1.《Spatial Downscaling of MODIS Land Surface Temperature Based on Geographically Weighted Autoregres

1、目的：解决时空分辨率矛盾。

2、方法：考虑空间非平稳性和空间自相关，提出地理加权自回归模型（GWAR），选择数字高程模型和归一化差叠加指数作为解释变量，对1000 ~ 100 m中分辨率成像光谱仪LST数据的空间分辨率进行降尺度，以兰州和北京为研究区。将GWAR模型与热数据锐化(TsHARP)模型和地理加权回归(GWR)模型的性能进行了比较。Landsat 8地表温度被用来验证缩小后的地表温度。结果表明，基于GWAR的算法在均方根误差(北京:1.37°C，兰州:1.76°C)和平均绝对误差(北京:0.86°C，兰州:1.33°C)较基于TsHARP和GWR的算法性能好。

3、LST应用：土壤水分研究、地表城市热岛和环境监测、环境生物地球化学过程模拟、气候变化评估

4、LST分为热锐化(thermal sharpening)和温度解混(temperature unmixing)两个分支。其中LST降尺度属于热锐化类型。

5、降尺度模型：图像融合模型和关系不变模型。

6、图像融合模型：将高分辨率数据与粗、中分辨率热红外数据进行融合，获得高分辨率数据。现有两种融合方法。其中一种模型是线性模型，高分辨率图像的反射率由低分辨率图像中生成的线性模型计算得到更高分辨率的反射率图像。第二种模型是解混模型，它基于线性混合理论。该模型假设每种土地覆盖类型的混合响应结合低分辨率的空间像元，通过线性混合模型，对粗分辨率图像进行分解。

6、关系不变模型：该方法包括谱法、调制法和统计回归三种。这些方法假定在降尺度的过程中存在许多不变的空间关系。

标签：Downscaling,MODIS,Land,锐化,高分辨率,模型,LST,图像,分辨率
来源： https://www.cnblogs.com/xiqoqun/p/14722714.html