Можно ли доверять спутниковым измерениям температуры земли

Летом 2022 года в алтайских степях лежащий на грунте датчик зафиксировал рекордные +48 °C. В то же время пролетавший над этой же локацией спутник Aqua насчитал около +33. Чьим показаниям верить и насколько в действительности корректна «орбитальная» термометрия?

Меня зовут Александра. В 2024 году я посвятила этому свою дипломную работу в ВКИ НГУ, а спустя два года практики в роли DevOps‑инженера решила взглянуть на то исследование под новым углом и поделиться результатами.

Спутниковые карты температурных режимов активно задействуют агрономы, климатологи, гидрологи и сотрудники МЧС. Их достоинство очевидно: один снимок охватывает огромные территории, тогда как наземный метеопост фиксирует лишь локальные значения. Однако космический аппарат не измеряет тепло напрямую — он улавливает инфракрасный спектр сквозь толщу атмосферы с семисоткилометровой высоты, после чего специализированные алгоритмы переводят эти данные в градусы. Именно поэтому любые орбитальные замеры нуждаются в наземной калибровке, которая в науке называется валидацией.

В материале я подробно разберу, как сопоставляла информацию со спутников MODIS (платформы Terra и Aqua) и Landsat 8 с показаниями полевых датчиков, к каким расхождениям пришла и с какими подводными камнями столкнулась. Весь программный код опубликован на GitHub.

Определяемся с объектом измерения

Из космоса фиксируется температура именно земной поверхности, а не окружающего воздуха. В профильной литературе этот параметр обозначается как LST (Land Surface Temperature) — он отражает степень нагрева верхнего почвенного горизонта, камней или растительности. Метеостанции же и прогнозы погоды оперируют температурой воздуха на двухметровой высоте. Это принципиально разные физические величины.

В моем распоряжении были оба типа метрик: на каждом участке функционировали почвенный и воздушный датчики. Ниже приведены их показатели за период с 15 июля по 27 октября 2022 года (замеры производились каждые 4 часа, поэтому часть дневных экстремумов осталась вне выборки):

Площадка	Поверхность, макс., °C	Воздух, макс., °C	Превышение тепла почвы над воздухом днем в среднем, °C	Максимальный разброс, °C
А1	45,5	27,5	10,8	25,5
А2	46,5	33,5	6,5	17,5
А3	42,5	28,5	7,8	21,5
А6	41,5	28,5	9,4	18,5
А9	41,0	33,0	4,3	13,5

В ясный день почва прогревается сильнее воздуха на 10–25 градусов. Ночью эта разница нивелируется, составляя в среднем 0,4–3 °C. Кроме того, земной покров демонстрирует колоссальную динамику. Суточная амплитуда на точке А1 достигала 31 °C, а 4 августа 2022 года составила рекордные 42 °C: от ночных +6,5 до дневных +48,5 °C.

Отсюда следует ключевой вывод: сопоставлять спутниковую LST с синоптическими прогнозами температуры воздуха бессмысленно. Верификацию можно проводить исключительно с помощью датчика, размещенного на той же подстилающей поверхности.

Тестовый полигон: высокогорные степи юго-восточного Алтая

Полевые сведения были собраны в летне-осенний сезон 2022 года сотрудниками Института почвоведения и агрохимии СО РАН специально для моего диплома. Исследуемые участки располагаются в диапазоне 49,85°–50,21° с. ш. и 87,8°–89,0° в. д., на территории Чуйской котловины в Республике Алтай. Данная локация идеальна для валидационных процедур благодаря обилию солнечных дней, скудной растительности и суровому резко континентальному климату.

Всего использовалось 10 точек (от А1 до А10). На большинстве из них были установлены миниатюрные автономные логгеры DS-1921 Thermochron размером с монетку:

• прибор «M» фиксировал температуру почвы ежечасно для сверки с MODIS;

• датчик «ML» также располагался на грунте, но производил замеры раз в 4 часа (использовался для MODIS и Landsat);

• контрольный прибор «B» измерял параметры воздуха.

Каждый датчик «M» накопил по 2048 часовых записей в период с 15 июля по 8 октября 2022 года. На «ML» и «B» пришлось примерно по 630 замеров вплоть до 27 октября. На выходе формировались лаконичные табличные файлы с тремя столбцами: дата, время и температурный показатель.

