韓善銳,韋 勝,周 文,張明娟,陶婷婷,邱 廉,劉茂松,徐 馳,*

1 南京大學(xué)生命科學(xué)學(xué)院,南京 210023 2 江蘇省城市規(guī)劃設(shè)計(jì)研究院,南京 210036 3 南京農(nóng)業(yè)大學(xué)園藝學(xué)院,南京 210095

基于用戶興趣點(diǎn)數(shù)據(jù)與Landsat遙感影像的城市熱場(chǎng)空間格局研究

韓善銳1,韋 勝2,周 文2,張明娟3,陶婷婷1,邱 廉1,劉茂松1,徐 馳1,*

1 南京大學(xué)生命科學(xué)學(xué)院,南京 210023 2 江蘇省城市規(guī)劃設(shè)計(jì)研究院,南京 210036 3 南京農(nóng)業(yè)大學(xué)園藝學(xué)院,南京 210095

地圖用戶興趣點(diǎn)(POI)數(shù)據(jù)能夠反映微觀尺度上城市系統(tǒng)中的人類活動(dòng)。利用2015年夏季Landsat 8遙感影像提取了南京市地表溫度和主要土地覆蓋類型,利用空間與非空間多元回歸模型在2、5、10 km 3個(gè)尺度上研究了地表溫度與同期POI密度及植被和水體蓋度的相關(guān)性,并利用方差分解技術(shù)定量區(qū)分人類活動(dòng)因子(POI密度)及生態(tài)基礎(chǔ)設(shè)施(植被和水體蓋度)對(duì)城市熱場(chǎng)的相對(duì)重要性。結(jié)果表明,在3個(gè)觀測(cè)尺度上,POI密度與地表溫度均存在極顯著的正相關(guān)(P<0.001),且相關(guān)性隨觀測(cè)尺度的增大而升高。植被和水體均具有顯著的降溫效應(yīng),水體蓋度與地表溫度的相關(guān)性僅在2 km尺度上顯著,在5 km和10 km尺度上其降溫效應(yīng)不再顯著。方差分解結(jié)果表明,人類活動(dòng)因子和生態(tài)基礎(chǔ)設(shè)施對(duì)地表溫度的獨(dú)立解釋率為1.6%—15%,而二者共同解釋率達(dá)到了40%—70%。研究表明POI作為城市功能節(jié)點(diǎn)可以綜合反映城市中人類活動(dòng)的熱源強(qiáng)度,在城市熱場(chǎng)空間格局研究中是一種可與遙感數(shù)據(jù)互補(bǔ)的有用數(shù)據(jù)源。

城市熱島；地表溫度；用戶興趣點(diǎn)；空間分析；方差分解

Abstract： Point of interest (POI) in digital maps can effectively reflect human activities in urban systems at micro spatial scales. We retrieved land surface temperature (LST) in the Nanjing metropolitan region from a Landsat 8 image, and examined LST in relation to POI density, as well as vegetation and water cover at three spatial scales, namely, 2, 5, and 10 km. The relative importance of human factors (represented by POI density) and ecological facilities (represented by vegetation and water cover) on the thermal field patterns was quantitatively distinguished using simultaneous autoregressive models and the variation partitioning technique. The results showed that POI density and LST exhibit significantly positive correlations (P< 0.001) that are generally amplified with increasing observational scale. Vegetation and water cover played a significant role in reducing LST; however, this cooling effect from water cover was detected only at the 2-km scale. At all three studied scales, the results from variation partitioning showed that human factors shared a considerable proportion of explanatory power with ecological facilities (40%—70%), whereas the unique explanatory power of human factors and ecological facilities ranged between 1.6% and 15%. POIs characterize urban functional nodes and can thereby serve as an effective indicator of the intensity of anthropogenic heat sources. Our results suggested that POI could be a useful data source for the study of urban thermal fields, which is complementary to remotely sensed information.

KeyWords: urban heat island; land surface temperature; point of interest; spatial analysis; variation partitioning

隨著全球范圍內(nèi)城市化進(jìn)程的加速,城市居民現(xiàn)已占據(jù)了全世界人口的半數(shù)以上[1]。伴隨著城市規(guī)模的快速擴(kuò)張,人類活動(dòng)對(duì)生態(tài)系統(tǒng)產(chǎn)生了多種影響,其中一個(gè)重要方面是自然景觀被硬質(zhì)化不透水面所取代[2],導(dǎo)致城市的熱島效應(yīng)加劇,并對(duì)城市居民的健康產(chǎn)生負(fù)面影響[3]。理解城市熱場(chǎng)的空間格局特征及其形成機(jī)制對(duì)于合理布局城市綠地與水體等生態(tài)基礎(chǔ)設(shè)施,提高人居環(huán)境質(zhì)量具有重要的現(xiàn)實(shí)意義[4]。

