引用本文
李春强, 高永刚, 徐涵秋. Landsat新型热红外地表温度产品与MODIS地表温度产品的交互对比[J]. 光谱学与光谱分析, 2023,43(3): 940-948.
LI Chun-qiang, GAO Yong-gang, XU Han-qiu. Cross Comparison Between Landsat New Land Surface Temperature Product and the Corresponding MODIS Product[J]. Spectroscopy and Spectral Analysis, 2023,43(3): 940-948.
Doi:10.3964/j.issn.1000-0593(2023)03-0940-09  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
Landsat新型热红外地表温度产品与MODIS地表温度产品的交互对比
李春强1,2, 高永刚1,2, 徐涵秋1,2,*
1.福州大学环境与安全工程学院, 遥感信息工程研究所, 福建 福州 350116
2.福建省水土流失遥感监测评估与灾害防治重点实验室, 福建 福州 350116
*通讯作者 e-mail: hxu@fzu.edu.cn

作者简介: 李春强, 1998年生, 福州大学环境与安全工程学院硕士研究生 e-mail: lcq6828@163.com

收稿日期: 2022-01-20 接受日期: 2022-06-02
基金: 国家自然科学基金项目(31971639)资助
摘要

美国地质调查局(USGS) 2020年12月正式发布了基于Landsat热红外光谱数据生产的2级地表温度产品(Landsat Collection 2 Level-2 surface temperature, LC2L2ST), 但目前还鲜有该地表温度产品的相关研究报道。 由于美国地质调查局已宣布自2022年开始将不提供除该产品之外的其他地表温度数据, 因此有必要对该产品进行适时的评估。 在同类遥感卫星产品中, MODIS地表温度产品的质量最被广大用户认可, 应用也最为广泛, 因此首次将Landsat新型热红外地表温度产品与MODIS地表温度产品进行交互对比, 以评估新产品与MODIS地表温度产品的一致性。 分别选取了我国的不同地区(福州、 太湖、 银川、 敦煌)作为试验区, 以20对同日过空的LC2L2ST与MODIS地表温度影像为数据源进行交互对比。 影像涵盖植被、 水体、 建筑、 荒漠等地物以及不同的季节。 在试验区影像上选取一系列均质样区(ROI), 通过各样区的地表温度均值散点进行拟合回归分析, 研究二者地表温度间的差异及定量关系, 并提出彼此转换的模型。 结果表明, Landsat地表温度新产品与MODIS地表温度产品具有很高的相关性, 4个试验区的决定系数( R2)皆大于0.98, 集成4个试验区的总 R2也接近0.98; 但LC2L2ST比MODIS的地表温度平均高0.90 ℃(RMSE=2.29 ℃)。 分析发现, 二者地表温度数据间的差异与其在空间分辨率、 观测角度、 地物类型和季节的不同有关。 从不同地物和季节来看, LC2L2ST在晚秋和冬季略低于MODIS的地表温度, 而在夏季极端高温的城镇、 荒漠地区则明显高于MODIS的地表温度, 且偏差可近7 ℃。 总的看来, Landsat新型地表温度产品与MODIS同类产品的相关性显著, 但在夏季的城市和沙漠地区的差异较大, 因此, LC2L2ST新产品在夏季高温季节的适用性仍有待进一步基于地面实测温度的验证。 鉴于两种地表温度数据产品仍存在着一定差距, 因此二者如要协同使用, 需要进行转换。 本研究基于4个试验区的560个ROI样区构建了二者地表温度间的转换方程, 并通过验证发现, 经转换后的两数据差异性得到大幅缩小。 因此, 必要的数据转换有利于二者数据的协同使用, 可为长时间序列的地表温度变化监测提供连续的遥感数据。

关键词: Landsat Collection 2 Level-2; MODIS; 热红外光谱数据; 地表温度; 交互对比
中图分类号:TP732 文献标志码:A
Cross Comparison Between Landsat New Land Surface Temperature Product and the Corresponding MODIS Product
LI Chun-qiang1,2, GAO Yong-gang1,2, XU Han-qiu1,2,*
1. College of Environment and Safety Engineering, Institute of Remote Sensing Information Engineering, Fuzhou University, Fuzhou 350116, China
2. Fujian Provincial Key Laboratory of Remote Sensing Monitoring and Assessment of Soil Erosion and Disaster Prevention, Fuzhou 350116, China
*Corresponding author
Abstract

