关中平原城市群夏季城市热岛特征及驱动力

胡李发 ,谢元礼 *,崔思颖 ,周 鹏 ,李云梅 ,孙韶启 (.西北大学城市与环境学院,陕西 西安 7027；2.陕西省地表系统与环境承载力重点实验室,陕西 西安 7027)

城市快速扩张是目前社会经济发展的重要特征之一,它会改变原有下垫面的物理性质,影响地表与大气之间的热量交换,从而改变局地气候模式[1].城市热岛(UHI)效应是城市热环境最为明显的特征,代表着地球表面环境的人为改变,表现为城区气温明显高于外围郊区的现象[2].例如,气温升高会加快光化学反应速度,诱发光化学烟雾的形成,加剧城市污染物的扩散[3].极端天气发生的频次增加,为应对高温天气而导致城市能耗增加[4].传统的 UHI研究依赖于地面气象站点的观测数据,受限于站点数量与位置分布的不均衡,难以准确地反映 UHI在空间上的连续变化情况.遥感监测法以其大面积、多时相和高空间分辨率的优点克服了传统方法在空间上不连续的局限.随着遥感数据产品的丰富与卫星空间分辨率的提升,热红外遥感已经成为城市气候和环境监测广泛采用的一种方法[5].

目前,国内外学者借助遥感手段对 UHI的反演算法[6-7]、时空分布特征[8-9]、驱动力因素[10]与缓解措施[11-12]等方面已经取得了丰富的研究成果,大量的空间计量模型[13-14]与景观生态理论[15-17]也被引入到 UHI演变过程与作用机理等研究中.已有的研究表明,地表温度(LST)与不透水面之间存在显著的正相关[18-19],不透水面增加会引起地表比辐射率、粗糙度及反照率的变化,增强地表显热通量,改变区域垂直方向的辐射能量平衡,从而加剧城市热岛现象[1].城市公园、绿地与水体等绿色景观对地表起着降温增湿的作用[11-12],绿色植被通过潜热交换与遮荫效果缓解了周围的小气候.人类活动因子与城市生态景观的格局、类型等同样也在城市表层热环境的变化中起着不可忽视的作用[20-21].例如,城市热岛强度随着离市区距离的增加呈指数级衰减[22],不同区域之间存在明显的昼夜与季节变化差异,某些特殊的区域在冬季还存在一种“冷岛”现象[8].景观格局与类型的异质性也使得不同绿色景观与 LST之间的关系存在差异性,人工本底景观格局的 UHI效应通常大于自然本底景观格局[16].森林和水体的降温效果要优于草地,草地的降温效果还尚不明确[23].

以往的研究多关注于某个或多个时间断面卫星过境时刻的热岛分布格局,在数据源的选取上过多依赖于陆地卫星(Landsat系列),在研究方法上也多选用回归分析来探讨各个因子与 LST之间的相互关系.受限于卫星过境时刻的天气状况与卫星重访周期过长等不利因素,难以对城市群范围的 UHI实现稳定、连续的观测.同时,简单的相关性分析只能从全局的角度探究 LST与相关参数之间存在的某种线性关系,难以定量分析各个影响因子对于UHI的解释程度.考虑到关中平原城市群位于我国大陆腹地,四季分明,夏季炎热多雨且存在明显的城市热岛效应[20].因此,本文选择 2001～2017年夏季时间序列的 MODIS地温产品,利用 Mann-Kendall非参数检验、主成分分析与地理探测器模型深入探究关中平原城市群夏季 UHI的时空变化特征与相关驱动因子,以期为将来城市生态环境规划提供参考.

