海洋气象学报  2021, Vol. 41 Issue (2): 126-137  DOI: 10.19513/j.cnki.issn2096-3599.2021.02.013
0

引用本文  

王晗, 李峰, 王昊, 等. 基于FY-3B/VIRR数据的济南市城市热岛效应与影响因素分析[J]. 海洋气象学报, 2021, 41(2): 126-137. DOI: 10.19513/j.cnki.issn2096-3599.2021.02.013.
WANG Han, LI Feng, WANG Hao, et al. Analysis of urban heat island effect and impact factors in Jinan City based on FY-3B/VIRR data[J]. Journal of Marine Meteorology, 2021, 41(2): 126-137. DOI: 10.19513/j.cnki.issn2096-3599.2021.02.013. (in Chinese)

基金项目

山东省气象局青年科研基金项目(2020SDQN04);山东省自然科学基金面上项目(ZR2020MF130);华东区域气象科技协同创新基金合作项目(QYHZ201815);山东省气象局重点科研项目(2019sdqxz03)

通信作者

王晗,女,硕士,助理工程师,主要从事生态环境遥感技术应用研究,Wanghannuist@163.com.

文章历史

收稿日期:2021-04-15
修订日期:2021-05-07
基于FY-3B/VIRR数据的济南市城市热岛效应与影响因素分析
王晗1,2 , 李峰1,2 , 王昊1,2 , 秦泉1,2 , 赵彤3     
1. 山东省气象防灾减灾重点实验室,山东 济南 250031;
2. 山东省气候中心,山东 济南 250031;
3. 青海省气象科学研究所,青海 西宁 810000
摘要:热岛效应是城市发展过程中的热点社会问题之一。研究以济南为例,基于FY-3B/VIRR数据,应用改进型Becker和Li“分裂窗”算法获得遥感地表温度数据; 采用热岛强度指数与热岛比例指数,定量分析济南市2013—2020年城市热岛效应的时空变化特征; 从自然与社会经济角度,采用灰色关联度分析法,定量评价城市热环境的影响因素对城市热岛效应变化的贡献度。结果表明:1)改进型Becker和Li“分裂窗”算法在济南市有较好应用,与国家级地面气象观测站“0 cm地表温度”实测数据线性拟合决定系数R2为0.89。2)热岛区域面积年际变化呈现先增加后减小逐渐平稳的变化趋势,冷岛区域变化特征与热岛区域明显相反。3)夏季热岛区域面积(35.3%)最大,秋季(22.5%)次之,春(11.5%)、冬(10.6%)两季基本持平。4)热岛空间格局以城镇聚合轴为主导驱动,呈现“点-线”式空间结构特点。5)热岛比例指数总体呈现下降趋势,2013年(0.22)与2014年(0.24)属较轻热岛年份。6)总人口数与归一化植被指数是影响济南城市热岛效应的主要因素。研究对于加强济南市地表热环境的监测与评价,指导城市规划与生态城市建设具有一定意义。
关键词FY-3B    热岛效应    时空分布特征    影响因素    灰色关联度分析    
Analysis of urban heat island effect and impact factors in Jinan City based on FY-3B/VIRR data
WANG Han1,2 , LI Feng1,2 , WANG Hao1,2 , Qin Quan1,2 , ZHAO Tong3     
1. Key Laboratory for Meteorological Disaster Prevention and Mitigation of Shandong, Jinan 250031, China;
2. Shandong provincial Climata Center, Jinan 250031, China;
3. Meteorological Institute of Qinghai Province, Xining 810000, China
Abstract: Urban heat island effect is one of the hot social issues in the process of urban development. The study takes Jinan as an example and applies the improved Becker and Li "split window" algorithm to obtain remotely sensed surface temperature data based on FY-3B/VIRR data; the spatial and temporal characteristics of the urban heat island effect in Jinan City from 2013 to 2020 are quantitatively analyzed using the Urban Heat Island Intensity and the Urban Heat Island Proportion Index; from the natural and socio-economic perspectives, gray correlation analysis is used to quantitatively evaluate the contribution of the influencing factors of urban thermal environment to the variations of urban heat island effect. The results are listed as follows: 1) The improved Becker and Li "split window" algorithm is well applied in Jinan City, with a linear fit coefficient of determination R2 of 0.89 to the measured "0 cm surface temperature" data from national weather stations. 2) The interannual variation of the heat island region shows a trend of increasing and then decreasing gradually and smoothly, while the variation characteristics of the cold island region are obviously opposite to those of the heat island region. 3) The urban heat island area in summer (35.3%) is the largest, followed by that in autumn (22.5%), and those in spring (11.5%) and winter (10.6%) are basically the same. 4) The spatial pattern of the heat island is driven by the town coalescence axis and is characterized by a "point-line" spatial structure. 5) The urban heat island proportion index shows an overall decreasing trend, with a lighter heat island in 2013 (0.22) and 2014 (0.24). 6) Total population and normalized vegetation index are the main factors affecting the urban heat island effect in Jinan. The study is of considerable referential importance in strengthening the monitoring and evaluation of the surface thermal environment in Jinan and guiding urban planning and ecological city construction.
Key words: FY-3B    heat island effect    characteristics of spatio-temporal distribution    influencing factor    gray correlation analysis    
引言

