热红外(Thermal Infrared，TIR)异常与地震之间的相关性是目前地震预测领域的研究热点之一。很早之前，就有研究人员发现较大地震发生前地表温度(LST)会出现热异常现象。对于两者之间的相关性分析也有许多研究成果，但是目前为止还没有确切的证据证明热异常与地震之间的关联性。所以，震前/后热异常与地震的统计分析就显得尤为重要，而热异常提取是统计分析的第一步。本文将根据多篇中英文文献，记录现有的热异常提取的遥感参量额方法。同时，重点讲解运用RST(Robust Satellite Techniques，卫星数据稳健分析技术)来提取热异常。最后，提供了一些补充资料。

一、多参数热异常提取

提取热异常常用的遥感参量有：

• 基于地表温度的热异常提取
• 基于长波辐射的热异常提取
• 基于NCEP(National Centers for Environmental Prediction，国家环境预报中心)的热异常提取
• 其他参量：亮度温度、总电子含量、大气温度和潜热通量等

二、热异常提取方法

2.1 基于差值法的热异常提取

差值法主要通过地震前后地表温度的变化来判断是否震前有热异常，包括震前震后亮度温度差值法、相邻区域同时相亮度温度对比法、断裂带内外亮度温度差值法、同时期亮度温度对比法等。

常见的数据来源有：NOAA系列卫星遥感影像

2.2 基于小波分析—功率谱的热异常提取

小波分析方法是一种窗口大小固定但其形状可改变的时频局部化分析方法，即在低（高）频部分具有较高（低）的频率分辨率和较低（高）的时间分辨率，可通过伸缩和平移等运算功能对函数或信号进行多尺度分析，因此被誉为“数字显微镜”。 应用小波变换可以去除地球基本温度场和年变温度场, 多阶尺度函数相减后的数据可得到在时间域中为正负相间的波形数据，可用波形数据处理常用的率谱法方法加以分析。

常见的数据来源有：静止卫星长波辐射（Outgoing-Longwave-Radiation，OLR）数据、NOAA/AVHRR/PATHLINDER陆地数据集、NOAA提供的OLR数据

2.3 基于涡度算法的热异常提取

涡度算法反映的是一个位置相对于其周围的变化情况，若涡度值大，则表明该位置与周围点显著不同。长波辐射值和下垫面（主要是地形、地貌特征）存在很大的相关性，地形、地貌变化较大的地区往往是涡度最大的地区，因此在一些地貌丰富、地形变化剧烈的地区，特别是一些高辐射的沙漠地区，涡度大的点位可能主要是由于这种与地形、地貌相关的变化引起的，需进一步甄别是否与地震相关。

常见的数据来源有：NOAA提供的OLR数据

2.4 RAT算法

下文将讲解该方法的进阶版RST，所以不再赘述。

三、RST(Robust Satellite Techniques，卫星数据稳健分析技术)

3.1 RST算法

RST算法由RAT算法演化而来，可广泛用于多种遥感数据源，该方法需要构建稳健背景场，运用遥感数据值类高斯分布特征，提取相对于背景场的偏离程度，可以有效提取热异常，在多种情况下的异常提取均可应用，如云检测、火山、森林火灾监测等方面。RST 是一种基于多时相数据分析方法，它考虑的是时空域上相对于平静状态下的异常，长时序的卫星数据用来构建信号的正常背景，以此来计算局部偏差指数，能够尽可能地去除地形、气象等因素影响。

RST 算法流程首先将输入的遥感数据构建差值数据集，差值数据集包括空间域和时间域差值，进一步构建单像元背景场，根据数据特征选取热异常提取阈值，根据热异常判断方法判定热异常是否是有效热异常。 Tramutoli等（2005）改进RST算法并将其应用于地震前热红外监测，核心参数也由单一的亮度温度演化出不同类型。该方法将地震引起的热红外异常作为信号，其它因素引起的异常作为噪声，引入了地震热异常信噪比的概念（Eleftheriou et al，2016）。该算法以多年同期的遥感卫星数据为基础，提取出相对于背景场异常值，公式如下：

$R E T I R A=\frac{\Delta T(x, y, t)-\mu_{\Delta T}(x, y)}{\sigma_{\Delta T}(x, y)}$

