基于Landsat8_TI...数据的海表温度反演算法对比_朱博.pdf

Vol.42，No.3Jun.2023第42卷第3期2023年6月海洋技术学报JOURNAL OF OCEAN TECHNOLOGYdoi：10.3969/j.issn.1003-2029.2023.03.002基于 Landsat8 TIRS 数据的海表温度反演算法对比朱博1，陈正华2，陆永强2，黄荣永2（1.广西大学资源环境与材料学院，广西南宁530004；2.广西大学海洋学院，广西南宁530004）摘要：海表温度（Sea Surface Temperature，SST）是研究气候变化的重要参数，具有重要研究意义。为了选出适用于近海海域的最优温度反演算法，本文基于 Landsat8 卫星遥感数据，以北部湾海域为研究区，对比分析了包括辐射方程传输法（Radiative Transfer Model，RTM）、单窗算法（Mono-window model，MW）、单通道算法（Single-channel model，SC）、线性劈窗算法（Linear Split-window Algorithm，SW1）和非线性劈窗算法（Non-linear Split-window Algorithm，SW2）在内的海表温度反演算法的反演精度并进行了敏感性分析。同时本文利用劈窗协方差-方差比值法（Split Window Covariance-variance Ratio，SWCVR）来反演大气水汽含量数据，减少了温度反演过程中对外部数据的依赖，研究结果表明：基于 Landsat8 TIRS（Thermal Infrared Sensor）数据的 SWCVR 法进行大气水汽含量反演的效果较好，误差约在 0.5 g/cm2；与实测海温数据相比 SW2与 SC 算法精度较高，误差约为 0.6 K；RTM 与 SW1算法次之，误差约为 1.6 K 与 1.9 K；MW 算法精度较低，误差约为 2.5 K；与 AVHRR（Advanced Very High Resolution Radiometer）SST 产品进行相比两种劈窗算法的精度较高，误差约为 1 K 和 1.3 K，SC 算法精度较劈窗算法略低，误差约为 1.4 K 左右，RTM 与 MW 算法精度较低，误差约为 2 K 与 3 K；SW2算法对参数的敏感性最低，其次是 SC 算法、SW1算法与 MW 算法，RTM 算法的敏感性最高。关键词：海表温度；Landsat8；反演算法；大气水汽含量中图分类号：TP701文献标识码：A文章编号：1003-2029（2023）03-0009-11收稿日期：2022-11-18基金项目：广西自然科学基金资助项目（2020GXNSFAA297245）；广西南海珊瑚礁研究重点实验室自主基金资助项目（GXLSCR-SCS2021102）作者简介：朱博（1998），男，硕士研究生，主要从事遥感环境监测研究。E-mail：通讯作者：陈正华（1980），女，博士，副教授，主要从事遥感和地理信息系统应用研究。E-mail：海表温度是海表面海-空水汽与热量交换研究的一个重要参数1，同时海表温度还影响海洋环境与海洋生物等，通过遥感卫星数据来监测研究区域的海表温度对于相关海域研究显得尤为重要。热红外遥感技术因其成本低、速度快、资料同步性好、可大范围面状观测等优点被广泛应用于海表温度的变化监测2。相较于搭载 MODIS（Moderate-resolutionImaging Spectroradiometer）传感器的 Terra 和 Aqua卫星或搭载 AVHRR 传感器的 NOAA（NationalOceanic and Atmospheric Administration）系列卫星，Landsat8 遥感卫星所搭载的 TIRS 热红外传感器的空间分辨率为 100 m，更适用于近海海域等需要高空间分辨率的海洋研究。近年来，国内外学者开展了基于 Landsat8 遥感数据反演温度的研究，史新等3对于三河坝流域进行温度反演，陈瀚阅等4选择以红沿河核电站附近的海域作为研究区域进行海表温度反演，结果均表明辐射方程传输法的精度相比于其他算法更高。段海洋技术学报第42卷广拓等5对于珠江口区域进行海表温度反演。岳辉等6对于神东矿区进行温度反演，反演结果表明单窗算法精度相较而言更高。孟翔晨等7对黑河流域进行温度反演、陆品廷8对青藏高原地区进行温度反演，结果显示单通道算法具有较高的反演精度。