城市热岛效应(urban heat island effect)概念由英国气候学家HOWARD[1]首次提出,指城市区域气温高于乡村、郊区的现象。热岛效应对人体健康的影响已成为最值得关注的公共卫生问题之一[2]。DESCHÊNES and GREENSTONE[3]指出年极端高温每增加一天,死亡率约上升0.11%。韩京等[4]通过筛查极端气温致济南市居民非意外死亡的敏感人群,指出65岁以上老人为热浪敏感人群,极端高温会提高居民心脑血管疾病致死率。在全球气候变暖与城市化进程逐渐加快背景下,城镇人口数量持续上升,人为排放热源不断增加,城市规模扩张使城市下垫面类型与景观分布急剧变化,均对城市热岛效应造成显著影响[5]。2013—2019年济南市常住人口由833.17万人增加到890.87万人(包括莱芜市并入济南市之前的数据),城市建成区面积由590.6 km2增加到760.6 km2,地区生产总值由5 883.68亿元增加到9 443.37亿元[6-8],城市化率进一步提升。

城市热岛效应研究通常采用气象观测法[9-11]、数值模拟法[12-13]、实验室仿真法[14]与遥感监测法[15]。遥感监测在时空尺度上具有时间高度同步、空间覆盖广、细节直观的特点,在城市热岛效应研究中具有不可替代的优势。针对不同卫星的特点,学者基于多源卫星数据如MODIS[16-18]、Landsat[19-20]、环境卫星等数据[21]开展了很多研究。新一代国产极轨气象卫星的不断升空,一定程度上克服了回访周期较长、空间分辨率较低的缺点,使城市热岛监测数据源的多样性得到了进一步扩展[22-24]。定量监测地表城市热岛可分为土地类型驱动型与地表温度格局驱动型[25],前者将土地覆盖类型作为决定要素,通用性更强。地表温度反演精度对城市热岛监测产生重要影响,学者基于FY-3B/VIRR数据开展了反演研究与相关生态应用,均得到较好反馈,也为地表城市热岛监测应用奠定了基础[26-29]

当前对于城市热岛的空间差异与日变化等都存在较多研究,而城市热岛长时间年际变化的研究更有利于深入精细剖析热岛形成机理,进而采取合理有效措施加以应对。《济南市城市总体规划(2011—2020)》作为城市建设与发展的总指导,指出到2020年城镇化水平达到75%以上,将构成“一城两区”的中心城空间结构。故本文以济南市为研究对象,基于FY-3B/VIRR数据采用“分裂窗”反演算法获得高精度的地表温度数据,根据遥感地表城市热岛强度相关指标,通过年际尺度与季节尺度精细分析2013—2020年间城市热岛的时空分布特征与相关影响因素,将为城市的发展,建设济南“山水形胜、生态宜居的环境友好型都市圈”进一步提供决策参考。

1 数据与方法 1.1 研究区概况

济南市位于山东省中部,地理位置介于36°01′~37°04′N,116°12′~117°44′E之间,地处暖温带大陆性季风气候区,四季分明,日照充足。夏季常受热带、副热带高压影响,降水集中,雨热同期; 冬季受极地大陆气团影响,天气寒冷干燥。济南南临泰山为低山丘陵区,黄河及其支流自西向东流经中部地区,北部为黄河下游的冲积平原。《山东省城镇化发展纲要(2012—2020年)》重点指出要形成济南省会城市群经济圈的快速发展新格局,在市域城镇体系中提出构筑三条城镇聚合轴的空间结构,即与产业空间布局相适应,形成以中心城市为中心,向东、向西、向北的三条城镇聚合轴,从而提高空间聚集性,带动周围城镇发展(图 1)。

图 1 济南市城市总体规划(2011—2020年)(来源:http://nrp.jinan.gov.cn/) Fig.1 Master Plan of Jinan City (2011-2020) (Source: http://nrp.jinan.gov.cn/)
1.2 主要数据来源与处理

用于地表温度反演的卫星数据主要来自于山东省气候中心实时接收的FY-3B/VIRR数据,热红外通道的空间分辨率为1 km,研究拟选用2013—2020年的晴空数据,基于国家卫星气象中心星地通公司开发的ShinerTek软件包将数据进行预处理(定标、几何校正、配准、投影变化、高度角订正与云检测等),处理后获得通道信息明晰的LD3格式数据集。以济南7个国家级地面气象观测站0 cm地温数据作为对比数据源,验证温度反演算法的反演精度与该算法在济南区域的实用性。进而开展年际尺度与春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12月—次年2月)季节尺度的热岛时空特征分析。

热岛强度指数的计算,需要获取郊区背景数据。“珞珈一号”(LJ1-01)夜间灯光数据分辨率为130 m,覆盖范围250 km×250 km,重访周期为15 d,相较于其他同类型数据如DMSP/OLS与VIIRS数据,可识别夜间微弱灯光,保留更多信息,研究基于2018年数据,通过辐亮度转换公式(L=DN3/2×10-10)进行定标处理,采用夜间灯光强度指数阈值法(L≤100),提取夜间无灯光区域; 结合数字高程数据(DEM)剔除南部山区等与城市平原高程差异过大区域(海拔高度差≥50 m); 结合基于MODIS数据获取的2018年最大植被指数分布图,通过阈值划分(反演归一化植被指数NDVI≥0.7)去除植被覆盖度较低区域; 参考基于2015年landsat8-OLI数据得到的济南市土地利用类型,最终确定不受城市活动影响,且土地类型较为稳定的郊区背景数据(图 2)。

图 2 济南郊区农田背景(根据济南市夜间灯光影像、最大植被指数、平原区域、土地利用类型分布确定) Fig.2 Farmland background of Jinan city (determined by the night light image, the maximum vegetation index, the plain area, and the distribution of land use types of Jinan City)

