EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 4: 711 - 722

DOI: https://doi.org/10.12082/dqxxkx.2022.210440

Spatial Differentiation of Urban thermal Environment and its Influencing Factors based on Local Climate Zones in Jinan

  • SHAN Baoyan , * ,
  • ZHANG Qiao ,
  • REN Qixin ,
  • FAN Wenping ,
  • Lü Yongqiang
Expand
  • School of Surveying and Geo-informatics, Shandong Jianzhu University, Ji'nan 250101, China
*SHAN Baoyan, E-mail:

Received date: 2021-07-30

  Revised date: 2021-08-26

  Online published: 2022-06-25

Supported by

National Natural Science Foundation of China(51608309)

Copyright

Copyright reserved © 2022
Fold

Abstract

Different urban land surface covers and spatial structures lead to different heat island effects and different urban spatial thermal environment. Local Climate Zones (LCZ) have been widely applied in the study of urban heat island. Reasonable division of LCZ and scientific formulation of LCZ classification standards are the key technical problems in the study of urban heat island based on LCZ. In this study, the LCZ of Jinan city was divided by the urban road network, Digital Elevation Model (DEM), and big data of buildings, and the quantitative classification standard of LCZ was determined by the building height and the building density. The land surface temperature was retrieved by Landsat 8 remote sensing image, and the Kriging method was used for air temperature spatial interpolation. The urban thermal environment was expressed by land surface temperature and air temperature. Based on this, the spatial differentiation characteristics of urban thermal environment and the differences of thermal environment in the same type of LCZ were studied by the method of variance analysis, and the factors of urban thermal environment were studied by the method of correlation analysis. The results show that: (1) There were obvious differences in the spatial distribution pattern of land surface temperature and air temperature at 4:00 a.m., 8:00 a.m., and 14:00 p.m. in Jinan city. Among the four types of temperature, the number of LCZ with high temperature outliers respectively accounted for 0.25%, 1.60%, 4.05%, and 3.96% of the total LCZ in the city. The area with higher land surface temperature was located in the area with dense buildings, which includes scattered areas with higher air temperature, showing heat island effect; (2) There were obvious differences in land surface temperature and air temperature at different times of a day in different types of LCZ. The number of high air temperature outliers in the LCZ of high height and low density, the LCZ of high height and medium density, and the LCZ of medium height and low density respectively accounted for 47.37%, 33.33%, and 9.65% of the total high temperature outliers, the intraclass heat island effect of these LCZ was obvious; (3) Different types of LCZ had different intraclass heat island effects. LCZ types such as low height and low density, medium height and low density, high height and low density, and high height and medium density had significant differences in heat island effect, the p values of their variance analysis were less than 0.05; (4) The impact of building spatial distribution index on urban thermal environment was different due to different location and elevation of LCZ. Overall, the negative correlation between land surface temperature and the average values of building height reached the significant level of more than 0.05, and the positive correlation between the air temperature and average building height reached the significant level of 0.001. The average values and standard deviations of building base area and building volume, building density, and floor area ratio were significantly (p<0.001) positively correlated with urban thermal environment, which indicated a significant positive impact on the urban thermal environment.

Key words： local climate zones; urban heat island; spatial differentiation; influence factors; temperature inversion; spatial interpolation; variance analysis; correlation analysis; Jinan city

Cite this article

SHAN Baoyan , ZHANG Qiao , REN Qixin , FAN Wenping , Lü Yongqiang . Spatial Differentiation of Urban thermal Environment and its Influencing Factors based on Local Climate Zones in Jinan[J]. Journal of Geo-information Science, 2022 , 24(4) : 711 -722 . DOI: 10.12082/dqxxkx.2022.210440

1 引言

城市热岛效应因对人们生产生活、身体健康及能源消耗、空气质量等方面影响较大,而受到国内外学者的广泛关注[1]。热岛效应研究通常以气温和地表温度为主要指标[2]。气温数据最常见的获取途径为气象站点气温观测,亦有通过实地测量和模型模拟等方法获取[1,3]。气象站点气温观测的时间序列数据较为丰富,但存在着站点数量较少、覆盖范围偏小等问题。地表温度数据最常见的获取方法为遥感影像温度反演[2],亦有直接采用AST_08地表温度产品[4]。温度反演使用的遥感影像有Landsat 8[2,5]和Landsat 7 ETM+[6]等,采用的反演方法有辐射传递方程算法[7]、单窗算法、分裂窗算法和大气校正法等[2,8-9],其中基于Landsat 8反演地表温度,单窗算法和大气校正法较为常用[2]。遥感影像具有易获取、覆盖范围广等优点,同时也存在着重访周期较长、仅能获取某天某时刻数据、缺乏完整时间序列数据等问题[1,10]。地表温度数据亦有通过模型模拟获得（如ENVI-met）,但其模拟结果与遥感影像（Landsat 8）反演的平均地表温度存在显著差异[11]。城市热岛效应存在着季节和日变化特征,不同季节、不同时刻热岛效应差异较 大[3,12]。气象站点实测气温数据能更好地表征城市热岛效应,采用地表温度,同时加入气象数据可能会获得更好效果[2]。因此,融合两类数据的城市热岛研究具有理论和实践意义。
城市热岛研究框架和尺度由“城市-郊区”二 元结构转向局地气候分区（Local Climate Zones, LCZ）[13]。LCZ能够精确反映城郊地表覆被、材质和三维结构,在城市热岛、城市通风、空气污染研究和城市规划设计等方面得到了广泛应用[14,15],全球130座城市基于LCZ开展了城市热岛相关研究[1]。LCZ分类方法主要有人工采样法、GIS分类和遥感影像分类[2],其中,遥感影像分类应用广泛[8,16],分类技术也不断成熟,随机森林和支持向量机分类比较适合基于像素的LCZ分类[17]。GIS分类法采用精确城市数据,分类精度较高[18],但其存在着数据缺乏和方法规范不明确等应用障碍[19]。随着城市大数据呈几何级数增长和基于GIS的LCZ制图流程不断完善,GIS分类方法逐步得到应用[4,19]。不同土地覆被和城市形态特征的LCZ存在显著地表温度差异[20,21],其中,透水表面占比、树木密度和土壤湿度等土地覆被指标[21]和建筑密度、建筑高度等城市形态指标对城市热岛影响显著[2,4,22]。城市建成区的扩展及其带来的LCZ类型变化,也将提升区域温度[23]。同类LCZ中土地覆被和城市形态特征指标的一致性至关重要。LCZ可以基于格网或街区进行划分,由于街区内部的建筑高度、密度、材质等相对均质,因此以街区进行LCZ划分较为合理[4]。LCZ的适宜空间尺度通常介于气象学中的微、中尺度之间,为几百米至几千米[13]。街区通常采用城市道路数据进行划分,由于城市路网疏密不同,划分的街区必然大小不一,需要根据LCZ适宜的空间尺度确定街区大小。合并过小街区、拆分过大街区等问题需要进一步研究。
本文采用城市道路、建筑大数据和DEM数据,进行LCZ划分,并融合地表温度和不同时刻的气温数据,研究城市热环境的空间分异特征及其影响因素。

