晏红波,吴思怡,卢献健*,王佳华
(1.桂林理工大学 测绘地理信息学院,广西 桂林 541006;2.广西空间信息与测绘重点实验室,广西 桂林 541004)
Landsat系列卫星自问世以来,因分辨率较高、时间跨度大及数据免费等特点被广泛应用。Landsat9于2021年9月27日14:12从加利福尼亚范登堡太空部队基地发射,是Landsat8的改进复制品,陆地成像仪-2(Operational Land Imager 2,OLI-2)是Landsat8陆地成像仪(Operational Land Imager,OLI)的副本,但OLI-2在进行光谱响应表征时,采用戈达德绝对辐射测量激光器(Goddard Laser for Absolute Measurement of Radiance,GLAMR)代替了传统的双单色仪方法。GLAMR增强了扫描光谱范围,提供了足够的照明来进行指定的带内和带外光谱采样,同时提供低于1%的辐射不确定性,可以验证OLI-2绝对辐射校准。改进的光谱特性将减少绝对辐射测量不确定性,提高了目标相关条纹大小的评估能力,同时让用户在不同辐射水平下更好地处理OLI-2数据。Landsat9认识到OLI数据量化噪声是受限的,因此将OLI-2下行链路所产生的14位数据全部由航天器电子设备接收并传输到地面,为其图像提供更大的位深度和增加冗余度。Landsat9以更高的辐射精度对地球表面进行观测,在典型辐射下,OLI-2传输的数据的信噪比(Signal to Noise Ratio,SNR)提高了25%[1]。Landsat8搭载了最先进的热红外传感器,能够提供更为精确和及时的数据,但Landsat8的热红外传感器(Thermal Infrared Sensor,TIRS)出现的故障导致图像中出现了过多的杂散光,伪影的幅度高达4%(10.8 μm波段)和8%(12.0 μm波段)。热红外传感器-2(Thermal Infrared Sensor 2,TIRS-2)的2个波段性能都优于Landsat8的热波段,且在仪器风险等级与最大限度减少杂散光的设计方面也是TIRS的改进版。TIRS是C级仪器,设计寿命为3年,冗余度有限,而TIRS-2是B级仪器,设计寿命与OLI、OLI-2一样长,为5年,增加了冗余度[2]。杂散光分析和测试表明,Landsat8的杂散光是由一个光学机械部件引起的[3]。建模和测试表明,固定望远镜的第3个透镜,其机械支架的散射比预期的高,这是造成杂散光过多的主要原因[4]。为了减少杂散光,TIRS-2的研发策略是在光学望远镜内增加几个挡板,以阻挡TIRS设计中可能出现的杂散光路径,提高绝对精度。初步评估表明,TIRS-2总的杂散光幅度已经改善到至少1%[5]。
综上所述,Landsat9是一颗性能更好、数据质量更高的遥感卫星。但由于其发射时间较短,相关研究还比较匮乏。相比之下,对Landsat8的研究较为全面,有利于科研界更好地了解Landsat8的应用情况,证实了该卫星在遥感对地观测技术方面的重要贡献。如初庆伟等[6]介绍了Landsat8的研发背景、基本参数和数据特点,对该卫星的数据应用方向进行了探讨。Landsat8地表温度产品的验证表明该卫星的温度产品精度稍高于普适性单通道算法反演结果[7]。本文旨在通过对比Landsat9和Landsat8的影像特征差异,以及选取国内不同地质地貌区域的影像,从归一化植被指数(Normalized Difference Vegetation Index,NDVI)和地表温度(Land Surface Temperature,LST)反演结果统计特征数据、结果图的视觉效果等方面分析Landsat9在中国区域内的应用情况,探讨Landsat9的影像质量情况。在此基础上,可以进一步评估Landsat9是否能有效弥补Landsat8的缺陷并提高对地观测的能力。
