耦合夜光遙感的粵港澳不透水面提取及其熱島效應研究

李偉,陳朝霞,周美玲

(1.廣州市城市規劃勘測設計研究院,廣東 廣州 510060; 2.廣東省城市感知與監測預警企業重點實驗室,廣東 廣州 510060)

0 引 言

粵港澳大灣區建設已納入國家發展戰略,其城市化進程不斷加快,城市化率超過80%。土地利用和覆蓋、城市范圍不斷擴張,不透水面也不斷增加。不透水面是一種能阻止水下滲到土壤的物質,包括自然不透水面和人工地表,而主要表現為公路、停車場、廣場、機場等人工建筑。城市不透水面的增加帶來植被、土壤和水體等自然景觀的減少,從而導致一系列生態環境負面影響,如城市內澇、水文環境、城市熱島效應、局地氣候等[1-3],進而影響城市生態的可持續性[4]。因此,準確理解不透水面特征,并分析其對城市熱環境的影響,對城市建設與功能優化、生態保護等都具有重要意義。但目前對大灣區城市群密集不透水面的空間結構特征及相關研究還較缺乏。

傳統的不透水面提取采用實地測繪,此方法成本高,投入多,數據難以獲取。而衛星遙感為不透水面監測及相關方研究提供了基礎。當前基于衛星遙感的不透水面提取主要有五種方法,如表1所示。第一種是光譜混合分析法,廣泛使用的是線性光譜混合分析法(LSMA),該方法具有較好的理論基礎,主要是通過端元的相關波段的反射率及其面積比為權重系數的線性組合[5]。LMSA方法精度較高,但由于多光譜影像分辨率有限,純凈象元不易獲取,會造成水體和低反照率不透水面信息相混。唐菲等[6]基于高光譜影像的特征波段進行端元選取,提取精度優于TM/ETM+。第二種方法是指數法,目前已建立了NDISI等多種指數應用于不透水面提取[7-10],該方法特點是精度高,不需要水體掩膜,且能融合多源數據構建指數,進而進行大樣本定量分析,并可聯合地表溫度等因子進行分析,是目前應用最廣泛的方法[11]。第三種方法是決策樹方法[12,13]。其中分類回歸樹(CART法)可有效處理大量數據、高維數據和非線性關系數據,利于大范圍不透水面的提取。第四種方法是回歸法。Bauer等[14]人將Landsat TM/ETM+影像纓帽變換的綠度分量與 1 m的DOQ影像中獲取的不透水面比例信息進行回歸分析,獲得二者的回歸關系模型,平均R2約0.87,但存在不透水面與裸土相混的不足。第五種方法是基于機器學習的方法[15-17],常用的有人工神經網絡模型(ANN)、支持向量機(SVM)和隨機森林法(RF)。研究表明,人工智能分類比傳統分類方法有一定優勢,但不透水面提取精度較大程度取決于訓練樣本的數量和質量。

表1 不透水面提取的主要方法

針對上述研究分析,本文結合VIIRS夜光遙感和植被等多源遙感數據,計算LISI指數,驗證模型精度,挖掘粵港澳城市2015年不透水面信息。并聯合地表溫度反演,分析城市熱島對不透水面的響應特征。

1 研究區與數據處理

1.1 研究區概況

粵港澳大灣區(以下簡稱“大灣區”)包括廣州、深圳、珠海、佛山、惠州(不含龍門)、東莞、中山、江門、肇慶(市區和四會市)9個地級市以及香港、澳門兩個特別行政區,位于亞熱帶季風氣候區,地形以丘陵、平原為主,總面積約為4.26×104 km2?？紤]到產品數據的可驗證,本文研究區僅針對灣區的廣州、深圳、東莞和香港四個城市區,如圖1所示。

圖1 研究區域

1.2 數據來源及預處理

本文采用的數據包括:Landsat/OLI光譜數據、VIIRS/DNB夜間燈光數據、MODIS NDVI數據、Landsat ETM數據以及Modis 05_L2數據。

