楊 敏， 楊貴軍， 陳曉寧， 張勇峰， 尤靜妮

(1.陜西省地震局，西安 710068； 2.國家農業(yè)信息化工程技術研究中心,北京 100097； 3.農業(yè)部農業(yè)信息技術重點實驗室,北京 100097； 4.北京市農業(yè)物聯(lián)網工程技術研究中心,北京 100097； 5.西安科技大學測繪科學與技術學院,西安 710054； 6.西安中天緯地測繪科技有限公司,西安 710065)

0 引言

地表溫度(land surface temperature, LST)是能量平衡和水平衡的重要組成部分及主要分量，準確測定與估算研究區(qū)域的LST不僅能夠監(jiān)測農業(yè)旱情,指導農業(yè)耕種、排水及灌溉，還對研究全球氣候變化、生態(tài)環(huán)境監(jiān)測等問題具有極其重要的意義[1-6]?，F有靜止氣象衛(wèi)星數據能夠滿足對全球氣候變化、生態(tài)環(huán)境監(jiān)測等大區(qū)域性問題的研究，而對農業(yè)耕種、農田蒸散發(fā)等更精細尺度的研究，則需要高時間/高空間分辨率的遙感影像?，F有的衛(wèi)星傳感器因硬件性能、衛(wèi)星軌道設計等需要權衡入射輻射總能量守恒、數據在軌存儲及傳輸能力有限等因素，致使傳感器各種分辨率之間相互制約，故現有傳感器中沒有單獨的傳感器能夠兼顧時空分辨率[7]。

時空數據融合方法可以獲得高時空分辨率的數據,這些方法主要分為3大類[8]： ①基于權重函數的方法，時空自適應反射率融合模型(spatio-temporal adaptive reflectivity fusion model，STARFM)是基于權重函數的第一個方法，是Gao等[9]在假設高分辨率和低分辨率影像反射率變化一致的基礎上提出的。針對其缺陷，出現了一些改進的算法，例如增強型STARFM(enhanced STARFM，ESTARFM)[10]和自適應影像反射率變化時空融合方法[11]； ②基于混合像元分解的方法，最早由Zhukov等[12]于1999年提出多傳感器多分辨率技術，后來有了遙感數據時空融合方法(spatial temporal data fusion approach，STDFA)[13]； ③基于稀疏表示及字典學習的時空融合的方法，基于稀疏表示的反射率時空融合模型是Huang等[14]在2012年提出的最早的基于稀疏表示和字典學習的方法。上述方法大多需要輸入一對以上的高時間/低空間分辨率數據(下文簡稱為低空間分辨率數據)和低時間/高空間分辨率數據(下文簡稱為高空間分辨率數據)再加上1景低空間分辨率數據(預測日期)?；诨旌舷裨纸獾姆椒ê痛蟛糠只跈嘀睾瘮档姆椒ǘ技俣ㄝ斎牒皖A測日期之間沒有土地覆蓋類型變化，這對異質區(qū)域的地表覆蓋類型突變的預測是一個很大的挑戰(zhàn)； 基于稀疏表示和字典學習的方法雖能更好地預測像元的地表覆蓋類型，但不能精確地保持物體的形狀，尤其是當尺度差異太大時。為了克服上述時空數據融合方法的缺陷，本文采用一種靈活的時空數據融合(flexible spatio-temporal data fusion，FSDAF)模型生成高時空LST數據并對其進行驗證分析。

1 研究區(qū)概況及數據源

1.1 研究區(qū)概況

本文的研究區(qū)域選擇甘肅省張掖市黑河流域盈科灌區(qū)，地理范圍為N38°44′～38°57′，E100°12′～100°32′。該灌區(qū)位于張掖市西南部，周圍地勢平坦開闊，適合農業(yè)耕種，可作為典型的綠洲農田觀測站。主要地表覆蓋類型為戈壁、水體、建筑物、農作物和沙地等，主要農作物類型為玉米、春小麥、油菜、水稻和胡麻等[15-16]。研究區(qū)位置及自動氣象站(automatic weather station，AWS)分布如圖1所示。

