EN中文

地理科学 >

2024 , Vol. 44 >Issue 12: 2205 - 2214

DOI: https://doi.org/10.13249/j.cnki.sgs.20230620

基于地表温度和遥感云平台的中国城市水体提取与时空演化研究

  • 李楠 , 1, 2 ,
  • 崔耀平 1, 2 ,
  • 付一鸣 1, 2 ,
  • 冉立山 3 ,
  • 刘小燕 1, 2 ,
  • 史志方 1, 2 ,
  • 周岩 1, 2
展开
  • 1.黄河中下游数字地理技术教育部重点实验室，河南 开封 475004
  • 2.河南大学地理科学与工程学部/地理科学学院，河南 郑州 450046
  • 3.香港大学地理系，香港 999077

李楠（1991—），河南郑州人，女，博士研究生，主要从事土地利用遥感精细化提取和气候变化研究。E-mail:

收稿日期: 2023-07-10

  修回日期: 2023-12-05

  网络出版日期: 2025-01-16

基金资助

国家自然科学基金项目(42071415)

中原青年拔尖人才项目、河南省高校科技创新团队项目资助

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Urban surface water extraction and its spatial-temporal changes based on land surface temperature and remote sensing cloud platform in China

  • Li Nan , 1, 2 ,
  • Cui Yaoping 1, 2 ,
  • Fu Yiming 1, 2 ,
  • Ran Lishan 3 ,
  • Liu Xiaoyan 1, 2 ,
  • Shi Zhifang 1, 2 ,
  • Zhou Yan 1, 2
Expand
  • 1. Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River Regions, Ministry of Education, Kaifeng 475004, Henan, China
  • 2. College of Geographical Sciences, Faculty of Geographical Science and Engineering, Henan University, Zhengzhou 450046, Henan, China
  • 3. Department of Geography, The University of Hong Kong, Hong Kong 999077, China

Received date: 2023-07-10

  Revised date: 2023-12-05

  Online published: 2025-01-16

Supported by

National Natural Science Foundation of China(42071415)

Central Plains Youth Top Talent Project, University Science and Technology Innovation Team Project in Henan Province

Copyright

Copyright reserved © 2024.
Fold

摘要

本文选取中国32个省会及以上城市建成区和香港特别行政区为研究区，基于Google Earth Engine（GEE）遥感大数据云平台技术，通过长时序Landsat遥感影像，结合传统水体指数和城市阴影指数构建了一个基于地表温度和混合指数的水体自动提取方法，并在24894幅Landsat遥感影像上自动生产了中国主要城市1990—2020年30 m空间分辨率的地表水体数据。结果表明：引入地表温度可以大幅提高城市地表水体提取的精度，城市地表水体的提取总体精度均在93%以上；研究时段内，地表水体面积整体呈增加趋势，从1990年的2758.3 km2增长到2020年为3424.1 km2，2012年以后水体增长尤为明显。本研究提出的联立LST的城市水体提取方法可以大幅提升城市地表水体的遥感提取精度，同时本研究也可为中国城市水资源管理及规划提供科学数据支撑。

关键词： 城市水体; 地表温度; 高反射地物; 城市阴影; 遥感大数据

本文引用格式

李楠 , 崔耀平 , 付一鸣 , 冉立山 , 刘小燕 , 史志方 , 周岩 . 基于地表温度和遥感云平台的中国城市水体提取与时空演化研究[J]. 地理科学, 2024 , 44(12) : 2205 -2214 . DOI: 10.13249/j.cnki.sgs.20230620

Abstract

Urban surface water is increasingly important to urban ecology and development, but complex urban surface environment, shadow, and other noise interferences always restrict the extraction of urban surface water, and long time series urban surface water data sets are especially scarce. In order to reveal the real changes of surface water in major cities in China, this study selected 33 built-up areas of provincial capitals in China, inclding Hong Kong Special Administrative Region, as the study area. Based on Google Earth Engine (GEE) cloud computing platform for remote sensing big data, long time series Landsat remote sensing images were used. Combining traditional water index and urban shadow index, an automatic water extraction method with Land Surface Temperature (LST) was constructed. Based on 24 894 Landsat remote sensing images, annual surface water data with 30 m spatial resolution in major cities in China during 1990—2020 were automatically produced. The results showed that the overall accuracy of urban surface water extracted in this study was above 93%. During this study period, surface water showed an overall increasing trend, increasing from 2758.3 km2 in 1990 to 3424.1 km2 in 2020, and the area of urban surface water increased by 665.7 km2. This study highlights LST can effectively distinguish urban water and other urban cover types, and also provide scientific data support for urban water resources management in China.

