CN113255148A - 基于modis产品数据估算全天气气温及其时空分布方法 - Google Patents

Abstract

本发明提供一种基于MODIS产品数据估算全天气气温及其时空分布方法，获取研究区MOD07_L2和MOD06_L2产品数据、SRTM DEM数据和站点实测数据，对数据进行预处理，保证MODIS产品数据和站点实测数据时间一致，使SRTM DEM数据与MODIS产品数据具有相同的空间分辨率。利用大气廓线外推法得到的晴天气温，并与地表温度进行平均，得到晴天条件下空气温度瞬时数据；建立晴天气温与晴天地表温度的回归模型，将有云条件下地表温度代入回归方程，得到有云条件下瞬时空气温度，进而合成为全天气下空气温度。本发明实现了全天气气温在瞬时时间上的连续估算；能够快速地获取研究区气温的时空分布信息，实现了全天气气温在不同时空尺度上的连续准确估算。

Description

基于MODIS产品数据估算全天气气温及其时空分布方法

技术领域

本发明属于全天气空气温度估算方法，具体涉及一种基于MODIS产品数据估算全天气气温及其时空分布方法。

背景技术

空气温度(气温)作为重要的气象要素之一，参与地表能量交换、水循环等众多生物物理过程，是水文模型、气候模型中的关键参数。常规的气象站点观测到的气温虽然具有时间分辨率高、记录准确等优点，但是站点覆盖的空间范围有限，难以反映气温在不同时间和空间上的分布趋势，特别是在气候、海拔变化较大的地区尤为明显。空间插值是获取气温空间分布的常用方法，但是由于气象站点在不同地区分布比较稀疏，利用有限的站点难以生成较为精准的气温分布数据。

卫星遥感技术的发展为估算陆表气温提供了连续大范围的地表和大气参数，进而生成气温的时空分布数据。空气温度遥感估算方法主要有3类。第一类是地表能量平衡法，该方法基于太阳辐射收支平衡的原理，利用能量的转化过程来估算气温，但能量平衡公式较为复杂且所需参数众多，遥感技术难以同时提供植被、土壤、地表粗糙度等众多下垫面参数信息，因此该方法适用范围有限。第二类是温度—植被指数(TVX)分析法，该方法假设浓密植被的冠层温度等于冠层内的空气温度，通过建立地表温度与植被指数(VI)的负相关关系，利用饱和VI值来估算气温。该方法的不足之处在于需要去除窗口内多余的云体或水体信息，并且需要气温观测值进行校准。第三类是统计分析法，该类方法具有模型简单、适用范围广等优点，具体又可分为地表温度回归分析法和大气廓线外推法。地表温度回归分析法采用“自下而上”的估算方式，通过建立气温观测值和地表温度的回归模型，进而估算区域尺度气温。与地表温度回归分析法不同，大气廓线外推法采用的是“自上而下”的估算方式，利用不用气压带气温和海拔的线性关系来估算气温。地表温度回归分析法需要气温观测值进行校准，无法通过遥感数据直接估算近地表瞬时气温；大气廓线外推法仅能估算晴天条件下近地表瞬时气温。

发明内容

针对以上问题，本发明提出一种基于MODIS产品的全天气空气温度估算方法，在不使用站台气温观测值进行校准的情况下，可以实现全天气近地表瞬时气温估算，利用实测气温观测值进行校准，生成具有高精度的月尺度近地表空气温度产品。

具体的技术方案为：

基于MODIS产品数据估算全天气气温及其时空分布方法，包括以下步骤：

(1)在美国Earthdata官方网站分别下载研究区的MOD07_L2和MOD06_L2产品数据，在地理空间数据云网站下载SRTM DEM数据，向气象部门申请气象站点实测气温数据；

(2)利用ArcGIS、HEG和Python工具对数据进行预处理，所述的预处理主要包含对步骤(1)获取的遥感数据进行子集的提取、投影变换、拼接、裁剪、重采样以及有效值转换，对实测数据进行数据子集提取，保证两种数据时间一致，对SRTM DEM数据进行重采样；

(3)首先利用大气廓线外推法估算晴天条件下研究区瞬时气温。气温随海拔升高而下降的特性称为气温垂直递减率(ALR)，因此可以确定高度为H处的气温为：

T_a＝ALR(H-H₀)+T₀ (1)

式中，T₀在高度为H₀所观测到的气温，ALR为气温垂直递减率。

MOD07_L2大气廓线产品提供了20种垂直分布的水平大气压，每种水平大气压对应着不同的大气温度廓线。大气压与高度差的关系可假设为：

式中，g为重力加速度，ρ为空气的密度，P^L是MODIS大气廓线测量的距离地表最低水平气压，P^S是从MOD07_L2获得的陆地表面气压，ΔH是这两个气压之间的高度差。根据公式(1)，ALR可定义为：

