EN中文

Arid Land Geography >

2025 , Vol. 48 >Issue 5: 765 - 777

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.087

Climatology and Environment

Error analysis of multi-source land surface temperature products in the Heihe River Basin based on in-situ data

  • Xu LI , 1 ,
  • Hongnan JIANG , 2 ,
  • Jianhui XU 3
Expand
  • 1. College of Ecology and Environment, Xinjiang University, Urumqi 830017, Xinjiang, China
  • 2. College of Geography and Remote Sensing Sciences, Xinjiang University, Urumqi 830017, Xinjiang, China
  • 3. Guangzhou Institute of Geography, Guangdong Academy of Sciences, Guangzhou 510070, Guangdong, China

Received date: 2024-02-08

  Revised date: 2025-02-14

  Online published: 2026-03-11

Fold

Abstract

This study used in-situ land surface temperature observation data (from 2017 to 2019) from seven stations in the Heihe River Basin, northern Gansu Province, China, to evaluate the errors of four land surface temperature products: the Fengyun-3C visible and infrared radiometer (FY-3C VIRR) land surface temperature product, the Terra moderate resolution imaging spectroradiometer (MOD11A1/MOD11C3) land surface temperature product, the European Center for medium-range weather forecasts fifth-generation land surface reanalysis dataset (ERA5-LAND), and the China Meteorological Administration land data assimilation system (CLDAS-V2.0). Bias (BIAS), root mean square error (RMSE), correlation coefficient (CC), and ratio of standard deviation (RSD), were employed as statistical metrics for analyzing errors across different temporal scales. The results indicated the following. (1) All four land surface temperature products exhibited a general spatial pattern of higher temperature in the south and lower temperature in the north. However, the FY-3C VIRR and MOD11A1 products exhibited finer spatial details. (2) The FY-3C VIRR daytime land surface temperature product demonstrated relatively lower BIAS and RMSE values, indicating higher accuracy. Further, the MOD11A1 daytime land surface temperature product yielded the highest CC values, ranging across 0.957-0.987. However, it also produced larger errors. This was attributed to the tendency of the MOD11A1 daytime product to overestimate temperatures. (3) The MOD11A1 nighttime land surface temperature product outperformed the FY-3C VIRR, ERA5-LAND, and CLDAS-V2.0 nighttime products in terms of accuracy. Among these, the CLDAS-V2.0 nighttime product exhibited the largest errors. (4) For the FY-3C VIRR, MOD11A1, and ERA5-LAND products, the nighttime land surface temperature accuracy surpassed those of their respective daytime products. Conversely, the CLDAS-V2.0 daytime land surface temperature product exhibited higher accuracy than its nighttime counterparts.

Key words： land surface temperature; FY-3C VIRR; MODIS; ERA5-LAND; CLDAS-V2.0; Heihe River Basin

Cite this article

Xu LI , Hongnan JIANG , Jianhui XU . Error analysis of multi-source land surface temperature products in the Heihe River Basin based on in-situ data[J]. Arid Land Geography, 2025 , 48(5) : 765 -777 . DOI: 10.12118/j.issn.1000-6060.2024.087