Key words： urban surface water; land surface temperature; highly reflective feature; urban shadows; remote sensing big data

城市地表水体信息，如湖泊、河流、水库和景观水体等对区域水文、生态和气候等均有重要影响[1-2]。因此，及时监测和准确分析城市地表水体长时间系列的时空动态，对于管理城市生态系统和城市环境至关重要[3]。
遥感数据是城市环境中土地利用覆盖的重要信息来源，许多研究人员已将遥感数据用于城市环境中的水体绘制[4-5]。关于自然地表水体的多尺度和长时间序列制图研究相对成熟，且通常基于MODIS和Landsat系列遥感卫星[6-7]，利用其中高空间分辨率的季度或年度数据集开展研究[8-9]，包含全球[10]、国别[11]、区域[12-13]3种空间尺度。还有一些关于水体遥感监测的研究通常选取研究范围内单幅或某一时间段来进行分析，但较短时间范围的研究对于刻画和监测水体历史动态往往不足[14]。
当前相较于自然水体的提取，城市地表水体无论是提取方法还是数据产品都比较匮乏。与湖泊等内陆水体相比，城市水体更为细碎，且易受城市复杂地表环境带来的噪声影响，尤其是越来越多的城市高反射地物的噪声，这对基于遥感数据的提取方法提出了更高的要求。针对城市复杂的环境，阴影噪声对城市水体的干扰被众多学者所关注[15-16]，已有众多水体指数或阴影指数被提出[17-19]，但多数仍需要反复微调阈值以取得最佳水体提取结果，且确定合适的阈值需要一定经验介入[17]。此外，关于城市阴影水体提取的这些方法中，也较多涉及到了经验参数的拟合，不适宜直接应用于大区范围内的城市水体提取[3, 15]。因此，构建并深度优化适合城市建成区的地表水体自动提取方法迫在眉睫。随着遥感数据量的高速增长，传统的本地平台已经无法满足地表水体监测的计算需求，而GEE（Google Earth Engine）云平台拥有强劲的运算、整合多源或多尺度遥感数据能力，为遥感大数据计算的实现提供了极佳的途径[20]。目前，GEE平台被广泛应用于自然灾害动态监测、自然资源估算和气候变化等研究中[21]，从而使快速开展长时间尺度的全国城市地表水体研究成为可能。
本文以中国33个省会及以上城市建成区（下文简称主要城市）为研究区（未含澳门和台湾数据），使用Landsat影像数据，通过GEE遥感大数据平台，在多指数结合的水体自动提取方法基础上结合地表温度数据，构建了城市水体自动提取方法，不仅解决了城市地表水体提取中存在的阴影噪声，还进一步剔除了高反射地物的噪声问题，并以此得到了30 m空间分辨率的1990—2020年中国33个主要城市建成区地表水体数据。

1 研究区与数据

1.1 研究区

城市和乡村的边界事实上在很多情况下并不存在明显的分界[22-23]，但相对于城市外部的土地覆盖，城市建成区的地表覆盖环境更为复杂，包含不透水层、植被和水体等。Gong等以30 m空间分辨率的Landsat影像为底图，结合夜间灯光数据和Sentinel-1合成孔径雷达影像，制作了全球人造不透水层数据[24]。在此基础上，Li等基于核密度估计方法、元胞自动机和形态学方法，进行了全球城市边界（Global Urban Boundaries, GUB）数据的绘制（http://data.ess.tsinghua.edu.cn）[25]。本研究为了更好地提取复杂城市中的水体，以最新的GUB数据为基础：首先，保留原数据的形态并选定各省会城市主城区地块；然后，剔除不与核心区相接的破碎地块，由此初步得到省会城市城区范围；最后，构建500 m缓冲区以平滑处理锯齿较多的城市边界，并进行空洞填充，最终得到中国33个主要城市建成区的范围。鉴于GUB数据中的中国香港特别行政区过于细小，且香港岛、九龙和新界3个地区的城市范围相距较近，因此直接使用了3个地区的陆地区域作为香港城区范围数据。澳门由于面积过小不在此研究范围内。进一步，将全国分为东北（沈阳、长春、哈尔滨）、华北（北京、天津、呼和浩特、石家庄、太原）、华东（杭州、南京、上海、福州、合肥、济南、南昌、台北）、华中（郑州、长沙、武汉）、华南（广州、海口、香港、南宁）、西南（成都、重庆、昆明、贵阳、拉萨）、西北（西安、银川、兰州、乌鲁木齐、西宁）7个大区[26]。对比不同大区间城市地表水体在研究时段内的时空演化情况，并在各个大区内选取代表性较强的地区（沈阳，北京，上海，郑州，广州，成都，西安），将其设为该大区的验证区。

1.2 数据与预处理

本研究首先利用GEE平台①选取Landsat 5、7和8影像数据，使用CFMask算法进行云阴影、冰/雪像元的处理[27]。其次，在影像融合计算中，考虑到Landsat ETM+和OLI传感器的光谱特性之间存在一定的差异[28]，为了消除这种差异对地物光谱特征产生的干扰，在生成跨传感器长时间序列的年内合成影像过程中，进行光谱空间线性变换以实现协调，即将不同传感器数据源之间的数据类型进行强制转换并归一化波段处理。在数据处理过程中，考虑到本研究关注的时间尺度为年，对1 a中满足要求的观测像元求均值，以确保其反映的是1 a中的整体情况。Landsat数据中1990—2020年的TOA（Top of Atmosphere Reflectance）数据和SR（Surface Reflectance）数据，均可在GEE中完成。
地表温度反演的过程中有2个中重要的输入参数，均可在GEE中直接获取：① 整层气柱水汽总量（Total Column of Water Vapour, TCWV）数据。该数据集由美国国家环境预报中心和美国国家大气研究中心提供，时间跨度为1948—2024年，且其时间序列覆盖Landsat系列卫星运行周期的全球数据集，时间分辨率6 H，空间分辨率为2.5°；② 地表发射率数据。加州理工大学提供的ASTER全球发射率数据集（Global Emissivity Dataset, GED），有多种产品免费开放用户使用，时间跨度为2000—2008年，本研究所使用的是AG100 v003产品。

