城市热岛效应怎么分析?地表温度如何反演?

别再对着热力图发呆了：城市热岛分析其实有套路

你是不是也遇到过这种情况？领导让你“做个热岛分析”，你打开遥感影像，拉出温度图层，调个色带，交上去却被问：“这红的地方到底比郊区高几度？有没有量化？空间格局怎么解释？”——别慌，今天我就手把手带你从零搭建一套完整的地表温度反演+热岛效应分析流水线。

我在参与某省会城市“双碳”评估项目时发现，90%的初学者卡在第一步：误把“亮温”当“地表温度”。结果分析出来的“热岛”其实是传感器误差和大气干扰的混合体。

地表温度不是直接拍出来的，而是“算”出来的

很多人以为卫星一拍，温度就出来了。错！卫星传感器记录的是“辐射亮度”，要经过大气校正、发射率估算、温度转换三道关卡，才能得到真实的“地表温度（LST）”。你可以把它想象成“厨房里的温度计坏了，只能靠锅盖冒气的速度和锅的材质来反推水温”——这就是反演的本质。

目前主流方法有三种：

1. 单窗算法：适合 Landsat 系列，公式简洁，但对大气参数敏感；
2. 分裂窗算法：适用于 MODIS/Aqua/Terra，利用两个热红外波段“互相纠错”；
3. 辐射传输方程法：最精确，但需要大气廓线数据（如使用 ENVI + FLAASH 模块）。

对新手我推荐从 Landsat 8/9 的单窗算法 入手。为什么？数据免费、教程多、ENVI/QGIS 插件成熟。下面我用 QGIS + Semi-Automatic Classification Plugin (SCP) 给你走一遍实战流程。

五步搞定地表温度反演（附代码片段）

Step 1：下载 Landsat 8 Level-2 数据
去 USGS EarthExplorer 下载已做过辐射定标和大气校正的数据（文件名含 _L2SP），省去自己做 TOA 辐射转换的麻烦。

Step 2：提取 Band 10（热红外波段）
用 SCP 插件或直接用栅格计算器加载 Band 10，单位是 Digital Number (DN)，需转为 Top of Atmosphere Brightness Temperature。

# Python 示例：使用 GDAL 读取并转换 DN 值
import gdal
band10 = gdal.Open('LC08_L2SP_xxx_B10.TIF').ReadAsArray()
# 使用元数据中的增益和偏移
radiance = band10 * RADIANCE_MULT_BAND_10 + RADIANCE_ADD_BAND_10
toa_bt = (K2 / np.log(K1 / radiance + 1)) - 273.15  # 转为摄氏度

Step 3：计算地表发射率
这是最容易被忽略的一步！不同地物（水泥、植被、水体）发射热量的能力不同。我们常用 NDVI 阈值法估算：

• NDVI < 0.2 → 裸土/建筑，发射率 ≈ 0.92
• 0.2 ≤ NDVI ≤ 0.5 → 混合像元，线性插值
• NDVI > 0.5 → 植被，发射率 ≈ 0.99

Step 4：应用单窗算法公式
核心公式如下（简化版）：

LST = [BT / (1 + (λ * BT / ρ) * ln(ε))] 
# 其中 BT=亮温, λ=波长(10.9μm), ρ=常数(1.438e-2), ε=发射率

Step 5：裁剪与重采样
将结果裁剪到城市边界，并重采样至 30m 分辨率，便于后续空间分析。

热岛强度怎么算？空间格局怎么看？

有了地表温度图，热岛分析才刚起步。真正的价值在于空间对比和统计量化。

进阶玩家还可以叠加 POI、路网、建筑高度数据，做回归分析，找出“谁是热岛元凶”。比如我在深圳项目中发现，容积率 >4.0 的区域，夏季 LST 平均高出周边 3.2℃，比绿地覆盖率的影响还显著。

避坑指南：三个高频错误千万别犯

1. 混淆亮温和地表温度 —— 不做发射率校正，结果偏差可达 5℃ 以上；
2. 郊区样本选在机场或工业区 —— “郊区”必须是自然植被覆盖区，否则 UHI 强度被低估；
3. 忽略时间一致性 —— 夏季午后（13:00-15:00）才是热岛最强时刻，别拿早晨数据充数。

总结：热岛分析不是炫技，而是决策工具

从数据下载 → 温度反演 → 空间统计 → 影响因子挖掘，这套流程不仅能发论文，更能指导城市通风廊道规划、绿地系统优化、甚至建筑节能改造。记住：温度只是表象，空间关系才是本质。

👉 你在做热岛分析时遇到过哪些“坑”？用的是 Landsat 还是 Sentinel？欢迎在评论区留言，我会挑典型问题做深度复盘！