李婷 王國軍 李勁東 高人杰,3 吳明軒 曹京

全球地表熱輻射特性數據集構建技術研究

李婷1王國軍2李勁東1高人杰2,3吳明軒1曹京1

（1 中國空間技術研究院遙感衛(wèi)星總體部，北京 100094）（2 中國科學院空天信息創(chuàng)新研究院，北京 100094）（3 中科衛(wèi)星應用德清研究院，湖州 313000）

紅外遙感成像主要采集地表熱輻射特性，具有觀測對象動態(tài)范圍廣、能量時空變化度高等特點。為實現高像質、高效率的紅外遙感觀測，迫切需要研究全球地表熱輻射特性的時空分布規(guī)律，形成衛(wèi)星總體設計的重要先驗知識庫，用于指導衛(wèi)星面向觀測數據質量的智能化設計。針對現有的全球地表熱輻射數據集時空覆蓋率較低、缺值較嚴重的問題，文章基于多源衛(wèi)星遙感數據，通過遙感數據融合技術，構建較為完備的全球地表熱輻射數據集，為星上空間相機最佳成像參數自主選取提供有力支撐。

數據集修正 地表熱輻射 溫度反演 紅外遙感

0 引言

長波紅外譜段具有透霧能力強、可全天時探知物體紅外特性等優(yōu)勢，常和可見光通道共用以提升衛(wèi)星地物信息獲取能力。目前，遙感衛(wèi)星設計正向著多譜段、高分辨率及自主化運行方向發(fā)展[1]。衛(wèi)星自主、精確地設置可見光與紅外譜段的成像參數，可提高遙感數據的質量，并大幅降低其運行控制復雜度。由于空間相機紅外通道的入瞳信號與地表物體的溫度、發(fā)射率等特性密不可分，且具有動態(tài)范圍廣、能量時空變化度高等特點，全球地表熱輻射特性信息庫的建立，可以為星上空間相機紅外通道的入瞳輻射量信號自主估計和最佳成像參數選取提供有力支撐。

地表溫度與發(fā)射率是地表-大氣系統(tǒng)長波輻射和潛熱通量交換的直接影響因素，是描述區(qū)域和全球尺度上地表能量平衡與水平衡的重要參數，其時空變化信息在氣象預測、氣候變化、水循環(huán)、地質勘探、農林監(jiān)測、城市熱環(huán)境等諸多領域應用廣泛[2]。傳統(tǒng)的地面點位測量方法受制條件多，無法及時地完成大面積地表溫度和發(fā)射率獲取，相較之下熱紅外遙感具有空間覆蓋范圍大、可重復觀測、受天氣影響小等優(yōu)勢，是目前獲取地表溫度和發(fā)射率的一個較為有效的手段[3-5]。但是，現有的全球地表熱輻射數據集存在時空覆蓋率較低、區(qū)域缺值較嚴重等問題，無法為高分辨率光學遙感衛(wèi)星面向全球成像范圍的成像參數智能精控設計提供全面、可靠的先驗知識庫。

