基于Landsat8/TIRS的北京城市热岛研究（附练习数据下载）

最新推荐文章于 2024-09-10 11:09:16 发布
最新推荐文章于 2024-09-10 11:09:16 发布
阅读量9.6k 收藏 218
点赞数 29
分类专栏： 测绘 文章标签： 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43173805/article/details/122267197
版权
本文介绍了使用Landsat8/TIRS数据进行北京城市热岛效应的研究过程，包括数据预处理、土地覆盖分类、辐射定标、地表温度计算和城市热岛效应分析。通过ENVI和arcmap软件，进行了监督分类、比辐射率和大气透过率计算，最终得出地表温度和城市热岛强度（SUHI）分布情况。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

请添加图片描述
1．实验目的和内容

1.1 实验目的
基于Landsat8/TIRS数据反演地表温度，在此基础上研究北京城市热岛效应。掌握Landsat8数据的亮度温度计算、比辐射率计算、地表温度反演以及城市地表热岛分析等内容。

1.2实验数据

  1. 北京市行政区划数据
  2. 2017年7月北京市Landsat8数据
    文末有练习数据下载

1.3 实验内容
1.数据预处理
2.土地覆盖分类
3.辐射定标与亮温计算
4.地表比辐射率计算
5.大气透过率计算
6.地表温度计算
7.城市热岛效应分析

2．实验内容

2.1数据预处理
在ENVI中将数据转换为.tif格式后在arcmap里面进行进行镶嵌、裁剪、掩膜处理后如下图所示：请添加图片描述
图 1：北京市镶嵌掩膜后OLI数据

2.2土地覆盖分类

2.2.1地物特征的选取
由于提供的OLI数据分辨率低、地物模糊、可识别度低，为此我在arcmap软件中使用了在线地图小插件对比地物进行建筑、裸地、水体、林地和农田这5大类地物训练区的划分，如下图所示：请添加图片描述
图 2：地物特征选取过程图

2.2.2监督分类
将采集的地物特征训练数据输出为特征文件*.GSG，并且采用最大拟然分类进行对北京土地覆盖的监督分类，最后进行符号化后制图输出，如下图所示：
请添加图片描述
图 3：北京市土地覆盖分类结果图

2.3辐射定标与亮温计算

使用波段运算公式“3.34420E-04*b1+0.1”先计算得到TIRS第1、2波段的辐射亮度然后继续使用波段运算公式分别运算得到TIRS第一波段和第二波段的亮度温度。

2.4地表比辐射率计算

2.4.1计算植被覆盖度
使用波段运算公式“(float(b5)-b4)/(float(b5)+b4)”计算北京市NDVI指数。接着计算NDVI数据统计直方图，掩膜数据为北京市范围，读取出各年份累积频率为5%和95%的NDVI值分别作为裸植被像元NDVIv和纯植被像元NDVI0，使用波段

