地球科学进展, 2020, 35(1): 88-100 DOI: 10.11867/j.issn.1001-8166.2020.008.

研究论文

福州城市地表温度时空变化与贡献度研究

康文敏,1, 蔡芫镔,1, 郑慧祯1,2

1.福州大学环境与资源学院,福建 福州 350116

2.福州市规划设计研究院,福建 福州 350108

Spatial-temporal Patterns of Land Surface Temperature and Influencing Factors Contribution in Fuzhou City

Kang Wenmin,1, Cai Yuanbin,1, Zheng Huizhen1,2

1.College of Environment and Resources, Fuzhou University, Fuzhou 350116, China

2.Fuzhou Planning Design and Research Institute, Fuzhou 350108, China

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: 晋江市福州大学科教园区发展中心科研项目“基于3S技术的闽江河口湿地表面温度扰动特性及驱动机制研究”.  2019-JJFDKY-72

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

KangWenmin(1994-),female,NanpingCity,FujianProvince,Masterstudent.Researchareaincludeurbanecologicalresearch.E-mail:wenmin_k1994@126.com

摘要

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:1993—2016年,研究区的土地利用/覆盖类型发生了显著变化,建设用地净增长1 231.04 km2,变化率高达295.33%;耕地被建设用地占用。地表温度空间格局变化明显,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,福州所辖各县市区地表温度贡献时空分布不均。其中,中心城区(鼓楼区、台江区、仓山区、晋安区和马尾区)对地表温度上升表现为正贡献,闽清县和永泰县表现为负贡献。从不同土地利用/覆盖类型来看,林/草地、耕地、水体对地表温度升高有负贡献,建设用地表现为正贡献。多距离空间聚类分析(Ripley’s K函数)显示,地表温度集聚与分散存在尺度效应;1993—2016年,研究区的地表温度集聚范围逐步扩大、集聚程度增强。

关键词: 热环境 ; 贡献度指数 ; 空间模式 ; 尺度效应

Abstract

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: Dramatic changes in land use/land cover had occurred from 1993 to 2016 in the study area. The net increase area of construction land was 1 231.04 km2, with a change rate of 295.33%. Cultivated land was occupied by construction land. The area of middle, sub-high and high temperature zones spread to the surrounding areas gradually with the Minjiang River. The area of sub-low and low temperature zones decreased markedly. From 1993 to 2016, the contribution of land surface temperature in different urban districts had the characteristics of uneven spatial and temporal distribution. Meanwhile, there was a positive contribution in the process of land surface temperature rise in Fuzhou while there was a negative contribution in Minqing and Yongtai. Forest/grassland, cultivated land, water body and wetland had a negative contribution during land surface temperature rise while construction land contributed positively. According to the multi-distance spatial cluster analysis (Ripley's K function), there was a certain scale in the aggregation and dispersion of land surface temperature, in which the aggregation range and degree of aggregation increased in the study area in 24 years.

Keywords: Thermal environment ; Contribution index ; Spatial pattern ; Scale effect

PDF (5699KB) 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

康文敏, 蔡芫镔, 郑慧祯. 福州城市地表温度时空变化与贡献度研究. 地球科学进展[J], 2020, 35(1): 88-100 DOI:10.11867/j.issn.1001-8166.2020.008.

Kang Wenmin, Cai Yuanbin, Zheng Huizhen. Spatial-temporal Patterns of Land Surface Temperature and Influencing Factors Contribution in Fuzhou City. Advances in Earth Science[J], 2020, 35(1): 88-100 DOI:10.11867/j.issn.1001-8166.2020.008.