而FU J 等9对舟山海域进行海表温度反演，刑梦玲等10对田湾核电站附近的海域进行海表温度反演，结果均表明劈窗算法精度高于单通道算法。由此说明利用 Landsat8 TIRS 遥感数据采用不同的算法反演温度时，在不同的地表类型、大气类型的情况下，算法精度存在差异。在基于 Landsat8 TIRS 遥感数据进行温度反演的研究中，大气水汽含量这一重要参数的计算对于反演结果有较大的影响。宋挺等11对无锡周边地区进行温度反演采用了 MOD05 大气水汽含量产品数据作为参数进行计算，但搭载 MODIS 的卫星与Landsat8 过境时间与重返周期并不相同，并且MOD05 产品分辨率较低，使得大气水汽含量存在一定误差。而张永红等12利用 Landsat8 数据对红沿河核电基地附近水域时根据美国国家环境预报中心（NationalCentersforEnvironmentalPrediction，NCEP）探空数据来计算大气水汽含量，需要大量的实时数据且计算繁琐。针对上述问题，本文使用了 5 种包括 RTM、MW、SC、SW1及 SW2在内的较为典型的海表温度反演算法进行海表温度的反演。同时本文运用了SWCVR 仅利用 Landsat8 TIRS 数据来进行大气水汽含量的反演，减少了对实时参数需求的同时降低了大气水汽含量的反演误差，得到了高分辨率的大气水汽含量数据，改进了海表温度的反演算法。利用本文算法，以北部湾海域为研究区进行海表温度反演实验，并通过与实测采样数据、AVHRR 海表温度产品进行比较分析，为 Landsat8 TIRS 数据在近海海域研究中的应用提供参考。1数据与研究区1.1研究区研究区位于北部湾区域，在 20.5N22.8N 和107.5E109.8E 的范围内。研究区气候为南亚热带季风性气候，终年无霜，干湿季明显，69 月为雨季。1.2数据1.2.1Landsta8 数据本文使用2015 年 10 月 23 日与 2018 年 10 月31 日北部湾区域的 Landsat8 遥感影像图。1.2.2NOAA AVHRR SST 数据此外，为了验证各种算法的计算精度，本文还使用了 2015 年 10 月 23 日的 AVHRR 海表温度产品数据与本文所用海表温度反演算法的反演结果进行比对，虽然该温度产品并不能完全代表准确的海表温度，但可以作为反演结果与实测海温数据进行交叉验证13。AVHRR 海表温度产品是根据NOAA 气象遥感卫星上所搭载的 AVHRR 传感器数据计算得到的，其空间分辨率为 4 km14。1.2.3实测数据本文所使用的实测数据来自 2015 年 10 月 23日在卫星过境前后于涠洲岛附近实地采样所得，海表温度采样点在 21N21.1N 和 109E109.1E的范围内。2研究方法本文选用了 5 种典型的海表温度反演算法对Landsat8 数据进行处理计算，其中包括辐射方程传输法、单窗算法15、单通道算法163 种单通道算法，以及线性劈窗算法17和非线性劈窗算法18两种劈窗算法。2.1辐射方程传输法辐射方程传输法又称大气校正法，主要是根据热红外辐射传输模型进行推导，在标准的大气环境之下对于某处的海表温度 Ts，其相对应的海表的黑体辐射 B（Ts）表示如下。B（Ts）=Lsensor-Lup-（1-）Ldown（1）式中，Lsensor为星上辐亮度（单位为 W m-2 sr-1m-1），由 Landsat8 遥感数据辐射定标算得；Lup和Ldown分别为大气上下行辐射；为大气透过率；为地表比辐射率，本文由于研究区为北部湾海域，其中绝大多数地区为水体，设定 Landsat8 的第10第3期朱博，等：基于 Landsat8TIRS 数据的海表温度反演算法对比10 与第 11 波段比辐射率值如下：10=0.993 83，11=0.992 54。在获得海表的黑体辐射 B（Ts）的基础上计算其所对应的亮度温度就是海表真实温度，计算公式如下。Ts=k2/ln（k1/B（Ts）+1）（2）式中，对于 TIRS Band10 来说，k1=774.89 K，k2=1 321.08 K。2.2单窗算法为了减少反演算法对大气廓线的依赖，覃志豪于 2001 年提出了单窗算法，通过估算大气平均作用温度将大气辐射进行简化后再使用热红外辐射传输模型进行计算反演地表温度，该算法的计算公式如下15。