landsat8逐月尺度LST数据计算

### 如何使用Landsat 8数据进行逐月地表温度(LST)计算

#### 数据准备
为了利用Landsat 8数据来计算逐月的地表温度（LST），首先需要获取Level-1级的Landsat 8影像。这些原始影像可以通过美国地质调查局(USGS)地球资源观测系统数据中心(EROS)的数据分发服务获得[^1]。

#### 预处理
下载后的图像需经过预处理阶段，这通常涉及辐射校正、大气校正以及云检测等操作。对于大气校正而言，可以采用像DARK OBJECT SUBTRACTION (DOS) 或者基于物理模型的大气校正方法如MODTRAN或6S算法。完成此过程后，得到的是表面反射率产品而不是最初的DN值(Digital Number)。

#### 计算亮温
一旦拥有了经过去条带噪声和平滑处理过的高质量输入文件，则可依据特定波段组合来进行亮度温度转换。针对Landsat 8 OLI/TIRS传感器来说，推荐使用TIRS热红外感应器所记录下来的短波红外线(SWIR)通道10和11来估算发射率并最终求得LST。具体公式如下所示：

import numpy as np

def calculate_brightness_temperature(dn, k1, k2):
    """Calculate brightness temperature from digital numbers."""
    radiance = dn * gain + bias  # Convert DN to TOA spectral radiance
    bt = k2 / np.log(k1/radiance + 1) - 273.15  # Calculate BT and convert Kelvin to Celsius
    return bt

其中`k1`, `k2`分别为两个由NASA提供的常数；而增益(gain)与偏置(bias)则取决于具体的子午仪轨道编号及其对应的探测器响应特性。

#### 发射率估计
由于不同物质具有不同的发射性质，在实际应用中还需要考虑目标物体的真实发射情况。一般情况下会借助辅助资料比如植被指数(NDVI)，通过查找表(LUT)的方式近似给出各个像素点处最可能存在的材料类别进而推断其平均发射效率。此外也可以直接读取来自同一景影像内已知样本区域的信息作为参考标准。

#### 时间序列构建
当每个月份都获得了相应的单幅LST地图之后，就可以着手建立长时间跨度内的动态变化趋势分析了。此时如果想要进一步简化工作流程的话，不妨尝试调用Google Earth Engine(GEE)平台所提供的API接口执行自动化批量化任务——即先设定好筛选条件自动检索符合条件的历史存档图片集，再依次对其实施上述提到的一系列变换步骤直至产出最终成果为止[^2]。