EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 9: 1047 - 1054

DOI: https://doi.org/10.3724/SP.J.1047.2015.01047

Orginal Article

Monitoring and Analyzing Spatio-Temporal Changes of Heat Island Intensity in Beijing Main Urban Construction Area from 2005 to 2014

  • WANG Liang , 1, 2 ,
  • MENG Qingyan , 1, 2, * ,
  • WU Jun 1, 2 ,
  • ZHANG Jiahui 1, 2 ,
  • ZHANG Linlin 1, 2
Expand
  • 1. Appilied Earth Observation System Division, the Institute of Remote Sensing and Digital Earth of Chinese Academy of Sciences, Beijing 100101, China
  • 2. School of Chemistry and Chemical Engineering, University of Chinese Academy of Sciences, Beijing 100049, China
*Corresponding author: MENG Qingyan, E-mail:

Received date: 2015-02-09

  Request revised date: 2015-03-23

  Online published: 2015-09-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

To study the urban heat island (UHI) effect of Beijing with long time series data, MODIS 8-day land surface temperature product from 2005 to 2014 is used to obtain the information about Beijing heat island, and LANDSAT-8 data on October 2, 2014 is used to get the distribution of Beijing imperious surface. The distance-weighted imperious surface cohesion density is calculated, Beijing’s main urban construction area is extracted based on city cluster algorithm, and a boundary is determined around the main urban construction area with an area of approximately 150% to the main urban construction area. We calculate the mean temperature difference between the main urban construction area and the boundary area, and regard it as UHI intensity. Then, we analyze the intra annual changes of UHI intensity, rank UHI intensity according to the land surface temperature and the month average of UHI intensity, perform statistical analysis on the frequency of UHI intensity level, and analyze the spatial distribution of UHI intensity level and its correlation with urban construction aggregate density. The results show that: (1) the dependency of UHI intensity on the boundary temperature showing a regulated pattern on the intra annual variations of UHI effect: counterclockwise distribution during the day and clockwise distribution at night; (2) in the daytime, the spatial distribution of UHI intensity level frequency appears to be level-2 and level-3, and the south-central high incidence area is featured by the level-3 heat island intensity during spring and summer; while at night, it has little correlation with construction cohesion density, but shows a cyclic characteristic increasing from the periphery to the center; (3) the imperious surface cohesion density make a notable effect on the frequency of different UHI level during the day with a positive correlation, while the effect tends to weaken when the imperious surface cohesion density is higher than 50%.

Key words： heat island intensity level; spatio-temporal change; main urban construction area; imperious surface cohesion density

Cite this article

WANG Liang , MENG Qingyan , WU Jun , ZHANG Jiahui , ZHANG Linlin . Monitoring and Analyzing Spatio-Temporal Changes of Heat Island Intensity in Beijing Main Urban Construction Area from 2005 to 2014[J]. Journal of Geo-information Science, 2015 , 17(9) : 1047 -1054 . DOI: 10.3724/SP.J.1047.2015.01047

