21世纪以来西安城乡梯度土地覆盖变化及对城市热岛影响时空特征

城市快速扩张导致城乡梯度土地覆盖发生显著的变化,引发不透水地表的增加,植被覆盖的减少,从而加剧了城市热岛强度。研究城乡梯度土地覆盖变化引起的城市热岛效应,并揭示城市热岛的时空特征及强度的变化,对城市规划建设、人居环境改善及提升城市生态系统服务功能具有重要的意义。基于Landsat系列4期影像,利用单窗算法反演西安市地表温度,计算热场变异指数得到热力场强度图并对其进行等级划分,结合土地利用/覆盖类型数据分析城乡梯度土地覆盖变化对城市热岛强度的影响。结果表明：①2000年西安市极强热岛效应区占研究区面积的10.58%,逐渐增加到2011年极强热岛效应区域的面积占比达到16.14%,而后到2015年降低为9.00%,整体上西安市城市热岛效应呈现出了先增长后降低的趋势;②2000年到2015年城乡建设用地面积增加了412.76 km2,极强热岛强度的范围随城市建成区的扩张逐年向外扩展;③无热岛效应区约70%位于耕地和林地,水域在无热岛效应中的占比也在逐年增多,从31%增加到了47%。不透水地表面积占比与地表温度有显著相关性,城乡梯度植被和水体面积的增加可以有效地缓解城市热岛强度。     

超大城市土地覆盖与热环境的随机森林回归模型研究

目前对于超大城市土地覆盖和热环境定量模型研究报道不足,这主要是因为大城市地表温度和地表生物物理组分之间存在复杂的潜在非线性关系,这使得准确评估城市热环境情况遇到了严峻的技术挑战。研究选取中外6个典型超大城市（北京、上海、广州、伦敦、纽约和东京）为研究对象,以Landsat遥感影像为主要数据源,利用单通道算法反演各城市地表温度,采用随机森林回归模型（RFR）建立土地覆盖类型与城市热环境定量关系模型（LCT）,综合分析城市土地覆盖因子与热环境间的多维定量关系。土地覆盖与地表温度的定量关系显示,城市地表热场的空间结构在很大程度上被下垫面用地类型所左右,不透水面会导致高温热场的聚集,而植被和水体则有降温作用。6个超大城市地表覆盖结构变化产生的升温/降温效应有所差异,北京、上海、纽约和东京等城市区域的植被和水体降温效应较广州和伦敦显著。基于随机森林回归方法建立了NDVI、MNDWI和NDISI等3种土地覆盖类型与城市热环境的综合定量关系模型（LCT）,模型得到的精度高于基于多元线性回归方法建立的模型。LCT_RF模型的R²值在0.623~0.826之间,比LCT_MLR模型高0.021~0.074;RMSE比LCT_MLR模型低0.07℃~0.35℃。研究超大城市土地覆盖与城市热环境的互动作用机理,能为未来生态城市建设提供宝贵建议。     

基于遥感的内蒙古地级市土地覆盖结构时空变化特征分析

城市土地覆盖结构对城市生态服务功能和人居环境质量产生重要的影响。采用2000～2015年Landsat TM并协同高分辨率遥感影像,利用线性光谱混合模型获取内蒙古12个地级市每5 a土地覆盖结构信息,监测并分析城市扩张时空动态、土地覆盖结构及扩张类型差异特征。研究结果表明:2000～2015年,内蒙古12个地级市土地覆盖结构总体变化较快,城市面积扩张278.93km~2。相比较而言,2010～2015年城市面积扩张比例是前两个时间段(2000～2005年和2005～2010年)的1.61倍与1.91倍。2010年以来变化最为剧烈,城市不透水地表扩张尤为明显,城市植被呈现不同程度增加态势。城市扩张经历了3个阶段,即城市内部填充—城市内部填充—城市外延扩张型为主的变化过程,其中包头市和呼伦贝尔属于内部填充型城市。内蒙古地级市土地覆盖结构变化及差异特征与人口增长和社会经济发展有密切的关系。     

