国土资源遥感, 2018, 30(3): 136-142 doi: 10.6046/gtzyyg.2018.03.19

空间自相关局部指标在城市热岛界定中的应用

江振蓝1, 龚振彬2, 潘辉,3, 张宝玉1, 王婷芬1

1. 闽江学院地理科学系,福州 350108

2. 福州市气象局, 福州 350008

3. 闽江学院,福州 350108

Application of local spatial autocorrelation indices to the delimitation of urban heat island

JIANG Zhenlan1, GONG Zhenbin2, PAN Hui,3, ZHANG Baoyu1, WANG Tingfen1

1. Department of Geographical Science, Minjiang University, Fuzhou 350108, China

2. Fuzhou Meterorological Service, Fuzhou 350008, China

3. Minjiang University, Fuzhou 350108, China

通讯作者: 潘 辉(1968-),男,博士,教授,主要从事环境资源管理和生态旅游方面的研究。Email:332088289@qq.com。

责任编辑: 张仙

收稿日期: 2017-02-8   修回日期: 2017-03-31   网络出版日期: 2018-09-15

基金资助: 国家自然科学基金项目“基于农用地养分收支平衡的多情景畜禽粪便还田空间分配研究”.  41601601
福建省自然基金项目“格网尺度土壤重金属的高光谱遥感预测——以重金属Cr为例”.  2016J01194
福州市科技计划项目“福州城市热环境时空分异与区别”.  2017S136
“福州市城市热岛的时空特征及其成因分析”.  2014S130
福建省自然基金项目“基于高光谱特征与目标分割的城市地物识别研究”.  2015J01627

Received: 2017-02-8   Revised: 2017-03-31   Online: 2018-09-15

作者简介 About authors

江振蓝(1977-),女,博士,副教授,主要从事生态环境遥感研究。Email:jessie33cn@163.com。 。

摘要

为探讨空间自相关局部指标在城市热岛界定中的有效性和局限性,运用目前常用的6种算法对福州市Landsat8热红外数据进行地表温度(land surface temperature,LST)反演,利用Moran’s I指数(local Moran’s I index)和G系数(Getis-Ord local G)法界定福州的热岛范围; 比较基于不同LST反演算法的界定结果,并将结果与等间距法、均值标准差法和区域均值分级法进行对比分析。结果表明: Moran’s I指数法和G系数法均能较准确地确定热岛范围,但G系数法界定的热岛范围较Moran’s I指数法更符合实际,对不同LST反演算法的依赖性较小,并与目前常用的热岛界定方法更具可比性,更适合应用于城市热岛界定; G系数法兼顾了LST的高低及其空间相关关系,其界定的城市热岛范围具有明确的统计学意义,而且阈值无需人为干涉,结果更为客观和准确,可在城市热岛定量研究中进一步推广。

关键词： 城市热岛 ; 热岛界定 ; Moran's I指数; ; G系数

Abstract

In this paper, two spatial autocorrelation indices were used to delimit urban heat island in Fuzhou City in a statistical sense. The effectiveness and limitation of the two indices were then analyzed so as to find effective methods for quantitative study of urban heat island. At first, land surface temperature (LST) was retrieved on the basis of Landsat8 thermal infrared data of Fuzhou City by applying 6 methods that are frequently used. Then Local Moran’s I Index and Getis-Ord local G were used to delimit urban heat island in the study area. At last the different delimitation outcomes were compared with each other and were then compared with the outcomes obtained by other methods, including equal interval method, mean standard deviation method and regional average classification method. The findings are as follows: ① Both Local Moran’s I index and Getis-Ord local G accurately delimit urban heat island. By comparison, Getis-Ord local G is more accurate in heat island delimitation and is less dependent on methods of LST retrieval. It is more comparable with other heat island delimitation methods; ② The method applying Getis-Ord local G takes into account both surface temperature and spatial correlation of temperature, which makes the delimitation outcome statistically meaningful. With its threshold value free of human factors, the method is therefore more objective and more applicable in the quantitative study of urban heat island.

Keywords： urban heat island ; delimitation of urban heat island ; local Moran's I index; ; Getis-Ord local G

PDF (3953KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

江振蓝, 龚振彬, 潘辉, 张宝玉, 王婷芬. 空间自相关局部指标在城市热岛界定中的应用. 国土资源遥感[J], 2018, 30(3): 136-142 doi:10.6046/gtzyyg.2018.03.19

JIANG Zhenlan, GONG Zhenbin, PAN Hui, ZHANG Baoyu, WANG Tingfen. Application of local spatial autocorrelation indices to the delimitation of urban heat island. REMOTE SENSING FOR LAND & RESOURCES[J], 2018, 30(3): 136-142 doi:10.6046/gtzyyg.2018.03.19

0 引言

城市热岛效应是指由于人类活动造成的城市气温高于周围自然环境气温的现象[1]。国内外学者采用气象观测法及遥感监测法相继开展了大量关于城市热岛效应的研究[2,3,4,5,6]。其中,遥感监测法能够提供大面积的连续且同步的观测数据,克服了气象观测数据的空间不连续性问题,已成为城市热岛时空分布演变规律研究的主要手段,常被用于分析城市热环境的时空分布特征、城市热环境及其地表景观的相互作用、城镇化的热岛效应和城市热岛的形成机制及其成因等。前人的这些研究都涉及到一个重要的基础性问题——城市热岛范围的界定[7,8]。该问题直接影响到城市热岛的定义和计算、地表热场分布、热岛结构和热岛演变等的后续研究工作。目前,直接关注热岛范围界定的研究较少,热岛的界定大多基于温度等级法,即通过某种分级标准,将地表温度(land surface temperature,LST)进行等级划分,进而确定城市热岛范围。如徐涵秋等[9,10]和张好等[11]采用等间距法,对LST进行归一化处理,按照相同的温度间隔将LST分成若干等级,进而提取出热岛区域; 乔治等[12]和白杨等[13]采用均值标准差法,利用LST均值和不同标准差的倍数组合划分地表热场,从而界定出热岛区域; 刘帅等[14]和王靓等[15]则采用区域均值分级法,根据城区和郊区的平均温度来划分城市热岛。上述方法无疑为热岛定量研究提供了翔实的理论与方法支持,然而却具有很强的人为主观性。利用不同阈值、不同分级数确定的热岛范围和热岛强度是不同的,研究结果会有很大的不确定性,使得城市热岛效应研究样本之间通用性和可比性大大降低[16]。因此,如何客观、科学地界定热岛范围是当前城市热岛定量研究中亟待解决的问题之一。