2 研究区概况与数据来源

济南市是山东省省会,是全省政治、经济、文化和科教中心,地处中纬度地带,属于温带季风气候。济南地势南高北低,由南至北分别为低山丘陵、山前倾斜平原和黄河冲积平原。济南现辖10区2县,本研究以市中区、历下区、槐荫区、历城区和天桥区5区为研究区域（以下称为济南中心城区）。该区域总面积约2094 km2,建筑分布最密集,城市热岛效应比较显著。研究采用的数据来源如表1所示。
表1 数据来源

Tab. 1 Data sources

数据 时间 来源
济南市行政边界矢量数据 2020年12月21日 http://www.sdmap.gov.cn/page/ResourceCenter.html（天地图）[24]
Landsat 8遥感影像 2017年6月1日、6月17日,2019年6月7日 https://earthexplorer.usgs.gov/[25]
气温数据 2020年6月1日—30日 济南市气象站点观测数据
城市道路矢量数据 2020年3月17日 百度大数据
建筑物矢量数据 2020年3月17日 百度大数据
DEM数据 2020年3月17日 Google earth
研究使用的图形数据均采用2000国家大地坐标系（CGCS2000）,投影坐标系采用CGCS2000_3_Degree_GK_CM_117E,并以天地图行政边界数据为基准进行地理配准和空间校正。

3 研究思路与方法

本研究的技术路线如图1所示。
图1 研究技术路线

Fig. 1 Research technical route

3.1 局地气候分区

首先,基于城市道路和DEM数据划分城市街区,同时制定LCZ分类标准,并基于建筑大数据划分LCZ;然后,统计街区数量和面积大小,对于面积过小的街区,根据LCZ分类结果和最大边邻近原则进行合并,对于面积过大街区,按照建筑空间分布特征和地表覆被进行拆分;最后,根据最终划分的街区结果,重新进行LCZ分类。
3.1.1 LCZ分类
根据热环境属性相近原则,综合考虑地表覆盖、内部结构、材质和人类活动等方面,LCZ体系将城市下垫面分为10种建筑类型（高层高密度、中层高密度、低层高密度、高层低密度、中层低密度、低层低密度、低层轻质建筑、低层大体量、零散建筑和重工业类别）和7种自然类型（密林、散林、灌木、低植被、硬地、裸地和水体类别）[1,13]。本文基于城市规划视角,重点分析建成区,主要基于建筑的立体空间分布格局进行LCZ分类。分类时主要遵循3个原则：① 与文献[13]的LCZ建筑类型基本一致[13];② 参考我国关于建筑高度的相关国家标准;③ 反映济南市建筑高度和建筑密度的数据分布特征,并使LCZ类内数值差异较小、类间数值差异较大。据此原则,首先,依据2005年和2019年《民用建筑设计通则》[26,27]基于建筑高度进行建筑分类的相关规 定,明确建筑分类的高度节点数值（约9、18、24、30 m等）;然后,计算研究区11万余栋建筑高度 的平均值（16.14 m）、中位数（12.83 m）、标准差（12.91 m）和自然间断点分类节点高度 （9.32 m、16.54 m）,同时分析建筑高度数值分布频数图;最后,综合以上统计分析结果确定建筑高度分类节点数值为9 m和16.14 m。因为裙楼和部分附属建筑高度较低等原因,拉低了街区平均建筑高度,因此LCZ分类标准中的建筑高度标准根据统计分析结果适当调低。同理计算各LCZ分区建筑密度的平均值（15.5%）、中位数（14.4%）和标准差（12.9%）,同时分析建筑密度数值分布频数图,并最终确定建筑密度分类节点数值为15%和28%。依据建筑高度（H）和建筑密度（S）制定LCZ分类标准如表2所示。根据表2的分类标准,采用Matlab编程进行LCZ分类,并将分类结果基于LCZ关键字段（ID号）与 ArcGIS 10.5属性表建立连接,进行空间表达。
表2 LCZ分类标准

