广州市中心城区城市不透水地表覆盖结构与地表温度的关联性研究

黄奕钦, 龚建周

广州市中心城区城市不透水地表覆盖结构与地表温度的关联性研究

黄奕钦, 龚建周*

广州大学地理科学与遥感学院, 广州 510006

城市不透水地表作为城市地表的重要组成, 正确认识城市不透水地表覆盖结构对城市热岛的影响, 可为改善城市热环境提供策略。文章基于Landsat-8 OLI/TIRS 和 GF-2 遥感影像, 通过反演地表温度和提取城市不透水地表覆盖信息, 利用GIS空间分析技术、景观格局指数和统计分析方法, 分析了广州中心城区城市不透水地表覆盖结构对城市地表温度的影响特征。主要结果如下: (1)广州中心城区地表温度分布空间异质特征明显, 其地温图呈现斑块镶嵌状, 且有明显的高温、低温区域存在, 其中不透水地表覆盖平均温度最高, 裸地次之, 最低是水域和绿地。(2)多数空间尺度分析结果显示, 随空间分析尺度从630 m×630 m 增至1800 m×1800 m, 不透水地表比例和地表温度均存在正相关关系, 其相关系数(程度)在0.61—0.68(<0.01)之间。(3)地表温度和不透水地表斑块的最大斑块指数、平均斑块面积指数、平均形状指数和聚集度指数显著正相关(<0.01), 其中不透水地表的聚集度对地表温度的影响最大, 但基于网格单元分析的景观指数曲线与平均地表温度之间未呈现完全一一对应关系。城市不透水地表显著影响地表温度, 合理调整设计城市不透水空间分布格局, 可有效减弱城市热岛强度。

城市热岛; 不透水地表; 景观格局; 广州

0 前言

不透水地表(Impervious Surface Area, ISA)是一种天然或者人造的能阻止水渗透的表面[1]。随着城市化进程不断深入, 城市不透水地表面积、密度的增加改变了城市的地表反照率[2]、比辐射率[3]、地表粗糙度[4]、地表显热通量[5]等地表物理特性, 使得地表热平衡受到破坏。建筑物、水泥硬化地面等高储热性材料释放大量热能使得城市地表温度快速上升, 局地气温显著升高, 由此产生严重的城市热岛效应[6-8], 引发了如夏季高温异常[9]、水文条件恶化[10]、生态调节失衡[11]等一系列负面影响, 基于此, 研究不透水地表对城市热环境的影响对缓解城市热岛效应、优化人居环境具有重要意义。

已有研究认为, 城市不透水地表与热环境关系密切。如: Mathew等[12]研究城市热岛效应时空分布与植被、城市化、海拔三个因素的关系, 研究显示不同季节城市热岛时空分布与强度变化, 得出不透水地表与城市热岛的强相关性。崔林林等[13]在研究成都市热岛效应与下垫面的关系中, 分别讨论了2013-2017年4个时间点三种下垫面(植被、水体、建筑)改良指数与热岛效应的相关程度, 其中归一化建筑指数与地表温度在4个时间点上均对应呈正相关关系。Morabito等[14]对意大利4个地区2001年—2013年建筑用地专题数据和地表温度数据进行回归分析, 结果表明建筑用地比例和地表温度呈线性正相关。Chen等[15]在确定地表各物质含量与地表亮度温度的关系研究中指出, 地表亮度温度与不同地表覆盖类型在不同空间位置的温度分布差异有关, 其中不透水表面组分对地表温度有强正向影响。总的来看, 以往研究主要集中在不透水地表与地表温度的相关关系表现形式上, 缺乏不透水组成及形状、聚集度等表面结构与城市热环境关系的定量分析。

本研究选定广州城市中心为研究区域, 基于遥感影像反演地表温度, 提取城市不透水地表数据, 进行二者之间关系的定量分析, 目的在于探讨人口密集的城市区域不透水地表结构与热环境之间的关系。包括以下3个方面的内容: (1)地表温度的遥感反演、不透水地表数据的提取; (2)为避免可塑性面积单元或尺度效应对景观分析的影响, 设置一系列空间分析范围大小, 进行不透水地表比例与地表温度的相关分析; (3)以景观格局指数表征不透水地表结构, 进行不透水地表结构与地表温度关系的分析。研究结果有助于认知城市热环境, 为城市规划和城市管理提供理论支撑。

