EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 9: 1548 - 1558

DOI: https://doi.org/10.12082/dqxxkx.2021.200757

"人居环境健康与GIS"

植被与不透水面的降温和增温效率分析方法

  • 李玉 1, 2 ,
  • 张友水 , 1, 2, *
展开
  • 1. 福建师范大学地理科学学院,福州 350007
  • 2. 福建师范大学地理研究所,福州 350007
*张友水（1974— ）,男,安徽含山人,教授,主要研究方向为资源与环境遥感。E-mail:

李 玉（1995— ）,女,山西太原人,硕士生,主要研究方向为资源与环境遥感。E-mail:

收稿日期: 2020-12-15

  网络出版日期: 2021-11-25

基金资助

福建省公益类科研院所专项(2019R1102)

福建省自然科学基金项目(2018J01739)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Cooling and Warming Efficiency of Vegetation and Impervious Surface

  • LI Yu 1, 2 ,
  • ZHANG Youshui , 1, 2, *
Expand
  • 1. School of Geographical Sciences, Fujian Normal University, Fuzhou 350007, China
  • 2. Institute of Geography, Fujian Normal University, Fuzhou 350007, China
*ZHANG Youshui, E-mail:

Received date: 2020-12-15

  Online published: 2021-11-25

Supported by

Public Welfare Research Institutes of Fujian Province(2019R1102)

Natural Science Foundation of Fujian Province(2018J01739)

Copyright

Copyright reserved © 2021.
Fold

摘要

基于遥感的城市热环境研究通常通过分析植被、不透水面和地表温度（Land Surface Temperature, LST ）的关系来进行。虽然植被的降温作用和不透水面的增温作用已受到普遍认可,但缺少针对降温和增温效率的定量研究,本研究采用地表降温率（Land Surface Cooling Rate, LSCR）和地表增温率（Land Surface Warming Rate, LSWR）量化植被降温效率和不透水面增温效率并对2017年江苏省南京市城市热环境进行分析。以Landsat 8 OLI 4期遥感影像为数据源,利用线性光谱混合分析法（Linear Spectral Mixture Analysis,LSMA）获取亚像元植被覆盖度（Fractional Vegetation Coverage, FVC）、不透水面覆盖度（Impervious Surface Percentage, ISP）并利用高分Google影像进行精度验证。结合地表温度（Land Surface Temperature, LST）反演结果计算各季总体LSCR和LSWR,分析不同LST对总体LSCR和LSWR的影响。最后,将FVC和ISP分别按照阈值平均划分为4个区间,计算各区间的LSCR和LSWR,并在此基础上分析不同区间LSCR和LSWR的变化情况。研究结果表明： ① LST与整体LSCR、LSWR正相关,夏季植被降温效应和不透水面增温效应最强,LSCR和LSWR分别为5.6%和5.1%;② 夏季各区间LSCR与FVC正相关,FVC为75%~100%时LSCR达到最大值7.5%;各区间LSWR与ISP负相关,ISP为75%~100%时LSWR达到最小值2.4%;③ 当FVC为0~25%,ISP为75%~100%时,可以充分发挥植被的降温效应,抑制不透水面的增温效应,是最佳的植被和不透水面组合方案。本研究采用的LSCR和LSWR分析方法可以从抑制地表温度上升的角度选择最佳的FVC和ISP区间,未来可基于此横向对比不同城市,并结合纬度、地形、气候、树种等因素对LSCR和LSWR的影响,进一步探索LSCR和LSWR的影响因子和变化规律。

关键词： 混合像元分解; 植被覆盖度; 不透水面; 地表降温率; 地表增温率; 地表温度反演; 城市热环境; 亚像元

本文引用格式

李玉 , 张友水 . 植被与不透水面的降温和增温效率分析方法[J]. 地球信息科学学报, 2021 , 23(9) : 1548 -1558 . DOI: 10.12082/dqxxkx.2021.200757

