基于Landsat8卫星数据的城市相关指数变化分析

刘志强，赵 芳，胡梦涛，王晓松，彭红春

（1.淮海工学院 测绘工程学院，江苏 连云港 222005）

基于Landsat8卫星数据的城市相关指数变化分析

刘志强1，赵 芳1，胡梦涛1，王晓松1，彭红春1

（1.淮海工学院 测绘工程学院，江苏 连云港 222005）

基于Landsat8 OLI遥感影像数据，提取了与城市环境密切相关的NDVI、NDBI、NDWI和LST，分析了不同地物类型遥感指数的分布特征和不同时间序列的变化特征；进一步探讨了NDVI、NDBI与LST的相关性，可为研究城市热岛效应提供依据。结果表明，山地的NDVI最大，建筑用地密集区域的NDBI、LST最大，水体的NDWI最大，且建筑用地的NDVI、NDBI随时间变化较稳定。

Landsat8 OLI影像；NDVI；NDBI；NDWI；LST

城市环境与人类命运息息相关，现代化科技的飞速进步使得我国城市化发展迅速。现阶段伴随着城市规模的扩大、人口集中、工业迅速发展出现了一系列环境问题，直接危害人们健康，如空气污染严重、水体污染严峻、缺水、城市绿地不足等[1]。遥感技术从面入手，动态分析大数据[2]，弥补了传统的实地调查获取点状数据的缺陷，在研究宏观城市环境变化方面具有很大优势。本文以Landsat8遥感影像数据为基础，定量反演了与城市环境密切相关的城市地表温度、城市水覆盖度、植被覆盖度和城市建筑指数；并分析了在春季各因子的变化特征，以衡量城市环境质量，为开展生态环境保护规划提供参考。

1 研究区概况

连云港市位于江苏省东北部，陇海铁路终点；东临黄海，北接山东，南连长江和淮河，背靠“东海第一胜境”——云台山，如图1所示。连云港市处于暖温带与亚热带过渡地带，常年平均气温为14℃，最冷为1月，最热为 7月；历年平均降水量约为930 mm，集中降雨期为夏季；常年无霜期为220 d。四季分明，温度适宜，光照充足，雨量适中，冬无严寒，夏无酷暑，日照和风能资源为江苏省全佳地区之一；主要自然灾害为干旱、雨涝、冰雹、寒潮、霜冻和大风。

图1 连云港城市图

2 数据来源及处理

2.1 遥感数据

Landsat8卫星是由美国宇航局和美国地质调查局共同负责的项目，旨在进行长期对地观测。Landsat8携带了OLI和TIRS两个主要荷载。OLI包括9个波段，空间分辨率为30 m，其中包括一个15 m全色波段，成像宽幅为185 km×185 km。1～7波段为多光谱数据，第8波段为全色波段，第9波段为卷云波段，第10、11波段为热红外波段，第12波段为质量波段。

本文采用研究区2016-03-28（年积日88）、2016-04-13（年积日104）和2016-04-29（年积日120）3 期影像，卫星过境时间为当地上午10：36左右，云量少，能见度高、图像质量较好，覆盖整个连云港市。88日之前植被量非常少，120日之后植被量趋于稳定，该时段较好地记录了植被复苏的过程。遥感数据包括多光谱波段数据和热红外波段数据，空间分辨率分别为30 m和100 m。

2.2 数据处理

首先对Landsat8 OLI数据进行波段组合形成一幅与真实影像接近的彩色图像，方便辨别不同类型地物；然后进行FLASSH大气校正，减弱大气的影响，方便提取地物真实反射率；再进行几何校正，使影像上地物位置与真实地物位置一致；最后对影像数据进行裁剪，保留连云港市区及周边一定范围的郊区。

3 信息提取

3.1 归一化植被指数（NDVI）

NDVI综合了传感器对植被敏感的可见光和近红外波段反射光谱信息，反映了植被生长状况和覆盖度。它不仅对植被的生物物理特征十分敏感，而且可降低因传感器观测角度、太阳辐射强度、地形阴影和土壤背景不同而产生的影响[3]，计算公式为：

NDVI = (NIR-R)/(NIR+R)

式中，NIR 为近红外波段的反射率；R为红波段反射率。

该指数与城市植被的覆盖度、植被种类、土壤湿度等因素密切相关，植被越茂盛、覆盖度越高，NDVI就越大。NDVI取值区间为[-1,1]，NDVI为负时，表示云、水、雪等，对可见光高反射；NDVI为0时，表示岩石或裸土，NIR和R近似相等；NDVI为正时，表示有植被覆盖，且随覆盖度增大而增大，如图2所示。

