2. 安徽农业大学 理学院, 安徽 合肥 230036;
3. 吉林省气象服务中心, 吉林 长春 130062
2. School of Science, Anhui Agricultural University, Hefei 230036, China;
3. Jilin Meteorological Service Centre, Changchun 130062, China
不透水面(impervious surface)是指诸如屋顶、沥青或水泥道路及停车场等具有不透水性的地面, 与透水性的植被和土壤地表面相对[1].不透水面是城市景观最主要特征之一, 随着城镇化的快速推进, 不透水面对城市生态系统和人居环境质量的影响日益显著.
城市地表温度和气温是城市人居环境质量的重要指标, 城市化过程中将原本适宜区域生态环境的自然、半自然景观改造为不透水面景观, 结果不仅影响了城市地表的热环境与热通量特征, 也造成城市地表和地下水文过程被阻隔, 导致城市生态系统功能的退化[2].不透水面与地表温度关系密切, 已有研究表明, 城市不透水面盖度与地表温度在任何季节都表现为明显的正相关[3]；Xian等[4]利用TM数据对拉斯维加斯和坦帕湾流域的城市区域进行热环境分析, 结果表明：不透水面盖度越高, 地表温度也会随之升高；Weng等[5]利用ASTER数据研究了地表温度与不透水面、植被的关系, 研究发现：地表温度与不透水面盖度成正相关, 与植被盖度呈负相关；Zhang等[6]研究发现, 地表温度与不透水面是一种U型曲线关系, 二者回归方程就二次多项式；徐涵秋[7]在研究福州市不透水面与地表温度相关关系中发现, 二者相关系数大于0.9；Nichol[8]在对香港昼夜热岛效应研究中发现, 不透水面与地表温度之间的相关系数为0.97；杨可明等[9]利用Modis数据对北京市海淀区不透水丰度和地表温度关系加以研究, 二者相关系数达0.752 5；Yu等[10]利用TM/ETM+影像对烟台市2006年和2009年的不透水面覆盖度和地表温度的关系进行研究, 研究发现二者相关系数均高于0.93, 并表现为线性正相关关系.
国内外大部分研究是基于统计学方法来定量不透水面与地表温度的关系, 并且多数集中在城市热岛效应的成因分析上.本文利用MNDISI指数估算城市不透水面信息, 分别统计不透水面与地表温度和气温的关系模型, 定量研究不透水面的增温效应.
1 地表温度反演方法地表温度是地表能量交换的核心信息, 它直接影像着大气、海洋、陆地之间的显热和潜热交换[11].对于landsat 8数据, 第11热红外波段(TIR11) 的定标参数暂不稳定, 美国地质勘探局(USGS)在现阶段不提倡用劈窗算法来反演地表温度[12], 因此本文使用覃志豪[13]和Wang[14]结合的单通道大气校正算法反演地表温度.其算法为
| $ t = \gamma \left[{{\varepsilon ^{\left( {-1} \right)}}\left( {{\rho _{B1}}L + {\rho _{B2}}} \right) + {\rho _{B3}}} \right] + {T_\delta } - 273 $ | (1) |
| $ \gamma \approx {T_{s}^{2}}/{\left( {{T}_{\gamma }}{{L}_{\lambda }} \right)}\;, {{T}_{\delta }}\approx {{T}_{s}}-{T_{s}^{2}}/{{{T}_{\gamma }}}\;\cdot $ | (2) |
式中:t为反演真实地表温度；ε为地表比辐射率, 可通过光谱库获得主要地物在TIRS 10、11波段的地表比辐射率；参数Tγ分别为：T10=1 324 K，T11=1 199 K；Tδ为卫星高度上遥感器所观测到的亮温(K)；ρB1、ρB2、ρB3为大气水汽的质量浓度(g·cm-3)；
| $ {{\rho }_{B1}}={1}/{\tau }\;, {{\rho }_{B2}}=-{{L}_{d}}-{{{L}_{u}}}/{\tau }\;, {{\rho }_{B3}}={{L}_{d}}\cdot $ | (3) |
式中：τ为大气在热红外波段的透过率，Lu为大气上行辐射，Ld为大气下行辐射，Lu和Ld参数可通过影像中心经纬度和成影时间获取.
