留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

面向开采扰动的离子型稀土矿区地表温度降尺度方法

李恒凯 吴冠华 王秀丽

李恒凯, 吴冠华, 王秀丽. 面向开采扰动的离子型稀土矿区地表温度降尺度方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
引用本文: 李恒凯, 吴冠华, 王秀丽. 面向开采扰动的离子型稀土矿区地表温度降尺度方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
LI Hengkai, WU Guanhua, WANG Xiuli. Land Surface Temperature Downscaling Method in Ion-type Rare Earth Mining Area Oriented to Mining Disturbance[J]. Geomatics and Information Science of Wuhan University, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
Citation: LI Hengkai, WU Guanhua, WANG Xiuli. Land Surface Temperature Downscaling Method in Ion-type Rare Earth Mining Area Oriented to Mining Disturbance[J]. Geomatics and Information Science of Wuhan University, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022

面向开采扰动的离子型稀土矿区地表温度降尺度方法

doi: 10.13203/j.whugis20190022
基金项目: 

教育部人文社科研究项目规划基金 18YJAZH040

江西省自然科学基金 20181BAB206018

江西省社会科学规划课题 17YJ20

详细信息
    作者简介:

    李恒凯,博士,副教授,主要研究方向为遥感建模与分析。giskai@126.com

  • 中图分类号: TP79;TD865

Land Surface Temperature Downscaling Method in Ion-type Rare Earth Mining Area Oriented to Mining Disturbance

Funds: 

Humanities and Social Sciences Research Project Planning Fund of the Ministry of Education 18YJAZH040

the Natural Science Foundation of Jiangxi Province 20181BAB206018

the Social Science Planning Project of Jiangxi Province 17YJ20

More Information
    Author Bio:

    LI Hengkai, PhD, associate professor, specializes in remote sensing modeling and analysis.E-mail: giskai@126.com

  • 摘要: 离子型稀土的开采活动会导致矿区地表极其剧烈的生态扰动, 并且会造成当地的生态环境问题,而矿区地表热环境分异变化能较好地反映矿区的生态扰动特点,是一种辨识地表生态扰动的重要参数。离子型稀土矿区存在矿点分散且单个矿点面积较小的特征,因此获取实用性强且空间分辨率更高的地表温度数据对稀土矿区生态环境的监测具有重要价值。构建了一种综合图像融合算法、线性光谱混合模型的地表温度降尺度模型。以赣州市辖区内的定南县岭北离子型稀土矿区作为研究区域,以Landsat 8卫星影像作为主要数据源,首先选取同一年份两个季相的数据,综合图像融合算法和线性光谱混合模型,将地表温度空间分辨率降至15 m;然后对降尺度后的地表温度结果进行定性定量的分析并检验其精度。结果表明,分解前、后矿区地表温度的空间分布和走向整体一致,降尺度后的地表温度能够更细致地反映矿区地表特征和空间差异性,研究区内两个季相的降尺度结果整体均方根误差分别为1.459 K、1.196 K,绝对误差分别为1.128 K、0.952 K,精度较高,表明该方法对于提升离子型稀土矿的地表温度空间分辨率有较好的适用性。
  • 图  1  研究区地理位置

    Figure  1.  Location of Study Area

    图  2  采用植被、裸土、高反射率地物的三端元LSMM计算得到的地表组分丰度

    Figure  2.  Abundance of Surface Compositions of Vegetations, Bare Lands and High-Reflectance Features Computed by LSMM

    图  3  分解前后矿区地表温度数据

    Figure  3.  Land Surface Temperature of Mining Area Before and After the Decomposition

    图  4  地表温度分解结果与单窗算法反演的矿区地表温度差值图

    Figure  4.  Land Surface Temperature Difference of Mining Area Using Our Proposed Downscaling Method and MWA

    图  5  岭北矿区选取的3个矿点的地表温度结果对比

    Figure  5.  Comparison of Land Surface Temperature Results of Three Mining Points Selected from Lingbei Mining Area

    图  6  3种方法计算的矿区地表温度对比图

    Figure  6.  Comparison of Land Surface Temperature Results of Mining Area of Three Methods

    图  7  TDIFSU和DisTrad模型计算的矿区地表温度与单窗算法反演的地表温度之间的差值

    Figure  7.  Land Surface Temperature Difference of Mining Area Computed by TDIFSU和DisTrad Models with MWA

    表  1  大气透过率估算方程

    Table  1.   Atmosphere Transmissivity Estimation Equations

    大气水分含量ω/(g·cm-2) 大气透过率估算方程 相关系数
    0.4~1.6 τ=0.974 290-0.080 07ω 0.996 11
    1.6~3.0 τ=1.031 412-0.115 36ω 0.998 27
    下载: 导出CSV

    表  2  地表组分的比辐射率估计值

    Table  2.   Estimated Specific Emissivity of Surface Components

    地表组分 比辐射率
    植被 0.986 00
    高反射率地物 0.970 00
    裸露土壤 0.972 15
    下载: 导出CSV

    表  3  地表温度降尺度结果精度评价

    Table  3.   Accuracy Evaluation of Land Surface Temperature Using Our Proposed Downscaling Method

    区域 2018-02-05 2018-10-03
    RMSE/K MAE/K 相关系数 RMSE/K MAE/K 相关系数
    岭北矿区 1.459 1.128 0.722 1.196 0.952 0.786
    A 1.415 1.185 0.713 1.490 1.233 0.603
    B 1.432 1.234 0.644 1.731 1.549 0.787
    C 0.844 0.712 0.607 1.022 0.876 0.675
    D 0.965 0.835 0.361 1.072 0.994 0.496
    E 1.060 0.973 0.339 0.309 0.248 0.475
    F 0.913 0.857 0.401 0.272 0.212 0.552
    下载: 导出CSV

