福州城市地表温度时空变化与贡献度研究
1.
2.
Spatial-temporal Patterns of Land Surface Temperature and Influencing Factors Contribution in Fuzhou City
1.
2.
通讯作者: 蔡芫镔(1982-),男,福建福州人,博士,主要从事城市生态和流域规划与管理方面研究. E-mail:caiyuanbin82@163.com
收稿日期: 2019-09-02 修回日期: 2019-12-31 网络出版日期: 2020-02-27
基金资助: |
|
Corresponding authors: Cai Yuanbin (1982-), male, Fuzhou City, Fujian Province. Research area include urban ecology and watershed planning and management. E-mail:caiyuanbin82@163.com
Received: 2019-09-02 Revised: 2019-12-31 Online: 2020-02-27
作者简介 About authors
康文敏(1994-),女,福建南平人,硕士研究生,主要从事城市生态方面研究.E-mail:wenmin_k1994@126.com
随着全球变暖和城市化进程的加快,城市区域的热环境问题日益凸显。以福州为例,基于遥感、地理信息系统和地统计学等方法,通过多尺度空间模式,定量分析以地表温度贡献度为表征的城市热环境时空变化及其特征。结果表明:
关键词:
With the intensification of urbanization and global warming, the problems of urban thermal environment are increasingly prominent. On the basis of the remote sensing, geographic information system, geostatistics and multiscale spatial pattern, the spatial-temporal variation characteristics of land surface temperature in urban thermal environment were quantitatively analyzed. The results are as follows:
Keywords:
本文引用格式
康文敏, 蔡芫镔, 郑慧祯.
Kang Wenmin, Cai Yuanbin, Zheng Huizhen.
1 引 言
据联合国发布的《World Urbanization Prospects 2018》显示,目前世界上有一半以上的人口居住在城市地区,到2050年中国城市人口预计将再增2.55亿[1]。2018年10月,联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)发布的《Global Warming of 1.5 ºC》特别报告表示,人类活动导致的全球升温比工业化前水平高出约1 ºC(0.8~1.2 ºC),全球升温1.5 ºC最快有可能在2030年实现[2],一场“异常”的热浪即将袭击全球。随着城市的快速发展,人为改造的下垫面、人类频繁活动的热排放打破了原有的地表热平衡,引发了生态环境、空气质量、居民健康和城市经济可持续发展等一系列城市问题[3~5]。现阶段,城市热环境的日益恶化已成为全球现代化城市气候变化最为显著的特征之一,严重阻碍了城市化进程和城市生态环境可持续发展[6~8]。因此,研究城市热环境时空演变的特征与规律、探索热环境变化的过程与影响机理,对区域生态环境保护与城市可持续发展具有重要的现实意义[6]。
地表温度(Land Surface Temperature,LST)综合反映了地表水热交换过程,是探索地表辐射、地表能量平衡、地表物理化学过程的重要参数,也是热环境最直接的表现形式[9,10]。随着“3S”技术的不断发展,热红外遥感技术可以利用星载遥感器直接获取地表热辐射信息,通过相应的反演方法获取LST,其具有时间同步性、空间分辨率高、覆盖范围广和价格低廉等优点[11,12],故被广泛应用于区域热环境的动态监测中,为缓解城市热环境提供技术基础。由于城市化进程的加速以及频繁的人类活动,土地覆盖的景观类型发生改变,很大程度地影响了城市LST的空间分布[13]。国内外学者对城市下垫面的土地利用/覆盖变化(Land Use/Cover Change,LUCC)与LST之间的相关性进行了研究。Chaudhuri等[14]探究了Ganges-Brahmaputra的LUCC时空演变及其与LST的关系,发现地表温度改变主要是由LUCC引起的。Cai等[15]研究了福州市城市绿地时空演变对城市热环境的影响,结果表明水的降温作用最大,其次是湿地和林地/草地。