1. 项目背景与数据价值
地表温度（Land Surface Temperature, LST）是地球表层能量平衡和水分循环的关键参数，对气候研究、农业生产、城市热岛效应监测等领域具有重要价值。2015-2024年我国1km分辨率逐日LST栅格数据集，填补了中高分辨率长时间序列地表温度观测数据的空白。
这套数据集的独特之处在于其时空连续性——每日更新的1km网格数据，能够清晰反映不同地表类型（如农田、森林、水体、城市等）的温度变化规律。相比传统气象站点数据，栅格数据消除了空间插值误差；相比卫星原始数据，经过严格质量控制和处理后的产品数据更便于科研和业务应用。
提示：1km分辨率意味着每个像元代表地面约1平方公里范围的温度平均值，这个尺度既能捕捉城市内部热环境差异，又不会因分辨率过高而产生过多噪声干扰。
2. 数据生产方法与技术解析
2.1 数据源与融合技术
本数据集主要基于MODIS/Terra和MODIS/Aqua卫星的昼夜观测数据，辅以风云系列卫星数据作为补充。采用多源数据协同反演算法，通过以下关键技术环节保证数据质量：
- 大气校正：使用MODTRAN辐射传输模型消除大气水汽、气溶胶等干扰因素
- 时空融合：针对云覆盖区域，采用STARFM时空自适应反射率融合算法填补数据空缺
- 地表发射率估算：基于中国土地覆盖数据集（CLCD）动态分配不同地表类型的发射率参数
- 温度反演：应用分裂窗算法（针对热红外波段）和昼夜温度模型（针对热惯量）
典型反演公式示例：
python复制# 分裂窗算法简化表达式
LST = A0 + A1*T11 + A2*(T11-T12)
# 其中T11/T12为两个热红外波段亮温，系数A0-A2通过地表发射率和大气水汽含量动态计算
2.2 数据处理流程
原始数据到最终产品需经历完整预处理链条：
- 质量筛选：剔除云覆盖>30%的无效像元
- 几何校正：采用二次多项式模型配准至Albers等面积投影
- 异常值处理：基于3σ原则剔除离群值
- 空缺填补：使用DINEOF（数据插值经验正交函数）方法重建连续场
- 精度验证：与全国836个地面观测站数据进行交叉验证，平均RMSE<2.5K
3. 数据应用场景与案例
3.1 城市热岛效应研究
以上海市为例，通过2015-2024年夏季（6-8月）数据可发现：
- 城市核心区比郊区平均高3.2-4.7℃
- 大型公园可使周边300m范围内降温1.8℃
- 浦东新区热岛强度年增长率达0.15℃/年
python复制# 热岛强度计算示例
urban_temp = lst_data[urban_mask].mean()
rural_temp = lst_data[rural_mask].mean()
UHI = urban_temp - rural_temp
3.2 农业干旱监测
结合LST与NDVI构建温度植被干旱指数（TVDI）：
- 当TVDI>0.8时判定为重度干旱
- 在华北平原小麦主产区，该指标与土壤湿度观测的相关系数达0.89
- 2022年长江流域干旱事件中，提前3周预警了作物减产风险
3.3 冰川变化分析
青藏高原典型冰川区监测显示：
- 夏季表面温度上升趋势达0.31℃/年
- 消融期每延长1天，冰川物质平衡减少约82mm w.e.
- 唐古拉山脉东段出现显著的热量积累现象
4. 数据使用实操指南
4.1 数据获取与预处理
数据集采用HDF5格式存储，每日文件包含：
- LST：地表温度（单位：K，缩放因子0.02）
- QA：质量标识位（推荐使用flag=0的数据）
- Time：过境时间（UTC）
典型读取代码：
python复制import h5py
with h5py.File('LST_20230101.h5') as f:
lst = f['LST'][:] * 0.02 # 转换为绝对温度
qa = f['QA'][:]
valid_mask = (qa & 0x03) == 0 # 提取最优质量数据
4.2 时空分析技巧
月平均计算注意事项：
- 需先转换至摄氏温度：LST_C = LST_K - 273.15
- 每月有效数据天数应≥15天
- 建议使用numpy.nanmean处理空缺值
空间统计推荐方法：
python复制from rasterstats import zonal_stats
stats = zonal_stats(
'province_boundary.shp',
'LST_monthly.tif',
stats=['mean', 'std']
)
5. 常见问题解决方案
5.1 数据异常排查
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| 条带状缺失 | 卫星扫描间隙 | 使用前后3天数据线性插值 |
| 局部高温点 | 云污染残留 | 结合QA波段过滤flag>0的像元 |
| 季节突变 | 地表覆盖变化 | 检查同期土地覆盖类型数据 |
5.2 精度提升技巧
- 地形校正：在山区应用DEM-derived辅助参数
- 城市区域优化：使用Local Climate Zone分类细化地表发射率
- 时间一致性检查：构建温度变化阈值函数（如相邻像元温差>10K视为异常）
6. 数据更新与扩展应用
当前数据集持续更新至2024年12月31日，未来计划：
- 同化ERA5再分析数据提升时空连续性
- 开发500m分辨率实验产品
- 发布城市群小时尺度热环境数据集
在生态红线评估、碳中和监测、极端高温预警等新兴领域，该数据集正在发挥越来越重要的作用。我们通过实际项目验证，将LST与人口密度、能源消耗等社会经济数据耦合分析，可支持更精细化的环境政策制定。