    表  4  不同降尺度模型地表温度精度评价

    Table  4.   Accuracy Evaluation of Land Surface Temperature for Different Downscaling Models

    区域 TDIFSU模型 DisTrad模型
    RMSE/K MAE/K 相关系数 RMSE/K MAE/K 相关系数
    岭北矿区 1.196 0.952 0.786 1.456 1.189 0.775
    A 1.490 1.233 0.603 1.951 1.640 0.474
    B 1.731 1.549 0.787 2.169 2.009 0.783
    C 1.022 0.876 0.675 1.344 1.181 0.659
    D 1.072 0.994 0.496 1.667 1.609 0.460
    E 0.309 0.248 0.475 0.612 0.518 0.378
    F 0.272 0.212 0.552 0.604 0.545 0.475
    下载: 导出CSV
  • [1] 李振民, 王勇, 牛京考.中国稀土资源开发的生态环境影响及维护政策[J].稀土, 2017, 38(6):144-154

    Li Zhenmin, Wang Yong, Niu Jingkao.The Influence of Rare Earth Resources Exploitation on Ecology and Environment and the Protection Policy[J].Chinese Rare Earths, 2017, 38(6):144-154
    [2] 邱文玮, 侯湖平.基于RS的矿区生态扰动地表温度变化研究[J].矿业研究与开发, 2013, 33(2):68-71, 83

    Qiu Wenwei, Hou Huping.Study on Surface Temperature Variation Caused by Ecological Disturbance in the Mining Area Based on RS[J].Mining Research and Development, 2013, 33(2):68-71, 83
    [3] 李恒凯, 杨柳, 雷军.基于温度分异的稀土矿区地表扰动分析方法[J].中国稀土学报, 2016, 34(3):373-384

    Li Hengkai, Yang Liu, Lei Jun.Surface Disturbance Analysis Method Based on Temperature Differentiation in Rare Earth Mining[J].Journal of the Chinese Society of Rare Earths, 2016, 34(3):373-384
    [4] Lakshmi V, Zehrfuhs D.Normalization and Comparison of Surface Temperatures Across a Range of Scales[J].IEEE Transactions on Geoscience & Remote Sensing, 2002, 40(12):2 636-2 646 doi:  10.1109/TGRS.2002.805069
    [5] Kustas W P.Estimating Subpixel Surface Temperatures and Energy Fluxes from the Vegetation Index-Radiometric Temperature Relationship[J].Remote Sensing of Environment, 2003, 85(4):429-440 doi:  10.1016/S0034-4257(03)00036-1
    [6] Nichol J.An Emissivity Modulation Method for Spatial Enhancement of Thermal Satellite Images in Urban Heat Island Analysis[J].Photogrammetric Engineering & Remote Sensing, 2009, 75(5):547-556 doi:  10.14358/pers.75.5.547
    [7] Klemen Z, Krištof O.Downscaling Land Surface Temperature for Urban Heat Island Diurnal Cycle Analysis[J].Remote Sensing of Environment, 2012, 117(1):114-124 doi:  10.1016/j.rse.2011.05.027
    [8] 李恒凯, 杨柳, 雷军.Landsat-8热红外数据反演稀土矿区地表温度的方法比较[J].中国稀土学报, 2017, 35(5):657-666 doi:  10.11785/S1000-4343.20170512

    Li Hengkai, Yang Liu, Lei Jun.Comparison for Retrieval Algorithm of Surface Temperature in Rare Earth Mining Area Based on Landsat-8 Thermal Infrared Data[J].Journal of the Chinese Society of Rare Earths, 2017, 35(5):657-666 doi:  10.11785/S1000-4343.20170512
    [9] Deng C, Wu C.Estimating Very High Resolution Urban Surface Temperature Using A Spectral Unmixing and Thermal Mixing Approach[J].International Journal of Applied Earth Observation and Geoinformation, 2013, 23:155-164 doi:  10.1016/j.jag.2013.01.001
    [10] 宋彩英, 覃志豪, 王斐.基于线性光谱混合模型的地表温度像元分解方法[J].红外与毫米波学报, 2015, 34(4):497-504 doi:  10.11972/j.issn.1001-9014.2015.04.020

    Song Caiying, Qin Zhihao, Wang Fei.An Effective Method for LST Decomposition Based on the Linear Spectral Mixing Model[J].Journal of Infrared and Millimeter Waves, 2015, 34(4):497-504 doi:  10.11972/j.issn.1001-9014.2015.04.020
    [11] 王斐, 覃志豪, 宋彩英.利用Landsat TM影像进行地表温度像元分解[J].武汉大学学报·信息科学版, 2017, 42(1):116-122 doi:  10.13203/j.whugis20140604

    Wang Fei, Qin Zhihao, Song Caiying.An Efficient Approach for Pixel Decomposition of Land Surface Temperature from Landsat TM Data[J].Geomatics and Information Science of Wuhan University, 2017, 42(1):116-122 doi:  10.13203/j.whugis20140604
    [12] 彭燕, 何国金, 张兆明, 等.赣南稀土矿开发区生态环境遥感动态监测与评估[J].生态学报, 2016, 36(6):1 676-1 685 doi:  10.5846/stxb201408181632

    Peng Yan, He Guojin, Zhang Zhaoming, et al.Eco-environmental Dynamic Monitoring and Assessment of Rare Earth Mining Area in Southern Ganzhou Using Remote Sensing[J].Acta Ecologica Sinica, 2016, 36(6):1 676-1 685 doi:  10.5846/stxb201408181632
    [13] 刘会芬, 杨英宝, 于双, 等.遥感图像不同融合方法的适应性评价--以ZY-3和Landsat 8图像为例[J].国土资源遥感, 2014, 26(4):63-70 doi:  10.6046/gtzyyg.2014.04.11

