GeoXMind

地表温度反演必须处理热红外辐亮度、发射率与大气影响

说明亮温与地表温度的差别，并分析发射率估计、大气校正、云筛选和尺度混合造成的不确定性。

地表温度反演必须处理热红外辐亮度、发射率与大气影响

热红外遥感记录的是传感器接收到的辐射，不是温度计直接测得的地表温度。辐射在离开地表后还要经过大气吸收和发射，地表本身也不是理想黑体。地表温度反演因此需要同时处理辐射定标、大气影响和地表发射率。任何一个环节的假设不成立，都可能产生具有空间结构的偏差。

从数字量化值到辐射

原始影像中的数字量化值需要依照产品元数据转换为传感器处光谱辐射亮度，随后可用普朗克定律的反函数得到亮度温度。亮度温度描述的是在给定波段内产生同等辐射的黑体温度，它尚未校正大气和真实地表发射率，因此不能直接称为地表温度。

实际项目应优先使用任务方提供的标准高级产品及其质量层。以 Landsat Collection 2 地表温度产品为例，产品处理链已经结合辅助大气资料、发射率信息和云质量控制。自行从 Level-1 数据反演时，必须明确使用的定标系数、热常数、单位和缩放因子，并检查产品版本。把不同集合或不同处理级别的公式混用，是温度异常最常见的原因之一。

发射率的作用

发射率表示实际地表在给定温度和波长下的辐射能力相对于黑体的比例。水体、植被、裸土、岩石和建筑材料的发射率不同，同一种材料还会随波长、含水量、粗糙度和观测方向变化。若把所有像元都设为同一发射率，误差会集中出现在裸地、城市材料和混合像元中。

常见估算途径包括地物类型赋值、基于植被指数的混合模型以及外部发射率产品。地物类型赋值直观，但依赖分类准确性；植被指数法可表达植被覆盖变化，却需要为裸土和全植被端元设定参数；外部产品覆盖稳定，但空间分辨率和获取日期未必与目标影像一致。无论采用哪种方法，都应保存发射率来源和不确定度，而不是只保存最终温度。

大气校正与算法选择

传感器接收的热辐射由地表上行辐射、地表反射的大气下行辐射以及大气路径辐射共同组成。大气透过率和上下行辐射受水汽、温度廓线、气压和观测几何影响。单通道算法通常依赖辅助大气参数；分裂窗算法利用相邻热红外波段对大气吸收响应的差异进行修正，但要求传感器具备合适波段并有经过验证的系数。

算法应与传感器和产品条件匹配。某个传感器上拟合的经验系数不能直接迁移到另一传感器。高湿大气、低发射率地表、薄云和强烈温度反差都会放大误差。山地还应考虑海拔导致的大气路径差异以及坡向形成的局地热环境。

云与尺度问题

云会遮蔽地表并显著改变热辐射，薄云和云边缘尤其难以完全识别。云影在热红外中不一定表现为可见光中的暗影，但会通过能量收支影响地表温度。处理时应使用质量层、云距离信息和必要的邻域扩张，避免把云边缘的低温异常解释为地表过程。

卫星得到的是像元尺度的方向辐射温度，与气象站的近地面气温不是同一物理量。地表温度可以在晴空午后显著高于气温，夜间又可能低于气温。比较两者时要说明观测高度、时间差和下垫面。与地面辐射温度计比较时，也需要处理仪器视场和卫星像元尺度不匹配的问题。

验证与不确定度

温度产品验证可采用地面辐射观测、稳定水体、辐射传输模拟或多源产品交叉比较。验证样本应覆盖不同发射率、温度、湿度和地表类型，并报告偏差、均方根误差和分位数。只在少量均一水体上获得良好结果，不能证明城市和裸地也同样可靠。

不确定度至少包括传感器定标、发射率、大气参数、云筛选和空间代表性。对热岛、蒸散或干旱研究而言，几十分之一到数摄氏度的误差可能改变结论。合理做法是把温度值、质量等级、发射率和误差估计一起交付，并对低质量像元限制定量使用。

应用边界

地表温度适合描述地表能量状态及其空间差异，可用于城市热环境、灌溉响应、火灾热点和水体温度等分析。但温度异常的成因不能只凭一景影像判断。地表材料、含水量、阴影、风速和观测时间都会影响结果。时间序列分析还要保持过境时间、处理版本和有效像元规则一致。

可靠的反演流程不是追求一张视觉上平滑的温度图，而是保持物理量定义清楚、输入可追溯、质量信息完整，并让结论与产品精度相匹配。

时间序列的一致性检查

温度时间序列应按相同本地过境时刻或明确的日变化模型进行比较。不同卫星的过境时间差可能对应显著的升温或降温过程，直接合并会形成假的趋势。还应分别统计每期有效像元比例和云距离，防止只在晴朗、干燥条件下留下样本而产生选择偏差。产品算法或辅助资料更新时，应在重叠时段比较新旧版本，再决定是否重算历史序列。

参考资料