Abstract

Remote sensing based studies of urban thermal environment usually analyze the relationship among vegetation, impervious surface, and Land Surface Temperature (LST). Although the cooling effects of vegetation and warming effects of impervious surface have been widely recognized, quantitative studies on cooling and warming efficiencies are lacking. In this study, Land Surface Cooling Rate (LSCR) and Land Surface Warming Rate (LSWR) were used to quantify the cooling efficiency of vegetation and the warming efficiency of impervious surface, respectively. Taking the central urban area of Nanjing, Jiangsu Province in 2017 as the research area, Landsat 8 OLI remote sensing data of four dates were selected as the data source. Firstly, Linear Spectral Mixture Analysis (LSMA) was used to obtain Fractional Vegetation Coverage (FVC) and Impervious Surface Percentage (ISP). High-resolution Google earth images were used for precision verification. Then, with LST inversion results, the LSCR and LSWR of each season were calculated, and the influence of different LSTs on the LSCR and LSWR was analyzed. Finally, using a thresholding method, FVC and ISP were divided into four intervals of 0%~25%, 25%~50%, 50%~75% and 75%~100%. The LSCR and LSWR of each interval were calculated. On this basis, the changes of LSCR and LSWR of different intervals were analyzed. The results show that: (1) LST is positively correlated with the overall LSCR and LSWR. The cooling effect of vegetation and the warming effect of impervious layer are the strongest in summer, with LSCR being 5.6% and LSWR being 5.1%. (2) In summer, LSCR in every interval is positively correlated with FVC. When FVC is 75%~100%, LSCR reaches the maximum value of 7.5%. In addition, LSWR in every interval is negatively correlated with ISP in summer. When ISP is 75%~100%, LSWR reaches the minimum value of 2.4%. (3) In the future planning, the cooling effect of vegetation can best inhibit the warming effect of impervious surface when FVC is 0%~25% while ISP is 75%~100%, which is the best areal combination of vegetation and impermeable surface. The LSCR and LSWR analysis methods adopted in this study can select the best FVC and ISP intervals from the perspective of preventing the rise of surface temperature. Based on this, different cities can be compared with each other in the future. Considering the impacts of latitude, topography, climate, tree species, etc. on LSCR and LSWR, we can further explore the influencing factors and changing rules of LSCR and LSWR.

Key words： Key Words: mixed pixel decomposition; vegetation coverage; impervious surface; land surface cooling rate; land surface warming rate; land surface temperature retrieval; urban thermal environment; sub-pixel

1 引言

由于人口数量激增和经济水平提高,作为所有人为引起的景观变化中最剧烈和不可逆转的形式[1],城市化进程不断加快,破坏了原有绿地、扩大了不透水面并影响着河湖水系[2],在激化城市建设与自然生态环境间矛盾的同时,更是加剧了城市热岛效应[3],造成城市极端高温,对人类健康与城市社会发展产生了严重威胁[4,5]。而植被和不透水面作为城市地区重要的LST影响因子[6,7],对缓解城市化对环境带来的压力、削弱热岛效应,提高城市应对气候变化的适应能力具有重要作用。因此研究城市植被和不透水面对LST的影响,分析城市热环境,合理配置城市植被和不透水面已成为当前研究的 要点[8,9]。
随着传感器设计的进步和数据处理算法的发展,遥感技术在分析植被和不透水面对城市热环境的影响方面得到了广泛的应用。学者们利用遥感技术从植被和不透水面角度进行了大量的城市热环境研究[10,11,12,13]。其中,植被和不透水面提取方法大致可以分为3类：指数法、硬分类法和光谱混合分析（Spectral Mixture Analysis, SMA）方法。指数法受实验者主观影响小且操作简单,在早期很多学者把NDVI作为城市气候研究重要指标[14,15],在此基础上厉华[16]和PAL[17]加入了归一化建筑指数（Normalized Difference Build-up Index, NDBI）[18,19,20]研究地表城市热岛效应。但是指数法往往针对单一地物进行计算,硬分类法可以同时提取多类地物。如王佳等[21]通过面向对象的分类方法划分土地覆盖,并对不同土地覆盖比例与地表温度的关系进行拟合。但硬分类法使单个像元只能被分到一个类,无法解决混合像元的问题。SMA分解混合像元可以估计亚像元成分[22],如Chen等[23]利用LSMA提取不透水地表信息并得到了较好的效果。Erin量化植被和不透水面的亚像元组分并利用同时收集的热成像对LST变化进行建模[24]。另外,Weng等[10]开发了一种基于光谱解混模型的分析程序,用于表征和量化城市景观变化,以分析不透水地表和植被盖度的历史形态变化与LST发生的关系。考虑到许多可用的遥感图像数据分辨率限制和地表的非均质性,往往存在大量混合像元,因此利用SMA进行亚像元分析对于量化植被覆盖和不透水面覆盖是必要的。
本文首先利用LSMA计算研究区四季FVC、ISP并利用Google影像进行精度验证;其次反演LST并建立FVC-LST和ISP-LST线性回归方程,分析各季不同LST下总体LSCR和LSWR的变化情况;然后计算各FVC和ISP区间下的LSCR和LSWR,研究不同FVC和ISP对LSCR和LSWR的影响及季节差异;最后综合研究结果,分析以植被和不透水面组合作为城市热岛缓解战略的可行性,制定植被和不透水面组合方案。