下墊面特征和人類活動(dòng)是影響城市熱場(chǎng)的主要因素[5-6]。相關(guān)研究表明,下墊面類型的不同組合方式對(duì)城市熱場(chǎng)分布的影響存在顯著差異[7],其中城市地表溫度的高低主要與不透水面比例有關(guān)[8],但其相關(guān)關(guān)系存在顯著的時(shí)空尺度依賴性,并受到城市氣候條件的影響[2]。同時(shí),城市內(nèi)部的人類活動(dòng)在城市熱場(chǎng)的格局形成扮演重要的角色[9]。Ryu等研究發(fā)現(xiàn)人為熱源、不透水面與城市三維建筑結(jié)構(gòu)是影響城市熱島效應(yīng)形成的3個(gè)主要因素[10]。岳文澤等研究表明,上海主城區(qū)內(nèi)建筑與人口密度、工業(yè)區(qū)布局、下墊面屬性以及城市景觀多樣性是影響城市熱環(huán)境空間格局的主導(dǎo)因子[11]。在以往城市熱場(chǎng)影響要素的研究中,下墊面性質(zhì)的信息可利用多源遙感影像進(jìn)行分類提取或定量反演來(lái)獲得[12-13],相比之下,精細(xì)尺度上人類活動(dòng)數(shù)據(jù)的缺乏限制了熱場(chǎng)形成機(jī)制研究的深入。

近年來(lái)隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,城市海量數(shù)據(jù)逐漸應(yīng)用于城市空間結(jié)構(gòu)、社會(huì)關(guān)系動(dòng)態(tài)等相關(guān)研究中,并取得了一系列新穎的成果[14-15]。其中,用戶興趣點(diǎn)(POI)是(通常在電子地圖或其他應(yīng)用軟件中)用于描述城市空間內(nèi)工業(yè)、商業(yè)、服務(wù)、生態(tài)等城市功能設(shè)施的分布的點(diǎn)狀空間數(shù)據(jù),早期主要用于導(dǎo)航、地圖位置查詢等功能；隨著數(shù)據(jù)量的不斷積累和地圖精度的提高,POI內(nèi)蘊(yùn)含豐富的城市空間信息受到地理學(xué)、經(jīng)濟(jì)學(xué)、流行病學(xué)等多領(lǐng)域的關(guān)注[16]。POI數(shù)據(jù)所表征的城市設(shè)施是城市系統(tǒng)中人類活動(dòng)的主要載體,POI可以記錄其精確地理位置以及特定時(shí)段內(nèi)人類活動(dòng)的定量信息(如訪客數(shù)量),從而能夠在精細(xì)空間尺度上反映人類活動(dòng)的類型、強(qiáng)度等,因此有潛力成為精細(xì)尺度上城市景觀格局驅(qū)動(dòng)機(jī)制研究的有用數(shù)據(jù)源。

本文以南京城市景觀為研究對(duì)象,利用Landsat 8影像的熱紅外通道數(shù)據(jù)反演南京城市地表溫度,利用多元統(tǒng)計(jì)分析技術(shù),在多個(gè)空間尺度上研究POI數(shù)據(jù)對(duì)人類活動(dòng)與地表溫度之間的相關(guān)性,并進(jìn)一步分析了POI表征的人類活動(dòng)因子與植被和水體蓋度對(duì)于城市熱場(chǎng)影響的相對(duì)重要性,以期深入理解城市熱場(chǎng)的空間格局,并為城市生態(tài)基礎(chǔ)設(shè)施建設(shè)提供參考。

1 研究地區(qū)與研究方法

1.1 研究區(qū)概況

南京市(31°14′ — 32°36′ N, 118°22′ — 119°14′ E)位于長(zhǎng)江下游平原區(qū),地跨長(zhǎng)江兩岸,三面環(huán)山,屬亞熱帶季風(fēng)氣候區(qū),四季分明,年平均氣溫15.3 ℃。作為長(zhǎng)江三角洲城市群的核心城市之一,南京市市域面積6598 km2,2015年總?cè)丝?23.59萬(wàn)人。本研究選取南京主城周邊(不包括位于南京市域南部的溧水、高淳2區(qū))為研究區(qū)域,總面積約4550 km2。

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

本研究選用Landsat 8影像(path/row：120/38),成像時(shí)間為2015年09月02日10:37,成像時(shí)刻研究區(qū)域無(wú)云覆蓋,成像條件較好。影像預(yù)處理包括輻射定標(biāo)和大氣校正(FLAASH模型)以及幾何校正(誤差控制在0.5個(gè)像元以內(nèi))。

