李雙成， 王曉玥， 謝愛麗， 馬冰瀅

1.北京大學城市與環(huán)境學院， 地表過程分析與模擬教育部重點實驗室， 北京大學土地科學中心， 北京 100871 2.北京大學深圳研究生院城市規(guī)劃與設計學院， 城市人居環(huán)境科學與技術重點實驗室， 廣東 深圳 518055

基于多層感知器模型的MODIS地表溫度降尺度研究

李雙成1， 王曉玥1， 謝愛麗1， 馬冰瀅2

1.北京大學城市與環(huán)境學院， 地表過程分析與模擬教育部重點實驗室， 北京大學土地科學中心， 北京 100871 2.北京大學深圳研究生院城市規(guī)劃與設計學院， 城市人居環(huán)境科學與技術重點實驗室， 廣東 深圳 518055

LST(land surface temperature,地表溫度)是一個極為重要的自然地理參數(shù)，能夠表征地球表層系統(tǒng)的多個自然地理過程，同時與人類生產(chǎn)生活密切關聯(lián). 為解決LST獲取中時空分辨率不能自動互補的問題，以北京市為研究案例區(qū)，構建MLP(multilayer perceptron,多層感知器)模型，對MODIS(Moderate Resolution Imaging Spectroradiometer)1 km LST數(shù)據(jù)進行降尺度研究. 結果表明：預測白天LST的MLP模型的訓練、測試和整體決定系數(shù)分別為0.810、0.796和0.807，預測夜間LST的MLP模型的訓練、測試和整體決定系數(shù)分別為0.702、0.705和0.701，預測殘差值均服從正態(tài)分布，構建的模型可靠性較高. 與回歸模型和支撐向量機等模型相比，MLP模型具有擬合優(yōu)度高、誤差小等優(yōu)點，此外，MLP模型測試數(shù)據(jù)集的擬合度也較高，說明模型的泛化推廣能力較強. MLP模型的LST降尺度結果能夠清晰地反映下墊面地表熱環(huán)境的空間異質性和晝夜差異. 平原地區(qū)的建設用地區(qū)為LST的高值區(qū)，山區(qū)遠郊縣為LST的低值區(qū)，白天LST顯著高于夜間LST. 將TM影像反演的LST的空間分辨率聚合到250 m，使之與MLP模型的LST降尺度結果的空間分辨率相同，并通過隨機采50 000個樣點比較TM影像反演的LST和MLP模型的LST降尺度結果. 檢驗結果表明，盡管二者在具體數(shù)值上有些差異，但其空間結構高度相似，協(xié)方差為正，相關系數(shù)可達0.730，誤差呈現(xiàn)正態(tài)分布. 研究顯示，人工神經(jīng)網(wǎng)絡模型在LST降尺度方面具有較大的應用前景.

地表溫度； 降尺度； 多層感知器； 北京市

LST (land surface temperature,地表溫度)是一個重要的自然地理參數(shù). 一方面，LST連接多個陸地表層的生物物理過程(如熱量和水分的循環(huán)過程)，是大氣與地表進行能量交換的重要指證[1-2]，許多地氣模型中均有溫度(包括氣溫和地溫)這個參數(shù)[3-4]. 另一方面，LST又是與人類生產(chǎn)生活密切關聯(lián)的一個自然指標，它能夠表征城市熱環(huán)境[5-7]和區(qū)域性干旱[8-9]等現(xiàn)象. 因此，獲取LST狀況長期以來是氣候、生態(tài)、水文、土壤、城市等學科領域重要的研究目標之一[2].

一般來說，可以通過三種途徑獲得LST這一參數(shù)值：①通過儀器手段觀測得到，如常規(guī)氣象觀測、土壤墑情觀測和一些特殊用途的觀測等. ②利用星載或機載傳感器收集、記錄地物的熱紅外信息，并利用這種熱紅外信息來識別地物和反演LST. 常見的幾種星載熱紅外傳感器有ASTER、AVHRR、MODIS和ETM+TM等. ③通過模式模擬途徑獲得. 許多地球表層系統(tǒng)或子系統(tǒng)的模型都有與溫度相關的模塊或參數(shù)，可以作為中間過程或直接輸出結果. 三種途徑相比，站點實地觀測成本較高，且不能獲得連續(xù)空間數(shù)據(jù)；模式模擬則受限于模型精度和系統(tǒng)誤差，加之間接計算得到溫度，其結果常受到質疑；隨著紅外傳感器的不斷發(fā)展，多時相、多光譜的遙感數(shù)據(jù)可以大范圍地反映LST連續(xù)空間分布和動態(tài)變化信息，且定量分析精度不斷提高. 因此，紅外遙感反演的LST逐漸成為了主要的數(shù)據(jù)源，其應用領域不斷擴展[2,10-11].