2 研究区概况、数据源及研究方法

2.1 研究区概况

研究区域为南京市中心城区（图1）,位于我国长江下游中部,主要包括鼓楼区、秦淮区、玄武区、栖霞区和浦口区,整个城区沿长江向东北、西南两个方向扩展,长江以南地区城区分布更为密集。地形以平原、低山为主,地势整体较低。气候为亚热带季风气候,四季分明,温差较大。一年中,城市热岛出现概率基本在80%左右,具有明显的季节变化特征[25]。因此选择该区域对分析不同季节LST、FVC和ISP对LSCR和LSWR的影响具有代表意义。
图1 南京市2017年3月Landsat 8遥感影像

Fig. 1 Landsat 8 remote sensing images of Nanjing in March 2017

2.2 数据源及数据预处理

本研究采用地理空间数据云网站（ http://www.gscloud.cn）下载的南京市2017年Landsat 8 OLI 4期影像,成像日期分别为3月15日、7月21日、10月9日、12月12日,多光谱波段空间分辨率为30 m,热红外波段通过3次卷积插值方法处理后的空间分辨率也为30 m。对Landsat 8 OLI影像进行辐射定标,进而利用FLAASH大气校正模型进行大气校正,获取地表反射率。此外,利用2017年3月的Google影像（空间分辨率为8 m）对Landsat 8 OLI植被和不透水面提取结果进行精度验证。所有影像统一规范为地理坐标系GCS_WGS_1984,投影坐标WGS_1984_UTM_Zone_50N,并以Google影像为基准进行配准,误差控制在0.5个像元（15 m）以内。

2.3 研究方法

2.3.1 基于LSMA的植被和不透水面获取
由于单一像元内往往存在多个分量之间的电磁辐射相互作用,严重影响遥感解译[26],因此本研究基于LSMA提取植被和不透水面。LSMA作为一种基于物理的图像处理方法,将像元的光谱特征看作是像元内各个纯净端元光谱特征的简单线性组合,其数学模型为：
R = ∑ i = 1 n f i R i + b
式中：R为混合像元反射率;n为混合像元内端元的总数;fi为端元i的权重;Ri为端元i的反射率;b为残差。通过建立线性光谱混合模型,从影像中提取各个端元的光谱特征来计算回归系数,从而提取混合像元的光谱组分,最后得出各端元在该混合像元中的比例。
在混合像元分解中,端元类别的选择和提取具有重要的意义。基于Ridd的V-I-S[27]模型可以将城市划分为植被、不透水面和土壤,由于城市环境的光谱响应不同,根据不透水地表反照率的差异,使用高、中和低3类端元代表不透水面,因此本研究选择植被、高反射率不透水面、中反射率不透水面、低反射率不透水面和裸地5种端元。其中由于部分低反照率不透水面和水体的光谱特征十分相似,因此在采用线性光谱混合分析方法提取不透水面之前,先进行水体掩膜。采用改进的归一化水体指数(Modified Normalized Difference Water Index, MNDWI)[28]提取水体,对影像进行水体掩膜。
MNDWI = G r een - MIR Green + MIR
式中：Green和MIR分别代表绿光波段和短波红外波段的像元亮度值。
通过最小分量变换（Minimum Noise Fraction, MNF）[29]减少噪声,提取出包含大部分信息量的前5个分量计算像元纯净指数（Pixel Purity Index, PPI）以提取影像中的纯净像元,利用信噪比较高的分量结合PPI计算获取的像元纯度图像建立n维散点图进一步提升样本像元纯度,并进行端元选择,在此基础上进行线性混合像元分解获取FVC图（图2）和ISP图（图3）,其中由于2017年南京市不透水面变化较小,因此采用3月ISP提取结果。
图2 南京市FVC分布

Fig. 2 Distribution diagram of fractional vegetation coverage (FVC) in Nanjing

图3 2017年南京市ISP分布

Fig. 3 Distribution diagram of impervious surface percentage (ISP) in Nanjing (2017)

2.3.2 植被和不透水面提取结果的精度验证方法
本研究在研究区范围内选择5个测试区（图1）,采用2017年3月Google高分影像的监督分类结果作为参考,评价Landsat 8 OLI遥感影像下的ISP和FVC计算结果的准确性。由于研究区仅有2017年3月的高分影像,因此仅对3月Landsat影像获取的FVC和ISP进行精度验证,该精度验证结果可代表研究区4期影像的亚像元信息获取精度。在影像配准的基础上,利用eCognition软件对Google影像进行图像分割,并在此基础上进行分类,以Google影像分类结果中的植被面积和不透水面积（Impervious Surface Area, ISA）作为地表类型真值,与Landsat 8 OLI影像利用FVC和ISP计算后的植被面积和ISA对比以评价植被和不透水面的提取精度。利用FVC计算植被面积方法如下：
S V = ∑ i = 1 n N i × FV C i × X 2
式中：SV为植被总面积;Ni为各FVC值对应的像元总数;FVCi为植被覆盖度;X为像元分辨率,此处影像为Landsat 8 OLI,像元分辨率为30 m。利用ISP计算ISA方法如下：
S I = ∑ i = 1 n M i × IS P i × X 2
式中：SI为不透水面总面积;Mi为各ISP值对应的像元总数;ISPi为不透水面覆盖度。
结果表明（表1）,在测试区内Landsat 8 OLI影像和Google影像植被面积和ISA提取结果相近,植被面积分类误差小于9%,而ISA分类误差小于5%。Google植被提取结果普遍高于Landsat 8 OLI提取结果是由于高分辨率影像可以更好区分和提取建筑物、道路附近的小面积植被,而ISA提取误差主要是空间分辨率差异带来的小尺度差异。
表1 2017年3月南京市植被和不透水面提取精度验证

