CN109358162A - 一种基于空间几何原理的新型遥感生态指数的构建方法 - Google Patents

Abstract

本发明涉及一种基于空间几何原理的新型遥感生态指数的构建方法，首先获取研究区包含红光、近红外和热红外波段的遥感数据并进行预处理，得到红光波段和近红外波段二维空间散点图；利用该散点图求出研究区域土壤线方程以及指示最干旱裸土的D点的表达式；接着计算垂直植被指数PVI、土壤湿度指数SMI、地表温度LST；然后以D点为原点，垂直植被指数PVI为x轴，土壤湿度指数SMI为y轴，地表温度LST为z轴构建一个三维特征空间；最后计算基于植被‑土壤湿度‑温度的遥感生态指数VMTEI。本发明既考虑了与生态相关的多个指标，又通过引入空间几何原理消除了多指标加权集成的不合理性，有效地提高了生态指数VMTEI的物理意义。

Description

一种基于空间几何原理的新型遥感生态指数的构建方法

技术领域

本发明涉及遥感生态指数构建领域，特别是一种基于空间几何原理的新型遥感生态指数的构建方法。

背景技术

利用各种遥感指数对森林、草地、城市、河流乃至整个流域的生态系统进行监测和评价，已经是生态环境保护领域的重要组成部分。但目前的遥感监测技术大多基于单一的指标进行评测，往往只能解释某一方面的生态特征。而在实际生态系统中，每个指标的互动综合影响着整个生态系统。因此，需要一个能耦合多种因素的指标来对生态系统进行综合测评。

《生态环境状况评价技术规范》中规定的生态环境状况指数EI，旨在对我国县级以上的生态环境状况提出一种年度综合评价标准。但该指标存在不少问题，如权重的合理性、归一化系数的设定、指标的易获取性等。还有一个明显的不足，就是EI指数只是一个数值，只能笼统地说明一个地区的生态状况，无法可视化，无法说明研究区中不同生态环境状况的空间分布情况，无法对不同时期的生态环境进行空间变化分析。而这些问题对于生态环境指数这样一个和空间地理位置紧密联系的指标来说，又显得极其重要。有的研究人员通过主成分变换或者因子分析方法集成多个指标，如RSEI(徐涵秋，2013)，EEM(Zhang,2016)等，能体现空间分布，但没有具体的物理意义。

发明内容

有鉴于此，本发明的目的是提出一种基于空间几何原理的新型遥感生态指数的构建方法，既考虑了与生态相关的多个指标，又通过引入空间几何原理消除了多指标加权集成的不合理性，有效地提高了生态指数VMTEI的物理意义。

本发明采用以下方案实现：一种基于空间几何原理的新型遥感生态指数的构建方法，包括以下步骤：

步骤S1：获取研究区包含红光、近红外和热红外波段的遥感数据并进行预处理，得到红光波段和近红外波段二维空间散点图；利用该散点图求出研究区域土壤线方程以及指示最干旱裸土的D点的表达式；

步骤S2：计算垂直植被指数PVI；

步骤S3：计算土壤湿度指数SMI；

步骤S4：计算地表温度LST；

步骤S5：以步骤S1所得到的D点为原点，垂直植被指数PVI为x轴，土壤湿度指数SMI为y轴，地表温度LST为z轴构建一个三维特征空间；

步骤S6：计算基于植被-土壤湿度-温度的遥感生态指数VMTEI。

进一步地，步骤S1具体包括以下步骤：

步骤S11：根据需要选择研究区包含红光、近红外和热红外波段的遥感数据，对遥感数据进行包括几何校正、大气校正、重采样在内的预处理，提取红光波段和近红外波段的地表反射率数据以及后续生成地表温度LST所需的热红外波段数据；