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(https://earthexplorer.usgs.gov/)。为了匹配多光谱波段的分辨率,USGS在数据产品公布前已将热红外波段的分辨率重采样到30 m(表1)。4景影像获取时间为5~7月,均属于研究区夏季高温月份,卫星过境时间为当地上午10:10左右,天气晴朗无云,地物识别度高,成像质量较好,地温反演效果佳。影像的预处理主要包括几何校正、辐射定标、大气校正、波段融合和影像裁剪等。

表1   19932016年遥感影像数据

Table 1  Landsat data used from 1993 to 2016

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
1993-06-2609:55:00Landsat5 TM119/4230120
2000-05-0410:24:47Landsat7 ETM+119/423060
2008-07-0510:19:41Landsat5 TM119/4230120
2016-07-2710:32:31Landsat8 OLI/TIRS119/4230100

新窗口打开| 下载CSV


3 研究方法

3.1 土地利用/覆盖信息获取

依据《土地利用现状分类》(GB/T 21010-2017)标准,对照Google Earth同期高分辨率影像在研究区内均匀选取训练样本(400个),采用监督分类法中的最大似然法将研究区的土地利用/覆盖类型分为水体、林/草地、耕地、建设用地、湿地和裸地6类(图2)。利用ERDAS工具,采取分层随机分布法在研究区内生成300个抽样点,以同期高分辨率影像为底图,对分类结果进行人机交互验证,计算总体分类精度和Kappa系数。分类结果的总体分类精度大于85%,Kappa系数大于等于0.75,满足精度要求(表2)。

图2

图2   19932016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   19932016年土地利用/覆盖分类精度评价

Table 2  Land use/cover classification accuracy evaluation from 1993 to 2016

年份1993年2000年2008年2016年
总体分类精度/%92.6790.0089.3392.67
Kappa系数0.820.780.750.84

新窗口打开| 下载CSV


3.2 地表温度反演

国内外专家学者根据热红外遥感数据的差异,提出不同反演温度的算法,大致可归纳为4类:热辐射传输方法、单通道算法、多通道算法和劈窗算法[7,21]。本文主要采用覃志豪等[22]和胡德勇等[23]提出的单窗算法对Landsat 5、Landsat 7和Landsat 8的热红外波段进行LST反演。该反演算法相比于其他算法,具有反演精度高[24,25]、可操作性强[26]等优点,因此被广泛应用于热环境研究领域中。由于Landsat 8 TIRS第11波段的不确定性大于TIRS 10波段[27],故选择TIRS 10波段进行反演,步骤如公式(1)~(10):

(1)热红外波段灰度值(Digital Number,DN)转化为相应的辐射强度值:

Lλ=gain×DN+offset

式中:Lλ表示传感器接收到的热辐射强度[W/(m2·sr·μm)];DN表示热红外波段的像元灰度值;gainoffset分别为热红外波段对应的增益和偏置。

(2)热辐射强度值转化为亮度温度:

Tb=K2ln1+K1Lλ

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:

Ts=a×1-C-D+b×1-C-D+C+D×Tb-D×TaC 
C=τ×ε
D=1-π1+τ1-ε

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;CD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]

Ta=17.9769+0.91715T0

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(https://atmcorr.gsfc.nasa.gov/)和MODTRAN软件获取大气透射率[29]

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

ε=0.92,NDVI<0.2εvPv+εu1-Pv+dε,0.2NDVI0.50.99,NDVI>0.5
Pv=NDVI-NDVIminNDVImax-NDVImin2
dε=1-εu1-PvFεv

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;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。

LST=Ts-273.15

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]

TN=LST-LSTminLSTmax-LSTmin

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,LSTminLSTmax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

图3   19932016年地表温度等级分布图

Fig.3   Land surface temperature zones from 1993 to 2016


(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:

RLSTi=LSTi-LSTi¯

式中:RLSTi为第i年的相对地表温度(℃);LSTi为第i年的地表温度;LSTi¯为研究区第i年的平均地表温度;将RLST划分为6个等级,分别为RLST<0,0≤RLST<2,2≤RLST<4,4≤RLST<6,6≤RLST<8,RLST≥8(图4)。

图4

图4   19932016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:

CI=LSTi¯-LST¯×SiS

式中:i为5种地类;LST¯i为第i种地类地表平均温度;LST¯为研究区地表平均温度;Si为第i种类面积;S为研究区总面积。若CI≥0,第i种地类对LST升高作正贡献。若CI<0,第i种地类对LST升高作负贡献。

