江城大学环境科学与工程学院

硕士学位论文答辩

多源遥感融合的城市热岛
精细化评估方法研究

A Fine-scale Assessment Framework for Urban Heat Islands
via Multi-source Remote Sensing Fusion

答辩人: 林知远
指导教师: 周明川教授
学科专业: 环境科学与工程
答辩日期: 2026 年 5 月

§CONTENTS

汇报提纲

1
绪论
研究背景与意义 · 国内外研究现状 · 研究问题与技术路线
03
2
研究区与数据
研究区概况 · 多源数据与预处理
06
3
模型方法
MSTF-Net 框架 · 跨源注意力 · 辐射守恒约束
07
4
实验与结果
实验设计 · 精度对比 · 空间格局
08
5
结论与展望
主要结论 · 创新点 · 不足与展望
11
6
致谢
致谢 · 主要参考文献
12

1.1研究背景与意义

热岛风险持续上升，而单一传感器难以兼顾“看得细”与“看得勤”

背景Background

+1.3 °C中心城区夏季平均热岛强度
20 年增幅（2005—2025）

热岛强度由 2.8 °C 升至 4.1 °C[2]；35 °C 以上高温日数年均增加 11.8 d，热相关健康风险显著上升[12]。

问题Gap

热红外影像空间分辨率 100 m，但重访周期长达 16 d；逐日产品每天可得，却只有 1 km[3]。街区尺度的热岛日变化“看不清、追不上”。

意义Significance

理论上，构建跨尺度物理一致的多源融合框架；实践上，为通风廊道、绿地布局与高温预警提供精细依据。

研究目标

融合多源遥感，生成物理一致的 30 m 逐日地表温度，实现城市热岛的精细化评估。

图 1-1主要热红外数据源的空间—时间分辨率权衡（对数坐标）

1.2国内外研究现状

从单源反演到深度融合：二十年研究脉络与三处缺口

国际研究国内研究

单源反演

统计降尺度

时空融合

深度学习融合

本文 2026

2004HARTWELL 等

单通道算法反演城市地表温度，揭示热岛日变化[1]

2009OSTERGAARD 等

植被指数回归驱动的热红外影像锐化[3]

2013VALDERRAMA 等

相似像元加权的时空自适应融合 WSTF[5]

2019KESSLER 等

双流卷积网络端到端时空融合[8]

2023ARANDA 等

窗口注意力 Transformer 全天候融合[10]

2007陈立衡等

构建热岛强度指数，量化城市扩张影响[2]

2012宋雨辰等

回归克里金地表温度降尺度 RK-DS[4]

2016何晓岚等

顾及混合像元分解的融合模型 UBF[7]

2020郑屿等

建筑三维形态对街区热环境的影响机制[9]

2024本课题组

物理约束深度降尺度的初步探索[11]