POI數(shù)據(jù)是表征城市系統(tǒng)中城市設(shè)施實(shí)體的點(diǎn)狀數(shù)據(jù),包括了公司企業(yè)、餐飲、購(gòu)物、住宿、生活服務(wù)、教育、醫(yī)療、政府機(jī)構(gòu)及交通設(shè)施等21個(gè)類型。POI數(shù)據(jù)通過(guò)百度地圖提供的應(yīng)用程序編程接口,通過(guò)地圖要素抓取程序從百度地圖上獲得。在百度地圖坐標(biāo)系下依次分類抓取POI的相關(guān)信息(名稱、地理坐標(biāo)等)并存為JSON(JavaScript Object Notation)格式?；贘SON數(shù)據(jù)解析生成ESRI Shape格式的POI點(diǎn)狀要素并建立地理坐標(biāo)系。

研究中采用歸一化差值植被指數(shù)(NDVI)作為植被蓋度的指標(biāo)。水體蓋度信息的獲取采用改進(jìn)的歸一化差值水體指數(shù)(modified normalized difference water index,MNDWI)[17]。該指數(shù)可有效用于地表水體提取,相關(guān)研究表明對(duì)建筑物聚集的城市水體信息提取具有較高的適用性[18]。MNDWI指數(shù)通過(guò)以下公式計(jì)算：

MNDWI=(ρgreen-ρmir)/(ρgreen+ρmir)

(1)

式中,ρgreen和ρmir分別為綠光波段(對(duì)應(yīng)于Landsat 8第三波段)和中紅外波段(對(duì)應(yīng)于Landsat 8第六波段)反射率。

1.3 地表溫度反演

研究采用單窗算法利用Landsat 8數(shù)據(jù)的熱紅外波段(band 10)進(jìn)行地表溫度反演[19],反演公式為：

(2)

式中,LST為真實(shí)地表溫度,T10為亮度溫度,Ta為大氣等效溫度(Ta=16.011+0.92621T0,T0為近地表空氣溫度)；k為系數(shù),C10和D10為中間變量(C10=e10t10,D10=(1-t10)[1+t10(1-e10)],t10為大氣透過(guò)率,e10為地表比輻射率)。大氣透過(guò)率t10利用Landsat 8影像數(shù)據(jù)的大氣水汽含量(w)和大氣透過(guò)率(t10)關(guān)系進(jìn)行估算；大氣水汽含量則通過(guò)相對(duì)濕度(RH)和近地表空氣溫度(T0)進(jìn)行估算；地表比輻射率e10取值見(jiàn)文獻(xiàn)[20]。詳細(xì)的單窗算法參見(jiàn)[21]。

1.4 統(tǒng)計(jì)分析

考慮到城市熱場(chǎng)與其影響因素間響應(yīng)關(guān)系往往具有明顯的尺度效應(yīng)[2,22],本文分別將研究區(qū)劃分為2 km×2 km、5 km×5 km、10 km×10 km 3種大小的空間單元進(jìn)行多尺度研究。網(wǎng)格單元大小主要根據(jù)POI數(shù)據(jù)分布狀況與研究區(qū)范圍設(shè)定：取樣單元過(guò)小(< 2 km)將產(chǎn)生大量POI數(shù)量為零的網(wǎng)格,而過(guò)大的網(wǎng)格單元(> 10 km)可能導(dǎo)致后續(xù)統(tǒng)計(jì)的樣本數(shù)量不足。分別統(tǒng)計(jì)3個(gè)尺度下各網(wǎng)格內(nèi)POI密度、地表溫度均值、水體的百分蓋度、植被覆蓋區(qū)域的NDVI均值(每個(gè)網(wǎng)格內(nèi)無(wú)植被覆蓋區(qū)域不納入統(tǒng)計(jì))。

