城市破碎绿化覆盖与热环境的关系

程安祺 Luis Inostroza

摘要：在全球变暖和城市热岛（Urban Heat Island，UHI）现象加剧的趋势下，越来越多的城市居民将暴露于极端的高温天气中。城市绿地通过蒸腾作用和改变地表反射率降低了城市温度，提供了调节温度的生态系统服务功能。文章基于Landsat 5 TM卫星图像分析了德国波鸿市1989-2009年城市建设区域的破碎绿化覆盖率变化和地表温度（Land Surface Temperature，LST）变化，结果表明，在这20年间，波鸿市整体破碎绿化覆盖率有增加的趋势，并且缓解了城市热岛现象;通过地理加权回归（Geographically weighted regression，GWR）分析得知，绿化覆盖率与地表温度的变化具有显著的空间相关性;绿化覆盖率每上升10%，城市平均地表温度可降低0.98°C～1.29°C。借鉴波鸿城市发展经验，工业用地景观转型与提高破碎绿化覆盖率是有效缓解城市热岛现象的途径。

关键词：城市热岛（UHI），地表温度（LST），生态系统服务，线性回归，地理加权回归

DOI：10.12169/zgcsly.2019.09.22.0002.

在全球变暖的背景下，极端高温天气的出现频率和强度不断加强[1-2]。城市化过程中，一方面由于自然的地表被不透水的地面取代，使地表吸收的太阳辐射量增加;另一方面，雨水通过雨洪管道快速排离地面，使蒸腾作用减少。加之高层建筑阻碍了风流动，导致城市内部空气和地表温度的升高，产生了城市热岛（Urban Heat Island，UHI）现象。UHI将会引起热浪和加剧空气污染[3]。

基于UHI产生的机制，城市绿地空间或者城市绿色基础设施被验证能在炎热的气候中降低空气和地表温度的最高值[4-5]，提供调节温度的生态系统服务，造福城市居民。现有绿地降温效应的证据往往基于特定绿地的观察性研究，例如许多研究关注于特定城市公园以及城市公园特征[6-7]与降温效应的关系。但是在更大的城市尺度上，绿地介人影响地表或者空气温度的研究还很缺乏[4]。

本研究以德国波鸿市作为研究对象，在城市尺度上探索了长时序破碎绿化与城市热环境变化之间的关系。波鸿市是20世纪德国重要的工业城市，在工业逐渐衰败后面临着城市转型的问题。本研究中绿化覆盖率与LST数据均由Landsat 5 TM遥感图像处理得到。研究目的包括：波鸿市1989-2009年的破碎绿化覆盖率与城市热岛比例指数变化、绿化覆盖率与地表温度变化之间的空间相关性、绿化覆盖率与地表温度变化之间的量化关系。

1研究區域概况

波鸿市位于德国西北部、多中心城市群鲁尔地区，面积145.4km2，拥有人口37.16万，是德国的第16大城市。气候类型为温带海洋性气候，全年温和潮湿。20世纪，城市因煤矿与钢铁行业快速发展，1970年后因矿产枯竭开始了后工业时代的工业转型。与中国大多数发达城市不同，波鸿市面积较小，根据其城市用地规划，波鸿城市用地包括农田、森林用地。

2数据来源与研究方法

2.1研究范围预处理

为了提取破碎绿化覆盖数据，排除波鸿市域范围内森林、农田、水体和城市大型绿地用地，本研究进行了研究范围预处理。在地理信息平台中（ArcGIS）创建了边长50m的正方形网络作为数据统计的单元，以UrbanAtlas2012用地数据集（https：//land.copernicus.eu/local/urban-atlas/ur-ban-atlas-2012）为参考（Urban Atlas用地数据集由Copernicus EU机构提供，包括泛欧洲超过1500个城市的矢量用地数据、人口数据等，数据通过遥感图像地物识别得到），将城市绿地、森林、农田与水体4类用地排除在外，计算每个正方形网格中其他城市用地比例。拥有50%以上比例的研究单元被选择作为最终的研究范围，也就是说，研究单元内部保留了破碎化的绿地与绿化，包括建筑附属绿地、道路绿化等。

2.2数据来源：Landsat 5 TM卫星图像

以美国Landsat 5 TM卫星图像（http：//earthexplorer.usgs.gov/）为原始数据，图像分辨率为30m，采用1989年5月25日、1995年6月27日、2000年5月14日、2005年5月28日和2009年6月24日共5个时间点的卫星图像提取绿化覆盖率和地表温度数据。5个日期时间范围在5～6月，以保障植被相对相同的生长状态，卫星图像均无云遮挡。卫星图像在ArcGIS平台中进行处理，得到5年的绿化覆盖率和地表温度数据，并进行后续分析。