Tab. 2 Classification standard of local climate zones

建筑高度H/m 建筑密度S/% LCZ类型
H≤9 S≤15 低层低密度(LCZ11)
15<S≤28 低层中密度(LCZ12)
S>28 低层高密度(LCZ13)
9<H≤16.14 S≤15 中层低密度(LCZ21)
15<S≤28 中层中密度(LCZ22)
S>28 中层高密度(LCZ23)
H>16.14 S≤15 高层低密度(LCZ31)
15<S≤28 高层中密度(LCZ32)
S>28 高层高密度(LCZ33)
3.1.2 城市街区划分
对于建筑和道路密集的建成区,采用城市道路进行划分;对于建筑和道路稀疏的南部低山丘陵,以DEM数据,采用TIN进行划分。为保证道路不会将街区分割过小,选择高速公路、国道、省道、县道和城市一级道路共860条道路进行街区划分。划分街区的技术路线如下。① 进行道路数据整合,将同名道路融合为一条,并将5类道路合并为同一图层。② 采用数学形态学闭运算将双线道路转变为单线道路。先进行膨胀运算：根据济南市道路的最大宽度并适当扩大的原则确定阈值（80 m）,对双线道路两侧建立80 m的缓冲区,并对各缓冲区进行合并。后进行腐蚀运算：将合并后的缓冲区要素转换为栅格并进行二值化处理,采用ArcMap 10.5的ArcScan工具箱中的矢量化工具对栅格道路进行中心线提取,即转为单线道路。③ 将道路线要素转为面要素,并处理过小和过大街区。处理过小街区：对于面积小于4万m2的街区,首先按表1的标准对各街区进行LCZ分类;然后按照面积字段升序排序,根据排序结果,选择合适阈值逐级消除最小的街区,消除方法为将面积较小的街区按相邻边最大的原则合并到相同LCZ类别的较大街区中,采用ArcMap 10.5的消除工具实现。处理过大街区：过大街区主要位于道路稀疏的南部低山丘陵,采用DEM,构造TIN进行分割;对于位于建成区的面积大于400万m2的街区,对照建筑矢量图、道路矢量图和18级Google earth高清影像,按地表覆被一致的原则进行分割。对于划分好的街区,按表2的标准进行LCZ分类,结果如图2所示。
图2 济南市局地气候分区

Fig. 2 Local climate zones of Jinan

3.2 城市热环境

3.2.1 地表温度遥感影像反演
使用热红外遥感影像获取城市地表温度的研究方法较为成熟,由于使用Landsat 8反演地表温度,大气校正法较为常用[2],本文采用ENVI 5.3运用大气校正法反演地表温度。具体技术路线如下： ① 进行辐射定标,将影像亮度灰度值转换为绝对辐射亮度值。② 计算NDVI,并基于NDVI阈值计算地表比辐射率（Land Surface Emissivity,LSE）。 ③ 利用LSE,根据普朗克公式计算地表温度。根据以上流程采用ENVI 5.3软件工具箱Band Algerbra的Band Math工具完成地表温度反演。考虑到气象条件的偶然性,分别选择2017年6月1日、2017年 6月17日、2019年6月7日的Landsat 8遥感影像进行地表温度反演,其云量分别为2.04%、1.55%、2.04%,以该3天反演温度的平均值作为地表温度。
3.2.2 气温空间插值
采用的气温数据为济南市76个气象站点2020年6月1日—30日0:00—23:00的观测值。首先计算76个站点30天24个时刻的气温平均值和标准差。24个时刻的气温标准差均小于5 ℃,温差变化较小,可以采用平均值表示时刻温度。其中,4:00平均气温最低,为23.5 ℃;14:00平均气温最高,为32.3 ℃;8:00平均气温为28.1 ℃,与全天平均气温（28.1 ℃）基本一致。该3个时刻能反映全天气温总体变化特点,因此选择各站点4:00、8:00、14:00的平均气温进行空间插值,获 取研究区气温分布数据。气温空间插值采用ArcGIS 10.5的 Geostatistical Analyst工具箱完成,具体思路如下：① 探索站点气温正态分布和空间自相关情况; ② 对3个时刻的各站点气温进行增量空间自相关分析,结果均为当邻接距离为9935 m时,空间自相关性达到最大峰值,所以进行克里金插值时,设定距离阈值为9935 m。因此距离站点超过该阈值的区域（主要为南部山区）无插值;③ 根据数据探索结果选择空间插值模型。因符合克里金插值基本条件,所以主要选用克里金插值;④ 对各种克里金插值结果进行验证和交叉验证,并按误差最小的原则选择最优模型。经检验,3个时刻气温空间插值均为普通克里金插值精度最高,其精度检验值如表3所示。
表3 气温普通克里金插值精度检验

Tab. 3 Accuracy test of ordinary Kriging interpolation for air temperature

检验值 时刻
4:00 8:00 14:00
平均误差 0.0156 0.0150 0.0086
均方根误差 0.7347 1.4077 1.4557
平均标准误差 0.0155 0.0078 0.0072
平均值标准化误差 0.5348 1.2113 1.2542
标准化均方根误差 1.3365 1.1501 1.1445

