三亞市熱異常遙感監測數據集

三亞市熱異常遙感監測數據集
作者：孟慶岩　谷艷春　郝麗春　胡蝶　張穎　張琳琳
2019年5月16日

本作品收錄於《中國科學數據》

孟慶岩, 谷艷春, 郝麗春, 等. 三亞市熱異常遙感監測數據集[J/OL]. 中國科學數據, 2019, 4(2). (2019-04-23). DOI: 10.11922/csdata.2018.0077.zh.

摘要&關鍵詞

摘要：針對三亞市熱異常問題，本文以2008–2017年Landsat數據為主要數據源，基於輻射方程傳輸法反演地表溫度和改進的箱線圖法提取高溫異常區，進行高溫異常區頻率統計，將頻率大於60%的高溫異常區判定為城市熱異常區，得到10年間城市熱污異常區。本數據集可應用在其他城市，進行多區域城市熱異常區提取，從而發揮更高的應用價值。

關鍵詞：熱異常；輻射方程傳輸法；改進的箱線圖法；高溫異常區頻率

Abstract & Keywords

Abstract: Aiming at the problem of thermal anomaly in Sanya, this paper takes Landsat data from 2008 to 2017 as the main data source, extracts the high temperature anomaly area based on the radiation equation transfer method and the improved box-plot method, carries out frequency statistics of the high temperature anomaly area, determines the high temperature anomaly area whose frequency is more than 60% as the urban thermal anomaly area, and obtains 10-year urban thermal pollution anomaly area. This data set can be applied to other cities to extract multi-regional urban thermal anomaly areas, so as to play a higher application value.

Keywords: thermal anomaly  ; radiation tra; fer equation; modified boxp; t method; frequency of; e high-temperature anomaly area

數據庫（集）基本信息簡介

數據庫（集）名稱	三亞市熱異常遙感監測數據集
數據作者	孟慶岩、谷艷春、郝麗春、胡蝶、張穎、張琳琳
數據通信作者	孟慶岩（mengqy@radi.ac.cn）
數據時間範圍	2008–2017年
地理區域	三亞市（18°09′34″–18°37′27″N、108°56′30″–109°48′28″E）
空間分辨率	Landsat 5：30/120 m Landsat 7：30/60 m Landsat 8：30/100 m
數據量	4.05 MB
數據格式	*.vsdx,*.jpg,*.png, *.py, *.shp
數據服務系統網址	http://www.sciencedb.cn/dataSet/handle/700
基金項目	海南省自然科學基金（417219）；海南省重大科技計劃（ZDKJ2016021）；四川省科技計劃（2018JZ0054）；海南省重大科技計劃（ZDKJ2017009）。
數據庫（集）組成	本數據集主要包括7個文件夾，每個文件夾的內含文件格式和命名方式如下： 1. 封面圖文件夾：內含命名為封面圖*.jpg格式的數據； 2. 三亞市邊界圖文件夾示意圖：內含格式為*.jpg的三亞市邊界示意圖數據； 3. 數據處理流程圖文件夾：內含命名為數據處理流程圖*.vsdx格式的數據； 4. 2008–2017年三亞市年度熱異常提取結果圖文件夾：內含2008–2017年*.png格式的逐年三亞市年度熱異常提取結果圖； 5. 2008–2017年三亞市年度熱異常提取結果元數據文件夾：內含2008–2017年*.shp格式的逐年三亞市年度熱異常提取結果元數據； 6. 代碼文件夾：內含本數據集處理流程用到的*.py格式代碼； 7. 三亞市矢量邊界文件夾：內含*.shp格式的三亞市邊界數據。

