基于Landsat 8的成都市城市热岛时空格局变化研究

点击图片上方蓝色字体“慧天地”即可订阅

作者信息：周毅，齐华（西南交通大学　地球科学与环境工程学院，四川　成都　611756）

【摘要】现有基于Landsat 8的城市热岛研究课题对城市热岛格局变化研究较少，且驱动因素分析匮乏。本文针对上述问题以成都市为例开展研究。基于2013年和2018年两期Landsat 8影像采用RTE算法、JM_SC10算法和TIRS10_SC算法进行热场分布的空间特征分析，并结合植被、建筑及人口等数据探讨驱动城市热岛时空格局变化的因素。研究表明：①3种反演算法获取的城市热岛效应结果具有一致性；②2018年较2013年热场分布呈现扩大化、多极化、空心化的趋势，尤其在双流区、龙泉驿区等近年重点发展区域出现新的热岛极值区；③植被和水体指数与地表温度成负相关，建筑、人口指数与地表温度成正相关；④除自然地理因素外，城市热岛时空格局变化受人口分布、政策和政府行为因素及社会经济因素驱动性明显。

【关键词】Landsat 8；城市热岛效应；地表温度反演；时空格局 ；驱动因素

【中图分类号】TP79 

【文献标识码】A

【文章编号】1672-1586（2019）02-0007-06

引文格式：周毅，齐华. 基于Landsat 8的成都市城市热岛时空格局变化研究[J].地理信息世界,2019,26(2):7-12.

正文

0　引言

城市热岛效应（Urban Heat Island Effect，UHIE）是指因人工建筑、道路等高蓄热体增加出现的城市温度明显高于城郊的现象。自Howard(1833)首次发现伦敦出现UHIE后，该环境问题已引发世界各国的广泛关注。遥感作为常用的监测手段，主要利用热红外波段反演地表温度（Land Surface Temperature，LST），表征城市热岛信息。

众多学者就LST反演及影响机理进行了研究。如胡平等基于2013年的Landsat 8使用单波段算法和劈窗算法研究了成都市中心城区UHIE；但尚铭等采用单波段算法结合NOAA/AVHRR遥感数据对成都市UHIE演变趋势和城市变化关系进行了一系列研究；张微等结合MODIS数据利用劈窗算法进行成都市LST反演，并分析了DEM、降水、城市用地等对城市热岛的影响；张好等基于TM/ETM+影像利用单波段算法反演了成都市1992、2001和2009年的LST，分析了建筑用地和植被等信息对地表温度的影响。总的说来，现有监测的遥感数源众多，如NOAA/AVHRR、Terra/Aqua/MODIS、Landsat TM/ETM+及Landsat 8 OLI/TIRS等。其中，Landsat 8影像波段丰富，分辨率高，数据获取方便。因数据有限，基于Landsat 8的LST反演多采用单时相数据，鲜有进行长时序变化监测及对UHIE的深层机理进行分析。而LST反演算法根据使用的热红外波段数可分为单波段算法、劈窗算法、多波段算法。其中，多波段算法发展尚不成熟；劈窗算法反演过程较为复杂，耗时性强；而单波段算法只利用一个热红外波段，运算简便准确、效率高。综上研究，本文拟选取Landsat 8影像作为源数据，采用单波段算法进行城市热岛研究。

城市热岛是城市建设和人为活动共同作用的结果。学者除了分析城市热岛的空间特征外，多专注于土地覆盖/利用、DEM及降水等自然地理因素的分析，忽略了人为活动的影响。在此背景下，本研究拟从经济地理的维度出发，结合气象、人口、交通、产业等多源数据分析UHIE的时空分布变化，以期为探索人为活动与城市生态系统的交互机理提供参考。成都，作为中国中西部地区的中心城市，随着城市规模的快速扩张，人口的不断增长，区域受UHIE影响愈发明显。本文以成都作为典型研究区域，通过研究其UHIE的时空分布规律，分析其主要影响因子，旨在为减缓区域UHIE提供决策支持，促进区域可持续发展。

1　方法与数据

常用的单波段LST反演算法通常可分为大气校正法、单通道算法和单窗算法。从研究的适用性和算法的高效性出发，本研究拟采用的LST反演算法包括：大气校正法（Radiative Transfer Equation Method，RTE算法）；2014年由Jiménez-Muñoz等在原有单通道算法（Single Channel Algorithm，SC算法）的基础上增加了针对Landsat 8的大气参数的改进单通道算法（又称JM_SC10算法）；2015年胡德勇等在总结RTE算法和2001年覃志豪提出的单窗算法（Momo_WindowAlgorithm，MW算法）的基础上针对Landsat 8提出的TIRS10_SC算法。最后对LST进行分级分析。