3.3 方差分析

主要采用单因子方差分析研究不同类型LCZ对城市热环境（地表温度和气温）的影响程度。单因子方差分析的数学原理为[28]：观测值与其平均值之差的平方和为离差平方和,其可分解为组间平方和（SSA）与组内平方和（SSE）,对应的总自由度可分解为组间自由度（dfA）和组内自由度（dfE）,计算统计量F如式（1）所示。
F = S S A / d f A ) / ( S S E / d f E )
若F值大于F检验临界值表中一定显著性水平（一般取0.05及以上）下的临界值时,说明各组均值差异具有统计学意义。文中单因子方差分析采用Matlab2010的anova1函数进行计算。

3.4 相关分析

文中采用Spearman相关系数分析建筑空间分布指标与城市地表温度和气温的相关性,其计算如式（2）所示。
r ' xy = 1 - 6 ∑ i = 1 n d i 2 n ( n 2 - 1 )
式中：n为样本数;di2=R1-R2,其中,R1为变量x（文中为建筑空间分布指标）的位次,R2代表变量y（文中为地表温度和气温）的位次。Spearman相关系数rxy的取值范围为[-1, 1],若r<0,为负相关;r=0,无相关性;r>0,为正相关。其显著性通过P值进行检验,一般取P值<0.05,则两者相关性显著。

3.5 热环境影响因素指标体系

本文LCZ分区主要根据建筑空间分布特征构建,分析城市热环境的影响因素时,基于城市规划视角重点考虑建筑立体分布格局,主要选取建筑空间分布指标。① 建筑高度指标：建筑平均高度（H1）,反映LCZ内建筑高度平均水平;建筑高度标准差（H2）,反映LCZ内建筑高度差异。② 建筑平面分布指标：建筑基底面积平均值（S1）,反映LCZ内各建筑平均占地规模;建筑基底面积标准差（S2）,反映LCZ内各建筑占地规模差异;建筑密度（S3）,反映LCZ平面内建筑密集程度。③ 建筑立体空间指标：建筑体积平均值（V1）,反映LCZ内各建筑的平均体积大小;建筑体积标准差（V2）,反映LCZ内各建筑体积的差异程度;容积率（V3）,综合反映LCZ内建筑用地强度。

4 结果及分析

4.1 热环境空间分异

按照以上思路和方法,采用大气校正法反演了济南市6月的3 d的地表温度并求其平均值,结果如图3（a）所示,6月的4:00、8:00、14:00气温平均值的普通克里金插值结果如图3（b）—图3（d）。
图3 济南市6月热环境空间格局

Fig. 3 Spatial pattern of thermal environment in Jinan in June

由图3可见,济南市6月平均地表温度和3个时刻的气温空间分布格局存在明显差异。其中,地表温度高温区主要分布在建筑密集区域,整体呈现北高南低的空间格局,与济南市地形南高北低的分布格局相反。3个时刻的气温空间分布格局也存在明显差异,4:00和8:00气温呈现从研究区中心向外围递减的趋势,4:00气温递减规律性最明显,14:00气温空间分布规律性最不明显,大部分地区14:00气温相近（主要分布于31.4~32.9 ℃）。3个时刻,建筑密集区均分布有高温区,其空间分布不连续,呈现热岛效应。

4.2 LCZ的热环境差异

为分析不同LCZ的城市热环境差异,对济南市各LCZ的地表温度和3个时刻的气温采用式1进行方差分析,结果如表4。
表4 基于LCZ的城市地表温度与气温的方差分析

Tab. 4 Results of variance analysis of urban land surface temperature and air temperature based on LCZ

方差分析 地表温度 4:00气温 8:00气温 14:00气温
F值 59.21 24.02 24.9 20.11
P值 2.93×10-81 2.19×10-34 1.18×10-35 1.10×10-28
由表4可见,不同类型LCZ的地表温度、3个时刻的气温的方差分析的统计量F对应的P值均极小,表明不同类型LCZ的地表温度和气温平均值存在明显差异,LCZ类型是影响地表温度和气温的重要因素。
为进一步分析不同类型LCZ的地表温度和气温的差异性,分别做出不同类型LCZ的地表温度和3个时刻气温的箱形图,结果如图4。图4中,箱体中间短红线为中位数（M）,箱体下线为下四分位数（Q1）,箱体上线为上四分位数（Q3）,箱体下方短横线为下限值（Q1-1.5（Q3-Q1））,箱体上方短横线为上限值（Q3+1.5（Q3-Q1））,下限值下方红色+为低异常值,上限值上方红色+为高异常值。
图4 济南市6月不同类型LCZ热环境箱型图

Fig. 4 Box diagram of thermal environment for different types of LCZ in Jinan in June

据图4并经统计分析可知,不同类型LCZ的地表温度和3个时刻气温的平均值存在明显差异,与方差分析结果一致。全市LCZ中,地表温度、 4:00、8:00和14:00气温存在较高异常值的个数分别为3、19、48和47个,分别占LCZ总数的0.25%、1.60%、4.05%和3.96%,呈现热岛效应。低层高密度（LCZ13）的地表温度平均值最高,主要分布在老城区;低层低密度（LCZ11）存在较多较低的地表温度异常值,主要分布在城市郊区。3个时刻,中层低密度（LCZ21）均存在一定数量的较高气温异常值,8:00和14:00同时存在一定数量的较低的气温异常值;8:00和14:00高层低密度（LCZ31）存在较多的较高气温异常值和少量的较低气温异常值,高层中密度（LCZ32）存在一定数量的较高气温异常值;LCZ21、LCZ31、LCZ32的较高气温异常值分别占较高异常值总数的9.65%、47.37%和33.33%。其他各类LCZ较高和较低的气温异常值均较少,其中,3个时刻,LCZ12、LCZ13、LCZ23、LCZ33均无气温异常值,且其类型内气温差异相对较小。

