基于LUCC监督分类算法的覆被对热岛效应的响应∗

马术蒲智

（新疆农业大学计算机与信息工程学院 乌鲁木齐 830052）

1 引言

人类活动使城市热岛效应日益突出，对城市生态环境造成严重危害。目前，相关研究已在不同城市广泛展开。研究表明，城市化进程加快会引起城市热岛效应；在市区内，不同土地利用/土地覆盖形式对城市热岛的形成作用不同，工业用地和居民区用地加剧城市热岛效应，植被抑制热岛效应［1］。

城市热岛效应的产生与覆被类型的变化相关。目前，缺乏关于覆被与城市热岛效应相关因素研究。本文选择乌鲁木齐市4期高分辨率遥感影像，选择分类效果最好的监督分类算法，运用土地利用类型开发度方法解译地表温度的变化，并利用主成分分析方法综合分析该地区的LUCC对地表温度的影响，为城市科学发展提供参考。

2 数据来源

乌鲁木齐市的4期影像来自地理空间数据云（http：//www.gscloud.cn/）［2］，云量均小于 10；乌鲁木齐市区行政矢量边界来源于中国科学院资源环境数据中心［3］。图像预处理和地表温度反演等步骤均在ENVI5.1中完成。地表温度反演中为保证数据的可靠性，采用6-8月份这个时间段的影像。利用RS和GIS技术对不同覆被的面积进行提取［4］，再利用SPSS进行主成分分析。

3 研究方法

3.1 趋势分析法

回归方程的相关系数通过信度为0.05、0.01的显著性水平，分别表示LST减少或增加趋势分别达到显著和极显著［5］。

3.2 地表温度反演算法

在地表温度反演过程中，应用了辐射传输方程法，也称为大气校正法。在获取地表温度值上有一定的优势和准确性。其主要的辐射传输方程如式：

式中：B（Ts）为Ts温度下黑体的地表辐射亮度值；Lλ为热红外辐射亮度值；ε为地表辐射率；τ为大气在热红外辐射波段的透射率；L↑，L↓—大气向上和向下辐射量度值；Ts为地表真实温度（℃）；K1和K2为传感器发射前预设的常量，值分别为K1=1206.56K和K2=1321.0789K［6］。其式中的 τ，L↑ 和L↓这3个值是通过NASA官网（http：//atmcorr.gsfc.nasa.gov/）输入相应的参数求得。

3.3 LUCC监督分类算法及精度评价

本文运用监督分类方法提取新疆乌鲁木齐市地表覆被信息。ENVI的监督分类的六种分类方法分别是：最大似然［7］，最小距离［8］，平行六面体［9］，马氏距离，神经网络，支持向量机［10～11］。

总体分类精度反映了分类图中正确分类的像元占总像元数的比例，值越大，表示分类效果越好，精度越高［12］。

Kappa系数可以准确地验证分类准确性，现已发展成为遥感影像分类的主要精度评价方法［13］。Kappa系数分类评价标准现已普遍地运用于影像分类精度评价中，如表1所示。

表1 Kappa系数分类评价标准

制图精度能反映地物是否被准确分类，并且可以用来比较各种分类方法的好坏，制图精度越低，漏测误差越高［14］。

用户精度用来反映分类图中各类别的可信度，用户精度越低，多测误差越高。

3.4 覆被动态变化

土地利用/覆被动态度和开发度都是来描述土地利用/覆被变化，动态度主要用于土地利用整体格局分布的变化分析，而开发度主要是对单一土地利用类型的变化分析。两者都对于土地利用/覆被变化的研究与分析有显著的作用。研究区域土地利用/覆被整体变化速度的计算公式：

式中：LU—综合土地利用动态度［LU取值为4种情况，第一缓慢变化（0～3%）；第二慢速变化（4%～12%）；第三快速变化（13%～20%）；第四急速变化（21%～25%）］；∆LUi-j为第i种土地利用类型从初到末转换为其余土地利用类型的面积总和（hm2）；LUi为研究初期第i种土地利用类型的面积（hm2）；T 为时间（a）。

土地利用类型开发度的计算公式：

式中：LUD为土地利用类型的开发度（%）；Dab为从初期到末期，其余土地利用类型转换为第a类土地的面积之和（hm2）；Ua为初期a类土地利用类型的面积（hm2）。

4 结果与分析

4.1 Landsat TM反演温度的验证

对1个气象观测站的LST实测值与Landsat TM反演的4期LST值进行精度验证。4期图像的8月实测LST值与Landsat TM反演的地表温度的误差基本在1℃左右。通过了0.01显著性检验，R2为0.963。显著性检验的线性回归方程达到极显著水平。这表明Landsat TM反演温度反映真实LST，能用于乌鲁木齐市LST时空分布研究，具有一定的合理性。

4.2 年际LST变化特征

图1显示了乌鲁木齐市LST的逐年变化以及LST相对变化率的年际波动。从图2中可以看出，乌鲁木齐市1990-2014年的年平均LST的波动范围为21.64℃～24.85℃，年平均LST为22.59℃，每年的平均LST呈现一定的波动，年际波动较大。在1990年和2006年出现了多年平均年温度超过LST年均值的年份，其它年份低于多年平均值，其中1990年和2006年分别超出多年平均值2.26℃、1.26℃，1998-2014年呈下降趋势。

