中心城区地表温度空间分布及地物降温效应——以南京市为例
刘东, 李艳, 孔繁花
南京大学国际地球系统科学研究所,南京 210093

第一作者简介: 刘 东(1987-), 男, 硕士研究生, 主要从事遥感与GIS应用研究。 E-mail:liudong6418sc@sina.com

摘要

基于TM图像,采用灰度图像分割算法,自动提取南京市中心城区的不透水面、植被及水体; 并用单窗算法反演了地表温度; 依据离市中心的距离将中心城区分为45级缓冲区,依次统计分析每一级缓冲区内的平均温度、不透水面温度、植被温度、水体温度及各类地物的面积比例等; 建立了地表温度与不透水面比例、植被比例、水体比例之间的关系模型。研究结果表明: 随离市中心距离的增大,地表温度降低; 植被、水体具有降温效应,水体的降温效应是植被的2.43倍; 地表温度与不透水面比例、植被比例、水体比例的综合关系模型模拟效果较好。

关键词: 城市热岛; 中心城区; 地表温度; 空间分布; 降温效应
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)01-0117-06 doi: 10.6046/gtzyyg.2013.01.21
Spatial distribution of land surface temperature in central city proper and the cooling of objects effect: A case study of Nanjing
LIU Dong, LI Yan, KONG Fanhua
International Institute for Earth System Science, Nanjing University, Nanjing 210093, China
Abstract

By using TM imagery as the raw data in this paper, the authors first classified the objects of the study area into three classes, i.e., impervious surface (IS), vegetation, and water based on the algorithm of OTSU, and retrieved land surface temperature (LST) of the study area by using the mono-window algorithm. Then, the study area was separated into 45 pieces by setting a multi-level buffer in a discriminating scheme, which was based on the distance between each pixel and the center of Nanjing, and the work of statistics and analysis was carried out for the mean temperature of all pixels, the mean temperature of IS, the mean temperature of vegetation, and the mean temperature of water in each buffer. Finally, the authors set up the relational models between LST and the area ratio of IS, LST and the area ratio of vegetation, LST and the area ratio of water. The results showed that the land surface temperature decreased obviously with the increasing distance from the city’s center. Vegetation and water could reduce the temperature in central city proper, and the cooling effect of water is 2.43 times that of vegetation. The integrated relational model between LST and the area ratio of IS, the area ratio of vegetation and the area ratio of water was performed well.

Keyword: urban heat island; central city proper; land surface temperature; spatial distribution; cooling effect
0 引言

城市热岛是指城市中的气温明显高于其周边郊区的现象, 城市热岛包括城市边界热岛、植被冠层热岛和地表热岛[1]。传统城市热岛效应研究主要借助站点记录的实地检测资料和地面气象资料[2]对温度模式、温度变化及城区温度剖面进行分析[3], 但难以深入分析空间分布及内部结构特征[4]。遥感数据的温度反演, 使城市热岛研究数据源由点扩展到面, 拓宽了城市热岛的可研究范围[5, 6]。当前, 基于温度反演的城市热岛研究主要集中在3个方面: ①地表温度(land surface temperature, LST)的时空分布特征。Lo等结合GIS用高分辨率热红外遥感数据评估了城市温度空间分布及其与居民地、农用地、空置地的关系[7]。②LST与植被的关系。Boegh等基于高分辨率遥感数据, 研究分析了归一化植被指数(normalized difference vegetable index, NDVI)与温度的关系[8]; Liang以ETM+为数据源, 分析了沈阳市区的NDVI与LST的关系, 得出二者有负相关关系[9]。③LST与归一化差异建筑指数(normalized difference building index, NDBI)、不透水面(impervious surface, IS)的关系[10]。Chen等基于ETM+数据研究了温度空间分布模式, 并得出温度与NDVI、归一化差异水体指数(normalized difference water index, NDWI)和归一化差异裸土指数(normalized difference bareness index, NDBI)呈负相关, 而与NDBI呈正相关[11]

综上所述, LST与植被、IS或NDBI关系的研究虽多, 但大部分集中在单因子分析层面上, 而LST是由多因素共同决定的, 单因子分析构造的模型鲁棒性较差。基于此, 本文首先根据TM图像对南京市地物进行自动分类, 并利用热红外波段反演了南京市地表温度; 然后以城市中心为缓冲原点, 构造了覆盖中心城区的多级缓冲区, 并统计各级缓冲区内的温度和地物类型; 最后分析了中心城区温度的整体空间分布特征, 对比了植被和水体的降温效应, 并建立了地表温度与不透水面比例、植被比例、水体比例之间的关系模型。

