基于ASTER数据的地表温度遥感反演与产品检验——以黑河流域为例
马俊俊1,2, 王春磊3, 黄晓红1,2
1.华北理工大学人工智能学院,唐山 063210
2.华北理工大学河北省工业智能感知重点实验室,唐山 063210
3.自然资源部咨询研究中心,北京 100100
摘要:
针对黑河流域的地表类型特点和大气特征,基于 ASTER发射率产品和植被覆盖度法(vegetation cover method,VCM)计算了研究区地表发射率,并利用改进的多层前馈神经网络(multilayer feedforword neural network,MFNN)算法估算了区域大气水汽含量,通过对输入参数分组构建系数查找表,发展了适用于ASTER数据遥感反演地表温度的分裂窗算法。为检验算法的适应性和精度,利用黑河流域2019年的地表温度实测数据和MODIS温度产品对算法进行评价。结果表明,与站点数据相比,均方根误差在1.81~3.01 K之间; 在与MODIS数据产品交叉验证中,本文提出的算法误差和偏差相对较小,均方根误差在1.11~1.75 K之间。总体来说,利用本算法反演得到的温度产品精度可满足气象气候学研究的需要,算法的构建思路也可为类似的热红外传感器提供借鉴。
0 引言
地表温度(land surface temperature, LST)是表征地表与大气相互作用及能量平衡结果的一个关键物理参数,是研究气候和环境变化的重要因子,大尺度范围内的地表温度往往通过卫星遥感获得,并已成功应用到气象气候、水文自然、生态环境等多领域的研究[1-2]。搭载在TERRA卫星上的ASTER传感器热红外区段具有5个通道,空间分辨率为90 m,能够提供较丰富的地表信息,在反演高分辨率地表温度方面具有极大优势[3]。目前,利用ASTER数据反演地表温度的主导算法为温度与光谱发射率分离法[4],该算法是利用热红外多光谱1个时相的观测来同时求取温度和发射率波谱,虽然在局地研究区中获得了较高的计算精度,但在MMD模块中,最小发射率是基于ASTER波谱数据库拟合的经验公式计算得到,严重依赖波谱库的精度和广泛性,在不同应用场景中其精度的稳定性和应用的普适性受到限制[5-6]。
根据热力学定律,地表向外辐射能量的峰值波长集中在8~13 um的大气窗口波段,研究者基于大气水汽在相邻热红外通道吸收的差异性发展了地表温度遥感反演的分裂窗算法[7-8]。由于该算法在多通道传感器应用中具有极大的优越性,也有研究者试图构建适用于ASTER数据的分裂窗算法,毛克彪等[9]对Planck函数进行线性简化; 孙静等[10]基于辐射传输方程对Planck函数指数简化。这些算法对Planck函数的处理是基于ASTER数据第13和14通道获取的地物辐射强度散点图构建的经验关系,对关键参数大气透过率的计算可利用多项式拟合大气透过率与大气水汽含量的关系得到,在实际应用时需要利用先验知识预估大气水汽含量和地面温度的取值范围,参数的容错能力相对较差。
Wan等[11]提出通用分裂窗算法,因其计算效率高、容易实现而广泛应用于热红外遥感领域。本研究以通用分裂窗算法为基础,结合研究区的地表类型特点和大气特征,基于 ASTER 全球发射率数据集(Global Emissivity Dataset,GED)产品估算研究区的地表发射率,利用改进多层前馈神经网络(multilayer feedforword neural network,MFNN)算法计算了区域大气水汽含量,通过对初始温度、大气水汽含量及发射率分组的方式,构建系数查找表,发展了适用于研究区的分裂窗算法,并利用实测数据对反演结果进行交叉验证和站点检验。
1研究区概况及数据源
1.1 研究区概况
黑河流域位于河西走廊中部,面积约14.29万km2,经纬度范围为E98°~101.5°,N38°~42°,是西北地区重要的生态功能区。气候干燥,降水稀少但集中,流域主要地表覆盖类型遍布冰雪冻土、森林、草原、河流、湖泊、绿洲、沙漠、戈壁等多元自然景观。作为我国西部生态研究的重要基地,黑河流域承担了大量的流域综合研究,为生态学及气候学研究提供了大量宝贵的实验数据支撑。其中,黑河流域生态-水文过程综合遥感观测联合实验(Heihe watershed allied telemetry experimental research,HiWATER)在黑河上中下游地区建立了多个包含涡动相关仪、大孔径闪烁仪与自动气象站的观测矩阵,获取了大量地面水文气象观测数据,为地表水热参数遥感反演研究及空间异质性研究提供了大量基础数据。
