李 斌， 邢漢發(fā),2， 劉燁菲

(1.山東師范大學 地理與環(huán)境學院， 山東 濟南 250358； 2.華南師范大學 地理科學學院， 廣東 廣州 510631)

隨著快速的城市化進程，城市熱環(huán)境逐漸成為備受關注的城市現象之一[1]。特別是在熱帶亞熱帶地區(qū)，由于其顯著高溫會對城市生態(tài)系統(tǒng)和公共健康產生重大不利影響[2-3]，該問題已經引起了城市規(guī)劃者和政策制定者的廣泛關注。已有研究表明，城市景觀對地表熱變化有顯著影響，了解城市景觀對于改善城市的生態(tài)和可持續(xù)發(fā)展至關重要[4]，因此，深入分析城市景觀與城市熱環(huán)境的關系具有重要意義[5]。

城市熱環(huán)境本身是一種復雜的物理現象，涉及一系列的環(huán)境參數[6]。隨著遙感技術的發(fā)展，熱紅外遙感在城市氣候與環(huán)境研究中得到了廣泛的應用[7-8]，地表溫度成為表征城市熱環(huán)境的一個普遍而重要的參數[9]。目前，已有熱環(huán)境研究主要集中在熱環(huán)境效應[10]、影響因素[11]、時空特征[12]、微氣候模擬[13]等領域。針對城市景觀與熱環(huán)境的關系研究，有學者分析了微觀地塊尺度上各種自然景觀、社會因素與城市熱環(huán)境的相關性[14]；也有學者針對單一景觀要素如水體、綠地等，研究其產生的不同熱效應[15-16]。但實際上，城市景觀具有明顯的層次性[17]，上述研究一方面并沒有將城市景觀作為一個多層次的分析體系，忽略了城市景觀在斑塊、類別等尺度上的差異性，另一方面大都將影響因素看作全局變量，采用相關性分析、全局回歸等方法研究兩者關系，忽略了影響因素的空間差異性。鑒于此，有學者引入GWR模型，分析景觀影響因子的空間異質性問題[18]。然而，傳統(tǒng)GWR模型作用尺度單一，忽略了多個景觀因子之間不同的尺度效應。盡管改進型的半參數地理加權模型能在一定程度上處理異質性的尺度問題[19]，但其只能細分為全局和局部，仍然無法進一步處理多尺度效應的問題，且其擬合結果還存在較大噪聲和誤差。近兩年來，MGWR被逐漸應用于各種分析影響因素空間異質性的實證研究中[20]，有學者基于該模型探討了二手房房價的影響機制[21]，證明了該模型對空間分異和空間尺度差異的研究具有較好效果。由于該模型能捕捉不同影響因子的作用尺度，本文擬將該模型引入到多層次城市景觀與城市熱環(huán)境的關系研究中。

上述研究背景下，本文基于MGWR構建了一種多層次城市景觀與城市熱環(huán)境的關系分析方法。首先，基于Landsat-8遙感影像反演地表溫度，用于表征城市熱環(huán)境；然后，利用路網數據劃分地塊，基于面向對象分割技術劃分地表對象邊界與類別，從而構建斑塊-類別-地塊多層次的城市景觀指標體系；最后，利用MGWR分析多層次景觀的多尺度熱環(huán)境效應。采用該研究方法對深圳市進行評價分析，以期豐富有關城市的多層次景觀熱效應研究，同時為評價城市景觀多尺度熱效應的空間異質性提供一種新的思路。

1 研究區(qū)及數據來源

1.1 研究區(qū)概況

本文以深圳市為研究區(qū)域，如圖1所示。深圳市屬于亞熱帶海洋性氣候，全年光線充足且熱量充沛，近年來隨著城市化的發(fā)展，該地區(qū)城市熱島現象日益嚴重；同時，該地區(qū)復雜多樣的地表覆蓋信息可反映出多樣化的城市景觀。因此，本文以深圳市為研究區(qū)，應用MGWR模型分析多層次城市景觀的熱環(huán)境效應。

圖1 研究區(qū)概況Fig.1 Overview of the study area

1.2 數據來源

所需實驗數據集包含Landsat-8遙感影像、矢量路網數據以及建筑物數據。其中，影像數據來源于地理空間數據云；路網數據則通過OpenStreetMap(https://www.openstreetmap.org/)獲得；建筑物數據來源于深圳市規(guī)劃和國土資源委員會(市海洋局)。

