城市热岛研究中地表温度与植被丰度的耦合关系

第5卷　第5期2006年　10月　广州大学学报(自然科学版)Journal of Guangzhou University (Natural Science Editi on )Vol .5　No .5Oct .　2006 收稿日期:2005-05-10;　修回日期:2005-05-22 基金项目:广州市科技计划资助项目(2005Z3-D0551) 作者简介:钱乐祥(1963-),男,教授,主要从事遥感与地理信息系统应用研究.文章编号:167124229(2006)0520062207城市热岛研究中地表温度与植被丰度的耦合关系钱乐祥(广州大学地理科学学院,广东广州　510006)摘　要:城市热岛遥感研究传统上应用归一化植被指数(Nor malized D ifference Vegetati on I ndex,NDV I )作为植被丰度(vegetati on abundance )的指示,并用于耦合地表温度与植被之间的关系.文章探讨了运用光谱混合模型获得的植被比例(vegetati on fracti on )作为植被丰度指标的一种选择,以2000年9月14日获得的122/44景ET M+截取的广州市海珠区作为验证影像,运用最小二乘法将变换的影像分解成三个分维影像,即绿色植被、非渗透性表面和水体.结合最大似然分类和决策树算法的混合分类处理,将比例影像进行土地覆盖分类.结果表明,地表温度与分解的植被比例的负相关关系比地表温度与NDV I 的负相关关系要高出几分.由此说明,地表温度结构的空间变异无疑与归一化植被指数和植被比例相关,不同土地覆盖类型的热辐射与植被动态的相互影响导致地表温度在光谱辐射率和结构上的变化,这些变化在别的影像中也有表现,这是城市热岛空间格局形成的原因.关键词:地表温度;植被丰度;城市热岛;光谱混合分析中图分类号:TP 79;P 407 文献标识码:A0　引　言传统的城市热岛研究一直沿用线路观测和定点观测相结合的方法.卫星遥感技术的出现已经使人们既可以从区域又可以从洲际或全球尺度来研究城市热岛[1].用卫星传感器获得地表温度值来开展城市热岛现象的研究,最初使用的是NOAAAVHRR 数据[2～7],这种1.1k m 空间分辨率的NO 2AA AVHRR 数据仅仅适合于小比例尺度城市温度制图,120m 空间分辨率的T M 热红外数据也已经被用于获得地表温度,Carnahan and Lars on [8]利用T M 热红外数据反演了中等尺度的印第安纳波利斯城乡之间的温度差异,Ki m [9]研究了华盛顿特区城市热岛现象,并且查明了土壤反照率和水汽对表面能量平衡的有效性,N ichol [10]利用T M 热红外数据完成了对新加坡房地产小气候的详细监测研究,W eng [11,12]探讨了珠江三角洲城市群中广州的地表温度格局及其与土地覆盖的关系.基于卫星获得的辐射温度的研究一直被称为表面温度热岛[1],尽管在地表温度与近地面空气温度之间还不可能找到一个精确的转换函数[10],但地表温度被认为和UCL (城市覆盖层)热岛更加一致,Byrne [13]通过观测发现,由于城市中盖层的不连续性,干燥地面的空气温度与热表面温度之间存在20℃左右的差异,因此,城市热岛的精确表达需要有高分辨率的卫星影像支撑[10].对地表温度的研究显示,可感和潜热通量划分及其表面辐射温度的响应是变化的地表土壤水分含量和植被覆盖的函数[14].在稀少植被区如城市地区,对可感热交换更有利;而较高级别的潜热交换与更多植被分布区相联系[15].这一发现鼓舞了越来越多的研究聚焦于地表温度与植被丰度的关系[4,11,16～20],并且利用这种关系获取生物物理参数[16～18]和辅助土地覆盖制图与变化分析[21,22].尽管已经有这些重要的成果,但在城市热岛研究中地表温度—植被丰度关系的应用却十分有限.本研究利用广州市海珠区ET M +影像,研究海珠区城市热岛的地表温度,其目的在于:①用陆地卫星热波段获得地表温度并分析其空间变化;②运用线性光谱混合分析模型估计城市植被比例;③用传统的统计分析方法研究地表温度与植　第5期钱乐祥:城市热岛研究中地表温度与植被丰度的耦合关系 被比例之间的关系.此外,为了评估基于线性光谱混合分析获得的植被比例值与NDV I 之间的效力和局限,对地表温度—NDV I 之间的关系也进行了研究.1　研究区域与研究方法1.1　研究区域本研究选择广州市海珠区作为研究对象.选择该区是因为其拥有以下几个优势:①海珠区是广州市较大的一个区而又属广州市的老八区之一,基础设施较完善;②有相对较多的林地和果园植被,人口和城市具有发展的空间,城市扩展可通过占用临近的非城市土地;③在越秀、荔湾等基础设施完善的老区难以满足城市居民购房意愿时,自然将海珠区作为一个备选区域,这就鼓舞了开发商的兴趣,可能导致海珠区城市扩展较其他新区要快.监测其城市扩展及其与城市热岛发展的关系,对了解、控制和规划城市未来发展都是十分重要的.1.2　影像预处理本研究运用的是陆地卫星7ET M +影像(行列号为122/44),获取日期为2000年9月14日.该数据获取日期的大气状况良好,该影像已经过辐射和几何扭曲校正,属1G 产品.以1∶50000比例尺地形图为参考,将影像纠正为UT M 坐标系统,用最邻近算法将所有波段(包括热波段)重采样成30m 像元大小,匹配误差小于015个像元.1.3　用线性光谱混合分析估计植被比例线性光谱混合分析是一个基于自然法则的影像处理方法,其假定通过传感器测得的光谱是像元中所有组成光谱的线性组合[23,24].