MODIS数据来源于美国国家航空航天局,选取2013—2020年夏季共52景分辨率为500 m的晴空数据,反演归一化植被指数(NDVI)、基于植被指数和中红外通道的混合水体指数(CIWI)和归一化建筑指数(NDBI)。基于《济南统计年鉴》中2013年与2020年各行政区域的三项产业地区生产总值与年末总人口数相关统计数据开展城市热环境影响因素分析,并基于灰色关联度分析法定量分析各影响因素对热环境变化的贡献程度。

1.3 研究方法 1.3.1 地表温度反演

研究采用适用于FY-3B/VIRR数据的改进型Becker和Li“分裂窗”算法[30]对2013—2020年济南市的地表温度进行反演。方法基于辐射传输方程,采用最小二乘法,在获得多种地表、大气状态下辐亮度模拟数据与结合热红外通道温度数据集的基础上重新计算各所需参数,针对FY-3B/VIRR数据有更强的适用性:

$ {T_S} = {A_0} + P\left( {{T_4} + {T_5}} \right)/2 + M\left( {{T_4} - {T_5}} \right)/2 $ (1)

式中,A0为常数,取-0.897;T4T5为FY-3B/VIRR数据4、5热红外通道的亮温,PM分别为关于平均比辐射率与比辐射率差值的函数:

$ P = 1 + \alpha \left( {1 - \varepsilon } \right)/\varepsilon + \beta \times \Delta \varepsilon /{\varepsilon ^2} $ (2)
$ M = \gamma \prime + \alpha \prime \left( {1 - \varepsilon } \right)/\varepsilon + \beta \prime \times \Delta \varepsilon /{\varepsilon ^2} $ (3)

式中,α、β、γ′、α′和β′均为系数常数,分别为0.273、-0.358、4.061、5.918和0.388[31]εΔε为4、5热红外通道的平均比辐射率与差值比辐射率:

$ \varepsilon = {\rm{ }}{\varepsilon _4} + {\varepsilon _5}/2 $ (4)
$ \Delta \varepsilon = {\varepsilon _4} - {\varepsilon _5} $ (5)
1.3.2 热岛强度指数计算

研究通过热岛强度指数(urban heat island intensity,UHII)分析济南市及各区县城市热岛年际尺度与季节尺度的时空变化规律。热岛强度指数为遥感反演的格点地表温度与划定郊区区域温度均值之差,可直观定性描述城市热岛效应的大小与影响范围[32]

$ {I_{{\rm{UHII}}}}\left( i \right) = {T_i} - \frac{1}{n}\sum\limits_1^n {{T_{{\rm{sub}}}}} $ (6)

式中,IUHII(i)为第i个像元的热岛强度,Ti为第i个像元的遥感地表温度,n为划定郊区内的有效像元数量; Tsub为划定郊区内各像元的遥感地表温度。按照遥感地表城市热岛强度指数划分,可分为强热岛(IUHII(i)>5.0 ℃),较强热岛(3.0 ℃ < IUHII(i)≤5.0 ℃),弱热岛(1.0 ℃ < IUHII(i)≤3.0 ℃)与无热岛(-1.0 ℃ < IUHII(i)≤1.0 ℃)等7个热岛强度等级。

1.3.3 热岛比例指数计算

研究通过热岛比例指数(urban heat island proportion index,UHPI)对区域城市热岛强度进行整体评估,定量反映区域内不同等级热岛强度与范围。热岛比例指数指区域内城区温度高于郊区温度的不同等级热岛面积的加权之和[33]

$ {I_{{\rm{UHP}}}} = \frac{1}{{100m}}\sum\limits_1^n {{w_i}} \times {p_i} $ (7)

式中,IUHP为热岛比例指数; m为热岛强度等级序号,m=7;i为城区温度高于郊区温度等级序号,i=5,6,7;n为城区温度高于郊区温度的等级数,n=3;wi为第i级的权重(取等级序号值); pi为第i级所占面积百分比。IUHP的值取0~1.0,热岛比例指数增加意味着热岛现象的加重,按照区域城市热岛效应评估等级划分,可分为严重热岛等级(0.8 < IUHP≤1.0),较严重热岛等级(0.6 < IUHP≤0.8),一般热岛等级(0.4 < IUHP≤0.6)与较轻热岛等级(0.2 < IUHP≤0.4)等5个等级标准。

1.3.4 城市热环境影响因子计算

从自然的角度出发,综合考虑环境与地理因素,选取归一化植被指数(NDVI)[34]、基于植被指数和中红外通道的混合水体指数(CIWI)[35]以及归一化建筑指数(NDBI)[36]开展热环境影响因素分析,并对CIWI进行归一化处理:

$ {I_{{\rm{NDV}}}} = \left( {{\rho _{{\rm{NIR}}}} - {\rho _{{\rm{Red}}}}} \right)/({\rho _{{\rm{NIR}}}} + {\rho _{{\rm{Red}}}}) $ (8)
$ {I_{{\rm{CIW}}}} = {\rm{ }}\left( {{I_{{\rm{NDV}}}} + {R_{{\rm{NIR/NIR}}}}} \right) \times {\rm{C}} + {\rm{C}} $ (9)
$ {I_{{\rm{NDB}}}} = \left( {{\rho _{{\rm{MIR}}}} - {\rho _{{\rm{NIR}}}}} \right)/({\rho _{{\rm{MIR}}}} + {\rho _{{\rm{NIR}}}}) $ (10)

