CN105868529A - 一种基于遥感的近地表日均大气温度反演方法 - Google Patents

Abstract

本发明公开了一种基于遥感的近地表日均大气温度反演方法，该方法融合遥感定量反演技术和尺度转换方法，可完全基于遥感数据完成区域近地表日均大气温度估算，得到区域内任意栅格点上的日均近地表大气温度数据，对开展流域的生态、水文过程模拟具有重要意义；本发明提供的流域近地表日均气温获取方法，减少了估算过程中对传统气象站点观测数据的依赖，同时可更好的体现区域近日均地表大气温度估算结果的空间异质性，提高近地表日均大气温度估算精度。

Description

一种基于遥感的近地表日均大气温度反演方法

技术领域

本发明涉及导航遥感技术领域，具体是一种基于遥感的近地表日均大气温度反演方法。

背景技术

大气温度通过影响融雪和蒸散发过程直接影响流域生态和水循环过程，是流域生态水文过程模拟中关键敏感参数之一，尤其在有融雪径流的地区，气温对水文过程的影响非常显著。高空间分辨率、网格化且具有连续时空分布的气温数据是开展流域生态水文机理精细研究和数值模拟的必要条件。但是，目前仅有较高大气层的气温能通过红外和微波遥感的方式直接获取，近地表的大气温度目前尚无法直接获取，只能通过间接手段获取气温估算值。

长时间以来，区域近地表大气温度空间数据是依靠气象站点观测数据进行空间化插值得到的，无论具体采用何种插值方法，得到的区域空间化气温数据精度和空间分布规律都严重受限于插值站点的数量和空间分布格局，对于目前世界范围内存在的大面积缺资料地区，依靠数量稀少的气象、水文站点的观测资料通过空间插值得到的大气温度数据无法满足生态、水文过程的深入研究，特别是具有一定物理机制的分布式水文模型的精度要求。所以，必须通过引入新的数据源，直接基于空间数据定量反演得到流域范围内的大气温度数据。

本发明公开了一种融合遥感定量反演技术和尺度转换方法的区域近地表日均大气温度遥感估算方法，完全基于遥感数据完成区域近地表日均大气温度估算，得到区域内任意栅格点上的日均近地表大气温度数据，对于区域的生态、水文过程研究具有重要意义。本发明首先基于地面温度数据，通过引入代表性因子体现季节、太阳辐射、地形和下垫面等因素对近地表大气温度形成的影响，反演得到近地表瞬时大气温度值，然后通过构建近地表瞬时大气温度与日均大气温度转换方程，实现反演的瞬时气温数据向日均气温数据的尺度转化，所得到的日均大气温度数据具有良好的气温空间分布格局信息；同时，本发明利用全球陆地同化系统数据进行降尺度处理，得到日均1公里空间分辨率近地表日均大气温度数据，与遥感反演日均气温数据进行融合，以改进其低温条件下的反演精度，最终得到兼具丰富空间格局信息和反演精度的区域近地表日均大气温度空间分布数据。

本发明提出的方法具有较强的物理机制和数据兼容性，减少了估算过程中对传统气象站点观测数据的依赖，同时可更好的体现区域近日均地表大气温度估算结果的空间异质性，提高近地表日均大气温度估算精度。

发明内容

本发明的目的在于提供一种基于遥感的近地表日均大气温度反演方法，以解决上述技术问题。

为实现上述目的，本发明提供如下技术方案：

一种基于遥感的近地表日均大气温度反演方法，包括以下步骤：

步骤一、基于地面温度数据，通过引入代表性因子体现季节、太阳辐射、地形和下垫面因素对近地表大气温度形成的影响，反演得到近地表瞬时大气温度值；

步骤二、构建反演得到的近地表瞬时大气温度与日均大气温度转换方程，实现步骤一得到的瞬时气温数据向日均气温数据的尺度转化；

步骤三、基于全球陆地同化系统提供的3小时25公里空间分辨率地表大气温度数据，进行空间降尺度和时间尺度融合，得到日均1公里空间分辨率近地表日均大气温度数据；

步骤四、对步骤二和步骤三得到的两种近地表日均大气温度数据集进行融合，反演得到最终的近地表日均大气温度数据。该数据可同时继承步骤二数据集大气温度空间异质性反演的精度优势，以及步骤三数据集在低温条件下的大气温度估算结果的精度优势。