Lλ为该波段的大气顶部光谱辐射值(MW·cm-2·sr-1·μm-1)，TS为传感器的亮温(K).Lλ和TS由公式(4) 和(5) 得到
| $ {{L}_{\lambda }}={{M}_{L}}{{Q}_{\rm{cal}}}+{{A}_{L}}\cdot $ | (4) |
式中：Lλ为该波段的大气顶部光谱辐射强度值(W·m-2·sr-1·μm-1)；ML为波段的调整因子，可从数据头文件中获取；Qcal为影像以16为量化亮度值(DN)；AL为波段的调整参数.
| $ {{T}_{s}}={{K}_{2}}/\rm{ln}\left( {{\mathit{K}}_{\rm{1}}}\rm{/}{{\mathit{L}}_{\lambda }}\rm{+1} \right)\ \cdot $ | (5) |
对于OLI传感器，K1=666.09 W·m-2·sr-1·μm-1，K2= 1 282.71 K. K1为landsat8数据第10波段辐射定标参数，K2为辐射亮度定标参数.
2 研究地点及数据来源合肥市位于安徽省中部, 长江与淮河之间, (117°04′~117°26′E, 31°34′~31°58′N), 地势由北向东南倾斜, 平均海拔30 m, 属于温带向亚热带的过渡带气候类型, 气候属于北亚热带湿润季风气候.辖区包括长丰县、肥西县、肥东县、市辖区、居巢区、庐江县, 如图 1所示：
|
图 1 合肥市区县分布示意图 Fig. 1 Distribution of Hefei's district areas |
本文从USGS网站(http://glovis.usgs.gov/)获取Landsat 8 oli Level 1 GeoTIFF Data Product数据, 空间分辨率30 m.因卫星数据云量的限制选择2014年6月10日数据1景.利用合肥行政区矢量数据对遥感数据进行裁剪, 使用Landsat 8使用手册中提供的定标参数对landsat 8数据进行辐射定标和大气校正.
2.2 气象数据本文从安徽省气象局获取合肥地区6个国家级自动站0 cm逐小时地表温度数据, 以及91个自动观测站1.5 m高逐小时气温数据, 用来研究不同不透水面盖度对气温的影响.选择landsat 8卫星过境最邻近时间的气温数据, 根据观测站位置所对应的不透水面盖度将观测站气温数据分类统计, 使自动气象站点气温与不透水面盖度相对应.
3 合肥市不透水面估算及增温效应分析 3.1 改进型归一化不透水面指数城市地表覆盖类型主要分为不透水面、植被、裸土和水体4种类型, 不同地物类型在光谱空间中的分布特征有明显差异.分别对landsat 8影像上4种地物进行采样, 选择均匀分布的纯净像元样本, 每类对象数量均超过50个.随后分别对采样对象在光谱空间中的分布特征进行统计分析, 得到不同地物类型的光谱曲线图, 如图 2所示.其中, R为地表反射率, b为landsat 8数据各波段.
|
图 2 地物覆盖类型光谱曲线特征图 Fig. 2 Spectral feature map of feature type |
从图 2中可以看出, 植被在近红外波段表现敏感, 反射率明显高于其他地物, 曲线表现较为突出；水体在近红外波段和2个短波红外波段反射率小于其他地物；裸土的反射率均高于水体和不透水面, 裸土与不透水面反射率最为接近, 裸土对不透水面的提取影响较大.在蓝、绿、红波段, 不透水面、裸土和水体反射率较为接近.而在近红外波段和短波红外波段, 4种地物之间的波谱特征存在较大的差异.
考虑到不透水面与裸土在可见光波段光谱特征相似, 而在近红外、短波红外波段光谱差异较明显的特点, 利用二者差值比值运算可以最大程度突出不透水面信息.本文提出了一种改进型归一化差值不透水面指数(modified form of normalized difference impervious surface index, MNDISI), 其表达式如下：
| $ M=\frac{{{R}_{\rm{N}}}+{{R}_{\rm{S}}}-2{{R}_{\rm{B}}}}{{{R}_{\rm{N}}}+{{R}_{\rm{S}}}+2{{R}_{\rm{B}}}}\cdot $ | (6) |
式中:M为改进型归一化不透水面指数, RN、RS和RB分别为近红外、短波红外和蓝波段反射率值.