Tab. 1 Accuracy verification of vegetation and impervious surface extraction in Nanjing in Mar. 2017

测试区 Landsat OLI 提取结果/km2 Google 提取结果/km2 平均差异/%([Landsat 8 OLI-Google]/Google)
植被面积 ISA 植被面积 ISA 植被面积 ISA
1 1.588 1.001 1.647 0.993 -3.6 0.8
2 1.123 1.096 1.166 1.147 -3.7 -4.4
3 0.999 1.225 1.094 1.274 -8.7 -3.8
4 0.799 1.734 0.856 1.738 -6.7 -0.2
5 0.627 2.142 0.650 2.105 -3.5 1.8
2.3.3 LST反演
本文基于辐射传输方程法（Radiative Transfer Equation, RTE）进行LST反演。从卫星传感器所观测到的热辐射总量中减去大气对地表热辐射的估算影响,得到地表热辐射强度,并转化为相应的LST。
辐射传输方程：
L λ = [ εB ( T S ) + ( 1 - ε ) L ↓ ] τ + L ↑
式中：Lλ为卫星传感器接收到的热红外辐射亮度值;ε为地表比辐射率;Ts为地表真实温度/K;B(Ts)为黑体热辐射亮度;τ为大气在热红外波段的透过率; L↑、L↓分别是大气向上和向下的辐射亮度。
温度为T的黑体在热红外波段的辐射亮度B(Ts)为：
B ( T S ) = [ L λ - L ↑ - τ ( 1 - ε ) L ↓ ] / τε
Ts可以用普朗克公式的函数获取,其中对于TIRS Band10,K1 = 774.8853 W/(m2*µm*sr),K2 = 1321.0789 K：
T S = K 2 / ln ( K 1 / B ( T S ) + 1 )
综上可提取2017年南京市四季LST（图4）。
图4 2017年南京市LST图

Fig. 4 Land Surface Temperature map of Nanjing in 2017

2.3.4 LSCR和LSWR
为了量化植被的降温效应和不透水面的增温效应,本研究采用了Wang等[30]定义的地表降温率（LSCR）,即表示为LST的负面变化与FVC变化的比值：
LSCR = - Δ LST / Δ FVC
另外定义了地表增温率（LSWR）,为LST随ISP增加而产生的变化,即表示为LST的正面变化与ISP变化的比值：
LSWR = Δ LST / Δ ISP
通过FVC、ISP和LST之间的简单线性回归,斜率可以推导出来。另外,本研究中所有的简单线性回归模型都基于最小二乘法,R2用于描述降温、增温趋势线的拟合程度。

3 结果与分析

3.1 不同LST下的LSCR和LSWR分析

城市植被的降温效应取决于多种因素,包括其生理和物候特征、城市背景、气候和地理背景[22],因此需要固定研究区以削弱其他变量的影响。本研究基于南京市2017年四季FVC提取结果,以1%为区间分区统计地表平均温度,并建立各季FVC-LST线性回归模型（图5）。研究表明,一年四季FVC与LST总体上呈负相关关系,其中夏季（7月）和秋季（10月）LST随着FVC的升高而不断降低,而春季（3月）和冬季（12月）FVC在0~75%时LST随着FVC的升高而降低,FVC在75%~100%时LST均出现小幅度回升。
图5 不同FVC与对应的平均LST

Fig. 5 Different Fractional Vegetation Coverage (FVC) and corresponding mean Land Surface Temperature (LST)

不透水面作为一种重要的城市土地覆盖特征,不仅反映了城市化的程度,而且是城市化对地表热环境影响的主要因素[31]。本研究基于南京市2017年ISP提取结果,以1%为区间分区统计平均LST,并建立四季ISP-LST线性回归模型（图6）。研究表明,一年四季ISP与LST总体上呈正相关关系,但在ISP为75%~100%时,LST升温缓慢,甚至在春、秋两季是出现小幅度的降温现象。这种现象出现的原因一方面是混合像元分解过程中不可避免的误差导致部分裸地被错分为不透水面,裸地LST较低,另一方面是春、秋两季太阳高度角低,高密度不透水区域又多为高楼林立,因此受阴影影响较为明显。
图6 不同ISP与对应的平均LST

