FY-4A地表温度产品质量评估与偏差订正方法研究

1. 引言

地表温度（LST）是表征局地到全球尺度地表过程变化的重要特征物理量，在陆地和大气之间的能量平衡和水量平衡中发挥着重要作用，被广泛地应用于气象、水文、灾害监测和气候变化等领域的陆表过程和模型研究中。

随着遥感技术的发展，一系列卫星遥感反演的LST产品被研发与应用。目前，全球公开可以获取的LST产品有30多种。从数据研制方和提供方来看，主要有欧空局（ESA）、欧洲气象卫星应用组织（EUMETSAT）、美国国家航空航天局（NASA）、中国气象局国家卫星气象中心（NSMC）等组织及科学家生产的LST产品。

2016年，中国发射了国产FY-4A静止气象卫星，该卫星搭载先进的静止轨道辐射成像仪（AGRI）可以高空间和时间分辨率对地表、大气和云目标进行成像。目前中国气象局国家卫星气象中心已开发FY-4A卫星LST二级数据产品，该数据可以实时快速的获取。

考虑到FY-4A LST获取的便捷性以及MODIS LST数据具有较高的质量，本文以MODIS LST数据为参照，构建偏差订正模型对FY-4A LST数据进行偏差订正，将其订正到MODIS LST质量水平上，旨在建立融合MODIS和FY-4A LST的长时间序列且实时更新的LST气候数据集。

2. 研究数据和研究方法

本文以MODIS LST数据为真值，开展FY-4A LST产品质量评估和偏差影响因素分析，基于随机森林模型开展FY-4A LST偏差订正方法研究，对偏差订正后的FY-4A LST数据开展订正效果评估及高温过程监测应用效果检验。

图1 研究技术路线图

2.1 研究数据

FY-4A静止卫星有全圆盘和中国区两种观测模式，全圆盘观测频率为每15min/次，中国区观测频率为每5min/次。本文对中国区的FY-4A地表温度数据进行质量评估和偏差订正，该数据是基于FY-4A/AGRI研制的地表温度实时产品，空间分辨率为4km×4km，时间分辨率为5min。

2.2 FY-4A LST和MODIS LST时空匹配方法

为了使得FY-4A和MODIS两者的地表温度数据空间匹配一致，将1km×1km空间分辨率的MODIS LST升尺度到4km×4km空间分辨率，计算FY-4A卫星1个像元对应的MODIS16个像元的LST平均值，在统一的4km×4km空间分辨率的像元上比较FY-4A LST和MODIS LST的偏差。

2.3 FY-4A LST质量检验和评估方法

本文以MODIS LST数据为参照，计算FY-4A LST与MODIS LST的平均偏差、平均绝对偏差、均方根误差和相关系数等指标，以此评估偏差订正前后FY-4A LST的数据质量。

表1 不同月份和全年中国FY-4A和MODIS平均地表温度和偏差统计

指标	FY-4A LST	MODIS LST	LST平均偏差（FY4A-MODIS）
1月	7.2	6.2	1.0
4月	26.2	27.2	-1.0
7月	32.4	35.5	-3.1
10月	20.9	21.2	-0.3
年平均	21.7	22.6	-0.9

3. 结果与分析

3.1 FY-4A LST与MODIS LST时空差异

为了评估FY-4A和MODIS2类LST产品长时间的偏差变化规律，本文选取了一年中的1、4、7和10月共4个月，分别代表四季，统计2018—2022年FY-4A LST与MODIS LST在中国区的时空差异。

图2 2018—2022年FY-4A与MODIS地表温度月平均偏差空间分布

3.2 中国区FY-4A LST偏差影响因素分析

基于热红外通道的LST反演算法对地表发射率和大气中的水汽吸收比较敏感，地表发射率的微小改变也会对反演结果造成不同。MODIS和FY-4A的LST反演算法中的地表发射率都通过植被覆盖度计算，因此LST容易受地表覆盖类型的影响。

图3 不同月份不同陆表参数条件下FY-4A地表温度偏差统计

3.3 偏差订正模型分析

1-12月各月FY-4A LST偏差订正模型的训练集和测试集的拟合优度和均方根误差如表2所示。R²最小值为0.82，均大于0.8，说明模型拟合优度较高。训练集和测试集的均方根误差接近。

表2 各月FY-4A LST和MODIS LST训练集和测试集拟合优度（R²）和均方根误差（RMSE）

月份	R²（训练集）	R²（测试集）	RMSE/°C（训练集）	RMSE/°C（测试集）
1月	0.93	0.87	3.82	3.81
2月	0.93	0.89	4.36	4.26
3月	0.91	0.86	4.58	4.63
4月	0.90	0.84	4.94	4.82
5月	0.88	0.82	5.84	5.96
6月	0.89	0.83	6.18	6.18
7月	0.92	0.87	6.72	6.71
8月	0.93	0.89	6.50	6.45
9月	0.91	0.87	4.98	4.98
10月	0.89	0.85	4.22	4.18
11月	0.93	0.88	3.81	3.86
12月	0.92	0.87	3.72	3.78

3.4 FY-4A LST偏差订正效果评估

使用2022年逐月的MODIS LST数据，对偏差订正后的同期FY-4A LST数据进行偏差订正效果评估。2022年中国区域FY-4A LST与MODIS LST月平均偏差空间分布如图5所示。

图4 2022年FY-4A LST与MODIS LST月平均偏差分布

3.5 高温过程监测应用效果检验

为了验证偏差订正后的FY-4A LST数据在高温事件实时监测评估业务中的实际应用效果，选取2022年6月12日至7月13日中国区的高温过程为例，利用MODIS LST和偏差订正后的FY-4A LST对此次高温过程进行监测。

图5 偏差订正前后中国FY4A LST与MODIS LST逐日平均偏差时间序列对比

4. 结论与讨论

本文在对FY-4A和MODIS地表温度产品质量评估的基础上，针对2类卫星LST偏差的分布特点，开展偏差影响因素分析，建立了逐月的随机森林回归模型对FY-4A LST数据进行偏差订正，将其订正到MODIS LST质量水平上，研发了融合静止气象卫星和极轨卫星的长时间序列、均一化的LST气候数据集。

主要结论

从2022年1、4、7和10月共4个月的产品订正结果来看，该方法能够有效减小FY-4A LST与MODIS LST的偏差
从4个月份偏差的平均值来看，平均偏差由-1.98°C降低到-0.42°C，平均绝对偏差由4.02°C降低到2.84°C
均方根误差由5.13°C降低到3.91°C，相关系数由0.86提升到0.90
中国区域高温过程监测应用效果检验发现，FY-4A LST与MODIS LST平均偏差在全国大部分地区较小

研究展望

利用本文方法构建的LST气候数据集仍会存在一些问题，如：在MODIS16d的重访周期内观测时间不一致、每天的LST数据只提供一个时刻的反演结果。今后需要进一步研究不同气候区不同地表覆盖类型下LST的日变化规律，构建LST日变化模型，研发日平均、日最高和日最低LST气候数据集，以更好地满足精细化气候变化研究及气候变化监测评估业务的需求。