空间自相关分析为解决这一问题提供了可能[8,17-18]。该方法是利用空间自相关指数来探索自然与社会现象的空间模式和非常态分布特征。其中,全局指标用于揭示整个研究区域的空间模式,而局部指标则用于反映一个区域单元上的某种属性值与邻近区域单元同一属性值的相关程度[19,20,21],最常用的是Moran’s I指数(local Moran’s I index)和G系数(Getis-Ord local G)法。本文利用Moran’s I指数法和G系数法分别对不同反演算法计算的LST进行热岛范围界定,并将界定结果与已有方法进行对比分析,探讨这2种方法确定城市热岛范围的有效性和局限性,为城市热岛定量研究提供方法支持。

1 研究区概况及数据源

本文以福州主城区及其毗邻地区(面积约为795 km2)为研究对象。福州是福建省的省会,其所在地属典型的河口盆地,四周被群山包围,地貌以山地、丘陵为主,海拔多在600~1 000 m之间,地势自西向东倾斜。随着城镇化水平的不断提高,福州城市范围急剧扩大,城市热岛效应日益严重,已成为该市可持续发展迫切需要解决的生态问题[10,17]。

本文使用2013年8月4日覆盖福州市的Landsat8数据,行/列号为119/42。Landsat8卫星热红外传感器TIRS第10波段(B10)和11波段(B11)数据用于反演LST; 陆地成像仪OLI的第3,4,5和6波段数据用于计算研究区的归一化植被指数(normalized difference vegetation index, NDVI)、改进型归一化水体指数(modified normalized difference water index, MNDWI)及归一化建筑指数(normalized difference build-up index, NDBI),进而用作地表比辐射率的计算。遥感数据预处理主要包括辐射定标,大气校正及影像裁剪等前期准备。

2 研究方法

2.1 LST反演

本文采用6种常用于Landsat8热红外数据LST反演的算法计算研究区LST,具体步骤如下:

1)地表亮温的计算。TIRS第10和11波段的亮温公式为

T=K2/ln(K1/L+1)

式中: T为像元的亮度温度,K; L为光谱辐射值; K1和K2为热红外波段的定标常数,TIRS B10的K1=774.89 W·m-2·sr-1·μm-1,K2=1 321.08 K; TIRS B11的K1=480.89 W·m-2·sr-1·μm-1,K2=1 201.14 K。

2)地表比辐射率的估算。采用覃志豪等[22]提出的经验公式法进行计算,将地类分为水面、城镇和自然表面3类,计算各地类的植被覆盖度,进而计算各地类的地表比辐射率。

3)LST反演。LST的反演方法包括: ①基于影像的反演算法(image-based method,IB)[23]; ②Wang等[24]增加Landsat8大气参数的改进版单窗算法(improved mono-window algorithm,IMW); ③辐射传导方程法(radiative transfer equation,RTE)[25]; ④Jiménez-Muñoz等[26,27,28]增加针对Landsat8热红外数据的大气参数的单通道算法(single-channel method,SC); ⑤Jiménez-Muñoz等[28]的劈窗算法(split-window algorithm, SW_JM); ⑥Rozenstein等[29]的劈窗算法(split-window algorithm,SW_R)。以上各算法的LST反演公式和参数取值参见上文列出的相关文献。

由于目前TIRS B11值仍不稳定,根据美国地质调查局的建议,本文单通道算法均采用TIRS B10值进行LST反演。由于受ArcGIS空间分析门槛值的限制,LST的反演结果采用TIRS波段的原始空间分辨率100 m,即重采样后其栅格大小为100 m×100 m。

2.2 城市热岛界定

基于局部指标Moran’s I指数和G系数实现城市热岛的界定。

2.2.1 Moran’s I指数

由Anselin[30]于1995年提出,用以衡量空间对象的属性值在局部的相关性质,其计算公式为

Ii=∑i=1N∑j=1NW(i,j)(xi-x-)(xj-x-)

式中: N为总栅格数; xi和xj分别为栅格i和j的LST,且i≠j; x-为区域LST的均值,即 x-=1N∑i=1Nxi; W(i,j)为空间权重矩阵。

正的Ii表示该空间单元与邻近单元的属性值相似(“高-高”或“低-低”),负的Ii表示该空间单元与邻近单元的属性值不相似(“高-低”或“低-高”)[17,21]。对局部Moran’s I进行聚类,将LST空间分布模式分为3类: ①HH(高-高)型,表示区域自身和周边的LST均较高的区域,即温度高的区域被周围高温区所包围,自身和周边的温度空间差异程度较小,故可以将该类区域划分为热岛区; ②LL(低-低)型,表示区域自身和周边的LST均较低,区域自身和周边的温度空间差异程度较小,形成相对的冷岛区; ③其余的为常温区。

2.2.2 G系数

由Ord等[31]于1995年提出,能探测出髙值聚集和低值聚集,其计算公式为

Gi=∑i=1N∑j=1NW(i,j)xixj∑i=1N∑j=1Nxixj。

显著的正 Gi表示栅格i的周围观测值高,显著的负 Gi表示i的周围观测值低[20,21]。本文给定显著性水平α=0.05,置信区间为(-1.65,1.65),结合城市热岛的含义,利用 Gi值将研究区分为热岛区( Gi≥1.65)、常温区(-1.65< Gi<1.65)和冷岛区( Gi≤-1.65)[17]。

3 结果与分析

3.1 LST反演结果

图1为用不同反演算法计算得到的研究区LST。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区LST的空间分布

