导读:本文包含了地表组分温度反演论文开题报告文献综述及选题提纲参考文献，主要关键词:土地利用覆被,混合像元分解,端元,地表组分温度
地表组分温度反演论文文献综述
李往华[1]（2018）在《城市边缘区地表组分温度反演模型研究》一文中研究指出地表温度是研究全球和区域地表-大气能量交换、气候变化的关键指标,也是表征城市热岛现象的主要因素。但是,目前卫星估算的地表温度是一定尺度下混合像元上的平均温度,并不能代替像元内组分的真实温度。因此,本文以快速城市化区域的城市边缘区地表组分温度反演为切入点,研究构建具有物理意义的地表组分温度反演模型,将有助于解决城市边缘区复杂地表的组分温度反演这一关键问题,对于深化城市可持续发展的认识具有重要作用。本文以南京市为研究区,基于GIS和RS技术,以Landsat影像为数据源,运用带约束的最小二乘法线性光谱混合模型对遥感影像进行混合像元分解,分别反演出不同时期的地表组分温度。通过研究,得出以下结论:(1)2006-2010年,城市边缘区的范围较2006年更广,长江以南主要由主城区的外边界及江宁区的北部所构成,而长江以北其主要由浦口区的东南部及六合区的西南部所构成;2010-2017年,长江以南主要是由主城区外围及江宁区北部所形成的环状区域,环状的北部略向外扩展,而长江以北变化较为明显。(2)在裸土丰度图中,高值区主要分布在农田、城市外围的农村地带,而由于一些建设用地拥有相似的光谱,所以其在裸土丰度图像中也出现相对较高的值。不透水层丰度图像中,高值区主要沿着八卦洲以南分布。且通过统计分析研究时段内RMSE值,可以发现本研究混合像元分解误差较小,混合像元分解精度较高。(3)在裸土组分温度分布图中,裸土的温度较高,且不透水层表现出较高的温度,在水体、植被组分温度分布图中也出现了类似的现象。叁期影像的平均组分温度均为:不透水层>裸土>植被>水体。且通过与实测温度数据对比分析,结果表明地表组分反演模型模拟精度较高,符合本研究的要求。(4)地表温度和四种端元组分温度之间均具有相关性。其中裸土组分温度与地表温度的相关性最强是0.92,其次是水体,植被组分温度和地表温度的相关性较弱。且各端元组分温度间相关性均较小。(本文来源于《南京信息工程大学》期刊2018-06-01）
赵伟,李爱农,李召良[2]（2013）在《基于马尔可夫链和最大后验准则的模拟静止气象卫星数据地表组分温度反演》一文中研究指出地表组分温度比像元混合温度具有更强的物理意义和实用价值,是定量遥感反演的一个重要研究方向。本文以马尔可夫链和最大后验准则地表温度尺度转换方法,结合静止气象卫星数据高时间分辨率的特点,通过模拟静止气象卫星数据地表组分温度反演进行分析和验证。在研究过程中,地面被简化为由植被和土壤两组分组成,同时假设邻近像元的植被和土壤组分温度相同。鉴此,本文通过模拟构建20×20像元大小的静止气象卫星混合像元图像,并对各像元各时刻温度添加均值为0标准差为2K的随机误差,最终应用所提算法估算各像元各时刻的植被和土壤组分温度大小。精度分析结果表明,该算法能够较为精确地反演植被和土壤组分温度,且误差基本控制在2K以内。此外,本文还进一步讨论了算法的适用性及其对混合像元温度误差、植被覆盖度误差,以及邻近像元植被覆盖度变化范围的敏感度。分析结果再次证明,该方法对混合像元温度误差和植被覆盖度误差都具有较低的敏感性,在最大温度误差条件(均值为1.8K,标准差为5K)和最大植被覆盖度误差(均值为0.18,标准差为0.2)的条件下,各组分温度的估算精度分别能控制在3K和2K以内,满足精度要求。但是,由于组分温度初值的确定方法,对所计算窗口内植被覆盖度变化范围有较强的敏感性,反演结果与植被覆盖度变化范围相关,要求窗口内植被覆盖度变化范围足够大才能满足初值估算的精度要求。(本文来源于《地球信息科学学报》期刊2013年03期）