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。

D¯O=i=1ndin
D¯E=0.5n/A
NNR=D¯OD¯E

式中:D¯O为RLST之间的平均观测距离;D¯E为空间随机分布状况下RLST之间的平均期望距离;n为RLST点要素的数量;di为每个RLST点要素与其最邻近点要素的距离;A为研究区域面积。若NNR=1,RLST呈完全随机分布;若NNR<1,RLST呈集聚分布;若NNR>1,RLST呈分散分布。

3.4.2 多距离空间聚类分析

为保持方差的稳定性[45],采用Besag[46]提出的经开方变化后的Ripley’s L(d)代替Ripley’s K(d)。根据公式(17),基于地理信息系统空间统计功能,设置不同的空间尺度,利用已转换矢量点要素的RLST数据,计算Ld),并分析多尺度下以LST为表征的城市热环境空间分布特征。

Ld=Ai=1nj=1, j1nkijπnn-1-d

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Ld)>0,RLST点要素在对应尺度d上呈集聚分布;若Ld)<0,RLST点要素在对应尺度d上呈分散分布;若Ld)=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

图2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   19932016年土地利用/覆盖类型面积变化统计

Table 3  Area statistics of land use/cover types from 1993 to 2016

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289.422.58277.762.47252.172.24241.982.15-47.44-16.39
林/草地8 070.3771.838 264.2273.557 656.6568.157 772.8069.18-297.57-3.69
耕地2 400.2921.362 152.7619.161 816.3516.171 539.4213.70-860.87-35.87
建设用地416.833.71502.474.471 452.8612.931 647.8614.671 231.04295.33
湿地35.850.3233.860.3029.910.2728.430.25-7.42-20.71
裸地23.040.214.730.0427.860.255.310.05-17.73-76.97

新窗口打开| 下载CSV


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   19932016TN等级分区面积统计

Table 4  Area statistics of TN grades from 1993 to 2016

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2 558.28344.70101.3124.48-2 533.8
次低温区8 441.689 242.258 410.557 901.13-540.55
中温区233.501 552.572 411.322 914.702 681.2
次高温区2.2693.34297.50387.62385.36
高温区0.082.9415.127.877.79

新窗口打开| 下载CSV


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   19932016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。

以福州土地利用/覆盖类型为统计单元,结合土地利用/覆盖分类结果(图2),量化1993—2016年各地类对城市热环境所作的贡献(图7)。

图7

图7   19932016年各地类贡献度指数

Fig.7   Contribution index of different land use/cover types from 1993 to 2016


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   19932016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   19932016年平均最近邻比率(RLST>2) (300 m×300 m)

Table 5  Average nearest neighbor ratio from 1993 to 2016( RLST>2) (300 m×300 m)

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
1993年29 107333.09397.530.84-52.910.00
2000年24 097347.33435.370.80-60.050.00
2008年23 239338.33442.500.76-68.650.00
2016年21 756338.37458.940.74-74.130.00

新窗口打开| 下载CSV


图9

图9   19932016年不同RLST等级的NNR

Fig.9   NNR of different RLST grades from 1993 to 2016


表6   19932016RLST等级分区面积统计

Table 6  Area statistic of RLST grades from 1993 to 2016

RLST等级/℃面积/km2
1993年2000年2008年2016年
<06 478.075 938.516 193.587 011.65
0~22 147.633 139.562 945.922 267.21
2~41 983.441 395.871 096.05874.261
4~6436.804425.359443.222433.907
6~8114.124158.264239.815289.076
>875.732178.237317.213359.696

新窗口打开| 下载CSV


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Ld)函数分析(图10)。将LST在空间上出现随机分布时[Ld)=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,Ld)>0,表明LST呈现集聚趋势。反之,空间尺度大于临界值56 km时,Ld)<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,Ld)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   19932016RLSTRipleys Ld)函数(300 m×300 m

Fig.10   Ripleys L (d) functions of RLST from 1993 to 2016 (300 m×300 m)


表7   19932016年不同空间分辨率下的空间尺度临界值 km

Table 7  Critical values of spatial scale under different spatial resolutions from 1993 to 2016 km

年份空间分辨率大小
300 m×300 m600 m×600 m900 m×900 m1 200 m×1 200 m1 500 m×1 500 m
1993年5554545050
2000年5554545046
2008年5554545054
2016年6561625959