然而，受熱紅外傳感器成像條件的制約，LST的獲取常常存在時空分辨率不能自動互補的情況，即一些遙感反演的LST空間分辨率較高(如ETM+TM)，但時間分辨率較低；反過來，一些LST時間分辨率較高(如MODIS)，而空間分辨率較低. 在此情況下，對高時間分辨率的LST產(chǎn)品進行空間降尺度成為目前的研究熱點之一[12-15]. 技術方法上，多采用統(tǒng)計降尺度如人工神經(jīng)網(wǎng)絡[16-17]、回歸方程[18-19]、隨機森林[20]和回歸樹[21]等. 降尺度參數(shù)選擇上，多采用遙感光譜指數(shù)〔如歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)、增強型植被指數(shù)(enhanced vegetation index，EVI)、歸一化建筑指數(shù)(normalized difference built-up index，NDBI)和發(fā)射率等〕[12,22-26]，也有加入地形和城市不透水表面等參數(shù)的研究[20,27-29].

盡管已有一些LST降尺度研究成果發(fā)表，但尚存在許多需要改進之處. 概括來說，LST降尺度工作是在大尺度上建立LST與相關因素的轉換函數(shù)，然后應用到中小尺度上的過程，其核心是轉換函數(shù)(趨勢面函數(shù))的構造[20]. 由于沒有轉換函數(shù)類型的先驗知識，當前研究中出現(xiàn)各種經(jīng)驗公式，使降尺度成果的可比性和泛化能力受到影響. 在此情形下，“黑箱”式的人工神經(jīng)網(wǎng)絡模型具有較大的優(yōu)勢. 在對已有工作分析的基礎上，該研究以北京市為案例區(qū)，構建MLP(multilayer perceptron，多層感知器)模型，以NDVI、NDBI和海拔為輸入端神經(jīng)元，LST為輸出端神經(jīng)元，實現(xiàn)LST的降尺度，以期為LST降尺度研究提供方法指導.

1 研究區(qū)概況

該研究區(qū)為北京市，總面積 16 807.8 km2，其中山區(qū)面積約占62%，平原區(qū)占38%. 北京市位于河北平原的西北部，西北倚靠燕山，西南太行山為其屏障，地勢西北高、東南低，最高峰為位于門頭溝區(qū)西北部的東靈山，海拔2 303 m. 北京市氣候類型為典型的溫帶大陸性季風氣候，四季分明，春季多風沙，夏季炎熱多雨，秋季晴朗溫和，冬季寒冷干燥，多年平均氣溫12.0 ℃左右，多年平均降水量630 mm左右，多年平均蒸發(fā)量為 1 800～2 000 mm. 該地區(qū)屬于半干旱半濕潤地區(qū)，地帶性植被類型為暖溫帶落葉闊葉林，主要建群種包括櫟、樺、楊、椴等，森林主要分布在太行山和燕山中低山區(qū). 除了落葉闊葉林外，溫性針葉林也是研究區(qū)森林植被的主要組成類型. 平原地區(qū)的植被類型主要為人工植被，如農(nóng)作物和人工林等. 在平原區(qū)的低洼地帶，生長有濕生和水生植被，如蘆葦、香蒲等.

根據(jù)《北京統(tǒng)計年鑒2016》，2015年北京市各類土地利用面積：耕地 219 326.49 hm2、園地 134 857.89 hm2、林地 737 078.88 hm2、草地 85 066.77 hm2、城鎮(zhèn)及工礦用地 304 393.05 hm2、交通運輸用地 47 062.78 hm2、水域及水利設施用地 78 304.28 hm2、其他土地 34 525.92 hm2. 改革開放以來，北京市社會經(jīng)濟快速發(fā)展，GDP由2000年的31.62×1010元升至2015年的230.15×1010元. 人口數(shù)量也急劇增加，常住人口由2000年的13.64×106人增至2015年的21.71×106人. 與此同時，城市擴張顯著，根據(jù)《北京統(tǒng)計年鑒2016》，北京市建成區(qū)面積從2000年的490.1 km2擴展到2015年的1 289.3 km2. 城市面積擴張及其基礎設施的修建，顯著改變了城市下墊面的自然和人文景觀要素構成，突出表現(xiàn)為不透水表面積增大，城市熱環(huán)境改變，熱島效應增強.

