卫星遥感在城市化和城市热岛监测中的应用

廖代强 朱浩楠 姜平 柴闯闯

（1 重庆市气候中心，重庆 401147；2 重庆舍特气象应用研究所，重庆 401147）

0 引言

由于城市发展状况不同，不同研究所选取的城市发展强度指标各有差异。有研究结合城市发展实际情况，选取工业生产总值、年末实有道路面积、全年用电量、年末总人口、全年供水量、公共交通实有车辆、建成区面积、原煤消耗总量及工业废气排放量、城市人口比重、人均国内生产总值、城市人均住房面积、城市人均公共绿地面积和城市用气气化率等作为城市化指标数据。但这些数据不易获得且社会发展较快，变化又大，因而不适宜作为城市发展强度指标。

考虑到城市发展往往产生城市热岛效应，利用遥感资料反演地表亮温，能分析城区与郊区的温度差异，可更直接地反映出城市下垫面的物理变化特征。由于遥感技术具有快速、全方位地获取不同空间分辨率、多光谱信息的特征，已成为对城市热岛效应影响因素的监测与分析的有效手段。本文尝试利用美国军事气象卫星（Defense Meteorological Satellite Program，DMSP）搭载的Operational Linescan System（OLS）传感器夜间灯光数据、30 m高分辨率土地利用资料和MODIS地表温度遥感数据来分析重庆城市发展与热岛强度关系及其城市热岛的空间分布，以期望能得到较为理想的城市发展与热岛强度的关系和城市热岛空间分布。

1 资料及处理

本文采用的资料包括自1992年以来的重庆区域内DMSP/OLS夜间灯光数据、30 m高分辨率土地利用资料和MODIS地表温度遥感数据。

1.1 DMSP/OLS数据处理

DMSP/OLS观测的夜间灯光强度数据是表征区域人类活动强度的重要指标，也是目前遥感平台连续观测全球城市发展时间最长的遥感产品，能客观度量城市发展及空间差异。本文使用夜间稳定灯光（stable light）影像，数据空间分布为1 km，Digital Number (DN)值范围0～63。图1所示为1993—2013年重庆市夜间灯光强度空间分布。由于卫星更新换代，观测时间内总共有F10、F12、F14、F15、F16和F18共六代卫星。

图1 1993—2013年重庆市夜间灯光强度空间分布Fig. 1 Spatial distribution of night light in Chongqing from 1993 to 2013

图2 给出了从数据中提取得到的重庆市DN值总和年变化。尽管总体而言，该图可以体现重庆市城市化逐渐增加的趋势，但由于传感器老化、传感器更新换代等原因，不同卫星的数据存在较大跳跃；而同一颗卫星的数据，变化也并不稳定，无法直接使用。因此参考金平斌等的研究，采用不变目标区域法进行校正。校正方法步骤为：1）选定多年灯光变化幅度较缓和的地区作为参考区域，并挑选某一年作为参考年。经对比后，采用多年DN值变化幅度较小的万盛区作为参考区域，并选择2013年作为参考年。2）利用其他年份参考区域DN值和参考年的参考区域DN值逐年建立回归模型。经测试，采用幂函数作为回归方程的方程形式为：

图2 重庆市多卫星DN值总和年变化Fig. 2 The annual change of the sum of multi-satellite DN values in Chongqing

其中，

DN

代表校正后的值，

DN

代表校正前的值，

a

、

b

代表回归系数。

然后，利用得到的回归方程对整个区域的DN值进行校正。

1.2 MODIS资料处理

选用了2003—2018年的MOD11A2和MYD11A2卫星遥感反演地表温度数据进行分析研究。由于仪器故障、云干扰、辐射干扰等因素，MODIS数据经常会出现缺测现象，若不对数据进行合理填补，将会严重影响到分析结果。本文参考Crosson等的研究，将MOD11A2和MYD11A2数据进行融合。具体做法为：首先逐格点计算MOD11A2和MYD11A2的近五年夏季平均值，然后计算二者之差；接下来对于每一个MYD11A2数据中的缺测像元，都用当天的MOD11A2对应位置像元值加上刚刚计算的气候差异作为替换。由于温度变化具有时间连续性和季节性，使用该方法能较好地填补MYD11A2中的缺测部分，而之后的分析也将基于该填补后的MYD11A2数据。

2 重庆市城市发展与热岛强度指数

2.1 城市发展指数

为表征重庆城市发展指标，参考谢志清等和Ma等的研究，利用订正后的DMSP/OLS灯光数据构建城市发展指数。城市发展指数计算公式为：

其中，

S

为经纬度单元格面积，

S

为城市规模，

DN

为63，只统计

DN

≥12的格点。

图3 所示为利用校正后DMSP/OLS数据计算得到的重庆全市、渝西（渝中、大渡口、江北、南岸、沙坪坝、九龙坡、万盛、北碚、璧山、荣昌、铜梁、大足、长寿、渝北、永川、潼南、巴南、綦江、合川、南川、涪陵、江津）、渝东南（黔江、秀山、武隆、丰都、石柱、彭水、酉阳）和渝东北（垫江、梁平、忠县、巫山、城口、万州、云阳、开县、巫溪、奉节）地区的城市发展指数变化。由图3可知，不论是重庆全市还是西部、东南和东部地区，城市发展指数都呈随时间不断增长的趋势。但其中，渝西的城市化指数及其增长趋势明显高于渝东南和渝东北，渝东南的城市化指数和指数增长趋势相对最弱。这说明重庆地区的城市化进程主要在渝西地区进行，而渝东南及渝东北发展相对较缓。