基于ASTER遥感的杭州城市热/冷岛的景观特征分析

以杭州市中心城区为研究对象,基于ASTER热红外遥感数据反演杭州市中心城区地表温度、提取热环境边界,结合Landsat8OLI数据进行土地利用分类来提取不透水面和植被信息。在此基础上主要进行以下两方面研究:通过均值—标准差法提取杭州市热岛和冷岛边界,对比分析热岛和冷岛区内的景观模式差异,识别对杭州市中心城区地表温度影响最大的地物;使用空间梯度分析法来定量揭示杭州市地表温度与植被、不透水面的关系,并分析杭州市地表温度的空间分布特征。结果表明:(1)热岛和冷岛区域内存在较大的景观模式差异,热岛区域内不透水面对温度变化影响最大,而冷岛区域内植被对杭州市中心城区地表温度影响最为明显,且降温效果大于水体;(2)随着与市中心距离的增加,地表温度平均值与不透水面密度趋势线走向基本一致(正相关),与植被密度趋势线走向大致相反(负相关),且不透水面对地表温度的增温效应大于植被的冷却效应。     

利用Landsat遥感影像进行福州市地表热通量估算的研究试验

利用福州市1989年和2001年Landsat TM/ETM+遥感影像数据估算地表温度、地表反照率和植被覆盖度等地表参数,再结合气象站观测资料,估算与城市热岛密切相关的气候因子即显热通量和潜热通量.然后根据植被覆盖度对由人工建筑物和水泥道路等构成的不透水面覆盖区的潜热通量进行修正,改进了不透水面潜热通量的计算,并且探讨了地表热通量随土地覆盖变化的时空分布特征.最后对地表热通量精度进行分析和检验,论证了本研究的地表热通量估算结果是合理的.     

基于光谱归一化的变组分光谱混合分析(NMESMA)方法及其应用

混合像元问题在低、中分辨率遥感图像中尤为突出,混合像元的存在不仅会影响地物识别和图像分类精度,也是遥感科学向定量化发展的主要障碍之一。因此,遥感图像混合像元分解及其地表覆盖信息的定量提取是近年来研究的热点。针对城市土地覆盖信息的定量提取问题,利用中等分辨率遥感图像(Landsat TM),集成光谱归一化与变组分光谱混合分析(NMESMA)的方法,基于植被-非渗透表面-土壤(V\|I\|S)模型,定量提取研究区植被、土壤和非渗透表面3类土地覆盖的定量信息,并与固定组分的光谱混合分析(LSMA)分解结果进行对比分析。结果表明:基于光谱归一化的变组分光谱混合分析(NMESMA)方法获得的精度高于传统固定组分的光谱混合分析(LSMA)结果,可有效解决光谱异质性较高的城市区域的混合像元问题,为有效提取城市地表覆盖信息,研究城市生态环境变化和模拟分析,提供了有效的信息提取方法。     

成都市地表温度对不透水面的响应研究

根据成都三环路内的Landsat 7/ETM+影像,利用单窗算法和不透水面与植被覆盖度在城市建成区呈负相关关系两种反演方法,通过空间建模建立反演模型,获取地表温度与不透水面信息。通过随机样点分析、相关性分析以及等温线与等透水面线叠加分析等方法,研究了城市地表温度对不透水面的响应效果。结果表明:地表温度随距市中心区距离增大而降低,同时不透水能力也降低;成都市地表温度与不透水面之间存在着正相关关系,相关度为0.7253;等透水面线的空间分布对等温线具有显著的响应规律。研究成果对于改善城市生态环境、提升土地利用水平和加强科学规划等都具有参考价值。     

基于云平台的中哈干旱区典型城市地表覆盖变化遥感监测与比较

城市地表覆盖组分是影响人居生存环境和城市生态系统服务的关键因素。基于Google Earth Engine平台,利用Landsat 5/8遥感影像数据,采用改进的“植被—不透水面—土壤”模型及线性光谱混合分解方法,提取地处干旱区的中国西部大城市乌鲁木齐市与邻国哈萨克斯坦首都城市努尔–苏丹市、大城市阿拉木图市的地表覆盖信息,对比分析1990~2015年3个城市地表覆盖的变化特征。结果表明：1990~2015年间乌鲁木齐市城市建成区扩张面积最大,扩张了349.81 km²;其次为努尔-苏丹市,城市扩张面积为158.16 km²;由于哈萨克斯坦首都由阿拉木图市迁往努尔-苏丹市,整个时段阿拉木图市城市扩张最慢,总计扩张了126.23 km²。在城市建成区内,1990年到2015年间乌鲁木齐市城市地表不透水组分增加了7.10%,努尔—苏丹市和阿拉木图市分别减少了14.9%、4.49%。建成区内绿地组分努尔—苏丹市从1990年到2015年增加了6.68%;乌鲁木齐市和阿拉木图市分别减少了6.65%和2.75%。城市所表现出来的不同地表覆盖特征乌鲁木齐市主要受国家政策支持,阿拉木图市由于其历史背景和城市规划,努尔—苏丹市城市的快速发展则受哈萨克斯坦迁都的影响。     