Ts=1Ca（1-C-D）+b（1-C-D）+C+D Tsensor-DTa（3）式中，C、D 是中间变量，其中，C=，D=（1-）1+（1-）；a、b 为回归系数；Tsensor为星上亮温；Ta为大气平均作用温度。在进行热红外遥感数据反演温度的计算中，不同层的大气温度存在很大的差异且难以计算，导致其对于反演结果的影响难以减小，使得温度反演的精度下降。为了减少大气的影响，覃志豪等19提出了在 4 种标准大气廓线的模式下基于近地表空气温度 T0来估计大气平均作用温度 Ta。由于本文研究区处于热带地区，所以根据估算模型得 Ta=17.976 9+0.917 15T0。ROZENSTEIN O 等17和覃志豪等19根据大气辐射传输软件 LOWTRAN 模拟得到不同温度范围内TIRS 反演的回归系数。由于本文研究区海表温度处于 1040 之间，所以根据模拟结果取回归系数a10=-62.806 5；b10=0.433 8；a11=-67.172 8；b11=0.469 4。2.3单通道算法单通道算法是 JIM魪NEZ-MUOZ J C 等16利用普朗克函数与高斯三角滤波函数对遥感数据温度反演过程中的大气效应进行模拟，得到了以 Landsat数据为基础反演 Ts的算法。在 2014 年时 JIM魪NEZ-MUOZ J C 等18又进一步改进了算法，提出了基于Landsat8 数据的普适性单通道算法。该算法计算公式如下。Ts=（1Lsensor+2）/+3+（4）Tsensor2/bLsensor（5）Tsensor-Tsensor2/b（6）式中，C1，C2为常数；b=C2（4/C1+1/）=1 320.46 K（为 Landsat8 TIRS 热红外传感器的中心波长）；1、2和 3为大气功能参数，与大气水汽含量 相关。2.4线性劈窗算法单通道算法尽管拥有像计算简便，精度高等许多优点，但其算法所需要的各种各样的实时大气信息获取困难，估算的参数精度不高，导致存在一定的误差。而劈窗算法的提出使得反演过程中仅使用遥感卫星自身数据进行大气校正，减少了对大气参数的需求，大幅提升了算法的适用性。Offer Rozenstein 劈窗算法又称线性劈窗算法，SW1 是 ROZENSTEIN O 等17和覃志豪等19根据Landsat8 TIRS 数据的特点所提出的适用于该热红外遥感数据温度反演的劈窗算法，其计算公式如下。T0=A0+A1T10-A2T11（7）A0=a10D11（1-C10-D10）-a11D10（1-C11-D11）（D11C10-D10C11）（8）A1=1+D10+b10D11（1-C10-D10）（D11C10-D10C11）（9）A2=D101+b11（1-C11-D11）（D11C10-D10C11）（10）式中，A0、A1和 A2是中间系数；Ci、Di为波段10 或 11 对应的中间变量，Ci=i i，Di=（1-i）1+（1-i）i；ai和 bi为回归系数，a10=-62.80 65；b10=0.433 8；a11=-67.172 8；b11=0.469 4。在基于热红外遥感数据的温度反演过程当中，大气透过率的计算尤为重要，目前常见的计算大气透过率方法就是通过确定大气水汽含量与其的关系，再利用大气水汽含量来推算大气透过率。毛克彪等20为了得到大气水汽含量与大气透过率间的关系而对 MODIS 卫星数据的第 31 和 32 波段进行模拟，将其模拟的推导式应用于 Landsat8 可得出大气透过率估算方程如下。11海洋技术学报第42卷10=-0.106 7+1.040 2，R2=0.994 8（11）11=-0.125 8+0.992 3，R2=0.995 6（12）2.5非线性劈窗算法JIM魪NEZ-MUOZ 劈窗算法 SW2是 JIM魪NEZ-MUOZ J C 等18结合 Landsat8 TIRS 的数据特点进行大气辐射传输模拟，提出的一种应用于 Landsat8TIRS 数据的非线性劈窗反演算法，计算模型如下。Ts=T10+C1（T10-T11）+C2（T10-T11）2+C0+（C3+C4）（1-）+（C5+C6）（13）式中，为平均地表比辐射率，=（10-11）；C0至 C6是通过大气辐射传输模拟实验后得到的系数。2.6大气水汽含量的反演为了减少温度反演过程中对外部数据的依赖，本文使用 SWCVR 法基于 Landsat8 TIRS 数据来反演大气水汽含量，该算法是SOBRINO J 等21提出，并由 REN H 等22和王猛猛等23优化的。