Сравнение космических аппаратов: детализация против периодичности

В исследовании задействованы два типа систем. Радиометр MODIS установлен на двух аппаратах NASA (Terra и Aqua), а Landsat 8 оснащен специализированным тепловым сенсором TIRS. Они по-своему разрешают классическую дилемму дистанционного зондирования: либо высокая частота снимков, либо детальное разрешение.

	Terra / MODIS	Aqua / MODIS	Landsat 8
Каталог Earth Engine	MOD11A1.061	MYD11A1.061	LANDSAT/LC08/C02/T1_L2
Линейный размер пикселя	1 км	1 км	30 м (термоканал транслируется в 100 м)
Периодичность съемки	Дважды в сутки	Дважды в сутки	Раз в 16 дней
Примерное местное солнечное время	~10:30 и ~22:30	~13:30 и ~01:30	Около 10–11 утра

MODIS гарантирует регулярность съема данных, позволяя анализировать ночные, утренние и дневные пики. Однако один пиксель охватывает целый квадратный километр, тогда как наземный датчик анализирует пятно размером с ладонь. У Landsat пиксель в разы компактнее, однако за трехмесячный интервал над точкой набирается лишь пара‑тройка безоблачных кадров.

Оба набора данных предварительно прошли атмосферную коррекцию, поэтому в ячейках хранятся не «сырые» потоки излучения, а готовые значения в кельвинах, представленные целыми числами. Для перевода в градусы Цельсия применяется масштабирование и смещение. Для продуктов MODIS формула выглядит как × 0,02 − 273,15, а для Landsat — × 0,00341802 + 149 − 273,15. Без внимательного изучения документации в GEE на этом этапе легко допустить ошибку.

Методика сопоставления космоса и земли

Раньше подобные проверки выполнялись вручную: специалисты выгружали снимки, отыскивали нужные пиксели, сводили массивы в таблицы Excel и сопоставляли с полевыми логами. Я разработала автоматизированный Python-модуль, решающий эту задачу в один клик.

Шаг 1. Экстракция спутниковых метрик. Скачивать гигабайты растров не требуется: платформа Google Earth Engine позволяет точечно извлекать значение пикселя. Запрос для Aqua реализован следующим образом:

import ee
ee.Initialize() # укажите ваш идентификатор проекта Google в скобках (project="your-project-id")

point = ee.Geometry.Point([88.58833, 50.02446])  # координаты точки: долгота и широта

def to_celsius(img):
    lst = img.select('LST_Day_1km').multiply(0.02).subtract(273.15)
    return img.addBands(lst, overwrite=True)

col = (ee.ImageCollection('MODIS/061/MYD11A1')
       .filterBounds(point)
       .filterDate('2022-07-15', '2022-10-08')
       .map(to_celsius))

samples = col.map(lambda img: img.sampleRegions(collection=point, scale=1000)).flatten()

Помимо температуры, я выгружала служебные метаданные: Day_view_time (фактический час съемки), Day_view_angle (угол наклона сенсора), параметры излучательной способности и индекс облачности. Пиксели, закрытые облаками, отсеивались с помощью масок качества, поскольку приборы фиксируют температуру верхней границы облачности, а не земной поверхности.

Шаг 2. Синхронизация пар. Для каждого кадра скрипт подбирает наиболее близкий по времени наземный замер. Если временной разрыв укладывается в заданный допуск (к примеру, 35 или 120 минут), пара «спутник — земля» допускается к дальнейшему анализу.

Шаг 3. Расчет погрешностей. Использовались две ключевые метрики:

RMSE демонстрирует среднюю величину отклонения независимо от знака. MBE выявляет систематический сдвиг: отрицательное значение указывает на занижение показателей со стороны спутника, положительное — на завышение. Если величина RMSE высока, а MBE близок к нулю, перед нами случайные погрешности. Если же они сопоставимы по модулю, система стабильно ошибается в определенную сторону, что поддается математической корректировке.

Шаг 4. Генерация отчета. Программа автоматически строит графики, выполняет регрессионный анализ, генерирует интерактивную карту в библиотеке folium и формирует итоговые документы в форматах Excel и PDF.

