珞珈一号夜间灯光数据的福建省人为热通量估算

林中立，徐涵秋，林从华

1.福建工程学院建筑与城乡规划学院,福州 350118;

2.福州大学环境与安全工程学院空间数据挖掘与信息共享教育部重点实验室,福州 350116;

3.福州大学遥感信息工程研究所福建省水土流失遥感监测评估与灾害防治重点实验室,福州 350116

1 引言

当前，城市化进程正在全球范围内以前所未有的速度进行。城市化的快速发展伴随着城市空间的不断扩张，自然地表被大面积的人工建筑所取代，城市热岛效应逐步加剧（Rizwan 等，2008；Imhoff 等，2010）。同时，城市人口数量激增，根据联合国人口司统计数据显示，世界城市人口比例从1950年的30%增加至2018年的55.3%，预计到2050年，世界城市人口比例将会达到68%（United Nations，2019）。密集的人类生产和生活消耗了大量不同形式的能源，最终除了向大气排放温室气体外，还释放大量热量，这种热量即为人为热（Anthropogenic Heat）（Oke，1976；陈兵等，2016）。城市地区大量的人为热排放可直接加热地表和近地表大气，影响局地能量平衡，加剧城区及其周边区域温度的升高，对局地气候，尤其是城市热岛效应产生不可忽视的影响（Block，2004；何晓凤等，2007；Pal等，2012）。

Torrance 和Shun（1976）是最早关注城市人为热排放及其对气候影响的学者。随后，许多学者也投入到人为热的研究当中，对城市和区域的人为热排放进行估算（Ichinose 等，1999；佟华等，2004；Bohnenstengel 等，2014）。研究者通常以人为热通量AHF（Anthropogenic Heat Flux），即在单位时间和单位面积内所产生的人为热排放总通量（W/m2）来定量衡量人为热排放的数量（Iamarino等，2012）。Wang 等（2019）对2016年中国地区的AHF 进行估算，结果表明，在省级水平上，上海的年均AHF 最高，达12.53 W/m2，天津、北京和广东次之，分别为6.91 W/m2、5.84 W/m2和4.53 W/m2。Flanner（2009）根据研究的模型预测，到2040年美国大陆、西欧以及中国地区的年均AHF 将分别达到0.59 W/m2、0.89 W/m2和0.76 W/m2，同时他还指出全球年均AHF 的不断增加，将会加剧全球平均温度的升高，并且致使行星边界层内的气溶胶等大气污染物释放进入AHF 较高的地区。可见，人为热排放是当前全球城市，尤其是快速发展大背景下的中国城市的温度升高、环境质量下降等问题的不可忽视的重要原因。

夜间灯光数据能在夜间探测到地球表面微弱的近红外辐射，包括城市甚至小规模居民地的灯光、车流和其他持久性光源，以及云、油气燃烧等短暂性光源（Elvidge 等，1997）。基于这一特性，夜间灯光数据能够较好地反映社会经济活动与能源消耗的空间分布情况，已有许多学者发现了夜间灯光亮度值与AHF 之间存在显著的相关关系（Chen 等，2012；马盼盼等，2016；Wang 等，2019），利用这一特性可进行AHF 的空间估算。Wang 等（2019）利用NPP/VIIRS 夜间灯光正规化亮度值NTLnor（Normalized nighttime light data）获得了与AHF较高的拟合度（R2=0.95）。一些学者发现，将夜间灯光数据结合植被指数能够在一定程度上消除夜间灯光数据过饱和的问题，有效提高城市夜间灯光亮度的分异性与区分度，在城市开发较早、发展速度平稳的地区可以有效凸显城市核心区的灯光亮度与周边临近区域的差异（陈颖彪等，2019），从而提高夜间灯光与AHF 间的拟合度。Lu 等（2008）结合DMSP/OLS 夜间灯光数据与MODIS NDVI 植被产品，构建了人居指数HSI（Human Settlement Index）。Chen 和Hu（2017）利用HSI对北京市县区级尺度的AHF进行拟合，得到了较为显著的拟合度（R2=0.989）。Zhang 等（2013）则指出在灯光饱和区，可能出现NDVI 接近0，从而导致HSI 呈指数级增长，造成矫枉过正的问题，因此他们在HSI的成果基础上，构建了植被调节城市夜间灯光指数VANUI（Vegetation Adjusted NTL Urban Index）。

