ENVI实战：Landsat 7大气校正法反演地表温度（LST）全流程解析与精度验证

1. 地表温度反演的基础概念与数据准备

地表温度（Land Surface Temperature, LST）是地球系统科学研究中的重要参数，它直接影响着地表能量平衡、气候变化和生态环境监测。Landsat 7卫星搭载的ETM+传感器为我们提供了稳定的热红外数据源，其第六波段（10.40-12.50 μm）专门用于地表温度反演。在实际操作前，我们需要理解几个关键概念：

辐射定标是将传感器记录的原始DN值转换为具有物理意义的辐射亮度值的过程。对于Landsat 7数据，热红外波段（Band 6）需要单独处理，其定标公式为：

python复制Lλ = gain * DN + bias

其中gain和bias值可以从元数据文件（_MTL.txt）中获取。我处理过上百景Landsat数据，发现2012年之前和之后的数据参数格式略有差异，需要特别注意元数据中的"RADIANCE_MULT_BAND_6"和"RADIANCE_ADD_BAND_6"字段。

大气校正是消除大气对地表辐射干扰的关键步骤。水蒸气、二氧化碳等气体会吸收和散射热红外辐射，导致传感器接收的信号与真实地表辐射存在偏差。大气校正法（Radiative Transfer Equation, RTE）通过引入大气透过率（τ）、上行辐射（L↑）和下行辐射（L↓）三个参数来修正这种偏差。这些参数可以通过NASA的在线大气校正工具（https://atmcorr.gsfc.nasa.gov/）获取，输入成像时间、地理位置等信息即可生成对应的大气参数。

数据准备阶段需要：

1. 从USGS EarthExplorer下载Landsat 7 Level-1数据产品
2. 检查数据质量，特别是Scan Line Corrector (SLC)故障导致的条带缺失情况
3. 提取热红外波段（B6）和可见光波段（B3,B4用于NDVI计算）
4. 对研究区域进行子集裁剪，减少计算量

提示：建议使用ENVI的"Layer Stacking"工具将各波段合并为多波段图像，后续处理会更高效。我曾遇到过波段顺序错乱导致计算错误的情况，所以每次都会在元数据中确认各波段中心波长。

2. 辐射定标与NDVI计算全流程

2.1 热红外波段辐射定标实操

在ENVI 5.3中操作时，我习惯使用"Radiometric Calibration"工具而非手动输入公式，这样更不容易出错。具体步骤：

1. 打开"File"→"Open"加载B6波段图像
2. 在工具箱中选择"Radiometric Correction"→"Radiometric Calibration"
3. 设置参数：
   • Input File: 选择B6波段
   • Calibration Type: Radiance
   • Output Data Type: Floating Point
4. 点击"Apply FLAASH Settings"自动填充定标系数（需提前加载_MTL文件）
5. 指定输出路径后执行

定标完成后，建议使用"Quick Stats"工具检查结果范围。正常情况下的辐射亮度值应该在0-20 W/(m²·sr·μm)之间。我处理过的一个案例显示，夏季正午时分的城市区域辐射亮度约为12.5 W/(m²·sr·μm)，而水体区域只有8.3 W/(m²·sr·μm)。

2.2 NDVI计算与重采样技巧

归一化植被指数（NDVI）是估算植被覆盖度的基础，计算公式为：

code复制NDVI = (NIR - Red) / (NIR + Red)

对于Landsat 7，使用B4（近红外）和B3（红光）波段。ENVI中有两种实现方式：

方法一：使用Band Math

python复制(float(b4)-float(b3))/(float(b4)+float(b3))

这种方法灵活但需要手动处理异常值。我通常会加上条件判断：

python复制(b4 eq 0 and b3 eq 0) ? 0 : (float(b4)-float(b3))/(float(b4)+float(b3))

方法二：使用Vegetation Index Calculator

1. 打开"Vegetation"→"Vegetation Index Calculator"
2. 选择"NIR Band"和"Red Band"
3. 设置输出参数

由于热红外波段（60m）与可见光波段（30m）分辨率不同，必须对NDVI结果进行重采样。我推荐使用"Resize Data"工具中的"Pixel Aggregate"方法，这比简单的双线性插值更能保持植被指数的统计特性。参数设置：

• X和Y方向的缩放因子设为2
• Resampling Method选择"Nearest Neighbor"
• Output Pixel Size显示为60m即正确

3. 大气校正关键参数获取与比辐射率估算

3.1 大气参数获取的三种途径

大气透过率（τ）、上行辐射（L↑）和下行辐射（L↓）的获取直接影响反演精度。根据我的项目经验，推荐以下方法：

1. NASA大气校正工具：

   • 访问https://atmcorr.gsfc.nasa.gov/
   • 输入成像时间、中心经纬度
   • 选择传感器为Landsat 7 ETM+
   • 下载生成的文本报告，提取对应波段的参数

2. MODTRAN模型模拟：
   需要专业license，但精度更高。适合科研级应用，我曾用这种方法将反演误差控制在1K以内。

3. 经验值法（应急使用）：

   • 晴天无云条件下，τ≈0.6-0.8
   • L↑≈1.5-2.5 W/(m²·sr·μm)
   • L↓≈2.0-3.5 W/(m²·sr·μm)

