城市热岛效应变化及其影响因素分析研究

陈智龙，董雨琴，陈凌静，黄启堂

(福建农林大学园林学院，福建 福州 353002)

中国的城市化发展以土地为中心创造了可观的社会与经济效益，但随之也带来了许多不利影响，如耕地流失、“鬼城”现象和城市热岛效应等[1]。而城市热岛效应是由于快速城市化进程中各种因素的改变而形成，大量人口聚集和房屋道路等建筑修建改变了城市生态环境，大部分城市都存在着不同程度的热岛效应[2-3]。城市热岛效应指城市化进程里致使城市地表温度与大气温度高于四周郊区或是农村地区等非城市环境的一类区域温差现象[4]。城市热岛效应除了造成城市生态环境失调[5]，更会增大城市能源损耗[6]，加剧城市大气污染[7]，严重影响城市居民日常生活与健康[8-9]，致使公众普遍认识到快速城市化对资源和环境的压力和破坏日益突出。国家住房和城乡建设部分别于2013年9月和2015年11月发布了《城市居住区热环境设计标准(JGJ286-2013)》和《城市生态建设环境绩效评估导则(试行)》，将城市热环境质量纳入城市建设项目的考核评定指标体系当中[10-11]；中国气象局于2019年8月启动全国城市热岛卫星遥感监测评估，将推进卫星遥感综合应用体系建设，开展城市地表温度检测、城市热岛强度检测和评估、城市热岛效应评估[12]。这表明我国已将有关城市热岛效应问题作为今后城市综合环境建设、治理与发展的研究重点。

目前，城市热岛效应的影响因素分析已成为研究城市化生态环境效应的重要方向之一。城市热岛效应是在城市化的人为因素与当地气象情况共同作用背景下而形成的，所以热岛效应的形成是一个多元复杂且因地而异的长期过程[13]。

有研究表明，城市化发展对气温有一定影响，城市化在近50 a中国气温变暖中的贡献占20%—30%。城市化对城市热岛效应的影响应引起足够的重视[14]。人类活动的强度变化影响城市地表热量的转换，以人口密度、经济发展、产业规模以及建筑物的高度、密度和容积率等为代表的社会驱动力因素是导致城市地表温度升高、城市热岛效应加剧的主要原因之一[14]。城市热岛效应具有诸多特征表述，如：城乡气象站台气温差值、城乡地表温度或大气温度差值、城市空间热环境差异等。从日间变化上观察，早期研究指出气温城市热岛是“夜间现象”即夜间呈现高峰[15]，但之后很多研究表明有些地区白天地表城市热岛强度突出[16]，甚至超过夜间地表城市热岛强度[17]，因此本文暂不考虑夜间地表城市热岛的研究。Mitchell等利用Landsat和MODIS遥感影像反演的地表温度,结合当地人口普查数据,利用地统计学等空间统计方法，对影响美国佛罗里达州Pinellas地区地表热环境分布的人口因素进行分析，结果表明在贫困人口较为集中的区域以及某些特定种族或少数民族的聚集区域，城市热岛效应更为显著[18]。张瑜等基于1995—2013年的TM遥感数据以及西安市建成区的人口、绿化面积、废气排放量、GDP、运输量、工业总产值等11项统计数据，采用灰色关联度理论定量研究了热岛效应影响因子的贡献率，结果认为人类社会因素对热岛效应带来的负面影响日益加剧[19]。由于社会统计数据在空间尺度和时间尺度上的局限性导致其较难适用于小尺度的热环境研究，对城市热岛效应的定量分析研究带来了一定困难。另外，在城市热岛的单一影响因素研究中，城市地表覆盖特征对城市地表温度的影响分析已经较为充分，围绕NDVI，NDBI，ISA等影响因素已展开定量研究，而城市热岛效应社会经济驱动力的定量研究则较为缺乏，肌理性分析和案例验证均存在不足[20]。因此，本文以卫星反演的冬季日间地表温度为依托，在区域尺度下计算分析各个城市的热岛效应，从热岛效应形成机理角度出发并借鉴前人研究提出影响指标，结合对应年限的人口普查、经济普查、统计年鉴等社会经济数据，对研究区域进行城市热岛效应定量分析，同时充实景观尺度上人为活动影响热岛效应的分析。本文选取我国22个城市，利用2014年和2019年卫星影像与统计年鉴等相关数据，定量分析城市热岛效应变化特征，同时探讨社会经济因素对城市热岛效应的影响机制，以期为有效消缓城市热岛效应提供科学的参考依据，为其他城市热岛效应的格局演化及其社会经济驱动力的定量研究提供借鉴和参考。

