留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

面向局部气候带的城市形态对地表温度的影响

卢阳 杨建思 黄昕 杨其全 马嵩

卢阳, 杨建思, 黄昕, 杨其全, 马嵩. 面向局部气候带的城市形态对地表温度的影响[J]. 武汉大学学报 ( 信息科学版), 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
引用本文: 卢阳, 杨建思, 黄昕, 杨其全, 马嵩. 面向局部气候带的城市形态对地表温度的影响[J]. 武汉大学学报 ( 信息科学版), 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
LU Yang, YANG Jian-si, HUANG Xin, YANG Qi-quan, MA Song. Effects of Urban Morphology on Land Surface Temperature in Local Climate Zones[J]. Geomatics and Information Science of Wuhan University, 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
Citation: LU Yang, YANG Jian-si, HUANG Xin, YANG Qi-quan, MA Song. Effects of Urban Morphology on Land Surface Temperature in Local Climate Zones[J]. Geomatics and Information Science of Wuhan University, 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031

面向局部气候带的城市形态对地表温度的影响

doi: 10.13203/j.whugis20200031
基金项目: 

国家自然科学基金 41771360

国家自然科学基金 41971295

国家青年拔尖人才支持计划湖北省自然科学基金 2017CFA029

国家重点研发计划 2017CFA029

国家重点研发计划 2016YFB0501403

深圳市科技计划 2018YFB2100500

详细信息
    作者简介:

    卢阳, 博士, 主要从事遥感及空间信息技术在城市规划与管理中的应用。luyang0615@whu.edu.cn

    通讯作者: 杨建思,博士,教授,博士生导师。Jsyang@whu.edu.cn
  • 中图分类号: P237

Effects of Urban Morphology on Land Surface Temperature in Local Climate Zones

Funds: 

The National Natural Science Foundation of China 41771360

The National Natural Science Foundation of China 41971295

the National Program for Support of Topnotch Young Professionals 2017CFA029

the Natural Science Foundation of Hubei Province 2017CFA029

the National Key Research and Development Program of China 2016YFB0501403

the National Key Research and Development Program of China 2018YFB2100500

More Information
    Author Bio:

    LU Yang, PhD, specializes in the application of geographic information system and remote sensing technology in urban planning and management. E-mail: luyang0615@whu.edu.cn

    Corresponding author: YANG Jiansi, PhD, professor. E-mail: Jsyang@whu.edu.cn
  • 摘要: 局部气候带(local climate zone, LCZ)为城市热岛研究提供了新的地表分类框架。为研究不同季节、不同LCZ类别内部影响地表温度的城市形态的差异性, 利用深圳市多视角高分辨率遥感影像制作基于街区的LCZ分类图, 用皮尔逊偏相关和逐步回归模型, 分析城市形态对不同LCZ季节性地表温度的影响。结果表明, 地表温度对于LCZ类别的响应有季节性差异; 城市形态与季节性地表温度之间关系存在显著性差异; 在LCZ1—LCZ3模型中, 二维变量与地表温度的相关性比三维变量更强, 而在LCZ4—LCZ6和LCZ8模型中, 三维变量的影响程度增强。由此可知, 不同LCZ类型的城市形态对季节性地表温度的影响不同, 其中二维变量比三维变量的影响更显著, 在非紧凑建筑区, 三维变量的影响显著增强。
  • 图  1  基于ZY-3影像的n DSM提取

    Figure  1.  Detection of n DSM Based on ZY-3 Images

    图  2  建筑高度图和土地覆盖分类图

    Figure  2.  Buildings Height Map and Land-cover Classification Map

    图  3  估计建筑高度和参考建筑高度比较

    Figure  3.  Comparison of Estimated Building Height and Reference Building Height

    图  4  深圳市LCZ分类图

    Figure  4.  LCZ Classification Map in Shenzhen City

    图  5  深圳市不同季节的地表温度

    Figure  5.  LST in Shenzhen City in Three Seasons

    图  6  不同季节不同LCZ类型的地表温度

    Figure  6.  LST of LCZ in Three Seasons

    表  1  所用数据汇总

    Table  1.   Data Used in This Paper

    数据 分辨率 时间 用途
    遥感数据 ZY-3 2.1 m 2013-03-12 — 2014-02-02 土地覆盖分类和LCZ制图
    Landsat8 30 m 2013—2015 地表温度反演
    谷歌地球 2014 LCZ制图参考和土地覆盖分类图精度评价
    地理数据 建筑高度 矢量 2013 土地覆盖分类和LCZ制图以及城市形态变量计算
    道路网 矢量 2013 土地覆盖分类和LCZ制图
    下载: 导出CSV

    表  2  土地覆盖分类的混淆矩阵

    Table  2.   Confusion Matrix of Land-cover Classification

    土地覆盖类别 土地覆盖类别 总数 使用者精度/ %
    其他不透水面 草地/灌木 树木 裸土 建筑物 水体 道路
    其他不透水面 92 2 0 11 21 11 8 145 63.45
    草地/灌木 0 115 5 1 0 0 0 121 95.04
    树木 0 13 152 0 0 0 0 165 92.12
    裸土 21 0 0 108 0 0 0 129 83.72
    建筑物 3 2 0 0 145 0 0 150 96.67
    水体 1 0 0 0 0 88 0 89 98.88
    道路 7 1 1 0 0 0 118 127 92.91
    总数 124 133 158 120 166 99 126 926
    生产者精度/% 74.19 86.47 96.2 90 87.35 88.89 93.65
    下载: 导出CSV

    表  3  LCZ分类的混淆矩阵

    Table  3.   Confusion Matrix of LCZ Classification

    LCZ类别 LCZ类别 总数 使用者精度/%
    LCZ1 LCZ2 LCZ3 LCZ4 LCZ5 LCZ6 LCZ8 LCZA LCZB LCZD LCZE LCZF LCZG
    LCZ1 85 0 0 1 0 0 0 0 0 0 0 0 0 86 98.84
    LCZ2 0 122 0 0 1 0 0 0 0 0 0 0 0 123 99.19
    LCZ3 0 0 87 0 0 1 0 0 0 0 0 0 0 88 98.86
    LCZ4 0 0 0 91 1 0 0 0 0 0 0 0 0 92 98.91
    LCZ5 0 1 0 0 143 0 0 0 0 0 0 0 0 144 99.31
    LCZ6 0 0 0 0 0 115 0 0 0 0 0 0 0 115 100
    LCZ8 0 0 0 0 0 0 106 0 0 0 0 0 0 106 100
    LCZA 0 0 0 0 0 0 0 79 0 0 0 0 0 79 100
    LCZB 0 0 0 0 0 0 0 0 148 1 0 0 0 149 99.33
    LCZD 0 0 0 0 0 0 0 0 0 125 0 0 0 125 100
    LCZE 0 0 0 0 0 0 0 0 0 0 130 1 0 131 99.24
    LCZF 0 0 0 0 0 0 0 0 0 0 0 78 0 78 100
    LCZG 0 0 0 0 0 0 0 0 0 0 0 0 111 111 100
    总数 85 123 87 92 145 116 106 79 148 126 130 79 111 1 427
    生产者精度/% 100 99.19 100 98.91 98.62 99.14 100 100 100 99.21 100 98.73 100
    下载: 导出CSV

    表  4  不同季节建成景观类型中城市形态变量与地表温度偏相关系数

    Table  4.   Partial Pearson Correlation Coefficients Between Urban Morphology and LST in Build-up Types in Different Seasons