1 研究区概况与研究方法

1.1 研究区概况

关中平原城市群地处我国西北内陆地区,横跨甘肃、陕西与山西三省.该区域下辖11个地级市,共计90个区县,行政面积达1.07×105km2.如图1所示,区域地势整体上起伏较大,南部为秦岭山脉,中东部为狭长的关中平原,北部为黄土高原边缘区,海拔在217～3748m 之间.作为古丝绸之路的起点与亚欧大陆桥的重要支点,关中平原城市群是我国西部地区对外开放的重要窗口,也是西部地区仅次于成渝城市群的第二大城市群.随着社会经济发展与城市化进程的加快,城市不透水面积占比急剧上升,大量的人造热源与空气悬浮颗粒物加剧了地面的增温效果.南北高、中间低的特殊地形构造导致中部平原地区通风不畅,难以在短时间内将城市积聚的热量扩散至周边的乡村区域,进一步加重了地区城市热岛效应所带来的生态环境负面效应.

图1 研究区位置Fig.1 Location of the study area

1.2 数据来源及预处理

MODIS传感器作为Aqua和Terra卫星上的重要载荷,提供了丰富的大气、陆地与海洋系列标准产品.本文选择2001～2017年的MOD11A2作为地表温度的数据源,该产品是由 MODIS第 31、32通道的热红外波段运用分裂窗算法计算所得,空间分辨率为1km,时间分辨率为8d,目前已被广泛用于区域和全球尺度的 UHI研究[24].气溶胶光学厚度(AOD)来自于MCD19A2,空间分辨率为1km,时间分辨率1d.地表反照率数据与增强植被指数(EVI)产品分别来自于MOD09A1及 MOD13A1,空间分辨率为500m,时间分辨率分别为8/16d.以上4种MODIS产品皆来自于美国国家航空航天局(NASA)官网(https://ladsweb.modaps.eosdis.nasa.gov).其他数据,如 2001年与2017年土地利用数据来自于自然资源部30m全球地表覆盖数据集-GlobeLand30;高程数据来自于地理空间数据云(http://www.gscloud.cn);夜间灯光数据来自于美国国家地理信息中心(https://ngdc.noaa.gov);多年月平均降水来源于国家科技基础条件平台—国家地球系统科学数据中心(http://www.geodata.cn).

由于研究区位于两景影像的交汇处(轨道号为h26v05与h27v05),且4种MODIS产品17a间的数据总量超过了 2000幅,因此本文选择借助 Google Earth Engine(GEE)行星级云计算平台来完成MODIS数据的筛选、拼接、重投影、裁剪与计算等处理工作.参考中国科学院土地利用分类标准将两期的土地利用数据重新分类成耕地、林地、草地、水体、城镇与未利用土地6大类,利用Python脚本求得多年月均降水数据的夏季平均值.

1.3 研究方法

1.3.1 M-K检验与Sen’s斜率分析 Mann-Kendall趋势检验是一种广泛用于检测时间序列趋势显著性的非参数检验法[25],它不受数据实际分布的影响,并且对数据异常值的敏感性较低.目前已被广泛用于气温、降水等气象因子的长时间序列变化检测[9].Sen’s 斜率分析是一种时间序列变化斜率的计算方法,它不会受到少数几个奇异值的影响.对于时间序列的地表温度 X=[x1,x2,…,xn],两者的计算公式可以参考文献[9].

1.3.2 计算热岛强度 利用遥感手段获取的温度值为地表温度,定义城市热岛强度为城市区域的平均LST与乡村地区平均LST之差.首先利用2001年与 2017年的土地利用数据集分别提取出城镇用地信息,使用1km×1km大小的格网统计每个网格内城镇用地的占比,若网格内城镇用地的占比大于 50%,则定义为城市区域[22].将2001年的城市区域定义为老城区,2017年与2001年城市区域之差定义为新建城区.参考前人[24,26]的研究成果,在2017年城市区域的外围以 5km为步长进行多级缓冲区分析,统计每个缓冲带内城镇用地的占比,若该区域内城镇用地占比低于 10%,则定义为乡村区域.最后将 10～15km之间的缓冲带定义为乡村地区.城市热岛强度的计算公式如下所示:

式中:LSTSU与 LSTNU分别指老城区与新建城区的平均LST;LSTR指乡村地区的平均 LST;SUHIISU与SUHIINU则分别代表老城区与新建城区的地表热岛强度.