2 數(shù)據(jù)與方法

2.1 NDVI和NDBI

NDVI (normalized difference vegetation index，歸一化差值植被指數(shù))是應用最為廣泛的遙感光譜指數(shù)，常用來表征下墊面地物尤其是綠色植被的生長狀況. 計算公式：

(1)

式中，ρred和ρnir為分別為紅波段和近紅外波段處的反射率值，在MODIS中對應于波段1和波段2. NDVI值歸一化在-1～1之間，大于0表示有植被生長，且值越大植被覆蓋度越高；NDVI小于0表示地表覆蓋為云、水、雪等；NDVI為0表示地表為巖石或裸土等. MODIS中用于計算NDVI的波段1和波段2的空間分辨率為250 m(http:ladsweb.nascom.nasa.govdatasearch.html).

NDBI (normalized difference built-up index，歸一化建筑指數(shù))是一種用來表征城鎮(zhèn)用地的有效指標[30]，計算公式：

(2)

式中，ρmir和ρnir分別為中紅外波段和近紅外波段處的反射率值，在TM中分別對應于波段5和波段4. NDBI值大于0表示城鎮(zhèn)用地，小于0則表示非城鎮(zhèn)用地. 采用Hansen等[31]提供的2010年研究區(qū)TM影像數(shù)據(jù)，根據(jù)式(2)計算得到NDBI. NDBI原始數(shù)據(jù)的空間分辨率為30 m，使用ArcGIS 10.2的聚合工具將其粗?；?50 m.

2.2 海拔(DEM)

海拔數(shù)據(jù)來自于SRTM(Shuttle Radar Topography Mission)計劃，由美國太空總署(NASA)和國防部國家測繪局(NIMA)聯(lián)合測量，由CIAT(國際熱帶農(nóng)業(yè)中心)利用新的插值算法得到SRTM地形數(shù)據(jù)(http:srtm.csi.cgiar.org)，空間分辨率為90 m，使用ArcGIS 10.2的聚合工具將其粗?；?50 m.

2.3 LST(地表溫度)

LST數(shù)據(jù)有兩種：①基于MODIS影像的LST，采用劈窗算法由第31波段和第32波段的亮溫反演實現(xiàn)(http:ladsweb.nascom.nasa.govdatasearch.html)，時間為2009年9月14日，空間分辨率為1 km，用于MLP模型訓練的目標值；②基于TM影像的LST[32]，時間為2009年9月22日，原始空間分辨率為60 m，使用ArcGIS的聚合工具將其粗?；?50 m，用于與MLP模型的LST降尺度結果的對比.

所有數(shù)據(jù)層均通過投影變換，統(tǒng)一至Albers等面積圓錐投影. 投影參數(shù)：第一標準緯線25°，第二標準緯線47°，中央經(jīng)線105°. 為了減少數(shù)據(jù)提取的誤差，所有圖層均使用統(tǒng)一的北京市行政區(qū)劃邊界進行掩膜處理，并保證行列數(shù)和柵格大小一致.

2.4 MLP(多層感知器)模型

MLP模型是在單層感知器基礎上增加隱藏層而形成的一種多層前饋網(wǎng)絡(multilayer feedforward neural network)，一般由輸入層、隱藏層和輸出層構成(見圖1).

圖1 MLP模型結構示意Fig.1 The structure of MLP model

根據(jù)已有的研究成果[1,5,14,26,29]對LST影響因素進行定性分析，并采用不同網(wǎng)絡結構進行多次模擬，最終選定NDVI、NDBI和海拔作為MLP模型的輸入端神經(jīng)元，LST作為輸出端神經(jīng)元. 用1 km的LST數(shù)據(jù)提取訓練數(shù)據(jù)，共獲得 11 607 個樣點，其中70%用來訓練(train)網(wǎng)絡，15%用來測試(test)網(wǎng)絡，15%用來檢驗(validation)網(wǎng)絡. 訓練數(shù)據(jù)集用來訓練和確定網(wǎng)絡參數(shù)(如權值分布等)，檢驗數(shù)據(jù)集用來確定和優(yōu)化網(wǎng)絡結構，測試數(shù)據(jù)集用來測試已經(jīng)訓練好的網(wǎng)絡泛化能力. 用擬合優(yōu)度和誤差作為網(wǎng)絡性能的表征，綜合考慮訓練、測試和檢驗3個數(shù)據(jù)子集的擬合效果，經(jīng)過多次迭代，最后確定MLP的隱藏層神經(jīng)元數(shù)為13. 經(jīng)過模型測試，增加隱藏層的層數(shù)沒有提高模型擬合優(yōu)度，且增加了訓練時間，故只設一個隱藏層. 因此，MLP網(wǎng)絡結構為3-13-1. MLP網(wǎng)絡隱藏層轉移函數(shù)為“l(fā)ogsig”(單極性S函數(shù))，輸出層轉移函數(shù)為“purelin”(線性函數(shù)). 訓練函數(shù)為“trainlm”(Levenberg-Marquardt梯度下降函數(shù))，最大訓練批次為300，訓練目標最小誤差0.01. MLP網(wǎng)絡構建、訓練和測試均在MATLAB R2015b中實現(xiàn).