山地新城市化进程的地表热通量时空演变——以悦来新城为例

山地城市通常因为地形复杂、气候多变使得局地的地表热通量分布规律与平原城市有较大区别。为探求山地新开发区城市化进程中的地表热通量时空演变规律,利用卫星遥感影像资料和LUMPS、SEBS模型,对代表重庆市未来发展窗口的悦来新城不同土地利用类型的热平衡过程和城市化前、中、后3期的各热通量过程时空演变规律进行了分析,并探讨了土地利用/植被覆盖对各地表热通量的影响,结果表明：（1）悦来新城各土地利用类型的净辐射通量及差值在7月份最大,1月份最小,植被覆盖度是不同土地利用类型显热通量存在差异的因素之一,潜热通量依次为：林地>农田>未利用土地>居民用地,土壤热通量依次为：未利用土地>居民用地>林地>农田;（2）城市化进程使得悦来新城的净辐射低值区域增多,显热通量呈增加趋势且在能量输出中占比最多,潜热通量的低值区有向南北逐渐扩张的趋势,在潜热通量较低的地区土壤热通量和显热通量较高;土壤热通量与显热的分布规律基本一致,均呈增大趋势;（3）土壤热通量与土地利用面积的相关关系是各能量输出因子中最好的;植被覆盖度对各热通量的影响远大于土地利用面积,居民组合用地与植被覆盖度关...     

基于LightGBM和多光谱—SAR多特征综合的中亚干旱区城市不透水面提取

不透水面是评价城市化水平和城市生态环境的重要指标,是近年来城市遥感研究中的热点方向之一。与湿润、半湿润区相比,干旱区城市植被覆盖度较低,不透水面与裸土、荒漠之间相似的光谱特征导致传统基于光学影像的亚像元分解法与光谱指数法在干旱区不透水面提取的适用性降低。针对该问题,提出一种多光谱与合成孔径雷达（SAR）影像多特征综合的方法以增大不透水面与其他地物覆盖类型之间的特征差异,从而提取干旱区城市不透水面。以阿斯塔纳、塔什干和杜尚别3个中亚城市为研究区,哨兵2号和哨兵1号影像为数据源,通过LightGBM算法对多光谱和SAR图像的空间特征、SAR的极化特征进行分类并提取不透水面。研究对比了不同特征组合以及不同分类方法的不透水面提取结果,实验结果表明：多光谱与SAR影像多特征综合的方法能有效提高干旱区不透水面提取精度,明显改善干旱区其他土地覆盖类型错分为不透水面的问题;LightGBM算法与XGBoost、HistGBT等基于梯度提升决策树的算法和随机森林等方法相比能获取更高的精度,更适用于干旱区不透水面提取。这表明基于LightGBM以及多光谱和SAR多特征联合的方法能够有效提取中亚干旱区城市不...     

广州市地表温度反演与土地利用覆盖变化关系研究

利用环境星1A/1B遥感影像,运用Jiménez-Munoz & Sobrino's普适性单通道算法定量反演广州市的地表温度(Land Surface Temperature,LST) ,结合MNF主成分分析和支持向量机获取的不透水面分布格局,利用面向对象分类方法获得了土地利用覆盖情况,重点研究广州市不透水面、土地覆盖和植被指数与城市热环境的定量关系。研究结果显示:基于大气水汽含量实测数据的JM&S普适性单通道算法反演结果更精确;广州市2009~2011年的不透水面面积和土地覆盖与平均地表温度相关性分析表明:广州市连续3 a呈现城市扩张的现象,城市热效应显著加剧;城市平均地表温度与不透水面面积呈现正相关,与城市的植被指数和裸土指数呈现负相关。     

Land Surface Temperature Retrieval and Its Spatial Heterogeneity in Summer in Chongqing