式中，

是从MOD07_L2中距离地表最低气压层获取的大气温度，

是与地表气压相对应的近地表空气温度。结合公式(2)和公式(3)，近地表空气温度可表示为：

式中，ρ和g为常数，

P^L，和P^S均可从MOD07_L2产品中获取。因此，ALR是估算

所需的唯一未知变量。考虑到ALR具有时空异质性，因此分别提取MOD07_L2产品中最接近地表的第一层和第二层的水平气压，及其对应的大气温度，根据公式(2)和公式(3)，ALR可以表示为：

式中，P^L1和P^L2分别表示MOD07_L2产品中最接近地表的第一层和第二层的大气压强，

和

分别表示在大气压强P^L1和P^L2水平下对应的大气温度。最终结合公式(5)-(6)，近地表空气温度估算表达式为：

式中，

即为利用大气廓线外推法估算的晴天条件下瞬时近地表气温。

(4)实验表明大气廓线外推法估算的近地表气温具有低估的趋势，而MOD06_L2地表温度通常高于近地表气温，因此取两种温度的平均值代表晴天条件下瞬时近地表气温。

式中，

即为晴天条件下瞬时近地表气温，T_s为MOD06_L2地表温度。

(5)由于MOD07_L2只提供了晴天条件下的大气廓线数据，所以上述方法只能实现晴天气温的遥感估算。而MOD06_L2可以同时提供晴天和有云天的地表温度，并且MOD06地表温度与近地表气温具有较强的线性关系，通过回归的方法可以实现有云天气温的遥感估算。因此，在上述晴天气温估算的基础上，可以逐像元建立晴天气温估算值与晴天MOD06_L2地表温度的一元回归模型，然后将有云天MOD06_L2地表温度代入回归方程，实现有云天瞬时气温的遥感估算。

(6)在晴天条件和有云天条件下瞬时气温遥感估算的基础上，为了更准确地反映研究区气温的时空分布格局，将晴天气温与有云天气温合成为全天气气温，通过平均化的方法合成为逐月平均气温

结合数字高程模型逐月建立站点气温观测值与和高程的多元回归模型(公式9)，将得到的多元回归系数应用在研究区内的所有像元，可得到研究区内月尺度空气温度产品：

式中，

为月平均气温实测值，

为全天气月平均气温估算值，H为各站点的高程：a₀，a₁，a₂为多元回归模型的系数。

与现有利用MODIS遥感数据进行瞬时气温估算相比，本发明的有益效果为：

本发明提出了基于MODIS产品估算近地表瞬时空气温度方法，并将其应用到自然环境复杂、高程变化明显的异质区域进行瞬时空气温度遥感估算。相比于地表温度回归分析法，本发明可以摆脱对气温观测值的依赖，完全基于MODIS产品数据实现近地表瞬时空气温度遥感估算。相比于大气廓线外推法，本发明结合地表温度数据，通过建立晴天条件下近地表空气温度与地表温度的回归模型，将有云条件下地表温度代入回归模型中，能够估算有云条件下的瞬时气温，最终将晴天瞬时气温和有云天瞬时气温合成为全天气气温。同时，为了获取研究区高精度月尺度空气温度产品，本发明通过逐月建立气温观测值与全天气气温估计值和站点高程的多元回归模型，并将多元回归系数应用研究区的每个像元中，能够获取高精度连续的月尺度空气温度时空分布数据。

附图说明

图1本发明的流程图；

图2多元回归模型验证精度；

图3-1为实施例青海省9年(2011-2019)1月平均气温空间分布图；

图3-2为实施例青海省9年(2011-2019)2月平均气温空间分布图；

图3-3为实施例青海省9年(2011-2019)3月平均气温空间分布图；

图3-4为实施例青海省9年(2011-2019)4月平均气温空间分布图；

图3-5为实施例青海省9年(2011-2019)5月平均气温空间分布图；

图3-6为实施例青海省9年(2011-2019)6月平均气温空间分布图；

图3-7为实施例青海省9年(2011-2019)7月平均气温空间分布图；

图3-8为实施例青海省9年(2011-2019)8月平均气温空间分布图；

图3-9为实施例青海省9年(2011-2019)9月平均气温空间分布图；

图3-10为实施例青海省9年(2011-2019)10月平均气温空间分布图；

图3-11为实施例青海省9年(2011-2019)11月平均气温空间分布图；

图3-12为实施例青海省9年(2011-2019)12月平均气温空间分布图。

具体实施方式

结合实例说明本发明的具体技术方案。

以2011-2019年中国青海省为研究对象，对逐日晴天条件和有云条件下的空气温度进行了估算及验证，并生成了青海省逐月气温产品，按照图1的流程，具体实施过程如下：

在美国Earthdata官方网站分别下载青海省2011-2019年的MOD07_L2和MOD06_L2产品数据，在地理空间数据云网站下载SRTM DEM数据，向气象部门申请气象站点实测气温数据，并利用ArcGIS、HEG和Python对数据进行预处理，具体包括对MOD07_L2和MOD06_L2数据子集的提取、投影变换、拼接、裁剪、重采样以及有效值转换，对实测数据进行数据子集提取，保证两种数据时间一致，对SRTM DEM数据进行重采样，使其与MOD07_L2和MOD06_L2具有相同的空间分辨率。最终得到研究区的地表气压数据、20层大气压数据、20层大气温度数据、地表温度数据及实测气温数据。