地表温度是地球表面最重要的地球物理参数之一，它在大气与地球表面之间的能量平衡中发挥着重要作用。地表温度数据已被广泛应用于蒸散量估计[1]、植被覆盖度监测[2]、干旱监测[3]、城市热岛研究[4]等重要领域。
传统的地表温度数据来源于地面站点观测，不能细致、全面地反映地表温度的时空分布状况，相比地面观测，热红外遥感数据能够反演具有较高精度和空间分辨率的地表温度，目前相关学者利用多种算法[5-7]生成了不同时空分辨率的地表温度遥感产品，如风云卫星系列等地表温度产品。然而，由于热红外无法穿透云层捕捉地表信息，从而无法实现对地表温度的全天候监测，严重阻碍和限制了地表温度产品的应用和发展。要获取高质量的时空连续地表温度数据，多源数据融合与同化是一个可行的方法。2019年，欧洲中期天气预报中心（ECMWF）发布了空间分辨率为0.1°的小时和月尺度高精度欧洲中期天气预报中心开发的欧洲中期天气预报中心第五代陆面再分析数据集（ERA5-LAND）[8]。2015年，国家气象信息中心结合地面观测、卫星遥感、模式等资料，利用多模式同化的方式研制了中国气象局陆面数据同化系统（CLDAS-V2.0）[9-10]。这些遥感与模式产品可以为区域及全球提供有效且连续的地表温度数据，但受到算法、地形特征、下垫面变化、气候变化等因素的影响，不同产品的精度存在显著差异，因此需要对这些地表温度产品在区域及全球范围的适用性评价[11-12]。本研究以黑河流域为研究区域，利用2017—2019年地面站点观测数据集，利用偏差（BIAS）、均方根误差（RMSE）、相关系数（CC）、标准偏差比（RSD）统计指标分别从日和月尺度对风云三号C星可见光红外扫描辐射计（FY-3C VIRR）地表温度产品、Terra卫星中分辨率成像光谱仪（MOD11A1/MOD11C3）地表温度产品、ERA5-LAND和CLDAS-V2.0 4种地表温度产品的误差进行了分析，综合分析不同来源地表温度产品在黑河流域的适用性，以期为区域尺度地表温度产品的数据质量提供参考，为制作高精度地表温度产品提供研究依据。

1 数据与方法

1.1 研究区概况

黑河流域（97.1°~102.0°E，37.7°~42.7°N）位于甘肃省北部，流经武威市、张掖市、酒泉市等地，是黄河流域的一条重要支流（图1）。黑河全长1250 km，流域面积9.5×104 km2。黑河上游河段为峡谷河段，下游则为河谷平原。黑河流域气候干旱，降水分布不均，气温季节差异明显，夏季高温多风，冬季严寒少雨，常年风沙；土地覆盖类型主要包括草地、荒地、农田等。
图1 研究区土地覆盖类型及地面站点分布

Fig. 1 Land cover types and distribution of ground stations in the study area

1.2 数据来源及预处理

1.2.1 风云三号C星可见光红外扫描辐射计（FY-3C VIRR）

风云三号（FY-3C）是我国第二代极轨气象卫星，旨在实现全天候、多光谱和三维观测全球大气和地球物理要素。FY-3C可见光红外扫描辐射计（VIRR）有10个1 km分辨率的光谱通道，其中既有高灵敏度的可见光通道，又有3个红外大气窗区通道，可以提供高分辨率的可见光和红外影像数据。FY-3C VIRR地表温度产品的反演算法使用Wan和Dozier提出的广义分裂窗算法[5]，生成了空间和时间分辨率分别为1 km、25 km和1 d、1旬、1个月的地表温度数据集。本研究在风云卫星遥感数据服务网（http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx）下载了2017—2019年空间分辨率为1 km的逐日和逐月地表温度产品，下载后将Hammer坐标系转换为WGS1984坐标系，裁剪到黑河流域。

1.2.2 Terra卫星中分辨率成像光谱仪（MOD11A1/MOD11C3）地表温度产品

本研究利用谷歌地球引擎（GEE）平台（https://search.earthdata.nasa.gov/）下载了2017—2019年黑河流域MOD11A1（空间分辨率为1 km，时间分辨率为1 d）和MOD11C3（空间分辨率为5.6 km，时间分辨率为1个月）地表温度产品，其地表温度及反射率反演所使用的是Wan和Li开发的一种基于物理的陆地表面温度算法[13]，即从7个热红外波段的日夜中分辨率成像光谱辐射计（MODIS）数据中同时检索地表波段平均发射率和温度。算法中的14个非线性方程组采用统计衰退法和最小二乘拟合法求解。

1.2.3 欧洲中期天气预报中心第五代陆面再分析数据集（ERA5-LAND）

ERA5-LAND是欧洲中期天气预报中心（ECMWF）开发的全球陆地再分析数据集。ERA5-LAND提供了1981年至今空间分辨率为0.1°、时间分辨率为1 h的全球地表变量数据，包括陆地表面温度、湿度、植被指数、降水量、雪深等。为了与遥感卫星过境时间相匹配，本研究利用GEE平台（https://search.earthdata.nasa.gov/）下载了黑河流域2017—2019年地方时10:00和22:00的地表温度产品，在本地重采样到1 km。同时进行了月平均计算，得到每月黑河流域ERA5-LAND地表温度数据产品。

