landsat反演地表温度

### 使用Landsat卫星数据分析和计算地表温度的方法及工具 #### 方法概述 地表温度（Land Surface Temperature, LST）是通过遥感技术获取的重要地球物理参数之一。利用 Landsat 卫星数据进行地表温度反演通常涉及多个步骤，包括预处理、辐射校正、大气校正以及最终的温度转换。 1. **数据准备** 需要从 USGS Earth Explorer 或 Google Earth Engine (GEE) 获取 Landsat 数据。对于最新的 Collection 2 数据集，推荐使用经过大气校正后的地表反射率或地表温度产品（如 Landsat 9 C2 ST），这些数据已经包含了部分必要的校正值[^3]。 2. **辐射校正** 如果使用的不是现成的大气校正数据，则需手动完成辐射校正过程。这一步骤将原始数字数值（DN 值）转化为光谱辐亮度（TOA Radiance）。公式如下： ```python radiance = gain * DN + bias ``` 其中 `gain` 和 `bias` 是特定波段的增益系数和偏移量，可以从元数据文件中提取[^1]。 3. **大气校正** 大气效应对地表发射的能量有显著影响，因此需要对其进行校正以获得真实地表亮温。常用方法包括 MODTRAN 模型或其他专用软件包实现的大气传输模型。Google Earth Engine 提供了一些内置函数来简化这一流程[^2]。 4. **黑体辐射定律应用** 利用普朗克方程将校正后的波段值转为绝对温度： \[ T = K_2 / (\ln((K_1/\lambda)+1)) \] 这里 \(T\) 表示开氏度数；\(K_1\), \(K_2\) 来自传感器定标常数；而 \(\lambda\) 对应的是热红外波段的亮度。 5. **后处理与分析** 计算得到的地表温度图像可进一步用于各种环境科学研究领域，比如农业干旱评估、城市规划管理等领域内的决策支持服务。此外，在 GEE 平台上还可以轻松创建交互式的 Web 应用程序来进行结果展示并分享给其他研究人员或者公众群体查看。 #### 工具介绍 - **Google Earth Engine**: 开源云平台允许用户访问大量存档历史影像资料的同时也提供了强大的脚本编写功能以便快速执行上述提到的各种算法操作。 - **ENVI/IDL**: 商业级桌面应用程序专为地理空间信息处理设计，具备完整的图形界面友好性和高度灵活性满足不同层次需求用户的定制化开发要求。 - **Python库(GDAL, Rasterio)**: Python作为一种流行的编程语言拥有众多扩展模块可以帮助开发者高效便捷地读写栅格矢量数据格式并且能够无缝集成到更大规模的数据流水线当中去。 ```python import ee ee.Initialize() def calculate_lst(image): # Select thermal band and apply scaling factors. brightness_temp = image.select('B10').multiply(0.1) # Convert to Celsius degrees. lst = brightness_temp.subtract(273.15).rename('LST') return image.addBands(lst) # Load a specific region of interest as an example. roi = ee.Geometry.Rectangle([-106.95, 35.2, -106.8, 35.3]) collection = ( ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2022-01-01', '2022-12-31') .filterBounds(roi) .map(calculate_lst)) print(collection.first().getInfo()) ```