夜间灯光数据是AHF 定量估算的重要数据之一，但一直以来，应用最为广泛的夜间灯光数据为美国前后两代的夜间灯光数据（DMSP/OLS 和Suomi-NPP/VIIRS），但其分辨率仅为30 arc-second（≈1000 m）和15 arc-second（≈500 m），基本无法揭示城市内部AHF 的空间分异细节。2018年6月武汉大学成功发射了Luojia 1-01卫星（http：//www.lmars.whu.edu.cn/index.php/xwzx/2168.html［2020-06-22］），提供了空间分辨率为130 m，辐射分辨率为14 bit 的夜间灯光影像，显著改善了当前夜间灯光影像空间分辨率低的问题（Jiang等，2018；李德仁等，2019；钟亮和刘小生，2019；Wang 等，2020），运用Luojia 1-01 夜间灯光数据有望显著提高AHF估算的空间分辨率，然而针对这一方面的研究和应用迄今还鲜有报道。福建省是中国东部沿海的重要省份，当前针对福建省人为热排放的相关研究仍鲜有报道。鉴于此，本文基于Luojia 1-01夜间灯光数据，构建2018年福建省AHF 的遥感估算模型，实现省域范围的AHF高空间分辨率估算，并对福建省AHF 的空间分布规律进行分析和探讨。因此，本研究对Luojia 1-01夜间灯光数据的科学应用及其省域尺度人为热排放的研究都具有重要意义。

2 研究区和数据源

2.1 研究区概况

福建省位于中国东南沿海，地理位置为23°33′N—28°19′N，115°50′E—120°43′E，全省陆地总面积为124000 km2。福建省地形以山地丘陵为主，占全省总面积的80%以上，森林覆盖率达67%，长期居全国首位。福建省属亚热带海洋性季风气候，温暖湿润。2010年—2018年，总人口从3693 万人增至3941 万人，地区生产总值从14737 亿元增至35804 亿元，能源消费方面也出现较大的增幅，从9189 万吨标准煤增至13131 万吨标准煤（福建省统计局和国家统计局福建调查总队，2019）。

福建省共有9个地级市（福州、厦门、漳州、泉州、三明、莆田、南平、龙岩和宁德），下辖85个县（市、区），其中泉州市的金门县，以及一些面积较小的沿海岛礁不在此次研究区范围内，因此研究区总面积为121518 km2（图1（a））。

图1 福建省行政区划图及其夜间灯光影像Fig.1 The map of Fujian Province and its nighttime light image

2.2 遥感影像数据源

本文所用Luojia 1-01 夜间灯光影像来自高分辨率对地观测系统湖北数据与应用网（http：//www.hbeos.org.cn［2020-06-22］）发布的GEC 系统几何纠正产品。Luojia 1-01于2018年6月2日发射升空后，2018年全年先后过境福建省10 次，经逐影像检查，剔除其中4次质量不佳（大面积云对信息的遮挡、薄云造成的影像模糊与灯光溢出）的过境影像，本次采用的影像日期分别为：7月31日、8月21日、9月15日、9月26日、10月5日、10月30日、11月23日。

由于本文采用的一些AHF反演算法需要借助植被指数，所以进一步选用了2018年的Landsat 8 影像。数据来自美国地质调查局（USGS）官方网站（https：//earthexplorer.usgs.gov/［2020-06-22］）发布的Level 1T 产品（path/row：118—121/40—44）。影像获取时间尽量选取7—8月植被长势最好的夏季，但因福建多云雨，部分影像质量欠佳，因此使用9—10月影像或相近年份的数据进行补充，并利用时间相近的数据对少量的空洞进行填补（表1）。由于福建地区以常绿植被为主，所以7—10月的植被长势仍较为相近。