1 研究区域、数据与研究方法

1.1 研究区域及中心城区范围的划定

广州市位于22°26′—23°56′N, 112°57′—114°3′E, 年平均气温21.4—21.9℃, 年平均降雨量1623.6— 1899.8mm。依据《广州市城市总体规划(2017—2035年)》划定的广州市中心区域如图1, 面积约264.73km2。该区域作为广州科技创新、文化交往、综合服务的核心区域, 是城市商业、文娱、消费等社会活动的主要开展区域, 是城市进行各类社会活动的主要场所。

1.2 数据源及预处理

研究所需数据包括1景Landsat 8 OLI/TIRS和2景高分二号(GF-2)遥感影像。前者用于反演地表温度, 后者用于提取不透水地表覆盖信息。其中, Landsat-8 OLI/TIRS 遥感影像来源于USGS(https:// earthexplorer.usgs.gov/), 获取时间为2018年7月22日, 轨道行列号122/044; 高分二号(GF-2)影像来源于华南农业大学高分科教服务平台(http://gao­fenplatform.com/), 获取时间为2017年12月03日, 轨道行列号分别是1016/185和1017/185。

Landsat 8 OLI/TIRS数据的预处理包括影像裁剪、辐射定标、大气校正。首先, 裁剪影像得到研究区域。其次, 将Landsat 8 OLI第4、5波段和TIRS第10波段进行辐射定标, 分别将DN值转换为辐射亮度值、亮度温度。最后, 进行大气校正, 消除大气、光照等因素的影响。

图1 研究区域在广州的位置

Figure 1 The location of study area in Guangzhou

GF-2数据的预处理包括影像镶嵌、影像裁剪、正射校正、辐射定标、大气校正、图像融合。首先, 对两景影像进行镶嵌和裁剪, 得到研究区域。其次, 对研究区域GF-2数据进行正射校正, 消除几何误差, 将误差控制在1m以内。再次, 将多光谱影像数据进行辐射定标和大气校正, 消除干扰。最后, 应用PANSHARP方式融合多光谱影像数据与全色影像数据, 融合后分辨率为1m。两组数据通过影像重采样工具实现分辨率的统一。

1.3 多空间分析尺度设置与景观格局指数计算

采用皮尔逊相关方法进行城市不透水表面结构与地表温度关系研究, 包括两个方面的内容。一方面, 为避免可塑性面积单元或尺度效应对景观分析的影响, 设置一系列空间分析范围大小, 进行不透水地表比例与地表温度的相关分析; 另一方面, 以景观格局指数表征不透水地表结构, 进行不透水地表结构与地表温度关系的分析。其中:

(1)多空间分析尺度设置。为避免可塑性面积单元或尺度效应对景观分析的影响[16], 设置一系列空间分析范围大小, 进行不透水地表比例与地表温度的相关分析。李孝永等[17]进行的多尺度空间分析认为630 m×630 m是分析城市地表温度与地表覆盖组分关系的最佳尺度。以此为基础, 文章以100 m× 100 m作为最小尺度空间, 分别设置了10 m、50 m、90 m、150 m共4种空间尺度间隔进行实验, 空间分析尺度的个数都为10个, 实验结果显示在较小尺度空间(间隔为10 m、50 m的多空间尺度)不透水地表比例和地表温度没有呈现明显的变化规律, 且二者关系特征不显著, 而在较大尺度空间(550 m×550 m以上)相关性结果变化特征较为明显, 相关程度稳定, 最终确定采用10个空间分析尺度, 尺度间隔130 m ×130 m (630 m×630 m, 760 m×760 m, …1670 m×1670 m, 1800 m×1800 m)。逐像元统计各尺度网格的平均地表温度及不透水地表比例。

(2)景观格局指数选取。景观格局指数是高度浓缩景观格局信息的指标, 多个指数的综合运用能较好地表征景观结构特征。分别从斑块大小、形状、聚集度等方面, 选取平均斑块面积指数(mean patch size index, MPI)、平均形状指数(mean shape index, MSI)、聚集度指数(aggregation index, AI)、最大斑块指数(largest patch index, LPI)共4个指数, 对不透水地表进行景观格局分析。Fragstats4.2计算景观格局指数值, 各指数的定义与生态学意义参见表1。文章参考前人研究成果[18, 19], 用于计算平均地表温度和景观格局指数的网格大小为5 km×5 km。