Fig. 6 Different Impervious Surface Percentage (ISP) and corresponding mean Land Surface Temperature (LST)

另外,分别对比各季FVC-LST线性回归方程斜率和ISP-LST线性回归方程斜率,可得出不同季节的总体LSCR、LSWR不同。由于城市植被气孔内的饱和蒸汽压会随温度升高而升高,会导致高温时会有更高的叶空气蒸汽压梯度和更强的冷却效应,而在寒冷天气中则相反,因此不同季节具有差异性的LST会对LSCR产生影响,LSCR随着LST的升高而升高（图7）。研究区夏季平均LST为40.2 ℃,LSCR达到最高（5.6%）,秋季和春季平均LST较低（分别为29.7 ℃和18.1 ℃）,LSCR分别为3.1%和2.3%,而冬季平均LST最低（9.6 ℃）,LSCR也为最低（1.4%）。
图7 南京市LST和LSCR、LSWR关系

Fig. 7 Diagram of Land Surface Temperature (LST), Land Surface Cooling Rate (LSCR) and Land Surface Warming Rate (LSWR) in Nanjing

由于夏季太阳辐射强烈导致LST较高,而不透水面比热容小,吸收的热量越多,升温速度越快,因此不同季节不同的LST会对LSWR产生影响,LSWR随着LST的升高而升高（图7）。LSWR在夏季达到最大值（5.1%）,秋季和春季LSWR次之（分别为2.7%和2.3%）,而冬季LSWR最低（0.8%）。
综上所述,植被和不透水面分别对LST有降温和增温效应,且在不同季节存在差异。因此可以进一步划分FVC和ISP,计算不同区间下的LSCR和LSWR,以探索不同地类覆盖密度下城市适应气候变化的潜力,从适应气候变化的角度为城市规划提供参考。

3.2 各季不同FVC区间的LSCR分析

由于FVC和LST在整个0~100%FVC范围内并不是完全的负线性关系（图5）,而在小范围内线性关系更强,因此为了准确计算LSCR并探索FVC-LSCR关系,将FVC平均分为4个区间（0~25%,25%~50%,50%~75%和75%~100%）,统计研究区不同季节各FVC区间下的LSCR（表2）。研究表明,各季节下FVC和LSCR不是简单的线性相关关系。春、冬两季时FVC与LSCR负相关,FVC的升高伴随着植被降温效应的削弱,LSCR的最大值在FVC为0~25%时取得（分别为4.7%和3.6%）,最小值在FVC为75%~100%时取得（分别为-0.4%和-1.2%）,植被的降温效应较弱且变化幅度大（分别为5.1%和4.8%）。秋季FVC与LSCR大致呈负相关,且植被的降温效应变化幅度最小（1.5%）,LSCR在0~25%和25%~50%FVC范围内相同（3.7%）。夏季植被的降温效应明显高于其他三季,且FVC与LSCR正相关,FVC的升高伴随着植被降温效应的增强,FVC为75%~100%时LSCR达最大值（7.5%）,FVC为0-25%时LSCR达最小值（3.7%）,而在FVC为25%~50%和50%~75%时,LSCR仅上涨了0.2%（分别为5.3%和5.5%）。这说明在25%~50%和50%~75%FVC的区域,植被的降温效应较强且差异较小。根据不同FVC区间内LSCR的变化情况,可为建立城市绿化和景观规划方案为缓解热岛效应提供参考。
表2 2017年南京市各季不同FVC区间下的地表降温速率

Tab. 2 Land Surface Cooling Rate (LSCR) under different Fractional Vegetation Coverage (FVC) intervals in Nanjing (2017)

季节 LSCR/%
0~25% FVC 25%~50% FVC 50%~75% FVC 75%~100% FVC 变化幅度
(max - min)
春（3月） 4.7 2.6 2.2 -0.4 5.1
夏（7月） 3.7 5.3 5.5 7.5 3.8
秋（10月） 3.7 3.7 2.4 2.2 1.5
冬（12月） 3.6 2.9 0.4 -1.2 4.8