1.2.4 中国气象局陆面数据同化系统（CLDAS-V2.0）

CLDAS-V2.0由中国气象局国家气象信息中心研发，覆盖范围为亚洲区域（0~65°N，60~160°E）。CLDAS-V2.0提供了长时间序列的空间分辨率为0.0625°、时间分辨率为1 h的等经纬度网格融合分析产品，包括大气驱动场产品、地表温度分析产品、土壤湿度产品、土壤温度分析产品和土壤相对湿度分析产品5种产品。该数据集利用多种来源地面、卫星等观测资料，采用多重网格变分同化（STMAS）、概率密度函数匹配（CDF）、地形校正等技术研制而成，在中国区域质量优于国际同类产品，且时空分辨率更高。本研究在国家气象科学数据中心（http://www.nmic.cn/）下载了2017—2019年CLDAS-V2.0地表温度分析产品。在本地重采样到1 km。同时进行月平均计算，得到每月黑河流域CLDAS-V2.0地表温度数据产品。

1.2.5 地面站点地表温度

本研究采用黑河流域生态-水文过程综合遥感观测联合试验[14]中7个地面观测站的观测数据作为地表温度产品的验证数据。地面观测站分布以及具体信息分别如图1和表1所示。黑河流域地面观测站的观测频率为30 s一次，输出为10 min的平均数据，因此本研究收集了黑河流域地面观测站2017—2019年10 min分辨率的空气湿度、四分量辐射、地表辐射温度等观测数据。
表1 站点信息

Tab. 1 Station information

站点 土地覆盖类型 海拔/m 可用年份
大满站（DM） 农田 1556 2017—2019
大沙龙站（DSL） 草原 3739 2017—2019
黑河遥感站（HH） 农田 1560 2017—2019
花寨子站（HZZ） 草原 1731 2017—2019
荒漠站（HM） 贫瘠 1054 2017—2019
四道桥站（SDQ） 草原 873 2017—2019
张掖站（ZY） 农田 1460 2017—2019

1.3 研究方法

1.3.1 地面站点数据反演

本研究利用地面观测站的四分量辐射仪观测数据[15-17]估算得到时间分辨率为10 min的站点地表温度。由于卫星过境时间大约为地方时10:30和22:30，因此将地方时10:00、10:30、22:00、22:30共4个时间点的瞬时站点地表温度进行平均，作为地表温度产品的验证数据。站点地表温度的估算方法如下：
T S = F ↑ - 1 - ε b × F ↓ ε b × σ 1 / 4
$\begin{aligned}\varepsilon_{\mathrm{b}}=0.197+0.025 \varepsilon_{10}+0.057 \varepsilon_{11}+0.237 \varepsilon_{12}+0.333 \varepsilon_{13}+0.146 \varepsilon_{14}\end{aligned}$
式中： T S为地表温度（K）； F ↑为上行长波辐射（W·m-2）； F ↓为下行长波辐射（W·m-2）； σ为斯蒂芬玻尔兹曼常数，值为5.67×10-8 W·m-2·K-4 ； ε b为宽波段发射率，利用ASTER-GED窄波段发射率或者波谱库数据计算得到[18]； ε 10 、 ε 11 、 ε 12 、 ε 13 、 ε 14为5个ASTER窄波段发射率。
辐射仪的测量精度差在白天和夜间分别约为-8 W·m-2和3 W·m-2，这导致使用式（1）计算的地表温度不确定性在白天和夜间分别为1.62 K和0.37 K。