該研究以北京市為案例區(qū)，通過構建MLP模型，將基于MODIS影像的1 km LST數(shù)據(jù)降尺度到 250 m. 同時通過降尺度結果分析、與多元線性回歸和支撐向量機回歸模型的擬合優(yōu)度對比，并與粗粒化到250 m的TM影像反演的LST數(shù)據(jù)進行比較，驗證MLP模型應用于LST降尺度的可行性和有效性.

3 結果與分析

3.1 MLP模型模擬性能

在MATLAB環(huán)境中運行構建的MLP模型，分別得到白天LST和夜間LST的預測擬合優(yōu)度(R)(見圖2、3). 從圖2可以看出，MLP模型對于白天LST預測的擬合優(yōu)度R都超過或接近于0.8，擬合效果很好. 而且，測試數(shù)據(jù)的擬合優(yōu)度R(0.796)也接近0.8，說明網(wǎng)絡的泛化(generalization)能力較強，能夠用于訓練樣本以外的數(shù)據(jù)預測. 結合圖3可知，MLP模型對于夜間LST的擬合效果稍遜于白天，但訓練、檢驗、測試和全部樣本的擬合優(yōu)度R都在0.7左右，說明網(wǎng)絡擬合效果較好，且具有較強的推廣能力.

圖2 MLP模型對于白天LST預測的擬合效果Fig.2 Fitting effects of MLP model for LST prediction in the day

另外，為了表征MLP模型的性能，對神經(jīng)網(wǎng)絡擬和殘差(實際值與網(wǎng)絡輸出值之差)進行正態(tài)分布分析(見圖4)，結果發(fā)現(xiàn)，MLP模型對白天和夜間LST的擬合殘差值符合正態(tài)分布，說明模型所用數(shù)據(jù)及網(wǎng)絡權值所表達的變量之間關系具有可靠性.

為了說明MLP模型的性能，選擇多元線性回歸和支撐向量機回歸模型與之進行對比. 回歸數(shù)據(jù)按照MLP模型訓練和測試的比例分割，因變量分別為白天LST和夜間LST，分別得到訓練、測試和整體回歸數(shù)據(jù)的擬合優(yōu)度(見表1). 從表1可以看出，從擬合優(yōu)度來看，不論是白天LST還是夜間LST的訓練、測試和整體擬合優(yōu)度，MLP模型的效果都優(yōu)于MLR和SVM模型，說明MLP模型在預測LST方面更加具有優(yōu)勢.

3.2 MLP模型結果

采用構建的MLP模型將1 km的LST降尺度到250 m(見圖5). 從圖5可以看出，LST的降尺度結果能夠清晰地反映下墊面地表的熱環(huán)境空間異質性. 平原地區(qū)的建設用地區(qū)為LST的高值區(qū)，但能夠分辨城區(qū)的水域和綠地的降溫效應；山區(qū)遠郊縣為LST的低值區(qū)，反映出海拔和自然植被對于溫度的分異和調(diào)節(jié)作用. 整體上，白天的LST顯著高于夜間，白天的最高溫度為36.85 ℃，最低溫度18.06 ℃,平均為26.52 ℃，標準偏差為2.04 ℃；夜間的最高溫度為19.25 ℃，最低溫度6.86 ℃,平均為13.85 ℃，標準偏差為1.55 ℃. 值得注意的是，水體表面的溫度在白天和夜間差異較大，其中位于北京市東北部的密云水庫區(qū)域可明顯反映出水體在白天有降溫效應，在夜間有升溫效應.

圖3 MLP模型對于夜間LST預測的擬合效果Fig.3 Fitting effects of MLP model for LST prediction at night

圖4 MLP模型預測LST殘差值正態(tài)分布Fig.4 The normal distribution of LST prediction residual of MLP model

模型預測LST的擬合優(yōu)度(R)白天夜間訓練樣本測試樣本全部樣本訓練樣本測試樣本全部樣本MLP(多層感知器)0.8100.7960.8070.7020.7050.701MLR(多元回歸)0.7560.7320.7460.5810.5360.577SVM(支撐向量機)1)0.7870.7770.7850.6280.6230.624

注： 1)SVM參數(shù)：回歸類型2 (capacity=10.000,nu=0.500)，核函數(shù)類型：徑向基函數(shù) (gamma=0.333)，支撐矢量數(shù)目=702 (634 bounded).

