基于Landsat8 OLI/TIRS数据的重庆市不透水面与城市热环境关系研究

邓 睿，胡日查，刘 亮，王晓婷

(1.重庆交通大学 建筑与城市规划学院，重庆 400074；2.重庆交通大学 水利水运工程教育部重点实验室，重庆 400074)

基于Landsat8 OLI/TIRS数据的重庆市不透水面与城市热环境关系研究

邓 睿1，2，胡日查1，刘 亮1，王晓婷1

(1.重庆交通大学 建筑与城市规划学院，重庆 400074；2.重庆交通大学 水利水运工程教育部重点实验室，重庆 400074)

以2014年Landsat8 OLI/TIRS影像为研究数据，结合遥感与GIS技术，利用Carlson方法提取不透水面，采用Jiménez-Muoz等的劈窗算法反演地表温度，分析了重庆市主城区不透水面与热岛效应的分布格局，并对二者进行对比分析，研究了不透水面与热岛效应之间的关系。研究结果表明：重庆市主城区不透水面与热岛区域分布较集中，大部分集中在建成区，不透水面与地表温度呈正相关关系，对城市热岛具有显著的影响。

环境工程；都市热环境；不透水面；地表温度；Landsat8 OLI/TIRS

0 引 言

城市热岛效应是指城市中心气温明显高于其周边郊区环境气温的一种现象[1]。城市热岛效应不单单意味着城市气温升高，更重要的是城市中心会形成一个低压旋涡，导致人们生产生活所产生的污染气体聚集在这个漩涡中，使城市气候更加恶化，影响人类的健康生活[2]。城市不透水面是影响城市热环境的重要因素，它通过改变城市表面和边界层的显热和潜热通量影响城市地表温度[3]。热环境是城市生态循环的重要环节，温度异常会打乱城市的正常运作，影响人们的正常生活，阻碍经济发展。因此，对城市不透水面的研究是寻求缓解热岛效应的有效措施之一。

目前，不透水面和热岛效应已受到国内外学者的广泛关注。M.K.RIDD[4]于1995年提出城市地表覆盖的V-I-S模型，认为城市的地表覆盖由植被、不透水面、水体和土壤组成；S.R.PHINN等[5]运用约束光谱分离方法成功估算了不透水面的空间分布；YUAN Fei等[6]研究了4个季节不透水面、植被与地表温度的关系，结果表明地表温度和不透水面面积在任何季节都存在明显的正相关关系。国内学者岳文泽等[7]从像元尺度与街镇尺度两方面，对上海市地表温度与不透水面覆盖度的关系进行了研究，结果表明，街镇尺度上二者具有明确的线性关系；林云杉等[8]利用不透水面与植被覆盖度二者间的负相关关系，提取了泉州市的不透水面信息，进而对不透水面与城市热岛效应的关系进行了研究；邱建壮等[9]利用分类回归树方法对城市不透水面覆盖度进行了估算，对不透水面覆盖度(ISP)与地表温度的正相关关系进行了验证。

笔者针对Landsat8 OLI/TIRS影像数据的特点，选择较佳的提取与反演算法，研究重庆市主城区不透水面与热岛效应的分布格局，并利用数学方法分析了二者之间的关系。针对目前研究较少的Landsat8 OLI/TIRS影像的地表温度反演方面，笔者参考了多种算法，采用了劈窗算法，利用TIRS 10，TIRS 11两个波段消除大气及时相差别导致的误差，反演的结果合理，可用于热岛效应研究。

1 研究区域与研究数据

1.1 研究区域概况

笔者以重庆主城9区为研究对象，包括渝中区、南岸区、江北区、九龙坡区、大渡口区、沙坪坝区、渝北区、巴南区和北碚区。其位置如图1。

图1 重庆市主城区位置Fig.1 Location map of the main city of Chongqing

重庆主城区面积有5 473 km2；据2014年的统计资料显示，主城区常住人口为818.98×104人。主城区是人口密集区域，也是城市的经济中心。重庆市工业以化工业和重工业为主，大型企业和工厂相对集中，工业污染排放使主城区气候受到严重影响，加之都市区相对郊区，不透水面比率高，热岛效应较明显。