因此，本文基于多源衛(wèi)星遙感數據，通過數據融合技術構建了一套完整的全球地表熱輻射數據集，為星上空間相機自主選取最佳成像參數提供了有力支撐。

1 全球地表熱輻射特性數據的發(fā)展現狀及存在問題

近幾十年來，國內外已經構建了多種基于衛(wèi)星遙感數據的地表溫度和輻射特性數據集。表1中列舉了幾類典型地表熱輻射特性數據集，內容包括數據集名稱、數據集覆蓋范圍、數據集空間分辨率和衛(wèi)星數據源等基本要素。在上述數據集中，目前使用最廣泛的產品是美國國家航空航天局發(fā)布的Terra和Aqua衛(wèi)星中分辨率成像光譜儀（Moderate-Resolution Imaging Spectroradiomete，MODIS）的陸表溫度和海表溫度（LST/SST）系列產品。太陽同步極軌衛(wèi)星Terra和Aqua上均搭載了具有16個MIR和TIR通道的MODIS傳感器，全球重訪周期為1～2 d，其數據可支持采用多種算法進行陸表溫度（Land Surface Temperature，LST）和海表溫度（Sea Surface Temperature，SST）反演[6-8]。MODIS系列產品不僅具有較高的時空分辨率，還提供了晝、夜數據。VIIRS-LST是MODIS系列的繼承產品，作為基于雙黑體算法（Split Window Algorithm，SWA）對全球17種土地覆蓋類型單獨訓練生成的產品，其在熱輻射精度上較普通的MODIS系列產品有明顯提升[9-10]。歐空局的AATSR（Advanced Along-Track Scanning Radiometer）的LST產品與VIIRS-LST相似，都是基于SWA算法對全球多種土地覆蓋類型進行訓練的產品[11]。英國萊斯特大學基于AATSR產品升級得到了分辨率更高的SLSTR（Sea and Land Surface Temperature Radiometer）產品[12]。歐洲氣象衛(wèi)星組織的SEVIRI-LST是基于地球同步軌道衛(wèi)星數據的產品，其時間分辨率為15 min，空間分辨率為3 km[13]。除此之外，還有融合NOAA-AVHRR數據和MODIS數據生產的GLASS產品，具有更高的時空分辨率[14]。雖然VIIRS-LST、AATSR、SLSTR、SEVIRI-LST和GLASS（Global Land Surface Satellite）等產品均具有較高的數據精度和時空分辨率，但是數據覆蓋范圍在海洋區(qū)域存在大量缺失。目前，全球海洋表面熱輻射特性數據集正快速發(fā)展，日本的GCOM-W（Global Change Observation Mission-Water）產品使用先進微波掃描輻射計數據進行反演，分辨率達到250 m（星下點）/1.4 km（遠距點）。同時，中國氣象局的風云系列衛(wèi)星攜帶多光譜可見光紅外掃描輻射儀，可以獲取晝夜可見光、紅外云圖，以及冰雪覆蓋、植被、海洋水色、海面溫度[15]等資料。

表1 現有地表熱輻射特性數據集的基本情況

Tab.1 Basic information about the existing data sets of surface thermal radiation characteristics

注：1）數據特點A為未完全覆蓋全球陸地；B為未完全覆蓋全球海洋；C為無海洋和北極區(qū)域數據；D為多云層覆蓋；E為無晝夜產品數據。

經分析，這些數據集存在3點不足：1）大部分地表熱輻射特性數據集時空覆蓋率低，雖然數據集時間分辨率為1 d，但僅覆蓋大部分陸地區(qū)域，極地和海洋區(qū)域數據存在大量空缺，是“偽全球”數據集；2）這些數據集產品不具備全球任意月份、任意區(qū)域完全覆蓋的晝夜數據；3）這些數據集數據全球平均約65%的表面積被云層覆蓋，導致熱紅外遙感影像中出現大面積非均勻分布缺值[4]，不能直接滿足衛(wèi)星總體設計要求。由于云層覆蓋頻繁且位置隨機，云覆蓋下地表溫度的重建技術難度極大，難以通過技術手段檢測的薄云會引入云頂亮溫或附加了云效應后的亮溫值，導致無法完全獲取真實地表信息。

因此，基于海量遙感數據，利用遙感數據融合方法構建一套面向全球尺度、逐月高精度晝夜地表熱輻射數據集，具有重要的意義。

2 全球地表熱輻射特性數據集構建方法

面向光學遙感衛(wèi)星對全球任意區(qū)域成像的在軌任務需求，服務于星上自主成像參數智能精控設計，需要一套時空覆蓋性完備的全球地表輻射數據集作為先驗知識庫，實現星上載荷面向觀測區(qū)域動態(tài)范圍進行成像參數的場景自適應匹配，從而提升觀測圖像像質。

2.1 數據集架構設計

面向地表熱輻射特性研究的需求，本文構建的全球地表特性數據集包括全球地表溫度數據集、全球地表發(fā)射率數據集和全球地表輻射量數據集，組成見圖1。其中全球地表輻射量數據集是基于全球地表溫度數據集和全球地表發(fā)射率數據集通過數據融合技術構建。各個數據集的地表熱輻射特性數據均基于長波紅外譜段。