图2 连云港市NDVI图

3.2 归一化建筑指数（NDBI）

NDBI的前身为杨山提出的仿归一化植被指数，可准确地反演建筑用地信息。NDBI越大表明建筑用地比例越高，即建筑密度越高[4]，其公式为：

式中，MIR为中红外波段反射率。

城市中NDBI分布区间为[-1,1]。NDBI高值区域分布在市中心，建筑密度高的地区；低值区域一般为耕地和水域，如图3所示。

图3 连云港市NDBI图

3.3 归一化水体指数（NDWI）

水体的反射从可见光到中红外波段逐渐减弱，在近红外、中红外波段波长范围内吸收最强，几乎无反射，因此利用可见光波段和近红外波段构成反差可快速提取影像中的水体信息。NDWI是由McFeeters S K[5]在1996年提出的，其公式为：

式中，Green为绿光波段。

3.4 地表温度（LST）反演

常用的LST反演方法主要有大气校正法、单窗算法[6]和分裂窗算法[7]3种。大气校正法适用于只有一个热红外波段的数据，如Landsat TM/ETM+/TIRS数据，本文主要采用该方法。其基本原理是先估计大气对地表热辐射的影响，再将这部分大气影响从卫星传感器所观测到的热辐射总能量中减去，从而得到地表热辐射强度，最后把这部分热辐射强度转化为相应的地表温度，其公式为：

式中，Lλ为卫星传感器接收到的热红外辐射亮度值；ε为地表比辐射率；Ts为地表真实温度（单位：K）；B(Ts)为黑体热辐射亮度；τ为大气在热红外波段的透射率。对于TIRS Band10数据，K1=774.89 W/(m2·μm·sr)，K2=1 321.08 K。在NASA提供的网站（http://atmcorr. gsfc.nasa.gov）可获取大气剖面参数。

地表比辐射率的计算用到NDVI和植被覆盖度Pv

[8]，其公式为：

式中，NDVIsoil为完全是裸土或无植被覆盖区域的NDVI值；NDVIveg为完全被植被覆盖像元的NDVI值，即纯植被像元的NDVI值。取经验值NDVIveg= 0.70和NDVIsoil= 0.05，即当某个像元的NDVI ＞ 0.70时，Pv取值为1；当NDVI＜0.05时，Pv取值为0。

4 提取结果与分析

4.1 土地利用类型的遥感指数特征

利用ENVI5.1软件结合土地利用分类图，在连云港市遥感指数图上均匀选取具有代表性的多个样本区域（山地、建筑用地、水体和农田若干），通过ENVI统计工具获取样本的NDVI、NDBI、NDWI、LST的平均值，结果见表1。

表1 连云港市各土地类型的遥感指数统计表

从表1中可以看出，各类地物统计样区的指标值差异明显：山地的NDVI最大，为0.648；农田仅次于山地，为0.632；再次为建筑用地；最小的是水体，为-0.042。结果表明，NDVI与植被的覆盖度相关性显著，山地、农田植被覆盖度相似，建筑用地NDVI较小，说明城区植被覆盖度低。由于城市建设发展迅速，城市中植被覆盖度逐渐减少，因此研究城市中NDVI对城市的绿色发展意义重大。NDBI表征城市建筑密度[9]，从表1中可以明显看出，建筑用地的NDBI大于其他地物，从NDBI图中又可以看出建筑越密集的区域NDBI就越大。NDWI表征水体指数，可以发现水体的NDWI值较高，为水体的提取提供了方便。LST较高的是建筑用地，最小的是水体。综上所述，NDVI越小且NDBI越大则LST就越高。

4.2 遥感指数随时间变化特征

1）NDVI随时间变化特征分析。本文分别选取分布均匀的农田、水体、建筑用地和山地，取区域均值代表该区域NDVI，研究3个连续时间的NDVI。由图 4可知，山地和农田的NDVI增长速度比建筑用地速度快。因为城市中房屋、建筑路面的NDVI是不随季节变化或变化非常小的，只有城市中的植被随季节变化，所以可通过120日的NDVI减去88日的NDVI来估算该城市中的植被量，再把植被量除以整个城区的面积，就可得出该城市的平均植被覆盖量。平均植被覆盖量可作为衡量一个城市的绿化程度标准，进而作为评价城市生态环境的指标之一。