步骤S12：利用步骤S11中所提取的红光波段和近红外波段的地表反射率数据构建红光波段和近红外波段二维空间散点图；

步骤S13：根据散点图的分布，进行土壤线方程的计算；

步骤S14：采用研究区域在红光波段和近红外波段具有最高反射率值的点来表征D点，并且，该D点满足步骤S13中所求土壤线方程。

进一步地，步骤S13具体包括以下步骤：

步骤S131：通过横坐标分组的方法获取各组中纵坐标值最小的点，作为初始的土壤点集；统计特征空间中各像元点横轴波段反射率的最大值和最小值，根据分组数n设定分组间距，将所有的像元点按其横轴波段的反射率归入不同的组中；完成分组后，在各组中分别获取纵轴波段反射率最小的像元点，构成(X_i,Y_i)点集，也就是初始土壤点集；

步骤S132：利用自适应区间选取方法来缩小初始土壤点集确定不同子集，并计算各个子集的最小二乘相关系数；相关系数最大的子集，将被选取为土壤点的有效子集，其横坐标区间也将确定为裸土像元的横坐标初始区间；

步骤S133：迭代筛选土壤点并拟合土壤线方程；由于植被覆盖像元的近红外反射率大多高于裸土像元，因此，对有效子集中的像元点进行循环迭代，采用递次求近法，每次循环都将垂直偏差最大的点从子集中去除；循环结束后，子集中剩余的像元点便是自动算法最终获取的土壤点，然后通过最小二乘拟合，得到土壤线方程：

ρ_NIR＝M*ρ_RED+I (1)；

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值(均为0到1)；M和I指的是土壤线方程的斜率和截距。

进一步地，步骤S2具体为：根据步骤S1中的土壤线方程，垂直植被指数PVI的计算方法如下：

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值；M和I指的是土壤线方程的斜率和截距。

进一步地，步骤S3中，土壤湿度指数SMI的计算方法如下：

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值；M指的是土壤线方程的斜率，b是指通过D点并与土壤线垂直的线在NIR上的截距。

进一步地，步骤S4具体为：根据所得到的不同遥感数据，选择不同的LST计算方法，其中遥感数据包括但不限于MODIS数据以及LANDSAT8数据。(这里只说明MODIS数据以及LANDSAT8数据所对应LST的计算方法)；

较佳的，当所选择的数据为MODIS遥感数据时，选择其基于热红外波段计算的LST产品，即MOD11A2产品的以LST_Day_1KM作为所需求解的地表温度，进行相应的预处理后参与生态指标的构建；

较佳的，当所选择的数据为LANDSAT8遥感数据时，利用Landsat8TIRS反演地表温度从而得到所需LST的表征，具体包括以下步骤：

步骤S41：图像辐射定标，选用Band10对LANDSAT8热红外波段进行辐射定标，将原来的DN值转换为辐射亮度值得到Band10辐射亮度图像；

步骤S42：计算地表比辐射率ε，使用NDVI阈值法计算地表比辐射率；为了得到更精确的地表比辐射率数据，分别针对水体、自然表面和城镇区三种地表类型计算地表比辐射率；

步骤S43：计算黑体辐射亮度B(T_S)，根据所选影像的成像时间和中心经纬度，查询相应的大气剖面信息(大气在热红外波段的透过率、大气向上辐射亮度、大气向下辐射亮度)并利用辐射传输方程计算得到黑体辐射亮度；

步骤S44：利用下式计算地表温度LST：

式中，B(T_S)为黑体辐射亮度；对于TIRS Band10而言，K₁＝774.89W/(m²*μm*sr)，K₂＝1321.08K。

进一步地，步骤S5具体包括以下步骤：

步骤S51：以步骤S1中确定的D点为二维坐标的原点，垂直植被指数PVI为x轴，土壤湿度指数SMI为y轴建立一个二维特征空间；

步骤S52：在步骤S51的基础上增加地表温度LST作为z轴，则基于垂直植被指数PVI、土壤湿度指数SMI、地表温度LST的三维特征空间构建完成。

进一步地，步骤S6具体包括以下步骤：

步骤S61：为了便于指标的度量和比较，使用下面的公式将每个轴的值归一化到0和之间，这样，VMTEI的值则转换为0到1：

式中，p是PVI、SMI两个变量中的一个，p_i是第i个数据；

步骤S62：考虑到最适地表温度T_α对生态的影响，根据区域特性选取最适地表温度对LST进行相应的归一化，当LST＜T_α时，利用公式(6)对LST进行归一化；当LST＞T_α时，利用公式(7)对LST进行归一化：