Fig.1   Spatial distribution of land surface temperature in study area


不同算法反演的LST,其空间分布的总体趋势大致相同: 在城建区建设用地较为密集的区域温度较高,而在水体或林地区域则温度较低。但不同算法反演得到的LST均值及其分布范围却有较大差异(表1),SC算法反演的LST最高,平均值最大; IB算法反演的LST最小,两者均值相差近10 ℃。但LST空间异质性(温差和标准差)则以IMW算法反演的结果最大,IB算法最小。

表1   基于不同算法反演的LST统计特征

Tab.1  Statistical features of land surface temperature based on different retrieval methods(℃)

反演算法最小值最大值平均值温差标准差
IB27.3544.8433.4417.493.45
IMW26.5558.7037.0432.156.07
RTE32.9462.0242.6929.085.53
SC33.1563.8943.3330.745.82
SW_JM27.5454.8436.3527.305.11
SW_R29.6155.4638.3425.854.87

新窗口打开| 下载CSV


3.2 热场空间分布特征

基于局部空间自相关分析,利用Moran’s I指数和G系数进行福州市热岛范围的界定结果如图2和表2所示。从图2可以直观地看出,基于空间自相关局部指标的城市热岛界定方法可以有效地确定热岛范围,无论是Moran’s I指数法还是G系数法界定的热岛范围在空间分布上均呈现出相同的趋势: 在福州市城区建设用地和裸(沙)地分布的高温聚集区,形成热岛; 而闽江、鼓山等水体及林地覆盖区则形成冷岛,与实际情况较吻合,分布较为合理。Moran’s I指数法与G系数法均界定为热岛、冷岛或常温区的一致性较好,在研究区呈连片分布; 2种方法对热/冷岛界定结果的差异主要表现在部分区域Moran’s I指数法界定为常温区,而G系数法界定为热岛区; 或部分区域Moran’s I指数法界定为常温区,G系数法则界定为冷岛区。这些区域零星分布在热岛/冷岛四周,说明基于Moran’s I指数法与G系数法界定的热岛或冷岛的空间分布基本一致,差异主要在于后者所提取的热岛或冷岛范围均大于前者,增加的部分主要位于Moran’s I指数法提取的热岛/冷岛的四周,呈零星分布。与原始影像及LST反演结果进行关联分析,发现G系数法较Moran’s I指数法增加的热岛区域主要分布在LST较高的建设用地/裸地区域,增加的冷岛区域主要集中在LST较低的林地区域,说明G系数法提取的城市热岛范围更符合实际情况。Moran’s I指数法能够很好地提取城市热岛/冷岛中心,但对于城市热岛/冷岛界定的范围则比实际范围偏小。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   利用Moran’s I指数法和G系数法提取的城市热场空间分布图

Fig.2   Spatial distribution of urban heat islands delimitated with local Moran’s I index and Getis-Ord local G


表2   城市热场信息提取统计

Tab.2  Statistics of urban heat islands delimitated(%)

反演算法Morans’I指数法G系数法
热岛区冷岛区常温区热岛区冷岛区常温区
IB25.4122.7651.8328.6526.6944.66
IMW25.1024.3850.5228.3627.9143.73
RTE25.2524.2550.5028.4827.8043.72
SC25.1724.3750.4628.4027.8543.75
SW_JM25.6924.9549.3629.0328.7442.23
SW_R25.6025.9548.2529.2329.5341.24

新窗口打开| 下载CSV


从表2可知,在IB,IMW,RTE和SC这4种单通道算法之间或SW_JM和SW_R这2种劈窗算法之间,热岛/冷岛范围差异相对较小; 但单通道算法和劈窗算法之间的差异则较为明显,基于劈窗算法的热岛范围较基于单通道算法的热岛范围在主城区差异不显著,而在闽侯等新城区热岛范围较单通道算法有较明显增加。对于同一算法反演的LST,G系数法确定的热岛及冷岛范围均明显大于Moran’s I指数法。

3.3 城市热岛界定方法对比分析

3.3.1 不同方法界定城市热岛的稳定性分析

在基于不同算法反演的LST基础上,对利用空间自相关局部指标界定的城市热场分布图进行两两叠置分析,利用热场类型稳定区域(包括热岛、冷岛和常温区保持不变区域)的面积百分比作为指标(图3),来判定用Moran’s I指数法和G系数法进行城市热岛界定的稳定性大小。稳定区域所占比重越大,说明该界定方法对LST反演算法的敏感性越小,稳定性也越好; 反之亦然。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   Moran’s I指数法与G系数法对LST反演算法的敏感性

Fig.3   Sensitivity of local Moran’s I index and Getis-Ord local G in retrieval methods of land surface temperature


从图3可以看出,G系数法总体上较Moran’s I指数法对LST反演算法的敏感性要小,稳定性更好,表现为G系数法对基于不同反演算法提取的热场类型保持稳定的区域比例始终大于Moran’s I指数法,尤其是IMW和SC算法、RTE和SC算法及IMW和RTE算法间的结果对比尤为明显。该3组方法之间,G系数法的稳定区域比例较Moran’s I指数法均高于3.5%。但G系数法和Moran’s I指数法对LST反演算法的敏感程度表现出的趋势是一致的,无论是G系数法还是Moran’s I指数法,总体上表现为单通道算法IMW,SC,RTE和IB之间或劈窗算法SW_JM和SW_R之间热岛信息提取结果的一致性较好,而单通道算法与劈窗算法之间热岛信息提取结果的一致性则相对较差。其中,IMW和SC算法间的一致性最好(G系数法和Moran’s I指数法的稳定区域比例分别为99.89%和96.35%),其次为RTE和SC(稳定区域比例分别为99.87%和96.29%)以及IMW和RTE(稳定区域比例分别为99.78%和96.27%),而IB和SW_R算法间的一致性则最差,热场稳定区域比例仅分别为91.53%和90.57%。