統(tǒng)計(jì)分析之前對(duì)POI密度和水體蓋度進(jìn)行對(duì)數(shù)變換,使得變換后數(shù)據(jù)基本呈正態(tài)分布。首先利用基于最小二乘(OLS)模型的單因素回歸分析在3個(gè)觀測(cè)尺度上分別檢測(cè)POI密度以及植被和水體蓋度與城市地表溫度的相關(guān)關(guān)系。進(jìn)一步建立多元回歸模型以比較這3個(gè)因素的效應(yīng)?？紤]到可能普通最小二乘模型的殘差存在空間自相關(guān)有可能增加犯I型錯(cuò)誤的概率并影響參數(shù)估計(jì)的準(zhǔn)確性,利用空間自回歸(simultaneous autoregressive, SAR)模型來(lái)進(jìn)一步評(píng)估各因子系數(shù)及其顯著性[23]。本文選擇誤差項(xiàng)中的自回歸SARerr模型[23]?？紤]到植被與水體的對(duì)于城市熱場(chǎng)的降溫效應(yīng)已得到廣泛關(guān)注[8,24],本研究中首先建立基于水體與植被蓋度模型(生態(tài)基礎(chǔ)設(shè)施模型),在此基礎(chǔ)上再進(jìn)一步加入POI密度(全模型),通過(guò)比較模型的AIC與R2來(lái)觀察POI密度是否可以有效增加模型的擬合優(yōu)度,并利用方差分解技術(shù)來(lái)定量區(qū)分人類活動(dòng)因子(POI密度)與生態(tài)基礎(chǔ)設(shè)施(植被/水體蓋度)對(duì)城市熱場(chǎng)影響的相對(duì)重要性。POI、植被蓋度及水體蓋度之間的Pearson相關(guān)系數(shù)均小于0.5,表明不存在明顯的多重共線性問(wèn)題。

遙感數(shù)據(jù)處理在ENVI 5.1和ArcGIS 10.2中完成,統(tǒng)計(jì)分析在R 2.11.1中完成。

2 結(jié)果

2.1 地表溫度與POI密度、植被及水體蓋度的相關(guān)性

基于單窗算法反演得到的地表真實(shí)溫度與POI點(diǎn)要素分布總體上呈現(xiàn)出較為一致的格局特征：城市POI分布在長(zhǎng)江以南的主城區(qū)相對(duì)集中,而偏離主城區(qū)的POI分布相對(duì)離散。研究區(qū)主城區(qū)地表溫度明顯高于城市邊緣區(qū)和以農(nóng)村為主的郊區(qū),呈現(xiàn)顯著的熱島效應(yīng)。城市熱場(chǎng)內(nèi)部分布存在明顯的空間分異,熱場(chǎng)高溫區(qū)呈現(xiàn)多核心的特征,熱場(chǎng)分布與POI總體格局基本一致,但在部分地區(qū)存在差異(圖1)。

圖1 研究區(qū)地表溫度空間格局與POI點(diǎn)要素分布圖Fig.1 Spatial distributions of land surface temperature and points of interest in the study area

為進(jìn)一步揭示POI及植被與水體蓋度對(duì)熱場(chǎng)格局形成的影響,利用單因素回歸分析研究地表溫度與POI密度、植被及水體蓋度的相關(guān)性。結(jié)果表明(圖2),3種分析尺度下POI密度與地表均溫均呈極顯著正相關(guān)(P< 0.001),且作用強(qiáng)度隨分析尺度的增大而升高。植被蓋度(NDVI)在3個(gè)觀測(cè)尺度上均與地表均溫存在極顯著負(fù)相關(guān)(P< 0.001),隨觀測(cè)尺度增大,相關(guān)性逐漸增強(qiáng)。水體蓋度與地表均溫僅在2 km尺度存在極顯著負(fù)相關(guān)(P< 0.001),在5 km和10 km觀測(cè)尺度下,水體蓋度與地表溫度相關(guān)性不顯著(P> 0.05)。

圖2 地表溫度在3種尺度下和POI密度、植被/水體蓋度回歸分析Fig.2 Regression analysis between POI density, vegetation/water cover and land surface temperature at three observational scales

2.2 人類活動(dòng)及生態(tài)基礎(chǔ)設(shè)施對(duì)城市熱場(chǎng)的影響

考慮到水體與植被的降溫作用和人類活動(dòng)同時(shí)影響城市熱場(chǎng)的格局,進(jìn)一步利用多元回歸模型研究這幾個(gè)因素的相對(duì)重要性。3個(gè)尺度上生態(tài)基礎(chǔ)設(shè)施模型(植被/水體蓋度)與全模型(POI和植被/水體蓋度)的擬合結(jié)果表明,隨著觀測(cè)尺度的增大,全模型及基于植被和水體蓋度的SAR模型解釋率(R2)均逐漸升高(表1)。為了有效識(shí)別人類活動(dòng)因子及生態(tài)基礎(chǔ)設(shè)施各自在熱場(chǎng)形成過(guò)程中解釋能力差異,基于SAR模型中非空間部分的解釋率進(jìn)行方差分解。研究發(fā)現(xiàn),人類活動(dòng)因子和生態(tài)基礎(chǔ)設(shè)施的總體解釋率隨觀測(cè)尺度的增大而升高,且在10 km尺度下總體解釋率達(dá)到最高,為74.5%(圖3)?？疾靸深愐蜃訉?duì)地表溫度的獨(dú)立解釋率,發(fā)現(xiàn)人類活動(dòng)因子獨(dú)立解釋率低于生態(tài)基礎(chǔ)設(shè)施,且隨著分析尺度的減小而逐漸升高,表明POI密度在較小觀測(cè)尺度上對(duì)城市熱場(chǎng)的解釋能力相對(duì)較強(qiáng)。生態(tài)基礎(chǔ)設(shè)施獨(dú)立解釋率在3種觀測(cè)尺度上均高于人類活動(dòng)因子,并隨分析粒度的升高而降低。綜合考察兩類因子的交叉解釋率發(fā)現(xiàn),人類活動(dòng)因子和生態(tài)基礎(chǔ)設(shè)施的交叉解釋率明顯高于兩者獨(dú)立解釋率之和,且隨著觀測(cè)尺度的增大,交叉解釋率逐漸升高。