2 城市地表温度反演与不透水地表提取

2.1 地表温度反演算法

针对Landsat TM遥感数据, 覃志豪等[20]根据地表热辐射传导方程, 将大气、地表的影响包含在公式内, 推导出一个科学可行且精度高的地表温度(Land Surface Temperature, LST)反演方法, 称为单窗算法。胡德勇等[21]等在其基础上推导出了针对Landsat 8 TIRS图像反演地表温度的单窗算法, 文章采用胡德勇等的单窗算法, 进行中心城区地表温度反演。采用的最终化简式为:

表1 景观格局指数的描述与生态学意义

2.2 城市不透水地表提取

基于预处理后的GF-2影像, 利用面向对象方法提取城市不透水层。其中, 面向对象分类方法可以针对光谱特征相似但类型不同的影像对象通过纹理、形状、领域信息进行有效划分[23]。借助Envi5.3中基于样本的面向对象分类工具, 设定参数分割阈值为40、合并阈值为90、纹理内核为10, 实现图像的分割、合并, 目视解译选择样本数据进行训练分类, 最后选择支持向量机(Support Vector Machine)训练方法得到基于样本的面向对象分类结果。根据研究需要, 将景观类型分为不透水地表、绿地和水域、裸地共四种, 其中不透水地表包括道路、建筑物、广场三类。

3 城市不透水地表覆盖结构与地表温度的关联

3.1 城市不透水地表与城市热岛空间分布特征

中国天气网(www.tianqi.com)显示研究区平均气象温度32 ℃, 本实验得出地表温度平均为32.99 ℃,反演结果基本属于正常范围; 利用团队研究积累数据成果, 基于混淆矩阵对分类精度进行评价, 结果显示总体分类精度(Overall Accuracy, OA)为89.33%, Kappa系数为0.8742。此外, 考虑到用于地表温度反演和不透水地表提取的影像时相不一致, 特基于中国科学院资源环境数据中心(http://www. resdc.cn/data.aspx)数据, 对不透水地表提取结果进行叠置比对, 发现除图斑边界不完全吻合外, 两个图层叠置效果比较好, 并对少量边界差异相大的图斑进行手工修改。广州中心城区地表温度反演和地表覆盖分布显示如图2。如图2a、2b所示, 研究区域不透水地表覆盖沿珠江河流两岸密集分布之格局, 占比高达60.6%。其次是绿地, 比例达23.7%。水域覆盖面积比例达12.1%。裸土覆盖在研究区域的占比较小。

研究区地表温度空间异质特征明显(图2c), 中东部有一个极低冷岛区域(黑色斑块, 在琶洲会展中心), 东南角地表温度较低, 西南角出现面积较大的高温区域, 其温度甚至高出中心区域的温度, 这一带是广州企业化园林种植的集中区域。尽管如此, 基于ArcGIS分区运算, 提取4种地表覆盖类型对应的地表温度平均值(图2d)仍然显示, 不透水地表覆盖平均温度最高, 高达34 ℃; 裸地次之; 最低的是水域和绿地, 温度29.2 ℃、32.1 ℃, 研究区水体和绿地已达一定规模并已对城市热岛产生减弱效应。

3.2 城市不透水地表比例与地表温度的相关分析

随着空间分析尺度从630 m×630 m增至1800 m ×1800 m, 分别绘制不透水地表覆盖比例与地表温度线性的回归曲线。结果显示, 如多数空间分析尺度上, 相关系数值在0.65—0.68(因此仅绘制相关系数最小和最大的曲线, 即空间分析尺度630、1540 m, 如图3a、3b, 各空间尺度相关系数结果如表2); 只有89 0m和1800 m二个空间分析尺度下, 相关系数值偏小, 分别只有0.61和0.63(图3c、3d)。为此可认为, 不透水地表比例和地表温度之间存在相关关系, 其值在0.61—0.68之间(<0.01), 相关系数(程度)因空间分析尺度略存在差异。

