EN中文

地球信息科学学报 >

2014 , Vol. 16 >Issue 4: 609 - 620

DOI: https://doi.org/10.3724/SP.J.1047.2014.00609

基于地表通量特征的城市不透水表面定量热红外遥感反演

  • 刘越 , 1 ,
  • 迟文峰 1, 2 ,
  • 匡文慧 , 1**
展开
  • 1. 中国科学院地理科学与资源研究所,北京 100101
  • 2. 中国科学院大学,北京 100049
*通讯作者：匡文慧(1978-),男,博士,副研究员,主要从事城市生态学、土地利用/覆盖变化研究。E-mail：

作者简介：刘 越(1977-),男,博士,主要从事城市生态遥感定量模拟与分析研究工作。E-mail：

收稿日期: 2014-04-30

  要求修回日期: 2014-06-12

  网络出版日期: 2014-07-10

基金资助

国家自然科学青年基金项目(40901224)

国家重点基础研究发展计划(2010CB95090101)

收起

The Surface Flux Characteristics Based Quantitative Thermal Infrared Remote Sensing Inversion of Urban Impervious Surfaces

  • LIU Yue , 1 ,
  • CHI Wenfeng 1, 2 ,
  • KUANG Wenhui , 1*
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
*Corresponding author:KUANG Wenhui, E-mail:

Received date: 2014-04-30

  Request revised date: 2014-06-12

  Online published: 2014-07-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

城市不透水地表格局通过改变城市下垫面结构,引起地表反照率、比辐射率、地表粗糙度的变化,从而对地表辐射和能量平衡产生直接影响。不透水地表能增强地表显热通量,导致地表波文比升高,因此地表波文比的空间差异可推算城市人工不透水表面的分布。本研究选择北京市为实验区,应用Landsat TM卫星热红外遥感数据,采用PCACA模型及理论定位算法,对城市地表波文比进行反演,进而计算遥感地表波文比空间分布数据与城市不透水表面比例数据之间的相关关系,构建回归方程,实现北京市城区与近郊区人工不透水表面百分比分布的定量估算,最后以高分辨率遥感数据获取的城市人工不透水表面比例数据进行结果验证。结果表明,采用PCACA模型定量反演城市地表波文比数据,利用地表波文比数据与不透水表面比例数据之间的相关关系可实现城市人工不透水表面百分比数据的定量估算;波文比值不仅可在遥感像元水平定性判定不透水像元,还可对混合像元中的不透水比例进行较高精度的定量反演,其相关系数R²值为0.731。此方法有效地揭示了城市不透水下垫面对地表热通量影响的机制以及空间定量关系。

关键词： 热红外遥感; 波文比; 地表温度; 通量验证; 不透水表面

本文引用格式

刘越 , 迟文峰 , 匡文慧 . 基于地表通量特征的城市不透水表面定量热红外遥感反演[J]. 地球信息科学学报, 2014 , 16(4) : 609 -620 . DOI: 10.3724/SP.J.1047.2014.00609

Abstract

Urban impervious surface pattern causes changes of surface albedo, emissivity and surface roughness by changing the structure of urban surface, and thereforeinfluences the balance of surface radiation and energy directly. Impervious surfaces will increase the surface sensible heat flux, resulting in a rise of surface Bowen ratio, which provides a physical basis forpredicting the distribution of urban artificial impervious surfaces through spatial differences of Bowen ratio. In this study, we selected Beijing as the experimental areaand appliedthe PCACA model and theoretical positioning algorithm to calculate the Bowen ratio of urban surfaces with Landsat TM satellite thermal infrared remote sensing data. Furthermore, based on the correlation between the spatial distribution of surface Bowen ratio and the proportion of urban impervious surfaces, a regression equation was built to estimatethe percentage of Beijing urban artificial impervious surfaces distribution. The result was tested and verifiedwith the artificial impervious surface ratio of the city extracted from high-resolution remote sensing data. The result shows that in the method which inverts urban surface Bowen ratio data using the PCACA model, and then estimates the ratio of urban artificial impervious surface percentage distribution based on the correlation between the surface Bowen ratio data and the proportion data of urban impervious surfaces, Bowen ratio can be used not only to qualitatively determine if a remote sensing pixel is the impermeable at a pixel level, but also to calculate with high accuracy the proportion of the impermeable part of a mixed pixel, and the correlation coefficient R² value between the estimated impervious surface ratio based on Bowen ratio and the real proportion was 0.731. This method reveals the mechanism of the impact of the urban impervious land surfaceson heat flux and their spatial quantitative relationship.