    季节 二维变量 三维变量
    OSF GSF TSF SSF BSF WSF RSF OV BV MH SC PR HV SVF
    夏季 0.387** -0.481** -0.322** -0.041 0.210** - 0.124** -0.126** 0.012 - 0.314** - 0.327** 0.033 -0.138** -0.294** 0.241**
    过渡季 0.225** -0.457** -0.339** -0.064 0.359** - 0.029 0.007 -0.035 - 0.235** - 0.249** 0.103* -0.075 -0.144** 0.271**
    冬季 0.231** -0.519** -0.262** -0.049 0.384** - 0.07 - 0.032 0.024 - 0.458** - 0.465** 0.125** -0.232** -0.307** 0.481**
    注:*表示P < 0.05 (双侧),**表示P < 0.01 (双侧)
    下载: 导出CSV

    表  5  不同季节建成景观类型中城市形态变量与地表温度逐步回归分析

    Table  5.   Stepwise Regression Between Urban Morphology and LST in Build-up Types in Different Seasons

    季节 变量 总体 LCZ1 LCZ2 LCZ3 LCZ4 LCZ5 LCZ6 LCZ8
    夏季 OSF 0.424 0.682
    GSF -0.437 - 0.404 -0.469 - 0.282 -0.252 0.332
    TSF -0.236 - 0.328
    WSF -0.409
    RSF -0.132 -0.625
    OV 0.276
    BV 0.232
    MH -0.318 0.202
    SC -0.175 0.286
    HV -0.214
    SVF 0.392
    R2 0.485 0.390 0.164 0.307 0.335 0.359 0.427 0.351
    调正后的R2 0.480 0.361 0.150 0.253 0.304 0.349 0.413 0.331
    过渡季 OSF 0.484 0.489
    GSF -0.265 -0.498
    TSF - 0.465 -0.182 -0.201
    SSF - 0.173
    BSF 0.902 0.573 0.555 0.268
    WSF -0.242
    RSF 0.216 0.219
    OV -0.343 -0.514 -0.169
    MH -0.589
    HV 0.226 -0.154
    SVF 0.209 0.756 0.191
    R2 0.507 0.543 0.524 0.264 0.216 0.334 0.494 0.32
    调正后的R2 0.504 0.471 0.509 0.237 0.204 0.319 0.455 0.305
    冬季 OSF 0.332 -0.237 0.682
    GSF -0.179 -0.721 -0.447 0.303
    TSF - 0.238 -0.270
    SSF - 0.312 0.215
    BSF 0.723 0.479 0.268 0.198
    WSF -0.439
    RSF 0.106 -0.680
    MH -0.152 -0.406
    SC 0.355
    HV 0.474
    SVF 0.257 0.366 0.236 0.361
    R2 0.584 0.518 0.330 0.554 0.190 0.426 0.666 0.092
    调正后的R2 0.580 0.442 0.313 0.501 0.165 0.412 0.649 0.085
    下载: 导出CSV
  • [1] Oke T R. The Heat Island of the Urban Boundary Layer: Characteristics, Causes and Effects[M]//Cermak J E, Davenport A G, Plate E J, et al. Wind Climate in Cities. Dordrecht: Springer Netherlands, 1995: 81-107
    [2] Kleerekoper L, van Esch M, Salcedo T B. How to Make a City Climate-Proof, Addressing the Urban Heat Island Effect[J]. Resources, Conservation and Recycling, 2012, 64: 30-38 doi:  10.1016/j.resconrec.2011.06.004
    [3] Yuan C, Ng E, Norford L K. Improving Air Quality in High-Density Cities by Understanding the Relationship Between Air Pollutant Dispersion and Urban Morphologies[J]. Building and Environment, 2014, 71: 245-258 doi:  10.1016/j.buildenv.2013.10.008
    [4] Akbari H, Davis S, Huang J, et al. Cooling our Communities: A Guidebook on Tree Planting and Light-Colored Surfacing[R]. Washington DC, USA: Office of Scientific and Technical Information (OSTI), 1992
    [5] Cui Y, Yan D, Hong T Z, et al. Temporal and Spatial Characteristics of the Urban Heat Island in Beijing and the Impact on Building Design and Energy Performance[J]. Energy, 2017, 130: 286-297 doi:  10.1016/j.energy.2017.04.053
    [6] Dong W H, Liu Z, Zhang L J, et al. Assessing Heat Health Risk for Sustainability in Beijing's Urban Heat Island[J]. Sustainability, 2014, 6 (10): 7 334-7 357 doi:  10.3390/su6107334
    [7] Vargo J, Stone B, Habeeb D, et al. The Social and Spatial Distribution of Temperature-Related Health Impacts from Urban Heat Island Reduction Policies [J]. Environmental Science & Policy, 2016, 66: 366-374 http://www.sciencedirect.com/science/article/pii/S1462901116305627
    [8] Liu M M, Liu X Y, Huang Y N, et al. Epidemic Transition of Environmental Health Risk During China ' s Urbanization[J]. Science Bulletin, 2017, 62 (2): 92-98 doi:  10.1016/j.scib.2016.12.004
    [9] Estoque R C, Murayama Y, Myint S W. Effects of Landscape Composition and Pattern on Land Surface Temperature: An Urban Heat Island Study in the Megacities of Southeast Asia[J]. Science of the Total Environment, 2017, 577: 349-359 doi:  10.1016/j.scitotenv.2016.10.195
    [10] Kuang W H, Liu J Y, Zhang Z X, et al. Spatiotem poral Dynamics of Impervious Surface Areas across China During the Early 21st Century[J]. Chinese Science Bulletin, 2013, 58 (14): 1 691-1 701 doi:  10.1007/s11434-012-5568-2
    [11] 王美雅, 徐涵秋. 中国大城市的城市组成对城市热岛强度的影响研究[J]. 地球信息科学学报, 2018, 20 (12): 1 787-1 798 doi:  10.12082/dqxxkx.2018.180257

    Wang Meiya, Xu Hanqiu. Analyzing the Influence of Urban Forms on Surface Urban Heat Islands Intensity in Chinese Mega Cities[J]. Journal of Geo Information Science, 2018, 20(12): 1 787-1 798 doi:  10.12082/dqxxkx.2018.180257
    [12] 吴学伟, 徐亚明, 龚文峰. 城市热岛空间格局及其变化的图形信息特征分析[J]. 武汉大学学报·信息科学版, 2017, 42(12): 1 711-1 718 doi:  10.13203/j.whugis20150588

    Wu Xuewei, Xu Yaming, Gong Wenfeng. Graphical Information Characteristics of Urban Heat Island Spatial Pattern and Its Change[J]. Geomatics and Information Science of Wuhan University, 2017, 42 (12): 1 711-1 718 doi:  10.13203/j.whugis20150588
    [13] Stewart I D, Oke T R. Local Climate Zones for Urban Temperature Studies[J]. Bulletin of the American Meteorological Society, 2012, 93(12): 1 879-1 900 doi:  10.1175/BAMS-D-11-00019.1
    [14] Unger J, Lelovics E, Gál T. Local Climate Zone Mapping Using GIS Methods in Szeged[J]. Hungarian Geographical Bulletin, 2014, 63 (1): 29-41 doi:  10.15201/hungeobull.63.1.3
    [15] Stewart I, Oke T. Classifying Urban Climate Field Sites by"Local Climate Zones": The Case of Nagano, Japan[C]//The Seventh International Conference on Urban Climate, Yokohama, Japan, 2009
    [16] Wang Y S, Zhan Q M, Ouyang W L. Impact of Urban Climate Landscape Patterns on Land Surface Temperature in Wuhan, China[J]. Sustainability, 2017, 9 (10): 1 700 doi:  10.3390/su9101700
    [17] Cai M, Ren C, Xu Y, et al. Local Climate Zone Study for Sustainable Megacities Development by Using Improved WUDAPT Methodology - A Case Study in Guangzhou[J]. Procedia Environmental Sciences, 2016, 36: 82-89 doi:  10.1016/j.proenv.2016.09.017
    [18] 熊玮, 钱建平. 基于Landsat 8的南宁市热岛效应遥感分析研究[J]. 测绘地理信息, 2018, 43 (4): 51-54 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201804012.htm

