 4.14866638 式中， ε 为地表比辐射率， ε v 为植被组分比辐射率， ε s 为裸土组分比辐射率， P v 为植被覆盖度， dε 取决于地形几何形态，用来描述腔体效应。国内外学者已经提出不同的腔体效应参数化模型，常用的模型有VALOR96，FR97，FR02，CE-P，REN15等（ Cao等，2018 Cao等，2018 ）。 由于裸土组分的比辐射率难以确定，所以很多学者借助ASTER GED产品来估算地表比辐射率。ASTER GED产品是NASA于2014年发布的全球地表发射率数据集，该数据集利用2000年—2008年全球所有的ASTER数据采用温度比辐射率分离算法TES（Temperature and Emissivity Separation）算法反演得到，在裸露地表具有较高精度，可以用于改进现有干旱半干旱地区的比辐射率估算方法（ Duan等，2019b Duan等，2019b ）。 孟翔晨等（2016） 孟翔晨等（2016） 基于ASTER GED产品和植被覆盖度，提出了一个改进的地表比辐射率估算方法。该算法假设每一个ASTER GED像元可以分为裸土和植被两类，根据两者比例求解裸土比辐射率，然后结合ASTER波谱库（ Baldridge等，2009 Baldridge等，2009 ）的植被比辐射率和植被覆盖度产品对植被覆盖区的比辐射率进行修正。 Malakar等（2018） Malakar等（2018） 使用ASTER GED产品估算地表比辐射率，对自然地表的比辐射率进行了修正。 Duan等（2019b） Duan等（2019b） 利用ASTER GED产品和地表覆盖度相结合的方法对地表比辐射率进行了修正。 6.2.3　NDVI阈值法 3 Sobrino等（2008） Sobrino等（2008） 在Valor和Caselle（1996）工作的基础上，对该方法进行了改进。该方法的主要思想是假定当NDVI < 0.2时认为是纯裸土像元，地表比辐射率为红光波段地物反射率的函数；当NDVI > 0.5时认为是纯植被像元，地表比辐射率为常数0.99；当NDVI介于0.2—0.5时认为是混合像元。其公式可以表达为 <math display="block" id="M15"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><msub><mrow><mi>a</mi></mrow><mrow><mi mathvariant="normal">i</mi></mrow></msub><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>+</mo><msub><mrow><mi>b</mi></mrow><mrow><mi mathvariant="normal">i</mi></mrow></msub><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn mathvariant="normal">0.2</mn></mtd></mtr><mtr><mtd><msub><mrow><mi>ε</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><msub><mrow><mi>ε</mi></mrow><mrow><mi mathvariant="normal">s</mi></mrow></msub><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mn mathvariant="normal">0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn mathvariant="normal">0.5</mn></mtd></mtr><mtr><mtd><msub><mrow><mi>ε</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn mathvariant="normal">0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640376&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640374&type= 66.12466431 15.15533447 式中， ρ R 是红波段的反射率值， a i 和 b i 是根据土壤的红光波段反射率和波谱库中裸土发射率之间的经验关系估计得到的， ε v 和 ε s 分别是土壤和植被的发射率， dε 是由表面粗糙度引起的腔体效应（对于平面， dε =0）。根据 Sobrino等（2008） Sobrino等（2008） 提出的NDVI阈值法结合研究区地表类型的多样性， 覃志豪等（2004） 覃志豪等（2004） 给出了城市地表的比辐射率估算方法。 表11 表11 给出了目前常用的NDVI阈值法的表达式。 参考文献 地表比辐射率公式 传感器 Sobrino等（2008） <math id="M16"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mn>0.979</mn><mo>-</mo><mn>0.035</mn><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn>0.2</mn></mtd></mtr><mtr><mtd><mn>0.004</mn><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mn>0.986,0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn>0.5</mn></mtd></mtr><mtr><mtd><mn>0.99</mn><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn>0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640379&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640377&type= 46.39733505 11.17599964 Landsat 5 TM和Landsat 7 ETM+第6波段 2 Skokovic等（2014） <math id="M17"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mn>0.979</mn><mo>-</mo><mn>0.046</mn><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn>0.2</mn></mtd></mtr><mtr><mtd><mn>0.987</mn><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mn>0.971</mn><mo stretchy="false">(</mo><mn>1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mn>0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn>0.5</mn></mtd></mtr><mtr><mtd><mn>0.987</mn><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn>0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640382&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640381&type= 61.38333893 11.51466751 Landsat 8 TIRS第10波段 <math id="M18"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mn>0.982</mn><mo>-</mo><mn>0.027</mn><msub><mrow><mi>ρ</mi></mrow><mrow><mi>R</mi></mrow></msub><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn>0.2</mn></mtd></mtr><mtr><mtd><mn>0.989</mn><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mn>0.977</mn><mo stretchy="false">(</mo><mn>1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mn>0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn>0.5</mn></mtd></mtr><mtr><mtd><mn>0.989</mn><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn>0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640385&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640383&type= 61.55266953 11.51466751 Landsat 8 TIRS第11波段 2 Yu等（2014） <math id="M19"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mn>0.973</mn><mo>-</mo><mn>0.047</mn><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn>0.2</mn></mtd></mtr><mtr><mtd><mn>0.9863</mn><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mn>0.9668</mn><mo stretchy="false">(</mo><mn>1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mn>0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn>0.5</mn></mtd></mtr><mtr><mtd><mn>0.9863</mn><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn>0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640388&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640386&type= 64.34667206 11.51466751 Landsat 8 TIRS第10波段 <math id="M20"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mn>0.984</mn><mo>-</mo><mn>0.047</mn><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn>0.2</mn></mtd></mtr><mtr><mtd><mn>0.9896</mn><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mn>0.9747</mn><mo stretchy="false">(</mo><mn>1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mn>0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn>0.5</mn></mtd></mtr><mtr><mtd><mn>0.9896</mn><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn>0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640391&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640389&type= 64.34667206 11.51466751 Landsat 8 TIRS第11波段 2 Li和Jiang（2018） <math id="M21"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><msub><mrow><mi>a</mi></mrow><mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">i</mi></mrow></msub><mo>+</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi mathvariant="normal">j</mi><mo>=</mo><mn>2</mn></mrow><mrow><mn>7</mn></mrow></munderover></mstyle><mrow><msub><mrow><mi>a</mi></mrow><mrow><mi mathvariant="normal">j</mi><mi mathvariant="normal">i</mi></mrow></msub><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">j</mi></mrow></msub></mrow><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn>0.2</mn></mtd></mtr><mtr><mtd><mn>0.982</mn><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mn>0.971</mn><mo stretchy="false">(</mo><mn>1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mn>0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn>0.5</mn></mtd></mtr><mtr><mtd><mn>0.982</mn><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn>0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640394&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640393&type= 61.72200012 15.91733265 Landsat 8 TIRS第10波段 <math id="M22"><mi>ε</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><msub><mrow><mi>a</mi></mrow><mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">i</mi></mrow></msub><mo>+</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi mathvariant="normal">j</mi><mo>=</mo><mn>2</mn></mrow><mrow><mn>7</mn></mrow></munderover></mstyle><mrow><msub><mrow><mi>a</mi></mrow><mrow><mi mathvariant="normal">j</mi><mi mathvariant="normal">i</mi></mrow></msub><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">j</mi></mrow></msub></mrow><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo><</mo><mn>0.2</mn></mtd></mtr><mtr><mtd><mn>0.984</mn><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo>+</mo><mn>0.976</mn><mo stretchy="false">(</mo><mn>1</mn><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">v</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mn>0.2</mn><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mn>0.5</mn></mtd></mtr><mtr><mtd><mn>0.984</mn><mo>+</mo><mi>d</mi><mi>ε</mi><mo>,</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>></mo><mn>0.5</mn></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640397&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=19640396&type= 61.89133835 15.91733265 Landsat 8 TIRS第11波段 7　问题与展望 1 7.1　复杂地表的地表温度反演方法 2 现有地表温度反演算法大多针对平坦地表，对具有三维结构的地表研究甚少。但是由于复杂的地形效应和建筑结构的作用，地表三维结构的影响在山区和城区往往不能忽略（ 赵伟 等，2016 赵伟 等，2016 ）。 Yan等（2016） Yan等（2016） 提出了一个长波地形辐射模型，该模型考虑了复杂地形上所有可能的辐射影响因素，包括地形、阴影、周围地形对天空的遮挡、附近地形的辐射以及观测方向上像元的不可见性，研究发现地形效应可导致长波净辐射差异高达100 W/m 2 。 Jiao等（2015） Jiao等（2015） 在研究方向性辐射时也考虑了地形效应的影响，结果表明在山区地形可造成星上亮温高达9 K的差异。 对于具有较高空间分辨率的Landsat热红外数据来说，地表三维结构的影响尤为突出，所以在山区和城市地表温度反演过程中不得不考虑地形效应和建筑结构导致的辐射能量组成部分的变化（ Zheng等，2020 Zheng等，2020 ）。越来越多的学者尝试在长波辐射研究中剔除地表三维结构的影响，获取地表真实发射辐射，进而提高地表温度的反演精度。 在山区，地形的起伏造成地表结构发生变化，这种变化导致地面与传感器的几何关系发生改变，进而使传感器接收到的地面辐射能量的组成部分受地形效应的影响发生变化。与平坦地表相比较而言，山区的热辐射能量传输过程更加复杂（ 赵伟 等，2016 赵伟 等，2016 ）。一方面，地形遮挡了部分来自半球方向的大气下行辐射，这导致了大气层顶接收的热辐射总量的减少；另一方面，来自周围像元的邻近地形辐射又增加了大气层顶接收的总热辐射能量。 Hais等（2009） Hais等（2009） 对地形因子（高程、坡度和坡向）和地表温度进行线性回归分析地形对地表温度的影响。Wu等（2015）借助Landsat热红外数据使用单通道算法反演冰川表面温度，并进一步分析了覆盖在该山地区域内冰川的邻近地形效应的影响。然而，该研究只重点关注了有限的3 km 2 冰舌的区域（ Wu等，2019 Wu等，2019 ）。随后， Zhu等（2021） Zhu等（2021） 考虑坡度、坡向和天空可视因子等地形参数，构建了针对山区复杂地形几何结构的山区热辐射传输模型，结果表明该算法在山区地表温度反演中具有较高精度。 随着近年来城市化进程的不断加速，城市建筑结构愈发复杂，地表覆盖类型更加多样，导致整个城市冠层三维结构十分复杂，城市三维空间之中的能量收支过程和流动路径更加复杂化。对于高空间分辨率城市地表温度反演而言，主要面临3个问题：（1）城市下垫面细碎、空间结构复杂、地表类型多样，且大多数为人工建筑材料，导致城市像元有效发射率难以确定；（2）城市三维结构显著，一方面目标像元接收的大气下行辐射减小，另一方面周围像元对目标像元的邻近辐射增加，导致城市热辐射传输建模更加困难；（3）城市像元内部具有明显的光照和阴影组分，地表温度的空间异质性强，导致城市地表温度验证难。 Yang等（2015a） Yang等（2015a） 提出了一种基于天空可视因子的城市有效发射率计算方法，研究表明，城市区域的三维结构具有明显的腔体效应，导致城市像元有效发射率增加。 Yang等（2015b） Yang等（2015b） 考虑城市冠层的所有辐射贡献，进一步改进了城市有效发射率计算方法。 Yang等（2016） Yang等（2016） 分析了城市三维结构对城市地表温度反演的影响，构建了基于有效发射率的城市地表温度反演方法，但是该方法并未有效地区分目标像元内部和周围像元的热辐射贡献。 尽管学者们已经针对地表三维结构的影响发展了一些适用于山区和城市的地表温度反演算法，但是仍然有一些问题亟待解决。首先，对于基于Landsat数据反演得到的高空间分辨率地表温度，验证结果的有效性至关重要。然而，由于缺少地面实测数据，以及站点数据和卫星数据观测尺度的匹配问题，因此，如何解决山区和城市的地表温度的验证问题，也是未来地表温度反演研究的关键一环。此外，基于Landsat数据开展针对山区和城市的地表温度反演研究时，大多数研究都使用单通道算法，反演结果受大气参数和地表发射率的影响较大，因此，在之后的研究中还可以针对山区和城市的三维结构发展基于Landsat 8数据的分裂窗算法。 7.2　云覆盖区域的地表温度反演方法 2 Mercury等（2012） Mercury等（2012） 研究发现，在全球范围内年均云覆盖比例超过70%。但是，第4节中介绍的基于热红外数据的地表温度反演算法都只适用于晴天无云的条件。云覆盖区域地表温度信息缺失在一定程度上破坏了Landsat产品的时空分布的全局性和连续性，严重阻碍和限制了区域地表温度产品的应用和发展。因此，如何估算Landsat热红外遥感影像中云覆盖像元的地表温度，成为了Landsat产品广泛应用亟待解决的问题。 近几年，国内外学者根据地表温度时空分布特征和地表能量平衡原理，发展了很多算法来估算热红外遥感影像中云覆盖区域的地表温度（ 周义 等，2014 周义 等，2014 ）。要开展云下地表温度重建的研究，必须先识别影像中云覆盖的区域，即影像中云阴影、云覆盖和云遮挡像元。与自然地表不同，云层呈现亮和白的特点，且其表层温度较低，具有较高的反射率。 Zhu和Woodcock（2012） Zhu和Woodcock（2012） 采用一种面向对象的云检测方法Fmask算法，利用云在光学遥感影像不同波段的光谱信息，通过波段阈值筛选条件，考虑热红外波段易受高程变化的特点，实现Landsat 4—8以及Sentinel-2系列卫星影像的云检测（ Zhu等，2015 Zhu等，2015 ）。详细云检测算法介绍可以通过网站（ https：//github.com/GERSL/Fmask https://github.com/GERSL/Fmask ［2021-05-12］）获取，用户也可以通过该网站下载Fmask算法的源代码开展进一步研究。 Zeng等（2018） Zeng等（2018） 使用邻近日期的晴空影像得到云下地表温度参考值，并由Zeng等（2013）对Landsat ETM+多光谱影像去条带噪声中空间相似像元的提取方法，参考地表覆盖类型和欧式距离等地表信息搜索相似像元，利用辐射能量平衡的方法校正地表温度参考值重建出云下地表温度。 Fu和Weng（2015） Fu和Weng（2015） 使用高分辨率的Landsat TM数据由年地表温度变化ATC（Annual Temperature Cycle）模型拟合参数分析了不同地表覆盖类型下的地表温度时间序列上的变化趋势，并进一步指出使用ATC模型可用来表征研究区域内地表温度的变化模式。 Liu等（2019） Liu等（2019） 提出了一个混合ATC模型，该模型可以比以往仅采用晴空数据作为模型输入的方法更好地预测云层下的地表温度。 针对热红外遥感地表温度反演中云覆盖区域地表温度缺失的现状，虽然目前的研究已经取得了一些进展，但仍然存在以下几个关键问题。第一，在估算云覆盖区域的地表温度时，云检测的步骤至关重要，需要发展高精度的云检测算法来辅助云下地表温度重建的研究。第二，当前可利用区域尺度的辅助数据不能满足高空间分辨率云覆盖区域地表温度反演的需求。100 m的Landsat 8热红外数据在同尺度上几乎没有可利用的辅助数据，这阻碍了云下地表温度重建研究的开展。因此，在未来研究工作中，高空间分辨率数据的获取至关重要。 7.3　多源数据时空融合 2 多平台遥感卫星提供了大量高空间、高时间分辨率的数据，但是，对于大多数遥感影像，高空间分辨率和高时间分辨率不可兼得。时空数据融合是解决卫星数据时空分辨率问题的有效方法。Landsat系列卫星具有较高的空间分辨率，然而，16 d的重访周期和云的影响导致Landsat数据的时间分辨率较低，极大地限制了Landsat数据的可用性。搭载在Terra卫星上MODIS传感器可以实现对地表的高频观测，但是其空间分辨率较低，热红外波段的空间分辨率为1 km。目前，已经有很多学者针对Landsat数据和MODIS数据开展了时空融合方法的研究，生产出高时空分辨率的数据（ Yin等，2021 Yin等，2021 ）。 时空融合方法最初用于生成具有高时空分辨率的反射率影像。比如， Gao等（2006） Gao等（2006） 基于像元间时间、空间和光谱的差异，提出的时空自适应反射率融合模型STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model），该方法可以在地表均一的情况下较为精确地预测高时空分辨率的反射率，但是在地表异质性较高的情况下，反射率的精度会降低。针对STARFM方法的不足， Zhu等（2010） Zhu等（2010） 提出了一种增强时空自适应反射率模型ESTARFM（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model），提高了STARFM方法在复杂的异质性地表融合精度。 后来，学者们又对这些时空融合方法进行改进，生成了具有高时空分辨率的LST产品。比如，考虑LST产品像元间的相关性，引入LST的时间变化模型，以及增加传感器的数量等。 Liu和Weng（2012） Liu和Weng（2012） 借助双边滤波改进了STARFM中的权重函数，以生成城市区域的精细时空分辨率LST产品。Wu等（2015）使用基于变化的约束模型生成精确的类似Landsat（Landsat-Like）LST产品。 