2.3绿化覆盖率计算

利用最大似然比分类方法对历史卫星影像进行绿地提取的方法由于缺少相应时间的清晰历史地区卫星图像而无法得到比对数据，因此本研究利用归一化植被指数（normalized diference vege-tation index，NDVI）计算绿化覆盖率。

NDVI是研究城市气候中最常见的指标之一，可以通过遥感图像中的可见红光和近红外光频道计算得到，公式如下：

NDVI=（NIR-RED）/（NIR+RED）（1）其中，RED是可见红光频道，即第三频道;NIR是近红外光频道，即第四频道。

Sobrine等[8]提出，NDVI值可以指示不同的植被覆盖情况，分为以下3种：1）NDVI<0.2，绿化覆盖率=0;在这种情况下，像素可被视作没有绿化覆盖;2）NDVI>0.5，绿化覆盖率=1;NDVI值大于0.5的像素点，全域被植被覆盖。3）0.2≤NDVI≤0.5，绿化覆盖率=0.5;NDVI值大于等于0.2小于等于0.5的像素点，部分被绿地覆盖。在这种情况下，被赋予绿化覆盖率值0.5。

对NDVI值进行重分类赋值后，计算每一研究单元内的植被覆盖平均值，并通过隔年相减得到绿化覆盖率的年间变化值。

2.4地表温度（LST）反演

Landsat 5 TM卫星中的热红外频道即第六频道记录了地表物体、环境和大气的辐射之和。本研究采用大气校正法，从热红外遥感反演地表温度，具体分为3个步骤：1）计算卫星传感器接收到的热红外辐射值;2）计算卫星传感器接收到的亮度温度;3）利用普朗克公式计算地表温度。步骤涉及的公式在诸多研究中已经应用[8-9]，本文不再赘述。在步骤3）中，本研究采用了Sobrino等[8]的方法，利用NDVI计算地表环境辐射，纠正环境对数据的影响。

虽然获取的5年遥感卫星图像日期相近，但天气仍有不同。为了比较多年数据，需要对各年的LST数据进行处理。研究计算了各年研究区域内的整体平均温度与每个研究单元内平均温度相减，得到研究单元的相对LST，隔年相减得到相对LST的变化值。

2.5城市热岛比例指数（URI）计算

为了定量反应城市热岛的变化，引入城市热岛指数（URI）。该指数通过热岛面积和城市建成区面积的比例关系，并赋予不同的权重值定量评估热岛现象的变化情况[10]。指数越大，热岛现象越严重。城市热岛比例指数的计算公式如下[10]：

其中，m为正规化相对温度等级指数（本研究中共分为7级，具体见图4图例部分），i为城区高于郊区的温度等级，n为城区高于郊区的温度等级数（本研究中取3，即相对地表温度大于10°C，5C，39C），wi为第i级的级值，pi为第i级的百分比。

2.6数据分析模型

现有研究主要采用两种方法就绿地指标或特征与地表温度之间的相关性提出量化结论。第1种利用单元线性回归对随机采样的数据点散点图进行拟合[6，11]。例如李膨利[12]以北京为例，拟合多点数据得到NDVI与地表温度之间的量化关系：NDVI每提高0.1，地表温度下降0.4°C～0.77°C。然而，其回归方程的最佳拟合度仅有0.55。这也是类似研究共同的问题，由于地表温度同时受到周围环境的影响，因此单纯的线性回归拟合优度并不理想。

第2类量化研究通过预先处理数据，统计各分类用地的平均地表温度进行线性回归拟合。例如Coutts等[13]以澳大利亚墨尔本市为例，在一次.极端高温天气期间，统计了不同植被覆盖比例用地（以10%为间隔）的地表温度，并对数据进行了拟合。这种方法得到的模型拟合优度较高，但没有落实到空间上。

为了选取拟合度较高的模型以及探讨空间相关性，本研究采用两种模型来反应绿化覆盖率变化与地表温度变化的关系。第1種采用上述第2类线性回归模型，对绿化覆盖率变化数据以10%为间隔取值，计算每一级别的平均相对地表温度变化值进行单元线性回归拟合;第2种采用地理加权回归模型检验绿化覆盖率与地表温度之间的空间相关性。

地理加权回归（GWR）分析是探索变量之间的空间相关性的数据分析模型[14]。每一点的校正系数根据其地理位置加权所得，距离越近，其他数据点对研究点的影响越大，反之则小[15]。地理加权回归模型强调了变量间关系的局部特性，适用于揭示空间异质性变量之间的关系。在本研究中，绿化覆盖率与LST均为非连续变量，采用地理回归加权方法探究二者之间的关.系更为合理。