Landsat-8影像空間分辨率為30m，共由11個光譜帶組成，其中包括兩個熱紅外波段，這是目前用于反演地表溫度最為常用的數據源之一?？紤]到數據的可用性，本文獲取了北京時間2019年11月14日上午10:52的深圳市Landsat-8遙感影像數據，該日深圳最高氣溫為32 ℃，天氣晴，西南風三級，能夠滿足應用需求。OpenStreetMap數據是一款由網絡大眾共同打造的眾源地理數據，本文主要利用路網數據劃分了2 017個地塊。建筑物數據包含建筑物高度與面積等信息，基于上述數據獲取地表溫度，并構建多層次的城市景觀指標體系。

2 研究方法

本文研究方法如圖2所示：首先基于OSM路網劃分地塊，地塊的劃分結果作為城市景觀的最大研究尺度；繼而基于Landsat-8遙感影像，一方面經由預處理與輻射傳輸方程法反演地表溫度，另一方面采用面向對象分割的方法劃分斑塊，作為城市景觀的最小研究尺度；最后基于地表溫度與城市景觀指標體系(見表1)構建MGWR模型，分析城市多層次景觀與城市熱環(huán)境的關系。

表1 多層次城市景觀指標體系Tab.1 Multi-level urban landscape index system

圖2 總體研究思路圖Fig.2 Overall research idea map

2.1 基于Landsat-8遙感影像的城市熱環(huán)境反演

本文采用輻射傳輸方程算法反演地表溫度，它是基于大氣輻射傳輸模型的地表反演傳統(tǒng)算法。該算法能夠從衛(wèi)星傳感器觀測到的總熱輻射中減去大氣影響的偏差值，將表面熱輻射強度轉換為相應的表面溫度。其計算公式為：

(1)

(2)

其中，Ts是陸地表面真實溫度；B(Ts)是黑體輻射率；ε是地表比輻射率；τ是熱紅外波段大氣透射率；Lλ是圖像輻射校準；L↑是大氣向上輻射強度；L↓是大氣向下輻射強度；K1和K2是系數。

在Landsat-8熱紅外波段中，K1=774.885W·m-2·sr-1·μm-1，K2=1 321.079K。在NASA網站(https://atmcorr.gsfc.nasa.gov)上，可以獲得τ、L↑、L↓的值分別為0.72、2.18、3.46。

2.2 基于面向對象分割的多尺度城市景觀測算

為降低遙感影像像素尺度光譜異質性的影響，便于構建斑塊-類別-地塊多層次的量化指標，本文采用面向對象的方法來有效分割遙感圖像，并基于斑塊的幾何光譜紋理特征劃分閾值，共分為耕地、林地、草地、水體、建設用地、未利用地六類。分割尺度的選擇采用目視解譯法，對于建成區(qū)與非建成區(qū)，分別以建筑物和自然地表的均勻劃分為準則，交界處則以合理捕捉兩種用地類型的對象單元為準則。最終，經過優(yōu)化對比分割結果，確定三種分割尺度分別為130、90、100。

2.3 多尺度地理加權回歸模型的構建

GWR擴展了全局回歸模型，允許估計局部參數而不是全局參數[22]，雖然GWR在一定程度上捕捉了影響因素的空間異質性，但它是在假設“所有協(xié)變量在相同空間尺度上變化”的情況下實現的，不足以解釋不同城市景觀影響因素的空間異質性水平。MGWR則放寬了“相同空間尺度”的假設，允許對協(xié)變量特定帶寬進行優(yōu)化，GWR和MGWR的公式分別為：

(3)

(4)

其中，xij是獨立變量xj在i點的值；(ui,vi)表示地塊i的質心坐標；βj(ui,vi)是i點上的第k個回歸參數，是地理位置的函數，當j=0時，β0(ui,vi)為i點的回歸常數；m為回歸系數的總個數；βbwj為校準第j個回歸關系所用的最佳帶寬；εi是隨機誤差。

對比可知，MGWR通過推導出響應變量和不同預測變量之間的條件關系的單獨帶寬，允許不同的過程在不同的空間尺度上運行。MGWR使用反向擬合算法進行校準，用GWR參數估計初始化反擬合過程?；谶@些初始值，校準過程以迭代的方式工作，在每次迭代中，所有的局部參數估計和最優(yōu)帶寬都被評估。當連續(xù)迭代的參數估計的差值收斂于指定閾值時，迭代終止。本研究中，收斂閾值取為10-5。