注： 空間分辨率為250 m.圖5 MLP模型的LST降尺度結果Fig.5 Downscaled LST based on MLP model

注： 空間分辨率為250 m.圖6 MLP模型LST降尺度結果與TM反演LST結果比較Fig.6 Comparison between downscaled LST based on MLP model and retrieved LST based on TM images

通過對網(wǎng)絡輸入端神經(jīng)元全局性敏感分析可以發(fā)現(xiàn)，影響LST的3個因素作用各不相同. 對于白天的LST來說，3個因素作用大小依次是NDVI、海拔和NDBI. NDVI主要反映地表綠色覆蓋，通過反照率和蒸散發(fā)等對LST產(chǎn)生較大作用. 相比較而言，NDBI的作用范圍僅限于城區(qū)等人類活動顯著的區(qū)域；對于夜間的LST來說，3個因素作用大小依次是海拔、NDVI和NDBI. 到了夜間，植被調(diào)節(jié)LST的作用程度有所下降，而海拔對于地形的分異作用得以凸顯.

3.3 MLP模型檢驗

為了檢驗MLP模型的LST降尺度效果，在ArcGIS中將TM影像反演的LST的空間分辨率聚合到250 m，使之與MLP模型的LST降尺度結果的空間分辨率相同(見圖6)，并生成 50 000 個隨機點對兩個圖層采樣進行相關性分析.

從圖6可以發(fā)現(xiàn)，MLP模型的LST降尺度結果與TM反演LST結果在空間格局上具有高度的一致性，都表現(xiàn)出建成區(qū)LST高、西部和北部山區(qū)LST低的空間結構. 誠然，由于TM的LST數(shù)據(jù)與MODIS的LST數(shù)據(jù)時間不完全相同，前者是2009年9月22日，后者是2009年9月14日(第257天)，加之LST反演算法以及尺度粗粒化帶來的誤差，導致二者在數(shù)值上有一定差別.

利用ArcGIS 10.2的空間分析模塊中的Band Collection Statistics工具，對兩個圖層進行定量比較. 從表2可以看出，MLP模型的LST降尺度結果與TM反演LST結果的協(xié)方差矩陣為正，且相關系數(shù)達到0.73，表明兩種結果的吻合度較高. 將兩個圖層各像素值相減得到二者的差值，并對誤差的空間結構進行正態(tài)分布檢驗，結果顯示誤差服從正態(tài)分布(見圖7).

表2 MLP模型的LST降尺度結果與TM反演LST結果相關性分析

注： 空間分辨率均為250 m.

圖7 MLP模型的LST降尺度結果與TM反演LST結果的隨機點檢驗誤差QQplot圖Fig.7 QQplot of random point errors between downscaled LST based on MLP model and retrieved LST based on TM images

4 討論

4.1 與其他人工神經(jīng)網(wǎng)絡模型比較

目前，將人工神經(jīng)網(wǎng)絡應用到LST降尺度的國內(nèi)外研究仍然較少. YANG等[16]以北京市昌平區(qū)為例，利用SOFM(自組織特征映射)網(wǎng)絡對LST進行空間降尺度研究，得到降尺度結果與觀測值相關系數(shù)為0.709. 該研究中，基于MLP模型的降尺度結果與觀測值的相關系數(shù)為0.730，可以說明MLP模型的應用對基于人工神經(jīng)網(wǎng)絡模型的LST降尺度研究具有一定的改進作用.

4.2 模型的不確定性、適用性及拓展性

盡管MLP模型在LST降尺度等方面表現(xiàn)出較為優(yōu)異的性能，但仍在一些不確定性，主要表現(xiàn)在：①模型結構的選擇. 人工神經(jīng)網(wǎng)絡模型的“黑箱”特性，使得網(wǎng)絡結構和訓練參數(shù)的選擇帶有一定的主觀性. 在實際應用時，一般采用不同類型的網(wǎng)絡結構和訓練參數(shù)進行多次模擬，根據(jù)擬合性能選出最優(yōu). ②自變量的確定. 與一般回歸模型相同，因變量LST的影響因素選擇上也具有一定的不確定性. 在MLP模型建構時，可采用擬合優(yōu)度作為指標，嘗試不同的自變量組合來解決這一問題. ③數(shù)據(jù)誤差帶來的不確定性. 除模型自身因素外，研究中的不確定性還可能來源于模型數(shù)據(jù)誤差，如LST反演、NDVI和NDBI計算導致的誤差. 在該研究中，北京北部與西部山區(qū)由于地表異質性強，其降尺度結果差于平原地區(qū)，未來可考慮在平原和山區(qū)分別建立不同的網(wǎng)絡模型，并在山區(qū)網(wǎng)絡模型中增加坡度、坡向、濕度[33]、地形粗糙度[34]等作為輸入端神經(jīng)元，以提高降尺度的精度.