新窗口打开| 下载CSV


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:控制建设用地扩张,科学配置城市绿色用地。建设用地的扩张,以牺牲大量的城市绿色用地为代价,建设用地的扩张和城市绿地的损失均会导致LST上升,应当控制建设用地的大量扩张,科学合理种植绿色植被,提高城市的绿地率。合理优化城市空间布局。城市规划建设过程中,应当正确规划布局道路交通系统,控制建筑用地密度和高度,留出城市空间通风廊道,加快空气流性[49]严格落实湿地生态红线。完善湿地保护法律法规体系,设立湿地保护区,提升全民保护湿地意识,从而有效缓解城市化对湿地胁迫,实现湿地资源的可持续利用与发展。

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

Nations United.

World Urbanization Prospects 2018:Key Facts

[EB/OL]. [2019-10-21]. .

[本文引用: 1]

Intergovernmental Panel on Climate Change, Report Special:

Global Warming of 1.5ºC

[EB/OL]. [2019-10-21]. .

[本文引用: 1]

Hou Haoran, Ding Feng, Li Qinsheng.

Remote sensing analysis of changes of urban thermal environment of Fuzhou City in China in the past 20 years

[J]. Journal of Geo-information Science, 2018, 20(3): 385-395.

[本文引用: 1]

侯浩然, 丁凤, 黎勤生.

近20年来福州城市热环境变化遥感分析

[J]. 地球信息科学学报, 2018, 20(3): 385-395.

[本文引用: 1]

Ge Rongfeng, Wang Jingli, Zhang Lixiao, et al.

Impacts of urbanization on the urban thermal environment in Beijing

[J]. Acta Ecologica Sinica, 2016, 36(19): 6 040-6 049.

葛荣凤, 王京丽, 张力小, .

北京市城市化进程中热环境响应

[J]. 生态学报, 2016, 36(19): 6 040-6 049.

Wu Jia, Gao Xuejie, Han Zhenyu, et al.

Analysis of the change of comfort index over Yunnan Province based on effective temperature

[J]. Advances in Earth Science, 2017, 32(2): 174-186.

吴佳, 高学杰, 韩振宇, .

基于有效温度指数的云南舒适度变化分析

[J]. 地球科学进展, 2017, 32(2): 174-186.

Yang Hao, Meng Na, Wang Jing, et al.

Spatial-temporal morphology simulation of Beijing-Tianjin-Hebei urban agglomeration thermal environment based on Support Vector Machine

[J]. Journal of Geo-information Science, 2019, 21(2): 190-200.

[本文引用: 1]

杨浩, 孟娜, 王婧, .

基于支持向量机的京津冀城市群热环境时空形态模拟

[J]. 地球信息科学学报, 2019, 21(2): 190-200.

[本文引用: 1]

Yao Yuan, Chen Xi, Qian Jing.

Research progress on the thermal environment of the urban surfaces

[J]. Acta Ecologica Sinica, 2018, 38(3): 1 134-1 147.

[本文引用: 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): 1 134-1 147.

[本文引用: 1]

Yang Qiuming.

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]. Advances in Earth Science, 2018, 33(4): 385-395.

杨秋明.

长江下游夏季低频温度和高温天气的延伸期预报研究

[J]. 地球科学进展, 2018, 33(4): 385-395.

Deng Yuanhong, Wang Shijie, Bai Xiaoyong, et al.

Relationship among land surface temperature and LUCC, NDVI in typical karst area

[J]. Scientific Reports, 2018, 8(1): 641.

[本文引用: 1]

Voogt J A, Oke T R.

Thermal remote sensing of urban climates

[J]. Remote Sensing of Environment, 2003, 86(3): 370-384.

[本文引用: 1]

Xie Qijiao, Liu Jinhua, Hu Daohua.

Urban expansion and its impact on spatio-temporal variation of urban thermal characteristics: A case study of Wuhan

[J]. Geographical Research, 2016, 35(7): 1 259-1 272.

[本文引用: 1]

谢启姣, 刘进华, 胡道华.