Key words： thermal infrared remote sensing Bowen ratio; surface temperature; Fluxes verification; impervious surfaces

1 引言

不透水表面是城市地表中占主导地位的下垫面类型,其对地表辐射与能量的分配方式产生与城市绿地不同甚至截然相反的作用,进而对城市热岛、大气环境及局地气候产生重要影响[1]。城市不透水表面的增长是城市扩展的显著特征之一,对环境效应的影响日益为人们所关注[2-12]。近年来,国内外学者对城市化带来的土地利用/覆被变化及其产生的环境效应进行了研究。遥感和GIS的技术手段也越来越多地被应用到这一研究领域,大量研究结果揭示了地表温度和土地覆被变化之间的规律[13-18]。城市不透水表面是反映人类活动强度和评价城市建设用地增长的重要指标,对于评价城市生态系统健康与人居环境质量具有重要的理论与现实意义。城市不透水表面是由于城市发展建设产生的一种地表水不能直接渗透到土壤的人工地貌特征,包括城市中的道路、广场、停车场、建筑屋顶等。不透水地表的增长可改变地表辐射能量平衡,增强局地气温及产生热岛效应,进而影响居民的舒适性和健康状况,以及污染物排放等[19-24]。当前不透水地表信息提取主要依据遥感光谱信息的分类和多源辅助信息的使用[9,20]。
城市人工不透水表面阻隔了地表和大气之间的水汽交换,导致地表上空2 m高空气层的波文比(简称地表波文比)的升高。虽然空气湍流和水平平流的作用会导致与其他透水层上空的空气在一定程度上混合,但是实践表明地表波文比参数与不透水表面百分比参数之间仍然具有高度相关关系,这为通过波文比的空间差异推算城市人工不透水表面的分布提供了物理依据。本研究选择北京市为实验区,应用Landsat TM卫星热红外遥感数据,采用PCACA模型以及理论定位算法[25-27],对城市地表波文比进行反演;同时应用Landsat TM卫星多光谱30 m分辨率数据对不透水表面组分进行分析,并在这2项分析结果的基础上计算遥感地表上空2 m高空气层的波文比空间分布数据与城市不透水表面比例数据之间的相关关系,构建回归方程,实现研究区域城市人工不透水表面百分比分布的定量估算。最后,以高分辨率遥感数据获取的城市人工不透水表面比例数据进行结果验证。这种快速提取城市不透水地表百分比数据的方法,为今后城市不透水表面特征及其变化的研究提供了有效手段。从另一角度分析,波文比升高表明空气温度变干和变热,导致“城市热岛效应”。

2 数据与方法

2.1 数据源

本研究主要使用了3类数据,即多时相、多波段遥感时空数据,多参数实地观测数据,以及基础地理数据。我们采用2009年9月22日10时43分卫星过境的Landsat TM5遥感影像开展分析,多光谱波段空间分辨率为30 m,热红外波段的波长范围为10.45~12.5 μm,空间分辨率为120 m。