1.3.3 地表干度指数的计算 地表干度指数(NDBSI)是徐涵秋[27]等针对遥感生态评价所提出的一种衡量地表“干化”程度的新型指标,该指数可以增强包括裸土和建筑在内的裸露地表信息.具体的计算方法可以参考文献[27].

1.3.4 城市热环境指数的构建 以往的研究多注重于探究 LST与单一地表覆盖因子之间的相关性大小,植被指数[11,28]与高程等已被证明其与 LST之间存在显著的负相关,而建筑指数[29]、裸土指数、气溶胶[30]及夜间灯光[31]则对LST存在积极作用.主成分分析(PCA)是一种利用协方差矩阵进行特征分析,在原始信息量损失最小的情况下对数据进行降维处理的分析方法.该方法通过一系列正交变换将原来多个变量压缩为彼此相互独立的少数几个综合变量,然后根据实际需要从中取出几个较少的综合变量来重新组合成一组新的互不相关的综合指标来代替原来的指标.本文利用主成分分析法将植被指数(EVI)、干度指数(NDBSI)、高程(DEM)、降水、气溶胶光学厚度(AOD)与夜间灯光数据进行降维处理,构建一个新的城市热环境指数(UTEI)来表征城市热环境.

式中:m为所提取出的主成分个数;PCi为第i个主成分;ai为第i个主成分的贡献率大小.

1.3.5 地理探测器 地理探测器是探测空间分异性,以及揭示其背后驱动因子的一种新的统计学方法,它克服了传统方法假设过多的局限[32].该方法主要有两大优势:一是不仅可以探测数值型数据,而且还能探测定性数据;二是探测两因子交互作用于因变量.自 Wang等[33]提出以来,该方法已被用于环境监测[34]、土地利用[35]与大熊猫生境适宜度评价[36]等研究领域.相关模型及理论方法的具体介绍可以参考文献[32],基本理论计算公式如下所示:

式中:q为自变量(影响因子)对于因变量(地表温度)空间分异性的解释能力,取值范围为[0,1],值越大,解释能力就越强;i=1, …, L为自变量的分层;Ni与N为第i层和全区的样本数;∂i2与∂2分别是第i层与全区域因变量值的方差.

2 结果与分析

2.1 LST的时空特征分析

2.1.1 LST的空间分布 研究区幅员广阔、地势高低起伏较大,使用均值-标准差法与自然间断点分级法难以刻画 LST在空间上的变异情况.因此,文章使用2001～2017年夏季白天/夜晚平均LST的绝对值来描述地区热环境的空间分布特征,结果如图2所示.由表1与图2可见,关中平原城市群2001～2017年夏季白天的平均LST为29.3℃,最大值为38.2℃,最低值为15.9℃,标准差为4.1℃.白天的高温区(＞34℃)主要分布在中部关中平原地区,这里人口密集、工农业发达,大量的不透水面与耕地增温迅速,加之盆地地形不易散热,从而形成大片的高温区.低值区(＜30℃)主要分布在南部的秦岭山脉、中部黄河沿岸与北部山区.相比中部关中盆地,南北山区植被覆盖密集,而植被生长茂盛的区域往往具有更强的蒸散发作用,表现为较高的潜热通量与较低的显热通量,从而形成显著的低温区;夜晚平均LST为18.3℃,最大值为 26.4℃,最低值为 5.6℃,标准差为 2.8℃,其变化幅度低于白天.同时,夜间LST的空间分布与白天较为一致,但高值区更加集中,尤其是西安市主城区的LST(＞24℃)明显高于其它地区.