1 研究区概况及数据源
1.1 研究区概况

确定以南京市中心为原点, 13.5 km为半径的圆形覆盖范围为研究区, 见图1红圈内部分。将研究区以市中心为原点, 每隔0.3 km划为1个缓冲带, 共45级。

图1 南京市TM7(R), 4(G), 3(B)假彩色合成图像Fig.1 False color composite image of TM7(R), 4(G), 3(B) of Nanjing

南京市位于亚热带季风气候区, 主要以阔叶林为主, 在海拔较高处有部分针阔混交林[12]。研究区为南京中心城区, 因此整体而言, 不透水面[13](屋顶、道路、广场等能阻止地表水下渗到土壤中的人工地面)所占的面积最大。区内最大的植被覆盖区域为紫金山, 此外燕子矶、清凉山等地植被覆盖度也较高, 道路两边绿化也较好; 最大的水体覆盖区域为长江南京段, 此外还有秦淮河、玄武湖、莫愁湖等。

1.2 遥感数据源及其预处理

Landsat5 TM图像时相为2007-07-26T10:30。南京市自6月起, 气温持续上升, 7— 8月处于高温期, 城市热岛效应明显[14], 图像获取时天气晴朗, 上午城市气温处于持续上升过程。使用该图像有利于对温度空间分布特征及对地物降温效应进行分析。图像包含7个波段: 可见光波段(TM1— TM3)、近红外波段(TM4)、短波红外波段(TM5, TM7), 空间分辨率为30 m, 这6个波段用于提取地类信息; 热红外波段(TM6)空间分辨率为120 m, 用于温度反演。

首先对TM6波段进行重采样, 使其空间分辨率与其他波段一致; 然后, 对2009-04-10 TM图像进行几何精纠正, 以此图像为基准对2007年TM图像进行相对几何纠正, 精度在0.5个像元内; 最后, 使用6S模型对图像进行大气校正, 得到研究区TM1— TM5, TM7的反射率数据。

2 实验原理
2.1 OTSU算法

OTSU算法(大津算法或最大类间差法)是由日本学者Nobuyuki OTSU于1979年提出的灰度图像分割算法, 基本思想是通过循环每一灰度级寻找分割灰度图像的阈值T, 并且使分割后的类间方差最大[15]。类间方差越大, 2类的差别越大, 当存在错分时都会使类间方差变小, 因此类间方差最大的分割意味着最小的错分概率。NDVI能较好地区分植被与其他地物, 即通过阈值分割可以将地物分为植被及非植被。通过OTSU算法可实现阈值的自动计算, 利用改进的归一化水体指数(modified normalized difference water index, MNDWI)提取水体。使用灰度级k=T对图像进行分割, 使得类间方差σ T最大, 此时T为OTSU算法计算出的图像f(i, j)分割阈值。用T分割后的二值图像g(x, y)定义为

g(x, y)=1, f(x, y)T0, f(x, y)< T。 (1)

2.2 地表温度反演

本文采用覃志豪等提出的单窗算法, 用TM6图像反演研究区的温度。单窗算法反演温度的步骤如下[16, 17]:

1) 由TM6像元值计算辐亮度, 即

L(λ )=Lmin(λ )+[Lmax(λ )-Lmin(λ )]QDN/Qmax, (2)

式中: L(λ )为遥感器所接收到的辐射亮度; Qmax为TM6图像最大DN值; QDN为TM6图像像元亮度值; Lmax(λ )和Lmin(λ )分别为遥感器所接收到的最大和最小辐射亮度。

2)由辐射亮度值计算星上亮温, 即

T6=K2/ln[1+K1/L(λ )], (3)

式中: T6为TM6的像元亮度温度; K1K2为发射前预设的常量。

3)由星上亮温计算地表温度, 即

TS={a(1-C-D)+[b(1-C-D)+C+D]T6-DTα }/C, (4)

式中: TS为地表温度, K; τ 为大气透过率; Tα 为大气有效平均气温, K; T0为大气平均气温, K; t为大

气剖面总水汽含量; a, b在一定温度范围内为常量; ε 为地物的比辐射率; C, D为中间变量。

3 结果及精度分析
3.1 图像分类及精度分析

为了反演中心城区温度和分析其空间分布特征, 需先对遥感图像进行分类。本文采用决策树方法, 将图像分为植被、水体和不透水面等3大类, 基于OTSU算法采用NDVI和MNDWI自动提取植被和水体, 剩余的即为不透水面。分类结果如图2所示。

