昆明中心城区地表温度反演及与土地覆盖关系分析

章皖秋　袁　华　岳彩荣　钮子鹏

(西南林业大学林学院，云南 昆明 650224)



昆明中心城区地表温度反演及与土地覆盖关系分析

章皖秋袁华岳彩荣钮子鹏

(西南林业大学林学院，云南 昆明 650224)

结合MODIS大气水汽3通道平均反演法与地表温度劈窗反演法，用Landsat 8反演了昆明中心城区的地表温度；应用面向对象法分尺度提取出城市土地覆盖类型，从可规划控制角度出发，选择各类土地覆盖的多种特征，对不同土地覆盖的特征与地表温度之间建立逐步回归模型。结果表明：昆明中心城区的地表温度呈现高温区与低温区两端分布特点，绿地分布不合理、道路和其他不渗水面比例过大是昆明城市高温区多的主要原因；回归模型显示，植被覆盖率、植被覆盖的外形复杂度、水域面积、河流长度、其他不渗水面内的植被绿化率与地表温度呈负相关，除道路之外的不渗水面的斑块面积和周长则与地表温度呈正相关；各类型土地覆盖的部分斑块特征与地表温度之间存在弱关联。进一步明确这些关系将有助于城市热环境调控、城市规划建设研究。

Landsat 8；劈窗算法；地表温度；土地覆盖类型；特征

当前城市高温现象频发，高温之下人体温度调节紊乱、空气污染物滞留、诱发各种疾病；同时也导致水、电供应紧张。控制城市热环境、消除城市热岛已成为现代城市急需解决的生态问题。地表温度 (land surface temperature, LST) 是城市热环境形成的主要因素，而土地覆盖又与地表温度紧密关联。地表温度与土地覆盖间的关系已成为城市热环境的一个重要研究内容。常见定性分析包括：土地覆盖与LST的空间一致性比较[1]，剖面线分析[2-3]，土地覆盖类型的热场强度分析[4]等。定量分析则以统计模型为主，如土地覆被指数与热场间的模型[2]；城市热岛面积比例与城市面积、城市发展区、人口密度、水域比例、平均NDVI之间的回归方程[5]；LST与NDVI、硬化地表指数、道路密度等因子的主成份回归模型[6]；LST与4个遥感指数的回归方程[7]；不渗水面丰度指数与LST间的线性回归方程[8]。这些研究均表明土地覆盖类型是影响地表温度的直接因子。

控制城市热环境，难以从调节气候、时间，或大面积更改土地覆盖类型等方面实现；而遥感指数、道路密度、硬化地表指数等指标，在城市建设中也不容易掌控。因此，找出能够影响地表温度、且人为可控的土地覆盖特征，将对城市热环境控制具有实用价值。已有研究发现，某些土地覆盖特征能影响地表温度，如佟华等[9]指出大型楔形绿地能降低周围约1 km以内的温度；徐丽华等[10]发现公园景观的周长、形状指数与周围的地表温度负相关；Connors J P等[11]的研究表明增加景观斑块复杂度，能微尺度降低地表温度；陈朱等[12]的分析显示市区公园的气温和冷岛强度与公园面积之间存在显著定量关系，公园面积增加，则公园气温增加、冷岛强度降低；Li J X等[13]的研究显示低层建筑群、植被覆盖少的居住小区的地表温度高于高层建筑群的小区；Chen A L等[14]发现各类型地物斑块的不同特征与斑块内最低地温UCI关系不同，绿地的大小、边缘、连通性均与UCI呈负相关，河流、树林的斑块形状与UCI存在关联；Tan M H等[15]通过1 124个不同尺度的土地利用区发现，土地利用区的面积与城市热岛强度呈对数正相关。这些研究显示，土地覆盖斑块的各种特征与地表温度之间潜在着一定的关联。

昆明市自1999年以后进入高度城市化，城市热岛问题凸显[16-17]。2001—2010年为昆明地区近60年来气温最高10年[18]。因此，对昆明城市热环境的调控迫在眉睫。本研究基于Landsat 8数据，结合MODIS大气含水量的3通道平均反演法，利用劈窗算法反演了昆明中心城区2015年5月28日的地表温度，并用面向对象法从影像上获取土地覆盖分布；在此基础上，分析昆明城市地表温度分布特征，用逐步回归模型来明确土地覆盖类型的各种特征与LST间的关联程度，寻找能影响地表温度且在城市建设中可控的土地覆盖特征，探索用间接因素控制城市地表温度的途径。