研究评述Research gaps

①物理一致性不足

深度融合多以像元误差为目标，结果聚合后与粗尺度观测不闭合[8][10]。

②城市形态刻画弱

建筑高度、天空开阔度等三维形态因子尚未系统纳入融合模型[9]。

③街区尺度验证缺乏

验证多依赖影像自身，缺少高密度站点与移动观测的独立检验[6]。

1.3研究问题与技术路线

围绕三个科学问题，构建“数据—模型—验证—应用”技术路线

Q1

融合如何保持跨尺度物理一致？

精细结果聚合回粗尺度后，辐射量应与原始观测守恒。

→ 第 3 章 · 辐射守恒约束

Q2

如何刻画城市三维形态的热异质性？

建筑高度、密度与天空开阔度决定街区尺度的温度差异。

→ 第 2、3 章 · 形态因子

Q3

精细结果能否揭示可用于规划的格局？

以站点与移动观测独立验证，并识别热点与冷岛缓冲带。

→ 第 4 章 · 验证与格局分析

数据与预处理第2章

模型构建第3章

验证应用第4章

地面观测42 站 · 移动观测

热红外影像TIR · 100 m · 16 d

逐日 LST 产品1 km · 每日 2 次

多光谱影像MSI · 10 m · 5 d

建筑矢量18.6 万栋 · 高度

LST 反演与云掩膜单通道算法 · 质量控制

配准与重采样统一投影 · 30 m 网格

多源特征提取NDVI · NDBI · 建筑高度 · SVF

MSTF-Net 多源时空融合网络

多尺度编码→跨源注意力融合→物理约束解码

精度验证方法对比 · 消融实验 · 泛化检验

30 m 逐日 LST 数据集2018—2025 年 6—9 月

热岛格局分析强度分级 · 热点识别 · 冷岛效应

独立验证数据 Q1 Q2 Q3

图 1-3论文技术路线

2.1研究区与数据

江城市中心城区：一江穿城，五类数据覆盖 2018—2025 年夏季

中心城区边界建成区水体气象站（42）移动观测路线

图 2-1研究区范围与地面观测布设示意

表 2-1多源数据概况

数据	空间分辨率	时间分辨率	时段 · 数量	用途
热红外影像TIR	100 m重采样至 30 m	16 d	64 景晴空，2018—2025	精细 LST 参考
逐日 LST 产品LST-D	1 km	每日 2 次10:30 / 22:30	5 844 景	粗尺度时序输入
多光谱影像MSI	10 m	5 d	212 景	光谱指数
建筑矢量BLD	矢量	2022 年	18.6 万栋	密度 · 高度 · SVF
地面观测OBS	42 站 + 2 条路线	10 min	2023—2025	独立验证

756km²中心城区面积

488km²建成区面积

612万人常住人口

28.6°C6—8 月平均气温

3.1方法 · 模型框架

MSTF-Net：以粗尺度为查询的跨源注意力，加辐射守恒约束

图 3-1MSTF-Net 网络结构示意

跨源注意力融合CROSS-SOURCE ATTENTION

A=softmax( QK^Td )V (3-1)

以粗尺度特征为查询 Q = F_cW_Q，精细与辅助特征拼接后为键 K、值 V；d 为特征维度。

辐射守恒约束RADIANCE CONSERVATION

L_phy= 1N Σj ( 1|Ω_j| Σi∈Ω_j T⁴_i )1/4 −T^c_j (3-2)

Ω_j 为粗像元 j 内的 30 m 像元集合。地表辐射与温度四次方成正比，故精细结果聚合后须与观测 T^c_j 守恒。

总体损失OBJECTIVE

L=L_rec+λ₁L_phy+λ₂L_grad (3-3)

L_rec 为像元重建误差，L_grad 约束边缘梯度；取 λ₁ = 0.5，λ₂ = 0.1（见表 4-1）。

4.1实验设计

5 种对比方法、3 组实验、24 个独立测试日

表 4-1MSTF-Net 训练参数设置

参数	设置
输入块大小	64 × 64 像元（30 m）
批大小	16
优化器	Adam（β₁ = 0.9，β₂ = 0.999）
初始学习率	1 × 10⁻⁴，余弦退火
训练轮数	200（早停耐心值 20）
损失权重	λ₁ = 0.5，λ₂ = 0.1
数据划分（按日期）	训练 34 / 验证 6 / 测试 24 景

表 4-2对比方法

方法	类别	核心思想	文献
RK-DS	统计降尺度	光谱指数回归 + 残差克里金	[4]
WSTF	时空融合	相似像元加权的时序变化预测	[5]
UBF	时空融合	线性解混 + 残差分配	[7]
CNN-STF	深度学习	双流卷积网络端到端融合	[8]
Trans-STF	深度学习	窗口注意力 Transformer 融合	[10]
MSTF-Net	本文	跨源注意力 + 辐射守恒约束	—

评价指标 · METRICS

RMSE= 1n nΣi = 1 (T_i−T_i)² (4-1)

另采用 MAE、决定系数 R² 与结构相似性 SSIM 评价数值精度与空间纹理保真度。

E1

精度对比

6 种方法 × 24 个测试日

E2

消融实验

去除辐射守恒约束 / 形态因子

E3

泛化检验

昼夜两时相 · 6—9 月逐月

4.2结果一 · 精度对比

MSTF-Net 误差最低：RMSE 1.21 K，较次优方法降低 23.4%

图 4-1各方法在 24 个测试日上的 RMSE（均值 ± 标准差）

表 4-3测试集定量评价结果

方法	RMSE / K ↓	MAE / K ↓	R² ↑	SSIM ↑	耗时 / s
RK-DS	2.86	2.19	0.712	0.684	41.2
WSTF	2.31	1.78	0.786	0.742	186.5
UBF	2.12	1.63	0.809	0.761	93.8
CNN-STF	1.74	1.32	0.861	0.823	3.6
Trans-STF	1.58	1.19	0.884	0.847	5.9
MSTF-Net（本文）	1.21	0.92	0.931	0.892	4.8
消融实验
− 辐射守恒约束	1.43	1.08	0.903	0.861	4.6
− 形态因子	1.37	1.04	0.912	0.870	4.5

注：加粗为对比方法中最优，下划线为次优；耗时为单景 30 m 全域推理时间。

去除辐射守恒约束后 RMSE 上升 0.22 K，大于去除形态因子的 0.16 K：物理约束是贡献最大的模块。

4.3结果二 · 空间格局

30 m 结果揭示 1 km 产品看不到的街区热点与沿江冷岛带

UHII / °C

2025-07-18 10:30 · 30 m

(a)1 km 逐日产品

(b)30 m 融合结果（本文）

1
老城核心热岛：峰值 +6.1 °C，放大区陆地均值 +4.2 °C；(a) 中 9 个像元抹平了街区差异。
2
沿江冷岛带：岸边降温可达 2 °C，影响范围约 600 m；(b) 中道路与公园清晰可辨。
3
一核多点：东北工业园（+3.8 °C）、西南新区（+3.4 °C）为次级热点。

