基于空间化模拟方法修复遥感地表温度图像的数据缺失

The scan-line corrector (SLC) of the Landsat 7 Enhanced Thematic Plus (ETM+) sensor failed in 2003, resulting in about 22% of the pixels per scene not being scanned. The SLC failure has seriously limited the scientific applications of ETM+ data. While much attention has been paid to recovering the optically multispectral bands, few researches have been done to reconstruct the thermal band. Based on the opinion that the land surface temperature is controlled by topography, incoming radiation and atmospheric processes, as well as soil moisture distribution, different land covers and vegetation types, we consider that the land surface temperature could be modeled based on relationships between it and those environmental factors. In this proposal, we propose a new method to restore the land surface temperature images with gaps. Firstly, to spatially distribute the environmental variables, we generate the raster-data layers for net solar radiation, topographic wetness index, precipitation, normalized difference vegetation index, land use and land cover type, soil type and five simple topographic variables including elevation, slope aspect, slope degree, slope shape and slope position. Secondly, we use a non-parametric data mining technique, Regression Tree Analysis, to explore relationships between the response variable (i.e. land surface temperature) and predictors (those environmental variables). Thirdly, the result of the Regression Tree Analysis, a set of rules is used to predict the land surface temperature of each pixel in the gaps. Except for practically significance, this study is theoretically significant, which is a new exploration in spatially modeling of land surface parameters and can enhance the understanding of the mechanism of environmental factors spatial variability.

由于仪器和成像条件等原因，遥感地表温度(LST)图像往往存在部分区域的数据缺失，严重影响了其使用效果。当前主流的"利用外源图像来填补缺失区"的思路不能很好的适用于这类数据缺失的修复。我们认为，既然LST是地表热量平衡的结果，它包含了太阳辐射、土壤、植被等多方面环境因子的作用，则可利用LST与这些环境因子的关系来模拟数据缺失区的LST。基于此思路，先利用DEM和可见光\近红外遥感图像等资料对可能会影响LST的环境因子（如净短波辐射、地形湿度指数等）进行空间化表达，继而利用待修复图像中数据完好区的LST数据为反应变量，环境因子为预测变量，利用机器归纳学习技术确定反应变量和预测变量之间的非随机关系，然后将此关系推广到预测变量已知而LST未知的空间上，从而模拟出数据缺失区的LST，使图像得以被修复。本研究除具有实用意义外，也是地表参数空间化模拟的一次新探索，具有一定的理论意义。

由于仪器故障和外部条件问题，热红外遥感图像往往存在数据缺失区，从而基于它们所反演的地表温度（LST）图像也就存在相应的数据缺失区，很大程度上限制了LST图像的应用。已往关于修复可见光和近中红外波段图像缺失区的研究较多，而关于修复热红外波段图像缺失区的研究却很少，并且当前常见的“利用外源图像来填补缺失区”的思路不能很好的适用于LST图像数据缺失的修复。本项目针对两种数据缺失情况研究了LST图像的修复方法，其一是因扫描行校正器（SLC）故障造成的LST图像条带状缺失；其二是因局部厚云造成的LST图像块状缺失。本方法中，利用完好区的LST和相应位置上影响LST的环境因子，以LST为反应变量，以环境因子为预测变量，确定反应变量和预测变量之间的非随机关系，继而将此关系推广到预测变量已知而LST未知的空间位置（即数据缺失区）上，以准确地模拟出数据缺失区的LST，使缺失区得到填补。结果表明，利用本方法修复遥感地表温度图像中缺失区，可以获得误差较低的修复结果（云区和SCL-off区的MAE分别为1.26K和1.34K）。基于本方法修复因云造成的图像缺失时，缺失区的面积大小不影响修复效果。. 我们选取了模型普适性问题中最具研究价值的方面—尺度普适性展开研究，进行了基于地学统计模型的地表温度图像降尺度。利用多元自适应回归样条法，在低空间分辨率上建立LST与解释变量之间的统计模型，然后将其应用到高分辨率的解释变量上，从而模拟出高分辨率的LST图像。该方法在典型山地样区中获得了误差很低（MAE和RMSE分别为1.132K和1.638K）、视觉效果良好的降尺度结果。该方法在对山地区域进行LST降尺度时比已往方法更为准确。深入分析了解释变量组合方式、样本抽取方法和残差校正等方面对模型的尺度普适性的影响，并且揭示了其影响机制。. 本项目延伸了空间化模拟的思路，进行了基于局域统计模型的野火发生概率模拟研究。已往关于野火发生概率的模型大多为全局模型。这类模型违背了地理因子的空间自相关和空间异质性规律。本项目研究证明，地理加权逻辑斯蒂回归模型考虑了空间位置及因变量与自变量间关系的空间变异，从而显著地降低了残差空间自相关性。局域模型相比全局模型具有更好的模型拟合、更少的残差空间自相关性和更合理的模拟结果，这说明局域模型的性能明显优于全局模型。