表1 2001～2017年夏季平均LST统计值(℃)Table 1 Statistical value of summer average LST from 2001 to 2017(℃)

图2 2001～2017年夏季平均LSTFig.2 Average LST in summer from 2001 to 2017

2.1.2 LST的时间变化检测 对 2001～2017年夏季白天/夜晚的平均LST进行趋势分析,利用M-K非参数检验得到 LST标准正态分布统计量 Z.当 Z＞0时,LST表现为增大趋势,反之则减小.取置信水平α=0.01,当|Z|＞2.58时,LST表现为极显著上升或极显著下降趋势;取置信水平α=0.05,当 1.96＜|Z|≤2.58 时,LST 表现为显著上升或显著下降趋势,否则无显著变化趋势.

由图3和表2可知,白天LST极显著下降和显著下降的区域主要集中在咸阳、宝鸡与平凉三市的交界处,以及运城市中部与天水市东部,占区域总面积的 10.2%.前人的研究表明,得益于退耕还林还草政策的实施,这些区域的植被覆盖度在近些年得到了明显的改善[37],而植被的蒸腾作用可以通过增加潜热通量和减少感热通量来降低 LST[38].白天 LST极显著上升与显著上升的区域主要分布在宝鸡市主城区北部平原地区、西安市主城区北部、咸阳市主城区南部、渭南市与运城市中部,占区域总面积的2.62%.城市化进程的快速推进与现代农业的蓬勃发展加剧了大量的自然地表转换为人工不透水面,城市建筑与人工大棚等低反照率表面导致地表热容量增加、蒸散发减少[39],故而这些区域的 LST在白天上升趋势显著.

图3 2001～2017年夏季平均LST变化趋势分布Fig.3 The distribution of average LST variation trend in summer from 2001 to 2017

表2 2001～2017年夏季白天和夜晚LST均值变化趋势统计(%)Table 2 Statistical table of LST mean variation trend during the day and night in summer from 2001 to 2017(%)

到了夜晚,LST极显著下降和显著下降的区域主要零星分布在宝鸡市与平凉市境内,仅占区域总面积的 0.25%,变化极其不显著.LST极显著上升与显著上升的区域主要分布在城市扩张区域与黄河沿岸,占区域总面积的 6%.大量的人工地表在夜晚向大气释放白天所存储的热量[40],城市冠层中气溶胶和气态污染物浓度的增加会影响地表与大气之间的辐射交换[13],使得大气对地面的保温效果加剧,从而导致城区温度进一步升高.

使用 Sen’s斜率分析得到 2001～2017年夏季白天/夜晚 LST的斜率变化图(图 4).可以看出,与M-K非参数检验结果保持一致的是,无论白天还是夜晚,LST变化斜率大于0.1的区域主要集中在关中平原地区,且白天的变化幅度大于夜晚.白天LST下降趋势明显,17a来的整体变化情况为-0.053℃/a,夜晚LST在整体上呈上升趋势,变化斜率为0.026℃/a.

图4 2001～2017年夏季白天和夜晚平均LST变化斜率分布Fig.4 Slope distribution of summer average LST of the daytime and nighttime from 2001 to 2017

2.2 热岛强度的年际变化分析

对2001～2017每一年的SUHII进行计算可以得出其变化趋势,无论白天还是夜间,SUHII都呈上升趋势.其中,白天 SUHII在整体上高于夜间,整个 17a间白天的SUHIISU与SUHIINU平均值相较于夜晚分别高出0.3和0.4℃.根据表3与图5可以看出,白天SUHIISU与SUHIINU在总体上表现为波动上升趋势,分别在 2012与 2013年达到最高值 6与 4.7℃,但SUHIISU整体上大于 SUHIINU,平均差值达到了 1.2℃.夜晚 SUHIISU与 SUHIINU依旧表现为上升趋势,变化趋势较为缓和,两者皆在 2017年达到最高值.SUHIISU大于SUHIINU,平均差值1.3℃,略高于白天的差值.