樊智宇等[16]通过多元线性回归和地理加权回归方法,定量分析了武汉市不透水面与热环境之间的关系,结果表明武汉市外部地区的不透水面增温强度正在逐渐增大。周玄德等[17]研究了乌鲁木齐市主城区的不透水面时空变化特征,结果表明较高覆盖、高覆盖不透水面面积与LST呈正相关。景观格局方面,Kikon等[18]统计得出LST与归一化植被指数(Normalized Difference Vegetation Index,NDVI)、发射率呈负相关,与归一化建筑指数(Normalized Difference Building Index,NDBI)、反照率呈正相关。祝亚鹏等[19]通过单窗算法反演快速发展的城区LST,并提取NDVI、NDBI和改进的归一化水体指数(Modified Normalized Difference Water Index,MNDWI),对城市热岛及其与下垫面关系进行了定性与定量分析。大量学者对城市化进程中LST和影响要素之间的关系进行了详细研究,然而基于空间尺度效应,将城市LST定量化与时空分布特征相结合的研究案例甚少。
福建省福州市自从改革开放以来经济迅速发展,城市下垫面发生剧烈变化,夏季高温屡创历史记录。较为典型的是,2017年福州再次成为众多媒体评出的中国新四大“火炉”之一。本文选定福州为研究对象,定量评估以LST为表征的热环境贡献度,利用空间尺度模式,揭示城市地表热环境的时空格局及其特征,以期促进区域与自然生境的可持续发展,为相关决策部门提供有益的建议。
2 研究区概况与数据源
2.1 研究区概况
本研究以海峡西岸中心城市、中国(福建)自由贸易试验区——福州(118°22′~119°57′E,25°20′~26°38′N)为对象,主要包括福州市区(鼓楼区、台江区、仓山区、晋安区和马尾区)以及长乐区、闽侯县、闽清县、永泰县、罗源县、连江县和福清市(县级市)(图1)。研究区地处中国东南沿海、福建省中东部的闽江口,与台湾省隔海相望,西邻南平、三明,北接宁德市,南接莆田市,东濒东海,面积共计11 236 km2。福州属于亚热带海洋性季风气候,气候温暖湿润,雨量充沛,年平均气温18~21 ℃,年平均降雨量为900~2 100 mm。研究区境内地势自西向东倾斜,闽江横贯市区东流入海[3]。2016年研究区内人口数为687.06万人,人均GDP达82 251元[20]。
图1
图1
研究区地理位置图(a)及其Landsat 5影像(b)(1993-06-26)
Fig.1
Location of the study area (a) and its Landsat 5 image (b) (1993-06-26)
2.2 数据源及其预处理
本研究以Landsat卫星影像作为基础数据,所有影像数据均来源于美国地质调查局(United States Geological Survey,USGS)的官方网站(
表1 1993—2016年遥感影像数据
Table 1
获取日期 | 获取时间 | 传感器类型 | 条带号 | 多光谱波段分辨率/m | 热红外波段分辨率/m |
---|---|---|---|---|---|
1993-06-26 | 09:55:00 | Landsat5 TM | 119/42 | 30 | 120 |
2000-05-04 | 10:24:47 | Landsat7 ETM+ | 119/42 | 30 | 60 |
2008-07-05 | 10:19:41 | Landsat5 TM | 119/42 | 30 | 120 |
2016-07-27 | 10:32:31 | Landsat8 OLI/TIRS | 119/42 | 30 | 100 |
3 研究方法
3.1 土地利用/覆盖信息获取
图2
图2
1993—2016年研究区土地利用/覆盖图
Fig.2
Land use/cover map of the study area from 1993 to 2016
表2 1993—2016年土地利用/覆盖分类精度评价
Table 2
年份 | 1993年 | 2000年 | 2008年 | 2016年 |
---|---|---|---|---|
总体分类精度/% | 92.67 | 90.00 | 89.33 | 92.67 |
Kappa系数 | 0.82 | 0.78 | 0.75 | 0.84 |
3.2 地表温度反演
(1)热红外波段灰度值(Digital Number,DN)转化为相应的辐射强度值:
式中:
(2)热辐射强度值转化为亮度温度:
式中:Tb为像元的亮度温度(K);K1和K2为常量,对于Landsat 5卫星,K1=607.76 W/(m2·sr·μm),K2=987.41 ℃;对于Landsat 7卫星,K1=666.09 W/(m2·sr·μm),K2=1 009.56 ℃;对于Landsat 8卫星,K1=774.89 W/(m2·sr·μm),K2=1 047.93 ℃。
(3)计算地表温度:
式中:Ts为像元的实际LST(K);a和b为常量,a=-67.355351,b=0.458606;Ta为大气平均作用温度(K);Tb为像元的亮度温度(K);τ为大气透射率;ε为地表比辐射率;C和D为大气透射率τ和地表比辐射率ε计算所得的参数值,为中间变量。
在标准大气状态下(天空晴朗、没有涡旋作用),大气平均作用温度是地面附近气温的线性函数,用热带平均大气公式(6)近似地推算Ta[28]:
式中:T0为地面附近气温(K)。
采用美国国家航空航天局(National Aeronautics and Space Administration, NASA)提供的大气校正参数计算器(
采用Sobrino等[30]提出的归一化植被指数阈值法估计地表比辐射率ε:
式中:Pv为植被覆盖度;εv为植被比辐射率,取值0.99;εu为城市表面比辐射率,取值0.92;dε为包括自然表面的几何分布和内部反射的影响;F为形状因子,取值0.55;NDVImax为完全被植被所覆盖像元的NVDI值,NDVImin为完全被裸土或无植被覆盖像元的NVDI值。取经验值NDVImax=0.5和NDVImin=0.2。
式中:LST为像元的实际地表温度(℃)。
(4)LST标准化分级:
采用LST标准化公式(11)对LST进行标准化处理[15]:
式中:TN为地表温度标准化值,其取值范围为(0,1);LST为地表温度,LSTmin和LSTmax分别为地表温度的最小值和最大值。以自然间断点分级法作为温度等级水平的划分依据,将TN值划分为低温区、次低温区、中温区、次高温区和高温区5个等级(图3)。
图3
(5)相对地表温度(Relative Land Surface Temperature,RLST)分级:
为实现不同年份不同月份影像的年际可比性,采用RLST来对比不同年份的城市热环境贡献度[31],计算如下:
式中:
图4
图4
1993—2016年相对地表温度等级分布图
Fig.4
Relative land surface temperature zones from 1993 to 2016
在研究区内设置LST采样点20个(图5),将反演LST与收集获取的野外实测LST分别进行抽样比对,两者误差在约为1 ℃的可接受范围内[32~37],表明反演LST数据具有一定的可靠性。
图5
图5
研究区地表温度采样点位置图
Fig.5
Location of land surface temperature sampling points in the study area
3.3 贡献度指数计算
土地利用空间格局存在较大空间异质性,对热环境的影响机制也表现出空间的差异性[38]。土地利用/覆盖类型对热环境贡献程度可通过贡献度指数(Contribution Index,CI)定量表征,即某种地类的平均LST与研究区平均LST的差值和该地类面积占研究区总面积比例的乘积,计算如下:
式中:i为5种地类;
同理,计算不同地区的热环境CI,即为不同地区平均LST与研究区平均LST的差值和该地区占研究区总面积比例的乘积。
3.4 空间模式分析
LST的空间分布形成了一定结构的热环境格局,本文利用平均最近邻分析(Nearest Neighbor Analysis)和多距离空间聚类分析(Ripley’s K函数)对热环境空间格局分布进行分析。该分析方法已被广泛应用于物种种群空间分布、景观格局等研究领域中[39,40]。最近邻近距离是表示点状要素在地理空间中相互邻近程度的指标,能准确并客观地确定点格局空间分布情况[41]。平均最近邻分析是基于空间距离判断点的空间集聚性的一种空间分析方法。由于不同空间尺度获取的格局分布信息存在较大差异[42],故引入Ripley’s K函数分析多尺度下热环境空间分布格局[43]。Ripley’s K函数是一种全域统计指标,用于分析任意尺度下研究区内点状地物的空间分布特征,按照设定的半径距离,统计生成关系函数[44]。
3.4.1 平均最近邻分析
根据公式(14)~(16),利用地理信息系统软件将RLST进行面点数据转换,计算平均最邻近比率(Nearest Neighbor Ratio,NNR),并分析以LST为表征的城市热环境的空间格局特征。
式中:
3.4.2 多距离空间聚类分析
式中:A为研究区面积;n为RLST点要素的数量;kij为权重;d为空间尺度大小。若L(d)>0,RLST点要素在对应尺度d上呈集聚分布;若L(d)<0,RLST点要素在对应尺度d上呈分散分布;若L(d)=0,RLST点要素在对应尺度d上呈完全随机分布。
4 结果与分析
4.1 土地利用/覆盖演变特征