    Xiong Wei, Qian Jianping. Remote Sensing Analysis of Urban Heat Island Effect in Nanning City on Basis of Landsat 8 Data[J]. Journal of Geomatics, 2018, 43 (4): 51-54 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201804012.htm
    [19] Geletič J, Lehnert M, Dobrovolný P. Land Surface Temperature Differences Within Local Climate Zones, Based on Two Central European Cities[J]. Remote Sensing, 2016, 8 (10): 788 doi:  10.3390/rs8100788
    [20] Lelovics E, Unger J, Gál T, et al. Design of an Urban Monitoring Network Based on Local Climate Zone Mapping and Temperature Pattern Modelling [J]. Climate Research, 2014, 60 (1): 51-62 doi:  10.3354/cr01220
    [21] Geletič J, Lehnert M. GIS-Based Delineation of Local Climate Zones: The Case of Medium-Sized Central European Cities[J]. Moravian Geographical Reports, 2016, 24 (3): 2-12 doi:  10.1515/mgr-2016-0012
    [22] Huang X, Wang Y. Investigating the Effects of 3D Urban Morphology on the Surface Urban Heat Island Effect in Urban Functional Zones by Using HighResolution Remote Sensing Data: A Case Study of Wuhan, Central China[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152: 119-131 doi:  10.1016/j.isprsjprs.2019.04.010
    [23] Zheng Y S, Ren C, Xu Y, et al. GIS-Based Mapping of Local Climate Zone in the High-Density City of Hong Kong[J]. Urban Climate, 2018, 24: 419-448 doi:  10.1016/j.uclim.2017.05.008
    [24] Tong X Y, Xia G S, Lu Q K, et al. Land-Cover Classification with High-Resolution Remote Sensing Images Using Transferable Deep Models[J]. Remote Sensing of Environment, 2020, 237: 111322 doi:  10.1016/j.rse.2019.111322
    [25] 邵振峰, 张源, 黄昕, 等. 基于多源高分辨率遥感影像的2 m不透水面一张图提取[J]. 武汉大学学报·信息科学版, 2018, 43 (12): 1 909-1 915 doi:  10.13203/j.whugis20180196

    Shao Zhenfeng, Zhang Yuan, Huang Xin, et al. Mapping Impervious Surface with 2 m Using MultiSource High Resolution Remote Sensing Images [J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 909-1 915 doi:  10.13203/j.whugis20180196
    [26] 霍少峰, 顾行发, 占玉林, 等. 利用资源三号卫星影像阴影提取建筑容积率[J]. 武汉大学学报·信息科学版, 2018, 43 (3): 444-450 doi:  10.13203/j.whugis20150191

    Huo Shaofeng, Gu Xingfa, Zhan Yulin, et al. Extracting Building Plot Ratio with Shadow of ZY-3 Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 444-450 doi:  10.13203/j.whugis20150191
    [27] 李振洪, 李鹏, 丁咚, 等. 全球高分辨率数字高程模型研究进展与展望[J]. 武汉大学学报·信息科学版, 2018, 43 (12): 1 927-1 942 doi:  10.13203/j.whugis20180295

    Li Zhenhong, Li Peng, Ding Dong, et al. Research Progress of Global High Resolution Digital Elevation Models[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 927-1 942 doi:  10.13203/j.whugis20180295
    [28] Liu C, Huang X, Wen D W, et al. Assessing the Quality of Building Height Extraction from ZiYuan-3 Multi-View Imagery[J]. Remote Sensing Letters, 2017, 8 (9): 907-916 doi:  10.1080/2150704X.2017.1335904
    [29] Huang X, Wen D W, Li J Y, et al. Multi-Level Monitoring of Subtle Urban Changes for the Megacities of China Using High-Resolution Multi-View Satellite Imagery[J]. Remote Sensing of Environment, 2017, 196: 56-75 doi:  10.1016/j.rse.2017.05.001
    [30] Wang C Y, Middel A, Myint S W, et al. Assessing Local Climate Zones in Arid Cities: The Case of Phoenix, Arizona and Las Vegas, Nevada[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 141: 59-71 doi:  10.1016/j.isprsjprs.2018.04.009
    [31] Yang J, Jin S H, Xiao X M, et al. Local Climate Zone Ventilation and Urban Land Surface Temperatures: Towards a Performance-Based and Wind-Sensitive Planning Proposal in Megacities[J]. Sustainable Cities and Society, 2019, 47: 101487 doi:  10.1016/j.scs.2019.101487
    [32] Wang R, Cai M, Ren C, et al. Detecting MultiTemporal Land Cover Change and Land Surface Temperature in Pearl River Delta by Adopting Local Climate Zone[J]. Urban Climate, 2019, 28: 100455 doi:  10.1016/j.uclim.2019.100455
    [33] Geletič J, Lehnert M, Savić S, et al. Inter-/IntraZonal Seasonal Variability of the Surface Urban Heat Island Based on Local Climate Zones in Three Central European Cities[J]. Building and Environment, 2019, 156: 21-32 doi:  10.1016/j.buildenv.2019.04.011
    [34] Nassar A K, Blackburn G A, Whyatt J D. Dynamics and Controls of Urban Heat Sink and Island Phenomena in a Desert City: Development of a Local Climate Zone Scheme Using Remotely-Sensed Inputs[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 51: 76-90 doi:  10.1016/j.jag.2016.05.004
    [35] 黄媛, 刘静怡, Jason Ching. WUDAPT项目: 城市形式与功能信息的众包解决方案及其应用[J]. 南方建筑, 2018 (4): 26-33 doi:  10.3969/j.issn.1000-0232.2018.04.026

    Huang Yuan, Liu Jingyi, Jason Ching. Research Progress of WUDAPT Project: Crowdsourcing Solutions Based on Urban Form, Function Information and Its Applications[J]. South Architecture, 2018 (4): 26-33 doi:  10.3969/j.issn.1000-0232.2018.04.026
    [36] 胡俊辉, 任利剑, 运迎霞. 健康城市视角下国外可持续城市形态研究述评[J]. 国际城市规划, 2021, 36 (1): 58-68 https://www.cnki.com.cn/Article/CJFDTOTAL-GWCG202101009.htm