    Liu Huifen, Yang Yingbao, Yu Shuang, et al.Adaptability Evaluation of Different Fusion Methods on ZY-3 and Landsat 8 Images[J].Remote Sensing for Land & Resources, 2014, 26(4):63-70 doi:  10.6046/gtzyyg.2014.04.11
    [14] Keshava N, Mustard J F.Spectral Unmixing[J].IEEE Signal Processing Magazine, 2002, 19(1):44-57 doi:  10.1109/79.974727
    [15] 李恒凯, 雷军, 杨柳.基于Landsat影像的离子稀土矿区植被覆盖度提取及景观格局分析[J].农业工程学报, 2016, 32(10):267-276 doi:  10.11975/j.issn.1002-6819.2016.10.037

    Li Hengkai, Lei Jun, Yang Liu.Extraction of Vegetation Coverage and Analysis of Landscape Pattern in Rare Earth Mining Area Based on Landsat Image[J].Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(10):267-276 doi:  10.11975/j.issn.1002-6819.2016.10.037
    [16] 覃志豪, Zhang Minghua, Arnon Karnieli, 等.用陆地卫星TM6数据演算地表温度的单窗算法[J].地理学报, 2001, 56(4):456-466 doi:  10.1142/S0252959901000401

    Qin Zhihao, Zhang Minghua, Arnon K, et al.Mono-Window Algorithm for Retriving Land Surface Temperature from Landsat TM 6 Data[J].Acta Geographica Sinica, 2001, 56(4):456-466 doi:  10.1142/S0252959901000401
    [17] 覃志豪, Li Wenjuan, Zhang Minghua, 等.单窗算法的大气参数估计方法[J].国土资源遥感, 2003, 56(2):37-43 doi:  10.3969/j.issn.1001-070X.2003.02.010

    Qin Zhihao, Li Wenjuan, Zhang Minghua, et al.Estimating of the Essential Atmospheric Parameters of Mono-Window Algorithm for Land Surface Temperature Retrieval from Landsat TM 6[J].Remote Sensing for Land & Resources, 2003, 56(2):37-43 doi:  10.3969/j.issn.1001-070X.2003.02.010
    [18] Li Z L, Wu H, Wang N, et al.Land Surface Emissivity Retrieval from Satellite Data[J].International Journal of Remote Sensing, 2013, 34(10):3 084-3 127
    [19] Li Z L, Tang B H, Wu H, et al.Satellite-derived Land Surface Temperature:Current Status and Perspectives[J].Remote Sensing of Environment, 2013, 131(2):14-37 doi:  10.1016/j.rse.2012.12.008
  • [1] 许慧慧, 高美玲, 李振洪, 胡羽丰.  多源地表温度估算近地表气温的精度对比 . 武汉大学学报 ● 信息科学版, 2022, 0(0): 0-0. doi: 10.13203/j.whugis20210541
    [2] 刘浩, 王广军, 谈明洪.  咸海面积萎缩对区域地表温度的影响 . 武汉大学学报 ● 信息科学版, 2022, 47(7): 1113-1121. doi: 10.13203/j.whugis20200165
    [3] 卢阳, 杨建思, 黄昕, 杨其全, 马嵩.  面向局部气候带的城市形态对地表温度的影响 . 武汉大学学报 ● 信息科学版, 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
    [4] 王爱辉, 杨英宝, 潘鑫, 胡解君德.  顾及时空特征的FY-4A云覆盖像元地表温度重建模型 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 852-862. doi: 10.13203/j.whugis20200039
    [5] 王磊, 蒋创, 张鲜妮, 李楠, 查剑锋.  基于单视线向D-InSAR技术的倾斜煤层开采地表沉陷监测方法 . 武汉大学学报 ● 信息科学版, 2019, 44(6): 814-820. doi: 10.13203/j.whugis20170300
    [6] 王蕾, 王鹏新, 李俐, 张树誉, 白雪娇, 解毅.  应用条件植被温度指数预测县域尺度小麦单产 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1566-1573. doi: 10.13203/j.whugis20160391
    [7] 魏然, 单杰.  城市地表温度影像时空融合方法研究 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
    [8] 朱骥, 施建成, 张祥信, 张素梅.  基于AVHRR/2 10 d合成数据的青藏高原亚像元雪填图 . 武汉大学学报 ● 信息科学版, 2017, 42(12): 1725-1730. doi: 10.13203/j.whugis20150394
    [9] 王斐, 覃志豪, 宋彩英.  利用Landsat TM影像进行地表温度像元分解 . 武汉大学学报 ● 信息科学版, 2017, 42(1): 116-122. doi: 10.13203/j.whugis20140604
    [10] 胡德勇, 乔琨, 王兴玲, 赵利民, 季国华.  利用单窗算法反演Landsat 8 TIRS数据地表温度 . 武汉大学学报 ● 信息科学版, 2017, 42(7): 869-876. doi: 10.13203/j.whugis20150164
    [11] 谭琨, 廖志宏, 杜培军.  顾及地面传感器观测数据的遥感影像地面温度反演算法 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 148-155. doi: 10.13203/j.whugis20130843
    [12] 姚宜斌, 刘劲宏, 张豹, 何畅勇.  地表温度与加权平均温度的非线性关系 . 武汉大学学报 ● 信息科学版, 2015, 40(1): 112-116.
    [13] 徐涵秋, 林中立, 潘卫华.  单通道算法地表温度反演的若干问题讨论——以Landsat系列数据为例 . 武汉大学学报 ● 信息科学版, 2015, 40(4): 487-492. doi: 10.13203/j.whugis20130733
    [14] 唐韵玮, 张景雄.  基于面-点协同克里格和多点地统计模拟的遥感影像融合方法 . 武汉大学学报 ● 信息科学版, 2014, 39(7): 856-861.
    [15] 毛克彪, 唐华俊, 周清波, 马柱国.  实用劈窗算法的改进及大气水汽含量对精度影响评价 . 武汉大学学报 ● 信息科学版, 2008, 33(2): 116-119.
    [16] 卢远, 华璀, 杨小雄, 韦燕飞.  基于ASTER数据的城市热环境效应定量分析 . 武汉大学学报 ● 信息科学版, 2008, 33(3): 297-301.
    [17] 闫峰, 覃志豪, 李茂松, 王艳姣.  基于MODIS数据的上海市热岛效应研究 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 576-580.
    [18] 易尧华, 余长慧, 秦前清, 龚健雅.  基于独立分量分析的遥感影像非监督分类方法 . 武汉大学学报 ● 信息科学版, 2005, 30(1): 19-22.
    [19] 罗红霞, 龚健雅.  UFCLS线性光谱混合分析法在遥感图像分类识别中的效果分析 . 武汉大学学报 ● 信息科学版, 2004, 29(7): 615-618.
    [20] 江芸, 李同文, 程青, 沈焕锋.  利用时空神经网络模型的长江经济带气温反演 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210192
  • 加载中
图(7) / 表(4)
计量
  • 文章访问数:  470
  • HTML全文浏览量:  144
  • PDF下载量:  31
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-09-16
  • 刊出日期:  2021-01-05