Weng等（2014） Weng等（2014） 通过在ESTARFM中加入ATC，提出了时空自适应数据融合算法SADFAT（Spatio-temporal Adaptive Data Fusion Algorithm for Temperature Mapping），得到30 m空间分辨率的每日LST数据。Wu等（2015）融合Landsat、MODIS与静止轨道卫星GOES/SEVIRI 3种数据，提出了时空整合温度融合模型STITFM（Spatio-temporal Integrated Temperature Fusion Model），得到120 m空间分辨率、30/15 min时间分辨率的LST数据。 Quan等（2018） Quan等（2018） 基于时间插值、空间降尺度和权重函数的融合，提出了一个统一的框架，将Landsat、MODIS和地球静止卫星（FY-2F）的时空温度进行融合BLEST（BLEnd Spatiotemperal Temperature），得到每小时100 m空间分辨率的LST数据。 但是，在对Landsat和MODIS数据进行时空融合时，还需要考虑以下两点因素的影响。一是Landsat和Terra过境时间的差异。二是MODIS的视场角较大，需要考虑热辐射方向性的影响，而Landsat可以近似看作垂直观测（ Cao等，2019 Cao等，2019 ）。如何统一观测时间以及观测角度效应将是未来Landsat和MODIS数据时空融合研究的难点和重点。 7.4　长时间序列地表温度产品 2 近年来，随着遥感技术的快速发展，新一代热红外传感器能够在保证高空间分辨率的同时大大降低重访周期，相较于Landsat热红外传感器具有更高的空间和时间分辨率，比如法国-印度共建卫星计划TRISHNA（Thermal infraRed Imaging Satellite for High-resolution Natural resource Assessment）预计每周3次获得覆盖全球的空间分辨率为50 m的热红外数据。但是，在长时间序列地表温度反演领域，Landsat系列卫星仍然具有不可比拟的优势。自1982年以来，Landsat系列卫星热红外传感器（Landsat 4/5 TM、Landsat 7 ETM+和Landsat 8 TIRS）不断获取地球表面的热红外影像，积累连续40年的覆盖全球的对地观测热红外影像资料，为地表温度反演研究提供了丰富的数据源。而且，Landsat系列卫星以同一地方时、同一方向通过同一地点，保证遥感观测条件的基本一致，有利于数据之间的对比分析。如 表1 表1 所示，Landsat系列卫星的热红外数据具有不同的空间分辨率。为了与可见光—近红外数据的空间分辨率保持一致，USGS将Landsat系列卫星的热红外数据重采样到30 m空间分辨率，从而便于长时间序列地表温度的分析与应用。除了空间尺度的差异之外，不同的Landsat系列卫星也具有谱段差异。与仅有一个热红外波段的TM/ETM+传感器不同，Landsat 8 TIRS热红外传感器具有2个热红外波段，分别是第10和第11波段。但是由于第11波段的定标偏差较大，USGS不鼓励使用第11波段进行地表温度反演及相关工作，所以目前Landsat 8仍然只有第10波段的热红外数据用于长时间序列分析。 目前，Landsat地表温度产品主要有两种：（1）USGS发布的ARD LST产品（ Malakar等，2018 Malakar等，2018 ），（2）中国科学院发布的即用型RTU（Ready-To-Use）LST产品（ Zhang和He，2013 Zhang和He，2013 ； He等，2018 He等，2018 ； 张兆明 等，2020 张兆明 等，2020 ）。美国ARD LST产品使用基于辐射传输方程的方法反演Landsat地表温度。该方法使用NCEP-NARR再分析大气廓线数据和ASTER GEDv3数据分别进行大气和比辐射率的校正。然而，由于NCEP-NARR再分析大气廓线数据仅覆盖美国，因此无法提供美国区域以外的地表温度产品。中国RTU LST产品使用普适性单通道算法，将从MOD05产品获得的大气水汽含量以及利用NDVI阈值法估算得到的地表比辐射率作为输入参数反演地表温度。由于2000年之前无法获得MOD05数据，因此，覆盖中国的RTU LST产品仅提供2000年之后的数据（ He等，2018 He等，2018 ）。 GEE（Google Earth Engine）是一个云计算平台，用于存储和处理地球观测大数据及其他用于地理空间研究的辅助数据集。GEE数据目录主要包括卫星观测，如Landsat、Sentinel-1/2、MODIS和ASTER，以及一些土地覆盖数据和其他环境、气候预测、地球物理和社会经济数据集。 Wang等（2020） Wang等（2020） 基于GEE平台利用实用单通道算法构建了一个Landsat系列卫星地表温度数据反演框架，用于生产全球尺度、长时间序列的地表温度数据。该框架基于GEE上的Landsat数据、ASTER GED和NCEP-Global Reanalysis（GR）大气水汽数据，采用实用单通道算法反演地表温度。使用地面实测站点对产品进行验证，发现总体偏差为0.33 K，总体RMSE为2.01 K。 Ermida等（2020） Ermida等（2020） 也基于GEE平台提出了一种类似的方法利用Landsat长时间序列数据估算地表温度。 在LST产品应用之前，有效地验证必不可少。对Landsat LST产品的验证不仅可以提供产品的不确定性，还有助于提高LST产品的生产效率（ Coll等，2010 Coll等，2010 ； Laraby和Schott，2018 Laraby和Schott，2018 ； Schaeffer等，2018 Schaeffer等，2018 ）。目前，已经发展出4种地表温度的验证方法，即温度直接比对法（ Wan等，2002 Wan等，2002 ； Li等，2014 Li等，2014 ； Duan等，2019a Duan等，2019a ），基于辐射能的验证法（ Coll等，2009 Coll等，2009 ； Hulley和Hook，2011 Hulley和Hook，2011 ），交叉验证法（ Duan等，2017 Duan等，2017 ）和时间序列分析法。每种方法都有其优缺点，可以提供有关LST产品不确定性的不同信息。温度直接比对法认为是参考验证方法，被广泛应用于验证卫星衍生的LST产品。 Duan等（2021） Duan等（2021） 利用SURFRAD站点、ARM（Atmospheric Radiation Measurement）站点以及NDBC（National Data Buoy Center）站点的实地测量数据，提供了2009年—2019年Landsat 5/7/8 LST产品的验证结果，并分析了11年间Landsat 5/7/8 LST产品的一致性。 Wang等（2020） Wang等（2020） 利用SURFRAD网络、BSRN（Baseline Surface Radiation Network）以及HiWATER（Heihe Watershed Allied Telemetry Experimental Research）辐射通量观测的站点实测数据对长时间序列地表温度进行验证，发现Landsat系列不同卫星数据具有相似的精度。 尽管现有的Landsat长时间序列地表温度产品已经投入使用，并且具有很好的精度，但是，受条带数据缺失的影响，Landsat 7将会缺少一部分数据。针对Landsat 7条带数据缺失的情况， Yan和Roy（2020） Yan和Roy（2020） 使用时间序列模型对条带处缺失的地表反射率进行填充。由于地表温度和地表反射率都是连续的地表变量，所以可以使用相似的方法对Landsat 7条带缺失处的数据进行填充。但是，由于地表温度和地表反射率之间存在一些特征的差异，如地表发射率通常随时间变化缓慢，而地表温度变化很快（ Fu和Weng，2015 Fu和Weng，2015 ）。因此，适用于地表反射率的填充算法并不总是适用于地表温度产品的生成。地表温度产品条带填充还有一个难点是难以判断缺失的条带处是否有云，所以无法直接使用晴空数据对条带处进行填充。所以，如何发展适用于地表温度产品的Landsat 7条带填充方法，将会是之后研究的重点和难点。 美国预计于2021年发射最新一代的陆地卫星Landsat 9，该卫星将搭载第二代热红外传感器（TIRS-2）。TIRS-2和Landsat 8搭载的TIRS传感器一样，具有两个热红外波段。不同的是，TIRS-2在风险等级和设计上进行了改进，减少了杂散光的影响。随着更高时空分辨率的大气廓线数据的发布和Landsat 9卫星的发射，生产更高时空分辨率的地表温度产品将会成为未来发展的趋势和研究的重点。 8　结语 1 作为陆地表层系统过程的关键参数，地表温度在估算地表能量与水平衡、土壤湿度以及城市热岛等方面发挥着重要作用。卫星遥感是获取区域和全球尺度上地表温度时空分布的最有效手段。随着Landsat系列卫星的不断发展，以及开放的数据获取方式，Landsat热红外数据在地表温度反演研究中得到越来越广泛的应用。40年来，在国内外学者的共同努力下，基于Landsat热红外数据的地表温度反演研究已经取得了显著的进展。 但是，问题和进展总是相互依存。在数据质量方面，Landsat 7 ETM+数据存在条带缺失的问题。Landsat 8 TIRS传感器虽然增加了一个热红外波段，但是受杂散光的影响，第11波段数据一直存在定标偏差。针对Landsat 7 ETM+数据和Landsat 8 TIRS数据存在的问题，学者们提出了很多解决方法，在一定程度上消除了数据质量问题的影响。在地表温度反演算法方面，基于Landsat系列卫星热红外通道的特性，常用的地表温度反演算法可以分为单通道算法和分裂窗算法两类，这些算法在精度、适用性等方面都存在着差异。在前人研究的基础上，国内外学者根据不同的研究对象或目标选取相应的算法，或对已有的算法进行改进，提高算法的反演精度；或对已有的算法进行简化，使得模型更加简单易用。在参数获取方面，地表温度反演过程复杂，输入参数较多且较难获取。地表比辐射率的不确定性以及测量方法的限制，使得难以获取大面积连续、实时、精确的地表比辐射率信息。受到观测时间和空间分辨率的限制，往往无法实时获取温度反演所需的大气参数，需要对一些大气参数进行近似处理。作为地表温度反演的重要参数，准确获取地表比辐射率和大气参数可以有效提高地表温度的反演精度。 随着技术和算法的不断进步与发展，Landsat地表温度反演算法将会满足多种场景连续观测的需求，应用于复杂的真实地表，解决更多实际的问题。 参考文献 （References） Baldridge A M , Hook S J , Grove C I and Rivera G . 2009 . The ASTER spectral library version 2.0 . Remote Sensing of Environment , 113 ( 4 ): 711 - 715 [ DOI: 10.1016/j.rse.2008.11.007 http://dx.doi.org/10.1016/j.rse.2008.11.007 ] The ASTER spectral library version 2.0 Barsi J A , Barker J L and Schott J R . 2003 . An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument // 2003 IEEE International Geoscience and Remote Sensing Symposium . Toulouse, France : IEEE : 3014 - 3016 [ DOI: 10.1109/IGARSS.2003.1294665 http://dx.doi.org/10.1109/IGARSS.2003.1294665 ] An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument Barsi J A , Schott J R , Hook S J , Raqueno N G , Markham B L and Radocinski R G . 2014 . Landsat-8 thermal infrared sensor (TIRS) vicarious radiometric calibration . Remote Sensing , 6 ( 11 ): 11607 - 11626 [ DOI: 10.3390/rs61111607 http://dx.doi.org/10.3390/rs61111607 ] Landsat-8 thermal infrared sensor (TIRS) vicarious radiometric calibration Bendib A , Dridi H and Kalla M I . 2017 . Contribution of Landsat 8 data for the estimation of land surface temperature in Batna city, Eastern Algeria . Geocarto International , 32 ( 5 ): 503 - 513 [ DOI: 10.1080/10106049.2016.1156167 http://dx.doi.org/10.1080/10106049.2016.1156167 ] Contribution of Landsat 8 data for the estimation of land surface temperature in Batna city, Eastern Algeria Cao B , Guo M Z , Fan W J , Xu X R , Peng J J , Ren H Z , Du Y M , Li H , Bian Z J , Hu T , Xiao Q and Liu Q H . 2018 . A new directional canopy emissivity model based on spectral invariants . IEEE Transactions on Geoscience and Remote Sensing , 56 ( 12 ): 6911 - 6926 [ DOI: 10.1109/TGRS.2018.2845678 http://dx.doi.org/10.1109/TGRS.2018.2845678 ] A new directional canopy emissivity model based on spectral invariants Cao B , Liu Q H , Du Y M , Roujean J L , Gastellu-Etchegorry J P , Trigo I F , Zhan W F , Yu Y Y , Cheng J , Jacob F , Lagouarde J P , Bian Z J , Li H , Hu T and Xiao Q . 2019 . A review of earth surface thermal radiation directionality observing and modeling: historical development, current status and perspectives . Remote Sensing of Environment , 232 : 111304 [ DOI: 10.1016/j.rse.2019.111304 http://dx.doi.org/10.1016/j.rse.2019.111304 ] A review of earth surface thermal radiation directionality observing and modeling: historical development, current status and perspectives Chatterjee R S , Singh N , Thapa S , Sharma D and Kumar D . 2017 . Retrieval of land surface temperature (LST) from landsat TM6 and TIRS data by single channel radiative transfer algorithm using satellite and ground-based inputs . International Journal of Applied Earth Observation and Geoinformation , 58 : 264 - 277 [ DOI: 10.1016/j.jag.2017.02.017 http://dx.doi.org/10.1016/j.jag.2017.02.017 ] Retrieval of land surface temperature (LST) from landsat TM6 and TIRS data by single channel radiative transfer algorithm using satellite and ground-based inputs Chen F , Yang S , Su Z and Wang K . 2016 . Effect of emissivity uncertainty on surface temperature retrieval over urban areas: investigations based on spectral libraries . ISPRS Journal of Photogrammetry and Remote Sensing , 114 : 53 - 65 [ DOI: 10.1016/j.isprsjprs.2016.01.007 http://dx.doi.org/10.1016/j.isprsjprs.2016.01.007 ] Effect of emissivity uncertainty on surface temperature retrieval over urban areas: investigations based on spectral libraries Coll C , Caselles V , Valor E and Niclòs R . 2012 . Comparison between different sources of atmospheric profiles for land surface temperature retrieval from single channel thermal infrared data . Remote Sensing of Environment , 117 : 199 - 210 [ DOI: 10.1016/j.rse.2011.09.018 http://dx.doi.org/10.1016/j.rse.2011.09.018 ] Comparison between different sources of atmospheric profiles for land surface temperature retrieval from single channel thermal infrared data Coll C , Galve J M , Sanchez J M and Caselles V . 2010 . Validation of Landsat-7/ETM+ Thermal-band calibration and atmospheric correction with ground-based measurements . IEEE Transactions on Geoscience and Remote Sensing , 48 ( 1 ): 547 - 555 [ DOI: 10.1109/TGRS.2009.2024934 http://dx.doi.org/10.1109/TGRS.2009.2024934 ] Validation of Landsat-7/ETM+ Thermal-band calibration and atmospheric correction with ground-based measurements Coll C , Wan Z M and Galve J M . 2009 . Temperature-based and radiance-based validations of the V5 MODIS land surface temperature product . Journal of Geophysical Research : Atmospheres , 114 : D 20102 [ DOI: 10.1029/2009JD012038 http://dx.doi.org/10.1029/2009JD012038 ] Temperature-based and radiance-based validations of the V5 MODIS land surface temperature product Cristóbal J , Jiménez-Muñoz J C , Prakash A , Mattar C , Skoković D and Sobrino J A . 2018 . An improved single-channel method to retrieve land surface temperature from the Landsat-8 thermal band . Remote Sensing , 10 ( 3 ): 431 [ DOI: 10.3390/rs10030431 http://dx.doi.org/10.3390/rs10030431 ] An improved single-channel method to retrieve land surface temperature from the Landsat-8 thermal band Cristóbal J , Jiménez-Muñoz J C , Sobrino J A , Ninyerola M and Pons X . 2009 . Improvements in land surface temperature retrieval from the Landsat series thermal band using water vapor and air temperature . Journal of Geophysical Research : Atmospheres , 114 ( D8 ): D 08103 [ DOI: 10.1029/2008JD010616 http://dx.doi.org/10.1029/2008JD010616 ] Improvements in land surface temperature retrieval from the Landsat series thermal band using water vapor and air temperature Cui S C , Zhou K F and Zhao J . 2016 . Land surface temperature retrieval from Landsat-8 data . Remote Sensing Information , 31 ( 6 ): 15 - 21 Land surface temperature retrieval from Landsat-8 data 崔世超 , 周可法 , 赵杰 . 2016 . 陆地资源卫星数据地表温度反演 . 遥感信息 , 31 ( 6 ): 15- 21 [ DOI: 10.3969/j.issn.1000-3177.2016.06.003 http://dx.doi.org/10.3969/j.issn.1000-3177.2016.06.003 ] 陆地资源卫星数据地表温度反演 Dang T , Yue P , Bachofer F , Wang M and Zhang M D . 2020 . Monitoring land surface temperature change with Landsat images during dry seasons in Bac Binh, Vietnam . Remote Sensing , 12 ( 24 ): 4067 [ DOI: 10.3390/rs12244067 http://dx.doi.org/10.3390/rs12244067 ] Monitoring land surface temperature change with Landsat images during dry seasons in Bac Binh, Vietnam Dash P , Göttsche F M , Olesen F S and Fischer H . 2002 . Land surface temperature and emissivity estimation from passive sensor data: theory and practice-current trends . International Journal of Remote Sensing , 23 ( 13 ): 2563 - 2594 [ DOI: 10.1080/01431160110115041 http://dx.doi.org/10.1080/01431160110115041 ] Land surface temperature and emissivity estimation from passive sensor data: theory and practice-current trends Dhar R B , Chakraborty S , Chattopadhyay R and Sikdar P K . 2019 . Impact of land-use/land-cover change on land surface temperature using satellite data: a case study of Rajarhat block, north 24-Parganas district, west Bengal . Journal of the Indian Society of Remote Sensing , 47 ( 2 ): 331 - 348 [ DOI: 10.1007/s12524-019-00939-1 http://dx.doi.org/10.1007/s12524-019-00939-1 ] Impact of land-use/land-cover change on land surface temperature using satellite data: a case study of Rajarhat block, north 24-Parganas district, west Bengal Ding F and Xu H Q . 2006 . Comparison of two new algorithms for retrieving land surface temperature from Landsat TM thermal band . Geo-Information Science , 8 ( 3 ): 125 - 130 Comparison of two new algorithms for retrieving land surface temperature from Landsat TM thermal band 丁凤 , 徐涵秋 . 2006 . TM热波段图像的地表温度反演算法与实验分析 . 