圖1 全球地表特性數據集組成

本文構建的全球地表溫度數據集有如下技術特點：1）全球覆蓋性——包括陸地和海洋，將全球表面進行柵格剖分，柵格粒度為0.05°×0.05°；2）時間完整性——包括1～12月的數據，且包含晝夜兩套數據；3）無云層干擾——均為有效值，不包含云層覆蓋導致的無效值。全球地表輻射量數據集是基于全球地表溫度數據集和全球地表發(fā)射率數據集，由灰體輻射理論計算而來。

2.2 數據反演方法

（1）地表溫度數據反演方法

本文中地表溫度和海面溫度均采用劈窗反演方法算得。其中，地表溫度產品反演算法為Wan-Dozier廣義劈窗算法，海面溫度產品反演算法為“邁阿密”探路者海表面溫度算法。

MODIS地表溫度產品MOD11_L2所采用的算法為Wan-Dozier廣義劈窗算法，是Wan等提出的一種針對MODIS數據的全視角劈窗算法[16-17]。該算法是基于不同入射觀測角度、不同水汽含量、不同大氣下界溫度、不同地表溫度和大氣下界溫度差值范圍下的精確觀測數據，采用回歸分析擬合得到劈窗算法系數查找表，通過查找表獲得反演算法所需系數，進而實現對LST的反演。該算法已成熟應用多年，具備廣泛的代表性。地表溫度s具體計算公式為

式中31和32分別為MODIS通道31和32波段亮度溫度；為兩通道地表比輻射率（也稱地表發(fā)射率）平均值，即=(31+32)/2；Δ為兩個波段的地表比輻射率的差值，即Δ=31–32；1～3、1～3、均為算法系數，可在算法所提供的系數查找表中查找獲得。波段亮度溫度由Planck函數的逆函數求取，計算公式為

式中T為波段的亮度溫度；I為波段表觀輻亮度，由MODIS波段DN值定標得到；λ為波段有效中心波長，31和32兩個波段對應的中心波長分別為11.03 μm和12.02 μm；1和2分別為常量，其中1=1.191 043 56×10–16W·m2，2=1.438 768 5×104μm·K。

MODIS的SST反演算法由NOAA/AVHRR的SST算法發(fā)展而來，屬于一種非線性多通道結構。該算法通過運用通道32與通道31的亮溫溫差進行大氣校正，以剔除大氣衰減的影響。海洋表面溫度SST反演的具體公式為

式中為衛(wèi)星天頂角；32-31代表MODIS通道32與通道31的亮溫溫差。1～4為算法系數，具體取值情況為：1）當32-31<0.7時，1=1.228 552，2=0.957 655 5，3=0.118 219 6，4=1.774 631；2）當32-31≥0.7時，1=1.692 521，2=0.955 841 95，3=0.087 375 4，4=1.199 584。

（2）地表發(fā)射率數據反演方法

針對發(fā)射率數據的處理，本文利用ASTER地表發(fā)射率數據產品采用式（4）來生產長波波段的發(fā)射率數據。

（3）地表輻亮度數據反演方法

針對長波波段輻亮度，本文基于以上全球地表溫度數據和全球地表發(fā)射率數據，利用普朗克定理計算出全球尺度逐月的晝夜長波輻亮度數據。

2.3 數據集構建流程

在構建數據集的過程中，需重點解決如何綜合多源衛(wèi)星遙感數據來改進現有全球地表數據時空覆蓋性不足的問題。針對這一難題，本文首先以2016—2020年MODIS衛(wèi)星的所有可用的LST數據和SST數據為基礎，采用一種多時相數據時空融合方法，形成一套完整的全球地表溫度數據集。實際工作中，可進一步以此溫度數據集為基礎，結合全球地表發(fā)射率數據集，采用灰體輻射計算方法構建完備的全球地表輻射量數據集。全球地表溫度數據集構建的具體流程如圖2所示。