2.2 观测实验

为了表征城市主城区与郊区地表温度的梯度差异和反映不同地表类型下垫面的地表温度特征,同时为了验证遥感数据反演得出的地表温度、比辐射率等参数的准确性,本研究选取了城区及城郊的建筑物、柏油路、裸土、草地、林地、水体等典型下垫面类型,在初秋晴天、无云的天气条件下,使用手持红外测温仪和红外热像仪对不同下垫面类型卫星过境时前后半小时的地表温度和地表反照率进行了实地观测。
为了使地面观测数据与Landsat TM卫星影像在获取时间上保持一致,事先设计了观测流程：红外热像仪观测点包括德外大街中国科学院大气物理研究所铁塔和风林绿洲住宅小区周边区域;红外测温仪观测点包括小汤山周边、北京国际机场2号航站楼周边及密云水库区域。测点分布如图1所示。地表通量观测塔装备涡度相关地表通量观测系统和4分量辐射仪,在典型住宅小区人工下垫面(风林绿洲)与城市边缘区林草植被覆盖下垫面(奥林匹克森林公园)分别架设地表通量观测塔,通过该系统直接获取多日连续和卫星过境时的地表反照率、地表净辐射通量(Rn)、显热通量(H)、潜热通量(LE)等地表通量参数,并计算获得波文比数据(H/LE)。
Fig.1 The observation points of surface flux inthe experiment area

图1 研究区地表通量观测点分布图

2.3 地表热通量遥感反演

根据热量收支平衡原理,陆地表层的能量收支平衡应满足地表能量平衡方程：
R n = H + LE + G (1)
式(1)中,Rn为到达地表的净辐射通量;LE为潜热通量;H为显热通量;G为土壤热通量。
本文采用了覃志豪的单窗算法[28-30]进行地表温度反演,具体计算过程如下：
T s = { a × 1 - C - D + [ b × 1 - C - D + C + D ) × T 6 - D × T a } / C (2)
式(2)中,Ts为地表温度;a、b为经验系数(a=-67.35535,b=0.458608);T6为TM6的亮度温度(K),Ta为大气平均作用温度(K);C和D为中间参数。参数C和D的计算方法：
C=τ×ε (3)
D=(1-τ) ×[1+τ×(1-ε)] (4)
其中, τ 为大气透过率; ε 为地表比辐射率。大气透过率计算公式为：
τ = 1.031412 - 0.11536 × w (5)
式(5)中,w为水汽含量。
比辐射率的反演采用了基于植被覆盖度来估算比辐射率的方法进行计算。首先根据Charlson提出的估计方法,求出植被覆盖度,然后利用式(6)-(8)计算比辐射率。
ε = P v × R v × ε v + 1 - P v × R m × ε m + d ε (6)
R v = 0.9332 + 0.0585 × P v (7)
R m = 0.9886 + 0.1287 × P v (8)
其中, P v 为植被覆盖率; ε v 和 ε m 为在热红外波段下的全植被表面和建筑表面的比辐射率(用建筑表面代替裸土表面),分别采用经验值0.986和0.970; R v 和 R m 分别代表全植被和建筑表面的温度比率; d ε 为修正值。 d ε 和 P v 存在以下关系：当 P v < 0.5 时， d ε = 0.0038 × P v ； 当 P v = 0.5 时， d ε = 0.0 . 0019 ;当 P v > 0.5 时， d ε = 0.0038 × ( 1 - P v ) ;当 P v = 0 时， d ε = ε m ;当 P v = 1 时， d ε = ε v 。
大气平均作用温度 T a 的计算公式为：
T a = 19.2704 + 0.9118 × T 0 (9)
Landsat TM亮度温度 T 6 可通过对式(8)计算获得：
T 6 = K 2 ln ( l + K 1 / L ) (10)
式(10)中,L为辐射亮度;K1、K2为常数(K1=607.76,K2=1260.56)。其中,辐射亮度L的计算公式为：
L = 0.055158 × DN + 1 . 2378 (11)
式(11)中,DN为灰度值。
将上述一系列计算所获得的各项参数值代入方程式(2)中,最终反演得到了研究区2009年9月20日12时43分卫星过境时的地表温度空间分布图(图2)。
Fig.2 Spatial distribution map of the instantaneous surface temperature of the experiment area

图2 研究区瞬间地表温度空间分布图(2009年9月20日12:43)

