长江经济带中部大都市气候变化与土地利用响应<br/>——以武汉市为例

长江经济带中部大都市气候变化与土地利用响应
——以武汉市为例

2021-05-11尹梦晗

中国农业大学学报 2021年6期

尹梦晗艾东，2* 叶菁

(1.中国农业大学土地科学与技术学院，北京 100193；2.中国农业大学自然资源部农用地质量与监控重点实验室，北京 100193；3.中国地质大学(武汉) 公共管理学院，武汉 430074)

全球气温不断上升，极端气候事件(如高温热浪、大风、暴雨、寒潮、洪涝、干旱等)频繁发生，已经严重威胁了人类的生命健康和经济的有序发展[1]。联合国政府间气候变化专门委员会(IPCC)关于全球变暖趋势的第5次评估报告称：“1901—2012年的100多年，全球地表温度升高了0.89 ℃；21世纪的头10年是有史以来最热的10年，但预计全球地表温度将继续升高，到本世纪末达到比工业革命前高1.5～2.0 ℃的水平[2]。”同时，城市化进程的不断推进使得建设用地迅速扩张，地表硬化增加。由城市化引起的地表和大气变化通常导致气温升高，这一现象比周围的非城市化地区表现更剧烈，尤其是在夜间更为突出[3]。1958年，Manley[4]正式将这种现象定义为“城市热岛效应”。城乡温度升高差距越大，表明热岛效应越剧烈；反之，则表明热岛效应尚不明显。城市热岛效应问题已不再是单纯的气候问题，也严重阻碍城市化进程和生态环境的可持续发展[5]。如何减缓城市热岛效应，降低地表温度,解决城市重要生态问题，已成为全球研究热点。

常用的热岛效应研究方法有气象站点观测法[6-7]和地表温度反演法[8-9]。由于我国气象站点有限，数据缺乏普遍性，且数据搜集困难，不适合进行大范围分析[10]。随着遥感技术的不断发展和完善，使得遥感数据成为获取一系列热岛效应指标的良好数据源，特别是Landsat遥感影像因其具有较高的分辨率、良好的连续性、数据的可获取性，被广泛应用。已有研究比较了不同遥感影像地表温度反演方法的适用情况与精度[11-14]。随着该领域研究的逐步深入，城市热岛与土地利用/覆被变化的叠加分析逐渐成为研究热点：边晓辉等[15]基于湖州市4 期遥感影像分析了土地利用和覆被变化对城市热岛效应的响应及影响因素的相关性；余俞寒等[16]基于武汉城市群2005—2015年3 期地表温度数据，建立了城市热岛与土地利用空间格局之间的回归模型，并模拟预测现有土地利用变化趋势下城市热岛效应演变规律；杨智威等[17]从社会、经济、环境角度选取人口密度、建设用地面积、水体面积等5 项影响因子建立其与粤港澳大湾区区域地表温度间的多元线性回归模型，并得出单元人口密度、建设用地面积与城市热岛空间格局具有较强相关性的结论。

然而，已有研究多侧重于各地类对城市热岛的影响，其中建设用地对城市热岛的影响研究也多关注于宏观层面，如城市整体建设用地扩张、不透水面率增加对城市热岛的增温效应[18-20]，极少有研究对建设用地进行细分。在探究不同建设用地类型对城市热岛的影响程度，杨敏等[21]考虑了工业园区、住宅和商业用地的不同作用，但只是进行了定性分析。因此，有必要开展工业、商业、住宅、交通等不同建设用地类型对城市热岛影响定量研究，通过国土空间规划配置建设用地布局，减缓城市热岛效应。

武汉作为长江经济带中部大都市，在长江中游城市群发展中起核心作用。武汉是中国水域面积最大的城市，也是中国著名的“火炉”城市之一。武汉热岛效应明显[22]，同时随着城市化进程加速，不透水面逐渐增加，城市热岛面积不断增长[19]，从而成为城市热岛效应的典型研究区。

因此，本研究拟以长江经济带典型城市武汉为研究区域，首先利用Landsat-5的TM数据以及Landsat-8的OLI/TIRS数据对武汉地表温度进行了反演；同时，为减少误差，降低数据的不确定性，对反演的地表温度进行均值无量纲化处理，分析武汉市1996—2016年热岛效应时空演变特征；其次，基于1996—2016年土地利用类型图，分析各用地类型对城市热岛的影响；最后，在此基础上，利用POI点将建设用地进一步分为工矿仓储、交通运输、商业等类型，采用Logistic回归模型定量探究不同建设用地对热岛的影响，以期为武汉市国土空间规划，建设用地合理布局，优化城市人居环境提供参考。