图 4-2江城市中心城区地表热岛强度（UHII）空间格局与局部放大

5结论、创新点与不足

物理约束连接粗与细，让热岛评估从“看得见”走向“用得上”

主要结论Conclusions

1
辐射守恒约束使跨尺度偏差由 0.62 K 降至 0.11 K，测试集 RMSE 1.21 K，较次优方法降低 23.4%。回应 Q1
2
形态因子使 RMSE 再降 0.16 K，在高层建筑密集区改善最明显。回应 Q2
3
30 m 结果识别出老城核心热岛（峰值 +6.1 °C）、沿江冷岛带与两处次级热点。回应 Q3

创新点Contributions

①
方法：将辐射守恒作为可微约束嵌入深度融合网络，实现粗细尺度物理闭合。
②
特征：引入建筑高度、天空开阔度等三维形态因子，刻画街区尺度热异质性。
③
数据：生成 2018—2025 年夏季 30 m 逐日 LST 数据集，支撑精细化评估。

不足与展望Limitations

·
依赖晴空观测，多云条件下 RMSE 升至 1.86 K；拟引入被动微波数据补全。
·
郊区站点稀疏，验证集中于中心城区；拟扩展移动观测与众包气温数据。
·
仅在单一城市验证；后续将在不同气候区城市检验模型的迁移性。

一句话总结

以辐射守恒约束多源融合，得到物理一致、街区可辨、逐日可得的城市热岛评估结果。

§ACKNOWLEDGEMENTS & REFERENCES

致谢

衷心感谢导师周明川教授在选题、方法与写作上的悉心指导；感谢课题组罗允之老师与各位同门在野外观测中的帮助；感谢各位答辩委员在百忙之中拨冗评阅本文。

敬请各位老师
批评指正

答辩人　林知远
指导教师　周明川教授　·　2026 年 5 月

主要参考文献GB/T 7714—2015 · 共 87 篇，列出 12 篇 · 红色编号为本人成果

[1]HARTWELL K J, NOVAK P. Single-channel retrieval of urban land surface temperature and its diurnal heat island signature[J]. Journal of Thermal Earth Observation, 2004, 18(3): 215-229.
[2]陈立衡, 宋雨辰. 城市扩张背景下热岛强度指数的构建与时空演变[J]. 城市环境遥感学报, 2007, 11(5): 688-697.
[3]OSTERGAARD M, LINDQVIST A. Vegetation-index-driven sharpening of thermal imagery over heterogeneous urban surfaces[J]. Earth Observation & Urban Climate, 2009, 6(2): 101-114.
[4]宋雨辰, 何晓岚, 陈立衡. 基于回归克里金的城市地表温度降尺度方法[J]. 空间信息工程学刊, 2012, 35(4): 455-463.
[5]VALDERRAMA J, ASHFORD C. A weighted spatiotemporal adaptive fusion model for daily fine-resolution land surface temperature[J]. Journal of Thermal Earth Observation, 2013, 27(6): 1120-1134.
[6]BRANDT E, KOVAC S, ASHFORD C. Ground-truthing satellite urban heat islands: a multi-city mobile traverse campaign[J]. Urban Thermal Sensing Letters, 2015, 4(1): 33-47.
[7]何晓岚, 郑屿. 顾及混合像元分解的地表温度时空融合模型[J]. 城市环境遥感学报, 2016, 20(4): 612-623.
[8]KESSLER R, OYELARAN T, WINTERBOURNE D. Two-stream convolutional networks for spatiotemporal fusion of thermal infrared imagery[J]. Earth Observation & Urban Climate, 2019, 16(8): 2051-2066.
[9]郑屿, 罗允之, 周明川. 建筑三维形态对街区地表热环境的影响机制[J]. 人居环境地理学报, 2020, 39(2): 241-252.
[10]ARANDA L, KESSLER R. Window-attention transformers for all-weather land surface temperature fusion[J]. Journal of Thermal Earth Observation, 2023, 37(2): 388-404.
[11]周明川, 林知远, 罗允之. 物理约束深度学习在城市地表温度降尺度中的初步应用[C]//第十二届全国城市环境遥感学术会议论文集. 江城: 江城大学出版社, 2024: 87-95.
[12]林知远, 周明川. 面向城市热岛评估的多源遥感时空融合研究进展[J]. 江城大学学报（自然科学版）, 2025, 51(1): 1-12.