地表净辐射通量的反演是通过对地表辐射收支方程进行计算而实现的：
R n = 1 - α × R swd + ε × R lwd - ε × σ × T (12)
式(12)中, R n 为地表净辐射通量; α 为地表反照率; R swd 为向下短波辐射; R lwd 为向下长波辐射; ε 为地表比辐射率; σ 为斯蒂芬-玻尔兹曼常数(5.67×10-8Wm-2K-4); T 0 为下垫面表面温度。
式(9)中的各项参数值采用气象观测与遥感数据相结合,通过经验方程计算得到。在获得每个输入参数的计算结果后将其代入方程式(12),求出图像上逐像元点的净辐射通量 R n 的值。各输入参数通过式(13)-(18)的计算获得。其中,向下短波辐射 R swd 和长波辐射 R lwd 的计算应用了Sami Niemela等2001年[33]发表的经验方程式(13)和(14)。
R swd = 10 + 1411 cosθ - 310 cosθ (13)
R lwd = e 0 T 0 1 7 (14)
其中,θ为太阳天顶角;e0为近地表大气水气压(hPa);T0为近地表大气温度(K)。
式(9)中的地表反照率的反演是根据梁顺林[31]的研究成果,通过将Landsat TM数据产品从窄波段到宽波段反照率的转换获取宽波段反照率。具体计算公式如下：s
α s h ort = 0 . 356 α 1 + 0 . 130 α 3 + 0 . 373 α 4 + 0 . 085 α 5 + 0 . 072 α 7 - 0.0018 (15)
其中, α 1 、 α 3 、 α 4 、 α 5 和 α 7 分别为Landsat TM卫星影像的第1、3、4、5、7波段。
波文比的定义为：地表显热通量H与潜热通量LE之比,表征不同下垫面对地表水热通量的分配。可由地表能量平衡方程求算的H和LE值进一步求得。
根据PCACA模型以能量切割法求算波文比值,首先要对组成梯形结构的各种线和点进行定位。对于梯形图中每个组分混合像元辐射温度而言,其坐标中的位置实质上是受热量平衡方程控制的。把研究区实际数据代入上述方程式中计算,再使用地表面温度图与植被覆盖率图就可以得到梯形结构图(图3)。
Fig.3 Trapezium structure of the relationship between vegetation cover percentage and land surface temperature of the experimental area

图3 研究区植被覆盖度与地表面温度相关梯形结构图

通过计算梯形图上每个像元点距离干边和湿边的位置,对可利用能量进行切割,在同样覆盖度条件下,像元离干边越近则表示显热通量越大,离湿边越近表示潜热通量越大。最终,通过式(16)计算出可获得的显热通量与可利用的能量之比,并得到显热通量空间分布图(图4)。
HF = ( wet ⇒ dry - pix ⇒ dry ) : ( wet ⇒ dry ) = H : ( R n - G ) (16)
式(16)中,HF为显热比,wet⇒dry为湿边到干边的距离,pix⇒dry为像元点到干边的距离。
Fig.4 Spatial distribution map of the instantaneous sensible heat flux of the experiment area

图4 研究区瞬间显热通量空间分布图(2009年9月20日10:43)

与计算显热比相同,使用方程(17)也可获得潜热通量与可利用能量之比并得到潜热通量空间分布图(图5)。
Fig.5 Spatial distribution map of the latent heat flux of the experiment area

图5 研究区潜热通量空间分布图(2009年9月20日10:43)

(17)
式(17)中,EF为潜热通量与可利用能量之比,pix⇒wet为像元点到湿边的距离。
根据式(16)和(17)得到了显热比与潜热比,引入波文比公式(β=H/LE)可知,波文比β实际上就是HF与EF之比,最后通过计算可以得到波文比分布图(图6)。
Fig.6 Spatial distribution map of the Bowen ratio of the experiment area

图6 研究区波文比空间分布图

2.4 基于地表热通量波文比的不透水表面信息提取

在本研究中对于城市绿地的提取方面采用了基于决策树的方法(图7),对提取的植被覆盖度(PV)数据进行直方图邻域分析,并在建立知识库的基础上,根据分类目标利用分类器提取植被,同时参照同期的LandSat TM与SPOT5影像准确提取了城市绿地信息;在对水体和裸地进行提取时,则使用不同地物所特有的比辐射率特征,大幅提高提取这两类地物的准确性;最后根据提取的绿地、水域、裸土等分别对该土地利用类型的波文比进行掩码处理获得研究区不透水表面空间分布图。
Fig.7 Technical flow chart of impervious surface parameters extraction