模型的適用性和可拓展性是衡量模型價值的重要指標. 對于“黑箱”式的人工神經(jīng)網(wǎng)絡建模，一般情況下將數(shù)據(jù)集分為訓練、測試和檢驗三部分. 網(wǎng)絡的測試和檢驗效果是決定網(wǎng)絡適用性和可拓展性的重要指標. 盡管有時網(wǎng)絡訓練性能很好，但測試和檢驗效果不佳，說明網(wǎng)絡的泛化能力較差，離線應用將會有較大的不確定性. 從模型方法推廣角度，MLP可廣泛應用于因變量和自變量之間的關系建立，這一特性與回歸模型類似. 而比回歸模型更具優(yōu)勢的是，MLP可應用于變量之間的非線性和非平穩(wěn)關系的模擬.

5 結論

a) 構建的MLP模型在LST降尺度方面性能優(yōu)異，預測白天LST的MLP模型的訓練、測試和整體決定系數(shù)分別為0.810、0.796和0.807，預測夜間LST的MLP模型的訓練、測試和整體決定系數(shù)分別為0.702、0.705和0.701，且預測殘差值服從正態(tài)分布，說明構建的模型可靠性較高.

b) 與多元回歸和支撐向量機模型比較，不論是白天還是夜間LST的訓練、測試和整體擬合優(yōu)度，MLP模型都較高，說明MLP模型在預測LST方面具有優(yōu)勢. 此外，MLP模型測試數(shù)據(jù)集的擬合度也較高，說明模型的泛化推廣能力也較強.

c) 用構建的MLP模型將1 km的MODIS LST降尺度到250 m，結果顯示，不論是白天還是夜間的LST降尺度結果，都能清晰地反映出下墊面不同覆被物下地表熱環(huán)境的空間異質性及晝夜差異.

d) 將TM反演的LST與MLP模型降尺度的LST相比較發(fā)現(xiàn)，盡管具體數(shù)值上有所差異，但二者的空間格局高度相似，協(xié)方差為正，相關系數(shù)高達0.730.

研究顯示，使用人工神經(jīng)網(wǎng)絡模型進行LST降尺度是一條行之有效的途徑.

[1] KLEMEB Z,KRISTOF O.Downscaling land surface temperature for urban heat island diurnal cycle analysis[J].Remote Sensing of Environment,2012,117(1):114-124.

[2] LI Zhaoliang,TANG Bohui,WU Hua,etal.Satellite-derived land surface temperature:current status and perspectives[J].Remote Sensing of Environment,2013,131(8):14-37.

[3] MANNSTEIN H.Surface energy budget,surface temperature and thermal inertia[M]VAUGHAN R A.Remote sensing applications in meteorology and climatology.Berlin,Germany:Springer Netherlands,1987:391-410.

[4] 劉冬韡,敖翔宇,談建國,等.上海城市精細化地表溫度分布模擬[J].氣象與環(huán)境學報,2015,31(2):59-66.

LIU Dongwei,AO Xiangyu,TAN Jianguo,etal.Refined simulation of urban surface temperature distribution in Shanghai[J].Journal of Meteorology and Environment,2015,31(2):59-66.

[5] STATHOPOULOU M,CARTALIS C.Downscaling AVHRR land surface temperatures for improved surface urban heat island intensity estimation[J].Remote Sensing of Environment,2009,113(12):2592-2605.

[6] CLINTON N,PENG G.MODIS detected surface urban heat islands and sinks:global locations and controls[J].Remote Sensing of Environment,2013,134(5):294-304.

[7] 陳彬輝,馮瑤,袁建國,等.基于MODIS地表溫度的京津冀地區(qū)城市熱島時空差異研究[J].北京大學學報(自然科學版),2016,52(6):1134-1140.

CHEN Binhui,FENG Yao,YUAN Jianguo,etal.spatiotemporal difference of urban heat island in Jing-Jin-Ji area based on MODIS land surface temperature[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2016,52(6):1134-1140.

[8] 田輝,馬耀明,胡曉,等.使用MODIS陸地產(chǎn)品LST和NDVI監(jiān)測中國中、西部干旱[J].高原氣象,2007,26(5):1086-1096.

TIAN Hui,MA Yaoming,HU Xiao,etal.Monitoring drought in mid-western China using MODIS land product LST and NDVI[J].Plateau Meteorology,2007,26(5):1086-1096.

[9] 王秀君,陳健.基于LST-EVI特征空間的土壤水分含量反演[J].遙感技術與應用,2014,29(1):46-53.

WANG Xiujun,CHEN Jian.Soil moisture estimation based on the LST-EVI feature space[J].Remote Sensing Technology and Application,2014,29(1):46-53.

