城市河道及周临用地对地表热环境的影响研究

图1 研究区位示意图

Fig.1 Location of study area

1.2 数据源与预处理

以西安市1992年、2000年、2010年及2019年的Landsat TM/OLI/TIRS数据结合2019年高空间分辨率SPOT5数据为基础,数据来自地理空间数据云(http://www.gscloud. cn/); MOD11A1数据来源于NASA官网(http://earthdata.nasa.gov/),过境时间2019年6月5日与Landsat8过境时间基本吻合。辅助数据包括西安市1∶10 000地形图、外业实际采样点数据、30 m数字高程模型(digital elevation model,DEM)及西安市范围内的12个气象站点1992—2019年间的历史数据。首先,利用FLAASH大气校正模型对Landsat数据进行大气校正; 然后,利用1∶10 000地形图,采用二次多项式变换模型,利用最邻近算法对4期影像数据分别进行重采样及坐标变换,校正误差控制在0.5个像元内; 最后,基于改进的单窗算法进行地表温度数据的反演,并采用面向对象的分类方法对Landsat和SPOT数据进行土地利用类型及河道水体等信息的提取。

2 研究方法

2.1 基于改进地表比辐射率的单窗算法反演地表温度

研究发现,针对仅有一个热红外波段遥感数据的地表温度反演算法主要有: 辐射传输方程(radiztive transfer equation,RTE)、Jimënez-Muňoz & Sobrino’s单通道算法和单窗算法3种^[16⇓-18]。覃志豪等^[19]提出的单窗算法主要包括关键参数、辐射亮温和地表温度计算3个步骤。针对中尺度遥感影像中的混合像元分解问题,为了提高地表比辐射率的计算精度,本文提出了针对混合像元的支持向量机最优端元子集构建原理的地表比辐射率算法,以提高地表比辐射率估计精度。

1)针对混合像元的支持向量机最优端元子集构建方法的地表比辐射率确定。混合像元分解算法常认为单个像元往往包含全部端元,但实际上多数混合像元仅由部分端元组合而成^[20]。因此,直接对所有像元进行混合分解,会导致丰度估计值偏差较大^[21]。因此,本文采用了一种针对混合像元的支持向量机最优端元子集构建方法,进行混合像元地表比辐射率的计算。

首先,确定最优分类面。设分类面方程为:

(1)

x w + v = 0

式中: w和v为待求参数。样本集为 $(x_{i}, y_{i}), 其中 i = 1,2, \dots, n, x \in R^{4}, y \in (- 1, + 1)$ ,x_i为第i个样本的解释变量,y_i为第i个样本的决策变量,满足:

(2)

y_{i} [(w x_{i}) + v] - 1 \geq 0, i = 1,2, \dots, n

且使 $(1 / 2) {(w)}^{2}$ 最小的分类面为最优分类面。

其次,求解目标函数最大值。采用Lagrange乘子算法,基于约束: $\overset{n}{\sum_{i = 1}} a_{i} y_{i} = 0$ 和 $a_{i} \geq 0$ 条件下求解目标函数Q(a)的最大值,即

(3)

Q (a) = \overset{n}{\sum_{i = 1}} a_{i} - \frac{1}{2} \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} a_{i} a_{j} y_{i} y_{j} (x_{i} x_{j})

。

再次,最优决策解。通过求解以上不等式约束下二次函数寻优得到最优决策函数,公式为:

(4)

f (x) = s g n [\overset{n}{\sum_{i = 1}} a_{i} y_{i} (x_{i} x) + b]

。

最后,混合像元的端元子集确定。通过综合考虑最小错分样本和最大分类间隔,得到混合像元 $(x, y)$ 中包含的全部端元 $e_{1}, e_{2}$ 和 $e_{3}$ 。

基于以上支持向量机的混合像元最优端元子集构建方法得到的端元结果,进行地表比辐射率ε参数计算,公式为:

(5)

ε = f ε_{v} + (1 - f) ε_{i} + d_{ε}

式中: $ε_{v}$ 和 $ε_{i}$ 分别为植被和裸地比辐射率; f为植被盖度; d_ε为地表几何分布和内散射效应^[18]。

2)大气透过率和大气平均作用温度确定。大气透过率和大气平均作用温度较难获取。因此,本文利用覃志豪等^[19]提出的针对中纬度夏季平均大气作用温度T₁公式进行估算(式(6)),大气透过率τ由式(7)计算获得,公式为:

(6)

{T_{1}}_{}

= 16.011 0+0.926 21T₀,

(7)τ = 1.031 412-0.115 36ω,

式中: T₀为近地面高2 m处的大气温度; ω为大气水分含量,本次实验在查阅历史气象资料的基础上确定ω取值。

3)辐射亮温计算。首先对Landsat热红外波段进行辐射定标^[18],公式为:

(8)

L_{λ} = \frac{D N (L_{m a x} - L_{m i n})}{255} + L_{m i n}

(9)

T_{2} = K_{2} / l n (\frac{K_{1}}{L_{λ}} + 1)

式中: L_λ为热辐射强度值; L_max和L_min分别为传感器可探测的最大、最小辐射亮度值,W·m^-2·sr^-1·μm^-1; T₂为亮温温度,K; K₁(W·m^-2·sr^-1·μm^-1)和K₂(K)为热红外波段预设值(表1)。

表1 Landsat5/7/8热红外波段辐射常量值

Tab.1 Values of radiation constants of Landsat5/7/8 TIR bands

辐射常量	Landsat5 TM6波段	Landsat7 ETM+6 波段	Landsat8 TIRS10 波段	Landsat8 TIRS11 波段
K₁/(W·m^-2·sr^-1·μm^-1)	607.76	666.09	774.89	480.89
K₂/K	1 284.30	1 282.71	1 321.08	1 201.14

新窗口打开| 下载CSV

4)地表温度计算。在确定地表比辐射率、大气透过率和大气作用平均温度3个核心参数基础上^{[19⇓⇓-22]},进行地表温度计算,公式为:

(10)

T_{s} = \frac{1}{C} {a (1 - C - D) + [b (1 - C - D) + C + D] T_{2} - D T_{1}} - 273.15

式中: T_s为地表温度; a,b分别为拟合系数,通常取值-67.355 351和0.458 606; C和D分别为中间变量。C和D计算公式分别为:

(11)

C = ε τ

(12)

D = (1 - τ) [1 + (1 - ε) τ]

。

2.2 线性回归分析

线性回归分析是根据一个或一组自变量的变化情况预测与其相关关系的随机变量未来值的一种方法^[23]。本次实验中利用线性回归方法构建不同用地类型与地表温度间的相关关系,线性回归通过最佳拟合直线在因变量Y和一个或多个自变量x之间建立联系,公式为:

(13)

Y = A + B x + e

式中: A为截距; B为直线斜率; e为误差项。

2.3 皮尔逊(Pearson)相关

皮尔逊相关是一种计算直线相关的通用方法,该模型主要用于度量2个变量之间的相关程度^[24]。假设变量X和Y,当2个变量呈线性相关且满足正态分布时,则它们的相关系数为:

(14)

ρ_{X, Y} = \frac{c o v (X, Y)}{σ_{X} σ_{Y}} = \frac{E [(X - μ_{X}) (Y - μ_{Y})]}{σ_{X} σ_{Y}} = \frac{E (X Y) - E (X) E (Y)}{\sqrt{E - E^{2} (X) \sqrt{E - E^{2} (Y)}}}

式中: E为数学期望; cov为协方差。

3 结果与分析

3.1 灞河两岸土地利用时空变化分析

采用监督分类中的最大似然法,基于2019年实地采样的84个先验数据,利用ENVI5.4平台分类得到1992年、2000年、2010年及2019年的土地利用数据(图2),整体分类精度分别为90.54%,92.31%,90.16%和91.41%; Kappa系数分别为0.852 3,0.884 1,0.866 7和0.892 4,经统计得到灞河两岸用地数据(表2)。

图2

图2 灞河区域1992年、2000年、2010年及2019年土地利用类型

Fig.2 Land use of Bahe River in 1992, 2000, 2010 and 2019

表2 灞河两岸土地利用面积统计

Tab.2 Land use data of the Bahe River both banks(km²)

年份	区位	建设用地	草地	耕地	林地	裸地	水体
1992年	灞河以东	15.549	8.046	7.873	2.240	0.601	0.774
1992年	灞河以西	21.219	8.159	4.001	1.986	0.747	0.621
2000年	灞河以东	15.899	7.257	6.849	3.412	0.914	0.752
2000年	灞河以西	21.221	7.455	4.179	2.423	0.811	0.644
2010年	灞河以东	17.849	5.221	4.511	5.412	1.393	0.699
2010年	灞河以西	21.014	5.143	4.275	5.145	0.655	0.541
2019年	灞河以东	18.124	4.548	6.486	4.672	0.583	0.675
2019年	灞河以西	21.375	4.597	5.851	5.105	0.226	0.592