基础的GWR模型公式如下：

其中，Yi是在位置i处的因变量，Xik是第k个在位置i处的自变量，m是自变量的数量，βi0是位置i处的截距参数，βik是位置i处的第k个自变量的局部回归系数，εi是位置i处的随机误差。

3结果与讨论

3.1总体绿化覆盖率和地表温度变化

对比研究1989-2009年每个研究单元的绿化覆盖率（图1）与全研究区域的平均绿化覆盖率.（图2），结果发现，20年间波鸿市高密度城区整体绿化结构变化不大，1989，19952000，2005和2009年的平均绿化覆盖率为48.18%，50.63%，51.50%，51.22%和54.51%，总体绿化覆盖率提高了6.33%。相较整体绿化覆盖率的上升，绿化覆盖率大于50%的区域比例反而下降（图3），整体绿化覆盖更为破碎化。

1989-2009年的相对地表温度分布如图4所示，将相对地表温度分为7个等级（即城市热岛比例指数计算方法中的正规化相对温度等级m，低温、较低文、次低温、中温、次高温、较高温、高温），通过对照历史地图，呈现较高温（相对地表温度大于3°C）的区域大部分是工业用地、裸地和高密度的商业居住用地。20年间，较高温区域所占比例有所下降（图5），城市热岛比例指数也由1989年的0.155下降到0.128，且整体呈现下降趋势，城市热岛现象得到了缓解（图6）。

3.2平均温度线性回归分析

以10%为一梯段对绿化覆盖率进行分档，并计算每一档的平均温度变化，利用单元线性回归对数据进行拟合，结果见图7。1989-1995，1995-2000，2000-2005，2005-2009年的线性回归模型R2分别为0.984，0.909.，0.985和0.966（表1），模型拟合优度较高。根据各年份拟合回归方程，绿化覆盖率每上升10%，地表温度下降0.98°C～1.29°C。

3.3地理加权回归（GWR）分析

绿化覆盖率与地表温度变化的地理加权回归分析结果如图8，反应了各个研究单元的系数标准差，标准差与实际系数值相比越小，估计值可信度越高。对标准差结果进行空间自相关（Moran I）检验，结果均接近0，显示GWR模型的标准差分布较为随机。

表2为各年间GWR分析的拟合优度R2，分别为0.847，0.769，0.827和0.760。20年间的数据结果表明，绿化覆盖率与地表温度的变化有显著的空间相关性。查看标准差较小的具体研究单元的数值可见二者具有负相关性，即绿化覆盖率提高，地表温度下降，反之上升。

3.4討论

许多研究表明，绿地面积大小与其对周边地区的降温能力具有正相关关系，即绿地面积越大，降温效应越显著且稳定[16-18]个别小尺度的绿地甚至会出现保温效应，产生与降温相反的结果[17]。但是在更大的城市尺度上，总量具有一定面积的破碎化绿地仍然能有效降低温度[16]，本文以波鸿为例，利用GWR分析与线性回归分析证实了这一结论。高密度城市建成区往往建设用地有限，大型绿地空间有限，绿地空间往往呈现面积小、破碎度大的特点。除了大型绿地的建设之外，提高破碎绿地的比例同样对降低城市温度有着积极的意义，因此破碎绿化覆盖率的提高可作为高密度城区缓解热压力的发展重点。研究结果为高密度城市规划中的绿地规划应用提供了依据。

但是，研究采用的数据年份跨度较大，从遥感图像中准确地直接读取绿化覆盖信息缺少对照地数据，因为采用了NDVI作为读取绿化信息的中间指标。这种转化过程一定程度上影响了绿化覆盖率数据的准确度。

4对中国城市绿地规划的启示

本研究以波鸿市为例证明了城市尺度上破碎绿化与地表温度间的空间相关性。波鸿市20年间城市热岛比例指数下降，得益于工业衰退后的逆城市化的过程，1989年鲁尔地区开启了埃姆舍景观公园项目（IBA Emscher Landscape Park），策略之一即对鲁尔地区的工业场地进行城市更新景观转化[19]，其中波鸿城西公园就建设在钢铁厂原址上。在近期建设项目中，波鸿市将应对气候变化作为重要的规划目标，在规划中要求一定比例的建筑带有屋顶花园[20]。对于许多中国发达城市来说，波鸿市的城市发展具有借鉴意义。

1）把握工业用地转型机会。与波鸿市相同，中国许多发达城市的建成区可待开发用地较少，但同时正进行或面临产业转型，大量工业外迁，工业用地亟待更新。工业用地的更新转化是发达城市提高绿化覆盖率的机遇。在传统工业用地更新的规划中，应将绿化指标作为重要的考量指标之一。

2）重视城市破碎化绿化对缓解城市热岛现象的作用。本研究证明了破碎绿化覆盖率与地表温度间的空间相关性，除了大型的公园绿地、水域之外，破碎绿化对缓解城市热岛现象有着显著的作用，这些绿化包括行道树、街旁绿地、建筑附属绿地等。在城市空间更新改造的过程中，应充分利用闲置地块建设小型的绿化空间;同时，增加立体绿化、屋顶绿化也是提升破碎绿化覆盖率的策略。

参考文献

[ 1]EASTERLING D R， EVANS J L， GROISMAN P Y，et al.Observed variability and trends in extreme climate events： a brief review[J]. Bulletin of the American Meteorological Society ， 2000， 81（3） ：417-426.