Land Surface Temperature(LST)is an important parameter in land surface energy budget.In order to improve the accuracy of LST retrieval by remote sensing methods in summer in urban districts of Chongqing with hot and humid atmosphere condition.an improved methodology was presented with the improved atmospheric transmittance estimated on MODTRAN software using the atmospheric profile data of MERRA in urban districts of Chongqing.LST was retrieved from Landsat 8 TIRS band 10 data using single-window algorithm which apply the improved and unimproved atmospheric transmittance respectively.Then the retrieved LST was compared with the 0 cm soil temperatures observedby 4 meteorological stations.Finally,the spatial heterogeneity of LST was analyzed.The result indicated that：(1)The scheme proposed in this paper can improve LST retrieval in summer in urban districts of Chongqing.The Mean Absolute Error(MAE)decrease from 4.89 K to 1.73 K.(2)The retrieved LST has spatial heterogeneity with different terrain factors.Its lapse rate is about 1.17 K/100 m.It decreases with the increase of slope.Moreover,it has obvious differences with aspect.The flat slope>sunny slope>semi-sunny slope>semi-shady slope>shady slope.There also existed highly significant correlation between the LST and hill shade.The LST increases with the decrease of hill shade.(3)Influenced by land cover,the spatial distribution of LST showed significant differences.The average LST inthe built\|up area is highest,while the wet land is lowest.The difference of average LST in other land cover types is little.     

Downscaling of Remotely Sensed Land Surface Temperature with the BP Neural Network

Downscaling algorithms based on statistical models have been widely utilized to address the issue of coarse-resolution Land Surface Temperature (LST).However,most methods (e.g.,TsHARP algorithm) could be affected by land environment,including land cover,seasons.In this study,a Back Propagation (BP) neural network was introduced for LST downscaling in a specific area with complex land covers.The method comprises two steps.First,five reprehensive spectral indices were selected to training according to three typical land cover,including vegetation,building,and water.And the structure of network was trained using coarse-resolution spectral indices and LST.Second,high-resolution spectral indices were input to the network to get a high-resolution LST.A stratified linear regression downscaling with land-cover classification was conducted for comparative evaluation.The comparative results showed that in urban,vegetation,and water areas,the Root Mean Square Error (RMSE),determination coefficient (R²),and relative accuracy for the proposed approach (BP neural network) were better than those for stratified linear regression.Finally,the verification results show that RMSE and bias of the algorithm are 0.98 ℃ and 0.51 ℃,which is obviously better than the result of stratified linear regression (RMSE is 2.9 ℃ and Bias is 1.7 ℃).It shows that this method has a higher downscaling accuracy.And the approach is potential for producing high-resolution LST for the study on urban thermal environment.     

Comparative Analysis on Three Land Surface Temperature Inversion Algorithm based on Landsat 8 Data over Sanheba Basin

The Land Surface Temperature (LST) of TIRS10 / Landsat 8 remote sensing data is studied and analyzed by combining the data and related parameters of Sanheba basin,and the LST inversion algorithm are used the Radiative Transfer Equation Method (RTE),Mono\|Window algorithm (MW) and Single\|Channel Method (SC).The parameters of the MW algorithm are corrected.The LST gray scale and density segmentation graphs,the histogram of LST and the cross validation flank are used to compare the results of the LST inversion algorithm.The results show that the three kinds of algorithms are similar to the linear fitting degree of LST,and the spatial distribution is consistent.The RTE and SC algorithm are close to each other,the average error of algorithm is 0~0.05 K.the LST of MW algorithm is higher than that of the other two algorithms,the average error of algorithm is 0~1.27 K.The LST of different land cover types in this basin is compared,and the inversion results can effectively reflect the details of the surface thermal field structure according to the different land cover types.The LST values obtained by these three algorithms are compared with the MODIS LST product values.The results show that there is a significant correlation between the LST values and the MODIS LST products.In this paper,3 kinds of the LST inversion algorithms are analyzed detailed accurate on TIRS10/Landsat 8 remote sensing data,provide a reference for other thermal infrared satellite data inversion LST algorithm,but also for the subsequent LST improve the accuracy of inversion basis.     

