英语原文共 8 页,剩余内容已隐藏,支付完成后下载完整资料
国际生态建模学会第18届双年会
使用遥感图像评估不同程度的城市化对地表温度
的影响
Z. Guo a* ,S.D. Wanga ,M.M. Chengc ,Y. Shub
a北京师范大学地表过程与资源生态国家重点实验室,北京100875
b北京师范大学民政与教育部减灾与应急管理研究所,北京,100875,中国
c南京大学国际地球系统科学研究所,南京,210093
摘要:城市化是一个以人为主的过程,对生物多样性,生态系统过程和区域气候有很大影响。本研究使用遥感影像评估不同程度的城市化对地表温度的影响,Landsat TM图像用于Artis和Carnahan提出的算法进行地表温度恢复。 ALOS多光谱图像被用于在三个城市化程度不同的研究区域使用分类树进行地被分类,即西城(A),北京海淀区(B),石景山区(C)。土地覆盖的具体表面温度是通过反演算法估算的。在城市化的不同程度上,减少像素内植被覆盖率会导致地表温度升高,由一个综合了地表覆盖类型覆盖率和细胞平均NDVI的城市化指数来模拟建成定量评估两者之间的关系城市化程度和地表温度的不同程度。西城区,海淀区,石景山区分别计算为0.91,0.72和0.55。结果与评估趋势一致采用定量估算地表温度。
copy;2011由Elsevier B.V.出版由北京环境学院负责选择和/或同行评审师范大学。在CC BY-NC-ND许可下开放访问。
关键词:土地覆盖;城市化; 地表温度。
1.介绍
随着城市化的快速发展, 现在城市化和城市热环境的研究吸引了各地科学家的广泛兴趣,城市人口和建筑物的增长迅速导致绿地面积急剧减少,反渗透面积增加。城市的核心变得比周边温暖,从而形成城市热岛[1]。北京作为我们的首都,中国经济发展最快的大都市之一,为这种土地转换提供了惊人的代表。从自然地表向城市地区不断的土地变化必然会带来重大的生态后果充分研究[2,3]。城市发展可以深刻地改变城市景观结构和城市热力环境,及时和准确的关于城市生态系统状况和趋势的信息对于发展可持续发展战略,改善城市居住环境和生活质量至关重要[4,5]。因此,监测城市扩张和城市热环境的开发技术和增强能力是非常必要的。在过去的几年中,遥感数据的各种空间,光谱,角度分辨率已被广泛用于研究城市发展和检索陆地表面生物物理参数等植被丰富度,建成指数和地表温度,这些都是城市条件的良好指标生态系统[6]。城市化最明显的效果是建筑覆盖物的增加。作为城市化进程持续过程,城市热岛地区扩大,建成地被覆盖类型覆盖率增加。文献中关于城市化指数的定义很少,包括公屋在总建筑中的比例住房,道路密度和建筑面积百分比,以及单位面积的建筑覆盖率[7]。这些指数基本上用建筑面积百分比来量化城市化程度,而不考虑效果植被覆盖。因此,我们用wei等[7]提出的城市化指数来分析城市化程度。这些研究必将丰富我们对城市生态系统甚至世界的认识和理解。[1]
2.研究领域和数据预处理
中国首都北京市(39°54,116°23)位于华北平原,面积16410平方公里,人口将近1800万(2009年)。在快速城市化进程中,这一领域与其他世界大都市城市地区一样,在生态环境保护以及城市系统的管理和运行方面承受着巨大的压力,(图1)。本研究选取不同程度城市化程度的北京三区(西城区,海淀区,石景山区)为研究对象。这些地区包括(1)以西城区为中心的分区域,(2)海淀区分区域,(3)石景山分区域。西城区是一个高度发达的大都市,相比之下,海淀和石景山都是中等发达的城市地区。事实上,我们的研究领域只包含了一些专业领域区域。
2009年9月2日的Landsat TM影像(晴天条件下获取)被选中用于本研究的高质量图像。所有购买的图像都是经过几何图形校正和地理参考到WGS-84数据和通用横轴墨卡托区50N坐标系的投影。本研究中,我们使用太阳反射光谱范围内的波段来提取植被丰富度和植被指数,每个数据集的LANDSAT6(热红外波段)用于检索地表温度。原始数字(DN)通过应用在中指定的校准系数(增益和偏移)转换为辐射Landsat手册。
收集这些研究区域的ALOS卫星多光谱图像。这些图像是由AVNIR2传感器安装在ALOS卫星上,空间分辨率为10m*10m。个别研究领域图像采集日期是2009年9月5日。所有这些卫星图像都经过预处理,用于辐射测量和测量几何校正。因此,所有图像都被映射到地图投影坐标。
图1.研究地点的位置(R,G,B TM带7,4,3)。
3.方法
3.1 地表温度恢复