面向开采扰动的离子型稀土矿区地表温度降尺度方法

doi: 10.13203/j.whugis20190022
    基金项目:

    教育部人文社科研究项目规划基金 18YJAZH040

    江西省自然科学基金 20181BAB206018

    江西省社会科学规划课题 17YJ20

    作者简介:

    李恒凯,博士,副教授,主要研究方向为遥感建模与分析。giskai@126.com

  • 中图分类号: TP79;TD865

摘要: 离子型稀土的开采活动会导致矿区地表极其剧烈的生态扰动, 并且会造成当地的生态环境问题,而矿区地表热环境分异变化能较好地反映矿区的生态扰动特点,是一种辨识地表生态扰动的重要参数。离子型稀土矿区存在矿点分散且单个矿点面积较小的特征,因此获取实用性强且空间分辨率更高的地表温度数据对稀土矿区生态环境的监测具有重要价值。构建了一种综合图像融合算法、线性光谱混合模型的地表温度降尺度模型。以赣州市辖区内的定南县岭北离子型稀土矿区作为研究区域,以Landsat 8卫星影像作为主要数据源,首先选取同一年份两个季相的数据,综合图像融合算法和线性光谱混合模型,将地表温度空间分辨率降至15 m;然后对降尺度后的地表温度结果进行定性定量的分析并检验其精度。结果表明,分解前、后矿区地表温度的空间分布和走向整体一致,降尺度后的地表温度能够更细致地反映矿区地表特征和空间差异性,研究区内两个季相的降尺度结果整体均方根误差分别为1.459 K、1.196 K,绝对误差分别为1.128 K、0.952 K,精度较高,表明该方法对于提升离子型稀土矿的地表温度空间分辨率有较好的适用性。

English Abstract

李恒凯, 吴冠华, 王秀丽. 面向开采扰动的离子型稀土矿区地表温度降尺度方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
引用本文: 李恒凯, 吴冠华, 王秀丽. 面向开采扰动的离子型稀土矿区地表温度降尺度方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
LI Hengkai, WU Guanhua, WANG Xiuli. Land Surface Temperature Downscaling Method in Ion-type Rare Earth Mining Area Oriented to Mining Disturbance[J]. Geomatics and Information Science of Wuhan University, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
Citation: LI Hengkai, WU Guanhua, WANG Xiuli. Land Surface Temperature Downscaling Method in Ion-type Rare Earth Mining Area Oriented to Mining Disturbance[J]. Geomatics and Information Science of Wuhan University, 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
  • 离子型稀土矿的开采方式主要有池浸、堆浸以及原地浸矿,其开采活动会对地表形态、地质构造、土壤和植被等造成破坏,导致矿区出现土地沙化、植被胁迫、地面应力等生态扰动现象[1]。相关研究表明,露天采矿活动引起的地表扰动也会导致地表温度异常,文献[2]发现不同土地利用类型、环境污染、土壤结构毁损等生态扰动均会影响矿区地表温度;文献[3]基于温度分异系数对稀土矿的开采扰动和地表温度之间的响应关系进行分析。地表热异常信息提取与分析已成为辨识地表生态扰动的一种常用方法,利用遥感数据反演可在大范围周期性获取矿区地表温度。然而离子型稀土矿区存在矿点分散且单个矿点面积较小等特性,基于数据的可获取性、稀土矿区及矿点尺度监测需要,地表温度反演可选择的主要数据为Landsat、ASTER及环境一号卫星B星(HJ-1B)系列数据。其中,Landsat系列遥感影像具有时间和空间分辨率都较适中、能够长时间周期性观测、系统科学的数据存档等优势,因此被广泛应用。但这些数据的热红外波段空间分辨率比其他光学多波段数据低很多,对于地貌特征复杂的离子型稀土矿区,普遍存在混合像元,直接影响了矿区地表温度的反演精度,因此在异质性下垫面的应用存在诸多困难[4]