新窗口打开| 下载CSV

结合图2与表2可知,在以灞河为中心两岸2 km范围内,东西两岸建设用地占比平均为48.1%和57.3%,表明建设用地占主导地位; 灞河两岸建设用地和林地累计增幅分别为16.6%和0.7%,108.6%和157%。草地、耕地和裸地均表现为减少趋势,其中草地减幅最大,两岸累计减少43.4%和43.7%,减少的草地主要流入建设用地。结合不同用地类型的时空变化及转移矩阵发现,建设用地的流入区域主要集中在灞河两岸50~200 m之间。整体来看,1992—2019年灞河以东建设用地和林地显著增加,草地、耕地、裸地及水体减少; 灞河以西草地、裸地和水体面积下降,林地增加显著,增加的建设用地主要分布在灞河以东的北部、南部及灞河以西靠近主城区的位置。

3.2 灞河两岸地表温度时空变化分析

基于提出的针对混合像元的支持向量机最优端元子集构建方法,以Landsat8 B10波段为例,将反演结果经重采样(1 000 m)与MODIS LSE进行同尺度比对分析(表3),结果表明该方法计算的地表比辐射率计算结果与MODIS LSE产品具有较高的一致性(R=0.832),精度可靠^[25]。因此,该算法可用于Landsat数据的地表比辐射率参数计算。在此基础上,基本构建的地表温度反演软件LST 2.0,反演得到了研究区1992年、2000年、2010年及2019年地表温度数据(图3),由于文中所选4幅影像数据对应的气象条件近似,结果可直接对比分析,因此,针对反演结果未做进一步消差处理。最后统计得到灞河两岸地表温度变化情况(图4)。

表3 地表比辐射率对比分析

Tab.3 Comparative analysis of surface emissivity

方法	平均值	标准差	平均误差	均方根误差	相关系数
结合支持向量机的混合像元最优端元子集模型	0.980 64	0.004 1	0.002 1	0.004 6	0.832
MODIS LSE	0.986 41	0.003 2	0.002 1	0.004 6	0.832

新窗口打开| 下载CSV

图3

图3 灞河区域1992年、2000年、2010年及2019年地表温度

Fig.3 Land surface temperature of Bahe River in 1992,2000,2010 and 2019

图4

图4 1992—2019年温度变化

Fig.4 Temperature variation from 1992 to 2019

图3—4表明,1992年灞河两岸热岛类型主要为强绿岛区、绿岛区、中间区3种,其中以绿岛区为主,占比95.1%,强绿岛区与中间区面积基本持平,主要原因在于1992年灞河两岸建设开发强度低,原生态植被保存完好,整体热环境良好; 2000年中间区增速明显,占比46.2%,热岛区出现,占比18.3%; 2010年强绿岛区和强热岛区变化显著,占比14.5%和15.9%,强绿岛区的出现主要是由于浐河生态治理,该时间段内的强热岛主要为灞河的河床裸露所导致,而热岛区域主要以点面结合的形式分布于灞河以西且接近主城区的地方; 2019年灞河两岸地表热环境空间格局变化显著,中间区占主导地位,累计增加43.554 km²,热岛区和强热岛区累计增加33.283 km²,以片状斑块连续状分布于灞河两岸; 同时,灞河两岸强绿岛区逐渐消失,这是浐灞生态区快速城镇化建设导致灞河两岸建设用地持续增加的结果。

3.3 基于时间变化的用地类型与地表温度耦合特征分析

基于灞河两岸不同时相土地利用与地表温度反演结果,建立200 m×200 m大小的矢量格网,利用SPSS22软件中Pearson双侧显著性检测分析工具,分析随时间变化灞河两岸不同用地类型与地表温度的相关关系。

3.3.1 用地类型与地表温度相关性分析

灞河两岸用地类型与地表温度相关性如图5所示。由图5可知: 1992 — 2019年灞河两岸建设用地面积占比与地表温度相关系数在4个时相内均最高,呈现“降低—升高”的变化趋势; 草地、林地、水体面积占比与地表温度的相关系数逐渐升高。1992年、2000年和2010年灞河两岸建设用地、耕地、草地和裸地面积占比均与地表温度正相关,为升温用地; 水体、林地面积占比与地表温度负相关,为降温用地; 2019年,灞河两岸建设用地和裸地面积占比与地表温度呈现正相关,草地、林地、耕地和水体面积占比与地表温度呈负相关,即水体、草地、林地和耕地有助于降低灞河两岸地表温度。

图5

图5 灞河两岸用地类型与地表温度的相关性

Fig.5 Correlation between land use and surface temperature on both banks of Bahe River

3.3.2 用地类型与地表温度线性特征分析

采用线性回归模型对不同用地类型与地表温度的相关关系进行拟合分析(图6),结果表明: 在200 m×200 m尺度下,水体面积占比每增加10%,地表温度平均降低0.422 ℃; 林地面积占比每增加10%,地表温度平均降低0.132 ℃; 草地面积占比每增加10%,地表温度平均降低0.194 ℃; 耕地面积占比每增加10%,地表温度平均降低0.115 ℃。因此,不同土地利用类型面积占比的拟合结果进一步表明: 不同土地利用方式的降温效果不同,依次为: 水体>林地>草地>耕地。