2 研究方法

本研究构建了一个利用遥感云平台进行城市地表水体提取的技术方法（图1）。首先，对GEE平台提供的1990—2020年24 894幅Landsat-5/7/8 TOA和SR遥感影像数据集进行去云、雪和阴影处理；然后，联立ASTER GEDv3地表发射率数据，筛选出与水体信息最匹配的季节时段，以5 a为一个周期，反演一期最佳地表温度；最后，在多指数组合水体提取规则的基础上结合反演后的LST数据，得到最终优化后的水体结果。
图1 基于GEE平台的城市水体自动提取过程

NDVI为归一化植被指数，FVC为植被覆盖度，AWEIsh为有阴影区域的水体提取指数，USI为城市阴影指数

Fig. 1 Automatic extraction process of urban water body based on GEE

2.1 多指数结合的水体自动提取方法

2.1.1 水体指数

水体指数通过波段间运算，以增强水体信息并减弱非水体反射为目的构建关系式进行水体提取。本文选取AWEI中的AWEIsh指数进行城市水体的运算[29]：
$\begin{split} AWEIsh = & Blue +2.5 \times Green -1.5 \times( Nir + Swir 1)-\\ & 0.25 \times Swir 2 \\[-15pt]\end{split} $
式中，Blue、Green、Nir、Swir1、Swir2分别对应蓝光、绿光、近红外、短波红外1和短波红外2波段的反射率。
水体在蓝、绿波段与阴影的反射率差异最大，而在近红外、短波红外1和短波红外2波段吸收辐射的能力最强。因此，将蓝绿波段相加，同时将绿波段乘以指定的系数，增强了水体和阴影之间的可区分性，减去近红外、短波红外1和短波红外2波段可以进一步突出水体信息。

2.1.2 城市阴影指数

城市区域的建筑物阴影是城市水体信息提取中的主要噪声来源。本文依据Wu等[16]的实验结果，选取两步法城市水体指数（Two-Step Urban Water Index, TSUWI）中的USI：
$ USI =0.25 \times \dfrac{ { Green }}{ { Red }}-0.57 \times \dfrac{ { Nir }}{ { Green }}-0.83 \times \dfrac{ { Blue }}{ { Green }}+1.0 $
式中，Red对应红光波段。该指数选取了可分离性最大、相关性最小的3个波段比来计算USI，可显著区分城市建筑物阴影和水体。

2.1.3 城市地表温度反演及最佳反演季节筛选

反演地表温度的过程使用了Ermida等[30]在GEE平台上开发的一套基于统计单窗口算法（Statistical Mono-window Algorithm, SMW）。SMW算法的核心公式为：
$ L S T=A_i \dfrac{T b}{\varepsilon}+B_i \dfrac{1}{\varepsilon}+C_i $
式中，Tb是热红外波段中的亮度温度，而ε则代表同一波段的地表发射率。系数Ai、Bi和Ci是根据对10类TCWV进行的辐射传输模拟的线性回归确定的，范围为0~6 cm，步长0.6 cm，超过6 cm的TCWV值将会被分配给最后一个类别。因此利用统计单窗口算法进行地表温度反演的关键是亮度温度Tb、地表发射率ε。
本研究选取每年云量低于15%的Landsat热红外波段（Landsat 8为B10和B11；Landsat 7为B6_VCID_1和B6_VCID_2；Landsat 5为B6）参与地表温度反演运算。首先，在相同年份内对33个主要城市建成区逐个进行Landsat数据和TCWV数据的筛选，将TCWV数据进行重新分析以匹配Landsat TOA BT波段。其次，使用Landsat地表反射率数据计算NDVI和FVC，由此推算地表发射率值。结合ASTER GEDv3地表发射率数据，在ASTER数据集缺失时段，通过归一化植被指数、植被覆盖度计算的地表发射率值插补后反演地表温度数据。通过筛选与水体信息最匹配的季节时段，以5 a为一个周期，反演最佳一期地表温度，并匹配剔除该周期内每一年的城市区域水体信息噪声。
设定2019年冬季（2019年12月—2020年2月）、2020年春（2020年3月—2020年5月）、夏（2020年6月—2020年8月）、秋季（2020年9月—2020年11月）4个时间段，每个时间段内挑选云量最少的遥感影像，进行北京市地表温度反演。从反演结果上看（图2），春季不同地物的地表温度具有较为明显的差异，其高值区域主要集中在车站、厂房、人口密集区等处不透水层和高反射面集中区。夏季地表温度普遍呈现高值且高反射面的升温更为明显，但水体的平均温度与春季基本相近，且由于城市内水体周围一般有绿化带或存在于绿地周围，水体的整体轮廓在地表温度结果中保留较为完整。秋季水体平均值与高反射面与春季相近，但对照遥感影像图后发现其在剔除城市建筑物阴影噪声的能力远小于春、夏两季。冬季的地表温度数据对高反射面剔除效果最差，且大部分阴影点值与水点值非常接近，水体均值与高反射面均值的差值在四季中最小，表明其剔除噪声的性能较差。
图2 2019年北京地区四季地表温度反演结果