3.3 城市不透水地表覆盖结构与地表温度的相关分析

基于网格单元, 将平均地表温度和不透水地表结构指数进行皮尔逊相关分析(图4), 可以看出4种结构指数都与地表温度有正相关关系(<0.01)。其中, 地表温度与不透水地表覆盖的聚集度指数相关性最高, 相关系数达0.79。次之是最大斑块面积指数, 相关系数达0.74。最后是平均斑块面积指数、平均形状指数, 其系数分别为0.64、0.61。由此可以认为, 城市不透水地表的聚集度越高、其斑块面积占比越大, 地表温度则相应越高, 热岛强度也越高。

图2 广州中心城区地表温度与地表覆盖的空间分布与统计

Figure 2 The spatial distribution and statistics of surface temperature and land cover in Guangzhou downtown

表2 10个空间分析尺度的相关系数

基于网格单元进行区域划分(图5), 依次统计各网格的平均地表温度、计算其景观格局指数, 最后绘制曲线图6。可以看出, 各网格的平均地表温度不同, 对应的景观格局指数也因网格而异。尽管如此, 景观指数曲线与平均地表温度之间并没呈现完全一一对应地相关关系。

图3 不同空间尺度下不透水地表与地表温度的线性相关曲线

Figure 3 The result of Linear regression analysis between impervious surface and surface temperature at different spatial scales

特别地是第12个网格, 平均地表温度呈现出低值27.79 ℃, 平均斑块指数、最大斑块指数、平均形状指数也分别出现最小值0.85、1.82、1.21, 聚集度指数值也较低, 其值为65.57(仅高于第5网格的指数值), 表明从斑块面积大小或最大斑块面积来看, 该网格的不透水斑块表现出分散、离散状态, 而形状趋于最为简单。查看网格所在地理位置正好是研究区东部水域片区, 该区域水域集聚, 水体降温效果明显, 不透水地表呈现零散分布镶嵌格局。在第8个网格上, 平均地表温度呈现高值33.94 ℃, 平均斑块指数值则极大, 聚集度指数、最大斑块指数和平均形状指数值也较高; 此外还有第12、13和5等网格, 几个景观指数值也都呈现为极值或局部极值。

图4 不透水地表结构指数和地表温度的相关性指数

Figure 4 Correlation between impervious surface and surface temperature

4 讨论

从微观尺度研究区域土地利用信息、建筑材料差异对城市局部热环境的影响是一个值得关注的话题, Surjamanto等[24]研究模拟了砖、加气混凝土、玻璃棉保温木材、玻璃纤维增强混凝土四类围护结构材料对城市热岛的影响, 其研究结论对于降低城市地区贫困人口的能源消耗具有重要意义。文章高温区集中分布于西南区域(第1网格), 平均地表温度达高值36.74 ℃, 聚集度指数、平均斑块指数、最大斑块指数、平均形状指数分别达81.03、16.07、46.08、1.47, 四个结构指数都处于较高水平。经过研究发现该区域是企业化园林种植的集中区域, 为保证种植物在夏季高温条件下的存活与生长, 管理者会采用特殊的建筑材料修筑园区屋顶、墙壁等围护结构, 这些材料的密度、热容和热导率与普通材料不同, 具备吸热、保温、隔水的物理特性, 因此在该区域出现了高温集聚的现象。

图5 研究区域基于单元网格(5 km×5 km)的划分

Figure 5 Research area division based on cell grid (5 km×5 km)

图6 基于单元网格(5 km×5 km)的平均地表温度和景观指数变化曲线

Figure 6 Curves of average surface temperature and landscape indexes for each 5 km×5 km cell