3 實驗結果及分析

3.1 城市熱環(huán)境結果分析

地表溫度反演結果如圖3所示。溫度范圍為12.4 ℃～41.1 ℃，最低地表溫度位于水體表面，最高地表溫度位于建筑物表面。區(qū)域之間由于較大溫差產生的復雜熱環(huán)境為本研究提供了便利。

圖3 地表溫度反演結果圖Fig.3 Land surface temperature retrieval result map

為驗證應用地理加權回歸模型的可行性，基于局部Moran’ I(LISA)挖掘城市熱環(huán)境的空間自相關特性，如圖4所示。深圳市熱環(huán)境有著明顯的空間自相關性，其主要集聚方式為“高-高”集聚與“高-低”集聚。在寶安區(qū)、龍華新區(qū)、光明新區(qū)有著明顯的“高-高”集聚現象，地表溫度較高且分布集中；而福田區(qū)、羅湖區(qū)、南山區(qū)等經濟中心區(qū)域則由于城市綠化、公園廣場的建設等治理措施以“高-低”集聚現象為主。

圖4 深圳市地表溫度LISA圖Fig.4 LISA map of Shenzhen's land surface temperature

3.2 城市景觀要素結果

利用面向對象分割技術獲得深圳市對象斑塊共計41 497個，土地利用分類結果與斑塊分割實例如圖5所示。由圖可知，水體、林地及建設用地結合處的對象分割結果(依據目視分割準則)均較為清晰，滿足多尺度景觀指標的計算要求。

1—建成區(qū)分割結果；2—非建成區(qū)分割結果；3—建成區(qū)與非建成區(qū)交界處分割結果。圖5 土地利用分類與斑塊分割實例結果Fig.5 Land use classification and patch segmentation example results

3.3 MGWR結果分析

3.3.1相關性分析

本文采用皮爾遜相關分析法驗證地表溫度與城市景觀指標之間的關系，如表2所示。

表2 景觀指標與地表溫度的相關性Tab.2 Correlation result of landscape indicatorsand surface temperature

由表2可知，景觀指標均在0.01水平(雙側)上與地表溫度呈顯著相關。其中，PD、NDVI、LSI與地溫呈顯著負相關；NDVI能夠對熱環(huán)境起到緩解作用，這與以往的研究結果一致；PD、LSI等描述地塊形態(tài)的指標表明，斑塊密度越高、地塊形態(tài)越趨近于標準形態(tài)，地表溫度反而越低，這在林地分布密集的大區(qū)域地塊尤為明顯。其余指數均表現為顯著正相關，其中NP、MPA、BA、Division的相關系數達到0.4以上，表明人造地表的熱環(huán)境效應是造成熱島效應的主要原因。

3.3.2模型精度對比

為了更好地體現多種回歸模型的差異性，本文對比了普通最小二乘法(OLS)、GWR與MGWR三種模型的精度結果。首先，為避免因景觀指標之間的相互影響而導致的回歸結果偏差，對景觀指標進行了共線性檢驗，如表3所示，每個變量的方差膨脹因子均小于5，條件索引均小于15，表明本文選擇的變量指標之間不存在共線性關系；其次，進一步比較了普通最小二乘法、GWR與MGWR的性能，如表4所示，模型的AICc值、殘差平方和均呈階梯式遞減，而擬合優(yōu)度R2顯著遞增，表明引入的MGWR取得了更接近于真實值的擬合效果，說明MGWR是一種有效的研究城市景觀熱環(huán)境效應的建模方法。

表3 共線性檢驗結果Tab.3 Collinearity test results

表4 回歸模型性能對比Tab.4 Performance comparison of regression models

3.3.3模型尺度分析

模型處理結果如表5所示。經典GWR的擬合最佳帶寬為130，占總樣本量的6.4%，在研究區(qū)中約為128 km2，對于福田區(qū)、南山區(qū)等建成環(huán)境較好的區(qū)域，該作用尺度明顯偏大。MGWR則能反映變量之間不同的作用尺度。其中，最大的作用帶寬為PD、LSI、Division，均達到了2 015，而NP、BD的最佳帶寬僅為44。