3.3 各季不同ISP区间的LSWR分析

ISP可以用来衡量城市发展水平,ISP越高,城市密度及城市化水平越高,而LSWR作为衡量不透水面增温效应强弱的一项指标,对比不同ISP阈值下的LSWR可以得到不同城市密度下的LSWR差异,引入各季数据可以分析季节变化对不透水面增温效应的影响。为了使城市规划和扩张更适应气候变化,分析ISP和季节变化对LSWR的影响具有重要意义。
同样将ISP平均分为4个区间并统计研究区不同季节各ISP区间下的LSWR（表3）。研究表明,ISP和LSWR不是简单的线性相关关系。春、冬两季时,LSWR的变化较为复杂,其最大值均在ISP为50%~75%时取得（分别为1.8%和1.1%）,而最小值则在ISP为75%~100%时取得（均为-0.1%）,不透水面的增温效应较弱且变化幅度小（分别为1.9%和1.2%）。夏、秋两季时ISP和LSWR负相关,且夏季LSWR的变化幅度明显大于其他三季（5.8%）。夏季ISP为0~25%时LSWR达最大值（8.2%）,ISP为75%~100%时LSWR达最小值（2.4%）,而在ISP为25%~50%和50%~75%时,LSWR仅下降了0.3%（分别为5.4%和5.1%）。这说明在25%~50%和50%~75%ISP的区域,不透水面的增温效应较强且差异较小,这一点与夏季25%~50%和50%~75%FVC区域内LSCR的变化相似,这一发现有助于城市规划和缓解热岛效应,减少相关疾病的发生。
表3 2017年南京市各季不同ISP区间下的地表增温速率

Tab. 3 Land surface warming rate (LSWR) under different impervious surface percentage (ISP) thresholds in Nanjing (2017)

季节 LSWR/%
0~25% ISP 25%~50% ISP 50%~75% ISP 75%~100% ISP 变化幅度
(max - min)
春（3月） 1.7 1.3 1.8 -0.1 1.9
夏（7月） 8.2 5.4 5.1 2.4 5.8
秋（10月） 3.2 2.6 2.3 1.7 1.5
冬（12月） 0.8 0.9 1.1 -0.1 1.2

3.4 在城市规划中以植被和不透水面组合作为城市热岛缓解对策的可行性

由于FVC-LSCR和ISP-LSWR的关系受季节变化影响,考虑到夏季城市热岛效应更为强烈,极端高温频繁出现,因此以夏季（7月21日）为例,对比2017年南京市不同区间FVC和ISP的LSCR和LSWR（图8）,研究能充分发挥植被LSCR,抑制不透水面LSWR的植被和不透水面组合方案。
图8 2017年7月南京市FVC和对应ISP下的LST变化情况

Fig. 8 Land Surface Temperature (LST) changes under Fractional Vegetation Coverage (FVC) and corresponding Impervious Surface Percentage (ISP) in Nanjing in July 2017

研究区当日平均LST为35.38 ℃~42.72 ℃,FVC与LST的相关性较强（R2均大于0.97）,因此单从夏季来看FVC对LST影响显著,且FVC越高,LSCR越高,越有利于缓解城市热岛效应。在FVC为75%~100%时LSCR最高,达7.5%,LSCR得到充分的发挥,但是城市实际FVC受到其他地类建设现状的影响,尤其是不透水面,考虑到城市不透水面主要包括沥青、水泥道路、建筑物屋顶等不易改变现有覆盖的地类组成,且ISP与LST的相关性也较强（R2均大于0.83）,因此缓解热岛效应必须综合分析植被和不透水面的降温、增温效应。由于ISP越高,LSWR越低,ISP为75%~100%时,LSWR达到最小值（2.4%）,高ISP区域的LSWR受到抑制。
由于研究区内水体已利用掩膜剔除,现有裸地可用于植被种植以进一步增加FVC以降低LST,因此从植被和不透水面的角度,研究2017年南京市不同FVC和ISP组合方案下LST的变化情况,方案必须满足约束条件FVC+ISP<1。当FVC为0~25%时,LSCR为3.7%,只有在ISP为75%~100%时（LSWR为2.4%）,LSCR>LSWR,植被的降温效应强于不透水面的增温效应,ISP为0~75%时植被的降温效应均弱于不透水面的增温效应;当FVC为25%~50%时,LSCR为5.3%,只有在ISP为50%~75%时（LSWR为5.1%）,LSCR>LSWR,ISP为0-50%时植被的降温效应均弱于不透水面的增温效应;当FVC为50%~75%时,LSCR为5.5%,只有在ISP为25%~50%时（LSWR为5.4%）,LSCR>LSWR,ISP为0-25%时植被的降温效应均弱于不透水面的增温效应;当FVC为75%-100%时,LSCR为7.5%,ISP最高为0~25%（LSWR为8.2%）,LSCR<LSWR,植被的降温效应均弱于不透水面的增温效应。综上所述。当FVC为0~25%,ISP为75%~100%时,植被影响下的LSCR高于不透水面影响下的LSWR,且二者差值达到最大值（1.3%）,因此在建设新城区时,参考该方案可以充分发挥植被的降温效应,抑制不透水面的增温效应。