圖2 全球地表溫度數據構建流程

本文采用的數據源為MOD11A2（MODIS地表溫度數據）和L3SMI（MODIS海洋溫度數據）。其中，MOD11A2數據空間分辨率為1 km，每個像素值是8 d收集的所有相應像素的平均值，并提供了與白天和夜間地表溫度相關的質量控制評估、觀測時間、視角天頂角、晴天覆蓋率以及31和32波段的發(fā)射率等數據。L3SMI包括白天和夜晚的海面溫度數據，分辨率為4.4 km，數據時間間隔為8 d，即一年有46個時間間隔的溫度數據，2016—2020年期間共計有230 d的溫度數據。全球地表溫度數據庫構建主要包括如下5個步驟。

1）LST與SST數據多時相加權融合處理，剔除云影響的空值數據。地表溫度數據由于受到云層的影響，會出現較多的無效值。因此，將LST數據和SST數據的白天和夜晚數據分別按照式（5）進行多時相加權融合處理，將5年數據融合平均為1年的數據，以減少云層無效值的影響。

2）SST數據重采樣，統(tǒng)一海陸空間分辨率，再進行海陸數據拼接得到全球范圍溫度數據。LST數據與SST數據空間分辨率不同（LST數據分辨率為1 km，SST數據分辨率為4 km），故本文對SST數據進行空間重采樣，使其空間分辨率與LST數據相同。為了完成準確拼接，根據式（6），采用最近鄰插值法，得到1 km分辨率的全球海面溫度數據SST，拼接后即可得到包括海洋和陸地的全球地表溫度數據拼接圖。

式中與為目標圖像的某個像素的橫縱坐標；w與h為目標圖像的寬度與高度；w與h為原圖像的寬度與高度；（,）為目標圖像在該點(,）對應的原圖像的坐標。

3）中緯度缺值區(qū)域插值處理。中緯度（60°N～60°S）區(qū)間的缺值區(qū)域一般為海洋與陸地交接處，或是受云層因素影響的缺值處。這些缺值可采用最近鄰插值法進行補充，使得兩種數據空間分辨率保持一致，再采用相鄰非缺失值線性插值處理，使得插值數據更接近真值。

4）北極及附近區(qū)域插值處理。北極及附近區(qū)域采用最鄰近插值方法時，由于海陸邊界隨季節(jié)而變化，會使邊界約束條件出現缺失，進而導致插值結果較差。因此，本文采用與北極季節(jié)相差6個月的南極溫度數據來進行北極數據插值處理。具體方法為：對于北極及附近區(qū)域，首先按照緯度遞增原則，逐像元搜索第一次出現有效值的點位，記錄其經緯度；然后，搜索南極區(qū)域與該點位緯度關于赤道對稱的點位的溫度值，兩者溫度差值|Δ|≤0.5 K時，即可認為該緯度變化與待補缺值區(qū)域的溫度相近，可用于估計北極缺值區(qū)域的溫度數據，待補區(qū)域的溫度值計算過程如式（7）所示

北極區(qū)域經過以上插值處理后，部分區(qū)域仍然會出現缺值且相同緯度溫度差異較大的問題。鑒于北極區(qū)域均為海洋或海冰，且同緯度區(qū)域溫度相差不大，故用同緯度的均值填充缺少的溫度數據，將北極區(qū)域溫度值進行重新賦值。不斷重復以上步驟，直至沒有缺值區(qū)域為止。

5）月度數據生成。在得到全球范圍1 km分辨率、全年46個時間間隔的晝夜溫度數據之后，可根據使用需求，將數據在空間和時間兩個維度進行聚合，從而降低數據量。對于時間維度，需要按照同月份數據進行均值融合；對于空間維度，由于原有數據分辨率為1 km，若要實現5 km的數據分辨率，則需在經度和緯度兩個方向均進行5倍聚合。最終，生成全球范圍內5 km分辨率、12個月的晝夜溫度數據。

2.4 數據存儲及調用方法

本文采用文件系統(tǒng)來存儲與管理全球地表輻射反射特性數據集GST，該數據集格網大小為0.05°×0.05°（約5 km′5 km）。將全球表面按照網格剖分，可以表示為一個二維矩陣，矩陣的每一元素存儲該網格在某條件下的特性數據值，可較好地保持數據之間的空間拓撲關系。