表5 GWR與MGWR帶寬對比結果Tab.5 GWR and MGWR bandwidth comparison results

由表5可知，景觀指標的最佳擬合帶寬由小到大依次為NP、BD，NDVI，MPA，BH，BA，PD、LSI、Division，不同變量的作用帶寬差異較為明顯。

1)NP、BD的作用帶寬為44，遠小于其他指標，占總樣本量的2.1%，在研究區(qū)中約為43 km2，接近于城市規(guī)劃意義上的地塊尺度。一方面說明斑塊的數量以及建筑物的密度空間異質性明顯，超出其作用尺度后，回歸系數會發(fā)生明顯的變化；另一方面也側面說明了地表溫度對于建筑物的分布非常敏感。

2)MPA與BH的作用帶寬基本相同，分別為362與482，在研究區(qū)內，該尺度近似于行政區(qū)劃中的社區(qū)尺度，這揭示了在不同的社區(qū)范圍內，最大的分割斑塊面積與建筑物高度差異性較大，超出作用范圍后，擬合效果會劇烈變化。

3)BA的作用帶寬為722，占總樣本量的35.7%，BA的作用范圍與深圳市建筑物分布的面積大致相同，證明了其在建成區(qū)與非建成區(qū)的作用尺度上表現良好，超出該作用尺度后系數未知性變大。

4)PD、LSI、Division的作用尺度達到2 015，幾乎等同于全局變量，在全局上表現平穩(wěn)，這揭示了在該尺度上，斑塊密度與地塊尺度上的景觀量化指標幾乎不存在空間異質性。

與經典GWR相比，MGWR取得了更接近于真實值的結果，并提供了不同景觀指標作用尺度的可解釋性，揭示了不同層次的城市景觀在不同尺度的熱效應。

3.3.4回歸系數空間格局分析

在MGWR模型的計算結果中，每個景觀指標因子對不同區(qū)域的影響具有特定的回歸系數?；貧w系數的統(tǒng)計信息如表6所示，包含最小值、最大值、平均值、標準差、正值比率和負值比率共6個統(tǒng)計值。系數的空間分布如圖6所示。

表6 MGWR模型各景觀指標因子回歸系數的統(tǒng)計信息Tab.6 Statistical information on regression coefficients ofeach landscape indicator factor of MGWR model

基于此，對各因子回歸系數的空間格局進行分析。

1)NP：斑塊數量有著顯著的正向效應，其回歸系數的正值比率達到98.86%。該系數取值位于-0.237至5.513之間，平均值為1.125，標準差0.849，說明斑塊數量每增加一個單位，地表溫度平均升高1.125 ℃，影響程度較強。如圖6(a)所示，斑塊密度正向作用較強的區(qū)域位于福田區(qū)、南山區(qū)等地區(qū)，該區(qū)域建筑物密度高，斑塊主要為建筑物對象，分割斑塊數量較多。

2)MPA：最大斑塊面積回歸系數正值比率達到82.30%，說明地塊范圍內最大斑塊面積越大，該系數正向效應越強。該系數取值位于-0.177至0.302之間，平均值為0.092，標準差0.085，表明MPA每增加一個單位，地表溫度平均增加0.092 ℃，且整體空間差異不大。如圖6(b)所示，龍崗區(qū)、鹽田區(qū)工業(yè)用地分布較為集中，地表溫度較高，分割斑塊面積也較大，導致該系數正向效應較強；而在寶安區(qū)住宅用地較為集中的區(qū)域，斑塊多為單體建筑物，最大斑塊面積往往是公園等公共設施用地，產生了對熱環(huán)境的負面效應。

3)PD：斑塊密度在全局上對城市熱環(huán)境均有著正向作用，從絕對數值來看，斑塊密度的影響強度極低。該系數取值位于0.018至0.019之間，平均值為0.018，標準差0.006，表明斑塊密度每增加1，溫度變化平均僅為0.018 ℃。如圖6(c)所示，斑塊密度正向效應較強的區(qū)域位于南山區(qū)與寶安區(qū)，該區(qū)域內建筑用地密集，斑塊較為破碎，密度較高。

4)NDVI：歸一化植被指數回歸系數負值比率達到99.10%，這與以往的植被熱環(huán)境效應研究相一致。該系數取值位于-0.344至0.021之間，平均值為-0.127，標準差0.071，其最佳帶寬為200，表明NDVI每增加一個單位，地表溫度平均降低0.127 ℃，負向效應最強的區(qū)域最多可降低0.344 ℃。如圖6(d)所示，NDVI的負向影響區(qū)域主要位于建設用地區(qū)域，在該區(qū)域植被的降溫效應更加顯著。