1.3.2 评价指标

本研究采用偏差（BIAS）、均方根误差（RMSE）、相关系数（CC）和标准偏差比（RSD）4种统计指标定量评价不同地表温度产品的精度。

2 结果与分析

2.1 地表温度产品空间分布特征

为了分析不同地表温度产品的空间分布特征，分别选择2019年的3月1日、6月1日、9月1日、12月1日的昼夜地表温度数据进行对比分析（图2~3），4种地表温度产品均显示了类似的空间分布特征，如黑河流域南边区域地表温度低、北边区域地表温度高的特点，符合实际地表温度空间分布的特征。受到云等因素的影响，FY-3C VIRR与MOD11A1的地表温度产品均出现缺失现象；FY-3C VIRR白天地表温度数据的完整性整体上优于MOD11A1白天地表温度数据的完整性，然而夜间地表温度显示出相反的结果，FY-3C VIRR夜间地表温度产品数据的缺失数量高于MOD11A1夜间地表温度产品数据。ERA5-LAND与CLDAS-V2.0白天和夜间地表温度产品数据都不存在缺失情况。相比CLDAS-V2.0和ERA5-LAND地表温度产品，具有更高空间分辨率的FY-3C VIRR与MOD11A1地表温度产品显示了更多的空间细节，能突出更多的地表温度局部特征细节与变化；由于ERA5-LAND地表温度产品的空间分辨率较低，ERA5-LAND地表温度产品整体上不能显示更多的空间细节。MOD11A1地表温度产品在黑河流域北部有明显的高估现象，CLDAS-V2.0地表温度产品在黑河流域东南部有低估现象。
图2 白天地表温度产品的空间分布

注：FY-3C VIRR为风云三号C星可见光红外扫描辐射计；MOD11A1为Terra卫星中分辨率成像光谱仪；ERA5-LAND为欧洲中期天气预报中心第五代陆面再分析数据集；CLDAS-V2.0为中国气象局陆面数据同化系统。下同。

Fig. 2 Spatial distributions of daytime land surface temperature data

图3 夜间地表温度产品的空间分布

Fig. 3 Spatial distributions of nighttime land surface temperature data

2.2 日尺度地表温度评价

利用地面观测站点的地表温度对FY-3C VIRR、MOD11A1、ERA5-LAND、CLDAS-V2.0 4种日尺度白天和夜间地表温度产品进行精度验证与评价分析。为了减少地表温度验证的不确定性，将站点与地表温度产品之间的差值大于10 K的数据作为异常值处理，不参与评价分析，最终得到白天和夜间地表温度的精度评价结果（表2~3、图4~5）。
表2 站点日尺度白天地表温度产品评价结果

Tab. 2 Evaluation results of daytime land surface temperature data performance at the daily scale across stations

站点 FY-3C VIRR MOD11A1
BIAS/K RMSE/K CC RSD BIAS/K RMSE/K CC RSD
四道桥站 0.673 3.771 0.974 0.017 4.236 5.240 0.980 0.025
大满站 -0.686 3.337 0.968 0.030 3.638 4.391 0.977 0.000
大沙龙站 0.871 3.422 0.962 0.035 3.557 4.804 0.957 0.027
黑河站 -2.171 4.695 0.975 0.145 -0.174 4.391 0.978 0.208
荒漠站 -0.694 4.255 0.979 0.080 6.238 6.907 0.987 0.007
花寨子站 -1.198 3.981 0.970 0.016 2.773 4.062 0.979 0.030
张掖站 3.028 4.831 0.956 0.035 4.745 5.322 0.978 0.031
平均值 -0.025 4.042 0.969 0.051 3.573 5.017 0.977 0.047
站点 ERA5-LAND CLDAS-V2.0
BIAS/K RMSE/K CC RSD BIAS/K RMSE/K CC RSD
四道桥站 -0.851 3.951 0.983 0.146 1.362 4.444 0.983 0.191
大满站 -0.245 4.505 0.947 0.136 4.143 5.743 0.962 0.137
大沙龙站 -3.780 5.385 0.934 0.033 -2.731 5.046 0.938 0.120
黑河站 -3.671 5.225 0.974 0.099 0.913 4.078 0.970 0.074
荒漠站 -4.269 5.560 0.983 0.051 -2.545 3.872 0.989 0.056
花寨子站 -3.705 5.900 0.950 0.045 0.759 3.887 0.968 0.000
张掖站 2.759 4.241 0.975 0.136 5.837 6.530 0.979 0.147
平均值 -1.966 4.967 0.964 0.092 1.105 4.800 0.970 0.104

注：BISA为偏差；RMSE为均方根误差；CC为相关系数；RSD为标准偏差比。下同。

表3 站点日尺度夜间地表温度产品评价结果

Tab. 3 Evaluation results of nighttime land surface temperature data performance at the daily scale across stations