线性光谱混合分析的数学模型可表达为R i =∑nk =1f kRik+εi (1)式中:i =1,…,m (光谱波段数量);k =1,…,n (端元数量);R i 为波段i 某像元的光谱反射率;f k 为端元k 在该像元所占的比例;R ik 是端元k 在波段i 该像元中的光谱反射率;εi 是波段i 的残差.运用最小二乘法,并假定使以下两个条件同时满足要求:∑n k =1f k =1　and 0Φf k Φ1(2)RM S =∑mi =1ε2i /m (3) 用线性光谱混合分析对端元比例影像的估计包括:①影像处理;②端元选择;③比例影像的分解和评估.其中,端元的选择是保证获取高质量比例影像最重要的一步.有两种类型的端元可应用:影像端元和参考端元.前者直接从影像本身获取,后者则通过实测或已知物质的实验室光谱测量得到[24].对大多数遥感应用来说,影像端元之所以被利用,是由于其易于获得并能够代表与影像数据相同尺度的光谱测量值[24].从影像特征空间的端点获得影像端元,是基于这些端点代表了影像的纯净像元的假设[24,25].在获得比例影像之前,通过运用最小化噪声比例(MNF )转换[26]来减少数据冗余和光谱波段之间的相关性(波段1～5和7).早先的研究已经表明,MNF 变换的使用能提高比例影像的质量[27～30].保留前四个组成分并在LS MA 模型中使用,最后两个组成分由于噪声含量高而舍弃.根据作者对该区的前期研究,三种端元(绿色植被、非渗透性表面和水体)能有效地表达高质量的比例影像,这些端元最初从基于实地调查和高分辨率的航空照片的ET M +影像上确定,然后将这些初选端元与MNF1和MNF2生成的散点图中选择的端元进行比较,通过比较,保留与MNF 光谱空间顶点相似的端元,运用最小二乘法将MNF 组成分解为比例影像,通过最大似然和决策树算法的混合处理[31],将比例影像用于土地利用/土地覆盖分类,将研究区分为六种土地利用/土地覆盖类型:工业用地、商业和居住用地、园地、林地、裸地、水体(见封3图1).绿色植被比例影像用于地表温度—植被丰度关系的进一步分析.NDV I 影像由ET M +影像的可见光(0163～0169μm )和近红外(0176～0190μm )波段计算.1.4　陆地卫星ET M +影像的地表温度获取地表温度从校正后的ET M +热红外波段(10144～12142μm )获得.ET M +热波段的空间分辨率为60m ,卫星过境的地方时在上午(大约11点)(这是可利用的最好的影像).热红外传感器热岛的卫星监测证明,热季节的白天热岛强度最大,夜晚最小.基于气温的城市热岛结果则相反[6].对南亚热带的广州地区,9月14日影像的36 广州大学学报(自然科学版)第5卷　选择虽然不是最佳的,但也是适合的.下面的方程用于将ET M +热红外波段的亮度值转换为光谱辐射率[32]:L λ=010370588×DN +312(4)下一步是在假设发射率一致的条件下,将光谱辐射率转换为卫星高度的亮度温度[32].变换公式为T B =K 2lnK 1L λ+1(5)这里,T B 是以K 为单位的卫星高度的亮度温度,L λ是光谱辐射率(单位为W /(m 2ster μm )),K 2和K 1是卫星发射前的校准常数.对陆地卫星7ET M +来讲,K 2=1282171K,K 1=666109mW ・c m 2・sr -1・μm -1.上面获得的是参考黑体的温度值,因此,按照土地覆盖特征的比辐射率(ε)修正变得必要.参考Snyder 等[33]的比辐射率分类表,给每种土地利用/覆盖类型赋予一个比辐射率值.于是,比辐射率修正的地表温度(T s )可用下式计算T s =K 21+(λ×T B /ρ)ln ε(6)(6)式中,λ=发射辐射率波长(在这里运用峰值响应和极限波长的平均数(λ=1115μm ));ρ=h×c /σ(11438×10-2mK );σ=波尔兹曼常数(1138×10-23J /K );h =普朗克常数(61626×10-34J s );c=光速(21998×108m ・s -1).2　结果分析2.1　不同土地覆盖类型的地表温度、NDV I 和植被比例值的特征 图2a (见封3)显示了海珠区地表温度值的分布.地表温度在26℃到50℃内变化,平均温度37181℃,标准差为2153.从图中明显看出,从西南部的工业分布区向东部的万亩果园存在一个热梯度,一些热点或城市热岛能很容易识别.除一些小的城市热岛沿江分布以外,大范围的城市热岛分布在西南部的工业分布区.很显然,东南部等果园和农业用地区抑制了城市热岛的发展.由于许多复杂因子的影响,要解译热数据和横贯整个地区温度分布的影像常常不是一件容易的事.多数控制城市覆盖层热岛的有影响的因子是表面覆盖特征的分布和城市形态,如建筑原料、几何形状、城市密度,当然还有土地用途.城市景观中的每种组成表面展示了涉及其环境位置的惟一的辐射、热、水分和空气动力学的特性.为了更好地了解地表温度与土地覆盖以及地表温度与植被丰度指数(植被比例和NDV I )之间的关系,研究了每种土地利用/覆盖类型的热信号.通过将土地利用/覆盖影像分别与地表温度、NDV I 、植被比例影像迭加,获得不同土地利用/覆盖类型的地表温度、NDV I 和植被比例的统计值(见封3图2).GI S 叠加的结果如表1所示.表的第一列显示了不同土地利用/覆盖类型的地表温度平均值和标准差,很明显,工业用地的地表温度最高(3913221℃),其次是商业和居住用地(3912317℃).地表温度最低的是水体(3417156),其次是果园(3514424)和城市林地(3713753).由于无蒸发作用、非渗透性表面如石头、金属和混凝土等代替了自然环境(水、植被),意味着城市发展使城市平均地表温度增加了416065℃.