李孝永等[17]在十个空间尺度下(180 m×180 m 到990 m×990 m)讨论北京、天津和石家庄的城市地表覆盖组分与结构特征对地表温度的影响, 发现630 m×630 m 是研究二者相关关系的最佳尺度。Xiao等[25]在对中国北京不透水地表空间格局和地表温度的关系研究中发现, 随空间分辨率的增大, 不透水地表空间格局与地表温度的相关系数呈现正相关性增长的趋势。基于已有成果, 本文通过划分不同大小的空间分析单元, 研究不同空间分析尺度下不透水地表覆盖结构和地表温度的相关关系, 经过反复实验确定从630 m×630 m到1800 m×1800 m的空间分析尺度, 并且各尺度之间的间隔是130 m×130 m为研究区的合理空间分析尺度, 研究得出了与前人研究相近的结论。尽管如此, 相关关系强度呈现一个阈值范围, 如相关系数值在0.65—0.68; 随着空间分析尺度继续增大, 相关关系不再继续增加甚至呈现下减弱现象, 如在1800 m时, 相关系数值减小为0.63(图3d), 可能的原因是大空间分析尺度会产生对地物信息空间分布的平滑作用随着分析单元栅格大小的增加, 小尺度空间中丰富的地物结构信息在较大空间分析尺度中被平滑消失, 不透水面空间异质性会一定程度减弱。同时, 研究区域温度图呈现高度斑块镶嵌状, 随着空间尺度的增大, 独个单元完全由不透水面覆盖的情况显著减少, 每个分析单元的植被、水体或不透水面等具有良好降温效果的地表成分比例总体提升, 地表温度不再显著升高, 呈现变化稳定甚至下降的趋势, 导致了相关关系不再继续增加甚至呈现下减弱现象, 该现象也一定程度说明了高不透水面占比导致地表温度提升是较为局部和微小尺度的现象。

文章中存在不透水地表密集区域的地表温度并没有呈现高温反而是异常低温的现象, 除了前文所提及的特殊建筑材料的原因之外, 这类现象可能的解释是由于特殊的城市地表形态和建筑形态产生的局地气象所引起。刘琳等[26]在关于多种城市地表形态的局地气候分析中指出, 紧凑高层建筑区有助于在夏季形成局部冷岛效应并提高居民热舒适感觉。相似地, Oshio等[27]在关于日本冬季城市独立高层建筑与城市热环境的相关研究中指出, 独立高层建筑有利于降低局部地区温度。

5 结论

文章基于Landsat 8 OLI/TIRS和GF-2遥感影像, 通过反演城市地表温度、提取城市不透水地表覆盖信息, 利用GIS空间分析技术、景观格局指数和统计分析方法, 进行中心城区城市不透水地表覆盖结构与城市地表温度相关关系的案例分析。主要结论如下:

因地表覆盖和结构的空间异质性, 致使中心城市温度空间差异特征明显, 温度图呈现出高度斑块镶嵌状。不透水地表平均温度高于自然或半自然地表(如水域和绿地), 但是受特殊的城市地表形态和建筑形态产生的局地气象影响, 研究区中东部局部地块(琶洲会展中心)出现一个温度极低的冷岛现象; 研究区西南区域是企业化园林种植的集中区域, 建筑材料修筑园区屋顶、墙壁等围护结构, 致使该区域出现了高温集聚的现象。典型的不透水面如建筑物、构筑物、硬化地面等对地表产生增温效应或植被、水体等透水面对地表具有的降温作用, 主要是作用小尺度范围对区域产生显著的局地气象影响。区域的地表覆盖、地表组分及相关景观结构交互耦合产生效应, 在特定情况下会产生剧烈的局部温度变化。

由于可塑性面积单元问题的存在, 城市不透水地表覆盖比例与地表温度之间的线性相关程度因空间分析单元略异, 但相关系数值都在0.65—0.68(显著相关)的范围内变化; 但是当空间分析单元达到某一个高值后, 二者之间的相关强度并不继续增大, 表现为相关程度及空间分析单元都存在阈值现象(表2)。表示景观结构的平均斑块面积、最大斑块面积、聚集程度或形状等指数, 都与平均地表温度存在类似的相关关系, 但景观指数曲线与平均地表温度之间相关关系比较复杂, 文章未能加以讨论分析, 未来应进一步细致地探究及其机制剖析。这些研究结论表明, 为较好控制广州中心城区地表高温现象, 最重要的是要减少不透水地表覆盖比例和增加植被、水体等具有良好降温效能的透水地表覆盖比例, 如在市政工程中采用透水材料代替水泥硬化路面、高密度不透水区中低层建筑顶楼适当种植花草形成绿色屋顶、优化城市绿化带建设形成城市绿地通道、建设人工湖和喷泉等人工水体设施来实现降温。同时, 未来的城市规划布局应适度控制城市不透水地表比例, 有效管控城市不透水地表分布与结构或合理布置城市地表覆盖结构, 能有效提升城市热岛调节能力。

致谢:本研究由国家自然科学基金(42071123)资助。作者对华南农业大学胡月明教授在研究数据方面给予的帮助表示特别感谢。

[1] ARNOLD C L, GIBBONS C J. Impervious Surface Coverage: The Emergence of a Key Environmental Indicator[J]. Journal of the American Planning Association, 1996, 62(2): 243–258.