Fig. 2 Inversion results of LST in 4 seasons of Beijing in 2019

在该区域的Sentinel-2 10 m遥感影像上共选取240个高反射面样本点、320个阴影样本点和350个水体样本点，计算各类样本点的均值并分别与水体样本点的均值做差（表1），以此比较不同季节地表温度反演结果剔除水体信息中高反射面噪声的能力。结果发现，夏季地表温度数据中，水点的平均值与高反射点和阴影点的均值之差异最大，与阴影点的均值差异也最大，差值分别为15.58℃和13.36℃。其次为春季，差值分别为12.77℃和8.78℃。以秋季和冬季差异最小，秋季水点均值与高反射点均值差异为8.43℃，与阴影点均值的差异仅为4.79℃；冬季水点与高反射点均值差异仅为3.69℃，而与阴影点均值的差异为2.95℃。这表明在利用地表温度数据剔除水体数据中的噪声时，使用春季或夏季的数据能获得更好的效果。
表1 北京四季地表温度反演结果对比/℃

Table 1 Comparison of 4 seasons LST inversion in Beijing/℃

季节春季夏季秋季冬季
　　注： “差值绝对值”为高反射点和阴影点与水点均值之差的绝对值。
最小值3.964.152.19−12.08
最大值37.7542.7137.5920.80
均值24.2024.5822.298.48
水点均值17.2523.4919.079.58
高反射点均值30.0239.0727.5113.27
差值绝对值12.7715.588.433.69
阴影点均值26.0236.8523.8612.53
差值绝对值8.7813.364.792.95

2.1.4 地表水自动提取方法

尽管可以根据不同的情境选择不同的阈值以返回最佳水体提取结果，但手动调整阈值则会耗费大量的时间，尤其是对于较为分散的城市区域。因此，针对大范围和长时间序列的分析，本研究使用Otsu的Canny边缘检测算法[31]来自动调整阈值，并过滤场景中的低概率水体。具体运算时，① 使用水体指数AWEIsh进行城市水体的初步提取，同时使用阴影指数USI进一步削减水体初步计算结果中存在的地物阴影噪声；② AWEIsh和USI的结果分别使用基于Canny边缘的Otsu自动阈值检测法做二值化处理，其中水体设为1，其余噪声部分设为0；③ 将2个结果求和相交计算，即得到AWEIsh∩USI的结果，其中，栅格值为1和2的是水体，0为非水体部分；④ 针对AWEIsh∩USI水体结果中依旧留存的高反射面及地物阴影噪声，将反演得到的LST数据掩膜至AWEIsh∩USI方法计算所得水体数据，得到最终优化后的水体结果。同时，考虑到在一些城市建成区中存在山体、丘陵等地形要素，为减少山体阴影在水体提取中可能存在的影响，剔除坡度大于10°的像元。

2.2 城市地表水体提取的精度评价

用以下4个评价指标开展水体提取的精度评估工作：总体分类精度、生产者精度、用户精度和Kappa系数[32]。此外，本研究利用哨兵2号（Sentinel-2）10 m高分辨率遥感影像进行水样本点、高反射地物样本点和地物阴影样本点的选择，用以分析三者在地表温度数据上的差异性，评估其剔除水体信息中噪声的能力。同时，利用Sentinel-2假彩色合成影像进行水体样本点和非水体样本点的选取，建立3种不同水体提取方法的混淆矩阵，即：“AWEIsh”代表仅使用AWEIsh单一指数并结合Otsu自动阈值法得到的水体结果；“AWEIsh∩USI”代表用AWEI和USI两种指数并结合Otsu自动阈值法得到的水体结果；“AWEIsh∩USI+LST”代表在前一步基础上，结合地表温度数据，掩膜高于设定阈值的水体噪声部分的最终水体结果，以评估其水体提取精度情况。

3 结果分析

3.1 城市水体提取结果及精度分析

在7个验证区内利用GEE中的.randomPoints（）生成3432个随机样本点，并根据Sentinel-2 10 m高分辨率遥感影像进行水样本点、高反射地物样本点和地物阴影样本点的选择，用于评估地表温度数据剔除高反射面和地物阴影的能力（图3）。7个地区的水点温度均远低于高反射点的温度，大部分水点温度低于阴影点的温度，在上海、北京和郑州地区，有小部分水点温度与阴影点温度有重叠（图4）。
图3 验证区地表温度数据样本点选取

Fig. 3 Sample points selection of surface temperature data in the verification area

