城市热环境评估技能（urban-heat-assessment）

1. 技能概述

基于热红外遥感影像（TIRS）量化评估城市热岛强度（UHI），识别高温风险区域与降温潜力空间。 支持 Landsat 8/9 TIRS、ECOSTRESS、GF-5 热红外等常见数据源。

2. 输入要求

变量名	类型	必需	说明
thermal_image	file (GeoTIFF)	是	热红外影像，DN 或辐亮度；若已是 LST（开尔文/摄氏度）请设置 is_lst=true
boundary	file (GeoJSON/Shapefile)	是	城市行政边界（用于计算郊区-城区对比）
ndvi_image	file (GeoTIFF)	否	NDVI 影像，用于辅助热环境分级
building_density	file (GeoTIFF)	否	建筑密度栅格（0-1）
is_lst	bool	否	若输入已经是地表温度则为 true，默认 false
reference_t_c	number	否	参考阈值（摄氏度），不提供则使用郊区均值
year	int	否	数据年份，用于跨年趋势对比

3. 用户输入引导

为完成热环境评估，请提供：

1. 热红外影像（thermal_image）：GeoTIFF 格式。Landsat 8/9 的 Band10 即可；如已反演为地表温度，请标注 is_lst: true。
2. 城市边界（boundary）：GeoJSON 或 Shapefile，用于圈定分析范围并计算城-郊对比。
3. （可选）NDVI 影像、建筑密度 以获得更精准的分级；如无，可仅用 LST。

4. 处理流程

1. 校验输入 → check-inputs
2. 若输入为 TIRS DN，按 Landsat 公式反演亮温再估算 LST（单窗算法简化版）
3. 提取城市边界内像元；将边界外缓冲区视为"郊区参考"
4. 计算 UHI 强度 = LST_city - mean(LST_suburb)
5. 基于 LST 百分位（p50/p75/p90）进行风险分级（低/中/高/极端）
6. 识别"降温潜力斑块"：高 LST + 低 NDVI + 高建筑密度交集
7. 输出成果

5. 参数说明（config.yaml）

algorithm:
  sensor: landsat8            # landsat8 | landsat9 | custom
  band10_K1: 774.8853
  band10_K2: 1321.0789
  emissivity: 0.97
  risk_percentiles: [50, 75, 90]
  suburb_buffer_m: 5000

6. 调用示例

python /mnt/skills/custom/remote-sensing/urban-heat-assessment/scripts/main.py \
  --action run \
  --inputs-json '{"thermal_image":"/mnt/user-data/uploads/tirs.tif","boundary":"/mnt/user-data/uploads/city.geojson"}' \
  --output-dir /mnt/user-data/outputs/heat_20260417

7. 输出文件

文件	含义
lst.tif	反演后的地表温度（摄氏度）
uhi_intensity.tif	热岛强度图（相对郊区均值）
risk_levels.tif	风险等级图（1=低，2=中，3=高，4=极端）
cooling_priority.geojson	降温潜力重点区域矢量
report.md	评估报告 + 降温建议 + 年际趋势（若有）

8. 治理场景

• 城市降温规划、公园绿地布局优化
• 极端高温公共健康风险预警
• 街区更新热环境改善评估
• "公园城市"热环境指标监测

9. 注意事项

• 单幅热红外影像反映瞬时热环境，建议使用同一月份多年序列评估趋势
• 降级模式下使用合成 LST，仅用于流程演示
• 单窗算法为简化实现，生产环境建议使用 Jiménez-Muñoz 或 SC 算法