中外超大城市热岛效应变化对比研究

doi:10.6046/zrzyyg.2020393

中外超大城市热岛效应变化对比研究

王美雅^,¹, 徐涵秋^,²

1.闽南师范大学历史地理学院,漳州 363000

2.福州大学环境与资源学院,福州大学遥感信息工程研究所,福建省水土流失遥感监测评估与灾害防治重点实验室,福州 350116

A comparative study on the changes in heat island effect in Chinese and foreign megacities

WANG Meiya^,¹, XU Hanqiu^,²

1. School of History and Geography, Minnan Normal University, Zhangzhou 363000, China

2. College of Environment and Resources, Institute of Remote Sensing Information Engineering, Fujian Provincial Key Laboratory of Remote Sensing of Soil Erosion and Disaster Prevention, Fuzhou University, Fuzhou 350116, China

通讯作者: 徐涵秋(1955-),男,博士,教授,主要从事环境与资源遥感研究。Email:hxu@fzu.edu.cn。

责任编辑: 陈理

收稿日期: 2020-12-8 修回日期: 2021-04-7

基金资助:

国家重点研发计划专项课题“大尺度全球变化数据产品快速生成方法”(2016YFA0600302)
福建省创新战略研究项目“厦漳泉都市区生态质量遥感评价与地表空间格局优化研究”(2020R0155)
闽南师范大学校长基金项目“全球气候变化视角下的城市热环境遥感动态监测”(KJ19013)

Received: 2020-12-8 Revised: 2021-04-7

作者简介 About authors

王美雅(1991-),女,博士,副教授,主要从事环境与资源遥感研究。Email: 286097145@qq.com。

摘要

快速城市化形成超大城市导致地表覆盖快速变化,改变地表热平衡,使得城市热环境剧烈变化。以1990s,2000s和2015年这3个时期为研究时相,选取中外6个典型超大城市(北京、上海、广州、伦敦、纽约和东京)为研究对象,多时相Landsat遥感影像为主要数据源,进行城市热环境变化对比及成因分析。利用普适性单通道算法反演各城市地表温度,计算城市热岛比例指数(urban heat island ratio index,URI)来定量对比研究期间各城市热岛效应时空变化。城市热岛效应对比研究结果表明,1990s—2015年间,北京、上海和东京的URI呈总体上升趋势,广州、伦敦和纽约的URI呈总体下降趋势。到2015年,东京城市热岛效应最严重(URI=0.630),其次是北京、上海、纽约和广州,分别为0.617,0.594,0.555和0.530,伦敦的URI指数最小为0.433。整个研究期间,北京、上海、广州和东京等超大城市均有较大幅度扩张,建成区面积均增加500 km²以上,不透水面面积增加370 km²以上,不断向外蔓延并占用生态用地,加上城市组团间无法形成良好的绿化分隔带,造成城市地表温度等级大幅上升,尤其是新城区热岛效应增强显著; 而在老城区通过旧城改造,热环境得到显著改善。伦敦和纽约城市无明显扩张,地表温度变化幅度较小。在今后城市建设中,需注重生态理念,优化城市地表空间格局,提高生态用地效益。

关键词： 超大城市; 城市热环境; 热岛比例指数; 遥感; 地表景观格局

Abstract

Megacities have formed due to rapid urbanization. As a result, the surface cover has rapidly changed, which changes the heat balance of Earth's surface and induces drastic changes in the thermal environment in megacities. With six typical megacities (Beijing, Shanghai, Guangzhou, London, New York, and Tokyo) across the world as study objects and multi-temporal Landsat remote-sensing images of the 1990s, the 2000s, and 2015 as the main data sources, this study compares the changes in the thermal environment among the six megacities and analyzes their causes. For each of the megacities, the surface temperature was determined through reversion using the universal single-channel algorithm and the urban heat island ratio index (URI) was calculated to quantitatively compare the spatial-temporal changes in the heat island effect during the study period. The results are as follows. From the 1990s to 2015, the URI values of Beijing, Shanghai, and Tokyo showed an overall upward trend, and while that of Guangzhou, London, and New York showed an overall downward trend. In 2015, Tokyo suffered the most serious urban heat island effect (URI=0.630), followed by Beijing, Shanghai, New York, and Guangzhou successively, of which the URI values were 0.617, 0.594, 0.555, and 0.530, respectively. In contrast, London had the smallest URI of 0.433. The megacities such as Beijing, Shanghai, Guangzhou, and Tokyo all considerably expanded throughout the study period. In these cities, the built-up areas and impervious surfaces increased by more than 500 km² and more than 370 km² on average, respectively in terms of area. They continuously spread outwards and occupied ecological land. Furthermore, green belts can not be formed between urban clusters. All these caused a significant increase in urban surface temperature and especially the significant aggravation of the heat island effect in new urban areas. In comparison, the thermal environment in the old urban areas was significantly improved through urban reconstruction. London and New York were not significantly expanded, where the surface temperature slightly changed. Therefore, it is necessary to pay attention to ecological philosophy, optimize the pattern of urban surface space, and improve the efficiency of ecological land in future urban construction.

Keywords： megacities; urban heat environment; urban heat island ratio index; remote sensing; surface landscape pattern

PDF (5151KB) 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

王美雅, 徐涵秋. 中外超大城市热岛效应变化对比研究[J]. 自然资源遥感, 2021, 33(4): 200-208 doi:10.6046/zrzyyg.2020393

WANG Meiya, XU Hanqiu. A comparative study on the changes in heat island effect in Chinese and foreign megacities[J]. Remote Sensing For Natural Resources, 2021, 33(4): 200-208 doi:10.6046/zrzyyg.2020393

0 引言

伴随着城市快速扩张,城市下垫面土地覆盖急剧变化,改变了城市地表热量平衡,进而导致城市热岛加剧,还会影响到区域气候过程^[1,2,3]。超大城市具有“超大性”。其建筑物和道路等不透水面分布规模大且密集,加上大量人为活动产生了大体量的水和热等城市代谢,这种“超大性”对城市生态系统产生了强大外力干扰,其产生的城市热岛问题远大于其他中小城市和乡村地区。研究对比超大城市热环境时空演化差异,有助于提高国内外超大城市规划建设模式与地表辐射能量平衡互馈关系内在机理的认知能力,为控制城市发展规模及城市生态规划与整治等提供科学参考。