1 研究区域与数据来源

1.1 研究区概况

武汉地处长江中游，是湖北省省会，长江经济带的核心城市。全市下辖13 个行政区，南北最大纵距约154.0 km，东西最大横距132.1 km。武汉大部分地区位于平坦平原，属亚热带季风气候，常年雨量丰沛，气温居高。武汉市内湖泊众多，湿地资源丰富，居全球内陆城市前3位。武汉作为新一线城市，近年来发展迅速，地区生产总值在2018年达到1.484 万亿元，城市建设迅猛发展，其建成区面积在省会城市中高居第2位。

1.2 数据来源及预处理

1.2.1遥感影像

本研究中应用Landsat影像数据进行地表温度反演，来源于美国陆地卫星计划，下载自美国地质勘探局官网(http:∥glovis.usgs.gov)。目前常用Landsat数据有：Landsat-5对应TM传感器，具有一个热红外波段，分辨率为120 m；Landsat-7对应ETM+传感器，具有一个热红外波段，分辨率为60 m；Landsat-8影像对应TIRS传感器，具有2个热红外波段，分辨率为100 m。为降低数据的不确定性，以6、7、8月影像地表温度的平均值作为夏季平均地表温度数据。综合考虑云量、各月温度、各传感器开始使用及停止时间后，选取了9个遥感影像数据(表1)。

表1 本研究所用遥感影像Table 1 Remote sensing images used in this study

因为武汉地处2 个条带号和行编号的交汇处，所以每个时相下载了3 幅影像进行镶嵌后，应用武汉行政区划的矢量文件提取武汉市影像。同时，在ENVI中对影像进行了大气校正和镶嵌裁剪等预处理工作。

1.2.2POI数据

本研究采用的POI数据为高德地图采集的2016年武汉市兴趣点数据。高德地图以地图导航为基础，生成大数据，基本上包含了研究区内的实体对象，可以对城市的中心热点进行识别和分析集聚特征。采集到的兴趣点共124 812个，包含住宅小区、金融服务、医疗服务等类别。

原始的POI数据只有地理坐标系，为其定义投影坐标系，导出属性表至EXCEL进行数据的筛选，删除了无效数据和重复数据共18 715个。同时按照三调土地利用分类，对应POI类型将整体分为商服用地(表2，1～9类POI)、住宅用地、公共管理与公共服务用地(表2,11～18类POI)、交通运输用地及工矿仓储用地(表2,19～20类POI)，最终选取商服用地点82 736个，住宅用地点5 950个，公共管理与公共服务点16 428个，工矿仓储点983个。

2 研究方法

2.1 地表温度反演

2.1.1辐射亮温计算

亮度温度是在卫星高度上传感器探测波段范围内，普朗克黑体辐射函数与传感器响应函数乘积积分得到的辐射值[22]。其计算公式如下：

T1=K2/ln(K1/Lλ+1)

(1)

式中：T1为亮度温度，单位为K；K1、K2为定标常数，可从遥感影像的头文件中查到；Lλ为辐射强度，可基于ENVI自带的辐射定标功能直接算出。

2.1.2植被覆盖度计算

植被覆盖度指某一地区上植被覆盖程度，体现该地区绿化程度和绿地分布，可由归一化植被指数计算(NDVI)得到。公式为[23]：

PV=NDVI-NDVIs/NDVIv-NDVI

(2)

式中：PV为植被覆盖度；NDVI可由ENVI直接计算，NDVIs和NDVIv分别为裸土区和完全植被区的NDVI取值。当NDVI>0.7时，PV取值为1；当NDVI<0.05时，PV取值为0。

2.1.3地表比辐射率计算

地表比辐射率(ε)是指在同一温度下地表发射的辐射量与一黑体发射的辐射量的比值，与地表组成成分、地表粗糙度、波长等因素有关[24]。其计算公式为：

ε=0.004PV+0.986

(3)

表2 POI数据类型及数量Table 2 POI types and quantities

2.1.4单窗算法计算地表温度

采用单窗算法反演3个时相的地表温度。首先计算大气透射率，可根据大气湿度或水分含量得出。其计算公式为[14]：

C=τε

(4)

D=(1-τ)[1+τ(1-ε)]

(5)