1　研究方法

1.1基于劈窗算法的地表温度反演

遥感影像地表温度反演常包括单通道、单窗、劈窗3种算法。其中，覃志豪等的劈窗算法利用2个相邻热红外通道测量值的组合来消除大气影响，提高了反演精度[19-20]。该算法在NOAA、MODIS数据上得到了广泛应用[19,21-22]；Yang L、Rozenstein O将劈窗算法应用于Landsat 8数据上，也得到精度较高的地表温度[23-24]。因此，本研究采用劈窗算法反演昆明城市地表温度，公式如下。

Ts=A0+A1T10-A12T11

(1)

A0=[a10D11(1-C10-D10)-a11D10(1-

C11-D11)]/(D11-C10-D10C11)

(2)

A1=1+[D10+b10D11(1-C10-D10)]/

(D11C10-D10C11)

(3)

A2=D10[1+b11(1-C11-D11)]/

(D11C10-D10C11)

(4)

Ci=εiτi

(5)

Di=[1-τi][1+(1-ε)τi]

(6)

式中：εi、τi为第i通道的地表比辐射率和大气透过率，i=10或11；T10，T11是Landsat 8第10、11通道的亮度温度，通过数据辐射定标与Planck函数求出。昆明当天气温为15～30 ℃，系数a，b取0～30 ℃区间：a10=-59.139、a11=-63.392、b10=0.421、b11=0.457[24]。

劈窗算法中估算地表比辐射率、大气透过率是地表温度反演的关键。

1) 地表比辐射率计算。本研究选择了混合地表法来估算地表比辐射率[25]。首先将城市地表视为由自然表面、城镇表面、裸地、植被、水体5大类组成；其中，自然表面是由不同比例的植被和裸地混合而成，城镇表面是由建筑表面、植被绿化混合而成。本研究先对影像的归一化植被指数 (NDVI)、归一化水指数 (NDWI)、归一化差值裸地与建筑 (NDBBI)[26]、裸土指数 (BSI)[27]指数进行回归决策树CART分类，将地表粗分为水体，植被，裸地，建筑4类。再用NDVI累积频率为5%、95%时的值作为裸地、植被的NDVI临界值，将NDVI大于0.8的植被视为纯植被，NDVI小于0.09的裸土视为纯裸土，将NDVI小于0.8的植被和NDVI大于0.09的裸地合并为自然表面，将建筑保留为城镇表面，水体保持不变。

然后，计算出Carlson植被覆盖率 (Pv)[28]，用混合地表法计算自然表面、城镇表面在Landsat 8第10、11通道的地表比辐射率[25]；水体、植被、裸地的地表比辐射率则按照ε10w=0.996 83、ε11w=0.992 54、ε10v=0.986 72、ε11v=0.989 90、ε10s=0.967 67、ε11s=0.977 90取值[28]。

2) 大气透过率计算。大气水汽含量对热红外波段大气透过率的干扰是地表温度反演的主要影响因素[30]。MODIS数据和Landsat数据在我国同一地区只有0.5～2.0 h的时间差，可用MODIS估计Landsat温度反演中所需参数[31]。不同于常见的MODIS单通道水汽反演，本研究采用精度相对较高的MODIS 3通道平均法[32-33]来估计昆明当天的大气水汽含量，见式 (7)～(9)。

(7)

(8)

ω=f17ω17+f18ω18+f19ω19

(9)

式中：ρi、ωi、fi分别为MODIS第17, 18, 19通道的反射率、大气水汽含量和水汽权重。

然后，用MODTRAN模拟大气水汽含量与大气透过率之间的关系，最终由MODIS数据反演出的水汽含量推算大气透过率[25]。根据昆明的地理位置与当日天气，在MODTRAN中采用中纬度夏季大气模式、大气斜程路径、中午时刻地面温度27 ℃、Landsat 8卫星3°天顶角的观测角度、Landsat 8第10、11通道响应函数，模拟了昆明当日第10、11通道大气透过率 (τ) 与大气水汽含量的估算方程 (10)。将MODIS 3通道平均法求出的大气水汽含量带入式 (18)，即可得到当日Landsat 8的第10、11通道的大气透过率。