（1）數據索引方式

以（–180°, 90°）作為基點，對經緯度坐標系中任意一點(,），其中∈[–180°, 180°），∈(–90°, 90°]，則對應網格的列號和行號可分別表示為

=floor[(+180°)/0.05°]（8）

=floor[(–90°)/0.05°]（9）

式中 floor[·]函數表示向下取整操作。當=180°時，取=7 199；當=–90°時，取=3 599。

根據網格的行列號、，其地表特性數據存儲位置索引（偏移量）可表示為

=(×7200+)×2（10）

（2）數據存儲方式

溫度數據一般在200～350 K范圍，保留小數點后兩位精度。發(fā)射率數值一般在0～1之間，保留小數點后4位精度。輻亮度數據一般在0～50 W·sr–1·m–2內，保留小數點后3位精度。數據集存儲數據信息量如表2所示。

表2 全球地表熱輻射特性數據集存儲空間數據統(tǒng)計

Tab.2 Summary of storage space of global surface thermal radiation characteristic data set

（3）數據集文件存儲及訪問方式

數據查詢時需要根據成像范圍、成像月份和成像時間（白天、夜晚），從全球地表熱輻射特性數據集中提取所需的溫度、發(fā)射率、輻亮度。

3 數據結果及分析

3.1 全球地表熱輻射特性數據集構建結果

本文利用以上方法構建了一套全球地表熱輻射特性數據集。全球地表溫度數據集包括12個月的晝、夜兩套地表溫度數據，其中1月份白天的全球地表溫度數據如圖3所示。全球地表發(fā)射率數據集包括了12個月的地表發(fā)射率數據，其中1月份全球地表長波紅外發(fā)射率數據見圖4（為了顯示效果，剔除了海面數據）。全球長波輻亮度數據集包括了12個月的晝、夜兩套地表長波輻亮度數據，其中1月份白天的全球長波紅外輻亮度數據如圖5所示。

圖3 1月份白天全球地表溫度數據

圖4 1月份全球地表長波紅外發(fā)射率數據

圖5 1月份白天全球長波紅外輻亮度數據

3.2 地表溫度數據融合效果對比分析

為了進一步說明本文采用的多時相數據融合方法的效果，選取了全球1月份白天和夜晚的地表溫度數據進行對比分析，評價數據融合前后的效果。此外，針對澳大利亞所在的完整大陸地區(qū)域的地表溫度數據進行了定量評價。

圖6展示了1月份白天和夜晚全球范圍陸地表面溫度融合前后結果，其中，紅色為無效值范圍，綠色為正常有效數據范圍，其他為海洋?？梢院苊黠@看出，融合后的數據，無效值明顯減少，大片的無效區(qū)域都被融合補充。

圖6 全球范圍陸地表面溫度融合前后結果對比

圖7和圖8分別為1月份白天、夜晚全球范圍陸地區(qū)域融合前后統(tǒng)計結果隨緯度變化的趨勢。從緯度和經度兩個維度對統(tǒng)計結果進行分析，可以看出：1）融合前，北緯60°區(qū)域、赤道至南緯30°之間區(qū)域的無效值非常多，特別是赤道—南緯30°范圍的南美洲、非洲、大洋洲都出現了大片的缺值區(qū)域；經過多時相融合后，缺值情況得到大幅改善，僅在北極、北緯30°、赤道附近出現少量的無效值，這些空缺值可以通過后續(xù)的空間插值得到進一步補充，直至無效值完全被有效數據補充完為止。2）融合前，白天缺值數量較大的區(qū)域主要分布在西經72°，東經36°、108°、144°附近，夜晚缺值量較大的區(qū)域主要分布在西經72°附近、東經36°、東經144°至180°之間，無效值數量較多；融合后，晝夜無效值區(qū)域均大幅減少，其中夜晚數據中在西經72°、東經144°附近（亞馬遜雨林）有大片缺值區(qū)域，由于該區(qū)域為熱帶雨林地區(qū)，地表均勻性較好，本文采用鄰近空間插值方法對該區(qū)域進行補充，進而構建出完整的全球地表溫度數據。