作为本案发明进一步的方案：所述步骤一的近地表瞬时大气温度反演方法如下：

基于LST求算卫星过境时刻地表2m高处1km空间分辨率大气温度的公式如下：

T_2m＝LST+1.82-10.66cos z(1-NDVI)+0.566a

-3.72(1-AL)(cos is/cos z+(π-s)/π)R_s ^↓-3.41Δh (1)

式中：T_2m为2m高处大气温度，单位K；LST为地表温度，单位K；z为太阳天顶角，单位rad；NDVI为归一化植被指数；a为太阳方位角，正南为：0，单位rad；AL为地表反照率；is太阳入射角，单位rad；s为地面坡度，单位rad；R_s ^↓为下行短波辐射，单位w/m²；Δh为观测点高程与20km范围内高程平均值的差值，单位km，所有参数均通过遥感方法或经验公式获得。

该方法以LST为基础，同时还考虑了多种影响大气温度分布的下垫面因素，例如季节、太阳辐射、地形等因素的影响，通过引入代表性因子反应不同因素对大气温度的影响，与传统的统计模型(建立LST与观测气温的统计关系)相比更具物理意义。

作为本案发明进一步的方案：所述的下行短波辐射、太阳天顶角、太阳方位角和太阳入射角计算方法如下：

A、下行短波辐射R_s ^↓由如下公式(2)计算：

$Rs=\frac{I_0\mathrm{\τ}\cos z}{R^2}---\left(2\right)$

式中：I₀为太阳常数，取值，1367W/m²，τ为短波大气透过率，z为太阳天顶角，rad；1/R²为日地距离订正因子，无量纲；

τ采用FAO-56推荐的在晴天和相对干燥情况下的公式(3)，与地表海拔高程h相关：

τ＝0.75+2×10^-5×h (3)

日地距离订正因子计算采用下述公式(4)：

$\frac{1}{R^2}=1.000109+0.033494\cos \mathrm{\φ}+0.001472\sin \mathrm{\φ}+0.00768\cos 2\mathrm{\φ}+0.000079\sin 2\mathrm{\φ}---\left(4\right)$

φ＝2π(DOY-1)/365 (5)

式中：φ为太阳日角，由一年中按时间顺序排列的天数确定；

B、太阳天顶角z采用如下公式(6)计算：

式中：为地理纬度，rad；δ为太阳赤纬，rad；ω为太阳时角，rad；其中太阳赤纬采用下述公式(7)计算：

δ＝(0.006894-0.399512cosφ+0.072075sinφ-0.006799cos2φ+

0.000896sin2φ-0.002689cos3φ+0.001516sin3φ) (7)

太阳时角ω采用下述公式(8)计算：

$\mathrm{\ω}=\frac{\mathrm{\π}}{12}\left(\right(t+\frac{L_z-L_m}{15}+Sc)-12)---\left(8\right)$

式中：t为卫星获取时的标准当地时间，时；L_z为当地时区的中心经度，rad；L_m为观测点的经度，rad；Sc为太阳时的季节校正，可用下述方程式(9)计算得到：

$\begin{array}{c}Sc=0.1645\sin \left(\frac{4\mathrm{\π}(DOY-81)}{364}\right)-0.1255\cos \left(\frac{2\mathrm{\π}(DOY-81)}{364}\right)\\ -0.025\sin \left(\frac{2\mathrm{\π}(DOY-81)}{364}\right)\end{array}---\left(9\right)$