(10)

1.2城市土地覆盖类型分类

根据实际调研，将昆明城市土地覆盖分为植被、水域、主干河流、裸地、主干道、其他不渗水面6个大类。其中，水域指各种水潭、湖泊；其他不渗水面则是指除道路之外的建筑物、水泥地表、人工材料等地表表面。本研究采用NNDiffuse Pan Sharpening法融合Landsat 8的多光谱与全色波段，用面向对象法解译出昆明城市土地覆盖类型。首先在小尺度分割基础上，用支持向量机分类法提取出成块状分布的植被、水域、裸地。然后在中尺度分割基础上，根据长宽比等指标，用规则集提取河流与道路；根据光谱、形状差异，将其他不渗水面分割为斑块状。最后对分类结果进行人工纠错，提高土地覆盖分类精度。由于地表温度属于边界模糊的场效应，小面积地物对温度的影响较小，本研究将不考虑小面积地物斑块，因此分类结果的空间尺度和精度能满足研究需求。

1.3逐步回归模型

本研究以斑块平均地温作为因变量，用逐步回归模型分析土地覆盖的各种特征对地表温度的影响力。逐步回归模型能剔除引起多重共线性的变量，保留显著的解释变量，因此能较好判断各种土地覆盖特征与地表温度之间直接关联的强弱性。

选择可以控制的土地覆盖特征，是探索利用土地覆盖特征来控制城市热环境的关键。景观生态学表明斑块大小、形状会影响斑块中能量的聚集，且外形特征在城市规划建设中也相对容易控制。因此，选择对称性、圆匹配率、形状指数、面积等11个斑块外形特征作为自变量。根据以往研究，植被绿化是能有效控制城市热环境的手段之一，因此选择植被覆盖率 (Pv) 作为土地覆盖类型的绿化率，也加入回归拟合中。最终，选择了12个斑块特征参与逐步回归分析：Asymmetry、Elliptic_fit、Denity、Rectangula_fit、Length/width、Shape_index、 Compactness、 Roundness、 Area、 Length、Perimeter、Pv。

2　结果与分析

以昆明市外围主要干道和不包括郊区农田为标准，圈定昆明中心城区，进行地表温度与土地覆盖特征关系分析。

2.1昆明城市地表温度

Landsat 8反演出的2015年5月28日昆明中心城区的地表温度见图1。鉴于MODIS温度产品 (MOD11A1) 采用Wan-Dozier广义劈窗算法，具有广泛代表性，且许多LST反演均以其作为评价标准[34]，因此本研究也将Landsat 8的LST反演结果与同天MOD11A1进行对比。Landsat 8反演的平均地温为39.39 ℃，MOD11A1为40.61 ℃，平均绝对温差1.84 ℃；2种温度产品的相似系数则达到0.99，说明Landsat 8的反演地温与MOD11A1空间分布一致，且温差不大，Landsat 8的地表温度反演在合理范围之内；但Landsat 8的地表温度的空间分辨率为100 m，远高于MOD11A1的1 km，更能表征城市热环境。

图1昆明中心城区地表温度反演结果

Fig.1The distribution of heat intensity of the urban area of Kunming

Landsat 8反演地温的最低温为39.23 ℃，最高温为48.13 ℃，平均温为39.39 ℃，地表温度估计值高于当日的气温范围 (17～30 ℃)。这是因为Landsat 8于11：34过境，中午时刻地温一般高于气温；且当日无风、之前连续7天晴朗无云，夏季下垫面干燥、容易升温，因此地表温估计高于气温。同时，地表温度是指地表覆盖的内部温度，而近地表气温由于受多方因素影响，其测量值变化性较大，因此城市下垫面的LST与近地表气温一般表现为正线性关系，有相似的空间分布[5,35]，在温度绝对值上不会完全一致。而且LST是基于影像所有像元同时反演而得，具有一致的温度基础，因此温度绝对值并不影响温度与地表覆盖之间的关系研究[36]。

采用式 (11) 计算热场强度指数 (HI)[37]，结果见表1，显示昆明城市热区的分布情况见图2。

HI=(T-Tmean)/Tmean

(11)