式中,INDV为归一化植被指数,ICIW为基于植被指数和中红外通道的混合水体指数,INDB为归一化建筑指数; NIR为近红外波段; Red为红光波段; MIR为中红外波段; RNIR/NIR为近红外波段与近红外波段反照率均值的比值; C为常数,通常取100。

1.3.5 灰色关联度分析

相较于在大量研究数据的支撑下,通过概率统计进行系统分析的传统方法,灰色关联度分析法对样本数量的要求较低,针对时间样本相对较少的城市热岛效应过程具有更好的应用效果,可较为客观地对各影响因素的贡献度开展定量分析[37-38]。灰色关联度分析主要对各影响因素时间序列开展比较,通过计算关联度γi定量体现各影响因素的贡献程度[39]

$ {\gamma _i} = \frac{1}{n}\sum\limits_{k = 1}^n {{\xi _i}} \left( k \right) $ (11)

式中,i为各影响因素类型; n为各影响因素的时间序列评价样本数; ξi (k) 为k时刻的关联系数:

$ {\xi _i}\left( k \right) = \frac{{\mathop {{\rm{min}}}\limits_i \mathop {{\rm{min}}}\limits_k {\Delta _i}\left( k \right) + \rho \;\mathop {{\rm{max}}}\limits_i \mathop {{\rm{max}}}\limits_k {\Delta _i}\left( k \right)}}{{{\Delta _i}\left( k \right) + \rho \;\mathop {{\rm{max}}}\limits_i \mathop {{\rm{max}}}\limits_k {\Delta _i}\left( k \right)}} $ (12)

式中,Δi (k) 为k时刻参考数列x0与影响因素数列xi的绝对差(| x0 (k) -xi (k) |); $ {\mathop {{\rm{min}}}\limits_i \mathop {{\rm{min}}}\limits_k }$$ {\mathop {{\rm{max}}}\limits_i \mathop {{\rm{max}}}\limits_k }$分别为两级最小、最大差,数学意义类似,以两级最小差为例,${\mathop {{\rm{min}}}\limits_i } $表示xix0曲线上相应点的距离最小值,$ {\mathop {{\rm{min}}}\limits_i \mathop {{\rm{min}}}\limits_k }$表示在时间序列与影响因素类型序列尺度上的距离最小值; ρ为分辨系数,取值范围在0~1之间,一般取0.5。

2 结果与分析 2.1 地表温度反演

为验证改进型Becker和Li“分裂窗”地表温度反演算法在济南市的适用性,研究以2018年为代表年份,提取该年度71景地表温度反演数据中济南(站号54823)、济阳(站号54821)、商河(站号54724)、章丘(站号54727)、长清(站号54816)、平阴(站号54818)和莱芜(站号54828)7个国家级地面气象观测站所在像元点的遥感地表温度,与卫星过境时刻站点实测“0 cm地表温度”数据进行对比验证分析(图 3)。反演结果与实测值之间的相关性较高,决定系数R2达到0.89,存在显著线性正相关关系,为精确城市热岛监测奠定基础。

图 3 遥感地表温度与地面实测温度对比(单位:℃) Fig.3 Comparison of remotely sensed land surface temperature and actual surface temperature (units: ℃)

济南不同季节地表温度的高、低值分布特点存在明显差异:春季和夏季济南市地表温度高值区出现在济南市城区(历下区、市中区、槐荫区、天桥区和历城区,下同)和钢城区,低值区春季出现在商河县和济阳区,夏季出现在长清区和莱芜区; 秋季济南市地表温度高值区出现在钢城区,低值出现在莱芜区(表 1)。整体上,济南市不同季节的地表温度基本与实际情况吻合,可以比较客观、准确地反映地表热量差异、分布范围和发展趋势等特征。

表 1 2013—2020年济南春、夏、秋、冬季各区(县)遥感地表温度均值 Table 1 The average value of remotely sensed land surface temperature of Jinan in each season from 2013 to 2020  
2.2 城市热岛时间变化规律 2.2.1 年际尺度变化规律

2013—2020年总热岛区域(热岛强度≥1 ℃,下同)与总冷岛区域(热岛强度≤-1 ℃,下同)面积占比总体呈现相反年际变化特征(图 4)。总热岛区域面积占比先增加后减小逐渐平稳,在2014年达到峰值35.0%,2015年较上年明显减小,不断降低至2018年达到谷值11.0%,其后缓慢上升变化趋于稳定; 总冷岛区域占比于2014年降至谷值为29.5%,后迅速上升至2018年出现峰值达59.1%;无热岛区域面积占比变化明显,2018年之前变化缓慢,2018年后显著上升。

图 4 2013—2020年济南各热岛强度等级(a)和各冷岛强度等级(b)面积变化(单位:%) Fig.4 Area changes in the intensity levels of Jinan's urban heat(a) and cold(b) islands from 2013 to 2020 (units: %)

2013—2020年强热岛和较强热岛区域面积变化缓慢,总体呈降低趋势; 弱热岛等级面积变化与弱冷岛之间呈现显著相反的变化趋势,其中弱热岛面积占比于2014年表现峰值达26.5%,后逐年降低于2017年达到谷值为8.9%,而后缓慢上升,2018年弱冷岛强度区域面积占比增至峰值为35.0%,其后呈现下降趋势,降幅高于弱热岛区域增加幅度,弱热岛与弱冷岛总体面积占比总体均呈现减小趋势; 强冷岛与较强冷岛面积占比呈现波动变化的特点。

