耦合夜光遥感的粤港澳不透水面提取及其热岛效应研究

李伟,陈朝霞,周美玲

(1.广州市城市规划勘测设计研究院,广东 广州 510060; 2.广东省城市感知与监测预警企业重点实验室,广东 广州 510060)

0 引 言

粤港澳大湾区建设已纳入国家发展战略,其城市化进程不断加快,城市化率超过80%。土地利用和覆盖、城市范围不断扩张,不透水面也不断增加。不透水面是一种能阻止水下渗到土壤的物质,包括自然不透水面和人工地表,而主要表现为公路、停车场、广场、机场等人工建筑。城市不透水面的增加带来植被、土壤和水体等自然景观的减少,从而导致一系列生态环境负面影响,如城市内涝、水文环境、城市热岛效应、局地气候等[1-3],进而影响城市生态的可持续性[4]。因此,准确理解不透水面特征,并分析其对城市热环境的影响,对城市建设与功能优化、生态保护等都具有重要意义。但目前对大湾区城市群密集不透水面的空间结构特征及相关研究还较缺乏。

传统的不透水面提取采用实地测绘,此方法成本高,投入多,数据难以获取。而卫星遥感为不透水面监测及相关方研究提供了基础。当前基于卫星遥感的不透水面提取主要有五种方法,如表1所示。第一种是光谱混合分析法,广泛使用的是线性光谱混合分析法(LSMA),该方法具有较好的理论基础,主要是通过端元的相关波段的反射率及其面积比为权重系数的线性组合[5]。LMSA方法精度较高,但由于多光谱影像分辨率有限,纯净象元不易获取,会造成水体和低反照率不透水面信息相混。唐菲等[6]基于高光谱影像的特征波段进行端元选取,提取精度优于TM/ETM+。第二种方法是指数法,目前已建立了NDISI等多种指数应用于不透水面提取[7-10],该方法特点是精度高,不需要水体掩膜,且能融合多源数据构建指数,进而进行大样本定量分析,并可联合地表温度等因子进行分析,是目前应用最广泛的方法[11]。第三种方法是决策树方法[12,13]。其中分类回归树(CART法)可有效处理大量数据、高维数据和非线性关系数据,利于大范围不透水面的提取。第四种方法是回归法。Bauer等[14]人将Landsat TM/ETM+影像缨帽变换的绿度分量与 1 m的DOQ影像中获取的不透水面比例信息进行回归分析,获得二者的回归关系模型,平均R2约0.87,但存在不透水面与裸土相混的不足。第五种方法是基于机器学习的方法[15-17],常用的有人工神经网络模型(ANN)、支持向量机(SVM)和随机森林法(RF)。研究表明,人工智能分类比传统分类方法有一定优势,但不透水面提取精度较大程度取决于训练样本的数量和质量。

表1 不透水面提取的主要方法

针对上述研究分析,本文结合VIIRS夜光遥感和植被等多源遥感数据,计算LISI指数,验证模型精度,挖掘粤港澳城市2015年不透水面信息。并联合地表温度反演,分析城市热岛对不透水面的响应特征。

1 研究区与数据处理

1.1 研究区概况

粤港澳大湾区(以下简称“大湾区”)包括广州、深圳、珠海、佛山、惠州(不含龙门)、东莞、中山、江门、肇庆(市区和四会市)9个地级市以及香港、澳门两个特别行政区,位于亚热带季风气候区,地形以丘陵、平原为主,总面积约为4.26×104 km2。考虑到产品数据的可验证,本文研究区仅针对湾区的广州、深圳、东莞和香港四个城市区,如图1所示。

图1 研究区域

1.2 数据来源及预处理

本文采用的数据包括:Landsat/OLI光谱数据、VIIRS/DNB夜间灯光数据、MODIS NDVI数据、Landsat ETM数据以及Modis 05_L2数据。