本文选取7个研究区,分布在国内各方位。这些区域的海拔高度、气候、地貌特征、植被覆盖类型和地质类型之间存在明显的差异。同时,它们的地质地貌和气候条件较为典型,有利于增加数据的多样性并从不同角度验证2个卫星在不同地理条件下的应用情况。华西研究区选取了靠近喜马拉雅山脉的影像,介于北纬28.1°~29.6°、东经86.0°~86.8°,平均海拔超过4 000 m,占地面积约6 698 km2,气候干燥、寒冷,雪季长,温度和降雨分布不均,区内冰川广布雪山连绵,山间高原面起伏和缓,地质类型包括火山岩、花岗岩和沉积岩等,植被以高山草甸、高山针叶林、高山灌丛和高山荒漠为主。西北研究区选取塔里木盆地与昆仑山交界处,介于北纬38.2°~38.8°、东经87.6°~88.0°,平均海拔2 000 m,占地面积约1 171 km2,属于内陆干旱区,气候干燥,年均降水量少,区内盆地和山脉交错分布,地势较为平坦,地表砾石和沙粒较多,植被覆盖度低,以荒漠植被和荒漠灌丛为主。华中研究区介于北纬32.4°~33.2°、东经105.6°~106.3°,平均海拔600 m,占地面积约3 740 km2,夏无酷暑,冬无严寒,雨量充沛,气候湿润,四季分明,地势起伏较大,山地、丘陵和盆地等地形类型都有,地质构造复杂,以花岗岩、片麻岩和变质岩为主,也有火山岩、沉积岩和喀斯特地貌等地质类型,植被种类繁多,以常绿阔叶林和落叶阔叶林为主。东北研究区介于北纬42.5°~43.2°、东经122.9°~123.5°,平均海拔100 m,占地面积约2 193 km2,春季干旱多风,夏季短促温热,秋季凉爽,冬季干冷,地表形态比较平坦,地物高差不大,以第四季沉积为主,植被覆盖以草原植被为主,森林植被居其次。华北平原研究区选取多覆盖城市地区,介于北纬36.7°~38.3°、东经116.1°~117.1°,平均海拔200 m,占地面积约8 928 km2,冬寒夏热,春秋短促,气候干燥,地势平坦,地质类型主要为沉积岩和火山岩,主要植被类型属于暖温带阔叶林。东南研究区介于北纬28.1°~28.6°、东经118.6°~119.0°,平均海拔500 m,占地面积约1 268 km2,气候温暖潮湿,雨量充沛,地形主要是平原、丘陵和山地,地形起伏较大,地质类型丰富,岩石和土壤类型多样,植被主要为落叶和常绿阔叶林。中国西南喀斯特地貌地区主要分布于广西、云南、贵州等省区,本文选择了位于云贵地区的研究区,该地平均海拔为1 500 m,夏季多雨、湿度大,冬季干燥、风沙较多,多山地,地形崎岖,峰岭众多,石灰岩厚度大,分布广,经地表和地下水溶蚀作用形成典型的喀斯特地貌,以亚热带常绿阔叶林为主。由于该地区在2021年10月末—2022年的3月份存在较多阴雨天气,因此遥感影像中的云量相对较高,需要从多幅影像中选择具有较少云量且处于同一地区的样区进行筛选。最终确定的研究区域范围较小,主要覆盖西南喀斯特地貌地区,位于北纬25.6°~25.7°、东经104.1°~104.2°,占地面积约54 km2。
为了避免实验结果的偶然性,本文采用了多组影像交互对比的方法。在比较NDVI和LST之前,必须获取二者在同一天过境的遥感影像。Landsat9与Landsat8成像存在8 d的时间偏移,在同一行列上的影像并不能满足要求。不过,Landsat9与Landsat8的相邻影像之间只相差约24 h,因此利用2张相邻影像的重叠区域可获取所需的数据。本研究共获取了3个地区、3个不同时间段(秋季、冬季和春季)的Landsat9和Landsat8在同一景、近同一时间(不超过24 h)的遥感影像,查询气象数据,获取时间段内地表温度变化幅度不大,无剧烈的天气变化,无雨雪大风等强对流天气。共42期,如表1所示。所有数据均来自美国地质勘探局(United States Geological Survey,USGS)官网(https:∥earthexplorer.usgs.gov/)。
受环境、遥感系统随机误差或地面数据处理方法等影响,卫星遥感数据可能存在一定误差。由此对原始影像的质量评估可以为Landsat9产品的应用提供理论依据,为评估Landsat9探测器识别结果的准确性和可靠性提供重要参考。本文的影像分析处理采用如下方法。
(1)直方图
直方图是统计影像亮度值频率信息的图形表达方式,横坐标代表某波段亮度值的量化等级,纵坐标代表该亮度值出现的频率[8]。在影像像元数目相当大、地物类型差异非悬殊的情况下,其直方图接近于正态分布,而波峰不止一个则意味着图像中包含着波谱特征差异明显的2个或多个类别[9]。
(2)灰度均值
影像上所有像元的灰度平均值就是灰度均值,反映图像整体的辐射情况。灰度均值越大,图像所接收的光能越大;均值越低,图像越暗,对影像呈现地物的清晰度影响越大[10]。
(3)灰度方差