1.2 实测数据
为检验遥感反演模型的鲁棒性,本研究选取黑河流域2019 年站点实测数据对模型反演结果进行精度检验。实测数据来自国家青藏高原科学数据中心提供的黑河流域生态-水文过程综合遥感观测联合试验站点[12],选取张掖湿地站、垭口站、混合林站、黑河遥感站、景阳岭站、花寨子荒漠站、大沙龙、荒漠站共计 8 个自动气象站(表1)。站点观测数据包括空气温湿度、气压、降水量、风速、风向、地表辐射温度,土壤温度等多个项目,观测时间频率为10 min。
表1 气象站点信息表
1.3 卫星遥感数据
卫星遥感数据来自Terra卫星的ASTER 和 MODIS传感器。根据处理程度不同,ASTER数据产品有不同的级别。其中,Level 1产品使用最多,包括未经处理的仪器数据Level 1A(L1A)及完成辐射计反演和几何重采样后生成的数据Level 1B(L1B),还有已完成精确地形校正并进行了UTM投影的数据Level 1T(L1T)。为便于计算,本文主要以L1T数据为数据源,来自美国NASA (http://ladsweb.nascom.nasa.gov/),采样时间为2019 年 1 月 1 日—12 月 31 日。综合考虑研究区位置、ASTER影像位置、数据获取时间、云量大小、植被覆盖情况等选取了共计 220 景L1T影像,以及同时段影像对应的ASTER GED全球地表发射率产品。为进行交叉检验,还选取了同期的地表温度产品MOD11_L2和为了解决ASTER和MODIS数据像元尺度差异的地理定位数据 MOD03,该数据来自美国国家航空航天局(https://ladsweb.modaps.eosdis.nasa.gov/)。
2 分裂窗算法的构建
2.1 通用分裂窗算法
分裂窗算法最初由McMillin[7]提出并应用于海表温度反演,其算法原理是基于2个相邻热红外通道对大气吸收的差异性,消除地表温度反演过程中难以精准描述的大气影响。Price[8]首次将分裂窗算法用于陆地表面温度的反演,为了提高算法的精度和普适性,陆续又有学者对其进行优化[13]。其中比较有代表性的是Wan等[11]提出的通用分裂窗算法,该算法以热红外传感器相邻波段的亮温为自变量,以辐射传输过程中牵扯到能量传输和消耗的因素,如观测角度、水汽值,大气透过率等作为修正系数因子,借助通道亮温和发射率来反演得到地表温度。
2.2 分裂窗算法系数
分裂窗算法系数直接影响卫星反演的精度,为增加模型的普适性和提高反演精度,分裂窗算法系数的确定应当源于更广泛的地表和大气场景组合。相应的数据集可以通过将探空廓线数据输入到模拟大气辐射传输过程的MODTRAN软件中获取,也可通过大面积的红外辐射仪以及探空仪等进行野外测量获得。由于卫星反演的是瞬时地表温度,如果利用地面测量数据建模,需测量与卫星过境时刻的同步值,而大气温湿度变化、近地面风以及气溶胶等因素都会影响野外测量值,发射率、地表温度以及气溶胶廓线等参数的测量难以达到同步。考虑到完全通过实测方法获得这些数据难度高、工作量较大且存在偶发因素,本文通过MODTRAN生产模拟数据集来确定分裂窗系数。
其中,大气廓线数据来自热力学初始分析资料 (Thermodynamic Initial Guess Retrieval,TIGR)大气廓线库(http://ara.abct.lmd.polytechnique.fr/index.php?paga=tigr)。为消除云的影响,本文以Galve等[14]提出的有云廓线标准,挑选出946条无云大气廓线,再加上MODTRAN自带的6条标准大气廓线,形成覆盖研究区范围内具有广泛代表性的大气廓线数据集。发射率数据来自ASTER光谱库,考虑到典型地物在ASTER数据通道13和通道14发射率最值范围,本文以[0.90,0.96]和[0.94,1.0]2个分组进行数据模拟。根据ASTER数据红外测试角特点[15],卫星观测天顶角(view zenith angle,VZA)选取0°~10°步长为2°。为了使算法在应用中更具代表性,在水汽和温度相邻区间设置重叠子区间,减少因参数本身带来的分组误差,大气水汽含量分5组: [0,1.5] g/cm2,[1.0,2.5] g/cm2,[2.0,3.5] g/cm2,[3.0,4.5] g/cm2,[5.0,6.5] g/cm2; 初始温度分组为: [265,280] K,[275,295] K,[290,310] K,[305,325] K。算法回归系数获取流程如图1所示。