在标准大气环境下，Landsat8 遥感影像中 N 个相邻像元区域内，大气条件和比辐射率不发生改变的前提下，仅地表温度发生改变，利用 SWCVR 法计算公式如下。=a（j/i）+b（14）ij=ijRj，iRj，i=Nk=1（Ti，k-Ti）（Tj，k-Tj）Nk=1（Tj，k-Tj）2（15）式中，a 和 b 为水汽含量模型的系数；i为 i波段的大气透过率；i为 j 波段的大气透过率，Ti，k为第 k 个像元 i 波段的亮度温度（K）；Tj，k为第 k个像元 j 波段的亮度温度；Ti为 N 个像元 i 波段的平均亮度温度（K）；Tj为 N 个像元 j 波段的平均亮度温度；i为 i 波段的地表比辐射率；j为 j 波段的地表比辐射率。根据 REN H 等22于 2015 年提出的验证模型，将窗口大小设为 N=14 14 时反演结果较好，大气水汽含量与大气透过率的关系式如下。=-9.674（j/i）2+0.653j/i+9.087（16）由于大气水汽含量的反演模型窗口大小N=1414，所以经过反演得到了分辨率为 420 m 的大气水汽含量反演结果图。为了验证大气水汽含量的反演精度，采用 MOD05-L2 水汽产品数据进行比较分析。其中 Landsat8 数据卫星过境时间为 2015 年 10 月23 日 11 点 11 分，MOIDS 数据卫星过境时间为2015 年 10 月 23 日 10 点 35 分，二者相差 36 min，可以认为两个时刻大气水汽含量接近。为使其分辨率相同，对 Landsat8 大气水汽含量反演数据进行重采样处理至分辨率为 1 000 m 来比较分析。对比结果显示 Landsat8 大气水汽含量反演结果平均值为 3.888 684 g/cm2；MODIS 水汽产品平均值为 3.376 963 g/cm2两者相对误差为 0.511 721 g/cm2。结果表明基于 Landsat8 TIRS 数据的 SWCVR 法反演效果较好，误差约在 0.5 g/cm2。3结果分析与讨论3.1海表温度反演结果基于 2015 年 10 月 23 日的 Landsat8 遥感数据选取计算相关参数后运用不同算法反演海表温度，图 1 是 5 种海表温度反演算法温度反演结果与AVHRR SST 产品结果图。从图 1 可以看出，SW1算法的海表温度反演结果最大，其次是 AVHRR SST 产品结果，SC 与 SW2算法反演结果相近，RTM 与 MW 算法反演结果相近，较于其他算法较小，其中 MW 算法反演结果最小。将反演结果图由西到东分为 3 个部分，所有的结果图中都显示西部温度最高，其次是东部，中部温度最低，说明这些反演算法结果与 SST 产品结果具有相似的温度变化趋势。3.2海表温度反演结果与涠洲岛附近实测数据对比分析本文利用 2015 年 10 月 23 日在卫星过境前后于涠洲岛附近实地采样所得的实测海温数据来验证海表温度反演算法的精度。表 1 列出了 2015 年 10月 23 日海表温度反演结果，以及实测海温数据的比较。图 2 为海表温度反演算法温度反演结果与实测海表温度分析图。从表 1 可以看出，RTM、MW、SC、SW1 和SW2温度反演算法所得到的海表温度反演结果与海面实测海温数据的绝对误差的平均值分别为 1.61 K、2.49 K、0.57 K、1.90 K 和 0.59 K。从结果表明，12第3期（a）RTM 算法海表温度反演结果图（b）MW 算法海表温度反演结果图（c）SC 算法海表温度反演结果图（d）SW1算法海表温度反演结果图（e）SW2算法海表温度反演结果图（f）AVHRR SST 产品结果图图 15 种海表温度反演算法温度反演结果与AVHRR SST 产品图50 km250海表温度305 K295 K50 km250305 K295 K50 km250305 K295 K50 km250305 K295 K50 km250305 K295 K50 km250305 K295 K朱博，等：基于 Landsat8TIRS 数据的海表温度反演算法对比SW2与 SC 算法反演的海表温度结果与实测海温数据的误差较小，约为 0.6 K 左右；RTM 与 SW1算法反演的海表温度结果与实测海温数据的误差相对较高，分别约为 1.6K 与 1.9K 左右；MW 算法反演的海表温度结果与实测海温数据的误差最大，为 2.5 K左右。而从图 2 可以看出 SW2与 SC 算法的拟合数据线与标准线最为接近，然后是 SW1算法，RTM与 MW 算法与标准线相差较大。