图5 2001～2017年夏季地表城市热岛强度变化Fig.5 The variation of surface urban heat island intensity in summer from 2001 to 2017

表3 关中平原城市群2001～2017年夏季热岛强度Table 3 Summer heat island intensity of Guanzhong Plain urban agglomerationin from 2001 to 2017

由上述分析结果可知,关中平原城市群 2001～2017这17a间夏季的SUHII有着显著上升,城乡之间的地表温差在逐渐扩大,这与赵安周等[39]在京津冀地区城市热岛强度变化的研究中所得出的结论一致.Yao等[41]在对全球397个大城市SUHII的研究中也认为,农村地区植被覆盖的显著上升与城市地区植被覆盖的快速下降是城乡之间地表温差逐渐扩大的重要原因.与陈颖锋等[42]的研究所不同的是,无论是老城区还是新建城区,SUHII始终保持着上升态势.

2.3 UTEI与LST的关系

以2017年为例,利用主成分分析法对标准化过后的 EVI、NDBSI、多年平均降水、DEM、AOD与夜间灯光数据进行数据压缩与降维处理,最后得到各主成分的载荷与累积贡献率矩阵.如表 4所示,PC1、PC2与PC3的累积贡献率达到了86.35%,表明前3个主成分集中了原来6个指标的大部分信息,因此用前 3个主成分来构建城市热环境指数是合理的.由于第1主成分占据了UTEI的大部分信息,且NDBSI、AOD和夜间灯光与PC1呈显著负相关,EVI、降水与DEM对PC1起正向作用,这表明UTEI指数与区域生态环境呈显著正相关.即UTEI指数越高,区域生态环境越好.

表4 2017年主成分载荷与累计贡献率矩阵Table 4 Principal component loading and cumulative contribution rate matrix in 2017

图6所示,归一化后的UTEI与LST在空间分布上具有很高的一致性.北部山系与南部秦岭山脉处植被覆盖密集的区域UTEI指数较高,说明该处生态环境较好;而UTEI的低值区主要分布在中部的关中平原地区,该地区人口密集、城镇众多,人类活动对地表扰动较大,尤其是在大西安地区,这里存在一个明显的大面积低值区.为检验UTEI指数衡量地表热环境的准确性与可靠性,利用采样工具在研究区随机生成2000个检验点,使用叠加分析提取出这2000个点所对应的UTEI与LST值,最后进行回归拟合.

图6 2017年关中平原城市群的UTEIFig.6 The urban thermal environment index of Guanzhong Plain urban agglomeration in 2017

图7显示,白天标准化后的LST与UTEI之间存在显著的相关性(P＜0.05),两者表现为二次曲线关系,相关系数高达0.850;夜晚标准化后的LST与UTEI之间也存在显著的负相关(P＜0.05),相关系数达到了0.624.作为一个新的地表综合参数,UTEI不仅能够直观形象的展示地区热环境的时空分布状况,还可以作为一个新的城市热环境监测指标来衡量区域环境质量.

图7 2017年夏季UTEI与LST的关系Fig.7 Relationship between UTEI and LST in summer of 2017

2.4 LST的驱动力分析

地理探测器的自变量因子应当是类型值而非连续型数值,进行计算之前必须将 EVI、NDBSI、DEM、平均降水、AOD与夜间灯光这6个因子进行重分类(土地利用数据已是类型值).首先借助自然间断点分级法将自变量划分为 6类,该方法已被相关学者[31]用于城市热环境研究中驱动因子的离散化处理.然后利用采样工具将研究区分为间隔2.5km大小的格点,将 LST与重分类后的影响因子提取值至每一个格点,最后将数据导入地理探测器软件进行计算.