1 引言

城市热岛是城市对气温影响最突出的特征。随着城市化进程的加剧,城市地表覆盖类型的变化会引起局部区域气温及地表温度的上升,导致高于同时期的周边郊区温度,这种现象被称作“城市热岛效应”[1]。早在19世纪初,Howard对伦敦城区和郊区的气温进行同时间的对比观测,发现城区气温比其四周郊区气温都高[2]。此后,各国学者对不同纬度、不同类型城市作了大量的城、郊气温的对比观测,发现了类似的城市热岛现象。
对城市热岛效应的监测方法,主要分为数值模拟法与经验分析法。数值模拟法结合城市气候模型研究城市地表能量平衡,模拟热岛效应的形成机制。Masson、Grimmond等通过对地表过程的参数化,数值模拟城市能量平衡过程认为,地表亮温响应受到地表土壤湿度,以及植被覆盖度的共同影响[3-4]。经验分析法主要以地面站实测气温数据与遥感影像获取的地表温度产品为主要数据源[5],并建立热岛强度与植被、不透水面等城市环境因素及人口密度等社会经济指标的相关性[6]。其中,随着遥感数据的积累,在对长时间序列遥感数据分析的基础上,研究城市热岛效应的时空演变规律,进而分析城镇化过程中城市下垫面格局变化及人口变迁对热岛效应的影响,成为遥感监测热岛效应的主要方法之一。其分为2个方面：（1）选取长时间序列地表温度数据,研究不同时间尺度下热岛强度的演变规律,但仅从时间角度研究,无法与研究区热岛强度的空间分布特征相结合;（2）对比不同时期热岛强度的空间分布,研究不同时期热岛效应的空间模式变迁,但仅能选取特定时期的数据监测变化,对长时间序列遥感数据利用不足。
本文选取LANDSAT-8多光谱数据与MODIS 8天合成地表温度产品数据,提取北京市城建聚集密度较高的主要城建区,充分利用长时间序列的地表温度数据,研究2005-2014年北京市主要城建区不同热岛强度等级的空间分布特征及年内变化规律,并研究不透水面聚集密度对热岛强度的影响,为合理防治城市热岛效应提供给科学依据。

2 数据源选择与预处理

2.1 数据源选择

北京位于115.7°~117.4°E,39.4°~41.6°N,处于华北平原的北部。气候为典型的北温带半湿润大陆性季风气候,夏季高温多雨,冬季寒冷干燥,春、秋短促,为典型中心型热岛,市中心区气温最高,热岛现象显著。
本文以北京市为研究对象,选取2013年10月2日LANDSAT-8多光谱遥感数据提取不透水面信息,计算不透水面聚集密度,并提取城建密度较高的主要城建区。利用2005-2014年MODIS数据8天合成白天地表温度产品、夜间地表温度产品共829景（2005-2014年）,提取地表温度信息。利用城区-郊区温差法提取主要城建区热岛强度信息,主要城建区热岛强度年内变化规律与空间分布特征,以及与不透水面聚集密度的关系。

2.2 数据预处理

（1）MODIS地表温度产品预处理
本文采用MODIS陆地3级标准数据产品MOD11A2,即MODIS地表温度/发射率8天合成数据,空间分辨率1000 m,包含7个波段。MOD11A2数据集来源于美国航空航天宇航局的戈达德航天中心LAADS Web（http://ladsweb.nascom.nasa.gov/data/search.html）。MOD11A2采用普适性劈窗算法计算得到,其在大多数情况下,对于已知比辐射率的地表物质通过优化观测角度和水汽柱含量范围等参数,推广的地表温度算法的精确度可优化1 K[7]。
本文用MODIS重投影工具（MRT）对MOD 11A2数据进行拼接、裁剪、投影转换处理后,将数据乘以0.02计算地表温度的真实值,从而得到2005-2014年北京市MODIS地表温度产品共826景（投影为UTM,Zone50N）。
（2） 不透水面信息提取方法
对于城市不透水面的提取,包括影像分类法、专题指数法、统计分析法、混合光谱分析法等。本文采用Deng[8]提出的生物物理成分指数BCI（Biophysical Composition Index）提取城市不透水面。其思想源自Ridd提出的V-I-S模型（Vegetation-Imperious-Soil）,将城市地表看作由植被、不透水面和土壤3种基本组分组成,是一种区分城市地物的城市环境指数。BCI指数计算如式（1）所示。
BCI = H + L / 2 - V H + L / 2 + V （1）
式中,H为高反射率即归一化TC 1分量;L为低反射率即归一化TC 3分量;V为植被即归一化TC 2分量。其中, TC i ( i = 1,2 , 3 ) 是遥感数据穗帽变换（TC变换）后得到的前3个TC分量;TCimin和TCimax分别是第i个TC分量的最小值和最大值。3个因子的计算如式（2）-（4）所示。
H = TC 1 - TC 1 min TC 1 max - TC 1 min （2）
V = TC 2 - TC 2 min TC 2 max - TC 2 min （3）
L = TC 3 - TC 3 min TC 3 max - TC 3 min （4）
BCI指数与NDVI指数相比的优势在于：BCI与不透水面的相关性比NDVI与不透水面相关性更强,且BCI与植被丰度的相关性与NDVI相当。相较于NDBI建筑物指数,BCI指数可更好区分光照土壤与高反照率不透水面。
计算LANDSAT-8数据的BCI指数前,需先对LANDSAT-8数据进行3步预处理工作：辐射定标、水体掩膜、LANDSAT-8数据穗帽变换（TC变换）[9]。其中,水体掩膜利用归一化水体指数NDWI阈值法剔除。由式（1）-（4）计算得到北京市BCI指数,并根据不同土地覆盖类型BCI值的分布情况,设定阈值为0.7,提取北京市不透水面。为了检验不透水面的提取精度,随机生成300个检验样本点,将自动提取结果与目视解译的结果进行对比,提取精度达到89.34%。