Dataset Profile

Title	Remote sensing data for urban thermal anomaly in Sanya City
Data corresponding author	Meng Qingyan (mengqy@radi.ac.cn)
Data authors	Meng Qingyan, Gu Yanchun, Hao Lichun, Hu Die, Zhang Ying, Zhang Linlin
Time range	2008–2017
Geographical scope	Sanya (18°09′34″–18°37′27″N, 108°56′30″–109°48′28″E)
Spatial resolution	Landsat 5：30/120 m Landsat 7：30/60 m Landsat 8：30/100 m
Data volume	4.05 MB
Data format	*.vsdx,*.jpg,*.png, *.py, *.shp
Data service system	<http://www.sciencedb.cn/dataSet/handle/700>
Sources of funding	Natural Science Foundation of Hainan Province (417219); Major Science and Technology Program of Hainan Province (ZDKJ2016021); Science and Technology Program of Sichuan Province (2018JZ0054); Major Science and Technology Program of Hainan Province (ZDKJ2017009).
Dataset composition	This data set mainly includes seven folders comprised of the following: 1. Cover Map Folder: It contains data named Cover Map*.jpg format; 2. Sanya City Boundary Map Folder: Contains the boundary map data of Sanya City with the format *.jpg; 3. Data Processing Flow Chart Folder: It contains data named Data Processing Flow Chart*. vsdx format; 4. The folder of annual thermal anomaly extraction results of Sanya City from 2008 to 2017: annual thermal anomaly extraction results of Sanya City in 2008-2017*.png format; 5. Metadata folder of annual thermal anomaly extraction results in Sanya City from 2008 to 2017: metadata of annual thermal anomaly extraction results in Sanya City in 2008-2017*.shp format; 6. Code folder: contains the *.py format code used in the data processing process; 7. Sanya Vector Boundary Folder: Sanya City Boundary Data with *. SHP format.

引 言

熱異常是指由自然因素和人類活動中的熱排放導致環境溫度異常升高的現象^[1]。城鎮化進程的快速推進可帶動經濟發展，但同時也對水資源、局部氣候、生存環境等產生了一系列負面效應。據統計，近100 a來，全球的年平均氣溫上升了0.7–1℃，而大城市的平均氣溫則上升了2–3℃，北京、上海、東京等世界性大都市的年均氣溫比郊區高出2℃，夏季高出6℃左右^[2]。與物質污染帶給環境的影響不同的是，物質污染是由污染物引起的，可以通過具體方法和措施得到控制，而熱異常則不同，它主要來源於熱源，有能源消耗則會產生熱異常^[3]。因此，熱異常是不可避免的。針對此類現象，國內外學者已經做了大量探索和研究，例如Wu和Chen等通過監測不同地區的核電站熱流排放情況評估熱異常強度和對周邊環境的影響^[4][5]。Liu和Xia等基於熱異常產品，通過利用不同方式提取工業熱源^[6][7]；Zhang等利用Landsat數據對首鋼搬遷前後的熱環境進行探索和分析^[8]。還有一部分學者利用城市熱島強度與氣溫間的關係評估城市熱異常^[9][10]。可見，熱異常已被人們廣泛關注，並成為研究熱點。但以往關於熱異常的大量文獻多針對工業城市，或有工業污染的地方，針對非工業城市的熱異常研究還較少。而熱異常不僅存在於工業城市，還存在於非工業城市。因此，針對非工業城市，如何有效快速提取熱異常區，如何緩解改善熱異常具有重要研究意義。

三亞市作為我國唯一一個熱帶濱海旅遊城市，其生態環境保護尤顯重要。恰逢海南省推進「國際旅遊島」建設，作為海南旅遊發展龍頭的三亞正以國際化標準致力於打造「一港兩地」的國際性濱海旅遊城市。但伴隨着三亞市城鎮化的不斷發展，城市熱異常對城市環境的影響日益突出。因此，針對三亞城市建設和區域、環境、植被等特點，開展具有針對性的城市熱異常研究，對三亞城市建設、規劃布局、環境保護均具有重要意義。

綜上，針對如何監測三亞市熱異常區，並提取熱異常區等問題，本文基於長時間序列的Landsat數據，利用輻射方程傳輸法獲取地表溫度信息，結合改進的箱線圖法提取相應高溫異常區，通過統計分析高溫異常區的年度出現頻率，得到城市熱異常區。該方法不僅能夠準確大面積獲取城市熱異常區，且相較於其他方法，可以有效避免潛在熱異常的影響。