[10] JIMENEZ C,MICHEL D,HIRSCHI M,etal.Applying multiple land surface temperature products to derive heat fluxes over a grassland site[J].Remote Sensing Applications Society & Environment,2017,6:15-24.

[11] MAO K B,MA Y,TAN X L,etal.Global surface temperature change analysis based on MODIS data in recent twelve years[J].Advances in Space Research,2017,59:503-512.

[12] ATKINSON P M.Downscaling in remote sensing[J].International Journal of Applied Earth Observation & Geoinformation,2013,22(1):106-114.

[13] 全金玲,占文鳳,陳云浩,等.遙感地表溫度降尺度方法比較:性能對比及適應性評價[J].遙感學報,2013,17(2):374-387.

QUAN Jinling,ZHAN Wenfeng,CHEN Yunhao,etal.Downscaling remotely sensed land surface temperatures:a comparison of typical methods[J].Journal of Remote Sensing,2013,17(2):374-387.

[14] 郭會敏,宮阿都,何汝艷,等.遙感地表溫度空間分辨率降尺度研究[J].遙感信息,2015(4):29-36.

GUO Huimin,GONG Adu,HE Ruyan,etal.Spatial downscaling research of the remotely land surface temperature[J].Remote Sensing Information,2015(4):29-36.

[15] 李小軍,江濤,辛曉洲,等.基于MODIS的地表溫度空間降尺度方法[J].生態(tài)學雜志,2016,35(12):3443-3450.

LI Xiaojun,JIANG Tao,XIN Xiaozhou,etal.Spatial downscaling of land surface temperature based on MODIS data[J].Chinese Journal of Ecology,2016,35(12):3443-3450.

[16] YANG Guijun,PU Ruiliang,ZHAO Chunjiang,etal.Estimation of subpixel land surface temperature using an endmember index based technique:a case examination on ASTER and MODIS temperature products over a heterogeneous area[J].Remote Sensing of Environment,2011,115(5):1202-1219.

[17] YILDIZ B Y,SAHIN M,SENKAL O,etal.Determination of land surface temperature using precipitable water based Split-Window and Artificial Neural Network in Turkey[J].Advances in Space Research,2014,54(8):1544-1551.

[18] MUKHERJEE S,JOSHI P K,GARG R D.A comparison of different regression models for downscaling Landsat and MODIS land surface temperature images over heterogeneous landscape[J].Advances in Space Research,2014,54(4):655-669.

[19] 王祎婷,謝東輝,李小文.構造地理要素趨勢面的尺度轉換普適性方法探討[J].遙感學報,2014,18(6):1139-1146.

WANG Yiting,XIE Donghui,LI Xiaowen.Universal scaling methodology in remote sensing science by constructing geographic trend surface[J].Journal of Remote Sensing,2014,18(6):1139-1146.

[20] HUTENGS C,VOHLAND M.Downscaling land surface temperatures at regional scales with random forest regression[J].Remote Sensing of Environment,2016,178:127-141.

[21] POUTEAU R,RAMBAL S,RATTE J P,etal.Downscaling MODIS-derived maps using GIS and boosted regression trees:the case of frost occurrence over the arid Andean highlands of Bolivia[J].Remote Sensing of Environment,2011,115(1):117-129.

[22] KUSTAS W P,NORMAN J M,ANDERSON M C,etal.Estimating subpixel surface temperatures and energy fluxes from the vegetation index-radiometric temperature relationship[J].Remote Sensing of Environment,2003,85(4):429-440.

[23] 馬偉,趙珍梅,劉翔,等.植被指數(shù)與地表溫度定量關系遙感分析:以北京市TM數(shù)據(jù)為例[J].國土資源遙感,2010,22(4):108-112.

MA Wei,ZHAO Zhenmei,LIU Xiang,etal.A quantitative analysis of the relationship between vegetation indices and land surface temperature based on remote sensing:a case study of TM data for Beijing[J].Remote Sensing for Land and Resources,2010,22(4):108-112.

[24] 聶建亮,武建軍,楊曦,等.基于地表溫度-植被指數(shù)關系的地表溫度降尺度方法研究[J].生態(tài)學報,2011,31(17):4961-4969.

NIE Jianliang,WU Jianjun,YANG Xi,etal.Downscaling land surface temperature based on relationship between surface temperature and vegetation index[J].Acta Ecologica Sinica,2011,31(17):4961-4969.

[25] RODRIGUEZ-GALIANO V,PARDO-IGUZUIZA E,SANCHEZ-CASTILLO M,etal.Downscaling Landsat 7 ETM+ thermal imagery using land surface temperature and NDVI images[J].International Journal of Applied Earth Observation & Geoinformation,2012,18(1):515-527.