由图2和表3可知,1993—2016年,研究区的土地利用/覆盖发生了较为显著的变化。研究区主要以林/草地、耕地和建设用地为主。1993—2016年建设用地面积从416.83 km2增加到1 647.86 km2,净增长1 231.04 km2,总变化率达到了295.33%,新增的建设用地主要是沿着闽江和城市交通网络放射性扩张。随着时间的推移,耕地面积呈现不断减少的趋势,从1993年的2 400.29 km2减少到2016年的1 539.42 km2,总变化率减少了35.87%。从空间上可以明显看出,大量耕地已被建设用地占用。林/草地面积变化呈波动的趋势,但24年间整体面积减少了297.57 km2,总变化率减少了3.69%。值得注意的是,湿地面积从1993年的35.85 km2缩小至2016年的28.43 km2,虽然面积变化的绝对数量不大(减少7.42 km2),但减少的比例较高(减少20.71%)。
表3 1993—2016年土地利用/覆盖类型面积变化统计
Table 3
土地利用/ 覆盖类型 | 1993年 | 2000年 | 2008年 | 2016年 | 1993—2016年 | |||||
---|---|---|---|---|---|---|---|---|---|---|
面积/km2 | 比例/% | 面积/km2 | 比例/% | 面积/km2 | 比例/% | 面积/km2 | 比例/% | 总变化量/km2 | 总变化率/% | |
水体 | 289.42 | 2.58 | 277.76 | 2.47 | 252.17 | 2.24 | 241.98 | 2.15 | -47.44 | -16.39 |
林/草地 | 8 070.37 | 71.83 | 8 264.22 | 73.55 | 7 656.65 | 68.15 | 7 772.80 | 69.18 | -297.57 | -3.69 |
耕地 | 2 400.29 | 21.36 | 2 152.76 | 19.16 | 1 816.35 | 16.17 | 1 539.42 | 13.70 | -860.87 | -35.87 |
建设用地 | 416.83 | 3.71 | 502.47 | 4.47 | 1 452.86 | 12.93 | 1 647.86 | 14.67 | 1 231.04 | 295.33 |
湿地 | 35.85 | 0.32 | 33.86 | 0.30 | 29.91 | 0.27 | 28.43 | 0.25 | -7.42 | -20.71 |
裸地 | 23.04 | 0.21 | 4.73 | 0.04 | 27.86 | 0.25 | 5.31 | 0.05 | -17.73 | -76.97 |
4.2 地表温度时空变化特征
结合1993—2016年LST等级分布图(图3)与TN等级分区面积统计(表4)可以发现:中高温区(中温区、次高温区、高温区)主要集中分布于建筑密集、工商业集中和人口活动剧烈的城市中心及各县市区的建制镇区域。1993—2016年,中高温区以闽江水域为轴向周边区域逐渐蔓延,面积不断增加,从1993年的235.84 km2上升至2016年的3 310.19 km2,净增长3 074.35 km2。值得注意的是,1993—2016年,中温区面积净增长2 681.2 km2,增长率高达1 148%,其扩张方向与新增建设用地拓张基本保持相同的方向趋势,可见,城市建设用地的快速扩张是促进LST升高的重要因素之一。低温区和次低温区主要分布于水域及海拔、森林覆盖率较高的山区。低温区和次低温区占研究区面积比呈逐年递减的趋势,4个时期分别为97.9%、85.3%、75.8%和70.5%。
表4 1993—2016年TN等级分区面积统计
Table 4
TN等级 | 面积/km2 | 总变化量/km2 | |||
---|---|---|---|---|---|
1993年 | 2000年 | 2008年 | 2016年 | 1993—2016年 | |
低温区 | 2 558.28 | 344.70 | 101.31 | 24.48 | -2 533.8 |
次低温区 | 8 441.68 | 9 242.25 | 8 410.55 | 7 901.13 | -540.55 |
中温区 | 233.50 | 1 552.57 | 2 411.32 | 2 914.70 | 2 681.2 |
次高温区 | 2.26 | 93.34 | 297.50 | 387.62 | 385.36 |
高温区 | 0.08 | 2.94 | 15.12 | 7.87 | 7.79 |
4.3 热环境贡献度时空差异
以福州所辖县市区各个地区为统计单元,采用随机抽样点的方法获取LST的均值,分别计算1993年、2000年、2008年和2016年各个地区的热环境贡献度指数(图6)。由图6可知:1993—2016年,福州市区热环境CI值均大于0,表明该地区地表平均温度高于研究区地表平均温度,对研究区的热环境作正贡献,为促进LST升高的主要贡献源(2016年CI达到最大值0.148);闽清县和永泰县热环境CI值均小于0,表明两地对研究区的热环境作负贡献,为减缓LST升高的主要贡献源;罗源县、长乐区和连江县的热环境CI值呈现由负值到正值的一个变化趋势,且CI值逐年增大;闽侯县和福清市的热环境CI值分别在2000年和2008年达到最大,分别为0.044和0.08。
图6
图6
1993—2016年各地区贡献度指数