圖3 人類活動(dòng)因子及生態(tài)基礎(chǔ)設(shè)施對(duì)于地表溫度解釋率的分解Fig.3 Variation partitioning between human activities and ecological facilitiesA為人類活動(dòng)因子(由POI密度所表征),B為生態(tài)基礎(chǔ)設(shè)施(包括水體與植被蓋度)

3 討論與結(jié)論

在城市熱場(chǎng)格局及其驅(qū)動(dòng)因素的以往研究中,所關(guān)注的要素類型和采用的技術(shù)途徑種類多樣[25],概括起來(lái)主要包括：1)地表覆蓋對(duì)城市熱場(chǎng)的影響；2)景觀的空間結(jié)構(gòu)對(duì)城市熱場(chǎng)的影響；3)城市人為熱源、人口密度及能量消耗等的人類活動(dòng)強(qiáng)度對(duì)城市熱場(chǎng)的影響。這些研究結(jié)果表明城市熱場(chǎng)的形成是人類活動(dòng)與環(huán)境因素共同作用的結(jié)果。其中大量研究表明,城市景觀中的植被和水體等生態(tài)基礎(chǔ)設(shè)施能夠顯著緩解城市熱島效應(yīng)[26-27]。本研究進(jìn)一步證實(shí),植被和水體蓋度與地表溫度具有顯著的負(fù)相關(guān)關(guān)系。在2—10 km的觀測(cè)尺度上植被蓋度的降溫效應(yīng)均達(dá)到極顯著水平；水體蓋度僅在2 km尺度表現(xiàn)出顯著的降溫效應(yīng),而在5 km和10 km則未達(dá)到顯著水平,可能是由于在較大觀測(cè)尺度上水體面積占比普遍較小,不足以產(chǎn)生顯著的降溫效應(yīng)。

表1地表溫度在3種尺度下普通最小二乘法與空間自回歸模型結(jié)果

Table1Performanceoftheordinaryleastsquare(OLS)andsimultaneousautoregressive(SAR)modelsexplainingtheLSTpatternsatthreeobservationalscales

模型變量Modelvariables普通最小二乘模型OLSmodel空間自回歸模型SARmodel標(biāo)準(zhǔn)化系數(shù)估計(jì)值±標(biāo)準(zhǔn)誤Estimatedvalue±SER2AIC標(biāo)準(zhǔn)化系數(shù)估計(jì)值±標(biāo)準(zhǔn)誤Estimatedvalue±SER2AIC2km生態(tài)基礎(chǔ)設(shè)施模型Ecologicalfacilitiesmodel0.587***4311.900.853***3428.3植被蓋度Vegetationcover-2.066±0.055***-1.438±0.064***水體蓋度Watercover-1.129±0.055***-0.681±0.043***全模型Fullmodel0.667***4076.780.865***3300.2興趣點(diǎn)密度POIdensity1.031±0.063***0.673±0.057***植被蓋度Vegetationcover-1.420±0.063***-1.343±0.061***水體蓋度Watercover-0.694±0.056***-0.609±0.041***5km生態(tài)基礎(chǔ)設(shè)施模型Ecologicalfacilitiesmodel0.678***621.080.872***489.53植被蓋度Vegetationcover-2.112±0.109***-1.826±0.111***水體蓋度Watercover-1.001±0.109***-0.968±0.077***全模型Fullmodel0.736***585.680.897***451.51興趣點(diǎn)密度POIdensity0.904±0.142***0.699±0.104***植被蓋度Vegetationcover-1.346±0.155***-1.420±0.116***水體蓋度Watercover-0.626±0.115***-0.753±0.076***10km生態(tài)基礎(chǔ)設(shè)施模型Ecologicalfacilitiesmodel0.716***132.680.890***106.78植被蓋度Vegetationcover-2.166±0.219***-1.700±0.218***水體蓋度Watercover-0.854±0.219***-0.642±0.157***全模型Fullmodel0.732***131.140.892***107.55興趣點(diǎn)密度POIdensity0.686±0.3750.276±0.246植被蓋度Vegetationcover-1.406±0.467**-1.443±0.315***水體蓋度Watercover-0.513±0.283-0.511±0.194**

