地表温度和发射率是热红外遥感的关键变量，其反演属于典型的病态问题，也是定量热红外遥感的核心内容。大气校正和温度与发射率分离（TES）是地表温度和发射率同步反演的两个关键步骤。

经典的ASTER TES算法利用再分析大气廓线计算大气校正参数，并通过经验关系分离地表温度和发射率，是应用最广泛的地表温度与发射率同步反演算法，已被用于生成MODIS (Hulley and Hook, 2011)、VIIRS (Islam et al., 2017)、Himawari-8 (Zhou and Cheng, 2020)、SDGSAT-1 (Liu and Cheng, 2024)等地表发射率产品。该算法在发射率光谱反差大的地物（如土壤、沙子等）具有较高精度（~0.015），而在光谱反差小的地物（如植被、水体等）误差较大。此外，课题组前期研究结果表明，ASTER、MODIS等地表发射率产品无法表征植被丰度的季节变化（Cheng et al., 2016）。为此，课题组开展了系统研究：

（1）大气校正算法发展

水汽缩放方法（WVS）算法能够显著提高湿热大气条件下的大气校正精度，被引入MODIS TES算法(Hulley and Hook, 2011)，用于灰体（高发射率像元）的大气校正，非灰体像元的大气校正通过对灰体像元大气校正参数空间插值实现。通过将WVS算法拓展至非灰体（低发射率像元），实现了逐像元大气校正，为后续的地表温度与发射率分离提供了关键技术支撑(Zhou and Cheng, 2020)。为消除WVS算法对外部发射率背景场的依赖，发展了优化水汽缩放方法（oWVS）(Liu and Cheng, 2025)，实现了不依赖外部发射率背景场的非灰体像元大气校正。图1展示了WVS算法在地表温度反演中的效果。

图1. WVS算法对TES算法地表温度反演精度的影响：(a) 灰体像元；(b) 非灰体像元

（2）水体等灰体地表TES算法评估

OSTES (Pivovarní et al., 2016)与TESNC (Miao et al., 2019)算法通过引入多通道亮度温度与地表发射率之间的线性/非线性物理关联，并以普朗克辐射关系构建强约束，实现了反演逻辑的重构。这两种算法在理论上具有先进性，但其在真实场景下的性能仍缺乏系统性评估。Xiao et al. (2025)利用青藏高原六个大型湖泊的长时间序列实测数据开展了系统评估。图2展示的是上述算法反演发射率以及MOD21发射率与真实发射率的对比。其中，TESNC算法反演的地表发射率跟真实发射率最接近，其三个波段的平均RMSE为0.005，显著优于传统TES算法（RMSE=0.01），也优于MODIS官方产品（RMSE=0.012）。

图2.不同TES算法反演水体发射率以及MOD21发射率评估

（3）MMD约束的植被覆盖地表TES算法

传统TES算法使用光谱库中的叶片光谱表征植被，建立经验关系，导致植被覆盖像元的地表发射率被低估。采用冠层发射率光谱代替原叶片光谱建立经验关系，能够有效改善TES反演效果，将植被覆盖像元的地表温度反演精度提升约0.165 K，地表发射率反演精度提升0.004 (Zhou and Cheng, 2020)。尽管新的关系可以提升植被覆盖像元发射率的反演精度，但因大气校正残差以及传感器噪声等因素引起的MMD异常波动，导致发射率不能反映植被丰度季节变化的问题仍然没有解决。

面向植被覆盖像元，在TES算法的MMD模块中引入了植被丰度调控的物理合理上限，以限制异常MMD对反演结果的误差传播，发展了MMD约束的植被像元TES算法（MMD-constrained TES，MCTES）。基于模拟的冠层发射率光谱，统计了不同LAI对应MMD的Wilks单侧上容忍限，将其作为MMD的物理合理上限，并构建LAI–MMD查找表（图3），用于在反演过程中对植被覆盖像元的MMD施加随植被丰度变化的上限约束（Liu and Cheng, 2026）。

图3. 植被覆盖样本发射率光谱及LAI-MMD统计关系

基于鹤壁市冬小麦田以及西班牙瓦伦西亚水稻田的野外实测发射率的验证结果表明，MCTES算法反演的地表发射率在各波段的偏差均小于0.01，优于MxD21的~0.02（图4）。

图4. 地表发射率验证结果：(a)鹤壁市冬小麦田; (b)西班牙瓦伦西亚水稻田

在SURFRAD植被覆盖站点开展了地表温度验证。相较于MYD21地表温度，MCTES算法反演的地表温度偏差由0.99 K改善到0.32 K，RMSE由2.76 K改善到2.65 K（图5）；反演的地表发射率表现出显著的季节性变化，全年存在短期波动。尽管其随时间的变化并不严格跟随LAI的增减而单调变化，但其总体趋势与植被丰度的变化保持一致（图6）。

图5. 地表温度验证结果

图6. SURFRAD植被覆盖站点的MODIS地表发射率年变化及其与植被动态的关系（从左至右依次为：MCTES、MYD21和MYD11反演的地表发射率）

       上述研究有效解决了水体、植被等低光谱对比度地物的发射率反演问题，完善了TES算法体系。

参考文献

Cheng, J., Liang, S., Verhoef, W., Shi, L., & Liu, Q. (2016). Estimating the Hemispherical Broadband Longwave Emissivity of Global Vegetated Surfaces using a Radiative Transfer Model. IEEE Transactions on Geoscience and Remote Sensing, 54, 905-917

Liu, W., Cheng, J., & Dong, L. (2025). Land surface temperature retrieval from FY-3E/MERSI using an optimized water vapor scaling method. GIScience & Remote Sensing, 62, 2507439

Liu, W., & Cheng, J. (2026). An improved temperature and emissivity separation algorithm for vegetated surfaces with constrained emissivity spectral contrast. Remote Sensing of Environment, 340, 115426

Xiao, M., Zhou, S., & Cheng, J. (2025). Comparison of Three Temperature and Emissivity Separation Algorithms for Graybodies with Low Spectral Contrast: A Case Study on Water Bodies. Remote Sensing, 17, 455

Zhou, S., & Cheng, J. (2020). An improved temperature and emissivity separation algorithm for the advanced Himawari imager. IEEE Transactions on Geoscience and Remote Sensing, 58(10), 7105-7124