    Hu Junhui, Ren Lijian, Yun Yingxia. Review of Foreign Studies on Sustainable Urban Form from the Perspective of Healthy Cities[J]. Urban Planning International, 2021, 36(1): 58-68 https://www.cnki.com.cn/Article/CJFDTOTAL-GWCG202101009.htm
    [37] Wang R, Cai M, Ren C, et al. Detecting MultiTemporal Land Cover Change and Land Surface Temperature in Pearl River Delta by Adopting Local Climate Zone[J]. Urban Climate, 2019, 28: 100455 doi:  10.1016/j.uclim.2019.100455
    [38] Wang W M, Liu K, Tang R, et al. Remote Sensing Image-Based Analysis of the Urban Heat Island Effect in Shenzhen, China[J]. Physics and Chemistry of the Earth, 2019, 110: 168-175 doi:  10.1016/j.pce.2019.01.002
    [39] Li W F, Cao Q W, Lang K, et al. Linking Potential Heat Source and Sink to Urban Heat Island: Heterogeneous Effects of Landscape Pattern on Land Surface Temperature[J]. Science of the Total Environment, 2017, 586: 457-465 doi:  10.1016/j.scitotenv.2017.01.191
    [40] Zhang W T, Huang B, Luo D. Effects of Land Use and Transportation on Carbon Sources and Carbon Sinks: A Case Study in Shenzhen, China[J]. Landscape and Urban Planning, 2014, 122: 175-185 doi:  10.1016/j.landurbplan.2013.09.014
    [41] Liu L, Lin Y Y, Xiao Y, et al. Quantitative Effects of Urban Spatial Characteristics on Outdoor Thermal Comfort Based on the LCZ Scheme[J]. Building and Environment, 2018, 143: 443-460 doi:  10.1016/j.buildenv.2018.07.019
    [42] Peng J, Jia J L, Liu Y X, et al. Seasonal Contrast of the Dominant Factors for Spatial Distribution of Land Surface Temperature in Urban Areas[J]. Remote Sensing of Environment, 2018, 215: 255-267 doi:  10.1016/j.rse.2018.06.010
    [43] Valor E, Caselles V. Mapping Land Surface Emissivity from NDVI: Application to European, African, and South American Areas[J]. Remote Sensing of Environment, 1996, 57 (3): 167-184 doi:  10.1016/0034-4257(96)00039-9
    [44] Defries R S, Townshend J R G. NDVI-Derived Land Cover Classifications at a Global Scale[J]. International Journal of Remote Sensing, 1994, 15 (17): 3 567-3 586 doi:  10.1080/01431169408954345
    [45] Shen H F, Huang L W, Zhang L P, et al. LongTerm and Fine-Scale Satellite Monitoring of the Urban Heat Island Effect by the Fusion of Multi-Temporal and Multi-Sensor Remote Sensed Data: A 26- Year Case Study of the City of Wuhan in China[J]. Remote Sensing of Environment, 2016, 172: 109-125 doi:  10.1016/j.rse.2015.11.005
    [46] Hirschmuller H. Stereo Processing by Semiglobal Matching and Mutual Information[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30 (2): 328-341 doi:  10.1109/TPAMI.2007.1166
    [47] Qin R J, Fang W. A Hierarchical Building Detection Method for very High Resolution Remotely Sensed Images Combined with DSM Using Graph Cut Optimization[J]. Photogrammetric Engineering & Remote Sensing, 2014, 80 (9): 873-883 http://www.ingentaconnect.com/contentone/asprs/pers/2014/00000080/00000009/art00004
    [48] Huang X, Wang Y, Li J Y, et al. High-Resolution Urban Land-Cover Mapping and Landscape Analysis of the 42 Major Cities in China Using ZY-3 Satellite Images[J]. Science Bulletin, 2020, 65(12): 1 039-1 048 doi:  10.1016/j.scib.2020.03.003
    [49] Zhao W Z, Bo Y C, Chen J G, et al. Exploring Semantic Elements for Urban Scene Recognition: Deep Integration of High-Resolution Imagery and OpenStreetMap(OSM)[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 151: 237-250 doi:  10.1016/j.isprsjprs.2019.03.019
    [50] Chun B, Guldmann J M. Spatial Statistical Analysis and Simulation of the Urban Heat Island in HighDensity Central Cities[J]. Landscape and Urban Planning, 2014, 125: 76-88 doi:  10.1016/j.landurbplan.2014.01.016
    [51] Berger C, Rosentreter J, Voltersen M, et al. Spatio-Temporal Analysis of the Relationship Between 2D/3D Urban Site Characteristics and Land Surface Temperature[J]. Remote Sensing of Environment, 2017, 193: 225-243 doi:  10.1016/j.rse.2017.02.020
    [52] Gémes O, Tobak Z, van Leeuwen B. Satellite Based Analysis of Surface Urban Heat Island Intensity[J]. Journal of Environmental Geography, 2016, 9 (1/2): 23-30 http://www.degruyter.com/view/j/jengeo.2016.9.issue-1-2/jengeo-2016-0004/jengeo-2016-0004.xml
    [53] Alexander P, Mills G. Local Climate Classification and Dublin's Urban Heat Island[J]. Atmosphere, 2014, 5 (4): 755-774 doi:  10.3390/atmos5040755
  • [1] 刘浩, 王广军, 谈明洪.  咸海面积萎缩对区域地表温度的影响 . 武汉大学学报 ( 信息科学版), 2022, 47(7): 1113-1121. doi: 10.13203/j.whugis20200165
    [2] 许慧慧, 高美玲, 李振洪, 胡羽丰.  多源地表温度估算近地表气温的精度对比 . 武汉大学学报 ( 信息科学版), 2022, 0(0): 0-0. doi: 10.13203/j.whugis20210541
    [3] 王爱辉, 杨英宝, 潘鑫, 胡解君德.  顾及时空特征的FY-4A云覆盖像元地表温度重建模型 . 武汉大学学报 ( 信息科学版), 2021, 46(6): 852-862. doi: 10.13203/j.whugis20200039
    [4] 李恒凯, 吴冠华, 王秀丽.  面向开采扰动的离子型稀土矿区地表温度降尺度方法 . 武汉大学学报 ( 信息科学版), 2021, 46(1): 133-142. doi: 10.13203/j.whugis20190022
    [5] 魏然, 单杰.  城市地表温度影像时空融合方法研究 . 武汉大学学报 ( 信息科学版), 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
    [6] 佃袁勇, 杨光, 方圣辉.  傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类 . 武汉大学学报 ( 信息科学版), 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
    [7] 吴学伟, 徐亚明, 龚文峰.  城市热岛空间格局及其变化的图形信息特征分析 . 武汉大学学报 ( 信息科学版), 2017, 42(12): 1711-1718. doi: 10.13203/j.whugis20150588
    [8] 胡德勇, 乔琨, 王兴玲, 赵利民, 季国华.  利用单窗算法反演Landsat 8 TIRS数据地表温度 . 武汉大学学报 ( 信息科学版), 2017, 42(7): 869-876. doi: 10.13203/j.whugis20150164
    [9] 王斐, 覃志豪, 宋彩英.  利用Landsat TM影像进行地表温度像元分解 . 武汉大学学报 ( 信息科学版), 2017, 42(1): 116-122. doi: 10.13203/j.whugis20140604
    [10] 谭琨, 廖志宏, 杜培军.  顾及地面传感器观测数据的遥感影像地面温度反演算法 . 武汉大学学报 ( 信息科学版), 2016, 41(2): 148-155. doi: 10.13203/j.whugis20130843
    [11] 徐涵秋, 林中立, 潘卫华.  单通道算法地表温度反演的若干问题讨论——以Landsat系列数据为例 . 武汉大学学报 ( 信息科学版), 2015, 40(4): 487-492. doi: 10.13203/j.whugis20130733
    [12] 陈一祥, 秦昆, 冯霞.  一种使用局部空间统计量的高分辨率影像显著结构提取方法 . 武汉大学学报 ( 信息科学版), 2014, 39(5): 531-535. doi: 10.13203/j.whugis20120144
    [13] 李永生, 张景发, 罗毅, 姜文亮.  利用高分辨率聚束模式TerraSAR-X影像的PSInSAR监测地表变形 . 武汉大学学报 ( 信息科学版), 2012, 37(12): 1452-1455.
    [14] 毛克彪, 唐华俊, 周清波, 马柱国.  实用劈窗算法的改进及大气水汽含量对精度影响评价 . 武汉大学学报 ( 信息科学版), 2008, 33(2): 116-119.
    [15] 卢远, 华璀, 杨小雄, 韦燕飞.  基于ASTER数据的城市热环境效应定量分析 . 武汉大学学报 ( 信息科学版), 2008, 33(3): 297-301.
    [16] 闫峰, 覃志豪, 李茂松, 王艳姣.  基于MODIS数据的上海市热岛效应研究 . 武汉大学学报 ( 信息科学版), 2007, 32(7): 576-580.
    [17] 江樟焰, 陈云浩, 李京.  基于Landsat TM数据的北京城市热岛研究 . 武汉大学学报 ( 信息科学版), 2006, 31(2): 120-123.
    [18] 史文中, 曹辉, 张剑清.  基于高分辨率影像的城市三维建模 . 武汉大学学报 ( 信息科学版), 2004, 29(9): 783-787.
    [19] 罗志才, 宁津生, 杨沾吉, 陈永奇.  高分辨率厘米级局部大地水准面的典型应用 . 武汉大学学报 ( 信息科学版), 2003, 28(S1): 100-103.
    [20] 江芸, 李同文, 程青, 沈焕锋.  利用时空神经网络模型的长江经济带气温反演 . 武汉大学学报 ( 信息科学版), 0, 0(0): 0-0. doi: 10.13203/j.whugis20210192
  • 加载中
图(6) / 表(5)
计量
  • 文章访问数:  1138
  • HTML全文浏览量:  410
  • PDF下载量:  116
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-01-22
  • 刊出日期:  2021-09-18