图7 地表参数不透水信息提取技术流程

具体流程为：首先选取样点,再利用真实的基于高分影像解译的采样网格与城市不透水区域波文比通过线性方程拟合。在本研究中采取了随机抽取的方式选取了101个样点,建立了二者间的线性拟合关系图(图8)。最后将城市不透水区域的波文比进行线性回归,获得如图9所示的北京市城市区域基于波文比的城市不透水率拟合结果图。
Fig.8 Linear plot of fitting line between Bowen ratio and measured data

图8 真实采样与波文比拟合直线图

Fig.9 Urbanimpervious rate fitting results based on Bowen ratio

图9 基于波文比的城市不透水率拟合结果图

3 结果与分析

3.1 遥感数据反演地表温度结果与观测数据的比较

在本研究中反演地表温度时采用TM热红外波段即第6波段进行计算。TM6的空间分辨率为120m,在此范围内大部分栅格基本都为混合像元。为了不影响2种数据间所作对比的准确性,在此采用了将反演地表温度分布图与高分辨率卫星影像进行叠加通过人工识别和选取的方法,确保参与比较的像元为饱和像元,从而增加对比结果的准确性。表1为用2种不同方式获得的地表温度值的对比列表。
Tab.1 Comparisonofland surface temperature values

表1 地表温度值比对表

序号 区域名称 地理坐标 土地利用类型 实测值(℃) 反演值(℃)
1 国际机场区域 40°07′ N,116°59′E 水泥道路 30.64 29.09
2 国际机场区域 40°07′ N,116°59′E 草地 30.61 29.36
3 国际机场区域 40°06′ N,116°60′E 沥青道路 30.73 31.16
4 密云水库 40°45′ N,116°96′E 水域 20.86 19.30
5 密云水库 40°45′ N,116°98′E 灌木 24.37 23.67
6 密云水库 40°45′ N,116°98′E 裸土 28.10 25.64
7 小汤山区域 40°17′ N,116°34′E 草地 25.02 23.31
8 小汤山区域 40°18′ N,116°34′E 人工育苗林地 25.40 23.84
9 小汤山区域 40°18′ N,116°34′E 玉米地 21.06 21.98
10 小汤山区域 40°17′ N,116°34′E 人工草地 27.01 24.09
11 小汤山区域 40°17′ N,116°34′E 草地 25.61 22.30
12 小汤山区域 40°18′ N,116°34′E 林地 21.20 21.66
13 地理所东北侧 40°01′ N,116°38′E 沥青道路 34.10 28.42
14 中科联附近区域 40°00′ N,116°38′E 人工草地 26.50 26.97
15 地理所附近 40°01′ N,116°38′E 城市林地 25.30 24.97
在对2种不同结果的对比中共采用了15个样本,从表1可看出,通过实地观测所获得的地表温度值普遍比反演结果略高,但趋势上基本保持一致。15个比对样本的散点图(图10)表明,反演地表温度结果与实地观测值拟合得比较好,R2值接近0.8,显示出二者存在很好的线性关系,说明反演结果与实测结果具有高度的一致性。所获得的地表温度空间分布图具有较高的真实性和可信度,为下一步进行的地表波文比反演提供了良好的数据基础。
Fig.10 Linear plot of the measured surface temperature and the values of the inversion

图10 地表温度实测值与反演值的线性关系图

3.2 遥感数据反演地表波文比与观测数据的比较

本研究为了克服以往此类研究中无法以实测数据与反演结果进行直接比较的缺陷,分别设置了2个地表通量观测站,对地表热通量进行间隔时间为半小时的全天不间断连续观测,并将2个地点一定范围内净辐射与波文比反演结果的平均值与中午12点前后半小时的平均观测值进行对比。对比结果表明,2种典型城市下垫面地表波文比反演值与实测值趋势接近(表2)。
Tab.2 Comparison between the inverted and measured surface Bowen ratio values