1 數據採集和處理方法

1.1 區域範圍

三亞市位於北緯18°09′34″–18°37′27″，東經108°56′30″–109°48′28″，地處海南省最南端，主要以旅遊業和農業為主，是海南省第二大城市。作為海南省最重要的旅遊城市之一，其城市環境一直是廣大群眾關注的熱點。但隨着城市的不斷發展與擴張，城市熱異常現象日益加劇，因此，選取三亞市市轄區作為研究區，研究示意圖如圖1所示。

圖片

圖1 三亞市邊界示意圖

1.2 基礎數據準備

本文以2008–2017年間所有雲量小於30%的Landsat 5、Landsat 7和Landsat 8數據為主要數據源（獲取網址：https://glovis.usgs.gov）。本文温度反演所用到的波段及其空间分辨率如表1所示，其中，因Band11运行出现问题文中Landsat 8溫度反演用到的是波段10。表2為本文所用影像的具體時間信息。

表1 溫度反演所用波段信息

數據源	所用波段	空間分辨率/m
Landsat 5	Band3	30
	Band4	30
	Band6	120
Landsat 7	Band3	30
	Band4	30
	Band6	60
Landsat 8	Band4	30
	Band5	30
	Band10	100

表2 數據集所用影像日期

年份	影像獲取日期
2008年	20080419、20081028、20081113、20081129、20081215
2009年	20090820、20091210
2010年	20110316、20100706、20100714、20101026、20101127、20101213
2011年	20111021
2012年	20120321、20120913、201209220121015
2013年	20130519、20130620、20130924、20131010
2014年	20140114、20140420、20140924、20141013、20141114
2015年	20150407
2016年	20160308、20160916、20161103、20161221
2017年	20170106、20170122、20170311、20170701、20170802、20171021、20171208、20171224

1.3 數據處理

首先對Landsat數據進行拼接、裁剪、重投影等數據預處理。其中Landsat 7 ETM+影像因有條帶，需在數據預處理基礎上再進行去條帶處理。其次用輻射方程傳輸法反演地表溫度和改進的箱線圖法提取高溫異常區，得到高溫異常區空間分布圖。最後，為避免漏判現象，借鑑Liu等^[7]提取工業熱源的思路，以頻率大於60%為熱異常區的標準統計分析熱異常出現的頻率，得到高溫異常區頻率空間分布圖。同時，統計城市熱異常區的總面積，具體數據處理流程如圖2所示。

圖片

圖2 數據處理流程圖

1.3.1 地表溫度反演

基於Landsat衛星影像，根據Landsat數據熱紅外波段的增益值與偏置值計算相應表觀輻射亮度值；然後，利用影像植被覆蓋度估算地表比輻射率；最後，根據Planck反函數和Landsat預設的定標係數計算地表溫度。具體實現如下：

（1）表觀輻亮度計算

表觀輻亮度計算是將影像像元灰度值轉換成相應熱輻射強度的過程。利用ENVI軟件中的輻射定標（Radiometric Calibration）工具將影像的像元灰度值轉換為輻射亮度值。

（2）地表比輻射率估算

地表比輻射率表徵地面物體的電磁波輻射的一種能力。基於影像的近紅外波段和紅光波段，根據公式（1）計算歸一化植被指數NDVI^[11] 。 \[NDVI=\left({TM}_{\mathrm{N}\mathrm{I}\mathrm{R}}TM}_{\mathrm{R}\mathrm{e}\mathrm{d}}\right)/\left({TM}_{\mathrm{N}\mathrm{I}\mathrm{R}}+{TM}_{\mathrm{R}\mathrm{e}\mathrm{d}}\right)\]（1） 式中：\({TM}_{\mathrm{N}\mathrm{I}\mathrm{R}}\)为影像的近红外波段反射率；\({TM}_{\mathrm{R}\mathrm{e}\mathrm{d}}\)为影像的红光波段反射率。