根据不同

DN

值累积面积序列，利用

t

滑动检验将灯光强度所占面积的转折点（＞39）划分快速发展区，把重庆分为10个主要城市群，分别为：主城区、合川、永川、铜梁、长寿、涪陵、万州、开县、云阳、巫山。其中城市面积最大的为主城区，面积达到1438.97 km，其次是长寿和万州，分别为128.2 km和124.4 km。同时可见，重庆的大部分城市发展集中在渝西，渝东北城市发展较缓，而渝东南地区城市发展特征不明显。

图3 重庆全市、渝西、渝东南和渝东北的城市发展指数Fig. 3 Urban development index of Chongqing city,west Chongqing, southeast Chongqing and northeast Chongqing

2.2 城市热岛强度指数

城市热岛强度通常定义为城区温度减去郊区温度，因此如何定义“城市”是区分城区与郊区的重要一环，会直接影响到对热岛强度的计算结果。为充分体现热岛效应对局地温度的影响，本文将城市热岛强度指数定义为城市区（建成区）和边界区（城市发展区）的平均温度减去剩余地区（郊区）的平均温度（即背景温度）。本文温度背景区的确定是结合夜间稳定灯光数据，根据城市聚类法（CCA）分类为非城市区（CCA算法类似火灾蔓延模拟，通过选择初始“着火点”，逐步“引燃”周围的“可燃点”进而划分出城市的范围。其步骤分为：首先随机选取城市像元，利用八领域法计算城市连通域；然后定义距离阈值

L

，距离小于

L

的连通域视为同一城市群落；最后定义聚集阈值

S

，去除像元个数小于

S

的连通域（即面积较小的建筑群落）。CCA方法可以使用人口密度、不透水下垫面作为输入，也可使用土地利用作为输入，本文采用土地利用）且海拔高度与城区相差不大的地区作为温度背景区。然后根据MODIS卫星遥感数据计算城市区和背景区的温度，再用每年的城市平均温度减去背景温度得到多年重庆市全市、渝西、渝东北和渝东南地区的热岛强度指数的时间分布（图4）。其中不同片区的热岛强度指数用不同片区的背景温度计算。

由图4可知，无论哪个季节，重庆全市的热岛强度指数均呈增长趋势。夏季的热岛强度指数最强、春季次之，秋季和冬季热岛强度最弱。渝西片区的热岛强度变化趋势与重庆市的基本一致，说明重庆市的热岛效应大部分都集中在渝西片区。而渝东北尽管也呈现增长趋势，但其增幅和热岛强度均低于渝西。渝东南片区的热岛强度指数最弱，只在春夏两季有明显的增长趋势，而在秋冬两季则受气候变化影响，无明显特征；可见由于渝东南地区城市面积较小，发展较慢，城市对局地气候的影响较弱。

图4 重庆市、渝西、渝东北和渝东南（春夏秋冬（a～d））的热岛强度指数序列（单位：℃）Fig. 4 Heat island intensity index series of Chongqing,western Chongqing, northeast Chongqing and southeast Chongqing (spring (a), summer (b), autumn (c) and winter (d))

3 重庆市热岛效应时空格局

3.1 不同年的热岛效应空间分布

图5 重庆市2003年（a）、2008年（b）、2013年（c）和2018年（d）热岛强度分布（单位：℃）Fig. 5 The intensity distribution of heat island in Chongqing in 2003 (a), 2008 (b), 2013 (c) and 2018 (d)

根据2.2节城市热岛强度指数的计算步骤，用城市平均温度减去背景区温度。得到2003、2008、2013和2018年的全市热岛分布（图5）。根据图5可知，随着城市发展建设，重庆市的城市热岛强度和范围2003—2018年都有明显的增加的趋势，强热岛所占面积不断增大，且主要集中在渝西地区；渝东北强热岛区域面积相对较小，而渝东南则并未有明显变化。另外，海拔较高、表现为强冷岛的区域，多年变化幅度也相对较小。

3.2 不同季节的热岛效应空间分布

图6 为重庆市春夏秋冬四季的热岛强度气候态分布，可见重庆市热岛效应最明显的是夏季，强热岛区域面积相对最大，并与主要城市基本吻合；春季的热岛效应较夏季偏弱，但依然可见大范围的强热岛。热岛效应最弱的是秋季和冬季，秋季仅有主城区和长寿、涪陵一带还有强热岛分布；冬季则基本没有强热岛，且高温区的分布主要与地形有关，受城市影响不明显。