2.2.2 季节尺度变化规律

济南市夏季城市热岛强度最强且总热岛区面积最大为35.3%,秋季总热岛区域面积占比明显高于春冬两季为22.5%,春季、冬季总热岛强度区域面积占比基本持平分别为11.5%和10.6%,总体表现为夏季>秋季>春季>冬季; 冷岛区域面积在春季超过50%为69.5%,是四季之首,夏季与秋季面积占比基本持平,分别为31.1%和34.6%,冬季冷岛强度区域面积占比为43.7%,总体表现为春季>冬季>秋季>夏季; 无热岛区域随季节变化影响范围逐渐变大(图 5)。

图 5 济南春、夏、秋、冬季各热岛强度等级面积占比变化(单位:%) Fig.5 Area changes in the proportions of each heat island intensity level in Jinan in each season (units: %)

分析不同季节热岛区域的年际变化(表 2)可以得到:2014年与2015年春季总热岛区域面积明显较高,分别为25.7%和27.3%,2016年次之,为10.8%,其余年份均小于10%,其中强热岛区域在2014年占比最大,为2.4%,其余年份均小于1%;2013年夏季总热岛面积区域占比最大超过50%为58.1%,其中强热岛区域占比7.9%,2015年、2016年和2019年面积基本持平,2018年明显较低,仅为15.6%;2013年和2014年秋季总热岛面积占比较高,分别为49.6%和49.0%,自2015年起有显著下降,较上年减少36.2%,2020年有轻微回升; 2014年冬季热岛区域占比明显较大,为37.5%,2020年次之,为21.7%,其余年份较小,均在7%以下。

表 2 2013—2020年济南市春、夏、秋、冬季热岛面积占比 Table 2 The proportion of heat island area in Jinan in each season from 2013 to 2020  %
2.3 城市热岛空间分布规律

以2013年与2020年为例,分析济南市各区(县)春、夏、秋、冬季城市热环境格局空间分布(图 6)特征:2013—2020年间,春季以冷岛区域为主,主要分布在商河县、济阳区、天桥区大部、历城区与章丘区北部,市中区、莱芜区、钢城区和平阴县主要以无热岛区域为主,历下区与槐荫区以弱热岛等级为主; 夏季以热岛区域为主,历下区与槐荫区大部多表现强热岛,市中区北部、天桥区南部、历城区中北部和章丘区大部以弱热岛区域为主,其余区(县)多为无热岛区域; 秋季、冬季大部分区(县)以无热岛区域为主,历下区秋季主体表现为较强热岛,冬季以弱冷岛为主,天桥区秋、冬季分别以弱热岛与弱冷岛为主,历城区秋季呈现弱冷岛,商河县秋冬两季均以弱冷岛为主,市中区、济阳区冬季主要以弱冷岛区域为主。

图 6 2013年(a1、b1、c1、d1)和2020年(a2、b2、c2、d2)济南市春季(a1、a2)、夏季(b1、b2)、秋季(c1、c2)、冬季(d1、d2)热岛强度空间分布(色阶表示热岛和冷岛强度等级) Fig.6 Spatial distribution of UHII in Jinan City in spring(a1/a2), summer(b1/b2), autum(c1/c2) and winter(d1/d2) in 2013(a1/b1/c1/d1) and 2020(a2/b2/c2/d2)(color scale represents the intensity of the heat island and cold island)

济南市城市热岛空间格局主要以城镇聚合轴为主导驱动,呈现交通线路连接高温热岛区,“点-线”式城市热岛空间结构的特点。将济南市条带状城市热岛中心城区(历下区大部、市中区北部、槐荫区东部与天桥区南部)作为强热岛辐射源,主要通过两条城市主干道连接各区(县)城市副高温区:“东—西”走向以胶济铁路与经十路、经十东路连接历城区中部与章丘区城市副高温区; “东北—西南”走向以经十西路、G220国道连接长清区与平阴县城市副高温区。南北走向城镇聚合轴城市热岛空间格局也有相应表现,但由于北部济阳区与商河县下垫面类型主要以农田为主,郊区冷岛效应表现明显,与“东北—西南”走向相比,影响范围显著较小,其中济阳区热岛影响较商河县更为显著。

济南市城市冷岛区域主要可分为南部山区、北部平原农田区与中部黄河流域区。南部山区以天然地形优势,且存在丰富的植被覆盖,成为城市的天然冷源之一,是济南市最主要、最稳定的冷岛区域; 黄河及相关支流自西向东由城市中部区域穿过,其流域也形成了天然冷源带,流域南北温度差异显著,在热岛强度缓解方面效应明显; 北部平原农田区由于下垫面类型的特殊性,相较于城镇建设用地具有较大比热容,且土壤具有一定的储水能力,因此该区域成为济南市影响面积最大的低温冷岛区域。

2.4 热岛比例指数变化

研究基于热岛比例指数表征与评价济南各区(县)热岛效应程度,济南市热岛比例指数总体呈现下降趋势,2013年与2014年为较轻热岛,2014年后表现为轻微热岛。从季节来看,2015年春季为较轻热岛,其余年份均为轻微热岛; 2013年夏季热岛比例指数为0.46,属一般热岛,2014—2016年与2019—2020年为较轻热岛,2016—2018年为轻微热岛; 2013—2014年秋季为较轻热岛,2014年后均为轻微热岛; 冬季除2014年为较轻热岛,其余年份均为轻微热岛。

