Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 3. С. 96-108
Эффективность методик извлечения температуры подстилающей поверхности из данных Landsat на примере ландшафтов севера Сибири
А.А. Карсаков 1 , Е.И. Пономарёв 1 1 Красноярский научный центр СО РАН, Красноярск, Россия
Одобрена к печати: 25.03.2026
DOI: 10.21046/2070-7401-2026-23-3-96-108
Температура поверхности суши LST (англ. Land Surface Temperature) считается одной из важнейших характеристик, определяемых дистанционными средствами, которая используется в оценке состояния природных компонент экосистем и теплообмена в системе «почва – растительность – атмосфера». В работе выполнены оценки эффективности восстановления LST с использованием различных методик на основе многолетних данных Landsat. Анализировались фиксируемые диапазоны LST для характерных ландшафтов криолитозоны севера Сибири. Показано, что методики, основанные на уравнении радиационного переноса RTE (англ. Radiative Transfer Equation), демонстрируют высокую внутреннюю согласованность для естественных ландшафтов (средний коэффициент вариации CV = 4,2…6,8% (англ. Variation Coefficient), смещение медиан ≤1,2 °C). Степень неопределённости возрастает для класса инфраструктуры (CV = 12,4…15,7%) из-за особенностей зависимых от нормализованного относительного индекса растительности NDVI (англ. Normalized Difference Vegetation Index) моделей излучательной способности для интразональных категорий (при NDVI = 0,21…0,48). Методика, реализованная в геоинформационной системе QGIS (англ. Quantum Geographic Information Systems) SCP (англ. Semi-Automatic Classification Plugin), проявляет систематическое занижение значений LST относительно RTE-подходов (до –40% в 2022 г.), что указывает на ограниченную применимость встроенной модели излучательной способности поверхности LSE (англ. Land Surface Emissivity) для ландшафтов криолитозоны. Показано, что мониторинг динамики теплового состояния инфраструктурно преобразованных ландшафтов в арктических условиях наиболее эффективно описывает методика (Sobrino et al., 2008) в комбинации с альтернативными RTE-подходами для оценки уровня неопределённости. Применение QGIS SCP требует предварительной калибровки на локальных данных. Полученные результаты могут быть использованы для оптимизации алгоритмов обработки спутниковых данных в задачах экологического мониторинга ландшафтов севера Сибири.
Ключевые слова: Land Surface Temperature, LST, спутниковая съёмка, подстилающая поверхность, ландшафт, криолитозона, техногенная трансформация ландшафта, нефтегазовый комплекс
Полный текстСписок литературы:
- Анисимов О. А., Жирков А. Ф., Шерстюков А. Б. Современные изменения криосферы и природной среды в Арктике // Арктика. XXI век. Естествен. науки. 2015. № 2 (3). С. 24–47.
- Горный В. И., Бровкина О. В., Киселев А. В., Тронин А. А. Тенденции развития дистанционных методов при решении задач геологии и экологической безопасности // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 2. С. 9–38. DOI: 10.21046/2070-7401-2023-20-2-9-38.
- Каверин Д. А., Лаптева Е. М., Щанов В. М. и др. Геоинформационный анализ климатических условий криолитозоны европейского Северо-Востока России // Криосфера Земли. 2019. Т. 23. № 4. С. 68–78. DOI: 10.21782/KZ1560-7496-2019-4(68-78).
- Карсаков А. А., Пономарев Е. И. Дистанционный мониторинг теплового состояния подстилающей поверхности в контексте техногенных трансформаций // Биосфера. 2024. Т. 16. № 1. С. 20–29.
- Кобышева Н. В., Акентьева Е. М., Богданова Э. Г., Карпенко В. Н., Клюева М. В., Липовская В. Н., Лугина К. М., Разова Е. Н., Семенов Ю. А., Стадник Е. В., Хафизуллин К. Ш. Климат России: моногр. / под ред. Н. В. Кобышевой. СПб.: Гидрометеоиздат, 2001. 654 с.
- Матишов Г. Г., Дженюк С. Л., Моисеев Д. В. Климат и большие морские экосистемы Арктики // Вестн. Российской акад. наук. 2017. Т. 87. № 2. С. 110–120. DOI: 10.7868/S0869587317020086.
- Трофимова И. Е., Балыбина А. С. Районирование Западно-Сибирской равнины по термическому режиму почв // География и природ. ресурсы. 2015. № 3. С. 27–38.
- Якимов Н. Д., Пономарёв Е. И., Пономарёва Т. В. Изменение спектральных индексов в контексте природных и техногенных трансформаций ландшафтов // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 4. С. 131–140. DOI: 10.21046/2070-7401-2024-21-4-131-140.