4.3 LCZ类内热环境差异

由于LCZ主要依据建筑物等地表覆被与材质等进行划分,未考虑地理位置差异,因此,同类LCZ因其在城市中地理位置不同,其热环境也可能呈现差异,导致类内热岛现象[29]。根据济南市南高北低的地形特征,采用自然间断点法将地形高程分为5类,分别研究各类LCZ在不同高程下热环境的差异性。具体分类标准及其对应的平均温度如表5所示。
表5 DEM高度分级及其对应的温度平均值

Tab. 5 DEM height classification and its corresponding average temperature

类别 范围/m LCZ数量/个 地表温度/℃ 4:00气温/℃ 8:00气温/℃ 14:00气温/℃
1 20.4~65.1 755 32.9 23.4 27.9 32.2
2 65.2~135.5 234 32.3 23.5 28.4 32.4
3 135.6~235.1 123 31.1 23.9 28.9 33.0
4 235.2~433.5 38 29.7 23.7 28.3 32.3
5 433.6~747.3 27 26.7 23.2 28.4 32.6
由表5可见,地表温度随地面高程的升高而逐渐降低,3个时刻的平均气温随高程呈抛物线变化,均在3级高程（135.6~235.1 m）平均气温最高。为进一步分析不同高程各类LCZ的热环境差异,分别对9类LCZ的5级高程温度进行方差分析,结果如表6所示。
表6 济南市6月各类LCZ地表温度与气温的方差分析

Tab. 6 Results of variance analysis of urban land surface temperature and air temperature in different LCZ in Jinan in June

LCZ类型 地表温度 4:00气温 8:00气温 14:00气温
F P F P F P F P
LCZ 11 111.64 0.0000 3.36 0.0103 28.54 0.0000 14.52 0.0000
LCZ 12 1.86 0.1795 11.99 0.0012 7.98 0.0070 2.78 0.1022
LCZ 13 1.50 0.2282 0.17 0.6805 4.02 0.0526 4.13 0.0495
LCZ 21 12.27 0.0000 4.07 0.0040 6.75 0.0001 2.93 0.0237
LCZ 22 6.05 0.0154 0.92 0.3391 0.76 0.3855 1.45 0.2316
LCZ 23 5.76 0.0177 2.01 0.1590 10.65 0.0014 3.02 0.0846
LCZ 31 22.79 0.0000 18.79 0.0000 13.16 0.0000 8.79 0.0000
LCZ 32 4.91 0.0086 20.93 0.0000 26.20 0.0000 19.67 0.0000
LCZ 33 1.57 0.2141 1.37 0.2452 0.36 0.5494 0.35 0.5545
由表6可见,不同位置高程LCZ31的地表温度和4:00、8:00.和14:00气温方差分析的F值对应的P值均小于0.0001,类内差异极为显著;LCZ32的地表温度和3个时刻气温方差分析的P值均小于0.01,类内差异比较显著;LCZ11、LCZ21的地表温度和3个时刻气温方差分析的P值均小于0.05,类内差异显著。这表明该4类LCZ在5级高程下的热环境呈现明显差异,其所处位置高程不同,热岛效应不同。LCZ33的地表温度和3个时刻气温方差分析的P值均大于0.05,表明LCZ33在5级高程下的热环境不存在明显差异;LCZ12的4:00气温和8:00气温在5级高程下存在显著差异,而其地表温度和14:00气温在5级高程下不存在显著差异;LCZ13的14:00气温在5级高程下存在显著差异,其他时刻气温和地表温度差异不显著;LCZ22的地表温度在5级高程下存在显著差异,3个时刻气温差异不显著;LCZ23的地表温度和8:00气温在5级高程下存在显著差异,4:00气温和14:00气温差异不显著。

4.4 热环境的影响因素

由于LCZ所处位置高程不同,热环境存在一定差异,因此,根据表5的高程分级标准,采用Spearman相关系数分别对5级高程和整个研究区的城市热环境（地表温度和3个时刻气温）和建筑空间分布指标进行相关分析并做显著性检验,结果如表7。
表7 城市热环境影响因素相关分析结果

Tab. 7 Results of correlation analysis of influencing factors of urban thermal environment

区域 热环境 H1 H2 S1 S2 S3 V1 V2 V3
5级高程 4:00气温 N N N N N N N N
8:00气温 N N S** N N S* N N
14:00气温 N N S** N N S* N N
地表温度 N N N N N N N N
4级高程 4:00气温 N N N N N N N N
8:00气温 N N N N N N N N
14:00气温 N N N N N N N N
地表温度 N N N N N N S* N
3级高程 4:00气温 S*** S** N N S*** S*** N S***
8:00气温 S*** S* N -S* S** S** N S***
14:00气温 S*** S* N -S* S** S*** N S***
地表温度 N N N N S* N N N
2级高程 4:00气温 S*** S*** S*** S*** S*** S*** S*** S***
8:00气温 S*** S*** S*** S*** S*** S*** S*** S***
14:00气温 S* S* S*** S** S*** S*** S** S***
地表温度 -S** -S** N N S** N N N
1级高程 4:00气温 S*** S*** S*** S*** S*** S*** S*** S***
8:00气温 S*** S*** N N S*** S*** S*** S***
14:00气温 S*** S*** N N S*** S*** S*** S***
地表温度 -S* N S*** S*** S*** N S*** S***
全市 4:00气温 S*** S*** S*** S*** S*** S*** S*** S***
8:00气温 S*** S*** S* N S*** S*** S*** S***
14:00气温 S*** S*** N N S*** S*** S*** S***
地表温度 -S* N S*** S*** S*** N S*** S***