$\Delta T(x, y, t)=T(x, y, t)-T(t)$

RETIRA(Robust Estimator of TIR Anomalies，热异常稳健估计值)为热异常稳健估计值，ΔT(x,y,t)是相对于区域均值的差值，μΔT(x,y)为ΔT(x,y,t)多年相同位置、相同时刻的平均值，σΔT(x,y)为对应的标准差，T(t)为t时刻影像均值。由于在构建背景场所用到的数据中有大量的干扰噪声，需进一步去除：

$A(x, y, t)=a_1(x, y, t) \cdot a_2(x, y, t)$

为构建背景场，A(x, y, t)用来排除构建背景场的干扰，A(x, y, t)由a1(x, y, t)、a2(x, y, t)相乘得到。a1(x, y, t)用于剔除由于云层等干扰因素。MODIS_LST数据云像元干扰而形成空值区域，云覆盖区域过大可能导致数据已不能反映区域均值，故对于云像元覆盖大于 80%的影像舍去。

a2(x, y, t)用于剔除空间异常值，对于V(x, y, t)时间序列中，与均值之差大于 k(k≥2)倍标准差的值不能用于构建背景场，应予以剔除，将a2(x, y, t)赋值为0，不断迭代直到所有数值与均值之差小于k倍中误差。

$\mu_{\Delta T}(x, y)=\frac{\sum_{\forall t \in T} \Delta T(x, y, t) \cdot A(x, y, t)}{\sum_{\forall t \in T} \Delta T(x, y, t)}$

$\sigma_{\Delta T}(x, y)=\sqrt{\frac{\sum_{\forall t \in T}\left[\Delta T(x, y, t) \cdot A(x, y, t)-\mu_{\Delta T}(x, y)\right]^2}{\sum_{\forall t \in T} A(x, y, t)}}$

通过以上公式处理遥感影像，使之筛选出符合构建背景场的数据，可以有效减少背景噪声的干扰，计算出空间中每个像元相对于背景场的偏离程度，即热异常稳健估计值RETIRA。

3.2 去云

在热异常提取过程中，常受云层干扰，可能无法准确提取出热异常，所以需要对遥感数据进行去云处理，有机会将详细讲解该过程，在这里不作讨论。

3.3 地震热异常判断

由于人类活动及自然因素的影响，极端天气、大范围洪水、森林火灾等多种原因也可能导致热异常，使得提取出的地震热异常可能具有假阳性，需通过筛选以减少其他原因导致热异常的干扰，认为可能与地震相关的热异常需要满足的常见条件（以下条件内容具体问题具体分析）：

• 满足RETIRA阈值。该阈值根据所选取数据的特性进行选择。
• 未受覆盖云影响。数据需要无云或者经过去云操作。
• 时间连续性。在时间分布上，第一次出现热异常后七日内应至少出现一次，且两次异常分布位置相同或相邻。
• 空间连续性。在空间分布上，热异常分布应当是聚集的，在检测出的异常分布上应当在经纬度 1°×1°的范围内至少覆盖 150km²。
• 其他。

满足以上条件可认为提取出的热异常可能与地震相关，此筛选方法可有效排除异常强度弱、异常出现不连续、异常空间分布零散等问题。

四、其他

4.1 影响TIR的主要因素

4.2 震前TIR异常提取主要研究和算法

4.3 SSTAs(显著性热异常序列)和地震发生之间的长期相关性分析

从上图可以看出，SSTAs与地震(M＞4)的相关性均达到了60%以上，甚至有达到93%和100%。

参考论文

[1]孟亚飞. 基于RST算法的地震热异常相关性研究与多时相分析[D].东华理工大学,2020.DOI:10.27145/d.cnki.ghddc.2020.000290.

[2]Tramutoli, Valerio, et al. From Visual Comparison to Robust Satellite Techniques: 30 years of thermal infrared satellite data analyses for the study of earthquakes preparation phases,https://doi.org/10.4430/bgta0149

[3] Tramutoli V , Filizzola C , Genzano N , et al. Robust Satellite Techniques for Detecting Preseismic Thermal Anomalies[M].