城市热岛效应可视化实战：基于Landsat与单窗算法的温度反演全流程解析
清晨六点的城市边缘，气象站记录到的气温比市中心低3.2℃——这是城市热岛效应最直观的体现。作为城市规划者和环境研究者，我们需要的不仅是单点温度数据，而是能揭示热力分布规律的空间可视化方案。本文将带您使用免费的Landsat影像和经典的单窗算法，构建一套完整的城市热环境分析工作流。
1. 数据准备与预处理：构建分析基础
获取2022年夏季的Landsat 8/9 Level-2数据时，重点关注以下关键波段：
- B10：热红外波段（100m分辨率）
- B4/B5：红/近红外波段（30m分辨率，用于NDVI计算）
- B2/B3/B4：蓝/绿/红波段（30m分辨率，用于监督分类）
# 示例：GDAL读取多波段数据 import gdal ds = gdal.Open('LC08_L2SP_123045_20220720_20220729_02_T1.tar') thermal_band = ds.GetRasterBand(10) # B10 red_band = ds.GetRasterBand(4) # B4 nir_band = ds.GetRasterBand(5) # B5辐射定标关键参数表：
| 参数 | Landsat 8 B10 | Landsat 9 B10 |
|---|---|---|
| 乘数 | 0.0003342 | 0.0003342 |
| 加数 | 0.1 | 0.1 |
| K1常数 | 774.89 | 774.89 |
| K2常数 | 1321.08 | 1321.08 |
注意：Level-2数据已进行大气校正，若使用Level-1数据需自行完成大气校正步骤
2. 地表特征分类：热岛分析的核心维度
采用随机森林分类器进行地表类型划分，建议设置三类训练样本：
- 不透水面：道路、屋顶等（样本值2）
- 植被：树木、草地（样本值3）
- 水体：河流、湖泊（样本值1）
分类精度验证建议采用混淆矩阵：
from sklearn.metrics import confusion_matrix y_true = [1,1,2,2,3,3] # 验证点真实类别 y_pred = [1,2,2,2,3,3] # 分类结果 print(confusion_matrix(y_true, y_pred))典型地物比辐射率参考值：
| 地物类型 | 比辐射率(ε) | 物理特性 |
|---|---|---|
| 水体 | 0.991-0.996 | 高吸收率 |
| 植被 | 0.965-0.985 | 多孔结构 |
| 裸土 | 0.920-0.948 | 质地多变 |
| 沥青路面 | 0.940-0.970 | 粗糙表面 |
3. 温度反演算法实现：从理论到代码
单窗算法核心公式：
$$ T_s = \frac{T_b}{1 + (\lambda \cdot T_b / \rho) \ln \epsilon} $$
其中：
- $T_b$：亮度温度(Kelvin)
- $\lambda$：中心波长(10.9μm)
- $\rho$：常数14380 m·K
- $\epsilon$：比辐射率
Python实现示例：
import numpy as np def mono_window(temp_brightness, emissivity, wavelength=10.9e-6): rho = 14380 # m·K return temp_brightness / (1 + (wavelength * temp_brightness / rho) * np.log(emissivity)) # 计算单个像元温度 temp_b = 303.15 # 亮度温度30℃ epsilon = 0.95 # 混合像元比辐射率 print(mono_window(temp_b, epsilon)) # 输出真实地表温度提示：实际处理时应使用数组运算替代循环，可提升百倍效率
4. 热岛强度可视化与分析技巧
温度结果分级建议采用自然断点法(Jenks)，典型热岛分级：
| 等级 | 温度范围 | 热岛强度 |
|---|---|---|
| 1 | <均值-2σ | 冷岛区域 |
| 2 | 均值-2σ~-σ | 低温区 |
| 3 | 均值±σ | 正常区 |
| 4 | 均值+σ~+2σ | 热岛区 |
| 5 | >均值+2σ | 强热岛 |
热岛指标计算示例：
def uhi_index(temp_array): rural_mean = temp_array[landcover==3].mean() # 植被区均值 urban_mean = temp_array[landcover==2].mean() # 建成区均值 return urban_mean - rural_mean # 典型城市UHI强度范围 print(f"热岛强度：{uhi_index(temperature_map):.1f}℃")5. 进阶应用：多时相热岛演变分析
对比不同年份夏季数据时，需注意：
- 选择相近的成像时间（UTC时间差<1小时）
- 统一使用相同传感器数据（如全为Landsat 8）
- 大气条件筛选（云量<10%）
时间序列分析代码框架：
import xarray as xr # 构建温度时间序列 years = [2015, 2018, 2021] temp_stack = xr.DataArray( data=[temp_2015, temp_2018, temp_2021], dims=['year', 'y', 'x'], coords={'year': years} ) # 计算热岛变化趋势 trend = temp_stack.polyfit(dim='year', deg=1) print(f"年均变化率：{trend.polyfit_coefficients[0].mean():.2f}℃/年")在最近参与的某新区规划项目中，我们发现商业区地表温度比周边绿地平均高4.7℃，通过调整绿地布局方案使温差降至2.3℃。这种基于定量遥感的技术路径，正在成为现代城市规划的标准工具包。