图6

图6 不同时期各降温用地面积占比与地表温度的线性关系

Fig.6 Linear relationship between the proportion of cooling land area and surface temperature in different periods

3.4 基于空间变化的用地类型与地表温度耦合特征分析

为了进一步分析灞河两岸用地类型与地表温度间的耦合关系,以100 m为缓冲间距,分别在灞河两岸构建20个缓冲区域,去除灞河水体对其周临降温的影响,以缓冲区用地平均温度与各缓冲区温度之差作为评价依据,研究不同缓冲区内灞河两岸用地类型与地表温度的关系特征。

3.4.1 缓冲区地表温度变化特征分析

图7为不同年份灞河两岸各缓冲区内用地类型温度与缓冲区温度变化,图7表明: 1992年、2000年、2010年和2019年灞河两岸不同缓冲区内各用地类型平均温度伴随缓冲区距离的增加呈现上升趋势,其中建设用地温度最高,水体最低; 灞河两岸多级缓冲区平均温度在0~300 m和0~400 m范围内较低,且变化缓慢,表明灞河对两岸最大热环境改善距离分别为300 m和400 m。同时,灞河以东水体、林地、耕地和草地的平均温度整体低于各缓冲区平均温度,降温效果依次为: 水体>林地>草地>耕地; 灞河以西则是水体、林地和草地的平均温度低于各缓冲区平均温度,降温效果为: 水体>林地>草地,且灞河以东草地的降温效果大于灞河以西,灞河以西的水体和林地降温效果则优于灞河以东。

图7

图7 不同年份灞河两岸各缓冲区内用地类型温度与缓冲区温度变化

Fig.7 Variation of land use and buffer zone temperature on both banks of the Bahe River in different years

3.4.2 缓冲区用地类型与LST特征分析

图8为不同时期灞河两岸各缓冲区用地类型的降温效果,图8表明: 1992年、2000年、2010年和2019年灞河两岸水体、林地、草地和耕地类型在不同时相、不同面积占比条件下,缓冲区距灞河河道不同距离的降温效果各异。灞河以西水体、林地和草地类型分别在缓冲区距离为400~500 m,800~900 m和1 600~1 700 m时,当用地类型面积占比分别为0.81%,11.6%和14.0%时,上述用地类型降温效果较好; 灞河以东水体、林地、草地和耕地类型分别在缓冲区距离为300~400 m,600~700 m,1 200~1 300 m和1 700~1 800 m时,当用地类型面积占比分别为3.9%,15.7%,13.1%和14.1%时,上述用地类型降温效果最好。因此,灞河两侧在未来城镇建设时,可以参考各降温用地面积占比参数,以使降温用地效果最大化。

图8

图8 不同时期灞河两岸各缓冲区用地类型的降温效果

Fig.8 Cooling effect of land use in buffer zones on both banks of the Bahe River in different periods

4 讨论

4.1 河道周临用地类型及影响因素分析

通过1992—2019年灞河流域土地利用变化发现,该时段内灞河流域用地类型变化主要集中在近河道及其两岸0~200 m范围内。灞河的生态治理,特别是2004年浐灞生态区的设立,使得灞河流域土地利用模式的转变经历了早期的无序化多模式转变后,步入政策引导阶段,特别是2006年后开工建设的浐灞湿地公园和世博园等大型基建项目,一定程度上加剧了灞河两岸土地利用方式的转变。分析结果表明土地利用变化密集区域主要集中在灞河中部,灞河以东的北部及灞河以西的中南部,且后者变化幅度小于前者,造成这种变化的主要原因是政府大型基建项目的开工建设; 且灞河西岸更靠近主城区,导致西岸开发强度整体高于灞河东岸,统计结果表明建设用地是除了水体与林地之外最大的用地类型,该结论与王耀斌等^[14]研究相一致。

4.2 用地类型与地表温度的相关性分析

用地类型与地表温度相关性分析表明: 建设用地的变化是导致灞河两岸地表温度不断升高的主要因素,这一发现与王耀斌等^[14]和曾素平等^[10]结论相一致; 但1992年和2000年草地表现为升温作用,这一结论与2010年不符,原因在于2000年以前,该区域草地面积占比较大,但纯草形式不利于热环境改善^[6-7],之后草地面积持续减少,草冠混合模式出现,2019年草地表现为降温作用,该结论与岳文泽等^[3]和张晓东等^[13]研究结果一致。同时,耕地、林地和水体表现为降温作用与类似研究结论相同 ^[4,10-11]。