Landsat Collection 2 Level-2 Surface Temperature (LC2L2ST) was formally released in December 2020 by the U.S. Geological Survey (USGS). However, there are few reports on this new land surface temperature (LST) product. As this product will be the only LST data provided by the USGS starting in 2022, it is necessary to evaluate the product timely. Among various satellite LST products, the quality of the MODIS LST product is well recognized, and widely used. Therefore, this paper, for the first time, performed a cross-comparison between the new Landsat LST product and the MODIS LST product to examine the quality of the new product. Different regions in China (Fuzhou, Taihu, Yinchuan and Dunhuang) were selected as the test areas, and 20 pairs of LC2L2ST and MODIS LST synchronous images were used for the comparison. The images cover different land types, such as vegetation, water, town and deserts across different seasons. A total of 560 homogeneous regions of interest (ROI) were selected from the images of the test areas. The regression analysis was carried out to examine the fit of the ROIs and the quantitative relationship between the two LST products. The conversion model between them was also developed. The results showed that the new LC2L2ST product is highly correlated with the MODIS LST product. Each of the four test areas can achieve a coefficient of determination ( R2) greater than 0.98. Integrating the 560 samples from the four test areas also obtain an R2 close to 0.98. Nevertheless, differences between the two products have also been founded. The LC2L2ST is 0.90℃ averagely higher than the MODIS LST (RMSE = 2.29 ℃). However, LC2L2ST can be slightly lower than MODIS LST in late fall and winter seasons but significantly higher than extremely hot summer seasons with a bias close to 7 ℃. The analysis revealed that the differences were related to spatial resolution, sensor viewing angles, land cover types and seasons. In general, the new LC2L2ST product strongly correlates with the MODIS LST, but significant differences were also observed in the summer months. Therefore, the new Landsat LST product must be further tested with in-situ measured LST data. Due to the differences in this paper, the two LST data products need to be converted when they must be collaboratively used. This study developed the conversion equation between the two LSTs based on the 560 ROIs. The verification found that the differences between the two data after conversion were greatly reduced. It is conducive to the cooperative use of the two LST data and providing continuous remote sensing data for long-term LST monitoring.

Keyword: Landsat Collection 2 Level-2; MODIS; Thermal infrared spectral data; Land surface temperature; Cross comparison
引言

2020年12月, 美国地质调查局(U.S. Geological Survey, USGS)宣布正式发行Landsat卫星第二套数据集的2级产品(Landsat Collection 2 Level-2, LC2L2), 其中最大的特点就是正式发布了基于热红外光谱数据反演的地表温度(land surface temperature, LST)产品[1]。 作为全球唯一能提供中高尺度长时间序列热红外光谱数据的卫星, Landsat此前却一直未能提供其地表温度数据产品。 此次新产品的问世, 无疑将为全球地表温度变化的研究提供更便捷的数据。

在基于遥感热红外光谱数据的地表温度产品中, MODIS (moderate resolution imaging spectroradiometer)的地表温度产品的精度已被广大用户认可, 并被广泛应用。 由于MODIS与Landsat在过空时间、 轨道结构、 太阳高度角和方位角、 光谱特征和热属性等方面都具有较高的一致性和可比性[2], 已有许多学者将Landsat与MODIS的地表温度进行比较, 来检验彼此间的异同。 邹德富等[3]对比了Landsat 5/7与MODIS LST产品在青藏高原冻土区的适用性, 发现二者一致性较好、 适用性高; Laraby等[4]将MODIS与Landsat 7的LST进行比较, 发现二者的平均误差仅有0.21 K; 张爱因等[5]也用MODIS LST产品验证了Landsat 8反演的LST, 结果发现Landsat 8反演的结果普遍高于MODIS LST产品; 邢梦玲等[6]交叉验证了Landsat反演的海表温度与MODIS产品的一致性, 发现二者的决定系数可达0.91; Burnett等[7]对比加拿大安大略省南部MODIS、 Landsat 7 ETM+和气象站获得的时间序列LST数据, 发现在夏季植被稀疏的城市地区, 气象站的地表温度与MODIS LST的相关性好于与Landsat 7 LST的相关性。 MODIS LST产品除了被用于与Landsat LST产品对比外, 还被经常用于与其他卫星的LST产品对比, 如ASTER[8], VIIRS[9], AVHRR[10], AATSR[11], GF-5[12]等。

