了在台北市區的差異較大，於 2002 年 1 月 4 日相差到 6 度之多，主要與給定的發射率相 關，因給定發射率純粹以植被比例，都市地區大多為裸露地及建物，因此在都市地區給的 發射率都會較為偏低，造成地溫反演結果的高估。
本文主要應用衛星資料以及遙測技術為基礎進行研究，分析大台北地區地表溫度與各項 參數間的關係，針對本研究有幾項可能的建議，作為後續研究之參考：
1. 在衛星影像方面，由於使用 Landsat 衛星於大台北地區的影像，其所能提供資料有限，
尤其大多數的影像受到雲層覆蓋，無法進行分析，且同時使用 Landsat-5 TM 與 Landsat-7 ETM+影像，雖以相同演算方法進行地表溫度反演，但可能有系統性的差異存在，未來可 先針對系統間進行校正，以改善系統性的誤差。
2. 目前 Landsat-8 衛星已開始持續的獲取資料，其與 Landsat-7 差異如表 5- 1，但位於大台北 地區目前所獲取之影像接受到雲層大面積的覆蓋，期望在未來隨著時間的增長，獲得更多 不同時間的影像，能夠有更多的選擇，Landsat-8 於熱紅外頻道可提供 2 個頻道的觀測資 料，可改進地表溫度反演的準確性，提升應用層級。
3. 本文所使用之衛星資料雖然涵蓋很多年，但其中間時間解析仍不足，無法在個案中深入分 析，後續可針對多元資料進行整合與探討，例如結合 ASTER 的紅外頻道觀測資料。此 外，不同時期影像所受當時的環境影響情況亦不相同，可與地面觀測資料進行整合，以獲 取更準確之地溫訊息。
表 5- 1 、Landsat-8 與 Landsat-7 波段差異對照表
Landsat-7 Landsat-8
Band Name Bandwidth (μm) Resolution (m) Band Name Bandwidth (μm) Resolution (m)
Band 1 Coastal 0.43 – 0.45 30
Band 1 Blue 0.45 – 0.52 30 Band 2 Blue 0.45 – 0.51 30
Band 2 Green 0.52 – 0.60 30 Band 3 Green 0.53 – 0.59 30
Band 3 Red 0.63 – 0.69 30 Band 4 Red 0.64 – 0.67 30
Band 4 NIR 0.77 – 0.90 30 Band 5 NIR 0.85 – 0.88 30
Band 5 SWIR 1 1.55 – 1.75 30 Band 6 SWIR 1 1.57 – 1.65 30
Band 7 SWIR 2 2.09 – 2.35 30 Band 7 SWIR 2 2.11 – 2.29 30
Band 8 Pan 0.52 – 0.90 15 Band 8 Pan 0.50 – 0.68 15
Band 9 Cirrus 1.36 – 1.38 30
Band 6 TIR 10.40 – 12.50 60 Band 10 TIRS 1 10.6 – 11.19 100
Band 11 TIRS 2 11.5 – 12.51 100
參考文獻
易佳、田永中、高陽華、朱莉芬、鐘燕林，2008，基於 RS 的山地城市熱島效應與其土地覆 被變化關係研究-以重慶市主城區為例，雲南師範大學學報，第 28 卷第 6 期。
徐涵秋，2007，基於影像 Landsat TM/ETM+數據正規化技術，武漢大學學報，第 32 卷，第一 期 Single Thermal Band Earth-Sensing Instrument. IGARSS03, 21-25 July 2003, Centre de Congres Pierre Baudis, Toulouse, France.
Becker, F. and Z. L. Li. 1990. Towards a local split window method over land surfaces. Int. J. Remote Sensing, 11:369-393.
Bhattacharya, B. K., and Dadhwal, V. K., 2003, Retrieval and validation of land surface temperature (LST) from NOAA AVHRR thermal images of Gujarat, India, International Journal of Remote Sensing, Vol. 24, No. 6, 1197-1206.
Coll, C., Galve, J.M., Sánchez, J.M. and Caselles, V., 2010, Validation of Landsat-7/ETM+Thermal-Band Calibration and Atmospheric Correction With Ground-Based Measurements”, IEEE Trans.
Geosci. Remote Sens., vol. 48, no. 1, pp.547–555, Jan.
Coolbaugh, M.F., Kratt, C., Fallacaro, A., Calvin, W.M. and Taranik, J.V., 2007, Detection of geothermal anomalies using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) thermal infrared images at Bradys Hot Springs, Nevada, USA, Remote Sensing of Environment 106,350–359.
ERDAS Worldwide Headquarters, 1999, ERDAS Field Guide Fifth Edition
http://www.gis.usu.edu/manuals/labbook/erdas/manuals/FieldGuide.pdf
Grant, P., 2006, A First Course in Atmospheric Radiation, Atmospheric And Ocean Sciences University of Wisconsin-Madison
Griend, A.A. van de. and Owe, M., 1993, On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces. International Journal of Remote Sensing, 14, pp. 1119-1131.
ITT, 2008. Getting Started with ENVI, ITT Visual Information Solutions,
http://sismologia.ist.utl.pt/~sismologia.daemon/files/Getting_Started_with_ENVI.pdf,
last accessed on 2013/07/23.Lo, C. P. and Quattrochi, D. A., 2003. Land-use and Land-cover Change, Urban Heat Island Phenomenon and Health Implications: A Remote Sensing Approach. Photogrammetric Engineering and Remote Sensing,Vol. 69, No.9, pp1053-1063.
Mao, K., Qin, Z., Shi, J. and Gong, P., 2005, A practical split-window algorithm for retrieving land-surface temperature from MODIS data, International Journal of Remote Sensing, vol. 26, no. 15, pp. 3181-3204.
To, P.H.., Nichol, J., Tse, R., 2011, Temporal Characteristics of Thermal Satellite Images for Urban Climate Study, JURSE, Joint Urban Remote Sensing Event.
Weng, Q., Lu, D. and Schubring, J., 2004, Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies, Remote Sensing of Environment, Vol. 89, No. 4.