站点 FY-3C VIRR MOD11A1
BIAS/K RMSE/K CC RSD BIAS/K RMSE/K CC RSD
四道桥站 -1.115 2.928 0.982 0.047 -1.668 2.678 0.990 0.052
大满站 -1.715 3.069 0.978 0.027 -1.579 2.447 0.988 0.021
大沙龙站 -0.577 2.682 0.962 0.021 -0.938 2.312 0.981 0.027
黑河站 -1.324 3.010 0.981 0.082 -1.563 2.308 0.992 0.050
荒漠站 -2.161 3.096 0.988 0.033 -1.575 2.402 0.993 0.027
花寨子站 -1.106 2.904 0.970 0.016 -1.648 2.648 0.981 0.018
张掖站 -1.162 3.358 0.958 0.040 -0.877 2.551 0.976 0.077
平均值 -1.309 3.007 0.974 0.038 -1.407 2.478 0.986 0.039
站点 ERA5-LAND CLDAS-V2.0
BIAS/K RMSE/K CC RSD BIAS/K RMSE/K CC RSD
四道桥站 5.617 6.375 0.979 0.002 3.864 5.281 0.971 0.026
大满站 -0.081 2.818 0.975 0.066 5.676 6.272 0.980 0.076
大沙龙站 -3.411 4.817 0.973 0.171 0.972 3.573 0.944 0.049
黑河站 -0.187 3.259 0.979 0.154 5.351 5.926 0.980 0.027
荒漠站 3.549 4.067 0.992 0.045 1.196 2.429 0.991 0.045
花寨子站 -1.499 3.217 0.969 0.025 5.184 5.680 0.985 0.087
张掖站 -0.472 2.953 0.968 0.077 3.175 4.519 0.978 0.200
平均值 0.502 3.929 0.976 0.077 3.631 4.811 0.976 0.073
图4 白天影像地表温度和站点观测地表温度的比较

Fig. 4 Comparison of daytime land surface temperature data with in-situ land surface temperature

图5 夜间影像地表温度和站点观测地表温度的比较

Fig. 5 Comparison of nighttime land surface temperature data with in-situ land surface temperature

FY-3C VIRR、MOD11A1、ERA5-LAND和CLDAS-V2.0白天地表温度产品和站点地表温度的拟合度非常高，CC整体大于0.950；最大的CC为荒漠站的CLDAS-V2.0白天地表温度产品，达到了0.989。7个站点的MOD11A1白天地表温度产品整体上具有相对较高的CC和较低的RSD，但是其BIAS和RMSE最大，平均BIAS和RMSE分别达到了3.573 K和5.017 K，远大于FY-3C VIRR、ERA5-LAND和CLDAS-V2.0白天地表温度产品的BIAS和RMSE；此外，除了黑河站点（-0.174 K），其他站点MOD11A1白天地表温度产品的BIAS都大于2.773 K，这表明MOD11A1白天地表温度产品整体上被高估（图4）。相比MOD11A1、ERA5-LAND和CLDAS-V2.0白天地表温度产品，FY-3C VIRR白天地表温度产品整体上表现出更好的精度，因为FY-3C VIRR白天地表温度产品的平均BIAS和RMSE最小，分别为-0.025 K和4.042 K。ERA5-LAND白天地表温度产品整体上被低估，从表2可以看出，除了张掖站外，其他6个站点的BIAS都小于-0.851 K，最大的BIAS是荒漠站（-4.269 K）。CLDAS-V2.0白天地表温度产品具有相对较高的精度，这是因为CLDAS-V2.0白天地表温度产品具有相对较低的RMSE和RSD以及较高的CC。总体而言，FY-3C VIRR和CLDAS-V2.0白天地表温度产品的精度相对优于MOD11A1和ERA5-LAND白天地表温度产品（表2、图4）。
4 个夜间地表温度产品呈现了与站点地表温度非常高的相关性，大部分CC值大于0.970；最大的CC为荒漠站的MOD11A1夜间地表温度产品，达到了0.993。MOD11A1夜间地表温度产品显示了最佳的精度，因为7个站点MOD11A1夜间地表温度产品的RMSE最小和CC最大。CLDAS-V2.0夜间地表温度产品的误差最大，整体上被高估，因为其BIAS都大于0，最大的BIAS高达5.676 K；此外，CLDAS-V2.0夜间地表温度产品的RMSE整体偏大，整体上大于FY-3C VIRR、MOD11A1和ERA5-LAND夜间地表温度产品的RMSE。FY-3C VIRR和MOD11A1夜间地表温度产品都被低估了，这是因为FY-3C VIRR和MOD11A1夜间地表温度产品的BIAS都小于0。尽管所有站点的ERA5-LAND夜间地表温度产品平均BIAS最小，仅为0.502 K；然而，ERA5-LAND夜间地表温度产品的RMSE整体上大于FY-3C VIRR的RMSE，其平均RMSE比FY-3C VIRR大0.922 K。综上，MOD11A1夜间地表温度产品的精度最高，其次是FY-3C VIRR夜间地表温度产品（表3、图5）。