C、太阳方位角a计算方法如下述公式(10)：

式中：θ太阳高度角，rad；为地理纬度，rad；δ为太阳赤纬，rad；

D、太阳入射角is计算方法如下述公式(11)：

is＝arccos(cosαcos z+sinαsin z cos(a-β)) (11)

式中：a太阳方位角，rad；z为太阳天顶角，rad；α为地面坡度，rad；β为坡向，rad。

作为本案发明进一步的方案：利用NCEP/NCAR气温再分析数据构建反演得到的近地表瞬时大气温度与日均大气温度转换方程，实现步骤一得到的瞬时气温数据向日均气温数据的尺度转化；

NCEP/NCAR气温再分析数据集提供全球范围4个时刻，UTC 00:00，06:00，12:00和18:00，1.875°气温再分析数据，日均气温数据由4个瞬时时刻的气温均值求得，每个NCEP/NCAR数据格网均能建立4个时刻的瞬时气温与日均气温关系的统计方程，如方程式(12)所示：

NCEP Hang_Lie：y＝m×x+n (12)

式中：NCEP Hang_Lie代表NCEP数据栅格编号；y为栅格日均大气温度；x为某一时刻瞬时大气温度；m为统计斜率；n为统计截距。

作为本案发明进一步的方案：基于全球陆地同化系统提供的3小时25公里空间分辨率地表大气温度数据空间降尺度和时间尺度融合具体方法为：

1)基于全球陆地同化系统提供的一天8个时刻的瞬时气温数据，求均值得到全球陆地同化系统原始空间分辨率25km日均大气温度数据；

2)求得全球陆地同化系统栅格像元覆盖范围内25km*25km平均地面高程；

3)引入气温垂直温度递减率，构建并利用气温与海拔高程统计关系如下述公式(13)，计算栅格范围内25km空间分辨率的海平面高度日均大气温度；

ΔT＝ΔH*δ (13)

式中：ΔT为A、B两地之间的大气温度差；ΔH为B、A两地之间的海拔高度差；δ为气温随高程变化的垂直温度递减率；

4)对得到的25km空间分辨率海平面高度日均大气温度进行双线性内插，得到海平面高度1km空间分辨率日均大气温度数据；

5)引入更高分辨率1km数字地面高程数据，利用公式(13)逆向计算得到1km空间分辨率栅格实际高程位置的大气温度数据；通过引入更高分辨率1km高程数据，实现原始全球陆地同化系统像元25km气温数据的空间降尺度。

作为本案发明进一步的方案：对步骤二和步骤三得到的两种近地表日均大气温度数据集进行融合的方法，是指首先对步骤二得到的结果进行数据分析，得到低温条件下反演结果精度突变阈值，然后其阈值温度以下的气温反演结果，利用步骤三降尺度结果进行替换。

本发明的有益效果是：本发明提供一种基于遥感的近地表日均大气温度反演方法，该方法融合遥感定量反演技术和尺度转换方法的区域近地表日均大气温度遥感估算，是完全基于遥感数据完成区域近地表日均大气温度估算，得到区域内任意栅格点上的日均近地表大气温度数据，对开展流域的生态、水文过程模拟具有重要意义；本发明增强了方法的物理机制和数据兼容性，提供的流域近地表日均气温获取方法，减少了估算过程中对传统气象站点观测数据的依赖，同时可更好的体现区域近日均地表大气温度估算结果的空间异质性，提高近地表日均大气温度估算精度。

