1. 地表温度数据集入门指南第一次接触地表温度数据时我完全被各种缩写和术语搞晕了。LSTLand Surface Temperature数据就像地球的体温计记录着地表的热量分布情况。这些数据在城市热岛效应研究、农业干旱监测、气候变化分析等领域都发挥着关键作用。目前主流的LST数据集主要来自卫星遥感包括MODIS、Landsat、TRIMS LST和GLASS等系列。每种数据集都有其独特的优势和适用场景就像不同的相机拍出来的照片各有特点。比如MODIS数据更新频率高但分辨率较低适合大范围监测而Landsat数据分辨率高但重访周期长更适合局部精细研究。选择数据集时需要考虑三个关键因素时空分辨率、数据精度和获取便捷性。就像选择监控摄像头你是要24小时不间断但画面模糊的监控还是要画质清晰但每天只拍几张的照片这就是MODIS每天更新1km分辨率和Landsat16天重访30米分辨率的本质区别。2. 主流LST数据集深度对比2.1 TRIMS LST数据集TRIMS LST是中国科学院研发的明星产品这个数据集最大的亮点是实现了中国陆域及周边地区2000-2022年逐日1km分辨率的地表温度覆盖。我去年在研究长三角城市热岛效应时就用了这个数据集实测下来数据质量相当稳定。技术层面TRIMS LST采用了多源数据融合技术整合了MODIS、AVHRR等多颗卫星的观测数据。就像用多个温度计同时测量然后取最可靠的值这种方法有效解决了单一传感器数据缺失的问题。数据集提供全天候的地表温度产品特别适合长时间序列分析。获取方式上TRIMS LST可以通过国家青藏高原科学数据中心下载。需要注意的是数据采用HDF格式存储处理时需要专门的工具包。我通常用Python的h5py库来读取配合GDAL进行后续的空间分析。2.2 GLASS地表温度产品马里兰大学开发的GLASS LST产品有两套独立的算法体系就像餐厅里的中西餐双主厨。第一套采用多算法集成方法把9种分裂窗算法打包使用特别擅长处理高水汽含量条件下的温度反演。我在处理沿海城市数据时发现这套算法确实能减少误差。第二套AVHRR LST产品基于改进型通用劈窗算法增加了热红外通道亮温差的二次项。简单理解就是给算法加了修正滤镜让它在潮湿环境下也能保持精度。GLASS数据的时间覆盖从1981年至今是做长期气候变化研究的宝贵资源。GLASS数据可以从官网直接下载但需要注意选择适合的版本。我建议新手先从V4版本开始尝试这个版本的数据处理流程相对成熟文档也比较完善。2.3 MODIS地表温度产品NASA的MODIS传感器堪称遥感界的劳模TERRA和AQUA两颗卫星每天至少覆盖全球两次。MOD11A1是应用最广泛的地表温度产品之一已经过几何校正和辐射校正开箱即用。实际使用中我发现几个实用技巧上午星TERRA和下午星AQUA的数据可以组合使用捕捉日温度变化QA质量标识波段一定要检查可以过滤掉云污染的数据球面曲线正弦投影需要特别注意在GIS软件中处理时记得做投影转换MODIS数据下载推荐NASA的Earthdata平台支持按区域和时间筛选。对于国内用户国家地球系统科学数据中心也有镜像数据下载速度更快。2.4 Landsat地表温度数据Landsat系列堪称遥感界的单反相机30米的分辨率能看到更多细节。最新Landsat 8/9的TIRS传感器有两个热红外波段B10和B11支持更精确的温度反演。与MODIS不同Landsat的LST数据需要自己反演计算。常用的方法包括单窗算法适用于只有一个热红外波段的数据如Landsat 5/7分裂窗算法利用两个热红外波段进行大气校正Landsat 8/9我在处理北京城市热岛项目时发现Landsat数据能清晰显示不同建筑材料的温度差异这是MODIS数据无法实现的。但缺点是云遮挡问题严重需要耐心筛选晴空影像。3. GEE实战LST数据获取与处理3.1 GEE平台简介Google Earth EngineGEE是处理LST数据的神器免去了本地下载和存储的麻烦。平台集成了包括Landsat、MODIS在内的主流数据集还提供了强大的计算能力。新手常犯的错误是直接开撸代码我建议先做好这些准备注册GEE账号需要科学上网熟悉JavaScript或Python API了解基本的地学数据处理概念3.2 Landsat LST计算实战下面分享一个我在北京热岛研究中使用的完整代码示例这段代码实现了Landsat 8数据筛选云掩膜处理地表温度计算结果导出// 定义研究区域北京城区 var geometry ee.FeatureCollection(users/yourusername/beijing_urban).geometry(); // Landsat 8数据预处理函数 function prepSrL8(image) { // 云掩膜 var qaMask image.select(QA_PIXEL).bitwiseAnd(parseInt(11111, 