图1 乌鲁木齐市1990年-2014年LST值

4.3 精度评价

运用ENVI软件平台，通过一定的验证样本数据来评估影像分类结果的准确性。表2列出了不同分类算法的总体分类精度和Kappa系数，可以反映不同分类算法的优劣及分类效果的好坏［15］。

表2显示了不同分类算法对不同覆被的分类精度。平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机的总体分类精度分别为83.41%、82.20%、51.71%、64.03%、75.04%、93.75%，Kappa系 数 分 别 为 0.68、0.68、0.30、0.44、0.16、0.84。在区分不同地物方面，神经网络对未利用地达到最高的分类精度，最小距离对建设用地达到几乎最高的分类精度。

表2 各分类算法对研究区不同覆被分类精度对比

表3为各分类算法制图精度对比结果，对比各种分类算法的制图精度可发现，平行六面体对建设用地的制图精度极低，表明对建设用地的漏测现象极为严重，最小距离对植被的漏测现象严重，马氏距离对植被和未利用地漏测现象较为严重，最大似然对建设用地的漏测现象严重，神经网络对水域和建设用地的制图精度为0，表明对这两种覆被没有分辨，支持向量机对各种覆被的制图精度均较高，漏测现象较少。

表3 各分类算法对研究区不同覆被制图精度%

从各种分类算法的用户精度对比表（表4）可知，平行六面体对建设用地分类的多测现象严重，最小距离对建设用地的多测现象严重，马氏距离对建设用地有多测现象，最大似然对植被和建设用地有多测现象，神经网络对水域和建设用地多测误差较高，支持向量机对植被的多测现象严重。

表4 各分类算法对研究区不同覆被的用户精度

4.4 覆被与地表温度的变化

4.4.1 覆被数量变化

乌鲁木齐市区近24年的覆被面积变化如图2所示。24年中植被面积减少，其中1990-1998年间面积上升，2006-2014年间面积上升。未利用地总体面积下降，1998-2006年间面积略有回升。水域的面积未发生明显变化，下降了1.53%。建设用地的面积增长迅速，主要是因为年以来中国城市化进程的步伐加快，及其城市人口的逐渐增多所致。

4.4.2 覆被动态变化分析

运用土地利用动态度式和土地利用开发度式两种方法，结合土地利用转移矩阵的数据，得到了乌鲁木齐市区土地利用的动态变化值［16］。从表5可看出，24年中综合土地利用动态度处于先下降后上升趋势。水域的开发度在1990-1998年最高；建设用地的开发度在1990-1998年最高，说明城市化进程加快；植被的开发度在2006-2014年达到最大值6.76%，表明对于植被的保护意识有所上升；未利用地在2006-2014年达到最大，其值为14.88%，其主要原因是市区内建设用地的扩张。

图2 1990-2014年乌鲁木齐市不同覆被面积变化特征

表5 乌鲁木齐覆被类型开发度

4.4.3 LUCC与地表温度变化分析

由于乌鲁木齐市区覆被类型与地表温度的变化可得出，该地区温度从高到低的覆被类型依次是：建设用地>其他用地>植被>水域。水域一直保持着最低温度。除此之外，水域面积的增加可以促进周边环境下垫面的地表温度降低，主要是植被。相反，植被的地表温度会升高。由图3和图4可知，植被一直属于常温区，随着整体温度的升高与下降在变化，可以得出植被在地表温度的变化中有一定的抑制作用。随着乌鲁木齐市建设用地的不断开发，面积逐步扩大，使得地表的透水性能变差，导致高温区的面积扩大。由地表温度空间分布图可看出，高温区面积随着建设用地的扩大而扩大。

4.4.4 主成分分析

主成分分析主要根据变量之间的转换保持总方差不变的原理，利用降维的优势使新产生的变量将原有的信息更加集中化的表现出来。虽然对于地表温度的影响因素众多，不同的因素对其影响程度各不相同。本文主要用8月LST、水域、建设用地、未利用地、植被五种因素用SPSS软件进行主成分分析。由表6可以看出水域和植被与LST抑制热岛效应。建设用地和未利用地与LST加剧热岛效应。

图3 4期乌鲁木齐市覆被图

表6 主成分相关矩阵

5 结语

本文利用4期Landsat TM遥感影像对乌鲁木齐市区的覆被进行分类，并反演了地表温度。主要分析了覆被的动态变化，并结合地表温度分析了覆被的变化对温度的影响，得出结论如下：

1）通过Landsat TM数据反演的温度可以充分反映站点实际测得的LST。

2）1990-2014年乌鲁木齐市年平均LST的波动范围为21.64℃～24.85℃，多年平均LST为22.59℃，其中1990年和2006年分别超出多年平均值2.26℃、1.26℃。

3）不同监督分类算法的分类精度不同，支持向量机分类精度最高。

4）24年中综合土地利用动态度处于先下降后上升趋势。

5）用8月LST、水域、建设用地、未利用地、植被五种因素用SPSS软件进行主成分分析，水域和植被抑制LST，建设用地和未利用地促进LST。