本文详细介绍了如何使用Google Earth Engine（GEE）基于MODIS的LST（地表温度数据）计算一定时间序列的城市热岛强度（UHI），并绘制直方图。文章首先介绍了实验目的和数据来源，然后详细说明了实验流程，包括研究区域斑块制作、去除水体、不透水面转矢量、计算矢量边界内的高程均值、排除高于高程100m以上的区域、得到城市和乡村的矢量边界等步骤。接着，文章详细介绍了如何制作时间序列影像集、温度转摄氏度、质量控制函数、筛选高质量像元占比大于10%的影像、计算温度均值、匹配同一时刻的乡村和城市计算结果、求UHI以及作图等步骤。最后，文章展示了实验结果，包括三年白天和晚上的城市热岛强度直方图，并对结果进行了分析。 在地理信息系统（GIS）的快速发展中，Google Earth Engine（GEE）作为一个强大的工具，已经被广泛应用于各种环境和地理研究中。特别是其在处理大尺度时空数据方面的优势，使其成为研究城市热岛效应的理想平台。城市热岛效应是指城市中由于人类活动和工业集中等原因，温度普遍高于周边农村或郊区的现象。GEE平台通过集成并提供丰富的地理空间数据，例如来自MODIS（Moderate Resolution Imaging Spectroradiometer）的LST数据，可以帮助科研人员更便捷地获取地表温度信息，并且通过编程实现快速分析。 本研究的核心目标是计算城市热岛强度，即城市与周边乡村地区在温度上的差异。研究使用了MODIS的LST数据，通过构建时间序列影像集，实现对特定时间段内城市热岛效应的观测和分析。MODIS作为NASA发射的卫星传感器之一，提供了中等分辨率的全球地表温度数据，这些数据对于研究气候变暖、城市热岛效应等气候变化具有重要价值。 研究首先确定了研究区域，并针对该区域进行斑块制作，这一过程涉及到去除水体、将不透水面转为矢量数据等预处理步骤。去除水体是必要的，因为在水体中，地表温度的分布与陆地有显著差异，可能会对结果造成干扰。不透水面转为矢量数据的目的是为了更精确地定义城市和乡村的边界。 在获取矢量边界后，研究排除了高于高程100m以上的区域，因为地形高度也会对地表温度产生影响。随后，通过计算矢量边界内的高程均值，研究得到了城市和乡村的精确矢量边界。这一系列的处理步骤确保了后续分析的准确性。 接下来，文章详细介绍了如何制作时间序列影像集，将温度值从开尔文单位转换为摄氏度，并定义了质量控制函数以筛选高质量的影像。在此基础上，通过计算温度均值并匹配城市与乡村在相同时间点的温度数据，研究得以准确计算出城市热岛强度。最终，利用GEE的绘图工具，生成了相应的直方图，直观展示了三年间白天和晚上的城市热岛强度变化。 分析结果显示，城市区域的地表温度普遍高于周围乡村区域，尤其在白天的观测中这一现象更为显著。这样的结果为理解城市热岛效应提供了重要数据支持，并且为城市规划和环境管理提供了科学依据。例如，通过识别和分析城市热岛强度的空间分布和时间变化，可以帮助决策者制定减少城市热岛效应的策略，如增加城市绿地、改善城市通风条件等。 此外，本研究还展示了GEE在处理大规模时空数据和进行复杂分析方面的潜力。通过GEE的云计算能力，研究人员可以迅速地处理和分析大量数据，这对于传统的地理信息系统软件来说，可能是耗时且计算资源密集的。因此，GEE不仅提高了工作效率，也降低了研究门槛，使得更多用户可以轻松地访问和利用这些重要的环境数据进行研究。 通过使用GEE和MODIS LST数据，本研究成功地计算了城市热岛强度，并通过可视化的方式直观地展示了分析结果。这一研究不仅加深了对城市热岛效应的理解，也展示了现代地理信息系统在环境研究中的应用潜力。通过持续的监测和分析，我们可以更好地应对由城市热岛效应带来的挑战，并为可持续城市的建设提供科学指导。