Результаты: спутник точно отслеживает динамику, но сглаживает экстремумы

Дневные замеры со спутника Aqua в подавляющем большинстве случаев уступали показаниям наземных датчиков. Ниже представлены сопоставленные пары с временным допуском в 120 минут за июль–октябрь 2022 года.

На верхнем графике красная линия (спутник) практически ежедневно пролегает ниже синей (земные измерения). Нижний график раскрывает закономерности детальнее. Уравнение регрессии имеет вид y = 0,71x + 3,77 при коэффициенте детерминации R² = 0,79.

Что это означает на практике:

• R² = 0,79 свидетельствует о том, что космический аппарат отлично улавливает общие тенденции. Периоды потепления и осеннего похолодания синхронно отображаются на обоих графиках.

• Угловой коэффициент 0,71 указывает на то, что спутник сжимает температурный диапазон. Каждое дополнительное градусное приращение на почве отражается на орбите как 0,7 градуса.

• Исходя из формулы, при реальных +30 °C на грунте приборы покажут около +25 °C, а при +45 °C — примерно +36 °C. Иными словами, чем сильнее жара, тем заметнее занижение.

• Графики пересекаются в районе +13 °C. В прохладные часы погрешность минимальна, либо фиксируется легкое завышение.

Сводные метрики из отчетов модуля (где MBE рассчитывается как разница между спутниковыми и наземными данными, а знак минус означает занижение):

Источник	Локация	Временное окно	Количество пар	RMSE, °C	MBE, °C
Landsat 8	А4	—	9	1,24	+0,60
Aqua, ночь	А3	120 мин	19	2,97	−1,65
Terra, день	А1	25 мин	9	3,58	−2,58

Наибольшую точность продемонстрировал Landsat: его погрешность чуть превышает один градус, причем это единственный случай с легким завышением. MODIS ошибается в 2,5–3 раза сильнее и стабильно демонстрирует занижение (к примеру, дневная Terra оказалась холоднее грунта в 8 случаях из 9). Это подтверждает тезис о том, что километровый пиксель сглаживает локальные температурные аномалии.

Стоит сделать оговорку: выборка невелика (9–19 пар), а расчеты велись для конкретных точек и временных окон, поэтому приведенные цифры носят иллюстративный характер. Ночные сессии Terra и дневные Aqua в рамках дипломного проекта не рассчитывались.

Для проверки корректности разработанного модуля я сопоставила его работу с результатами ручной валидации, выполненной моим научным руководителем Е. А. Мамаш для двух точек в разное время суток:

Аппарат	Точка	Время суток	Пар	Смещение, °C	RMSE, °C	R²
Terra	2	день	22	-0,92	2.47	0,64
Terra	3	день	21	-0,09	2.53	0,63
Terra	2	ночь	21	-1,82	2.70	0,61
Terra	3	ночь	23	-2,30	2.71	0,84
Aqua	2	день	27	-1,65	3.36	0,37
Aqua	3	день	21	-1,50	2.45	0,73
Aqua	2	ночь	24	-0,80	2.84	0,53
Aqua	3	ночь	22	-0,85	2.09	0,73

У спутника Terra среднее смещение составило -1,28 °C при RMSE 2,60 °C, у Aqua — -1,20 °C и 2,68 °C соответственно. Тренды полностью совпали с моими расчетами: MODIS дает погрешность в 2–3,5 градуса с тенденцией к занижению. Следовательно, скрипты не привносят систематических ошибок, а расхождения обусловлены различиями в локациях, фильтрах и временных окнах.

Для контекста: международные исследования валидации MODIS Collection 6 на станциях США, Португалии, Китая и Намибии (Duan et al., 2019) обычно фиксируют RMSE ниже 2 K. В то же время арктические проверки с термохронами показали RMSE 3,1 °C и смещение -3,4 °C. Мои результаты для высокогорной степи ближе ко второму сценарию.

Типичные ошибки исследователя, а не космической техники

Адаптируя диплом для статьи, я выявила несколько уязвимых мест в своей методологии, способных исказить результат на несколько градусов. О них стоит упомянуть, чтобы уберечь других от подобных промахов.