式中：C、D为计算中间量；τ为大气透射率，可根据大气湿度或水分含量得出，取经验值0.894[22]。

TS={a(1-C-D)+[b(1-C-D)+
C+D]T1-DTa}/C

(6)

式中：TS为地表温度，K；Ta为大气均温，K，可处理气象站近地表温度来代替。

2.2 城市热岛界定

由于所选取的遥感影像时间、云量存在差异，因此对地表温度进行均值无量纲化处理，使得影像数据具有可比性，能够有效反映热岛效应的强弱。计算公式如下：

(7)

表3 热岛强度分级标准Table 3 Classification standard of heat island strength

2.3 城市热岛与土地利用响应分析

2.3.1监督分类

监督分类，又称“训练分类法”，其通过定量的事先已知的像元样本判别其他未知类别[25]。常用的监督分类方法为“最大似然法”:假设每个波段每一类统计都呈正态分布，计算像元属于某一训练样本的似然度，将像元归为似然度最大的一类中[26]。具体操作流程为：

1)选择训练样本。监督分类的实施依赖训练样本的选取，其准确度会直接影响分类结果。在选取样本时需保证样本在研究区内均衡分布且具有代表性。同时，在样本选取完成后需要通过样本可分离度验证，若两值均>1.9说明样本之间可分离性好，属于合格样本；<1.8则需要重新选择样本，<1就考虑将2类样本合成一类样本。

因此，本研究利用已进行预处理的遥感影像进行训练样本选择，并根据论文需要将地类分为4 类—“耕地、建设用地、水域以及绿地”，其中绿地不仅包括城市绿地还包括了林地。经过目视解译判读及不断调试，最终本研究选择的训练样本如图1所示。除水域外，各地类训练样本数量均在10 个以上，且均匀分布在各行政区内。因水域特征较为明显，故在训练样本选取时保证具有代表性即可。3 个时相训练样本的分离度验证结果如表4所示。

图1 训练样本分布图Fig.1 Distribution of training samples

2)执行监督分类。运用最大似然法进行监督分类，分类完成后1996年影像分类精度96.750 8%，Kappa系数0.955 4；2006 年影像分类精度97.659 1%，Kappa系数0.967 9；2016 年影像分类精度96.406 2%，Kappa系数0.952 0，均达到精度要求，可以使用。

2.3.2核密度分析

核密度估计法在空间形态研究中可借用于分析高低形态指标的集中分布区，可以分析数据分布的核心区域，适用于研究高度、密度和强度的空间分布。

在核密度估计法中，拟估计的概率密度函数的一般形式为：

(8)

表4 样本可分离度验证结果Table 4 Sample separability results

为数据样本个数；Xi为第i个采样值；K为核函数；h为核函数的带宽[27]。一个常用的核密度估计函数的表达式为：

(10)

式中：K为核函数； (x-xi)2+(y-yi)2是点(xi，yi)和(x，y)之间的距离；h是带宽，m；n是范围内的点数。

2.3.3Logistic回归模型

Logistic回归模型用于探究因变量与自变量间的非线性关系[28]，其因变量一般为二分变量，取值通常为0或1，也可为多分类变量；自变量可以为分类变量也可连续[29]。如果考察自变量对因变量的影响程度，一般将连续变量转化为分类变量后再纳入模型。因此，根据Logistic回归模型特点，以武汉热岛强度作为因变量，将武汉市非热岛区赋值为0，热岛区赋值为1；以各类型建设用地密度为自变量，由高到低分为5 类。模型公式如下[30]：

(11)

式中：P为热岛效应发生概率；X1,X2,…,Xn为影响热岛效应的因素；β1,β2,…,βn为回归系数，其绝对值越大对热岛效应发生概率影响越大[31]。模型采用Wald对回归系数进行检验，取显著性水平为0.05，当Wald统计量对应的概率P值<0.05时，则认为该解释变量的回归系数与零有显著差异，应保留在方程中；反之,则不能通过显著性检验应被去除[32]。

3 结果与分析

3.1 武汉热岛效应时空演变

3.1.1武汉市地表温度反演结果

利用多源遥感影像，运用单窗算法，反演武汉市1996—2016年地表温度结果如图2所示。根据数据分布特征，采用相等间隔法，按“<20 ℃,20～25 ℃,25～30 ℃,30～35 ℃,≥35 ℃”将温度结果划分为了5 级。从图2中可以看出武汉市1996年大部分区域地表温度为20～25 ℃，而2016年时温度<25 ℃的区域已近乎消失。