图4 NDVI随时间变化特征

2）NDBI随时间变化特征分析。建筑用地的NDBI基本不变，且保持较高值，而其他地物随时间变化而逐渐降低。因为这段时期植被复苏，大部分裸露的土壤被植被覆盖；而建筑用地植被量少，对NDBI影响不大。

3）NDWI随时间变化特征分析。水体的NDWI具有较高值，其余依次是建筑用地、山地和农田，均呈现随时间变化而降低的趋势。

4）LST随时间变化特征分析。88～120日地球的北半球开始倾向太阳，受到越来越多的太阳光直射，因而气温开始升高。整体LST表现为逐渐升高，建筑用地变化较快且保持较高的LST值，这是由于房屋建筑、水泥混凝土等人工设施吸热升温较快。

4.3 植被指数与LST之间的关系

城市LST的变化直接影响人们的生活，对探讨城市热量分布具有重要意义。本文主要研究了植被茂盛时期城区NDVI、NDBI与LST的函数关系。结果表明，NDVI与LST之间存在负相关关系，即随NDVI的增加LST逐渐减小；NDBI与LST之间存在正相关关系，且相关性比NDVI与LST的大，即NDBI越高温度越高，建筑对温度起积极作用[10]。城区中植被覆盖少建筑密集的区域一般LST较高，是导致城市热岛效应的主要原因。

5 结 语

城市环境与遥感指数密切相关，本文通过3期Landsat8 OLI遥感数据对连云港地区城市环境中的遥感指数进行了提取分析；结合不同地物类型特征，研究了NDVI、NDBI、NDWI和LST的分布特征；同时分析了其随时间序列变化特征，讨论了NDVI、NDBI与LST的相关性。

研究结果表明，城市不同地物NDVI、NDBI、NDWI和LST分布不同，且可通过这些参数较准确地提取特定地物，通过时间序列分析可以发现建筑用地变化稳定，具有独特的分布特征；而其他变化明显主要是受植被生长、植被覆盖度的影响。通过相关性分析发现植被指数和LST呈正相关，可有效缓解城市热岛效应，而建筑指数与LST呈负相关，合理规划建筑用地也可改善城市热岛效应[11]。

遥感技术的快速发展，对城市环境监测和评估发挥了巨大作用。本文主要选取城市环境变化明显的3 个时期的遥感数据做研究，且地物分类较简单，在一定程度上会影响分析精度，但整体上还是可行的。因此，在今后的研究中可加入实测数据进行长时间序列对比研究，精度将更高，价值也将更大。

[1]张欢,成金华,冯银,等.特大型城市生态文明建设评价指标体系及应用:以武汉市为例[J].生态学报,2015,35(2):547-556

[2]曹越,王宏宇.城市环境中遥感技术的应用研究[J].环境科学与管理,2015,40(3):5-8

[3]Rouse J W, Haas R H, Schell J A, et al. Monitoring Vegetation Systems in the Great Plains with ERTS[C]. Third ERTS Symposium,1973:309-317

[4]ZHA Y, GAO J, NI S. Use of Normalized Difference Built-up Index in Automatically Mapping Urban Areas from TM Imagery[J]. International Journal of Remote Sensing,2003,24(3):583-594

[5]McFeeters S K. The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features[J]. International Journal of Remote Sensing,1996,17(7):1 425-1 432

[6]覃志豪,ZHANG M H, Kamieli A,等.用陆地卫星TM6数据演算地表温度的单窗算法[J].地理学报,2001,56(4):456-466

[7]孙志伟,唐伯惠,吴骅,等.通用劈窗算法的NOAA-18(N) AVHRR/3数据地表温度遥感反演与验证[J].地球信息科学学报,2013,15(3):431-439

[8]宋挺,段峥,刘军志,等.Landsat 8数据地表温度反演算法对比[J].遥感学报,2015(3):415-464

[9]徐涵秋.一种基于指数的新型遥感建筑用地指数及其生态环境意义[J].遥感技术与应用,2007,22(3):301-308

[10]武鹏飞,王茂军,张学霞.基于归一化建筑指数的北京市城市热岛效应分布特征[J].生态环境学报,2009,18(4):1 325-1 331

[11]梁保平,李艺,陈可宙.桂林市NDVI、地表温度的地物特征及相关性研究[J].遥感技术与应用,2012,27(3):429-435

P237

B

1672-4623（2017）07-0076-03

10.3969/j.issn.1672-4623.2017.07.023

刘志强，硕士研究生，研究方向为遥感技术与应用。

2016-09-29。

项目来源：国家自然科学基金资助项目（91025022）。