步骤S63：采用下式计算表征生态环境质量的指标VMTEI：

本发明基于多波段遥感数据，耦合了代表绿度的垂直植被指数PVI、代表湿度的土壤湿度指数SMI和代表温度的地表温度LST等3个评价指标，通过空间几何原理集成生态环境遥感指数VMTEI。与常用的多指标加权集成法不同的是，本发明引入了空间几何原理来集成各个指标，各指标对VMTEI的贡献是根据其数据本身的性质来决定的，不是由人为的加权来决定，也不是通过主成分变换或因子分析的加权集成。

与现有技术相比，本发明有以下有益效果：本发明既考虑了与生态相关的多个指标，又通过引入空间几何原理消除了多指标加权集成的不合理性，有效地提高了生态指数VMTEI的物理意义。同时，VMTEI不仅可以作为一个量化指标来刻画区域生态质量，具有空间分布，还可以将区域生态质量可视化，可以对区域生态变化进行时空分析、模拟和预测，可以不受时间和空间限制的使用。

附图说明

图1为本发明实施例的生态指数VMTEI构建过程中坐标系的图解。

图2为本发明实施例的基于空间几何原理的新型遥感生态指数(VMTEI)构建的流程图。

图3为本发明实施例的PVI、SMI、LST的空间分布图。

图4为本发明实施例的VMTEI的空间分布图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1与图2所示，本实施例提供了一种基于空间几何原理的新型遥感生态指数的构建方法，包括以下步骤：

步骤S1：获取研究区包含红光、近红外和热红外波段的遥感数据并进行预处理，得到红光波段和近红外波段二维空间散点图；利用该散点图求出研究区域土壤线方程以及指示最干旱裸土的D点的表达式；

步骤S2：计算垂直植被指数PVI；

步骤S3：计算土壤湿度指数SMI；

步骤S4：计算地表温度LST；

步骤S5：以步骤S1所得到的D点为原点，垂直植被指数PVI为x轴，土壤湿度指数SMI为y轴，地表温度LST为z轴构建一个三维特征空间；

步骤S6：计算基于植被-土壤湿度-温度的遥感生态指数VMTEI。

在本实施例中，步骤S1具体包括以下步骤：

步骤S11：获取研究区所需遥感数据MOD09A1第1-2波段(即红光波段和近红外波段)地表反射率，以及MOD11A2第1波段(即白天的地表温度)的反射率，并对遥感数据进行拼接、投影、滤波、重采样等预处理；

步骤S12：利用步骤S11中所提取的红光波段和近红外波段的地表反射率数据构建红光波段和近红外波段二维空间散点图；

步骤S13：根据散点图的分布，进行对应的研究区域土壤线方程的计算：

ρ_NIR＝1.163*ρ_RED+0.017；

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值(均为0到1)；

步骤S14：采用研究区域在红光波段和近红外波段具有最高反射率值的点来表征D点(即0.4,0.482)，并且，该D点满足步骤S13中所求土壤线方程。

在本实施例中，步骤S13具体包括以下步骤：

步骤S131：通过横坐标分组的方法获取各组中纵坐标值最小的点，作为初始的土壤点集；统计特征空间中各像元点横轴波段反射率的最大值和最小值，根据分组数n设定分组间距，将所有的像元点按其横轴波段的反射率归入不同的组中；完成分组后，在各组中分别获取纵轴波段反射率最小的像元点，构成(X_i,Y_i)点集，也就是初始土壤点集；

步骤S132：利用自适应区间选取方法来缩小初始土壤点集确定不同子集，并计算各个子集的最小二乘相关系数；相关系数最大的子集，将被选取为土壤点的有效子集，其横坐标区间也将确定为裸土像元的横坐标初始区间；