1 研究区域概况

本文研究区涵盖了大部分东南沿海城市以及内陆部分城市，东经111°—122°，北纬2°—39°，选定城市样本在2014年至2019年里城市GDP、工业化趋势以及城市建设绿化等方面发展迅速，作为研究对象具有一定代表性。同时，因每个城市对于统计数据的标准不一，为保证数据完整性与统计口径的一致性，本文主要选取城市人口数、社会消费品零售总额、建成区面积、建成区绿地覆盖面积、工业用电量、道路面积、民用车辆拥有量、建成区绿地覆盖率、城镇居民用电量共9类影响指标。城市样本共包括广州市、佛山市、东莞市、汕头市、厦门市、福州市、温州市、宁波市、杭州市、嘉兴市、苏州市、常州市、无锡市、芜湖市、南京市、蚌埠市、徐州市、郑州市、开封市、济南市、阳泉市、太原市等22个城市。以其中城市市辖区作为研究范围进行城市热岛效应的计算及进一步分析。

2 数据来源与研究方法

2.1 数据来源

本文研究的数据分为遥感影像和城市统计数据。遥感数据为2014年和2019年Landsat8卫星的冬季遥感影像，通过美国地质调查局(USGS)获取，级别是Level 1T(L1T),地图投影为UTM，坐标系统为WGS84，USGS在数据分布前将TIRS10/11重采样至30 m以匹配传感器的多光谱波段，并将全部波段的像元灰度级拉伸到16-bit，存储为栅格式单波段影像。研究区内图像质量良好，云层覆盖少，且地面特征清晰[22]。城市统计数据均源自《中国城市统计年鉴》和各城市统计年鉴以及相关官方网站公布的城市发展公报等文件。

本研究依照2个标准进行社会经济因素指标的选择。首先，筛选的指标应直接或间接影响城市热岛效应，是具有代表性的城市化发展指标，即所选的因子对城市热岛的影响可由现有研究得出；其次，本文研究区限定于城市市区范围，对应的指标数据同样应为城区尺度，并且能够获得，确保其与统计口径的一致性。

2.2 研究方法

考虑到卫星遥感影像可以直接获取城市地表的热辐射信息，并具有数据获取周期短、覆盖范围可控、获取成本低等优点[14]，本文利用卫星热红外遥感数据反演研究城市地表温度。但由于地表热辐射在传导过程中会收到辐射面与大气的影响，这将造成卫星传感器接收到热辐射信息与地表真实热辐射状况差异较大的情况，而经过大气校正后再反演得到地表温度，基本考虑了大气和辐射面的干扰，因此本文首先通过ENVI5.3软件对所有影像数据作辐射定标和大气校正处理，剔除因大气散射对地表温度反演所造成的误差，其反演结果将会更接近于真实的地表温度[22]。接着再对未覆盖完整研究区的影像进行影像拼接，然后在ArcGIS10.2软件中，利用研究市辖区的边界矢量图裁剪图像，得到研究区市辖区范围的遥感影像，最后对影像进行地表温度的反演计算，并以统计年鉴和相关历史气温等数据，验证其地表反演温度可靠性。热岛强度值计算公式为UHI=Ta-Tb(UHI为热岛强度值，Ta为城市A选样点地表温度值，Tb为郊区B参照点地表温度值，单位均为 ℃)[23]。

由于各选定城市2014年与2019年遥感影像的成像时间不同，直接进行比较分析反演出的温度是不合理的，因此对各城市前后2 a的图像进行统一归一化处理，从而消除成像时间的影响[24]。在ArcGIS10.2中依照公式(1)对所得地表温度进行归一化处理，接着按等差级值将各个城市热岛效应予以分级：0.8—1.0表示强热岛区，0.6—0.8表示热岛区，0.4—0.6表示常温区，0.2—0.4表示绿岛区，0—0.2表示强绿岛区[25]。