1.2 研究数据

Landsat 8卫星于2013年2月11号发射，其上携带有两个主要载荷：OLI(全称：operational land imager，陆地成像仪)和TIRS(全称：thermal infrared sensor，热红外传感器)。OLI陆地成像仪包括9个波段，空间分辨率为30 m。TIRS传感器包含两个分辨率为100 m的热红外波段。

笔者以2014年7月30日与8月6日的四景Landsat8 OLI/TIRS影像为研究数据。重庆主城区范围Landsat8 OLI/TIRS影像由四景拼接而成。数据信息如表1。

表1 遥感影像信息

2 研究方法

采用T.N.CARLSON等[10]所提出的方法对重庆主城区的不透水面进行了提取。该方法主要思想是利用植被覆盖度与不透水面率的负相关关系，先求得植被覆盖度；再取相反，得到不透水面率。地表温度反演受参数影响比较敏感，笔者采取J.C.JIMÉNEZ-MUOZ等[11]的劈窗算法进行地表温度反演，需要确定亮度温度、地表比辐射率、大气水汽含量几个参数。最后利用线性回归方法，定量分析不透水面率与地表温度、植被覆盖度与地表温度之间的关系。

2.1 不透水面提取

根据“建成区内，不透水面覆盖度与植被覆盖度呈显著负相关”的理论，T.N.CARLSON等[10]提出了一种提取不透水面方法。该方法考虑了两种地类的不同特性，根据植被覆盖度求取不透水面覆盖度，精度较高(图2)。

图2 不透水面提取流程Fig.2 Flow chart of extraction of impervious surface

由于水体反射率较低，且水中多含有泥沙，在提取不透水面时，会对提取效果有一定的干扰。所以，在进行不透水面提取时，首先要做的就是水体掩膜。

徐涵秋[12]提出一种改进的归一化差异水体指数MNDWI(λMNDWI)，其精度较高，波段运算如式(1)：

λMNDWI=(λGreen-λMIR)/(λGreen+λMIR)

(1)

式中：λGreen代表绿光波段；λMIR代表中红外波段。

笔者根据λMNDWI指数进行水体掩膜。

植被覆盖度可定义为单位面积内植被的垂直投影面积，它是衡量地表植被状况的一个最重要的指标。T.N.CARLSON等[10]通过研究，得出了植被覆盖度Fr的计算公式：

(2)

(3)

归一化植被指数NDVI(λNDVI)是检测植被生长状态、计算植被覆盖度和消除部分辐射误差的一个指数，它能反映出植物冠层的背景影响。Landsat TIRS影像数据的NDVI值利用4，5波段计算[13]，即红光波段(λR)与近红外波段(λNIR)。式中：λNDVI-veg和λNDVI-soil分别为完全植被覆盖型像元的NDVI值和完全裸土覆盖类型像元的NDVI值，即纯植被像元与纯裸图像元的NDVI值，二者分别代表完全被植被覆盖的区域和完全裸露的区域，一般情况下，可利用NDVI值的最大值与最小值代替λNDVI-veg和λNDVI-soil的取值。

在计算得到植被覆盖度Fr后，利用Carlson方法计算不透水面率ISA(λISA)。具体计算方法如式(4)：

λISA=(1-Fr)dev

(4)

式中：λISA为不透水面率；Fr为植被覆盖度；dev代表只适用于建成区。

得到不透水面率后，采用多种阈值分离影像，并同监督分类的结果作比较，确定不透水面的最佳分离阈值，进而分离出不透水面。

2.2 地表温度反演

地面除了反射掉太阳光，会吸收一部分热量，而地面的实测温度就是地表温度。地表温度反演方法有很多种，针对Landsat8 OLI/TIRS影像，可利用USGS官网提供的光谱辐射值和定标参数等波段参数进行地表温度反演(图3)。徐涵秋[14]曾对比研究了基于Landsat8 OLI/TIRS影像多种算法，结果表明利用单通道算法要优于其他算法。但笔者经过多次试验发现，由于四景影像在时间上稍有差异，加之单通道算法只对一个波段进行运算，导致单通道算法反演出的温度对两期影像的效果明显不同：7月30日的两景影像的温度明显偏低，且对比起来，同一地物的温度存在较大差异。而Landsat OLI有两个热红外波段，非常适合利用劈窗算法，可以利用两个热红外波段的不同吸收作用差值消除大气影响。