1.1 地表温度反演算法

1）大气校正法

RTE算法是基于辐射传输方程进行LST反演的传统算法，表达如下：

式中，对于TIRS Band10，K1=774.885 3 W /(m2×μm×sr )，K2=1 321.078 9 K。B(LST)是温度为LST的黑体辐射亮度，可表示为：

式中，Lup、Ldown及τ为大气剖面参数，根据成像时间和中心经纬度查询见表1。

表1　大气剖面参数

Tab.1 Atmospheric profile parameters

ε为地表比辐射率，本文使用Sobrino[21]提出的NDVI阈值法计算如下：

式中，PV是植被覆盖度，表达如下：

式中，NDVI为归一化植被指数，NDVIsoil表示裸土或无植被覆盖区域，NDVIVeg代表纯植被像元。根据Sobrino研究，NDVIVeg =0.70和NDVIsoil =0.05，若NDVI大于0.70时，PV=1；当NDVI 小于0.05，PV=0。

2）JM_SC10算法

JM_SC10算法在SC算法的基础上进行了Landsat8大气参数校正，表征如下：

式中，ε为地表比辐射率，ψ1=1-τ，ψ2=-Ldown -Lup，ψ3=Ldown；参数γ 和δ 可分别表示为：γ ≈T sensor2，δ ≈T sensor -(Tsensor2)；br为常数，对于Band10，br=1 324 K，而Band11，br =1 199 K。

3）TIRS10_SC算法

TIRS10_SC算法是在MW算法的基础上引入当日气温进行改进，表达如下：

式中，C =ε×τ ，D =(1-τ)[1+(1-ε)τ ]；根据中纬度夏季大气平均作用方程，大气平均作用温度可表示为Ta =16.011 0+0.926 21T 0 ，T 0为近地表温度（K），由气象资料获取：2013年影像T 0=285.677 0 K ；2018年影像T 0=290.308 1 K 。对于TIRS Band10，K 2=1 321.078 9 K。

4）热岛效应区域划分

本文利用均值-标准差法将LST划分为高温区、次高温区、中温区、次低温区和低温区5个等级，见表2（表中M为LST的均值；δ代表标准差）。次高温区和高温区视为热岛区域。

表2　均值-标准差法的地表温度等级划分标准

Tab.2 Hierarchies of land surface temperature by the mean-standard deviation method

1.2 城市热岛影响因子计算

UHIE是城市化对气候影响最为典型的表现，其发育程度是多因素综合作用的结果。从自然地理因素角度出发，本文利用3种主要地表覆盖类型的指数来分析：归一化建筑指数(Normalized Difference Building Index，NDBI)、归一化植被指数(Normalized Difference Vegetation Index，NDVI)、归一化差异水体指数(Modified Normalized Difference Water Index，MNDWI)。三类指数测算如下：

式中，NIR 为近红外波段；R 为红波段，MIR 为中红外波段，Green为绿波段；SWIR1为短波红外1波段。

除了城区环境客观变化对UHIE时空格局的影响外，本文考虑了人口的因素。前人研究建立了城市人口分布与植被、建筑和水体3种地表主要覆盖类型之间的相关性模型，本文在此基础上结合最新人口统计数据引入对数函数建立多因素人口分布空间化模型。结合LST反演结果分析人口分布指数（Density）与热场间的相关性，探究UHIE与区域发展的内在关系。本文构建的模型如下：

式中，Tpeople表示对应区域的总人口数，Area 表示对应区域面积。

1.3 数据来源

本文研究区域包含成都市的锦江区、青羊区、成华区、金牛区、武侯区、温江区、郫都区、双流区、龙泉驿区和新都区，如图1所示。以2013年04月20日和2018年04月02日的Landsat 8 OLI/TIRS遥感影像为基础数据源，辅以成都市10个主城区的行政区划矢量地图、道路网数据（来自OpenStreetMap）以及从成都市统计年鉴获取的区域面积、人口数据及社会经济数据。

图1　研究区域及主要环线示意图

Fig.1 The administrative map of Chengdu and its main ring roads

本文的两期影像均为4月份获取，卫星过境时间分别为03:34和03:33，都是少云晴朗天气，可忽略季节差异对热场分布的影响。遥感影像在获取过程中，由于受大气吸收与散射、传感器定标、地形起伏等因素影响，存在辐射失真的现象。为消除上述影响，本文先进行了影像预处理。

2　城市热岛空间分布形态特征及影响因素分析

为确保LST温度反演结果的准确性，本文基于遥感影像随机采取100个样本点，分别获取样本点处2013年和2018年的3种LST结果进行交叉验证，如图2所示。结果显示，在3种温度反演算法中，JM_SC10算法反演的温度最高，TIRS10_SC算法和RTE算法结果相近；而同一幅影像在不同算法下的LST变化趋势相近，说明同一影像不同算法的城市热场分布格局趋于一致。