Fig.6
Contribution index of different regions from 1993 to 2016
2000年,闽侯大学城开始投入建设,城市空间以“飞地式”扩张模式由中心城区向闽侯跨越发展。2013年,福州新区(马尾区、仓山区、长乐区、福清市)构建了“一核(马尾新城)、两区(南翼发展区、北翼发展区)、三轴(福平综合发展轴、南翼区域拓展轴、北翼区域拓展轴)”的空间结构。大学城的辐射和政策的倾斜,一方面推动了闽侯县、福州市区、长乐区和福清市的经济建设与城市发展,另一方面也促进研究区LST的上升。
图7
图7
1993—2016年各地类贡献度指数
Fig.7
Contribution index of different land use/cover types from 1993 to 2016
由图7可知,林/草地、耕地和水体4个时期的CI值均小于零,表明这3种地类对LST升高作负贡献。其中,林/草地作出的贡献最大,2000年CI达到最小值-3.090,大面积的林/草地通过绿色植被吸收并遮挡太阳辐射和蒸腾作用,促进了地表与近地面大气之间能量和物质交换,从而能够保持较低的温度;建设用地的CI值持续增加,从1993年的0.068增加到2016年的0.598,为促进LST升高的主要贡献源。显然,24年间建设用地迅速扩张,下垫面属性发生改变,导致LST明显上升,同时加剧了热环境效应;1993年、2000年、2008年和2016年湿地的CI值分别为-0.018,-0.016,-0.003和0.001。由于湿地占研究区总面积比例不大,CI绝对数值较小。1993—2000年,湿地的CI值变化不大,但均小于零。该时期研究区内的湿地内部尚有大片明显的植被灌丛覆盖。2008—2016年,湿地的CI值由负变正,即对LST的升高由负贡献转变为正贡献。该时期城市化进程加快,城市周边的湿地被大量开发,湿地面积减少,功能遭到破坏。较为典型的例子:2016年浦下洲湿地已彻底转为建设用地(2010年福州海峡国际会展中心竣工);由于裸地分布较为零散,占研究区面积比例较小,24年间对LST的贡献处于波动变化的不稳定状态。
为进一步讨论土地利用/覆盖类型的变化与LST之间的相关关系,以1993年和2016年的数据为例,对土地利用/覆盖类型转化所占面积比例及其相应的LST进行回归分析(图8)。其中,将CI值小于0的土地利用/覆盖类型定义为研究区域的冷源,即林/草地、水体、耕地、湿地为冷源。结果表明:1993—2016年建设用地扩张和冷源损失均与LST呈正相关关系,即大规模的建设用地扩张和林/草地、水体、耕地、湿地的损失将导致LST迅速的上升。
图8
图8
1993—2016年土地利用/覆盖类型与地表温度回归分析(单个网格面积:360 000 m2)
Fig.8
The regression analysis between land use/cover types and LST from 1993 to 2016 (per grid area:360 000 m2)
4.4 地表温度空间集聚效应
基于RLST等级分布图(图4),利用地理信息系统工具,提取RLST>2的区域,RLST大于2 ℃的区域被定义为区域热岛[47,48],计算平均NNR(表5)。由表5可知:1993—2016年的NNR均小于1(P<0.01),从1993年的0.84降低至2016年的0.74,说明研究区的LST在空间上并非随机分布,而是表现出很强的空间集聚效应。由于福州经济快速发展,城市拓展如“摊大饼”式蔓延展开,建成区大面积连片扩张,LST集聚强度愈发显著。进一步分析不同时期不同RLST等级下的NNR值(图9),结合RLST等级分区面积统计(表6)和图9可知:4个时期的NNR值均随着RLST等级的递增而减小,表明高温的集聚效应愈发显著;当2<RLST≤4时,1993—2016年的RLST面积与NNR呈正相关关系,6<RLST≤8、RLST>8也表现出相同的趋势。当4<RLST≤6时,1993—2016年的RLST面积相近,NNR值也表现出相近;1993年和2000年在RLST>8时,相对地温的空间集聚程度最高,而2008年和2016年在6<RLST≤8时,相对地温的空间集聚程度最高。因此,未来我们应该更加关注RLST>6的高温集聚区域。
表5 1993—2016年平均最近邻比率(RLST>2) (300 m×300 m)
Table 5
年份 | 点要素的个数 | 平均观测距离/m | 预期平均距离/m | 最邻近比率 | z得分 | p值 |
---|---|---|---|---|---|---|
1993年 | 29 107 | 333.09 | 397.53 | 0.84 | -52.91 | 0.00 |
2000年 | 24 097 | 347.33 | 435.37 | 0.80 | -60.05 | 0.00 |
2008年 | 23 239 | 338.33 | 442.50 | 0.76 | -68.65 | 0.00 |