4 结论

本研究采用LSMA方法从Landsat 8 OLI数据中提取亚像元FVC和ISP,并利用Google高分影像通过测试区域对其精度进行评估。结合LST反演结果计算各季总体LSCR和LSWR,并分析LST对LSCR及LSWR造成的影响。为了进一步探索FVC-LSCR、ISP-LSWR关系,将亚像元FVC和ISP平均划分为4个区间,计算各区间LSCR和LSWR。与以往分析LST与植被和不透水面之间关系的研究不同,本研究比较了不同季节不同FVC和ISP区间下的LSCR和LSWR,为探讨城市覆被的影响提供了一种新的方法,在量化植被降温效应和不透水面增温效应的基础上,研究不同LST对研究区内总体LSCR和LSWR的影响、FVC-LSCR和ISP-LSWR间的关系及季节差异,并为城市规划提出了植被和不透水面组合方案,主要结论如下：
（1）LST分别与总体LSCR、LSWR呈正相关关系,夏季植被降温效应和不透水面增温效应最强,LSCR和LSWR分别为5.6%和5.1%。另外,LSCR大于LSWR,说明研究区内夏季植被的降温效应强于不透水面的增温效应。
（2）FVC-LSCR和ISP-LSWR均不是简单的线性相关关系。春、秋、冬三季FVC和LSCR负相关,植被的降温效应较弱,其中春、冬两季植被的降温效应变化幅度大,秋季植被的降温效应变化幅度最小;夏季FVC和LSCR正相关,75%~100%FVC下的LSCR最高。另外,春、冬两季LSWR的变化较为复杂,不透水面的增温效应较弱且变化幅度小;夏、秋两季时ISP和LSWR负相关,且夏季LSWR的变化幅度明显大于其他三季,四季LSWR的最小值均在ISP为75%~100%时取得。
（3）在未来城市规划中,当FVC为0~25%,ISP为75%~100%时,可以充分发挥植被的降温效应,抑制不透水面的增温效应,是最佳的植被和不透水面组合方案。
综上所述,本研究利用LSCR和LSWR分析城市热环境,探索城市在不同地类覆盖密度下对气候的适应能力,并选择高效抑制地表温度上升的FVC和ISP区间,为城市规划提供参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Seto K C, Fragkias M, Güneralp B, et al. A meta-analysis of global urban land expansion[J]. PLoS One, 2011, 6(8):e23777.

DOI

[2]
Grimm N B, Faeth S H, Golubiewski N E, et al. Global change and the ecology of cities[J]. Science, 2008, 319(5864):756-760.

DOI

[3]
彭少麟, 周凯, 叶有华, 等. 城市热岛效应研究进展[J]. 生态环境, 2005, 14(4):574-579.

[ Peng S L, Zhou K, Ye Y H, et al. Research progress in urban heat island[J]. Ecology and Environment, 2005, 14(4):574-579. ]

[4]
刘建军, 郑有飞, 吴荣军. 热浪灾害对人体健康的影响及其方法研究[J]. 自然灾害学报, 2008, 17(1):151-156.

[ Liu J J, Zheng Y F, Wu R J. Impacts of heat waves disaster on human health and its research method[J]. Journal of Natural Disasters, 2008, 17(1):151-156. ]

[5]
黄晓军, 王博, 刘萌萌, 等. 中国城市高温特征及社会脆弱性评价[J]. 地理研究, 2020, 39(7):1534-1547.

DOI

[ Huang X J, Wang B, Liu M M, et al. Characteristics of urban extreme heat and assessment of social vulnerability in China[J]. Geographical Research, 2020, 39(7):1534-1547. ]

[6]
Osborne P E, Alvares-Sanches T. Quantifying how landscape composition and configuration affect urban land surface temperatures using machine learning and neutral landscapes[J]. Computers, Environment and Urban Systems, 2019, 76:80-90.

DOI

[7]
Zhou W Q, Qian Y G, Li X M, et al. Relationships between land cover and the surface urban heat island: Seasonal variability and effects of spatial and thematic resolution of land cover data on predicting land surface temperatures[J]. Landscape Ecology, 2014, 29(1):153-167.

DOI

[8]
Weng Q H, Rajasekar U, Hu X F. Modeling urban heat Islands and their relationship with impervious surface and vegetation abundance by using ASTER images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10):4080-4089.

DOI

[9]
Yuan F, Bauer M E. Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery[J]. Remote Sensing of Environment, 2007, 106(3):375-386.

DOI

[10]
Weng Q H, Lu D S. A sub-pixel analysis of urbanization effect on land surface temperature and its interplay with impervious surface and vegetation coverage in Indianapolis, United States[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(1):68-83.

DOI

[11]
Chen X L, Zhao H M, Li P X, et al. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes[J]. Remote Sensing of Environment, 2006, 104(2):133-146.

DOI

[12]
Xiao R B, Ouyang Z Y, Zheng H, et al. Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing, China[J]. Journal of Environmental Sciences, 2007, 19(2):250-256.