表1　昆明中心城区热场强度分级

图2昆明中心城区热场强度图

Fig.2The landscape compositions of the urban area of Kunming

图2显示，城内红色热岛区分布广，大部分区域的地温高于平均温度。表1显示，昆明城市热场呈两端分布，无热岛区占了44.73%，而HI大于0.010的强热区面积占了52.88%，说明昆明当日城市热环境糟糕。

2.2昆明城市土地覆盖及温度特征

由面向对象分尺度提取的昆明中心城区的土地覆盖类型分布见图3，总体精度为0.87，Kappa系数为0.82。各种土地覆盖类型的地表温度情况见表2。

表2　不同土地覆盖类型的地表温度

图3昆明中心城区土地覆盖类型

Fig.3The landscape compositions of the urban area of Kunming

对比图2、图3可发现，HI小的低温区与市内的植被、水域、河流的空间分布一致，而HI大的高温区则与其他不渗水面、裸地分布一致。图3显示，昆明的植被覆盖主要位于城市边缘，中心地带植被覆盖较少；道路和其他不渗水面的面积占主要城区的74%。因此昆明市绿地分布不合理，其他不渗水面、道路比例过大是昆明城市高温区多的主要原因。

表2中，植被、水域、河流的最低温、最高温、平均温都低于道路、裸地、其他不渗水面的对应值。水域的平均地温最低，河流与植被次之，道路、裸地、其他不渗水面的平均温均在40.15 ℃左右。从标准差来看，水域和河流的温度变化性最大，然后是植被，而道路、裸地、其他不渗水面的地温标准差都较小。各土地覆盖类型在地温平均值和标准差上的排序，恰好与地物含水量对应，说明含水量是影响城市地温的关键因素之一。同时，道路形状狭长易受到周围地物影响，其他不渗水面则包括较多地类，因此这2类土地覆盖类型的最高温与最低温差距较大。

2.3地表温度-土地覆盖特征回归模型

依据Landsat 8 TIRS的空间分辨率，选择面积> 100 m × 100 m的各类土地覆盖斑块参与逐步回归分析。由于各种特征变量量纲差异较大，因此采用了标准化回归系数来分析入选模型的各种斑块特征对地表温度的影响，结果见表3。其中，Density代表斑块的空间平铺性，斑块越细长，Density值越小，见式 (12)；形状指数Shape_Index描述了斑块边缘的平滑性，边缘锯齿状越大，Shape_Index值越大，见式 (13)。裸地并无显著变量入选，说明各候选特征与裸地地温没有显著关联。

(12)

(13)

表3　各土地覆盖类型的地表温度回归模型标准化系数

表3显示，除水域的模型决定系数R为0.85，其他地物类型的R值不高，且各模型自变量的系数绝对值大都在1以下，说明自变量对因变量的解释力度并不大，仅为弱关联；即这些斑块特征并不是地表温度高低的决定性因子。但是5个模型的sig值均小于0.001，说明模型中所表示的弱关联是显著的，即这些斑块特征虽然与地表温度的关联度偏低，但是这种弱关联是确实存在的。结合R值、sig值和自变量系数，可判断这些斑块特征是地表温度的一种微调因子，虽不能决定地表温度的整体高低，但是依然对其有一定的影响作用。其中，系数为负的特征，说明与地表温度负相关，能一定程度降低地表温度；系数为正的特征，说明与地表温度正相关，能带来弱升温作用。

植被模型的3个特征的系数均为负数，其中Pv、Shape_index的系数绝对值相对大些，说明若植被斑块内植被浓密、斑块外缘锯齿状多，更能减低斑块内的地表温度。昆明城内的植被覆盖类型复杂，从总体上来说，植被覆盖率越高，植被的光合、蒸腾作用带来的低温就会相对明显。

同为水体，但进入水域和河流模型的斑块特征并不一样。水域模型的自变量为Density和Area，且系数为负，说明水域面积越大，斑块状越明显，地表温度越低。昆明城内有翠湖、莲花池、世博园等公园水体，以及白沙河、水海子等水库；它们的面积越大、则水容量越大，块状形状下水体聚集，更容易体现水体高热容的特点，形成水体的 ‘冷岛’。河流模型的Shape_index的系数为1.08，而Length的系数为-0.89，说明如果河流的细小支系过多，反而会增加河流的地表温度，但是河道越长，越促使河流的地温偏低。除盘龙江、宝象河之外，昆明城区其他支系河流均较短、河面窄，因此水容量不高、水温更容易受到周围地物和上层空气的影响，因此与面积相同的大河流相比，支流多的河流的形状制约了水体的降温作用。