3.3 不同季节的热岛强度发生频率空间分布

最后，参照北京市主要城建区热岛强度时空格局的研究，利用多年遥感观测统计重庆市不同季节各级热岛强度发生的频率（统计时按不同年月分别计算背景温度），最终得到图7所示分布。从图中可见，强热岛（三级热岛）主要集中发生在渝西主城区一带，且以春夏两季发生次数最多，频率高达50%以上，这主要是由于春夏季太阳辐射较大，而城市区域比辐射率较高因而高温特征相对显著；但渝东北和渝东南地区强热岛发生频率较少，绝大部分地区的发生频率都小于10%。秋季渝西的强热岛发生次数少于春季，而冬季强热岛发生频率最少，最高未超过40%。重庆地区弱热岛则主要集中发生在冬季，并以渝西地区为主要发生地，从图7j可见大片地区的弱热岛发生频率都超过了40%。

3.4 不同月份的热岛效应时间分布

图6 重庆市春季（a）、夏季（b）、秋季（c）和冬季（d）热岛强度气候态分布（单位：℃）Fig. 6 The climatic distribution of heat island intensity in Chongqing in spring (a), summer (b), autumn (c) and winter (d)

图8 为全市、渝西、渝东北和渝东南片区多年各个月份的热岛强度指数与背景温度散点图。首先可见，重庆地区的热岛效应具有明显的季节特征：冬半年热岛效应较弱，夏半年较强；另外，渝西地区热岛效应强于渝东北和渝东南，且渝东南地区的冬半年没有热岛效应。而全市及渝西地区热岛强度随背景气温增加而增加，并在时间上呈顺时针特征，说明全市及渝西地区春季热岛效应强于秋季。根据图8c可知，渝东北片区的热岛强度随时间呈逆时针变化，说明该地秋季热岛效应强于春季。而同时可见，渝东北并非简单的表现为背景场温度越高、热岛效应越强：背景温度较低的1月和12月，热岛强度比背景温度较高的2月和11月更强；且同样的背景温度，但在不同月份的热岛有明显区别。渝东南地区与渝东北相近，热岛强度指数在时间上呈逆时针特征。这种“翻转效应”可能是与植被和气候的相互作用有关：渝东南、渝东北植被较多，城市面积相对较少，在春季时，植被对城市高温能起到一定缓解作用；而秋季植被绿叶减少，降温效果下降，城市热岛较春季更明显，因此表现为秋季热岛强于春季；而渝西地区由于植被较少，太阳辐射造成的城市升温更加明显，所以春季热岛强于秋季。更进一步的成因分析还有待深入研究，但同时这也说明重庆地区的热岛效应具有明显的局地特征，受局地气候环境的影响较大。

4 结论

1）重庆市多年城市指数呈逐年递增的趋势。其中，渝西的城市化指数及其增长趋势明显高于渝东南和渝东北，渝东南的城市化指数和指数增长趋势相对最弱；重庆全市的热岛强度指数均呈增长趋势。夏季的热岛强度指数最强、春季次之，秋季和冬季热岛强度最弱。

2）城市热岛强度指数与城市发展指数呈正相关。其中，渝西和全市的呈显著正相关，渝东南和渝东北相关性较差。这说明城市发展指数较高时，城市化面积较大才会对城市热岛产生影响。

3）重庆市热岛的空间分布是随着城市的发展，中等强度以上的热岛所占面积不断增大，且主要集中在渝西地区；渝东北中等以上热岛区域面积相对较小，而渝东南则并未有明显变化。强热岛主要发生在夏季，且集中在渝西地区，主城区发生频率超过50%；春秋季发生频率次之，而冬季各地的强热岛发生频率基本都小于10%。弱热岛主要发生在冬季，且依然以渝西地区为主。这与重庆地区的城市分布和发展特征相一致。

图7 重庆市春季（a—c）、夏季（d—f）、秋季（g—i）、冬季（j—l）1～3级热岛强度发生频率Fig. 7 The frequency of heat island intensity of grade 1-3 in Chongqing in spring (a-c), summer (d-f), autumn (g-i) and winter (j-l)

4）重庆地区的热岛效应具有明显的季节特征：冬半年热岛效应较弱，夏半年较强；另外，渝西地区热岛效应强于渝东北和渝东南；渝西地区春季热岛效应强于秋季，渝东南和渝东北则相反。这种“翻转效应”可能是与植被和气候的相互作用有关。

图8 重庆全市（a）、渝西（b）、渝东北（c）和渝东南（d）的热岛强度指数—背景温度散点图（不同颜色方框代表不同月份平均值，灰色圆点代表多年样本）Fig. 8 The heat island intensity index-background temperature scatter diagram of Chongqing municipality (a), west Chongqing (b), northeast Chongqing (c) and southeast Chongqing (d), respectively. The color-coded boxes represent averages for different months, and the gray dots represent multi-year samples