表2 地表波文比反演值与实测值比对表

区域名称 下垫面类型 实测值(W/m2) 反演值(W/m2)
Rn H LE H/LE Rn H/LE
中科联楼顶 城市 460 186 53 3.51 535 1.78
森林公园 草地林地 491 85 109 0.78 581 0.79
由于地表热通量观测点只有2个,不足以和反演结果进行线性关系分析。为了证明其趋势的一致性,在本研究中仍然需要采取与以往其他学者的研究成果进行比较的方法从侧面加以论证。对比结果如表3所示。
Tab.3 Comparison of this result withrelevant values from the literature

表3 本研究结果与参考文献值的对比

城市 观测高度(m) 观测时段 比例(H/LE) 地表特征与
参考文献编号
加拿大,温哥华 (49°16′N,123°06′W) / 1992年8月 4.42 典型城区,[35]
法国,马赛 (43°17′N,5°23′E) 43.9, 34.6 2001年6-7月 4.27 典型城区,[36]
瑞士,巴塞尔(47°34′N,7°36′E) 32.0 2002年7-8月 2.50 典型城区,[37]
日本,COSMO实验(39°04′N,139°07′E) 3.0 2006年7月 1.90 典型城区,[38]
美国,图森 (32°07′N,110°56′W) 25.6 1990年6月 1.83 典型城区,[39]
日本,东京 (35°34′N,139°41′E) 29.0 2001年7月 1.77 典型城区,[40]
美国,洛杉矶 (34°08′N,118°03′W) 30.5 1993年7-8月 1.40 城区,较多绿地[39]
美国,萨克拉门托 (38°39′N,121°30′W) 29.0 1991年8月 1.37 城区,较多绿地,[39]
美国,芝加哥 (41°57′N,87°48′W) 18.0 1992年7月 0.78 城市绿地,[39]
中国,北京 (39°58′N,116°42′E) 140.0 2009年7-8月
2010年6月		 0.82 城市绿地,[41]
中国,北京中科联楼顶(40°00′N,116°38′E) 15.0 2011年9月22日 3.51 典型居民区,本文实测
中国,北京森林公园(40°04′N,116°39′E) 3.0 2011年9月22日 0.78 城市绿地,本文实测
中国,北京风林绿洲小区(40°00′N,116°38′E) / 2009年9月20日 1.78 典型居民区,本文反演
中国,北京森林公园(40°04′N,116°39′E) / 2009年9月20日 0.79 城市绿地,本文反演
将本研究观测结果和遥感数据反演结果与包括中国北京市在内的世界其他城市区域地表波文比观测数据进行比较发现,中科联楼顶观测点所观测到的数据3项比值与温哥华、马赛和巴塞尔的观测值均较为接近,经调查发现国外的3个观测点与中科联楼顶观测点有一个明显的共同特征,即绿地面积都比较小,面积比例为4%~15%;而本研究设置的森林公园观测点的观测值则与其他绿地比例较高的城市观测结果较为一致,特别是与苗世光等[32]在北京中科院气象与环境观测塔上设置的观测点所记录的观测值比较接近,其中波文比值分别为0.78和0.82。
通过将森林公园高植被覆盖率观测点的各项比值与典型城市区域的比值进行比较不难发现,在夏季晴朗白天,高植被覆盖率范围的潜热明显大于显热,折算波文比值约为0.8左右,这表明在同类土地覆盖条件下本文反演的基本结论,即夏季晴空白天城市绿地潜热通量大于显热通量,与观测值在趋势上一致。

3.3 根据地表波文比空间分布数据定量估算城市不透水表面比例

为了定量评价基于波文比数据提取的不透水层数据精度,本研究使用2009年北京城区的航片获取真实不透水表面信息,共选取(不包括参与线性回归的采样点)110个样点,并将其与基于波文比数据提取的不透水层结果进行线性相关分析。为了保证验证结果的准确性,在对样点进行选取时遵循了以下原则：在研究区内所选取的样点需涵盖1%~100%不透水比例。为了减少由于影像配准误差对精度验证所造成的不良影响,所选取的每个样点均为陆地卫星多光谱30m分辨率影像3×3像元窗口。根据以上原则在航片上共选取了110个样点,基于波文比数据提取的不透水表面与真实不透水表面间的相关关系如图11所示。
Fig.11 Correlation between Bowen ratio based impervious surface ratio and the real proportion of impervious surface