(a) 研究區(qū)位置(b) ASTER B3(R)，B2(G)，B1(B)假彩色合成影像及AWS站點分布區(qū)的局部放大

圖1研究區(qū)位置及AWS站點分布示意圖

Fig.1LocationofstudyareaanddistributionofAWSsites

1.2 數據源及預處理

考慮到LST隨時間變化快且與傳感器的觀測位置有關，間隔很短時間或處于不同觀測位置都不能很好地說明數據融合的精度。因此，本文選擇搭載同一平臺(EOS/TERRA衛(wèi)星)的中等分辨率成像光譜儀(moderate-resolution imaging spectroradiometer,MODIS)和高級熱量散射和反射輻射儀(advanced spaceborne thermal emission and reflection radiometer,ASTER)傳感器獲取的數據，以保證傳感器具有相同的觀測時間和相同的觀測位置。所用的MOD11_L2數據取自美國國家航空航天局(National Aeronautics and Space Administration，NASA)官網(http: //ladsweb.nascom.nasa.gov/)。ASTER LST數據及本文中采用的AWS觀測數據取均來自2012年在黑河流域開展的“黑河流域生態(tài)水文過程綜合遙感觀測聯(lián)合試驗(Heihe watershed allied telemetry experimental resaerch，HiWATER)”[17]。首先利用MODIS Reprojection Tool將MODIS數據重投影為WGS/UTM84坐標系，并采用最近鄰法重采樣為90 m空間分辨率； 然后使用ENVI軟件，以2012年8月11日獲取的ASTER影像為基準，對MODIS和其余的ASTER影像進行配準(配準誤差小于0.5個像元)； 最后根據研究區(qū)矢量文件對2種影像數據進行裁剪。所用的影像數據均無云覆蓋，質量良好。結合先驗知識，將研究區(qū)內的地表覆蓋類型大致分為植被、水體及裸地3類。本文所用遙感數據見表1。

表1 研究中使用的遙感數據Tab.1 Remote sensing data used in study

①MODIS LST產品由廣義分裂窗算法(generalized split-window algorithm，GSW)生成[18]； ②ASTER LST產品由溫度發(fā)射率分離(temperature emissivity separation，TES)算法及水蒸氣擴展(water vapor scaling，WVS)校正方法生成[19-20]。

2 基于FSDAF的時空數據融合方法

2.1 技術流程

本文技術流程圖如圖2所示。

圖2 技術流程圖Fig.2 Technique flowchart

2.2 時空數據融合方法

STARFM和ESTARFM方法在最后的預測中均使用臨近像元信息來減少不確定性以及減輕塊效應。本文使用了與STARFM和ESTARFM類似的策略，得到t2時刻更高精度的高空間分辨率像元值。具體步驟如下： 首先，對t1時刻的高空間分辨率數據進行分類，結合2期低空間分辨率數據，計算每一地物覆蓋類型的時間差異； 然后，利用每一地物覆蓋類型的時間差異，預測t2時刻的高空間分辨率，并計算低空間分辨率數據像元的殘差； 接著，對t2時刻的低空間分辨率數據，使用薄板樣條(thin plate spline，TPS)插值函數預測對應時刻的高空間分辨率數據，并將殘差分配給預測得到的高空間分辨率數據； 最后，使用鄰域信息在移動窗口內賦予權重，融合生成t2時刻的高空間分辨率數據。具體計算方法為

ΔRhigh(xij,yij,b)=εhigh(xij,yij,b)+ΔRhigh(a,b) ，

(1)

(2)

權重的計算和ESTARFM方法中的定義一致[10]，文中不再贅述。FSDAF方法是一種基于光譜解混分析與TPS插值函數的高時空分辨率數據融合方法，TPS插值函數主要是指導殘差分布，殘差求解方法為

εhigh(xij,yij,b)=mε(xi,yi,b)W(xij,yij,b) ，

(3)

(4)

CW(xij,yij,b)=Eho(xij,yij,b)+ε(xi,yi,b)[1-HI(xij,yij)]，

(5)

(6)

(7)

3 結果與分析

以2012年7月10日獲取的ASTER LST和MODIS LST為基礎影像對輸入，用于預測2012年8月02日、8月18日、8月27日、9月03日、9月19日和9月28日共6 d的LST。用FSDAF方法生成的高時空分辨率LST影像并非一次性得到，而是多次調整窗口大小、地物類別數目、相似像元搜索閾值大小等參數的結果，最后選擇大小為20像元×20像元的窗口，地物類別數目為5，相似像元搜索閾值為30。為了驗證用FSDAF方法融合獲得的高時空LST的精度，從地面點觀測數據和ASTER溫度產品數據這2個層次對融合結果進行驗證分析。