2016年 | 21 756 | 338.37 | 458.94 | 0.74 | -74.13 | 0.00 |
图9
图9
1993—2016年不同RLST等级的NNR值
Fig.9
NNR of different RLST grades from 1993 to 2016
表6 1993—2016年RLST等级分区面积统计
Table 6
RLST等级/℃ | 面积/km2 | |||
---|---|---|---|---|
1993年 | 2000年 | 2008年 | 2016年 | |
<0 | 6 478.07 | 5 938.51 | 6 193.58 | 7 011.65 |
0~2 | 2 147.63 | 3 139.56 | 2 945.92 | 2 267.21 |
2~4 | 1 983.44 | 1 395.87 | 1 096.05 | 874.261 |
4~6 | 436.804 | 425.359 | 443.222 | 433.907 |
6~8 | 114.124 | 158.264 | 239.815 | 289.076 |
>8 | 75.732 | 178.237 | 317.213 | 359.696 |
基于5种不同的空间分辨率,利用地理信息系统空间统计工具的多距离空间聚类分析功能,将空间尺度(距离增量)设置为5 km,置信区间为90%,对LST进行L(d)函数分析(图10)。将LST在空间上出现随机分布时[L(d)=0]的空间尺度值定义为临界值[43],即LST空间尺度上出现集聚与分散的分异点。由图10中可知:在300 m×300 m空间分辨率下,2000年和2008年空间尺度小于临界值56 km时,L(d)>0,表明LST呈现集聚趋势。反之,空间尺度大于临界值56 km时,L(d)<0,呈现分散趋势。1993年和2016年空间尺度分别小于临界值55和65 km时,地表温度呈现集聚趋势。反之,空间尺度分别大于临界值55和65 km时呈现分散趋势。1993—2016年分别在空间尺度为25、20、20和25 km时出现波峰,此时L(d)达到最大值分别为6.92、4.86、6.09和8.86,说明在该尺度上LST出现相对高集聚的状态。从整体上看,1993—2016年空间尺度从临界值55 km扩大至65 km,L(d)值从6.92增加至8.86,表明研究区的LST空间集聚范围扩大、集聚程度亦增强。这主要是由于热岛从城市中心向郊区扩散的原因[31]。近年来,由于福州市在“东扩、南进、西拓”的城市发展指导思想下,城市建成区面积不断向外围蔓延,东部、西部和南部成为城市空间拓展的主要方向[29]。从表7中可以看出随着空间分辨率的变大,空间尺度逐渐变小,说明空间分辨率的增大,LST的空间集聚效应将出现减弱的现象。多距离空间聚类分析表明研究区的LST并非随机分布,而是在一定的空间尺度上存在集聚现象,且随着城市化进程的快速推进,较大的空间尺度呈现越来越集聚趋势。
图10
图10
1993—2016年RLST的Ripley’s L(d)函数(300 m×300 m)
Fig.10
Ripley’s L (d) functions of RLST from 1993 to 2016 (300 m×300 m)
表7 1993—2016年不同空间分辨率下的空间尺度临界值 km
Table 7
年份 | 空间分辨率大小 | ||||
---|---|---|---|---|---|
300 m×300 m | 600 m×600 m | 900 m×900 m | 1 200 m×1 200 m | 1 500 m×1 500 m | |
1993年 | 55 | 54 | 54 | 50 | 50 |
2000年 | 55 | 54 | 54 | 50 | 46 |
2008年 | 55 | 54 | 54 | 50 | 54 |
2016年 | 65 | 61 | 62 | 59 | 59 |
5 结论与讨论
本文基于1993—2016年的4景遥感影像,通过监督分类、LST反演、计算贡献度指数和利用多尺度空间模式,定量研究城市化进程中,福州热环境时空格局变化及特征。主要结论如下:
(1)1993—2016年,研究区的土地利用/覆盖类型发生了显著的变化,其中建设用地面积净增长1 231.04 km2,变化率达到了295.33%;耕地被建设用地占用;湿地减少的绝对数量不大,但减少比例较高;建设用地扩张和冷源损失都与LST呈正相关关系。
(2)分别基于福州所辖县市区和土地利用/覆盖类型,计算LST贡献度指数。结果表明:1993—2016年,福州市区对LST上升做正贡献,闽清县和永泰县对LST上升做负贡献。从整体上看,福州所辖县市区LST贡献时空分布不均;林/草地、耕地、水体具有降温作用,建设用地具有升温作用,湿地对LST升高由负贡献转变为正贡献。
(3)中高温区以闽江水域为轴向周边区域逐渐蔓延,低温区和次低温区面积显著减少;1993—2016年,LST的空间集聚范围不断扩大、集聚程度不断增强,且较大的空间尺度呈现越来越集聚趋势。