4.3 多级缓冲用地类型对地表温度的影响分析

多级缓冲区分析表明,灞河两岸用地类型随缓冲区距离的增大,建设用地变化幅度呈现变小的趋势。1992—2019年,灞河两岸各缓冲区内地表温度均随缓冲距离的增加而升高,其中2019年变化幅度最大。灞河对东岸0~300 m范围内有明显降温效应,灞河以东地区建设用地占主导地位,1992—2019年的27 a间累计增长16.6%,耕地变化呈现“增加-减少”的趋势,草地呈现“增加-减少-增加”的变化趋势,特别是林地与水体面积在300 m范围内增加显著,且在200~300 m范围内面积均为最大,占地面积分别为0.309 km²和0.141 km²。灞河对以西0~400 m范围内降温影响显著。就河道水体对周临热环境的影响距离而言,不同研究者所得结论略有差异^[3-4,7,9,13],主要由于研究对象大小、形状、周临地表、建筑物形态及气候区划不同所导致 ^[12-13]。进一步分析发现,灞河以西建设用地与草地占主导地位,建设用地和裸地均在距灞河400 m范围内占地面积最小,而林地、草地和水体占比较大; 同时,灞河以西更加靠近浐河流域,就浐河灞河相邻地带而言,浐河水体辅助大范围绿地系统促使灞河西岸对周临温度的影响范围更广。

4.4 不足与展望

针对混合像元地表比辐射率提取的问题,首先提出了结合支持向量机最优端元子集构建方法的混合像元分解算法,以提高地表比辐射率的计算精度。通过与传统混合像元分解结果对比分析,验证了该方法的有效性^[25],运用改进的地表比辐射率方法,采用单窗算法以灞河为例进行地表温度的反演分析,深入剖析了灞河水体及其周临用地类型对局地温度的影响研究,尽管取得了一些成果,但仍然存在一些不足和局限性。

水体及其周临用地类型对周边环境的冷却效应受诸多因素,如水体面积、形状、水量、周临地形、建筑物分布及气候区划等的综合影响。本研究以灞河及周临用地类型现状为基础展开分析,并未深入考虑周临建筑物的三维时空特征,因此,下一步研究应当将周临环境由平面地形转化为三维实景空间,精准参数设置,以校正所得结论。同时,由于该实验是在暖温带半湿润的季风气候区展开,未能在不同的气候区划展开实验,因此,不同气候区划条件下的水体及其周临用地对局地热环境的影响需进一步分析。

5 结论

本文利用多源遥感数据,在对地表比辐射率进行改正计算的基础上展开了灞河两岸缓冲带及周临用地与地表热环境的相关性分析,得出以下结论:

1)本文针对混合像元地表比辐射率估计问题,提出了支持向量机的最优端元子集构建的地表比辐射率方法,并与传统的混合像元分解技术计算的丰度估计值相比较,结果表明,该算法计算的地表比辐射率精度较改进前可提高0.005(R=0.832)。

2)1992—2019年间西安市灞河两岸用地和地表温度时空格局变化显著。建设用地因草地、林地和耕地的转入而增幅显著,已经成为灞河两岸最主要的用地类型,灞河以西较灞河以东变化剧烈; 灞河两岸整体地表温度增幅明显,强绿岛区和绿岛区面积大幅较少,中间区、热岛区和强热岛区增加显著,且热岛区以片状斑块分布于灞河两岸北部,强热岛区以点状形态分布于灞河西岸靠近主城区位置。

3)建设用地、林地、水体和草地是影响灞河两岸地表温度的主要用地类型,其中建设用地影响幅度最大。建设用地、裸地、耕地与地表温度呈正相关关系,对温度增加呈现正贡献; 水体、林地、草地与地表温度呈现负相关,对地表温度表现为负贡献。灞河对东西两岸地表温度影响的最大缓冲距离分别为300 m和400 m,东西两岸缓冲区内不同用地类型面积占比变化是导致两岸降温幅度不一的主要原因。

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]

姚远, 陈曦, 钱静.

城市地表热环境研究进展

[J]. 生态学报, 2018, 38(3):1134-1147.

Yao

, Chen

, Qian

Research progress on the thermal environment of the urban surface

[J]. Acta Ecologica Sinica, 2018, 38(3):1134-1147.

[2]

冯晓刚, 周在辉, 李凤霞, 等.

西咸一体化驱动的咸阳市热力景观格局时空分异分析

[J]. 西安建筑科技大学学报(自然科学版), 2021, 53(3):413-420.

Feng

X G

, Zhou

Z H

, Li

F X

, et al.