L=(Tn-Tmin)/(Tmax-Tmin)

式中，L是代表各个城市影像中第n个像元亮度温度值的归一化值，Tn代表第n个像元温度；Tmin是温度最小值，Tmax为温度最大值。

接着在热岛效应分级之后，使用ERDAS9.2软件对影像进行热岛转移矩阵计算。转移矩阵是对2期不同年度同一地区的热岛效应区的图层影像叠加分析数据，求得不同热岛效应区发生变化后的级别与其变化面积的二维矩阵，用以反映静态相同时期、相同地区、不同等级热岛效应区的面积，以及前期各级热岛效应区的面积转出情况和后期各级热岛效应区的面积转入情况。

3 结果与分析

3.1 研究区地表温度及城市热岛值变化分析

由结果(见表1)可知，2014年各个城市的地表最低温度从0 ℃(郑州、太原等)到27 ℃(佛山)不等，平均值为9 ℃。各个城市的地表最高温度从7 ℃(阳泉)到39 ℃(佛山)不等，平均值为18.3 ℃。研究区内城市热岛值由2 ℃(蚌埠)到6 ℃(杭州、厦门)不等。2019年，研究城市中的地表最低温度从1 ℃(郑州)到23 ℃(汕头)不等。平均值为13 ℃。研究城市中的地表最高温度从11 ℃(郑州)到35 ℃(广州、东莞等)不等，平均值为23.7 ℃。研究区中的城市热岛值由3 ℃(常州)到7 ℃(南京、芜湖等)不等。

表1 2014—2019年城市地表温度及热岛值

对比2 a的数据，研究区的最低温度、最高温度、平均温度均为升温，但开封、常州、佛山、东莞市的地表最低温度和最高温度却有所下降。强热岛城市主要为厦门、杭州市等地区。

3.2 研究区热岛效应转移矩阵分析

2014到2019年研究区各城市不同等级热岛效应区的转移矩阵信息如表2所示。5 a间各城市的强绿岛类型所占面积均各自有所增减，上升幅度较大的城市为嘉兴市和汕头市，下降幅度较大的为杭州市和佛山市；5 a间各城市的强热岛类型所占面积同样各有增减，上升幅度较大的城市有苏州市和宁波市，下降幅度较大的有济南市等；强绿岛转入面积由3.407 km2到641.923 km2不等，其来源主要呈现由绿岛区、常温区、热岛区等依次递减的转入次序；强热岛区转入面积由6.978 km2到1 053.138 km2不等，其来源主要呈现由强绿岛区、绿岛区、常温区等依次递增的转入次序。

表2 2014—2019年城市热岛类型转移矩阵 km2

3.3 城市热岛的PCA分析

城市热岛效应是在城市化的人为因素和局地天气气象情况共同作用下产生的，是城市化过程中对城市环境影响的必然现象，本文主要分析城市化中人为因素对热岛效应的作用，根据相关文献结论将人为因素概括为城市规模、工业活动、居民活动及城市绿化4个方面。本文通过以下2个标准选择社会经济变量指标。首先，选定的指标必须直接或间接影响城市热岛效应，即这些指标对城市热岛效应的影响已由现有研究显示。其次，这些指标的数据必须在被研究的城市中可获得。通过文献筛选后选择了包括城市人口数、社会消费品零售总额、建成区面积、建成区绿地覆盖面积、工业用电量、道路面积、民用车辆拥有量、建成区绿地覆盖率、城镇居民用电量共9个定量指标(见表3)。其中正相关代表影响因子越大，热岛效应越强，反之亦然。考虑到指标尺度统一及获取问题，剔除人口密度、工业烟粉尘排放量、工业废气排放量、工业二氧化硫排放量数据。因指标因子单位量纲的不同，为便于对结果的解释，本文使用统计分析软件SPSS26.0对各类指标因子进行标准化处理并借助主成分分析原理，将研究区中影响22个城市的热岛效应的变量进行主成分分析，分析结果KMO值大于0.7，显著性为0，小于0.05，即能够确定本文所选变量适宜作主成分因子分析热岛效应的社会经济驱动力分析。