1. Специфика расчета времени пролета

Это стало главным камнем преткновения. Параметр Day_view_time в MODIS отражает местное солнечное время, тогда как логгеры фиксируют стандартное гражданское. На Алтае действует часовой пояс UTC+7, а солнечное время на меридиане 88,6° приблизительно соответствует UTC+5:54 — разница превышает час.

Утренний прогрев почвы идет стремительно. По часовым замерам точки А1 прирост между 9 и 10 часами составляет 6–7 °C, а в отдельные дни скачки достигают 18 °C. Если сопоставить кадр Terra за 10:30 с показателем датчика за неверный час, погрешность сразу вырастет на несколько градусов.

В скриптах для Landsat я переводила временные метки в UTC+7, тогда как для MODIS сопоставляла солнечное время напрямую с показаниями приборов, а двухчасовое окно допуска добавляло дополнительный разброс.

2. Агрессивная фильтрация корректных данных

Стремясь отсеять сбои оборудования, я изначально отбросила значения за пределами диапазона 0–50 °C и скачки более чем на 10 °C между соседними часами. Решение звучит логично, однако осенними ночами на Алтае температура падала до −18 °C. Поскольку от 6% до 10% ночных замеров были отрицательными, фильтр просто удалял их, из-за чего осеннее ночное сравнение лишилось самых холодных точек.

Аналогичная ситуация со скачками: на открытом грунте под палящим солнцем часовые перепады на 10–18 °C фиксировались по 7–20 раз за сезон, представляя собой реальные физические процессы, а не технические ошибки.

Третий проблемный фильтр — удаление пар, где разница между спутником и землей превышала три стандартных отклонения. Программа уничтожала именно те кейсы, где орбитальный датчик ошибался сильнее всего, делая итоговые показатели RMSE искусственно заниженными. Такие выбросы требуют детального анализа, а не исключения.

MODIS оперирует пикселями размером 1×1 км. В горной местности в этот контур попадают разнонаправленные склоны, участки скал, растительность и тени. Полевой датчик при этом расположен в единственной точке. Естественно, из космоса фиксируется усредненное значение по площади, а не точечный параметр. У Landsat с его 30-метровым пикселем эта проблема выражена слабее, однако я по ошибке использовала масштаб 1000 м, который обязательно следует скорректировать.

Радиометр MODIS сканирует полосу шириной 2330 км, поэтому на краях захвата углы визирования достигают 65°. В моих выгрузках углы варьировались от -53° до +52°. При сильном наклоне сенсор смотрит сквозь плотные слои атмосферы, захватывая больше рельефа и теней. Правильной практикой является раздельный анализ кадров, снятых близко к надиру (с углами до 20–30°), и наклонных снимков.

Сопоставление с профессиональными исследованиями

Моя студенческая работа пересекается с фундаментальными академическими изысканиями. Научный руководитель Е. А. Мамаш (ФИЦ ИВТ) с коллегами проводили верификацию спутниковых температур по тем же наземным данным термохронов из Чуйской котловины за июль–октябрь 2022 года. Их выводы отлично дополняют картину:

• Landsat на аналогичных данных. В Чуйской котловине была зафиксирована исключительная корреляция наземных и космических показателей (R > 0,98) при использовании модифицированного алгоритма расчета LST, независимого от пробегов в базе излучательной способности ASTER GED (Мамаш, Пестунов, 2023).

• Систематическая погрешность стандартного Landsat. Согласно обзору литературы в том же исследовании, базовый продукт USGS L2SP в большинстве сценариев завышает температуру. Различные космические аппараты демонстрируют смещения в противоположные стороны.

• MODIS на равнинных ландшафтах. Летом 2021 года валидация MODIS в Новосибирской области на Предсалаирской равнине с однородным покрытием показала коэффициент корреляции выше 0,78.

• Водные поверхности стабильнее суши. На акватории Обского водохранилища осенью 2023 года расхождение космических и контактных измерений в среднем не превышало 1 °C.

Эти данные гармонируют с моими выводами: чем однороднее ландшафт и компактнее пиксель, тем выше точность орбитальных замеров. Водные объекты — наиболее простой случай, тогда как высокогорная котловина под километровым пикселем MODIS — один из самых сложных. Для сравнения: мой показатель R² = 0,79 для Aqua эквивалентен коэффициенту корреляции R ≈ 0,89.