道路模型中只有Shape_Index，系数为-0.07，说明道路的网状形状与地温为极弱的负关系，道路形状狭长易受到周围地物影响，因此道路的斑块特征几乎发挥不了影响力。

其他不渗水面模型中的特征比较多，其中Area、Length的系数为正，并大于其他特征，说明这些不渗水面斑块的面积越大、周长越大，其内部地温会有所升高；而Pv的系数为负，说明若增大这些不渗水面内的绿化率，能促使斑块内温度降低。如地温明显高的昆明西北部轻机厂生活区附近、中部石虎关立交桥到朱家村立交桥区域，这些区域绿化率低，包括成片建筑和密集道路网，基本由容易升温的水泥和混凝土覆盖；同时，面积越大，则热量越容易聚集，使地温偏高。

3　结论与讨论

Landsat 8 TIRS提供2个100 m空间分辨率的热红外通道，比Landsat 5、7数据的单通道反演、MODIS数据的1 km分辨率多通道反演，提供了精度更好的地表温度反演渠道。采用劈窗算法，结合MODIS 3通道平均法估算大气水汽参数，本研究反演了昆明中心城区地表温度，反演结果与MOD11A1具有较好的一致性，更高的空间分辨率。

昆明中心城区的地表温度呈现高温区与低温区两端分布的特点。其中，面积占52.88%的高温区基本都是城市中心部位的不渗水面类型，整个城市热岛情况严峻；低温区的分布与城市边缘的植被、水域、河流分布一致。这与其他研究的结论一致，即建筑、裸地等类型会提升城市温度[12,17,38]，绿地、水体则容易形成 “冷岛”[10,39-41]。各类土地覆盖的地温平均值和标准差排序表明，地表温度与土地覆盖的含水量关联。地表温度与各种土地覆盖类型的关系分析表明，植被覆盖率、斑块外形特征虽然不是地表温度形成的关键因素，但的确与地表温度存在弱关联。其中，植被覆盖率，植被斑块的形状复杂度、水域斑块面积、河流长度与地表温度呈负相关；其他不渗水面的面积和周长与地表温度呈正相关。其中，植被模型、不渗水面模型的分析结果与徐丽华等、Tan M H等的研究结论类似[10,15]。

研究表明，各类型土地覆盖的植被覆盖率、斑块外形特征与地表温度之间存在一定关系。在城市建设中，不可能大面积减少建筑、道路来控制地表温度，而植被覆盖率、斑块外形特征则是城市建设中的2个容易操控因子。因此进一步明确这些特征与地表温度之间的关系，将有助于城市热环境调控和城市规划建设。但各土地覆盖物质的热容量、热交换才是制约地表温度的关键因素，而土地覆盖特征与热容量之间的关系会受到物理机制、气候等多种因素的影响。因此，进一步研究还需更多的城市案例和物理机制分析。同时，城市热环境应关注的是近地表气温，用地表温度代替气温有一定局限性；而改善城市热生态环境，应该是设法降低位于不渗水面上的人类活动区的气温。因此，下一步的研究将把地表温度与实地测量的近地表气温联合起来，研究绿地、水体等低温区对周围区域的降温作用。

[1]周红妹, 周成虎, 葛伟强, 等. 基于遥感和GIS的城市热场分布规律研究[J]. 地理学报, 2001, 56(2): 190-196.

[2]苏伟忠, 杨英宝, 杨桂山. 南京市热场分布特征及其与土地利用/覆被关系研究[J]. 地理科学, 2005, 25(6): 697-703.

[3]徐丽华, 岳文泽, 徐建华. 城市热场剖面的分形维数计算及其意义研究: 以上海中心城区为例[J]. 长江流域资源与环境, 2007, 16(3): 385-394.

[4]夏叡, 李云梅, 王桥, 等. 无锡市城市扩张与热岛响应的遥感分析[J]. 地球信息科学学报, 2009, 11(5): 677-675.

[5]Zhang J, Wang Y. Study of the relationships between the spatial extent of surface urban heat islands and urban characteristic factors based on Landsat ETM+Data[J]. Sensors, 2008, 8(11): 7453-7468.