步骤S133：迭代筛选土壤点并拟合土壤线方程；由于植被覆盖像元的近红外反射率大多高于裸土像元，因此，对有效子集中的像元点进行循环迭代，采用递次求近法，每次循环都将垂直偏差最大的点从子集中去除；循环结束后，子集中剩余的像元点便是自动算法最终获取的土壤点，然后通过最小二乘拟合，得到土壤线方程：

ρ_NIR＝M*ρ_RED+I (1)；

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值(均为0到1)；M和I指的是土壤线方程的斜率和截距。

在本实施例中，步骤S2具体为：根据步骤S1中的土壤线方程，垂直植被指数PVI的计算方法如下：

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值；M和I指的是土壤线方程的斜率和截距。根据式(1)，本实施例中M＝1.163，I＝0.017，则PVI的具体表达式为：

在本实施例中，步骤S3中，土壤湿度指数SMI的计算方法如下：

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值；M指的是土壤线方程的斜率，b是指通过图1(a)中D点并与土壤线垂直的线在NIR上的截距。将上述步骤中确定的土壤线方程以及D点坐标带入式(3)得到SMI的数值表达式为：

在本实施例中，步骤S4具体为：根据所得到的不同遥感数据，选择不同的LST计算方法，其中遥感数据包括但不限于MODIS数据以及LANDSAT8数据。(这里只说明MODIS数据以及LANDSAT8数据所对应LST的计算方法)；

较佳的，在本实施例中，当所选择的数据为MODIS遥感数据时，选择其基于热红外波段计算的LST产品，即MOD11A2产品的以LST_Day_1KM作为所需求解的地表温度，进行相应的预处理后参与生态指标的构建；

较佳的，在本实施例中，当所选择的数据为LANDSAT8遥感数据时，利用Landsat8TIRS反演地表温度从而得到所需LST的表征，具体包括以下步骤：

步骤S41：图像辐射定标，选用Band10对LANDSAT8热红外波段进行辐射定标，将原来的DN值转换为辐射亮度值得到Band10辐射亮度图像；

步骤S42：计算地表比辐射率ε，使用NDVI阈值法计算地表比辐射率；为了得到更精确的地表比辐射率数据，分别针对水体、自然表面和城镇区三种地表类型计算地表比辐射率；

步骤S43：计算黑体辐射亮度B(T_S)，根据所选影像的成像时间和中心经纬度，查询相应的大气剖面信息(大气在热红外波段的透过率、大气向上辐射亮度、大气向下辐射亮度)并利用辐射传输方程计算得到黑体辐射亮度；

步骤S44：利用下式计算地表温度LST：

式中，B(T_S)为黑体辐射亮度；对于TIRS Band10而言，K₁＝774.89W/(m²*μm*sr)，K₂＝1321.08K。

特别的，本实施例选用MOD11A2的第一波段来表征研究区域的地表温度，对其进行预处理之后重采样为MOD09A1红、近红所对应的500m分辨率。

在本实施例中，步骤S5具体包括以下步骤：

步骤S51：以步骤S1中确定的D点为二维坐标的原点，垂直植被指数PVI为x轴，土壤湿度指数SMI为y轴建立一个二维特征空间，如图1(a)所示；

步骤S52：在步骤S51的基础上增加地表温度LST作为z轴，则基于垂直植被指数PVI、土壤湿度指数SMI、地表温度LST的三维特征空间构建完成，如图1(b)所示。

在本实施例中，步骤S6具体包括以下步骤：

步骤S61：为了便于指标的度量和比较，使用下面的公式将每个轴的值归一化到0和之间，这样，VMTEI的值则转换为0到1：

式中，p是PVI、SMI两个变量中的一个，p_i是第i个数据；

步骤S62：考虑到最适地表温度T_α对生态的影响，根据区域特性选取最适地表温度对LST进行相应的归一化，当LST＜T_α时，利用公式(6)对LST进行归一化；当LST＞T_α时，利用公式(7)对LST进行归一化：