2.3 月尺度地表温度时间序列特征分析

为了进一步分析地表温度产品逐月时间变化特征，本研究绘制了逐月的站点观测、FY-3C VIRR、MOD11C3、ERA5-LAND和CLDAS-V2.0地表温度的时间变化曲线图（图6~7）。因为花寨子站2019年6—9月数据缺失严重无法计算月均地表温度，所以这4个月的地表温度数据不参与分析。
图6 白天影像地表温度和站点观测地表温度的时间序列比较

Fig. 6 Time series comparison of daytime land surface temperature data with in-situ land surface temperature

图7 夜间影像地表温度和站点观测地表温度的时间序列比较

Fig. 7 Time series comparison of nighttime land surface temperature data with in-situ land surface temperature

在白天日尺度上，FY-3C VIRR白天地表温度产品与站点地表温度整体上保持较好的一致性，特别是在整体误差相对较大的大沙龙站，FY-3C VIRR白天地表温度产品也展现出与站点地表温度一致的时间趋势。然而，FY-3C VIRR的白天地表温度产品也存在低估现象，特别是在黑河站的7—9月，低估现象较为严重。MOD11C3白天地表温度产品存在高估现象，特别是在四道桥站的每年7月，高估10 K左右。ERA5-LAND白天地表温度产品存在明显的低估现象，尤其是在大沙龙站的冬季（图6）。
在夜间月尺度上，CLDAS-V2.0夜间地表温度产品存在高估现象，特别是在花寨子和大满站，CLDAS-V2.0夜间地表温度产品被严重高估了。ERA5-LAND夜间地表温度产品在四道桥站高估较为严重，在大沙龙站冬季存在低估现象。尽管FY-3C VIRR和MOD11C3夜间地表温度产品与站点地表温度整体上保持较好的一致性与时间趋势，但是整体上FY-3C VIRR和MOD11C3夜间地表温度产品都被低估了。整体来看，4套地表温度产品数据都能较好地刻画黑河流域地表温度的季节变化特征（图7）。