附图说明

图1为本发明方法流程框图；

图2为本发明实施例区域及验证站点分布图。

图3为本发明瞬时大气温度模拟精度验证图。

图4为本发明实施例区域NCEP/NCAR格网分布示意图。

图5为本发明遥感反演日均大气温度精度分析图。

图6为本发明GLDAS气温数据降尺度流程图。

图7为本发明GLDAS气温数据降尺度精度分析图。

图8为本发明遥感反演、GLDAS降尺度及融合日均气温数据对比图。

图9为本发明融合日均气温数据精度分析图。

具体实施方式

下面将结合附图和具体实施例，对本发明技术方案进行清楚、完整地描述。

研究区及数据

本发明提供一种基于遥感的近地表日均大气温度反演方法，其方法流程框图如图1所示，本发明实施例研究区为我国西北地区国际河流伊犁河流域。为了更好的验证算法估算气温数据在山区和平原地区的精度，在实施例研究区内，选择了平原地区伊宁气象站和山区的昭苏气象站2005-2009年日均气温数据对气温估算结果进行验证。实施例中还利用野外架设的自动气象记录设备记录所在位置的瞬时和日均大气温度数据(2009年8月-11月，记录采集频率为4分钟)，用于对气温估算过程中得到的瞬时反演数据和最终的日均气温数据进行验证。具体范围和站点分布如图2所示。

本发明提供的近地表日均气温估算方法基于遥感数据驱动，适用于缺少传统观测资料地区的实施应用。本发明实例研究过程中主要应用到的公共平台数据有以下4种：1)90米空间分辨率的SRTM数字高程数据(http://www.gscloud.cn/)；2)MODIS标准产品，本研究实例用到了MOD11A1(地表温度产品)，MOD13A2(植被指数产品)，以及MOD43B3(地表反射率产品)(http://modis.gsfc.nasa.gov/)；3)全球陆地数据同化系统(GLDAS)3小时地表气温数据(http://mirador.gsfc.nasa.gov/)；4)NCEP/NCAR再分析网格点气温数据。

瞬时气温反演

基于LST求算卫星过境时刻地表2m高处1km空间分辨率大气温度的公式如下，该方法以LST为基础，同时还考虑了多种影响大气温度分布的下垫面因素，例如季节、太阳辐射、地形等因素的影响，通过引入代表性因子反应不同因素对大气温度的影响，与传统的统计模型(建立LST与观测气温的统计关系)相比更具物理意义。

T_2m＝LST+1.82-10.66cos z(1-NDVI)+0.566a

-3.72(1-AL)(cos is/cos z+(π-s)/τ)R_s ^↓-3.41Δh (1)

式中：T_2m为2m高处大气温度，单位K；LST为地表温度，单位K；z为太阳天顶角，单位rad；NDVI为归一化植被指数；a为太阳方位角(正南为：0)，单位rad；AL为地表反照率；is太阳入射角，单位rad；s为地面坡度，单位rad；R_s ^↓为下行短波辐射，单位w/m²；Δh为观测点高程与20km范围内高程平均值的差值，单位km。所有参数均可通过遥感方法获得。

A、下行短波辐射R_s ^↓由下式计算：

$Rs=\frac{I_0\mathrm{\τ}\cos z}{R^2}---\left(2\right)$

式中：I₀为太阳常数，取值，1367W/m²，τ为短波大气透过率，z为太阳天顶角，rad；1/R²为日地距离订正因子，无量纲。

τ采用FAO-56推荐的在晴天和相对干燥情况下的公式，与地表海拔高程h相关：

τ＝0.75+2×10^-5×h (3)

日地距离订正因子计算采用下式：

$\frac{1}{R^2}=1.000109+0.033494\cos \mathrm{\φ}+0.001472\sin \mathrm{\φ}+0.00768\cos 2\mathrm{\φ}+0.000079\sin 2\mathrm{\φ}---\left(4\right)$

φ＝2π(DOY-1)/365 (5)

式中：φ为太阳日角，由DOY(一年中按时间顺序排列的天数)确定。

B、太阳天顶角z计算公式如下：

式中：为地理纬度，rad；δ为太阳赤纬，rad；ω为太阳时角，rad。其中太阳赤纬采用公式7计算：

δ＝(0.006894-0.399512cosφ+0.072075sinφ-0.006799cos2φ+

0.000896sin2φ-0.002689cos3φ+0.001516sin3φ) (7)