VIIRS/DNB夜間燈光數據空間分辨率約 463 m,本文選取2015年VIIRS全年12期月均燈光數據的平均值作為年均燈光值(數據源:https://ladsweb.modaps.eosdis.nasa.gov/)。MODIS NDVI數據用于結合VIIRS/DNB數據進行不透水面指數建模,提取不透水面信息。本文采用 250 m歸一化植被指數(NDVI)16d合成數據(數據源:https://ladsweb.modaps.eosdis.nasa.gov/)。Landsat/OLI多光譜影像空間分辨率為 30 m,本文一共選取2015年2景質量較好且能覆蓋全域的Landsat影像,用于輔助不透水面回歸分析。Landsat影響均進行了輻射定標、大氣校正等預處理(數據源:https://ladsweb.modaps.eosdis.nasa.gov/)。MODIS 05_L2數據分辨率為 1 000 m,主要用于獲取大氣含水量信息,并結合Landsat ETM數據,進行地面溫度反演(數據源:https://ladsweb.modaps.eosdis.nasa.gov/)。

2 研究方法

本文技術路線圖如圖2所示。結合VIIRS夜光遙感和植被信息,計算LISI(Large-scale Impervious Surface Index)指數來表征不透水面,與基于Landsat數據選取的樣本點建立不透水面回歸,驗證方法的可行性,并與全球 30 m不透水面數據產品進行對比,驗證LISI模型的提取精度。最后聯合反演的對應地表溫度,分析城市熱島對不透水面的響應特征。

圖2 技術路線圖

2.1 不透水面LISI指數計算

耦合處理后的VIIRS夜光和MODIS NDVI數據,根據Guo[18]方法計算LISI指數,核心公式如式(1)、(2)所示。

(1)

(2)

式中,DNBnor是歸一化后的VIIRS/DNB,取值范圍介于(0,1);DNBmean是年均值,因夜光值在一年中變化較小。DNBmax和DNBmin分別是VIIRS/DNB數值的最大值65和最小值0。

NDVImean是MODIS NDVI對應時項平均值,MODIS NDVI與不透水面呈負相關,使其與不透水面呈正相關,則起平滑作用。如圖3為VIIRS年均夜光值及LISI指數。

圖3 2015年粵港澳四城市夜光年均值(左圖)及LISI不透水面指數(右圖)

2.2 地表溫度反演

本文采用單通道算法[19]反演地表溫度,該方法所需參數較少,廣泛運用地表溫度反演,且精度較高。如圖3和圖4分別為反演的地表溫度(2015年10月18日)及地表覆蓋類型。

圖4 反演的地表溫度(左圖)及地表覆蓋類型(右圖)

3 結果分析

3.1 精度驗證

本文首先將上述計算的LISI不透水面指數與基于Landsat/OLI影像利用文獻[5]得到的ISP(Impervious Surface Percent,不透水面比例)進行模型對比,驗證LISI指數的可行性;并深入與國家地球系統科學數據中心發布的全球 30 m不透水面數據產品進行對比,驗證LISI指數精度。該產品[20]是利用GlobeLand30地表覆蓋、VIIRS夜間燈光數據和MODIS EVI植被指數產品,自動提取高置信度人工不透水面分類的訓練樣本。再利用多時相Landsat-8 OLI反射率特征、Sentinel-1 SAR結構特征和SRTM/ASTER DEM地形特征等,采用隨機森林建模,基于GEE云平臺生成的2015年全球 30 m不透水面產品,總體精度為95.1%,kappa系數為0.898。

ISP不透水面是采用線性光譜混合分析法(LSMA)得到的四端元反射率地物,并將高反射率和低反射率地物相加確定為不透水面,存在不透水面象元漏測現象。如圖5為兩種方法不透水面的對比,相關性R2約0.62,兩種方法可直接象元級尺度對比。

圖5 LISI不透水面指數與ISP方法的對比

深入地,將LISI指數與全球2015年不透水面產品數據對比。由于公布的產品數據柵格數值是2和1,分別對應不透水面和透水面。因此,將LISI指數采用均值-標準差方法進行等級劃分,劃分標準如表2所示,其中均值U=0.064 182 8,標準差STD=0.060 682 6。

表2 不透水面劃分標準

尺度統一后,將分級后的中等不透水面及以上等級劃為實際不透水面(圖6),與不透水面產品(圖7)對比,相關系數R2=0.888 2,精度較高,驗證了LISI指數表征不透水面的可行性,且兩者在空間分布上具有較好的一致性。