内容概要：本文档提供了一个完整的机器学习工作流示例，专注于使用随机森林回归模型预测地表温度（LST）。首先，通过对数据集进行预处理，去除非特征列并进行独热编码，准备用于训练的特征和目标变量。然后，通过超参数调优或默认参数训练随机森林模型，确保模型的性能优化。接下来，评估模型性能，包括计算均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²），并通过交叉验证进一步验证模型稳定性。此外，还提供了详细的可视化分析，如实际值与预测值对比图、残差图、特征重要性图以及预测误差分布图。最后，利用SHAP库进行解释性分析，生成SHAP值的柱状图和点图，帮助理解各个特征对模型预测的影响。 适合人群：具有一定数据分析和机器学习基础的数据科学家、研究人员和工程师，尤其是对地理信息系统（GIS）和环境科学领域感兴趣的专业人士。 使用场景及目标：①学习如何从数据预处理到模型训练、评估和解释的完整机器学习流程；②掌握随机森林模型的超参数调优方法及其在实际问题中的应用；③理解如何通过可视化工具直观展示模型性能和特征重要性；④利用SHAP值深入分析模型预测的可解释性。 阅读建议：本文档代码详尽，涵盖了从数据准备到模型评估的各个环节。读者应重点关注数据预处理步骤、模型训练中的超参数选择、评估指标的计算方法以及可视化和解释性分析部分。建议在阅读过程中动手实践代码，并结合自己的数据集进行实验，以加深理解。

文中介绍了一种基于单通道热红外数据的地表温度反演模型,该模型以大气辐射传输方程为理论推导依据,并利用泰勒展开式可得到求取的众多反演参量。通过对Landsat TM(Thematic Mapper)热波段数据的波谱响应分析,经总结后得到了相应的基于大气水汽含量的参量函数。虽然该模型的精确反演需要大量借助综合方法得到的反演参数,但其整体反演误差在1 K(开氏温度)以内且具有巨大的推广应用潜力。

本文详细介绍了如何使用Google Earth Engine（GEE）平台上的Landsat8 C02数据集进行地表温度（LST）反演。作者分享了在实际项目中遇到的坑，包括数据集版本更新导致的波段报错问题，以及不同资源质量带来的复现困难。文章提供了完整的代码实现，包括数据预处理、质量掩膜应用、温度计算及结果可视化等步骤。通过示例代码，读者可以学习如何利用Landsat8的ST_B10波段直接计算地表温度，并导出结果进行进一步分析。最后，作者还展示了温度直方图和栅格数据的输出效果，为城市热岛效应研究提供了实用工具。 在地表温度反演领域，使用卫星遥感数据进行热红外波段分析是常用来获取地表热环境信息的重要手段。Landsat 8卫星是美国地质调查局（USGS）发射的一颗遥感卫星，搭载了多个波段的传感器，可以对地表进行多光谱观测。特别是其中的热红外传感器，可以在地表温度反演中发挥关键作用。 本文的核心在于如何通过Google Earth Engine（GEE）这一在线平台，高效利用Landsat 8的C02数据集来计算地表温度。GEE提供了强大的云计算资源，使得用户可以不必下载大量数据，就能进行数据处理和分析。文章中作者详细讲解了从数据集选择、波段预处理到温度计算的整个流程。 具体而言，文章首先提到了在数据处理过程中可能遇到的问题，比如数据集版本更新后波段命名的改变可能会导致在处理时遇到错误。为了克服这些问题，作者提供了切实可行的解决方案，并在文中提供了实用的代码片段。这些代码涵盖了从数据加载、预处理到结果输出的各个环节。 为了确保结果的准确性，文章介绍了如何应用质量掩膜技术来筛选出高质量的数据，以排除云层、阴影等可能干扰热红外测量的因素。这是反演地表温度时的关键步骤，因为它直接影响到温度计算的精度。 接着，文章阐述了如何使用Landsat 8卫星数据的ST_B10波段进行地表温度的直接计算。这部分内容非常关键，因为它是将遥感数据转换为具体温度值的核心算法部分。在讲述算法的同时，作者还分享了如何将计算结果导出，以便于后续的分析和应用。 除了技术细节，文章还对结果展示进行了说明。作者演示了如何利用GEE的可视化工具，将温度反演结果以温度直方图和栅格数据的形式展现出来。这些结果可以用来分析城市热岛效应、土地覆盖变化等环境问题，为城市规划和环境监测提供了重要的科学依据。 作者还指出了在实际操作中，即便有代码辅助，不同资源质量也可能导致复现困难的问题。因此，作者也分享了一些实际操作的技巧和经验，帮助读者更好地理解和掌握地表温度反演的技术流程。 通过本文的学习，读者可以掌握使用GEE和Landsat 8数据进行地表温度反演的整个流程。这些知识不仅有助于科研人员进行环境研究，也能为相关领域专业人士提供实用的参考和工具。