遥感技术具有覆盖面广、长时序、处理速度快等优势,利用遥感技术来监测城市热岛效应,可以克服传统地面观测站点资料数据极其有限的问题,实现海量“面”数据的获取。此外,为了衡量城市热环境长时间变化,有必要在全球、区域和城市范围内提供准确、一致的数据。多时相、多光谱、多平台的遥感卫星影像能够更综合、准确地反映出下垫面的地物光谱信息和热信息等状况^[4]。

快速城市化导致城市热环境变化^[5,6]。一方面,城市人口的大幅增加,城市规模不断扩大,能耗需求剧增,人为温室气体排放总量持续增加。另一方面,城市化过程中大量的建筑物、水泥路等不透水面取代了植被、水体等生态用地,导致地表蒸腾明显减少,显热表面比例升高而潜热表面比例降低,促使城市热岛效应日益严峻^[7]。而城市热岛又使得城市温度一直居高不下,夏季的长时间高温导致降温需求增大,空调的大量使用使得能耗增加,巨大的能耗又反过来加剧城市热岛效应,形成了一个恶性循环。众多学者围绕城市热环境变化进行研究分析。Weng等^[8]利用线性光谱混合模型提取植被和不透水面等专题影像,与地表温度进行综合分析发现,城市地物的空间排列以及城市在扩展时LULC的变化是导致地表温度产生变化的主要原因; Zheng等^[9]则在利用Moran'I指数对凤凰城的地表温度和LULC类型的相关性研究中发现,相对于城市建筑物的空间格局,其外立面不同涂料的区别对地表温度的影响更大,且夜间的正相关性更高; Chen等^[10]运用Landsat影像反演广州城市地表温度,进一步计算城市热变异区域,并采用多种景观格局指数分析城市热变异区的特征,结果表明城市地物组成对城市热变异区的影响最大,地表景观空间格局也会影响城市热变异区; Kotharkar等^[11]分析印度那格浦尔市局地气候分区(local climate zones, LCZ)的热岛情况,结果表明冬季建筑用地气候区内的城市热岛强度介于1.76~4.09 ℃之间,城区中紧凑型低层LCZs区比城市内部其他主要LCZs区的气候暖和。

改革开放以来,中国的城市化进入了快速发展阶段,城市化水平由 7.92%提高到56.10%^[12]。其中,北京、上海、广州的人口数排名均已跃居世界前25位^[13]。于此同时,1978—2014年,中国城市建成区面积呈指数增长,由1981年的7 438 km²增长到2014年的 49 773 km²,增长了近6.69倍^[14],近40 a,中国城市快速扩张,这一城市变化研究条件是全球其他国家和地区的城市所不具备的,因此,选取国内的3个超大城市(北京、上海和广州)与3个国际典型超大城市(伦敦、纽约、东京)进行对比,研究其城市“超大性”与城市热环境的互动作用机理,能为未来生态城市建设提供宝贵建议。

1 研究区概况

根据2014 年中国国务院发布的城市规模划分标准,本文选取城区常住人口超过1 000万的中外6个典型超大城市(北京、上海、广州、伦敦、纽约和东京)。北京、上海、广州是中国城市规模排名前3的超大城市,伦敦、纽约和东京是城市规模居世界前列的3个超大城市,分别分布在欧洲、美洲和亚洲。6个超大城市的城市规模相当,人口众多,国内生产总值高,但城市发展轨迹和城市空间格局显现不同的特征,具有对比性。由于中、美、英、日各国的行政区划差异较大,本文以6个城市2015年的建成区外扩5 km缓冲区的范围作为研究区(图1),以此划定具有对比性的城市边界^[15]。据此获得的北京、上海、广州、伦敦、纽约和东京的研究区面积分别为2 776.52 km²,3 276.69 km²,1 750.33 km²,2 503.20 km²,2 341.11 km²和5 992.02 km²。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区Landsat 遥感影像

Fig.1 Landsat images of the study area

2 研究方法

2.1 地表温度反演

遥感卫星数据源的一致保证了研究数据的可靠性,因此本文全部选择Landsat系列卫星影像,如表1所示。由于所选遥感影像时相并不完全一致,为了后续行文表达的简练,本文将各城市的研究时相按时间正序分别依次命名为1990s,2000s和2015年。其他辅助数据有1990s,2000s和2015年6个超大城市建成区边界矢量图。采用Chander等^[16]和Chavez^[17]的模型和参数以及Landsat 网站提供的公式和参数分别对Landsat5,Landsat7和Landsat8影像进行辐射校正,将影像的亮度值转换为传感器处反射率。

表1 研究选用的Landsat影像信息

Tab.1 Landsat images information of the study area

城市	传感器类型	影像获取日期	城市	传感器类型	影像获取日期
北京	TM	1989-08-14	伦敦	TM	1990-08-03
	TM	1999-08-10		ETM+	1999-09-05
	OLI/TIRS	2015-08-22		OLI/TIRS	2015-10-02
上海	TM	1989-08-11	纽约	TM	1991-08-17
	TM	2002-07-30		TM	2001-07-27
	OLI/TIRS	2015-08-03		OLI/TIRS	2015-08-26
广州	TM	1991-09-14	东京	TM	1987-07-24
	TM	2003-10-07		ETM+	2001-09-24
	OLI/TIRS	2015-10-18		OLI/TIRS	2015-10-09

新窗口打开| 下载CSV

地表温度反演采用Jiménez-Muñoz等^[18,19,20]提出的单通道算法,Landsat5和Landsat7影像地表温度反演分别采用的是TM和ETM+第6波段,Landsat8采用TIRS第10波段。根据Chander等^[16]和Chavez^[17]的模型和参数以及Landsat 网站提供的公式和参数,将影像的亮度值转换成大气顶部的光谱辐射值。进一步通过公式转换为亮温(T_sensor),最后反演出地表温度(LST),即

(1)

T_{sensor} = K_{2} / \ln (K_{1} / L_{sensor} + 1)

(2)

LST = γ [ε^{- 1} (ψ_{1} L_{sensor} + ψ_{2}) + ψ_{3}] + δ

式中: T_sensor为传感器处亮温值; K₁和K₂为热红外波段的定标常数; L_sensor为热红外波段的辐射值; γ和δ为基于Planck函数的2个参数; ε为地表比辐射率; ψ₁,ψ₂,ψ₃为大气水汽含量的函数。