***P<0.001,**P<0.01

城市中居民的絕大多數(shù)活動(dòng)都是在其住所與工作單位、商場(chǎng)、學(xué)校、公園、公交站點(diǎn)等各種城市功能節(jié)點(diǎn)之間完成。POI可以在微觀尺度上詳細(xì)表征城市功能節(jié)點(diǎn)的空間分布,因此在POI密集的區(qū)位上城市居民的密度及其活動(dòng)強(qiáng)度也相應(yīng)越高,人類活動(dòng)所釋放熱量也越高。雖然不同類型的功能節(jié)點(diǎn),甚至相同類型的不同節(jié)點(diǎn)之間可能具有較大差異,但可以推測(cè)在適當(dāng)?shù)挠^測(cè)尺度上,POI的總體密度可能是表征城市熱環(huán)境的有效指標(biāo)。本研究結(jié)果證實(shí)POI密度與地表均溫存在極顯著的正相關(guān)關(guān)系。通過(guò)統(tǒng)計(jì)模型的比較發(fā)現(xiàn),在單純基于地表覆蓋因子的模型中加入POI密度可以顯著增加模型的擬合優(yōu)度,表明在揭示城市熱場(chǎng)的空間格局特征方面,POI的確可以提供有效的信息,這些信息與遙感信息可以互為補(bǔ)充,共同解釋城市熱場(chǎng)格局的空間異質(zhì)性。

人類活動(dòng)因子和生態(tài)基礎(chǔ)設(shè)施對(duì)地表溫度表現(xiàn)出較高的共同解釋率(40%—70%),表明城市熱場(chǎng)的形成受到人類活動(dòng)和生態(tài)基礎(chǔ)設(shè)施的共同作用。在3個(gè)尺度的SAR模型中,人類活動(dòng)的解釋能力略低于生態(tài)基礎(chǔ)設(shè)施,隨著觀測(cè)尺度增大,兩者獨(dú)立解釋能力均逐漸減弱,交叉解釋率顯著升高。研究結(jié)果表明,人類活動(dòng)與生態(tài)基礎(chǔ)設(shè)施對(duì)城市熱場(chǎng)的影響具有尺度依賴性。雖然人類活動(dòng)因子解釋能力略低于生態(tài)基礎(chǔ)設(shè)施,其在2 km尺度上最高的解釋能力一定程度上說(shuō)明POI能夠作為精細(xì)尺度上城市熱場(chǎng)研究的有效指標(biāo)。

有研究表明,在較小分析尺度上影響地表溫度的要素變得復(fù)雜,有更多變量需要考慮,如局部的空氣流動(dòng),區(qū)域地表三維結(jié)構(gòu)等都可能影響微尺度下熱場(chǎng)分布[28]。一般分析尺度越大,地表溫度與城市景觀類型占比等參數(shù)之間的相關(guān)性越強(qiáng),并且對(duì)地表溫度建模的擬合度越好[29]。本研究通過(guò)回歸分析及多元回歸建模也發(fā)現(xiàn),人類活動(dòng)因子和生態(tài)基礎(chǔ)設(shè)施與地表溫度的相關(guān)性隨著觀測(cè)尺度的增大而增強(qiáng),相應(yīng)的模型擬合效果也越好。