[26] 王祎婷,謝東輝,李亞惠.光譜指數(shù)趨勢面的城市地表溫度降尺度轉換[J].遙感學報,2014,18(6):1169-1181.

WANG Yiting,XIE Donghui,LI Yahui.Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI)[J].Journal of Remote Sensing,2014,18(6):1169-1181.

[27] XU Hanqiu.Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI)[J].Photogrammetric Engineering & Remote Sensing,2010,76(5):557-565.

[28] ESSA W,KWAST J V D,VERBEIREN B,etal.Downscaling of thermal images over urban areas using the land surface temperature-impervious percentage relationship[J].International Journal of Applied Earth Observation & Geoinformation,2013,23(23):95-108.

[29] 龐慶非,權凌.改進的DisTrad模型在地形起伏區(qū)地表溫度空間分辨率提升的應用[J].地球信息科學學報,2014,16(1):45-53.

PANG Qingfei,QUAN Ling.Disaggregation of MODIS land surface temperature using stepwise regression:a case study over Sichuan Basin[J].Journal of Geo-Information Science,2014,16(1):45-53.

[30] 查勇,倪紹祥,楊山.一種利用TM圖像自動提取城鎮(zhèn)用地信息的有效方法[J].遙感學報,2003,7(1):37-40.

ZHA Yong,NI Shaoxiang,YANG Shan.An effective approach to automatically extract urban land-use from TM imagery[J].Journal of Remote Sensing,2003,7(1):37-40.

[31] HANSEN M C,POTAPOV P V,MOORE R,etal.High-resolution global maps of 21st-century forest cover change[J].Science,2013,342(6160):850-853.

[32] PENG Jian,XIE Pan,LIU Yanxu,etal.Urban thermal environment dynamics and associated landscape pattern factors:a case study in the Beijing metropolitan region[J].Remote Sensing of Environment,2016,173:145-155.

[33] LUNDEN B,WESTER K,AXELSSON S.Analysis of satellite-derived surface temperatures in relation to land cover and topography[J].Norsk Geografisk Tidsskrift-Norwegian Journal of Geography,1997,51(1):47-59.

[34] HIRSCH E,AGASSI E,KOPEIKA N S.Comparing statistical and spatial characteristics of urban and rural infrared images,part 2:background simulation[J].Optical Engineering,2008.doi:10.11171.2904027.

DownscalingMODISLandSurfaceTemperaturesUsingMultilayerPerceptronModel

LI Shuangcheng1, WANG Xiaoyue1, XIE Aili1, MA Bingying2

1.Key Laboratory for Earth Surface Processes of Ministry of Education, College of Urban and Environmental Sciences, Center of Land Science of Peking University, Peking University, Beijing 100871, China2.Key Laboratory for Environmental and Urban Sciences, School of Urban Planning and Design, Shenzhen Graduate School, Peking University, Shenzhen 518055, China

Land surface temperature (LST) is an important geographic parameter which can indicate multiple geographical processes of the land surface system. It is also closely related to human production and life. In order to synchronize the spatial and temporal resolution of remotely sensed land surface temperatures, a multi-layer perceptron (MLP) was constructed to downscale MODIS land surface temperature data by taking Beijing as a study area. Compared with regression models and support vector machines, the results of MLP showed higher model fitness and smaller error. The determination coefficients of the MLP′s train, test and all datasets were 0.810, 0.796 and 0.807 in the day, and 0.702, 0.705 and 0.701 at night, respectively. The downscaled LST could clearly reflect the spatial heterogeneity and differences between the day and night of the underlying surface thermal environment. In order to validate the performance of the MLP model, retrieved LST based on TM images with spatial resolution 60 m was aggregated to 250 m, which is the same resolution of the downscaled LST based on MLP. By random sampling and comparison, both spatial patterns were found to be highly similar, with a correlation coefficient of 0.730. The errors were normally distributed, although some LST values at specific pixels were different. This research suggests that the artificial neural network model has great application potential in the field of LST downscaling.

land surface temperature; downscaling; multilayer perceptron; Beijing

2017-05-10

2017-08-31

國家自然科學基金重大項目(41590843)

李雙成(1961-)，男，河北平山人，教授，博士，博導，主要從事生態(tài)系統(tǒng)服務研究，scli@urban.pku.edu.cn.

李雙成,王曉玥,謝愛麗,等.基于多層感知器模型的MODIS地表溫度降尺度研究[J].環(huán)境科學研究,2017,30(12):1889-1897.

LI Shuangcheng,WANG Xiaoyue,XIE Aili,etal.Downscaling MODIS land surface temperatures using multilayer perceptron model[J].Research of Environmental Sciences,2017,30(12):1889-1897.

X87

1001-6929(2017)12-1889-09

A

10.13198j.issn.1001-6929.2017.03.30