最低0.47元/天 解锁文章
Google Earth Engine（GEE）——城市热岛效应分析
此星光明博客
08-06 2756
图像对象是具有相同整数值的连接像素集。分类、分箱和布尔图像数据适用于对象分析。 Google Earth Engine中使用唯一 ID 标记每个对象、计算构成对象的像素数以及计算与对象相交的像素值的统计数据的方法。例如以下的对象 connectedComponents()：用唯一标识符标记每个对象。 connectedPixelCount()：计算每个对象中的像素数。 reduceConnectedComponents()：计算每个对象中像素的统计量。 Thermal hotspots热点分析师门常
Google Earth Engine（GEE）——美国城市热岛效应UHI application包含（昼夜温度、年均气温、人种信息以及人均收入）
此星光明博客
02-20 2401
摘要 城市热岛（UHI）效应是由城市规模的地球表面空气动力、热和辐射特性的变化所强烈调节的。从气候学和公共卫生的角度来看，对这一现象的关注导致了数以百计的UHI研究，大多数是在城市的基础上进行的。然而，这些研究并没有采用一致的方法为行政单位提供完整的UHI情况。为了解决这个问题，我们使用改良的简化城市范围（SUE）方法，将遥感数据产品与多个美国人口普查定义的行政城市划界相结合，对美国所有城市化地区的晴空地表UHI（SUHI）强度进行描述。 美国497个城市化地区中的418个地区夏季的日间SUHI强度最高（
热岛效应分析原理——大气校正法地表温度（LST）反演
need_just_word的博客
08-10 5789
香港热岛效应分析 --基于大气校正法的温度反演 一、 引言 网上已有众多相关的文章，但多数描述的是软件操作步骤，本文试图尽可能详细地描述原理部分，以下内容需要一点点遥感的基础知识，对下面的公式比较陌生的，建议先翻书查资料哈，有问题可以留言哦，看到会尽量回复哒~ 二、数据准备 1. Landsat8遥感影像 2. 香港行政区划(.shp文件) 三、反演原理 先给出一个计算城市热岛强度的公式：...
Google Earth Engine——城市群昼夜温度数据集包含了全世界超过10,000个城市群的年度、夏季和冬季的地表热岛（SUHI）强度的昼夜变化。该产品既有像素级（降尺度后为300米分辨率）
此星光明博客
10-14 1468
YCEO Surface Urban Heat Islands: Pixel-Level Composites of Yearly Summertime Daytime and Nighttime Intensity This dataset contains annual, summertime, and wintertime surface urban heat island (SUHI) intensities for day and night for over 10,000 urban clus
GEE：城市热岛效应分析
GEE水生态空间
02-03 5829
热岛效应是由于人为原因，改变了城市地表的局部温度、湿度、空气对流等因素，进而引起的城市小气候变化现象。本文说明了如何使用GEE进行城市热岛效应的分析
Google earth engine——Landsat 7/8 co2数据之间计算NDVI之间的差异是多少
此星光明博客
05-06 842
Landsat 7和Landsat 8是美国国家航空航天局（NASA）和美国地质调查局（USGS）联合运营的一对卫星。它们是Landsat卫星系列的最新成员，旨在提供高分辨率，全球范围内的地球观测数据。这两颗卫星的数据在地理信息系统（GIS），环境监测，土地利用规划，农业和自然资源管理等领域具有广泛应用。Landsat 7卫星于1999年4月15日发射升空，它搭载的传感器是能够捕捉可见光和红外线波段的白天云区域遥感传感器（ETM +）。
LSDS-1822_Landsat8-9-OLI-TIRS-C2-L1-DFCB-v6.pdf
12-12
总之，《LSDS-1822_Landsat8-9-OLI-TIRS-C2-L1-DFCB-v6.pdf》是理解Landsat 8和9卫星数据的重要参考资料，为科学家、研究人员和政策制定者提供了详细、精确和最新的数据格式和处理标准，支持全球范围内的地球观测和...
Landsat8 TIRS地表温度反演工具
04-19
【Landsat8 TIRS地表温度反演工具】是一款专为分析Landsat 8卫星数据而设计的专业软件，其主要功能是提取热红外传感器（Thermal Infrared Sensor，简称TIRS）所捕获的地表温度信息。该工具利用Landsat 8的数据，通过...
熟悉下载遥感数据过程并了解其特征——以下载武汉市Landsat数据为例
weixin_73805919的博客
09-10 2376