面向局部气候带的城市形态对地表温度的影响

doi: 10.13203/j.whugis20200031
    基金项目:

    国家自然科学基金 41771360

    国家自然科学基金 41971295

    国家青年拔尖人才支持计划湖北省自然科学基金 2017CFA029

    国家重点研发计划 2017CFA029

    国家重点研发计划 2016YFB0501403

    深圳市科技计划 2018YFB2100500

    作者简介:

    卢阳, 博士, 主要从事遥感及空间信息技术在城市规划与管理中的应用。luyang0615@whu.edu.cn

    通讯作者: 杨建思,博士,教授,博士生导师。Jsyang@whu.edu.cn
  • 中图分类号: P237

摘要: 局部气候带(local climate zone, LCZ)为城市热岛研究提供了新的地表分类框架。为研究不同季节、不同LCZ类别内部影响地表温度的城市形态的差异性, 利用深圳市多视角高分辨率遥感影像制作基于街区的LCZ分类图, 用皮尔逊偏相关和逐步回归模型, 分析城市形态对不同LCZ季节性地表温度的影响。结果表明, 地表温度对于LCZ类别的响应有季节性差异; 城市形态与季节性地表温度之间关系存在显著性差异; 在LCZ1—LCZ3模型中, 二维变量与地表温度的相关性比三维变量更强, 而在LCZ4—LCZ6和LCZ8模型中, 三维变量的影响程度增强。由此可知, 不同LCZ类型的城市形态对季节性地表温度的影响不同, 其中二维变量比三维变量的影响更显著, 在非紧凑建筑区, 三维变量的影响显著增强。

English Abstract

卢阳, 杨建思, 黄昕, 杨其全, 马嵩. 面向局部气候带的城市形态对地表温度的影响[J]. 武汉大学学报 ( 信息科学版), 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
引用本文: 卢阳, 杨建思, 黄昕, 杨其全, 马嵩. 面向局部气候带的城市形态对地表温度的影响[J]. 武汉大学学报 ( 信息科学版), 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
LU Yang, YANG Jian-si, HUANG Xin, YANG Qi-quan, MA Song. Effects of Urban Morphology on Land Surface Temperature in Local Climate Zones[J]. Geomatics and Information Science of Wuhan University, 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
Citation: LU Yang, YANG Jian-si, HUANG Xin, YANG Qi-quan, MA Song. Effects of Urban Morphology on Land Surface Temperature in Local Climate Zones[J]. Geomatics and Information Science of Wuhan University, 2021, 46(9): 1412-1422. doi: 10.13203/j.whugis20200031
  • 城市温度高于城郊或农村温度的现象被称为城市热岛效应[1]。城市热岛效应会引起环境污染[2-3]、加剧能源消耗[4-5]、威胁城市居民健康[6-8]。在过去几十年间,大量学者致力于研究城市热岛效应[9-12]。但城乡系统复杂且城乡边界难以界定[13-14],此外,仅用城市和乡村描述城市热环境主要差异会丢失众多地表细节特征,而这些细节特征决定了当地气候差异[15]。基于此,文献[13]提出了局部气候带(local climate zone, LCZ)的概念。

    LCZ是指在水平尺度上几百米到几千米范围内,具有均匀的地表覆盖、结构、材质和人类活动的区域[13],包括建成景观类型和自然覆盖类型。LCZ类别细化需要依据建筑比例、建筑高度、建筑材料和人为散发的热量等数据,数据的准确性和全面性直接影响到LCZ分类制图结果。当前,LCZ分类制图主要使用中低分辨率遥感数据(如Landsat影像和MODIS影像)[16-18]和地理数据(如地籍图、土地分类数据集、三维建筑数据集、道路数据库等)[19-21]。但中低分辨率遥感数据很难精确描绘出城市景观及其内部构成[22-23],且地理数据获取难度大、成本高。多视角高分辨率遥感影像的出现能够有效反映不同地物的细节特征[24-25],并且可以通过多视角影像估算城市建筑高度[26-27],为LCZ制图提供不可或缺的数据。同其他多视角卫星相比,资源3号(Zi Yuan-3, ZY-3)卫星的三线阵立体相机最大程度地减少了多视角图像的辐射度变化,同时可以通过多图像匹配或融合方法来减少遮挡,使得获取的建筑高度精度更高[28-29],因此本文采用ZY-3卫星影像进行建筑高度提取以及LCZ和土地分类制图。

    地表温度可以调节城市大气的下层空气温度[22],并且能够充分表示大范围区域的连续温度[30]。基于LCZ地表温度的热岛效应研究主要有季节性或长时序地表温度与LCZ关系描述分析[18, 31-32]、不同城市之间LCZ与地表温度关系的对比分析[30, 33]和建筑高度、建筑比例等变量与热岛强度的相关性分析[34]。LCZ分类依据城市冠层参数,而城市冠层数据是基于气候视角对城市形态进行量化表述[35],城市形态是引起环境问题的原因之一[36]。但目前的研究绝大部分是在整个城市区域的尺度上分析城市形态与地表温度的响应关系,忽略了每类LCZ内部城市形态与地表温度关系的差异性,导致在针对每类LCZ提出合理化的缓解热岛效应建议时缺乏理论支撑。另外,城市形态与温度关系容易受季节影响[13],因此城市热环境分析中必须要考虑季节性差异。

    为了解决不同LCZ类别内部影响地表温度的城市形态变量的差异性,以及不同季节城市形态变量与地表温度关系的差异性,本文以深圳市ZY-3遥感影像为基础,制作基于街区的LCZ分类图,用皮尔逊偏相关和逐步回归模型分析城市形态对不同LCZ类别的季节性地表温度的影响。

    • 深圳市位于广东省中南部海滨,区域内地形复杂,呈狭长形,地貌类型多样,属南亚热带海洋性季风气候,气候四季变化不分明,终年温和暖湿,日照时间长。作为粤港澳大湾区发展的核心引擎之一和中国特色社会主义先行示范区,深圳是中国经济特区、全国性经济中心城市和国际化城市,是中国第一个全部城镇化的城市。然而,在深圳市城镇化过程中,人工地表面积急剧增加,导致城市热岛现象出现,因此减缓深圳热岛效应,使其更有利于居民居住和城市可持续发展,成为深圳城市规划中的重要目标。