地表温度的标准差值较大的是商业与居住用地(212578℃),这与使用不同的建筑物质以及商业和居住用地区常常混合有树木和草地有关,这也是其地表温度较工业用地低的原因之一.相反,由于建筑的单一性,工业用地区地表温度的标准差相对较小(212315℃).裸地大部分由裸露的土壤伴随少量的建筑材料组成,其地表温度的标准差因而小(118098℃).人工植被覆盖,如城市林地和果园,地表温度的差异较大(119329℃),主要与植被的密集程度有关.果园的地表温度之所以低,是由于密集的果园植被能通过蒸腾作用减少土壤和冠层的热存储量,城市林地则不同,分布稀疏而且往往与建筑、道路等非渗透性表面掺杂一起,从而表现出比果园地表温度高出近2℃.水体地表温度最低,但与果园相比,仅低017268℃,由于热惯量颇高以及对流和紊流的作用(如波浪运动),使其在夏末时节热得慢,还由于河流不同河段特有的特征,使地表温度值发生变化,导致其标准差值最大(311050℃).46　第5期钱乐祥:城市热岛研究中地表温度与植被丰度的耦合关系 表1　不同土地覆盖类型的生物物理参数统计Table1　Descri p tive statistics of bi ophysical para meters of vari ous land cover ty pes土地利用/覆盖类型平均地表温度(标准差)1)平均归一化植被指数(标准差)平均植被丰度(标准差)商业与居住用地39.2317(2.2578)0.1120(0.0685)0.1838(0.0655)工业用地39.3221(2.2315)0.0794(0.0468)0.1108(0.0434)裸地38.4332(1.8098)0.1752(0.0732)0.1942(0.0723)林地37.3753(1.8921)0.3782(0.0941)0.4576(0.1102)果园35.4424(1.5030)0.5687(0.0847)0.7297(0.0875)水体34.7156(3.1050)0.0046(0.1697)0.2467(0.1421) 1)括弧内数字为标准差 图2b(见封3)显示了NDV I值从-0151到0178之间分布的变化,平均值为0124,标准差是0117.NDV I的空间变化不仅受植被数量的影响,而且还受地形、坡度、太阳辐射有效性及其他因素的影响.该影像西部显示的大片暗色区域(低值)与海珠区的CBD相符合,NDV I值的亮色区域(果园)则主要分布在东部,各种类型的城市林地以中灰到暗色调分布在亮色调的周围或散布在CBD 区域.植被比例影像(见封3图2c)有着与NDV I 影像相似的植被分布地理格局,影像值在0和018243之间,平均值为015132,标准差为0125. NDV I与植被比例影像之间的相关分析表明,它们之间的相关系数达到了0155,表明它们确实有较高的相关性.仔细分析不同土地利用/覆盖类型的NDV I与植被比例值(表1),这两种植被指标之间的关系可能并非线性的.在植被比例影像(图2c)中,从色调来看,果园很亮,林地呈现亮灰色,水体为暗灰色,工业用地、商住用地和裸地则很暗.果园展现出最高的绿色植被比例值(平均值为017297),其次是林地(014576).这个顺序和NDV I值一致,果园的NDV I也显示了最高的平均值(015687),林地次之,为013782.然而,对于工业用地、商住用地、裸地和水体,植被比例值和NDV I 值在顺序的排列上就不同了.水体具有第三高的植被比例值(012467),但NDV I值最低(01004 6);裸地有相对高的NDV I值(平均值为011752,第三高),其植被比例值(011942)落于水体之后排第四位;植被比例的最低值表现在工业用地上(011108),NDV I的最低值则表现在水体上(010046).这些差别不仅反映了获得NDV I和植被比例的计算过程,同时也反映了它们各自对实际的植被丰度、生物量及其活力的关系.因此,有必要以植被比例作为指示,进一步研究地表温度与植被丰度的关系.2.2　地表温度与植被丰度之间的耦合关系通过相关分析(像元对像元),研究了每种土地利用/覆盖类型的地表温度与NDV I之间的关系.表2显示了两个变量的皮尔森相关系数,每个相关系数的置信水平均进行了t-检验.从表2可以明显看出,所有土地利用/覆盖类型的地表温度值与NDV I值呈负相关.负相关程度最高的是果园(-017406),其次是商业与居住用地(-015423)及林地(-014782),裸地(-013504)和工业用地(-012748)表现出一定的相关性,水体的相关性最小(-012447).不同土地利用/覆盖类型的地表温度与植被比例之间也表现出了很好的负相关.果园(-017490)和商业与居住用地(-016260)的地表温度和植被比例的负相关最强,其他用地类型的相关性显著降低,相关性最低的不是水体(-014446),而是裸地(-013449)和工业用地(-012809).通过比较表2中NDV I和植被比例的相关系数值,显然植被比例值与地表温度值之间的相关性更好.由于两种植被指标都与地表温度有很强的负相关,因此可以断定:一种土地覆盖如果拥有高生物量/植被丰度,其一定表现出低的地表温度.3　讨论与结论过去已有研究专门就城市热岛问题,以NDV I 作为植被丰度的指示,对地表温度—植被关系进行过估计.