表1 研究所用Landsat 8影像Table 1 Landsat 8 images used in the study

3 研究方法

鉴于Luojia 1-01 夜间灯光数据尚无计算AHF的先例，本文提出一套利用该数据反演AHF 影像的技术流程（图2）。

图2 Luojia 1-01夜间灯光数据反演AHF的技术流程图Fig.2 The flowchart of the retrieval of AHF via Luojia 1-01 nighttime light data

3.1 几何校正

所获取的Luojia 1-01 夜间灯光影像虽然已进行系统几何纠正，但根据产品信息显示的定位精度，仍存在150—400 m 不等的误差，而且不同景的影像其几何偏移量也不同。因此，本文将几何定位较为精确的Landsat 8 作为基准影像，结合夜间灯光影像的成像特性，选取具有空间特征的地面控制点，如道路的交叉路口、桥梁的端点、建筑与水体等自然地物的边界折点等，将每一景Luojia 1-01 逐一与Landsat 8 影像进行配准，误差控制在0.5个像元内。

3.2 辐射校正

（1）Luojia 1-01 夜间灯光影像的拼接与辐射亮度转换。由于覆盖福建省全境范围的夜间灯光数据需由多景影像进行拼接，并且存在同一区域覆盖多景影像的情况，为了确保夜间灯光数据的空间连续性，并消除夜间灯光数据存在的短暂灯光噪声，将相互重叠的区域进行灯光亮度均值化的处理，同时规定若有一景影像的像元值为0，则该像元所代表的这一位置则为0（曹子阳等，2015）。将处理后的影像进行拼接，并裁剪得到研究区的夜间灯光影像。进一步将影像的DN 值转换为辐射亮度值，转换公式源于Luojia 1-01 官方网站（http：//www.hbeos.org.cn［2020-06-22］）：

式中，L为夜间灯光绝对辐射校正后辐射亮度值（W/（m2·sr·μm））。

（2）Luojia 1-01 夜间灯光影像的异常值校正。夜间灯光异常值是指那些具有异常高亮度值的像元，可由火光或油气燃烧产生（Shi 等，2014）。本文根据Shi 等（2014）提出的异常值校正方法，将福建地区城市发展程度最高的省会福州和经济特区厦门的夜间灯光进行统计，得到其最大辐射亮度值为9814.52 W/（m2·sr·μm），将该值作为异常值校正阈值，若研究区内有高于这一阈值的像元，则查看该像元相邻的8 个像元，并选择8 个相邻像元中最大的DN值重新赋值给这一异常像元。

（3）Landsat 8的辐射校正则采用Landsat用户手册中的模型和Chavez 的COST 大气校正模型，将原始影像的DN 值转换为传感器处反射率（at-sensor reflectance）（Chavez，1996；Chander 和Markham，2003；USGS，2019）。

最后将经过影像配准和辐射校正的Luojia 1-01夜间灯光影像和Landsat 8 的投影转换为Alberts 等面积投影，并将Luojia 1-01 空间分辨率重采样为与Landsat 8相同的30 m（图1（b））。

3.3 AHF空间估算指数的计算

本文选取了当前常用的3种夜间灯光数据AHF估算指数进行实验，分别为NTLnor、HSI和VANUI。这3 种指数都是基于美国前后两代夜间灯光数据DMSP/OLS和NPP/VIIRS提出的，其中HSI和VANUI还需综合MODIS 植被指数产品进行计算。目前针对Luojia 1-01 夜间灯光数据的AHF 估算指数还未见报道。因此，本文尝试将这3 个指数移植到Luojia 1-01 数据中，并结合Landsat 影像的归一化植被指数NDVI（Normalized Difference Vegetation Index）进行AHF 的反演。NTLnor、HSI和VANUI指数的计算公式分别为（Lu 等，2008；Zhang 等，2013）：