3.1 地面點驗證與分析

對用FSDAF方法生成的高時空分辨率LST的地面點驗證是利用從黑河網站申請到的AWS站點的地表輻射紅外溫度進行的。AWS站點中AWS1站點的下墊面地物類型為菜地、AWS4站點下墊面地物類型為村莊、AWS17站點下墊面地物類型為果園，其余站點下墊面地物類型均為玉米，因此，研究區(qū)域下墊面大部分都是地表覆蓋均勻的農田，且地勢平坦，LST空間差異較小，站點位置處的溫度測量值對其下方周圍一定范圍內的農田溫度值具有一定的代表性，可以用AWS站點的測量值對遙感預測LST數據進行驗證[21-24]。Wan[25]指出了現場實測的LST驗證點應遠小于1 K的不確定性，因此選擇4 d的利用FSDAF方法生成的LST數據小于1 K的不確定性點來驗證。驗證點的選擇是以17個AWS站點為中心選擇一個3像元×3像元的窗口，對窗口內的9個像元值計算平均標準差，最后選擇所有4 d平均標準差小于1 K的AWS站點進行驗證。圖3為AWS站點對應的4 d平均標準差。

圖3 17個AWS站點4 d平均標準差Fig.3 Average standard deviation of 17 AWS stations in 4 days

對4個日期AWS站點觀測的LST值與基于FSDAF方法生成的LST進行驗證分析的散點圖如圖4所示。

(a) 20120802 (b) 20120818

(c) 20120827 (d) 20120903

圖4AWS站點觀測LST與FSDAF融合生成LST的散點圖

Fig.4ScatterplotsforgroundmeasuredLSTbyAWSstationandLSTgeneratedbyFSDAFfusion

由圖4可以看出，AWS站點觀測的LST數據與基于FSDAF方法生成的LST數據的散點分布呈明顯的正相關性，且散點分布較為集中，決定系數R2均高于0.64，表明基于FSDAF方法生成的LST值具有較高的預測精度。

值得注意的是，圖4中AWS1這一樣本點的預測LST明顯高于其余樣本點的LST，其原因是該站點下墊面地物類型為菜地，而菜地的地表覆蓋沒有玉米地均勻,裸露地表較多； 且從圖1的AWS站點分布圖可以看出，AWS1站點附近有裸土或不透水面等高溫區(qū)域，故AWS1的LST明顯高于其他站點的LST。

3.2 ASTER溫度產品驗證與分析

用于對預測生成的LST數據進行驗證的真值采用從寒區(qū)旱區(qū)科學數據中心申請到的、與MODIS獲取時間一致的ASTER LST產品(圖5)。圖5最左列為利用FSDAF方法預測生成的6 d的90 m空間分辨率LST影像； 中間列為從“黑河流域生態(tài)水文試驗： 2012年黑河流域中游ASTER地表溫度和地表反射率數據集”獲得的ASTER LST產品； 最右列為從NASA官網獲取的MODIS LST產品(用最近鄰法重采樣為90 m空間分辨率)。

