林冰鈺, 楊心怡, 張穎詩, 吳鈴鈴, 王瑜, 郭冠華,2,*

廣州市核心區(qū)城市綠地降溫效應研究

林冰鈺1, 楊心怡1, 張穎詩1, 吳鈴鈴1, 王瑜1, 郭冠華1,2,*

1 廣州大學地理科學學院 廣州 510006 2 南方海洋科學與工程廣東省實驗室 廣州 510006

城市化在快速推進社會和經濟發(fā)展的同時, 也造成了嚴重的城市熱環(huán)境問題, 綠地被認為是降低城市溫度的有效途徑。以廣州市核心城區(qū)為研究區(qū)域, 基于2011年6月份和9月份的Landsat-5遙感影像提取城市地表溫度信息, 以高分辨率影像獲得城市綠地信息, 運用GIS空間分析和建模方法綜合分析城市綠地景觀格局的降溫效應。結果表明, 研究區(qū)城市地表溫度空間異質性十分強烈, 莫蘭指數(Moran’s I)結果顯示9月份溫度集聚程度更高, 隨時間變化低-低空間關聯模式面積減少程度最大; 與普通的線性回歸模型和空間滯后模型相比, 空間誤差模型更能表達城市綠地格局對地表溫度的影響, 空間誤差模型的決定系數(2)值比其它兩種模型在兩個月上都高出20%; 空間誤差模型結果顯示綠地面積百分比、平均斑塊大小(MPS)和最大斑塊指數(LPI)與地表溫度呈負相關, 而邊界密度(ED)和最大面積指數(LSI)呈正相關關系。

城市綠地; 景觀格局; 熱島效應; 遙感影像; 廣州市

0 前言

城市熱島效應(Urban heat island , UHI)是一種城市普遍存在的區(qū)域性氣象問題, 主要是由城市下墊面性質的改變以及人類活動排熱使得熱量在城市內部集中, 導致城市溫度明顯高于鄰近郊區(qū)的現象[1-3]。在城市生態(tài)系統(tǒng)中, 人類活動對大氣的影響主要體現在兩個方面: 溫室氣體的排放和土地利用變化, 而二者都會促進區(qū)域日平均溫度的增加[4], 從而加劇城市熱島效應的發(fā)生, 使城市熱環(huán)境問題惡化。城市熱環(huán)境的惡化必將影響城市系統(tǒng)的物質流和能量流, 使城市生態(tài)系統(tǒng)的結構與功能發(fā)生改變, 最終影響城市的可持續(xù)發(fā)展與城市居民生活質量[5-6]。因此, 深入分析快速城市化背景下城市熱島的形成機制, 可為城市熱島效應的緩解措施提供科學依據, 為構建宜居城市提供技術支持。

城市綠地作為城市景觀格局的重要組成部分, 被認為是降低城市氣溫的有效途徑[7-10], 而遙感技術的廣泛應用進一步推進了城市綠地降溫效應的研究與應用。如GUO[12]對比分析了廣州、東莞、深圳和佛山四個城市綠地格局對地表溫度的影響, 指出景觀格局指數的聯合作用能解析熱環(huán)境的大部分異質性。袁振[13]將不同時期的地溫時空格局與城市綠地斑塊進行空間分析, 揭示了城市綠地對熱島的干擾作用。邱海玲[8]利用GIS技術分析了北京市城區(qū)內部30個綠地斑塊對周邊建筑環(huán)境的降溫效應, 揭示了綠地降溫效果與建筑走向和容積率的關系。ZHOU[14]指出了綠地配置對城市熱環(huán)境的重要作用。上述這些研究工作均從不同角度分析了城市綠地景觀格局對熱島的影響, 但對這些影響機制的季節(jié)差異定量研究還比較少。因此, 本文選取廣州市核心區(qū)為區(qū)域, 分析不同月份城市綠地格局對熱環(huán)境的影響作用, 為未來城市規(guī)劃工作提供科學參考。

1 研究區(qū)及研究方法

1.1 數據源以及研究區(qū)概況

研究表明, 熱島效應在夏季比在冬季更加顯著[15]。6月與9月在夏、秋季, 氣溫較高, 日平均氣溫變化明顯, 城市熱島效應顯著, 因此選取同一年份的6月與9月數據有對比性。本研究所選研究區(qū)屬于多云多雨地區(qū), 夏季能獲取的數據較少, 考慮數據的可獲得性和季節(jié)的代表性, 選取Landsat 5衛(wèi)星2011年6月和9月的數據為數據源。