3 北京市主要城建区范围提取

3.1 基于距离加权的不透水面聚集密度计算

利用遥感监测城市热岛时,城区边界的提取直接影响热岛强度的计算。城区范围实际为已建设发展起来的城市用地相对集中分布的地区,包括城市不透水面,以及相应建设的城市绿化带、公园等功能区域。仅利用不透水面分布区作为城区分析热岛效应,会忽略城区中植被、水体等下垫面类型对城市热岛的“降温作用”,因此,城区范围的提取十分关键。城区中不透水面聚集密度大,郊区中不透水面分布稀疏的特点,本文提出的不透水面聚集密度计算方法,可衡量城市不透水面的聚集程度,并保证研究区内下垫面类型的完整性。
某像元点的不透水面聚集密度描述为以该像元为中心,一定半径范围内不透水面的聚集程度与密度[10]。平均值可体现半径范围内的密度;以距离作为权值,距中心点越近的不透水面像元权值越大,可衡量半径范围内建筑物的聚集程度。其具体计算如式（5）所示。
Densit y s ( r ) = ∑ i = 1 n B si × 1 - D i 2 r ∑ i = 1 n 1 - D i 2 r （5）
式中,s为中心点像元;r为计算半径;Bsi为半径r范围内像元值（不透水面像元值为1,透水面像元值为0）;Di为像元Bsi与中心点s之间的距离。以2014年10月2日北京市不透水面分布为输入,计算半径r =1000 m北京市不透水面聚集密度,如图1（a）所示。
Fig. 1 Impervious surface distribution in urban area of Beijing

图1 北京市主要城建区不透水面分布

3.2 主要城建区范围的CCA聚类法提取

Rozenfeld首次提出利用城市聚类算法CCA（City Clustering Algorithm）,以土地覆盖代替人口数据提取城区边界[11]。CCA算法主要以不透水面分布的地理位置建立不透水面的聚集区域,其主要分为3个步骤[5]：（1）随机选取不透水面覆盖的像元为中心像元,八邻域方法计算不透水面覆盖的连通区;（2）定义距离阈值L,合并距离小于L的连通区;（3）定义聚集阈值S,去除像元个数小于S的连通区,从而得到不透水面聚集区域的分布情况。
分别以不透水面聚集密度10%~25%、25%~50%、>50%像元分布（图1（a））为输入,并以CCA聚类算法,距离阈值L=200 m,聚集阈值S=10 000,得到北京市城建低密度聚集区、中密度聚集区与高密度聚集区的分布（图1（b））。本文中“主要城建区”定义为城建中密度聚集区与城建高密度聚集区。

