基于GEE的上海城市热岛效应遥感监测与分

原创

已于 2025-07-23 16:53:33 修改 · 1.3k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#遥感 #GEE #地理信息

于 2025-07-23 13:56:11 首次发布

城市热岛效应作为城市化进程中典型的生态环境问题，其空间分布特征及影响机制的量化研究对城市生态规划具有重要指导意义。本文基于Landsat 8遥感数据，利用Google Earth Engine（GEE）平台构建了完整的热岛效应分析流程，以上海为研究区开展地表温度反演、热岛强度分级及相关性分析，所有数据均通过GEE内置数据集获取，实现了从数据预处理到结果输出的全流程自动化。

研究背景与技术框架

城市热岛效应是指城市区域地表温度显著高于周边非城市化区域的现象，其形成与下垫面性质改变、人为热源排放等因素密切相关。传统监测方法受限于观测站点分布，难以反映热岛空间异质性；而遥感技术凭借大范围同步观测优势，成为热岛研究的主流手段。

本研究技术框架包含四个核心环节：

遥感数据筛选与预处理（消除噪声干扰）
地表温度（LST）反演（基于热红外波段定量计算）
热岛强度分级（建立相对温度等级体系）
统计分析（量化热岛空间特征及影响因素）

研究区为上海市行政区域，数据采用2023年Landsat 8地表反射率及热红外数据，通过GEE平台实现高效计算与可视化。

数据与方法

1. 数据来源与预处理

（1）数据源选择

采用Landsat 8 Level 2级产品（LANDSAT/LC08/C02/T1_L2），该数据已完成大气校正，包含：

可见光-近红外波段（30m分辨率）：用于计算植被指数
热红外波段（B10，100m分辨率，重采样至30m）：用于温度反演

（2）数据预处理

通过GEE平台对原始数据进行质量控制：

// 研究区定义
var city = ee.FeatureCollection("projects/ee-hllutlu2024/assets/SHANGHAI");

// 数据筛选：2023年、云量<30%
var landsat8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterDate('2023-01-01', '2023-12-31')
  .filterBounds(city)
  .filter(ee.Filter.lt('CLOUD_COVER', 30));

预处理核心步骤包括：

云掩膜：基于QA_PIXEL波段去除云及云阴影像素，保留有效观测值

function maskL8sr(image) {
     
     
  var qa = image.select('QA_PIXEL');
  var cloud = qa.bitwiseAnd(1 << 3).neq(0); // 云像素识别
  var shadow = qa.bitwiseAnd(1 << 4).neq(0); // 云阴影识别
  return image.updateMask(cloud.or(shadow).not()); // 掩膜处理
}

辐射定标：将原始数字值（DN）转换为物理量（反射率、亮温）

function scaleL8sr(img) {
     
     
  // 可见光波段反射率转换（系数源自Landsat数据手册）
  var opticalBands = img.select(['SR_B2','SR_B3','SR_B4','SR_B5','SR_B6','SR_B7'])
    .multiply(0.0000275).add(-0.2);
  // 热红外波段亮温转换（单位：K）
  var thermal = img.select('ST_B10').multiply(0.00341802).add(149.0).rename('B10');
  return img.addBands(opticalBands, null, true).addBands(thermal, null, true);
}

年度合成：对预处理后的数据进行中位数合成，抑制短期噪声干扰

var medianL8 = landsat8
  .map(maskL8sr)
  .map(scaleL8sr)
  .median()
  .clip(city);

2. 地表温度反演

采用单窗算法进行地表温度反演，该方法考虑植被覆盖对地表发射率的影响，反演精度优于传统辐射传输方程简化模型。核心步骤如下：

（1）植被参数计算

通过归一化植被指数（NDVI）计算植被覆盖度（FVC），反映下垫面植被状况：

var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI'); // B5为近红外，B4为红光
var ndvi_min = 0.2; // 裸地NDVI阈值
var ndvi_max = 0.8; // 完全植被覆盖NDVI阈值
var fvc = ndvi.subtract(ndvi_min).divide(ndvi_max - ndvi_min).clamp(0,1).rename('FVC');

（2）地表发射率估算

基于FVC计算混合像元发射率（植被与裸地端元线性混合）：

var emiss = fvc.multiply(0.986) // 植被发射率
  .add(ee.Image(1).subtract(fvc).multiply(0.97)) // 裸地发射率
  .rename('EMISS');

（3）地表温度反演

利用热红外波段亮温（TB）及发射率（ε）计算地表温度，转换为摄氏度：

var tb = image.select('B10'); // 亮温（K）
var lambda = 10.895e-6; // 热红外波段中心波长（m）
var p = 1.438e-2; // 物理常数（m·K）
var lst = tb.divide(
  ee.Image(1).add(
    ee.Image(lambda).multiply(tb).divide(p).multiply(emiss.log())
  )
).subtract(273.15).rename('LST'