图3 地表温度反演流程Fig.3 Flow chart of inverse calculation of surface temperature

辐射定标是将记录的原始DN值转换为大气外层表面反射率，目的是消除传感器本身产生的误差。这样可以统一对不同传感器、不同日期影像进行定量比较。其辐射定标公式如式(5)：

Lλ=MLQcal+AL

(5)

式中：Lλ为λ波段的大气顶部光谱辐射值；ML为λ波段的调整因子，可从影像数据的头文件中得到，如10波段的调整因子值为头文件中语句“RADIANCE_MULT_BAND_10”后的值，具体值为3.342 0E-04；AL为λ波段的调整参数，也可从头文件中得到，如10波段的调整参数为语句“RADIANCE_ADD_BAND_ 10”后的值，具体值为0.100 00；Qcal为影像的灰度值即DN值。

亮度温度是遥感器所观测到的热辐射强度所对应的温度，该值结果受大气以及地表对热辐射传导的影响，虽不能代表地表温度值，但它是温度反演的重要参数。其计算量温如式(6)。

(6)

式中：Lλ是辐射亮度；K1和K2是元数据热转换常数，可从影像头文件中得到，为语句“K1_CONSTANT_BAND_x”和“K2_CONSTANT _BA ND_x”后的数值，x表示波段。对10波段，K1=774.89，K2=1 321.08；对11波段，K1=480.89，K2=1 201.14。K1单位为W/(m2·srad·μm),K2单位为K。

在劈窗算法中，大气水汽含量是一个非常重要的参数。其反演公式考虑到大气对辐射的影响，利用当时的大气水汽含量进行校正。大气水汽含量值可以利用当时的气温和相对湿度进行推算，但这样推算的结果比较粗糙，劈窗算法对参数的准确性比较敏感。杨槐[15]在研究中利用MODTRAD模型模拟了大气水汽含量与大气透过率的关系，并得到了二者的线性转换公式。而NASA官网提供了Landsat OLI影像10波段的实时大气透过率，根据其推算出来的值比较准确。所以笔者利用此方法计算了四景影像的大气水汽含量。大气水汽含量与10波段大气透过率的转换公式为

w=-(τ10-1.040 2)/0.106 7

(7)

式中：τ10为10波段的大气透过率；w为大气水汽含量，g/cm2。

将四景影像的成像时间和中心经纬度输入网站的输入框中，即可查询当时10波段对应的大气透过率。127/39，127/40，128/39，128/40四景影像的查询结果分别是：0.49，0.56，0.44，0.47；计算得到大气水汽含量分别是：5.18，4.53，5.65，5.37。

覃志豪等[16]提出的地表比辐射率的经验计算公式是基于NDVI指数计算各项参数的，植被覆盖度计算公式为

(8)

利用Carlson方法提取不透水面时，根据不透水面与植被覆盖区的负相关性，在λNDVI-veg和λNDVI-soil的取值上大多取最大值和最小值两个极端值；而在利用覃志豪等[16]经验公式时，有些研究者通常取经验值0.7和0.05。而笔者考虑到四景影像的不同时相问题，分别对四景影像算取了植被覆盖度，一概取经验值会造成一定的误差，所以在λNDVI-veg和λNDVI-soil二者的取值上，结合目视判断，取NDVI累计百分比的95%和5%所在的值，当λNDVI≥λNDVI-veg时，植被覆盖度Pv=1，即视为完全植被覆盖区域；λNDVI≤λNDVI-soil时，植被覆盖度Pv=0，视为完全裸露区域。

计算地表比辐射率时需要植被温度比Rv、裸土温度比Rs和热辐射校正项dε这3个参数。这3项参数均由植被覆盖度计算而得，如式(9)、式(10)。

Rv=0.933 2+0.058 5Pv

(9)

Rs=0.990 2+0.106 8Pv

(10)

式中：Rv为植被温度比；Rs为裸土温度比；dε为热辐射校正项，根据植被覆盖度的不同取值范围赋值为：当Pv=0或1时，dε=0；当0

根据以上各项参数，即可利用覃志豪等[16]提出的地表比辐射率的经验计算公式计算地表比辐射率，计算如式(11)：

εi=PvRvεi，v+(1-Pv)RSεi，s+dε

(11)