式中，NTL、NTLmax和NTLmin分别为夜间灯光辐射亮度值及其最大值和最小值；NDVImax为NDVI在研究年份中的最大值。本文利用所获取的各景Landsat 8影像计算NDVI值，然后通过逐景NDVI数据的叠加分析，从中求出NDVI 的最大值（Lu 等，2008），其计算公式为

式中，NDVI1，NDVI2，…，NDVIn为各景影像的NDVI数据。

对于NTLmin的获取，本文采用常用的指数阈值法（Imhoff等，1997；Ma等，2012；Yue等，2014）。利用Google Earth高分影像对Landsat 8 NDVImax数据纯植被像元提取效果的目视比对，确定将NDVImax大于0.52 设定为纯植被像元，其上叠加的灯光辐射亮度值如大于0，即认为这一区域为灯光溢出。据此统计得到灯光溢出区域的夜间灯光辐射亮度均值为2.02 W/（m2·sr·μm），因此将NTLmin设为2.02。

3.4 基于统计年鉴的AHF数据统计计算

基于统计年鉴计算的AHF 数据是夜间灯光数据反演结果的对比验证依据。因此，本文采用至上而下源清单法，根据福建省统计年鉴数据（福建省统计局和国家统计局福建调查总队，2019），对2018年福建省84 个县（市、区）的工业、交通、建筑（商业和生活建筑）以及人体新陈代谢（马盼盼等，2016；Chen 和Hu，2017；Wang 等，2019），这4 个主要人为热排放源的年均AHF 进行计算，公式为

式中，QS为地区年均AHF总量（W/m2）；QI为工业热通量（W/m2）；QV为交通热通量（W/m2）；QB为建筑热通量（W/m2）；QM为人体新陈代谢热通量（W/m2）。

QI、QV、QB和QM的计算公式分别为

式中，EI为工业标准煤热消耗，用每吨标准煤当量表示（tce）；C为标准煤热值，中国规定的标准煤发热值为29306 kJ/kg；A为研究区土地面积（m2）；T为时间，本次研究为1年。

式中，CMV为民用机动车保有量；D为机动车年均行驶距离（km）；E为汽油消耗率（L/km）；ρ为汽油消耗密度（kg/L）；NHC为净热量消耗（kJ/g）（Chen和Hu，2017）。

式中，EBC和EBR分别为商业建筑和生活建筑标准煤热消耗（tce）。

式中，s1和s2分别为人体活动阶段（7：00—23：00）和人体睡眠阶段（23：00—7：00）的人均代谢热消耗（W）（Grimmond，1992；Quah和Roth，2012）；t1和t2分别为人体活动时长和睡眠时长（h）；P为人口数量。

3.5 AHF遥感估算模型的构建与验证

前文述及，夜间灯光亮度值与AHF 有着显著的相关性，利用这一特性可将夜间灯光估算指数结果与统计年鉴数据的AHF 计算结果进行关联，构建基于夜间灯光数据的AHF遥感空间估算模型。根据统计年鉴，通过式（6）—（10）可计算得到福建省84 个县域（不含金门县）的年均AHF 统计值（记为：AHFsta），并将其作为因变量（y）；将NTLnor、HSI 和VANUI 估算指数计算得到的各县域均值作为自变量（x），然后进行多种函数的回归分析，建立AHF的遥感估算模型。

通过对比不同估算模型的回归方程拟合度（R2），初步筛选出R2较高的估算模型。为了进一步评价AHF 估算模型的结果，采用统计学上常用的五折交叉验证法（5-fold cross-validation），该交叉验证是将样本数据随机分成5 份，将其中4 份作为训练数据，1 份作为测试数据，最终得到5 次验证结果，并将其作为对估算模型精度的结果，使用均方根误差（RMSE）进行定量表示（杨立娟等，2018；Yang等，2019）。