根据上述研究结果,给出以下3点建议:
鉴于福州在中国(福建)自由贸易试验区、泛珠三角地区和国家海峡西岸“先行先试”经济区中的重要地位,迫切需要开展此关键区域内的环境热效应的影响研究,制定应对城市化影响的区域可持续发展对策。研究成果可以促进城市空间健康发展,提供科学的决策参考,为我国制定前瞻性的新型城镇化发展战略,促进城市与自然生境和谐发展,提供有益的经验与启示。
参考文献
Global Warming of 1.5ºC
[EB/OL]. [
Remote sensing analysis of changes of urban thermal environment of Fuzhou City in China in the past 20 years
[J].
近20年来福州城市热环境变化遥感分析
[J].
Impacts of urbanization on the urban thermal environment in Beijing
[J].
北京市城市化进程中热环境响应
[J].
Analysis of the change of comfort index over Yunnan Province based on effective temperature
[J].
基于有效温度指数的云南舒适度变化分析
[J].
Spatial-temporal morphology simulation of Beijing-Tianjin-Hebei urban agglomeration thermal environment based on Support Vector Machine
[J].
基于支持向量机的京津冀城市群热环境时空形态模拟
[J].
Research progress on the thermal environment of the urban surfaces
[J].
城市地表热环境研究进展
[J].
A study of the extended-range forecast for the low frequency temperature and high temperature weather over the lower reaches of Yangtze River Valley in summer
[J].
长江下游夏季低频温度和高温天气的延伸期预报研究
[J].
Relationship among land surface temperature and LUCC, NDVI in typical karst area
[J].
Thermal remote sensing of urban climates
[J].
Urban expansion and its impact on spatio-temporal variation of urban thermal characteristics: A case study of Wuhan
[J].
武汉城市扩张对热场时空演变的影响
[J].
Utility of Landsat image in the study of land cover and land surface temperature change
[J].
Impacts of urban surface morphology on thermal environment—A case study of Shanghai
[J].
城市地表形态对热环境的影响——以上海市为例
[J].
Spatio-temporal dynamics of land cover and land surface temperature in Ganges-Brahmaputra delta: A comparative analysis between India and Bangladesh
[J].
Spatiotemporal evolution of urban green space and its impact on the urban thermal environment based on remote sensing data: A case study of Fuzhou City, China
[J].
Spatial-temporal distribution of urban heat island and the heating effect of impervious surface in summer in Wuhan
[J].
武汉市夏季城市热岛与不透水面增温强度时空分布
[J].
Spatial pattern evolution of impervious surfaces and its influence on surface temperature in the process of urban expansion: A case study of Urumqi
[J].
