Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 13–17 ноября 2023 г.

(http://conf.rse.geosmis.ru)

XXI.A.176

Оценка среднемесячных температур озера Байкал в бесснежный период с использованием многовременных данных Landsat LST и MODIS/Terra LST

Мамаш E.A. (1), Пестунов И.А. (1)
(1) Федеральный исследовательский центр информационных и вычислительных технологий, Новосибирск, Россия
Температура воды является одним из ключевых свойств водных объектов. Ее ход и распределение в значительной степени определяют ряд других процессов и показателей, например, содержание хлорофилла, мутность, динамику испарения и т.д. Традиционные методы регистрации температуры, основанные на измерении in situ, носят точечный характер и часто не являются репрезентативными для таких сложных и динамических экосистем, как озера. Уже много лет данные о температуре поверхности озер собираются с помощью дистанционного зондирования [1,2]. В ряде исследований показано, что корреляция между температурой воды, измеренной in situ, и ее оценкой по спутниковым данным достаточно высока (коэффициент детерминации больше 0.9). Показано также, что одними из наиболее эффективных оценок температуры по спутниковым данным являются продукты Landsat LST (Land Surface Temperature) и MODIS LST [3-6].
Данные MODIS LST позволяют получить общую оценку температуры акватории большого по площади водоема (пространственное разрешение - 1000 м). Данные Landsat LST (пространственное разрешение - 100 м) позволяют решать задачи анализа температуры небольших водоемов.
Доступ к этим данным чаще всего осуществляется через сайт Геологической службы США (USGS) (https://earthexplorer. usgs.gov). В последние годы все большую популярность приобретает также облачная платформа Google Earth Engine (GEE), обеспечивающая не только доступ к данным, но и обработку их больших временных серий. Температура земной поверхности является одним из стандартных информационных продуктов MODIS. В работе мы использовали ряды дневных данных MODIS LST (MOD11A1) за период 2013-2022 гг. Если данные MOD11A1 являются готовым продуктом, то при расчете Landsat LST не существует единого общепринятого метода радиометрической и атмосферной коррекции снимков, так и единого алгоритма вычисления коэффициента эмиссии.
USGS в рамках создания научных продуктов (Science products) второго уровня (L2SP) начала выпуск оперативного продукта LST, получаемого на основе данных Collection 2 Level-1. Этот продукт основан на решении уравнения радиационного переноса, примененном к диапазону Landsat8/TIRS. Для реализации процедуры атмосферной коррекции в данном случае используются данные Североамериканского регионального реанализа (NARR), а для выполнения расчетов радиационного переноса используется программа MODTRAN. Коррекция излучательной способности для этого продукта основана на данных Aster Global Emissivity Dataset – ASTER GED [7]. Коллекция данных L2 также представлена в системе GEE. В последнее время начинают появляться публикации, связанные с валидацией этого достаточного нового продукта как для земных [8], так и для водных [2] объектов. Валидация проводится на основе наземных измерений путем их сравнения с продуктами L2 и результатами реализации альтернативных алгоритмов атмосферной коррекции и алгоритмов вычисления температуры. В результате показано наличие систематической ошибки продукта L2 (в большинстве случаев в сторону завышения). В работе [2] также предложена формула для коррекции значений продукта L2 применительно к водным объектам.
В работе [9] предложен алгоритм расчета LST для серии спутников Landsat, начиная с Landsat 4, в системе GEE. К недостаткам этого алгоритма можно отнести необходимость использования данных ASTER GED, покрытие которыми территории России является неполным. Для акватории оз. Байкал это покрытие также содержит ряд пробелов.
Нами предложена модификация алгоритма вычисления Landsat LST, не зависящая от покрытия территории России данными ASTER GED (L2_mod). Результаты экспериментального исследования показали, что предложенный алгоритм в большинстве случаев показывает наилучшую точность при валидации на основе наземных данных. Наземные данные получены с использованием автоматизированных регистраторов температуры DS-1921 “Thermochron” за период 17.07.2022 - 27.10.2022 гг. на территории Чуйской котловины. Отмечено наличие высокой корреляции наземных и спутниковых данных (R > 0.98) [10].
Валидация данных MODIS проводилась летом 2021 г. на территории Предсалаирской равнины в Новосибирской области. Измерения проводились с 09.06.2021 г. по 20.09.2021 г. Датчики располагались в точках, где влияние рельефа поверхности было сведено к минимуму и поверхность можно считать однородной. Коэффициент корреляции данных составил более 0.78 [11].
Валидация LST применительно к водным объектам проводилась в период с 12.09.2023 г. по 16.09.2023 г. в акватории Обского водохранилища, где показано, что разница измерений in situ и спутниковых данных в среднем колеблется в пределах 1 °С.
В результате реализации предложенного нами алгоритма вычисления L2_mod и анализа данных L2SP и MOD11A1 за бесснежный период (июнь, июль, август, сентябрь, октябрь для всех наборов данных; ноябрь и декабрь по данным MODIS) 2013-2022 гг. построены картограммы распределения среднемесячных температур оз. Байкал. Количество обработанных снимков для данных MODIS находится в пределах 285 - 310 в месяц, а для данных Landsat – в пределах 203 - 251 в месяц. Вычислены основные статистические показатели, такие как среднее, максимальная и минимальная температура, стандартное отклонение, сдвиг распределений LST.
Показано, что средние значения температур, вычисленные на основе трех алгоритмов, отличаются менее, чем на градус, максимальное отличие приходится на июнь и октябрь, а минимальное на сентябрь, что можно связать с природно-климатическими факторами и различным пространственным разрешением данных MODIS LST и Landsat LST. Также на июнь приходится и максимальное значение стандартного отклонения оценки LST oз. Байкал (больше 2 °С), которое постепенно уменьшается и к сентябрю составляет примерно 1 °С. Следует отметить, что средние значения LST для оз. Байкал, вычисленные на основе продукта L2SP ниже вычисленных на основе данных L2_mod и данных MOD11A1 в июне и июле и превышают их в августе и сентябре. Среднемесячные значения MODIS LST в июле, августе и сентябре отличаются от среднемесячных значений L2_mod менее, чем на 0.45 °С, минимальное отличие приходится на сентябрь и составляет 0.02 ºС, разница средних значений MODIS LST и L2SP немного больше, например, в сентябре она составляет 0.55 °С.
Величина сдвига между слоями температурных данных не превышает по модулю 1,5 °С и зависит от сезона. Причем, величина сдвига между данными Landsat (MBE(L2_mod, L2SP)) монотонно убывает от июня к октябрю (от 1.41 °С до -1.06 °С), в августе сдвиг практически отсутствует. Значение MBE(MOD11A1, L2_mod) наоборот монотонно возрастает (от -0.83 °С до 1.2 °С) и практически равно нулю в сентябре. Значение сдвига данных MOD11A1 и L2SP с июня по август уменьшается, в августе и сентябре становится отрицательным и отличается всего на 0.03 °С, в октябре величина сдвига опять становится положительной (1.2 °С). Это может быть связано с особенностями вычисления эмиссии водной поверхности, методикой проведения атмосферной коррекции и разным пространственным разрешением данных.
Таким образом, экспериментальное сравнение трех рассмотренных выше алгоритмов показало, что их среднемесячные значения LST в бесснежный период достаточно близки, максимальное различие приходится на июнь и октябрь, а наименьшее - на сентябрь, что может быть обусловлено выравниванием значений температуры водной поверхности и температуры приземного слоя. Величина сдвига между различными данными колеблется в пределах от 0.06 °С до 1.41 °С, как в положительную, так и в отрицательную сторону.
Полученные картограммы среднемесячных температур могут быть использованы соответствующими специалистами для мониторинга распределения температуры акватории оз. Байкал.