太阳时角ω采用公式8计算：

$\mathrm{\ω}=\frac{\mathrm{\π}}{12}\left(\right(t+\frac{L_z-L_m}{15}+Sc)-12)---\left(8\right)$

式中：t为卫星获取时的标准当地时间，时；L_z为当地时区的中心经度，rad；L_m为观测点的经度，rad；Sc为太阳时的季节校正，可用下述方程计算得到：

$\begin{array}{c}Sc=0.1645\sin \left(\frac{4\mathrm{\π}(DOY-81)}{364}\right)-0.1255\cos \left(\frac{2\mathrm{\π}(DOY-81)}{364}\right)\\ -0.025\sin \left(\frac{2\mathrm{\π}(DOY-81)}{364}\right)\end{array}---\left(9\right)$

C、太阳方位角a计算方法如下：

式中：θ太阳高度角，rad；为地理纬度，rad；δ为太阳赤纬，rad。

D、太阳入射角is计算方法如下：

is＝arccos(cosαcos z+sinαsin z cos(a-β)) (11)

式中：a太阳方位角，rad；z为太阳天顶角，rad；α为地面坡度，rad；β为坡向，rad。

利用野外架设的自动气象站气温实测数据对反演得到的瞬时气温精度进行验证(附图3)，结果表明：基于遥感数据反演得到的卫星过境时刻瞬时大气温度数据与实测气温数据具有很高的相关性，R2值可达0.73，均方根误差为2.65℃，反演精度较为理想。

瞬时气温日尺度转换

利用NCEP/NCAR气温再分析数据构建反演得到的近地表瞬时大气温度与日均大气温度转换方程，实现基于遥感数据反演得到的瞬时气温数据向日均气温数据的尺度转化。

NCEP/NCAR再分析数据集提供全球范围4个时刻(UTC 00:00，06:00，12:00和18:00)1.875°气温再分析数据，日均气温数据可由4个瞬时时刻的气温均值求得，因此，每个NCEP/NCAR数据格网均能建立4个时刻的瞬时气温与日均气温关系的统计方程，方程如式12所示。

NCEP Hang_Lie：y＝m×x+n (12)

式中：NCEP Hang_Lie代表NCEP数据栅格编号；y为栅格日均大气温度；x为某一时刻瞬时大气温度；m为统计斜率；n为统计截距。

瞬时气温反演所用卫星数据源MODIS卫星过境时间为研究区当地时间10:00am至12:00am之间，因此反演的瞬时气温代表该时段的大气温度状况。考虑到时差影响，如果4个UTC时刻中某一时刻在当地时间10:00am至12:00am之间，该地区就可利用其所覆盖的NCEP气温数据格网该时刻数值建立瞬时气温与日均气温的转化方程，从而实现遥感反演的瞬时大气温度到日均大气温度转化。附图4为研究区所覆盖的所有NCEP像元示意图，每个像元范围内建立的瞬时气温与日均气温的转换方程如式13至式22所示：

NCEP42_24：y＝0.85x-1.87 R²＝0.96 RSMD＝1.43℃ (13)

NCEP43_24：y＝0.84x-1.96 R²＝0.98 RSMD＝1.59℃ (14)

NCEP44_24：y＝0.82x-1.81 R²＝0.97 RSMD＝1.68℃ (15) NCEP45_24：y＝0.82x-1.86 R²＝0.98 RSMD＝1.49℃ (16) NCEP46_24：y＝0.84x-2.83 R²＝0.98 RSMD＝1.53℃ (17) NCEP42_25：y＝0.92x-5.72 R²＝0.96 RSMD＝1.57℃ (18)