3.3.2 不同方法城市热岛界定结果的可比性分析

目前,城市热岛定量研究中存在的主要问题之一是不同研究者采用的指标不同,热岛界定方法不同,使得研究结果缺乏可比性和通用性[16,18]。为了检验本文方法的通用性和可比性,采用目前最常用的热岛界定方法(即等间距法、均值标准差法和区域均值分级法)进行研究区热岛范围的界定,并将结果与本文2种方法提取的热岛信息进行叠置分析,以热场类型稳定区域百分比为指标,进行对比分析。具体步骤为: ①利用等间距法[9]、均值标准差法[7]和区域均值分级法[32]将研究区LST划分为特高温区、高温区、次高温区、中温区、次中温区、次低温区和低温区7级,特高温区与高温区为城市热岛区,次低温区和低温区为冷岛区,其他类型区为常温区; ②将各算法反演的LST利用Moran’s I指数法和G系数法分别与等间距法、均值标准差法、区域均值分级法提取的城市热场分布图进行两两叠置分析,结果如图4所示。由图4可以看出,G系数法与等间距法、均值标准差法及区域均值分级法的可比性均优于Moran’s I指数法与3种方法的可比性,表现为G系数法与等间距法、均值标准差法及区域均值分级法界定的热场类型稳定区域均明显大于Moran’s I指数法与该3种方法间的热场稳定区域。其中,G系数法与均值标准差法间的可比性最好,2种方法提取的热场稳定区域比例均大于94%,热岛信息提取结果呈现出高度一致; 其次为G系数法与区域均值分级法,两者界定结果保持了较好的可比性,热场稳定区域比例除IB反演算法为93.96%外,其余算法也均大于94%; 而Moran’s I指数法与等间距法的可比性则最差,热场稳定区域比例仅保持在88.54%~91.95%之间,且对LST反演算法的依赖性较大。综上所述,与目前常用的等间距法、均值标准差法或区域均值分级法相比,在城市热岛界定应用中,G系数法较Moran’s I指数法更具通用性,更适合在城市热岛定量研究中推广。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   空间自相关局部指标法与常规城市热岛界定方法的可比性

Fig.4   Comparability of local spatial autocorrelation indices with other methods frequently used in delimitation of urban heat island


4 结论

1)基于空间自相关局部指标的城市热岛界定方法可以有效地确定热岛范围,无论是Moran’s I指数法还是G系数法界定的热岛范围在空间分布上呈现出相同的趋势: 在城区建设用地和裸地等分布的高温聚集区,形成热岛; 而大面积水体、林地等分布的低温聚集区则形成冷岛,与实际情况较吻合,分布较为合理。

2)Moran’s I指数法与G系数法相比较,后者所提取的热岛或冷岛范围均大于前者。G指数法较Moran’s I指数法增加的热岛区域主要分布在LST较高的建设用地、裸地等区域,增加的冷岛区域主要集中在温度较低的林地区域,说明G系数法提取的城市热岛/冷岛范围更符合实际。且G系数法对于LST反演算法的依赖性较小,与现有热岛界定方法具有很好的可比性,较Moran’s I指数法更适合在城市热岛定量研究中推广应用。

3)基于空间自相关局部指标G系数的城市热岛范围界定方法,与传统的温度等级法相比,不仅考虑了LST的高低,还综合考虑了LST的空间相关关系,其界定的城市热岛范围具有明确的统计学意义; 而且阈值无需人为干涉,结果更为客观和准确。此外,G系数法在识别城市热岛的同时,还能客观、准确地识别出相对的冷岛范围,可为进一步的城市热岛定量研究提供更为翔实的数据支持。

参考文献

Howard L .

Climate of London deduced from meteorological observation

[J].Harvey and Darton, 1833,1(3):1-24.

URL     [本文引用: 1]

The climate of London, deduced from meteorological observations Luke Howard （Cambridge library collection） Cambridge University Press, c2012 1 2

Zhou D C, Zhang L X, Hao L , et al.

Spatiotemporal trends of urban heat island effect along the urban development intensity gradient in China

[J]. Science of the Total Environment, 2016,544:617-626.

DOI:10.1016/j.scitotenv.2015.11.168      URL     [本文引用: 1]

Liu K, Su H B, Li X K , et al.

Quantifying spatial-temporal pattern of urban heat island in Beijing:An improved assessment using land surface temperature (LST) time series observations from Landsat,MODIS,and Chinese new satellite GaoFen-1

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016,9(5):2028-2042.

DOI:10.1109/JSTARS.2015.2513598      URL     [本文引用: 1]

Li C F, Shen D, Dong J S , et al.

Monitoring of urban heat island in Shanghai,China,from 1981 to 2010 with satellite data

[J]. Arabian Journal of Geosciences, 2014,7(10):3961-3971.

DOI:10.1007/s12517-013-1053-8      URL     [本文引用: 1]

This paper investigates the urban heat island (UHI) characteristics of Shanghai, China, during 1981–2010 using Landsat thematic mapper/multispectral scanner and moderate-resolution imaging spectroradiometer satellite data from the perspectives of time and space, with further analysis of the landscape pattern, the urban heat island effect ratio, and formative factors. The results show the following: (1) From the interannual variation, the secondary-medium temperature area and the medium temperature area are the main bodies of Shanghai UHI, accounting for 67.16–83.6902% of the total area, and have a rising trend over time. (2) From the landscape pattern, the secondary-medium temperature area and the medium temperature area have a dominant position over the whole UHI landscape pattern of Shanghai; the relatively high-temperature area gradually decreases, and its dominance over the whole UHI landscape pattern declines. (3) From the spatial distribution, the pattern in which the urban area initially had complete domination has gradually transformed to become primarily urban area centered and other construction land supplemented with rapid urbanization. Rapid increase of the green land in the urban area has to some extent reduced the UHI characteristics of the Shanghai area in recent years.

Wang J, Huang B, Fu D J , et al.

Spatiotemporal variation in surface urban heat island intensity and associated determinants across major Chinese cities

[J]. Remote Sensing, 2015,7(4):3670-3689.

DOI:10.3390/rs70403670      URL     [本文引用: 1]

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.doi: 10.6046/gtzyyg.2011.03.18.

Magsci     [本文引用: 1]

<p>以ASTER数据为数据源,采用同一颗卫星上的MODIS数据得到大气透过率; 利用可见光和近红外波段对下垫面类型进行分类和利用JPL(Jet Propulsion Lab) 提供的光谱库计算地表比辐射率,进而采用劈窗算法进行地表温度(Land Surface Temperature,LST)的反演。在此基础上,利用反演的LST、分类结果和归一化差值植被指数(NDVI),对沧州地区的城市热环境进行了定量分析,研究结果可为进一步深入探讨城市热岛的发生发展规律以及城市热环境的模拟调控、优化布局提供一定的科学依据。</p>

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.doi: 10.6046/gtzyyg.2011.03.18.