我下载的是2017年10月30日湖北省武汉市Landsat 8-9 OLI/TIRS C2 L2卫星数据。 下载网址与下载过程 ①网址：地理空间数据云（地理空间数据云） ②下载过程： 1、注册及登录：首先在地理空间数据云平台注册一个账户，完成注册后，登录账户。 2、搜索数据：在主界面，使用高级检索，选择按行政区划来检索，搜索框输入“湖北省武汉市”，数据集选择“Landsat 8-9 OLI/TIRS C2 L2”，确认后进行检索。 3、选择数据集：可以通过设定指定时间范围与数据含云量来缩小搜索结
AI Earth|耶鲁地球观测中心：2003-2018年全世界超10000个城市群的年度白天与夜晚地表——热岛强度指数（SUHI）数据
此星光明博客
05-19 471
YCEO Surface Urban Heat Islands 数据集包括了全世界超10000个城市群的年度、夏季和冬季，白天与夜晚地表热岛强度指数（SUHI）数据。该数据集使用了MODIS 8天Terra和Aqua地表温度（LST）产品、Landscan城市分布数据集、2010年全球多分辨率地形数据和欧洲航天局（ESA）气候变化倡议（CCI）的土地覆盖数据。该产品空间分辨率为300米。
ENVI想计算URL城市热岛比例指数
2201_75571438的博客
04-03 1039
在实际操作中，可能还需要进行其他的空间分析和数据处理步骤。此外，对于复杂的分析，可能需要编写自定义的Python脚本来自动化某些步骤。在ArcMap中计算城市热岛比例指数（URI）涉及多个步骤，包括数据预处理、图像分类、地表温度提取、城市建成区边界的矢量化，以及最终的URI计算。以下是Kimi给我写的步骤，说要先在ENVI里处理遥感数据，要tif文件，我把000727导出成tif文件了，在ENVI里打开是空白的。然后我就试了一下上图的方式，发现能导进去，但是后续能做吗？
【Envi】基于单窗算法的地表温度反演实验操作记录
热门推荐
Leaze932822995的博客
08-10 3万+
前天刚下的Envi，高强度学习了两天摸索出了点门道，不一定准确。本文谨作为个人记录，如有问题欢迎指正。 写这篇博客的时候，我是边做边写的，想到啥写啥，可能会比较混乱一点。后面有空的话我会整理一下。 参考博客 在实践操作这方面，相关博客给的启发更大一点；而文献大部分只参考了公式或者是经验数值，太多了太杂了就不一一写出来了。 记 / ENVI5.3温度反演-单窗算法-操作要点 地表温度热红外遥感反演－以单窗算法为例 地表温度反演操作总结 技术流程 1.数据预处理 1.1数据获取 首先在地理空间数据云下载lan
地理空间数据云Landsat 8 OLI_TIRS影像数据下载步骤
GIS前端嘉欣的博客
01-15 1624
Landsat8 OLI_TIRS遥感影像下载格式均为经典的TIFF格式，其中包括11个波段和影像文件，一个质量评估文件和一个TXT格式的元数据，质量评估文件主要包括传感器的运行环境参数，元数据包含，拍摄时间、太阳高度角、经纬度等信息。这时候就可以下载了，点击下载小图标进行下载，然后会弹出【另存为】窗口，选择好需要保存数据的路径后点击【保存】就 OK 了，然后就是坐等下载完成就行了。具体的Landsat8波段等相关信息这里就不进行详细的介绍了，百度百科（landsat8）以及其他地方可以找到更详细的介绍。
使用Google Earth Engine (GEE)获取Landsat 8地表温度
2301_77925375的博客
05-18 1548
其中，B10 是 Landsat 8 OLI 系列传感器的波段 10，它捕获的是地表辐射温度（Radiance）。上述代码作了一些简单的转换，可以将其转换为摄氏度的地表温度。其中，geometry、startDate 和 endDate 是分别代表感兴趣区域（以几何体表示）、起始日期和结束日期的变量。请注意，在您的代码中需要根据实际的需求进行修改和调整，以便适应不同的数据集、分析目的和可视化选项。最后，需要在 GEE 飞行界面上检查和调整可视化选项来查看生成的地表温度图层。
ASTER光谱库批量转换为传感器通道比辐射率
江北20190411的博客
09-10 804
前言 最近做的一个实现。将ASTER光谱库的所有地物连续的波谱响应的制定地物大类向指定卫星的通道比辐射率进行转换。最后形式为pd.Dataframe，列索引为地物名字，值为通道比辐射率。 import os import numpy as np from shutil import * import matplotlib.pyplot as plt from scipy import integrate import pandas as pd #获取指定路径下所有文件的绝对路径 def listDir(
GEE案例——用Landsat 8 影像中LST两种方法进行不同地类（森林/草地/水面/建筑物等）温度变化
此星光明博客
09-18 1134
很多时候我们需要进行分析地表温度时序LST，或许我们可能会监测不同时间范围内不同土地类型的地表变化情况，在本案例中我们将使用两种方法进行，本质是一样的，但是在最后的图表展示阶段会有不同的差异。LST 是 Land Surface Temperature 的缩写，中文翻译为地表温度。它是指地表在日照和长波辐射的作用下达到的温度，是地球表面能量平衡的重要参数之一。LST 可以通过遥感技术获取，如卫星遥感、航空遥感等。LST 是地表能量平衡的重要参数，它反映了地表的热状态，具有广泛的应用价值。