表3 热岛效应社会经济影响因子及其参考文献来源

由主成分特征值和贡献率(见表4)可看出，第1主成分的贡献率最大，远高于其他主成分，为63.717%；其次为第2主成分，为11.515%。前2个主成分的累积贡献率已达75.233%，且其特征值大于1，表明前2个主成分包括了原始9个变量中75.233%的信息量，且原始数据具有较高的冗余度。本文认为前2个主成分能够代表影响城市热岛的社会经济因素。对表4中数据进行主成分转换，得到前2个主成分所持的信息荷载情况(如表5)。

表4 各主成分的特征值和贡献率

表5 主成分载荷矩阵表

一般来说，各主成分的对应值越大，表明这一主成分所涵盖的初始变量信息就越多，即所占的比重更大。根据主成分荷载矩阵，具体分析各主成分的整体组成情况，以此表明不同社会经济因素对城市热岛效应的影响权重。对于第1主成分而言，城市人口数、社会消费品零售总额、建成区面积、建成区绿化覆盖面积和工业用电量等为其主要正向贡献因子；对于第2主成分而言，民用车辆拥有量和道路面积为其正向贡献因子，城镇居民用电量为其主要负向贡献因子，值得注意的是作为第1主成分的主要正向贡献因子则对第2主成分产生负向影响。这可能是在城市中当人口量、消费品零售总额等人口经济发展稳定，建成区面积不再扩张以及工业发展趋势放缓后，因道路的不透水性或铺装材质的影响以及车辆尾气排放的缘故，所以道路面积和车辆数量的增减对城市热岛效应的影响将起到较为重要的作用。综合分析各个主成分的主要贡献因子，对研究区影响城市热岛效应的主要社会经济影响因子按照其贡献度大小可以概括为城市人口数、社会消费品零售总额、建成区面积、建成区绿化覆盖面积、工业用电量、道路面积共6个主要影响因子，这也与相关文献结论较为一致。同时由表5可看出，第1个主成分主要体现了城市规模对城市热岛效应的影响，主要包含城市人口数、建成区面积以及道路面积等信息；第2个主成分综合反映了居民活动及城市规模对城市热岛效应的影响，主要包括民用车辆拥有量和建成区绿化覆盖率等信息。

4 结论与讨论

(1)对比2014年与2019年的数据，研究所选的大部分城市的最低温度、最高温度和平均温度均为升温，各个城市的城市热岛值同样升高，城市热岛效应逐年增大。结果与李宇等的研究一致，他们发现我国绝大部分城市表现出了明显的热岛效应，且不同城市和区域热岛强度差异明显[26]。但也出现如开封、常州、佛山、东莞市的最低温度和最高温度下降、但热岛值不变的情况。该结果和侯婷婷的研究[27]相符。东莞市自2014年以后城市开始快速转型发展，高科技产业在一定程度上缓解了劳动力，同时政府更加注重城市生态环境的建设，城市规模的变化呈穿孔式的分布，因此东莞市未引发强烈的热岛效应，城市热岛效应趋于平缓状态。(2)不同城市热岛类型间的转移特征分析显示，强热岛区面积的扩大源于由强绿岛区到热岛区和强热岛区的转化，强绿岛区、绿岛区、常温区、热岛区转向强热岛区的数值也呈现逐级递增的趋势，但同时也有出现强绿岛区所占转化量更大的情况，如苏州、常州市。这也与马松超的研究结果相吻合[28]。其结果显示，2009—2019年扬子江城市群(苏州、常州、南京、无锡等城市)的整体热岛效应仍在增强，其中苏州市、常州市、无锡市的热岛面积占城市群的主导，其中，苏州市贡献度最大。由低温度区转化为高温区或极高温区的现象也主要分布在这3个城市。这是因为城市中强绿岛和绿岛区常为水体与植被繁茂地，转变成为高热源地区的可能性较低，而城市中的常温区和热岛区伴随着社会经济发展和城市建设，常被改造成硬质、不通风或是绿植较少的功能用地，以致成为新的高热源产生区。人工斑块占比大的区域易产生热岛效应，人工斑块(建设用地、未利用地)面积占比越大，自然斑块(水体、植被)的面积占比越小，热岛强度越高[29]。出现强绿岛区转出的现象，与城市自身发展进程中的开发建设需求相关，由表1可知强绿岛面积转出对城市热岛具有较大的影响效果。(3)针对社会经济因素对城市热岛效应影响的主成分分析表明，第1主成分主要反映了城市规模对城市热岛效应的影响，主要包括城市人口数、建成区面积及道路面积等信息；城市规模对城市热岛效应具有正相关的作用，简单说就是随着城市规模增大，人口数量增多，建成区面积扩张以及道路面积的增加，城市热岛效应就越容易发生，其程度也愈明显。虽然城市规模中也涵盖了绿化植被等绿地指标，但有些城市即使城区范围内的绿地面积增速高于郊区，城区范围内的平均气温或最高气温却也高于郊区[30]。这说明了城区内的植被对气温和热岛强度的贡献要小于其他因素影响，即城区增加的植被对减缓热岛效应的贡献不足以抵消其他因素增强热岛效应的贡献。而城市人口数量、建成区面积、道路面积、工业用电量等指标可能起到较大影响。第2主成分综合反映了居民活动及城市规模对城市热岛效应的影响，主要包括民用车辆拥有量和建成区绿化覆盖率等信息。参考Clinton等的研究可知，城市规模和城市发展强度是影响热岛效应最主要的社会经济变量，而城市人口的影响性则是最低的[31]。这与本研究结果存在一定矛盾，造成这种差异的部分由不同的人口测量方法所导致，在其研究中，人口测量方法是使用插值融合的一种网络数据集，而在本研究中，人口测量方法是根据研究区统计局发布的数据所确定的。造成这种差异的另一个部分重要的潜在原因是城市产业结构和发展模式的差异，这意味着不同地区或国家在城市热岛形成评估中相同的社会经济因素所起的作用可能是不同的。