2.3 地表发射率遥感反演
地表发射率与地表组分、粗糙度、土壤湿度等因素有关,其估算精度直接影响地表温度遥感反演的精度。ASTER GED产品常用于各种地表发射率算法的验证,并可作为部分温度反演算法的输入参数[16]。黑河流域地表覆盖具有典型性,上游植被覆盖密度大生态系统良好,中下游降水稀少生态退化严重,戈壁荒漠居多且裸土面积较大。ASTER GED发射率产品在裸土或裸土面积较大的像元地表精度较高,但在稀疏植被覆盖区没有考虑组分对有效发射率的影响,孟翔晨等[17]以ASTER GED发射率产品为基础,借助植被覆盖度法(vegetation cover method,VCM)量化了组分的影响因素,并在稀疏植被区取得良好应用效果。
2.4 大气含水量遥感反演
大气含水量 (water vapor content,WVC)是影响大气透过率的关键因素,现行的WVC红外遥感反演思路主要是基于水汽在吸收光谱段和大气窗口光谱段的差分吸收特性来确定[20]。比如近红外波段的通道比值法[21]、热红外波段的分裂窗协方差-方差比算法[22]等,通过构建WVC与大气透过率或透过率比值之间的拟合关系或经验方程来实现。尽管这些算法在一定区域内取得了良好效果,但经验模型同时又限制了应用范围。Zhang等[23]提出利用多层前馈神经网络(multilayer feedforword neural network,MFNN)来描述辐射传输过程中各参量之间复杂且高度非线性的关系,发展了基于热红外通道的发射率、亮温值以及初始温度来估算WVC的方法,并利用MODIS WVC产品数据和无线电探空仪数据进行了验证,取得了较好的反演精度和应用效果。
基于此,本研究利用MFNN来构建基于ASTER数据的WVC估算方法。其中,亮温和发射率分别选取对水汽吸收影响较大的第10,11,13和14通道作为输入,并通过调整输入层神经元和隐藏层来构建最佳网络结构。算法精度如表2所示,当输入层节点数为8,隐藏层为18时,算法的均方根误差最低,为0.37 g/cm2,当隐藏节点为20个时出现了过拟合现象。
表2 WVC估算均方根误差
3 算法敏感性分析与产品检验
3.1 算法敏感性分析
表3 水汽值敏感性分析表
3.2 算法精度评价
热红外地表温度遥感产品的验证主要有基于实测地表温度的检验方法、基于辐亮度的检验方法、交叉比较以及时间序列分析法等[24],本研究采取MODIS数据交叉验证和地面实测站点验证对算法精度进行评价。
3.2.1 MODIS数据的交叉验证
MODIS和ASTER传感器载于同一卫星,且其热红外波段设置具有较高一致性,在一定程度上减轻了时间匹配带来的误差[25]。MODIS数据的空间分辨率是1 km,而ASTER数据的分辨率是90 m,在验证中需要进行尺度转换。本研究采用 Liu等[26]提出的将ASTER数据缩放到1 km与MODIS数据匹配。尺度上,以站点所在像元为中心并忽略空间异质性带来的误差影响,以邻近像元组拼接形成0.99 km×0.99 km范围内的平均温度直接与MODIS数据产品进行比较。时间上,以ASTER数据成像时间为基准,对于误差时间在10 min以内的数据,直接对应; 误差时间在10~30 min的数据,采取相邻两侧最近时间点线性插值来获取; 对于时间误差大于30 min的数据则直接剔除。
3.2.2 实测站点数据验证
地面实测数据来自黑河流域地表过程综合观测网自动气象站红外测温仪,数据采样间隔为10 min,具有较好的时间连续性。为同卫星数据进行匹配,利用临近时间点的温度进行线性插值得到卫星过境时对应的温度值。由于所选站点在像元尺度上地形起伏不大,地表相对均质,站点测量值可以近似代表观测站点所在的像元温度值。
3.2.3 分析与讨论