其次，利用影像植被覆盖度估算地表比辐射率。由于地表物质结构具有差异性，因此针对不同地物类型，其相应的地表比辐射率计算方式也不同。大致可分为3种类型：水体、城镇和自然表面。而水体像元的地表比辐射率很高，与黑体的比辐射率较为相似，因此，在估算水体比辐射率时常被赋值为0.995，自然表面和城镇像元的地表比辐射率估算分别根据公式（2）和公式（3）计算^[12][13]： \[{e}_{\mathrm{S}\mathrm{u}\mathrm{r}\mathrm{f}\mathrm{a}\mathrm{c}\mathrm{e}}=0.9625+0.0614{P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}0.0461{{P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}}^{2}\]（2）\[{e}_{\mathrm{B}\mathrm{u}\mathrm{i}\mathrm{l}\mathrm{d}\mathrm{i}\mathrm{n}\mathrm{g}}=0.9589+0.086{P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}-0.0671{{P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}}^{2}\]（3） 式中：\({e}_{\mathrm{S}\mathrm{u}\mathrm{r}\mathrm{f}\mathrm{a}\mathrm{c}\mathrm{e}}\)代表自然表面像元的地表比輻射率；\({e}_{\mathrm{B}\mathrm{u}\mathrm{i}\mathrm{l}\mathrm{d}\mathrm{i}\mathrm{n}\mathrm{g}}\)代表城鎮像元的地表比輻射率；\({P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}\)代表植被覆蓋度，計算方法如公式（4）所示^[14][15]： \[{P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}={\left[\frac{NDVINDVI}_{\mathrm{S}\mathrm{o}\mathrm{i}\mathrm{l}}}{{NDVI}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}{NDVI}_{\mathrm{S}\mathrm{o}\mathrm{i}\mathrm{l}}}\right]}^{2}\]（4） 式中：\(NDVI\)是影像的歸一化植被指數，\({NDVI}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}\)是影像中純植被像元的NDVI值，\({NDVI}_{\mathrm{S}\mathrm{o}\mathrm{i}\mathrm{l}}\)是影像中純土壤像元的NDVI值。當某個像元的\(NDVI\)大於0.70時，\({P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}\)取值為1；當\(NDVI\)小於0.05時，\({P}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}\)取值為0；當\(NDVI\)介於0.05–0.7之間時，則分別將\({NDVI}_{\mathrm{V}\mathrm{e}\mathrm{g}\mathrm{e}}\)和\({NDVI}_{\mathrm{S}\mathrm{o}\mathrm{i}\mathrm{l}}\)取值0.70和0.05，並利用上式估算影像的植被覆蓋度。

（3）地表溫度計算

基於熱紅外波段的表觀輻亮度和地表比輻射率計算結果，根據輻射傳輸方程反推地表熱輻射亮度，如公式（5）所示： \[B\left({T}_{\mathrm{S}\mathrm{e}\mathrm{n}\mathrm{s}}\right)=\frac{LL}^{↑\tau \left(1-\epsilon \right){L}_{↓}}{\tau \epsilon }\]（5） 式中：\(B\left({T}_{\mathrm{S}\mathrm{e}\mathrm{n}\mathrm{s}}\right)\)是地表熱輻射亮度；L是行星亮度溫度值；\({L}^{↑}\)和\({L}_{↓}\)分別是大氣上行輻射和大氣下行輻射，可根據Landsat衛星過境時間、興趣區中心經緯度、大氣模式及傳感器類型等獲得，具體參數可通過NASA相關網頁直接獲得（http://atmcorr.gsfc.nasa.gov/）；\(\tau \)為大氣路徑透過率，可由NASA相關網頁查詢獲取；\(\epsilon \)為地表比輻射率。

利用Plank反函數結合Landsat預設的定標常數K1 和K2 計算地表真實溫度^[16][17]，如公式（6）所示： \[{T}_{\mathrm{S}\mathrm{u}\mathrm{r}\mathrm{f}\mathrm{a}\mathrm{c}\mathrm{e}}=\frac{{K}_{2}}{\mathrm{ln}\left(\frac{{K}_{1}}{\mathrm{B}\left({\mathrm{T}}_{\mathrm{S}\mathrm{e}\mathrm{n}\mathrm{s}}\right)}+1\right)}-273.15\]（6） 式中：\({T}_{\mathrm{S}\mathrm{u}\mathrm{r}\mathrm{f}\mathrm{a}\mathrm{c}\mathrm{e}}\)是地表真實溫度；\({K}_{1}\)和\({K}_{2}\)為Landsat預設的定標常數，可從影像頭文件中獲取。