[2]ST0TT P A，STONE D A，ALLEN M R.Human contribution to the .European heatwave of 2003[ J].Nature ， 2004 ，432（ 7017） ：610-614.

[ 3]LOUGHNER C P ，ALLEN D J，ZHANG D L， et al. Roles of urban tree canopy and buildings in urban heat island effects ： Parameter-ization and preliminary results[ J] .Journal of Applied Meteorology and Climatology ，2012 ，51（ 10） ：1775- 1793.

[4] BOWLER D E， BUYUNG一ALI L， KNIGHT T M， et al. Urban .greening to cool towns and cities： A systematic review of the em-pirical evidence [ J]. Landscape and urban planning， 2010， 97（3）：147-155.

[5]COUTTS A M， BERINGER J， TAPPER N J. Impact of increasing urban density on local climate ： Spatial and temporal variations in the surface energy balance in Melbourne ， Australia[ J]. Journal ofApplied Meteorology and Climatology ，2007 ，46（4） ：477-493. .

[ 6]CHENG X， WEI B ，CHEN G，et al. Influence of park size and its surrounding urban landscape patterns on the park cooling effect[ J]. Journal of Urban Planning and Development， 2014， 141（3） ：A4014002.

[7]CAO X， ONISHI A， CHEN J， et al.Quantifying the cool island in-tensity of urban parks using ASTER and IKONOS data[ J ] .Land-scape and urban planning ，2010， 96（4） ：224-231.

[8]SOBRINO J A ，JIMENEZ一MUNOZ J C， PAOLINI L. Land surface .temperature retrieval from LANDSAT TM 5[ J]. Remote Sensing ofenvironment ， 2004 ，90（ 4） ：434-440.

[9]LI J， SONG C， CAO L， et al. Impacts of landscape structure on surface urban heat islands：A case study of Shanghai ， China[J].Remote Sensing of Environment ， 2011，115（ 12） ：3249-3263.

[10]徐涵秋，陳本清.不同时相的遥感热红外图像在研究城市热岛变化中的处理方法[J].遥感技术与应用，2003（3）：129-133，185.

[ 11] ZHANG X， ESTOQUE R C， MURAYAMA Y. An urban heat island study in Nanchang City ， China based on land surface . tem-perature and social-ecological variables [ J ]. Sustainable cities and society ，2017（32） ：557- 568.

[12]李膨利，穆罕默德·阿米尔·西迪基，刘东云.基于遥感技术.的城市下垫面参数与热环境关系的研究：以北京市朝阳区为例[J].风景园林，2019，26（5）：18-23.

[ 13] COUTTS A， HARRIS R. A multi-scale assessment of urban heating in Melbourne during an extreme heat event： policy ap-proaches for adaptation Technical Report[ Z ] .2012.

[ 14] INOSTROZA L， DE LA BARRERA F. Ecosystem Services and Urbanisation. A Spatially Explicit Assessment in Upper Silesia，Central Europe [ C ] . IOP Conference Series： Materials Science and Engineering. IOP Publishing ， 2019，471（9） ：092028.

[ 15] MCMILLEN D P. Geographically Weighted Regression： The A-nalysis of Spatially Varying Relationships [ J] . American Journal of Agricultural Economics ， 2004 ， 86（2） ：554- 556.

[ 16] KONG F， YIN H，JAMES P， ;et al. Efects of spatial pattern of greenspace on urban cooling in a large metropolitan area of east-ern China[ J]. Landscape and Urban Planning， 2014， 128 ：35-47.

[ 17] XIAO X D， DONG L， YAN H， ET AL. The influence of the spatial characteristics of urban green space on the urban heat is-land effect in Suzhou Industrial Park [ J ] . Sustainable cities and society ， 2018 ，40 ：428-439.

[ 18] FEYISA G L，DONS K， MEILBY H. Efficiency of parks in miti-gating urban heat island effect： An example from Addis Ababa[J].Landscape and Urban Planning， 2014， 123 ：87-95.

[19]林樂乐.德国鲁尔区工业城市更新过程中的景观转化：以波鸿城西公园为例[J].风景园林，2015（1）：112-116.