3.2 不透水面盖度计算对MNDISI影像做归一化处理, 将其转换成不透水面盖度(impervious surface coverage, ISC)值, 转换公式如下：
| $ p = \frac{{M - {M_{{\rm{min}}}}}}{{{M_{{\rm{max}}}} - {M_{{\rm{min}}}}}} \times 100\% \cdot $ | (7) |
式中:Mmax、Mmin分别为改进型归一化不透水面指数最大值和最小值，p为不透水面盖度, 表征不透水面的聚集密度, 范围在0~1之间.p越大, 说明不透水面聚集密度越高, 0值说明该像元范围内无不透水面下垫面.
3.3 合肥主城区不透水面分布MNDISI指数具有归一化特征, 数值介于-1~1之间, 使得被增强的不透水面信息大于0, 受抑制的其他地物信息小于0.为了检验新指数的有效性, 使用合肥市landsat 8遥感数据对新指数进行验证, 选择0作为阈值对MNDISI影像提取结果进行处理, 得到不透水面二值化影像, 结果如图 3所示：
|
图 3 合肥主城区假彩色合成图和不透水面分布图 Fig. 3 False color composite map and impervious surface distribution map of Hefei main urban area |
本文使用ENVI软件中点值覆盖提取功能模块对不透水面提取精度进行验证, 首先将landsat 8影像与不透水面提取结果匹配在一起, 选用随机抽样的方法进行人机交互验证, 并进行人工判读.从图 3中可以看出：不透水面与水体信息、植被信息无重叠, 与裸土信息存在部分重叠.对不透水面的提取结果进行精度分析, 生产者精度为87.6%, 用户精度为85.9%, Kappa系数为0.81, 提取总体精度为86.1%.结果表明, MNDISI指数可以应用于不透水面信息提取, 并且可以达到较为满意的结果, 提取结果主要表现为将裸土误判, 较少出现漏判.
3.4 合肥市地表温度分布利用单通道算法, 以2014年6月10日的合肥市遥感数据为例, 得到真实地表温度反演结果如图 4所示.
|
图 4 合肥市地表温度分布图 Fig. 4 Distribution of land surface temperature of Hefei city |
由研究区地表温度反演结果可以看出, 地表最低温度为18.23 ℃, 最高温度为57.74 ℃.将合肥地区6个国家级自动气象站点位置的地表温度反演结果和0 cm温度实测值进行比较, 地表温度反演误差均小于0.6 ℃, 反演结果可以较好地反映地表温度分布状况.
3.5 不透水面盖度与地表温度关系分析根据3.3和3.4节中遥感反演的不透水面盖度和地表温度, 采用基于5×5网格贯穿影像采样方法, 在研究区内随机选择3 000个不透水面盖度值, 并提取相对应点的地表温度值, 研究不透水面盖度与地表温度的关系.
如图 5所示为不透水面盖度与地表温度的散点图及其回归方程.不透水面盖度与地表温度呈显著正相关, 随着不透水面盖度增加, 地表温度呈指数增长, 二者关系模型为：t=27.049exp(0.365 4p), r2=0.850 4.
|
图 5 不透水面盖度与地表温度关系 Fig. 5 Relationship between ISC and Land SurfaceTemperature |
使用ENVI软件提取气象站点位置对应的不透水面盖度, landsat 8卫星数据时间为北京时间18时02分, 使用合肥市自动气象站18时整点的气温, 研究二者的相关性.不透水面盖度与气温的散点图和回归方程如图 6所示：
|
图 6 不透水面盖度与气温的关系 Fig. 6 Relationship between ISC and air temperature |
图中θ为气温.由图可见：不透水面盖度与气温关系呈正相关, 气温随不透水面盖度增加而增加, 二者关系模型为：θ=2.381 6p+26.571, r2=0.606 6.
由于气温受降水、风速、地形和植被蒸散等多因素影响, 所以不透水面盖度与气温的相关性比地表温度相关性要低.气温的最低值和最高值分别出现在不透水面盖度的最低值和最高值处, 最高、最低气温分别为25.8、29.7 ℃, 二者相差3.9 ℃, 可见不透水面的具有明显的增温效应.