3 讨论

本研究利用站点地表温度对FY-3C VIRR、MOD11A1/MOD11C3、ERA5-LAND和CLDAS-V2.0 4套地表温度产品分别进行了日、月2个时间尺度的精度评价与分析。结果表明，4套地表温度产品在黑河流域具有相对较高的适用性，FY-3C VIRR白天地表温度产品的精度高于MODIS、ERA5-LAND和CLDAS-V2.0白天地表温度产品；MOD11A1/MOD11C3夜间地表温度产品的精度高于FY-3C VIRR、ERA5-LAND和CLDAS-V2.0夜间地表温度产品；ERA5-LAND和CLDAS-V2.0地表温度产品的质量相对较低，与相关研究具有相似的结果[19-20]。
然而，FY-3C VIRR和MODIS地表温度产品站点观测之间仍存在较大的误差，如7个站点的MOD11A1日尺度白天地表温度产品的RMSE平均值达到了5.017 K，相对较好的FY-3C VIRR日尺度白天地表温度产品RMSE平均值也达到了4.042 K（表2）；7个站点的FY-3C VIRR和MOD11A1/MOD11C3地表温度产品的RMSE平均值在2~6 K之间。这可能是因为：一方面，地表温度反演算法或传感器受到下垫面、地形等因素影响导致RMSE偏高；另一方面，站点地表温度反演过程中，宽波段反射率的计算存在误差。
对于卫星遥感数据来说，FY-3C VIRR和MODIS遥感地表温度产品使用的分裂窗口算法仍在不断地开发优化中，地表发射率估算的误差也增加了地表温度反演的误差。此外，研究表明，地表覆盖类型对地表发射率的估算有显著影响，分类赋值法计算的地表发射率不能随地表覆盖类型的变化而变化。对于ERA5-LAND和CLDAS-V2.0再分析资料，误差较大的原因可能与基于温度的评价方法与站点观测的空间热均一性范围有关，另一个重要原因是再分析数据因为单个像元涉及区域更大，更容易受到下垫面不均一、异质性强等影响。
从昼夜地表温度产品质量对比来看，FY-3C VIRR、MOD11A1/MOD11C3、ERA5-LAND和CLDAS-V2.0夜间地表温度产品精度在大多数时候优于白天地表温度产品精度。这主要是由于：（1） 白天太阳辐射的方向性造成像元是阴影与光照地表的混合，而夜间不用考虑太阳辐射造成的阴影。（2） 夜间人类活动较少，也可能会减少地表温度反演误差[21]。对于站点地表温度，反演所用的地表反射率数据也存在一定的误差。（3） 土壤含水量、空气湿度、风速、传感器观测的天顶角、地面仪器的校准等，都可能直接或间接影响地表温度产品的反演精度及评价精度。本研究4种地表温度产品的验证仅使用从黑河流域地面站点收集的现场测量进行，在具有不同大气特征和表面条件的其他地点，验证结果可能不同。未来地表温度精度和适应性评价需要综合考虑这些因素，以减少评价过程中的地表温度不确定性引入的误差。

4 结论

（1） FY-3C VIRR、MOD11A1、ERA5-LAND和CLDAS-V2.0 4套不同空间分辨率的地表温度品均呈现相似的北高南低空间分布特征，其中1 km空间分辨率的FY-3C VIRR和MODIS地表温度产品比0.1°空间分辨率的ERA5-LAND和0.0625°空间分辨率的CLDAS-V2.0地表温度产品展现出更多的空间细节。
（2） 对于白天地表温度，FY-3C VIRR地表温度产品的精度高于其他3套地表温度产品；尽管MOD11A1地表温度产品的CC整体上最高，但是误差相对较大，而且MOD11A1地表温度产品显著高估；CLDAS-V2.0地表温度产品精度略优于MOD11A1地表温度产品；ERA5-LAND白天地表温度产品的精度最差。
（3） 对于夜间地表温度，MOD11A1/MOD11C3地表温度产品具有最高的CC与RMSE，相比FY-3C VIRR地表温度产品精度更高，ERA5-LAND地表温度产品与CLDAS-V2.0地表温度产品CC差别较小但ERA5-LAND地表温度产品的BIAS更小。
（4） 除了CLDAS-V2.0之外，FY-3C VIRR、MOD- 11A1和ERA5-LAND夜间地表温度产品的精度高于白天地表温度产品；CLDAS-V2.0白天和夜间地表温度产品整体上都被高估。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
He X L, Xu T R, Bateni S M, et al. Mapping regional evapotranspiration in cloudy skies via variational assimilation of all-weather land surface temperature observations[J]. Journal of Hydrology, 2020, 585: 124790, doi: 10.1016/j.jhydrol.2020.124790.

[2]
吴万民, 刘涛, 陈鑫. 西北干旱半干旱区NDVI季节性变化及其影响因素[J]. 干旱区研究, 2023, 40(12): 1969-1981.

DOI

[Wu Wanmin, Liu Tao, Chen Xin. Seasonal changes of NDVI in the arid and semi-arid regions of northwest China and its influencing factors[J]. Arid Zone Research, 2023, 40(12): 1969-1981. ]

DOI

[3]
王岱, 崔洋, 王素艳, 等. 1961—2020年宁夏干旱事件年代际变化及风险评估[J]. 干旱区地理, 2024, 47(5): 785-797.

