Landsat 8 在地表温度估算中的应用

谈到高温或地表温度估算，
先进的星载传感器几十年来一直在收集地球的热特性。
Landsat 8 等新传感器的推出是为了更准确地监测这些指标，
传感器的应用涵盖精准农业、监测和评估等多个领域。

热浪和酷暑在中国并不少见。
尤其有几个城市以其酷热的温度而闻名，
并赢得了“熔炉之城”的称号。
据 ChinaHighlights 报道，
大约有 10 个城市因高温而闻名，
分别是重庆、福州、杭州、南昌、长沙、武汉、西安、南京、合肥和南宁，
前三个重庆、福州和杭州似乎略高于其他城市。

地表温度估算已在大量科学研究和应用中得到体现，
其中的关键是对气候变化的研究。
例如，厄尔尼诺南方涛动（ENSO）的预测就是通过分析海面温度来完成的。
同样，
飓风等天气灾害的预测以及气候学研究的验证都可以使用陆地和海洋温度记录。
第一次使用卫星测量地球的热特性可以追溯到冷战高峰期的 1960 年代。
正是在这段时间里，
搭载红外测量设备的卫星 Nimbus 发射升空，
开启了利用遥感进行热传感的篇章。

Landsat 8 是一颗用于大量热测量的特定卫星，
Landsat 8 包含两个热波段，
即热红外 1 号和热红外 2 号，
每个波段的分辨率为 30 米。
与空间分辨率高达 1km 的 Sentinel 3 或 MODIS 相比，
这使得热估算更加可靠。
此外，无数研究都使用 Landsat 任务进行地面热评估。
我们将简单地利用这一优势对重庆进行地表温度（LST）估算。
要使用的图像将从 7 月至 9 月获取，
正值以酷热著称的熔炉季节中期。
值得注意的是，目前无法获得 2022 年 7 月的图像，
因此我们追溯到2021年的图像。

在这项评估中，
使用了 Google Earth Engine，
并从 Landsat 8 获取了数据。
GEE的主要优点是它为用户提供基于服务器的在线计算，
从而节省了用户的存储空间，
避免了对遥感任务中常见的计算机资源的大量使用。
此外，具有广泛用户群体基础的工具的优势在于，
总是很可能有一些已经设计好的免费代码来完成所想的任务。
这不仅节省了时间，
还保留了理智这一方面，
尤其是在处理具有抛出错误技巧的非直观编程语言时。

以下是估算重庆市地表温度的完整脚本。
最终目标是创建一幅描绘重庆市附近 LST 变化的图像，
这将有助于大家理解物理和人为因素是如何影响一个地区的 LST。

首先，这里是所用几何图形的代码。

PS：变量 chongqing 和 aoi 是指本研究中使用的感兴趣点和区域（ROI）几何图形。

// Below is the JavaScript Code representing the current imports. To transfer them to another script, paste this code into the editor and click 'Convert' in the suggestion tooltip.

var chongqing = /* color: #d63000 */ee.Geometry.Point([106.49641035937503, 29.534924589334878]),
    aoi = 
    /* color: #98ff00 */
    /* shown: false */
    /* displayProperties: [
      {
        "type": "rectangle"
      }
    ] */
    ee.Geometry.Polygon(
        [[[106.48349929062431, 29.684211326582403],
          [106.48349929062431, 28.876882759403152],
          [107.51346755234306, 28.876882759403152],
          [107.51346755234306, 29.684211326582403]]], null, false);

达芬奇曾说过，
“simplicity is the best sophistication”，
换言之，
简约风格，是一种成熟的最终形式。
如果学术期刊上的公式有任何依据，
那么LST估计的过程看起来更复杂，
实际上也确实很复杂。
然而，由于 GISCrack 等 GIS、RS 爱好者的帮助，
数学上的繁文缛节已经减少到了6步。
在 ee.Algorithms.Landsat.TOA() 的帮助下，
降到了5步。
不过缺点是，
这6个步骤是在 ArcGIS 中完成的，
但在 GEE 中完成这个过程并不是那么简单。

其次，重庆上空的大部分卫星图像云层高，
遮蔽了城市和周边地区。
实际上，炉季恰逢阴天最多的月份。
因此，
要获得至少一张清晰的图像绝非易事，
因此要追溯到 2021 年。
最后，可用的 2021 图像裁剪出了重庆西部的大片区域。
尽管如此，
已经提供了一张显示了切除区域的热量变化补充图像，
尽管它是从 9 月到熔炉季节的尾声。

第 1 步：将 Landsat 8 DN 校准为 TOA 反射率和亮度温度

卫星以数字编号 (DN) 的形式将收集到的原始数据存储在其波段中。
这些 DN 是在查看未处理图像时看到的相应像素。
通常，DN 的值范围为 0 – 255。
此步骤很重要，
因为它将 DN 中的值转换为反射率值,
这不仅由 ee.Algorithms.Landsat.TOA() 算法忠实地完成，
而且也被转换为亮度温度 (BT)。
这与发射率一起是计算地表温度的两个主要成分。