地球信息科学 , 8 ( 3 ): 125- 130 [ DOI: 10.3969/j.issn.1560-8999.2006.03.025 http://dx.doi.org/10.3969/j.issn.1560-8999.2006.03.025 ] TM热波段图像的地表温度反演算法与实验分析 Du C , Ren H Z , Qin Q M , Meng J J and Zhao S H . 2015 . A practical split-window algorithm for estimating land surface temperature from Landsat 8 data . Remote Sensing , 7 ( 1 ): 647 - 665 [ DOI: 10.3390/rs70100647 http://dx.doi.org/10.3390/rs70100647 ] A practical split-window algorithm for estimating land surface temperature from Landsat 8 data Du J , Zhang B , Song K S , Wang Z M , Zeng L H , Jin C , Huang N and Jiang G J . 2009 . A comparative study on estimated surface temperature based on Landsat 5-TM in the Honghe wet land . Remote Sensing Technology and Application , 24 ( 3 ): 312 - 319 A comparative study on estimated surface temperature based on Landsat 5-TM in the Honghe wet land 杜嘉 , 张柏 , 宋开山 , 王宗明 , 曾丽红 , 金翠 , 黄妮 , 姜广甲 . 2009 . 基于Landsat 5-TM的洪河湿地地表温度估算方法对比研究 . 遥感技术与应用 , 24 ( 3 ): 312 - 319 基于Landsat 5-TM的洪河湿地地表温度估算方法对比研究 Duan S B , Li Z L , Cheng J and Leng P . 2017 . Cross-satellite comparison of operational land surface temperature products derived from MODIS and ASTER data over bare soil surfaces . ISPRS Journal of Photogrammetry and Remote Sensing , 126 : 1 - 10 [ DOI: 10.1016/j.isprsjprs.2017.02.003 http://dx.doi.org/10.1016/j.isprsjprs.2017.02.003 ] Cross-satellite comparison of operational land surface temperature products derived from MODIS and ASTER data over bare soil surfaces Duan S B , Li Z L , Li H , Göttsche F M , Wu H , Zhao W , Leng P , Zhang X and Coll C . 2019a . Validation of Collection 6 MODIS land surface temperature product using in situ measurements . Remote Sensing of Environment , 225 : 16 - 29 [ DOI: 10.1016/j.rse.2019.02.020 http://dx.doi.org/10.1016/j.rse.2019.02.020 ] Validation of Collection 6 MODIS land surface temperature product using in situ measurements Duan S B , Li Z L , Gao C X , Zhao W , Wu H , Qian Y G , Leng P and Gao M F . 2020 . Influence of adjacency effect on high-spatial-resolution thermal infrared imagery: implication for radiative transfer simulation and land surface temperature retrieval . Remote Sensing of Environment , 245 : 111852 [ DOI: 10.1016/j.rse.2020.111852 http://dx.doi.org/10.1016/j.rse.2020.111852 ] Influence of adjacency effect on high-spatial-resolution thermal infrared imagery: implication for radiative transfer simulation and land surface temperature retrieval Duan S B , Li Z L , Wang C G , Zhang S T , Tang B H , Leng P and Gao M F . 2019b . Land-surface temperature retrieval from Landsat 8 single-channel thermal infrared data in combination with NCEP reanalysis data and ASTER GED product . International Journal of Remote Sensing , 40 ( 5/6 ): 1763 - 1778 [ DOI: 10.1080/01431161.2018.1460513 http://dx.doi.org/10.1080/01431161.2018.1460513 ] Land-surface temperature retrieval from Landsat 8 single-channel thermal infrared data in combination with NCEP reanalysis data and ASTER GED product Duan S B , Li Z L , Zhao W , Wu P H , Huang C , Han X J , Gao M F , Leng P and Shang G F . 2021 . Validation of Landsat land surface temperature product in the conterminous United States using in situ measurements from SURFRAD, ARM, and NDBC sites . International Journal of Digital Earth , 14 ( 5 ): 640 - 660 [ DOI: 10.1080/17538947.2020.1862319 http://dx.doi.org/10.1080/17538947.2020.1862319 ] Validation of Landsat land surface temperature product in the conterminous United States using in situ measurements from SURFRAD, ARM, and NDBC sites Dwyer J L , Roy D P , Sauer B , Jenkerson C B , Zhang H K and Lymburner L . 2018 . Analysis ready data: enabling analysis of the landsat archive . Remote Sensing , 10 ( 9 ): 1363 [ DOI: 10.3390/rs10091363 http://dx.doi.org/10.3390/rs10091363 ] Analysis ready data: enabling analysis of the landsat archive Ermida S L , Soares P , Mantas V , Göttsche F M and Trigo I F . 2020 . Google earth engine open-source code for land surface temperature estimation from the landsat series . Remote Sensing , 12 ( 9 ): 1471 [ DOI: 10.3390/rs12091471 http://dx.doi.org/10.3390/rs12091471 ] Google earth engine open-source code for land surface temperature estimation from the landsat series Fu P and Weng Q H . 2015 . Temporal dynamics of land surface temperature from Landsat TIR time series images . IEEE Geoscience and Remote Sensing Letters , 12 ( 10 ): 2175 - 2179 [ DOI: 10.1109/LGRS.2015.2455019 http://dx.doi.org/10.1109/LGRS.2015.2455019 ] Temporal dynamics of land surface temperature from Landsat TIR time series images Fu P and Weng Q H . 2016a . Consistent land surface temperature data generation from irregularly spaced Landsat imagery . Remote Sensing of Environment , 184 : 175 - 187 [ DOI: 10.1016/j.rse.2016.06.019 http://dx.doi.org/10.1016/j.rse.2016.06.019 ] Consistent land surface temperature data generation from irregularly spaced Landsat imagery Fu P and Weng Q H . 2016b . A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery . Remote Sensing of Environment , 175 : 205 - 214 [ DOI: 10.1016/j.rse.2015.12.040 http://dx.doi.org/10.1016/j.rse.2015.12.040 ] A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery Fu P and Weng Q H . 2018 . Variability in annual temperature cycle in the urban areas of the United States as revealed by MODIS imagery . ISPRS Journal of Photogrammetry and Remote Sensing , 146 : 65 - 73 [ DOI: 10.1016/j.isprsjprs.2018.09.003 http://dx.doi.org/10.1016/j.isprsjprs.2018.09.003 ] Variability in annual temperature cycle in the urban areas of the United States as revealed by MODIS imagery Galve J M , Sánchez J M , Coll C and Villodre J . 2018 . A new single-band pixel-by-pixel atmospheric correction method to improve the accuracy in remote sensing estimates of LST . Application to Landsat 7 -ETM+. Remote Sensing, 10 ( 6 ): 826 [ DOI: 10.3390/rs10060826 http://dx.doi.org/10.3390/rs10060826 ] A new single-band pixel-by-pixel atmospheric correction method to improve the accuracy in remote sensing estimates of LST Gao F , Masek J , Schwaller M and Hall F . 2006 . On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance . IEEE Transactions on Geoscience and Remote Sensing , 44 ( 8 ): 2207 - 2218 [ DOI: 10.1109/TGRS.2006.872081 http://dx.doi.org/10.1109/TGRS.2006.872081 ] On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance García-Santos V , Cuxart J , Martínez-Villagrasa D , Jiménez A M and Simó G . 2018 . Comparison of three methods for estimating land surface temperature from Landsat 8-TIRS sensor data . Remote Sensing , 10 ( 9 ): 1450 [ DOI: 10.3390/rs10091450 http://dx.doi.org/10.3390/rs10091450 ] Comparison of three methods for estimating land surface temperature from Landsat 8-TIRS sensor data Gemitzi A , Dalampakis P and Falalakis G . 2021 . Detecting geothermal anomalies using Landsat 8 thermal infrared remotely sensed data . International Journal of Applied Earth Observation and Geoinformation , 96 : 102283 [ DOI: 10.1016/j.jag.2020.102283 http://dx.doi.org/10.1016/j.jag.2020.102283 ] Detecting geothermal anomalies using Landsat 8 thermal infrared remotely sensed data Gerace A and Montanaro M . 2017 . Derivation and validation of the stray light correction algorithm for the thermal infrared sensor onboard Landsat 8 . Remote Sensing of Environment , 191 : 246 - 257 [ DOI: 10.1016/j.rse.2017.01.029 http://dx.doi.org/10.1016/j.rse.2017.01.029 ] Derivation and validation of the stray light correction algorithm for the thermal infrared sensor onboard Landsat 8 Gillespie A , Rokugawa S , Matsunaga T , Cothern J S , Hook S and Kahle A B . 1998 . A temperature and emissivity separation algorithm for Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) images . IEEE Transactions on Geoscience and Remote Sensing , 36 ( 4 ): 1113 - 1126 [ DOI: 10.1109/36.700995 http://dx.doi.org/10.1109/36.700995 ] A temperature and emissivity separation algorithm for Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) images Guha S , Govil H , Dey A and Gill N . 2018 . Analytical study of land surface temperature with NDVI and NDBI using Landsat 8 OLI and TIRS data in Florence and Naples city, Italy . European Journal of Remote Sensing , 51 ( 1 ): 667 - 678 [ DOI: 10.1080/22797254.2018.1474494 http://dx.doi.org/10.1080/22797254.2018.1474494 ] Analytical study of land surface temperature with NDVI and NDBI using Landsat 8 OLI and TIRS data in Florence and Naples city, Italy Guha S , Govil H and Diwan P . 2019 . Analytical study of seasonal variability in land surface temperature with normalized difference vegetation index, normalized difference water index, normalized difference built-up index, and normalized multiband drought index . Journal of Applied Remote Sensing , 13 ( 2 ): 024518 [ DOI: 10.1117/1.JRS.13.024518 http://dx.doi.org/10.1117/1.JRS.13.024518 ] Analytical study of seasonal variability in land surface temperature with normalized difference vegetation index, normalized difference water index, normalized difference built-up index, and normalized multiband drought index Guo J X , Ren H Z , Zheng Y T , Lu S Z and Dong J J . 2020 . Evaluation of land surface temperature retrieval from Landsat 8/TIRS images before and after stray light correction using the SURFRAD dataset . Remote Sensing , 12 ( 6 ): 1023 [ DOI: 10.3390/rs12061023 http://dx.doi.org/10.3390/rs12061023 ] Evaluation of land surface temperature retrieval from Landsat 8/TIRS images before and after stray light correction using the SURFRAD dataset Hais M and Kučera T . 2009 . The influence of topography on the forest surface temperature retrieved from Landsat TM, ETM + and ASTER thermal channels . ISPRS Journal of Photogrammetry and Remote Sensing , 64 ( 6 ): 585 - 591 [ DOI: 10.1016/j.isprsjprs.2009.04.003 http://dx.doi.org/10.1016/j.isprsjprs.2009.04.003 ] The influence of topography on the forest surface temperature retrieved from Landsat TM, ETM + and ASTER thermal channels He G J , Zhang Z M , Jiao W L , Long T F , Peng Y , Wang G Z , Yin R Y , Wang W , Zhang X M , Liu H C , Cheng B and Xiang B . 2018 . Generation of ready to use (RTU) products over China based on Landsat series data . Big Earth Data , 2 ( 1 ): 56 - 64 [ DOI: 10.1080/20964471.2018.1433370 http://dx.doi.org/10.1080/20964471.2018.1433370 ] Generation of ready to use (RTU) products over China based on Landsat series data Hofierka J , Gallay M , Onačillová K and Hofierka J . 2020 . Physically-based land surface temperature modeling in urban areas using a 3-D city model and multispectral satellite data . Urban Climate , 31 : 100566 [ DOI: 10.1016/j.uclim.2019.100566 http://dx.doi.org/10.1016/j.uclim.2019.100566 ] Physically-based land surface temperature modeling in urban areas using a 3-D city model and multispectral satellite data Hu D Y , Qiao K , Wang X L , Zhao L M and Ji G H . 2015 . Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm . Journal of Remote Sensing , 19 ( 6 ): 964 - 976 Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm 胡德勇 , 乔琨 , 王兴玲 , 赵利民 , 季国华 . 2015 . 单窗算法结合Landsat8热红外数据反演地表温度 . 遥感学报 , 19 ( 6 ): 964- 976 [ DOI: 10.11834/jrs.20155038 http://dx.doi.org/10.11834/jrs.20155038 ] 单窗算法结合Landsat8热红外数据反演地表温度 Hu D Y , Qiao K , Wang X L , Zhao L M and Ji G H . 2017 . Comparison of three single-window algorithms for retrieving land-surface temperature with Landsat 8 TIRS data . Geomatics and Information Science of Wuhan University , 42 ( 7 ): 869 - 876 Comparison of three single-window algorithms for retrieving land-surface temperature with Landsat 8 TIRS data 胡德勇 , 乔琨 , 王兴玲 , 赵利民 , 季国华 . 2017 . 利用单窗算法反演Landsat 8 TIRS数据地表温度 . 武汉大学学报 , 42 ( 7 ): 869- 876 [ DOI: 10.13203/j.whugis20150164 http://dx.doi.org/10.13203/j.whugis20150164 ] 利用单窗算法反演Landsat 8 TIRS数据地表温度 Hu G T , Wang G and Yang C J . 2017 . Analysis of green landscape distribution and thermal environment of Yangjiang City . Remote Sensing Information , 32 ( 2 ): 156 - 161 Analysis of green landscape distribution and thermal environment of Yangjiang City 胡光庭 , 王刚 , 杨崇俊 . 2017 . 阳江市绿地空间分布及其热环境分析 . 遥感信息 , 32 ( 2 ): 156- 161 [ DOI: 10.3969/j.issn.1000-3177.2017.02.023 http://dx.doi.org/10.3969/j.issn.1000-3177.2017.02.023 ] 阳江市绿地空间分布及其热环境分析 Hulley G C and Hook S J . 