注意：大气参数具有时空变化性，同一景影像中不同海拔区域也应区别对待。在山区项目中，我采用高程分层校正策略，效果提升明显。

3.2 比辐射率估算的实用方法

地表比辐射率（ε）是物质本身的热辐射特性，经验公式为：

code复制ε = 0.004 * Pv + 0.986

其中Pv是植被覆盖度，由NDVI转换得到：

code复制Pv = [(NDVI - NDVI_soil)/(NDVI_veg - NDVI_soil)]^2

典型取值：

• NDVI_soil≈0.2（裸土）
• NDVI_veg≈0.7（茂密植被）

在ENVI中实现时，我创建了一个批处理流程：

1. 用NDVI计算植被覆盖度（Pv）
2. 对水体区域（NDVI<0）单独掩膜
3. 应用比辐射率公式
4. 对城镇区域使用固定值0.92-0.95

实测中发现，夏季农作物区的比辐射率通常在0.97-0.98之间，而城市建筑区约为0.93。一个常见错误是忽略水体处理，我曾在鄱阳湖项目中因此导致温度异常高值，后来通过添加水体掩膜解决了问题。

4. LST反演实现与精度验证

4.1 辐射传输方程完整实现

基于大气校正法的地表温度反演公式为：

python复制B(Ts) = [Lλ - L↑ - τ(1-ε)L↓] / (τε)
Ts = K2 / ln(K1/B(Ts) + 1) - 273.15

其中K1、K2是Landsat 7的热红外波段定标常数（K1=666.09，K2=1282.71）。

ENVI操作步骤：

1. 使用"Band Math"依次计算：

   python复制; 计算分子部分
   numerator = b1 - L_up - tau*(1-epsilon)*L_down
   ; 计算分母部分
   denominator = tau * epsilon
   ; 计算B(Ts)
   BTs = numerator / denominator
   

2. 温度转换：

   python复制tempK = 1282.71 / alog(666.09/BTs + 1)
   tempC = tempK - 273.15
   

我曾对比过直接使用ENVI的"Thermal Atmospheric Correction"工具和手动计算的结果差异，发现对于复杂地形区域，手动调整参数的方法更能适应局部大气条件变化。

4.2 精度验证的三种实用方法

1. 交叉验证法：

   • 下载同期MODIS LST产品（MOD11A1）
   • 重采样至相同分辨率
   • 随机选取100个点进行线性回归
     在我的黄河三角洲项目中，两种数据R²达到0.89

2. 地面实测数据对比：

   • 选择同期的气象站观测数据
   • 注意时间匹配（卫星过境时刻±30分钟）
   • 考虑地表异质性影响
     实测中，城市站点误差通常较大（约2-3K），农田区域较好（1K以内）

3. 时空一致性检查：

   • 检查温度空间分布是否合理（水体<植被<建筑）
   • 对比不同时期同一区域温度变化
   • 使用"Profile Tool"查看典型地物温度曲线

一个验证案例：在2020年8月处理北京地区数据时，发现西北山区出现异常高温区（比周边高15K以上），检查发现是大气参数输入错误导致。修正后温度梯度恢复正常，这个教训让我养成了设置合理性检查阈值的习惯。

5. 专题制图与结果分析技巧

5.1 温度分级的最佳实践

在ArcGIS中制作温度专题图时，我总结出这些经验：

1. 分类方法选择：

   • 自然间断点（Jenks）：适合展示数据固有分布
   • 等间隔：便于不同时期对比
   • 手动分级：突出关键阈值（如人体舒适度临界值）

2. 色带设计原则：

   • 低温使用蓝色系（水体）
   • 中温使用绿色系（植被）
   • 高温使用红色系（城镇）
     避免使用彩虹色带，推荐"Yellow-Green-Blue"渐变色

3. 标注技巧：

   • 添加温度单位（℃）
   • 显示分类边界值
   • 对特殊区域（热岛）添加注释

5.2 典型地物温度对比分析

通过"Region of Interest"工具提取不同地类的温度统计值：

在多个项目中验证发现，城市热岛效应强度（ΔTurban-rural）与NDVI呈负相关（R²≈0.65）。一个有意思的现象是：冬季晴朗夜晚的热岛效应反而比夏季更强，这与大气稳定度有关。

6. 常见问题排查与优化建议

6.1 典型错误及解决方法

1. 温度值异常高（>60℃）：

   • 检查比辐射率是否过小（应>0.9）
   • 确认大气参数单位是否正确
   • 验证辐射定标系数

2. 结果图像出现条带：

   • Landsat 7 SLC故障导致（2003年后）
   • 使用"Landsat Gapfill"工具修复
   • 或选择SLC-on时期数据

3. 边缘区域温度突变：

   • 大气参数空间变化过大
   • 尝试分区校正
   • 使用"Buffer"工具剔除边缘500m

6.2 参数敏感性分析

通过控制变量法测试各参数对结果的影