[6]米金套, 王志石, 何平. 基于Landsat TM的澳门城市热场影响因素分析[J]. 生态与农村环境学报, 2009, 25(3): 94-98.

[7]Sun Q, Wu Z, Tan J. The relationship between land surface temperature and land use/land cover in Guangzhou, China[J]. Environmental Earth Science, 2012, 65: 1687-1694.

[8]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.

[9]佟华, 刘辉志, 李延明, 等. 北京夏季城市热岛现状及楔形绿地规划[J]. 应用气象学报, 2005, 16(3): 357-366.

[10]徐丽华, 岳文泽. 城市公园景观的热环境效应[J]. 生态学报, 2008, 28(4): 1702-1710.

[11]Connors J P, Galletti C S, Chow W T L. Landscape configuration and urban heat island effects: assessing the relationship between landscape characteristics and land surface temperature in Phoenix, Arizona[J]. Landscape Ecol, 2013, 28: 271-283.

[12]陈朱, 陈方敏, 朱飞鸽, 等. 面积与植物群落结构对城市公园气温的影响[J]. 生态学杂志, 2011, 30(11): 2590-2596.

[13]Li Junxiang, Song Conghe, Cao Lu, et al. Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China[J]. Remote Sensing of Environment, 2011, 115(12): 3249-3263.

[14]Chen A, Yao X A, Sun R, et al. Effect of urban green patterns on surface urban cool islands and its seasonal variations[J]. Urban Forestry & Urban Greening, 2014, 13(4): 646-654.

[15]Tan M, Li X. Quantifying the effects of settlement size on urban heat islands in fairly uniform geographic areas[J]. Habitat International, 2015, 49(4): 100-106.

[16]刘鑫, 甘淑. 基于单窗算法的昆明地表温度反演及热格局分析[J]. 昆明理工大学学报 (自然科学版), 2011, 36(5): 8-13.

[17]刘鑫, 甘淑. 基于Landsat数据的昆明地区热岛效应分析[J]. 科学技术与工程, 2011, 11(13): 3009-

3013.

[18]何云玲, 鲁枝海. 近60年昆明市气候变化特征分析[J]. 地理科学, 2012, 32(9): 1119-1124.

[19]覃志豪, Zhang Minhua, Arnon Karnieli. 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, 48(2): 33-42.

[20]Qin Z H, Olmo G D, Karnieli A. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data[J]. Journal of Geophysical Research, 2001, 106(19): 22655-22670.

[21]丁莉东, 覃志豪, 毛克彪. 基于MODIS影像数据的劈窗算法研究及其参数确定[J]. 遥感技术与应用, 2005, 20(2): 284-289.

[22]历华, 柳钦火, 邹杰. 基于MODIS数据的长株潭地区NDBI和NDVI与地表温度的关系研究[J]. 地理科学, 2009, 29(3): 262-267.

[23]Yang L, Cao Y G, Zhu X H, et al. Land surface temperature retrieval for arid regions based on Landsat-8 TIRS data: a case study in Shihezi, Northwest China[J]. Journal of Arid Land, 2014, 6(6): 704-716.

[24]Rozenstein O, Qin Z, Derimian Y, et al. Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm.[J]. Sensors, 2014, 14(4): 5768-5780.

[25]覃志豪, 李文娟, 徐斌, 等. 陆地卫星TM6波段范围内地表比辐射率的估计[J]. 国土资源遥感, 2004, 16(3): 28-32.

[26]吴志杰, 赵书河. 基于TM图像的 “增强的指数型建筑用地指数” 研究[J]. 国土资源遥感, 2012, 23(2): 50-55.

[27]Rikimaru A. Landsat TM data processing guide for forest canopy density mapping and monitoring model[C]// ITTO Workshop on Utilization of Remote Sensing in Site Assessement and Planning for Rehabilitation of Logged-over Forest, Bangkok, Thailand, 1996.

[28]Carlson T N, Ripley D A. On the relation between NDVI, fractional vegetation cover, and leaf area index ☆[J]. Remote Sensing of Environment, 1998, 62(3): 241-252.

[29]李瑶, 潘竟虎. 基于Landsat8劈窗算法与混合光谱分解的城市热岛空间格局分析: 以兰州市中心城区为例[J]. 干旱区地理, 2015, 38(1): 111-119.