3.7 不透水面的增温效应分析如表 1所示为不同不透水面盖度所对应的地表温度、气温以及二者的变化幅度.平均地表温度与平均气温由遥感数据和气象数据分类统计得出.表 1中, tmean为平均地表温度, θmean为平均气温, Δt为平均地表温度增加值, Δθ为平均气温增加值.由表 1可以看出, 不透水面盖度每增加10%, 平均地表温度升高1 ℃以上；当不透水面盖度大于40%时, 不透水水面盖度每增加10%, 平均地表温度超过1.5 ℃.在不透水面盖度为40%处, 平均地表温度较之前阶段升高幅度为0.26 ℃, 说明当不透水面盖度超过某个阈值时, 温度会加快上升幅度, 即：当某区域内的不透水面盖度在40%左右, 区域内不透水面增温效应和其他地物的降温效应达到平衡.当不透水面盖度为100%时, 平均地表温度较之前阶段升高幅度为0.3 ℃, 说明纯净不透水面的增温效应最为明显.
|
表 1 p与对应的地表温度和气温变化表 Table 1 Variations of ISC corresponding to LST and air temperature |
随着不透水面盖度的增加, 气温总体呈上升趋势, 当不透水面盖度达到100%时, 平均气温最高, 可达29.37 ℃.因气象站点数量的限制和气象要素的影响, 不透水面盖度的变化对气温的升高幅度规律不明显.气温的增长幅度弱于地表温度的增长幅度, 主要因为不透水面的比热小于空气, 导致气温的增长较为缓慢.
3.8 最适临界不透水面盖度研究为了更好地揭示不透水面盖度与地表温度的关系, 将不透水面盖度以0.01为间隔等距划分为100个等级, 分别统计每个等级区间内平均地表温度, 以此研究不透水面盖度与平均地表温度的关系.回归模型在1%水平下通过显著性检验, 解释变量在1%水平下通过t显著性检验.
不透水面盖度与地表温度平均值表现为分段线性相关关系.地表温度的增长可分为3个阶段(0≤p≤0.43, 0.43＜p≤0.8, 0.8＜p≤1), 温度增长呈现“慢-快-慢”的趋势.这种趋势说明：当区域内不透水面盖度小于43%时, 地表温度增温缓慢, 可见植被和水体等下垫面对不透水面空间分布起到合理分割作用, 降温效应起主导作用, 间接抑制了不透水面的增温效应；当区域内不透水面盖度超过43%时, 不透水面的连通性变高, 其增温效应大于植被和水体等下垫面的降温效应, 地表温度增长速度加快；当不透水面盖度高于80%时, 地表温度随不透水面盖度增加而缓慢升高.如图 7所示：
|
图 7 p与tmean散点图 Fig. 7 Scatter diagram between p and mean surfacetemperature |
(1) 不透水面盖度与地表温度呈显著正相关, 随着不透水面盖度增加, 地表温度呈指数增长；不透水面盖度与气温之间为线性正相关关系.
(2) 本文提出一种改进归一化差值不透水面指数(MNDISI), MNDISI指数可以较好地提取不透水面信息, 总体精度可以达到86.1%, 提取中可以根据实际地物情况人工设定阈值, 当阈值设置为0时, 可以更为准确地获取不透水面信息.本文只利用合肥市夏季landsat 8数据对MNDISI指数进行验证, 其他季节不透水面的提取阈值是否为0, 还需要进一步的验证.
(3) 随着不透水面盖度增加, 地表温度上升速度高于气温的上升速度.地表温度和气温的最低值、最高值分别于不透水面盖度的最低值、最高值相对应, 不透水面的增温效应明显.在不透水面覆盖高的区域, 由于水体和植被等地物覆盖度低, 蒸散作用小, 热量以显热形式与地表之间进行热量交换, 导致地表温度快速升高.
(4) Xu等[7]认为不透水面低于30%, 地表温度增长缓慢, 本文中地表温度增长趋势与徐涵秋等研究基本一致.本文提取不透水面盖度的方法和采样方法与上述研究有所不同, 本文将不透水面盖度做了细致的划分, 并统计不同等级的不透水面盖度的地表温度, 本研究发现：当区域内的不透水面盖度在43%时, 区域内不透水面增温效应和其他地物的降温效应达到动态平衡.当区域内不透水面盖度低于43%时, 其他下垫面综合降温效应起主导作用, 地表温度缓慢上升.即：城市最佳临界不透水面覆盖度应低于43%, 有针对性的增加植被和水体, 改善城市下垫面格局有利于缓解城市热岛效应.
| [1] | ARNOLD C L, GIBBONS C J. Impervious surface coverage: the emergence of a key environmental indicator[J]. Journal of the American Planning Association, 1996, 62(2): 243–258. DOI:10.1080/01944369608975688 |
| [2] |
陈利顶, 孙然好, 刘海莲. 城市景观格局演变的生态环境效应研究进展[J].