本研究探讨了用光谱混合模型获得的植被比例作为一个新的植被丰度指示,来估计地56 广州大学学报(自然科学版)第5卷　表2　不同土地利用/覆盖类型的地表温度与植被比例及地表温度与NDV I之间的相关系数(置信水平:0105) Table2　Correlati on coefficients bet w een LST and vegetati on fracti on,and bet w een LST and NDV I by LULC ty pe(significant at0105level)相关系数商业与居住用地工业用地裸地林地果园水体地表温度/植被比例-0.6260-0.2809-0.3449-0.4818-0.7490-0.4446地表温度/NDV I-0.5423-0.2748-0.3504-0.4782-0.7406-0.2447表温度—植被关系.通过对两种估计的评估,结果显示,分解的植被比例与地表温度的关系呈现出比NDV I与地表温度的关系略强的负相关性.ND2 V I作为一种比率方法,虽然特别有用且计算简单,但不能测度植被数量,其值可能受许多外部因素的影响,包括观测角的变化、土壤背景以及农作物空间行列差异.对于地表温度—NDV I关系,需要进一步研究的方向是对无植被或少植被的地表区域,包括开放水体、人造特征、裸露土壤等.此外,由于NDV I的度量是依赖于传感器的可见光和近红外波段的光谱宽度,很难将一个研究区的结果外推到另一个研究区.相反,植被比例利用了传感器的所有光谱反射特征,其值很容易解译和应用.显然,光谱混合分解模型及其植被比例在城市热岛研究中具有良好的前景.虽然许多因素会对光谱辐射和地表温度构成的变化产生影响,但对于城市热岛的空间格局来说,不同土地覆盖类型的空间位置和范围是最基础的因素.作为岩石圈和生物圈之间多数物质运动和能量交换的源和汇,土地覆盖的变化不仅使物质数量如植被的丰度和生物量产生变化,而且也使热特征发生变化.本研究的结果论证了热特征和植被动态之间的相互影响引起的不同土地覆盖类型生物物理参数的变化,以及地表温度、ND2 V I、植被比例影像之间的相互关系.从热红外影像反演地表温度远比本文展现的方法复杂得多,诸如依赖于尺度的景观特性、地貌、比辐射率、大气效应、传感器噪音等因素都对不同时空尺度的地表温度反演产生影响.要获取相对高质量的地表温度估计,需要进行以下四个校正过程:①将光谱辐射转换为大气顶层亮温;②大气吸收及再反射校正;③地表比辐射率校正;④地表糙度校正.本文的地表温度反演没有考虑大气和地表粗糙度的影响,大气校正的缺失可能会产生4～7℃的温度误差,好在由于该影像获取时天气晴朗并且研究范围小,使温度的水平误差可能很小.但由于城市显著的各向异性产生的误差依赖于地表结构及相关的传感器位置,这种误差可导致市区地表温度产生6K的差异.要获得有效的地表温度,只有通过用数学模型来模拟这些组成地表温度的因素之间的关系.参考文献:[1]　Streutker D R.A re mote sensing study of the urban heat island of Houst on,Texas[J].I nternati onal Journal of Re moteSensing,2002,23:259522608.[2]　Balling R C,B razell S W.H igh res oluti on surface temperature patterns in a comp lex urban terrain[J].Phot ogra mmetricEngineering and Remote Sensing,1988,54:128921293.[3]　Gall o K P,M c Nab A L,Karl T R,et al.The use of NOAA AVHRR data f or assess ment of the urban heat island effect[J].Journal of App lied M eteor ol ogy,1993,32:8992908.[4]　Gall o K P,Owen TW.A ssess ment of urban heat island:A multi2sens or pers pective f or the Dallas2Ft.Worth,US A regi on[J].Geocart o I nternati onal,1998,13:35241.[5]　Kidder S Q,W u H T.A multis pectral study of the St.Louis area under snow2covered conditi ons using NOAA27AVHRRdata[J].Re mote Sensing of Envir on ment,1987,22:1592172.[6]　Roth M,Oke T R,E meryW J.Satellite derived urban heat islands fr om three coastal cities and the utilisati on of such datain urban cli m at ol ogy[J].I nternati onal Journal of Re mote Sensing,1989,10:169921720.[7]　Streutker D R.A re mote sensing study of the urban heat island of Houst on,Texas[J].I nternati onal Journal of Re moteSensing,2002,23:259522608.