热岛与NDVI有啥关系?空间回归分析咋做?

wowwwai GIS研习社 · 工具流程与项目排障

很多同学在做城市热环境分析时都会问：热岛与NDVI有啥关系?空间回归分析咋做? 这个问题看似简单，实际涉及遥感反演、栅格统计、空间自相关和回归模型选择。本文用一个可复现的 GIS 工作流，说明如何把地表温度、NDVI 和空间回归分析串起来，判断植被覆盖是否真的会影响城市热岛。

引言：热岛与NDVI关系为什么不能只看相关系数

在城市遥感分析中，常见做法是计算地表温度 LST 与 NDVI 的相关系数。如果结果是负相关，就直接得出“植被越多，热岛越弱”的结论。但这一步往往不够严谨。

原因是城市热岛具有明显的空间集聚特征。相邻区域的温度通常相似，相邻区域的绿化水平、建筑密度、道路密度也可能相似。这种现象叫空间自相关。如果忽略空间自相关，普通线性回归的显著性检验可能会偏乐观，模型残差也可能存在空间聚集。

所以，分析热岛与NDVI关系时，推荐的思路不是“算一个相关系数就结束”，而是：

• 先从遥感影像中提取 NDVI 和地表温度；
• 再把研究区划分为网格、街道或行政单元；
• 检查热岛强度和 NDVI 是否存在空间自相关；
• 最后根据诊断结果选择 OLS、空间滞后模型或空间误差模型。

背景：城市热岛、NDVI和地表温度分别代表什么

城市热岛通常指城市区域温度高于周边郊区或自然地表的现象。遥感研究中，经常使用地表温度 LST 表示热环境强度。LST 不是空气温度，而是地表表面的温度，对屋顶、道路、裸地、水体、植被等地物非常敏感。

NDVI是归一化植被指数，用来反映植被覆盖状况。常用公式为：

NDVI = (NIR - Red) / (NIR + Red)

其中 NIR 是近红外波段，Red 是红光波段。NDVI 越高，通常说明植被越茂密；NDVI 越低，可能表示建设用地、裸地、水体或稀疏植被。

从机理上看，NDVI 与热岛强度通常呈负相关。植被可以通过遮阴、蒸腾作用和提高地表含水量降低地表温度。但这种关系不是绝对的，因为地表温度还会受到建筑密度、不透水面比例、地形、水体距离、人口活动和影像获取时间影响。

原理：空间回归分析如何解释热岛与NDVI关系

普通线性回归通常可以写成：

LST = β0 + β1 × NDVI + β2 × 建筑指数 + β3 × 高程 + ε

如果只关心热岛与NDVI关系，最简单的模型可以写成：

LST = β0 + β1 × NDVI + ε

其中 β1 是 NDVI 的回归系数。如果 β1 为负，表示 NDVI 增加时，地表温度倾向于降低。但在空间数据中，误差项 ε 往往不是完全独立的。也就是说，一个网格温度偏高，它附近网格也可能偏高。

空间回归分析的核心，就是把这种空间邻近关系纳入模型。常见方法有三类：

• OLS普通最小二乘回归：作为基准模型，适合空间自相关不明显的情况。
• 空间滞后模型SLM：适合因变量本身存在空间扩散或邻近影响的情况，例如某一区域高温会与周边高温区连片出现。
• 空间误差模型SEM：适合遗漏变量或空间结构导致误差项存在空间相关的情况。

判断是否需要空间回归，通常要看 Moran’s I、Lagrange Multiplier 检验、残差空间自相关等指标。不要一开始就套空间模型，也不要只用 OLS 就下结论。

步骤：热岛与NDVI空间回归分析完整流程

步骤一：准备遥感影像和研究边界

常用数据包括 Landsat 8/9、Sentinel-2、MODIS 或本地高分辨率影像。若要同时做 NDVI 和地表温度，Landsat 是入门阶段最常用的数据源，因为它包含可见光、近红外和热红外波段。

建议准备以下数据：

• 研究区边界：城市行政区、建成区范围或自定义研究范围；
• 遥感影像：尽量选择晴空、少云、同一季节的数据；
• 土地利用或建筑指数数据：用于控制其他影响因素；
• DEM 高程数据：山区城市建议加入高程或坡度变量；
• 道路、水体、人口密度等辅助数据：视研究问题决定是否加入。