孙静[3]（2012）在《基于ASTER多波段数据的地表组分温度反演》一文中研究指出地表温度是区域和全球尺度上陆地表面物理过程的一个关键参数，综合了地气间相互作用的结果，是地球表面能量平衡和温室效应的良好指示计，在气候、水文、生态、军事和生物地球化学等研究领域有着广泛的应用。利用遥感反演地表温度在过去已取得了很大的进展，前人发展了大量的温度反演算法，但这些算法都把大量存在的非同温混合像元视为同温同质体，使得反演得到的只是物理意义模糊不清的该混合像元的平均温度。而事实上在大量的地表温度实际应用中，需要的是物理意义明确的地表组分温度。植被和土壤的组分温度在全球变化研究、地表过程模拟以及农作物估产、干旱监测等方面都有重要的应用价值。由于多角度数据相比多波段数据更有利于组分温度的反演，因此学者们致力于地表非同温混合像元热辐射方向性建模研究并提出了多种热辐射方向性模型，且在此基础上进行了一系列的组分温度分解算法的研究。但到目前为止，限于卫星技术的发展，人们可以有效利用的星载多角度数据较少。鉴于地表组分温度反演的必要性和符合要求的星载多角度遥感数据的不易获得性，研究一种基于多波段遥感数据的地表组分温度反演方法，具有非常重要的理论和现实意义。与TM、ETM+、AVHRR及MODIS等传感器的热红外数据相比，ASTER的热红外数据同时具有较高光谱分辨率和较高空间分辨率，这是使用ASTER数据反演地表组分温度的优势所在。因此，本文利用ASTER数据，以光照植被、阴影植被、光照土壤和阴影土壤四种混合像元为研究对象，对地表组分温度的反演方法进行了研究，主要内容和成果如下：(1)用MonteCarlo方法模拟植被和土壤有效比辐射率，以及光照植被、阴影植被、光照土壤和阴影土壤四种组分面积比，进而计算得到光照植被有效比辐射率、阴影植被有效比辐射率、光照土壤有效比辐射率和阴影土壤有效比辐射率。(2)建立地表组分有效比辐射率方向性模型，通过引入波长变量λ，并视观测角度θ为常量，建立了一种以多波段热红外数据为数据源，用以组分温度反演的地表热辐射波长变化模型。(3)提出了一种利用ASTER5个热红外波段建立温度反演方程，从而对地表热辐射波长变化模型进行求解的方法。(4)以安徽阜阳小麦种植区为研究区，以ASTER数据为数据源，使用本文提出的模型和方法获得了地表组分温度的初步解。在同一像元中光照土壤温度最高，光照植被和阴影植被次之，阴影土壤温度最低。(本文来源于《安徽师范大学》期刊2012-04-01）
梁文广,赵英时,周霞[4]（2008）在《基于MODIS数据的地表组分温度反演研究》一文中研究指出组分温度的反演是当前定量遥感的一个难点。与众多的陆面温度遥感模型相比,成熟的组分温度遥感模型相对较少。通过对近地面热红外辐射能量的线性展开,建立了MODIS多波段植被、土壤组分温度反演模型。该模型将组分温度与地表温度定量联系起来,模型中所涉及到的参数充分考虑到研究区湿地环境的特点。在计算组分温度时,首先利用单窗算法得到的MODIS陆面温度反演模型计算地表温度,然后由所建立的组分温度模型计算植被、土壤温度。选用2005年10月31日的鄱阳湖地区MODIS数据试验,与实测的植被、土壤温度相比,反演的组分温度的误差在1.5~2.1℃;通过对模型参数的敏感性分析,表明该模型具有一定的稳定性。实践证明,该方法能够有效实现组分温度的分离,是一种组分温度反演的较好方法。(本文来源于《长江流域资源与环境》期刊2008年06期）
陈腾云[5]（2005）在《基于ASTER数据的地表组分温度反演方法研究》一文中研究指出地表温度是区域和全球尺度上陆地表面物理过程的一个关键参数,综合了地气间相互作用的结果,是地球表面能量平衡和温室效应的良好指示计,在气候、水文、生态、军事和生物地球化学等研究领域有着广泛的应用。 在过去很长一段时间里,地表温度的遥感反演取得了长足的进展,发展了大量的反演算法,但是这些算法都把普遍存在的非同温混合像元视为同温同质体,直接导致反演所得的只是物理意义模糊不清的混合像元的平均温度。事实上,在大量的地表温度应用领域,需要的是物理意义明确的地表组分温度。 由于认为多角度数据比多波段数据更有利于组分温度的反演,所以人们致力于研究地表非同温混合像元热辐射方向性模型,且提出了多种模型,并以此为基础,进行了一系列的组分温度分离算法的研究。 