(a) 20120802 LST(b) 20120802 ASTER LST(c) 20120802 MODIS LST

(d) 20120818 LST(e) 20120818 ASTER LST(f) 20120818 MODIS LST

(g) 20120827 LST(h) 20120827 ASTER LST(i) 20120827 MODIS LST

(j) 20120903 LST(k) 20120903 ASTER LST(l) 20120903 MODIS LST

(m) 20120919 LST(n) 20120919 ASTER LST(o) 20120919 MODIS LST

圖5-1研究區(qū)不同日期LST分布圖

Fig.5-1LSTdistributioninstudyareaindifferentdates

(p) 20120928 LST(q) 20120928 ASTER LST(r) 20120928 MODIS LST

圖5-2研究區(qū)不同日期LST分布圖

Fig.5-2LSTdistributioninstudyareaindifferentdates

由圖5可以看出，用FSDAF融合生成的LST分布圖、ASTER的LST產品分布圖以及MODIS的LST產品分布圖的空間分布趨勢完全一致。圖5中紅色為高溫地物(均為沙漠區(qū)域)，藍色為低溫地物(均為農田等有植被覆蓋區(qū)域)，這與研究時間段內研究區(qū)的地表覆蓋真實情況十分吻合。由圖5最右列圖可以看出，雖然MODIS LST產品已重采樣為90 m空間分辨率，但并沒有給MODIS加入任何空間輔助信息，所以直接由1 000 m分辨率重采樣而來的MODIS LST數據的斑塊現象十分明顯。而基于FSDAF方法預測生成的LST影像與MODIS LST影像形成鮮明對比，前者是在后者的基礎上加入了一些空間輔助信息，增加了紋理細節(jié)，消除了部分斑塊現象，與ASTER LST產品的影像紋理十分吻合。

圖6為8月2日的ASTER LST產品與FSDAF預測的LST影像的差值分布，分布在-8～15 K之間?？偟膩砜?，真實LST與預測LST差值分布圖幾乎沒有紋理信息，看起來像一些隨機噪聲值，這說明基于FSDAF方法預測生成的LST值與真實的LST值分布幾乎沒有差異，紋理十分接近。但可以看出地物覆蓋類型的交界處(水體與農田、農田與居民地、農田與沙漠等)誤差較大，這可能是由于地物交界處的地表覆蓋類型較為復雜、混合像元現象比較嚴重，而且輸入的基礎影像與ASTER和MODIS數據的尺度差異太大。

圖6真實LST與預測LST差值影像圖

Fig.6DifferenceimageoftrueLSTandpredictedLST

為了更加直觀地了解基于FSDAF方法生成的LST值的精度，本文以ASTER LST產品為真值，對FSDAF預測生成的LST影像進行相關性分析，以驗證該方法對本研究區(qū)的適用性。圖7為ASTER LST產品和對應位置像元的預測LST的散點圖，使用決定系數(R2)、平均絕對誤差(mean absolute error,MAE)及均方根誤差(root mean squared error,RMSE)來定量評價基于FSDAF方法生成的6個日期LST影像的精度。

(a) 20120802 (b) 20120818

圖7-1FSDAF方法預測LST與ASTERLST產品的散點圖

Fig.7-1ScatterplotsofLSTpredictedbyFSDAFmethodandASTERLSTproduct

(c) 20120827 (d) 20120903

(e) 20120919 (f) 20120928

圖7-2FSDAF方法預測LST與ASTERLST產品的散點圖

Fig.7-2ScatterplotsofLSTpredictedbyFSDAFmethodandASTERLSTproduct

從圖7散點圖的離散程度以及走勢可以看出,預測影像的精度較高。圖中可見有個別散點并不服從于整體散點的分布走勢，分析認為這些分散的散點可能對應于圖6中的地物交界處。整體來看，6個日期的R2≥0.91，MAE≤1.84 K，RMSE≤2.44 K，這3個指標定量地說明了FSDAF方法預測生成的LST精度很高。

4 討論

用時空融合方法生成高時空分辨率的LST數據可解決由傳感器各種分辨率之間的制約導致的不能同時獲取高時間/高空間分辨率數據的缺陷，FSDAF方法也不例外。FSDAF方法與STARFM的主要區(qū)別在于FSDAF方法是將混合像元分解、空間插值以及STARFM方法整合為一個框架。從圖4―7這一系列圖及其精度評價參數可以看出，用FSDAF方法融合生成的LST精度很高； 從與地面觀測LST的散點圖能很明顯地看出，FSDAF方法預測生成的LST精度很高； 20120710—20120928時間跨度2個多月，預測精度依然很高，這能很好地解決高空間分辨率傳感器運行周期長以及云雨天氣導致的影像不可用等問題。

本文只是將Zhu等[8]的FSDAF方法應用于黑河中游盈科灌區(qū)，并對生成的數據進行了多級驗證分析，以研究該方法對盈科灌區(qū)試驗區(qū)的適用性； 但并沒有對FSADF算法本身有所改進。

現已發(fā)表的文獻和本文幾乎使用完全相同的研究區(qū)融合生成LST，采用的是ESTARFM方法[23]、基于時序數據的時空融合方法[26]和基于混合像元分解的時空融合方法[27]。ESTARFM的決定系數比FSDAF方法的略高，但ESTARFM方法需要輸入2個時期的高空間分辨率影像，比FSDAF要求的輸入條件更苛刻些，而且ESTARFM方法的誤差范圍比FSDAF要大。