2.4.1 因子探测分析 因子探测分析可以探测某自变量在多大程度上能解释 LST的空间分异性,用取值范围为[0,1]的q值进行度量.q值越大表示变量X对于 LST的解释(影响)能力就越强,反之则越弱.如表 5所示,各个驱动因子对于地表温度的解释能力在白天和夜晚存在显著的差异,白天的解释能力明显优于夜晚.在白天,7个驱动因子对于 LST的解释能力从大到小排序依次为:NDBSI(0.686)＞DEM(0.672)＞EVI(0.616)＞AOD(0.539)＞土地利用(0.483)＞夜间灯光(0.473)＞降水(0.403).地表参数(NDBSI、DEM及EVI)对于LST的影响皆超过0.6,显著高于气象因子(降水与 AOD)与人类活动作用(夜间灯光与土地利用),表明地表参数在白天是LST空间分异的主控因子.主要原因可能在于夏季白天的太阳高度角大、日照时间长、植被生长旺盛,不透水面与裸地等高热容量地表增温迅速,而公园、森林等植被覆盖密集处则因植被的光合作用与遮蔽效果升温缓慢,从而导致LST在空间上的分异性显著.

表5结果显示,7个驱动因子对于夜间LST的解释能力从大到小排序依次为: DEM(0.845)＞AOD(0.515)＞夜间灯光(0.419)＞土地利用(0.238)＞NDBSI(0.235)＞EVI(0.217)＞降水(0.203).这表明高程对夜间LST空间分布的影响最大,AOD与夜间灯光对LST的影响十分显著,而NDBSI、EVI、降水与土地利用对于 LST的影响则较小.相较于白天的因子作用效果,高程对于 LST的影响有着显著提升,AOD对于LST的影响略有下降,而NDBSI、EVI、降水与土地利用对于 LST的影响下降幅度巨大.主要原因可能在于夜间植被的光合作用减弱,人工地表向大气释放白天所存储的热量,而AOD等大气悬浮颗粒则通过向下的长波辐射对地表起着保温作用.

表5 2017年LST驱动因素探测分析Table 5 Land surface temperature driving factors detection and analysis table in 2017

2.4.2 各因子的交互作用分析 交互作用探测是评估两个因子共同作用时是否会增强或减弱对于LST的解释能力,或者判断这两个因子对于 LST的影响是否相互独立.在夏季白天(表6),任意两个因子的交互作用(q值)皆大于单一因子对于LST的影响,都表现为显著的双因子增强效果,这说明各个因子对于 LST的影响都是相互独立的,且两两交互的作用效果优于单一因子的作用.高程(DEM)与其它各个因子之间的交互效果都十分显著(q＞0.7),其与NDBSI之间的交互作用最大(q＞0.9),说明 DEM 与NDBSI之间的交互作用最能解释白天LST的空间分异性.

表6 2017年夏季白天地表温度驱动因子交互分析Table 6 Interaction analysis of driving factors of surface temperature in summer daytime of 2017

到了夜晚(表 7),高程与其它变量之间的交互作用依旧十分的显著,q值都接近 0.85.其中,高程与夜间灯光(人类活动因素)的交互效果最大(q=0.863),说明海拔与人类活动是关中平原城市群夏季夜晚LST的主要影响因素.AOD与其它变量之间的交互作用均大于0.5,其中AOD与DEM的交互值(0.849)仅次于DEM与夜间灯光的交互值.这说明气溶胶等悬浮颗粒物在夜晚具有良好的保温效果,也是区域城市热岛的重要影响因子.

表7 2017年夏季夜晚地表温度驱动因子交互分析Table 7 Interaction analysis of driving factors of surface temperature in summer nighttime of 2017

3 讨论

3.1 人类活动对城市热岛的影响

城市热岛与人类活动息息相关,快速的城市化加剧了大量的自然地表转化为人工不透水面,整个关中平原城市群 2001～2017年的不透水面积已由4238km²增长为7250km².这些人造地表主要由砖石构造与混泥土材料所组成,相比植被、水体等自然表面,其蒸散发下降,储热能力上升[40].过去的研究仅仅简单的将各种以行政单元为尺度的社会统计数据与SUHII进行线性回归[30,43],从空间上割裂了城市热场的连续性和完整性,也难以定量化的探究人类活动对地表热环境的扰动.文章使用夜间灯光数据来表征人类活动的强弱程度,通过将夜间灯光数据作为一个辅助参数,构建了一个能够表征城市地表热环境的UTEI指数,保证了人类活动强度在空间上的连续性和一致性.同时,借助地理探测器的因子探测与交互探测功能,定量化的评价了人类活动对城市热场的影响.