NCEP43_25：y＝0.87x-4.11 R²＝0.98 RSMD＝2.69℃ (19) NCEP44_25：y＝0.87x-4.18 R²＝0.97 RSMD＝1.95℃ (20) NCEP45_25：y＝0.85x-1.92 R²＝0.97 RSMD＝1.88℃ (21) NCEP46_25：y＝0.83x-1.93 R²＝0.98 RSMD＝2.10℃ (22)利用昭苏、伊宁两个气象站2005至2009年日尺度实测日均气温数据和2009年8月至11月野外实测气温数据对转换后的日均气温反演数据进行精度分析(附图5)，结果表明：直接经过遥感反演和时间尺度转换得到的日均大气温度在昭苏和伊宁两个气象站与实测数据的相关性R²值分别为0.91和0.94，均方根误差RMSE分别为4.9℃和4.19℃；利用野外架设气象站实测数据进行验证，反演得到的日均气温与实测值R²值为0.79，均方根误差为2.29℃。遥感反演日均气温数据与实测数据具有很高的相关性，但是估算精度较瞬时气温估算精度有所下降，且通过进一步分析发现，反演得到的日均气温在高温条件下估算精度更高，在低温条件下模拟精度较低，存在较为明显的阈值。基于遥感反演的到的气温数据具有很好的空间分布纹理信息和很高的合理性(附图8)，反演得到的气温分布数据能够清晰的看到地表覆盖和海拔对气温分布的影响，在反演结果中我们能够清楚的辨别出研究区内存在的伊犁河和水库的位置和走势，这也是遥感反演大气温度的优势之一。

GLDAS气温数据尺度转换

GLDAS提供全球范围内的近地表大气温度数据产品，具有很高的时间分辨率(3hr)，但是空间分辨率较为粗糙(0.25°*0.25°)。因此该气温数据适用于全球或大尺度条件下的水文过程模拟研究，但是如果在更为精细的流域尺度开展生态、水文过程模拟，其空间分辨率就显得过于粗糙，例如本发明的研究区流域面积约12万KM2，区内只有10个GLDAS数据格点，数据量过少。此外，研究所采用的主要空间数据产品(MODIS)空间分辨率均远远高于GLDAS气温数据，如果简单的直接应用GLDAS气温数据不仅造成数据精度难以保证，同时模型模拟结果也将出现严重的网格效果。因此，必须对GLDAS气温数据进行降尺度处理。

降尺度原理和流程：降尺度主要依据为气温随着海拔上升而降低，且随海拔上升降低的速率可以用垂直温度递减率来描述(公式23)。研究中假设海拔高度是控制气温的最主要因素，忽略其他因素对气温空间分布的影响，通过引入较高空间分辨率(相对于GLDAS)的DEM(1KM*1KM)数据实现对GLDAS数据的空间降尺度。

ΔT＝ΔH*δ (23)

式中：ΔT为两地的气温差，单位K；ΔH为两地的海拔高度差，单位M；δ为气温垂直递减率，单位k/m。

降尺度实现流程如图6，方法总体思路为：找到每个GLDAS像元覆盖范围内的平均海拔高度；认为GLDAS气温为对应该平均海拔高度下的大气温度；利用温度垂直递减率将该温度推至海平面高度；对降至海平面高度后得到的温度数据进行空间的重采样(采样后1km*1km)；然后结合更高分辨DEM数据(1km)反推到DEM实际高度下的大气温度，这样就实现了GLDAS数据的空间降尺度。

利用昭苏、伊宁两个气象站2005至2009年日尺度实测日均气温数据和2009年8月至11月野外实测气温数据对转换后的日均气温反演数据进行精度分析(附图7)，结果表明：基于GLDAS气温同化数据降尺度得到的实施例研究区范围近地表日均大气温度的站点验证精度较高，且优于经时间尺度转换后的遥感反演日均气温精度。降尺度气温数据在昭苏和伊宁两个气象站与实测数据的相关性R²值均为0.96，均方根误差RMSE分别为2.27℃和2.73℃；利用野外架设气象站实测数据进行验证，反演得到的日均气温与实测值R²值为0.86，均方根误差为2.26℃，站点位置验证精度优于遥感反演且经过时间尺度转换后的日均气温数据精度。但是，基于GLDAS数据降尺度得到的日均大气温度数据，其空间分布格局和纹理仅依赖于海拔高程的空间分布信息，其细致程度和合理性上不及遥感反演数据(附图7)，这也是限制GLDAS降尺度气温数据直接应用的重要原因。