2011 . Generating consistent land surface temperature and emissivity products between ASTER and MODIS data for earth science research . IEEE Transactions on Geoscience and Remote Sensing , 49 ( 4 ): 1304 - 1315 [ DOI: 10.1109/TGRS.2010.2063034 http://dx.doi.org/10.1109/TGRS.2010.2063034 ] Generating consistent land surface temperature and emissivity products between ASTER and MODIS data for earth science research Januar T W , Lin T H , Huang C Y and Chang K E . 2020 . Modifying an image fusion approach for high spatiotemporal LST retrieval in surface dryness and evapotranspiration estimations . Remote Sensing , 12 ( 3 ): 498 [ DOI: 10.3390/rs12030498 http://dx.doi.org/10.3390/rs12030498 ] Modifying an image fusion approach for high spatiotemporal LST retrieval in surface dryness and evapotranspiration estimations Jiang D L , Kuang H H , Cao X F , Huang Y and Li F R . 2015 . Study of land surface temperature retrieval based on Landsat 8 – with the sample of Dianchi Lake Basin . Remote Sensing Technology and Application , 30 ( 3 ): 448 - 454 Study of land surface temperature retrieval based on Landsat 8 – with the sample of Dianchi Lake Basin 蒋大林 , 匡鸿海 , 曹晓峰 , 黄艺 , 李发荣 . 2015 . 基于Landsat8的地表温度反演算法研究——以滇池流域为例 . 遥感技术与应用 , 30 ( 3 ): 448- 454 [ DOI: 10.11873/j.issn.1004-0323.2015.3.0448 http://dx.doi.org/10.11873/j.issn.1004-0323.2015.3.0448 ] 基于Landsat8的地表温度反演算法研究——以滇池流域为例 Jiang W G , Jia K , Chen Z , Deng Y and Rao P Z . 2017 . Using spatiotemporal remote sensing data to assess the status and effectiveness of the underground coal fire suppression efforts during 2000-2015 in Wuda, China . Journal of Cleaner Production , 142 : 565 - 577 [ DOI: 10.1016/j.jclepro.2016.03.082 http://dx.doi.org/10.1016/j.jclepro.2016.03.082 ] Using spatiotemporal remote sensing data to assess the status and effectiveness of the underground coal fire suppression efforts during 2000-2015 in Wuda, China Jiao Z H , Yan G J , Zhao J , Wang T X and Chen L . 2015 . Estimation of surface upward longwave radiation from MODIS and VIIRS clear-sky data in the Tibetan Plateau . Remote Sensing of Environment , 162 : 221 - 237 [ DOI: 10.1016/j.rse.2015.02.021 http://dx.doi.org/10.1016/j.rse.2015.02.021 ] Estimation of surface upward longwave radiation from MODIS and VIIRS clear-sky data in the Tibetan Plateau Jiménez-Muñoz J C , Cristóbal J , Sobrino J A , Sòria G , Ninyerola M and Pons X . 2009 . Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data . IEEE Transactions on Geoscience and Remote Sensing , 47 ( 1 ): 339 - 349 [ DOI: 10.1109/TGRS.2008.2007125 http://dx.doi.org/10.1109/TGRS.2008.2007125 ] Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data Jiménez-Muñoz J C and Sobrino J A . 2003 . A generalized single-channel method for retrieving land surface temperature from remote sensing data . Journal of Geophysical Research : Atmospheres , 108 ( D22 ): 4688 [ DOI: 10.1029/2003JD003480 http://dx.doi.org/10.1029/2003JD003480 ] A generalized single-channel method for retrieving land surface temperature from remote sensing data Jiménez-Muñoz J C , Sobrino J A , Skokovic D , Mattar C and Cristóbal J . 2014 . Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data . IEEE Geoscience and Remote Sensing Letters , 11 ( 10 ): 1840 - 1843 [ DOI: 10.1109/LGRS.2014.2312032 http://dx.doi.org/10.1109/LGRS.2014.2312032 ] Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data Jin M J , Li J M , Wang C L and Shang R L . 2015 . A practical split-window algorithm for retrieving land surface temperature from Landsat-8 data and a case study of an urban area in China . Remote Sensing , 7 ( 4 ): 4371 - 4390 [ DOI: 10.3390/rs70404371 http://dx.doi.org/10.3390/rs70404371 ] A practical split-window algorithm for retrieving land surface temperature from Landsat-8 data and a case study of an urban area in China Käfer P S , Rolim S B A , Diaz L R , da Rocha N S , Iglesias M L and Rex F E . 2020 . Comparative analysis of split-window and single-channel algorithms for land surface temperature retrieval of a pseudo-invariant target . Bulletin of Geodetic Sciences , 26 ( 2 ): e2020008 Comparative analysis of split-window and single-channel algorithms for land surface temperature retrieval of a pseudo-invariant target Lai J M , Zhan W F , Huang F , Quan J L , Hu L Q , Gao L and Ju W M . 2018 . Does quality control matter? Surface urban heat island intensity variations estimated by satellite-derived land surface temperature products. ISPRS Journal of Photogrammetry and Remote Sensing , 139 : 212 - 227 [ DOI: 10.1016/j.isprsjprs.2018.03.012 http://dx.doi.org/10.1016/j.isprsjprs.2018.03.012 ] Does quality control matter? Laraby K G and Schott J R . 2018 . Uncertainty estimation method and Landsat 7 global validation for the Landsat surface temperature product . Remote Sensing of Environment , 216 : 472 - 481 [ DOI: 10.1016/j.rse.2018.06.026 http://dx.doi.org/10.1016/j.rse.2018.06.026 ] Uncertainty estimation method and Landsat 7 global validation for the Landsat surface temperature product Li F Q , Jackson T J , Kustas W P , Schmugge T J , French A N , Cosh M H and Bindlish R . 2004 . Deriving land surface temperature from Landsat 5 and 7 during SMEX02/SMACEX . Remote Sensing of Environment , 92 ( 4 ): 521 - 534 [ DOI: 10.1016/j.rse.2004.02.018 http://dx.doi.org/10.1016/j.rse.2004.02.018 ] Deriving land surface temperature from Landsat 5 and 7 during SMEX02/SMACEX Li S M , Yu Y Y , Sun D L , Tarpley D , Zhan X W and Chiu L . 2014 . Evaluation of 10 year AQUA/MODIS land surface temperature with surfrad observations . International Journal of Remote Sensing , 35 ( 3 ): 830 - 856 [ DOI: 10.1080/01431161.2013.873149 http://dx.doi.org/10.1080/01431161.2013.873149 ] Evaluation of 10 year AQUA/MODIS land surface temperature with surfrad observations Li S S and Jiang G M . 2018 . Land surface temperature retrieval from Landsat-8 Data with the generalized split-window algorithm . IEEE Access , 6 : 18149 - 18162 [ DOI: 10.1109/ACCESS.2018.2818741 http://dx.doi.org/10.1109/ACCESS.2018.2818741 ] Land surface temperature retrieval from Landsat-8 Data with the generalized split-window algorithm Li T Y and Meng Q M . 2018 . A mixture emissivity analysis method for urban land surface temperature retrieval from Landsat 8 data . Landscape and Urban Planning , 179 : 63 - 71 [ DOI: 10.1016/j.landurbplan.2018.07.010 http://dx.doi.org/10.1016/j.landurbplan.2018.07.010 ] A mixture emissivity analysis method for urban land surface temperature retrieval from Landsat 8 data Li X and Strahler A H . 1992 . Geometric-optical bidirectional reflectance modeling of the discrete crown vegetation canopy: effect of crown shape and mutual shadowing . IEEE Transactions on Geoscience and Remote Sensing , 30 ( 2 ): 276 - 292 [ DOI: 10.1109/36.134078 http://dx.doi.org/10.1109/36.134078 ] Geometric-optical bidirectional reflectance modeling of the discrete crown vegetation canopy: effect of crown shape and mutual shadowing Li X M , Zhou W Q , Ouyang Z Y , Xu W H and Zheng H . 2012a . Spatial pattern of greenspace affects land surface temperature: evidence from the heavily urbanized Beijing metropolitan area, China . Landscape Ecology , 27 : 887 - 898 [ DOI: 10.1007/s10980-012-9731-6 http://dx.doi.org/10.1007/s10980-012-9731-6 ] Spatial pattern of greenspace affects land surface temperature: evidence from the heavily urbanized Beijing metropolitan area, China Li Y Y , Zhang H and Kainz W . 2012b . Monitoring patterns of urban heat islands of the fast-growing Shanghai metropolis, China: using time-series of Landsat TM/ETM+ data . International Journal of Applied Earth Observation and Geoinformation , 19 : 127 - 138 [ DOI: 10.1016/j.jag.2012.05.001 http://dx.doi.org/10.1016/j.jag.2012.05.001 ] Monitoring patterns of urban heat islands of the fast-growing Shanghai metropolis, China: using time-series of Landsat TM/ETM+ data Li Z L , Jia L , Su Z B , Wan Z M and Zhang R H . 2003 . A new approach for retrieving precipitable water from ATSR2 split-window channel data over land area . International Journal of Remote Sensing , 24 ( 24 ): 5095 - 5117 [ DOI: 10.1080/0143116031000096014 http://dx.doi.org/10.1080/0143116031000096014 ] A new approach for retrieving precipitable water from ATSR2 split-window channel data over land area Li Z L , Tang B H , Wu H , Ren H Z , Yan G J , Wan Z M , Trigo I F and Sobrino J A . 2013 . Satellite-derived land surface temperature: current status and perspectives . Remote Sensing of Environment , 131 : 14 - 37 [ DOI: 10.1016/j.rse.2012.12.008 http://dx.doi.org/10.1016/j.rse.2012.12.008 ] Satellite-derived land surface temperature: current status and perspectives Liu H and Weng Q H . 2012 . Enhancing temporal resolution of satellite imagery for public health studies: a case study of West Nile Virus outbreak in Los Angeles in 2007 . Remote Sensing of Environment , 117 : 57 - 71 [ DOI: 10.1016/j.rse.2011.06.023 http://dx.doi.org/10.1016/j.rse.2011.06.023 ] Enhancing temporal resolution of satellite imagery for public health studies: a case study of West Nile Virus outbreak in Los Angeles in 2007 Liu L Y , Zhang X , Gao Y , Chen X D , Shuai X and Mi J . 2021 . Finer-resolution mapping of global land cover: recent developments, consistency analysis, and prospects . Journal of Remote Sensing , 2021 : 5289697 [ DOI: 10.34133/2021/5289697 http://dx.doi.org/10.34133/2021/5289697 ] Finer-resolution mapping of global land cover: recent developments, consistency analysis, and prospects Liu Z H , Zhan W F , Lai J M , Hong F L , Quan J L , Bechtel B , Huang F and Zou Z X . 2019 . Balancing prediction accuracy and generalization ability: a hybrid framework for modelling the annual dynamics of satellite-derived land surface temperatures . ISPRS Journal of Photogrammetry and Remote Sensing , 151 : 189 - 206 [ DOI: 10.1016/j.isprsjprs.2019.03.013 http://dx.doi.org/10.1016/j.isprsjprs.2019.03.013 ] Balancing prediction accuracy and generalization ability: a hybrid framework for modelling the annual dynamics of satellite-derived land surface temperatures Lu D S and Weng Q H . 2006 . Use of impervious surface in urban land-use classification . Remote Sensing of Environment , 102 ( 1/2 ): 146 - 160 [ DOI: 10.1016/j.rse.2006.02.010 http://dx.doi.org/10.1016/j.rse.2006.02.010 ] Use of impervious surface in urban land-use classification Lu L L , Weng Q H , Xiao D , Guo H D , Li Q T and Hui W H . 2020 . Spatiotemporal variation of surface urban heat islands in relation to land cover composition and configuration: a multi-scale case study of Xi’an, China . Remote Sensing , 12 ( 17 ): 2713 [ DOI: 10.3390/rs12172713 http://dx.doi.org/10.3390/rs12172713 ] Spatiotemporal variation of surface urban heat islands in relation to land cover composition and configuration: a multi-scale case study of Xi’an, China Ma Y F , Liu S M , Song L S , Xu Z W , Liu Y L , Xu T R and Zhu Z L . 2018 . Estimation of daily evapotranspiration and irrigation water efficiency at a Landsat-like scale for an arid irrigation area using multi-source remote sensing data . Remote Sensing of Environment , 216 : 715 - 734 [ DOI: 10.1016/j.rse.2018.07.019 http://dx.doi.org/10.1016/j.rse.2018.07.019 ] Estimation of daily evapotranspiration and irrigation water efficiency at a Landsat-like scale for an arid irrigation area using multi-source remote sensing data Mahato S and Pal S . 2019 . Influence of land surface parameters on the spatio-seasonal land surface temperature regime in rural West Bengal, India . Advances in Space Research , 63 ( 1 ): 172 - 189 [ DOI: 10.1016/j.asr.2018.09.014 http://dx.doi.org/10.1016/j.asr.2018.09.014 ] Influence of land surface parameters on the spatio-seasonal land surface temperature regime in rural West Bengal, India Maimaitiyiming M , Ghulam A , Tiyip T , Pla F , Latorre-Carmona P , Halik Ü , Sawut M and Caetano M . 2014 . Effects of green space spatial pattern on land surface temperature: implications for sustainable urban planning and climate change adaptation . ISPRS Journal of Photogrammetry and Remote Sensing , 89 : 59 - 66 [ DOI: 10.1016/j.isprsjprs.2013.12.010 http://dx.doi.org/10.1016/j.isprsjprs.2013.12.010 ] Effects of green space spatial pattern on land surface temperature: implications for sustainable urban planning and climate change adaptation Malakar N K , Hulley G C , Hook S J , Laraby K , Cook M and Schott J R . 