Доверять ли спутниковым данным?

Доверять можно, если четко осознавать специфику измерений и не требовать от космических аппаратов точности лабораторного термометра в конкретной точке.

• Тренды и динамика — да. Пространственное распределение тепла и недельные колебания спутники фиксируют надежно (R² достигает 0,8 даже в горах).

• Абсолютные величины в период зноя — с поправкой. Дневные экстремумы на Aqua занижались на 5–10 °C. Если критически важна оценка почвенного перегрева или рисков возгорания, космические показатели необходимо калибровать по наземным станциям.

• Сравнение строго с поверхностью. Сопоставлять LST с температурой воздуха бессмысленно из-за естественной разницы в 10–25 °C.

• Вклад исследователя в погрешность. Некорректно выбранное время пролета, слишком широкие окна сопоставления, жесткие фильтры и неверный масштаб пикселя способны исказить результат сильнее самого спутника. Разработанные скрипты наглядно продемонстрировали мне это.

Резюмируя: орбитальный аппарат выступает прекрасным инструментом для отслеживания тенденций, но не годится для фиксации локальных температурных рекордов.

Программный код и работа над ошибками

Модуль доступен на GitHub и включает 11 Python-скриптов (с использованием earthengine‑api, pandas, numpy, matplotlib, folium, reportlab), а также исходные табличные данные и текст диплома. Создавая проект в 2024 году будучи студенткой, сегодня я смотрю на него с позиций практикующего DevOps-инженера и изменила бы многое:

1. Привести все временные метки к единому стандарту UTC до начала вычислений и явно фиксировать часовые пояса. Временное окно сократить до 30–60 минут, а для часовых логов реализовать интерполяцию параметров на момент пролета.

2. Отказаться от субъективных фильтров по диапазону температур. Браковать данные исключительно на основе официальных флагов качества и подтвержденных аппаратных сбоев.

3. Извлекать продукты Landsat с разрешением 30 м и внедрить фильтрацию MODIS по углам обзора.

4. Рассчитывать метрики дифференцированно по сезонам, времени суток и конкретным площадкам, избегая усредненных итоговых значений.

5. Убрать интерактивный ввод через консоль, вынеся параметры в конфигурационные файлы для запуска одной командой.

6. Опаковать окружение в Docker, настроить регулярный автоматический пересчет по расписанию, а результаты сохранять в легкую реляционную базу данных вместо генерации бесчисленных PDF и PNG файлов.

Если вы профессионально занимаетесь дистанционным зондированием и заметили неточности в моих рассуждениях, буду рада обсудить их в комментариях!

Источники

• Мамаш Е. А., Пестунов И. А. Оценка среднемесячных температур озера Байкал в бесснежный период с использованием многовременных данных Landsat LST и MODIS/Terra LST // Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2023. С. 37. DOI 10.21046/21DZZconf-2023a.

• Мамаш Е. А., Пестунов И. А., Ермаков Н. Б., Кудряшова С. Я., Чумбаев А. С. Анализ многолетней динамики температурного режима Чуйской межгорной котловины (Республика Алтай) на основе данных Landsat // SDM-2023. Новосибирск: ФИЦ ИВТ, 2023. С. 294–304.

• Мамаш Е. А., Пестунов И. А., Кудряшова С. Я., Чумбаев А. С. Валидация температурных продуктов MODIS/(TERRA+AQUA) LST с использованием наземных данных // Региональные проблемы дистанционного зондирования Земли. Красноярск, 2022. С. 113–117.

• Duan S.‑B. et al. Validation of Collection 6 MODIS land surface temperature product using in situ measurements // Remote Sensing of Environment. 2019. Vol. 225. P. 16–29.

• MOD11A1.061 и MYD11A1.061 Land Surface Temperature and Emissivity Daily Global 1km — Earth Engine Data Catalog.

• USGS Landsat 8 Level 2, Collection 2, Tier 1 — Earth Engine Data Catalog.

• Косинова А. И. Разработка программного модуля для валидации температурных данных КА Landsat и Terra/Aqua на основе наземных измерений. ВКР, ВКИ НГУ, 2024.

 

Источник