图2　2013年和2018年3种算法地表反演温度采样

Fig.2 LST sampling results for three algorithms at year 2013 and 2018

利用ENVI和ArcGIS对遥感影像进行处理，2013年和2018年的LST反演结果如图3所示，其中a～c分别为2013年RTE算法、JM_SC10和TIRS10_SC算法结果，d～f分别为2018年RTE算法、JM_SC10算法和TIRS10_SC算法结果。

图3　2013年和2018年成都市LST反演热场分布图

Fig.3 LST inversion results of Chengdu at year 2013 and 2018

由图3可知，3种不同地表温度反演算法获取的同一时刻的热场分布呈现较高的一致性。为进一步剖析2013年至2018年成都市UHIE的空间分布特征及变化趋势，下文以TIRS10_SC算法结果为例进行分析。

2.1 成都市城市热岛空间分布形态特征分析

从宏观格局出发，按成都市环线城市结构进行分析，热岛区域面积统计见表3：

表3　按环线分区域热岛面积占比统计表(%)

Tab.3 Ratios of areas of urban heat islands of Chengdu city divided by ring roads(%)

结果表明，2013年成都市城市热岛空间格局环线分布差异明显。成都市热场极值区主要集中在第一绕城高速范围内，呈现出中心化的特点；且热环境强度由强减弱，由成都市中心向周边区域呈放射状分布；但如图3所示，在成都东部龙泉山脉地区有大片的低温区域。该案例结果与前人的研究具有一定的延续性和一致性。

而2018年成都市热岛区占案例研究区域总面积约25.24%，与2013年相比，减少约1.89%；说明成都市热岛面积总体呈现下降趋势，且以一环和三环区域表现最为明显，热岛面积占比分别下降24.03%和19.86%。但一环、二环、三环的热岛覆盖区域均超过了50%，由此可见，成都市中心城区的热岛现象仍然明显；其中，较2013年一环内热岛面积急剧下降而二环热岛区域波动较小的现象使2018年城市热岛呈现出空心化的特征。同时高温极值区也开始向外蔓延，主要由成都第一绕城高速外的高温区面积增加所表征。

从区域差异角度出发，按城区行政区划范围进行分析，热岛面积统计见表4。

表4　按城区行政规划范围分区域热岛面积占比统计表（%）

Tab.4 Ratios of areas of urban heat islands of each district in Chengdu city (%)

研究显示，成都市UHIE分布格局区域差异明显。成都市“一圈层”区域即武侯区、成华区、金牛区、锦江区和青羊区的热岛占比明显高于“二圈层”区域；且武侯区、成华区和金牛区受热岛影响尤为明显，高温区覆盖该区域的50%以上。除锦江区、双流区和龙泉驿区外，各城区2018年热岛强度较2013年大幅减弱；然而，2018年双流区热岛面积的居高不下和龙泉驿区的热岛面积占比值激增，表现异常突出。

2.2 城市热岛影响因子分析

本研究基于2018年遥感影像均匀选取了1 150个样本点，采集样本点处的NDVI、NDBI、MNDWI以及人口分布指数的数据，并结合样本点处2018年TIRS10_SC算法反演的LST进行线性拟合回归分析。如图4所示，LST与NDBI、Density成正比，即人口聚集程度越高，建筑越密集的地方，UHIE越明显；而与NDVI、MNDWI呈反比，即植被覆盖度越高、环境质量越好越有助于降低地表温度，缓解UHIE。

图4　2018年TIRS10_SC算法反演的LST与影响因子的相关性分析

Fig.4 Correlation analysis of LST retrieved by TIRS10_SC algorithm and influencing factors at year 2018

3 城市热岛时空格局变化驱动因素分析

UHIE受城市原生环境和社会环境共同影响。学者通常只从人口维度的变化探讨城市人口聚集效应对UHIE的作用，本文拟从经济地理角度出发研究政策和政府行为因素、社会经济发展与UHIE时空格局变化的联系。

1）自然环境因素

成都市近年大力倡导生态文明建设，如在城区全面推行河长制管理，治理水环境，如图5a所示；加大城市绿化建设，即绿色廊道、绿色建筑、绿色公园等，如图5b所示；并调迁改造老旧市场，逐步淘汰高污染、高能耗的企业。本研究2013年至2018年成都市各城区热岛效应变化情况如图6所示。除龙泉驿区、锦江区外，2018年成都市各城区热岛面积均较2013年大幅减少，且成华区、武侯区、温江区和金牛区表现尤为突出。说明环境治理致使城市空间结构的优化对UHIE具有明显的减缓作用。