图4 验证区地表温度数据样本点箱型图

Fig. 4 LST sample point box diagrams of 7 cities

叠加地表温度数据的水体提取方法不仅可以有效剔除城市地表水体提取中的高反射面地物噪声和地物阴影噪声，还可以大大提升地表水体提取的精度。在北京地区，AWEIsh方法的主要噪声来自于城区中心的建筑物阴影（图5b），高反射地物噪声来自东部地区的部分厂房。AWEIsh∩USI方法相对于单一的AWEIsh方法较好地抑制了城区中心的建筑物阴影，北京市东城区的建筑物阴影噪声相对有较大的降低（图5c）。叠加地表温度数据后，中心城区的阴影基本消失，高反射面和阴影噪声得到了很好地抑制（图5d）。
图5 北京市水体优化结果

a. Sentinel-2合成影像 b. AWEIsh c. AWEIsh∩USI d.AWEIsh∩USI+LST

Fig. 5 Water extraction results in Beijing

由表2可以明显看出，AWEIsh、AWEIsh∩USI和AWEIsh∩USI+LST这3种方法的精度在不同评价指标性均表现出高度的一致性，即精度均依次增加。其中，AWEIsh∩USI+LST法在7个城市中的总体精度平均值为95.5%、Kappa系数平均值为0.912，分别比AWEIsh∩USI高出6.991%和0.138，比AWEIsh∩USI方法高出10.80%和0.216。平均的水体用户精度和水体生产者精度分别为94.42%和95.59%，也充分表明叠加了地表温度和阴影数据的水体提取方法可以有效地提升遥感水体提取精度。
表2 3种水体提取方法的精度对比

Table 2 Precision comparison of three water extraction methods

城市方法用户精度/%生产者精度/%总体精度/%Kappa系数
水点非水点水点非水点
沈阳AWEIsh77.3585.3984.9877.9281.240.625
AWEIsh∩USI81.8189.1988.7382.5085.430.709
AWEIsh∩USI+LST91.3694.8594.3792.0893.160.863
北京AWEIsh79.6092.4690.3483.6586.420.726
AWEIsh∩USI82.0294.7393.2685.5688.740.773
AWEIsh∩USI+LST92.5896.6095.2894.6094.880.895
上海AWEIsh81.5787.2086.6782.2684.360.687
AWEIsh∩USI85.9190.7190.2186.6088.320.766
AWEIsh∩USI+LST95.3297.6997.5095.6696.540.931
郑州AWEIsh73.3981.8281.1474.2577.470.550
AWEIsh∩USI82.0787.4486.2983.5084.800.696
AWEIsh∩USI+LST94.6396.9895.7196.2096.000.918
广州AWEIsh83.6487.7286.8384.7185.710.714
AWEIsh∩USI87.3190.3589.5288.2988.870.777
AWEIsh∩USI+LST96.4595.4994.9296.8695.940.919
成都AWEIsh86.2590.3889.2387.6788.390.767
AWEIsh∩USI89.9393.4992.6991.0091.790.835
AWEIsh∩USI+LST95.1197.6297.3195.6796.430.928
西安AWEIsh88.1592.4191.5489.3390.360.807
AWEIsh∩USI92.0594.2693.4693.0093.210.864
AWEIsh∩USI+LST96.1796.9996.5496.6796.610.932

3.2 中国主要城市地表水体时空变化分析

中国33个主要城市的建成区地表水体面积在近30 a呈现出明显的增加趋势（图6）。1990年33个主要城市建成区地表水体面积共2758.3 km2，2020年增长至3424.1 km2，共增长了665.7 km2，研究时段内增长率达到了24.14%，平均每年增长22.2 km2。以5 a的间隔为研究区地表水体总面积设定移动平均，发现在1990—2011年研究区地表水体面积总体呈现缓慢下降趋势。尤其在 2008—2010年，城市地表水体面积出现大幅下降，主要发生在华南地区4市。2012年后开始大幅增长。1990—2011年，水体面积平均值为2654.1 km2，2012—2020年平均值上升为3144.7 km2。
图6 研究区地表水体总量变化

Fig. 6 Change of total surface water body in study area

2020年除了华中地区地表水体面积减少了30.9 km2，研究区整体的地表水体面积均呈现增长态势。就其它6个大区来看（表3），华南4市和华东8市是研究区地表水体总面积增长的主要贡献者，1990—2020年分别增长了约228.3 km2和247.1 km2，对研究区地表水体总面积增长的贡献率分别为34.3%和37.1%。华北5市水体面积共398.03 km2，对研究区地表水体总面积增长的贡献率最低，为3.5%。东北3市和西南5市对研究区地表水体总面积增长的贡献率为9.2%、12.2%。西北地区的省会城市地表水体总面积虽然仅104.71 km2，但对研究区地表水体总面积增长的贡献率为8.3%，高于华北。
表3 1990—2020年中国七大分区内省会城市地表水体面积变化情况/km2

Table 3 Area changes of surface water bodies in provincial capitals in China’s 7 major sub-regions from 1990 to 2020/km2