Landsat地表温度新产品(以下简称LC2L2ST)发布至今, 尚未见有关该产品的研究报道。 鉴于Terra MODIS的地表温度产品已被广泛应用于不同卫星地表温度数据之间的对比, 选取我国4个试验区同日过空的20对Landsat和MODIS影像对, 将该产品与MODIS对应产品进行交互对比, 通过查明该新产品与MODIS LST的差异来评估该产品与MODIS LST产品的一致性。 由于Landsat LST具有高空间分辨率, 而MODIS LST具有高时间分辨率, 因此, 通过交互对比查明二者之间的异同, 建立二者数据间的定量转换模型, 这对今后二者地表温度数据的互补、 融合及协同使用都具有重要的意义。

1 实验部分
1.1 数据源与试验区

为了实现LC2L2ST数据与MODIS热红外光谱影像间的交互比较, 必须选取针对同一目标区域的同日过空影像对进行试验。 因此, 以福州、 太湖、 银川、 敦煌为试验区(图1), 选取2000年— 2020年共20对同日过境的LC2L2ST和Terra MODIS同步影像对为研究数据(表1)。 所选的4个试验区距离跨度大, 涉及我国南北方、 东西部区域和三大温度带(亚热带、 中温带、 暖温带); 具有植被、 水体、 建筑、 荒漠等多种土地覆盖类型。 其中的敦煌试验区是国家辐射定标场。 所选取的20对影像对涵盖了各个季节, 因此具有较好的代表性。 LC2L2ST数据下载于美国地质调查局网站 (https://earthexplorer.usgs.gov/)。 MODIS数据选用MOD11A1逐日地表温度产品, 数据下载于美国宇航局(NASA)网站 (https://ladsweb.modaps.eosdis.nasa.gov/search/order/)。

图1 4个试验区的地表温度影像
(a): 福州地区(2003-05-29); (b) 银川地区(2014-03-06); (c): 太湖地区(2019-04-15); (d): 敦煌地区(2020-02-27)Fig.1 Land surface temperature images of four test areas
(a): Fuzhou (2003-05-29); (b) Yinchuan (2014-03-06); (c): Taihu (2019-04-15); (d): Dunhuang (2020-02-27)

表1 LC2L2ST与MODIS LST同步影像对 Table 1 LC2L2ST and MODIS LST synchronous image pairs
1.2 数据预处理

LC2L2ST数据为经过几何校正、 辐射定标、 大气校正等处理的Level-2级地表温度产品, 可直接使用。 而MOD11A1数据虽也经过定标和校正, 但其采用sinusoidal正弦曲线投影且为HDF格式, 需借助MODIS Reprojection Tool软件对影像进行拼接、 格式和投影转换, 转为WGS-84坐标系的TIFF格式。 影像叠加可以发现二者影像的空间位置匹配存在偏差, 因此均以LC2L2ST为基准影像, 采用坐标平移法对MOD11A1影像进行配准[13]。 对30m空间分辨率的LC2L2ST影像进行升尺度处理, 重采样为1 000 m的分辨率以和MOD11A1影像的分辨率一致, 采用最邻近像元法重采样以最大程度地保持原有像元的光谱值。

LC2L2ST数据产品按16位整型数分发, 因此必须将像元的光谱灰度值按比例因子转换成地表温度值, 再进一步减去273.15, 以转换为摄氏度, 其公式为[14]

LSTC2L2=0.00341802×DN+149-273.15(1)

式(1)中, LSTC2L2为地表温度(℃), DN为LC2L2ST 10波段的像元值。

MOD11A1产品也是16位整型数据, 其转为摄氏度的公式为[15]

LSTMODIS=0.02×DN-273.15(2)

式(2)中, LSTMODIS为地表温度(℃), DN为MOD11A1的LST_Day_1 km波段的像元值。

1.3 对比方法

1.3.1 样区(ROI)的选取

采用样区法进行交互对比, 在同步影像对上选取相同位置和范围的均质感兴趣样区ROI(region of interest), 统计各ROI样区的地表温度均值进行比较, 这样可有效避免配准及空间分辨率不一致产生的问题。