图11 基于波文比数据提取的不透水比例数据与真实不透水表面比例间的相关关系

经过线性相关分析可以看出基于波文比值不仅可以在遥感像元水平定性判定不透水像元,而且可以对混合像元中的不透水比例进行较高精度的定量反演,其相关系数R²值为0.731。表明通过此方法进行城市不透水地表比例信息的快速提取是可行的。

4 结论与讨论

在本研究中使用了2009年9月20日的LandsatTM卫星影像作为遥感资料对研究区内的地表参数和地表热通量进行了反演并与实测数据和历史观测数据进行了对比分析,进而发展了一种将遥感反演地表通量数据应用于城市不透水表面提取的新方法。经分析表明：
(1)遥感反演所获得的地表参数与实地观测数据间存在着较好的相关关系,无论是地表温度还是地表反照率的反演结果,均与实地观测数据具有高度的一致性。说明用遥感反演获得的地表参数空间分布数据具有较高的真实性和可信度。
(2)在城市区域的地表波文比遥感反演时使用了PCACA模型,为了证明反演结果的有效性,对地表净辐射和波文比参数进行了实地通量塔观测,所获得的实测数据为遥感反演的地表参数和波文比结果提供了可靠的对比依据。通过反演结果与实地观测结果及前人研究结果的对比分析,证明本研究所获结果在趋势上与实测结果相吻合,说明PCACA模型应用于城市区域地表净辐射和波文比估算是可行的。
(3)这种算法的优势主要在于可以减少在下垫面结构复杂的城市区域进行地表热通量估算时所需的输入参数,提高了城市区域地表参数反演计算的可操作性。
应当指出,在本次研究中由于天气因素未能取得与Landsat TM遥感卫星过境时的实时同步观测数据,导致所获得的实地观测数据无法用于遥感反演的地表参数和波文比结果的直接精度验证。只能采取对2种不同方式获得的结果进行一致性分析的方法,以此说明遥感反演结果的合理性。进一步的研究将通过多台涡度相关通量观测系统实施不间断观测,并保证天气良好的条件下在陆地卫星过境时进行同步地表温度观测,从而实现遥感观测与实地观测数据的同步获取,达到实时观测数据能够对遥感反演结果进行直接精度验证的目的,进一步提高城市地表参数估算的准确性。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
IHDP. Urbanization and global environmental change[J]. Bonn: International Human Dimensions Programme on Global Environmental Change, 2005,5:9-50.

[2]
McMahon G, Benjamin S P, Clarke K, et al. Geography for a changing world - A science strategy for the geographic research of the U.S[J]. Geological Survey, 2005-2015, Sioux Falls, SD: U.S. Geological Survey Circular, 2005,1281:1-76.

[3]
Rindfuss R, Walsh S, Turner B L, et al.Developing a science of land change: Challenges and methodological issues[J]. PNAS, 2004,101:13976-13981.

[4]
Foley A.Global consequences of land-use[J]. Science,2005,309:570-574.

[5]
Grimm N B, Faeth S H, Golubiewski N E, et al.Global change and the ecology of cities[J]. Science, 2008,319:756-760.

[6]
Alberti M.Advances in urban ecology integrating humans and ecological processes in urban ecosystems[M]. New York: Springer science + business media, 2009.

[7]
Pickett S A, Cadenasso M L, Grove J M, et al.Urban ecological systems: Scientific foundations and a decade of progress[J]. Journal of Environment Management, 2011,92:331-362.

[8]
IHDP. Science plan urbanize and global environment change[J]. Germany: International Human Dimensions Programme on Global Environmental Change, 2005,15:1-60.