年份 东北 华北 华中 华东 西南 西北 华南
1990 96.93 374.80 489.11 577.86 103.39 49.38 1066.94
1991 99.86 367.92 462.79 546.57 85.25 42.85 974.67
1992 89.56 334.97 436.71 609.71 79.23 39.58 1092.90
1993 70.88 334.59 504.57 623.34 111.70 49.2 1391.82
1994 77.48 324.62 358.60 624.60 101.39 44.29 1191.36
1995 88.24 318.08 454.87 560.98 112.54 46.64 1315.15
1996 87.97 319.57 425.45 539.51 90.13 43.33 1216.48
1997 95.29 297.99 372.32 593.52 88.74 32.23 1154.01
1998 82.07 297.14 476.13 542.01 106.39 64.23 1253.61
1999 87.90 351.74 410.65 570.02 112.34 50.92 1135.90
2000 81.61 360.36 403.50 569.32 107.83 61.66 898.29
2001 72.67 383.65 427.96 644.85 100.96 45.38 1437.30
2002 76.30 337.16 402.68 686.12 102.86 47.74 1362.83
2003 76.13 312.52 423.22 612.54 98.62 55.67 1103.22
2004 90.34 331.22 421.68 640.44 97.36 40.47 947.79
2005 95.62 332.25 324.21 590.88 81.58 52.27 944.63
2006 101.58 303.04 330.12 592.57 79.90 48.99 934.31
2007 103.54 294.72 331.69 496.84 87.47 49.09 1194.82
2008 95.70 272.61 412.10 602.79 104.45 66.84 1227.78
2009 92.20 228.99 367.14 626.10 121.46 47.90 1021.05
2010 99.01 195.40 354.25 528.04 103.51 56.93 802.85
2011 104.28 178.49 291.96 548.41 116.22 44.78 837.01
2012 104.59 187.79 353.60 513.50 131.01 57.25 1186.68
2013 115.31 219.09 422.83 640.20 148.50 81.72 1292.28
2014 137.54 287.52 400.20 734.56 197.86 85.61 1259.18
2015 145.02 312.38 419.98 790.82 172.37 98.39 1192.03
2016 137.26 393.18 467.52 829.46 181.57 85.63 1265.86
2017 146.99 377.04 449.44 801.22 186.11 91.59 1239.71
2018 149.10 376.32 417.19 786.04 187.54 100.66 1225.27
2019 145.41 385.30 421.49 795.78 185.54 97.47 1264.72
2020 158.10 398.03 458.21 824.98 184.86 104.71 1295.23

4 讨论

4.1 LST大幅提升了城市地表水体的提取精度

LST本身可以体现出城市复杂环境下不同地表覆盖的类型差异信息，这是本研究的理论基础。得益于水体温度远小于其他城市地物温度，本文的实践研究也证实了LST对剔除非水体的噪音干扰效果显著。然而就城市的地表水体提取而言，在对国内外的文献检索过程中，很少有人将LST信息引入到城市水体提取的方法中去，众多学者更集中关注如何抑制城市区域阴影噪声干扰的问题。有学者尝试提出了一种能大幅减小城市水体提取过程中阴影影响的阴影检测指数，但该指数在广泛使用的开放遥感卫星影像（Landsat和Sentinel）中应用效果不佳[33]；还有学者在研究中利用能够较好抑制城市区域的建筑物阴影等低反射面信息的多波段水体指数，但由于其所需波段信息较多，致使该指数不能良好地应用于遥感大数据平台（即GEE）中实现自动提取[15]。前述的诸多水体指数，目前主要存在的问题是需要反复微调阈值以取得最佳水体结果。
此外，在现有的众多指数中，仍无法完整剔除高反射面噪声的影响，而高反射面对城市水体提取的相关研究极为缺乏。其中，AWEIsh针对城市区域阴影进行了有效抑制，但其结果中仍无法避免部分高反射面的噪声。本研究利用Landsat数据构建了城市30 m年尺度的水体数据集，利用高反射面、阴影和水体之间的温度差异，提出了基于LST的水体综合提取方法，同时，在温度选取过程中，对每个城市做水体与非水体的阈值分割。该方法很好地剔除高反射面在水体信息提取中的噪声干扰，并可以良好地消除地物阴影噪声的残留影响，水体提取的总体精度达到93%以上。此外，考虑到本研究的分析结果为年尺度，对于江河流经或拥有内湖的城市，其年内的旱涝情况会对提取的年尺度结果造成一定影响，开展年内分析是下一步研究工作的方向。

4.2 近10 a中国主要城市地表水体大幅增加

中国近30多年来，城镇化的快速发展[34]，致使北方的水资源较南方更为紧缺，黄河、淮河和海河流域水资源开发利用率已经超过国际社会公认的40%的限度[35-37]，但近年来北方诸多城市兴起了一股“水城”的建设热潮，围地造湖的情况不断在北方的大小城镇中出现[38]。本研究结果也显示：在2012年后中国水体总量开始大幅增长，在大部分城市建成区内，城市内景观水体和湖泊坑塘的增加成为主流，特别是西北大区的西安市，这对北方干旱区域的地表水资源利用有何影响还需要进一步的分析[39]。此外，水体面积在各区间具有很大的差异性，仅华中3市出现了地表水体减少的情况。本研究表明武汉市水体面积在30 a内整体呈现缩减趋势，减少量是全国省会城市最多的，主要表现为城市内湖泊坑塘的大幅缩减，与他人研究结果一致[40]。就南方水体（西南、华南、华中）而言，各大区水体面积总量在研究时段内虽有波动，但在近10 a呈逐步增加态势。