2.2 城市热岛比例指数

城市热岛比例指数(urban heat island ratio index,URI)是一种量化城市热岛效应的方法^[21],该指数考虑了受热岛影响的高等级温区在城市建成区内的占比,同时根据温度等级对热岛效应的贡献程度自动赋予权重,其强度值可以反映城市热岛在区域水平上的累积分布特征,已得到广泛应用^[22,23,24]。由于影像的季相差异和传感器差异,很难直接采用反演得到的绝对温度值来进行不同年份城市热岛效应之间的对比。为了消除差异导致的误差,将所研究6个城市3个时相反演求得的地表温度值进行归一化处理,取值统一在[0, 1]之间。其计算公式为:

(3)

LST' = \frac{LST - LS T_{\min}}{LS T_{\max} - LS T_{\min}}

(4)

URI = \frac{1}{100 m} \overset{n}{\sum_{i = 1}} ω_{i} p_{i}

式中: LST'为正规化后地表温度值; LST_min和LST_max分别为地表温度的最小值和最大值; m为所划分的温度等级数; i为城区温度高于郊区温度的第i个温度等级; n为城区高于郊区的温度等级数; $ω_{i}$ 为权重值,取第i级的级值; p_i为第i级所占城市建成区面积的百分比。URI值介于0~1之间,URI等于1表示城市建成区内全部由最高温度等级的斑块组成; URI等于0表示不存在热岛效应。本研究将地表温度分为7级,因此m=7,分别为低温、较低温、次中温、中温、次高温、高温、特高温。6个城市各研究时相城市建成区边界范围内主要由次高温、高温和特高温这3个温度等级组成,因此n为3。

2.3 土地覆盖分类

采用随机森林(random forests,RF)分类算法^[25]提取植被、水体、不透水面和其他用地(裸土)等4种地表覆盖类型。RF算法是一种基于决策树的集成学习算法,逐渐被应用于遥感数据信息提取研究中^[26,27]。RF算法的2个参数: 生成决策树数量和用于测试的特征数目参数分别设置为500和2。对3个研究时期6个超大城市的分类结果与同期Google Earth高分辨率影像进行对比,采用随机抽样的方法在每幅分类影像中随机选取300 个验证点,然后进行人机交互精度验证^[28] (由于6个城市1990s的影像无同期的Google Earth 高分辨率影像,因此将分类结果与原影像进行对比)。验证结果表明,各时相的提取总精度均高于85%,各地类的生产者精度和用户精度基本都高于80%,Kappa系数也均高于0.85,这说明分类结果比较理想,能很好地满足研究需求。

3 研究结果

3.1 城市热岛强度时空变化对比分析

6个超大城市的城市热岛比例指数URI反演结果如图2所示。结果表明(表2),1990s—2015年间,6个城市的热岛效应呈现出2种不同的变化趋势: ①北京、上海和东京的URI总体呈上升趋势,表明这3个城市的热岛现象有所加剧,其中北京的URI上升幅度最大,增加了0.037,说明北京的热岛强度增加最为剧烈。从分时段趋势来看,北京和上海的URI指标呈先有所下降,后又增加的变化过程,1990s—2000s间,2个城市热岛效应得到缓解,URI分别下降了0.041和0.069; 2000s—2015年间热岛效应又显著增强,URI均增加了0.078; 东京的URI指标则经历了先升后降的趋势,从1990s的0.599上升到2000s的0.664,后又下降到2015年的0.630,表明研究期间东京热岛效应得到控制。②广州、伦敦和纽约的URI总体呈下降趋势,其中纽约的URI下降幅度最大,从1990s的0.641降低至2015年的0.555,降低幅度为0.086,城市热岛得到较大程度的缓解; 广州从分时段变化来看,URI指标则经历了先升后降的变化过程,1990s—2000s间,广州热岛效应显著加剧,URI指标从1990s的0.589增加到2000s的0.608,而后明显下降到2015年的0.530,这表明广州在研究后期热岛效应得到有效控制,热环境状况有所好转; 伦敦的URI指标在各研究时段的变化幅度最小,从1990s的0.449下降到2000s的0.421,后又略微上升到2015年的0.433,其城市热岛得到有效控制。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 6个超大城市建成区地表温度等级分布

Fig.2 LST grade map in built-up area of the six megacities

表2 地表温度等级和URI统计

Tab.2 Statistics table of different LST grade and URI

LST等级	北京						上海
	1990s		2000s		2015年		1990s		2000s		2015年
	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%
低温(1)	0.02	0.00	0.09	0.01	0.03	0.00	0.94	0.29	1.57	0.19	18.20	0.95
较低温(2)	0.09	0.02	5.15	0.73	7.88	0.64	12.31	3.73	13.41	1.62	35.20	1.83
次中温(3)	41.52	8.13	45.57	6.47	46.43	3.75	14.47	4.39	40.51	4.88	139.34	7.26
中温(4)	82.03	16.06	158.17	22.47	184.35	14.87	61.19	18.55	207.84	25.06	286.39	14.92
次高温(5)	256.32	50.18	327.66	46.55	682.14	55.03	107.08	32.46	422.45	50.94	805.33	41.97
高温(6)	124.62	24.40	154.69	21.97	287.86	23.22	122.24	37.06	123.27	14.86	494.04	25.75
特高温(7)	6.17	1.21	12.60	1.79	30.87	2.49	11.63	3.52	20.33	2.45	140.34	7.31
建成区面积/km²	510.78		703.92		1 239.56		329.88		829.37		1 918.93
URI	0.580		0.539		0.617		0.585		0.516		0.594
LST等级	广州						伦敦
	1990s		2000s		2015年		1990s		2000s		2015年
	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%
低温(1)	0.00	0.00	0.11	0.04	7.88	1.18	9.78	0.80	22.27	1.82	8.86	0.72
较低温(2)	2.11	1.87	7.14	2.32	17.60	2.63	20.47	1.68	26.48	2.17	33.25	2.70
次中温(3)	6.53	5.79	15.59	5.06	52.38	7.82	102.26	8.39	97.72	7.99	121.32	9.87
中温(4)	18.49	16.39	46.35	15.05	123.37	18.42	370.25	30.38	398.43	32.58	362.63	29.49
次高温(5)	51.57	45.72	132.80	43.11	336.41	50.24	481.19	39.48	490.36	40.10	513.84	41.79
高温(6)	31.12	27.59	94.44	30.66	122.01	18.22	221.91	18.21	162.46	13.29	169.06	13.75
特高温(7)	2.98	2.64	11.58	3.76	9.90	1.48	12.94	1.06	25.17	2.06	20.53	1.67
建成区面积/km²	112.80		308.01		669.66		1 218.90		1 222.88		1 229.48
URI	0.589		0.608		0.530		0.449		0.421		0.433
LST等级	纽约						东京
	1990s		2000s		2015年		1990s		2000s		2015年
	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%
低温(1)	20.20	2.12	22.22	2.32	20.78	2.16	16.41	0.69	3.92	0.13	0.97	0.03
较低温(2)	19.41	2.04	18.18	1.90	24.13	2.50	49.43	2.09	60.96	2.09	41.57	1.31
次中温(3)	37.80	3.96	46.57	4.86	70.60	7.32	102.15	4.32	71.75	2.46	190.71	6.03
中温(4)	79.16	8.30	117.96	12.31	170.02	17.64	353.45	14.96	400.64	13.72	406.91	12.87
次高温(5)	522.58	54.78	432.98	45.17	349.22	36.23	1 151.84	48.76	1 114.60	38.16	1 208.33	38.23
高温(6)	255.08	26.74	300.69	31.37	306.32	31.78	678.44	28.72	1 218.34	41.71	1 279.83	40.49
特高温(7)	19.60	2.05	19.73	2.06	22.63	2.35	10.47	0.44	97.64	3.34	31.71	1.00
建成区面积/km²	953.95		958.50		963.90		2 362.24		2 920.65		3 160.92
URI	0.641		0.612		0.555		0.599		0.664		0.630