廣州市總面積為7434 km2, 2018年常住人口達1440萬人, 人口密度大, 是南中國特大型城市的代表, 是中國最主要的對外開放城市之一。作為南中國社會經濟發(fā)展的引擎, 自改革開放以來城市化高速發(fā)展, 城市建設用地不斷擴張, 極大改變了城市土地覆被特征[16-17], 同時帶來了眾多城市環(huán)境問題, 如大氣污染、水污染、綠地和農田受大量蠶食、城市生態(tài)功能下降、城市熱浪天氣等[18-20]。本文研究區(qū)為廣州市核心區(qū)20 km×20 km的范圍(圖1), 包括了海珠區(qū)、越秀區(qū)和天河區(qū)的大部分地區(qū), 白云區(qū)南部、蘿崗區(qū)和黃埔區(qū)西部, 以及番禺區(qū)北部, 高溫區(qū)主要集中在天河區(qū)東南部和海珠區(qū)的西部等高度城市化地區(qū), 如海珠區(qū)昌崗地鐵站以及周邊商業(yè)區(qū)一帶, 地表溫度高達到45 ℃, 熱島效應顯著; 中溫區(qū)主要分布在公路兩側、城鄉(xiāng)結合部地區(qū)、小型商業(yè)區(qū)和居民區(qū)等建筑密度相對較低的區(qū)域; 而珠江水域、白云山、火爐山風景區(qū)以及瀛洲生態(tài)公園等植被覆蓋度很好的地區(qū)的周邊溫度最低。

1.2 地表溫度提取

從地理空間數據云平臺(http://www.gscloud.cn/)獲得覆蓋研究區(qū)的Landsat-5遙感影像, 時間為2011年6月1日和9月21日, 軌道號為122/44。利用Landsat-5影像進行地表溫度反演, 采用覃志豪等人根據地表熱傳導方式提出的單窗算法進行地表溫度反演[21-22]。

圖1 廣州市核心區(qū)位置圖(2011年6月1日地表溫度數據)

Figure 1 Location map of the core area of Guangzhou (surface temperature data of June 1, 2011)

對于 Landsat-5, 可以用 (1) 式求算衛(wèi)星高度的像元亮度溫度:

式中:6為亮度溫度值, 單位為K,DN6為 Landsat-5 第6波段的像元值, 其值域范圍為[0, 255]。6并不是“真實”的溫度, 利用單窗算法將亮度溫度值6中推算出該像元的實際地表溫度T:

式中:T單位為 K;6、6為常量, 一般情況下 (地表溫度在 0—70 ℃范圍內), 取值6= –67.355351,6= 0.458606;6和6是中間變量, 分別用(3)、 (4) 式表示:

式中, ε為地表比輻射率, τ為大氣總透過

率。在本研究中, τ可以用公式(4.6)獲得:

式中,為大氣水分總含量, 它可以從衛(wèi)星拍攝時間內大氣狀況記錄獲得。

根據前人的研究[23-24], 地表比輻射率ε可由公式(6)計算得到:

根據SOBRINO[11], FV由公式(7)計算得到：

1.3 城市綠地提取

本文將研究區(qū)范圍內從遙感影像上可以識別的植被定義為城市綠地[12], 學者們普遍認為城市內部綠地類型破碎化程度較高, 且具有高度的異質性, 需要高空間分辨率的遙感影像進行提取[2]、[25]。因此, 本文以2011年獲取的研究區(qū)航拍影像數據(空間分辨率為0.1米)為數據源, 利用eCognition Developer軟件中的面向對象分類功能進行城市綠地分類, 將研究區(qū)內的林地、綠化用地、耕地等植被類型劃分為城市綠地。結合同年份的野外踏勘調研數據建立混淆矩陣進行分類精度驗證, Kappa系數為0.91, 總體精度達到94.35%。分類結果如圖2所示, 總體上廣州市核心區(qū)的綠地分布呈現出“四周多, 中間少”的特征。綠地主要集中在廣州市北部及東南部郊區(qū)內, 呈塊狀大面積分布。而在城市中心建筑物密集、城市化較高的地區(qū), 植被蓋度較低。該部分區(qū)域綠地斑塊面積小, 綠地分布零散。