5 结论

本文基于遥感大数据云平台，利用水体信息与阴影和高反射面地物的温度差异，开发了一种基于地表温度和混合指数的水体自动提取方法，有效剔除了城市地表水体提取中的高反及阴影噪声影响，并在全国33个主要城市开展了城市地表水体自动提取的应用研究。本文主要结论有：
1）夏季时间范围内反演的地表温度数据，其水体与地物阴影和高反射面地物的温度值之差距最大，是反演地表温度剔除水体信息相关噪声的最佳时间窗口。
2）地表温度的引入，可以大幅度提升城市地表水体的提取精度，城市地表水体识别总体精度达到93%以上。
3）通过分析中国33个主要城市在1990—2020年地表水体时空变化情况，发现中国主要城市的地表水体在2012年以后整体呈现明显的上升趋势。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Yang X C, Qin Q M, Grussenmeyer P et al. Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery[J]. Remote Sensing of Environment, 2018, 219: 259-270

DOI

[2]
Chen F, Chen X Z, Van de Voorde T et al. Open water detection in urban environments using high spatial resolution remote sensing imagery[J]. Remote Sensing of Environment, 2020, 242: 111706.

DOI

[3]
Marlow D R., Moglia M, Cook S et al. Towards sustainable urban water management: A critical reassessment[J]. Water Research, 2013, 47(20): 7150-7161

DOI

[4]
Yang X Y, Chen Y, Wang J Z. Combined use of Sentinel-2 and Landsat 8 to monitor water surface area dynamics using Google Earth Engine[J]. Remote Sensing Letters, 2020, 11(7): 687-696

DOI

[5]
Fisher A, Flood N, Danaher D. Comparing landsat water index methods for automated water classification in eastern Australia[J]. Remote Sensing of Environment, 2016, 175: 167-182

DOI

[6]
Aires F, Prigent E, Fluet-Chouinard D et al. Comparison of visible and multi-satellite global inundation datasets at high-spatial resolution[J]. Remote Sensing of Environment, 2018, 216: 427-441

DOI

[7]
Lu S L, Ma J, Ma X Q et al. Time series of the Inland Surface Water Dataset in China (ISWDC) for 2000—2016 derived from MODIS archives[J]. Earth System Science Data, 2019, 11(3): 1099-1108

DOI

[8]
Murray N J, Phinn S R, Dewitt M et al. The global distribution and trajectory of tidal flats[J]. Nature, 2019, 565(7738): 222-225

DOI

[9]
Wang X, Xiao X M, Zhou Z H et al. Gainers and losers of surface and terrestrial water resources in China during 1989—2016[J]. Nature Communications, 2020, 11(1): 1-12

DOI

[10]
Goldblatt R, Stuhlmacher M, Tellman B et al. Using Landsat and nighttime lights for supervised pixel-based image classification of urban land cover[J]. Remote Sensing of Environment, 2018, 205: 253-275

DOI

[11]
Arvor D, Daher Felipe R G, Briand D et al. Monitoring thirty years of small water reservoirs proliferation in the southern Brazilian Amazon with landsat time series[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145: 225-237

DOI

[12]
Tulbure M G, Broich M. Spatiotemporal dynamic of surface water bodies using landsat time-series data from 1999 to 2011[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 79: 44-52

DOI

[13]
Zhou Y, Dong J W, Xiao X M et al. Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine[J]. Science of the Total Environment, 2019, 689: 366-380

DOI

[14]
Pekel J F, Cottam A, Gorelick N et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540: 418-422

DOI

[15]
Wang X B, Xie S P, Zhang X L et al. A robust Multi-Band Water Index (MBWI) for automated extraction of surface water from Landsat 8 OLI imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 68: 73-91

DOI

[16]
Wu W, Li Q, Zhang Y et al. Two-Step Urban Water Index (TSUWI): A new technique for high-resolution mapping of urban surface water[J]. Remote Sensing, 2018, 10(11): 1704.

DOI

[17]
Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(14): 3025-3033

DOI

[18]
Wang S, Baig M H A, Zhang L F et al. A simple Enhanced Water Index (EWI) for percent surface water estimation using Landsat data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(1): 90-97

DOI

[19]
Xie C, Huang X, Zeng W X et al. A novel water index for urban high-resolution eight-band WorldView-2 imagery[J]. International Journal of Digital Earth, 2016, 9(10): 925-941

DOI

[20]
Gorelick N, Hancher M, Dixon M et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27

DOI

[21]
李丹, 吴保生, 陈博伟, 等. 基于卫星遥感的水体信息提取研究进展与展望[J]. 清华大学学报: 自然科学版, 2020, 60(2): 147-161.