新窗口打开| 下载CSV

3.2 地表温度分级演化时空特征

为了凸显研究期间6个超大城市地表温度等级的变化和迁移特征,定位并分析温度等级大幅跃迁的典型区域,本文将多时相地表温度等级分布做叠加分析并计算差值获得了研究期间地表温度等级变化(图3和表3)。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 研究区地表温度等级变化分布示意图

Fig.3 LST grade change map in the study area from 1990s to 2015

表3 研究区地表温度等级变化统计

Tab.3 LST grade change table in the study area from 1990s to 2015

变化情况	变化等级	北京			上海				广州
		面积/km²	比例/%	总比例/%	面积/km²	比例/%		总比例/%	面积/km²	比例/%		总比例/%
降低	-4	0.75	0.03	14.27	0.90		0.03	8.76	0.56		0.03	19.02
	-3	8.23	0.30		8.49		0.26		5.55		0.32
	-2	56.88	2.05		29.87		0.91		50.72		2.90
	-1	330.45	11.90		247.83		7.56		276.00		15.77
不变	0	916.48	33.01	33.01	628.06	19.17		19.17	467.18	26.69		26.69
升高	1	834.16	30.04	52.72	807.13		24.63	72.07	416.13		23.77	54.29
	2	503.33	18.13		653.39		19.94		301.23		17.21
	3	114.77	4.13		550.19		16.79		168.48		9.63
	4	11.16	0.40		265.36		8.10		55.48		3.17
	5	0.30	0.01		84.80		2.59		8.60		0.49
	6	0.00	0.00		0.67		0.02		0.37		0.02
合计	—	2 776.52	100.00	100.00	3 276.69	100.00		100.00	1 750.33	100.00		100.00
		伦敦			纽约				东京
	变化等级	面积/km²	比例/%	总比例/%	面积/km²	比例/%		总比例/%	面积/km²	比例/%		总比例/%
降低	-4	8.45	0.34	26.47	0.42		0.02	28.04	2.65		0.05	14.12
	-3	19.78	0.79		14.35		0.61		15.79		0.26
	-2	74.93	2.99		107.57		4.59		231.44		3.86
	-1	559.35	22.35		534.30		22.82		596.23		9.95
不变	0	1 275.04	50.94	50.94	1 324.00	56.55		56.55	3 027.80	50.53		50.53
升高	1	466.34	18.63	22.59	334.88		14.31	15.41	1 398.82		23.34	35.35
	2	69.20	2.76		21.70		0.93		553.93		9.24
	3	26.23	1.05		3.21		0.14		139.32		2.33
	4	3.48	0.14		0.63		0.03		22.49		0.38
	5	0.34	0.01		0.06		0.00		3.54		0.06
	6	0.07	0.00		0.00		0.00		0.01		0.00
合计	—	2 503.20	100.00	100.00	2 341.11	100.00			5 992.02	100.00		100.00

新窗口打开| 下载CSV

结果表明:

1)新城区热岛效应增强显著。国内的3个超大城市的地表温度等级变化图中(图3),代表温度等级升高的黄、橙、红色斑块占比都远高于代表温度等级降低的蓝色斑块,说明在研究期内这3个城市均总体处于升温态势。其中,上海有72.07%的区域地表温度等级有不同程度的升高,升温比例为3城最大,降温比例为3城最小(表3),其城市热环境的恶化程度最严重。北京和广州研究区内的变化情况与上海类似,大部分区域温度等级升高,分别占研究区的52.72%和54.29%,只有约14.27%和19.02%的面积温度降低,城市热环境形势也不容乐观。整个研究期间,广州城市总体呈升温态势而URI值下降,说明广州建成区地表温度总体下降,即广州城市热岛效应有所减缓,但其周边郊区升温显著,如白云新城,导致广州城市总体仍呈现升温态势。北京和上海周边新建成区的地表温度等级也都有较为明显的升高,如虹桥商务片区、亦庄新城等,温度等级大都上升了2级以上。这些区域(表4(a)—(c))在1990s均由水体、植被和极少量建筑用地所覆盖,地表温度等级以低温和较低温为主。但在2015年,变成“北京亦庄经济技术开发区”,“上海南翔产业园区”和“广州萝岗新城”,曾经的湿地、植被被大量不透水面所覆盖,工业业态和人口集聚导致了人为热源增加,地表温度等级大幅上升,城市热岛效应急剧恶化。东京温度升高区域比例(35.35%)则高于其温度降低区域比例(14.12%)(表3),说明在研究期内东京城市总体也处于升温态势。东京的升温区主要分布在西南部八王子、青梅、町田等新城区域,东部的千叶地区和北部的川越、浦和—大宫和南部的滨海副中心(表4(d)—(e)),这些区域以内部填充为主,滨海副中心升温区域主要对应填海建设用地区域。

表4 北京、上海、广州和东京地表温度等级跃迁典型区

Tab.4 LST level transition table in typical areas of Beijing, Shanghai, Guangzhou and Tokyo from 1990s to 2015

时间	地点
时间	(a)北京大兴亦庄片区	(b)上海宝山南翔片区	(c)广州黄埔萝岗片区	(d)东京千叶地区	(e)东京滨海副中心	(f)北京朝阳国贸片区	(g)上海静安苏河湾区域	(h)广州海珠桥南广场地区
1990s (B4(R), B3(G), B2(B))
2015年 (B5(R), B4(G), B3(B))
1990s— 2015年地表温度等级变化
图例