本文详细介绍了基于Google Earth Engine（GEE）平台的地表温度单通道算法反演方法。文章以北京市中心为研究区域，利用Landsat 8卫星数据，从数据加载、预处理到地表温度（LST）反演与结果导出的完整流程进行了分步骤解析。核心内容包括研究区域与时间范围定义、Landsat 8数据加载与预处理、NDVI计算、植被覆盖度（FVC）与地表比辐射率计算、亮度温度（BT）计算、地表温度反演（单通道算法）以及结果导出。此外，文章还提供了关键注意事项与优化方向，如数据质量控制、参数优化建议和结果验证方法。该代码流程清晰，可重复性强，适用于学术研究和城市规划等场景。 基于Google Earth Engine（GEE）平台的地表温度反演方法是当前遥感领域的一个重要研究方向。本文详细介绍了地表温度单通道算法反演的完整流程，以北京市中心为研究区域，使用Landsat 8卫星数据作为主要数据源。 研究区域与时间范围的定义是地表温度反演的第一步。在这个过程中，我们需要明确研究的目标区域和时间范围，以便于后续的数据处理和分析。 Landsat 8数据的加载与预处理是地表温度反演的关键步骤。Landsat 8是美国地质调查局和美国宇航局联合开发的地球观测卫星，其携带的传感器可以提供丰富的地表信息。在这个过程中，我们需要对Landsat 8的数据进行加载，包括下载和读取数据。预处理主要包括数据裁剪、去云等步骤，以提高数据的质量。 接下来，NDVI的计算是地表温度反演的重要部分。NDVI（归一化植被指数）是反映地表植被覆盖程度的一个重要指标，其计算需要使用到遥感数据的红光波段和近红外波段。 然后，植被覆盖度（FVC）与地表比辐射率的计算也是地表温度反演的关键步骤。植被覆盖度是反映地表植被覆盖程度的另一个重要指标，其计算需要使用到NDVI。地表比辐射率是反映地表辐射特性的参数，其计算需要使用到植被覆盖度。 亮度温度（BT）的计算是地表温度反演的另一个重要部分。亮度温度是反映地表辐射温度的参数，其计算需要使用到遥感数据的热红外波段。 地表温度反演是基于单通道算法进行的。单通道算法是一种常用的地表温度反演算法，其主要思想是利用遥感数据的热红外波段进行地表温度反演。 在整个地表温度反演过程中，我们还需要注意一些关键事项，如数据质量控制、参数优化建议和结果验证方法。数据质量控制是保证地表温度反演结果准确性的前提，参数优化建议是为了提高地表温度反演的精度，结果验证方法是为了验证地表温度反演结果的准确性。 本文介绍的地表温度反演方法具有流程清晰、可重复性强的特点，适用于学术研究和城市规划等场景。通过使用本文介绍的地表温度反演方法，我们可以获取到高精度的地表温度数据，为城市热岛效应的研究、城市规划和环境保护等提供重要的数据支持。

基于劈窗算法的地表温度反演.ppt

内容概要：本文旨在分析慕尼黑特蕾西恩维斯地区在2023年和2024年不同时间段（包括 Oktoberfest 期间）的地表温度（LST），以研究城市热岛效应。文中通过 Landsat 9 和 Sentinel-2 卫星影像数据，利用 Split-Window 算法计算 LST，并进行归一化处理和差异分析。此外，还计算了 NDVI、NDBI、NDWI 和 Albedo 等指数，并进行了土地覆盖分类。为了提高分辨率，采用了随机森林算法对 LST 数据进行降尺度处理。最后，通过统计分析和散点图验证了降尺度结果的有效性。 适合人群：具备一定遥感和地理信息系统（GIS）基础知识的研究人员和技术人员，尤其是对城市热岛效应和地表温度分析感兴趣的学者。 使用场景及目标：①分析特定区域（如 Oktoberfest 场地）在不同时间段的地表温度变化；②评估城市热岛效应的影响；③通过降尺度技术提高 LST 数据的空间分辨率；④验证降尺度方法的准确性。 阅读建议：此资源涉及多种遥感数据处理技术和算法，建议读者在阅读时结合实际案例进行实践操作，并重点关注代码实现和结果验证部分。同时，建议读者熟悉 Python 或 JavaScript 编程语言，以及 Google Earth Engine 平台的基本操作。

基于python实现Landsat8影像地表温度反演算法

在遥感应用中,运用MODTRAN软件求解大气透过率的参数比较多,而大气中各个参量的变化和不均匀性,给大气透过率和地表温度的计算带来很大的不便。文中基于大气上界的太阳日辐射,提出基于大气整体透过率的建模思想,以太阳能量子穿过大气到达地表损失的能量与大气上界的太阳常数比值作为大气透过率的近似解,通过建立地表热传导的线性方程,实现了地表温度求解。

The data can Explore global temperatures since 1750,and the raw data comes from the Berkeley Earth data page. 数据集探索自1750年以来全球温度，以及其原始数据来自“伯克利地球”数据页面。 GlobalTemperatures.csv GlobalLandTemperaturesByCountry.csv GlobalLandTemperaturesByMajorCity.csv GlobalLandTemperaturesByState.csv GlobalLandTemperaturesByCity.csv