- Becker F., Li Z.-L. Towards a local split window method over land surfaces // Intern. J. Remote Sensing. 1990. V. 11. No. 3. P. 369–393. DOI: 10.1080/01431169008955028.
- Congalton R. G. A review of assessing the accuracy of classifications of remotely sensed data // Remote Sensing of Environment. 1991. V. 37. No. 1. P. 35–46. DOI: 10.1016/0034-4257(91)90048-B.
- Congedo L. Semi-Automatic Classification Plugin: A Python tool for the download and processing of remote sensing images in QGIS // J. Open Source Software. 2021. V. 6. No. 64. Article 3172. DOI: 10.21105/joss.03172.
- Li S., Jiang G.-M. Land surface temperature retrieval from Landsat-8 data with the generalized split-window algorithm // IEEE Access. 2018. V. 6. P. 18149–18162. DOI: 10.1109/ACCESS.2018.2818767.
- Li Z.-L., Tang B.-H., Wu H. et al. Satellite-derived land surface temperature: Current status and perspectives // Remote Sensing of Environment. 2013. V. 131. P. 14–37. DOI: 10.1016/j.rse.2012.12.008.
- Ponomareva T. V., Litvintsev K. Y., Finnikov K. A. et al. The variability in the thermophysical properties of soils for sustainability of the industrial-affected zone of the Siberian Arctic // Sustainability. 2025. V. 17. No. 19. Article 8892. DOI: 10.3390/su17198892.
- Sayler K., Zanter K. Landsat 8 Collection 2 (C2) Level 2 Science Product (L2SP) Guide. Version 2.0. Sioux Falls, South Dakota: U. S. Geological Survey, 2020. 43 p.
- Sekertekin A., Bonafoni S. Land Surface Temperature retrieval from Landsat 5, 7, and 8 over rural areas: Assessment of different retrieval algorithms and emissivity models and toolbox implementation // Remote Sensing. 2020. V. 12. No. 2. Article 294. DOI: 10.3390/rs12020294.
- Skoković D., Sobrino J. A., Jiménez-Muñoz J. C., Soria G., Julien Y., Mattar C., Cristobal J. Calibration and validation of land surface temperature for Landsat-8 TIRS sensor // Proc. ESA/ESRIN Workshop: Land Product Validation Evolution. Frascati: ESA/ESRIN, 2014. V. 27. P. 6–9.
- Sobrino J. A., Jiménez-Muñoz J. C., Sòria G. et al. Land surface emissivity retrieval from different VNIR and TIR sensors // IEEE Trans. Geoscience and Remote Sensing. 2008. V. 46. No. 2. P. 316–327. DOI: 10.1109/TGRS.2007.904834.
- Tucker C. J. Red and photographic infrared linear combinations for monitoring vegetation // Remote Sensing of Environment. 1979. V. 8. No. 2. P. 127–150. DOI: 10.1016/0034-4257(79)90013-0.
- Valor E., Caselles V. Mapping land surface emissivity from NDVI: Application to European, African, and South American areas // Remote Sensing of Environment. 1996. V. 57. No. 3. P. 167–184. DOI: 10.1016/0034-4257(96)00039-9.
- Walker D. A., Raynolds M. K., Daniëls F. J. A. et al. The Circumpolar Arctic vegetation map // J. Vegetation Science. 2005. V. 16. No. 3. P. 267–282. DOI: 10.1111/j.1654-1103.2005.tb02365.x.
- Wan Z., Dozier J. A generalized split-window algorithm for retrieving land-surface temperature from space // IEEE Trans. Geoscience and Remote Sensing. 1996. V. 34. No. 4. P. 892–905. DOI: 10.1109/36.508406.
- Yu X., Guo X., Wu Z. Land surface temperature retrieval from Landsat 8 TIRS—Comparison between radiative transfer equation-based method, split window algorithm and single channel method // Remote Sensing. 2014. V. 6. No. 10. P. 9829–9852. DOI: 10.3390/rs6109829.
- Zhirkov A., Sivtsev M., Lytkin V. et al. An assessment of the possibility of restoration and protection of territories disturbed by thermokarst in Central Yakutia, Eastern Siberia // Land. 2023. V. 12. Article 197. DOI: 10.3390/land12010197.
- Zhou D., Xiao J., Bonafoni S. et al. Satellite remote sensing of surface urban heat islands: Progress, challenges, and perspectives // Remote Sensing. 2019. V. 11. No. 1. Article 48. DOI: 10.3390/rs11010048.