2018 . An operational land surface temperature product for Landsat thermal data: methodology and Validation . IEEE Transactions on Geoscience and Remote Sensing , 56 ( 10 ): 5717 - 5735 [ DOI: 10.1109/TGRS.2018.2824828 http://dx.doi.org/10.1109/TGRS.2018.2824828 ] An operational land surface temperature product for Landsat thermal data: methodology and Validation Mallick J , Singh C K , Shashtri S , Rahman A and Mukherjee S . 2012 . Land surface emissivity retrieval based on moisture index from LANDSAT TM satellite data over heterogeneous surfaces of Delhi city . International Journal of Applied Earth Observation and Geoinformation , 19 : 348 - 358 [ DOI: 10.1016/j.jag.2012.06.002 http://dx.doi.org/10.1016/j.jag.2012.06.002 ] Land surface emissivity retrieval based on moisture index from LANDSAT TM satellite data over heterogeneous surfaces of Delhi city Mao K B , Tang H J , Chen Z X , Qiu Y B , Qin Z H and Li M C . 2006 . A split-window algorithm for retrieving land-surface temperature from ASTER data . Remote Sensing Information , ( 5 ): 7 - 11 A split-window algorithm for retrieving land-surface temperature from ASTER data 毛克彪 , 唐华俊 , 陈仲新 , 邱玉宝 , 覃志豪 , 李满春 . 2006 . 一个从ASTER数据中反演地表温度的劈窗算法. 遥感信息, (5): 7 - 11 [DOI: 10.3969/j.issn.1000-3177.2006.05.004] 一个从ASTER数据中反演地表温度的劈窗算法. 遥感信息, (5): Mbuh M J , Wheeler R and Cook A . 2021 . Spatiotemporal analysis of urban heat island intensification in the city of Minneapolis-St . Paul and Chicago metropolitan areas using Landsat data from 1984 to 2016. Geocarto International, 36 ( 14 ): 1565 - 1590 . [ DOI: 10.1080/10106049.2019.1655802 http://dx.doi.org/10.1080/10106049.2019.1655802 ] Spatiotemporal analysis of urban heat island intensification in the city of Minneapolis-St McMillin L M . 1975 . Estimation of sea surface temperatures from two infrared window measurements with different absorption . Journal of Geophysical Research , 80 ( 36 ): 5113 - 5117 [ DOI: 10.1029/JC080i036p05113 http://dx.doi.org/10.1029/JC080i036p05113 ] Estimation of sea surface temperatures from two infrared window measurements with different absorption Meng X C and Cheng J . 2018 . Evaluating eight global reanalysis products for atmospheric correction of thermal infrared sensor-application to Landsat 8 TIRS10 data . Remote Sensing , 10 ( 3 ): 474 [ DOI: 10.3390/rs10030474 http://dx.doi.org/10.3390/rs10030474 ] Evaluating eight global reanalysis products for atmospheric correction of thermal infrared sensor-application to Landsat 8 TIRS10 data Meng X C , Li H , Du Y M , Cao B , Liu Q H and Li B . 2018 . Retrieval and validation of the land surface temperature derived from Landsat 8 data: a case study of the Heihe River Basin . Journal of Remote Sensing , 22 ( 5 ): 857 - 871 Retrieval and validation of the land surface temperature derived from Landsat 8 data: a case study of the Heihe River Basin 孟翔晨 , 历华 , 杜永明 , 曹彪 , 柳钦火 , 李彬 . 2018 . Landsat 8地表温度反演及验证——以黑河流域为例 . 遥感学报 , 22 ( 5 ): 857- 871 [ DOI: 10.11834/jrs.20187411 http://dx.doi.org/10.11834/jrs.20187411 ] Landsat 8地表温度反演及验证——以黑河流域为例 Meng X C , Li H , Du Y M , Cao B , Liu Q H , Sun L and Zhu J S . 2016 . Estimating land surface emissivity from ASTER GED products . Journal of Remote Sensing , 20 ( 3 ): 382 - 396 Estimating land surface emissivity from ASTER GED products 孟翔晨 , 历华 , 杜永明 , 曹彪 , 柳钦火 , 孙林 , 朱金山 . 2016 . 基于ASTER GED产品的地表发射率估算 . 遥感学报 , 20 ( 3 ): 382- 396 [ DOI: 10.11834/jrs.20165230 http://dx.doi.org/10.11834/jrs.20165230 ] 基于ASTER GED产品的地表发射率估算 Mercury M , Green R , Hook S , Oaida B , Wu W , Gunderson A and Chodas M . 2012 . Global cloud cover for assessment of optical satellite observation opportunities: a HyspIRI case study . Remote Sensing of Environment , 126 : 62 - 71 [ DOI: 10.1016/j.rse.2012.08.007 http://dx.doi.org/10.1016/j.rse.2012.08.007 ] Global cloud cover for assessment of optical satellite observation opportunities: a HyspIRI case study Mia M B , Fujimitsu Y and Nishijima J . 2018 . Monitoring of thermal activity at the Hatchobaru–Otake geothermal area in Japan using multi-source satellite images—with comparisons of methods, and solar and seasonal effects . Remote Sensing , 10 ( 9 ): 1430 [ DOI: 10.3390/rs10091430 http://dx.doi.org/10.3390/rs10091430 ] Monitoring of thermal activity at the Hatchobaru–Otake geothermal area in Japan using multi-source satellite images—with comparisons of methods, and solar and seasonal effects Mia M B , Nishijima J and Fujimitsu Y . 2015 . Monitoring heat flow before and after eruption of Kuju fumaroles in 1995 using Landsat TIR images . Acta Geodaetica et Geophysica , 50 : 295 - 305 [ DOI: 10.1007/s40328-014-0075-3 http://dx.doi.org/10.1007/s40328-014-0075-3 ] Monitoring heat flow before and after eruption of Kuju fumaroles in 1995 using Landsat TIR images Miller J , Gerace A , Eon R , Montanaro M , Kremens R and Wehle J . 2020 . Low-cost radiometer for Landsat land surface temperature validation . Remote Sensing , 12 ( 3 ): 416 [ DOI: 10.3390/rs12030416 http://dx.doi.org/10.3390/rs12030416 ] Low-cost radiometer for Landsat land surface temperature validation Montanaro M , Gerace A , Lunsford A and Reuter D . 2014 . Stray light artifacts in imagery from the Landsat 8 thermal infrared sensor . Remote Sensing , 6 ( 11 ): 10435 - 10456 [ DOI: 10.3390/rs61110435 http://dx.doi.org/10.3390/rs61110435 ] Stray light artifacts in imagery from the Landsat 8 thermal infrared sensor Montanaro M , Gerace A and Rohrbach S . 2015 . Toward an operational stray light correction for the Landsat 8 thermal infrared sensor . Applied Optics , 54 ( 13 ): 3963 - 3978 [ DOI: 10.1364/AO.54.003963 http://dx.doi.org/10.1364/AO.54.003963 ] Toward an operational stray light correction for the Landsat 8 thermal infrared sensor Neinavaz E , Skidmore A K and Darvishzadeh R . 2020 . Effects of prediction accuracy of the proportion of vegetation cover on land surface emissivity and temperature using the NDVI threshold method . International Journal of Applied Earth Observation and Geoinformation , 85 : 101984 [ DOI: 10.1016/j.jag.2019.101984 http://dx.doi.org/10.1016/j.jag.2019.101984 ] Effects of prediction accuracy of the proportion of vegetation cover on land surface emissivity and temperature using the NDVI threshold method Nill L , Ullmann T , Kneisel C , Sobiech-Wolf J and Baumhauer R . 2019 . Assessing spatiotemporal variations of Landsat land surface temperature and multispectral indices in the Arctic Mackenzie delta region between 1985 and 2018 . Remote Sensing , 11 ( 19 ): 2329 [ DOI: 10.3390/rs11192329 http://dx.doi.org/10.3390/rs11192329 ] Assessing spatiotemporal variations of Landsat land surface temperature and multispectral indices in the Arctic Mackenzie delta region between 1985 and 2018 Parastatidis D , Mitraka Z , Chrysoulakis N and Abrams M . 2017 . Online global land surface temperature estimation from landsat . Remote Sensing , 9 ( 12 ): 1208 [ DOI: 10.3390/rs9121208 http://dx.doi.org/10.3390/rs9121208 ] Online global land surface temperature estimation from landsat Peng X X , Wu W Y , Zheng Y Y , Sun J Y , Hu T G and Wang P . 2020 . Correlation analysis of land surface temperature and topographic elements in Hangzhou, China . Scientific Reports , 10 : 10451 [ DOI: 10.1038/s41598-020-67423-6 http://dx.doi.org/10.1038/s41598-020-67423-6 ] Correlation analysis of land surface temperature and topographic elements in Hangzhou, China Peres L F and DaCamara C C . 2005 . Emissivity maps to retrieve land-surface temperature from MSG/SEVIRI . IEEE Transactions on Geoscience and Remote Sensing , 43 ( 8 ): 1834 - 1844 [ DOI: 10.1109/TGRS.2005.851172 http://dx.doi.org/10.1109/TGRS.2005.851172 ] Emissivity maps to retrieve land-surface temperature from MSG/SEVIRI Qin Q M , Zhang N , Nan P and Chai L L . 2011 . Geothermal area detection using Landsat ETM+ thermal infrared data and its mechanistic analysis-A case study in Tengchong, China . International Journal of Applied Earth Observation and Geoinformation , 13 ( 4 ): 552 - 559 [ DOI: 10.1016/j.jag.2011.02.005 http://dx.doi.org/10.1016/j.jag.2011.02.005 ] Geothermal area detection using Landsat ETM+ thermal infrared data and its mechanistic analysis-A case study in Tengchong, China Qin Z H , Dall’Olmo G , Karnieli A and Berliner P . 2001a . Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data . Journal of Geophysical Research : Atmospheres , 106 ( D19 ): 22655 - 22670 [ DOI: 10.1029/2000JD900452 http://dx.doi.org/10.1029/2000JD900452 ] Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data Qin Z H , Li W J , Xu B , Chen Z X and Liu J . 2004 . The estimation of land surface emissivity for Landsat TM 6. Remote Sensing for Land & Resources, (3): 28- 32 , 36 , 41 The estimation of land surface emissivity for Landsat TM 6. Remote Sensing for Land & Resources, (3): 28- 覃志豪 , 李文娟 , 徐斌 , 陈仲新 , 刘佳 . 2004 . 陆地卫星TM6波段范围内地表比辐射率的估计. 国土资源遥感, (3): 28- 32 , 36 , 41 [ DOI: 10.3969/j.issn.1001-070X.2004.03.007 http://dx.doi.org/10.3969/j.issn.1001-070X.2004.03.007 ] 陆地卫星TM6波段范围内地表比辐射率的估计. 国土资源遥感, (3): 28- Qin Z H , Li W J , Zhang M H , Karnieli A and Berliner P . 2003 . Estimating of the essential atmospheric parameters of mono-window algorithm for land surface temperature retrieval from Landsat TM 6. Remote Sensing for Land & Resources, (2): 37 - 43 Estimating of the essential atmospheric parameters of mono-window algorithm for land surface temperature retrieval from Landsat TM 6. Remote Sensing for Land & Resources, (2): 覃志豪 , 李文娟 , 张明华 , Karnieli A , Berliner P . 2003 . 单窗算法的大气参数估计方法, 国土资源遥感, (2): 37 - 43 [DOI: 10.3969/j.issn.1001-070X.2003.02.010] 单窗算法的大气参数估计方法, 国土资源遥感, (2): Qin Z H , Karnieli A and Berliner P . 2001b . A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region . International Journal of Remote Sensing , 22 ( 8 ): 3719 - 3746 [ DOI: 10.1080/01431160010006971 http://dx.doi.org/10.1080/01431160010006971 ] A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region Qin Z H , Zhang M H , Karnieli A and Berliner P . 2001 . Mono-window algorithm for retrieving land surface temperature from Landsat TM 6 data . Acta Geographica Sinica , 56 ( 4 ): 456 - 466 Mono-window algorithm for retrieving land surface temperature from Landsat TM 6 data 覃志豪 , 张明华 , Karnieli A and Berliner P . 2001 . 用陆地卫星TM6数据演算地表温度的单窗算法 . 地理学报 , 56 ( 4 ): 456- 466 [ DOI: 10.11821/xb200104009 http://dx.doi.org/10.11821/xb200104009 ] 用陆地卫星TM6数据演算地表温度的单窗算法 Quan J L , Zhan W F , Ma T , Du Y Y , Guo Z and Qin B Y . 2018 . An integrated model for generating hourly Landsat-like land surface temperatures over heterogeneous landscapes . Remote Sensing of Environment , 206 : 403 - 423 [ DOI: 10.1016/j.rse.2017.12.003 http://dx.doi.org/10.1016/j.rse.2017.12.003 ] An integrated model for generating hourly Landsat-like land surface temperatures over heterogeneous landscapes Ren H Z , Du C , Liu R Y , Qin Q M , Meng J J , Li Z L and Yan G J . 2014 . Evaluation of radiometric performance for the thermal infrared sensor onboard Landsat 8 . Remote Sensing , 6 ( 12 ): 12776 - 12788 [ DOI: 10.3390/rs61212776 http://dx.doi.org/10.3390/rs61212776 ] Evaluation of radiometric performance for the thermal infrared sensor onboard Landsat 8 Ren H Z , Du C , Liu R Y , Qin Q M , Yan G J , Li Z L and Meng J J . 2015 . Atmospheric water vapor retrieval from Landsat 8 thermal infrared images . Journal of Geophysical Research : Atmospheres , 120 ( 5 ): 1723 - 1738 [ DOI: 10.1002/2014JD022619 http://dx.doi.org/10.1002/2014JD022619 ] Atmospheric water vapor retrieval from Landsat 8 thermal infrared images Ren H Z , Liu R Y , Qin Q M , Fan W J , Yu L and Du C . 2017 . Mapping finer-resolution land surface emissivity using Landsat images in China . Journal of Geophysical Research : Atmospheres , 122 ( 13 ): 6764 - 6781 [ DOI: 10.1002/2017JD026910 http://dx.doi.org/10.1002/2017JD026910 ] Mapping finer-resolution land surface emissivity using Landsat images in China Rodriguez-Galiano V , Pardo-Iguzquiza E , Sanchez-Castillo M , Chica-Olmo M and Chica-Rivas M . 