ROI样区的选取应满足以下原则[16, 17]: (1) 平坦无云, 地形不宜高低起伏多变, 以避免复杂的大气条件; (2) 具有同质性, 选取均匀同质地物, 如湖泊、 茂密植被等; (3) ROI面积适宜, 至少应有20个像元(20 km2); (4) 每个ROI的地表温度标准差应小于1℃; (5) 所选的ROI应具有一定的温度范围跨度, 既有高温的样区, 也有中温、 低温样区, 以便能在较宽的温度范围内客观分析两种热红外光谱数据温度产品间的关系。 根据以上原则, 在18对试验影像的不同地类中共选取560个均质ROI样区。 图2以LC2L2ST影像为例列出4类主要地物的ROI样区。

图2 4类地物的ROI样区(白线框)
(a): 湖泊水体; (b): 茂密植被; (c): 建筑用地; (d): 荒漠裸土Fig.2 Four types of ROI (in white line frame)
(a): Lake water; (b): Lush vegetation; (c): Built-up area; (d): Desert region

1.3.2 地表温度定量比较

通过计算两种地表温度产品在每个ROI样区的统计特征值(最小值、 最大值、 动态范围、 均值、 标准差), 比较各对影像ROI样区间的决定系数R2、 平均偏差ME (mean error)、 平均绝对偏差MAE (mean absolute error)和均方根误差RMSE (root mean square error), 并利用ROI均值散点进行回归分析, 以衡量2组温度数据的偏差程度。 所采用的公式如式(3)— 式(5)

ME=∑i=1n(LSTC2L2(i)-LSTMODIS(i))/n(3)

MAE=∑i=1n(|LSTC2L2(i)-LSTMODIS(i)|)/n(4)

RMSE=1n∑i=1n(LSTC2L2(i)-LSTMODIS(i))2(5)

式中: i为ROI样区序号, n为ROI样区数, LSTC2L2(i)和LSTMODIS(i)分别为两种数据在每个ROI样区的地表温度均值。

2 结果与讨论
2.1 样区均值的比较

依上述方法反演出LC2L2ST和MODIS LST, 并统计4地18对试验影像的各影像ROI样区的特征值(表2), 同时将ROI样区的地表温度均值散点投影到二维特征空间上进行回归分析(图3)。 图3(a, c, e, g)为两种LST产品的拟合散点图; 图3(b, d, f, h)为它们的偏差散点图。

表2 基于ROI的LC2L2ST和MODIS LST统计特征(单位: ℃) Table 2 ROI-based LC2L2ST and MODIS LST statistics (unit: ℃)

图3 4个试验区LC2L2ST与MODIS LST产品的散点分布图Fig.3 Scatter plots of LC2L2ST vs. MODIS LST in four test areas

综合分析以上的对比结果, 可以看出(表2、 图3):

(1)LC2L2ST与MODIS的地表温度具有很强的相关性, 福州、 太湖、 银川、 敦煌4个试验区的决定系数R2皆大于0.98, 拟合线靠近1∶ 1线。

(2)LC2L2ST和MODIS的地表温度虽然具有很强的相关性, 但也存在一定的差距。 二者在4个试验区的MAE均值介于0.94~1.99 ℃之间, RMSE均值介于1.23~2.49 ℃之间。 LC2L2的地表温度总体高于MODIS的地表温度, 表现在4个试验区的ME平均值都呈正值, 各回归方程的斜率均大于1。 另外, LC2L2ST的温度动态范围和标准差也基本大于MODIS LST, 说明LC2L2ST获取的光谱信息量大于MODIS LST。

(3)虽然LC2L2ST总体高于MODIS LST, 但从图3的拟合散点图(a, c, e, g)和偏差散点图(b, d, f, h)都可以看出, 在低温区, LC2L2ST普遍低于MODIS LST; 随着地表温度的升高, LC2L2ST逐渐高于MODIS LST, 且幅度逐渐增大, 表现在左侧图的拟合线逐渐偏离1∶ 1线, 并位于1∶ 1线上方, 右侧图的拟合线逐渐上扬。