為了定量評估本文數據融合方法的效果，本文選取澳大利亞1月份晝、夜地表溫度融合前后的結果（見圖9）進行定量對比分析，其中白色區(qū)域為無效值范圍。由圖9可以看出，融合前在澳洲北部存在大面積連片缺值情況，晝、夜無效值面積占比分別約為26.46%和26.06%，在融合后僅存少部分稀疏的缺值區(qū)域，晝、夜無效值面積占比分別為0.11%和0.09%，無效值面積較融合前減少了26.35%和25.97%。具體統(tǒng)計結果見表3。

圖7 1月份白天全球范圍陸地融合前后結果統(tǒng)計

圖8 1月份夜晚全球范圍陸地融合前后結果統(tǒng)計

圖9 1月份澳大利亞溫度數據融合前后結果對比

表3 澳大利亞白天和夜晚溫度數據融合前后結果統(tǒng)計

Tab.3 Statistics of day and night temperature data in Australia before and after fusion

4 結束語

本文基于多源衛(wèi)星遙感數據，通過數據多時相融合技術構建了全球地表溫度數據集、全球地表長波紅外發(fā)射率數據集和全球地表輻射量數據集。數據集的地表尺度網格大小為0.05°×0.05°（約5km′5 km）。在數據集的時間尺度上，以全年12個月進行晝夜劃分。本文所述的數據集構建是衛(wèi)星數據質量智能化發(fā)展中的一項重要工作，通過該項成果可對全球地表的熱輻射特性變化規(guī)律進行較為全面的統(tǒng)計分析，其數據分析結果可與空間相機設計參數、實驗室輻射定標數據相結合，為開展空間相機紅外通道成像參數自主設置策略研究及方案設計提供數據支撐。

[1] 李勁東. 衛(wèi)星遙感技術[M]. 北京: 北京理工大學出版社, 2018.LI Jindong. Satellite Remote Sensing Technologies[M]. Beijing: Beijing Institute of Technology Press, 2018. (in Chinese)

[2] 楊以坤,歷華,孫林,等.高分五號全譜段光譜成像儀地表溫度與發(fā)射率反演[J]. 遙感學報, 2019, 32(6): 1132-1146.YANG Yikun, LI hua, SUN lin, et al. Land Surface Temperature and Emissivity Separation From GF-5 Visual and Infrared Multispectral Imager Data[J]. Journal of Remote Sensing, 2019, 32(6): 1132-1146. (in Chinese)

[3] 張允祥, 李新, 韋瑋, 等. 基于多通道溫度與發(fā)射率分離算法的敦煌場地紅外特性研究[J]. 光學學報, 2019, 39(10): 1028003-1-9.ZHANG Yunxiang, LI Xin, WEI Wei, et al. Infrared Characteristics of Dunhuang Site Based on Multichannel Temperature and Emissivity Separation Algorithm[J]. Acta Optica Sinica, 2019, 39(10): 1028003-1-9. (in Chinese)

[4] 馬晉, 周紀, 劉紹民, 等. 衛(wèi)星遙感地表溫度的真實性檢驗研究進展[J]. 地球科學進展, 2017, 32(6): 615-629.MA Jin, ZHOU Ji, LIU Shaomin, et al. Review on Validation of Remotely Sensed Land Surface Temperature[J]. Advaces in Earth Science, 2017, 32(6): 615-629. (in Chinese)

[5] 李新, 晉銳, 劉紹民, 等. 黑河遙感試驗中尺度上推研究的進展與前瞻[J]. 遙感學報, 2016, 20(5): 921-932.LI Xin, JIN Rui, LIU Shaomin, et al. Upscaling Research in HiWATER: Progress and Prospects[J]. Journal of Remote Sensing, 2016, 20(5): 921-932. (in Chinese)

[6] WAN Z M, DOZIER J. A Generalized Split-window Algorithm for Retrieving Land-Surface Temperature from Space[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(4): 892-905.

[7] WAN Z, LI Z-L. A Physics-Based Algorithm for Retrieving Land-Surface Emissivity and Temperature from EOS/MODIS Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(4): 980-996.