注：N表示相关性不显著;-S*、-S**分别表示负相关性达到了0.05、0.01的显著性水平;S*、S**、S***分别表示正相关性达到了0.05、0.01、0.001的显著性水平。

由表7可见,LCZ所处位置高程不同,城市地表温度和气温与建筑空间分布指标的相关性存在较大差异,即位置高程不同,建筑空间分布指标对城市热环境的影响不同。1级高程区域内LCZ数量最多,占全市LCZ总数的64.1%。除8:00和14:00气温与S1、S2的相关性不显著外,3个时刻气温与各建筑空间分布指标的正相关性均达到了0.001以上的显著性水平;地表温度与H1呈负相关,且达到了0.05的显著性水平,与S1、S2、S3、V2、V3呈正相关,且达到了0.001以上的显著性水平,与H2、V1的相关性不显著。2级高程区域内LCZ数量也较多,占全市LCZ总数的19.9%,4:00气温和8:00气温与所有建筑空间分布指标的正相关均达到了0.001的显著性水平;14:00气温与S1、S3、V1、V3的正相关均达到了0.001的显著性水平,与S2、V2的正相关达到了0.01的显著性水平,与H1、H2的正相关达到了0.05的显著性水平;地表温度与H1、H2的负相关达到了0.01的显著性水平,与S3的正相关达到了0.01的显著性水平。3级高程区域内LCZ数量占全市LCZ总数的10.5%,3个时刻气温与H1、V3的正相关达到了0.001以上的显著性水平;4:00气温与S3、V1的正相关达到了0.001以上的显著性水平,与H2的正相关达到了0.01以上的显著性水平;8:00气温和14:00气温与H2的正相关达到了0.05的显著性水平,与S3的正相关达到了0.01的显著性水平,与V1的正相关分别达到了0.01和0.001的显著性水平,与S2的负相关达到了0.05的显著性水平;地表温度与S3的正相关达到了0.05的显著性水平。4级高程区域内LCZ数量占全市LCZ总数的3.2%,地表温度与V2的正相关达到了0.05的显著性水平。5级高程区域内LCZ数量占全市LCZ总数的2.3%,8:00气温和14:00气温与S1的正相关达到了0.01的显著性水平,与V1的正相关达到了0.05的显著性水平。从全市域来看,城市热环境与建筑空间分布指标的相关性与1级高程区域基本一致,差别仅在于8:00气温与S1的正相关达到了0.05的显著性水平。

5 结论

本文采用城市道路、DEM和建筑大数据进行LCZ分区,并基于Landsat 8遥感影像和站点气温分析济南市热环境空间分异、LCZ类内热环境差异及热环境影响因素,得出以下结论：
（1）济南市地表温度和不同时刻气温空间分布格局差异明显。建筑密集区域地表温度较高,同时存在不连续的较高气温区,呈现热岛效应。基于气温的热岛效应高于基于地表温度的热岛效应,存在较高地表温度异常值的LCZ数量占全市LCZ总数的0.25%,4:00、8:00和14:00存在较高气温异常值的LCZ数量分别占全市LCZ总数的1.60%、4.05%和3.96%。一天中,随气温升高,气温空间分布格局由城市中心向外围递减逐渐转变为大部分地区气温相近。
（2）LCZ类型是影响地表温度和气温的重要因素。LCZ类型不同,城市地表温度和不同时刻气温平均值存在明显差异,其较高和较低温度异常值也存在明显不同。LCZ31、LCZ32、LCZ21等类型存在较高气温异常值较多,分别占较高异常值总数的47.37%和33.33%、9.65%,存在类内热岛效应。LCZ12、LCZ13、LCZ23、LCZ33等类型无气温异常值,类内气温差异较小。
（3）LCZ类型不同,类内热岛效应存在差异。不同位置高程LCZ31、LCZ32的地表温度和4:00、 8:00和14:00气温方差分析的P值均小于0.01,LCZ11、LCZ21的地表温度和3个时刻气温方差分析的P值均小于0.05,该4种类型LCZ所处位置高程不同,热环境差异显著,类内热岛效应不同;LCZ33的热环境类内差异不显著;LCZ12、LCZ13、LCZ22、LCZ23等类型的地表温度和不同时刻气温的类内差异各异。
（4） LCZ所处位置高程不同,建筑空间分布指标对城市热环境的影响存在明显差异,LCZ所处位置高程越低,两者的相关性越显著,建筑空间分布指标对城市热环境的影响越明显。海拔高程235.2~433.5 m、433.6~747.3 m,城市热环境与绝大多数建筑空间分布指标的相关性不显著,8:00气温和14:00气温与建筑基底面积和建筑体积平均值的正相关分别达到了0.01和0.05的显著性水平。海拔高程20.4~65.1 m,65.2~135.5 m,LCZ数量最多,建筑分布密集,各建筑空间分布指标与城市热环境均存在不同显著性水平的相关性。建筑平均高度对地表温度和气温的影响明显不同,地表温度与之呈负相关,且达到了0.05以上的显著性水平,气温与之呈正相关,且达到了0.001的显著性水平。高层建筑对太阳辐射的遮挡作用,在一定程度上降低了地表温度,但同时对气温具有提升作用。城市热环境与建筑基底面积及建筑体积的平均值和标准差、建筑密度、容积率等各项指标均呈显著正相关,且大多达到了0.001的显著性水平,具有明显正向影响。
本文基于城市路网划分街区,并根据LCZ适宜的空间尺度探究了较小街区合并和较大街区拆分的技术方法,同时基于济南市建筑高度和建筑密度数据的分布特征探讨了LCZ的定量分类方法,据此实现LCZ分类、分区,与基于遥感数据进行LCZ分类相比,其定量化更加精确,有利于同类研究对比和参考。但本文主要基于城市建筑进行LCZ分类,未考虑植被平均高度及覆盖率、水体覆盖率等影响城市热环境的土地覆被指标。未来研究中,可进一步考虑通过遥感影像、城市大数据、地理国情普查等途径获取比较详尽精确的土地覆被指标,并综合建筑指标统一进行LCZ定量分类,使城市热环境及其影响因素研究更加全面,以便为城市规划和建设提供科学依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
江斯达, 占文凤, 杨俊, 等. 局地气候分区框架下城市热岛时空分异特征研究进展[J]. 地理学报, 2020,75(9):1860-1878.