图2 分类结果Fig.2 Classification result

从原始图像中随机选择300个点, 以2009年IKONOS及实地调查等数据为依据, 统计分类精度。结果如表1所示。

表1 分类精度统计 Tab.1 Statistics of classification accuracies

表1可知, 通过OTSU算法并结合决策树分类可实现遥感图像的分类, 其效果较好、精度较高。

3.2 温度反演及精度分析

利用遥感数据反演温度, 重要的是确定比辐射率ε 和大气透过率τ 。对于TM6波段, 植被、水体、不透水面的比辐射率分别可取ε vegetation=0.995, ε water=0.986, ε IS=0.970[18]; 从中国气象科学数据共享服务网获得2007年7月26日统计气温为295.46~308.26 K, 平均为301.86 K, 假设图像获取时T0=301.86 K; 由文献[16]得知, 可假设大气剖面总水汽含量t=2 g/cm2。研究区的反演温度分布如图3所示。

图3 反演温度空间分布图Fig.3 Retrieve temperature distribution

图3可知, 研究区温度范围为285~315 K, 该范围最小值低于气象站记录的最低温度, 最大值高于记录的最高温度, 这是由于气象站记录的是大气温度, 而遥感反演的为地表温度。对比分析图2图3, 不透水面处温度明显高于其他地物; 反演温度与中国气象科学数据共享服务网公布的统计气温大致处于同一区间, 因此认为反演温度有效。

3.3 中心城区温度空间分布特征

由于地表地物类型不同, 不同区域即使接收到相同的太阳辐射, 也出现不同的地表温度(图3)。地表温度差异也可能是由于不同区域的地物结构、分布、风速等因素引起。为进一步证实城市地物类型差异导致温度空间分布差异, 本文选取具有不同风速、湿度、气压等TM图像, 时相为2007-06-24, 根据2.2节方法反演得到对照组的温度空间分布, 如图4所示。

图4 对照组反演温度空间分布图Fig.4 Retrieve temperature distribution of control group

对比分析图3图4可得: 研究区不同时间的温度空间分布高低基本一致, 不透水面覆盖区域的温度最高, 其次是植被覆盖区域, 温度最低的区域是水体覆盖区域。

按照缓冲区分级计算, 得到各级缓冲区内的水体平均温度Wat、植被平均温度Veg、不透水面平均温度IS及总体平均温度All。统计结果如图5所示(X轴为各缓冲区离中心点的距离, 下文图6同)。

图5 各级缓冲区温度统计Fig.5 Statistics of temperature in each buffer

图5可知: ①各级缓冲区随离市中心距离的增大, Wat, Veg, IS, All均呈总体下降趋势; ②地表温度是从数值变化上反映了城市热岛效应的空间分布特征; ③同一缓冲级内, IS> All> Veg> Wat, 其中不透水面的温度最高, 水体的温度最低。

3.4 植被、水体的降温效应分析

图5可知: ①IS> All, 表明不透水面会导致地表温度升高, 从而增加城市热岛效应, 这是因为不透水面的热容小, 在晴朗的白天吸收太阳能, 温度急速上升, 另外城市高大建筑业会阻止空间流通, 进一步促进温度上升; ②Veg< All, 表明植被会降低城市温度, 从而缓解城市热岛效应, 主要因为绿色植物叶片能蒸腾降温、水分含量高, 热容大、升温缓慢、光合作用将太阳能转化为化学能[19]; ③Wat< All, 表明水体也会降低城市大气温度, 缓解城市热岛效应, 主要因为水体热容大, 升温慢, 水体的蒸发作用将太阳能转化为物理能; ④Wat< Veg, 表明水体的降温效应高于植被。因此在中心城区增加植被、水体覆盖面积有利于缓解城市热岛效应。

本文以同一缓冲区内不透水面与植被、水体的温度之差表示植被、水体的降温效应; 统计各级缓冲区(由于在1~6级缓冲区内无水体, 因此从第7级缓冲区开始)内植被、水体的降温效应, 结果如图6所示。

图6 植被、水体的降温效应Fig.6 Cooling effect of vegetation and water

对比植被、水体的降温效应可知: ①不同缓冲级内, 植被、水体的降温效应不同。植被的降温效应最小为0.8 K, 最大为4.74 K, 极差为4.65 K; 水体的降温效应最小为3.86 K, 最大为7.70 K, 极差为3.84 K。②同一缓冲级内, 水体的降温效应大于植被的降温效应。差异最小为0.91 K, 最大为4.72 K, 极差为3.81 K。