对于同一个区域的不同影像,其灰度分布范围越大,影像的方差就越大。而影像的灰度方差越大则代表图像的灰度层次越丰富,图像质量越好[11]。
(4)信噪比
影像中有用的信息与噪声信号的比值称为信噪比。对遥感影像而言,信噪比值大,影像所反映的有用信息较由于噪声所引起的干扰要强,反映地物信息效果好,影像质量好。
(5)灰度共生矩阵
影像的灰度共生矩阵指的是像元距离和角度的矩阵函数,通过计算影像中一定距离和一定方向的2个灰度之间的相关性来反映影像在方向、间隔、变化幅度及快慢上的综合信息。在共生矩阵的基础上进行二次统计,抽取表示纹理特征的参数,对其分析可以理解影像的纹理特性。本文选择的参数为熵、对比度和角二阶矩。
①熵值是影像中包含信息量的一个度量单位,表示影像的复杂程度,当影像复杂程度高时,熵值越大,信息量越大。计算如下:
ENT=-∑j∑kPj,k*lg(Pj,k),
(1)
式中:P为每一灰度级出现的概率。
②角二阶矩(ASM)是灰度共生矩阵各个元素的平方和,也称为能量,反映的是图像灰度的均匀程度和纹理的粗糙程度。角二阶矩越大,其纹理越粗糙,空间结构越复杂[12]。计算如下:
(2)
③图像的对比度(CON)代表纹理的清晰程度,也是图像的清晰程度。图像对比度越大,反映图像纹理沟壑越深,图像更清晰,可以达到更好的视觉效果。计算如下:
(3)
(6)目视判读
目视判读是遥感影像质量分析中最直接的无定性方法,与计算机分析和统计分析相比,目视判读更直观。
2.2.1 NDVI计算和比较方法
NDVI是目前世界上应用最广的植被指数,广泛应用于监测草地长势、判断植物的生长状态、作物产量和密度估计以及林火监测等方面[13]。在不同传感器之间进行逐一对比时,通常使用统计回归方法[14]。本文通过获取Landsat9和Landsat8在整个研究区的植被指数NDVI、同一位置3×3像元的NDVI值,统计特征数据,如最大值、最小值、均值、标准差以及数据动态范围(最大值与最小值的比值),从不同海拔条件、气候条件和纬度条件的角度对比这2个卫星的植被观测能力。使用相对偏差率(ME)来量化2组数据之间的特征差异,并判断它们之间的强弱关系。计算如下:
(4)
2.2.2 LST计算和比较方法
目前,地表温度反演算法主要包括大气校正法(辐射传输方程)[15-16]、单通道算法[17-18]和分裂窗算法[19-20]。本实验采用大气校正法,该算法物理基础明确、计算结果精度较高,所需的大气剖面数据也较容易获取。针对地表温度反演,同样使用各种统计特征数据进行计算,并比较反演结果的色彩、亮度等视觉效果。为了验证反演结果的准确性,使用中国气象局陆面数据同化系统(China Land Surface Data Assimilation System,CLDAS-V2.0)近实时产品数据集对LST反演结果进行验证。最后,分别统计水体、植被以及裸土这3种不同地物的平均温度和标准差,并进行比较。
基于ENVI5.6进行数据处理,NDVI预处理包括辐射定标以及大气校正。所选研究区地物种类繁多,且部分影像出现云雾覆盖的情况。地表类型差异、云雾遮挡和阴影等情况可能会导致NDVI计算出现异常值。此外,图像的边缘、云层、阴影或者其他遮挡物的区域可能会出现像元缺失的情况,像元缺失同样会导致NDVI计算异常。利用Band math对大气校正后的影像进行NDVI计算,-1≤NDVI≤1。Band Math进行NDVI计算后用Compute Statistics统计是否有值出现跳跃(是否有NDVI数值不在[-1,1]),如果有,需要使用Band Math建立掩膜去除异常值得到正常值范围内的NDVI,公式为(bllt -1)*(-1)+(blgt 1)*1+(blge -1andblle 1) *bl,bl选择NDVI计算结果,含义是小于-1的值赋予-1,大于1的值赋予1,其他值不需要改变。之后计算出NDVI的各种统计特征数据,以便进行后续分析。在进行LST预处理时,同样需要进行辐射定标和大气校正,但辐射定标是对可见光波段和热红外波段分别进行的。利用可见光波段的辐射定标结果进行大气校正,提取NDVI值,计算植被覆盖度得到地表比辐射率。利用热红外波段的辐射定标结果结合地表辐射率和大气剖面数据,计算出同温度下的黑体辐射亮度,最终生成单位为K的地表温度图。
(1)直方图评价