中国江淮、黄淮地区陆面微波比辐射率的变化特征

陆面微波比辐射率较高且易变,造成陆面上反演降水以及其它大气参数较为困难。对于地表特征复杂的中国,陆面微波比辐射率的研究还很有限。通过利用Tropical Rainfall Measuring Mission (TRMM)卫星上同步扫描的VIRS（红外和可见光）与TMI（微波）资料以及微波辐射传输模式反演了中国江淮、黄淮地区陆面微波比辐射率。然后,结合MODIS提供的地表类型数据,分析了江淮、黄淮地区不同地表微波比辐射率的时空变化特征。 结果表明该地区的农作物地表比辐射率最小,垂直与水平比辐射率极化差最大;而森林地表比辐射率最大,极化差最小。此外,不同地表的微波比辐射率昼夜变化明显,季节变化不明显。比辐射率估算误差中,地表温度、微波亮温和大气相对湿度3因子的准确计算对22 GHz和85 GHz的影响较为明显,对其它通道影响较小。对于小于85 GHz的通道,比辐射率估算精度受微波亮温的影响最为明显,地表温度其次,相对湿度最小;对于高频85 GHz,相对湿度的影响最明显,其次是微波亮温,最后是地表温度。     

基于Landsat-5 TM数据的河南省白沙灌区地表温度反演研究

地表温度是土壤水分和植被水分状态的指示计,在干旱遥感监测中有重要作用。应用Landsat-5 TM遥感数据和气象资料,利用归一化植被指数(NDVI)区分地表覆盖类型,采用Van de Griend的经验公式法结合典型地表赋值法计算出地表比辐射率。用单窗算法和单通道算法分别对河南省白沙灌区地表温度进行反演,结果表明:两种方法均能较好地将白沙灌区地表温度分布趋势反映出来,单窗算法的反演精度较高,绝对误差为1.1 ℃,更适宜白沙灌区的地表温度反演,进而可以提高灌区旱情遥感监测精度。     

青藏高原地表温度时空变化分析

使用MODIS地表温度(LST)产品对青藏高原地表温度的空间分布和年际变化进行分析。通过一种融合时空信息的方法对LST缺失像元进行重建恢复,重建后有效像元比例达到97%以上。用正弦和线性分段函数法将4个瞬时时刻的LST观测值拟合为日平均LST,经地面0cm土壤温度观测数据验证,拟合后的均方根误差(RMSE)在1K以内。建立以年为周期的余弦函数模型,刻画了LST在一年内的季节波动,并得到LST的年平均值、振幅和峰值日期3个参数。分析了各参数在空间上的分布和多年的变化趋势。结果显示:LST年平均值与海拔高度、纬度和下垫面类型相关性较大;年内振幅从青藏高原东南部到西北部呈升高趋势;水体的峰值日期相比其他地物类型有明显的延迟。多年变化斜率分析显示,整个青藏高原的年平均LST以每年0.015K的速度升高,振幅以每年0.076K的速度增长,反映出受气候变化的影响,极端气候出现的概率明显增大,而峰值日期有所提前。     

Reconstruction of MODIS land-surface temperature in a flat terrain and fragmented landscape

Moderate Resolution Imaging Spectroradiometer (MODIS) land-surface temperature (LST) products provide important and reliable time-series data for the examination of global climate change, water cycling, and ecological evolution. In particular, in recently developed remote-sensing evapotranspiration models, such as the Surface Energy Balance Algorithm for Land and the Surface Energy Balance System, LST is a critical parameter that can directly influence the accuracy and integrity of final results. However, clouds and other atmospheric disturbances, which cover a large area throughout most of the year, are read as blank values by these programs, creating a problem. To solve this, a number of algorithms have been proposed to reconstruct LST data, but few can be used to evaluate flat and relatively fragmented landscape regions, such as the Yellow River Delta in China. Here, we conducted an analysis where we considered the LST of a flat area to be mainly influenced by land cover and other environmental elements (e.g. soil moisture). We used maps such as land cover, normalized difference vegetation index, and MODIS band 7 as additional data in the reconstruction model. All of the LST pixels we used were randomly divided into two parts: one part was used to train the model, and the other part was used to validate the calculated results. Three different methods have been developed to reconstruct LST data – linear regression, regression tree (RT) analysis, and artificial neural networks. In comparing these methods, we found that the RT method is able to estimate the LST of MODIS pixels with the greatest accuracy, and that it is both convenient and useful for reconstructing the LST map in flat and fragmented regions.