武汉城市扩张对热场时空演变的影响

[J]. 地理研究, 2016, 35(7): 1 259-1 272.

[本文引用: 1]

Lv Zhiqiang, Qi Gangzhou.

Utility of Landsat image in the study of land cover and land surface temperature change

[J]. Procedia Environmental Sciences, 2011, 10: 1 287-1 292.

[本文引用: 1]

Yin Changying, Shi Yishao, Wang Hefeng, et al.

Impacts of urban surface morphology on thermal environment—A case study of Shanghai

[J]. Resources and Environment in the Yangtze Basin, 2015, 24(1): 97-105.

[本文引用: 1]

尹昌应, 石忆邵, 王贺封, .

城市地表形态对热环境的影响——以上海市为例

[J]. 长江流域资源与环境, 2015, 24(1): 97-105.

[本文引用: 1]

Chaudhuri G, Mishra N B.

Spatio-temporal dynamics of land cover and land surface temperature in Ganges-Brahmaputra delta: A comparative analysis between India and Bangladesh

[J]. Applied Geography, 2016, 68: 68-83.

[本文引用: 1]

Cai Yuanbin, Chen Yanhong, Tong Chuan.

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]. Urban Forestry & Urban Greening, 2019, 41333-343.

[本文引用: 2]

Fan Zhiyu, Zhan Qingming, Liu Huimin, 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]

樊智宇, 詹庆明, 刘慧民, .

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.

[本文引用: 1]

Zhou Xuande, Guo Huadong, Zibibula·Simayi.

Spatial pattern evolution of impervious surfaces and its influence on surface temperature in the process of urban expansion: A case study of Urumqi

[J]. Acta Ecologica Sinica, 2018, 38(20): 7 336-7 347.

[本文引用: 1]

周玄德, 郭华东, 孜比布拉司马义.

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]. 生态学报, 2018, 38(20): 7 336-7 347.

[本文引用: 1]

Kikon N, Singh P, Singh S K, et al.

Assessment of Urban Heat Islands (UHI) of Noida City, India using multi-temporal satellite data

[J]. Sustainable Cities and Society, 2016, 2219-28.

[本文引用: 1]

Zhu Yapeng, Wang Lin, Wei Baoli.

Study on the relationship between surface thermal environment and underlying surface in developing cities

[J]. Environmental Science & Technology, 2018, 41(Suppl.1): 318-324.

[本文引用: 1]

祝亚鹏, 王琳, 卫宝立.

发展中城市地表热环境与下垫面关系研究

[J]. 环境科学与技术, 2018, 41(增刊1): 318-324.

[本文引用: 1]

Fujian Bureau of Statistics.

Fujian Statistical Yearbook 2017

[DB/OL]. [2017-09-04]. . [

福建省统计局. 福建统计年鉴 2017

[DB/OL]. [2017-09-04]. ]

[本文引用: 1]

Zheng Huizhen, Chen Yanhong, Pan Wenbin, et al.

Land surface temperature fluctuation characteristics and key influencing factors in estuarine wetland

[J]. Chinese Journal of Ecology, 2018, 37(8): 238-248.

[本文引用: 1]

郑慧祯, 陈燕红, 潘文斌, .

河口湿地表面温度扰动特征及其关键影响因素

[J]. 生态学杂志, 2018, 37(8): 238-248.

[本文引用: 1]

Qin Zhihao, Zhang Minghua, Arnon K, et al.

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

[J]. Acta Geographica Sinica, 2001, 56(4): 456-466.

[本文引用: 1]

覃志豪, Zhang Minghua, Arnon K.

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, 56(4): 456-466.

[本文引用: 1]

Hu Deyong, Qiao Kun, Wang Xingling, et al.

Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm

[J]. Journal of Remote Sensing, 2015, 19(6): 964-976.

[本文引用: 1]

胡德勇, 乔琨, 王兴玲, .

单窗算法结合Landsat8热红外数据反演地表温度

[J]. 遥感学报, 2015, 19(6): 964-976.

[本文引用: 1]

Qin Z, Karnieli A, Berliner P.

A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region

[J]. International Journal of Remote Sensing, 2001, 22(18):3 719-3 746.