DOI

[Wang Dai, Cui Yang, Wang Suyan, et al. Interdecadal changes and risk assessment of drought events in Ningxia from 1961 to 2020[J]. Arid Land Geography, 2024, 47(5): 785-797. ]

DOI

[4]
Sekertekin A, Zadbagher E. Simulation of future land surface temperature distribution and evaluating surface urban heat island based on impervious surface area[J]. Ecological Indicators, 2021, 122: 107230, doi: 10.1016/j.ecolind.2020.107230.

[5]
Wan Z M, Dozier J. A generalized split-window algorithm for retrieving land-surface temperature from space[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(4): 892-905.

[6]
Qin Z H, Karnieli A, Berliner P. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2001, 22(18): 3719-3746.

[7]
Gillespie A, Rokugawa S, Matsunaga T, et al. A temperature and emissivity separation algorithm for advanced spaceborne thermal emission and reflection radiometer (ASTER) images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(4): 1113-1126.

[8]
Muñoz-Sabater J, Dutra E, Agustí-Panareda A, et al. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications[J]. Earth System Science Data, 2021, 13(9): 4349-4383.

[9]
Shi C X, Xie Z H, Qian H, et al. China land soil moisture EnKF data assimilation based on satellite remote sensing data[J]. Science China Earth Sciences, 2011, 54: 1430-1440.

[10]
Han S, Shi C X, Xu B, et al. Development and progress of high resolution CMA land surface data assimilation system (HRCLDAS)[J]. Advances in Meteorological Science and Technology, 2018, 8(102-108): 116, doi: 10.13140/RG.2.2.31814.42562.

[11]
Meng X C, Cheng J, Guo H, et al. Accuracy evaluation of the Landsat 9 land surface temperature product[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 8694-8703.

[12]
Botje D, Dewan A, Chakraborty T C. Comparing coarse-resolution land surface temperature products over western Australia[J]. Remote Sensing, 2022, 14(10): 2296, doi: 10.3390/rs14102296.

[13]
Wan Z M, Li Z L. A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(4): 980-996.

[14]
Li X, Cheng G D, Liu S M, et al. Heihe Watershed allied telemetry experimental research (HiWATER): Scientific objectives and experimental design[J]. Bulletin of the American Meteorological Society, 2013, 94(8): 1145-1160.

[15]
Che T, Li X, Liu S M, et al. Integrated hydrometeorological, snow and frozen-ground observations in the alpine region of the Heihe River Basin, China[J]. Earth System Science Data, 2019, 11(3): 1483-1499.

[16]
Liu S M, Li X, Xu Z W, et al. The Heihe integrated observatory network: A basin-scale land surface processes observatory in China[J]. Vadose Zone Journal, 2018, 17(1): 1-21.

[17]
Liu S M, Xu Z W, Wang W Z, et al. A comparison of eddy-covariance and large aperture scintillometer measurements with respect to the energy balance closure problem[J]. Hydrology and Earth System Sciences, 2011, 15(4): 1291-1306.

[18]
Cheng J, Liang S L, Yao Y J, et al. Estimating the optimal broadband emissivity spectral range for calculating surface longwave net radiation[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 10(2): 401-405.

[19]
Lu L, Zhang T J, Wang T J, et al. Evaluation of collection-6 MODIS land surface temperature product using multi-year ground measurements in an arid area of northwest China[J]. Remote Sensing, 2018, 10(11): 1852, doi: 10.3390/rs10111852.

[20]
Jiang J X, Li H, Liu Q H, et al. Evaluation of land surface temperature retrieval from FY-3B/VIRR data in an arid area of northwestern China[J]. Remote Sensing, 2015, 7(6): 7080-7104.

[21]
纪王迪, 黄晓军, 包微, 等. 关中地区人类活动强度与地表温度的时空关联特征及其驱动作用[J]. 干旱区地理, 2024, 47(6): 967-979.

DOI

[Ji Wangdi, Huang Xiaojun, Bao Wei, et al. Spatiotemporal correlation characteristics and driving forces of human activity intensity and surface temperature in the Guanzhong area[J]. Arid Land Geography, 2024, 47(6): 967-979. ]

DOI

Options
Outlines

/

〈 〉