4 北京市热岛效应分析

城市热岛强度为城区温度与其周边非城区的温度差值,用来表征由于城市结构所造成的城市区域温度高于郊区的程度。Peng在热岛强度的相关研究中指出,热岛效应的最小影响区域为城区面积的150%[12],因此,本文以不透水面聚集密度提取的“主要城建区”作为北京市城区,选取主要城建区面积150%的周边区域作为边缘区（Boundry）。同时,本文所选研究区地势平坦,避免了北京市周边山区地形起伏对热岛强度计算的影响。热岛强度ΔT如式（6）[13]所示。
ΔT = T Urban - T Boundry （6）
式中, T Urban 为主要城建区地表平均温度; T Boundry 为边缘区的地表平均温度。

4.1 主要城建区热岛效应年内时序变化分析

统计2005-2014年连续8天平均LST产品共826景（白天、夜间各413景）中1-12月平均热岛强度,从表1可看出,北京市夜间热岛强度分布较稳定,全年平均热岛强度为1.59 K,标准差为0.46 K。其中,秋季（10、11月）最低为1.29 K,6、8月最高为1.78 K。北京市白天热岛强度随季节变化较为明显,月平均热岛强度为0.31~3.97 K,其中,夏季（6-8月）热岛强度最高,秋季稍高、春季次之,冬季（11、12、次年1月）热岛强度最低,均值在0.5 K以下。
Tab. 1 Mean heat island intensity of Beijing from January to December

表1 北京市1-12月平均热岛强度

月份
1 2 3 4 5 6 7 8 9 10 11 12
白天（K） 0.31 0.62 0.90 1.65 2.66 3.08 3.75 3.97 2.75 1.21 0.64 0.50
夜间（K） 1.66 1.64 1.70 1.68 1.77 1.78 1.68 1.78 1.66 1.29 1.29 1.47
为了更好刻画北京市热岛强度季节变化规律,统计2005-2014年间所有样本数据,得到北京市热岛强度与边缘区温度的分布特征（图2）。图2中粉色原点为所有样本数据的ΔT与TBoundry分布,彩色三角形为二者的平均值与相应的标准差。白天ΔT/TBoundry的1-12月为逆时针分布,可用傅里叶函数描述[5],而夜间1-12月为顺时针分布。白天与夜间的这种“翻转现象”被认为与植被、气候的相互作用有关[14-16]。北京市春季与秋季边缘区温度可看作“一一对应”,以白天为例,3月与11月对应,4月与10月对应,5月与9月对应,白天北京市秋季热岛强度高于春季热岛,而夜间恰好相反,春季热岛强度高于秋季热岛。ΔT/TBoundry的时空分布特征不同季节的植被覆盖类型、物候特征及人为活动的季节性（空调、供暖设施的使用）有关[5]。
Fig. 2 The mean UHI intensity versus the mean boundary temperature

图2 平均热岛强度与平均边缘区温度分布

4.2 北京市主要城建区热岛效应的空间分布

由图2可看出,热岛强度ΔT与边缘区温度TBoundry随季节变化明显,且不同季节跨度较大。为了以同一标准衡量不同季节的北京市热岛强度,定义第i年j月,第k天MODIS地表温度产品中像元 ( x , y ) 的热岛等级如表2所示,其中, T ij ( k , x , y ) 、 T B _ ij 、ΔTij分别为第i年j月的像元 ( x , y ) 地表温度、平均边缘区温度与平均热岛强度。
Tab. 2 Definition of heat island level

表2 热岛强度等级定义

等级 定义
1级 TB_ij≤Tijk,x,y<TB_ij+ΔTij
2级 TB_ij+ΔTij≤Tijk,x,y<TB_ij+2ΔTij
3级 TB_ij+2ΔTij≤Tijk,x,y<TB_ij+3ΔTij
4级 TB_ij+3ΔTij≤Tijk,x,y<TB_ij+4ΔTij
5级 Tijk,x,y≥TB_ij+5ΔTij
统计2005-2014年MODIS温度产品数据中,春季（3-5月）、夏季（6-8月）、秋季（9-11月）、冬季（12、次年1、2月）北京市不同等级热岛出现的频率,如图3、4所示,其显示区域为主要城建区边缘区的最小外接矩形。
Fig. 3 The frequencies of different heat island intensity level in the daytime