[本文引用: 1]

Shi Yurong, Zhang Yufeng.

Remote sensing retrieval of urban land surface temperature in hot-humid region

[J]. Urban Climate, 2018, 24: 299-310.

[本文引用: 1]

Li Bin, Wang Huimin, Qin Mingzhou, et al.

Comparative study on the correlations between NDVI, NDMI and LST

[J]. Progress in Geography, 2017, 36(5): 585-596.

[本文引用: 1]

李斌, 王慧敏, 秦明周, .

NDVI、NDMI与地表温度关系的对比研究

[J]. 地理科学进展, 2017, 36(5): 585-596.

[本文引用: 1]

Xu Hanqiu.

Change of Landsat 8 TIRS calibration parameters and its effect on land surface temperature retrieval

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

[本文引用: 1]

徐涵秋.

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]. 遥感学报, 2016, 20(2): 229-235.

[本文引用: 1]

Qin Zhihao, Li Wenjuan, Zhang Minghua, et al.

Estimating of the essential atmospheric parameters of Mono-window algorithm for land surface temperature retrieval from Landsat TM6

[J]. Remote Sensing for Land & Resources, 2003, 56(2): 37-43.

[本文引用: 1]

覃志豪, Li Wenjuan, Zhang Minghua, .

单窗算法的大气参数估计方法

[J]. 国土资源遥感, 2003, 56(2): 37-43.

[本文引用: 1]

Zheng Huizhen, Chen Yanhong, Ding Wei, et al.

Characteristics of land surface temperature disturbance and its relationship to built-up land expansion

[J]. Journal of Geo-information Science, 2018, 20(10): 1 529-1 540.

[本文引用: 2]

郑慧祯, 陈燕红, 丁威, .

地表温度扰动特性及其与建设用地扩张的关系

[J]. 地球信息科学学报, 2018, 20(10): 1 529-1 540.

[本文引用: 2]

Sobrino J A, Jiménez-Muñoz J C, Paolini L.

Land surface temperature retrieval from LANDSAT TM 5

[J]. Remote Sensing of Environment, 2004, 90(4): 434-440.

[本文引用: 1]

Yu Zhaowu, Yao Yawen, Yang Gaoyang, et al.

Spatiotemporal patterns and characteristics of remotely sensed region heat islands during the rapid urbanization (1995-2015) of Southern China

[J]. Science of the Total Environment, 2019, 674: 242-254.

[本文引用: 2]

Qiao Zhi, Tian Guangjin, Xiao Lin.

Diurnal and seasonal impacts of urbanization on the urban thermal environment: A case study of Beijing using MODIS data

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 85(2): 93-101.

Sun Ranhao, Chen Ailian, Chen Liding, et al.

Cooling effects of wetlands in an urban region: The case of Beijing

[J]. Ecological Indicators, 2012, 20: 57-64.

Du Jia, Song Kaishan, Yan Baohua.

Impact of Zhalong wetland on neighboring land surface temperature based on remote sensing and GIS

[J]. Chinese Geographical Science, 2019, 29(5): 798-808.

Yan Lili, Qu Chuanyan, Wen Shaoyan, et al.

A comparison study on annual variation of thermal infrared brightness temperature and land temperature from meteorological stations

[J]. Acta Seismologica Sinica, 2012, 34(2): 257-266.

闫丽莉, 屈春燕, 温少妍, .

卫星热红外亮温、气温及地温观测的年变变化对比研究

[J]. 地震学报, 2012, 34(2): 257-266.

Liu Fang, Yipei , Jiang Liming, et al.

Correlation analysis between MODIS brightness temperature and surface temperature provided by meteorological station

[J]. Seismology and Geology, 2010, 32(1):127-137.

刘放, 吕弋培, 江利明, .

MODIS亮温与气温及地温的相关性分析

[J]. 地震地质, 2010, 32(1):127-137.

Hou Yuchu, Zhang Dongyou.

Comparison study on land surface temperature retrieval algorithms based on landsat 8 remote sensing image

[J]. Chinese Agricultural Science Bulletin, 2019, 35(10): 142-147.

侯宇初, 张冬有.