    地表参数统计回归降尺度方法是应用最为广泛的提高卫星热红外遥感地表温度空间分辨率的方法,文献[5]假设在不同的空间尺度上,地表温度(land surface temperature,LST)和归一化植被指数(normalized difference vegetation index,NDVI)之间具有相同的统计关系,进而提出了经典的DisTrad算法,该算法是通过拟合LST-NDVI的线性关系实现热红外波段及温度产品的降尺度;文献[6-7]利用其他遥感指数对DisTrad算法进行了改进。尽管利用遥感指数可以对某些特定的地表性质进行量化,但是稀土矿区由于其自身地表组成组分的多样性以及其热辐射特性的复杂性,增加了该方法在稀土矿区的应用难度[8]。多光谱数据不同光谱所表达的信息不同,而分辨率不一样的热红外数据可以从其他波段获取信息从而实现降尺度。由此文献[9]提出了SUTM(spectral unmixing and thermal mixing)算法,基于不同地表组分的丰度数据和地表温度之间的关系实现了地表温度的降尺度;文献[10]提出了TUS(temperature unmixing with spectral)模型,基于不同地表组分的比辐射率数据有效提升了地表温度的空间分辨率;文献[11]提出了一种基于Landsat TM数据的地表温度二次像元分解方法,并使用该方法将南京市的地表温度空间分辨率提升至30 m。上述研究表明,综合考虑不同端元热辐射特性的差异,将不同光谱表达的信息应用到地表温度的分解中,能够有效地提高地表温度的空间分辨率。本文基于离子型稀土矿矿点小且分散的特征,构建了一种综合图像融合算法、线性光谱混合模型的地表温度降尺度(temperature downscale with image fusion and spectral unmixing,TDIFSU)模型。选取赣州市定南县岭北稀土矿区作为研究对象,采用Landsat 8陆地成像仪(operational land imager,OLI)/热红外传感器(thermal infrared sensor,TIRS)数据进行地表温度空间降尺度实验,检验其对于稀土矿的可行性和适用性。

    • 赣州市位于江西省南部,为典型的红壤丘陵山区,离子型吸附型稀土以离子形态存在于土壤中,稀土矿区多分布在山区林地,远离城区[12]。本文选取位于定南县北部的岭北离子型稀土矿区作为研究区域,该矿区占地面积约为200 km2,开采矿点众多,矿区地理坐标为114.97°E~115.19°E、24.85°N~25.05°N,如图 1所示。

      图  1  研究区地理位置

      Figure 1.  Location of Study Area

      研究数据为2018-02-05和2018-10-03获取的Landsat 8数据以及当年同时期的谷歌地球(Google Earth)高分影像。由于该矿区各类地物的比热容存在差异,在相同强度的热辐射下,不同地物间的地表温度产生差异,从而为地表扰动识别提供依据。

      Landsat 8卫星于2013年发射后运行至今,携带两个传感器——OLI和TIRS,该卫星数据的各个波段空间分辨率分别是可见光与近红外波段30 m、全色波段15 m。目前美国地质调查局(United States Geological Survey,USGS)网站上提供的热红外波段分辨率已经过三次重卷积法重采样为30 m,但实际所能表达的信息仍然和原始100 m分辨率的地表模式相似。基于此,为了获得更详尽的地表温度空间信息,对Landsat 8数据的地表温度进行空间降尺度是十分有必有的。

    • 由于Gram-Schmidt算法具有信息融入度较好和高光谱具有保真度等特点[13],因此本文采用该算法对研究区的Landsat 8 OLI数据进行图像融合,获得15 m分辨率的多光谱较高空间分辨率影像。首先针对开采后矿区内存在大量尾砂及裸露地表问题,选择典型端元,利用线性光谱混合模型得到不同地物的地表组分丰度值;然后采用单窗算法反演获得30 m空间分辨率的地表温度,结合得到的地表组分丰度值提取选取的各光谱端元的地表温度,求其平均值作为典型端元温度;最后建立地表温度与端元平均温度、地表组分丰度之间的关系模型,将地表温度的空间分辨率提升至15 m。

    • 线性光谱混合(linear spectral mixture model,LSMM)模型假定不同端元之间没有相互作用,太阳的入射辐射只和唯一的端元产生作用,每个像元的光谱反射率是由该像元内各端元反射率在像元中所占比例的加权线性组合所得到的。通过线性光谱混合模型对图像融合后的空间分辨率为15 m的多光谱数据计算得到地表组分丰度。本文采用全约束的LSMM模型计算地表组分丰度,计算如下[14]

      $${R_{pi}} = \mathop \sum \limits_{j = 1}^N {f_{jp}} \cdot {C_{ji}} + {\varepsilon _{pi}} $$ (1)

      约束条件为:

      $$\left\{ {\begin{array}{*{20}{c}} {0 \le {f_{jp}} \le 1}\\ {\mathop \sum \limits_{j = 1}^N {f_{jp}} = 1} \end{array}} \right. $$ (2)

      式中,Rpii波段上p像元的光谱反射率;N为像元包含的基本组分数目;fjpp像元的j端元组分的丰度值;Cjii波段上j端元的光谱反射率;εpii波段上p像元的剩余残差,反映了线性光谱混合模型计算结果与实际覆盖值的差异。

      端元的准确选择是保证LSMM精度的关键,通过对岭北稀土矿区的实际地表情况进行分析,确定了植被、裸露土壤、高反射率地物3种主体端元[15]。遥感影像上的高反射率地物通过与Google Earth高分影像的对照以及野外实地勘探调查,发现该部分主要为稀土矿区尾砂,稀土开采产生的尾砂在自然雨水和人为影响的作用下流失到矿区周边,使大片自然地表遭到破坏。基于此,本文采用植被、裸土、高反射率地物的三端元LSMM计算得到地表组分丰度,结果如图 2所示,图 2中率度值为该地表组分在像元中所占比例。

      图  2  采用植被、裸土、高反射率地物的三端元LSMM计算得到的地表组分丰度

      Figure 2.  Abundance of Surface Compositions of Vegetations, Bare Lands and High-Reflectance Features Computed by LSMM

    • 本文结合地表组分丰度数据和单窗算法反演的地表温度数据计算典型端元地表温度,首先提取各类地表组分丰度数据中率度值为1的典型端元,统计其对应的地表温度数据;然后计算对应的各类典型性端元的平均温度,以此作为典型端元地表温度。