在Landsat8与Landsat9多光谱数据的直方图,图1为Landsat8在12月12日关于华北平原冬季的影像波段直方图,图2为Landsat9在12月13日关于华北平原冬季的影像波段直方图。二者直方图曲线总体形态相近,Landsat9峰值较大,信息量较Landsat8在均值附近更集中。Landsat9存在多个峰值,可见其影像更易区分不同类型地物。
图1 Landsat8波段直方图Fig.1 Band histogram of Landsat8
图2 Landsat9波段直方图Fig.2 Band histogram of Landsat9
(2)影像的特征值统计
Landsat8、Landsat9影像特征数据如表2和表3所示。可以看出,Landsat9的7个波段的方差、均值和灰度分布范围比Landsat8大,说明相比之下Landsat9接受光能较大、图像较亮、波段灰度等级多、波谱信息量大、图层较丰富且图像质量较好。Landsat8的均值数组中最大值与最小值相差1 903.56,Landsat9相差1 526.47;Landsat8的7个波段灰度均值数组的方差和标准差分别为555 371.25、689.95,Landsat9分别为369 346.80、562.66;Landsat9的7个波段的均值最大值与最小值之差、方差以及标准差都要小于Landsat8,其7个波段能量差异较小、均衡度较高且均值匹配更合理。Landsat9的信噪比要大于Landsat8,反映地物信息的效果更好。从纹理特征来看,Landsat9的对比度和熵值,无论从整体还是单波段的角度比较,都大于Landsat8,意味着Landsat9影像复杂程度高,信息量大且图像更清晰;对于角二阶矩,除Band1相等外,Landsat9的其余波段都要小于Landsat8,Landsat8相比之下纹理较粗糙、数据的空间结构没有Landsat9复杂,反映地物的细节没有Landsat9效果好。这些结论表明,Landsat9在图像处理和地物识别方面具有更好的性能和优势。
表2 Landsat8影像特征数据Tab.2 Landsat8 image feature data
表3 Landsat9影像特征数据Tab.3 Landsat9 image feature data
(3)目视判读
针对Landsat8与Landsat9的自然真彩色合成影像(R4G3B2)局部进行放大对比,如图3(a)和图3(b)所示。图3(e)中Landsat9的影像色彩明显更明亮自然,显示的地物轮廓更清晰。纹理不仅是遥感影像的重要信息,也是进行目视判读的重要基础[12]。图3(b)~图3(d)、图3(f)~图3(h)分别是Landsat8和Landsat9的绿波段由灰度共生矩阵生成的相关纹理图像。图3(b)和图3(f)的对比图中,白色为城市建筑物、道路等地类,Landsat9的图3(f)中白色部分更清晰可辨。对于熵值和角二阶矩的纹理图像,图3(g)、图3(h)相较于图3(c)、图3(d)的纹理更复杂、更精细,地类也更清晰。结合表2和表3分析,Landsat9影像层次更丰富、包含信息量更大,且能够更清晰地反映地类和纹理信息。
NDVI的计算是通过红光和近红外光的反射差别来描述植被状况的[21]。卫星波谱信息量的丰富程度直接影响该植被指数的计算结果。当使用大气校正法反演LST时,需要计算植被覆盖度和地表比辐射率。计算植被覆盖度时,采用的混合像元分解法需要将整景影像的地类大致分为水体、植被和建筑,再利用NDVI指数计算植被覆盖度。计算地表比辐射率时,其原理是将遥感影像分为水体、城镇和自然表面3种类型,再对不同类型的像元分别估算比辐射率。因此,地物的分类对于反演LST尤为重要。Landsat9影像反映地类更清晰,在地物分类上更具有优势,其在反演地表温度上也更具优势。综上所述,Landsat9数据具有信息量丰富、影像清晰的优点,解译和判读地物更容易,有利于植被提取和地表温度的反演。