图3 白天不同热岛强度等级出现的频率

白天北京市主要城建区热岛强度等级主要为2、3级。北京市主要城建区内大部分区域白天夏季2级热岛强度发生频率最高,其中,夏季2级热岛强度的出现率高达50%以上,且主要集中在主要城建区中心,仅有南部（丰台区）属于3级热岛的高发区,而在西南角部分1级热岛强度的出现频率最高。夏季太阳辐射较大,不透水面由于较高的比辐射率使其显现出高温特征,故北京市主要城建区夏季白天的区域特征最为明显。冬季不同等级热岛强度的出现并没有明显的空间分布特征。而秋季热岛从外环向城区中心以“环形”递增,高等级热岛强度出现的频率逐渐增大。
夜间避免了太阳辐射的影响,北京市主要城建区热岛的“环状递进”模式,在各个季节均较明显,且4级热岛强度与5级热岛强度的出现频率与白天相比有所上升。以夜间冬季为例,城建中密度聚集区1级热岛的频率最大,城建高密度聚集区边缘部分2级热岛的频率最高,随地理位置不断向中心递进出现“3级热岛强度环”,在城市中心“4级热岛强度”出现频率最高,且“5级热岛强度”出现的频率为30%左右。

4.3 主要城建区热岛效应与不透水面的关系

利用图1（a）中北京市不透水面聚集分布,分别与图3、4比对可看出,白天不同等级热岛强度出现频率与不透水面聚集密度分布特征匹配度较高;夜间二者匹配度较差,但在不透水面聚集密度较高的区域仍为强热岛效应的高发区。为进一步分析北京市主要城建区内不透水面分布对热岛效应的影响,图5统计了2005-2014年间北京市主要城建区内不同热岛强度等级出现的频率与不透水面聚集密度的关系。
Fig. 4 The frequencies of different heat island intensity level in the night

图4 夜间不同热岛强度等级出现的频率

白天1级、2级、3级热岛强度受不透水面聚集密度的影响较为明显：1级热岛强度在不透水面聚集密度小于10%的区域内出现频率最高,随着不透水面聚集密度的升高,1级热岛强度出现频率不断下降,2级、3级热岛强度出现频率相应上升,其中,2级热岛强度出现频率在不透水面聚集密度达到30%之后趋于稳定,而3级热岛强度出现频率仍不断上升,在不透水面聚集密度为55%~60%期间达到最高。4级热岛强度出现频率随不透水面聚集密度升高有微小上升,而5级热岛强度出现频率没有明显变化。可见,在不透水面聚集密度小于50%时,北京市主要城建区内白天热岛效应受到不透水面分布的显著影响;不透水面聚集密度大于50%时,不透水面分布情况对热岛效应的影响趋于饱和,同时,图5中曲线存在明显的震荡,表明热岛效应强度与不透水面的相关性趋于减弱。
Fig. 5 Frequency of UHI intensity level and imperious cohesion density

图5 热岛强度等级出现频率与不透水面聚集密度

夜间不同等级热岛强度,随不透水面聚集密度的变化并不显著,2-5级热岛强度仅在不透水面聚集密度为30%时有较小幅度的峰值,这与夜间热岛强度等级分布的“环状递增”特点有关,其中心处的不透水面聚集密度恰好为30%左右。可见,北京市主要城建区内夜间热岛效应受到不透水面的分布的影响并不显著,其还受到城市人口活动、人为热量排放（如汽车尾气、空调）等因素影响[17-18]。

