基于LUCC監督分類算法的覆被對熱島效應的響應?

馬術蒲智

（新疆農業大學計算機與信息工程學院 烏魯木齊 830052）

1 引言

人類活動使城市熱島效應日益突出，對城市生態環境造成嚴重危害。目前，相關研究已在不同城市廣泛展開。研究表明，城市化進程加快會引起城市熱島效應；在市區內，不同土地利用/土地覆蓋形式對城市熱島的形成作用不同，工業用地和居民區用地加劇城市熱島效應，植被抑制熱島效應［1］。

城市熱島效應的產生與覆被類型的變化相關。目前，缺乏關于覆被與城市熱島效應相關因素研究。本文選擇烏魯木齊市4期高分辨率遙感影像，選擇分類效果最好的監督分類算法，運用土地利用類型開發度方法解譯地表溫度的變化，并利用主成分分析方法綜合分析該地區的LUCC對地表溫度的影響，為城市科學發展提供參考。

2 數據來源

烏魯木齊市的4期影像來自地理空間數據云（http：//www.gscloud.cn/）［2］，云量均小于 10；烏魯木齊市區行政矢量邊界來源于中國科學院資源環境數據中心［3］。圖像預處理和地表溫度反演等步驟均在ENVI5.1中完成。地表溫度反演中為保證數據的可靠性，采用6-8月份這個時間段的影像。利用RS和GIS技術對不同覆被的面積進行提取［4］，再利用SPSS進行主成分分析。

3 研究方法

3.1 趨勢分析法

回歸方程的相關系數通過信度為0.05、0.01的顯著性水平，分別表示LST減少或增加趨勢分別達到顯著和極顯著［5］。

3.2 地表溫度反演算法

在地表溫度反演過程中，應用了輻射傳輸方程法，也稱為大氣校正法。在獲取地表溫度值上有一定的優勢和準確性。其主要的輻射傳輸方程如式：

式中：B（Ts）為Ts溫度下黑體的地表輻射亮度值；Lλ為熱紅外輻射亮度值；ε為地表輻射率；τ為大氣在熱紅外輻射波段的透射率；L↑，L↓—大氣向上和向下輻射量度值；Ts為地表真實溫度（℃）；K1和K2為傳感器發射前預設的常量，值分別為K1=1206.56K和K2=1321.0789K［6］。其式中的 τ，L↑ 和L↓這3個值是通過NASA官網（http：//atmcorr.gsfc.nasa.gov/）輸入相應的參數求得。

3.3 LUCC監督分類算法及精度評價

本文運用監督分類方法提取新疆烏魯木齊市地表覆被信息。ENVI的監督分類的六種分類方法分別是：最大似然［7］，最小距離［8］，平行六面體［9］，馬氏距離，神經網絡，支持向量機［10～11］。

總體分類精度反映了分類圖中正確分類的像元占總像元數的比例，值越大，表示分類效果越好，精度越高［12］。

Kappa系數可以準確地驗證分類準確性，現已發展成為遙感影像分類的主要精度評價方法［13］。Kappa系數分類評價標準現已普遍地運用于影像分類精度評價中，如表1所示。

表1 Kappa系數分類評價標準

制圖精度能反映地物是否被準確分類，并且可以用來比較各種分類方法的好壞，制圖精度越低，漏測誤差越高［14］。

用戶精度用來反映分類圖中各類別的可信度，用戶精度越低，多測誤差越高。

3.4 覆被動態變化

土地利用/覆被動態度和開發度都是來描述土地利用/覆被變化，動態度主要用于土地利用整體格局分布的變化分析，而開發度主要是對單一土地利用類型的變化分析。兩者都對于土地利用/覆被變化的研究與分析有顯著的作用。研究區域土地利用/覆被整體變化速度的計算公式：

式中：LU—綜合土地利用動態度［LU取值為4種情況，第一緩慢變化（0～3%）；第二慢速變化（4%～12%）；第三快速變化（13%～20%）；第四急速變化（21%～25%）］；?LUi-j為第i種土地利用類型從初到末轉換為其余土地利用類型的面積總和（hm2）；LUi為研究初期第i種土地利用類型的面積（hm2）；T 為時間（a）。

土地利用類型開發度的計算公式：

式中：LUD為土地利用類型的開發度（%）；Dab為從初期到末期，其余土地利用類型轉換為第a類土地的面積之和（hm2）；Ua為初期a類土地利用類型的面積（hm2）。

4 結果與分析

4.1 Landsat TM反演溫度的驗證

對1個氣象觀測站的LST實測值與Landsat TM反演的4期LST值進行精度驗證。4期圖像的8月實測LST值與Landsat TM反演的地表溫度的誤差基本在1℃左右。通過了0.01顯著性檢驗，R2為0.963。顯著性檢驗的線性回歸方程達到極顯著水平。這表明Landsat TM反演溫度反映真實LST，能用于烏魯木齊市LST時空分布研究，具有一定的合理性。

4.2 年際LST變化特征

圖1顯示了烏魯木齊市LST的逐年變化以及LST相對變化率的年際波動。從圖2中可以看出，烏魯木齊市1990-2014年的年平均LST的波動范圍為21.64℃～24.85℃，年平均LST為22.59℃，每年的平均LST呈現一定的波動，年際波動較大。在1990年和2006年出現了多年平均年溫度超過LST年均值的年份，其它年份低于多年平均值，其中1990年和2006年分別超出多年平均值2.26℃、1.26℃，1998-2014年呈下降趨勢。