DOI

[ Jiang S D, Zhan W F, Yang J, et al. Urban heat island studies based on local climate zones: A systematic overview[J]. Acta Geographica Sinica, 2020,75(9):1860-1878. ] DOI: 10.11821/dlxb202009004

DOI

[2]
刘衍, 慕凯凯, 韩冰, 等. 城市局地气候分类的地表热岛效应[J]. 哈尔滨工业大学学报, 2021,53(6):192-200.

[ Liu Y, Mu K K, Han B, et al. Surface urban heat island effect of local climate zone[J]. Journal of Harbin Institute of Technology, 2021,53(6):192-200. ] DOI: 10.11918/201910120

DOI

[3]
杨小山, 姚灵烨, 金涛, 等. 南京夏季城市局地气温时空变化特征[J]. 土木与环境工程学报(中英文), 2019,41(1):160-174.

[ Yang X S, Yao L Y, Jin T, et al. Temporal and spatial variations of local temperatures in the summer of Nanjing[J]. Journal of Civil and Environmental Engineering, 2019,41(1):160-174. ] DOI: 10.11835/j.issn.2096-6717.2019.020

DOI

[4]
刘敬, 慎利, 黄媛, 等. 基于局地气候分区的北京夜间热岛强度空间分异特征研究[J]. 地理与地理信息科学, 2020,36(5):39-45,64.

[ Liu J, Shen L, Huang Y, et al. Research on the spatial differentiation characteristics of nocturnal urban heat island intensity in Beijing based on local climate zones[J]. Geography and Geo-information Science, 2020,36(5):39-45,64. ] DOI: 10.3969/j.issn.1672-0504.2020.05.006

DOI

[5]
卢阳, 杨建思, 黄昕, 等. 面向局部气候带的城市形态对地表温度的影响分析[J/OL]. 武汉大学学报·信息科学版, 2020, https://doi.org/10.13203/j.whugis20200031.

[ Lu Y, Yang J S, Huang X, et al. Assessing the effects of urban morphology on land surface temperature in local climate zones[J/OL]. Geomatics and Information Science of Wuhan University, 2020, https://doi.org/10.13203/j.whugis20200031. ] DOI: 10.13203/j.whugis20200031

DOI

[6]
岳亚飞, 詹庆明, 王炯. 城市热环境的规划改善策略研究:以武汉市为例[J]. 长江流域资源与环境, 2018,27(2):286-295.

[ Yue Y F, Zhan Q M, Wang J. Optimizing the urban thermal environment: A case study in Wuhan, China[J]. Resources and Environment in the Yangtze Basin, 2018,27(2):286-295. ] DOI: 10.11870/cjlyzyyhj201802007

DOI

[7]
沈中健, 曾坚. 厦门市热岛强度与相关地表因素的空间关系研究[J]. 地理科学, 2020,40(5):842-852.

DOI

[ Shen Z J, Zeng J. Spatial relationship of heat island intensity to correlated land surface factors in Xiamen city[J]. Scientia Geographica Sinica, 2020,40(5):842-852. ] DOI: 10.13249/j.cnki.sgs.2020.05.019

DOI

[8]
林中立, 徐涵秋. 基于LCZ的城市热岛强度研究[J]. 地球信息科学学报, 2017,19(5):713-722.

DOI

[ Lin Z L, Xu H Q. A study of urban heat island intensity based on “local climate zones”[J]. Journal of Geo-information Science, 2017,19(5):713-722. ] DOI: 10.3724/SP.J.1047.2017.00000

DOI

[9]
蔡智, 韩贵锋. 山地城市空间形态的地表热环境效应—基于LCZ的视角[J]. 山地学报, 2018,36(4):617-627.