步骤二：计算NDVI

在 QGIS、ArcGIS Pro 或 Google Earth Engine 中都可以计算 NDVI。以 Landsat 8/9 为例，常用公式为：

NDVI = (Band5 - Band4) / (Band5 + Band4)

其中 Band5 是近红外波段，Band4 是红光波段。计算后应检查 NDVI 的值域，正常情况下大多落在 -1 到 1 之间。水体和阴影区域可能为负值，绿地一般为正值。

在 QGIS 栅格计算器中，可以输入类似表达式：

("B5@1" - "B4@1") / ("B5@1" + "B4@1")

步骤三：反演地表温度LST

地表温度反演比 NDVI 更复杂，不能简单把热红外波段当作摄氏温度使用。常见流程包括：

1. 将热红外 DN 值转换为辐射亮度；
2. 将辐射亮度转换为亮温；
3. 根据地表比辐射率进行校正；
4. 转换为摄氏度；
5. 裁剪到研究区范围。

如果使用 Landsat Collection 2 Level-2 产品，部分地表温度产品已经过官方处理，可以减少手工反演误差。实际写论文或项目报告时，应说明影像产品级别、温度单位、云掩膜处理方式和反演公式来源。

步骤四：统一空间尺度和分析单元

热岛与NDVI关系分析不能直接把两个栅格随便叠在一起就回归。更稳妥的做法是建立统一的分析单元，例如：

• 500 米网格；
• 1 公里网格；
• 街道或社区边界；
• 城市功能区；
• 缓冲区样本点。

对每个分析单元统计平均 LST、平均 NDVI、最大温度、绿地比例、建筑指数等变量。这样可以把栅格数据转换为表格型空间数据，方便后续做空间回归分析。

在 QGIS 中可使用“区域统计”工具。在 ArcGIS Pro 中可使用 Zonal Statistics as Table。统计完成后，把结果连接回网格或行政区图层。

步骤五：先做探索性分析

正式建模前，建议先做三件事：

• 绘制 LST 和 NDVI 分布图，观察高温区与低植被区是否重合；
• 绘制散点图，查看 NDVI 与 LST 是否近似线性；
• 计算 Pearson 或 Spearman 相关系数，作为初步判断。

如果散点图显示明显非线性，可以考虑加入 NDVI 的二次项，或者按城市核心区、郊区、水体周边分组分析。不要只看一个总体相关系数，因为不同地表类型下 NDVI 对温度的影响可能不同。

步骤六：构建空间权重矩阵

空间回归分析必须定义“谁和谁是邻居”。这一步由空间权重矩阵完成。常见方式有：

• 邻接权重：共享边界或顶点的多边形互为邻居；
• 距离权重：一定距离范围内的单元互为邻居；
• K近邻权重：每个单元选取最近的 K 个邻居。

如果使用规则网格，邻接权重和 K 近邻权重都比较常见。如果使用街道或社区边界，要注意孤立单元和狭长多边形可能影响邻接关系。

步骤七：运行OLS基准模型

建议先运行 OLS 模型，把它作为基准结果。例如：

LST_mean = β0 + β1 × NDVI_mean + β2 × NDBI_mean + β3 × Elevation_mean + ε

其中 NDBI 是归一化建筑指数，可用于表示建设用地或不透水面强度。加入 NDBI 的原因是，热岛不仅受植被影响，也受建筑和硬化地表影响。

运行 OLS 后重点检查：

• NDVI 系数是否为负；
• NDVI 是否显著；
• 模型残差是否呈空间集聚；
• 变量之间是否存在严重多重共线性；
• 残差是否存在明显异方差。

步骤八：检查Moran’s I和残差空间自相关

如果 OLS 残差的 Moran’s I 显著，说明模型没有充分解释空间结构。这时普通回归结果可能不可靠，需要考虑空间回归模型。

一般判断逻辑如下：

• 因变量 LST 的 Moran’s I 显著：说明热岛强度存在空间集聚；
• OLS 残差 Moran’s I 显著：说明模型遗漏了空间结构；
• LM-Lag 更显著：优先考虑空间滞后模型；
• LM-Error 更显著：优先考虑空间误差模型；
• Robust LM 指标更可靠：当两个 LM 都显著时，应重点看稳健版本。