【自监督论文阅读笔记】Geography-Aware Self-Supervised Learning
YoooooL_的博客
11-01 995
对比学习方法在计算机视觉任务上显著 缩小了有监督学习和无监督学习之间的差距。在本文中，探讨了它们，例如遥感，其中未标记的数据通常很丰富，但标记的数据很少。本文首先表明，由于它们的不同特点，在标准基准上的对比学习 和 监督学习之间存在着。为了缩小差距，本文利用 遥感数据 时空结构 的新训练方法。本文利用随着时间 空间对齐的图像在对比学习中构建时间正对，和利用地理位置来设计前置任务。实验表明，本文提出的方法。此外，本文证明了所提出的方法也可以应用于 地理标记的 ImageNet 图像。
【GEE】基于GEE-Landsat8数据集地表温度反演（LST热度计算）
Remote Sensing迷途小书童
11-06 1万+
老样子，最近在做生态方面的项目，然后需要分析城市的热岛效应，想了想还是用GEE计算比较简单，直接下载影像太麻烦了。所以在网上看看了资料，踩了踩坑终于是将代码写出来了。秉承着取之于民、用之于民的想法，今天给大家分享一下如何使用GEE的Landsat8数据集进行地表温度的反演。
如何在ENVI中进行NDWI-NDVI特征空间拟合
最新发布
03-30
<think>好的，我现在需要帮助用户了解如何在ENVI中进行NDWI-NDVI特征空间拟合。首先，用户之前询问了当无法获取LST时替代TVDI的方法，其中提到了NDWI-NDVI特征空间法。现在用户想具体知道如何在ENVI中实现这一步骤。 我需要回顾之前的回答，确保这次的信息连贯。用户可能已经按照之前的建议选择了NDWI和NDVI，现在需要操作指导。用户可能是遥感领域的学生或研究人员，具备一定的ENVI使用基础，但需要具体的步骤说明。 首先，我需要分解ENVI中的操作流程：数据准备、计算NDVI和NDWI、创建散点图、拟合干湿边、生成干旱指数。每一步需要详细说明，包括如何选择波段，计算公式，以及如何提取干湿边的方程。 用户可能遇到的问题包括波段选择错误，尤其是在不同卫星数据（如Landsat 8和Sentinel-2）中波段编号不同，需要明确举例。此外，散点图分析中的干湿边识别可能需要解释如何根据数据分布选择极端值。 需要确保术语准确，比如“特征空间”即散点图，干湿边是特征空间的上下边界。在拟合过程中，可能需要线性或非线性回归，但通常使用线性拟合，需说明如何获取斜率和截距。 最后，生成干旱指数时，要解释公式中各个参数的含义，并提醒用户需要实地数据验证。用户可能需要进一步的实际操作帮助，比如代码示例，但当前问题集中在ENVI操作，所以保持步骤的实用性。 需要检查是否有遗漏步骤，例如数据预处理（辐射定标、大气校正），这些对指数计算至关重要，应该包含在准备工作中。此外，导出结果和验证步骤也是关键，确保用户了解整个流程。 总结：需分步骤详细说明，注意不同数据源的波段差异，强调预处理的重要性，并提供实际例子（如Landsat 8的波段编号），确保用户能跟随操作。同时，提示可能遇到的问题和验证方法，增强回答的实用性。</think>$\boxed{\text{ENVI中NDWI-NDVI特征空间拟合步骤}}$ 以下为基于Landsat 8/Sentinel-2数据的详细操作流程，通过NDWI与NDVI构建干旱监测特征空间： --- ### **一、数据准备** 1. **数据预处理** - 完成辐射定标（Radiance或Reflectance） - 进行大气校正（推荐FLAASH或Sen2Cor） - 确保研究区云量低于10%（可通过ENVI的`Cloud Mask`工具处理） 2. **波段对应表** | 指数 | Landsat 8 波段 | Sentinel-2 波段 | |--------|----------------|------------------| | NDVI | B5(NIR), B4(Red) | B8(NIR), B4(Red) | | NDWI | B3(Green), B6(SWIR1) | B3(Green), B11(SWIR) | --- ### **二、计算NDVI与NDWI** 1. **NDVI计算** - 打开`Band Math`工具，输入公式： $$ \text{NDVI} = \frac{\text{B5} - \text{B4}}{\text{B5} + \text{B4}} $$ （Landsat 8为例，注意数据类型设为浮点） 2. **NDWI计算** - 再次使用`Band Math`，输入公式： $$ \text{NDWI} = \frac{\text{B3} - \text{B6}}{\text{B3} + \text{B6}} $$ （对Sentinel-2替换为B3和B11） 3. **结果保存** - 