城市扩张过程中不透水面空间格局演变及其对地表温度的影响——以乌鲁木齐市为例
[J].
Assessment of Urban Heat Islands (UHI) of Noida City, India using multi-temporal satellite data
[J].
Study on the relationship between surface thermal environment and underlying surface in developing cities
[J].
发展中城市地表热环境与下垫面关系研究
[J].
Fujian Statistical Yearbook 2017
[DB/OL]. [福建省统计局. 福建统计年鉴 2017
[DB/OL]. [
Land surface temperature fluctuation characteristics and key influencing factors in estuarine wetland
[J].
河口湿地表面温度扰动特征及其关键影响因素
[J].
Mono-window algorithm for retrieving land surface temperature from Landsat TM6 data
[J].
用陆地卫星TM6数据演算地表温度的单窗算法
[J].
Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm
[J].
单窗算法结合Landsat8热红外数据反演地表温度
[J].
A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region
[J].
Remote sensing retrieval of urban land surface temperature in hot-humid region
[J].
Comparative study on the correlations between NDVI, NDMI and LST
[J].
NDVI、NDMI与地表温度关系的对比研究
[J].
Change of Landsat 8 TIRS calibration parameters and its effect on land surface temperature retrieval
[J].
Landsat 8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].
Estimating of the essential atmospheric parameters of Mono-window algorithm for land surface temperature retrieval from Landsat TM6
[J].
单窗算法的大气参数估计方法
[J].
Characteristics of land surface temperature disturbance and its relationship to built-up land expansion
[J].
地表温度扰动特性及其与建设用地扩张的关系
[J].
Land surface temperature retrieval from LANDSAT TM 5
[J].
Spatiotemporal patterns and characteristics of remotely sensed region heat islands during the rapid urbanization (1995-2015) of Southern China
[J].
Diurnal and seasonal impacts of urbanization on the urban thermal environment: A case study of Beijing using MODIS data
[J].
Cooling effects of wetlands in an urban region: The case of Beijing
[J].
Impact of Zhalong wetland on neighboring land surface temperature based on remote sensing and GIS
[J].
A comparison study on annual variation of thermal infrared brightness temperature and land temperature from meteorological stations
[J].
卫星热红外亮温、气温及地温观测的年变变化对比研究
[J].
Correlation analysis between MODIS brightness temperature and surface temperature provided by meteorological station
[J].
MODIS亮温与气温及地温的相关性分析
[J].
Comparison study on land surface temperature retrieval algorithms based on landsat 8 remote sensing image
[J].
基于Landsat8遥感影像的地表温度反演方法对比研究
[J].
Study on the contribution of land use heterogeneity and change to regional thermal environment: A case study of Beijing-Tianjin-Hebei urban agglomeration
[J].
土地利用差异与变化对区域热环境贡献研究——以京津冀城市群为例
[J].
Demography of a savanna palm tree: Predictions from comprehensive spatial pattern analyses
[J].
Using neutral landscapes to identify patterns of aggregation across resource points
[J].
Mountain county rural settlement landscape pattern change and spatial characteristics in rapid mountain urbanization process in Fujian Province
[J].
城镇化过程中福建省山区县农村聚落景观格局变化特征
[J].
Effects of changing scale on landscape pattern analysis: Scaling relations
[J].
Characteristics and changes of landscape pattern in Wuhan City based on Ripley’s K function
[J].
基于Ripley K函数的武汉市景观格局特征及其变化
[J].
Spatial pattern and industrial characteristics of economic technological development areas in eastern coastal China
[J].
沿海地区经济技术开发区空间格局演化及产业特征
[J].
Spatial and temporal changes and influencing factors of the location of internet start-ups in Shanghai, China
[J].
上海互联网新创企业的时空演化及影响因素
[J].
Spatial interaction and the statistical analysis of lattice systems
[J].
Experimental studies on the effects of green space and evapotranspiration on urban heat island in a subtropical megacity in China
[J].
Progress in urban greenery mitigation science-assessment methodologies advanced technologies and impact on cities
[J].
Study on the security pattern of the heat environment and the influence of land use change in the Yangtze River Delta urban agglomeration
[J].
长江三角洲城市群热环境安全格局及土地利用变化影响研究
[J].
/
〈 |
|
〉 |