步骤九：选择空间滞后模型或空间误差模型

如果热岛本身具有明显的邻近扩散效应，可以使用空间滞后模型。其含义是：一个单元的地表温度不仅受本单元 NDVI 影响，也受周边单元温度影响。

LST = ρWLST + Xβ + ε

其中 W 是空间权重矩阵，ρ 表示因变量空间滞后效应。

如果问题主要来自遗漏变量或空间相关误差，则可以使用空间误差模型：

LST = Xβ + u
u = λWu + ε

其中 λ 表示误差项的空间相关程度。实际项目中，空间误差模型常用于控制未观测到的空间因素，例如局部风场、微地形、建筑形态差异等。

步骤十：解释结果而不是只报告显著性

空间回归分析的重点不是“模型显著了”，而是解释热岛与NDVI关系是否稳定。报告结果时建议说明：

• NDVI 系数方向：是否为负；
• 系数大小：NDVI 每增加一定单位，LST 大致如何变化；
• 显著性水平：是否具有统计意义；
• 空间参数：ρ 或 λ 是否显著；
• 模型拟合：AIC、对数似然、残差 Moran’s I 是否改善；
• 控制变量：建筑指数、水体、高程等变量是否改变 NDVI 的解释力。

如果加入 NDBI 后 NDVI 系数明显变小，说明原来 NDVI 的部分作用可能与建设用地分布重叠。这个结论比简单说“NDVI 降温”更有分析价值。

常见坑：热岛与NDVI空间回归分析容易出错的地方

坑一：把空气温度和地表温度混为一谈

遥感反演得到的 LST 是地表温度，不等于气象站记录的 2 米空气温度。地表温度对材料、阴影和下垫面非常敏感。如果研究目标是人体热舒适或气象热岛，需要谨慎解释。

坑二：NDVI受水体和阴影影响

水体、云阴影和建筑阴影可能导致 NDVI 异常低。如果不做掩膜处理，低 NDVI 区域不一定代表建设用地，高温和低温都可能混在一起。建议至少单独处理水体和云影。

坑三：不同分辨率数据直接叠加

Landsat 热红外、可见光、DEM、土地利用数据分辨率可能不同。直接叠加会产生尺度误差。建议统一投影、像元大小和对齐方式，再进行区域统计。

坑四：没有处理空间自相关

城市温度和绿地分布都有空间聚集。如果只做 OLS，不检查残差 Moran’s I，可能会高估变量显著性。空间回归分析的价值就在于识别并处理这种空间依赖。

坑五：变量太多但样本太少

如果分析单元只有几十个，却加入十几个解释变量，模型很容易不稳定。建议先从 NDVI、NDBI、水体比例、高程等核心变量开始，再根据研究问题逐步扩展。

坑六：忽略季节和影像时间

NDVI 与热岛关系在夏季更明显，在冬季或雨后影像中可能减弱。不同日期影像不能随意比较，尤其要注意太阳高度角、降雨、云量和城市植被物候差异。

方法比较：QGIS、ArcGIS Pro、GeoDa和Python怎么选

工具	适合任务	优点	注意事项
QGIS	NDVI计算、栅格裁剪、区域统计、制图	免费开源，插件丰富，适合教学和基础处理	复杂空间回归需要配合 GeoDa、R 或 Python
ArcGIS Pro	遥感处理、空间统计、热点分析、回归诊断	工具链完整，适合项目生产环境	部分高级工具需要扩展许可
GeoDa	Moran’s I、空间权重矩阵、空间回归	上手快，适合空间计量入门	数据清洗和栅格处理能力较弱
Python	批量处理、可复现实验、空间回归建模	适合自动化和论文复现，可用 geopandas、rasterio、libpysal、spreg	需要一定编程基础，环境配置要稳定
Google Earth Engine	大范围遥感数据获取和批量计算	适合多时相、多城市遥感处理	空间回归通常还需导出到 Python、R 或 GeoDa

如果你是 GIS 初学者，推荐组合是：QGIS 做影像预处理和区域统计，GeoDa 做空间权重、Moran’s I 和空间回归。如果你需要批量处理多个城市或多期影像，建议使用 Python 或 Google Earth Engine。