城市熱環(huán)境受到人類活動(dòng)與下墊面性質(zhì)等多種因素的綜合影響。大量研究表明,多源遙感數(shù)據(jù)可有效用于定性和定量提取下墊面信息,并在城市熱場(chǎng)空間格局形成機(jī)制研究中取得了良好的效果。然而在地表覆蓋狀況相似的條件下,不同人類活動(dòng)影響下的地表溫度也可表現(xiàn)出明顯差異,因此充分理解城市熱場(chǎng)的形成機(jī)制需要在遙感分析的基礎(chǔ)上結(jié)合能夠準(zhǔn)確表征人類活動(dòng)的數(shù)據(jù)。以往研究中人類活動(dòng)因子指標(biāo)主要包括人口密度、能量消耗等[11],由于缺少高精度的數(shù)據(jù)源,這些指標(biāo)通常無(wú)法用于在精細(xì)尺度上解釋熱場(chǎng)成因。本研究發(fā)現(xiàn),POI作為城市功能節(jié)點(diǎn)可以綜合反映城市中人類活動(dòng)的熱源強(qiáng)度,可以成為遙感信息的有效補(bǔ)充。其中,僅POI密度指標(biāo)即可明顯提高熱場(chǎng)格局的解釋率。隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,城市系統(tǒng)中可獲得的POI數(shù)據(jù)逐漸增加,精度也相應(yīng)提升,POI數(shù)據(jù)中的豐富信息有待于深入挖掘。例如,POI數(shù)據(jù)中關(guān)于城市設(shè)施的類型以及特定設(shè)施中人口流動(dòng)通量等信息可能有助于深入開(kāi)展城市熱島效應(yīng)的機(jī)理分析。以POI為代表的城市大數(shù)據(jù)在城市生態(tài)學(xué)中應(yīng)用的普及將有效促進(jìn)復(fù)雜城市系統(tǒng)中格局與過(guò)程的理解。

[1] Liu Z F, He C Y, Zhou Y Y, Wu J G. How much of the world′s land has been urbanized, really? A hierarchical framework for avoiding confusion. Landscape Ecology, 2014, 29(5): 763- 771.

[2] Ma Q, Wu J G, He C Y. A hierarchical analysis of the relationship between urban impervious surfaces and land surface temperatures: spatial scale dependence, temporal variations, and bioclimatic modulation. Landscape Ecology, 2016, 31(5): 1139- 1153.

[3] Su Y F, Foody G M, Cheng K S. Spatial non-stationarity in the relationships between land cover and surface temperature in an urban heat island and its impacts on thermally sensitive populations. Landscape and Urban Planning, 2012, 107(2): 172- 180.

[4] Zhou W Q, Qian Y G, Li X M, Li W F, Han L J. Relationships between land cover and the surface urban heat island: seasonal variability and effects of spatial and thematic resolution of land cover data on predicting land surface temperatures. Landscape Ecology, 2014, 29(1): 153- 167.

[5] Coseo P, Larsen L. How factors of land use/land cover, building configuration, and adjacent heat sources and sinks explain urban heat islands in Chicago. Landscape and Urban Planning, 2014, 125: 117- 129.

[6] Li J X, Song C H, Cao L, Zhu F G, Meng X L, Wu J G. Impacts of landscape structure on surface urban heat islands: a case study of Shanghai, China. Remote Sensing of Environment, 2011, 115(12): 3249- 3263.

[7] Kuang W H, Liu Y, Dou Y Y, Chi W F, Chen G S, Gao C F, Yang T R, Liu J Y, Zhang R H. What are hot and what are not in an urban landscape: quantifying and explaining the land surface temperature pattern in Beijing, China. Landscape Ecology, 2015, 30(2): 357- 373.

[8] 徐涵秋. 基于城市地表參數(shù)變化的城市熱島效應(yīng)分析. 生態(tài)學(xué)報(bào), 2011, 31(14): 3890- 3901.

[9] 謝苗苗, 王仰麟, 付梅臣. 城市地表溫度熱島影響因素研究進(jìn)展. 地理科學(xué)進(jìn)展, 2011, 30(1): 35- 41.

[10] Ryu Y H, Baik J J. Quantitative analysis of factors contributing to urban heat island intensity. Journal of Applied Meteorology and Climatology, 2012, 51(5): 842- 854.

[11] 岳文澤, 徐建華. 上海市人類活動(dòng)對(duì)熱環(huán)境的影響. 地理學(xué)報(bào), 2008, 63(3): 247- 256.

[12] 周雅星, 劉茂松, 徐馳, 方芳, 鐘晶晶, 張明娟. 南京市市域熱場(chǎng)分布與景觀格局的關(guān)聯(lián)分析. 生態(tài)學(xué)雜志, 2014, 33(8): 2199- 2206.

[13] 王宏博, 李麗光, 趙梓淇, 蔡福, 武晉雯, 許申來(lái), 姜鵬. 基于TM/ETM+數(shù)據(jù)的沈陽(yáng)市各區(qū)城市熱島特征. 生態(tài)學(xué)雜志, 2015, 34(1): 219- 226.

[14] 陳映雪, 甄峰. 基于居民活動(dòng)數(shù)據(jù)的城市空間功能組織再探究——以南京市為例. 城市規(guī)劃學(xué)刊, 2014, (5): 72- 78.

[15] 鈕心毅, 丁亮, 宋小冬. 基于手機(jī)數(shù)據(jù)識(shí)別上海中心城的城市空間結(jié)構(gòu). 城市規(guī)劃學(xué)刊, 2014, (6): 61- 67.