2012 . Downscaling Landsat 7 ETM+ thermal imagery using land surface temperature and NDVI images . International Journal of Applied Earth Observation and Geoinformation , 18 : 515 - 527 [ DOI: 10.1016/j.jag.2011.10.002 http://dx.doi.org/10.1016/j.jag.2011.10.002 ] Downscaling Landsat 7 ETM+ thermal imagery using land surface temperature and NDVI images Rosas J , Houborg R and McCabe M F . 2017 . Sensitivity of Landsat 8 surface temperature estimates to atmospheric profile data: a study using MODTRAN in dryland irrigated systems . Remote Sensing , 9 ( 10 ): 988 [ DOI: 10.3390/rs9100988 http://dx.doi.org/10.3390/rs9100988 ] Sensitivity of Landsat 8 surface temperature estimates to atmospheric profile data: a study using MODTRAN in dryland irrigated systems Roujean J L , Leroy M and Deschamps P Y . 1992 . A bidirectional reflectance model of the Earth’s surface for the correction of remote sensing data . Journal of Geophysics Research : Atmospheres , 97 ( D18 ): 20455 - 20468 [ DOI: 10.1029/92JD01411 http://dx.doi.org/10.1029/92JD01411 ] A bidirectional reflectance model of the Earth’s surface for the correction of remote sensing data Roy S , Pandit S , Eva E A , Bagmar S H , Papia M , Banik L , Dube T , Rahman F and Razi M A . 2020 . Examining the nexus between land surface temperature and urban growth in Chattogram Metropolitan Area of Bangladesh using long term Landsat series data . Urban Climate , 32 : 100593 [ DOI: 10.1016/j.uclim.2020.100593 http://dx.doi.org/10.1016/j.uclim.2020.100593 ] Examining the nexus between land surface temperature and urban growth in Chattogram Metropolitan Area of Bangladesh using long term Landsat series data Rozenstein O , Qin Z H , Derimian Y and Karnieli A . 2014 . Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm . Sensors , 14 ( 4 ): 5768 - 5780 [ DOI: 10.3390/s140405768 http://dx.doi.org/10.3390/s140405768 ] Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm Sajib Q U and Wang T . 2020 . Estimation of land surface temperature in an agricultural region of Bangladesh from Landsat 8: intercomparison of four algorithms . Sensors , 20 ( 6 ): 1778 [ DOI: 10.3390/s20061778 http://dx.doi.org/10.3390/s20061778 ] Estimation of land surface temperature in an agricultural region of Bangladesh from Landsat 8: intercomparison of four algorithms Scarano M and Sobrino J A . 2015 . On the relationship between the sky view factor and the land surface temperature derived by Landsat-8 images in Bari, Italy . International Journal of Remote Sensing , 36 ( 19/20 ): 4820 - 4835 [ DOI: 10.1080/01431161.2015.1070325 http://dx.doi.org/10.1080/01431161.2015.1070325 ] On the relationship between the sky view factor and the land surface temperature derived by Landsat-8 images in Bari, Italy Schaeffer B A , Iiames J , Dwyer J , Urquhart E , Salls W , Rover J and Seegers B . 2018 . An initial validation of Landsat 5 and 7 derived surface water temperature for U.S. lakes, reservoirs, and estuaries . International Journal of Remote Sensing , 39 ( 22 ): 7789 - 7805 [ DOI: 10.1080/01431161.2018.1471545 http://dx.doi.org/10.1080/01431161.2018.1471545 ] An initial validation of Landsat 5 and 7 derived surface water temperature for U.S. lakes, reservoirs, and estuaries Sekertekin A and Arslan N . 2019 . Monitoring thermal anomaly and radiative heat flux using thermal infrared satellite imagery-A case study at Tuzla geothermal region . Geothermics , 78 : 243 - 254 [ DOI: 10.1016/j.geothermics.2018.12.014 http://dx.doi.org/10.1016/j.geothermics.2018.12.014 ] Monitoring thermal anomaly and radiative heat flux using thermal infrared satellite imagery-A case study at Tuzla geothermal region Sekertekin A and Bonafoni S . 2020a . Land surface temperature retrieval from Landsat 5, 7, and 8 over rural areas: assessment of different retrieval algorithms and emissivity models and toolbox implementation . Remote Sensing , 12 ( 2 ): 294 [ DOI: 10.3390/rs12020294 http://dx.doi.org/10.3390/rs12020294 ] Land surface temperature retrieval from Landsat 5, 7, and 8 over rural areas: assessment of different retrieval algorithms and emissivity models and toolbox implementation Sekertekin A and Bonafoni S . 2020b . Sensitivity analysis and validation of daytime and nighttime land surface temperature retrievals from Landsat 8 using different algorithms and emissivity models . Remote Sensing , 12 ( 17 ): 2776 [ DOI: 10.3390/rs12172776 http://dx.doi.org/10.3390/rs12172776 ] Sensitivity analysis and validation of daytime and nighttime land surface temperature retrievals from Landsat 8 using different algorithms and emissivity models Shivers S W , Roberts D A and McFadden J P . 2019 . Using paired thermal and hyperspectral aerial imagery to quantify land surface temperature variability and assess crop stress within California orchards . Remote Sensing of Environment , 222 : 215 - 231 [ DOI: 10.1016/j.rse.2018.12.030 http://dx.doi.org/10.1016/j.rse.2018.12.030 ] Using paired thermal and hyperspectral aerial imagery to quantify land surface temperature variability and assess crop stress within California orchards Skoković D , Sobrino J A and Jiménez-Muñoz J C . 2017 . Vicarious calibration of the Landsat 7 thermal infrared band and LST algorithm validation of the ETM+ instrument using three global atmospheric profiles . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 3 ): 1804 - 1811 [ DOI: 10.1109/TGRS.2016.2633810 http://dx.doi.org/10.1109/TGRS.2016.2633810 ] Vicarious calibration of the Landsat 7 thermal infrared band and LST algorithm validation of the ETM+ instrument using three global atmospheric profiles Snyder W C , Wan Z , Zhang Y and Feng Y Z . 1998 . Classification-based emissivity for land surface temperature measurement from space . International Journal of Remote Sensing , 19 ( 14 ): 2753 - 2774 [ DOI: 10.1080/014311698214497 http://dx.doi.org/10.1080/014311698214497 ] Classification-based emissivity for land surface temperature measurement from space Sobrino J A , Coll C and Caselles V . 1991 . Atmospheric correction for land surface temperature using NOAA-11 AVHRR channels 4 and 5 . Remote Sensing of Environment , 38 ( 1 ): 19 - 34 [ DOI: 10.1016/0034-4257(91)90069-I http://dx.doi.org/10.1016/0034-4257(91)90069-I ] Atmospheric correction for land surface temperature using NOAA-11 AVHRR channels 4 and 5 Sobrino J A and Jiménez-Muñoz J C . 2014 . Minimum configuration of thermal infrared bands for land surface temperature and emissivity estimation in the context of potential future missions . Remote Sensing of Environment , 148 : 158 - 167 [ DOI: 10.1016/j.rse.2014.03.027 http://dx.doi.org/10.1016/j.rse.2014.03.027 ] Minimum configuration of thermal infrared bands for land surface temperature and emissivity estimation in the context of potential future missions Sobrino J A , Jiménez-Muñoz J C and Paolini L . 2004 . Land surface temperature retrieval from Landsat TM 5 . Remote Sensing of Environment , 90 ( 4 ): 434 - 440 [ DOI: 10.1016/j.rse.2004.02.003 http://dx.doi.org/10.1016/j.rse.2004.02.003 ] Land surface temperature retrieval from Landsat TM 5 Sobrino J A , Jiménez-Muñoz J C , Soria G , Romaguera M , Guanter L , Moreno J , Plaza A and Martinez P . 2008 . Land surface emissivity retrieval from different VNIR and TIR sensors . IEEE Transactions on Geoscience and Remote Sensing , 46 ( 2 ): 316 - 327 [ DOI: 10.1109/TGRS.2007.904834 http://dx.doi.org/10.1109/TGRS.2007.904834 ] Land surface emissivity retrieval from different VNIR and TIR sensors Sobrino J A , Li Z L , Stoll M P and Becker F . 1996 . Multi-channel and multi-angle algorithms for estimating sea and land surface temperature with ATSR data . International Journal of Remote Sensing , 17 ( 11 ): 2089 - 2114 [ DOI: 10.1080/01431169608948760 http://dx.doi.org/10.1080/01431169608948760 ] Multi-channel and multi-angle algorithms for estimating sea and land surface temperature with ATSR data Sobrino J A and Raissouni N . 2000 . Toward remote sensing methods for land cover dynamic monitoring: application to Morocco . International Journal of Remote Sensing , 21 ( 2 ): 353 - 366 [ DOI: 10.1080/014311600210876 http://dx.doi.org/10.1080/014311600210876 ] Toward remote sensing methods for land cover dynamic monitoring: application to Morocco Son N T , Chen C F , Chen C R and Recinos L E . 2019 . Multitemporal Landsat-MODIS fusion for cropland drought monitoring in El Salvador . Geocarto International , 34 ( 12 ): 1363 - 1383 [ DOI: 10.1080/10106049.2018.1489421 http://dx.doi.org/10.1080/10106049.2018.1489421 ] Multitemporal Landsat-MODIS fusion for cropland drought monitoring in El Salvador Song L S , Zhao Z Z , Xu J B , Liu S M , Peng K J and Zhao K . 2014 . Improvements in land surface temperature retrieval based on atmospheric water vapour content and atmospheric temperature . International Journal of Remote Sensing , 35 ( 13 ): 4881 - 4904 [ DOI: 10.1080/01431161.2014.930200 http://dx.doi.org/10.1080/01431161.2014.930200 ] Improvements in land surface temperature retrieval based on atmospheric water vapour content and atmospheric temperature Song T , Duan Z , Liu J Z , Shi J Z , Yan F , Sheng S J , Huang J and Wu W . 2015 . Comparison of four algorithms to retrieve land surface temperature using Landsat 8 Satellite . Journal of Remote Sensing , 19 ( 3 ): 451 - 464 Comparison of four algorithms to retrieve land surface temperature using Landsat 8 Satellite 宋挺 , 段峥 , 刘军志 , 石浚哲 , 严飞 , 盛世杰 , 黄君 , 吴蔚 . 2015 . Landsat 8数据地表温度反演算法对比 . 遥感学报 , 19 ( 3 ): 451- 464 [ DOI: 10.11834/jrs.20154180 http://dx.doi.org/10.11834/jrs.20154180 ] Landsat 8数据地表温度反演算法对比 Sun D L and Pinker R T . 2003 . Estimation of land surface temperature from a Geostationary Operational Environmental Satellite (GOES-8) . Journal of Geophysical Research : Atmospheres , 108 : 4326 [ DOI: 10.1029/2002JD002422 http://dx.doi.org/10.1029/2002JD002422 ] Estimation of land surface temperature from a Geostationary Operational Environmental Satellite (GOES-8) Terfa B K , Chen N C , Zhang X and Niyogi D . 2020 . Spatial configuration and extent explains the urban heat mitigation potential due to green spaces: analysis over Addis Ababa, Ethiopia . Remote Sensing , 12 ( 18 ): 2876 [ DOI: 10.3390/rs12182876 http://dx.doi.org/10.3390/rs12182876 ] Spatial configuration and extent explains the urban heat mitigation potential due to green spaces: analysis over Addis Ababa, Ethiopia Urbanski J A , Wochna A , Bubak I , Grzybowski W , Lukawska-matuszewska K , Łącka M , Śliwińska S , Wojtasiewicz B and Zajączkowski M . 2016 . Application of Landsat 8 imagery to regional-scale assessment of lake water quality . International Journal of Applied Earth Observation and Geoinformation , 51 : 28 - 36 [ DOI: 10.1016/j.jag.2016.04.004 http://dx.doi.org/10.1016/j.jag.2016.04.004 ] Application of Landsat 8 imagery to regional-scale assessment of lake water quality USGS . 2013 . Landsat: a global land-imaging mission [EB/OL]. http://pubs.usgs.gov/fs/2012/3072/fs2012-3072.pdf http://pubs.usgs.gov/fs/2012/3072/fs2012-3072.pdf Landsat: a global land-imaging mission USGS . 2018a . Landsat 8 calibration parameter file data format control book [EB/OL]. https://www.usgs.gov/media/files/landsat-8-calibration-parameter-file-data-format-control-book https://www.usgs.gov/media/files/landsat-8-calibration-parameter-file-data-format-control-book Landsat 8 calibration parameter file data format control book USGS . 2018b . Landsat 7 calibration parameter file definition [EB/OL]. https://www.usgs.gov/media/files/landsat-7-calibration-parameter-file-definition https://www.usgs.gov/media/files/landsat-7-calibration-parameter-file-definition Landsat 7 calibration parameter file definition USGS . 2018c . Landsat 4 - 5 TM calibration parameter file definition[EB/OL]. https://www.usgs.gov/media/files/landsat-4-5-TM-calibration-parameter-file-definition https://www.usgs.gov/media/files/landsat-4-5-TM-calibration-parameter-file-definition Landsat Valor E and Caselles V . 