2。3、神经网络

神经网络法是一种不需要建立气温与地表温度、亮度、地表特性等因素的相互关系，而是依赖于大量的已知输入数据，如植被覆盖度和地表温度、地形因子、气象观测站水平压及平均大气压等参数，通过这些数据直接建立气温与输入参数之间的关系，反演得到气温的方法。 神经网络方法具有良好的自适应样本数据能力和很强的容错能力，此外它还具有固有的非线性特性，在建立数据之间的非线性关系时表现出良好的优越性。由于神经网络是无法用数学函数表达的网络模型，并且依赖大量已知数据，因此反演方法较为复杂。人工神经网络是人工智能的重要组成部分，目前已经在土地利用遥感分类、生物物理参数遥感反演等领域得到了广泛的应用。人工神经网络发展至今已经趋向成熟，现在已经建立多种神经网络的方法，而其中应用最广泛的是误差反向传递神经网络，简称 BP 神经网络。

2。4、温度-植被指数法

温度-植被指数法是一种假设冠层地表温度等于冠层内地表气温的情况下，利用遥感图像预处理后建立植被指数与地表温度之间线性关系，以及在空间尺度上遥感反演来大概获取近地表气温的过程。在使用温度-植被指数法时，由于其仅仅以遥感变量作为反演参数使得反演过程较为简单，但是该方法的缺点是：对于植被覆盖度低或者无覆盖区域不能进行温度反演。其次即使用遥感参数获得的结果也会因为不同植被类型、指数饱和值以及覆盖度的影响，很难达到较高精度。

2。5、能量平衡法论文网

    地表能量平衡法首先是研究显热通量和潜热通量之间的关系，然后利用这种关系建立地表温度与气温之间的反演模型。具体反演方程如下：

    首先假设地表条件一致，则土壤热通量于净辐射的关系如公式4，而显热通量的计算公式为5。通过两者的关系推导，再结合能量平衡方程可以得到公式6。     

    由于这种反演方法具有可移植性和普遍使用性成为选择反演的优点，但是该反演模型需要的各参数难以直接获取，即使获取各种因子也是由于计算复杂容易造成系统误差。

2。6、大气温度廓线外推法

    根据大气温度在对流层内随着高程的变化而变化的性质，进行温度数据分析并总结的过程就是大气温温度轮廓线。首先可以利用遥感探测获取的大气温度轮廓线和不同气压水平上的高程数据建立线性回归方程，其结果分析可外推得到表层气温。目前的全球大气温度廓线的精度与全球陆地空气球的探测精度相当，而且这种方法不仅仅对陆地的探测，还包括沙漠、海洋、山区和极地等无人居住区域。同时计算过程比较简单，方法容易操作。但是大气廓线反演精度受限于空间分辨率。

3 基于Landsat7 ETM数据大气校正法

   我们利用辐射传输方程进行温度反演时首先要考虑大气对地表热辐射。因为遥感图像的成像过程主要来自地表辐射能量，而地标辐射能量是辐射太阳辐射得到的，当太阳辐射透过大气射到地球表面，地表物质通过吸收太阳辐射能量后开始升温并以热能储存，同时辐射热红外辐射能量被卫星传感器接收。所以传感器获取的辐射能量主要是太阳透过大气热红外波段的透过率、太阳辐射没有透过大气被向上辐射亮度、大气向下辐射亮度值等因素组成。因此在具体反演研究中要把大气影响从卫星传感器接收的热辐射总量中减去，以此得到地表辐射强度，再利用反演方法把热辐射强度转化为具体研究区域的真实地表温度。利用大气校正反演地表温度的优点是：在分析各种影响因素时可以把大气对辐射面的热传导的影响看成常量,这样所要反演的温度的变化仅仅与遥感卫星接收到的亮度温度值有线性关系,以此反演的地表温度不受当地大气及地面等因素变化的影响。此外如果采取的遥感数据质量很好，因此对热红外波段的预处理时，可以把气溶胶的吸收和散射通常可以忽略。还存在一点不足时大气中不同因素对不同波长的地表辐射能的干扰程度不一样，因此要用大气校正反演地表温度要选择合适的传感器测定的热红外波段。文献综述