Spatiotemporal differentiation of thermal landscape pattern in Xianyang City driven by the integration of Xi’an and Xianyang

[J]. Journal Xi’an University of Architecture and Technology (Natural Science Edition), 2021, 53(3): 413-420.

[3]

岳文泽, 徐丽华.

城市典型水域景观的热环境效应

[J]. 生态学报, 2013, 33(6):1852-1859.

Yue

W Z

, Xu

L H

Thermal environment effect of urban water landscape

[J]. Acta Ecologica Sinica, 2013, 33(6): 1852-1859.

DOI:10.5846/stxb URL [本文引用: 4]

[4]

冯悦怡, 胡潭高, 张力小.

城市公园景观空间结构对其热环境效应的影响

[J]. 生态学报, 2014, 34(12):3179-3187.

Feng

Y Y

, Hu

T G

, Zhang

L X

Impacts of structure characteristics on the thermal environment effect of city parks

[J]. Acta Ecologica Sinica, 2014, 34(12):3179-3187.

[5]

Lin

, Wang

Z F

, Yang

, et al.

Water as an urban heat sink: Blue infrastructure alleviates urban heat island effect in mega-city agglomeration

[J]. Journal of Cleaner Production, 2020, 262:1-8.

[6]

Tan

X Y

, Sun

, Huang

C D

, et al.

Comparison of cooling effect between green space and water body

[J]. Sustainable Cities and Society, 2021, 67:1-11.

DOI:10.16258/j.cnki.1674-5906.2015.02.015 [本文引用: 4]

[7]

梁保平, 马艺芳, 李晖.

桂林市典型园林绿地与水体的降温效应研究

[J]. 生态环境学报, 2015, 24(2):278-285.

Liang

B P

, Ma

Y F

, Li

Research on colling effect of landscape green space and urban water in Guilin City

[J]. Ecology and Environmental Sciences, 2015, 24(2):278-285.

[8]

H Y

, Song

X J

, Jiang

, et al.

Research on the cooling island effects of water body: A case study of Shanghai,China

[J]. Ecological Indicators, 2016, 67:31-38.

DOI:10.1016/j.ecolind.2016.02.040 URL [本文引用: 1]

[9]

J S

, Li

C M

, Zhang

, et al.

Seasonal variations and main influencing factors of the water cooling islands effect in Shenzhen

[J]. Ecological Indicators, 2020, 17:1470.

[10]

曾素平, 时琢, 赵梅芳, 等.

城市水体对热岛的缓冲性能沿河岸距离的变化规律

[J]. 生态学报, 2020, 40(15):5190-5202.

Zeng

S P

, Shi

, Zhao

M F

, et al.

The variation of buffer performance of water bodies on urban heat island along riverbank distance

[J]. Acta Ecologica Sinica, 2020, 40(15): 5190-5202.

DOI:10.16258/j.cnki.1674-5906.2021.10.012 [本文引用: 2]

[11]

张伟, 王凯丽, 梁胜, 等.

基于计算力流体力学的城市近郊湖泊“冷岛效应”及其情景模拟研究——以长沙市同升湖为例

[J]. 生态环境学报, 2021, 30(10):2054-2066.

城市湖泊生态效益优越,对周围环境具有明显的“冷岛效应”。中尺度层面上,从环境物理学角度出发,以位于长沙市近郊区的同升湖作为研究对象,采用平行定点实测法获取夏季湖泊周边热环境指标,结合CFD情景模拟,二者交互验证。同时设置湖区周边近地面层典型气候边界条件,通过改变单一影响因子的变化,系统分析了夏季城市近郊湖泊“冷岛效应”的变化规律以及湖区周边建筑对湖泊“冷岛效应”发挥的影响,揭示了湖泊与周围环境之间的温度交互特征。结果表明：（1）夏季城市近郊湖泊对周围环境存在“冷岛效应”,研究区域与对照区域的日均温度差值在0.55 ℃,湖泊“冷岛效应”的发挥与太阳辐射强度相关,在13:00—14:00时间段内较突出;（2）湖泊“冷岛效应”与临湖距离呈显著负相关,湖泊水体的降温作用在0 m处最显著,在距湖岸300 m范围明显,在距湖岸600 m范围存在降温作用,湖泊水体对主导风下风向区域的降温效果最佳,降温强度可达0.96 ℃;（3）通过改变单一影响因子的CFD情景模拟发现,湖泊“冷岛效应”发挥与建筑高度、建筑后退湖岸距离、建筑间距密切相关,建筑后退湖岸100 m和200 m,下风向区域温度降低0.34—0.56 ℃,降温范围在650—800 m;建筑高度增加10 m和20 m,下风向区域温度上升0.09—0.39 ℃,降温范围在350—500 m;建筑间距增大2倍,下风向区域温度下降0.27 ℃左右,降温范围在500—600 m。该研究成果对研究城市湖泊小气候、改善城市局域热环境及指导未来城市近郊湖区建设布局具有重要指导意义。

Zhang

, Wang

K L

, Liang

, et al.