為避免多時相數據帶來的影響，將多時相地表溫度數據逐像元進行歸一化處理，具體實現如公式（7）所示： \[Image=\frac{XX}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{X}_{\mathrm{m}\mathrm{a}\mathrm{x}{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}\]（7） 式中：\(Image\)代表歸一化處理後的影像像元值，像元值處於0到1之間；\(X\)代表影像地表溫度值；\({X}_{\mathrm{m}\mathrm{a}\mathrm{x}}\)和\({X}_{\mathrm{m}\mathrm{i}\mathrm{n}}\)分別代表影像地表溫度的最大值與最小值。

1.3.2 基於改進的箱線圖法提取熱異常

改進的箱線圖法共有5個統計量，分別為上下四分位數、上下非異常值截距線及中位數。其中，上下非異常值截距線用於區分正常值與異常值，處於非異常值截距線之內的數據為正常值，否則為異常值。該方法與統計學中最常見的箱線圖法不同之處主要有兩點：一是引入鮑利係數，將鮑利係數以「1」的形式作為樣本數據的偏度調控乘數。當數據集是正態分布時，鮑利係數集中在0附近，當數據是右偏態分布時，鮑利係數取值為1；當數據是左偏態時，鮑利係數取值為−1。二是利用半四分位距計算非異常值截距線，可以更好地適用於具有偏態的數據^[18]。該方法的具體實現如下：

（1）獲取上下四分位數以及半四分位距

通過IDL程序逐像元獲取地表溫度數據，然後利用SPSS軟件獲取相應數據的上下四分位數和中位數，即將數據從小到大排序後，分別處於25%、50%和75%位置的數值。

之後，基於根據四分位數相應的數值，利用EXCEL軟件計算上下半四分位距，如公式（8）和公式（9）所示^[19]： \[{SIQR}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}={Q}_{2}Q}_{1}\]（8）\[{SIQR}_{\mathrm{u}\mathrm{p}}={Q}_{3{Q}_{2}\]（9） 式中：\({SIQR}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}\)和\({SIQR}_{\mathrm{u}\mathrm{p}}\)分別為箱體長度的上下界限，即改進的箱線圖的上下半四分位距；\({Q}_{1}\)、\({Q}_{2}\)和\({Q}_{3}\)分別為樣本數據的上四分位數、中位數和下四分位數。

（2）計算非異常值截距線

非異常值截距線包括非異常最大值截距線和非異常最小值截距線，用來判定樣本數據是否為異常值。用非異常最大值截距線作為是否是熱異常值的判斷依據，若樣本數據超出此值，則判定其為熱異常值，即可能存在熱異常現象。樣本數據偏離極端異常值截距線外側越遠，說明其熱異常現象就越嚴重。其實現過程如公式（10）、公式（11）和公式（12）所示： \[{B}_{\mathrm{c}}=\frac{{SIQR}_{\mathrm{u}\mathrm{p}}-{SIQR}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}}{{SIQR}_{\mathrm{u}\mathrm{p}}+{SIQR}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{m}}}\]（10） 式中：Bc 是鮑利係數，介於−1到1之間；\({SIQR}_{\mathrm{u}\mathrm{p}}\)和\({SIQR}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{m}}\)分別為箱體的上下半四分位距。 \[{f}_{\mathrm{u}\mathrm{p}}={Q}_{3}+1.5×IQR×\left(\frac{1+{B}_{\mathrm{c}}}{1B}_{\mathrm{c}}}\right)\]（11）\[{f}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}={Q}_{11.5×IQR×\left(\frac{1-{B}_{\mathrm{c}}}{1+{B}_{\mathrm{c}}}\right)\]（12） 式中：\({f}_{\mathrm{u}\mathrm{p}}\)和\({f}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}\)分別為箱體的非異常最大值截距線和非異常最小值截距線，當樣本數據集中某一數據大於\({f}_{\mathrm{u}\mathrm{p}}\)時，則歸為熱異常值；當樣本數據集中某一數據小於\({f}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}\)時，則歸為冷異常值。