4 结果与讨论

4.1 AHF最佳遥感估算模型的确定与验证

为了从NTLnor、HSI 和VANUI 这3 个指数中确定出最佳估算模型，在回归时分别采用线性、多项式、指数、对数、乘幂等5 种函数对3 个指数（x）和基于统计年鉴计算的AHF（记为：AHFsta）进行回归分析。各估算模型的方程拟合都通过了1%的显著性检验（p<0.01），从表2 可以看出，乘幂函数估算模型在3 个指数中的R2都是最高的，而其中NTLnor、VANUI 的R2都大于0.9，高于HSI的0.8。

表2 AHF空间估算模型Table 2 The AHF spatial estimation models based on different indexes

虽然VANUI乘幂估算模型的R2略高于NTLnor乘幂估算模型，但优势不明显。因此，将二者乘幂函数估算模型进行五折交叉验证。从图3的验证结果可知，2 个估算模型的估算值与统计的AHFsta验证值之间的拟合度很高，R2均达到0.98。就RMSE 误差而言，VANUI 乘幂估算模型的2.1786 W/m2小于NTLnor的2.2411 W/m2，因此本文选用VANUI 乘幂估算模型作为福建省AHF的最佳遥感估算模型。

图3 AHF估算模型验证交叉验证结果Fig.3 Cross-validation results of AHF estimation models

从上述NTLnor、HSI 和VANUI 的估算模型构建结果可以看出，这3 个指数与AHFsta的回归方程都有着较好的拟合度，其中NTLnor和VANUI乘幂估算模型验证有着较高的精度。但VANUI 从估算模型拟合度和模型估算精度方面都要略高于NTLnor，说明在单一夜间灯光数据得到的NTLnor中引入植被指数，对模型估算精度的提高确实有一定作用。然而，对于HSI，虽然也同样引入植被指数，但估算模型拟合效果仍不够理想，通过考察HSI的计算公式（式（3））可以发现，由于NTLnor与NDVImax有着较显著的乘幂关系，因此当NTLnor在高亮灯光区域出现最大值，或接近最大值1 时，NDVImax则将接近最小值0，这将造成HSI 值呈指数级快速增加，出现极大值的极端情况，导致HSI计算结果的失真（Zhang 等，2013）。Wang 等（2019）也在研究中指出，运用NTLnor和VANUI 所构建的估算模型其AHF估算结果要明显优于HSI。

4.2 AHF空间估算结果

根据基于VANUI 的乘幂估算模型（AHFsta=848.2905x0.8198）反演出2018年福建省AHF 分布图（图4（a））和各县（市、区）的AHF 均值分布图（图4（b））。可以看出，福建省AHF整体上呈现明显的空间分异性，经济水平较高的东南沿海地区，其AHF 也较高，在空间上形成了从福州到厦门的沿海人为热排放集聚带；而中、西部地区多为山地，森林覆盖度高，城市较为分散，因此AHF 整体较低，分布也较为稀疏。

图4 2018年福建省AHF分布图Fig.4 The AHF map of Fujian Province in 2018

对图4 进行统计可知，2018年全省AHF 均值为0.88 W/m2。9 个地级市中，厦门的年均AHF 最高，达10.98 W/m2，泉州、莆田、福州、漳州等沿海城市次之，年均AHF 在0.98—1.95 W/m2，而北部的宁德以及中西部内陆山区的龙岩、三明、南平等城市则较低，均值在0.38—0.46 W/m2（图5），在空间上明显体现出东西分异的状况。

图5 福建省9个城市的年均AHFFig.5 The average annual AHF values of the nine prefecture-level cities of Fujian Province