Magsci     [本文引用: 1]

陈松林, 王天星 .

等间距法和均值-标准差法界定城市热岛的对比研究

[J]. 地球信息科学学报, 2009,11(2):145-150.

Magsci     [本文引用: 2]

利用ASTER数据反演地表温度,采用等间距法和均值-标准差法,将研究区温度场分别划分为4级、5级、6级,并根据热岛区的界定进一步将4级、6级细分为4级(a)、4级(b)、6级(a)和6级(b)。在此基础上,对两种方法从城市热岛数量结构差异、热岛空间分布及细节表达等方面进行了系统对比分析。结果表明:两种方法所界定热岛的面积百分比随着分级数不同均出现跳跃现象,趋势基本一致。但就热岛强度而言,均值-标准差法对分级数的敏感性较等间距法小,在热岛的空间分布和温度变异的细节表现力等方面,均值-标准差法也优于等间距分级法。因此,综合来看,均值-标准差法是城市热岛界定的较适合方法。均值-标准差法以地表温度相对于平均温度的变异程度为依据进行热场划分,在多时相城市热岛演变、对比等研究中,一定程度上可以避开时相的差异。

Chen S L, Wang T X .

Comparison analyses of equal interval method and mean-standard deviation method used to delimitate urban heat island

[J]. Journal of Geo-information Science, 2009,11(2):145-150.

Magsci     [本文引用: 2]

张伟, 蒋锦刚, 朱玉碧 .

基于空间统计特征的城市热环境时空演化

[J]. 应用生态学报, 2015,26(6):1840-1846.

URL     Magsci     [本文引用: 2]

利用遥感反演和GIS空间分析等工具,提出了一种基于空间统计特征的城市热岛范围界定方法,并应用该方法分析了1984&mdash;2010年杭州市城市热环境的时空演化规律.结果表明: 1984&mdash;2010年间,杭州市的城市热岛面积增加了8.66倍;杭州城市热岛的空间形态日趋复杂,空间分布由单中心的聚集状态逐渐向多中心的扩散状态发展;杭州城市热环境呈现出由区域低温均衡向区域高温均衡发展的态势.城市热岛的动态变化检测表明,城市扩张是杭州城市热岛发育的主要原因.本文所提方法考虑了城市地表温度的空间相关关系,反映了城市地表温度的全局统计特征,提供的信息更多,也更为客观和准确.通过该方法的推广,有助于解决当前城市热岛研究中研究样本之间缺乏通用性和可比性的问题.

Zhang W, Jiang J G, Zhu Y B .

Spatial-temporal evolution of urban thermal environment based on spatial statistical features

[J]. Chinese Journal of Applied Ecology, 2015,26(6):1840-1846.

Magsci     [本文引用: 2]

徐涵秋, 陈本清 .

不同时相的遥感热红外图像在研究城市热岛变化中的处理方法

[J]. 遥感技术与应用, 2003,18(3):129-133.

DOI:10.3969/j.issn.1004-0323.2003.03.002      URL     Magsci     [本文引用: 2]

<p>卫星图像的热红外波段已被广泛地用来研究城市热岛效应。由于客观条件的限制,在城市热岛变化的比较研究中,很难获得不同年代的同时相图像,特别是在南方多云雨的地区。所以,这给城市热岛的变化研究带来了很大的困难。为此,采用了将不同时相的热红外图像进行正规化、分级,并制成差值影像图的方法,较好地减少了季相差异的影响,使得不同时相的热红外图像得以对比。为了定量地研究城市热岛(UHI)的变化,还创建了城市热岛比例指数(URI)。该指数通过热岛面积和城市建成区面积的比例关系并赋于不同的权重值来定量地评估热岛现象的变化情况。</p>

Xu H Q, Chen B Q .

An image processing technique for the study of urban heat island changes using different seasonal remote sensing data

[J]. Remote Sensing Technology and Application, 2003,18(3):129-133.

Magsci     [本文引用: 2]

徐涵秋 .

基于城市地表参数变化的城市热岛效应分析

[J]. 生态学报, 2011,31(14):3890-3901.

Magsci     [本文引用: 2]

以不透水面、植被、水体为代表的地表参数的变化决定了城市的热环境质量。针对福州从一个非"火炉"城市一跃成为中国新三大"火炉"之首,对福州市1976-2006年间的地表参数变化及其对城市热环境的影响进行研究。通过Landsat卫星影像反演了福州市1976、1986、1996、2006年的不透水面、植被、水体、地面温度等主要地表参数,并对其进行空间叠加分析和相关关系的定量分析。研究发现:不透水面对地面温度的影响可接近或超过植被和水体之和,查明了福州城市主要地表参数在这30a里发生的变化及其对城市热环境的影响。总的看来,城市地表不透水面斑块的增加和集聚、植被和水体面积的减少和破碎,以及通风不畅,是造成福州成为"火炉"城市的主要因素。

Xu H Q .

Analysis on urban heat island effect based on the dynamics of urban surface biophysical descriptors

[J]. Acta Ecologica Sinica, 2011,31(14):3890-3901.

Magsci     [本文引用: 2]

张好, 徐涵秋, 李乐 , 等.

成都市热岛效应与城市空间发展关系分析

[J]. 地球信息科学学报, 2014,16(1):70-78.

DOI:10.3724/SP.J.1047.2014.00070      URL     Magsci     [本文引用: 1]

利用Landsat卫星影像反演成都市中心城区1992、2001和2009年的地表温度，建筑用地和植被等信息，计算其城市热岛比例指数（URI），对成都市中心城区热岛效应与城市空间发展关系进行了分析。结果表明，在1992-2009年期间成都市主城区范围从91.24km<sup>2</sup>扩展到403.8km<sup>2</sup>。成都市建成区的大面积扩展导致了城市热岛空间分布发生迁移，从单中心聚集分布转变为多中心环状分布。回归分析说明，建筑用地和植被都是影响地表温度的重要因素，其中建筑用地与地表温度呈指数型正相关关系，而植被与地表温度呈负相关关系。总的看来，成都市中心城区在这17年间的热岛效应有了明显的缓解，城市热岛比例指数从0.72下降到0.33。城市植被覆盖率的增加和合理的规划对缓解城市热岛效应起到了积极的作用。

Zhang H, Xu H Q, Li L , et al.