3.5 地表温度空间分布模型

由以上分析可知: 不透水面会促使热岛效应的形成; 植被、水体具有降温效应; 水体的降温效应大于植被的降温效应。相关学者的研究表明, 植被的降温效应不仅与植被类型有关, 还与植被的覆盖面积、聚集度指数、均匀度指数、破碎度指数等有关[20]。同样, 不透水面的升温效应、水体的降温效应也与覆盖面积等有关。各缓冲区地表温度与不透水面、植被、水体比例的关系模型分别为

y=4.608 1ln x1+305.16, R2=0.903 1; (5)

y=-8.228x2+305.3, R2=0.673 8; (6)

y=-20.006x3+304.25, R2=0.743 2。 (7)

式中: y为各缓冲区内的平均地表温度, K; x1, x2, x3分别为各缓冲区内不透水面、植被、水体覆盖的面积比例。式(5)表明温度与不透水面的覆盖比例成正相关; 式(6)和(7)表明温度与植被、水体的覆盖比例呈负相关, 且式(7)的斜率是式(6)的2.43倍, 表明水体的降温效应是植被的2.43倍; 模型拟合分析结果和前面分析一致。

进一步分析中心城区的温度空间分布, 综合上式可得

y=304.76+6.73ln x1+5.4x2-2.23x3, (8)

通过式(8)可得到中心城区温度的空间分布与不透水面、植被、水体覆盖比例的关系, 且R2=0.96。

4 结论与展望

本文主要讨论了南京市中心城区的温度空间分布特征, 讨论了植被、水体的降温效应, 建立了地表温度与不透水面比例、植被比例、水体比例的一元及多元关系模型。

1)中心城区的平均温度、不透水面温度、植被温度、水体温度均随着离市中心的距离的增加, 呈降低趋势; 在与离市中心距离相同的地带, 不透水面的温度最高, 水体的温度最低。

2)不透水面由于比热容小对城市存在升温效应; 植被由于具有蒸腾、光合作用, 水体具有蒸发、热容大等特点, 对城市热岛均有降温效应, 且水体降温效应高于植被。通过进一步模型分析发现, 研究区水体的降温效应约等于植被的2.43倍。

3)在综合中心城区地表温度与不透水面、植被、水体各要素面积比例之间的一元关系模型基础上, 建立了中心城区地表温度与不透水面、植被、水体各要素面积比例之间的多元关系模型。模型拟合结果与常规分析方法的反演结果一致, 相应验证。

城市的地表温度空间分布不仅与不透水面、植被、水体等覆盖面要素的特性有关, 还与这些要素的空间格局、类型、聚集度、均匀度、破碎度等有关。因此需要从更多的角度进一步分析中心城区地表温度的空间分布与各要素的关系, 更深入地研究城市热岛的分布规律及植被、水体的降温效应, 为城市合理规划和提高市民生活环境质量提供依据。

The authors have declared that no competing interests exist.