1.4 景觀指數選取與統(tǒng)計方法

景觀格局指數主要指空間格局, 包括景觀組成單元的類型、數目以及空間分布與配置, 能夠高度濃縮景觀格局信息, 反映其結構組成和空間配置某些方面特征的簡單定量指標[26-27], 已廣泛用于定量城市綠地格局。本文參考前人的研究成果[2]、[12-13], 設置240 m×240 m網格大小, 計算每個網格內部的平均地表溫度, 同時選取5個常用的景觀格局指數, 分別是CA(斑塊類型面積)、ED(景觀邊界密度)、MSI(平均斑塊指數)、LPI(最大斑塊指數)以及LSI(形狀指數)進行綠地景觀格局分析。

2 結果與分析

2.1 城市熱環(huán)境格局分析

圖2 2011年城市綠地和地表溫度分布圖

Figure 2 Urban green space and surface temperature distribution map in 2011

表1 五個景觀格局指數的相關信息

圖3 6月份地表溫度圖及Lisa圖

圖4 9月份地表溫度圖及Lisa圖

結合6月份和9月份地表溫度Lisa圖可以看出, 廣州市核心區(qū)的地表溫度呈團塊狀分布, 地表高溫地區(qū)以天河區(qū)南部、西部和海珠區(qū)西部、中部最為集聚, 地表低溫地區(qū)以白云區(qū)南部的白云山景區(qū), 天河區(qū)南部的華南植物園、火爐山森林公園、蘿崗區(qū)中部和番禺區(qū)化龍鎮(zhèn)最為集聚; 形成了顯著的植被覆蓋率高地區(qū)的低低集聚和植被覆蓋率低地區(qū)的高高集聚。

結合土地利用可以看出, 呈現高-高空間關聯模式的主要是城區(qū)建設用地和未利用地分布區(qū)的高-高空間關聯模式, 形成了高溫中心; 湖泊等水體和部分綠地呈現低-低空間關聯模式, 形成了低溫中心, 在水體周邊分布一些高溫區(qū)域, 呈現出高-低空間關聯模式; 在城市建設用地中存在著一些低溫區(qū)域, 呈現低-高空間關聯模式, 這是由城市建設用地中存在一些綠地等形成的。熱場除呈現顯著的正相關和負相關外的區(qū)域外, 其余區(qū)域與周圍區(qū)域的熱場分布聯系并不顯著, 這些區(qū)域溫度分布和面積的差異性不是很明顯。

表2 6月份和9月份地表溫度各空間關聯區(qū)面積變化(km2)

2.2 城市綠地降溫效應分析

為了探究城市綠地格局對地表溫度的影響, 本文將研究區(qū)地表溫度與城市綠地景觀格局指數采用傳統(tǒng)回歸線性模型、空間誤差模型以及空間滯后模型三種回歸模型參數進行建模分析, 表3和表4分別為6月份和9月份地表溫度3種回歸模型參數。

表3為6月份地表溫度的傳統(tǒng)線性回歸模型、空間誤差回歸模型、空間滯后回歸模型的分析結果。三種回歸模型采用相同影響因素變量。從表3可以看出, 空間誤差模型的回歸系數比傳統(tǒng)線性模型及空間滯后模型的回歸系數要小, 同時其兩種自變量的顯著性水平較空間誤差模型低, 一些變量的顯著性發(fā)生變化, 傳統(tǒng)線性模型和空間滯后模型中的ED和MSI顯著性不高(>0.05), 空間誤差模型中MSI和LSI顯著性不高(>0.05)。但是空間誤差模型的2和LIK值比傳統(tǒng)線性模型和空間滯后模型的值要大, 表明空間誤差模型要比其余兩種模型有更好的擬合度。由此可見, 傳統(tǒng)線性模型和空間滯后模型由于遺漏了空間誤差自相關而設定的模型不夠恰當。由表4可以看出, 傳統(tǒng)線性模型和空間滯后模型的2和LIK值變化不大, 即剔除不顯著變量后模型的擬合度變化不大, 但空間誤差模型的顯著性水平高于傳統(tǒng)線性模型和空間滯后模型, 這說明空間誤差模型優(yōu)于其余兩種模型。