步骤S63：在步骤S52中所创建的三维特征空间中，如果原点是D点(图1(a))，可以定义一个等球，这些球的半径为图1(b)中正方体中任何一点到A点的距离，其中同一球面上的像元具有几乎相等的生态环境质量。采用下式计算表征生态环境质量的指标VMTEI：

在本实施例中，利用2017年7月新疆地区的MODIS数据来计算遥感生态指数VMTEI。图3为新疆地区相应各个分量垂直植被指数PVI、土壤湿度指数SMI、地表温度LST的空间分布，图4为三维特征空间耦合而成的遥感生态指数VMTEI的空间分布。从图中可知，北疆的植被覆盖明显比南疆的面积大，且伊犁河附近的植被生长最为茂盛；土壤湿度指数在新疆北部的阿尔泰山、中部的天山、南部的帕米尔高原呈现出相对湿度较大的分布趋势，而准格尔盆地和塔里木盆地的相对湿度较小；地表温度与植被分布有着明显的关系，不同的是，阿尔泰山、天山和昆仑山脉的温度因高海拔常年积雪导致温度偏低；遥感生态指数VMTEI的分布符合垂直植被指数PVI、土壤湿度指数SMI、地表温度LST三者的空间分布，植被覆盖越大、土壤湿度越大、地表温度越适宜的区域其表征的生态越好，反之，则生态越差。本发明选用代表了绿度、湿度和温度等3大生态要素的垂直植被指数PVI、土壤湿度指数SMI、地表温度LST来弥补目前遥感监测技术大多基于单一的指标对生态环境进行评测。利用了空间几何原理克服多指标集成过程中权重的不合理性，同时，VMTEI不仅可以作为一个量化指标来刻画区域生态质量，还可以将区域生态质量可视化，可以对区域生态变化进行时空分析、模拟和预测，可以不受时间和空间限制的使用。

本实施例基于多波段遥感数据，耦合了代表绿度的垂直植被指数PVI、代表湿度的土壤湿度指数SMI和代表温度的地表温度LST等3个评价指标，通过空间几何原理集成生态环境遥感指数VMTEI。与常用的多指标加权集成法不同的是，本发明引入了空间几何原理来集成各个指标，各指标对VMTEI的贡献是根据其数据本身的性质来决定的，不是由人为的加权来决定，也不是通过主成分变换或因子分析的加权集成。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (9)

1.一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：包括以下步骤：

步骤S1：获取研究区包含红光、近红外和热红外波段的遥感数据并进行预处理，得到红光波段和近红外波段二维空间散点图；利用该散点图求出研究区域土壤线方程以及指示最干旱裸土的D点的表达式；

步骤S2：计算垂直植被指数PVI；

步骤S3：计算土壤湿度指数SMI；

步骤S4：计算地表温度LST；

步骤S5：以步骤S1所得到的D点为原点，垂直植被指数PVI为x轴，土壤湿度指数SMI为y轴，地表温度LST为z轴构建一个三维特征空间；

步骤S6：计算基于植被-土壤湿度-温度的遥感生态指数VMTEI。

2.根据权利要求1所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：步骤S1具体包括以下步骤：

步骤S11：根据需要选择研究区包含红光、近红外和热红外波段的遥感数据，对遥感数据进行包括几何校正、大气校正、重采样在内的预处理，提取红光波段和近红外波段的地表反射率数据以及后续生成地表温度LST所需的热红外波段数据；

步骤S12：利用步骤S11中所提取的红光波段和近红外波段的地表反射率数据构建红光波段和近红外波段二维空间散点图；

步骤S13：根据散点图的分布，进行土壤线方程的计算；

步骤S14：采用研究区域在红光波段和近红外波段具有最高反射率值的点来表征D点，并且，该D点满足步骤S13中所求土壤线方程。

3.根据权利要求2所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：步骤S13具体包括以下步骤：

步骤S131：通过横坐标分组的方法获取各组中纵坐标值最小的点，作为初始的土壤点集；统计特征空间中各像元点横轴波段反射率的最大值和最小值，根据分组数n设定分组间距，将所有的像元点按其横轴波段的反射率归入不同的组中；完成分组后，在各组中分别获取纵轴波段反射率最小的像元点，构成(X_i,Y_i)点集，也就是初始土壤点集；