日均大气温度数据融合

通过数据分析发现基于Klemen方法遥感获取日均大气温度与GLDAS大气温度产品降尺度两种方法各有所长，前者完全利用遥感数据产品，具有一定的物理含义，反演过程中考虑了影响气温时空分布的多种下垫面要素，反演结果在气温的空间分布特征上更具合理性，缺点就是反演低温条件下的温度数据精度有较大偏差；降尺度方法基于GLDAS平台气温数据产品，利用温度垂直递减率和高程信息对产品进行空间降尺度处理，得到的日均气温数据与站点实测数据吻合较好，不存在数据精度发生突变的阈值温度，缺点就是降尺度过程中仅仅考虑高程数据对气温分布的影响，忽略了其他下垫面因素对气温分布的作用，导致反演结果在空间分布上完全依赖DEM，空间分布合理性较差。两种获取日均大气温度的方法在原理和数据结果上存在很好的互补性，因此，本发明基于两种已获得的日均气温数据，采用数据融合的方法得到最终的日均大气温度估算产品。具体方法如下：根据输入地表温度数据进行判断，LST温度高于0°时，利用klemen方法反演获取日均气温，这样既具有较高的模拟精度，同时能够很好的反应多种下垫面要素对气温分布的影响，气温数据的空间分布更为合理；当LST温度低于0°时，此时klemen方法反演结果存在较大的误差，改用GLDAS气温数据降尺度方法获取该温度条件下的大气温度数据，以提高气温整体的模拟精度。估算气温结果数据如图8所示。

结果与分析

实施例利用获取的伊犁河流域山区和平原两个气象观测站2005-2009年气温观测数据对基于本发明提供的气温估算方法求得的(如图9所示)研究区近地表日均大气温温度数据和关键中间数据进行了分析验证，结果表明：在不依赖与地面站点观测资料的情况下，利用本发明构建的方法，基于遥感数据估算得到近地表大气温度数据与昭苏和伊宁两气象站多年实测数据的决定性系数R²分别为0.90和0.94，RMSE日均气温均方根误差分别为3.38和3.13℃，估算精度较遥感反演日均气温数据精度有明显提高。虽然在站点位置上其估算精度不及GLDAS降尺度气温数据(部分原因是GLDAS气温数据为同化数据，其生产过程中利用的观测站点的结果)，但是其气温数据的空间分布格局更为合理，克服了GLDAS降尺度气温数据在刻画气温高、低值空间分布相对位置和关系等方面的不足，模拟整体精度能够满足开展流域生态、水文过程研究和模拟的要求。

结论

本发明提出的基于遥感数据，利用遥感定量反演技术和尺度转换方法相融合的流域近地表日均大气温度估算方法，综合利用多种空间数据尺度转化和信息反演方法，完全基于遥感数据获取了区域内任意栅格点上的日均近地表大气温度数据，开展了典型缺资料地区我国西北国际河流伊犁河流域近地表日均大气温度估算，通过对估算结果及中间过程多方面的验证和分析，确保了研究所提出技术体系的可靠性，保证了估算结果的合理性和可靠性，对于进一步开展流域的生态、水文过程研究和模拟具有重要意义。

显然，以上所描述的实施例仅是本发明部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属本发明保护范围。

Claims (5)