DOI

[13]
Yuan F, Bauer M E. Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery[J]. Remote Sensing of Environment, 2007, 106(3):375-386.

DOI

[14]
Gallo K P, McNab A L, Karl T R, et al. The use of NOAA AVHRR data for assessment of the urban heat island effect[J]. Journal of Applied Meteorology, 1993, 32(5):899-908.

DOI

[15]
万继康. 基于城市地表温度与归一化植被指数对北京市建成区热环境分析[J]. 测绘与空间地理信息, 2020, 43(1):72-75.

[ Wan J K. Study on relationship between urban land surface temperature and normalized differential vegetation index[J]. Geomatics & Spatial Information Technology, 2020, 43(1):72-75. ]

[16]
历华, 柳钦火, 邹杰. 基于MODIS数据的长株潭地区NDBI和NDVI与地表温度的关系研究[J]. 地理科学, 2009, 29(2):262-267.

DOI

[ Li H, Liu Q H, Zou J E. Relationships of LST to NDBI and NDVI in Changsha-Zhuzhou-Xiangtan area based on MODIS data[J]. Scientia Geographica Sinica, 2009, 29(2):262-267. ]

[17]
Pal S, Ziaul S. Detection of land use and land cover change and land surface temperature in English Bazar urban centre[J]. The Egyptian Journal of Remote Sensing and Space Science, 2017, 20(1):125-145.

DOI

[18]
杨山. 发达地区城乡聚落形态的信息提取与分形研究——以无锡市为例[J]. 地理学报, 2000, 55(6):671-678.

DOI

[ Yang S. On extraction and fractal of urban and rural residential spatial pattern in developed area[J]. Acta Geographica Sinica, 2000, 55(6):671-678. ]

[19]
查勇, 倪绍祥, 杨山. 一种利用TM图像自动提取城镇用地信息的有效方法[J]. 遥感学报, 2003, 7(1):37-40,82.

[ Zha Y, Ni S X, Yang S. An effective approach to automatically extract urban land-use from TM lmagery[J]. Journal of Remote Sensing, 2003, 7(1):37-40,82. ]

[20]
Zha Y, Gao J, Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J]. International Journal of Remote Sensing, 2003, 24(3):583-594.

DOI

[21]
王佳, 钱雨果, 韩立建, 等. 基于GWR模型的土地覆盖与地表温度的关系——以京津唐城市群为例[J]. 应用生态学报, 2016, 27(7):2128-2136.

[ Wang J, Qian Y G, Han L J, et al. Relationship between land surface temperature and land cover types based on GWR model: A case of Beijing-Tianjin-Tangshan urban agglomeration, China[J]. Chinese Journal of Applied Ecology, 2016, 27(7):2128-2136. ]

DOI PMID

[22]
Settle J J, Drake N A. Linear mixing and the estimation of ground cover proportions[J]. International Journal of Remote Sensing, 1993, 14(6):1159-1177.

DOI

[23]
Chen X G, Sun H J, Yang H, et al. Urban spatial growth analysis from satellite-derived imperviousness in an oasis city [C]//2010 The 2nd Conference on Environmental Science and Information Application Technology. IEEE, 2010:517-520.

[24]
Wetherley E B, McFadden J P, Roberts D A. Megacity-scale analysis of urban vegetation temperatures[J]. Remote Sensing of Environment, 2018, 213:18-33.

DOI

[25]
邱新法, 顾丽华, 曾燕, 等. 南京城市热岛效应研究[J]. 气候与环境研究, 2008, 13(6):807-814.

[ Qiu X F, Gu L H, Zeng Y, et al. Study on urban heat island effect of Nanjing[J]. Climatic and Environmental Research, 2008, 13(6):807-814. ]

[26]
Somers B, Asner G P, Tits L, et al. Endmember variability in Spectral Mixture Analysis: A review[J]. Remote Sensing of Environment, 2011, 115(7):1603-1616.

DOI

[27]
Ridd M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: Comparative anatomy for cities[J]. International Journal of Remote Sensing, 1995, 16(12):2165-2185.

DOI

[28]
Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(14):3025-3033.

DOI

[29]
Green A A, Berman M, Switzer P, et al. A transformation for ordering multispectral data in terms of image quality with implications for noise removal[J]. IEEE Transactions on Geoscience and Remote Sensing, 1988, 26(1):65-74.

DOI

[30]
Wang C H, Wang Z H, Yang J C. Cooling effect of urban trees on the built environment of contiguous United States[J]. Earth's Future, 2018, 6(8):1066-1081.

DOI

[31]
Arnold C L, Gibbons C J. Impervious surface coverage: The emergence of a key environmental indicator[J]. Journal of the American Planning Association, 1996, 62(2):243-258.

DOI

Options
文章导航

/

〈 〉