第 2 步：计算 NDVI

NDVI 在所有这些组合中来自哪里？
事实上，从 NDVI 中得到的值将用于计算发射率，
这将作为计算 LST 的参数之一。
它更像是车轮上的齿轮。
GISCrack 团队再适合不过了，NDVI 的计算很重要。
随后，与 NDVI 高度相关的植被比例 (Pv) 和与 Pv 相关的发射率 (ε) ,
必须计算。

第 3 步：计算植被比例 Pv

Pv用非常非常非常简单的术语来说就是植被（叶、茎、枝）在地面上的垂直投影面积与植被总面积的比值。以一种更相关的方式，它就像测量建筑物高度与建筑物覆盖的总面积的比率（在建筑术语中也称为建筑物占地面积）。

第 4 步：计算发射率

现在我们离目标越来越近了。
发射率被定义为在相同的温度和波长以及相同的观察条件下，
从材料表面辐射的能量与从完美发射器（称为黑体）辐射的能量之比，
这是最简单的定义，
仍然尊重其他物理原理。
在来源中还提到，
它是一个……无量纲数，
介于0（对于完美反射器）和1（对于完美发射器）之间。

第 5 步：计算地表温度

现在进入最后的阶段，
这个阶段标志着理解概念和计算艰苦过程的结束。
如果已经顺利得到发射率和亮温转换结果，
仅用一个公式就可以结束本章，
不过 GEE Javascript 语言的复杂性可能很快会将短暂的缓解变成瞬间的悲痛。
对于以前的 GEE 用户，
除非在表达式中使用，
否则无法识别 -、+、*、/ 和其他数学运算符。
相同的作业用于 .multiply、.divide 的长格式方法，
同样用于 +、- 和其他数学运算符。
为了绕过这个讨厌的问题，
很快就采用了将所有这些都包含在一个表达式中的技巧，
正如 Arya Danih 所使用的那样。
凭借他的独创性，目前只涉及将使用的值替换为研究中的值。

以下是 2021 年 8 月 2 日重庆的地表温度图。

2021年8月GEE重庆地表温度：红色区域为高温，
黄色为中等，蓝色为最低.
2021 年 8 月，我们 AOI 的最高 LST 为 50.7 摄氏度，
最低为 18.2 摄氏度。

为了覆盖裁剪区域，
获得了同样几乎无云的图像。
然而，这张图片是 2021 年 9 月 26 日拍摄的，
可惜的是，
该日期处于熔炉季节的尾声。
尽管如此，它几乎覆盖了整个重庆市。

GEE重庆地表温度：红色区域为高温，
黄色区域为中等，
蓝色区域为最低温度-2021年9月
重庆 2021 年 9 月的最大和最小 LST 值分别为 42.4 摄氏度和 17.8 摄氏度。

在这两张图片中，
可以看到与市中心相比，
离市中心较远的地区的地表温度较低。
对于八月的图像，
城市和城市边缘之间的 LST 差异更为明显。
可以看到，
重庆主城区和周边卫星中心的 CBD，
在代表郊区和农村的黄色和蓝色混合色的包围下，
呈现出一种红色。
长江和东南部植被较多的山区呈蓝色，
表示它们的 LST 值较低。
南方的蓝色斑块是云。

对于 9 月的图像，
城市中心是黄色的，
周围植被较多的区域是蓝色的，
表明它们的地表温度较低。
在这两个图像中，
城市热岛现象都得到了体现。
以下是重庆市2021年的气温区间。

重庆 2021 年温度历史，
报告温度（灰色条）和 24 小时高点（红色标记）和低点（蓝色标记）的每日范围，
位于日平均高点（淡红线）和低点（淡蓝线）之上温度，
具有第 25 到第 75 和第 10 到第 90 个百分位波段。

结论

根据文献记录，
由于热波段、NIR 和红色波段（每个 30 米）的分辨率以及风、湿度等其他因素，
卫星衍生的 LST 和地面测量之间的巨大差异可能很大。
使用上述以 2021 年重庆天气图为基准，
2021 年 8 月第一周的最高值（红色标记）和最低值（蓝色标记）分别为 34 度和 26 度。
同一张天气图显示 9 月最后一周的最高温度为 25 度，
最低温度为 19 度，
但在 9 月图像中，
42.4 度和 17.8 度是极端值。
图像的结果可能大不相同，
但如果考虑到覆盖了更大的空间区域，
并且图表中有些地方落在红线和蓝线之外，
具有极端高点和低点的“异常值”，
那么图像结果在良好的“范围”内。