[8]　Carnahan W H,Lars on R C.An analysis of an urban heat sink[J].Re mote Sensing of Envir on ment,1990,33:65271.66　第5期钱乐祥:城市热岛研究中地表温度与植被丰度的耦合关系 76[9]　Ki m H H.U rban heat island[J].I nternati onal Journal of Remote Sensing,1992,13:231922336.[10]N ichol J E.A GI S2based app r oach t o m icr ocli m ate monit oring in Singapore’s high2rise housing estates[J].Phot ogra mmetricEngineering and Re mote Sensing,1994,60:122521232.[11]W eng Q.A re mote sensing2GI S evaluati on of urban expansi on and its i m pact on surface te mperature in the Zhujiang Delta,China[J].I nternati onal Journal of Re mote Sensing,2001,22:199922014.[12]W eng Q.Fractal analysis of satellite2detected urban heat island effect[J].Phot ogra mmetric Engineering and Re mote Sens2ing,2003,69:5552566.[13]Byrne G F.Remotely sensed land cover te mperature and s oil water status—a brief review[J].Re mote Sensing of Envir on2ment,1979,8:2912305.[14]Owen TW,Carls on T N,Gillies R R.An assess ment of satellite remotely2sensed land cover para meters in quantitatively de2scribing the cli m atic effect of urbanizati on[J].I nternati onal Journal of Re mote Sensing,1998,19:166321681.[15]Oke T R.The energetic basis of the urban heat island[J].Quarterly Journal of the Royal M eteor ol ogical Society,1982,108:1224.[16]Cars on T N,Gillies R R,Perry E M.A method t o make use of ther mal infrared te mperature and NDV Imeasure ments t o in2fer surface s oil water content and fracti onal vegetati on cover[J].Re mote Sensing Revie ws,1994,9:1612173.[17]Gillies R R,Carls on T N.Ther mal re mote sensing of surface s oilwater content with partial vegetati on cover f or incor porati onint o cli m ate models[J].Journal of App lied Meteor ol ogy,1995,34:7452756.[18]Gillies R R,Carls on T N,Cui J,et al.A verificati on of the‘triangle’method f or obtaining surface s oil water content andenergy fluxes fr om re mote measure ments of the Nor malized D ifference Vegetati on I ndex(NDV I)and surface radiant te mper2 ature[J].I nternati onal Journal of Re mote Sensing,1997,18:314523166.[19]Goward S N,Xue Y,Czajkowski K P.Evaluating land surface moisture conditi ons fr om the re motely sensed te mperature/vegetati on index measure ments:An exp l orati on with the si m p lified si m p le bi os phere model[J].Re mote Sensing of Envir on2 ment,2002,79:2252242.[20]Lo C P,Quattr ochiD A,Luvall J C.App licati on of high2res oluti on ther mal infrared re mote sensing and GI S t o assess the ur2ban heat island effect[J].I nternati onal Journal of Re mote Sensing,1997,18:2872304.