圖1 烏魯木齊市1990年-2014年LST值

4.3 精度評價

運用ENVI軟件平臺，通過一定的驗證樣本數據來評估影像分類結果的準確性。表2列出了不同分類算法的總體分類精度和Kappa系數，可以反映不同分類算法的優劣及分類效果的好壞［15］。

表2顯示了不同分類算法對不同覆被的分類精度。平行六面體、最小距離、馬氏距離、最大似然、神經網絡和支持向量機的總體分類精度分別為83.41%、82.20%、51.71%、64.03%、75.04%、93.75%，Kappa系 數 分 別 為 0.68、0.68、0.30、0.44、0.16、0.84。在區分不同地物方面，神經網絡對未利用地達到最高的分類精度，最小距離對建設用地達到幾乎最高的分類精度。

表2 各分類算法對研究區不同覆被分類精度對比

表3為各分類算法制圖精度對比結果，對比各種分類算法的制圖精度可發現，平行六面體對建設用地的制圖精度極低，表明對建設用地的漏測現象極為嚴重，最小距離對植被的漏測現象嚴重，馬氏距離對植被和未利用地漏測現象較為嚴重，最大似然對建設用地的漏測現象嚴重，神經網絡對水域和建設用地的制圖精度為0，表明對這兩種覆被沒有分辨，支持向量機對各種覆被的制圖精度均較高，漏測現象較少。

表3 各分類算法對研究區不同覆被制圖精度%

從各種分類算法的用戶精度對比表（表4）可知，平行六面體對建設用地分類的多測現象嚴重，最小距離對建設用地的多測現象嚴重，馬氏距離對建設用地有多測現象，最大似然對植被和建設用地有多測現象，神經網絡對水域和建設用地多測誤差較高，支持向量機對植被的多測現象嚴重。

表4 各分類算法對研究區不同覆被的用戶精度

4.4 覆被與地表溫度的變化

4.4.1 覆被數量變化

烏魯木齊市區近24年的覆被面積變化如圖2所示。24年中植被面積減少，其中1990-1998年間面積上升，2006-2014年間面積上升。未利用地總體面積下降，1998-2006年間面積略有回升。水域的面積未發生明顯變化，下降了1.53%。建設用地的面積增長迅速，主要是因為年以來中國城市化進程的步伐加快，及其城市人口的逐漸增多所致。

4.4.2 覆被動態變化分析

運用土地利用動態度式和土地利用開發度式兩種方法，結合土地利用轉移矩陣的數據，得到了烏魯木齊市區土地利用的動態變化值［16］。從表5可看出，24年中綜合土地利用動態度處于先下降后上升趨勢。水域的開發度在1990-1998年最高；建設用地的開發度在1990-1998年最高，說明城市化進程加快；植被的開發度在2006-2014年達到最大值6.76%，表明對于植被的保護意識有所上升；未利用地在2006-2014年達到最大，其值為14.88%，其主要原因是市區內建設用地的擴張。

圖2 1990-2014年烏魯木齊市不同覆被面積變化特征

表5 烏魯木齊覆被類型開發度

4.4.3 LUCC與地表溫度變化分析

由于烏魯木齊市區覆被類型與地表溫度的變化可得出，該地區溫度從高到低的覆被類型依次是：建設用地>其他用地>植被>水域。水域一直保持著最低溫度。除此之外，水域面積的增加可以促進周邊環境下墊面的地表溫度降低，主要是植被。相反，植被的地表溫度會升高。由圖3和圖4可知，植被一直屬于常溫區，隨著整體溫度的升高與下降在變化，可以得出植被在地表溫度的變化中有一定的抑制作用。隨著烏魯木齊市建設用地的不斷開發，面積逐步擴大，使得地表的透水性能變差，導致高溫區的面積擴大。由地表溫度空間分布圖可看出，高溫區面積隨著建設用地的擴大而擴大。

4.4.4 主成分分析

主成分分析主要根據變量之間的轉換保持總方差不變的原理，利用降維的優勢使新產生的變量將原有的信息更加集中化的表現出來。雖然對于地表溫度的影響因素眾多，不同的因素對其影響程度各不相同。本文主要用8月LST、水域、建設用地、未利用地、植被五種因素用SPSS軟件進行主成分分析。由表6可以看出水域和植被與LST抑制熱島效應。建設用地和未利用地與LST加劇熱島效應。

圖3 4期烏魯木齊市覆被圖

表6 主成分相關矩陣

5 結語

本文利用4期Landsat TM遙感影像對烏魯木齊市區的覆被進行分類，并反演了地表溫度。主要分析了覆被的動態變化，并結合地表溫度分析了覆被的變化對溫度的影響，得出結論如下：

1）通過Landsat TM數據反演的溫度可以充分反映站點實際測得的LST。

2）1990-2014年烏魯木齊市年平均LST的波動范圍為21.64℃～24.85℃，多年平均LST為22.59℃，其中1990年和2006年分別超出多年平均值2.26℃、1.26℃。

3）不同監督分類算法的分類精度不同，支持向量機分類精度最高。

4）24年中綜合土地利用動態度處于先下降后上升趨勢。

5）用8月LST、水域、建設用地、未利用地、植被五種因素用SPSS軟件進行主成分分析，水域和植被抑制LST，建設用地和未利用地促進LST。