利用本文提出的算法模型在黑河流域8个站点的反演结果与实测温度数据及MODIS温度产品的比较结果如表4和图2所示,均方根误差(root mean square error,RMSE)在1~3 K之间,基本满足气象气候研究中对温度产品的容许误差要求。与站点数据相比,本文的反演结果与MODIS产品更为接近,无论是RMSE和均值偏差均相对较小。由于卫星遥感反演得到的一个像元尺度的平均值,以站点的单点实测值代表像元尺度的实际值本身就会带来一定的误差; 另外,在数据匹配过程中,当有风或地面湍流时,利用相邻时间点来进行线性插值也会带来误差,使得利用实测站点数据的检验结果误差偏大。在站点实测数据检验中,均方根误差的最大值是张掖湿地站,为3 K左右。除了上述原因之外,湿地站点由于地表含水量较大且地表覆盖类型复杂,其发射率的估算难度较大,发射率0.01的误差就会造成温度反演结果1~2 K的误差,间接误差也会影响最终的结果。在与MODIS产品的比较中,由于2个传感器在同一颗卫星上,数据获取的时间相对一致,尺度转换中由于地表在像元尺度相对均质,使得卫星产品之间的误差相对较小。
表4 遥感反演值与地面实测和MODIS产品比对结果
4 总结
精准的高分辨率地表温度产品对于地表热辐射和气象气候研究具有重要意义。本文根据黑河流域的地理位置特征和地表覆盖特点,基于ASTER数据构建了适用于研究区的地表温度遥感分裂窗算法。本文的创新点主要有:
1)基于 ASTER GED产品发展了适用于稀疏植被覆盖区的发射率估算方法,并利用通道发射率、亮温值以及初始温度改进多层前馈神经网络计算了区域大气水汽含量。
2)以参数分组的方式构建了模型系数查找表,发展了适用于研究区的通用分裂窗算法。
3)利用黑河流域2019年220景的数据生成产品与实测数据和MODIS温度产品的进行交叉验证。结果表明,与站点数据相比,RMSE在1.81~3.01 K之间; 与MODIS数据相比,本文提出的算法误差相对较小,RMSE在1.11~1.75 K之间,均值偏差也相对较小。因此,利用本算法反演得到的温度产品可满足气象气候学研究的需要。
另外,本研究提出的分裂窗算法构建思路也可应用在类似的传感器中,支持其他热红外传感器更为便宜的生产地表温度产品,例如,Sentinel-3和FY-3 MERIS等。需要注意的是,尽管本文的算法模型在黑河流域检验结果相对较好,但与实测数据比较中一些误差较大的站点也需要引起注意,特别是部分站点中间变量估算误差传递并影响最终结果的问题,比如,湿地地区土壤水分的变化引起的发射率误差问题,大气含水量估算误差导致的分组误差问题等,今后的研究中需要进一步考虑这些问题的影响,以增加算法的普适性。 （原文有删减）
参考文献
[1]
李召良, 段四波, 唐伯惠, 等.
热红外地表温度遥感反演方法研究进展
[J]. 遥感学报, 2016, 20(5):899-920.
[本文引用: 1]
Li Z L, Duan S B, Tang B H, et al.
Research progress in inversion methods of thermal infrared land surface temperature remote sensing
[J]. Journal of Remote Sensing, 2016, 20(5):899-920.
[本文引用: 1]
[2]
Anderson M C, Kustas W P, Norman J M, et al.
Mapping daily evapotranspiration at field to continental scales using geostationary and polar orbiting satellite imagery
[J]. Hydrology and Earth System Sciences, 2011, 15(1):223-239.
DOI:10.5194/hess-15-223-2011 URL [本文引用: 1]
[3]
程博, 刘少峰, 杨巍然.
Terra卫星ASTER数据的特点与应用
[J]. 华东地质学院学报, 2003(1):15-17.
[本文引用: 1]
Cheng B, Liu S F, Yang W R.