空間誤差模型體現了引入景觀指數因素對解釋地表溫度效應的作用非常顯著, 這里空間誤差系數值為0.876, 并通過1%的顯著性檢驗, 且誤差項的回歸系數比影響因素的回歸系數大, 說明地表溫度在地理空間的鄰接上客觀表現出較明顯的空間依賴性, 而這種空間依賴性主要通過誤差沖擊的空間傳遞來實現。

表3 6月份地表溫度3種回歸模型參數

注：——空間誤差項的回歸系數; LIK——最大似然對數值;<0.05, 表示變量達到顯著性水平。

表4 9月份地表溫度3種回歸模型參數

注：——空間誤差項的回歸系數; LIK——最大似然對數值;<0.05, 表示變量達到顯著性水平。

表4為9月份地表溫度的傳統(tǒng)線性回歸模型、空間誤差回歸模型、空間滯后回歸模型的分析結果。對比6月份的模型結果, 三種模型的回歸系數都有所減小, 其中9月份的空間誤差模型的回歸系數仍是比其余兩種模型小; 另外, 大部分自變量的顯著性水平明顯(<0.05);2和LIK值都無明顯變化, 表明三種模型的擬合度沒有發(fā)生明顯改變, 但數值較6月份有所增大, 說明三種模型在9月份比6月份的擬合度更好。

從三種擬合模型來看, 兩個月份的地表溫度與形狀指數呈正相關關系, 與面積百分比、平均斑塊指數和最大斑塊指數呈負相關關系。從顯著性的大小來看, 地表溫度與綠地面積百分比的顯著相關性要遠大于與其他景觀格局指數, 隨著綠地面積百分比的增大, 地表溫度明顯降低, 說明增大綠地面積來降低城市地表溫度是城市發(fā)展過程中的重要舉措。

6月份地表溫度與邊界密度在傳統(tǒng)線性回歸模型和空間滯后回歸模型空間中呈正相關關系, 9月份的則呈現負相關關系, 但值均大于0.05, 說明在這兩種模型中地表溫度與邊界密度關系不可取。但在空間誤差模型中, 6月份和9月份地表溫度與邊界密度都呈現正相關關系, 且值均小于0.05, 說明兩個月份的地表溫度與邊界密度顯著相關性大。邊界密度是反映綠地景觀的邊緣效應, 當邊界密度越大時, 即單位格網中綠地斑塊的周長越大, 綠地與城市熱空氣接觸面越大, 越有利于城市降溫。

6月份地表溫度與平均斑塊指數在三種擬合模型中的假設性檢驗值均大于0.05, 但9月份的地表溫度與平均斑塊在傳統(tǒng)線性回歸模型和空間滯后回歸模型中的假設性檢驗值均小于0.05, 且呈現正相關關系, 說明9月份地表溫度與平均斑塊指數呈正相關關系, 平均斑塊指數越大則地表溫度越高。在相同綠地面積下, 將綠地分割得越均勻面積越小降溫效果越弱。因此在城市建設過程中, 我們盡量建設面積大的綠地, 不要分割成小部分。

兩個月份的地表溫度與最大斑塊指數的顯著相關性較大, 最大斑塊指數越大, 即單位面積內面積最大的綠地斑塊所占面積越大, 越有利于綠地與熱空氣接觸來降低城市地表溫度, 因此在城市建設過程中, 為了緩解局地熱環(huán)境,有必要建設大型綠地。

6月份和9月份地表溫度與形狀指數呈正相關關系, 且形狀指數越大, 地表溫度越高。由此得出, 綠地形狀越復雜、扁長, 降溫效果越低, 因此, 在城市規(guī)劃過程中, 我們應盡量建設形狀簡單的綠地。

綜合分析得出, 在城市綠地建設中, 我們要盡量豐富和增大綠地斑塊類型面積, 建立大型形狀簡單的綠地, 同時降低綠地周圍的建筑密度都有利于城市降溫。

3 討論

基于Landsat5/TM遙感影像數據, 本文通過提取廣州市主城區(qū)地表溫度和城市綠地, 利用莫蘭指數分析研究區(qū)熱環(huán)境, 再對比三種空間模型分析城市綠地景觀格局對城市降溫效應的影響, 得出以下結論:

(1) 廣州市核心區(qū)城市熱島強度具有時空差異, 時間差異體現在, 相比于六月份, 雖然九月份地表溫度的空間關聯區(qū)面積都有所減少, 但是高溫區(qū)有向周圍擴散的趨勢, 區(qū)域間地表溫度的相關程度也有所提高; 而低溫區(qū)的地表溫度在關聯面積和擴散程度上均有所衰減。這一現象體現了同一植被覆蓋下, 同一區(qū)域熱島效應的季節(jié)變化規(guī)律: 隨著季節(jié)變化氣溫的升高, 熱島效應顯著?？臻g差異體現在, 地表溫度的高低與區(qū)域的植被覆蓋程度呈現負相關關系, 即植被覆蓋率高的區(qū)域, 熱島效應較弱。而植被覆蓋率較低的區(qū)域, 熱島效應相對較強。

(2) 土地利用狀況對研究區(qū)的城市熱島效應有較大影響, 城市高溫區(qū)的土地利用以建設用地為主, 綠地分布較少且破碎, 城市低溫區(qū)建筑密度小, 綠地和水體分布廣。由此可知, 城市綠地對地表溫度的降溫作用顯著, 且綠地空間聚集度越高, 降溫效應越顯著。

(3) 城市綠地的降溫效應與其斑塊特征有關。三種回歸模型結果表明, 綠地的降溫程度與綠地面積百分比、平均斑塊指數和最大斑塊指數呈正相關關系, 與形狀指數呈負相關關系。

(4) 綠地面積百分比對其降溫程度的影響最顯著, 地表溫度與綠地面積百分比的顯著相關性要遠大于與其他景觀格局指數, 即隨著綠地面積的增大, 降溫效應增強。

依據本文研究結果, 結合前人對城市綠地與熱島效應關系的研究成果, 提出減緩研究區(qū)城市熱島強度的建議:

(1) 改善綠地破碎度

一般認為, 綠地景觀連接度較高的地區(qū), 綠地之間的相互作用越強, 其生態(tài)功能可以得到更大程度的發(fā)揮[28]。根據研究區(qū)景觀格局現狀, 保育生態(tài)網絡中的現有綠地, 改善破碎化、小型綠地斑塊, 依據用地現狀, 重建綠地, 增加綠地斑塊, 建設綠地生態(tài)廊道, 連接破碎化斑塊, 構建綠地生態(tài)網絡, 從而緩解熱島效應。

(2) 提高綠地覆蓋率

相關研究表明, 當一個區(qū)域的植被覆蓋率至少達到40%以上, 才能夠對城市熱島效應產生有效的緩解作用[29-30], 因此提高城市綠化覆蓋率是有效緩解城市熱島效應和優(yōu)化城市綠地格局的重要舉措。充分利用城市內被忽視的如街角、交通島、廣場、停車場等灰色空間, 對其進行綠化[31]; 此外, 在條件允許的情況下, 屋頂綠化、垂直綠化與陽臺綠化能夠彌補地面空間的不足, 提高城市綠化覆蓋率。而在城市用地緊張, 建筑密度比較大的情況下, 屋頂綠化不僅能有效地緩解熱島效應、提高經濟價值, 還具有休閑娛樂功能。

(3) 建設綠地生態(tài)廊道

建設廣州市“綠地生態(tài)廊道”。一般認為, “綠地景觀連接度較高的地區(qū), 綠地之間的相互作用越強, 其生態(tài)功能能得到更大程度的發(fā)揮?！盵32]因此, 建立溝通各分散綠地的生態(tài)廊道尤為必要。在保證合理綠化帶寬度的條件下構建綠地生態(tài)網絡, 一體化各分散綠地; 依靠原有路網和水網建設, 提高各分散綠地間的連接度和連通性; 相同綠地面積的情況下, 提高綠地邊界密度, 建立符合自然生態(tài)演進特征的綠地均能反映城市綠地降溫的生態(tài)效應。

[1] VOOGT J A, OKE T R. Thermal remote sensing of urban climates[J]. Remote Sensing of Environment, 2003, 86(3): 370–384.

[2] ZHOU Weiqi, Wang Jia, CADENASSO M L. Effects of the spatial configuration of trees on urban heat mitigation: A comparative study[J]. Remote Sensing of Environment, 2017, 195: 1–12.