圖6 2015年研究區不透水面等級分布圖

圖7 2015年研究區不透水面產品影像

3.2 不透水面的空間結構特征分析

如圖8為灣區四城市不透水面地表類型及面積占比分布。結果表明:不透水面分布存在空間差異,其總體分布等級變化趨勢由北向南逐漸增加。5個分類級別中,面積排序依次由大到小依次為:較弱不透水面(28.10%)>弱不透水面(26.18%)>中等不透水面(16.75%)>強不透水面(16.11%)>較強不透水面(12.86%)。面積最大的較弱不透水面和面積第二大的弱不透水面面積比例之和為54.28%,超過50%,這與研究區北部存在大面積林地植被地類有著密切聯系。

圖8 不透水面類型及密度比例

根據2015年研究區不透水面等級分布數據與地類分布數據進行面積交叉統計分析,結果顯示,植被地類中不透水面等級占比中、弱不透水面和較弱不透水面兩者比例之和超過80%,這也解釋了整體不透水面的等級分布中較弱不透水面及弱不透水面面積之和遠大于其他等級;建筑地類中,最大占比等級為強不透水面,占比40.27%,在一定程度上說明建筑地類與強不透水面間的關系;裸土地類則是由較弱不透水面占比最高,但裸土地類存在自然裸土與人工裸土之分,因此也出現強不透水面比例在裸土類也有著21.56%的占比。研究區地類分布則與不透水面等級分布情況較為吻合,與面積比例統計表格中各地類最大值不透水面等級分布相同。

3.3 城市熱島對不透水面的響應關系分析

反演的地表溫度與地基實測站點對比,如表3所示,兩者具有較好的一致性,精度較高。進而將2015年研究區的地表溫度按照均值-標準差劃分,標準如下表4所示,其中均值U=301.378,標準差STD=3.661 80。

表3 反演的地表溫度與地基站點精度驗證

表4 研究區城市熱島劃分標準

2015年研究區的地表溫度按照均值-標準差分級,結果如圖9所示。與研究區地類分布圖對比可知,地類關于地表溫度分級排序依次為:建筑>裸土>植被。研究區的地表溫度等級由城市建筑中心地帶向外緣逐漸降低,其中城市中心的地表溫度等級明顯比周邊地帶高,有明顯的城市熱島效應。

如圖10所示,根據熱島等級分布圖中各等級分布的空間位置,其分布等級也呈由北向南逐漸增加,與不透水面等級分布規律基本相同。結合不透水面分布與地類關系、地表溫度與地類關系可發現,地表溫度分布和不透水面分布均與地面地類緊密聯系,因此地表溫度與不透水面分布之間也應存在對應聯系。通過熱島等級分布面積與不透水面分布面積進行交叉統計,不透水面等級在不同地溫分級中面積最大者隨著地溫分級的不同而改變。冷島與綠島中最大不透水面分級均為弱不透水面,占比為69%和51%;正常區中面積最大為較弱不透水面;較熱區與強熱島則是強不透水面所占面積最大。通過統計結果,可初步得出結論,不透水面等級與熱島等級成正比例關系。

圖10 熱島等級對不透水面等級交叉統計面積比

4 結 論

本文結合VIIRS/NPP夜光數據與Landsat8數據等多源數據,基于LISI指數法反演了2015年粵港澳灣區四個城市不透水面,并與傳統的線性光譜混合法(LSMA)進行了對比,同時結合不透水面產品數據進行了不透水面地表類型、空間結構等方面的深入分析;再結合反演的地表溫度,分析了不透水面與城市熱島效應的關系。主要得到了如下結論:

(1)基于LISI指數表征的不透水面,與耦合大數據及機器學習方式的不透水面產品相關性較高,R2=0.888 2。能較高精度挖掘不透水面密度及其時空特征,且高效便捷。

(2)針對全球近地面CO2年均濃度,則呈逐年增長趨勢,且呈條帶分布。高值區集中在北半球,南半球則相反。高值區主要集中在東亞地區、西歐地區、美國東部和非洲中部地區。

(3)因此,為改善城市熱島效應,可以采取以下措施:減少強不透水面,增加弱不透水面面積;減少裸土與建筑面積,增加植被面積。