1996 . Mapping land surface emissivity from NDVI: application to European, African, and South American areas . Remote Sensing of Environment , 57 ( 3 ): 167 - 184 [ DOI: 10.1016/0034-4257(96)00039-9 http://dx.doi.org/10.1016/0034-4257(96)00039-9 ] Mapping land surface emissivity from NDVI: application to European, African, and South American areas Van de Griend A A and Owe M . 1993 . On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces . International Journal of Remote Sensing , 14 ( 6 ): 1119 - 1131 [ DOI: 10.1080/01431169308904400 http://dx.doi.org/10.1080/01431169308904400 ] On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces Vanhellemont Q . 2020 . Combined land surface emissivity and temperature estimation from Landsat 8 OLI and TIRS . ISPRS Journal of Photogrammetry and Remote Sensing , 166 : 390 - 402 [ DOI: 10.1016/j.isprsjprs.2020.06.007 http://dx.doi.org/10.1016/j.isprsjprs.2020.06.007 ] Combined land surface emissivity and temperature estimation from Landsat 8 OLI and TIRS Varade D and Dikshit O . 2020 . Assessment of winter season land surface temperature in the Himalayan regions around the Kullu area in India using landsat-8 data . Geocarto International , 35 ( 6 ): 641 - 662 [ DOI: 10.1080/10106049.2018.1520928 http://dx.doi.org/10.1080/10106049.2018.1520928 ] Assessment of winter season land surface temperature in the Himalayan regions around the Kullu area in India using landsat-8 data Voogt J A and Oke T R . 2003 . Thermal remote sensing of urban climates . Remote Sensing of Environment , 86 ( 3 ): 370 - 384 [ DOI: 10.1016/S0034-4257(03)00079-8 http://dx.doi.org/10.1016/S0034-4257(03)00079-8 ] Thermal remote sensing of urban climates Vu T D and Nguyen T T . 2018 . Spatio-temporal changes of underground coal fires during 2008-2016 in Khanh Hoa coal field (North-east of Viet Nam) using Landsat time-series data . Journal of Mountain Science , 15 ( 12 ): 2703 - 2720 [ DOI: 10.1007/s11629-018-4997-z http://dx.doi.org/10.1007/s11629-018-4997-z ] Spatio-temporal changes of underground coal fires during 2008-2016 in Khanh Hoa coal field (North-east of Viet Nam) using Landsat time-series data Wan Z M and Dozier J . 1996 . A generalized split-window algorithm for retrieving land-surface temperature from space . IEEE Transactions on Geoscience and Remote Sensing , 34 ( 4 ): 892 - 905 [ DOI: 10.1109/36.508406 http://dx.doi.org/10.1109/36.508406 ] A generalized split-window algorithm for retrieving land-surface temperature from space Wan Z M and Li Z L . 1997 . A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data . IEEE Transactions on Geoscience and Remote Sensing , 35 ( 4 ): 980 - 996 [ DOI: 10.1109/36.602541 http://dx.doi.org/10.1109/36.602541 ] A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data Wan Z M , Zhang Y L , Zhang Q C and Li Z L . 2002 . Validation of the land-surface temperature products retrieved from TERRA moderate resolution imaging spectroradiometer data . Remote Sensing of Environment , 83 ( 1/2 ): 163 - 180 [ DOI: 10.1016/S0034-4257(02)00093-7 http://dx.doi.org/10.1016/S0034-4257(02)00093-7 ] Validation of the land-surface temperature products retrieved from TERRA moderate resolution imaging spectroradiometer data Wang F , Qin Z H , Song C Y , Tu L L , Karnieli A and Zhao S H . 2015a . An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data . Remote Sensing , 7 ( 4 ): 4268 - 4289 [ DOI: 10.3390/rs70404268 http://dx.doi.org/10.3390/rs70404268 ] An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data Wang K , Jiang Q G , Yu D H , Yang Q L , Wang L , Han T C and Xu X Y . 2019a . Detecting daytime and nighttime land surface temperature anomalies using thermal infrared remote sensing in Dandong geothermal prospect . International Journal of Applied Earth Observation and Geoinformation , 80 : 196 - 205 [ DOI: 10.1016/j.jag.2019.03.016 http://dx.doi.org/10.1016/j.jag.2019.03.016 ] Detecting daytime and nighttime land surface temperature anomalies using thermal infrared remote sensing in Dandong geothermal prospect Wang L , Lu Y and Yao Y L . 2019b . Comparison of three algorithms for the retrieval of land surface temperature from Landsat 8 images . Sensors , 19 ( 22 ): 5049 [ DOI: 10.3390/s19225049 http://dx.doi.org/10.3390/s19225049 ] Comparison of three algorithms for the retrieval of land surface temperature from Landsat 8 images Wang L T , Gao W and Zhuang C X . 2020 . Quantitative research on the relationship between urban heat island effect and land use in Jizhou district of Tianjin based on Landsat-8 data . Geomatics & Spatial Information Technology , 43 ( 12 ): 90 - 92 Quantitative research on the relationship between urban heat island effect and land use in Jizhou district of Tianjin based on Landsat-8 data 王力涛 , 高伟 , 庄春晓 . 2020 . 基于Landsat-8数据的天津市蓟州区城市热岛效应与土地利用的定量研究 . 测绘与空间地理信息 , 43 ( 12 ): 90- 92 [ DOI: 10.3969/j.issn.1672-5867.2020.12.025 http://dx.doi.org/10.3969/j.issn.1672-5867.2020.12.025 ] 基于Landsat-8数据的天津市蓟州区城市热岛效应与土地利用的定量研究 Wang L X , Sun J H , Liu Z , Zhang S C and Yang Y . 2019 . Comparison of several different algorithms to retrieve land surface emissivity using Landsat 8 data . Journal of Xi’an University of Science and Technology , 39 ( 2 ): 327 - 333 Comparison of several different algorithms to retrieve land surface emissivity using Landsat 8 data 王丽霞 , 孙津花 , 刘招 , 张双成 , 杨耘 . 2019 . 基于Landsat 8数据反演地表发射率的几种不同算法对比分析 . 西安科技大学学报 , 39 ( 2 ): 327- 333 [ DOI: 10.13800/j.cnki.xakjdxxb.2019.0220 http://dx.doi.org/10.13800/j.cnki.xakjdxxb.2019.0220 ] 基于Landsat 8数据反演地表发射率的几种不同算法对比分析 Wang M M , He G J , Zhang Z M , Wang G Z and Long T F . 2015b . NDVI-based split-window algorithm for precipitable water vapour retrieval from Landsat-8 TIRS data over land area . Remote Sensing Letters , 6 ( 11 ): 904 - 913 [ DOI: 10.1080/2150704X.2015.1089363 http://dx.doi.org/10.1080/2150704X.2015.1089363 ] NDVI-based split-window algorithm for precipitable water vapour retrieval from Landsat-8 TIRS data over land area Wang M M , He G J , Zang Z M , Wang G Z , Yin R Y and Long T F . 2017 . Atmospheric water vapor retrieval from Landsat-8 TIRS data using split-window algorithm . Remote Sensing Technology and Application , 32 ( 1 ): 166 - 172 Atmospheric water vapor retrieval from Landsat-8 TIRS data using split-window algorithm 王猛猛 , 何国金 , 张兆明 , 王桂周 , 尹然宇 , 龙腾飞 ． 2017 . 基于Landsat 8 TIRS数据的大气水汽含量反演劈窗算法 ． 遥感技术与应用 ， 32 ( 1 ): 166- 172 [ DOI: 10.11873/j.issn.1004-0323.2017.1.0166 http://dx.doi.org/10.11873/j.issn.1004-0323.2017.1.0166 ] 基于Landsat 8 TIRS数据的大气水汽含量反演劈窗算法 Wang M M , Zhang Z M , He G J , Wang G Z , Long T F and Peng Y . 2016 . An enhanced single-channel algorithm for retrieving land surface temperature from Landsat series data . Journal of Geophysical Research : Atmospheres , 121 ( 19 ): 11712 - 11722 [ DOI: 10.1002/2016JD025270 http://dx.doi.org/10.1002/2016JD025270 ] An enhanced single-channel algorithm for retrieving land surface temperature from Landsat series data Wang M M , Zhang Z J , Hu T and Liu X G . 2019c . A practical single-channel algorithm for land surface temperature retrieval: application to Landsat series data . Journal of Geophysical Research : Atmospheres , 124 ( 1 ): 299 - 316 [ DOI: 10.1029/2018JD029330 http://dx.doi.org/10.1029/2018JD029330 ] A practical single-channel algorithm for land surface temperature retrieval: application to Landsat series data Wang M M , Zhang Z J , Hu T , Wang G Z , He G J , Zhang Z M , Li H , Wu Z J and Liu X G . 2020 . An efficient framework for producing Landsat-based land surface temperature data using Google Earth Engine . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 13 : 4689 - 4701 [ DOI: 10.1109/JSTARS.2020.3014586 http://dx.doi.org/10.1109/JSTARS.2020.3014586 ] An efficient framework for producing Landsat-based land surface temperature data using Google Earth Engine Wang T X , Shi J C , Ma Y , Husi L , Comyn-Platt E , Ji D B , Zhao T J and Xiong C . 2019d . Recovering land surface temperature under cloudy skies considering the solar-cloud-satellite geometry: application to MODIS and Landsat-8 data . Journal of Geophysical Research : Atmospheres , 124 ( 6 ): 3401 - 3416 [ DOI: 10.1029/2018JD028976 http://dx.doi.org/10.1029/2018JD028976 ] Recovering land surface temperature under cloudy skies considering the solar-cloud-satellite geometry: application to MODIS and Landsat-8 data Weng Q H and Fu P . 2014 . Modeling annual parameters of clear-sky land surface temperature variations and evaluating the impact of cloud cover using time series of Landsat TIR data . Remote Sensing of Environment , 140 : 267 - 278 [ DOI: 10.1016/j.rse.2013.09.002 http://dx.doi.org/10.1016/j.rse.2013.09.002 ] Modeling annual parameters of clear-sky land surface temperature variations and evaluating the impact of cloud cover using time series of Landsat TIR data Weng Q H , Fu P and Gao F . 2014 . Generating daily land surface temperature at Landsat resolution by fusing Landsat and MODIS data . Remote Sensing of Environment , 145 : 55 - 67 [ DOI: 10.1016/j.rse.2014.02.003 http://dx.doi.org/10.1016/j.rse.2014.02.003 ] Generating daily land surface temperature at Landsat resolution by fusing Landsat and MODIS data Wu P H , Shen H F , Ai T H and Liu Y L . 2013 . Land-surface temperature retrieval at high spatial and temporal resolutions based on multi-sensor fusion . International Journal of Digital Earth , 6 ( S1 ): 113 - 133 [ DOI: 10.1080/17538947.2013.783131 http://dx.doi.org/10.1080/17538947.2013.783131 ] Land-surface temperature retrieval at high spatial and temporal resolutions based on multi-sensor fusion Wu P H , Shen H F , Zhang L P and Göttsche F M . 2015a . Integrated fusion of multi-scale polar-orbiting and geostationary satellite observations for the mapping of high spatial and temporal resolution land surface temperature . Remote Sensing of Environment , 156 : 169 - 181 [ DOI: 10.1016/j.rse.2014.09.013 http://dx.doi.org/10.1016/j.rse.2014.09.013 ] Integrated fusion of multi-scale polar-orbiting and geostationary satellite observations for the mapping of high spatial and temporal resolution land surface temperature Wu Y W , Wang N L , He J Q and Jiang X . 2015b . Estimating mountain glacier surface temperatures from Landsat-ETM+ thermal infrared data: a case study of Qiyi glacier, China . Remote Sensing of Environment , 163 : 286 - 295 [ DOI: 10.1016/j.rse.2015.03.026 http://dx.doi.org/10.1016/j.rse.2015.03.026 ] Estimating mountain glacier surface temperatures from Landsat-ETM+ thermal infrared data: a case study of Qiyi glacier, China Wu Y W , Wang N L , Li Z , Chen A , Guo Z M and Qie Y F . 2019 . The effect of thermal radiation from surrounding terrain on glacier surface temperatures retrieved from remote sensing data: a case study from Qiyi glacier, China . Remote Sensing of Environment , 231 : 111267 [ DOI: 10.1016/j.rse.2019.111267 http://dx.doi.org/10.1016/j.rse.2019.111267 ] The effect of thermal radiation from surrounding terrain on glacier surface temperatures retrieved from remote sensing data: a case study from Qiyi glacier, China Wulder M A , Loveland T R , Roy D P , Crawford C J , Masek J G , Woodcock C E , Allen R G , Anderson M C , Belward A S , Cohen W B , Dwyer J , Erb A , Gao F , Griffiths P , Helder D , Hermosilla T , Hipple J D , Hostert P , Hughes M J , Huntington J , Johnson D M , Kennedy R , Kilic A , Li Z , Lymburner L , McCorkel J , Pahlevan N , Scambos T A , Schaaf C , Schott J R , Sheng Y W , Storey J , Vermote E , Vogelmann J , White J C , Wynne R H and Zhu Z . 2019 . Current status of Landsat program, science, and applications . Remote Sensing of Environment , 225 : 127 - 147 [ DOI: 10.1016/j.rse.2019.02.015 http://dx.doi.org/10.1016/j.rse.2019.02.015 ] Current status of Landsat program, science, and applications Xu H Q . 2010 . Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI) . Photogrammetric Engineering and Remote Sensing , ( 5 ): 557 - 565 [ DOI: 10.14358/PERS.76.5.557 http://dx.doi.org/10.14358/PERS.76.5.557 ] Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI) Xu H Q . 2015 . Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite . Chinese Journal of Geophysics , 58 ( 3 ): 741 - 747 Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite 徐涵秋 . 