武汉中心城区在20年间温度较高，其中武昌区作为老城区温度1996—2016年一直居高不下，地表温度较同期其他行政区温度较高；同时，东西湖区在2016年时大部分区域已位于次高温区，而蔡甸区、江夏区是除中心城区外少数拥有高温区的2个行政区(图2)。

图2 1996、2006及2016年武汉地表温度Fig.2 1996， 2006 and 2016 Wuhan surface temperatures

3.1.2武汉城市热岛效应分析

热岛效应分析发现1996—2016年，武汉市热岛强度不高，大部分区域属于较弱热岛区(图3)，武汉热岛区域主要集中于市中心，并呈扩散态势。由图3可见：1996年武汉非热岛区域主要集中于东西湖区和蔡甸区，仅有极少数热岛区域分布在武昌区、江汉区等中心城区以及江夏区，且1996年武汉不具有极强热岛区；1996—2006年武汉市热岛面积进一步增长，且增长区域主要位于中心城区以及东西湖区、蔡甸区、汉南区的西部和北部。研究发现2016年武汉热岛区域明显增加，且热岛区域较2006年更为集中在中心城区及其周边，非热岛区域主要集中于黄陂和新洲区，而中心城区及江夏区、蔡甸区、东西湖区中靠近中心城区的区域热岛面积快速增长。

图3 1996、2006及2016年武汉热岛强度Fig.3 1996， 2006 and 2016 Wuhan heat island intensity

运用Arcgis自带的工具生成3 个时相的热岛中心，并进行方向分布分析可知，武汉近20年的热岛中心均集中在中心城区，且大致沿长江两侧分布。热岛中心垂直方向逐渐向南偏移，且有继续向南偏移趋势。同时，热岛中心水平方向也具有向东西湖区、蔡甸区等西侧的行政区偏移趋势，但与垂直方向相比偏移尺度较小。

为能更准确的分析武汉热岛效应的时间演变特征，将热岛分级图与武汉行政区划相叠加，经过面积统计，结果如表5所示。由表5可见武汉热岛效应时序变化特征为逐渐增强，且强热岛增加幅度较大。

表5 1996、2006及2016年武汉热岛面积分级统计Table 5 Statistics of Wuhan heat island area classification in 1996，2006 and 2016 km2

将强度分级中“较强热岛、强热岛、极强热岛”3 级归为热岛区域，其余2 级归为非热岛区域，武汉1996—2016年总热岛面积变化如图4所示。从图中可以看出武汉自1996—2016年热岛面积快速上升，增长速率变化较为平稳。武汉自1996—2016年为城镇快速建设期，不透水面显著增加，建筑密度逐渐加大，因此自1996年武汉热岛面积持续上升，强度逐渐增强。

图4 1996、2006及2016年武汉热岛面积变化图Fig.4 Change of heat island area in Wuhan in 1996， 2006 and 2016

分析各行政区1996—2016年热岛面积变化情况如表6所示，中心城区热岛面积在20年间显著增加，且在2006—2016年快速增长。同时在20年间热岛面积有所上升的为东西湖区和蔡甸区，但增长速率较缓，且与武汉热岛效应分布图结合可以看出，其热岛面积增加区域靠近中心城区。除江夏区、新洲区和中心城区外，其余各区热岛面积变化幅度不大，基本保持稳定。各区热岛面积的时序变化也印证了武汉城市热岛逐渐向中心城区集聚，并以中心城区为中心向外扩散的趋势。

3.2 武汉市城市热岛效应与土地利用响应关系

3.2.1热岛与土地利用类型

土地利用分类结果如图5所示。可知，武汉1996—2016 年建设用地和绿地逐渐增多而耕地逐渐减少，这是由武汉近年来城市建设以及退耕还林政策的实施所导致的。对比3 幅用地分布图与热岛效应分布图，从空间分布看，建设用地的分布较其他类型土地与热岛区域的分布具有较高的一致性。

将各地类与热岛区进行叠置分析，结果如表7所示。从表中可以看出，水体对热岛效应的减弱是最为明显的，其3个时相中非热岛区均在95%以上。同时，绿地对热岛效应也起到较为明显的减缓作用，非热岛区占总面积也达到95%左右。对于耕地来说，在1996年和2016年2 个时相中非热岛区90%以上，但是在2006年耕地有10%的区域位于热岛区。耕地对热岛的减缓作用受其地上种植物的影响，同时在监督分类中建设用地与耕地的区分存在一定难度，造成了一定的误差。