将NDVI和NDWI结果保存为`.dat`文件（建议命名`NDVI_img`和`NDWI_img`） --- ### **三、创建特征空间散点图** 1. **加载数据** - 同时打开NDVI和NDWI图像，确保空间范围一致 2. **启动散点图工具** - 菜单路径：`Display > 2D Scatter Plot` - 设置X轴为**NDVI**，Y轴为**NDWI** 3. **调整显示参数** - 设置采样率（建议10%随机采样防止卡顿） - 调整颜色映射（`Color Table`选择热度图以突出密集区） --- ### **四、拟合干湿边方程** 1. **提取特征空间边界** - 手动选取干湿边样本点： - **湿边**：NDWI最大值对应区域（右键点击散点图右上角密集区，选择`Export Points`） - **干边**：NDWI最小值对应区域（左下角低NDVI-低NDWI区域） - 或使用自动提取（需编写IDL代码）： ```idl ; 湿边：取NDWI最高5%的NDVI分箱均值 wet_edge = stats(NDVI[NDWI > percentile(NDWI, 95)]) ; 干边：取NDWI最低5%的NDVI分箱均值 dry_edge = stats(NDVI[NDWI < percentile(NDWI, 5)]) ``` 2. **线性回归拟合** - 对湿边和干边分别进行最小二乘拟合： $$ \text{NDWI}_{\text{wet}} = a_{\text{wet}} \cdot \text{NDVI} + b_{\text{wet}} $$ $$ \text{NDWI}_{\text{dry}} = a_{\text{dry}} \cdot \text{NDVI} + b_{\text{dry}} $$ - 在ENVI中操作： - 导出湿边样本点为CSV，用`Basic Tools > Statistics > Compute Statistics`计算斜率和截距 - 或使用`Regress`工具（需安装ENVI扩展包） --- ### **五、计算干旱指数** 1. **构建干旱指标公式** - 在`Band Math`中输入： $$ \text{Drought\_Index} = \frac{\text{NDWI} - (a_{\text{wet}} \cdot \text{NDVI} + b_{\text{wet}})}{(a_{\text{dry}} \cdot \text{NDVI} + b_{\text{dry}}) - (a_{\text{wet}} \cdot \text{NDVI} + b_{\text{wet}})} $$ 2. **参数替换** - 将实际拟合的$a_{\text{wet}}, b_{\text{wet}}, a_{\text{dry}}, b_{\text{dry}}$代入公式 - 示例（假设拟合结果）： ```idl Drought_Index = (NDWI - (-0.8*NDVI + 0.4)) / ((-0.2*NDVI - 0.1) - (-0.8*NDVI + 0.4)) ``` 3. **结果分类** - 使用`Color Slice`工具划分干旱等级（建议分5级：湿润[0-0.2]、正常[0.2-0.4]、轻度干旱[0.4-0.6]、中度干旱[0.6-0.8]、重度干旱[0.8-1]） --- ### $\triangle$ **关键注意事项** 1. **数据一致性**：NDVI和NDWI必须来自同一时相、同一传感器 2. **异常值处理**：散点图中剔除云、水体等干扰点（可通过NDWI阈值预先掩膜） 3. **验证方法**：建议使用同期土壤湿度实测数据或气象干旱指数（如SPI）进行相关性分析 若需要自动化脚本，可参考以下IDL代码框架： ```idl pro fit_ndwi_ndvi ; 加载NDVI和NDWI图像 ndvi = e.open_raster('NDVI.dat') ndwi = e.open_raster('NDWI.dat') ; 提取干湿边样本 wet_mask = ndwi gt percentile(ndwi, 95) dry_mask = ndwi lt percentile(ndwi, 5) ; 线性拟合 wet_coef = regress(ndvi[wet_mask], ndwi[wet_mask]) dry_coef = regress(ndvi[dry_mask], ndwi[dry_mask]) ; 计算干旱指数 drought_index = (ndwi - (wet_coef[0]*ndvi + wet_coef[1])) / $ ((dry_coef[0]*ndvi + dry_coef[1]) - (wet_coef[0]*ndvi + wet_coef[1])) ; 输出结果 e.output_raster(drought_index, 'Drought_Index.dat') end ```
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值