通过对比2020年与2013年城市热岛比例指数,发现春季除长清区与平阴县热岛比例指数分别以0.04与0.08的幅度下降外,其余区(县)均呈现上升趋势,历下区升高幅度最大为0.45;夏季除济阳区呈现0.04的轻微上升幅度以外,总体均呈现明显下降趋势,以钢城区的下降幅度最大为0.33;历下区与槐荫区秋季热岛比例指数均表现升高,市中区2020年与2013年持平,其余区(县)下降趋势显著; 冬季除莱芜区与钢城区外,热岛比例指数均呈现上升趋势,其中历下区与槐荫区变化幅度较大,分别为0.60与0.56(图 7)。

图 7 2013—2020年济南市热岛比例指数(UHPI)年际与季节变化(a)、各区(县)热岛比例指数差值(ΔUHPI)变化(b) Fig.7 The changes of UHPI in interannual and seasonal variations from 2013 to 2020 (a), and the changes of UHPI in each county from 2013 to 2020 (b)
2.5 城市热环境影响因素分析

由于城市热环境形成依赖多因素共同作用,研究从自然与社会经济角度出发,结合时间尺度与空间尺度,通过Pearson相关性检验分析多种因素与城市热环境的相关性。基于2013—2020年MODIS晴空数据,采用归一化植被指数(NDVI)、归一化建筑指数(NDBI)和基于植被指数、中红外通道的混合水体指数(CIWI),分析热岛典型发生季节(夏季)各热岛主要发生区域(历下区、市中区、槐荫区、天桥区、历城区和章丘区)三个主要因素的季节均值与热岛比例指数之间的相关关系,从时间尺度探索植被覆盖、城镇建筑和水体分布对热环境的影响:热岛比例指数与三个主要自然因素在0.01显著水平上均呈现高度相关关系,与归一化植被指数、混合水体指数之间呈显著负相关,相关系数|R|分别为0.700和0.617,植被覆盖度较高、水体分布丰富有助于环境地表降温,有益于热岛效应的缓解; 热岛比例指数与归一化建筑指数之间为显著正相关关系,相关系数R为0.334,即城镇建筑越密集,一定程度上加重城市热效应(图 8表 3)。

图 8 热岛比例指数(UHPI)与归一化植被指数(NDVI, a)、归一化建筑指数(NDBI, b)和混合水体指数(CIWI, c)之间的相关性分析 Fig.8 The relationship between UHPI and various influencing factors (a. NDVI, b. NDBI, c. CIWI)
表 3 UHPI与NDVI、NDBI、CIWI,ΔSUHI与ΔPOP、ΔPI-GDP、ΔSI-GDP、ΔTI-GDP的Pearson相关 Table 3 The Pearson Correlation between thermal environment index and various influencing factors

除去自然因素外,社会经济也是影响城市热环境的主要因素,分析2019年与2013年的各区(县)三项产业生产总值差值(ΔPI-GDP、ΔSI-GDP、ΔTI-GDP)、总人口差值(ΔPOP)与总热岛区域面积差值(ΔSUHI)之间的相关关系。结果表明:ΔSUHI与ΔPOP、ΔSI-GDP、ΔTI-GDP之间呈现正相关关系,且与ΔPOP、以服务业为主的ΔTI-GDP在0.01显著水平下呈现高度相关,相关系数R分别为0.823与0.769,人口增长带来了较丰富的生产活动与增加的能源消耗对城市热环境的影响较大; ΔSUHI与以传统工业与建筑业为主的第二产业呈现中等相关,相关系数R为0.492,热岛面积的变化均与这些因素之间存在较大关联(图 9表 3)。

图 9 济南市各区县热岛面积占比差值(单位:%)与地区生产总值差值(单位:亿元)、人口差值(单位:万人)变化 Fig.9 The relationship between ΔSUHI(units: %) and ΔPOP(units: 10000 people)、ΔGDP (units: hundred million) in various counties of Jinan City

为进一步分析各影响因素对城市热环境变化的贡献程度,基于灰色关联度分析法,以2013—2019年热岛比例指数为参考数列,其他自然、社会因素共7项因素作为对比数列,定量评价各类因素的贡献程度(表 4)。人口与归一化植被指数对城市热岛效应的变化贡献度最高,达到0.8以上,是影响城市热岛效应的较为直接的因素,其中人口因素的贡献度达到0.927 1;NDBI、CIWI和TI-GDP与热岛比例指数的关联度在0.70~0.80之间,归一化建筑指数与第三产业生产总值的变化也间接影响人口的变化,水体作为城市内的天然冷源,对城市热岛效应的变化也具有一定的贡献度; 第二与第一产业生产总值对热岛效应变化的贡献度较小,关联度在0.7以下,其中第一产业生产总值的灰色关联度最小,仅为0.501 1。

表 4 热岛比例指数(UHPI)与各影响因素之间的关联度 Table 4 The correlation degree between UHPI and various influencing factors
3 结论与讨论 3.1 结论

1) 采用Becker和Li“分裂窗”算法进行地表温度反演,与地表实测0 cm地温数据开展精度对比验证,存在高度线性相关关系,决定系数R2达0.89,进一步验证了该方法在济南地区的适用性。济南市地表温度高值区主要出现在济南市城区和钢城区。

2) 2013—2020年间,济南市总热岛区域与总冷岛区域面积呈现相反变化特征,总体呈现阶段性,热岛区域2013—2014年、2018—2020年为上升阶段,2014—2018年为下降阶段,冷岛区域变化趋势反之。