Analysis of the relationship between urban heat island effect and urban expansion in Chengdu,China

[J]. Journal of Geo-information Science, 2014,16(1):70-78.

Magsci     [本文引用: 1]

乔治, 田光进 .

北京市热环境时空分异与区划

[J]. 遥感学报, 2014,18(3):715-734.

DOI:10.11834/jrs.20143030      URL     Magsci     [本文引用: 1]

城市热环境空间区划是采用分区管理的思路来缓解城市社会经济发展与热环境之间矛盾的技术基础。本文构建城市热环境区划模型的思路为：（1）将不同时相的MODIS地表温度数据产品进行正规化、分级，分析2008年北京城市热环境时空分布特征。（2）构建城市热环境影响因素评价体系，并通过空间主成分分析计算得到热环境影响主成分因子。（3）通过自组织映射神经网络，利用热环境影响主因子，进一步对热环境进行空间区划。结果表明，北京夜间较白天城市热岛分布层次感明显，夏季白天较其他季节高温区聚合程度高。区域下垫面组成要素直接影响热环境，北京城市热环境的主成分因子依次为植被覆盖、地形地貌、城市下垫面建设规模和人为热排放，并依此将北京划为7个热环境区域，根据各个分区热环境成因机制差异分别提出热环境改善和调控措施。

Qiao Z, Tian G J .

Spatiotemporal diversity and regionalization of the urban thermal environment in Beijing

[J]. Journal of Remote Sensing, 2014,18(3):715-734.

Magsci     [本文引用: 1]

白杨, 孟浩, 王敏 , 等.

上海市城市热岛景观格局演变特征研究

[J]. 环境科学与技术, 2013,36(3):196-201.

URL     [本文引用: 1]

城市热岛空间格局特征及其内在驱动机制的研究可为缓解城市热岛效应、城市规划与产业布局提供科学依据,目前这方面研究还比较少,相关机制并没有得到完全的揭示。该研究以上海市为研究对象,采用1987、1996、2002和2010年4景Landsat TM/ETM+遥感影像,对城市地表温度进行了反演与分级。借助景观格局指数,分析了上海市城市热岛景观格局时空演变特征。结果表明:随着1987-2010年上海市不断城市化,各级热岛景观类型斑块数量持续增加,高等级的城市热岛景观类型面积也持续增加,整个城市热岛景观趋于破碎化。热岛景观总体聚集度下降,连通性下降,但是低等级热岛景观向高等级热岛景观转移的面积逐渐增加,景观类型之间面积差异逐渐减小,景观均匀度和多样性增加。城市化过程中,人口数量的增加和经济的快速发展对城市热岛景观格局的形成和演变具有重要的影响。研究结果揭示了城市热岛格局随城市化进程的时空演变特征,可以为制定有效的热岛效应缓解措施提供参考依据。

Bai Y, Meng H, Wang M , et al.

Spatial and temporal changes of urban thermal landscape pattern in Shanghai

[J]. Environmental Science and Technology, 2013,36(3):196-201.

[本文引用: 1]

刘帅, 李琦, 朱亚杰 .

基于HJ-1B的城市热岛季节变化研究——以北京市为例

[J]. 地理科学, 2014,34(1):84-88.

Magsci     [本文引用: 1]

<p>基于中国的HJ-1B卫星反演地表温度，通过建立一种2.5 维高斯表面模型来对北京城市热岛建模，定量描述热岛的位置、形状和大小，并用这种模型来描述城市热环境及其季节变化。研究发现，北京市热岛效应季节变化明显，夏季市中心形成热岛且强度和范围最大，冬季城区中心变成冷岛。在2009 年夏季，北京市热岛区域东西横跨33.92 km，南北横跨40.92 km，面积约为1 090.14 km<sup>2</sup>。相对的，在冬季，北京市区温度比郊区低，从而形成一个冷岛。研究表明HJ-1B卫星是城市热环境监测中的一个良好的数据源。</p>

Liu S, Li Q, Zhu Y J .

Study on seasonal variation of urban heat island with HJ-1B satellite imagery:A case study of Beijing

[J]. Scientia Geographica Sinica, 2014,34(1):84-88.

Magsci     [本文引用: 1]

王靓, 孟庆岩, 吴俊 , 等.

2005―2014年北京市主要城建区热岛强度时空格局分析

[J]. 地球信息科学学报, 2015,17(9):1047-1054.

DOI:10.3724/SP.J.1047.2015.01047      Magsci     [本文引用: 1]

本文利用LANDSAT-8数据计算距离加权不透水面聚集密度,以城市聚类算法提取北京市主要城建区范围。并用2005-2014年MODIS 8天合成地表温度产品,以主要城建区面积150%的周边区域作为边缘区,计算城建区与边缘区平均温度差值为热岛强度;分析北京市主要城建区热岛强度年内时序变化;依据地表温度与当月平均热岛强度对热岛强度进行等级划分,统计不同热岛强度等级出现频率,分析其空间分布特征及与不透水面聚集密度的相关性。结果表明：（1）年内1-12月热岛强度随边缘区平均温度变化显示较好的规律性,白天为逆时针分布,夜间为顺时针分布;（2）白天热岛强度等级以2、3级为主,春、夏季中南部为三级热岛强度高发区;夜间呈现由外围向中心的&#x0201c;环状递增&#x0201d;特征,高等级热岛强度出现的频率由外围向中心不断递增;（3）不透水面聚集密度对白天不同等级热岛强度出现频率影响显著,1-4级热岛强度出现频率,随不透水面聚集密度增加而增加,不透水面聚集密度达到50%后的影响趋于减弱。

Wang L, Meng Q Y, Wu J , et al.