选取研究区内50个气象站点进行实验。首先利用ArcGIS提供的arcpy工具编写脚本程序，分别提取每个站点的地表气压、最接近地表的第一层大气压强和第二层大气压强，及其对应的气温廓线，根据公式(7)计算出晴天近地表气温数据，然后提取每个站点的地表温度数据，根据公式(8)计算出晴天条件下瞬时空气温度；然后利用MATLAB软件编写一元回归程序代码，逐站点建立估算的晴天瞬时气温和晴天地表温度的回归方程，将有云条件下地表温度代入回归方程中，得到有云条件下瞬时空气温度，进而合成为全天气瞬时气温。下表1列出了每个站点全天气瞬时气温估算精度。

为了生成具有高精度的近地表空气温度产品，本发明引入了数字高程模型，并将全天气瞬时气温数据和实测的气温数据利用平均化的方法合成为每月平均气温，进而通过建立多元回归模型来获取青海省每月近地表平均气温的时空分布。本部分主要利用MATLAB软件编写多元回归模型脚本程序实现。为了确保多元回归模型估算的每月平均气温的精度，本发明对多元回归模型进行了精度验证。多元回归模型是逐月建立的(共108个月)，因变量为随机选取的40个站点月气温实测数据，自变量为各个站点相对应的月气温估计合成值和高程，每月剩余的10个站点进行精度验证，每月随机选取5次。图2为多元回归模型的验证精度。所建立的多元回归模型中，有96个月份的R2在0.8以上，占总月份总数的89％，拟合程度良好，其中有99个月份的RMSE在2.5℃以下，占总月份总数的92％，具有较高的精度。为了生成青海省高精度过境时刻的空气温度产品，将每月所有站点数据全部用于建立多元回归模型，并将多元回归系数应用在青海省的每个像元中，可以保证青海省气温估算精度保持在2.5℃以内。图3-1到图3-12为青海省2011-2019年每月平均气温空间分布图。

表1每个站点全天气气温的估算精度

在所有站点的气温估算中，本发明估算的全天气气温产生的r、Bias、MAE和RMSE分别为0.92、2.90℃、3.97℃和4.93℃，大气廓线外推法估算的全天气气温产生的r、Bias、MAE和RMSE分别为0.88、-3.13℃、4.72℃和5.81℃。因此，本发明提出的全天气空气温度遥感估算精度足以达到或超过前人的研究精度。

Claims (3)

1.基于MODIS产品数据估算全天气气温及其时空分布方法，其特征在于，包括以下步骤：

(1)获取研究区MODIS产品数据、SRTM DEM数据和站点实测数据，站点实测数据即实测的气温数据；

(2)对数据进行预处理，保证MODIS产品数据和站点实测数据时间一致；

(3)利用大气廓线外推法估算晴天条件下研究区瞬时气温，近地表空气温度估算表达式为：

式中，P^L1和P^L2分别表示MOD07_L2产品中最接近地表的第一层和第二层的大气压强，

和

分别表示在大气压强P^L1和P^L2水平下对应的大气温度，P^S是从MOD07_L2获得的陆地表面气压，

即为利用大气廓线外推法估算的晴天条件下瞬时近地表气温；

(4)大气廓线外推法估算的近地表气温具有低估的趋势，而MOD06_L2地表温度通常高于近地表气温，因此取两种温度的平均值代表晴天条件下瞬时近地表气温：

式中，

即为晴天条件下瞬时近地表气温，T_s为MOD06_L2地表温度；

(5)在晴天气温估算的基础上，逐像元建立晴天气温估算值与晴天MOD06_L2地表温度的一元回归模型，然后将有云天MOD06_L2地表温度代入回归方程，实现有云天瞬时气温的遥感估算；

(6)在晴天条件和有云天条件下瞬时气温遥感估算的基础上，将晴天气温与有云天气温合成为全天气气温，通过平均化的方法合成为逐月平均气温

结合数字高程模型逐月建立站点气温观测值与和高程的多元回归模型，将得到的多元回归系数应用在研究区内的所有像元，可得到研究区内月尺度空气温度产品：

式中，

为月平均气温实测值，

为全天气月平均气温估算值，H为各站点的高程；a₀，a₁，a₂为多元回归模型的系数。

2.根据权利要求1所述的基于MODIS产品数据估算全天气气温及其时空分布方法，其特征在于，步骤(1)中所述的研究区MODIS产品数据，具体包括MOD07_L2大气廓线产品数据和MOD06_L2地表温度数据。

3.根据权利要求1所述的基于MODIS产品数据估算全天气气温及其时空分布方法，其特征在于，步骤(2)中所述的预处理主要包括，对步骤(1)获取的遥感数据进行数据子集的提取、投影变换、拼接、裁剪、重采样以及有效值转换，对实测数据进行数据子集提取，保证两种数据时间一致。

Images