2)).eq(0); var saturationMask image.select(QA_RADSAT).eq(0); // 辐射定标 var scaleImg image.select([ST_B10]).multiply(0.00341802).add(149.0); return image.addBands(scaleImg, null, true) .updateMask(qaMask) .updateMask(saturationMask); } // 筛选2020-2022年冬季影像 var dataset ee.ImageCollection(LANDSAT/LC08/C02/T1_L2) .filterBounds(geometry) .filter(ee.Filter.calendarRange(2020, 2022, year)) .filter(ee.Filter.or( ee.Filter.calendarRange(12, 12, month), ee.Filter.calendarRange(1, 2, month) )) .filter(ee.Filter.lt(CLOUD_COVER, 20)); // 计算地表温度并取均值 var LSTcol dataset.map(prepSrL8) .select(ST_B10) .mean() .clip(geometry); // 可视化 Map.centerObject(geometry); Map.addLayer(LSTcol, {min: 260, max: 310, palette:[blue, green, yellow, red]}, LST); // 导出到Google Drive Export.image.toDrive({ image: LSTcol, description: Beijing_LST_Winter, scale: 30, region: geometry, maxPixels: 1e13 });3.3 MODIS LST时间序列分析对于长时间序列分析MODIS是更好的选择。这段代码展示了如何计算北京地区2010-2020年的夏季平均地表温度var modis ee.ImageCollection(MODIS/006/MOD11A1) .filterBounds(geometry) .filter(ee.Filter.calendarRange(6, 8, month)) .select(LST_Day_1km); // 定义每年夏季平均函数 var annualMean function(year) { var yearly modis.filter(ee.Filter.calendarRange(year, year, year)) .mean() .multiply(0.02) // 转换为摄氏度 .subtract(273.15); // 开尔文转摄氏度 return yearly.set(year, year); }; // 生成2010-2020年时间序列 var years ee.List.sequence(2010, 2020); var timeSeries ee.ImageCollection(years.map(annualMean)); // 导出统计结果 Export.table.toDrive({ collection: timeSeries, description: MODIS_LST_Summer_Mean, fileFormat: CSV });4. 应用场景与选型建议4.1 城市热岛效应研究研究城市热岛SUHI需要同时考虑空间分辨率和时间连续性。我的经验是宏观趋势分析用MODIS或TRIMS LST时间序列长覆盖全面微观细节研究用Landsat数据能看到街道尺度的温度差异机制分析结合GLASS产品利用其多算法优势提高精度北京案例中我先用MODIS找出热岛效应最严重的年份再用Landsat详细分析具体区域最后用GLASS数据验证结果这种组合拳效果很好。4.2 农业干旱监测农业应用更关注作物的温度变化。建议选择高时间分辨率数据如MODIS 8天合成产品关注日温差指标这是判断作物水分状况的重要依据结合NDVI等植被指数一起分析在中原地区的冬小麦监测项目中我使用MODIS的8天合成数据配合田间实测数据建立了有效的干旱预警模型。4.3 选型决策树最后分享一个实用的选型流程图需要每日数据吗是 → 选择MODIS或TRIMS LST否 → 进入下一步需要高空间分辨率吗是 → 选择Landsat否 → 进入下一步研究区域水汽含量高吗是 → 优先考虑GLASS产品否 → MODIS或TRIMS LST都可以记住没有最好的数据集只有最适合的数据集。我经常同时使用多种数据相互验证这是保证研究可靠性的关键。