生态学报, 2013, 33(4): 1042–1050.
CHEN Li-ding, SUN Ran-hao, LIU Hai-lian. Eco-environmental effects of urban landscape pattern changes: progresses, problems, and perspectives[J]. Acta Ecologica Sinica, 2013, 33(4): 1042–1050. |
| [3] | YUAN F, BAUER M E. Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery[J]. Remote Sensing of Environment, 2007, 106(3): 375–386. DOI:10.1016/j.rse.2006.09.003 |
| [4] | XIAN G, CRANE M. An analysis of urban thermal characteristics and associated land cover in Tampa Bay and Las Vegas using Landsat satellite data[J]. Remote Sensing of Environment, 2006, 104(2): 147–156. DOI:10.1016/j.rse.2005.09.023 |
| [5] | WENG Q, RAJASEKAR U, HU X. Modeling urban heat islands and their relationship with impervious surface and vegetation abundance by using ASTER images[J]. Geoscience & Remote Sensing IEEE Transactions on, 2011, 49(10): 4080–4089. |
| [6] | ZHANG P, BOUNOUA L, IMHOFF M L, et al. Comparison of MODIS Land surface temperature and air temperature over the continental USA meteorological stations[J]. Canadian Journal of Remote Sensing, 2014, 40(2): 110–122. |
| [7] | XU Han-qiu. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI)[J]. Photogrammetric Engineering & Remote Sensing, 2010, 76(5): 557–565. |
| [8] | NICHOL J. Remote sensing of urban heat islands by day and night[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(5): 613–622. |
| [9] |
杨可明, 周玉洁, 齐建伟, 等. 城市不透水面及地表温度的遥感估算[J].
国土资源遥感, 2014, 26(2): 134–139.
YANG KE-MING, ZHOU YU-JIE, QI JIAN-WEI, et al. Remote sensing estimating of urban impervious surface area and land surface temperature[J]. Remote Sensing for Land and Resources, 2014, 26(2): 134–139. DOI:10.6046/gtzyyg.2014.02.22 |
| [10] | YU X, LU C. Urban percent impervious surface and its relationship with land surface temperature in Yantai City, China[C]// IOP Conference Series: Earth and Environmental Science. Beijing: IOP Publishing Ltd, 2014: 682-691． |
| [11] |
岳文泽, 徐建华, 徐丽华. 基于遥感影像的城市土地利用生态环境效应研究:以城市热环境和植被指数为例[J].
生态学报, 2006, 05(5): 1450–1460.
YUE Wen-ze, XU Jian-Hua, XU Li-hua. An analysis on eco-environmental effect of urban land use based on remote sensing images: a case study of urban thermal environment and NDVI[J]. Acta Ecologica Sinica, 2006, 05(5): 1450–1460. |
| [12] |
徐涵秋. 新型Landsat8卫星影像的反射率和地表温度反演[J].
地球物理学报, 2015, 58(3): 741–747.
Xu Han-Qiu. Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite[J]. Chinese Journal of Geophysics, 2015, 58(3): 741–747. DOI:10.6038/cjg20150304 |
| [13] |
覃志豪, ZHANGM H, ARNONK. 用NOAA-AVHRR热通道数据演算地表温度的劈窗算法[J].
国土资源遥感, 2001, 13(2): 33–42.
QIN Zhi-Hao, ZHANG M H, ARNON K. Split window algorithms for retrieving land surface temperature from NOAA-AVHRR data[J]. Remote Sensing for Land&Resources, 2001, 13(2): 33–42. DOI:10.6046/gtzyyg.2001.02.07 |
| [14] | WANG Fei, QIN Zhi-hao, SONG Cai-ying, et al. An improved mono-window algorithm for land surface temperature retrieval methods from landsat-8 thermal infrared sensor data[J]. Remote Sensing, 2015, 7(4): 4268–4289. DOI:10.3390/rs70404268 |