Research on the “Cold Island Effect” and scenario simulation of lakes in urban suburbs based on computational force fluid dynamics: Taking Tongsheng Lake in Changsha City as an example

[J]. Ecology and Environmental Sciences, 2021, 30(10):2054-2066.

[12]

Zheng

, Li

, Hou

, et al.

Quantifying the cooling effect and scale of large inner-city lakes based on landscape patterns: A case study of Hangzhou and Nanjing

[J]. Remote Sensing, 2021, 13(8): 1526.

DOI:10.3390/rs13081526 URL [本文引用: 2]

The rapid urbanization worldwide has brought various environmental problems. The urban heat island (UHI) phenomenon is one of the most concerning issues because of its strong relation with daily lives. Water bodies are generally considered a vital resource to relieve the UHI. In this context, it is critical to develop a method for measuring the cooling effect and scale of water bodies in urban areas. In this study, West Lake and Xuanwu Lake, two famous natural inner-city lakes, are selected as the measuring targets. The scatter plot and multiple linear regression model were employed to detect the relationship between the distance to the lake and land surface temperature based on Landsat 8 Operational Land Imager/Thermal Infrared Sensor (OLI/TIRS) and Sentinel-2 data. The results show that West Lake and Xuanwu Lake massively reduced the land surface temperature within a few hundred meters (471 m for West Lake and 336 m for Xuanwu Lake) and have potential cooling effects within thousands of meters (2900 m for West Lake and 3700 m for Xuanwu Lake). The results provide insights for urban planners to manage tradeoffs between the large lake design in urban areas and the cooling effect demands.

[13]

张晓东, 赵银鑫, 马风华, 等.

基于遥感数据的银川市城市公园对城市热环境降温效应分析

[J]. 水土保持通报, 2021, 41(5):338-347.

Zhang

X D

, Zhao

Y X

, Ma

F H

, et al.

Analysis on cooling effect of urban parks on urban thermal environment in Yinchuan City based on remote sensing

[J]. Bulletin of Soil and Water Conservation, 2021, 41(5):338-347.

[14]

王耀斌, 赵永华, 韩磊, 等.

西安市景观格局与城市热岛效应的耦合关系

[J]. 应用生态学报, 2017, 28(8):2621-2628.

Wang

Y B

, Zhao

Y H

, Han

, et al.

Coupling relationship of landscape pattern and urban heat island effect in Xi’an,China

[J]. Chinese Journal of Applied Ecology, 2017, 28(8):2621-2628.

[15]

胡李发, 谢元礼, 崔思颖, 等.

关中平原城市群夏季城市热岛特征及驱动力

[J]. 中国环境科学, 2021, 41(8): 3842-3852.

L F

, Xie

Y L

, Cui

S Y

, et al.

The characteristics and driving forces of summer urban island in Guanzhong Plain urban agglomeration

[J]. China Environmental Science, 2021, 41(8):3842-3852.

[16]

黄路, 邵浩, 张彩云, 等.

用辐射传输方程改进算法反演Landsat8海表温度的效果检验和适用条件分析

[J]. 应用海洋学学报, 2021, 40(4):714-720.

Huang

, Shao

, Zhang

C Y

, et al.

Radiative transfer equation algorithm to retrieve Landsat8 sea surface temperature

[J]. Journal of Applied Oceanography, 2021, 40(4):714-720.

[17]

段四波, 茹晨, 李召良, 等.

Landsat卫星热红外数据地表温度遥感反演研究进展

[J]. 遥感学报, 2021, 25(8):1591-1617.

Duan

S B

, Ru

, Li

Z L

, et al.

Reviews of methods for land surface temperature retrieval from Landsat thermal infrared data

[J]. National Remote Sensing Bulletin, 2021, 25(8):1591-1617.

DOI:10.11834/jrs.20211296 URL [本文引用: 1]

[18]

覃志豪, Zhang

M H

, Arnon

, 等.

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(4):456-466.