Monitoring and analyzing spatio-temporal changes of heat island intensity in Beijing main urban construction area from 2005 to 2014

[J]. Journal of Geo-information Science, 2015,17(9):1047-1054.

Magsci     [本文引用: 1]

Stewart I D .

A systematic review and scientific critique of methodology in modern urban heat island literature

[J]. International Journal of Climatology, 2011,31(2):200-217.

DOI:10.1002/joc.v31.2      URL     [本文引用: 2]

江振蓝, 潘辉, 张宝玉 , 等.

基于空间自相关的城市热岛时空格局变化

[J]. 安徽农业科学, 2016,44(30):41-45,135.

[本文引用: 4]

Jiang Z L, Pan H, Zhang B Y , et al.

Spatiotemporal pattern changes of urban heat island based on spatial autocorrelation

[J]. Journal of Anhui Agricultural Science, 2016,44(30):41-45,135.

[本文引用: 4]

王鹏龙, 张建明, 吕荣芳 .

基于空间自相关的兰州市热环境

[J]. 生态学杂志, 2014,33(4):1089-1095.

Magsci     [本文引用: 2]

<div style="line-height: 150%">基于Landsat-8 OLI/TIRS数据，计算得到亮度温度热场，采用空间自相关方法分析了河谷型城市兰州市热环境的空间分布与内部结构。结果表明：兰州城市热环境的高温中心主要集中在4个主城区的工商业集中和人口密集区域，黄河及两岸的绿化带形成了一条贯穿城区的相对低温通道；波段10的热场能更好地突出高温中心和低温区域，同一土地利用类型的亮度温度分布更为集中，有利于城市热环境的分析；城市亮度温度热场具有高度的空间自相关性；相比较而言，波段10的亮度温度热场空间依赖性更好；在同等分辨率尺度下，城市热环境研究的采样间隔尺度可以确定为1 km；局部空间自相关能很好描述城市热环境内部关联模式，同时有效监测城市热环境的空间异常值区域，为城市生态规划提供依据。</div><div style="line-height: 150%"></br>&nbsp;</div>

Wang P L, Zhang J M, Lyu R F .

Urban thermal environment pattern with spatial autocorrelation in Lanzhou

[J]. Chinese Journal of Ecology, 2014,33(4):1089-1095.

Magsci     [本文引用: 2]

江振蓝, 苏世亮, 荆长伟 , 等.

基于探索性空间数据分析的安吉县水土流失时空变异规律研究

[J]. 浙江大学学报(理学版), 2011,38(6):708-715.

DOI:10.3785/j.issn.1008-9497.2011.06.019      URL     Magsci     [本文引用: 1]

实时、准确地掌握区域水土流失时空变异规律是制定有效水土保持措施的关键.但目前水土流失时空规律分析鲜有兼顾定量数值特征与空间可视化特征.本研究利用探索性空间分析方法和遥感信息，在景观尺度上，对1994~2003年间浙江安吉县水土流失的时空动态格局进行分析.结果表明，10年间安吉县水土流失强度增加、影响范围扩大、水土流失高风险区面积增加.在500 m&times;500 m和1 000 m&times;1 000 m 2种格网尺度上，水土流失空间格局均表现出明显的空间集聚性，但以500 m&times;500 m尺度上的表现更为显著.这种探索性空间分析方法，从定量的统计学和可视化角度有效地揭示了水土流失的时空变异规律，为相关部门和人员定量评价水土流失，制定有效的水保措施提供了新的方法和手段.

Jiang Z L, Su S L, Jing C W , et al.

Spatio-temporal dynamics of soil loss in Anji County, Zhejiang Province using exploratory spatial data analysis

[J]. Journal of Zhejiang University(Science Edition), 2011,38(6):708-715.

Magsci     [本文引用: 1]

张松林, 张昆 .

空间自相关局部指标Moran指数和G系数研究

[J]. 大地测量与地球动力学, 2007,27(3):31-34.

URL     Magsci     [本文引用: 2]

研究了空间统计中最常用的局部空间自相关指标：Moran指数和G系数。基于模拟的空间区域，设计一些有代表性的空间聚集方案进行计算，比较两种指标的探测结果，得出局部G系数优于局部Moran指数的结论。

Zhang S L, Zhang K .

Contrast study on Moran and Getis-ord indexes of local spatial autocorrelation indices

[J]. Journal of Geodesy and Geodynamics, 2007,27(3):31-34.

Magsci     [本文引用: 2]

张松林, 张昆 .

局部空间自相关指标对比研究

[J]. 统计研究, 2007,24(7):65-67.

[本文引用: 3]

Zhang S L, Zhang K .

Contrast study on the local indices of spatial autocorrelation

[J]. Statistical Research, 2007,24(7):65-67.

[本文引用: 3]

覃志豪, 李文娟, 徐斌 , 等.

陆地卫星TM6波段范围内地表比辐射率的估计

[J]. 国土资源遥感, 2004,16(3):28-32,36.doi: 10.6046/gtzyyg.2004.03.07.

URL     Magsci     [本文引用: 1]

地表比辐射率是用热红外波段遥感数据反演地表温度的关键参数。目前,应用陆地卫星TM6波段数据反演地表温度共有3种算法,即大气校正法、单窗算法和单通道算法。这3种算法都需要TM6波段范围内的地表比辐射率作为地表温度反演参数。本文首先简介这3种反演算法;然后着重探讨TM6波段地表比辐射率估计方法;最后,利用这一方法对山东省陵县附近农田地区进行地表比辐射率估计和地表温度反演。结果表明,该方法能获得较合理的地表温度反演结果。

Qin Z H, Li W J, Xu B , et al.

The estimation of land surface emissivity for Landsat TM6

[J]. Remote Sensing for Land and Resources, 2004,16(3):28-32,36.doi: 10.6046/gtzyyg.2004.03.07.

Magsci     [本文引用: 1]

NASA.

Landsat 7 Science Data Users Handbook

[EB/OL].( 2016 -08)[2016-12-09].

URL     [本文引用: 1]

Wang F, Qin Z H, Song C Y , et al.