      深圳市以往的热岛研究主要集中在不同年份、不同季节地表温度的描述性对比分析和二维景观配置对地表温度的影响分析,缺乏从LCZ角度结合城市三维参数研究城市形态与地表温度的定量关系[37-41]。本文以深圳市为研究对象,致力于从城市形态规划的角度提供缓解城市热岛的科学依据,所用数据及参数汇总情况见表 1

      表 1  所用数据汇总

      Table 1.  Data Used in This Paper

      数据 分辨率 时间 用途
      遥感数据 ZY-3 2.1 m 2013-03-12 — 2014-02-02 土地覆盖分类和LCZ制图
      Landsat8 30 m 2013—2015 地表温度反演
      谷歌地球 2014 LCZ制图参考和土地覆盖分类图精度评价
      地理数据 建筑高度 矢量 2013 土地覆盖分类和LCZ制图以及城市形态变量计算
      道路网 矢量 2013 土地覆盖分类和LCZ制图
    • 为了更好地反映地表温度的空间分布,减少偶然误差的影响,本文将2013-2015年间所有Landsat 8影像反演得到的地表温度均值化,将深圳的季节分为3类[42],即夏季(6月-9月)、过渡季(4月、5月、10月、11月)和冬季(12月至次年3月)。

      用于地表温度反演的数据是从美国地质调查局(United States Geological Survey, USGS)获取的已完成大气校正的Landsat 8 Surface Reflectance Tier 1(Landsat8_SR)产品,重采样后其空间分辨率为30 m。该产品基于QA(quality assessment)波段对云和云阴影进行掩膜。地表温度(land surface temperature, LST)的反演公式为[10]:

      $$ \mathrm{LST}=\frac{T_{B}}{1+\left(\lambda \times T_{B} / \rho\right) \ln \varepsilon} $$ (1)

      式中,TB是亮度温度(K),从Landsat8_SR产品的10波段获得;λ是热红外波段的中心波长,取λ=10.8μm;ρ=1.438×10-2m∙K;ε是基于归一化植被指数(normalized difference vegetation index, NDVI)得到的地表比辐射率,水体(NDVI < 0)的地表比辐射率是0.992 5,裸土(0≤NDVI < 0.15)的地表比辐射率是0.923,植被(NDVI > 0.727)的地表比辐射率是0.986,其他土地类型的地表比辐射率计算式为[42-45]:

      $$ \varepsilon=1.0094+0.047 \times \ln (\text { NDVI }) $$ (2)
    • ZY-3卫星是中国第一颗民用高分辨率立体测绘卫星,能通过具有一定交会角的前视、正视和后视相机对同一区域进行不同视角的观测,获取该区域3个角度的立体影像,从而为获取大范围城市三维信息提供数据来源。ZY-3的正视影像、前后视影像、多光谱影像的空间分辨率分别为2.1 m、3.5 m和5.8 m。

      Amap和Map World是高德地图和天地图矢量数据,它们可以提供建筑足迹、道路和水体的信息,OSM(open street map)是道路开源数据(https://www.openstreetmap.org/)。上述地理数据和ZY-3影像的差异需要经过人工纠正。归一化数字表面模型(normalized digital surface model, n DSM)用来表征地面以上物体的高度,生成n DSM流程主要包括:首先,采用ZY-3立体影像的正视和前视影像[28],通过半全局匹配方法[46]生成数字表面模型(digital surface model, DSM);然后,通过形态学顶帽重建得到n DSM [47],计算过程如图 1所示;最后,在n DSM获取的基础上,以建筑高度的地理数据为基准,遗失的建筑高度数据用n DSM数据填补,得到建筑及其高度数据,如图 2(a)所示。

      图  1  基于ZY-3影像的n DSM提取

      Figure 1.  Detection of n DSM Based on ZY-3 Images

      图  2  建筑高度图和土地覆盖分类图

      Figure 2.  Buildings Height Map and Land-cover Classification Map

      本文将土地覆盖分为7类:草地/灌木、树木、裸土、道路、建筑物、水体、其他不透水面[48]。首先采用地理数据(Amap、Map World和OSM)识别建筑物、道路和水,以Amap数据为基准,缺失的建筑物用Map World填补,共同将最初矢量形式的建筑足迹转换为建筑对象;道路是OSM和Map World的综合,即用Map World来补充OSM中遗漏的部分道路;水体从Map World中提取。然后,掩膜ZY-3遥感影像中上述3个类别区域,以n DSM、NDVI、归一化水体指数(normalized difference water index, NDWI)和光谱特征作为输入,采用随机森林分类器将图像剩余部分分为草地/灌木、树木、裸土和其他不透水面。最后进行手动校正,进一步完善分类结果,如图 2(b)所示。

      通过随机抽样对建筑高度数据和土地分类结果进行评估,选择68个不同高度级别的建筑和926个土地分类的像素,计算出建筑高度均方根误差(root mean squared error, RMSE)是7.89 m,土地分类总体精度是88.33%, Kappa系数是0.863,精度验证见图 3,混淆矩阵见表 2

      图  3  估计建筑高度和参考建筑高度比较

      Figure 3.  Comparison of Estimated Building Height and Reference Building Height

      表 2  土地覆盖分类的混淆矩阵

      Table 2.  Confusion Matrix of Land-cover Classification

      土地覆盖类别 土地覆盖类别 总数 使用者精度/ %
      其他不透水面 草地/灌木 树木 裸土 建筑物 水体 道路
      其他不透水面 92 2 0 11 21 11 8 145 63.45
      草地/灌木 0 115 5 1 0 0 0 121 95.04
      树木 0 13 152 0 0 0 0 165 92.12
      裸土 21 0 0 108 0 0 0 129 83.72
      建筑物 3 2 0 0 145 0 0 150 96.67
      水体 1 0 0 0 0 88 0 89 98.88
      道路 7 1 1 0 0 0 118 127 92.91
      总数 124 133 158 120 166 99 126 926
      生产者精度/% 74.19 86.47 96.2 90 87.35 88.89 93.65
    • 街区作为城市的基本单元,对城市规划有重要意义[49],因此本文以城市街区为单元绘制LCZ分类图。LCZ划分参考因素较多,为了避免建筑高度、建筑比例等因素的误差引起的LCZ类别错分,本文采用人工标定方法划分LCZ类别,最终确定13个LCZ类别,包括7类建成景观类型(LCZ1为紧凑高层建筑、LCZ2为紧凑中层建筑、LCZ3为紧凑低层建筑、LCZ4为开敞高层建筑、LCZ5为开敞中层建筑、LCZ6为开敞低层建筑、LCZ8为大型低层建筑)和6类自然覆盖类型(LCZA为密集树木、LCZB为稀疏树木、LCZD为低矮植被、LCZE为岩石/硬化地面、LCZF为裸土/沙地、LCZG为水体)。首先基于道路网将深圳城区划分成大小不同的街区;然后根据地表覆盖和房屋高度数据,并参考ZY-3遥感影像,按照LCZ定义与参数[13]确定每个街区类型,得到初步LCZ图;最后通过人工目视检查的方式,对整个研究区进行核查,纠正错误的分类结果,得到最终的LCZ分类图,结果如图 4所示。通过随机抽样对LCZ分类结果进行评估,选择1 427个样本,得到LCZ分类总体精度为99.51%, Kappa系数是0.995,混淆矩阵见表 3