选择同一期NDVI数据作对比,由表4可以看出,Landsat8和Landsat9的NDVI表现有所不同。在7个地区,二者的ME值总体偏大,偏差率可以达到-34.552%。但进一步分析发现,Landsat9相比Landsat8具有更好的植被获取能力:① Landsat9与Landsat8的NDVI动态范围相同,但Landsat9的标准差总体比Landsat8大,最大标准差为0.216,与同组的Landsat8数值相差0.044,说明Landsat9获取的植被的信息量要大于Landsat8,植被的可分性也会优于Landsat8;② 而对于均值,如图4所示,Landsat9的NDVI均值整体大于Landsat8,Landsat9获取植被指数信号要强于Landsat8。在东南地区Landsat8的NDVI值异常高可能是因为当天云量大的影响。图5显示,在华西、西南和西北3个靠西边方向的研究区,Landsat8和Landsat9的偏差率较小。初步分析表明,在华西方向,经度85°~105°的2个卫星的适用情况相似,而其他地区二者植被获取能力差别明显,Landsat9整体而言能力优于Landsat8。
表4 Landsat8、Landsat9同一期整体区域NDVI均值对比Tab.4 Comparison of NDVI mean values of Landsat8 and Landsat9 in the same period
图4 Landsat8、Landsat9整体区域NDVI均值对比Fig.4 Comparison of mean value of NDVI in whole area of Landsat8 and Landsat9
图5 Landsat8、Landsat9整体区域NDVI偏差率绝对值Fig.5 Absolute value of NDVI deviation rate of Landsat8 and Landsat9 in the whole area
提取西南喀斯特地貌3个时间段的遥感影像9个植被覆盖度较高的同一3×3像元区域的NDVI作对照,如表5所示。Landsat8与Landsat9对应的3×3像元阵整体的NDVI值ME最小为0.07%,Landsat9的9个像元的NDVI均值较Landsat8更大,进一步证明Landsat8与Landsat9的植被指数NDVI具有较强的相似性,但Landsat9植被获取能力更强。
表5 西南喀斯特3个时间段影像的3×3像元整体NDVI均值对比
4.2.1 LST空间分布图比较分析
对Landsat8与Landsat9卫星在7个地区的同一时间段反演结果作对比,结果如图6和图7所示。在华西研究区,南方为雪山脉,所以气温较低,其他区域可能有雪覆盖,同样表现为低温区。华北地区多为城镇,温度较高。西北地区选择植被与沙漠边界,呈现明显的高低温色差。2个卫星的反演结果大部分空间分布一致,雪山、河流和植被区域温度较低,城镇区域温度较高。在东北研究区,高低温区域更明显,结果图呈现密集的红绿色小点。在西南和东南地区,受阴雨天气影响,云量覆盖较大,虽尽量避免云量较大区域,但仍有一些云存在。因此,2个卫星的反演结果存在一定差异,但高温部分的空间分布仍然相似。相对于Landsat8,Landsat9对水体温度的反演更为明显,图7(c)~图7(f)可以清晰显现云团的轮廓。Landsat9反演低温区域较为敏感,在图上出现密集的小绿点,颜色较Landsat8要深。
图6 Landsat8 LST冬季反演结果Fig.6 LST retrieval results of Landsat8 in winter
图7 Landsat9 LST冬季反演结果Fig.7 LST retrieval results of Landsat9 in winter
4.2.2 LST反演结果定量分析评价
表6显示了42幅影像的温度反演结果。在青藏高原的海拔5 000~5 500 m处,秋季和春季的夜间温度相近,约255~260 K,但秋季的温度略低于春季,而冬季的夜间温度最低,在250 K左右,相差5~10 K[22]。在秋末冬初的10月底,温度比12月份高5~10 K,比3月份则低5~10 K。实验结果总体变化趋势与气候温度的变化趋势相符。2个卫星的地表温度反演结果具有较高相似性,大多数条件下偏差率小于1%。然而,在东南地区的3月份,由于南方多雨多云的影响,出现了较大偏差,差值达15 K,偏差率5.473%。