The characteristics and application of Terra satellite ASTER data
[J]. Journal of East China Institute of Geology, 2003(1):15-17.
[本文引用: 1]
[4]
Gillespie A, Rokugawa S.
A temperature and emissivity separation algorithm for Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) images
[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(4):1113-1126.
DOI:10.1109/36.700995 URL [本文引用: 1]
[5]
杨杭, 张立福, 张学文, 等.
TASI数据的温度与发射率分离算法
[J]. 遥感学报, 2011, 15(6):1248-1264.
[本文引用: 1]
Yang H, Zhang L F, Zhang X W, et al.
The separation algorithm of temperature and emissivity for TASI data
[J]. Journal of Remote Sensing, 2011, 15(6):1248-1264.
[本文引用: 1]
[6]
张允祥, 李新, 韦玮, 等.
基于多通道温度与发射率分离算法的敦煌场地红外特性研究
[J]. 光学学报, 2019, 39(10):309-317.
[本文引用: 1]
Zhang Y X, Li X, Wei W, et al.
Research on infrared characteristics of Dunhuang site based on multi-channel temperature and emissivity separation algorithm
[J]. Acta Optics, 2019, 39(10):309-317.
[本文引用: 1]
[7]
McMillin L M.
Estimation of sea surface temperatures from two infrared window measurements with different absorption
[J]. Journal of Geophysical Research, 1975, 80(36):5113-5117.
DOI:10.1029/JC080i036p05113 URL [本文引用: 2]
[8]
Price J C.
Land surface temperature measurements from the split window channels of the NOAA-7 AVHRR
[J]. Journal of Geophysical Research Atmospheres, 1984, 89(5):7231-7237.
DOI:10.1029/JD089iD05p07231 URL [本文引用: 2]
[9]
毛克彪, 唐华俊, 陈仲新, 等.
一个从ASTER数据中反演地表温度的分裂窗算法
[J]. 遥感信息, 2006(5):7-11.
[本文引用: 1]
Mao K B, Tang H J, Chen Z X, et al.
A split-window algorithm for retrieving land surface temperature from ASTER data
[J]. Remote Sensing Information, 2006(5):7-11.
[本文引用: 1]
[10]
孙静, 赵萍, 叶琦.
一种ASTER数据地表温度反演的分裂窗算法
[J]. 遥感技术与应用, 2012(5):728-734.
[本文引用: 1]
Sun J, Zhao P, Ye Q.
A split window algorithm for retrieving surface remperature from ASTER data
[J]. Remote Sensing Technology and Application, 2012(5):728-734.
[本文引用: 1]
[11]
Wan Z, Dozier J.
A generalized split-window algorithm for retrieving land-surface temperature from space
[J]. IEEE Transactions on Geoscience & Remote Sensing, 1996, 34(4):892-905.
[本文引用: 2]
[12]
Liu S M, Li X, Xu Z W, et al.
The Heihe integrated observatory network:A basin-scale land surface processes observatory in China
[J]. Vadose Zone Journal, 2018, 17(1) :1-21.
[本文引用: 1]
[13]
Ri C G, 柳钦火, 历华, 等.
针对Terra/MODIS数据的改进分裂窗地表温度反演算法
[J]. 遥感学报, 2013(4):830-840.
[本文引用: 1]
Ri C G, Liu Q H, Li H, et al.
Improved split-window land surface temperature retrieval algorithm for Terra/MODIS data
[J]. Journal of Remote Sensing, 2013(4):830-840.
[本文引用: 1]
[14]
Galve J M, Coll C, Caselles V, et al.
An atmospheric radiosounding database for generating land surface temperature algorithms
[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(5):1547-1557.
[本文引用: 1]
[15]
李珊珊, 蒋耿明.
基于通用分裂窗算法和Landsat-8数据的地表温度反演研究
[J]. 遥感技术与应用, 2018, 33(2):284-295.
[本文引用: 1]
Li S S, Jiang G M.
Research on land surface temperature inversion based on general split window algorithm and Landsat-8 data
[J]. Remote Sensing Technology and Application, 2018, 33(2):284-295.
[本文引用: 1]
[16]
Jiang J X, Li H, Liu Q H, et al.
Evaluation of land surface temperature retrieval from FY-3B/VIRR data in an arid area of northwestern China
[J]. Remote Sensing, 2015, 7(6):7080-7104.