式中：εi为i波段的地表比辐射率；εi, v为混合像元中植被的i波段地表比辐射率；εi，s为混合像元中裸土的i波段地表比辐射率。

在利用覃志豪等[16]经验公式计算比辐射率时，根据常用地物比辐射率光谱以及Landsat8OLI/TIRS数据特点，对10，11波段的取值：ε10，v=0.986 72，ε10，s=0.967 67，ε11，v=0.989 90，ε10，s=0.977 90[17]。另外，计算结果要在这二者的取值之间，即εi≥εi, v时，令εi=εi, v，εi≤εi, s时，令εi=εi, s。

将以上计算的各项参数，带入劈窗算法中，即可求出地表温度，具体计算如式(12)：

TS=T10+c1(T10-T11)+c2(T10-T11)2+cO+(c3+c4w)(1-ε)+(c5+c6w)Δε

(12)

式中：Ts为地表温度，WK；T10和T11为10，11波段的亮度温度；w为大气水汽含量，g/cm2；ε和Δε是平均比辐射率和比辐射率差值；常数参数c0，c1，c2，c3，c4，c5，c6的值分别是：-0.268，1.378，0.183，54.3，-2.238，-129.2，16.4。

3 结果与分析

3.1 不透水面分布格局及其特征

为从不透水面率数据中得到不透水面分离阈值，笔者利用监督分类方法将研究区影像分为“不透水面”与“其他”两类，将分类结果作为对比数据确定阈值。监督分类即利用确定的样本类型识别未知类别的像元过程[18]。选取25个样本区，利用最大似然法进行监督分类，在经多次分类和ROI调整后，选取精度较高的一次作为分类结果。监督分类影像只是作为确定不透水面阈值的参考，所以只需要将建成区直观的不透水面，即可直接判断的建筑物、道路等明显的不透水面区域进行分离即可。表2为主城区范围内直观不透水面监督分类精度。

表2 监督分类精度

不透水面的提取需要根据不透水面率确定阈值，进而提取区域，一般建成区内的经验值为70%。笔者考虑到能够准确提取研究区域内的不透水面信息，以精度评价的方法，在经验值附近选取两个值，以70%，72.5%，75%分别为阈值，将提取的不透水面与不透水面监督分类图进行对比。以3幅不同分类阈值的影像为待检验数据，以监督分类影像为检验数据，进行精度评价(表3)。

表3 不同阈值分类精度对比Table 3 Comparison of different thresholds classification accuracy /%

综合考虑表3中3个阈值分类的各项精度评价指数，最终选取72.5%为分离阈值，从所得的不透水面率影像中，提取出研究区域不透水面，如表4和图4。

表4 主城区不透水面面积及百分比

图4 不透水面率Fig.4 Impervious surfaces percentage

由表4和图4可以看出：主城区不透水面在空间分布上大概分为东、中、西这3个部分。东部大部分不透水面集中在沙坪坝区南部和九龙坡区北部；中部不透水面面积最大，也最集中，主要分布在渝北区南部、渝中区、大渡口区北部，巴南区和南岸区分布较少；东部大部分集中在江北区。渝北、沙坪坝、九龙坡等区不透水面面积较高，渝北区不透水面面积最高，为221.80 km2，而不透水面所占面积百分比最高的区是渝中区，高达65.17%。因为面积大，植被覆盖度高，巴南区不透水面所占百分比最低，只占总面积的5.42%。

3.2 热岛分布格局及其特征

检索中国气象数据网中国地面国际交换站气候资料日值数据得知，2014年8月6日重庆沙坪坝气象台站(站台号：57516)监测地面0 cm温度数据显示：当日最高地表温度68.7 ℃，最低27.7 ℃，平均地表温度41.7 ℃。查询沙坪坝气象站位置反演数据为36.9 ℃，卫星于凌晨03：27分过境，此时地表温度尚未达到较高值，反演结果在监测数据最高值与最低值之间，并接近平均值。

水体表现为最低温在25～30 ℃；植被温度略高于水体，绝大部分城区温度分布在35～45 ℃；两江温度有较小差异，长江温度较嘉陵江低1～2 ℃；最高温出现在江北、渝北、沙坪坝和九龙坡等区(表5)。两期影像温度差异在1～3 ℃不等，为使两期影像温度数值能尽量相同，笔者将四景影像的地表温度标准化，并拉伸到25～45 ℃范围内。

表5 主城区平均地温统计

(13)