图5　 2013和2018年UHIE变化示范区

Fig.5 Demonstration area of UHIE changes in 2013 and 2018

图6　2013年至2018年成都市各城区热岛效应变化

Fig.6 Changes of UHIE of each district of Chengdu from year 2013 to 2018

2）政策和政府行为因素

成都市人口规模的增加、圈层的经济结构和环形的交通组织方式造成的人口资源环境问题日益凸显。2017年成都提出“东进、南拓、西控、北改、中优”的城市空间优化战略以优化城市空间。从城市发展战略规划角度出发，热岛面积统计见表5。

表5　按发展战略分区域热岛面积占比统计表

Tab.5 Ratios of areas of urban heat islands of Chengdu city divided by tdevelopment strategy

统计结果表明，“西控”“北改”“中优”区域热岛面积均呈现下降趋势；“东进”“南拓”区域热岛面积呈现上升趋势。成都市拟形成扇叶状布局模式的 “双核联动、多中心支撑”网络化功能体系，正引导发展重心向东、向南转移，随着成都市“东进”战略的实施，龙泉驿低温区面积较2013年大幅下降，高温区大幅增加；而“南拓”战略的推进与双流区热岛强度呈现上升趋势相吻合。说明政策和政府行为因素潜在影响着UHIE的时空格局变化。

3）社会经济因素

本文首先从空间差异角度出发，研究城市热场分布与社会经济的联系。本文利用GDP、人均GDP、地均GDP、三项产业的产值和产业结构占比共9个经济指标与区域LST均值进行相关分析。研究结果表明，第一产业和第二产业的产值和产业结构比与LST均值存在显著的负相关关系，第三产业的产值和产业结构比与LST均值存在显著的正相关关系。说明第一、二产业产值越低、第三产业产值越高的区域或第三产业占比越大的区域，UHIE现象越明显。这与成都市中心城区UHIE程度高于外围五城区的空间格局相吻合。

为研究社会经济指标对UHIE的驱动力大小，从时间差异角度来看，2013年至2018年成都市各城区的产业结构不断调整，2013年与2018年各区域热岛占比变化差值和三项产业在经济结构中占比变化差值如图7柱状图所示（正值表示指标在2018年较2013年呈正增长，负值表示2018年较2013年呈负增长）。由此可见，以工业和建筑业为主的第二产业占比降低，以高端制造业和现代服务业为主的第三产业占比增加，而对应的城市热岛面积占比逐渐减小；反之亦然。将城区热岛面积差值同三产业结构占比差值进行灰色关联度分析，结果表示，第二产业对UHIE的促进作用明显大于第一产业、第三产业。

因此，成都市产业性质和产业布局与热场分布具有强相关性，且产业结构变化对UHIE时空格局变化具有明显的驱动作用。

图7　成都市及各城区产业结构变化值与城市热岛面积占比变化值示意图

Fig.7 Histogram of changes in industrial structure and changes in ratios of areas of urban heat island in Chengdu

破解环境与社会经济发展的不平衡问题随着区域经济发展而显得愈发关键。如图8所示，案例区域内成都2017年规划建设的30余个产业园均分布着不同程度的热岛极值区。虽然成都市UHIE强度呈下降趋势，但是产业功能布局对城市发展格局的影响使得新的产业园区成为新的热岛极值中心。因此，成都在提高城市中心城区的外溢效率和辐射能力、发展社会经济的同时需继续加强生态环境的建设，尤其是双流区和龙泉驿区。

图8　2018年TIRS10_SC算法结合路网及重点产业园区分布图

Fig.8 Results of the TIRS10_SC algorithm overlayed with road networks and key industrial parks overlay at year 2018

4　结束语

本文利用LST反演，结合热岛影响因素，从多角度出发对成都市的UHIE时空分布进行分析。结果表明：①成都市2018年的UHIE强度较2013年有所减弱，但较2013年的UHIE区域覆盖范围更广，热场分布呈现出扩大化、空心化、多极化的特点。②植被、水体对UHIE具有缓解作用，建筑、道路等可加剧UHIE；③除自然地理因素的影响，人口因素、政策和政府行为因素及社会经济产业因素对UHIE时空格局变化均有明显的驱动作用。

本文也存在一些不足值得进一步研究，如在研究人口空间分布时，忽略了地形因素的影响，导致模型存在一定不确定性。此外UHIE的影响因素繁多，因素的贡献性还值得进一步探讨，后续可结合夜间灯光数据、人的行为数据等对模型进行修正，以期对UHIE的成因机理进行深入探讨。

来源：地理信息世界GeomaticsWorld(版权归原作者及刊载媒体所有）

欢迎大家关注《慧天地》同名新浪微博

微博ID：慧天地_geomaticser

荐读

点击下文标题即可阅读

《地理信息世界》2019年第2期速览
太形象了！什么是边缘计算？最有趣的解释没有之一！
遥感大数据驱动下的地球系统科学研究

编辑 / 王兆喆  审核 / 李发东 黄松

指导：万剑华教授