      本文采用文献[16-17]提出的单窗算法(mono-window algorithm,MWA)反演得到地表温度,该算法计算简便且反演精度较高。MWA算法所需参数主要有3个,即大气透过率、地表比辐射率、平均作用温度,计算如下:

      $${T_L} = \left[ {m\left( {1 - C - D} \right) + \left( {n\left( {1 - C - D} \right) + C + D} \right){T_{{\rm{BT}}}} - D{T_a}} \right]/C $$ (3)
      $$C = \varepsilon \tau $$ (4)
      $$D = \left( {1 - \tau } \right)\left[ {1 + \left( {1 - \varepsilon } \right)\tau } \right] $$ (5)

      式中,TL为地表温度(单位:K);mn为无量纲的常数,m=-62.360,n=0.439 5;TBT为Landsat 8像元亮度温度(brightness temperature,BT)(单位:K);Ta为大气平均作用温度(单位:℃);ε为地表比辐射率;τ为大气透过率。

      本文实验区为中纬度区域,Ta的计算如下:

      $${T_a} = 16.011 + 0.926\;21\left( {t + 273.15} \right) $$ (6)

      式中,t是由当地气象局获取的气温数据(单位:℃),为地面附近(一般为2 m处)气温。

      大气透过率τ可由大气水分含量ω估算,估算方程如表 1所示。

      表 1  大气透过率估算方程

      Table 1.  Atmosphere Transmissivity Estimation Equations

      大气水分含量ω/(g·cm-2) 大气透过率估算方程 相关系数
      0.4~1.6 τ=0.974 290-0.080 07ω 0.996 11
      1.6~3.0 τ=1.031 412-0.115 36ω 0.998 27

      大气水分含量ω的计算如下:

      $$\begin{array}{*{20}{c}} {\omega = 0.098\;1 \times \left( {6.107\;8 \times {{10}^{\frac{{7.5t}}{{t + 273.3}}}}} \right) \times }\\ {{\rm{RH}} + 0.169\;7} \end{array} $$ (7)

      式中,RH(relative humidity)为相对湿度,可从当地气象局获取。

      采用NDVI阈值法计算地表比辐射率ε,计算如下:

      $$\varepsilon = 0.004{P_V} + 0.986 $$ (8)

      式中,PV为植被覆盖度,可采用像元二分法得到,计算如下:

      $${P_V} = \left( {{\rm{NDVI}} - {\rm{NDV}}{{\rm{I}}_{{\rm{Soil}}}}} \right)/\left( {{\rm{NDV}}{{\rm{I}}_{{\rm{Veg}}}} - {\rm{NDV}}{{\rm{I}}_{{\rm{Soil}}}}} \right) $$ (9)

      式中,NDVI为归一化植被指数;NDVISoil为完全无植被覆盖区域的NDVI值;NDVIVeg为完全植被覆盖区域的NDVI值。

      像元亮度温度TBT的计算如下:

      $${T_{{\rm{BT}}}} = {K_2}/{\rm{ln}}\left( {1 + {K_1}/{L_\lambda }} \right) $$ (10)
      $${L_\lambda } = {L_{{\rm{min}}, \lambda }} + \left( {{L_{{\rm{max}}, \lambda }} - {L_{{\rm{min}}, \lambda }}} \right){Q_{{\rm{DN}}}}/{Q_{{\rm{max}}}} $$ (11)

      式中,K1K2为Landsat卫星发射前的预设数值,TIRS数据中K1=774.89 W/(m2·μm·sr),K2=1 321.08 K;Lλ为像元在传感器处的光谱辐射值;QDN为热红外波段像元灰度值(digital number,DN);Qmax为热红外波段最大的像元灰度值;Lmin, λLmax, λ分别为传感器所接收到的最大和最小辐射强度。

    • 本文根据普朗克定律,首先估计大气对地表热辐射的影响;然后将这部分大气影响从卫星传感器所观测到的热辐射总量中减去,从而得到地表热辐射强度;最后将热辐射强度转化为相应的地表温度。计算如下:

      $$R\left( {{T_L}} \right) = {\varepsilon _{15}}{R_B}\left( {{T_L}} \right) $$ (12)

      式中,R(TL)为辐射亮度值(单位:W/(m2·μm·sr));ε15为空间分辨率15 m的比辐射率;RB(TL)为同温度的黑体辐射亮度值(单位:W/(m2·μm·sr))。RB(TL)的计算如下:

      $${T_L} = {K_2}/{\rm{ln}}\left( {{K_1}/{R_B}\left( {{T_L}} \right) + 1} \right) $$ (13)

      K1K2代入式(13),即可得到RB(TL)。

      对于等温均匀的发射器,发射率可以定义为在相同的热力学温度下从黑体发射的实际发射辐射的辐射率,由此文献[18-19]提出一种混合像元比辐射率估算方法,在近等温条件下测量方向热辐射率,得到不同地表组分的比辐射率估计值,如表 2所示。

      表 2  地表组分的比辐射率估计值

      Table 2.  Estimated Specific Emissivity of Surface Components

      地表组分 比辐射率
      植被 0.986 00
      高反射率地物 0.970 00
      裸露土壤 0.972 15

      根据线性光谱混合模型得到的空间分辨率15 m的地表组分丰度值以及表 2中的地表组分比辐射率估计值,计算得到不同地表组分空间分辨率15 m的混合像元比辐射率。计算如下:

      $${\varepsilon _{15}} = \mathop \sum \limits_{i = 1}^n {\varepsilon _i}{f_i} $$ (14)

      式中,εi为地表组分i的比辐射率;fi为地表组分i的丰度值;n为像元值的个数。

      根据式(12)~(14),综合空间分辨率15 m的地表组分丰度数据、典型端元的地表温度数据和比辐射率数据,可以计算得到辐亮度值。计算如下:

      $${\varepsilon _{15}}{R_b}\left( {{\rm{LS}}{{\rm{T}}_{15}}} \right) = {f_i}{\varepsilon _i}{R_b}\left( {{T_i}} \right) $$ (i)