新窗口打开| 下载CSV

2)老城区城市热岛效应缓解: 在城市高温区域大幅扩张的背景下(图3),北京、上海和广州中心老城区却不约而同地出现了温度等级下降的趋势。由表4(f)—(h)可以看出,北京的东城区和西城区、上海静安区和普陀区、广州越秀区和海珠区等均不同程度地出现了代表温度等级下降的蓝色斑块,在周围红黄色调斑块包围下尤为明显。这3个区域在1990s都是所在城市人口数量大、建筑物密度高、植被覆盖少的居住区或商业区,也是所在城市热岛效应最为严重的区域之一。得益于城市旧城改造和产业结构调整等措施,到2015年,这些区域均大量增加了代表植被的红色斑块,且区域内通风廊道明显增多,建筑物密度降低,使得地表温度向低等级跃迁,城市热岛效应缓解明显,热环境得到显著改善。

总体而言,在整个研究时期,国外3个超大城市的地表温度变化幅度小于国内3个超大城市。伦敦和纽约地表温度等级变化幅度超过2级的仅占不到8%,说明在整个研究时期,这2个城市的城市地表温度变化幅度较小。北京、上海、广州和东京等城市总体均处于升温态势,新城区热岛效应增强显著; 而在老城区通过旧城改造,城市热岛效应得到缓解,热环境得到显著改善。

3.3 地表景观格局演化对城市热环境影响

6个超大城市不同的扩张模式和地表格局演化导致了其城市热环境变化的差异。1990s—2015年,中国属于城市化快速发展阶段,北京、上海和广州等城市快速扩张,建成区面积涨幅超过500 km²,变化速率为23.2~61.1 km²/a不等(表5)。城市大面积开发和建设造成原本以农田、植被为主的原生自然下垫面类型被剧烈转变,不透水面面积增加370 km²以上,变化速率高于15.8 km²/a; 对应的植被用地大量缩减,植被面积减少330 km²以上,减少速率超过14.0 km²/a(表5)。此外,其规划所提出的“多中心多组团”布局模式未得到很好的实施,组团间无法形成良好的绿化分隔带,使得城市不透水面向外蔓延扩展的趋势未得到有效遏制,加上城市中心区功能不断聚集,新城区建设区域由非热岛区转变为新的城市热岛中心,造成地表温度等级大幅上升,地表温度升高区域的比例高达54.29%~72.07%。

表5 6个超大城市建成区和土地覆盖面积及比例变化

Tab.5 Urban built-up area and land cover change of the six megacities from 1990s to 2015

	北京		上海		广州
土地覆盖类型	变化面积/ km²	变化速率/ (km²·a^-1)	变化面积/ km²	变化速率/ (km²·a^-1)	变化面积/ km²	变化速率/ (km²·a^-1)
植被	-736.06	-28.3	-1 401.19	-53.9	-336.23	-14.0
不透水面	785.24	30.2	1 408.95	54.2	379.21	15.8
建成区	728.78	28.0	1 589.05	61.1	556.86	23.2
	伦敦		纽约		东京
土地覆盖类型	变化面积/ km²	变化速率/ (km²·a^-1)	变化面积/ km²	变化速率/ (km²·a^-1)	变化面积/ km²	变化速率/ (km²·a^-1)
植被	-25.42	-1.0	-5.05	-0.2	-765.30	-27.3
不透水面	29.04	1.2	21.13	0.9	815.20	29.1
建成区	10.49	0.4	9.94	0.4	798.68	28.5

新窗口打开| 下载CSV

而国外3个超大城市(伦敦、纽约和东京)在相同研究期间中,东京建成区面积在前期也大幅增加了798.68 km²(表5)。城市土地覆盖变化剧烈,不透水面面积增加815.20 km²,对应的植被用地大量缩减765.30 km²。其城市规划目标为从“单核中心结构”向“多核中心结构”转变,但城市居住用地以独栋低层为主,不透水面分布密集且连通性高,1990s—2000s间,城市西南部和南部有所扩张,使得城市地表温度升温区比例也达到了35.35%。伦敦和纽约在研究期内已进入城市化后期,城市空间无明显扩张,建成区面积趋于稳定,增幅均不超过11 km²,变化速率仅为0.4 km²/a(表5),土地覆盖则整体变化缓慢。在规划上,伦敦建立多城市中心组团模式,城市形成有机的城乡间隔格局,并通过大片绿地来分割组团,避免密集连片发展,城市绿地生态效益较好; 纽约通过城市功能区的有序划分形成了不透水面沿城乡梯度上的“高-中-低”格局,加上研究期间这2个城市无明显扩张,使得其地表温度等级变化较小,地表温度升高区域的比例(14.40%~22.59%)小于其他超大城市。

4 结论

本文以中外6个典型超大城市(北京、上海、广州、伦敦、纽约和东京)为研究对象,采用单通道算法反演这6个超大城市的地表温度,计算城市热岛比例指数URI,定量对比6个超大城市的热岛效应变化和差异。在此基础上,分析国内外超大城市土地覆盖变化、城市扩张和规划政策等差异对城市热环境演化的不同影响。

1)在研究期间,6个城市的热岛效应呈现出不同的变化趋势。北京、上海和东京的URI总体呈上升趋势,表明这3个城市的热岛现象加剧。广州、伦敦和纽约的URI总体呈下降趋势,表明这3个城市的城市热岛有所缓解。到2015年,东京研究区的URI指数最高(0.630),其城市热岛效应最为严重,其次是北京、上海、纽约和广州,分别为0.617,0.594,0.555和0.530,伦敦的URI指数最小为0.433。

2)整个研究期间,伦敦和纽约的地表温度变化幅度较小。北京、上海、广州和东京等城市总体均处于升温态势,新城区热岛效应增强显著; 而在老城区通过旧城改造,热环境得到显著改善。

3)6个超大城市不同的城市布局和扩张模式导致其城市热环境变化的差异。在研究期间,北京、上海、广州和东京均有较大幅度扩张,占用生态用地,加上所提出的“多中心多组团”布局模式未得到很好实施,组团间无法形成良好的绿化分隔带,造成地表温度等级大幅上升。而同期伦敦建立多城市中心组团模式; 纽约通过城市功能区的有序划分形成了不透水面沿城乡梯度上的“高-中-低”格局,加上研究期间这2个城市无明显扩张,使得其地表温度等级变化较小。

在城市建设中,需注重生态理念的实际贯彻和实施,通过对旧城区进行重建与提升,挖掘用地潜力; 优化城市地表空间格局,打破大面积建设用地斑块的聚集,提高生态用地效益,可以改善城市生态环境质量。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

匡文慧, 杨天荣, 刘爱琳, 等.