为探究Luojia 1-01 高分辨率数据在确定城市内部AHF 空间细节方面是否有优势，对福建省东部沿海AHF 高值集聚最明显的福州市区、泉州市区和厦门岛进行城市AHF 空间细节呈现（图6）。可以看出，Luojia 1-01 影像具有较强的城市内部空间刻画能力，能够清晰地揭示城区人为热排放的分异细节。进一步对Luojia 1-01 所呈现的AHF空间细节进行分析，在城市空间尺度上，3个城市的AHF均呈现在老城区或大型商业区的块状集聚，如福州东街口和江滨商业区、泉州城市中心区、厦门的老城区和集中商业区等区域，这些区域的AHF 多在150 W/m2以上，局部最高值区域可超过500 W/m2。此外，一些大型的市政公共设施区也有较大面积的高值集聚，如厦门高崎国际机场、货运码头、厦门国际会展中心的AHF 都超过100 W/m2。相比于商业区和大型公共设施区，一些连片居住片区，如福州金山住宅区、泉州东海湾片住宅区、厦门岛内住宅区等，其AHF则有一定程度的降低，可保持在10—50 W/m2。而一些城市近郊的村庄和社区的AHF则更低，一般为2—10 W/m2。从图6还可以发现，人为热排放除了呈块状集聚外，同时沿城市主干道呈网状蔓延，根据主干道的车流情况与繁华程度的不同，AHF 呈现出不同的数值，一般为30—100 W/m2，而在一些道路的交汇点，AHF可达200 W/m2（表3）。

表3 不同用地类型的AHF均值Table 3 The mean AHF of the different land use types

图6 福建省3个主要沿海城市的AHF高值区域Fig.6 High AHF areas in the three coastal cities of Fujian Province

以上分析表明Luojia 1-01 高空间分辨率数据有助于城市内部AHF 空间细节的辨析，并可获取各土地覆盖类型的AHF 定量数值。根据用地属性和用地功能的不同，AHF 数值可表现为：城市集中商业区>大型市政公共设施区>城市主干道>城市住宅区>近郊住宅区，这一发现将有助于人为热的减排和治理。但是，研究也发现作为城市白天关键热源之一的工业区未能在AHF 结果中很好地体现，许多工业区在反演的AHF影像中的值并不高。这主要是由于工业区的生产活动及其热排放主要是在白天进行，因此夜间灯光数据未能捕捉到夜间工业区的信息，造成了工业区AHF 数值偏低的结果。在今后的AHF 研究中可加入白天过空的热红外遥感数据，以弥补这一缺陷。这是由于热红外数据可以较全面地揭示日间人为活动热源的空间分异规律，特别是对工业区的生产及其热排放有明显的热辐射信息反馈，因此，在后续研究中可尝试耦合夜间灯光与热红外数据，以期更加全面、精准地定量估算AHF的空间分布。

5 结论

本文运用Luojia 1-01 夜间灯光数据，辅以Landsat 8 植被指数数据，构建了AHF 空间估算的遥感模型，并反演得到了福建省AHF 空间分布影像，所获得主要结论如下：

（1）Luojia 1-01 夜间灯光可以有效地反演AHF数据，揭示其空间分布细节。在所采用的3个指数中，VANUI 指数与福建省2018年各县域的AHF 统计数据的拟合度最高，基于其乘幂函数构建的AHF遥感估算模型的RMSE误差也最小。

（2）从VANUI 估算模型反演得到的AHF 结果可知，2018年福建省年均AHF 为0.88 W/m2，且在空间上表现为经济水平较高的东南沿海地区的AHF明显高于中、西部内陆地区，并形成了东部沿海热排放集聚带。由于AHF 与工业产值和城市人口密度的相关度最高，因此，在今后的城市发展中，应避免人口和工业过度集中，逐步对高热集聚区进行有序疏散。

（3）Luojia 1-01相比于前两代夜间灯光DMSP/OLS 和Suomi-NPP/VIIRS 在影像的空间分辨率上有了较大的提升，这显著提高了夜间灯光数据对AHF 空间细节的辨析能力。本文也因此发现了研究区城市内部因用地属性和功能的不同而表现出的AHF不同，具体表现为：城市集中商业区>大型市政公共设施区>城市主干道>城市住宅区>郊区住宅区，这一发现将有助于城市人为热的减排和治理。