检查清单：做热岛与NDVI空间回归前先核对这些项

• 研究区边界是否明确，是否包含大量无关郊区或水域？
• 遥感影像是否少云，时间是否符合热岛研究场景？
• NDVI 计算波段是否选对，值域是否正常？
• LST 是否经过正确反演或使用可靠的官方产品？
• 所有数据是否统一坐标系、分辨率和范围？
• 是否对水体、云、阴影和异常值做了处理？
• 分析单元是否合理，网格尺度是否与研究问题匹配？
• 是否先做 LST 和 NDVI 的地图、散点图和相关分析？
• 是否构建并说明了空间权重矩阵？
• OLS 残差 Moran’s I 是否检查？
• 空间滞后模型和空间误差模型是否根据诊断结果选择？
• 结果解释是否包含系数方向、大小、显著性和空间参数？

实务建议：如果只是课程作业，可以完成 NDVI、LST、相关分析和 OLS 回归；如果是论文或正式报告，最好加入 Moran’s I、空间权重矩阵和空间回归模型诊断。

FAQ：热岛与NDVI空间回归分析常见问题

1. 热岛与NDVI一定是负相关吗？

不一定。多数城市夏季研究中，NDVI 与地表温度通常呈负相关，但在水体、山地、农田、阴影区或季节变化明显的地区，关系可能变弱甚至出现局部异常。建议结合土地利用类型分组分析。

2. 只用NDVI解释城市热岛够不够？

通常不够。NDVI 能反映植被覆盖，但城市热岛还受不透水面、建筑密度、道路、人口活动、水体、高程和风环境影响。更稳妥的模型应至少加入建筑指数或土地利用变量作为控制变量。

3. 空间回归分析一定比普通OLS好吗？

不是。空间回归适用于存在空间自相关的情况。如果 OLS 残差没有明显空间自相关，普通回归可能已经足够。正确做法是先做 OLS，再根据 Moran’s I 和 LM 检验决定是否使用空间模型。

4. 网格尺度选多大比较合适？

没有固定答案。常见尺度有 250 米、500 米和 1 公里。尺度太小会增加噪声，尺度太大会掩盖局部差异。建议结合遥感分辨率、城市尺度和研究目标选择，并在条件允许时做尺度敏感性分析。

5. 用街道行政区做空间回归可以吗？

可以，但要注意行政区面积差异和边界形状差异。面积过大的街道可能掩盖内部热岛差异，面积过小的单元可能受像元误差影响。若研究目标是城市内部热环境格局，规则网格往往更稳定。

6. NDVI和NDBI可以同时放进模型吗？

可以，但要检查多重共线性。NDVI 和 NDBI 在城市区域可能存在较强负相关。如果共线性严重，系数会不稳定。可以通过 VIF 指标、相关矩阵或变量筛选来判断。

7. Moran’s I显著说明什么？

Moran’s I 显著说明变量或残差存在空间聚集，不是随机分布。如果 LST 的 Moran’s I 显著，表示高温区或低温区有空间集聚；如果 OLS 残差 Moran’s I 显著，说明普通回归可能遗漏了空间结构。

8. 空间滞后模型和空间误差模型怎么选？

可以先看理论含义，再看诊断指标。如果认为邻近区域温度会相互影响，可考虑空间滞后模型；如果认为遗漏变量导致残差空间相关，可考虑空间误差模型。实际操作中可结合 LM-Lag、LM-Error 和 Robust LM 检验判断。

结论：热岛与NDVI关系要用“遥感提取+空间诊断+回归解释”来回答

回答“热岛与NDVI有啥关系?空间回归分析咋做?”，不能只停留在相关系数。更可靠的流程是：计算 NDVI 和地表温度，统一分析单元，探索变量关系，构建空间权重矩阵，先做 OLS，再根据空间自相关诊断选择空间滞后模型或空间误差模型。

一般情况下，NDVI 增加会降低地表温度，说明植被对缓解城市热岛有积极作用。但这个结论是否稳定，还要看研究区类型、季节、尺度、控制变量和空间模型结果。对于 GIS 学习者来说，掌握这套流程，比单纯会点一个工具按钮更重要。

如果你正在做课程论文、毕业设计或城市热环境项目，可以先用 QGIS 完成 NDVI 和 LST 的栅格处理，再用 GeoDa 或 Python 做 Moran’s I 与空间回归。这样得到的结论更容易解释，也更符合空间数据分析的基本逻辑。