城市地表覆盖结构组分与热环境调控模型(EcoCity)研究——以北京城市为例

[J]. 中国科学(地球科学), 2017,47(7):847-859.

[本文引用: 1]

Kuang W

, Yang T

, Liu A

, et al.

An EcoCity model for regulating urban land cover structure and thermal environment:Taking Beijing as an example

[J]. Science China Earth Sciences, 2017,47(7):847-859.

[本文引用: 1]

[2]

Xu H

, Wang M

, Shi T

, et al.

Prediction of ecological effects of potential population and impervious surface increases using a remote sensing based ecological index(RSEI)

[J]. Ecological Indicators, 2018,93:730-740.

DOI:10.1016/j.ecolind.2018.05.055 URL [本文引用: 1]

[3]

Croft-White M

, Cvetkovic

, Rokitnicki-Wojcik

, et al.

A shoreline divided:Twelve-year water quality and land cover trends in Lake Ontario coastal wetlands

[J]. Journal of Great Lakes Research, 2017,43(6):1005-1015.

DOI:10.1016/j.jglr.2017.08.003 URL [本文引用: 1]

[4]

United Nations.

State of the world population 2014-the power of 1.8 billion:Adolescents,youth and the transformation of the future

[EB/OL]. https://reliefweb.int/report/world/state-world-population-2014-power-18-billion-adolescents-youth-and-transformation.

URL [本文引用: 1]

[5]

Meng

, Shan B

, Liu

Remote-sensing evaluation of the relationship between urban heat islands and urban biophysical descriptors in Jinan,China

[J]. Journal of Applied Remote Sensing, 2014,8(1):083693.

DOI:10.1117/1.JRS.8.083693 URL [本文引用: 1]

[6]

葛荣凤, 王京丽, 张力小, 等.

北京市城市化进程中热环境响应

[J]. 生态学报, 2016,36(19):6040-6049.

[本文引用: 1]

Ge R

, Wang J

, Zhang L

, et al.

Impacts of urbanization on the urban thermal environment in Beijing

[J]. Acta Ecologica Sinica, 2016,36(19):6040-6049.

[本文引用: 1]

[7]

Feyisa G

, Meilby

, Jenerette G

, et al.

Locally optimized separability enhancement indices for urban land cover mapping:Exploring thermal environmental consequences of rapid urbanization in Addis Ababa,Ethiopia

[J]. Remote Sensing of Environment, 2016,175:14-31.

DOI:10.1016/j.rse.2015.12.026 URL [本文引用: 1]

[8]

Weng Q

, Lu D

A sub-pixel analysis of urbanization effect on land surface temperature and its interplay with impervious surface and vegetation coverage in Indianapolis,United States

[J]. International Journal of Applied Earth Observation and Geoinformation, 2008,10(1):68-83.

DOI:10.1016/j.jag.2007.05.002 URL [本文引用: 1]

[9]

Zheng B

, Myint S

, Fan

Spatial configuration of anthropogenic land cover impacts on urban warming

[J]. Landscape and Urban Planning, 2014,130:104-111.

DOI:10.1016/j.landurbplan.2014.07.001 URL [本文引用: 1]

[10]

Chen Y

, Yu S

Impacts of urban landscape patterns on urban thermal variations in Guangzhou,China

[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,54:65-71.

DOI:10.1016/j.jag.2016.09.007 URL [本文引用: 1]

[11]

Kotharkar

, Bagade

Evaluating urban heat island in the critical local climate zones of an Indian city

[J]. Landscape and Urban Planning, 2018,169:92-104.

DOI:10.1016/j.landurbplan.2017.08.009 URL [本文引用: 1]

[12]

中国国家统计局. 中国统计年鉴(2015年)[M]. 北京: 中国统计出版社, 2016.

[本文引用: 1]

National Bureau of Statistics of China. China statistical yearbook[M]. Beijing: China Statistics Press, 2016.

[本文引用: 1]

[13]

United Nations.

World population prospects:The 2018 revision

[EB/OL]. https://population.un.org/wup/Publications/.

URL [本文引用: 1]

[14]

中国住房和城乡建设部. 中国城市建设统计年鉴2014[M]. 北京: 中国统计出版社, 2015.

[本文引用: 1]

Ministry of Housing and Urban-Rural Development of the People's Republic of China. China urban construction statistical yearbook[M]. Beijing: China Statistics Press, 2015.

[本文引用: 1]

[15]

Van de Voorde

, Jacquet

, Canters

Mapping form and function in urban areas:An approach based on urban metrics and continuous impervious surface data

[J]. Landscape and Urban Planning, 2011,102(3):143-155.

DOI:10.1016/j.landurbplan.2011.03.017 URL [本文引用: 1]

[16]

Chander

, Markham B

, Helder D

Summary of current radiometric calibration coefficients for Landsat MSS,TM,ETM+,and EO-1 ALI sensors

[J]. Remote Sensing of Environment, 2009,113(5):893-903.

DOI:10.1016/j.rse.2009.01.007 URL [本文引用: 2]

[17]

Charvz Jr P

Image-based atmospheric corrections-revisited and revised

[J]. Photogrammetric Engineering and Remote Sensing, 1996,62(9):1025-1036.

[本文引用: 2]

[18]

Jiménez-Muñoz J

, Cristobal

, Sobrino J

, 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]

[19]

Jiménez-Muñoz J

, Sobrino J

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

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

[本文引用: 1]

[20]

Jiménez-Muñoz J

, Sobrino J

, Skoković

, et al.

Land surface temperature retrieval methods from Landsat8 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: 1]

[21]

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.

[本文引用: 1]

Xu H

, Chen B

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.

[本文引用: 1]

[22]

国家环保部. 生态环境状况评价技术规范(发布稿)[S]. 北京: 中国标准出版社, 2015.

[本文引用: 1]

Ministry of Ecology and Environment the People's Republic of China. Technical criterion for ecosystem status evaluation[S]. Beijing: Standards Press of China, 2015.

[本文引用: 1]

[23]

住房城乡建设部. 城市生态建设环境绩效评估导则(试行)[M]. 北京: 中国建筑工业出版社, 2015.

[本文引用: 1]

Ministry of Housing and Urban-Rural Development of the People's Republic of China. Guidelines for performance assessment of urban ecological construction[M]. Beijing: China Architecture and Building Press, 2015.