FSDAF方法能夠有如此好的預測結果，主要歸因于以下幾方面： ①FSDAF方法在解決端元的時空變化時比其他的基于混合像元分解方法更加穩(wěn)健； ②由地表覆蓋變化或者類內差異導致的時間變化的局部變化是通過殘差分布來建模的； ③FSDAF方法預測的影像通過引入鄰域信息而具有較好的空間連續(xù)性。

5 結論

本文應用FSDAF方法融合ASTER和MODIS數據，生成具有MODIS高時間分辨率的90 m高空間分辨率LST影像。利用MODIS數據提供的時序信息和ASTER數據提供的空間紋理信息，對融合生成的LST用AWS站點觀測的LST數據以及ASTER LST產品進行了多級驗證。得出以下結論：

1)FSDAF方法用于生成本文研究區(qū)高時空LST是可行的，得到的LST影像紋理清晰且與真實影像十分吻合，空間細節(jié)連續(xù)性好。

2)用AWS站點觀測的LST值驗證FSDAF方法生成的LST影像的結果精度很高，R2≥0.64，且散點圖較為集中。

3)用ASTER LST產品對FSDAF方法生成的LST影像進行驗證，同樣也可以得到較高的精度：R2≥0.91，MAE≤1.84 K，RMSE≤2.44 K。

本文只是一個基于FSDAF方法生成高時空分辨率LST的應用實例，結果表明該算法應用于本文的研究區(qū)是可行的，能夠預測土地覆蓋類型的變化且紋理清晰、精度較高； 但該算法無法預測土地覆蓋類型的微小變化，在今后的研究中應該更深層次地考慮如何加入靜止氣象衛(wèi)星數據生成更高時間分辨率的LST，以預測土地覆蓋類型的微小變化。對于不能很好解決的土地覆蓋類型交界處等混合像元嚴重的問題，應考慮加入中間過渡分辨率的影像數據進行分析。

[1] 劉紹民,孫中平,李小文,等.蒸散量測定與估算方法的對比研究[J].自然資源學報,2003,18(2):161-167.

Liu S M,Sun Z P,Li X W,et al.A comparative study on models for estimating evapotranspiration[J].Journal of Natural Resources,2003,18(2):161-167.

[2] Li A N,Zhao W,Deng W.A quantitative inspection on spatio-temporal variation of remote sensing-based estimates of land surface evapotranspiration in south Asia[J].Remote Sensing,2015,7(4):4726-4752.

[3] 張仁華,孫曉敏,王偉民,等.一種可操作的區(qū)域尺度地表通量定量遙感二層模型的物理基礎[J].中國科學D輯(地球科學),2004,34(s2):200-216.

Zhang R H,Sun X M,Wang W M,et al.The physical basis of an operable regional scale surface fluxes on quantitative remote sensing Bilevel model[J].Science China Earth Sciences,2004,34(s2):200-216.

[4] Huang B,Wang J,Song H H,et al.Generating high spatiotemporal resolution land surface temperature for urban heat island monitoring[J].IEEE Geoscience and Remote Sensing Letters,2013,10(5):1011-1015.

[5] Zhou J,Zhan W F,Hu D Y,et al.Improvement of mono-window algorithm for retrieving land surface temperature from HJ-1B satellite data[J].Chinese Geographical Science,2010,20(2):123-131.

[6] Wan Z M,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.

[7] Zhang Y.Understanding image fusion[J].Photogrammetric Engineering & Remote,2004,70(6):657-661.

[8] Zhu X L,Helmer E H,Gao F,et al.A flexible spatiotemporal method for fusing satellite images with different resolutions[J].Remote Sensing of Environment,2016,172:165-177.

[9] Gao F,Masek J,Schwaller M,et al.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(8):2207-2218.

[10] Zhu X L,Chen J,Gao F,et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote Sensing of Environment,2010,114(11):2610-2623.

[11] Hilker T,Wulder M A,Coops N C,et al.A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J].Remote Sensing of Environment,2009,113(8):1613-1627.

[12] Zhukov B,Oertel D,Lanzl F,et al.Unmixing-based multisensor multiresolution image fusion[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(3):1212-1226.

[13] Wu M Q,Niu Z,Wang C Y,et al.Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model[J].Journal of Applied Remote Sensing,2012,6(1): 063507.