表6 1996、2006及2016年武汉各区热岛面积Table 6 Heat island area of each district in Wuhan in 1996， 2006 and 2016 km2

图5 1996、2006及2016年武汉土地利用类型演变图Fig.5 Change of land use in Wuhan in 1996， 2006 and 2016

建设用地与其他用地类型相反，热岛区面积占比较大，2016年所占比例达到43%，一定程度上说明了建设用地对热岛效应的增强作用。热岛效应为一种区域小气候，受到区域本身和周边影响。在1996—2006年建设用地集聚度较小的情况下，周边绿地、水体可显著减缓建设用地带来的热岛效应，因此在这2 个时相中建设用地中的热岛区所占比例不高。同时，由此比例可以看出，并非所有建设用地均会导致城市热岛效应的显著增加。因此，进一步探究不同建设用地类型对热岛的影响具有重要意义。

3.2.2热岛与建设用地

为进一步探究热岛效应与建设用地的关系，将建设用地进一步细分为商服用地、住宅用地、工矿仓储用地、公共管理与公共服务用地、交通运输用地5类，各类别中POI的分布如图6所示。

表7 各土地利用类型在热岛区域占比Table 7 Proportion of each land use type in heat island area %

图6 各建设用地类型POI分布图Fig.6 POI distribution map of construction land types

经过多次试验，综合考虑POI点图微观空间集聚特征以及空间结构的宏观特征，选取1 000 m带宽进行密度分析。为使数据具有可比性，同样采取均值化无量纲方法对密度进行无量纲处理，结果如图7所示，可以看出各建设用地高密度区均集中在中心城区。

图7 武汉市各建设用地核密度分布图Fig.7 Core density distribution map of construction land in Wuhan City

运用Arcgis中“创建随机点”工具，随机创建1300 个随机点，以热岛强度为因变量，各用地类型密度为自变量，进行二元Logistic回归分析。在进行分析前需对数据进行多重共线分析[33]。本研究利用SPSS对自变量进行共线性诊断。特征值约为0，条件指标>10时可能存在多重共线性，根据表8所示，自变量不存在显著的共线性。

将热岛效应与各建设用地类型进行Logistic回归分析，方法采用“向前：LR法”。模型拟合优度的检验结果中内戈尔科R方值越接近1，拟合优度越好，检验该模型的内戈尔科R方为0.620，拟合优度较好。

同时根据霍斯默-莱梅肖检验的检验结果可知，P值为0.394>0.05，统计不显著，即模型较好的拟合了数据。

因此回归分析结果见表9。从表9中可以看出，工矿仓储用地、交通运输用地、公共管理用地均对城市热岛效应具有显著的增强作用，其回归系数均为正值，且显著性均<0.05，其中交通运输用地对热岛效应增强作用最为明显，交通运输用地密度每增加1 个单位，其热岛效应产生的概率增加2.613 倍，这是由于交通运输用地呈网状结构分布，暴露度较高，周边散热少，使得热岛效应增加明显。

同时，住宅用地与商服用地未通过显著性检验(P>0.05)，未能进入模型。这是由于商业区与住宅区通常毗邻而建，随着人居环境要求的逐渐提升，其内部和周边具有大量的绿化用地，这些植物可有效遮挡建筑物本身，同时吸收热量，对热岛效应起到减缓作用，使得二者对城市热岛效应的增强作用不显著。

因此，最终得到的Logistic回归方程为：

表8 自变量共线性检验结果Table 8 Independent variable collinearity test results

表9 Logistic回归分析结果Table 9 Logistic regression analysis results

(11)

4 讨论与结论

4.1 讨论

本研究利用多源遥感数据进行地表温度反演，计算了热岛强度指数分析武汉热岛效应，并对影响土地利用类型与热岛的关系进行研究，研究结果表明：建设用地与热岛强度呈正相关关系；绿地、水体与热岛强度呈负相关关系。这与已有研究结果具有一致性[15-16]。此外，本研究还细化了建设用地类型，定量探究了工矿仓储、住宅用地等对热岛效应的影响。

但是本研究还存在一些有待解决和优化的问题：在影像选取上间隔10年，时间较长，10年间城市变化是巨大的，以10年为1 期易忽略城市发展中的细节变化，在之后研究中还有待优化。此外，POI点数量虽庞大，但与实际建设用地分布还存在一定误差，各建设用地类型与热岛间的关系准确性还可进一步提高。因此，优化影像选取的时间，同时准确获取城市建设用地分布以提升模型的准确性是今后深入研究的方向。