综合表 1 与图 2 结果，SW2与 SC 算法反演的海表温度的结果拟合线与实测海温数据最为接近，且反演结果绝对值误差较小，温度反演精度较高；而其他 3 种算法相对而言精度较低，其中 RTM 与SW1算法精度相似，MW 算法反演精度最低。3.3海表温度反演结果与 AVHRRSST 产品对比分析由于涠洲岛实测采样数据的采样点仅有 12 个点导致对比分析结果可能存在一定的误差，因此本文还同时利用了 2015 年 10 月 23 日与 2018 年 10月31 日的 AVHRR SST 产品对海表温度反演结果进行海表温度海表温度海表温度海表温度海表温度13海洋技术学报第42卷表 12015 年 10 月 23 日海表温度反演结果与实测海温数据的比较点位海表温度RTMMWSCSW1SW2实测海温RTM 绝对误差MW 绝对误差SC 绝对误差SW1绝对误差SW2绝对误差1299.08298.20300.17302.48300.04300.751.672.550.581.730.712299.17298.30300.46302.74300.21300.951.782.650.491.790.743299.09298.22300.13302.90300.36300.951.862.730.821.950.594299.02298.15299.92302.69300.20300.751.732.600.831.940.555299.02298.15300.06302.32299.90300.251.232.100.192.070.356299.07298.19300.17302.54300.07300.451.382.260.282.090.387299.11298.23300.10302.64300.18300.451.342.220.352.190.278299.13298.26300.19302.80300.30300.951.822.690.761.850.659298.87298.00299.68301.94299.61300.351.482.350.671.590.7410299.13298.26300.32302.86300.32300.751.622.490.432.110.4311299.03298.15300.01302.41299.90300.751.722.600.741.660.8512299.21298.34300.28302.75300.18300.951.742.610.671.800.77平均值299.08298.21300.12302.59300.11300.691.612.490.571.900.59（a）RTM 算法反演值与实测值304297298301302反演值/K实测值/K304303302301300299298297299303300y=1.955 68x-284.208 35R2=0.453 75数据点拟合线标准线（b）MW 算法反演值与实测值304297298301302反演值/K实测值/K304303302301300299298297299303300y=1.935 07x-296.354 81R2=0.453 77（c）SC 算法反演值与实测值304297298301302反演值/K实测值/K304303302301300299298297299303300y=0.722 17x+83.950 86R2=0.320 75（d）SW1算法反演值与实测值304297298301302反演值/K实测值/K304303302301300299298297299303300y=0.685 85x+93.161 28R2=0.541 48（e）SW2算法反演值与实测值304297298301302反演值/K实测值/K304303302301300299298297299303300y=0.796 71x+61.593 76R2=0.465图 25 种海表温度反演算法温度反演结果与实测海温线性拟合图数据点拟合线标准线数据点拟合线标准线数据点拟合线标准线数据点拟合线标准线单位：K14第3期朱博，等：基于 Landsat8TIRS 数据的海表温度反演算法对比交叉验证。考虑到 Landsat8 热红外数据与 AVHRRSST 产品存在空间分辨率的差异性，所以在进行海表温度反演结果与 AVHRR SST 产品对比前对Landsat8 TIRS 温度反演结果进行重采样处理至4 km。