[本文引用: 1]

[24]

樊智宇, 詹庆明, 刘慧民, 等.

武汉市夏季城市热岛与不透水面增温强度时空分布

[J]. 地球信息科学学报, 2019,21(2):226-235.

DOI:10.12082/dqxxkx.2018.180495 [本文引用: 1]

城市化的不断发展使自然地表不断被不透水面所取代,城市地表温度高于乡村,形成了显著的热岛效应。城市热岛给城市生态发展与人类健康带来了严重的负面影响,对其空间模式与背后形成机制的研究意义重大。本文以武汉市为例,基于2001、2007和2016年夏季Landsat系列影像使用辐射传导方程法反演了城市地表温度,并采用MOD11A1数据进行了验证;同时,计算了不同时期的城市温度等级和热岛比例指数,分析了城市热岛的时空变化。此外,为了探究热岛效应形成的主要原因,即不透水面与热环境的关系,全局角度使用多元线性回归分析对比了其增温效果与植被水体降温效果的强弱,空间局部角度采用地理加权回归结合地形数据得到了其增温强度的时空变化。结果表明：① 辐射传导方程法适用于实验中研究区的反演;武汉市城市热岛比例指数先增后减,但温度等级高的地区仍在不断扩张;② 多元线性回归可以准确地反映不同地表覆盖对地表温度的影响,R2值为0.910,总体上武汉市不透水面的增温效果强于植被的降温效果,并弱于水体的降温效果; ③ 2001-2016年不透水面增温强度较高区域的分布呈现“单中心”到“多中心”的变化趋势,由单一集中于中心城区变为了分散集中于三环线附近的汉阳沌口工业区、青山工业区、阳逻开发区和东西湖区等地区。综上所述,武汉市夏季热环境问题仍然较为严重,城市外部地区的不透水面增温强度正在逐渐增大,规划治理应当给予这些地区更多的关注。

Fan Z

, Zhan Q

, Liu H

, et al.

Spatial-temporal distribution of urban heat island and the heating effect of impervious surface in summer in Wuhan

[J]. Journal of Geo-Information Science, 2019,21(2):226-235.

[本文引用: 1]

[25]

Breiman

Random forests

[J]. Machine Learning, 2001,45(1):5-32.

DOI:10.1023/A:1010933404324 URL [本文引用: 1]

[26]

Du P

, Samat

, Waske

, et al.

Random forest and rotation forest for fully polarized SAR image classification using polarimetric and spatial features

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,105:38-53.

DOI:10.1016/j.isprsjprs.2015.03.002 URL [本文引用: 1]

[27]

Padmanaban

, Bhowmik A

, Cabral

A remote sensing approach to environmental monitoring in a reclaimed mine area

[J]. ISPRS International Journal of Geo-Information, 2017,6(12):401.

DOI:10.3390/ijgi6120401 URL [本文引用: 1]

[28]

Schneider

Monitoring land cover change in urban and peri-urban areas using dense time stacks of Landsat satellite data and a data mining approach

[J]. Remote Sensing of Environment, 2012,124:689-704.

DOI:10.1016/j.rse.2012.06.006 URL [本文引用: 1]

城市地表覆盖结构组分与热环境调控模型(EcoCity)研究——以北京城市为例

2017

... 伴随着城市快速扩张,城市下垫面土地覆盖急剧变化,改变了城市地表热量平衡,进而导致城市热岛加剧,还会影响到区域气候过程^[1,2,3].超大城市具有“超大性”.其建筑物和道路等不透水面分布规模大且密集,加上大量人为活动产生了大体量的水和热等城市代谢,这种“超大性”对城市生态系统产生了强大外力干扰,其产生的城市热岛问题远大于其他中小城市和乡村地区.研究对比超大城市热环境时空演化差异,有助于提高国内外超大城市规划建设模式与地表辐射能量平衡互馈关系内在机理的认知能力,为控制城市发展规模及城市生态规划与整治等提供科学参考. ...

城市地表覆盖结构组分与热环境调控模型(EcoCity)研究——以北京城市为例

2017

Prediction of ecological effects of potential population and impervious surface increases using a remote sensing based ecological index(RSEI)

2018

A shoreline divided:Twelve-year water quality and land cover trends in Lake Ontario coastal wetlands

2017

State of the world population 2014-the power of 1.8 billion:Adolescents,youth and the transformation of the future

... 遥感技术具有覆盖面广、长时序、处理速度快等优势,利用遥感技术来监测城市热岛效应,可以克服传统地面观测站点资料数据极其有限的问题,实现海量“面”数据的获取.此外,为了衡量城市热环境长时间变化,有必要在全球、区域和城市范围内提供准确、一致的数据.多时相、多光谱、多平台的遥感卫星影像能够更综合、准确地反映出下垫面的地物光谱信息和热信息等状况^[4]. ...

Remote-sensing evaluation of the relationship between urban heat islands and urban biophysical descriptors in Jinan,China

2014

... 快速城市化导致城市热环境变化^[5,6].一方面,城市人口的大幅增加,城市规模不断扩大,能耗需求剧增,人为温室气体排放总量持续增加.另一方面,城市化过程中大量的建筑物、水泥路等不透水面取代了植被、水体等生态用地,导致地表蒸腾明显减少,显热表面比例升高而潜热表面比例降低,促使城市热岛效应日益严峻^[7].而城市热岛又使得城市温度一直居高不下,夏季的长时间高温导致降温需求增大,空调的大量使用使得能耗增加,巨大的能耗又反过来加剧城市热岛效应,形成了一个恶性循环.众多学者围绕城市热环境变化进行研究分析.Weng等^[8]利用线性光谱混合模型提取植被和不透水面等专题影像,与地表温度进行综合分析发现,城市地物的空间排列以及城市在扩展时LULC的变化是导致地表温度产生变化的主要原因; Zheng等^[9]则在利用Moran'I指数对凤凰城的地表温度和LULC类型的相关性研究中发现,相对于城市建筑物的空间格局,其外立面不同涂料的区别对地表温度的影响更大,且夜间的正相关性更高; Chen等^[10]运用Landsat影像反演广州城市地表温度,进一步计算城市热变异区域,并采用多种景观格局指数分析城市热变异区的特征,结果表明城市地物组成对城市热变异区的影响最大,地表景观空间格局也会影响城市热变异区; Kotharkar等^[11]分析印度那格浦尔市局地气候分区(local climate zones, LCZ)的热岛情况,结果表明冬季建筑用地气候区内的城市热岛强度介于1.76~4.09 ℃之间,城区中紧凑型低层LCZs区比城市内部其他主要LCZs区的气候暖和. ...