[ Cai Z, Han G F. Assessing land surface temperature in the mountain city with different urban spatial form based on local climate zone scheme[J]. Mountain Research, 2018,36(4):617-627. ] DOI: 10.16089/j.cnki.1008-2786.000358

DOI

[10]
Cai M, Ren C, Xu Y, et al. Investigating the relationship between local climate zone and land surface temperature using an improved WUDAPT methodology: A case study of Yangtze River Delta, China[J]. Urban Climate, 2018,24:485-502. DOI: 10.1016/j.uclim.2017.05.010

DOI

[11]
Cilek M U, Cilek A. Analyses of land surface temperature (LST) variability among Local Climate Zones (LCZs) comparing Landsat-8 and ENVI-met model data[J]. Sustainable Cities And Society, 2021,69:102877. DOI: 10.1016/j.scs.2021.102877

DOI

[12]
Zhao G S, Dong J W, Liu J Y, et al. Different patterns in daytime and nighttime thermal effects of urbanization in Beijing-Tianjin-Hebei urban agglomeration[J]. Remote Sensing, 2017,9(2):121.DOI: 10.3390/rs9020121.

DOI

[13]
Stewart I D, Oke T R. Local climate zones for urban temperature studies[J]. Bulletin of the American Meteorological Society, 2012,93(12):1879-1900. DOI: 10.1175/BAMS-D-11-00019.1

DOI

[14]
Oke T R, Mills G, Christen A, et al. Urban Climate[M]. New York: Cambridge University Press, 2017.

[15]
He B J, Ding L, Prasad D. Wind-sensitive urban planning and design: Precinct ventilation performance and its potential for local warming mitigation in an open midrise gridiron precinct[J]. Journal of Building Engineering, 2020,29:101145. DOI: 10.1016/j.jobe.2019.101145

DOI

[16]
Bechtel B, Alexander P J, Böhner J, et al. Mapping local climate zones for a worldwide database of the form and function of cities[J]. ISPRS International Journal of Geo-Information, 2015,4(1):199-219. DOI: 10.3390/ijgi4010199

DOI

[17]
Chung L C H, Xie J, Ren C. Improved machine-learning mapping of local climate zones in metropolitan areas using composite Earth observation data in Google Earth Engine[J]. Building and Environment, 2021,199:107879. DOI: 10.1016/j.buildenv.2021.107879

DOI

[18]
Wang R, Ren C, Xu Y, et al. Mapping the local climate zones of urban areas by GIS-based and WUDAPT methods: A case study of Hong Kong[J]. Urban Climate, 2018,24:567-576. DOI: 10.1016/j.uclim.2017.10.001

DOI

[19]
Quan S J, Bansal P. A systematic review of GIS-based local climate zone mapping studies[J]. Building and Environment, 2021,196:107791. DOI: 10.1016/j.buildenv.2021.107791

DOI

[20]
Zhao C H, Jensen J L R, Weng Q H, et al. Use of local climate zones to investigate surface urban heat islands in Texas[J]. GIScience & Remote Sensing, 2020,57(8):1083-1101. DOI: 10.1080/15481603.2020.1843869

DOI

[21]
Stewart I D, Oke T R, Krayenhoff E S. Evaluation of the local climate zone scheme using temperature observations and model simulations[J]. International Journal of Climatology, 2014,34(4):1062-1080. DOI: 10.1002/joc.3746

DOI

[22]
岳文泽, 刘学. 基于城市控制性详细规划的热岛效应评价[J]. 应用生态学报, 2016,27(11):3631-3640.

[ Yue W Z, Liu X. Assessment on heat island effect based on urban regulatory planning[J]. Chinese Journal of Applied Ecology, 2016,27(11):3631-3640. ] DOI: 10.13287/j.1001-9332.201611.019

DOI

[23]
Khamchiangta D, Dhakal S. Future urban expansion and local climate zone changes in relation to land surface temperature: Case of Bangkok Metropolitan Administration, Thailand[J]. Urban Climate, 2021,37:100835. DOI: 10.1016/j.uclim.2021.100835

DOI

[24]
天地图·山东省地理信息公共服务平台.http://www.sdmap.gov.cn/page/ResourceCenter.html.

[ Map world·Shandong geographic information public service platform.http://www.sdmap.gov.cn/page/ResourceCenter.html.]

[25]
美国地质调查局. https://earthexplorer.usgs.gov/.

[ United States Geological Survey, USGS. https://earthexplorer.usgs.gov/.]

[26]
中华人民共和国住房和城乡建设部. 民用建筑设计通则:GB50352—2005[S]. 北京: 中国建筑工业出版社, 2005.

[ Ministry of Housing and Urban-Rural Development of the People's Republic of China. Code for design of civil buildings: GB50352— 2005[S]. Beijing: China Architecture and Building Press, 2005. ]

[27]
中华人民共和国住房和城乡建设部. 民用建筑设计通则:GB50352—2019[S]. 北京: 中国建筑工业出版社, 2019.

[ Ministry of Housing and Urban-Rural Development of the People's Republic of China. Code for design of civil buildings: GB50352—2019[S]. Beijing: China Architecture and Building Press, 2019. ]

[28]
苏金明, 张莲花, 刘波 等. Matlab工具箱应用[M]. 北京: 电子工业出版社, 2004.

[ Su J M, Zhang L H, Liu B, et al. Application of Matlab toolbox[M]. Beijing: Publishing house of electronics industry, 2004. ]

[29]
Kwok Y T, Schoetter R, Lau K K L, et al. How well does the local climate zone scheme discern the thermal environment of Toulouse (France)? An analysis using numerical simulation data[J]. International Journal of Climatology, 2019,39(14):5292-5315. DOI: 10.1002/joc.6140

DOI

Options
Outlines

/

〈 〉