表 2 与表 3 是 5 种海表温度反演算法温度反演结果与 AVHRR SST 产品的对比统计表。从表 2 统计结果来看，RTM、MW、SC、SW1、SW2算法的海表温度反演结果相较于 AVHRR SST产品的最大值差分别为-2.85 K、-3.72 K、-0.6 K、0.53 K 和-2 K；最小值差分别为-1.98 K、-2.87 K、-2.69K、0.96K 和-1.22 K；平均值差分别为-2.04 K、-2.91 K、-1.32 K、0.97 K 和-1.33 K。表 3 的统计结果显示，RTM、MW、SC、SW1、SW2算法的海表温度反演结果相较于 AVHRR SST 产品的最大值差分别为-2.57 K、-3.9 K、-0.39 K、0.48 K 和-2.07 K；最小值差分别为-1.8 K、-3.12 K、-2.99 K、1.07K 和-1.45 K；平均值差分别为-1.55 K、-3.13 K、-1.41 K、1.08 K 和-1.16 K。其 中 SW1算 法 与AVHRR SST 产品的平均差别最小，其次是 SW2与SC 算法，RTM 算法与 AVHRR SST 产品的平均差别较高，MW 算法差别最高。本文不仅利用最大值、最小值、平均值去检验海表温度反演算法，还利用绝对误差和均方根误差来评价海表温度的反演精度，其中绝对误差为算法计算结果减去 AVHRR SST 产品对应位置的数据，比较结果如图 3 所示。由图 3 可得，SW1反演算法结果与 AVHRRSST 产品相比绝对误差与均方根误差都在 1 K 左右，误差最小；其次是 SC 与 SW2反演算法结果与AVHRR SST 产品相比绝对误差为 1.31.4 K，均方根误差为 1.41.7 K，误差较小；RTM 与 MW 反演算法相较于其他 3 种反演算法而言反演结果较差，绝对误差与均方根误差都分别在 2 K 与 3 K 左右。同时 RTM、MW、SC 这 3 种单通道算法的相关系数在 0.10.3，表示海表温度反演结果与 SST 产品的相关性较小；而 SW1与 SW2的相关系数分别为0.58 与0.51，说明劈窗算法反演结果与 SST 产品的相关性较单通道算法更大，与均值统计分析结果一致。3.4各种海表温度反演算法中参数敏感性分析本文对涉及的各种海表温度反演算法参数的敏感性进行了分析，参数敏感性分析的变化量计算公式如下。Ts=|Ts（x+x）-Ts（x）|（17）式中，Ts（x+x）和 Ts（x）分别为参数值为（x+x）和 x 时反演得到的海表温度；Ts为各种算法海表温度的反演误差；x 为相关参数的误差。3.4.1对大气平均作用温度的敏感性分析在本文所使用的 5 种海表温度反演算法中仅有MW 算法运用了大气平均作用温度这一参数进行了温度反演的计算，因此只需对 MW 算法进行大气平均作用温度的敏感性分析。将该算法中的大气平均作用温度的变化量分别设定为 2 K、4 K、6 K 和8 K，同时保持算法中其他参数不变，得到的海表温度反演结果分别为 297.17 K、296.24 K、295.31 K和 294.39 K。由温度反演结果可以发现当大气平均作用温度变化 2 K，MW 算法反演计算得到的海表温度变化 0.93 K，该算法对大气平均作用温度的敏感性较高。3.4.2对大气水汽含量的敏感性分析大气水汽含量对于文中所有算法的温度反演结果都存在一定的影响。大气水汽含量直接作用于SC 和 SW2算法的海表温度反演计算，是其计算过表 22015 年 10 月 23 日 5 种海表温度反演算法温度反演结果与 AVHRR SST 产品对比统计表算法温度最大值最小值平均值RTM299.85298.03298.89MW298.98297.14298.02SC302.10297.32299.61SW1303.23300.97301.90SW2300.70298.79299.60AVHRR302.70300.01300.93表 32018 年 10 月 31 日 5 种海表温度反演算法温度反演结果与 AVHRR SST 产品对比统计表算法温度最大值最小值平均值RTM300.93298.87299.99MW299.60297.55298.41SC303.11297.68300.13SW1303.98301.74302.62SW2301.43299.22300.38AVHRR303.50300.67301.54单位：K单位：K15海洋技术学报第42卷图 