      式中,Rb(LST15)为是降尺度后空间分辨率15 m的辐亮度值。

      进而计算得到空间分辨率15 m的地表温度数据:

      $${\rm{LS}}{{\rm{T}}_{15}} = {K_2}/{\rm{ln}}\left( {\frac{{{\varepsilon _{15}}{K_1}}}{{\mathop \sum\limits_{i = 1}^n {f_i}{\varepsilon _i}{R_b}\left( {{T_i}} \right)}} + 1} \right) $$ (16)
    • 从两个方面对TDIFSU模型进行精度验证,首先分别从定性和定量两个角度对离子型稀土矿地表温度空间降尺度的结果进行精度评价,在遥感影像上选取3处稀土矿点,将降尺度所得温度结果与Google Earth上的高分影像以及单窗算法反演所得温度数据一起进行定性的对比分析;然后采用升尺度方法对地表温度降尺度的结果进行定量的精度验证,将分解后所得到的LST15重采样为30 m空间分辨率的数据LSTr30,并以单窗算法反演的LST30数据作为真实地表温度数据,对两者进行差值计算,统计差值结果LSTD的均方根误差(root mean square error,RMSE)与平均绝对误差(mean absolute error,MAE),以此评价降尺度的精度,验证其在稀土矿的可行性。为了验证TDIFSU模型在稀土矿的适用性,选取DisTrad模型开展降尺度实验,与TDIFSU模型进行对比分析,并统计RMSE与MAE评价降尺度精度。

    • 地表温度分解后,其空间分辨率从30 m提升到了15 m,分解前后的地表温度数据如图 3所示。对比图 3(a)3(b)可以看出,分解前、后地表温度整体的分布走向基本一致,空间格局得到较好保持,其中尾砂与裸土的温度较高,植被部分温度较低。

      图  3  分解前后矿区地表温度数据

      Figure 3.  Land Surface Temperature of Mining Area Before and After the Decomposition

      与单窗算法相比,降尺度反演得到的地表温度刻画更为细致,对不同地表组分之间温度的差异性也表现得更为明显。对比分解结果与Google Earth高分数据发现,离子吸附性稀土矿区地表温度的高温区主要对应稀土开采所产生的尾砂以及裸露在地表的矿点废石堆积地区,中温区主要对应裸露土壤以及原地浸矿植被地区,低温区主要对应自然植被和复垦植被地区,因此,降尺度所得地表温度与高分影像上稀土矿区内各类地物的空间分布特征整体上相符,并且在一定程度上反映了矿点的开采与复垦状况。相对于矿区内的其他地物而言,尾砂的比热容较小,因此当矿区内的各类地物在相同强度的太阳辐射照射下,尾砂的温度会比其他地物更快地提升,从而出现与其他地物之间的温度差异现象,这也证明了稀土的开采活动会导致矿区的温度异常。

    • 为了对地表温度分解结果的精度进行定量的验证分析,本文先将分解后15 m的地表温度数据利用重采样的方法升尺度至30 m分辨率的地表温度数据(LSTr30),接着以单窗算法反演的地表温度数据(LST30)作为真实地表温度数据,对LSTr30与LST30作差,得到两者的地表温度差值数据LSTD,如图 4所示,并随机选取高温区(AB)、中温区(CD)、低温区(EF)6个样本区,分别统计其RMSE与MAE,以此分析地表温度分解精度,结果如表 3所示。

      图  4  地表温度分解结果与单窗算法反演的矿区地表温度差值图

      Figure 4.  Land Surface Temperature Difference of Mining Area Using Our Proposed Downscaling Method and MWA

      表 3  地表温度降尺度结果精度评价

      Table 3.  Accuracy Evaluation of Land Surface Temperature Using Our Proposed Downscaling Method

      区域 2018-02-05 2018-10-03
      RMSE/K MAE/K 相关系数 RMSE/K MAE/K 相关系数
      岭北矿区 1.459 1.128 0.722 1.196 0.952 0.786
      A 1.415 1.185 0.713 1.490 1.233 0.603
      B 1.432 1.234 0.644 1.731 1.549 0.787
      C 0.844 0.712 0.607 1.022 0.876 0.675
      D 0.965 0.835 0.361 1.072 0.994 0.496
      E 1.060 0.973 0.339 0.309 0.248 0.475
      F 0.913 0.857 0.401 0.272 0.212 0.552

      图 4可以看出,地表温度分解结果与单窗算法反演结果的温差主要集中在-4~4 K之间,部分区域存在对地表温度的高估或低估,但是整体上仍然控制在一个合理的区间内。矿区内的温差呈现出左上部分区域偏向正值,右下部分区域偏向负值,中间部分差值在-1~1 K的一种分布情况,这与图 3呈现的对比结果相吻合。

      图 34表 3可知,高温区AB主要为稀土尾砂堆积区,两个季相的降尺度误差RMSE和MAE在高温区表现略有差异,10月的数据误差略大于2月的数据误差;中温区CD主要有裸露土壤以及部分稀土尾砂、废石,两个季相的降尺度误差RMSE和MAE相差不大,误差大小在1 K左右;低温区EF为植被覆盖度较高的地方,两个季相的降尺度误差RMSE和MAE稍有差别,10月的数据误差稍小于2月的数据误差。两个季相在高温区和低温区体现的差异主要在于亚热带季风气候的影响和稀土开采形成矿区独特的地表组分,在冬春季节,南方整体气温较低,尾砂覆盖区与植被覆盖区的地表温度之间温差小,在夏秋季节,温度较高,尾砂覆盖区与植被覆盖区的地表温度温差更大。稀土矿区总体误差在两个季相上表现良好,2月的RMSE为1.459 K,MAE为1.128 K,相关系数为0.722;10月的RMSE为1.196 K,MAE为0.952 K,相关系数为0.786,整体而言精度较高。