最後，利用ArcGIS軟件逐像元篩選大於非異常最大值截距線的值。

1.3.3 基於熱異常頻率提取熱異常區

熱異常區的地表溫度往往高於周邊地表溫度，形成局部熱島現象，且其出現的頻率一般大於由其他因素引起的熱異常出現的頻率。因此，基於熱異常提取結果，統計分析年度熱異常區出現的頻率。為避免漏判現象，當某一熱異常區出現的頻率大於60%時，則判定為城市熱異常區，具體實現如公式（13）所示： \[{f}_{\mathrm{l}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}=\frac{{i}_{\mathrm{l}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}}{{n}_{\mathrm{l}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}}\]（13） 式中：\({f}_{\mathrm{l}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}\)代表熱異常出現的頻率；\({i}_{\mathrm{l}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}\)代表局部某一熱異常區一年出現的次數；\({n}_{\mathrm{l}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}\)代表一年中整體熱異常區出現的總次數。

為進一步探究城市熱異常區的分布範圍，統計分析2008–2017年熱異常出現的頻率，將提取頻率大於60%的區域作為這10 a的城市熱異常區，具體實現如公式（14）所示： \[{f}_{\mathrm{g}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}}=\frac{{i}_{\mathrm{g}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}}}{{n}_{\mathrm{g}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}}}\]（14） 式中：\({f}_{\mathrm{g}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}}\)代表10 a中熱異常出現的頻率；\({i}_{\mathrm{g}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}}\)代表局部某一熱異常區10年中出現的總次數；\({n}_{\mathrm{g}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}}\)代表10年中整體熱異常區出現的總次數，即取值為10。

2 數據樣本描述

使用上述步驟完成2008–2017年三亞熱異常空間分布產品數據集，圖3是三亞市10 a熱異常區空間分布產品示例圖。

圖3 2008–2017年三亞市熱異常區空間分布結果圖

None	None
None	None
（c）2010年	（d）2011年
None	None
（e）2012年	（f）2013年
None	None
None	None

3 數據質量控制

本數據集通過以下幾方面進行質量控制：

為驗證方法有效性，利用Google地球可以查看往年影像的優勢進行統計2008–2017年逐年工廠區總個數和改進的箱線圖法識別的工廠區個數及工廠區個數，以此間接驗證方法的可靠性。具體方法為：首先，在Google地球上逐年圈出工廠區並統計個數；其次，把改進的箱線圖法識別的熱異常轉為kmz格式數據，加載到Google地球里並逐年統計其在工廠區的個數；最後，一個工廠區包含一個或多個工廠，將改進的箱線圖法識別出的工廠統計到所屬工廠區，統計工廠區個數，該工廠區個數與Google地球里圈出的工廠區個數之比為精度。由於有些工廠停產或排放的熱量不足以達到熱異常的範圍，或某些人為原因致使小領域溫度達到熱異常範圍，以及人工判讀工廠的誤差，都會影響最終精度，其具體逐年精度如表3。

表3 2008–2017年三亞市熱異常區提取精度表

年份	識別個數	識別區數	工廠區個數	精度/（%）
2008年	3	5	6	83.33
2009年	5	5	6	83.33
2010年	14	6	6	100
2011年	8	6	6	100
2012年	5	5	6	83.33
2013年	7	5	6	83.33
2014年	1	1	6	16.67
2015年	7	6	6	100
2016年	13	6	6	100
2017年	8	6	6	100

4 數據價值

本數據集以三亞市為研究區，基於長時間序列的Landsat數據，結合改進的箱線圖法進行熱異常提取的成果可為城市規劃與建設和生態質量評價等提供數據產品服務，為三亞市的居住環境舒適度提供參考標準。