[8] HULLEY G C, HOOK S J. Generating Consistent Land Surface Temperature and Emissivity Products between ASTER and MODIS Data for Earth Science Research[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(4): 1304-1315.

[9] SUN D L, PINKER R T. Estimation of Land Surface Temperature from a Geostationary Operational Environmental Satellite (GOES-8)[J]. Journal of Geophysical Research, 2003(6): 4-13.

[10] YU Y, PRIVETTE J L, PINHEIRO A C. Analysis of the NPOESS VIIRS Land Surface Temperature Algorithm Using MODIS Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005(10): 2340-2350.

[11] PRATA F. Land Surface Temperature Measurement from Space: AATSR Algorithm Theoretical Basis Document[R]. Contract Report to ESA, 2002: 1-34.

[12] GHENT D J, CORLETT G K, GOTTSCHE F M, et al. Global Land Surface Temperature from the Along-track Scanning Radiometers[J]. Journal of Geophysical Research: Atmospheres, 2017(10): 12167-12193.

[13] TRIGO I F, MONTEIOR I T, LESEN F, et al. An Assessment of Remotely Sensed Land Surface Temperature[J]. Journal of Geophysical Research, 2008(9): D17108 1-12.

[14] ZHOU J, LIANG S, CHENG J, et al. The GLASS Land Surface Temperature Product[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019(2): 493-507.

[15] WANG S, CUI P, ZHANG P, et al. FY-3C/VIRR SST Algorithm and Cal/val Activities at NSMC/CMA[J]. Ocean Remote Sensing and Monitoring from Space, 2014(12): 214-222.

[16] BECKER F, LI Z. Towards a Local Split Window Method over Land Surfaces[J]. Internation Journal of Remote Sensing, 1990(3): 369-393.

[17] 張永紅, 陳瀚閱, 陳宜金, 等. 基于Landsat-8/TIRS的紅沿河核電基地海表溫度反演算法比對[J]. 航天返回與遙感, 2015, 36(5): 96-104.ZHANG Yonghong, CHEN Hanyue, CHEN Yijin, et al. Comparative Study on Sea Surface Temperature Retrieval Methods of Hongyanhe Nuclear Power Plant Based on Landsat-8/TIRS[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(5): 96-104. (in Chinese)

Construction of Global Surface Thermal Radiation Dataset

LI Ting1WANG Guojun2LI Jindong1GAO Renjie2,3WU Mingxuan1CAO Jing1

(1 Institute of Remote Sensing Satellite, China Academy of Space Technology, Beijing 100094, China) (2 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China) (3 Deqing Academy of Satellite Applications, Huzhou 313000, China)

Multispectral high-resolution remote imaging is an important topic in remote sensing satellite design. Infrared remote imaging, which mainly acquires surface thermal radiation, owning the characteristics of wide-dynamic-range sensing, high temporal-spatial variation of energy, etc, is different from traditional visible light remote sensing, which utilize surface energy reflection. The spatiotemporal distribution of global surface thermal radiation is a surging research topic for system design of satellite to use infrared remote sensing with high image quality and high proficient, directing intelligent design of the quality of satellite observation data. Aiming at the problems of low spatiotemporal coverage and serious values missing in existing global surface thermal radiation datasets, this paper constructs a new global surface thermal radiation dataset based on multi-source satellite remote sensing data and remote sensing data fusion technology. The dataset can provide strong support for the automatic selection of the best imaging parameters of the space camera onboard.

dataset refinement; surface thermal radiation; temperature inversion; infrared remote sensing

V1

A

1009-8518(2023)04-0058-11

10.3969/j.issn.1009-8518.2023.04.007

2022-09-18

李婷, 王國軍, 李勁東, 等. 全球地表熱輻射特性數據集構建技術研究[J]. 航天返回與遙感, 2023, 44(4): 58-68.

LI Ting,WANG Guojun,LI Jindong, et al. Construction of Global Surface Thermal Radiation Dataset[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(4): 58-68. (in Chinese)

李婷，女，1983年生，2010年獲北京理工大學光學工程專業(yè)博士學位，高級工程師。研究方向為遙感衛(wèi)星總體設計。E-mail：liting20011@sina.com。

（編輯：夏淑密）