DOI:10.11821/xb200104009 [本文引用: 3]

陆地卫星 TM数据 (TM6)热波段表示地表热辐射和地表温度变化。长期以来,从 TM6数据中演算地表温度通常是通过所谓大气校正法。这一方法需要估计大气热辐射和大气对地表热辐射传导的影响,计算过程很复杂,误差也较大,在实际中应用不多。根据地表热辐射传导方程,推导出一个简单易行并且精度较高的演算方法,把大气和地表的影响直接包括在演算公式中。该算法需要用地表辐射率、大气透射率和大气平均温度 3个参数进行地表温度的演算。验证表明,该方法的地表温度演算较高。当参数估计没有误差时,该方法的地表温度演算精度达到 <0.4℃,在参数估计有适度误差时,演算精度仍达 <1.1℃。因该方法适用于仅有一个热波段的遥感数据,故称为单窗算法。

Qin

Z H

, Zhang

M H

, Arnon

, et al.

Mono-window algorithm for retrieving land surface land temperature from Landsat TM6 data

[J]. Acta Geo-Graphica Sinica, 2001(4):456-466.

[19]

覃志豪, 李文娟, 徐斌, 等.

利用Landsat TM6反演地表温度所需地表辐射率参数的估计方法

[J]. 海洋科学进展, 2004(22):129-137.

Qin

Z H

, Li

W J

, Xu

, et al.

Estimation method of land surface emissivity for retrieving land surface temperature from Landsat TM6 data

[J]. Advances in Marine Science, 2004(22):129-137.

[20]

宋彩英, 覃志豪, 王斐.

基于线性光谱混合模型的地表温度像元分解方法

[J]. 红外与毫米波学报, 2015, 34(4):497-504.

Song

C Y

, Qin

Z H

, Wang

An effective method for LST decomposition based on the linear spectral mixing model

[J]. Journal of Infrared and Millimeter Waves, 2015, 34(4):497-504.

[21]

徐涵秋

Landsat8热红外数据定标参数的变化及其对地表温度反演的影响

[J]. 遥感学报, 2016, 20(2): 229-235.

H Q

Change of Landsat8 TIRS calibration parameters and its effect on land surface temperature retrieval

[J]. Journal of Remote Sensing, 2016, 20(2): 229-235.

[22]

周佳, 赵亚鹏, 岳天祥, 等.

结合HASM和GWR方法的省级尺度近地表气温估算

[J]. 地球信息科学学报, 2020, 22(10):2098-2107.

DOI:10.12082/dqxxkx.2020.190423 [本文引用: 1]

卫星遥感反演得到的地表温度可用于近地表气温的估算,但现有方法的估算精度仍有进一步提升的空间。为了获取空间上连续且精度较高的近地表气温,本研究以四川省为例,首次将高精度曲面建模（HASM）用于遥感和气温实测数据的融合,并将综合了气温、地表温度、海拔、坡度、坡向的地理加权回归（GWR）拟合结果作为HASM模型的初始温度场,进而采用此种结合HASM和GWR的求解算法（HASM-GWR）,融合MOD11C3地表温度产品与190个气象台站的气温实测数据,开展省级尺度近地表气温估算,并通过比较HASM-GWR、GWR以及普通线性回归（OLS）3种方法的估算精度,评估各模型对近地表气温的估算效果。结果表明,相比于传统估算模型,采用HASM-GWR数据融合方法能有效提高近地表气温的估算精度。采用该方法的近地表气温估算残差,72%介于-1~1 ℃,90%介于-2~2 ℃;且与GWR和OLS模型相比,估算结果的均方根误差（RMSE）分别降低了25.42%和39.83%。

Zhou

, Zhao

Y P

, Yue

T X

, et al.

Near surface air temperature estimation by combining HASM with GWR model on a provincial scale

[J]. Journal of Geo-Information Science, 2020, 22(10):2098-2107.

[23]

韩晟, 韩坚舟, 赵璇, 等.

距离权重改进的Pearson相关系数及应用

[J]. 石油地球物理勘探, 2019, 54(6):1363-1370.

Han

, Han

J Z

, Zhao

, et al.

A Pearson correlation coefficient improved by spatial weight

[J]. Oil Geophysical Prospecting, 2019, 54(6): 1363-1370.

[24]

凌德泉, 毕硕本, 左颖, 等.

缓冲区分析综合模型构建研究

[J]. 测绘科学, 2019, 44(9):47-53.

Ling

D Q

, Bi

S B

, Zuo

, et al.

Study on the comprehensive model construction of buffer analysis

[J]. Science of Surveying and Mapping, 2019, 44(9):47-53.

[25]

王丽霞, 孙津花, 刘招, 等.

基于Landsat8数据反演地表发射率的几种不同算法对比分析

[J]. 西安科技大学学报, 2019, 39(2):327-333.

Wang

L X

, Sun

J H

, Liu

, et al.

Comparison of several different algorithms to retrieve land surface emissivity using Landsat8 data

[J]. Journal of Xi’an University of Science and Technology, 2019, 39(2):327-333.