步骤S132：利用自适应区间选取方法来缩小初始土壤点集确定不同子集，并计算各个子集的最小二乘相关系数；相关系数最大的子集，将被选取为土壤点的有效子集，其横坐标区间也将确定为裸土像元的横坐标初始区间；

步骤S133：迭代筛选土壤点并拟合土壤线方程；对有效子集中的像元点进行循环迭代，采用递次求近法，每次循环都将垂直偏差最大的点从子集中去除；循环结束后，子集中剩余的像元点便是自动算法最终获取的土壤点，然后通过最小二乘拟合，得到土壤线方程：

ρ_NIR＝M*ρ_RED+I (1)；

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值；M和I指的是土壤线方程的斜率和截距。

4.根据权利要求1所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：步骤S2具体为：根据步骤S1中的土壤线方程，垂直植被指数PVI的计算方法如下：

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值；M和I指的是土壤线方程的斜率和截距。

5.根据权利要求1所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：步骤S3中，土壤湿度指数SMI的计算方法如下：

式中，ρ_RED和ρ_NIR分别表示红波段和近红外的反射率值；M指的是土壤线方程的斜率，b是指通过D点并与土壤线垂直的线在NIR上的截距。

6.根据权利要求1所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：步骤S4具体为：根据所得到的不同遥感数据，选择不同的LST计算方法，其中遥感数据包括但不限于MODIS数据以及LANDSAT8数据。

7.根据权利要求6所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：当所选择的数据为LANDSAT8遥感数据时，利用Landsat8TIRS反演地表温度从而得到所需LST的表征，具体包括以下步骤：

步骤S41：图像辐射定标，选用Band10对LANDSAT8热红外波段进行辐射定标，将原来的DN值转换为辐射亮度值得到Band10辐射亮度图像；

步骤S42：计算地表比辐射率ε，使用NDVI阈值法计算地表比辐射率；为了得到更精确的地表比辐射率数据，分别针对水体、自然表面和城镇区三种地表类型计算地表比辐射率；

步骤S43：计算黑体辐射亮度B(T_S)，根据所选影像的成像时间和中心经纬度，查询相应的大气剖面信息并利用辐射传输方程计算得到黑体辐射亮度；

步骤S44：利用下式计算地表温度LST：

式中，B(T_S)为黑体辐射亮度；对于TIRS Band10而言，K₁＝774.89W/(m²*μm*sr)，K₂＝1321.08K。

8.根据权利要求1所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：步骤S5具体包括以下步骤：

步骤S51：以步骤S1中确定的D点为二维坐标的原点，垂直植被指数PVI为x轴，土壤湿度指数SMI为y轴建立一个二维特征空间；

步骤S52：在步骤S51的基础上增加地表温度LST作为z轴，则基于垂直植被指数PVI、土壤湿度指数SMI、地表温度LST的三维特征空间构建完成。

9.根据权利要求1所述的一种基于空间几何原理的新型遥感生态指数的构建方法，其特征在于：步骤S6具体包括以下步骤：

步骤S61：为了便于指标的度量和比较，使用下面的公式将每个轴的值归一化到0和之间，这样，VMTEI的值则转换为0到1：

式中，p是PVI、SMI两个变量中的一个，p_i是第i个数据；

步骤S62：考虑到最适地表温度T_α对生态的影响，根据区域特性选取最适地表温度对LST进行相应的归一化，当LST＜T_α时，利用公式(6)对LST进行归一化；当LST＞T_α时，利用公式(7)对LST进行归一化：

步骤S63：采用下式计算表征生态环境质量的指标VMTEI：