[21]Lambin E F,Ehrlich D.The surface te mperature2vegetati on index s pace for land cover and land2cover change analysis[J].I nternati onal Journal of Re mote Sensing,1996,17:4632487.[22]Sobrino J A,Raiss ouni N.Toward re mote sensing methods for land cover dyna m ic monit oring:App licati on t o Mor occo[J].I nternati onal Journal of Re mote Sensing,2000,21:3532366.[23]Ada m s J B,Sabol D E,Kapos V,et al.Classificati on of multis pectral i m ages based on fracti ons of end me mbers:App lica2ti on t o land cover change in the B razilian Amazon[J].Re mote Sensing of Envir on ment,1995,52:1372154.[24]Roberts D A,Batista G T,Pereira J,et al.Change identificati on using multite mporal s pectral m ixture analysis:App lica2ti ons in eastern Amazo^nia∥Lunetta R S,Elvidge C D(Eds.),Re mote sensing change detecti on:Envir on mental monit o2 ring methods and app licati ons[M].Ann A rbor,M I:Ann A rbor Sci.Publ.,1998:1372161.[25]Mustard J F,Sunshine J M.Spectral analysis for earth science:I nvestigati ons using re mote sensing data.∥Rencz A N(Ed.).Remote Sensing for the Earth Sciences:Manual of Re mote Sensing(3rd ed.)[M],Ne w York:W iley,1999:2512 307.[26]Green A A,Ber man M,et al.A transf or mati on for ordering multis pectral data in ter m s of i m age quality with i m p licati ons fornoise re moval[J].I EEE Transacti ons on Geoscience and Remote Sensing,1988,26:65274.[27]Lu D,Batistella M,Moran E.L inear s pectral m ixture analysis of T M data f or land2use and land2cover classificati on in Ron2donia,B razilian Amazon.∥A r menakis C,Lee Y C(Eds.).Pr oceedings of the I SPRS Comm issi on I V Sy mposiu m:Geo2 s patial theory,p r ocessing and app licati ons[M].O tta wa,Canada:Center f or Topographic I nf or mati on M app ing ServicesB ranch,Geomatics Canada,Depart m ent of Natural Res ources Canada,2002:5572562.[28]S mall C.Esti m ati on of urban vegetati on abundance by s pectral m ixture analysis[J].I nternati onal Journal of Re mote Sens2ing,2001,22:130521334.[29]Van derMeer F,de Jong SM.I m p r oving the results of s pectral un m ixing of Landsat ThematicM apper i m agery by enhancingthe orthogonality of end2members[J].I nternati onal Journal of Remote Sensing,2000,21:278122797. 广州大学学报(自然科学版)第5卷　86[30]W u C,Murray A T.Esti m ating i m pervi ous surface distributi on by s pectralm ixture analysis[J].Re mote Sensing of Envir on2ment,2003,84:4932505.