式中：Tmin为地表温度最小值；Tmax为最大值。

计算结果即归一化并拉伸后的结果，对结果进行影像镶嵌和掩膜工作，得到最终的地表温度影像(图5)。

图5 重庆市地表温度Fig.5 Surface temperature of Chongqing

将地表温度的归一化值均分为6个等级，从高到低依次为高温区、亚高温区、中温区、弱低温区、亚低温区、低温区，并统计各区各温度级别的面积百分比，如表6。

表6 主城区各温度级别面积所占百分比统计

九龙坡区高温区面积最大，为6.2 km2；渝中区高温区面积及其所占百分比最低，为0。但渝中区平均温度较高，因为其低温区百分比较低，温度多集中在中温区，导致其平均温度较高。巴南区弱低温区与亚低温区面积较大，所以其平均温度最低；而大渡口区中温区与亚高温区面积百分比较高，所以，其平均温度最高。中心城区并非温度最高的区域，经过查询地图得知，高温区大多出现在在大型工业园区，工业园区内的生产设施散热及工业排放均会造成高温，而城市区温度处于中温区以上等级，植被覆盖区与水域均在较低等级。

地表温度作为城市热环境监测与研究的重要参数之一，可以利用其有效的模拟城市热岛的格局分布，并对热岛效应的分布特征进行分析。热岛强度是反应城市温度差异的一个指数，以地表温度计算出热岛强度指数，并对其进行阈值分类，可以得到不同强度城市热岛的分布[19]，如式(14)。

THI=(T-Tmean)/Tmean

(14)

式中：T为地表温度；Tmean为研究区域地表温度平均值；THI为热岛强度。

利用ENVI软件中的Density Slice(密度分割)工具将热岛强度值等分6个等级，计算得到的热岛强度：强绿岛、中绿岛、弱绿岛、弱热岛、中热岛、强热岛(图6)。

图6 热岛强度分级Fig.6 Heat island intensity levels

主城区范围内，茂密植被覆盖区域为高等级绿岛，城市居住区为中级热岛。总体看来，热岛分布比较集中，绝大部分集中在建成区内，向外热岛等级逐渐降低，南北部最低，若以长江为分界线，长江以北热岛面积较高，长江以南部分热岛面积非常低，而且，热岛多在以江岸向外延伸。

热岛总面积为1 567.60 km2，占研究区域总面积的29.16%，强热岛面积为131.07 km2，占研究区域总面积的2.35%(表7)。渝中区与巴南区的热岛百分比分别为最高与最低值为79.55%和13.46%。渝中区位于主城九区的中心，在两江交汇处，其面积较小，植被覆盖度较低，多为建筑区域，所以其热岛百分比最高；而巴南区南部大多为植被覆盖区域，只有北部沿江热岛集中，加之区域面积很大，所以热岛百分比较低。总体而言，沿江的几个城区热岛百分比较高，南北几个区由于其植被覆盖面积较大，热岛百分比较低(表8)。

表7 各强度热岛面积及所占百分比统计

表8 主城各区各热岛级别面积所占百分比统计

3.3 热岛与地表参数的关系分析

不透水面提高了城市地表温度，同时影响着热量散发，对热环境有较大负面影响；而植被平衡着城市热环境，随着城市扩张与经济发展，城市植被覆盖逐渐减少，对热环境造成了一定的负面影响。为研究不透水面与热岛效应的关系，笔者对不透水面率与地表温度以及植被覆盖度与地表温度进行了相关性分析与回归分析(图7)。

二者的线性回归方程为：

y=0.102x1+26.902，R2=0.436

(15)

y=-0.055x2+35.658，R2=0.421

(16)

式中：y为不透水面率；x1为地表温度；x2为植被覆盖度。

不透水面率与地表温度呈正相关关系，决定系数为0.436，相关系数为0.661，相关性显著。由式(15)可知：不透水面率越高，地表温度越高，不透水面率每升高10%，地表温度升高1.02 ℃；植被覆盖度与地表温度呈负相关关系，决定系数为0.421，相关系数为0.649，相关性较强。由式(16)可知，植被覆盖度越高，地表温度越低，植被覆盖度每升高10%，地表温度下降0.55 ℃。

图7 不透水面率和植被覆盖度与地表温度散点图Fig.7 Scatter diagram of impervious surfaces percentage and vegetation coverage with surface temperature