3) 济南市春、夏、秋、冬季均存在不同程度的热岛现象。济南市夏季城市热岛强度最强且热岛区域面积最大,秋季次之且显著高于春、冬两季。春季以2014年与2015年较大,2016年次之,其中2014年强热岛区域面积占比最大; 夏季以2013年最大,为58.1%,2018年最小,仅为15.6%;秋季以2013年和2014年占比较大,2015年起占比显著降低。总热岛区域面积占比在夏、秋两季呈现显著下降趋势,春、冬两季为上升趋势。

4) 春季济南市冷岛效应表现明显,其中历下区与槐荫区以弱热岛强度区域为主; 夏季以热岛区域为主,历下区与槐荫区以强热岛强度区域为主; 秋、冬季大部分区(县)均为无热岛区。济南市城市热岛空间格局主要以城镇聚合轴为主导驱动,呈现交通线连接高温热岛区,“点-线”式空间结构特点。冷岛区域主要分布在南部山区、北部平原农田区与中部黄河流域区。

5) 济南市热岛比例指数总体呈现下降趋势,其中2013年、2014年为较轻热岛,其余年份为轻微热岛等级。春、冬两季热岛比例指数总体呈现上升,其中历下区上升幅度最大,夏、秋两季大部分区(县)均以下降趋势为主。

6) 从自然与社会经济因素的角度出发,通过Pearson相关性检验,UHPI与NDVI、CIWI、NDBI,ΔSUHI与ΔPOP、ΔTI-GDP在0.01显著水平上均呈现显著相关关系; 通过灰色关联度分析,POP与NDVI为影响城市热岛效应的主要因素。

3.2 讨论与建议

1) 对济南市热岛强度的时空变化特征进行了分析,在年际尺度与季节尺度获得了一些初步结论,但还存在一些局限性。首先本文采用FY-3B/VIRR数据进行研究,时间分辨率有一定提升,可更加具体地在时间尺度上进行分析,但与其他光学卫星数据的红外波段对比,空间分辨率相对较低,在精细化分析局地热岛效应变化方面存在一些不足,今后可开展多源卫星数据结合,对济南市内部小范围重点区域进行独立分析,更有助于了解热岛效应的发展特征。

2) 研究仅开展了济南市城市热岛效应的规律探索,但周围城市群的发展也共同影响中心城市的热岛效应,未来可扩大研究的空间范围,综合考虑城市群因素开展更深入的研究。

3) 基于本文的研究结论,影响城市热岛效应最为主要的因素为人口与植被覆盖度。未来可适度控制济南市城区常住人口数量,关注重点区域如历下区和市中区的人口密度; 增加城市“冷源”如丰富城市植被覆盖度、扩大水体分布度等均可一定程度上缓解城市热岛效应。