An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor Data

[J]. Remote Sensing, 2015,7(4):4268-4289.

DOI:10.3390/rs70404268      URL     [本文引用: 1]

Yu X L, Guo X L, Wu Z C .

Land surface temperature retrieval from Landsat 8 TIRS-Comparison between radiative transfer equation-based method,split window algorithm and single channel method

[J]. Remote Sensing, 2014,6(10):9829-9852.

DOI:10.3390/rs6109829      URL     [本文引用: 1]

Jiménez-Muñoz J C, Sobrino J A .

A generalized single-channel method for retrieving land surface temperature from remote sensing data

[J]. Journal of Geophysical Research:Atmospheres, 2003,108(D22):4688.

DOI:10.1029/2003JD003480      URL     [本文引用: 1]

Jiménez-Muñoz J C, Cristóbal 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 and Remote Sensing, 2009,47(1):339-349.

DOI:10.1109/TGRS.2008.2007125      URL     [本文引用: 1]

Jiménez-Muñoz J C, Sobrino J A, Skoković D , et al.

Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data

[J]. IEEE Geoscience and Remote Sensing Letters, 2014,11(10):1840-1843.

DOI:10.1109/LGRS.2014.2312032      URL     [本文引用: 2]

The importance of land surface temperature (LST) retrieved from high to medium spatial resolution remote sensing data for many environmental studies, particularly the applications related to water resources management over agricultural sites, was a key factor for the final decision of including a thermal infrared (TIR) instrument on board the Landsat Data Continuity Mission or Landsat-8. This new TIR sensor (TIRS) includes two TIR bands in the atmospheric window between 10 and 12 m, thus allowing the application of split-window (SW) algorithms in addition to single-channel (SC) algorithms or direct inversions of the radiative transfer equation used in previous sensors on board the Landsat platforms, with only one TIR band. In this letter, we propose SC and SW algorithms to be applied to Landsat-8 TIRS data for LST retrieval. Algorithms were tested with simulated data obtained from forward simulations using atmospheric profile databases and emissivity spectra extracted from spectral libraries. Results show mean errors typically below 1.5 K for both SC and SW algorithms, with slightly better results for the SW algorithm than for the SC algorithm with increasing atmospheric water vapor contents.

Rozenstein O, Qin Z H, Derimian Y , et al.

Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm

[J]. Sensors, 2014,14(4):5768-5780.

DOI:10.3390/s140405768      URL     PMID:24670716      [本文引用: 1]

Land surface temperature (LST) is one of the most important variables measured by satellite remote sensing. Public domain data are available from the newly operational Landsat-8 Thermal Infrared Sensor (TIRS). This paper presents an adjustment of the split window algorithm (SWA) for TIRS that uses atmospheric transmittance and land surface emissivity (LSE) as inputs. Various alternatives for estimating these SWA inputs are reviewed, and a sensitivity analysis of the SWA to misestimating the input parameters is performed. The accuracy of the current development was assessed using simulated Modtran data. The root mean square error (RMSE) of the simulated LST was calculated as 0.93 C. This SWA development is leading to progress in the determination of LST by Landsat-8 TIRS.

Anselin L .

Local indicators of spatial association-LISA

[J]. Geographical Analysis, 1995,27(2):93-115.

[本文引用: 1]

In this chapter, the statistical validation of spatial econometric models is approached from a different perspective, based on model selection or model discrimination techniques. In this context, the issue of selecting one model from among a number of alternative candidates is considered as a decision problem. More specifically, attention is focused on the nature of the trade-off between the... [Show full abstract]

Ord J K, Getis A .

Local spatial autocorrelation statistics:Distributional issues and an application

[J]. Geographical Analysis, 1995,27(4):286-306.

[本文引用: 1]

刘勇洪, 徐永明, 马京津 , 等.

北京城市热岛的定量监测及规划模拟研究

[J]. 生态环境学报, 2014,23(7):1156-1163.

DOI:10.3969/j.issn.1674-5906.2014.07.010      URL     [本文引用: 1]

为定量地评估北京城市热岛现状并预测未来北京城市热岛发展趋势，分别采用气温资料、遥感资料 和城市规划资料进行了研究分析。对北京20个气象台站按照台站距离城市中心的距离划分为远郊、近郊和城市三类，分别计算三种类型站点经过海拔订正后的年平 均气温，利用1971-2012年城市站和远郊站的年平均气温差值估算北京气温热岛的时间变化；利用1987-2012年的NOAA/AVHRR和 Landsat-TM两种不同分辨率的卫星资料，采用定量化的指标--地表热岛强度和热岛比例指数分别估算了不同时期北京地区和城六区热岛强度和范围，并 对北京平原地区的城市热岛状况进行了评估；利用2020年的北京城市规划土地利用资料，结合2008年的城市热岛现状监测结果对2020年的北京热岛状况 进行了模拟分析。研究结果表明，北京城市的气温热岛与遥感监测地表热岛在时间变化趋势上具有一致性，不同分辨率卫星资料监测地表热岛在时空分布上也具有一 致性。其中1971-2012年，以年平均气温计算的北京城市热岛强度增温率为0.33℃·（10 a）-1，近5年（2008-2012）平均热岛为1.12℃。遥感监测结果显示1987-2001年北京地区的热岛持续增强，2001年之后由于北京申 奥的成功进行了大面积的旧城改造和绿化，使得城市热岛强度和范围在2004年和2008年有所降低，2008年之后城市热岛继续向东、南和北方向扩展，并 出现了中心城区热岛与通州、顺义、大兴、昌平热岛连成片的趋势，到2012年城六区热岛面积百分比已从1990年的31%增加到77%。由热岛比例指数确 定的北京各区县热岛强度排名前三分别是城区、海淀和丰台，延庆县最低。对2020年城市规划图热岛模拟结果显示北京热岛已由“摊大饼”演变为“中心＋周边 分散”模式，中心城区热岛强度和范围明显减弱，周边广大远郊区将出现分散17

Liu Y H, Xu Y M, Ma J J , et al.

Quantitative assessment and planning simulation of Beijing urban heat island

[J]. Ecology and Environmental Sciences, 2014,23(7):1156-1163.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发