Ключевые слова: Landsat, MODIS, температура водной поверхности, LST, озеро Байкал
Литература:
  1. Birk S., Ecke F. The Potential of Remote Sensing in Ecological Status Assessment of Coloured Lakes Using Aquatic Plants // Ecol. Indic. 2014, 46, 398-406.
  2. Dyba K., Ermida S., Ptak M., Piekarczyk J., Sojka M. Evaluation of Methods for Estimating Lake Surface Water Temperature Using Landsat 8 // Remote Sens. 2022, 14, 3839.
  3. Prats J., Reynaud N., Rebière D., Peroux T., Tormos T., Danis P.-A. LakeSST: Lake Skin Surface Temperature in French Inland Water Bodies for 1999–2016 from Landsat Archives // Earth Syst. Sci. Data 2018, 10, 727-743.
  4. Simon R.N., Tormos T., Danis P.-A. Retrieving Water Surface Temperature from Archive LANDSAT Thermal Infrared Data: Application of the Mono-Channel Atmospheric Correction Algorithm over Two Freshwater Reservoirs // Int. J. Appl. Earth Obs. Geoinf. 2014, 30, 247-250.
  5. Zhao G., Gao H., Cai X. Estimating lake temperature profile and evaporation losses by leveraging MODIS LST data // Remote Sensing of Environment. 2020, 251, 112104.
  6. Song K., Wang M., Du J.,Yuan Y., Ma J.,Wang M., Mu G. Spatiotemporal Variations of Lake Surface Temperature across the Tibetan Plateau Using MODIS LST Product // Remote Sensing. 2016. 8(10):854
  7. Parastatidis D., Mitraka, Z., Chrysoulakis N., Abrams, M. Online global land surface temperature estimation from Landsat // Remote Sens. 2017, 9, 1208.
  8. Galve J.M., Sánchez J.M., García-Santos V., González-Piqueras J., Calera A., Villodre J. Assessment of Land Surface Temperature Estimates from Landsat 8-TIRS in A High-Contrast Semiarid Agroecosystem. Algorithms Intercomparison // Remote Sens. 2022, 14(8), 1843.
  9. Ermida S.L., Soares, P., Mantas V., Göttsche F.-M., Trigo I.F. Google Earth Engine Open-Source Code for Land Surface Temperature Estimation from the Landsat Series // Remote Sens. 2020, 12, 1471.
  10. Мамаш Е.А., Пестунов И.А., Ермаков Н.Б., Кудряшова С.Я., Чумбаев А.С. Анализ многолетней динамики температурного режима Чуйской межгорной котловины (Республика Алтай) на основе данных Landsat // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2023): Сборник трудов всероссийской конференции с международным участием (22-25 августа 2023 г., г. Бердск). Новосибирск: ФИЦ ИВТ, 2023. C. 294-304.
  11. Мамаш Е.А., Пестунов И.А., Кудряшова С.Я., Чумбаев А.С. Валидация температурных продуктов MODIS/(TERRA+AQUA) LST с использованием наземных данных // Материалы IX Международной научной конференции “Региональные проблемы дистанционного зондирования Земли”. Красноярск, 2022, С. 113-117.

Презентация доклада



Ссылка для цитирования: Мамаш E.A., Пестунов И.А. Оценка среднемесячных температур озера Байкал в бесснежный период с использованием многовременных данных Landsat LST и MODIS/Terra LST // Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2023. C. 37. DOI 10.21046/21DZZconf-2023a

Методы и алгоритмы обработки спутниковых данных

37