      图  4  深圳市LCZ分类图

      Figure 4.  LCZ Classification Map in Shenzhen City

      表 3  LCZ分类的混淆矩阵

      Table 3.  Confusion Matrix of LCZ Classification

      LCZ类别 LCZ类别 总数 使用者精度/%
      LCZ1 LCZ2 LCZ3 LCZ4 LCZ5 LCZ6 LCZ8 LCZA LCZB LCZD LCZE LCZF LCZG
      LCZ1 85 0 0 1 0 0 0 0 0 0 0 0 0 86 98.84
      LCZ2 0 122 0 0 1 0 0 0 0 0 0 0 0 123 99.19
      LCZ3 0 0 87 0 0 1 0 0 0 0 0 0 0 88 98.86
      LCZ4 0 0 0 91 1 0 0 0 0 0 0 0 0 92 98.91
      LCZ5 0 1 0 0 143 0 0 0 0 0 0 0 0 144 99.31
      LCZ6 0 0 0 0 0 115 0 0 0 0 0 0 0 115 100
      LCZ8 0 0 0 0 0 0 106 0 0 0 0 0 0 106 100
      LCZA 0 0 0 0 0 0 0 79 0 0 0 0 0 79 100
      LCZB 0 0 0 0 0 0 0 0 148 1 0 0 0 149 99.33
      LCZD 0 0 0 0 0 0 0 0 0 125 0 0 0 125 100
      LCZE 0 0 0 0 0 0 0 0 0 0 130 1 0 131 99.24
      LCZF 0 0 0 0 0 0 0 0 0 0 0 78 0 78 100
      LCZG 0 0 0 0 0 0 0 0 0 0 0 0 111 111 100
      总数 85 123 87 92 145 116 106 79 148 126 130 79 111 1 427
      生产者精度/% 100 99.19 100 98.91 98.62 99.14 100 100 100 99.21 100 98.73 100

      直接以街区为研究单元的问题在于街区大小形态各异和街区边缘气候容易受到相邻街区气候的影响。因此,在街区划分LCZ的基础上,从每个街区中选出尺寸形状一致且位于街区中心的LCZ样本,综合考虑样本纯净度(保证样本仅包含一类LCZ,因此样本尺寸不能太大)、代表性(能反映样本内部LCZ的空间特征,因此样本尺寸不能太小)以及样本数量,最终将分析样本尺寸定为150 m×150 m,样本量共有1 369个(建成景观类型共588个),对每个样本的LCZ类别逐一核查,保证样本的准确性。

    • 综合以往研究中常用的城市形态变量,本文选择了14个城市形态变量,其中二维城市形态变量以景观构成为主,包括其他不透水面比例(other impervious surface areas fraction, OSF)、草地/灌木比例(grass surface fraction, GSF)、树木比例(tree surface fraction, TSF)、裸土比例(soil surface fraction, SSF)、建筑比例(building surface fraction, BSF)、水域比例(water surface fraction, WSF)、道路比例(road surface fraction, RSF)和建筑朝向方差(orientation variance, OV);三维城市形态变量以建筑结构为主,包括高度方差(height variance, HV)、平均高度(mean height, MH)、体形系数(shape coefficient, SC)、容积率(plot ratio, PR)、建筑体积和(building volume, BV)和天空开阔度(sky view factor, SVF)[50-51]

      在地表温度定量分析中,首先用单因素方差判断不同LCZ类别之间的季节性地表温度是否存在显著性差异,然后用皮尔逊偏相关分析研究建筑类型中城市形态变量和地表温度之间的相关性,其中二维变量和三维变量互为对方控制变量,最后用逐步回归模型研究不同LCZ类别的城市形态变量对地表温度的相对贡献性,确保最终模型纳入的变量都具有显著性并且没有严重的多重共线性。

    • 通过单因素方差分析(P < 0.05),判断出3个季节的LCZ类型之间地表温度存在显著差异,结果如图 5所示。为了探究深圳不同LCZ类型之间的季节性地表温度差异,绘制了3个季节不同LCZ类别的地表温度箱型图,如图 6所示。

      图  5  深圳市不同季节的地表温度

      Figure 5.  LST in Shenzhen City in Three Seasons

      图  6  不同季节不同LCZ类型的地表温度

      Figure 6.  LST of LCZ in Three Seasons

      图 6可知,不同LCZ地表温度在3个季节呈现相对一致的变化趋势:(1)建成景观类型的平均温度高于自然覆盖类型的平均温度,并且大部分建成景观类型的地表温度远高于全区域平均温度。(2)在建成景观类型中,LCZ2的平均温度最高,并且LCZ8的平均温度与其相差不足1℃,LCZ6和LCZ4的平均温度最低,LCZ1—LCZ3的平均温度高于LCZ4—LCZ6。然而,不同LCZ地表温度在3个季节也存在一定差异:(1)夏季和过渡季节的每类建成景观类型的温差大于冬季,尤其是LCZ4—LCZ6和LCZ1(紧凑高层)。(2)在过渡季节,仅有不足25%的LCZB(稀疏树木)和LCZD(低矮植被)高于平均温度,而在冬季,该比例明显增加,约55%的LCZD高于平均温度。

      将中国深圳市的LCZ地表温度分布情况与美国拉斯维加斯、捷克布拉格等城市对比[30, 32-33, 52-53],相同的是这些城市中与工业区相关的区域温度始终较高,温度最低的都是LCZA或LCZG, LCZ1—LCZ3的平均温度高于LCZ4—LCZ6。但不同城市的不同LCZ的季节性地表温度有不同的变化规律,主要表现在每类LCZ以及LCZ类型之间的温差不同,比如布拉格春、夏、秋三季变化规律比较一致,且LCZ3平均温度略高于LCZ2,但深圳市LCZ2平均温度始终高于LCZ3。这些城市之间最大的差别是城市气候特征、建筑空间布局,而季节变化也与气候有关,说明气候和建筑空间布局是影响建成景观类型地表温度的主要因素。

    • 利用皮尔逊偏相关分析研究不同季节建成景观类型城市形态变量和地表温度之间的相关性,结果见表 4。由表 4可以看出,二维变量中OSF、BSF与地表温度显著正相关,并且夏季OSF的相关性(0.387, P < 0.01)大于BSF的相关性(0.210, P < 0.01);GSF和TSF与地表温度有显著负相关影响,并且GSF的相关性始终最强;SSF、WSF、RSF 3个变量对地表温度有一定负影响,其中WSF仅在夏季与地表温度相关性显著(P < 0.01);SSF和OV在3个季节与地表温度相关性弱且均不显著(P > 0.05)。三维变量中SC、SVF与地表温度正相关,其中SVF与地表温度显著正相关,且相关性强于SC。SC是影响建筑物耗热量指标的重要因素之一,消耗的能源越多,地表温度越高,因此SC与地表温度正相关。SVF测量了周边建筑或环境遮蔽的程度,SVF越大,遮挡程度越弱,遮阳效果越差,地面接受的太阳辐射越强,可能导致更高的地表温度。与SC相比,SVF更能直接影响地表热辐射强度,所以相关性强于SC。负相关性最强的三维变量是MH。

      表 4  不同季节建成景观类型中城市形态变量与地表温度偏相关系数

      Table 4.  Partial Pearson Correlation Coefficients Between Urban Morphology and LST in Build-up Types in Different Seasons

      季节 二维变量 三维变量
      OSF GSF TSF SSF BSF WSF RSF OV BV MH SC PR HV SVF
      夏季 0.387** -0.481** -0.322** -0.041 0.210** - 0.124** -0.126** 0.012 - 0.314** - 0.327** 0.033 -0.138** -0.294** 0.241**
      过渡季 0.225** -0.457** -0.339** -0.064 0.359** - 0.029 0.007 -0.035 - 0.235** - 0.249** 0.103* -0.075 -0.144** 0.271**
      冬季 0.231** -0.519** -0.262** -0.049 0.384** - 0.07 - 0.032 0.024 - 0.458** - 0.465** 0.125** -0.232** -0.307** 0.481**
      注:*表示P < 0.05 (双侧),**表示P < 0.01 (双侧)