[16] Chen F, Du D S. Application of Integration of spatial statistical analysis with GIS to regional economic analysis. Geo-spatial Information Science, 2004, 7(4): 262- 267.

[17] Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 2006, 27(14): 3025- 3033.

[18] Ji L, Zhang L, Wylie B. Analysis of dynamic thresholds for the normalized difference water index. Photogrammetric Engineering & Remote Sensing, 2009, 75(11): 1307- 1317.

[19] 覃志豪, Zhang M H, Karnieli A, Berliner P. 用陸地衛(wèi)星TM6數(shù)據(jù)演算地表溫度的單窗算法. 地理學(xué)報(bào), 2001, 56(4): 456- 466.

[20] 吳志剛, 江滔, 樊艷磊, 陳聯(lián)君. 基于Landsat8數(shù)據(jù)的地表溫度反演及分析研究——以武漢市為例. 工程地球物理學(xué)報(bào), 2016, 13(1): 135- 142.

[21] 胡德勇, 喬琨, 王興玲, 趙利民, 季國(guó)華. 單窗算法結(jié)合Landsat8熱紅外數(shù)據(jù)反演地表溫度. 遙感學(xué)報(bào), 2015, 19(6): 964- 976.

[22] 段金龍, 張學(xué)雷. 區(qū)域地表水體、歸一化植被指數(shù)與熱環(huán)境多樣性格局的關(guān)聯(lián)分析. 應(yīng)用生態(tài)學(xué)報(bào), 2012, 23(10): 2812- 2820.

[23] Kissling W D, Carl G. Spatial autocorrelation and the selection of simultaneous autoregressive models. Global Ecology and Biogeography, 2008, 17(1): 59- 71.

[24] Kong F H, Yin H W, James P, Hutyra L R, He H S. Effects of spatial pattern of greenspace on urban cooling in a large metropolitan area of eastern China. Landscape and Urban Planning, 2014, 128: 35- 47.

[25] Stewart I D. A systematic review and scientific critique of methodology in modern urban heat island literature. International Journal of Climatology, 2011, 31(2): 200- 217.

[26] Peng J, Xie P, Liu Y X, Ma J. Urban thermal environment dynamics and associated landscape pattern factors: a case study in the Beijing metropolitan region. Remote Sensing of Environment, 2016, 173: 145- 155.

[27] 閆偉姣, 孔繁花, 尹海偉, 孫常峰, 許峰, 李文超, 張嘯天. 紫金山森林公園降溫效應(yīng)影響因素. 生態(tài)學(xué)報(bào), 2014, 34(12): 3169- 3178.

[28] 孟陳, 李俊祥, 朱穎, 吳彤, 肖志堅(jiān), 張國(guó)科. 粒度變化對(duì)上海市景觀格局分析的影響. 生態(tài)學(xué)雜志, 2007, 26(7): 1138- 1142.

[29] Liang B Q, Weng Q H. Multiscale analysis of census-based land surface temperature variations and determinants in Indianapolis, United States. Journal of Urban Planning and Development, 2008, 134(3): 129- 139.

QuantifyingthespatialpatternofurbanthermalfieldsbasedonpointofinterestdataandLandsatimages

HAN Shanrui1, WEI Sheng2, ZHOU Wen2, ZHANG Mingjuan3, TAO Tingting1, QIU Lian1, LIU Maosong1, XU Chi1,*

1SchoolofLifeSciences,NanjingUniversity,Nanjing210023,China2JiangsuInstituteofCityPlanningandDesign,Nanjing210036,China3SchoolofHorticulture,NanjingAgriculturalUniversity,Nanjing210095,China

國(guó)家自然科學(xué)基金項(xiàng)目(41271197,31200530)

2016- 05- 30; < class="emphasis_bold">網(wǎng)絡(luò)出版日期

日期:2017- 03- 27

*通訊作者Corresponding author.E-mail: xuchi@nju.edu.cn

10.5846/stxb201605301037

韓善銳,韋勝,周文,張明娟,陶婷婷,邱廉,劉茂松,徐馳.基于用戶興趣點(diǎn)數(shù)據(jù)與Landsat遙感影像的城市熱場(chǎng)空間格局研究.生態(tài)學(xué)報(bào),2017,37(16):5305- 5312.

Han S R, Wei S, Zhou W, Zhang M J, Tao T T, Qiu L, Liu M S, Xu C.Quantifying the spatial pattern of urban thermal fields based on point of interest data and Landsat images.Acta Ecologica Sinica,2017,37(16):5305- 5312.