利用遥感图像反演地表温度的结果最重要的是与实测的地表真实温度的吻合度。国家气象科学数据中心提供了CLDAS-V2.0近实时产品数据集。该数据集利用多种来源地面、卫星等观测资料,采用多重网格变分同化、最优插值和地形校正等技术进行研制。在中国区域内,该数据集质量优于国际同类产品,且时空分辨率更高。该数据集提供全国范围地表温度,经过中国区域业务的质量控制后,对CLDAS-V2.0地表温度数据产品进行了评估,结果显示,该地表温度产品与地面实际观测吻合度较高,全国区域平均相关系数为0.98,均方根误差(Root Mean Square Error, RMSE)为1.8 K,偏差为1.4 K。这些数据可供本文的实验结果参考。对数据集的数据进行重采样到30 m分辨率以匹配Landsat的影像。比对结果显示,2种数据源的地表温度反演结果对比数据集数据都表现出高估,反演结果与参考数据之间相对偏差率都较小,在0~5%,表明二者反演精度较高。
本文利用评价指标RMSE和均方误差(Mean Absolute Error, MAE)进行比较。如图8所示,2个卫星的RMSE曲线趋势相同,Landsat9整体曲线要小于Landsat8,变化幅度较小。但在东北研究区和华中研究区Landsat9的RMSE明显大于Landsat8,查看表6发现,主要是由于Landsat9在冬季和春季的反演结果与数据集相差较大。进一步分析其原因,在东北研究区的冬季,2个卫星的反演结果都呈现高估,查看原始的影像数据发现,Landsat8影像中有云雾出现,因此Landsat8的反演结果更低;在春季,Landsat9的原始影像中同样出现云雾,其反演结果也明显较Landsat8更低。这些云雾是造成Landsat9的RMSE偏大的原因。但中国大部分研究区Landsat9的地表温度反演结果都较Landsat8更接近数据集数据。Landsat8、Landsat9 LST反演结果和数据集地表温度的MAE如图9所示,可以看出,Landsat9整体的MAE更接近0值,在东北和华中研究区出现效果比Landsat8差的问题,同样是受云雾的影响。从整体来看,Landsat9 LST(RMSE=4.419 K,MAE=2.264 K)精度要优于Landsat8 LST(RMSE=5.133 K,MAE=2.488 K)。
图8 Landsat8、Landsat9 LST反演结果和数据集地表温度的RMSEFig.8 RMSE of Landsat8, Landsat9 LST retrieval results and surface temperature of the data set
图9 Landsat8、Landsat9 LST反演结果和数据集地表温度的MAEFig.9 MAE of Landsat8, Landsat9 LST retrieval results and surface temperature of the data set
地表温度受多种因素影响,包括太阳辐射、地表反照率、水分和植被覆盖等。不同地物的地表温度存在差异性,因此进行不同地物的温度统计对于研究区地表温度变化具有重要意义。本文对华北平原的水体、植被以及裸土数据进行了地表温度统计,并得出平均温度和标准差,如表7~表9所示。裸地和植被的温度受气温影响变化较大,而水体因有较高的比热容,温度变化较小[23]。随季节温度变化,水体的平均温度变化为5~7 K,而植被与裸土随季节温度变化为7~15 K。在春季与冬季,植被的温度变化最为明显,温差高达15.2 K。水体、植被和裸土的偏差率绝对值如图10所示,可以看出,2颗卫星对于不同地物温度反演结果中,偏差率较低,特别是在冬季,偏差率可以达到-0.05%,具有较高相似性。水体的整体偏差率较低,2颗卫星反演结果相似。此外,图11显示2颗卫星对于不同地物的温度反演结果随时间变化的趋势相一致,但幅度有所不同。总的来说,Landsat9的反演结果相对Landsat8的反演结果较高,尤其是对于裸土和植被,平均高1.5 K左右。
表7 水体LST对照Tab.7 Comparison of water LST
表8 植被LST对照Tab.8 Comparison of vegetation LST
表9 裸土LST对照Tab.9 Comparison of bare LST
图10 水体、植被、裸土的偏差率绝对值Fig.10 Absolute value of deviation rate of water, vegetation and bare soil