[30]代强玲, 刘良明, 文雄飞. 基于MODIS数据的大气水汽反演算法研究[J]. 遥感技术与应用, 2008, 23(3): 333-335.

[31]郑文武, 曾永年. 地表温度的多源遥感数据反演算法对比分析[J]. 地球信息科学学报, 2011, 13(6): 840-847.

[32]Kaufman Y J, Gao B C. Remote sensing of water vapour in the near IR from EOS/MODIS[J]. IEEE Transactions on Geoscience & Remote Sensing, 1992, 30(5): 871-884.

[33]King M D, Kaufman Y J, Menzel W P, et al. Remote sensing of cloud, aerosol, and water vapor properties from the moderate resolution imaging spectrometer (MODIS) [J]. IEEE Transactions on Geoscience & Remote Sensing, 1992, 30(1): 2-27.

[34]陈瀚阅, 铮牛, 毕海波. MODIS数据地表温度反演劈窗算法比较[J]. 遥感技术与应用, 2013, 28(2): 174-181.

[35]Xu H, Chen B. Remote sensing of the urban heat island and its changes in Xiamen city of SE China[J]. Journal of Environmental Science, 2004, 16(2): 276-281.

[36]Song J, Du S, Feng X, et al. The relationships between landscape compositions and land surface temperature: Quantifying their resolution sensitivity with spatial regression models[J]. Landscape & Urban Planning, 2014, 123(1): 145-157.

[37]张勇, 余涛, 顾行发, 等. CBERS-02 IRMSS热红外数据地表温度反演及其在城市热岛效应定量化分析中的应用[J]. 遥感学报, 2006, 10(5): 789-

797.

[38]张静. 北京西城区下垫面与城市热岛的关系研究[J]. 北京测绘, 2013(4): 73-78.

[39]岳文泽, 徐丽华. 城市典型水域景观的热环境效应[J]. 生态学报, 2013, 33(6): 1852-1859.

[40]Mackey C W, Lee X, Smith R B. Remotely sensing the cooling effects of city scale efforts to reduce urban heat island[J]. Fuel & Energy Abstracts, 2012, 49(3): 348-358.

[41]Qiu G Y, Hong-Yong L I, Zhang Q T, et al. Effects of evapotranspiration on mitigation of urban temperature by vegetation and urban agriculture[J]. Journal of Integrative Agriculture, 2013, 12(8): 1307-1315.

(责任编辑曹龙)

The Retrieval of Land Surface Temperature of Kunming Urban Area and its Relationships with Landscape Compositions

Zhang Wanqiu, Yuan Hua, Yue Cairong, Niu Zipeng

(College of Forestry, Southwest Forestry University, Kunming Yunnan 650224, China)

Taking the average water content of atmosphere derived from MODIS 3 bands as a parameter, the split-window algorithm was employed on Landsat 8 to retrieve the land surface temperature (LST) of the central urban area of Kunming City. Then, the landscape compositions were identified by objected-based hierarchical classification. After selecting controllable-features of landscape composition, stepwise regression fitting was applied to analyze the relationship between LST and these features. The research showed the central parts of Kunming tend to have either high LST or low LST, and the major reason for numerous urban heat islands of Kunming is due to the uneven distribution of vegetation coverage and the high percentage of impervious surface and roads. Regression models indicated that the coverage percentage of vegetation, the shape index of vegetation patches, the size of pool, the length of river and the green rate in impervious surface have negative correlations with LST, while the size and perimeter of impervious surface have positive correlations with LST. It was concluded that there are some weak correlations between LST and some features of landscape compositions. Therefore, further research will be meaningful for the control of city thermal environment and the city planning.

Landsat 8, Split-window algorithm, land surface temperature, land cover type, feature

10. 11929/j. issn. 2095-1914. 2016. 05. 022

2015-11-20

云南省教育厅基金一般项目 (2014Y333) 资助；国家自然科学基金项目 (31260156) 资助；西南林业大学云南省省级重点学科 (林学) 资助。

袁华 (1978—)，男，高级实验师。研究方向：林业遥感、GIS技术开发。Email: gisyuan@qq.com。

S771.8

A

2095-1914(2016)05-0130-08

第1作者：章皖秋 (1979—)，女，讲师。研究方向：林业遥感。Email: wanqiu_mou@hotmail.com。