[31]Lu D,W eng Q(in p ress).Spectral m ixture analysis of the urban landscape in I ndianapolis City with Landsat ET M+i m2agery[J].Phot ogra mmetric Engineering and Re mote Sensing.[32]htt p://lt /I A S/handbook/handbook_t oc.ht m l,Goddard Space Flight Center,NAS A,W ashingt on,DC(last date accessed:10Sep tember2003).[33]SnyderW C,W an Z,Zhang Y,et al.Classificati onbased em issivity f or land surface te mperature measure ment fr om s pace[J].I nternati onal Journal of Re mote Sensing,1998,19:275322774.Coupli n g rel a ti on sh i p of l and surface tem pera ture2veget a ti onabundance for urban hea t isl and stud i esQ I AN L e2xiang(School of Geographic Sciences,Guangzhou University,Guangzhou510006,China)Abstract:Re mote sensing of urban heat islands(UH Is)has traditi onally used the Nor malized D ifference Vege2 tati on I ndex(NDV I)as the indicat or of vegetati on abundance t o esti m ate the land surface te mperature(LST)2 vegetati on relati onshi p.This study investigated the app licability of vegetati on fracti on derived fr om a s pectral m ixture model as an alternative indicat or of vegetati on abundance.This is based on exa m inati on of a Landsat Enhanced The matic Mapper Plus(ET M+)i m age of Haizhu district,Guangzhou City,acquired on Sep te mber 14,2000.The transf or med ET M+i m age was un m ixed int o three fracti on i m ages(green vegetati on,i m pervi ous surface,and water)with a constrained least2square s oluti on.These fracti on i m ages were then used for land cov2 er classificati on based on a hybrid classificati on p r ocedure that co mbined maxi m u m likelihood and decisi on tree algorith m s.The results showed that LST possessed a slightly str onger negative correlati on with the unm ixed vege2 tati on fracti on than with NDV I for all land cover types.The s patial variability of texture in LST was positively correlated with those in NDV I and in vegetati on fracti on.The inter p lay bet w een ther mal and vegetati on dyna m ics in the context of different land cover types leads t o the variati ons in s pectral radiance and texture in LST.These variati ons are als o p resent in the other i m agery,and are res ponsible f or the s patial patterns of urban heat islands.Key words:land surface te mperature(LST);vegetati on abundance;urban heat island(UH I);s pectral m ixture analysis【责任编辑:方碧真】。