4 结 论

1)重庆主城区热岛效应比较明显，尤其是高人口密度与高建筑物密度区域与工业区尤为明显，人类活动、城市扩张和工业排热是造成热岛效应的主要原因。不透水面与城市热岛区域在空间分布上也具有显著的一致性，可见，不透水面是影响城市热环境的重要因素之一。而植被与水域温度普遍较低，对于缓解热岛效应具有明显的作用。

2)重庆主城区不透水面主要分布在建成区，其分布与城市扩张紧密相关。从各区地表温度来看，地表温度与下垫面类型关系密切，不透水面区域地表温度明显较高，且不透水面率与地表温度呈正相关关系，植被覆盖度与地表温度呈负相关关系。

3)笔者针对Landsat8 OLI/TIRS影像数据的特点以JIMÉNEZ-MUOZ等的劈窗算法，通过计算亮度温度、比辐射率，大气水汽含量反演地表温度，与监测站监测数据对比，反演精度可分析热岛效应，对重庆市规划建设有一定参考意义。

[1] 郭仪南，张宏超，王健，等.城市热岛效应对沥青路面温度场及其力学性能的影响[J].重庆交通大学学报(自然科学版)，2010，29(4)：548-551. GUO Yinan, ZHANG Hongchao, WANG Jian, et al. Effect of urban heat island on temperature fields and performance of asphalt concrete pavement[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2010，29(4)：548-551.

[2] 贡璐，吕光辉.绿洲城市热岛效应研究[M].乌鲁木齐：新疆人民出版社，2010. GONG Lu, LV Guanghui.TheUrbanHeatIslandStudyofOasis[M]. Urrmqi: Xinjiang People’s Publishing House, 2010.

[3] 孙立军.基于城市地表覆被类型变化的城市热岛效应研究[D].杭州：浙江农林大学，2011. SUN Lijun.AnalysisonUrbanHeatIslandEffectBasedontheDynamicalChangeofUrbanSurfaceBiophysicalDescriptors[D].Hangzhou: Zhejiang A & F University, 2011.

[4] RIDD M K. Exploring a V-I-S(Vegetation-Impervious Surface-Soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities[J].InternationalJournalofRemoteSensing, 1995，16(12)：2165-2185.

[5] PHINN S R, STANFORD M，SCARTH P F, et al. Monitoring the composition and form of urban environments based on the vegetation-impervious surface-soil (VIS) model by sub-pixel analysis techniques[J].InternationalJournalofRemoteSensing, 2002，23(20)：4131-4153.

[6] YUAN Fei, BAUER M E. Comparison of impervious surface area and normalized difference vegetation index as indcators of surface urban heat island effects in Landsat imagery[J].RemoteSensingofEnvironment, 2007，106(3)：375-386.

[7] 岳文泽，吴次芳.基于混合光谱分解的城市不透水面分布估算[J].遥感学报，2007，11(6)：914-922. YUE Wenze, WU Cifang. Urban impervious surface distribution estimation by spectral mixture analysis[J].JournalofRemoteSensing, 2007，11(6)：914-922.

[8] 林云杉，徐涵秋，周榕.城市不透水面及其与城市热岛的关系研究——以泉州市区为例[J].遥感技术与应用，2007，22(1)：14-19. LIN Yunshan, XU Hanqiu, ZHOU Rong. A study on urban impervious surface area and its relation with urban heat island: Quanzhou City, China[J].RemoteSensingTechnologyandApplication, 2007，22(1)：14-19.

[9] 邱健壮，桑峰勇，高志宏.城市不透水面覆盖度与地面温度遥感估算与分析[J].测绘科学，2011，36(4)：211-213. QIU Jianzhuang, SANG Fengyong, GAO Zhihong. RS estimating and analysis of urban impervious surface percentage and land surface temperature[J].ScienceofSurveyingandMapping, 2011，36(4)：211-213.

[10] CARLSON T N, ARTHUR S T. The impact of land use—land cover changes due to urbanization on surface microclimate and hydrology: a satellite perspective[J].GlobalandPlanetaryChange, 2000，25(1/2)：49-65

[11] JIMÉNEZ-MUOZ J C, SOBRINO J A，SKOKOVIC D，et al. Land surface temperature retrieval methods from landsat-8 thermal infrared sensor data[J].IEEEGeoscience&RemoteSensingLetters, 2014，11(10)：1840-1843.

[12] 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报，2005，9(5)：589-595. XU Hanqiu. A study on information extraction of water body with the modified normalized difference water index(MNDWI)[J].JournalofRemoteSensing, 2005，9(5)：589-595.