(a)水体段
(b)植被段
(c)裸土
综上所述,Landsat8与Landsat9的地表温度反演结果空间分布一致,具有较高的相似度,但Landsat9凭借更高精度、更清晰的影像对地物的温度更为敏感。2个卫星的反演结果与数据集相比都呈现高估,整体而言Landsat9 LST(RMSE=4.419 K,MAE=2.264 K)精度要优于Landsat8 LST(RMSE=5.133 K,MAE=2.488 K)。提取水体、植被和裸土的LST做对比,Landsat9反演的温度结果要高于Landsat8。
针对卫星本身,Landsat8与Landsat9的陆地成像仪的光谱波段范围存在很小的差距。例如,用于计算植被指数NDVI的红波段、近红外波段,Landsat8 OLI对应的红波段和近红外波段的波长分别为0.636~0.673 μm、0.851~0.879 μm,而Landsat9 OLI-2为0.636~0.672 μm、0.850~0.879 μm[24]。信噪比是衡量遥感仪器性能的一项重要指标。Landsat9将OLI-2下行链接所产生的所有14位数据,与从Landsat8的OLI下行链接相比,为其图像提供更大的位深度,略微提高了总体SNR。此外,Landsat9 TIRS-2解决了杂散光入侵以及场景选择镜损坏的问题。其次,在选取样本时尽量选择天气和气候相接近的数据,但Landsat8与Landsat9在同一区域的过境时间相差24 h,而陆地表面的地表温度随时间变化较快,因此难以保证所选择的样本条件相同。这可能也是导致二者的NDVI与LST存在差异的原因之一。Landsat更新了新一代的Landsat9卫星,但本次采用的最新版本的ENVI5.6数据处理软件配置仍未进行与之相配对的更新。例如,在进行大气校正过程中,只能选择Landsat8的OLI作为传感器参数,而无法选择Landsat9的OLI-2。虽然Landsat8和Landsat9是姐妹星,但是由于Landsat9的OLI-2存在一定的改进或变更,所以未更新的数据处理软件可能也是二者NDVI和LST计算结果产生差异的原因之一。
Landsat9卫星与Landsat8协作运行,可以在8 d内拍摄横跨整个地球的图像。分析比较Landsat9与Landsat8的原始数据,处理数据并获取NDVI和LST,通过对实验结果进行讨论研究,得到以下结论:
①Landsat9的多光谱数据各个波段的能量比Landsat8均衡,较Landsat8而言图像层次更丰富、信息量更大,能够更准确地反映地物类别和纹理信息。Landsat9的高分辨率图像能够清晰呈现地物的轮廓和细节。因此在观测地物方面的能力优于Landsat8。
②在NDVI计算方面,Landsat9与Landsat8的结果具有较大相似性,特别是在经度85°~105°的研究区,其他地区Landsat9植被获取能力明显更强。整体而言,Landsat9的NDVI均值比Landsat8高0.004~0.058,获取植被信号量大于Landsat8。在同动态范围情况下,Landsat9的标准差总体大于Landsat8,最大相差0.044,因此Landsat9能够提供比Landsat8更为丰富和准确的植被信号。
③在地表温度反演方面,Landsa9和Landsat8的结果具有一致的空间分布,但Landsat9对气温较低的地区和地物的温度更为敏感。Landsat9的反演结果均高于Landsat8。提取水体、植被和裸土的温度进行进一步对比分析,二者对于水体的温度反演整体偏差率较低,反演结果相似,但对于裸土和植被,Landsat9较Landsat8平均高1.5 K左右。整体而言,Landsat9对地物的温度反演结果都高于Landsat8。基于CLDAS-V2.0近实时产品数据集的验证,2个数据源的反演结果整体上呈现高估。Landsat9 LST(RMSE=4.419 K,MAE=2.264 K)精度要优于Landsat8 LST(RMSE=5.133 K,MAE=2.488 K)。
综上所述,Landsat9具有良好的应用前景,在相同条件下,Landsat9能够提供更高分辨率、更高质量的影像,其观测地物能力优于Landsat8。对于Landsat9遥感影像的科学研究及在中国地区的应用,本研究提供了有价值的参考。