基于Landsat8遥感影像的地表温度反演方法对比研究

[J]. 中国农学通报, 2019, 35(10): 142-147.

Sun Zongyao, Sun Xihua, Xu Xinliang, et al.

Study on the contribution of land use heterogeneity and change to regional thermal environment: A case study of Beijing-Tianjin-Hebei urban agglomeration

[J]. Ecology and Environmental Sciences, 2018, 27(7): 1 313-1 322.

[本文引用: 1]

孙宗耀, 孙希华, 徐新良, .

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]. 生态环境学报, 2018, 27(7): 1 313-1 322.

[本文引用: 1]

Barot S, Gignoux J, Menaut J C.

Demography of a savanna palm tree: Predictions from comprehensive spatial pattern analyses

[J]. Ecology, 1999, 80(6): 1987-2005.

[本文引用: 1]

Lancaster J.

Using neutral landscapes to identify patterns of aggregation across resource points

[J]. Ecography, 2006, 29(3):385-395.

[本文引用: 1]

Yu Zhaowu, Xiao Lishan, Guo Qinghai, et al.

Mountain county rural settlement landscape pattern change and spatial characteristics in rapid mountain urbanization process in Fujian Province

[J]. Acta Ecologica Sinica, 2016, 36(10): 3 021-3 031.

[本文引用: 1]

余兆武, 肖黎姗, 郭青海, .

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]. 生态学报, 2016, 36(10): 3 021-3 031.

[本文引用: 1]

Wu Jianguo.

Effects of changing scale on landscape pattern analysis: Scaling relations

[J]. Landscape Ecology, 2014, 19(2): 125-138.

[本文引用: 1]

Gao Kai, Zhou Zhixiang, Yang Yuping, et al.

Characteristics and changes of landscape pattern in Wuhan City based on Ripley’s K function

[J]. Chinese Journal of Applied Ecology, 2010, 21(10): 2 621-2 626.

[本文引用: 2]

高凯, 周志翔, 杨玉萍, .

基于Ripley K函数的武汉市景观格局特征及其变化

[J]. 应用生态学报, 2010, 21(10): 2 621-2 626.

[本文引用: 2]

Gao Chao, Jin Fengjun.

Spatial pattern and industrial characteristics of economic technological development areas in eastern coastal China

[J]. Acta Geographica Sinica, 2015, 70(2): 202-213.

[本文引用: 1]

高超, 金凤君.

沿海地区经济技术开发区空间格局演化及产业特征

[J]. 地理学报, 2015, 70(2): 202-213.

[本文引用: 1]

Duan Lühan, Du Debin, Huang Xiaoyu.

Spatial and temporal changes and influencing factors of the location of internet start-ups in Shanghai, China

[J]. Progress in Geography, 2019, 38(3): 383-394.

[本文引用: 1]

段吕晗, 杜德斌, 黄筱彧.

上海互联网新创企业的时空演化及影响因素

[J]. 地理科学进展, 2019, 38(3): 383-394.].

[本文引用: 1]

Besag J.

Spatial interaction and the statistical analysis of lattice systems

[J]. Journal of the Royal Statistical Society, 1974, 2(36): 192-236.

[本文引用: 1]

Qiu Guoyu, Zou Zhendong, Li Xiangze, et al.

Experimental studies on the effects of green space and evapotranspiration on urban heat island in a subtropical megacity in China

[J]. Habitat International, 2017, 68: 30-42.

[本文引用: 1]

Santamouris M, Ban-weiss G, Osmond P, et al.

Progress in urban greenery mitigation science-assessment methodologies advanced technologies and impact on cities

[J]. Journal of Civil Engineering and Management, 2018, 24(8): 638-671.

[本文引用: 1]

Han Dongrui, Xu Xinliang, Li Jing, et al.

Study on the security pattern of the heat environment and the influence of land use change in the Yangtze River Delta urban agglomeration

[J]. Journal of Geo-information Science, 2017, 19(1): 39-49.

[本文引用: 1]

韩冬锐, 徐新良, 李静, .

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]. 地球信息科学学报, 2017, 19(1): 39-49.

[本文引用: 1]

/