参考文献
[1]
HOWARD L. The climate of London, deduced from metrological observations Volume1[M]. 3rd ed. London: Harvey and Dorton Press, 1833: 348.
[2]
STAFOGGIA M, FORASTIERE F, AGOSTINI D, et al. Vulnerability to heat-related mortality: A multicity population-based, case-crossover analysis[J]. Epidemiology, 2006, 17(3): 315-323. DOI:10.1097/01.ede.0000208477.36665.34
[3]
DESCHÊNES O, GREENSTONE M. Climate change, mortality, and adaptation: Evidence from annual fluctuations in weather in the US[J]. Am Econ J Appl Econ, 2011, 3(4): 152-185. DOI:10.1257/app.3.4.152
[4]
韩京, 房巧玲, 周林, 等. 极端气温对济南市非意外死亡及主要死因别死亡影响[J]. 中国公共卫生, 2019, 35(9): 1242-1244.
[5]
MENG Q Y, ZHANG L L, SUN Z H, et al. Characterizing spatial and temporal trends of surface urban heat island effect in an urban main built-up area: A 12-year case study in Beijing, China[J]. Remote Sens Environ, 2018, 204: 826-837. DOI:10.1016/j.rse.2017.09.019
[6]
济南市统计局, 国家统计局济南调查队. 济南统计年鉴2014[M]. 北京: 中国统计出版社, 2014.
[7]
莱芜市统计局, 国家统计局莱芜调查队. 莱芜统计年鉴2014[M]. 莱芜: 莱芜市统计局, 2014.
[8]
济南市统计局, 国家统计局济南调查队. 济南统计年鉴2020[M]. 北京: 中国统计出版社, 2020.
[9]
瓦力江·瓦黑提, 任国玉, 孙秀宝. 乌鲁木齐城市热岛强度的日变化和季节特征[J]. 沙漠与绿洲气象, 2018, 12(1): 21-28.
[10]
李丽光, 王宏博, 贾庆宇, 等. 辽宁省城市热岛强度特征及等级划分[J]. 应用生态学报, 2012, 23(5): 1345-1350.
[11]
沈钟平, 梁萍, 何金海. 上海城市热岛的精细结构气候特征分析[J]. 大气科学学报, 2017, 40(3): 369-378.
[12]
WANG J, FENG J M, YAN Z W, et al. Nested high-resolution modeling of the impact of urbanization on regional climate in three vast urban agglomerations in China[J]. J Geophys Res Atmos, 2012, 117(D21): D21103.
[13]
ZHANG N, GAO Z Q, WANG X M, et al. Modeling the impact of urbanization on the local and regional climate in Yangtze River Delta, China[J]. Theor Appl Climatol, 2010, 102(3/4): 331-342.
[14]
CENEDESE A, MONTI P. Interaction between inland urban heat island and sea-breeze flow: A laboratory study[J]. J Appl Meteor, 2003, 42(11): 1569-1583. DOI:10.1175/1520-0450(2003)042<1569:IBAIUH>2.0.CO;2
[15]
邓玉娇, 杜尧东, 王捷纯, 等. 粤港澳大湾区城市热岛时空特征及驱动因素[J]. 生态学杂志, 2020, 39(8): 2671-2677.
[16]
乔治, 田光进. 基于MODIS的2001年—2012年北京热岛足迹及容量动态监测[J]. 遥感学报, 2015, 19(3): 476-484.
[17]
刘勇洪, 房小怡, 张硕, 等. 京津冀城市群热岛定量评估[J]. 生态学报, 2017, 37(17): 5818-5835.
[18]
曹畅, 李旭辉, 张弥, 等. 中国城市热岛时空特征及其影响因子的分析[J]. 环境科学, 2017, 38(10): 3987-3997.
[19]
祝新明, 王旭红, 周永芳, 等. 建成区扩张下的西安市热环境空间分异性[J]. 生态学杂志, 2017, 36(12): 3574-3583.
[20]
邓睿, 刘亮, 徐二丽. 基于Landsat时间序列数据的重庆市热力景观格局演变分析[J]. 生态环境学报, 2017, 26(8): 1349-1357.
[21]
刘帅, 李琦, 朱亚杰. 基于HJ-1B的城市热岛季节变化研究: 以北京市为例[J]. 地理科学, 2014, 34(1): 84-88.
[22]
董立新, 杨虎, 张鹏, 等. FY-3A陆表温度反演及高温天气过程动态监测[J]. 应用气象学报, 2012, 23(2): 214-222. DOI:10.3969/j.issn.1001-7313.2012.02.010
[23]
杨何群, 周红妹, 尹球, 等. FY-3A/MERSI数据在典型大城市热环境监测预报中的应用: 以上海市为例[J]. 测绘通报, 2013(11): 25-28.
[24]
刘勇洪, 张硕, 夏海萍, 等. 风云三号卫星陆表温度产品在城市热环境监测评估中的应用[J]. 卫星应用, 2018(11): 42-49. DOI:10.3969/j.issn.1674-9030.2018.11.012
[25]
李元征, 尹科, 周宏轩, 等. 基于遥感监测的城市热岛研究进展[J]. 地理科学进展, 2016, 35(9): 1062-1074.
[26]
鲍艳松, 李紫甜, 王冬梅, 等. 基于FY3热红外数据的地表温度反演方法研究[J]. 农业机械学报, 2014, 45(6): 266-274.
[27]
赵红, 赵玉金, 李峰, 等. FY-3/VIRR卫星遥感数据反演省级区域蒸散量[J]. 农业工程学报, 2014, 30(13): 111-118. DOI:10.3969/j.issn.1002-6819.2014.13.014
[28]
王卫东, 赵青兰, 李化龙, 等. 基于FY-3 VIRR的温度植被干旱指数在陕西省的应用及其IDL实现[J]. 中国农业气象, 2015, 36(4): 513-520. DOI:10.3969/j.issn.1000-6362.2015.04.016
[29]
YAO R, WANG L C, HUANG X, et al. Interannual variations in surface urban heat island intensity and associated drivers in China[J]. J Environ Manage, 2018, 222: 86-94. DOI:10.1016/j.jenvman.2018.05.024
[30]
权维俊, 韩秀珍, 陈洪滨. 基于AVHRR和VIRR数据的改进型Becker"分裂窗"地表温度反演算法[J]. 气象学报, 2012, 70(6): 1356-1366.
[31]
李峰, 曹张驰, 赵红, 等. 基于FY-3/VIRR数据的山东省地表温度反演及应用研究[J]. 中国农学通报, 2015, 31(28): 195-200. DOI:10.11924/j.issn.1000-6850.casb15050022
[32]
叶彩华, 刘勇洪, 刘伟东, 等. 城市地表热环境遥感监测指标研究及应用[J]. 气象科技, 2011, 39(1): 95-101. DOI:10.3969/j.issn.1671-6345.2011.01.019
[33]
徐涵秋, 陈本清. 不同时相的遥感热红外图像在研究城市热岛变化中的处理方法[J]. 遥感技术与应用, 2003, 18(3): 129-133.
[34]
ROUSE J W Jr, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[C]//Third Earth Resources Technology Satellite-1 Symposium, Greenbelt, NASA Special Publication 351. Washington, DC: NASA, 309-317.
[35]
莫伟华, 孙涵, 钟仕全, 等. MODIS水体指数模型(CIWI)研究及其应用[J]. 遥感信息, 2007, 22(5): 16-21.
[36]
GONG P, HOWARTH P J. The use of structural information for improving land-cover classification accuracies at the rural-urban fringe[J]. Photogramm Eng Remote sens, 1990, 56(1): 67-73.
[37]
黄焕春, 陈逸伦, 周婕, 等. 基于灰色系统的特大城市热岛强度的预测分析: 以天津市夏季热岛为例[J]. 干旱区资源与环境, 2019, 33(6): 126-133.
[38]
韦海东, 赵有益, 陈英. 兰州市城市热岛效应评价与灰色预测[J]. 中国沙漠, 2009, 29(3): 571-576.
[39]
陈志, 俞炳丰, 胡汪洋, 等. 城市热岛效应的灰色评价与预测[J]. 西安交通大学学报, 2004, 38(9): 985-988.