32015 年 10 月 23 日 5 种海表温度反演算法温度反演结果与 AVHRR SST 产品散点图（Bias 为绝对误差；RMSE 为均方根误差）（a）RTM 算法反演值与 AVHRR SST 产品303298301302RTM 海表温度/KAVHRR 海表温度/K303302301300299298299300Bias=2.053 985 KRMSE=2.139 359 K数据点标准线（b）MW 算法反演值与 AVHRR SST 产品303297298301302MW 海表温度/KAVHRR 海表温度/K303302301300299298297299300Bias=2.928 498 KRMSE=2.989 343 K数据点标准线（c）SC 算法反演值与 AVHRR SST 产品303297298301302SC 海表温度/KAVHRR 海表温度/K303302301300299298297299300Bias=1.434 13 KRMSE=1.678 518 K数据点标准线（d）SW1算法反演值与 AVHRR SST 产品303299301302SW1海表温度/KAVHRR 海表温度/K303302301300299300Bias=0.933 81 KRMSE=1.024 291 K数据点标准线（e）SW2算法反演值与 AVHRR SST 产品303298301302SW2海表温度/KAVHRR 海表温度/K303302301300299298299300Bias=1.360 513 KRMSE=1.428 499 K数据点标准线程中的重要参数。对于 RTM、MW 和 SW1这 3 种海表温度反演算法来说，大气水汽含量并非是温度反演过程中的直接参数，其是通过改变大气透过率的大小而间接影响温度反演结果。对各种算法进行大气水汽含量的敏感性分析，将大气水汽含量的值设定为 06.5 g/cm2，同时保持算法中其他参数不变，得到的各算法海表温度反演结果如表 4 所示。根据各种算法海表温度反演结果随大气水汽含量变化而变化结果可以看出，当大气水汽含量每变化0.5 g/cm2时，RTM、MW、SC、SW1和 SW2算法得到的海表温度反演结果分别变化量为 6.01 K、0.41 K、0.20 K、0.60 K 和 0.002 9 K。RTM 与 MW算法的反演温度随水汽变大而变大，且温度变化幅度越来越大；SC 与 SW1算法的反演温度也是随水汽变大而变大，但变化幅度越来越小，当水汽含量超过一定值时反演温度几乎不变；SW2的反演温度几16第3期表 4大气水汽含量为 06.5 g/cm2时，各算法海表温度反演结果平均值大气水汽含量/（g cm-2）各海表温度反演算法反演的平均温度RTMMWSCSW1SW20.0271.63296.66297.26295.38299.260.5274.59296.79297.66297.13299.261.0277.79296.94298.04298.40299.271.5281.25297.11298.37299.37299.272.0285.03297.30298.68300.13299.272.5289.16297.53298.94300.75299.273.0293.72297.79299.18301.26299.283.5298.79298.09299.38301.69299.284.0304.48298.46299.55302.06299.284.5310.93298.89299.69302.37299.295.0318.33299.42299.79302.63299.295.5326.97300.08299.85302.86299.296.0337.24300.93299.89303.06299.306.5349.77302.04299.89303.22299.30表 5不同地表比辐射率变化量时，各算法海表温度反演结果平均值-0.04298.93298.28299.53302.25299.66-0.03298.90298.23299.49302.11299.57-0.02298.86298.19299.45301.97299.47-0.01298.83298.14299.42301.83299.380.00298.79298.09299.38301.69299.280.01298.75298.05299.35301.56299.190.02298.72298.00299.31301.42299.090.03298.68297.95299.27301.29299.000.04298.65297.91299.24301.15298.900.05298.61297.86299.20301.02298.81-0.05298.97298.33299.56302.39299.76地表比辐射率各海表温度反演算法反演的平均温度RTMMWSCSW1SW2朱博，等：基于 Landsat8TIRS 数据的海表温度反演算法对比单位：K单位：K乎不受大气水汽含量变化的影响。