然而,到目前为止,有效的星载多角度数据少之又少。鉴于地表组分温度反演的必要性以及符合要求的星载多角度遥感数据的不易获得性,研究基于多波段遥感数据的地表组分温度反演方法,无疑具有非常重要的现实意义。 与Landsat/ETM+、NOAA/AVHRR及MODIS等传感器的热红外数据相比,ASTER的热红外数据同时具有空间分辨率高和光谱分辨率较高的突出优势,这是ASTER数据应用于地表组分温度反演的优势所在。因此,本文针对ASTER数据,以植被/土壤两相混合像元为研究对象,对地表组分温度的反演方法进行了研究,主要内容有:(1) 以地表组分有效比辐射率方向性模型和“准叁维”混合像元模型为依托,通过引入波长变量λ,并视观测角度θ为常量,得到了地表热辐射波长变化模型;(2) 进行了误差灵敏度分析,表明ASTER的Band10与Band11组合的误差灵敏度相对最小;(3) 以地表热辐射波长变化模型为基础,形成了较为完整的基于ASTER数据的地表组分温度反演方法;(4) 以河北省黄骅市的黄灶地区为研究区,以ASTER数据为数据源,使用本文提出的方法获得了地表组分温度的初步解。(本文来源于《南京师范大学》期刊2005-05-09）
刘强[6]（2002）在《地表组分温度反演方法及遥感像元的尺度结构》一文中研究指出表面温度是地表能量平衡中的重要输入参数，自然状态下地表温度的分布极不均匀，像元尺度的平均温度缺乏对真实温度分布的代表性，很多关于地表能量平衡过程的模型都需要输入组分温度以提高精度。利用多角度或多光谱热红外遥感数据，在有地面实验数据支撑的重点实验区域实现组分温度反演的条件已经具备，本文从实践上证明这一套算法的可行性。 在前向模型上，本文指出热红外波段分辨率的遥感像元通常是多种覆被类型的混合，混合像元的分解应采用“像元-端元-组分”这样的层次结构。现有的辐射方向性模型通常针对单一的覆被类型，是端元模型。根据像元的尺度结构，端元模型复合成为像元模型可以采用线性组合的形式。另外，组分温度反演需要以最简洁的形式刻画地表辐射方向性，本文通过直接改写辐射传输方程的方式把一个典型的BRDF模型——SAIL模型扩展到热红外波段，可以用于计算水平均匀冠层的热辐射方向性或组分有效发射率。 反演算法上，本文首先以像元结构参数和材料参数为媒介把可见光／近红外波段的信息引入组分温度反演，并且利用了可见光／近红外波段与热红外波段分辨率的差异实现“像元-端元”这一层次的分解，利用BRDF模型反演实现“端元-组分”这一层次的分解。接下来，在组分有效发射率模型及其矩阵表示的基础上，结合贝叶斯反演理论，实现了组分温度反演，反演结果以后验概率均值和标准差的形式给出，并且以后验标准差相对于先验标准差的减小作为参数在反演中获得信息量的度量。对一个典型案例做的误差和敏感度分析表明：(A)多角度数据比单一角度的多光谱数据更适于组分温度反演；(B)在数据或模型参数有误差的情况下，增强先验知识约束能明显改善反演结果；(C)如果有先验知识的支持则单一角度的多光谱数据也可以用于反演组分温度。因此本文提出利用参数的空间相关性改进先验知识的迭代反演方法，新先验知识的生成过程需要用到上一次反演的后验均值和标准差。 为了将组分温度反演用于实测遥感数据，本文在第四章中先用一定篇幅介绍数据的基本处理，尤其重点介绍了多角度遥感图像的自动配准算法。该算法针对机载多角度遥感图像的特点而设计，结合了金字塔式配准框架和小波变换、多元变量的相关系数、B-样条等数学工具，可在图像间有复杂局部形变以及光谱差异的条件下实现配准。接下来，文中重点介绍了用多角度和多光谱数据反演典型农业区组分温 中国科学院遥感应用研究所博士学位论文 度的实践。AMTIS是我国自行研制的机载多角度成像系统，其数据采集和处理全部 是课题组完成的；ASTER是Terra上唯一的高分辨率多光谱传感器，其标准数据产 品己包含基本的几何和大气校正。这两种数据分别用于组分温度反演，组分温度的 分离都基本成功。