[13] 张风霖，缑变彩，李靖琳.Landsat7 ETM+与Landsat8 OLI植被和非植被定量研究[J].山西建筑，2014，40(11)：240-241. ZHANG Fenglin, GOU Biancai, LI Jinglin. Quantitative study of vegetation and non-vegetation Landsat7 ETM+ with Landsat8 OLI[J].ShanxiArchitecture, 2014，40(11)：240-241.

[14] 徐涵秋.新型Landsat 8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 Hanqiu. Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite[J].ChineseJournalofGeophysics, 2015，58(3)：741-747.

[15] 杨槐.从Landsat 8影像反演地表温度的劈窗算法研究[J].测绘地理信息，2014，39(4)：73-77. YANG Huai. Research of split-window algorithm for retrieval of land surface temperature from Landsat8[J].JournalofGeomatics, 2014，39(4)：73-77.

[16] 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(3)：28-32. QIN Zhihao, LI Wenjuan, XU Bin, et al. The estimation of land surface emissivity for Landsat TM6[J].RemoteSensingforLand&Resources，2004(3)：28-32.

[17] 李瑶，潘竟虎.基于Landsat8劈窗算法与混合光谱分解的城市热岛效应空间格局分析——以兰州中心城区为例[J].干旱区地理，2015，38(1)：111-119. LI Yao, PAN Jinghu. Spatial pattern on urban heat environment using split window algorithm and spectral mixture analysis based on Landsat 8 images: a case of Lanzhou City[J].AridLandGeography, 2015，38(1)：111-119.

[18] 牟凤云，罗丹，官冬杰，等.面向对象的土地覆盖信息提取方法研究及应用[J].重庆交通大学学报(自然科学版)，2014，33(6)：104-108. MU Fengyun, LUO Dan, GUAN Dongjie, et al. Research on object-oriented land cover information extraction[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2014，33(6)：104-108.

[19] 沈德才，杨燕琼，吴振彪，等.基于Landsat 8的东莞市热岛效应研究[J].广东林业科技，2014，30(6)：20-24. SHEN Decai, YANG Yanqiong, WU Zhenbiao, et al. Research on urban heat island effect of Dongguan based on Landsat 8[J].GuangdongForestryScienceandTechnology, 2014，30(6)：20-24.

(责任编辑 刘 韬)

Study on the Relationship between the Impervious Surface and the Urban Thermal Environment in Chongqing Based on Landsat8 OLI/TIRS Image

DENG Rui1，2，HU Richa1，LIU Liang1，WANG Xiaoting1

(1. College of Architecture and Urban Planning, Chongqing Jiaotong University, Chongqing 400074，P.R.China；2.Key Laboratory of Waterway Engineering, Chongqing Jiaotong University, Chongqing 400074，P.R.China)

In this paper, On in combinatiom with remote sensing methods and GIS technology and used the Carlson methods Jiménez-Muoz split window algorithms wasused to extract impervious surface and inverse surface temperature based on Landsat-8 image data in 2014. Then analyzed the distribution pattern of impervious surface and thermal island and the correlation of them was analyzed to study the relationship between impervious surface and heat island effect on the main city of Chongqing. The results show that the impervious surface area and the heat island in main city of Chongqing? are more concentrated and mostly in built-up areas. Impervious surface and surface temperature has a positive correlation and it has a significant effect on the urban heat island.

environment engineering; urban thermal environment; impervious surfaces; surface temperature; Landsat8 OLI/TIRS

10.3969/j.issn.1674-0696.2017.01.13

2015-10-14；

2015-12-22

国家自然科学基金项目(51208531)；重庆市教委科学技术研究项目(KJ 120405)；国土资源部地学空间信息技术重点实验室开放基金项目(KLGSIT 2015-07)；重庆交通大学国家内河航道整治工程技术研究中心暨水利水运工程教育部重点实验室开放基金项目(SLK2014B04)

邓 睿(1983—)，女，重庆人，讲师，博士，主要从事地理信息系统、遥感技术等方面的研究。E-mail: trdeng@sina.com。

胡日查(1993—)，男(蒙古族)，内蒙古兴安人，本科生，主要从事地理信息系统方面的学习。E-mail：1412943469@qq.com。

X87

A

1674-0696(2017)01-068-09