LST数据集介绍与下载

本文主要是介绍LST数据集介绍与下载，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、LST数据集

20个LST数据产品
中国陆域及周边逐日1km全天候地表温度数据集（TRIMS LST；2000-2022）

GLASS地表温度产品（Land Surface Temperature，简称LST）
GLASS产品集目前有二套瞬时LST产品。第一套是利用一种多算法集成方法，针对单一反演算法在大观测角度和高水汽含量情况下反演精度低的问题，将9种常见的分裂窗算法采用集成方法构建LST多算法集成反演模型。另一套AVHRR LST产品是基于一个改进型通用劈窗算法(Liu等，2019)。该算法是在通用劈窗算法的基础上增加了两个热红外通道亮温差的二次项，进而提高了原算法在高水汽含量下的反演精度。
马里兰大学GLASS产品

MODIS——NASA
TERRA为上午星，从北向南于地方时10:30左右通过赤道，AQUA为下午星，从南向北于地方时13：30左右通过赤道。主要下载的是MOD A11全球1km数据( MOD11 A1为地表温度和发射率日产品，产品己经进行了几何校正与辐射校正，投影坐标为球面曲线正弦投影，空间分辨率为1000m。
MODIS与Landsat获取LST数据

GEE——Modis_LST地表温度产品时间序列分析
Landsat
Landsat Land Surface Temperature线上交互
Landsat轨道查询

二、 GEE下载10mLST

GEE在2021年的时候就已经将Landsat8数据整合到C02数据集中, Landsat8数据的L2级产品的热红外波段ST_B10就直接对应着地表温度，只需简单计算即可获取摄氏度

var geometry = ee.FeatureCollection("projects/ee-wn1206/assets/beijing_urban").geometry();// A function that scales and masks Landsat 8 (C2) surface reflectance images.function prepSrL8(image) {// Bit 0 - Fill// Bit 1 - Dilated Cloud// Bit 2 - Cirrus// Bit 3 - Cloud// Bit 4 - Cloud Shadow// Develop masks for unwanted pixels (fill, cloud, cloud shadow).var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);//this is what is used ,this is cloud maskvar saturationMask = image.select('QA_RADSAT').eq(0);//0=no saturation// Apply the scaling factors to the appropriate bands.var getFactorImg = function(factorNames) {var factorList = image.toDictionary().select(factorNames).values();return ee.Image.constant(factorList);};var scaleImg = getFactorImg(['REFLECTANCE_MULT_BAND_.|TEMPERATURE_MULT_BAND_ST_B10']);var offsetImg = getFactorImg(['REFLECTANCE_ADD_BAND_.|TEMPERATURE_ADD_BAND_ST_B10']);var scaled = image.select('SR_B.|ST_B10').multiply(scaleImg).add(offsetImg);// Replace original bands with scaled bands and apply masks.return image.addBands(scaled, null, true).updateMask(qaMask).updateMask(saturationMask);}//scale function for landsat 4,5,7function maskL457sr(image) {// Bit 0 - Fill// Bit 1 - Dilated Cloud// Bit 2 - Unused// Bit 3 - Cloud// Bit 4 - Cloud Shadowvar qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);var saturationMask = image.select('QA_RADSAT').eq(0);// Apply the scaling factors to the appropriate bands.var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);var thermalBand = image.select('ST_B6').multiply(0.00341802).add(149.0);// Replace the original bands with the scaled ones and apply the masks.return image.addBands(opticalBands, null, true).addBands(thermalBand, null, true).updateMask(qaMask).updateMask(saturationMask);}//select year// var selectyear = 2019// Landsat 8 Collection 2 surface reflectance images of interest:2013-2020var dataset = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterBounds(geometry).filter(ee.Filter.calendarRange(2020, 2022, 'year'))// .filterDate(selectyear+'-03-01', selectyear+'-05-30')//.filter(ee.Filter.calendarRange(1, 2, 'month')).filter(ee.Filter.or(ee.Filter.calendarRange(12, 12, 'month'),ee.Filter.calendarRange(1, 2, 'month'))// .filter(ee.Filter.eq('TARGET_WRS_ROW', 32)).filter(ee.Filter.eq('TARGET_WRS_PATH', 123)).filter(ee.Filter.lt('CLOUD_COVER', 20))print(dataset);var LSTcol=dataset.map(prepSrL8).select('ST_B10').mean().clip(geometry);//.reduce(ee.Reducer.percentile([50]))//对某个图像集合或图像进行中位数计算，返回一个新的图像或图像集合Map.centerObject(geometry)  Map.addLayer(geometry)Map.addLayer(LSTcol, {min: 260,max: 310, palette:['blue', 'cyan', 'green', 'yellow', 'red']}, 'LST8');print(LSTcol,"LSTcol") Export.image.toDrive({image: LSTcol,description: 'LST_winter',scale: 30,folder: "L8_beijing_LST",region: geometry,maxPixels: 1e13,crs: "EPSG:4326",fileFormat: 'GeoTIFF'
});