DOI:10.3390/rs70607080 URL [本文引用: 1]
[17]
孟翔晨, 历华, 杜永明, 等.
基于ASTER GED产品的地表发射率估算
[J]. 遥感学报, 2016, 20(3):382-396.
[本文引用: 1]
Meng X C, Li H, Du Y M, et al.
Estimation of surface emissivity based on ASTER GED products
[J]. Journal of Remote Sensing, 2016, 20(3):382-396.
[本文引用: 1]
[18]
Valor E, Caselles V.
Mapping land surface emissivity from NDVI:Application to European,African,and South American areas
[J]. Remote Sensing of Environment, 1996, 57(3):167-184.
DOI:10.1016/0034-4257(96)00039-9 URL [本文引用: 1]
[19]
Sobrino J A, Jimenez-Muoz J C, Soria G, et al.
Land surface emissivity retrieval from different VNIR and TIR sensors
[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(2):316-327.
[本文引用: 1]
[20]
杨亮彦, 孔金玲, 王雅婷, 等.
旱区大气水汽含量遥感反演算法研究
[J]. 测绘科学, 2020, 45(5):95-100.
[本文引用: 1]
Yang L Y, Kong J L, Wang Y T, et al.
Research on remote sensing inversion algorithm of atmospheric water vapor content in arid area
[J]. Science of Surveying and Mapping, 2020, 45(5):95-100.
[本文引用: 1]
[21]
李红林, 李万彪.
MODIS近红外资料反演大气水汽总含量
[J]. 北京大学学报(自然科学版), 2008(1):121-128.
[本文引用: 1]
Li H L, Li W B.
Retrieving total atmospheric water vapor content from MODIS near-infrared data
[J]. Journal of Peking University (Natural Science Edition), 2008(1):121-128.
[本文引用: 1]
[22]
Li Z L, Li J, Su Z G, et al.
A new approach for retrieving precipitable water from ATSR2 split-window channel data over land area
[J]. International Journal of Remote Sensing, 2003, 24(24):5095-5117.
DOI:10.1080/0143116031000096014 URL [本文引用: 1]
[23]
Zhang S, Xu L, Ding J, et al.
A neural network based algorithm for the retrieval of precipitable water vapor from MODIS data
[J]. Lecture Notes in Electrical Engineering, 2010, 67:909-916.
[本文引用: 1]
[24]
马晋, 周纪, 刘绍民, 等.
卫星遥感地表温度的真实性检验研究进展
[J]. 地球科学进展, 2017, 32(6):615-629.
DOI:10.11867/j.issn.1001-8166.2017.06.0615 [本文引用: 1]
Ma J, Zhou J, Liu S M, et al.
Research progress on authenticity verification of satellite remote sensing of land surface temperature
[J]. Advances in Earth Science, 2017, 32(6):615-629.
[本文引用: 1]
[25]
Duan S B, Li Z L, Cheng J, et al.
Cross-satellite comparison of operational land surface temperature products derived from MODIS and ASTER data over bare soil surfaces-ScienceDirect
[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 126(4):1-10.
DOI:10.1016/j.isprsjprs.2017.02.003 URL [本文引用: 1]
[26]
Liu Y, Hiyama T, Yamaguchi Y.
Scaling of land surface temperature using satellite data:A case examination on ASTER and MODIS products over a heterogeneous terrain area
[J]. Remote Sensing of Environment, 2006, 105(2):115-128.
DOI:10.1016/j.rse.2006.06.012 URL [本文引用: 1]
【作者简介】马俊俊(1997-),女,硕士研究生,主要研究方向为热红外遥感。Email: 3149536029@qq.com。
【通讯作者】黄晓红(1973-),女,博士,教授,主要研究方向为信号与信息处理。Email: tshxh@163.com。
【】国家自然科学基金项目“沙尘气溶胶影响下的地表长波辐射遥感估算”(41801264);河北省自然科学基金项目“沙尘气溶胶影响下的地表温度反演研究”(D202009074)
【】马俊俊, 王春磊, 黄晓红. 基于ASTER数据的地表温度遥感反演与产品检验——以黑河流域为例[J]. 自然资源遥感, 2023, 35(1): 198-204.
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