北京市城市化进程中热环境响应

2016

北京市城市化进程中热环境响应

2016

Locally optimized separability enhancement indices for urban land cover mapping:Exploring thermal environmental consequences of rapid urbanization in Addis Ababa,Ethiopia

2016

A sub-pixel analysis of urbanization effect on land surface temperature and its interplay with impervious surface and vegetation coverage in Indianapolis,United States

2008

Spatial configuration of anthropogenic land cover impacts on urban warming

2014

Impacts of urban landscape patterns on urban thermal variations in Guangzhou,China

2017

Evaluating urban heat island in the critical local climate zones of an Indian city

2018

2016

... 改革开放以来,中国的城市化进入了快速发展阶段,城市化水平由 7.92%提高到56.10%^[12].其中,北京、上海、广州的人口数排名均已跃居世界前25位^[13].于此同时,1978—2014年,中国城市建成区面积呈指数增长,由1981年的7 438 km²增长到2014年的 49 773 km²,增长了近6.69倍^[14],近40 a,中国城市快速扩张,这一城市变化研究条件是全球其他国家和地区的城市所不具备的,因此,选取国内的3个超大城市(北京、上海和广州)与3个国际典型超大城市(伦敦、纽约、东京)进行对比,研究其城市“超大性”与城市热环境的互动作用机理,能为未来生态城市建设提供宝贵建议. ...

2016

World population prospects:The 2018 revision

2015

Mapping form and function in urban areas:An approach based on urban metrics and continuous impervious surface data

2011

... 根据2014 年中国国务院发布的城市规模划分标准,本文选取城区常住人口超过1 000万的中外6个典型超大城市(北京、上海、广州、伦敦、纽约和东京).北京、上海、广州是中国城市规模排名前3的超大城市,伦敦、纽约和东京是城市规模居世界前列的3个超大城市,分别分布在欧洲、美洲和亚洲.6个超大城市的城市规模相当,人口众多,国内生产总值高,但城市发展轨迹和城市空间格局显现不同的特征,具有对比性.由于中、美、英、日各国的行政区划差异较大,本文以6个城市2015年的建成区外扩5 km缓冲区的范围作为研究区(图1),以此划定具有对比性的城市边界^[15].据此获得的北京、上海、广州、伦敦、纽约和东京的研究区面积分别为2 776.52 km²,3 276.69 km²,1 750.33 km²,2 503.20 km²,2 341.11 km²和5 992.02 km². ...

Summary of current radiometric calibration coefficients for Landsat MSS,TM,ETM+,and EO-1 ALI sensors

2009

... 遥感卫星数据源的一致保证了研究数据的可靠性,因此本文全部选择Landsat系列卫星影像,如表1所示.由于所选遥感影像时相并不完全一致,为了后续行文表达的简练,本文将各城市的研究时相按时间正序分别依次命名为1990s,2000s和2015年.其他辅助数据有1990s,2000s和2015年6个超大城市建成区边界矢量图.采用Chander等^[16]和Chavez^[17]的模型和参数以及Landsat 网站提供的公式和参数分别对Landsat5,Landsat7和Landsat8影像进行辐射校正,将影像的亮度值转换为传感器处反射率. ...

... 地表温度反演采用Jiménez-Muñoz等^[18,19,20]提出的单通道算法,Landsat5和Landsat7影像地表温度反演分别采用的是TM和ETM+第6波段,Landsat8采用TIRS第10波段.根据Chander等^[16]和Chavez^[17]的模型和参数以及Landsat 网站提供的公式和参数,将影像的亮度值转换成大气顶部的光谱辐射值.进一步通过公式转换为亮温(T_sensor),最后反演出地表温度(LST),即 ...

Image-based atmospheric corrections-revisited and revised

1996

Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data

2009

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

2003

Land surface temperature retrieval methods from Landsat8 thermal infrared sensor data

2014

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

2003

... 城市热岛比例指数(urban heat island ratio index,URI)是一种量化城市热岛效应的方法^[21],该指数考虑了受热岛影响的高等级温区在城市建成区内的占比,同时根据温度等级对热岛效应的贡献程度自动赋予权重,其强度值可以反映城市热岛在区域水平上的累积分布特征,已得到广泛应用^[22,23,24].由于影像的季相差异和传感器差异,很难直接采用反演得到的绝对温度值来进行不同年份城市热岛效应之间的对比.为了消除差异导致的误差,将所研究6个城市3个时相反演求得的地表温度值进行归一化处理,取值统一在[0, 1]之间.其计算公式为: ...

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

2003

2015

武汉市夏季城市热岛与不透水面增温强度时空分布

2019

武汉市夏季城市热岛与不透水面增温强度时空分布

2019

Random forests

2001

... 采用随机森林(random forests,RF)分类算法^[25]提取植被、水体、不透水面和其他用地(裸土)等4种地表覆盖类型.RF算法是一种基于决策树的集成学习算法,逐渐被应用于遥感数据信息提取研究中^[26,27].RF算法的2个参数: 生成决策树数量和用于测试的特征数目参数分别设置为500和2.对3个研究时期6个超大城市的分类结果与同期Google Earth高分辨率影像进行对比,采用随机抽样的方法在每幅分类影像中随机选取300 个验证点,然后进行人机交互精度验证^[28] (由于6个城市1990s的影像无同期的Google Earth 高分辨率影像,因此将分类结果与原影像进行对比).验证结果表明,各时相的提取总精度均高于85%,各地类的生产者精度和用户精度基本都高于80%,Kappa系数也均高于0.85,这说明分类结果比较理想,能很好地满足研究需求. ...

Random forest and rotation forest for fully polarized SAR image classification using polarimetric and spatial features

2015

A remote sensing approach to environmental monitoring in a reclaimed mine area

2017

Monitoring land cover change in urban and peri-urban areas using dense time stacks of Landsat satellite data and a data mining approach

2012

〈

〉

时间	地点
时间	(a)北京大兴亦庄片区	(b)上海宝山南翔片区	(c)广州黄埔萝岗片区	(d)东京千叶地区	(e)东京滨海副中心	(f)北京朝阳国贸片区	(g)上海静安苏河湾区域	(h)广州海珠桥南广场地区
1990s (B4(R), B3(G), B2(B))
2015年 (B5(R), B4(G), B3(B))
1990s— 2015年地表温度等级变化
图例