3.2 乡村背景选取对城市热岛的影响

目前,国内外学者对于城市热岛研究中乡村背景的选取并没有给出一个固定的解决方案,但大致上可以分为“城乡二分法”与“缓冲区分析法”两种.城乡二分法是将研究区按照土地利用属性划分为建设用地与非建设用地,通过求取两者平均地温的差值来表征城市热岛强度的大小.缓冲区分析法则是先根据建设用地利用强度划分出城区范围,然后用城区周边一定缓冲区距离内非建设用地的占比来确定乡村区域,最后求取两者平均地温的差值.使用不同的计算方法会得出不同的热岛强度值,选取具有代表性的乡村背景是城市热岛研究中不可忽视的重要环节[44].本文在进行城市与乡村的划分时充分考虑了时间变化的影响,利用两个时期的土地利用数据将城市区域划分为老城区与新建城区,最后使用统一的乡村背景作为参照对象,保证了结果的延续性与合理性.同时,本文并未排除农村地区的海拔影响,原因在于农村地区的天然林更多的分布在高海拔地区[24],保留这些区域可能会更加准确地反映农村LST的大小.

3.3 尺度效应对城市热岛的影响

城市热环境具有尺度效应[45],在不同的时间和空间尺度下会得出不一样的研究结论.高空间分辨率的遥感影像能够提供更加丰富的地物细节,但受限于重访周期与过境时刻的天气状况,难以在特定时期内获取到连续、高质量的影像数据.关中平原城市群地处西北内陆,辖区面积广阔,使用Landsat系列卫星数据将难以保证数据在时间尺度上的一致性.MODIS传感器拥有较高的时间分辨率和地面覆盖范围,尽管其空间分辨率相比于Landsat系列稍逊一筹,但可以对大区域地表热环境实现稳定和连续的监测.同时,利用已有的高空间分辨率的可见光-近红外数据,选取合适的算法对低空间分辨率的热红外影像进行降尺度研究,构建快速、高效和精确的遥感影像时空融合模型来加强城市内部的遥感监测将是未来城市热环境遥感研究的重要方向.

4 结论

4.1 关中平原城市群 2001～2017年夏季白天平均LST为29.3℃,夜晚为18.3℃.白天的LST存在小幅下降,变化趋势为-0.053℃/a;夜间 LST表现为小幅上升的趋势,变化率为0.026℃/a,LST在白天的降温幅度略微高于夜间的增温幅度.

4.2 整个关中平原城市群 17a间夏季城市热岛强度呈显著上升趋势,白天的增长幅度大于夜间.无论白天还是夜晚,SUHIISU都显著大于SUHIINU.

4.3 2001～2017年夏季白天平均LST的高温区主要分布在中部关中平原地区,低温区主要分布在南部的秦岭山脉、中部黄河沿岸与北部山区. 夜间 LST的空间分布与白天较为一致,但高值区更加集中.

4.4 相比其它单一的地表参数,利用主成分分析法构建的UTEI能够很好的表征区域热环境的优劣状况.UTEI与 LST之间存在显著的负相关,白天(P＜0.05,R²=0.850)和夜晚(P＜0.05,R2=0.624)都表现为二次曲线关系,白天的相关性大小略高于夜间.

4.5 因子探测分析表明,地表参数(NDBSI、DEM与EVI)在白天是地表温度空间分异的主控因子,人类活动(夜间灯光)、海拔高低(DEM)与大气因子(AOD)是夜间地表温度的主要控制变量;交互探测结果显示,无论白天还是夜晚,任意双因子之间的交互作用优于单一因子的作用效果,表现为显著的双因子增强.其中DEM与NDBSI之间的交互效果在白天最好,DEM 与夜间灯光的交互作用在夜间最大,AOD在夜间的影响效果显著.