由于遥感影像获取的限制性，只有少数城市能够参与完整的相关分析，且每个研究城市的遥感数据与其社会经济统计数据的匹配程度仍具有提高的空间。选定的各社会经济指标均来源于政府相关网站发布资料，在社会经济发展与城市建设方面具有不同程度的影响作用，不排除某些指标的内在关联。考虑到文章着重计算城市热岛效应及热岛转移矩阵，并进行选定指标因子对热岛效应的影响分析，就此暂未对指标之间的关联性作深入研究，后续研究可就其关联性做进一步探讨。另外，长时序同时期的社会经济数据，如城市统计年鉴、大数据、碳中和统计数据、问卷调查数据等与城市热岛数据，如气象站台数值、遥感影像数据、预测模型结果数值等之间的有效结合，将有助于降低分析结果的误差，并提高其稳定性和参考意义，从而计算出社会经济因素对于城市热岛效应更加全面的影响变化和权重占比，以此针对性提出有效缓解城市热岛效应的干预措施。最后，只评估了城市部分社会经济指标对城市热岛效应的相对贡献度，计算所产生的结果存在一定局限性，未来可通过多元的社会经济指标，如POI数据、城市问卷调查、碳中和统计数据等与城市热岛之间的深入分析探究2者的内在关系。

根据上述分析结果，结合前人对城市热岛效应的研究结论，提出以下建议：(1)适当控制城市人口数量，综合考虑扩大城区建设所带来的负面影响，着重城市建设布局，对城市道路、工业区、公园绿地等方面进行科学规划，已有研究表明，热岛的空间形态与城市化地区具有较高的相似性[32-39]。因此，在规划城市内的各区域时，必须考虑城市布局对局部热环境的影响，合理利用城市空间布局建设作为减少区域热岛效应的手段；(2)严格审批工业废气、废水的排放，降低城市工业企业生产的能耗释放，合理调控能耗布局；(3)加强城市机动车辆的管理控制，提倡清洁能源如电力驱动、油电混合驱动等交通工具；(4)在城市热岛区域增设绿地面积，同时推行城市垂直绿化建设。在缓解热岛效应的同时通过串联-集中的形式优化城市绿地布局合理性，并提高城区绿化建设意识，引导公众深化绿色环保观念，关注城市环境变化对温度造成的影响情况。