对于Landsat TM传感器,只有一个波段位于热红外区域,这是一个重要的限制因素,为了使用广泛使用的分裂窗口方法或温度/发射率分离算法检索LST,获得关于发射率的附加信息是非常必要的[8]。各种算法都有被开发用于从TM图像中获取地表温度,例如单窗算法[9],单通道算法[10]和Artis和Carnahan[11]提出的方法。除了辐射率外,还有一些额外的使用单窗口算法和单通道方法需要参数,而方法由Artis和Carnahan开发的[11]不需要额外的输入参数,因此在本研究中选中这个方法。请注意,上述任何一种方法的前提是数据是放射性的校准并且预先计算了亮度温度。以下公式用于转换Landsat5-TM TIR波段的数字编号(DN)与光谱辐射度[12]的关系:
然后使用下面的公式将光谱辐射率转换为at下的传感器亮度温度均匀发射率假设[13]:
TB是以开尔文(K)为单位的亮度温度,Llambda;是以Wm-2 sr-1 mm-1为单位的光谱辐射亮度;K2和K1是表1中列出的预发射校准常数。
要获取地表温度,必须使用上面获得的亮度温度进行缩放表面材料的发射率。Sobrino等[8]推荐的一种改进的NDVI阈值法 - NDVITHM,用于生成三个日期的辐射率图像,并修改NDVI阈值。一旦发射率图像被获得,LST可以根据下式导出:
lambda;是有效波长(Land6 TM为11.475mu;m),sigma;是玻尔兹曼常数(1.38 * 10-23J / K),h为Plank常数(6.626 * 10-34 Js),c是真空(2.998 * 108 m / s)处的光速,ε是发射率。检索到的LST图像如图2所示。
3.2 估算地表特定的表面温度
从Landsat TM图像导出的地表温度表示一个像素内的平均温度可能由几种土地覆盖类型组成。研究区有四种主要的土地覆盖类型:(1)水池塘,(2)建成区(包括铺设道路,住宅区和工厂建筑物)和裸露的土壤,(3)稀疏植被,(4)植被。有必要进一步估计个别土地覆盖类型的表观温度是否来自地表温度。这可以通过确定不同地表覆盖类型的覆盖率来完成。在单个Landsat TM6像素内使用多光谱ALOS图像。详细的程序如下所述:假设研究区存在k种不同的土地覆盖类型。每个像素的空间覆盖范围内土地覆盖类型占总像素覆盖率和表观的覆盖率omega;i(i=1,2,...,k),Ti(i=1,2,...,k)表示不同地形覆盖类型的温度。像素平均陆地表面温度因此可以被计算为:
其中j是研究区域中指定LanddatTM6图像中各个像素的索引,N是该像素中的总像素数。覆盖率omega;i不仅随土地覆盖类型而变化,而且也随像素而变化。
我们还假设在研究区域内,特定地形覆盖类型的表观温度不会随之变化空间位置,即,
这里Ti代表了地表特定的表观温度。这样的假设是合理的,因为对于一个具体的土地覆盖类型,研究区内表观温度(约6000m*6000m)的空间变化很小,更重要的是应该在一个地区评估土地覆盖类型对环境空气温度的影响规模,而不是基于个别像素。因此,像素平均地表温度的空间变化取决于在各个Landsat TM6像素中存在的不同地表覆盖类型的覆盖率,即,
3.3使用城市化指数评估城市化程度
我们建议通过整合建成的土地覆盖类型的覆盖率来开发细胞特异性城市化指数和细胞平均NDVI[7]:
其中Pb代表建成的地面覆盖类型的单个细胞的覆盖率。理论上,价值特定于小区的城市化指数可以在0和2之间变化,因为-1le;NDVIcellle;1。实际上,大部分NDVIcell值介于0和1之间,更高的UIcell值表示城市化的更显着效果。
4.结果分析
4.1 城市热岛影响
图2.来自Landsat TM影像的LST
在这项研究中,城市热岛的确定方式如下:
研究区温度的平均值和标准偏差分别为mu;和sigma;。城市热岛强度定义为热岛地区平均气温与农村平均气温的差值。该结果表明,城市热岛的空间分布在很大程度上符合建成区的格局UHI地区主要位于以高层和低层住宅为主的商业地区大部分位于北京中心城区,而非UHI地区的地区,工业区和裸露土壤。主要发生在水域,高度稀疏植被丰富的地区,如森林,农作物或公园。
4.2. 地表覆盖类型对地表温度的影响
表1.估算的地表特定表面温度(K)
表1表明,地表温度随着土地覆盖类型而变化。建成区铺设道路和公路住宅和工厂建筑物的表面温度比其他土地类型高得多植被具有最低的表面温度。虽然建成的土地覆盖物具有明显更高的表面温度比其他地形类型,不同研究区域的结温差别更小。这是因为建成的土地覆盖物具有最大的垂直温度梯度。