Li Dan, Wu Baosheng, Chen Bowei et al. Review of water body information extraction based on satellite remote sensing. Journal of Tsinghua University: Science and Technology, 2020, 60(2): 147-161

[22]
Seto K C, Güneralp B, Hutyra L R. Global forecasts of urban expansion to 2030 and direct impacts on biodiversity and carbon pools[J]. Proceedings of the National Academy of Sciences, 2012, 109(40): 16083-16088

DOI

[23]
Cui Y P, Liu J Y, Xu X L et al. Accelerating cities in an unsustainable landscape: Urban expansion and cropland occupation in China, 1990—2030[J]. Sustainability, 2019, 11(8): 2283.

DOI

[24]
Gong P, Li X C, Wang J et al. Annual maps of global artificial impervious area (GAIA) between 1985 and 2018[J]. Remote Sensing of Environment, 2020, 236: 111510.

DOI

[25]
Li X C, Gong P, Zhou Y Y et al. Mapping global urban boundaries from the global artificial impervious area (GAIA) data[J]. Environmental Research Letters, 2020, 15(9): 094044.

DOI

[26]
Jin J X, Wang Y, Jiang H et al. Improvement of ecological geographic regionalization based on remote sensing and canonical correspondence analysis: A case study in China[J]. Science China Earth Sciences, 2016, 59(9): 1745-1753

DOI

[27]
Foga S, Scaramuzza P, Guo S et al. Cloud detection algorithm comparison and validation for operational landsat data products[J]. Remote Sensing of Environment, 2017, 194: 379-390

DOI

[28]
Roy D P, Kovalskyy V, Zhang H K et al. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity[J]. Remote Sensing of Environment, 2016, 185: 57-70

DOI

[29]
Feyisa G L, Meilby H, Fensholt R et al. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery[J]. Remote Sensing of Environment, 2014, 140: 23-35

DOI

[30]
Ermida S L, Soares P, Mantas V et al. Google Earth Engine open-source code for land surface temperature estimation from the landsat series[J]. Remote Sensing, 2020, 12(9): 1471.

DOI

[31]
Donchyts G, Schellekens J, Winsemius H et al. A 30 m resolution surface water mask including estimation of positional and thematic differences using Landsat 8, SRTM and OpenStreetMap: A case study in the Murray-Darling Basin, Australia[J]. Remote Sensing, 2016, 8(5): 386.

DOI

[32]
Yang X, Qin Q M, Yesou H et al. Monthly estimation of the surface water extent in France at a 10-m resolution using Sentinel-2 data[J]. Remote Sensing of Environment, 2020, 244: 111803.

DOI

[33]
Shahi K, Shafri K Z M, Taherzadeh E. A novel spectral index for automatic shadow detection in urban mapping based on WorldView-2 satellite imagery[J]. International Journal of Computer, Electrical, Automation, Control and Information Engineering, 2014, 8(10): 1769-1772.

[34]
Liu Y L, Zhang X H, Kong X S et al. Identifying the relationship between urban land expansion and human activities in the Yangtze River Economic Belt, China[J]. Applied Geography, 2018, 94: 163-177

DOI

[35]
金光振, 金光明. 华北干旱缺水的现状与成因探索[J]. 安全与环境工程, 2003, 10(2): 20-23

DOI

Jin Guangzhen, Jin Guangming. The present situation of aridness and lack of water resources in north China and the probe into its causes. Safety and Environmental Engineering, 2003, 10(2): 20-23

DOI

[36]
Jiang Y. China’s water scarcity[J]. Journal of Environmental Management, 2009, 90(11): 3185-3196

DOI

[37]
韩亦方. 描绘中国水资源南北贯通的大蓝图[J]. 南水北调与水利科技, 2003, (z1): 18-20

Hang Yifang. A blueprint for the north-south connection of China’s water resources. South-to-North Water Transfers and Water Science & Technology. 2003, (Z1): 18-20.

[38]
俞孔坚, 张蕾. 黄泛平原区适应性“水城”景观及其保护和建设途径[J]. 水利学报, 2008, 39(6): 688-696

DOI

Yu Kongjian, Zhang Lei. Preservation and development of water cities adaptive to the areas flooded by the Yellow River. Journal of Hydraulic Engineering, 2008, 39(6): 688-696

DOI

[39]
吴江华, 刘康, 张红娟, 等. 西安市主城区景观格局演变对地表径流的影响[J]. 水土保持通报, 2021, 41(4): 83-92.

Wu Jianghua, Liu Kang, Zhang Hongjuan et al. Impacts of landscape pattern changes on surface runoff in main urban area of Xi’an City. Bulletin of Soil and Water Conservation, 2021, 41(4): 83-92

[40]
文超, 詹庆明, 樊智宇, 等. 1979—2019年武汉市重点水体多要素协同的时空演变特征[J]. 地球信息科学学报, 2021, 23(11): 2055-2072

Wen Chao, Zhan Qingming, Fan Zhiyu et al. Spatiotemporal characteristics of multi-factor synergy in urban key water bodies of Wuhan from 1979 to 2019. Journal of Geo-information Science, 2021, 23(11): 2055-2072.

Options
文章导航

/

〈 〉