(4)LC2L2ST与MODIS LST在4个试验区的表现也有所不同, 福州、 敦煌试验区的散点拟合线最为接近1∶ 1直线, 因此二者的ME最小; 而太湖、 银川试验区的右侧偏差散点图的拟合曲线上扬角度更大[图3(d, f)], 说明其偏差的上升幅度更大。 在以荒漠为主的敦煌、 银川试验区的夏季高温季节, LC2L2ST可高于MODIS LST近7 ℃[图3(f, h)], 明显大于福州和太湖试验区的5 ℃。

2.2 定量关系转换模型的构建与验证

进一步将4个试验区的共560个ROI均值散点合并进行回归分析(图4), 建立LC2L2ST与MODIS LST数据的转换模型

LSTC2L2=1.058×LSTMODIS-0.68(R2=0.9796, p< 0.001)(6)

图4 基于560个ROI样区建立的LC2L2ST与MODIS LST转换模型Fig.4 The model for the conversion between MODIS LST and LC2L2ST based on 560 ROIs

利用未参与试验的太湖(2014-03-16)、 银川(2006-06-04) 2对影像来验证所获得的转换模型。 首先用转换模型[式(6)]将MODIS LST数据模拟为LC2L2ST, 然后按前述方法在2对影像选取100个ROI样区, 基于这些ROI样区将模拟数据与真实LC2L2ST数据进行比较(图5、 表3)。

图5 基于转换模型的太湖、 银川影像对拟合结果Fig.5 Verification of the conversion results using Taihu and Yinchuan image pairs

表3 太湖、 银川验证影像模拟转换前后的统计特征值对比(单位: ℃) Table 3 Comparison of statistical characteristic before and after conversion based on the Taihu and Yinchuan image pairs (unit: ℃)

验证结果表明, MODIS LST经模型转换后与LC2L2ST的偏差大幅缩小。 在太湖和银川验证影像对的ME和RMSE最大的分别降低了92%和46%, 最小的也分别降低了58%和22%。 如果将太湖、 银川合并, 经转换后, 二者的拟合线更贴近1∶ 1线, RMSE与ME分别下降了39.84%和61.17%。 这表明所建立的转换模型是有效的, 经过转换后的MODIS LST更接近于LC2L2ST数据, 有利于二者的协同使用。

2.3 讨论

上述结果表明, 新发行的LC2L2ST产品与MODIS LST产品具有很强的相关性, 但也存在一定的差异。 不同传感器成像时大气和日照条件的差异会引起观测数据的偏差[18], 但本工作严格选取的同步影像对已最大程度地避免此类差异。

因此, 分析二者差异可能由以下原因引起:

(1) 空间分辨率的差异: LC2L2ST影像的原始分辨率为100 m, 大大高于MODIS的1 000 m分辨率, 因此更容易捕捉到细小地物的光谱信息。 影像预处理时虽然已将LC2L2ST重采样为1 000 m, 但其ROI的空间异质性仍明显高于MODIS(图6), 从而造成二者地表温度的差异(表2)。 徐涵秋等[16]、 蒋乔灵等[19]、 吴晓萍等[17, 20]的研究也表明, 空间分辨率的差异是造成不同传感器光谱信息差异的重要原因。

图6 LC2L2ST和MODIS LST建筑用地ROI样区的空间异质性对比
(a): MODIS_1 000 m分辨率; (b): LC2L2ST_1 000 m分辨率Fig.6 Comparison of heterogeneity of a built-up ROI between LC2L2ST and MODIS LST
(a): MODIS_1 000 m; (b): LC2L2ST_1 000 m

(2) 观测角度的差异: 段四波等[21]指出: 统一Landsat与MODIS的观测角度效应是未来实现二者数据时空融合的难点和重点。 MODIS的宽视角会产生较强的观测角度效应[22], 图7以福州为例显示MODIS在福州试验区的观测视角为2° ~6° ; 而Landsat卫星是窄视角、 垂直观测, 其传感器视角为0° , 因此受热辐射光谱的方向性影响要明显小于MODIS[23]。 Guillevic等的研究表明, 观测角度的不同可造成MODIS地表温度产品与MSG/SEVIRI (Meteosat Second Generation/Spinning Enhanced Visible and Infrared Imager)地表温度的差异高达12 K[24]。 因此, Landsat与MODIS在观测角度的差异也是造成二者地表温度差异的原因。