由此可见 RTM算法对大气水汽含量的敏感性非常高，其余 4 种反演算法中 SW1对大气水汽含量的敏感性较高，随后是MW 和 SC 算法。虽然大气水汽含量直接作用于SW2算法，但该算法对于大气水汽含量的敏感性很低。3.4.3对地表比辐射率的敏感性分析对文中所涉及的 5 种海表温度反演算法进行地表比辐射率的敏感性分析，将算法中第 10 与第 11波段所对应的地表比辐射率变化量设定为 0.01、0.02、0.03、0.04 和 0.05，同时保持算法中其他参数不变，得到的各算法海表温度反演结果如表 5 所示。根据各种算法海表温度反演结果随地表比辐射率变化而变化结果可以看出，当地表比辐射率每变化 0.01 时，RTM、MW、SC、SW1 和 SW2 算法得到的海表温度反演结果分别变化量为 0.04 K、0.05 K、0.04 K、0.14 K 和 0.10 K。分析可得 SW1算法对于地表比辐射率的敏感性较高，其次是 SW2与 MW算法，RTM 与 SC 算法敏感性较低。通过 5 种海表温度反演算法分别进行大气平均作用温度、地表比辐射率、大气水汽含量的敏感性分析、假定大气水汽含量的误差为 1 g/cm2，地表比辐射率的误差为 0.02，大气平均作用温度的误差为2 K 的条件下 RTM 算法的综合误差为 12.09 K，MW算法的综合误差为 1.85 K，SC 算法的综合误差为0.48 K，SW1算法的综合误差为 1.48 K，SW2 算法的综合误差为 0.20 K。综上可得 RTM 算法的敏感性最高，因此在使用 RTM 算法反演海表温度时需要获得较为精确的大气参数，否则反演结果会有较大的误差。其次是 SW1算法与 MW 算法，SC 算法与 SW2 算法的敏感性较低。4结论为了选出适用于近海海域研究的遥感温度反演算法，本文基于 2015 年 10 月 23 日北部湾区域的Landsat8 遥感影像图，分别利用了 RTM、MW、SC、SW1、SW2算法进行海表温度反演，并对各种算法的反演精度进行了评价和敏感性分析。同时，为了减少反演过程中对外部实时大气数据的依赖，本文还利用了 SWCVR 法进行大气水汽含量的反演，主要研究结论如下。（1）基于 Landsat8 TIRS 数据的 SWCVR 法进行大气水汽含量反演的效果较好，误差约 0.5 g/cm2。（2）与实测海表温度数据相比，SW2算法与 SC算法精度较高，温度反演结果较好，误差约为0.6 K，而 RTM 与 SW1算法次之，误差约为 1.6 K 与 1.9 K；MW 算法精度较低，误差约为 2.5 K。（3）与 AVHRR SST 产品相比，两种劈窗算法的精度较高，误差约为 1 K 和 1.3 K，SC 算法精度较劈窗算法略低，误差约为 1.4 K 左右，RTM 与MW 算法精度较低，误差约为 2 K 与 3 K。17海洋技术学报第42卷参考文献：1余晓磊，巫兆聪.利用环境一号卫星热红外影像反演渤海海表温度J.海洋技术，2011，30（2）：1-6.2ZHU L，ZHAO L M，WANG Q，et al.Monitoring the thermal plume from coastal nuclear power plant using satellite remote sens-ing data:Modeling and validation J.Spectroscopy and Spectral Analysis，2014，34（11）：3079-3084.3史新，周买春，刘振华，等.基于 Landsat 8 数据的 3 种地表温度反演算法在三河坝流域的对比分析J.遥感技术与应用，2018，33（3）：465-475.4陈瀚阅，朱利，李家国，等.基于Landsat8 数据的 2 种海表温度反演单