1.一种基于遥感的近地表日均大气温度反演方法，其特征在于：包括以下步骤：

步骤一、基于地面温度数据，通过引入代表性因子体现季节、太阳辐射、地形和下垫面因素对近地表大气温度形成的影响，反演得到近地表瞬时大气温度值；

步骤二、构建反演得到的近地表瞬时大气温度与日均大气温度转换方程，实现步骤一得到的瞬时气温数据向日均气温数据的尺度转化；

步骤三、基于全球陆地同化系统提供的3小时25公里空间分辨率地表大气温度数据，进行空间降尺度和时间尺度融合，得到日均1公里空间分辨率近地表日均大气温度数据；

步骤四、对步骤二和步骤三得到的两种近地表日均大气温度数据集进行融合，反演得到最终的近地表日均大气温度数据。

2.根据权利要求1所述的一种基于遥感的近地表日均大气温度反演方法，其特征在于：所述步骤一的近地表瞬时大气温度反演方法如下：

基于地表温度求算卫星过境时刻地表2m高处1km空间分辨率大气温度的公式如下：

T_2m＝LST+1.82-10.66cos z(1-NDVI)+0.566a

-3.72(1-AL)(cos is/cos z+(π-s)/π)R_s ^↓-3.41Δh (1)

式中：T_2m为2m高处大气温度，单位K；LST为地表温度，单位K；z为太阳天顶角，单位rad；NDVI为归一化植被指数；a为太阳方位角，正南为：0，单位rad；AL为地表反照率；is太阳入射角，单位rad；s为地面坡度，单位rad；R_s ^↓为下行短波辐射，单位w/m²；Δh为观测点高程与20km范围内高程平均值的差值，单位km，所有参数均通过遥感方法获得。

3.根据权利要求1所述的一种基于遥感的近地表日均大气温度反演方法，其特征在于：利用NCEP/NCAR气温再分析数据构建反演得到的近地表瞬时大气温度与日均大气温度转换方程，实现步骤一得到的瞬时气温数据向日均气温数据的尺度转化，

NCEP/NCAR气温再分析数据集提供全球范围4个时刻，UTC00:00，06:00，12:00和18:00，1.875°气温再分析数据，日均气温数据由4个瞬时时刻的气温均值求得，每个NCEP/NCAR数据格网均能建立4个时刻的瞬时气温与日均气温关系的统计方程，如方程式(2)所示：

NCEP Hang_Lie：y＝m×x+n (2)

式中：NCEP Hang_Lie代表NCEP数据栅格编号；y为栅格日均大气温度；x为某一时刻瞬时大气温度；m为统计斜率；n为统计截距。

4.根据权利要求1所述一种基于遥感的近地表日均大气温度反演方法，其特征在于：基于全球陆地同化系统提供的3小时25公里空间分辨率地表大气温度数据空间降尺度和时间尺度融合具体方法为：

1)基于全球陆地同化系统提供的一天8个时刻的瞬时气温数据，求均值得到全球陆地同化系统原始空间分辨率25km日均大气温度数据；

2)求得全球陆地同化系统栅格像元覆盖范围内25km*25km平均地面高程；

3)引入气温垂直温度递减率，构建并利用气温与海拔高程统计关系如下述公式(3)，计算栅格范围内25km空间分辨率的海平面高度日均大气温度；

ΔT＝ΔH*δ (3)

式中：ΔT为A、B两地之间的大气温度差；ΔH为B、A两地之间的海拔高度差；δ为气温随高程变化的垂直温度递减率；

4)对得到的25km空间分辨率海平面高度日均大气温度进行双线性内插，得到海平面高度1km空间分辨率日均大气温度数据；

5)引入更高分辨率1km数字地面高程数据，利用公式(3)逆向计算得到1km空间分辨率栅格实际高程位置的大气温度数据；通过引入更高分辨率1km高程数据，实现原始全球陆地同化系统像元25km气温数据的空间降尺度。

5.根据权利要求1一种基于遥感的近地表日均大气温度反演方法，其特征在于：对步骤二和步骤三得到的两种近地表日均大气温度数据集进行融合的方法，是指首先对步骤二得到的结果进行数据分析，得到低温条件下反演结果精度突变阈值，然后其阈值温度以下的气温反演结果，利用步骤三降尺度结果进行替换。