[2] JONES P D, GROISMAN P Y, COUGHLAN M, et al. Assessment of urbanization effects in time series of surface air temperature over land[J]. Nature, 1990, 347(6289): 171–177.

[3] OKE T R. The energetic basis of the urban heat island[J]. Quarterly Journal of the Royal Meteorological Society, 1982, 108(455): 1–24.

[4] PIELKE R A, ADEGOKE J, BELTRÁN -PRZEKURAT A, et al. An overview of regional land-use and land-cover impacts on rainfall[J]. Tellus B: Chemical and Physical Meteorology, 2007, 59(3): 587–601.

[5] RIZWAN A M, DENNIS L Y C, LIU Chunho. A review on the generation, determination and mitigation of Urban Heat Island[J]. Journal of Environmental Sciences, 2008, 20(1): 120–128.

[6] GUO Guanhua, ZHOU Xiaoqing, WU Zhifeng, et al. Characterizing the impact of urban morphology heterogeneity on land surface temperature in Guangzhou, China[J]. Environmental Modelling and Software, 2016, 84: 427–439.

[7] XU Hanqiu. Analysis of Impervious Surface and its Impact on Urban Heat Environment using the Normalized Difference Impervious Surface Index (NDISI)[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(5): 557–565.

[8] CHEN Xiaoling, ZHAO Hongmei, LI Pingxiang, et al. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes[J]. Remote Sensing of Environment, 2006, 104(2): 133–146.

[9] SANTAMOURIS M. Recent progress on urban overheating and heat island research. Integrated assessment of the energy, environmental, vulnerability and health impact. Synergies with the global climate change[J]. Energy and Buildings, 2020, 207: 109482.

[10] TONG S T, CHEN Wenli. Modeling the relationship between land use and surface water quality[J]. Environmental Management, 2002, 66(4): 377–393.

[11] CHI Wenfeng, SHI Wenjiao, KUANG Wenhui. Spatio- temporal characteristics of intra-urban land cover in the cities of China and USA from 1978 to 2010[J]. Journal of Geographical Sciences, 2014, 25(1): 3–18.

[12] MATHEW A, KHANDELWAL S, KAUL N, et al. Investigating spatial and seasonal variations of urban heat island effect over Jaipur city and its relationship with vegetation, urbanization and elevation parameters[J]. Sustainable Cities and Society, 2017, 35: 157–177.

[13] 崔林林, 李国胜, 戢冬建. 成都市热岛效应及其与下垫面的关系[J]. 生态学杂志, 2018, 37(5): 1518–1526.

[14] MORABITO M, CRISCI A, MESSERI A, et al. The impact of built-up surfaces on land surface temperatures in Italian urban areas[J]. Science of the Total Environment, 2016, 551: 317–326.

[15] CHEN Tao, ZHANG Xujia, NIU Ruiqing. The Relationship between Urban Land Surface Material Fractions and Brightness Temperature Based on MESMA[J]. Remote Sensing, 2017, 9(6): 532.

[16] 邬建国. 景观生态学: 格局、过程尺度与等级[M]. 北京: 高等教育出版社, 2007.

[17] 李孝永, 匡文慧. 北京、天津和石家庄城市地表覆盖组分与结构特征对地表温度的影响[J]. 生态学杂志, 2019, 38(10): 3057–3065.

[18] LUCK M, WU Jianguo. A gradient analysis of urban landscape pattern: a case study from the Phoenix metropolitan region, Arizona, USA[J]. Landscape Ecology, 2002, 17(4): 327–339.

[19] CHEN Ailian, YAO Lei, SUN Ranhao, et al. How many metrics are required to identify the effects of the landscape pattern on land surface temperature?[J]. Ecological Indicators, 2014, 45(1): 424–433.