VIIRS/DNB夜间灯光数据空间分辨率约 463 m,本文选取2015年VIIRS全年12期月均灯光数据的平均值作为年均灯光值(数据源:https://ladsweb.modaps.eosdis.nasa.gov/)。MODIS NDVI数据用于结合VIIRS/DNB数据进行不透水面指数建模,提取不透水面信息。本文采用 250 m归一化植被指数(NDVI)16d合成数据(数据源:https://ladsweb.modaps.eosdis.nasa.gov/)。Landsat/OLI多光谱影像空间分辨率为 30 m,本文一共选取2015年2景质量较好且能覆盖全域的Landsat影像,用于辅助不透水面回归分析。Landsat影响均进行了辐射定标、大气校正等预处理(数据源:https://ladsweb.modaps.eosdis.nasa.gov/)。MODIS 05_L2数据分辨率为 1 000 m,主要用于获取大气含水量信息,并结合Landsat ETM数据,进行地面温度反演(数据源:https://ladsweb.modaps.eosdis.nasa.gov/)。

2 研究方法

本文技术路线图如图2所示。结合VIIRS夜光遥感和植被信息,计算LISI(Large-scale Impervious Surface Index)指数来表征不透水面,与基于Landsat数据选取的样本点建立不透水面回归,验证方法的可行性,并与全球 30 m不透水面数据产品进行对比,验证LISI模型的提取精度。最后联合反演的对应地表温度,分析城市热岛对不透水面的响应特征。

图2 技术路线图

2.1 不透水面LISI指数计算

耦合处理后的VIIRS夜光和MODIS NDVI数据,根据Guo[18]方法计算LISI指数,核心公式如式(1)、(2)所示。

(1)

(2)

式中,DNBnor是归一化后的VIIRS/DNB,取值范围介于(0,1);DNBmean是年均值,因夜光值在一年中变化较小。DNBmax和DNBmin分别是VIIRS/DNB数值的最大值65和最小值0。

NDVImean是MODIS NDVI对应时项平均值,MODIS NDVI与不透水面呈负相关,使其与不透水面呈正相关,则起平滑作用。如图3为VIIRS年均夜光值及LISI指数。

图3 2015年粤港澳四城市夜光年均值(左图)及LISI不透水面指数(右图)

2.2 地表温度反演

本文采用单通道算法[19]反演地表温度,该方法所需参数较少,广泛运用地表温度反演,且精度较高。如图3和图4分别为反演的地表温度(2015年10月18日)及地表覆盖类型。

图4 反演的地表温度(左图)及地表覆盖类型(右图)

3 结果分析

3.1 精度验证

本文首先将上述计算的LISI不透水面指数与基于Landsat/OLI影像利用文献[5]得到的ISP(Impervious Surface Percent,不透水面比例)进行模型对比,验证LISI指数的可行性;并深入与国家地球系统科学数据中心发布的全球 30 m不透水面数据产品进行对比,验证LISI指数精度。该产品[20]是利用GlobeLand30地表覆盖、VIIRS夜间灯光数据和MODIS EVI植被指数产品,自动提取高置信度人工不透水面分类的训练样本。再利用多时相Landsat-8 OLI反射率特征、Sentinel-1 SAR结构特征和SRTM/ASTER DEM地形特征等,采用随机森林建模,基于GEE云平台生成的2015年全球 30 m不透水面产品,总体精度为95.1%,kappa系数为0.898。

ISP不透水面是采用线性光谱混合分析法(LSMA)得到的四端元反射率地物,并将高反射率和低反射率地物相加确定为不透水面,存在不透水面象元漏测现象。如图5为两种方法不透水面的对比,相关性R2约0.62,两种方法可直接象元级尺度对比。

图5 LISI不透水面指数与ISP方法的对比

深入地,将LISI指数与全球2015年不透水面产品数据对比。由于公布的产品数据栅格数值是2和1,分别对应不透水面和透水面。因此,将LISI指数采用均值-标准差方法进行等级划分,划分标准如表2所示,其中均值U=0.064 182 8,标准差STD=0.060 682 6。

表2 不透水面划分标准

尺度统一后,将分级后的中等不透水面及以上等级划为实际不透水面(图6),与不透水面产品(图7)对比,相关系数R2=0.888 2,精度较高,验证了LISI指数表征不透水面的可行性,且两者在空间分布上具有较好的一致性。