图7 福州地区MODIS视角分布图
方框为福州试验区所在位置Fig.7 MODIS viewing angles of Fuzhou image
Fuzhou test area is shown using the square frame

(3) 季节的差异: 为了探究二者地表温度差异与季节的关系, 进一步统计表1中20对LC2L2ST和MODIS LST影像对的日地表温度变化(图8)。 可以看出, 在晚秋和冬季, LC2L2ST与MODIS LST相差很小, 且可略低于MODIS LST; 而在其他季节, LC2L2ST则明显大于MODIS LST。 显然, 季节的变化也是二者地表温度差异的原因之一。 邹德富等研究青藏高原低温冻土区时也得出Landsat 5/7的地表温度低于MODIS LST的结论[2]。 而Malakar等在验证美国Goodwin Creek站点的Landsat 8地表温度时也发现它在夏季的高估可大于6 K[25]。

图8 LC2L2ST与MODIS LST的日地表温度均值变化图Fig.8 The daily variation of the mean LC2L2ST and MODIS LST

(4) 地表覆盖的差异: 分别统计试验区4种主要地表覆盖类型(图2)的ROI样区的地表温度(表4)。 结果表明, 湖泊水体和茂密植被的LC2L2ST与MODIS LST的差异最小, 其ME< 0.5 ℃、 MAE约等于1 ℃、 RMSE< 1.5℃, 这是它们ROI样区的均质性较好, 从而降低了空间分辨率差异的影响。 而城镇建筑和荒漠裸土的空间均质性差, 加上前面分析的LC2L2ST在夏季高温时会产生高估, 城镇建筑和荒漠裸土又是主要的高温地物, 因此二者的ME都是较大的正值, MAE和RMSE最大的可成倍大于湖泊水体和茂密植被。 张爱因等将北京地区不同地类的Landsat 8反演的地表温度与MODIS地表温度对比时也发现, 二者在水体的温差最小、 植被次之、 城镇和裸土地类的温差最大[4]。 因此, 地表覆盖类型的不同也是造成LC2L2ST与MODIS LST差异的原因之一。

表4 LC2L2ST和MODIS在4类地物的地表温度统计(单位: ℃) Table 4 LST statistics of LC2L2ST and MODIS in 4 land cover types (unit: ℃)
3 结论

基于我国4个不同地区20对同步影像, 将新发行的LC2L2ST热红外光谱数据反演的地表温度产品与MODIS LST产品进行交互对比, 评估了该新产品在我国与MODIS相应产品的一致性。 研究结论如下:

(1)LC2L2ST新产品与MODIS LST具有很强的线性相关性。 4个试验区的回归方程决定系数(R2)皆大于0.98, 总R2也接近0.98。

(2)二者地表温度数据间也存在一定的差异, LC2L2ST比MODIS LST平均高0.90 ℃(RMSE=2.29 ℃); 但在晚秋和冬季的低温时, LC2L2ST可略低于MODIS LST。 随着温度的上升, LC2L2ST逐渐高于MODIS LST, 在夏季高温的城镇和荒漠地区可高于MODIS LST近7 ℃。 二者地表温度的偏差与其在空间分辨率、 观测角度、 季节和地物类型上的不同有明显关系。 鉴于二者在夏季的城市和沙漠地区的差异较大, 因此, LC2L2ST新产品在夏季高温季节的适用性仍有待进一步基于地面实测温度的验证, 以确认新产品在夏季高温季节是否真正存在高估。

(3)构建的转换方程有助于缩小二者地表温度间的差距。 经转换后, MODIS LST与LC2L2ST的RMSE与ME分别下降了39.84%和61.17%。

本次对比研究为这两种热红外地表温度产品的交互使用提供了科学依据。 在两种产品中, MODIS适用于尺度较大、 时间频率较高、 土地覆盖类型较均一地区的地表温度监测, 而Landsat更适用于尺度较小、 时间频率较低、 土地覆盖类型异质性较高地区的地表温度监测。 Landsat如果要进行高时间频率的监测, 可借助MODIS LST的逐日产品或8天产品, 但必须利用本工作构建的模型进行数据转换。 通过二者LST数据的协同和互补使用, 可为长时间序列的地表热环境变化监测提供连续的地表温度数据。