参考文献
[1] Yuan F, Bauer M E. Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Land sat imagery[J]. Remote Sensing of Environment, 2007, 106: 375-386. [本文引用:1] [JCR: 4.769]
[2] Klysik K, Fortuniak K. Temporal and spatial characteristics of the urban hear island of Lodz, Poland [J]. Atmospheric Environment, 1999, 33(24/25): 3885-3895. [本文引用:1] [JCR: 3.062]
[3] Arnfield A J. Two decades of urban climate research: A review of turbulence, exchanges of energy and water, and the urban heat island [J]. International Journal of Climatology, 2003, 23: 1-26. [本文引用:1] [JCR: 3.398]
[4] 程好好, 曾辉, 汪自书, . 城市绿地类型及格局特征与地表温度的关系——以深圳特区为例[J]. 北京大学学报: 自然科学版, 2009, 45(3): 495-501.
Cheng H H, Zeng H, Wang Z S, et al. Relationships between the types, pattern characteristics of urban green space and land surface temperature: A case study in Shenzhen special economic zone[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2009, 45(3): 495-501. [本文引用:1] [CJCR: 0.882]
[5] 陈健, 杨旭媛. 基于ASTER数据的城市热环境遥感监测研究[J]. 国土资源遥感, 2011, 23(3): 100-105.
Chen J, Yang X Y. A study of remote sensing monitoring of urban thermal environment based on ASTER data[J]. Remote Sensing for Land and Resources, 2011, 23(3): 100-105. [本文引用:1]
[6] 陈峰, 何报寅, 龙占勇, . 利用Land sat ETM+分析城市热导与下垫面的空间分布关系[J]. 国土资源遥感, 2008, 20(2): 56-61.
Chen F, He B Y, Long Z Y, et al. A spatial analysis of urban heat island and underlying surface using Land sat ETM+[J]. Remote Sensing for Land and Resources, 2008, 20(2): 56-61. [本文引用:1]
[7] Lo C P, Quattrochi D A, Luvall J C. Application of high-resolution thermal infrared remote sensing and GIS to assess the urban heat island effect[J]. International Journal of Remote Sensing, 1997, 18(2): 287-304. [本文引用:1]
[8] Boegh E, Soegaard H, Hanan N, et al. A remote sensing study of the NDVI-Ts relationship and the transpiration from sparse vegetation in the Sahel based on high-resolution satellite data[J]. Remote Sensing of Environment, 1999, 69(3): 224-240. [本文引用:1] [JCR: 4.769]
[9] Liang S Z, Shi P. Analysis of the relationship between urban heat island and vegetation cover through Land sat ETM+: A case study of Shenyang[C]//Urban Remote Sensing Joint Event, 2009. [本文引用:1]
[10] 马伟, 赵珍梅, 刘翔, . 植被指数与地表温度定量关系遥感分析——以北京市TM数据为例[J]. 国土资源遥感, 2010, 22(4): 56-61.
Ma W, Zhao Z M, Liu X, et al. A quantitative analysis of the relationship between vegetation indices and land surface temperature based on remote sensing: A case study of TM data for Beijing[J]. Remote Sensing for Land and Resources, 2010, 22(4): 56-61. [本文引用:1]
[11] Chen X L, Zhao H M, Li P X, et al. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes[J]. Remote Sensing of Environment, 2006, 104(2): 133-146. [本文引用:1] [JCR: 4.769]
[12] 周连义, 江南, 吕恒, . 长江南京段湿地景观格局变化特征[J]. 资源科学, 2006, 28(6): 24-29.
Zhou L Y, Jiang N, Lv H, et al. Wetland land scape pattern changes along the Yangtze River in Nanjing City[J]. Resources Science, 2006, 28(6): 24-29. [本文引用:1] [CJCR: 2.068]
[13] 孟宪磊. 不透水面、植被、水体与城市热岛关系的多尺度研究[D]. 上海: 华东师范大学, 2010.
Meng X L. Multi-scale relationships between impervious surface, vegetation, water and urban heat island [D]. Shanghai: East China Normal University, 2010. [本文引用:1]
[14] 叶柯, 覃志豪. 基于MODIS数据的南京市夏季城市热岛分析[J]. 遥感技术与应用, 2006, 21(5): 426-431.
Ye K, Qin Z H. A study of urban heat island in summer of Nanjing based on MODIS data[J]. Remote Sensing Technology and Application, 2006, 21(5): 426-431. [本文引用:1] [CJCR: 1.047]
[15] Otsu N. A threshold selection method from gray-level histograms[J]. Transactions on System, Man, and Cybernetics, 1979, SMC-9(1): 62-66. [本文引用:1]
[16] Qin Z H, Karnieli A. A mono-window algorithm for retrieving land surface temperature from Land sat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2001, 22(18): 3719-3746. [本文引用:2]
[17] 覃志豪, 张敏华, Arnon K, . 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 2001, 56(4): 456-666.
Qin Z H, Zhang M H, Arnon K, et al. Mono-window algorithm for retrieving land surface temperature from land sat TM6 data[J]. Acta Geographica Sinica, 2001, 56(4): 456-666. [本文引用:1] [CJCR: 3.304]
[18] 覃志豪, 李文娟, 徐斌, . 利用Land sat TM6反演地表温度所需地表比辐射率参数的估算方法[J]. 海洋科学进展, 2004, 22(S1): 129-137.
Qin Z H, Li W J, Xu B, et al. Eatimation method of land surface emissivity for retrieving land surface temperature from Land sat TM6 data[J]. Advances in Marine Science, 2004, 22(S1): 129-137. [本文引用:1] [CJCR: 0.636]
[19] 高凯, 秦俊, 宋坤, . 城市居住区绿地斑块的降温效应及影响因素分析[J]. 植物资源与环境学报, 2009, 18(3): 50-55.
Gao K, Qin J, Song K, et al. Fallen temperature effects at green patches of urban residential areas and analysis of its influence factors[J]. Journal of Plant Resources and Environment, 2009, 18(3): 50-55. [本文引用:1]
[20] 雷江丽, 刘涛, 吴艳艳, . 深圳城市绿地空间结构对绿地降温效应的影响[J]. 西北林学院学报, 2011, 26(4): 218-223.
Lei J L, Liu T, Wu Y Y, et al. Effects of structure characteristics of urban green land on the temperature-lowering in Shenzhen City[J]. Journal of Northwest Forestry University, 2011, 26(4): 218-223. [本文引用:1] [CJCR: 1.049]