[20] 覃志豪, ZHANG Minghua, KARNIELI A, 等. 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 2001(4): 456–466.

[21] 胡德勇, 乔琨, 王兴玲, 等. 单窗算法结合Landsat8热红外数据反演地表温度[J]. 遥感学报, 2015, 19(6): 964– 976.

[22] 钱乐祥, 丁圣彦. 珠江三角洲土地覆盖变化对地表温度的影响[J]. 地理学报, 2005, 60(5): 761–770.

[23] SHACKELFORD A K, DAVIS C H. A combined fuzzy pixel-based and object-based approach for classification of high-resolution multispectral data over urban areas[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(10): 2354–2364.

[24] WONORAHARDJO S, SUTJAHJA I M, MARDIYATI Y, et al. Characterising thermal behaviour of buildings and its effect on urban heat island in tropical areas[J]. International Journal of Energy and Environmental Engineering, 2019, 11(1): 129–142.

[25] XIAO Rongbo, OUYANG Zhiyun, ZHENG Hua, et al. Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing, China[J]. Journal of Environmental sciences, 2007, 19(2): 250–256.

[26] 刘琳, 刘京, 林姚宇, 等. 多种城市地表形态的局地气候分析[J]. 建筑科学, 2017, 033(2): 8–14, 26.

[27] OSHIO H, CHEN Kan, ASAWA T. Airborne and Terrestrial Observations of the Thermal Environment of Urban Areas Surrounding a High-Rise Building during the Japanese Winter[J]. Sensors, 2020, 20(2): 517.

The relationship between the impervious surface covering structure and land surface temperature in Guangzhou downtown

HUANG Yiqin, GONG Jianzhou*

School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China

Urban impervious surface is an important component of urban surface, and a correct understanding of the influence of urban impervious surface cover structure on urban heat island can provide strategies for improving urban thermal environment. Based on Landsat-8 OLI/TIRS and GF-2 remote sensing images, this paper analyzes the influence characteristics of impervious urban surface cover structure on urban surface temperature in Guangzhou downtown by inverting surface temperature and extracting impervious urban surface cover information, using GIS spatial analysis technology, landscape pattern index and statistical analysis method. The result are as follow. (1)The surface temperature distribution in Guangzhou downtown is characterized by obvious spatial heterogeneity. The geothermal map is inlaid with patches, and there are obvious high temperature and low temperature areas, among which the average temperature of impervious surface cover is the highest, followed by bare land, and the lowest is water area and green land. (2)Most spatial scale analysis results show that with the increase of spatial analysis scale from 630 m×630 m to 1800 m×1800 m, there is a positive correlation between impervious surface proportion and surface temperature, and the correlation coefficient and degree is 0.61-0.68 (<0.01) due to the difference of spatial analysis scale. (3)The maximum patch index, average patch area index, average shape index and aggregation index of impervious surface patches are significantly and positively correlated (<0.01), where the aggregation degree of impervious surface has the greatest influence on surface temperature, but the landscape index curve based on grid cell analysis does not show a complete one-to-one correspondence with the average surface temperature. Urban impervious surface significantly affects surface temperature, and reasonable adjustment of urban impervious spatial distribution pattern can effectively reduce urban heat island intensity.

urban heat island; impervious surface; landscape pattern; Guangzhou

10.14108/j.cnki.1008-8873.2022.04.005

X24

A

1008-8873(2022)04-032-09

2020-07-26;

2020-08-20

国家自然科学基金项目(42071123)

黄奕钦(1999—), 男, 广东揭阳人, 本科生, 主要从事城市热岛研究, E-mail: huangyq1999@126.com

通信作者:龚建周(1970—), 女, 湖北恩施人, 博士, 教授, 主要从事城市化与生态环境效应研究, E-mail: gongjzh66@126.com

黄奕钦, 龚建周. 广州市中心城区城市不透水地表覆盖结构与地表温度的关联性研究[J]. 生态科学, 2022, 41(4): 32–40.

HUANG Yiqin, GONG Jianzhou. The relationship between the impervious surface covering structure and land surface temperature in Guangzhou downtown[J]. Ecological Science, 2022, 41(4): 32–40.