[9]
Bierwagen B G, heobald D T, Pyke C R, et al. National housing and impervious surface scenarios for integrated climate impact assessments[J]. PNAS, 2010,10:1073-1078.

[10]
Parrish D, Zhu Tong.Clean air for megacities[J]. Science, 2009,326(30):674-675.

[11]
Batty. The Size, Scale, and Shape of Cities[J]. Science, 2008,319:769-771.

[12]
Kuang W H, Liu J Y, Zhang Z X, et al.Spatiotemporal dynamics of impervious surface areas across China during the early 21st century[J]. Chinese Science Bulletin,2013,58(14):1691-1701.

[13]
Kalnay E, Cai M.Impact of urbanization and land-use change on climate[J]. Nature, 2003,423:528-531.

[14]
Russell S V, Thomas R K, David R E, et al.Impact of land-use change on climate[J]. Nature, 2004,427:213-214.

[15]
Hansen J E.A closer look at United States and global surface temperature change[J]. Journal of Geophysical Research, 2001,106:23947-23963.

[16]
Gallo K P, Owen T W, Easterling D R, et al.Temperature trends of the US historical climatology network based on satellite-designated land use/land cover[J]. Journal of Climate, 1999,12(5):1344-1348.

[17]
David E P.Large-scale warming is not urban[J]. Nature, 2004, 432(7015):290-290.

[18]
Kuang W H.Evaluating impervious surface growth and its impacts on water environment in Beijing-Tianjin-Tangshan Metropolitan Area[J]. Journal of Geographical Sciences, 2012,22(3):535-547.

[19]
Elvidge C D, Tuttle B T, Sutton P C, et al.Global Distribution and Density of Constructed Impervious Surfaces[J]. Sensors, 2007,7:1962-1979.

[20]
Arnold C L, Gibbons C J.Impervious surface coverage: the emergence of a key environmental indicator[J]. J Am Plan ASSOC6, 1996,2(2):243-258.

[21]
Xiao R B, Ouyang Z Y, Zhang H, et al.Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing[J]. Journal of Environmental Sciences, 2007,19:250-256.

[22]
Bastiaanssen W G M. Regionalization of surface flux densities and moisture indicators in composite terrain, a remote sensing approach under clear skies in Mediterranean climates[J]. The Netherlands, Wageningen: SC-DLO, 1995,109:271-271.

[23]
Su Z.The surface energy system (SEBS) for estimation of turbulent heat fluxes[J]. Hydrology and Earth System Sciences, 2002,6(1):85-99.

[24]
Norman J M, Kustas W P, Humes K S.Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature[J]. Agricultural and Forest Meteorology, 1995,77:263-293.

[25]
Zhang R H.An operational two-layer remote sensing model to estimate surface flux in regional scale: Physical background. Science in China Series[J]. D Earth Sciences, 2005,48(Suppl. 1):225-244.

[26]
张仁华. 定量热红外遥感模型及地面实验基础[M].北京:科学出版社,2009:30-91.

[27]
ZhangR H, SunX M,Zh Z L u,et al. A remote sensing model for monitoring soil evaporation based on differential thermal inertia and its validation[J]. Science in China Series D: Earth Sciences, 2003,46(4):342-355.

[28]
Qin Z H, Li W J, Zhang M H, et al. Estimating of the essential atmospheric parameters of mono-window algorithm for land surface temperature retrieval from Landsat TM6[J]. Remote Sensing For Land & Resources, 2003(2):37-43

[29]
覃志豪,Zhang M H, Karnieli A, Berliner P. Mono-window Algorithm for Retrieving Land Surfacetemperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2001,22(18):3719-3746.

[30]
覃志豪,李文娟,徐斌,等.陆地卫星TM6波段范围内地表比辐射率的估计[J].国土资源遥感,2004(3):28-32.

[31]
Liang S L.Narrowband to broadband conversions of land surface albedo algorithms[J]. Remote Sensing of Environment, 2000,76:213-238.

[32]
苗世光,窦军霞,李炬,等.北京城市地表能量平衡特征观测分析[J].中国科学地球科学,2012,42(9):1394-1402.

Options
文章导航

/

〈 〉