      采用逐步回归模型,研究不同季节建成景观类型中城市形态变量与地表温度的回归关系,结果如表 5所示。表 5R2是回归平方和与总平方和的比值,反映了回归方程的拟合优度,也就是自变量解释能力。随着自变量个数的增加,R2会高估实际的拟合优度,因此用调整后的R2来说明方程的拟合优度。结果显示,在不同季节,不同LCZ类型的城市形态变量与地表温度关系有明显差异,具体表现在变量影响方向和强度不同。

      表 5  不同季节建成景观类型中城市形态变量与地表温度逐步回归分析

      Table 5.  Stepwise Regression Between Urban Morphology and LST in Build-up Types in Different Seasons

      季节 变量 总体 LCZ1 LCZ2 LCZ3 LCZ4 LCZ5 LCZ6 LCZ8
      夏季 OSF 0.424 0.682
      GSF -0.437 - 0.404 -0.469 - 0.282 -0.252 0.332
      TSF -0.236 - 0.328
      WSF -0.409
      RSF -0.132 -0.625
      OV 0.276
      BV 0.232
      MH -0.318 0.202
      SC -0.175 0.286
      HV -0.214
      SVF 0.392
      R2 0.485 0.390 0.164 0.307 0.335 0.359 0.427 0.351
      调正后的R2 0.480 0.361 0.150 0.253 0.304 0.349 0.413 0.331
      过渡季 OSF 0.484 0.489
      GSF -0.265 -0.498
      TSF - 0.465 -0.182 -0.201
      SSF - 0.173
      BSF 0.902 0.573 0.555 0.268
      WSF -0.242
      RSF 0.216 0.219
      OV -0.343 -0.514 -0.169
      MH -0.589
      HV 0.226 -0.154
      SVF 0.209 0.756 0.191
      R2 0.507 0.543 0.524 0.264 0.216 0.334 0.494 0.32
      调正后的R2 0.504 0.471 0.509 0.237 0.204 0.319 0.455 0.305
      冬季 OSF 0.332 -0.237 0.682
      GSF -0.179 -0.721 -0.447 0.303
      TSF - 0.238 -0.270
      SSF - 0.312 0.215
      BSF 0.723 0.479 0.268 0.198
      WSF -0.439
      RSF 0.106 -0.680
      MH -0.152 -0.406
      SC 0.355
      HV 0.474
      SVF 0.257 0.366 0.236 0.361
      R2 0.584 0.518 0.330 0.554 0.190 0.426 0.666 0.092
      调正后的R2 0.580 0.442 0.313 0.501 0.165 0.412 0.649 0.085

      1)从变量影响方向看,共有5个变量方向一致,其中MH、TSF、GSF、WSF与地表温度是负相关关系,BSF则是正相关。MH越大,阴影面积越大,同时有助于风环流的形成,促进地表温度降低。TSF、GSF、WSF直接影响地表蒸散发,水分蒸发时带走地表热量,降低地表温度。因此MH、TSF、GSF、WSF与地表温度是负相关关系。而BSF越大,地表不透水面越多,地表吸收的太阳辐射越多,所以BSF表现出相反的相关性。

      2)从变量在模型中出现的次数看,二维变量的次数明显高于三维变量,次数最高的变量是GSF,共计12次,最低的是PR,该变量没能进入逐步回归模型。从变量与地表温度的相关性看,GSF在冬季LCZ3模型中,与地表温度负相关最强(-0.721), BSF在过渡季节的总体模型中,与地表温度正相关最强(0.902),此外OSF、RSF与地表温度也有较强的相关性,说明土地覆盖类型是影响深圳市地表温度的首要因素。

      3)从7个LCZ建成景观类型看,LCZ4—LCZ6和LCZ8的模型中出现的变量多于LCZ1—LCZ3,这可能是因为前者建筑比例相对低,其地物覆盖类型较多。在LCZ1—LCZ3,二维变量出现的次数远大于三维变量,尤其是在夏季没有三维变量和在过渡季节仅在LCZ1模型出现一个三维变量SVF,说明对于LCZ1—LCZ3,二维变量对地表温度的影响占据主导地位。在LCZ4—LCZ6和LCZ8模型中,虽然二维变量出现的次数仍然大于三维变量,但是同LCZ1—LCZ3相比,三维变量次数明显增加,尤其是SVF,出现在夏季LCZ8、过渡季节LCZ5、冬季LCZ5和LCZ6模型中,表明三维变量的影响程度增强。在总体模型中,BSF、OSF和SVF对地表温度的增加影响显著,GSF和MH则相反。

      GSF在3个季节尤其是夏季模型中负相关性强,这是因为草地/灌木自身有一定的含水量,干热空气可以加强草地/灌木的蒸发蒸腾效率,从而降低地表温度。OSF与地表温度呈显著正相关关系,是由于不透水表面的材料(如混凝土、水泥、沥青)有较低的辐射率和较高的比热容,在将太阳辐射转化为感热的同时,蒸散发效率低。BSF与地表温度正相关关系最强,不仅因为建筑物表面多是不透水材质,还因为建筑物集聚区域人为散发热量高,易产生大量的空气污染物形成热辐射[3]。LCZA和LCZG温度最低(见图 5),具体原因是树叶可以直接遮挡和吸收大部分的太阳辐射能量,并且还能以蒸腾作用的方式将大部分太阳辐射转化为潜热,此外水分以水蒸汽状态散失到大气中会吸收空气热量,降低地表温度,因此树木和水体是地表温度下降最重要的因素。但在城市变量与地表温度相关性分析中,TSF和WSF对地表温度影响的显著性不如GSF强,主要原因是在样本中树木和水体这两类地物覆盖面积很小。从所有模型来看,MH的出现次数较多,显著性较强,并且对地表温度呈稳定的降温作用,这是因为建筑越高,阴影面积越大,地面接受到的太阳辐射越少,同时有助于形成地面风环流现象,冷却效果强[34]。此外同已有研究一致的是,二维变量比三维变量对地表温度影响更显著[22, 52]

    • 本文以深圳市ZY-3遥感影像为基础,制作基于街区的LCZ分类图,研究不同季节、不同LCZ类别的地表温度特征,分析城市形态对不同LCZ类别的季节性地表温度的影响。研究结果表明,地表温度对于LCZ类别的响应有季节性差异,主要体现在夏季的LCZ温差最大,冬季最小。此外,不同LCZ之间城市形态和季节性地表温度的关系如下:(1)不同季节各变量与地表温度之间关系存在显著性差异,表现在变量影响的方向和大小。(2)与三维变量相比,二维变量与地表温度相关性更强,尤其是在LCZ1—LCZ3(紧凑型建筑)模型中,二维变量中建筑覆盖和草地/灌木覆盖分别与地表温度有较强的正、负相关关系,树木和水体是地表温度下降最重要的因素。因此对于该类型,可以通过减少建筑密度,增加草地/灌木、树木、水体面积来降低地表温度。(3)在其他模型分析中,虽然二维变量影响同样显著,但三维变量影响增强。由于增加建筑高度有利于地表温度的降低,所以需要在对建筑空间需求一定的情况下,不仅需要增加草地、树木、水体面积,还应当增加建筑高度,以降低地表温度、缓解城市热岛效应。

      需要指出的是,地表温度的计算有多种方法,尽管总体趋势和规律是相似的,但不同温度反演方法造成的不确定性,需要在今后的研究中进一步探讨。

参考文献 (53)

目录

    /

    返回文章
    返回