图3 不同陆地类型像素覆盖率与像素平均温度之间的经验关系
除了比较基于地皮转化的地表特定的气温之外,就个别Landsat TM6像素内某些土地覆盖类型的覆盖率而言,另一种评估土地覆盖类型对环境空气温度影响的方法是评估平均地表温度。
如图3所示,说明了像素平均LST与像素内覆盖率(CR)之间的关系土地覆盖类型。所有的回归线,特别是与建成的土地覆盖类型相关的回归线都非常意义重大,表明研究区内已建立完善的土地覆盖格局。应该强调的是,当建筑覆盖率增加,LST上升。当植被增加,LST下降。
4.3 城市化水平与城市化指数的关系
在以前的研究中,温度和植被之间的关系经常使用归一化差异植被指数[14,15],其中大多数表明NDVI与土地强相关地表温度,然而,地表温度与植被丰度和百分比的关系,不包括水面未被完全覆盖的区域。LST与其他变量之间关系的相关分析进一步以不同的尺度进行:像素尺度和区域尺度。在像素处应用相关性分析之前缩放分数的像素大小,并且LST图像必须重新缩放到相同的大小[6]。但是,这种方法必定导致错误。因此,我们引入公式(7)产生的城市化指数来研究关系LST对城市化指数。
图4 Landsat TM影像的LST,来自ALOS的地面实况,来源于公式(7)的城市化指数。 A:石景山分区,B:海淀分区,C:西城分区。
图5 LST与UI的关系
A,B,C地表温度和城市化指数见图4。C研究区域建筑占主导地区的比例最高,而A最少,似乎是更多样化的地区位于具有主要土地覆盖的地区和植被之间,也可能被视为过渡地区。该图4中不同占优势土地覆盖类型的空间格局不仅与UI有很好的一致性,区分内陆主导地区和植被主导地区,肯定了LST的可行性,还评估了LST与UI的关系。结果如图5所示。
三个研究区域的LST与UI的确定系数相当低(最大R平方值为小于0.6),并且在LST与NDVI的关系中也发现了相同的情况。这些结果暗示着细胞尺度,LST与UI的关系不能简单地用线性模型来表示,可能还有更多它们之间复杂的未知关联,这在将来的研究中需要进一步研究。但是,我们当城市化程度提高时,也可能导致LST增加。
5.讨论和结论
在本文中,Landsat TM和ALOS图像被用于调查城市化对城市的影响研究北京地区热力特征与城市化指数的关系。比较分析了特定地表温度和不同地表覆盖率之间,依次进行细胞尺度的LST与UI之间的分析。
城市化分析显示北京经历了快速城市化,不同城市化程度的差异分别为0.91,0.72和0.55。LST与UI之间的关系的比较分析表明,在细胞尺度上,LST与UI相对更复杂,这种关系并不是很积极。这可能可以归结为:(1)LST的变化受到区域计算的高度抑制,以及(2)采样方式对地形的影响在细胞尺度上相关性大大降低。
需要进一步的工作来:(1)定量验证用于映射不透水层的新增强方法,表面使用更精细的空间分辨率图像。(2)城市化指数是一个二维参数,分析时,LST和UI之间的关系,可能是我们应该考虑的高程。我们可以引入DEM作为参数由UI组成。此外,还建议研究其他大都市和不同的遥感数据。
致谢
这项工作由地表过程国家重点实验室项目(No.2010DFA32920)和北京师范大学资源生态学共同出资。我们非常感谢王世东的帮助。作者还想感谢两位同学给我的对于这本手稿的可
剩余内容已隐藏,支付完成后下载完整资料
资料编号:[24648],资料为PDF文档或Word文档,PDF文档可免费转换为Word
以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
您可能感兴趣的文章
- 带水印的GIS数字矢量地图质量监测外文翻译资料
- 基于多源地理数据的城市功能区识别——以中国郑州市为例外文翻译资料
- 北京医疗服务可及性的空间差异和影响机制:移徙者平等的视角外文翻译资料
- 利用巴基斯坦费萨拉巴德的光学多时相卫星数据进行陆地表面温度和土地利用土地覆盖变化的CA-马尔可夫链分析外文翻译资料
- 大都市地区植被净初级生产力(NPP)动态变化与城市化驱动力研究–以北京市为例外文翻译资料
- 公园缓解城市热岛效应的有效性–以亚的斯亚贝巴为例外文翻译资料
- 一种描述新罕布夏州肺癌发病空间格局的地理计算方法外文翻译资料
- 加拿大大温哥华地区极端炎热天气温度-死亡率关系的空间差异描述外文翻译资料
- 雅典地区气温和湿度对人体热舒适度的影响外文翻译资料
- 量化公共卫生实践和研究中的空间可及性:在现场酒精场所的应用,美国,2013年外文翻译资料