参考文献
[1] United States Geological Survey (USGS). Land sat 8-9 OLI/TIRS Collection 2 Level 2 Data Format Control Book (DFCB), 2020. [本文引用:1]
[2] Hazaymeh K, Hassan Q K. Journal of Applied Remote Sensing, 2015, 9(1): 96095. [本文引用:2]
[3] ZOU De-fu, ZHAO Lin, WU Tong-hua, et al(邹德富, 赵林, 吴通华, 等). Journal of Glaciology and Geocryology(冰川冻土), 2015, 37(2): 308. [本文引用:1]
[4] Laraby K G, Schott J R. Remote Sensing of Environment, 2018, 216: 472. [本文引用:2]
[5] ZHANG Ai-yin, ZHANG Xiao-li(张爱因, 张晓丽). Journal of Beijing Forestry University(北京林业大学学报), 2019, 41(3): 1. [本文引用:1]
[6] XING Meng-ling, WANG Di-feng, HE Xian-qiang, et al(邢梦玲, 王迪峰, 何贤强, 等). Journal of Marine Sciences(海洋学研究), 2020, 38(4): 72. [本文引用:1]
[7] Burnett M, Chen D. Land , 2021, 10(7): 672. [本文引用:1]
[8] Jacob F, Petitcolin F, Schmugge T, et al. Remote Sensing of Environment, 2004, 90(2): 137. [本文引用:1]
[9] Guillevic P C, Biard J C, Hulley G C, et al. Remote Sensing of Environment, 2014, 154: 19. [本文引用:1]
[10] Reiners P, Asam S, Frey C, et al. Remote Sensing, 2021, 13(17): 3473. [本文引用:1]
[11] Coll C, Caselles V, Galve J M, et al. Remote Sensing of Environment, 2005, 97(3): 288. [本文引用:1]
[12] Zhao E, Han Q, Gao C. IEEE Access, 2021, 9: 9403. [本文引用:1]
[13] XU Guang-zhi, XU Han-qiu(徐光志, 徐涵秋). Remote Sensing Technology and Application(遥感技术与应用), 2021, 36(1): 165. [本文引用:1]
[14] United States Geological Survey (USGS). How Do I Use a Scale Factor With Land sat Level-2 Science products, 2020. [本文引用:1]
[15] NASA. MODIS Collection 6. 1 (C61) Product User Guide, 2019. [本文引用:1]
[16] XU Han-qiu, LIU Zhi-cai, GUO Yan-bin(徐涵秋, 刘智才, 郭燕滨). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(8): 148. [本文引用:2]
[17] WU Xiao-ping, XU Han-qiu(吴晓萍, 徐涵秋). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(1): 310. [本文引用:2]
[18] Flood N. Remote Sensing, 2014, 6(9): 7952. [本文引用:1]
[19] JIANG Qiao-ling, XU Han-qiu(蒋乔灵, 徐涵秋). Remote Sensing Technology and Application(遥感技术与应用), 2018, 33(6): 1084. [本文引用:1]
[20] WU Xiao-ping, XU Han-qiu, JIANG Qiao-ling(吴晓萍, 徐涵秋, 蒋乔灵). Geomatics and Information Science of Wuhan University(武汉大学学报·信息科学版), 2020, 45(1): 150. [本文引用:1]
[21] DUAN Si-bo, RU Chen, LI Zhao-liang, et al(段四波, 茹晨, 李召良, 等). Journal of Remote Sensing(遥感学报), 2021, 25(8): 1591. [本文引用:1]
[22] ZHU Jin-shun, REN Hua-zhong, YE Xin, et al(朱金顺, 任华忠, 叶昕, 等). Journal of Remote Sensing(遥感学报), 2021, 25(8): 1538. [本文引用:1]
[23] Cao B, Liu Q, Du Y, et al. Remote Sensing of Environment, 2019, 232: 111304. [本文引用:1]
[24] Guillevic P C, Privette J L, Coudert B, et al. Remote Sensing of Environment, 2012, 124: 282. [本文引用:1]
[25] Malakar N K, Hulley G C, Hook S J, et al. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(10): 5717. [本文引用:1]