此外，通過利用遙感技術對城市熱異常進行監測和評價，可有助於減輕城市發展對環境的壓力，促進環境保護和治理，為三亞國際島建設提供技術參考。該數據集的長時間序列城市熱異常產品和技術也可在其他城市中進行推廣和應用。

致 謝

感謝城市陸表環境團隊提供技術支撐服務，感謝USGS和中國空氣質量在線監測分析平台提供數據支撐服務。

參考文獻

1. 楊新興, 李世蓮, 尉鵬, 等. 環境中的熱污染及其危害[J]. 前沿科學, 2014, 8(3): 14-26.
2. 曲辰. 酷暑的反思——解讀城市熱污染[J]. 環境導報, 2003(19): 18-18.
3. 郭桂香, 陳東威. 認識熱污染問題[J]. 環境保護, 1994(5): 35-37.
4. Chen C Q, Shi P, Mao Q W. Application of Remote Sensing Techniques for Monitoring the Thermal Pollution of Cooling-Water Discharge from Nuclear Power Plant[J]. Environmental Letters, 2003, 38(8): 10.
5. WU C , WANG Q , YANG Z , et al. Monitoring heated water pollution of the DaYaWan nuclear power plant using TM images[J]. International Journal of Remote Sensing, 2007, 28(5): 885-890.
6. XIA H, CHEN Y, QUAN J. A simple meathod based on the thermal anomaly index to detect industrial heat sources[J]. International Journal of Applied Earth Observation & Geoinformation 2018 (73): 627-637.
7. ^ ^{7.0 7.1} LIU Y, HU C, ZHAN W, et al. Identifying industrial heat sources using time-series of the VIIRS Nightfire product with an object-oriented approach[J]. Remote Sensing of Environment, 2017: S0034425717304820.
8. ZHANG L , MENG Q , SUN Z , et al. Spatial and temporal analysis of the mitigating effects of industrial relocation on the surface urban heat island over China[J]. ISPRS International Journal of Geo-Information, 2017, 6(121): 121.
9. YANG X , LEUNG L R , ZHAO N , et al. Contribution of urbanization to the increase of extreme heat events in an urban agglomeration in east China[J]. Geophysical Research Letters, 2017, 44. DOI: 10.1002/2017GL074084.
10. MURATA A , SASAKI H , HANAFUSA M , et al. Estimation of urban heat island intensity using biases in surface air temperature simulated by a nonhydrostatic regional climate model[J]. Theoretical & Applied Climatology, 2013, 112(1-2): 351-361.
11. 趙英時. 遙感應用分析原理與方法[M]. 北京: 科學出版社, 2003.
12. 鄧書斌. ENVI遙感圖像處理方法. 第2版[M]. 北京: 高等教育出版社, 2014.
13. 覃志豪, 李文娟, 徐斌, 等. 陸地衛星TM6波段範圍內地表比輻射率的估計[J]. 國土資源遙感, 2004, 16(3): 28-32.
14. CARLSON T N , RIPLEY D A . On the relation between NDVI, fractional vegetation cover, and leaf area index[J]. Remote Sensing of Environment, 1997, 62(3): 241-252.
15. SOBRINO J A , JIMENEZ-MUOZ J C , SORIA G , et al. Land surface emissivity retrieval from different VNIR and TIR sensors[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(2): 316-327.
16. CHANDER G, MARKHAM B. Revised landsat-5 tm radiometric calibration procedures and postcalibration dynamic ranges[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(11): 2674-2677.
17. JIMENEZMUNOZ J C , CRISTOBAL J , SOBRINO J A, et al. Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009 47(1): 339-349.
18. WALKER M L , DOVOEDO Y H , CHAKRABORTI S , et al. An improved boxplot for univariate data[J]. American Statistician, 2018: 1-13.
19. HUBERT M, VANDERVIEREN E. An adjusted boxplot for skewed distributions[J]. Computational Statistics & Data Analysis, 2004, 52(12): 5186-5201.

數據引用格式

孟慶岩, 谷艷春, 郝麗春, 等. 三亞市熱異常遙感監測數據集[DB/OL]. Science Data Bank, 2018. (2019-03-23). DOI: 10.11922/sciencedb.700.