图6 2015年研究区不透水面等级分布图

图7 2015年研究区不透水面产品影像

3.2 不透水面的空间结构特征分析

如图8为湾区四城市不透水面地表类型及面积占比分布。结果表明:不透水面分布存在空间差异,其总体分布等级变化趋势由北向南逐渐增加。5个分类级别中,面积排序依次由大到小依次为:较弱不透水面(28.10%)>弱不透水面(26.18%)>中等不透水面(16.75%)>强不透水面(16.11%)>较强不透水面(12.86%)。面积最大的较弱不透水面和面积第二大的弱不透水面面积比例之和为54.28%,超过50%,这与研究区北部存在大面积林地植被地类有着密切联系。

图8 不透水面类型及密度比例

根据2015年研究区不透水面等级分布数据与地类分布数据进行面积交叉统计分析,结果显示,植被地类中不透水面等级占比中、弱不透水面和较弱不透水面两者比例之和超过80%,这也解释了整体不透水面的等级分布中较弱不透水面及弱不透水面面积之和远大于其他等级;建筑地类中,最大占比等级为强不透水面,占比40.27%,在一定程度上说明建筑地类与强不透水面间的关系;裸土地类则是由较弱不透水面占比最高,但裸土地类存在自然裸土与人工裸土之分,因此也出现强不透水面比例在裸土类也有着21.56%的占比。研究区地类分布则与不透水面等级分布情况较为吻合,与面积比例统计表格中各地类最大值不透水面等级分布相同。

3.3 城市热岛对不透水面的响应关系分析

反演的地表温度与地基实测站点对比,如表3所示,两者具有较好的一致性,精度较高。进而将2015年研究区的地表温度按照均值-标准差划分,标准如下表4所示,其中均值U=301.378,标准差STD=3.661 80。

表3 反演的地表温度与地基站点精度验证

表4 研究区城市热岛划分标准

2015年研究区的地表温度按照均值-标准差分级,结果如图9所示。与研究区地类分布图对比可知,地类关于地表温度分级排序依次为:建筑>裸土>植被。研究区的地表温度等级由城市建筑中心地带向外缘逐渐降低,其中城市中心的地表温度等级明显比周边地带高,有明显的城市热岛效应。

如图10所示,根据热岛等级分布图中各等级分布的空间位置,其分布等级也呈由北向南逐渐增加,与不透水面等级分布规律基本相同。结合不透水面分布与地类关系、地表温度与地类关系可发现,地表温度分布和不透水面分布均与地面地类紧密联系,因此地表温度与不透水面分布之间也应存在对应联系。通过热岛等级分布面积与不透水面分布面积进行交叉统计,不透水面等级在不同地温分级中面积最大者随着地温分级的不同而改变。冷岛与绿岛中最大不透水面分级均为弱不透水面,占比为69%和51%;正常区中面积最大为较弱不透水面;较热区与强热岛则是强不透水面所占面积最大。通过统计结果,可初步得出结论,不透水面等级与热岛等级成正比例关系。

图10 热岛等级对不透水面等级交叉统计面积比

4 结 论

本文结合VIIRS/NPP夜光数据与Landsat8数据等多源数据,基于LISI指数法反演了2015年粤港澳湾区四个城市不透水面,并与传统的线性光谱混合法(LSMA)进行了对比,同时结合不透水面产品数据进行了不透水面地表类型、空间结构等方面的深入分析;再结合反演的地表温度,分析了不透水面与城市热岛效应的关系。主要得到了如下结论:

(1)基于LISI指数表征的不透水面,与耦合大数据及机器学习方式的不透水面产品相关性较高,R2=0.888 2。能较高精度挖掘不透水面密度及其时空特征,且高效便捷。

(2)针对全球近地面CO2年均浓度,则呈逐年增长趋势,且呈条带分布。高值区集中在北半球,南半球则相反。高值区主要集中在东亚地区、西欧地区、美国东部和非洲中部地区。

(3)因此,为改善城市热岛效应,可以采取以下措施:减少强不透水面,增加弱不透水面面积;减少裸土与建筑面积,增加植被面积。