2015 . 新型Landsat8卫星影像的反射率和地表温度反演 . 地球物理学报 , 58 ( 3 ): 741- 747 [ DOI: 10.6038/cjg20150304 http://dx.doi.org/10.6038/cjg20150304 ] 新型Landsat8卫星影像的反射率和地表温度反演 Xu H Q . 2016 . Change of Landsat 8 TIRS calibration parameters and its effect on land surface temperature retrieval . Journal of Remote Sensing , 20 ( 2 ): 229 - 235 Change of Landsat 8 TIRS calibration parameters and its effect on land surface temperature retrieval 徐涵秋 . 2016 . Landsat 8热红外数据定标参数的变化及其对地表温度反演的影响 . 遥感学报 , 20 ( 2 ): 229- 235 [ DOI: 10.11834/jrs.20165165 http://dx.doi.org/10.11834/jrs.20165165 ] Landsat 8热红外数据定标参数的变化及其对地表温度反演的影响 Xu H Q , Lin Z L and Pan W H . 2015 . Some issue in land surface temperature retrieval of Landsat thermal data with the single-channel algorithm . Geomatics and Information Science of Wuhan University , 40 ( 4 ): 487 - 492 Some issue in land surface temperature retrieval of Landsat thermal data with the single-channel algorithm 徐涵秋 , 林中立 , 潘卫华 . 2015 . 单通道算法地表温度反演的若干问题讨论—以Landsat系列数据为例 . 武汉大学学报 , 40 ( 4 ): 487- 492 [ DOI: 10.13203/j.whugis20130733 http://dx.doi.org/10.13203/j.whugis20130733 ] 单通道算法地表温度反演的若干问题讨论—以Landsat系列数据为例 Yan G J , Wang T X , Jiao Z H , Mu X H , Zhao J and Chen L . 2016 . Topographic radiation modeling and spatial scaling of clear-sky land surface longwave radiation over rugged terrain . Remote Sensing of Environment , 172 : 15 - 27 [ DOI: 10.1016/j.rse.2015.10.026 http://dx.doi.org/10.1016/j.rse.2015.10.026 ] Topographic radiation modeling and spatial scaling of clear-sky land surface longwave radiation over rugged terrain Yan L and Roy D P . 2020 . Spatially and temporally complete Landsat reflectance time series modelling: the fill-and-fit approach . Remote Sensing of Environment , 241 : 111718 [ DOI: 10.1016/j.rse.2020.111718 http://dx.doi.org/10.1016/j.rse.2020.111718 ] Spatially and temporally complete Landsat reflectance time series modelling: the fill-and-fit approach Yang J J , Duan S B , Zhang X Y , Wu P H , Huang C , Leng P and Gao M F . 2020 . Evaluation of seven atmospheric profiles from reanalysis and satellite-derived products: implication for single-channel land surface temperature retrieval . Remote Sensing , 12 ( 5 ): 791 [ DOI: 10.3390/rs12050791 http://dx.doi.org/10.3390/rs12050791 ] Evaluation of seven atmospheric profiles from reanalysis and satellite-derived products: implication for single-channel land surface temperature retrieval Yang J X , Wong M S , Menenti M and Nichol J . 2015a . Modeling the effective emissivity of the urban canopy using sky view factor . ISPRS Journal of Photogrammetry and Remote Sensing , 105 : 211 - 219 [ DOI: 10.1016/j.isprsjprs.2015.04.006 http://dx.doi.org/10.1016/j.isprsjprs.2015.04.006 ] Modeling the effective emissivity of the urban canopy using sky view factor Yang J X , Wong M S , Menenti M and Nichol J . 2015b . Study of the geometry effect on land surface temperature retrieval in urban environment . ISPRS Journal of Photogrammetry and Remote Sensing , 109 : 77 - 87 [ DOI: 10.1016/j.isprsjprs.2015.09.001 http://dx.doi.org/10.1016/j.isprsjprs.2015.09.001 ] Study of the geometry effect on land surface temperature retrieval in urban environment Yang J X , Wong M S , Menenti M , Nichol J , Voogt J , Krayenhoff E S and Chan P W . 2016 . Development of an improved urban emissivity model based on sky view factor for retrieving effective emissivity and surface temperature over urban areas . ISPRS Journal of Photogrammetry and Remote Sensing , 122 : 30 - 40 [ DOI: 10.1016/j.isprsjprs.2016.09.007 http://dx.doi.org/10.1016/j.isprsjprs.2016.09.007 ] Development of an improved urban emissivity model based on sky view factor for retrieving effective emissivity and surface temperature over urban areas Yin C L , Meng F and Yu Q R . 2020 . Calculation of land surface emissivity and retrieval of land surface temperature based on a spectral mixing model . Infrared Physics and Technology , 108 : 103333 [ DOI: 10.1016/j.infrared.2020.103333 http://dx.doi.org/10.1016/j.infrared.2020.103333 ] Calculation of land surface emissivity and retrieval of land surface temperature based on a spectral mixing model Yin Z X , Wu P H , Foody G M , Wu Y L , Liu Z H , Du Y and Ling F . 2021 . Spatiotemporal fusion of land surface temperature based on a convolutional neural network . IEEE Transactions on Geoscience and Remote Sensing , 59 ( 2 ): 1808 - 1822 [ DOI: 10.1109/TGRS.2020.2999943 http://dx.doi.org/10.1109/TGRS.2020.2999943 ] Spatiotemporal fusion of land surface temperature based on a convolutional neural network Yu X L , Guo X L and Wu Z C . 2014 . Land surface temperature retrieval from Landsat 8 TIRS-comparison between radiative transfer equation-based method, split window algorithm and single channel method . Remote Sensing , 6 ( 10 ): 9829 - 9852 [ DOI: 10.3390/rs6109829 http://dx.doi.org/10.3390/rs6109829 ] Land surface temperature retrieval from Landsat 8 TIRS-comparison between radiative transfer equation-based method, split window algorithm and single channel method Zareie S , Rangzan K , Khosravi H and Sherbakov V M . 2018 . Comparison of split window algorithms to derive land surface temperature from satellite TIRS data . Arabian Journal of Geosciences , 11 : 391 [ DOI: 10.1007/s12517-018-3732-y http://dx.doi.org/10.1007/s12517-018-3732-y ] Comparison of split window algorithms to derive land surface temperature from satellite TIRS data Zeng C , Long D , Shen H F , Wu P H , Cui Y K and Hong Y . 2018 . A two-step framework for reconstructing remotely sensed land surface temperatures contaminated by cloud . ISPRS Journal of Photogrammetry and Remote Sensing , 141 : 30 - 45 [ DOI: 10.1016/j.isprsjprs.2018.04.005 http://dx.doi.org/10.1016/j.isprsjprs.2018.04.005 ] A two-step framework for reconstructing remotely sensed land surface temperatures contaminated by cloud Zhang Y S , Balzter H , Liu B and Chen Y J . 2017 . Analyzing the impacts of urbanization and seasonal variation on land surface temperature based on subpixel fractional covers using Landsat images . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 10 ( 4 ): 1344 - 1356 [ DOI: 10.1109/JSTARS.2016.2608390 http://dx.doi.org/10.1109/JSTARS.2016.2608390 ] Analyzing the impacts of urbanization and seasonal variation on land surface temperature based on subpixel fractional covers using Landsat images Zhang Z M and He G J . 2013 . Generation of Landsat surface temperature product for China , 2000 - 2010 . International Journal of Remote Sensing, 34 ( 20 ): 7369 - 7375 [ DOI: 10.1080/01431161.2013.820368 http://dx.doi.org/10.1080/01431161.2013.820368 ] Generation of Landsat surface temperature product for China Zhang Z M , He G J , Peng Y , Long T F , Wang M M and Wei M Y . 2020 . Landsat surface temperature products over china . China Science Data , 5 ( 4 ): 74 - 82 Landsat surface temperature products over china 张兆明 , 何国金 , 彭燕 , 龙腾飞 , 王猛猛 , 魏明月 . 2020 . 中国区域Landsat地表温度产品 . 中国科学数据(中英文网络版) , 5 ( 4 ): 74- 82 [ DOI: 10.11922/csdata.2020.0030.zh http://dx.doi.org/10.11922/csdata.2020.0030.zh ] 中国区域Landsat地表温度产品 Zhao W , Li A N , Jin H A , Zhang Z J , Bian J H and Yin G F . 2017 . Performance evaluation of the triangle-based empirical soil moisture relationship models based on Landsat-5 TM data and in situ measurements . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 5 ): 2632 - 2645 [ DOI: 10.1109/TGRS.2017.2649522 http://dx.doi.org/10.1109/TGRS.2017.2649522 ] Performance evaluation of the triangle-based empirical soil moisture relationship models based on Landsat-5 TM data and in situ measurements Zhao W , Li A N , Zhang Z Z , Bian J H , Jin H A , Yin G F , Nan X and Lei G B . 2016 . A study on land surface temperature terrain effect over mountainous area based on Landsat 8 thermal infrared data . Remote Sensing Technology and Application , 31 ( 1 ): 63 - 73 A study on land surface temperature terrain effect over mountainous area based on Landsat 8 thermal infrared data 赵伟 , 李爱农 , 张正健 , 边金虎 , 靳华安 , 尹高飞 , 南希 , 雷光斌 . 2016 . 基于Landsat 8热红外遥感数据的山地地表温度地形效应研究 . 遥感技术与应用 , 31 ( 1 ): 63- 73 [ DOI: 10.11873/j.issn.1004-0323.2016.1.0063 http://dx.doi.org/10.11873/j.issn.1004-0323.2016.1.0063 ] 基于Landsat 8热红外遥感数据的山地地表温度地形效应研究 Zheng X P , Gao M F , Li Z L , Chen K S , Zhang X and Shang G F . 2020 . Impact of 3-D structures and their radiation on thermal infrared measurements in urban areas . IEEE Transactions on Geoscience and Remote Sensing , 58 ( 12 ): 8412 - 8426 [ DOI: 10.1109/TGRS.2020.2987880 http://dx.doi.org/10.1109/TGRS.2020.2987880 ] Impact of 3-D structures and their radiation on thermal infrared measurements in urban areas Zhou J , Li J , Zhang L X , Hu D Y and Zhan W F . 2012 . Intercomparison of methods for estimating land surface temperature from a Landsat-5 TM image in an arid region with low water vapour in the atmosphere . International Journal of Remote Sensing , 33 ( 8 ): 2582 - 2602 [ DOI: 10.1080/01431161.2011.617396 http://dx.doi.org/10.1080/01431161.2011.617396 ] Intercomparison of methods for estimating land surface temperature from a Landsat-5 TM image in an arid region with low water vapour in the atmosphere Zhou Y , Qin Z H and Bao G . 2014 . Progress in retrieving land surface temperature for the cloud-covered pixels from thermal infrared remote sensing data . Spectroscopy and Spectral Analysis , 34 ( 2 ): 364 - 369 Progress in retrieving land surface temperature for the cloud-covered pixels from thermal infrared remote sensing data 周义 , 覃志豪 , 包刚 . 2014 . 热红外遥感图像中云覆盖像元地表温度估算研究进展 . 光谱学与光谱分析 , 34 ( 2 ): 364-369 ) [ DOI: 10.3964/j.issn.1000-0593(201402-0364-06 http://dx.doi.org/10.3964/j.issn.1000-0593(2014)02-0364-06 ] 热红外遥感图像中云覆盖像元地表温度估算研究进展 Zhu X L , Chen J , Gao F , Chen X H and Masek J G . 2010 . An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions . Remote Sensing of Environment , 114 ( 11 ): 2610 - 2623 [ DOI: 10.1016/j.rse.2010.05.032 http://dx.doi.org/10.1016/j.rse.2010.05.032 ] An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions Zhu X L , Duan S-B , Li Z-L , Zhao W , Wu H , Leng P , Gao M-F and Zhou X M . 2021 . Retrieval of land surface temperature with topographic effect correction from Landsat 8 thermal infrared data in mountainous areas . IEEE Transactions on Geoscience and Remote Sensing , 59 ( 8 ): 6674 - 6687 . [ DOI: 10.1109/TGRS.2020.3030900 http://dx.doi.org/10.1109/TGRS.2020.3030900 ] Retrieval of land surface temperature with topographic effect correction from Landsat 8 thermal infrared data in mountainous areas Zhu Z and Woodcock C E . 2012 . Object-based cloud and cloud shadow detection in Landsat imagery . Remote Sensing of Environment , 118 : 83 - 94 [ DOI: 10.1016/j.rse.2011.10.028 http://dx.doi.org/10.1016/j.rse.2011.10.028 ] Object-based cloud and cloud shadow detection in Landsat imagery Zhu Z , Wang S X and Woodcock C E . 2015 . Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4-7, 8, and Sentinel 2 images . Remote Sensing of Environment , 159 : 269 - 277 [ DOI: 10.1016/j.rse.2014.12.014 http://dx.doi.org/10.1016/j.rse.2014.12.014 ] Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4-7, 8, and Sentinel 2 images 10.11834/jrs.20211296 1007-4619（2021）08-1591-27 段四波，茹晨，李召良，王猛猛，徐涵秋，历华，吴鹏海，占文凤，周纪，赵伟，任华忠，吴骅，唐伯惠，张霞，尚国琲，覃志豪.2021.Landsat卫星热红外数据地表温度遥感反演研究进展.遥感学报，25（8）： 1591-1617 段四波，茹晨，李召良，王猛猛，徐涵秋，历华，吴鹏海，占文凤，周纪，赵伟，任华忠，吴骅，唐伯惠，张霞，尚国琲，覃志豪.2021.Landsat卫星热红外数据地表温度遥感反演研究进展.遥感学报，25（8）： 1591-1617 Duan S B，Ru C，Li Z L，Wang M M，Xu H Q，Li H，Wu P H，Zhan W F，Zhou J，Zhao W，Ren H Z，Wu H，Tang B H，Zhang X，Shang Guo F and Qin Z H. 2021. Reviews of methods for land surface temperature retrieval from Landsat thermal infrared data. National Remote Sensing Bulletin， 25（8）：1591-1617 Duan S B，Ru C，Li Z L，Wang M M，Xu H Q，Li H，Wu P H，Zhan W F，Zhou J，Zhao W，Ren H Z，Wu H，Tang B H，Zhang X，Shang Guo F and Qin Z H. 2021. Reviews of methods for land surface temperature retrieval from Landsat thermal infrared data. National Remote Sensing Bulletin， 25（8）：1591-1617 国家自然科学基金（编号：41871275，42071326，42001300） Supported by National Natural Science Foundation of China (No. 41871275, 42071326,42001300) 2021-05-12 2021-08-07 2021-09-09 2021-07-09 遥感学报 8 25