      为了对地表温度分解结果进行定性的对比分析,在遥感影像上随机选取3处稀土矿点(青迳塘矿点、龙船坑矿点和老虎坑矿点),将每个矿点的Google Earth高分影像、单窗算法反演所得的地表温度数据以及降尺度方法所得的地表温度结果一起作对比分析,图 5为在岭北矿区选取的3个稀土矿点的地表温度对照图。

      图  5  岭北矿区选取的3个矿点的地表温度结果对比

      Figure 5.  Comparison of Land Surface Temperature Results of Three Mining Points Selected from Lingbei Mining Area

      图 5可知,相比单窗算法反演的地表温度,降尺度方法所得地表温度能够更为细致地反映出实际地表的分布情况,各种地表组分之间的界限更加分明,尤其是稀土尾砂的部分与其他地物的温度差异明显。降尺度后地表温度的轮廓与高分遥感影像大体一致,在图 5所示的3个矿点上,稀土尾砂的分布范围在分解结果上都得到很好的体现,裸土和植被之间也能更加清楚的区分,其中在图 5(c)老虎坑矿点处,稀土尾砂分布较为散碎,中间还有大块裸土组分,单窗算法反演的地表温度不能细致地表达地表情况,但是降尺度后的地表温度能够比较清晰地刻画出矿区内特殊的地表组成带来的温度差异,这也说明降尺度后的地表温度能较好地体现稀土矿区的扰动特征。

    • 为了验证本文的降尺度方法在稀土矿区的可行性,选取2018-10-05的Landsat 8数据,分别使用TDIFSU模型和DisTrad模型[5]对研究区开展地表温度空间降尺度实验,并进行对比分析。

      图 6为3种方法计算得到的稀土矿区地表温度,可以看出,3种方法得到的地表温度图像整体空间布局走向一致,尾砂等高反射率地物覆盖的地表温度更高,其次为裸土覆盖区域,植被覆盖度高的区域地表温度最低。与DisTrad模型反演得到的地表温度相比,TDIFSU模型反演得到的地表温度变化趋势较为平缓,尤其是在尾砂等高温区域的呈现更接近单窗算法反演的温度,在稀土矿区表现更好。

      图  6  3种方法计算的矿区地表温度对比图

      Figure 6.  Comparison of Land Surface Temperature Results of Mining Area of Three Methods

      图 7为TDIFSU和DisTrad两种降尺度模型计算得到的地表温度与单窗算法反演的地表温度之间的差值,可以看出,温差值主要集中在-4~4 K之间,但是在差值的分布上两者区别较大。TDIFSU模型在研究区呈现左上区域差值为正值,右下区域差值为负的情况,而DisTrad模型则正好相反。这主要与两种模型的计算方法相关,TDIFSU模型中地表组分丰度和典型端元温度的计算对降尺度结果影响较大,当地表组成比较复杂时,典型端元地表组分丰度的选取代表性相对下降,进而导致典型端元温度的计算值偏大或偏小,从而对地表温度降尺度模型的精度带来一定的影响;而DisTrad模型是依据拟合LST与NDVI之间的线性关系进行地表温度降尺度,稀土矿区内尾砂与裸土等地物的NDVI值较为接近,且矿区内植被覆盖度高,使得拟合的线性关系相关性不高,从而在尾砂等高温区差值为负。表 4中对比了TDIFSU模型和DisTrad模型的地表温度误差,可以看出,两种模型在3类温度区域呈现一致性,高温区AB误差最大,其次为中温区CD,低温区EF误差最小;在3类温度区域以及整个研究区,TDIFSU模型误差均小于DisTrad模型的。TDIFSU模型所得矿区地表温度的RMSE和MAE分别为1.196 K、0.952 K,相关系数为0.786;DisTrad模型所得矿区地表温度的RMSE和MAE分别为1.456 K、1.189 K,相关系数为0.775。

      图  7  TDIFSU和DisTrad模型计算的矿区地表温度与单窗算法反演的地表温度之间的差值

      Figure 7.  Land Surface Temperature Difference of Mining Area Computed by TDIFSU和DisTrad Models with MWA

      表 4  不同降尺度模型地表温度精度评价

      Table 4.  Accuracy Evaluation of Land Surface Temperature for Different Downscaling Models

      区域 TDIFSU模型 DisTrad模型
      RMSE/K MAE/K 相关系数 RMSE/K MAE/K 相关系数
      岭北矿区 1.196 0.952 0.786 1.456 1.189 0.775
      A 1.490 1.233 0.603 1.951 1.640 0.474
      B 1.731 1.549 0.787 2.169 2.009 0.783
      C 1.022 0.876 0.675 1.344 1.181 0.659
      D 1.072 0.994 0.496 1.667 1.609 0.460
      E 0.309 0.248 0.475 0.612 0.518 0.378
      F 0.272 0.212 0.552 0.604 0.545 0.475
    • 基于离子型稀土矿矿点小且分散的特征,本文综合图像融合算法、线性光谱混合模型,构建了TDIFSU模型。为了验证本文的降尺度方法在稀土矿区的可行性,采用目前常用的DisTrad模型在研究区开展降尺度实验,与TDIFSU模型进行对比分析。结果表明,相对DisTrad模型,TDIFSU模型在矿区的地表温度呈现和精度分析上都表现良好,在稀土矿区有较高的可行性和适用性。

      本文采取的图像融合算法具有较好的信息融入度和较高的光谱保真度,能够最大限度地保留有效地表组分信息,以降低对精度的影响。但是该方法也存在一些不足之处,如图像融合可能会导致少量的信息缺失,因此后续也可验证采用高分数据对于稀土矿区而言提取地表组分丰度对端元的选取是否会更加准确。另外,典型端元温度的选取对结果的影响很大,如何更好地确定其温度还有待进一步研究。总的来说,稀土矿区的地表温度空间降尺度研究还可以进一步发展,为矿区的生态扰动提供更多可用信息。

参考文献 (19)

目录

    /

    返回文章
    返回