我们还给出地面同步测量数据对反演结果的验证，结果虽然不很 完整，但还是可以借此分析存在的问题。 最后，本文在可见光／近红外波段分辨率足够高的假设下，通过人为降低热红外 波段分辨率的方式，分析了热红外波段分辨率对组分温度反演结果以及像元平均温一 度的影响，指出数据的空间分辨率对反演结果的影响是渐变的，而组分温度相对于 像元平均温度则有质的区别。本文结果与MODIS－LST、ASTER－TES标准产品的做 了对比，存在的差别一部分来源于大气校正或地表发射率的处理方法的差异，但最 主要还是因为数据分辨率的差异以及组分温度与像元平均温度的不同。(本文来源于《中国科学院研究生院（遥感应用研究所）》期刊2002-06-10）
庄家礼,陈良富,徐希孺[7]（2000）在《地表组分温度反演》一文中研究指出在热辐射方向性规律的基础上 ,以喜直型连续植被为例 ,进行了大量的MonteCarlo模拟 ,建立了辐射亮度和组分温度、植被叶面积指数及土壤比辐射率之间的经验函数关系。采用遗传算法 ,从热红外 2个波段 2个角度数据中 ,同时反演混合像元组分温度、土壤比辐射率和叶面积指数等 5个参数。通过对模拟的观测数据进行大量的遗传算法反演试验 ,结果表明 ,遗传算法反演组分温度非常稳健 ,在宽松的先验知识条件下 ,遗传算法可以解决不确定性反演问题。遗传算法反演结果和野外实测数据作了比较 ,证实了反演方法的正确性。为基于热红外方向性辐射模型反演地表组分温度 ,提供了新的实例。(本文来源于《北京大学学报(自然科学版)》期刊2000年06期）
地表组分温度反演论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
地表组分温度比像元混合温度具有更强的物理意义和实用价值,是定量遥感反演的一个重要研究方向。本文以马尔可夫链和最大后验准则地表温度尺度转换方法,结合静止气象卫星数据高时间分辨率的特点,通过模拟静止气象卫星数据地表组分温度反演进行分析和验证。在研究过程中,地面被简化为由植被和土壤两组分组成,同时假设邻近像元的植被和土壤组分温度相同。鉴此,本文通过模拟构建20×20像元大小的静止气象卫星混合像元图像,并对各像元各时刻温度添加均值为0标准差为2K的随机误差,最终应用所提算法估算各像元各时刻的植被和土壤组分温度大小。精度分析结果表明,该算法能够较为精确地反演植被和土壤组分温度,且误差基本控制在2K以内。此外,本文还进一步讨论了算法的适用性及其对混合像元温度误差、植被覆盖度误差,以及邻近像元植被覆盖度变化范围的敏感度。分析结果再次证明,该方法对混合像元温度误差和植被覆盖度误差都具有较低的敏感性,在最大温度误差条件(均值为1.8K,标准差为5K)和最大植被覆盖度误差(均值为0.18,标准差为0.2)的条件下,各组分温度的估算精度分别能控制在3K和2K以内,满足精度要求。但是,由于组分温度初值的确定方法,对所计算窗口内植被覆盖度变化范围有较强的敏感性,反演结果与植被覆盖度变化范围相关,要求窗口内植被覆盖度变化范围足够大才能满足初值估算的精度要求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
地表组分温度反演论文参考文献
[1].李往华.城市边缘区地表组分温度反演模型研究[D].南京信息工程大学.2018
[2].赵伟,李爱农,李召良.基于马尔可夫链和最大后验准则的模拟静止气象卫星数据地表组分温度反演[J].地球信息科学学报.2013
[3].孙静.基于ASTER多波段数据的地表组分温度反演[D].安徽师范大学.2012
[4].梁文广,赵英时,周霞.基于MODIS数据的地表组分温度反演研究[J].长江流域资源与环境.2008
[5].陈腾云.基于ASTER数据的地表组分温度反演方法研究[D].南京师范大学.2005
[6].刘强.地表组分温度反演方法及遥感像元的尺度结构[D].中国科学院研究生院（遥感应用研究所）.2002
[7].庄家礼,陈良富,徐希孺.地表组分温度反演[J].北京大学学报(自然科学版).2000