5 结论

本文利用长时间序列的MODIS地表温度产品数据,以北京市主要城建区为研究区,分析其热岛强度年内变化规律;整合2005-2014年间地表温度数据,提取热岛强度等级的空间分布模式,分析其与不透水面聚集密度的相关性,得到以下结论：
（1）基于距离加权的不透水面聚集密度,可较好地反映北京市城建区的聚集程度：以东西城区为中心,呈向外辐射的环状分布。以不透水面聚集密度大于25%的区域为输入,利用CCA城市聚类算法得到北京市主要城建区范围,可为热岛强度计算提供区分城郊区的边界依据。
（2）2005-2014年间北京市主要城建区存在明显的热岛效应。白天热岛强度ΔT季节变化较为明显,热岛强度由高到低依次为夏季、秋季、春季、冬季;夜间热岛强度ΔT较为稳定,秋季热岛强度略低。年内1-12月北京市主要城建区ΔT/TBoundry分布存在明显规律性：白天ΔT/TBoundry呈逆时针分布,夜间呈顺时针分布。
（3）白天北京市城建中密度聚集区,以3级热岛强度为主,其中,春夏季主要城建区中南部为3级热岛强度的高发区;夜间热岛强度等级空间分布呈现明显的“环状递进”特征,高等级热岛强度出现的频率由外围向中心不断递增。
（4）北京市主要城建区内,夜间不同等级热岛强度随不透水面聚集密度的变化并不显著;白天热岛效应受到不透水面分布的显著影响,不透水面聚集密度达到50%后其影响趋于减弱。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
肖荣波,欧阳志云,李玮峰.城市热岛的生态环境效应[J].生态学报,2005,25(8):2055-2060.

[2]
Howard L. Climate of London deduced from meteorological observation[J]. Harvey and Darton, 1833,1(3):1-24.

[3]
Masson V.Urban surface modeling and the mesoscale impact of cities[J]. Theoretical and Applied Climatology, 2006,84(1-3):35-45.

[4]
Grimmond C S B, Blackett M, Best M J. The international urban energy balance models comparison project: First results from phase 1[J]. Journal of Applied Meteorology and Climatology, 2010,49(6):1268-1292.

[5]
Zhou B, Rybski D, Kropp J P.On the statistics of urban heat island intensity[J]. Geophysical Research Letters, 2013,40(20):5486-5491.

[6]
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.

[7]
王辉. 基于多时相遥感数据的城市热岛效应研究及影响因素分析[D].济南:山东科技大学,2009.

[8]
Deng C B,Wu C S.BCI: A biophysical composition index for remote sensing of urban environments[J]. Remote Sensing of Environment, 2012,127:247-259.

[9]
Liu Q S, Liu G H, Huang C, et al.A tasseled cap transformation for Landsat 8 OLI TOA reflectance images[C]. 2014 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2014:541-544.

[10]
Unger J, Gal T, Rakonczai J, et al.Air temperature versus surface temperature in urban environment[C]. The seventh International Conference on Urban Climate, 2009.

[11]
Rozenfeld H D, Rybski D, et al.Laws of population growth[J]. Proceedings of the National Academy of Sciences of the United States of America, 2008,105(48):18702-18707.

[12]
Peng S, Piao S, Ciais P.Surface urban heat island across 419 global big cities[J]. Environment Science Technology, 2012,46(2):696-703.

[13]
Schwarz N, Lautenbach S, Seppelt R.Exploring indicators for quantifying surface urban heat islands of European cities with MODIS land surface temperatures[J]. Remote Sensing of Environment, 2011,115(12):3175-3186.

[14]
Georgescu M, Moustaoui M, Mahalov A.An alternative explanation of the semiarid urban area “oasis effect”[J]. Journal of Geophysical Research: Atmospheres, 2011,116(D24):D24113.

[15]
Brazel A, Selover N, Vose R, et al.The tale of two climates—Baltimore and Phoenix urban LTER sites[J].Climate research, 2000,15(2):123-135.

[16]
Garratt J R.Boundary layer climates[J]. Earth-Science Reviews, 1990,27(3):265.

[17]
McCarthy M P, Best M J, Betts R A. Climate change in cities due to global warming and urban effects[J]. Geophysical Research Letters, 2010,37(9):L09705.

[18]
Taha H.Urban climates and heat islands: Albedo, evapotranspiration, and anthropogenic heat[J]. Energy and Buildings, 1997,25(2):99-103.

Options
Outlines

/

〈 〉