[14] Huang B,Song H H.Spatiotemporal reflectance fusion via sparse representation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):3707-3716.

[15] 角媛梅,馬明國,肖篤寧.黑河流域中游張掖綠洲景觀格局研究[J].冰川凍土,2003,25(1):94-99.

Jiao Y M,Ma M G,Xiao D N.Research on the landscape pattern of Zhangye oasis in the middle reaches of Heihe River[J].Journal of Glaciology and Geocryology,2003,25(1):94-99.

[16] 劉潤堂,李遠華,許 平.黑河流域農業(yè)節(jié)水任務及需正確處理的關系[J].中國水利,2002(2):44-46.

Liu R T,Li Y H,Xu P.Agricultural water saving task in Heihe River Basin and how to handle its relationship with other respects properly[J].China Water Resources,2002(2):44-46.

[17] 歷 華,王合順,杜永明,等.黑河生態(tài)水文遙感試驗:2012年黑河流域中游ASTER地表溫度和地表發(fā)射率數據集[EB/OL].2015.http://westdc.westgis.ac.cn/data/43932103-65cd-4b25-a750-8936913efafe.

Li H,Wang H S,Du Y M,et al.HiWATER: ASTER LST and LSE dataset in 2012 in the middle reaches of the Heihe River Basin[EB/OL].2015. http://westdc.westgis.ac.cn/data/43932103-65cd-4b25-a750-8936913efafe.

[18] Li Z L,Tang B H,Wu H,et al.Satellite-derived land surface temperature:Current status and perspectives[J].Remote Sensing of Environment,2013,131:14-37.

[19] Xu Z W,Liu S M,Li X,et al.Intercomparison of surface energy flux measurement systems used during the HiWATER-MUSOEXE[J].Journal of Geophysical Research:Atmospheres,2013,118(23):13140-13157.

[20] Li H,Sun D L,Yu Y Y,et al.Evaluation of the VIIRS and MODIS LST products in an arid area of Northwest China[J].Remote Sensing of Environment,2014,142:111-121.

[21] Yang G J,Weng Q H,Pu R L,et al.Evaluation of ASTER-like daily land surface temperature by fusing ASTER and MODIS data during the HiWATER-MUSOEXE[J].Remote Sensing,2016,8(1):75.

[22] 白 潔,劉紹民,扈 光.針對TM/ETM+遙感數據的地表溫度反演與驗證[J].農業(yè)工程學報,2008,24(9):148-154.

Bai J,Liu S M,Hu G.Inversion and verification of land surface temperature with remote sensing TM/ETM+ data[J].Transactions of the CSAE,2008,24(9):148-154.

[23] 楊貴軍,孫晨紅,歷 華.黑河流域ASTER與MODIS融合生成高分辨率地表溫度的驗證[J].農業(yè)工程學報,2015,31(6):193-200.

Yang G J,Sun C H,Li H.Verification of high-resolution land surface temperature by blending ASTER and MODIS data in Heihe River Basin[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(6):193-200.

[24] 于文憑,馬明國.MODIS地表溫度產品的驗證研究——以黑河流域為例[J].遙感技術與應用,2011,26(6):705-712.

Yu W P,Ma M G.Validation of the MODIS land surface temperature products:A case study of the Heihe River Basin[J].Remote Sensing Technology and Application,2011,26(6):705-712.

[25] Wan Z M.New refinements and validation of the MODIS Land-Surface Temperature/Emissivity products[J].Remote Sensing of Environment,2008,112(1):59-74.

[26] 石月嬋,楊貴軍,李鑫川,等.融合多源遙感數據生成高時空分辨率數據的方法對比[J].紅外與毫米波學報,2015,34(1):92-99.

Shi Y C,Yang G J,Li X C,et al.Intercomparison of the different fusion methods for generating high spatial-temporal resolution data[J].Journal of Infrared and Millimeter Waves,2015,34(1):92-99.

[27] 鄔明權,王 潔,牛 錚,等.融合MODIS與Landsat數據生成高時間分辨率Landsat數據[J].紅外與毫米波學報,2012,31(1):80-84.

Wu M Q,Wang J,Niu Z,et al.A model for spatial and temporal data fusion[J].Journal of Infrared and Millimeter Waves,2012,31(1):80-84.