5)BH：建筑物平均高度回歸系數取值位于-0.143至0.090之間，平均值為-0.049，標準差0.049，負值比率達到84.28%，表明建筑物平均高度對地表溫度的影響強度極低，且主要為負向效應。如圖6(e)所示，在城市外圍以及大鵬新區(qū)，該系數較為敏感，由遙感影像可知，深圳市建成區(qū)建筑物雖然密集，但建筑物之間相隔的距離設計良好，通風情況較好，高層建筑物并未對熱環(huán)境產生較大影響。

圖6 MGWR模型各景觀指標因子回歸系數的空間分布Fig.6 Spatial distribution of regression coefficients of each landscape indicator factor of MGWR model

6)BA：建筑面積回歸系數取值位于-0.219至0.074之間，平均值為-0.036，標準差0.078，負值比例相對較高，這與已有研究結果有所差異。如圖6(f)所示，該系數正向效應高值區(qū)域主要分布于龍華區(qū)、坪山區(qū)、大鵬新區(qū)，該區(qū)域植被覆蓋率相對較高，建設用地分布較為分散，人工開發(fā)強度、地表溫度均較低，受其他負向效應系數影響較大。

7)BD：建筑底面積占比回歸系數取值位于-0.490至1.271之間，平均值為0.211，標準差0.245，正值比率達到83.94%，該系數在全局上主要對地表溫度產生正向效應，且在正向效應最強的區(qū)域，BD每增加一個單位，地表溫度升高1.271 ℃。如圖6(g)所示，從全局來看，該系數正向效應高值區(qū)分布較為分散，主要分布在坪山區(qū)、龍崗區(qū)，該區(qū)域覆蓋有大面積的工業(yè)用地，建筑物底面積較大，且工業(yè)用地的熱效應往往較強；其他區(qū)域也主要是正向效應分布。

8)LSI：從全局來看，景觀形狀指數主要對地表溫度產生負向效應，該回歸系數取值位于-0.116至-0.104之間，平均值為-0.107，表明LSI每增加一個單位，地表溫度平均降低0.107℃，標準差僅為0.003，表明域上影響差異并不大。如圖6(h)所示，該回歸系數呈扇狀分布，西部區(qū)域由于建筑物較多，所以斑塊多呈較為規(guī)則的方形分布；東部區(qū)域因工業(yè)用地、林地較多，分割斑塊逐漸偏離規(guī)則形狀，回歸系數也逐漸降低。

9)Division：景觀分離度回歸系數取值位于0.123至0.132之間，平均值為0.130，標準差0.003，該系數對地表溫度只存在正向效應，當Division升高，地表溫度也隨之升高，且影響強度較大，Division每增加一個單位，地表溫度平均上升0.13 ℃。如圖6(i)所示，該系數的正向效應自西向東逐漸減弱，寶安區(qū)、南山區(qū)正向效應最強，東部新區(qū)的正向效應較弱。

4 結 論

已有研究普遍證明了城市景觀有著重要的熱環(huán)境效應，但對不同景觀因素空間異質性的尺度差異研究仍然較少。相較于傳統(tǒng)的GWR，MGWR的多帶寬模式產生了更接近于真實情況的模擬過程，因此它具有較大潛力，可用于城市景觀的多尺度熱效應研究。

1) 深圳市地表溫度冷熱點區(qū)域明顯、景觀差異較大，其中寶安區(qū)等地區(qū)地表溫度有著明顯的“高-高”集聚現象，總體來說熱島效應明顯，且城市景觀的空間差異較大。

2) 模型結果表明，MGWR能夠避免傳統(tǒng)單一尺度研究方法產生的較多噪聲和誤差，模型的擬合優(yōu)度顯著提升，相較于普通最小二乘法，MGWR更適于研究城市景觀熱環(huán)境效應。

3) 分析結果表明，不同影響因素的影響力有著明顯的空間異質性，PD、LSI、Division幾乎等同于全局變量對熱環(huán)境產生的影響，MPA、NDVI、BH、BA作用尺度中等，BD、NP作用尺度最小。本文還分析了具體指標在具體區(qū)域的作用強度，因此，在制定熱環(huán)境對策時，可以考慮不同指標影響程度的空間差異，以使決策的針對性更強。

此外，該研究仍然存在一些不足：由于數據獲取受限，地塊尺度的劃分結果、城市景觀的量化指標仍然存在可改進的空間；同時，并未涉及影響因素在時間尺度上的差異，未來可加入時間尺度進行探究。