[3] 岳文澤, 徐建華. 上海市人類活動對熱環(huán)境的影響[J]. 地理學報, 2008, 63(3): 247–256.

[4] GALLO K P, OWEN T W. Satellite-based adjustments for the urban heat island temperature bias[J]. Journal of Applied Meteorology, 1999, 38(6): 806–813.

[5] HONDULA D M, GEORGESCU M, BALLING R C. Challenges associated with projecting urbanization-induced heat-related mortality[J]. Science of The Total Environment, 2014, 490: 538–544.

[6] 肖榮波, 歐陽志云, 李偉峰, 等. 城市熱島的生態(tài)環(huán)境效應[J]. 生態(tài)學報, 2005, 25(8): 2055–2060.

[7] 孔繁花, 尹海偉, 劉金勇, 等. 城市綠地降溫效應研究進展與展望[J]. 自然資源學報, 2013, 28(1): 171–181.

[8] 邱海玲, 朱清科, 武鵬飛. 城市綠地對周邊建設用地的降溫效應分析[J]. 中國水土保持科學, 2015, 13(1): 111–117.

[9] 王勇, 李發(fā)斌, 李何超, 等. RS與GIS支持下城市熱島效應與綠地空間相關性研究[J]. 環(huán)境科學研究, 2008, 21(4): 81–87.

[10] 章莉, 詹慶明, 藍玉良. 武漢市居住用地綠地降溫效應研究[J]. 2018, 中國園林, 34(4): 47–53.

[11] SOBRINO J A, Jiménez-Mu?oz J C, PAOLINI L. Land surface temperature retrieval from LANDSAT TM5[J]. Remote Sensing of Environment, 2004, 90(4): 434–440.

[12] GUO Guanhua, Wu Zhifeng, Chen Yingbiao. Complex mechanisms linking land surface temperature to green space spatial patterns: Evidence from four southeastern Chinese cities[J]. Science of The Total Environment, 2019, 674: 77–87.

[13] 袁振, 吳相利, 臧淑英, 等. 基于TM影像的哈爾濱市主城區(qū)綠地降溫作用研究[J]. 地理科學, 2017, 37(10): 1600–1608.

[14] ZHOU Weiqi, HUANG Ganlin, CADDENASSO M L. Does spatial configuration matter? Understanding the effects of land cover pattern on land surface temperature in urban landscapes[J]. Landscape and Urban Planning, 2011, 102(1): 54–63.

[15] 鄭祚芳, 范水勇, 王迎春. 城市熱島效應對北京夏季高溫的影響[J]. 應用氣象學報, 2006, 17(S1): 48–53.

[16] 龔建周. 快速城市化進程中廣州城市生態(tài)安全的動態(tài)特征[J]. 廣州大學學報(自然科學版), 2009(1): 75–81.

[17] 郭冠華, 陳穎彪, 龔建周, 等. 廣州市城鄉(xiāng)交錯帶土地覆被景觀格局時空分異[J]. 熱帶地理, 2010, 30(6): 609–614.

[18] WU Zhiyong, ZHANG Yuqiang, ZHANG Leiming, et al. Trends of outdoor air pollution and the impact on premature mortality in the Pearl River Delta region of southern China during 2006–2015[J]. Science of The Total Environment, 2019, 690(10): 248–260.

[19] 鄧玉嬌, 王捷純, 何全軍, 等. 基于MODIS資料分析近15年廣州城市熱島特征及演變規(guī)律[J]. 熱帶氣象學報, 2018, 34(6): 37–44.

[20] 龔建周, 夏北成, 郗風江. 廣州市飲用水源保護地土地利用格局與水安全[J]. 資源科學, 2009, 31(1): 101–109.

[21] 錢樂祥, 丁圣彥. 珠江三角洲土地覆蓋變化對地表溫度的影響[J]. 地理學報, 2005, 60(5): 761–770.

[22] QIN Zhihao, KARNIELI A, BERLINER P. A mono- window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2001, 22(18): 3719–3746.

[23] NICHOL J E. Visualization of urban surface temperatures derived from satellite images[J]. International Journal of Remote Sensing, 1998, 19(9): 1639–1649.

[24] NICHOL J E, FUNG W Y, LAM K S, et al. Urban heat island diagnosis using ASTER satellite images and ‘in situ’ air temperature[J]. Atmospheric Research, 2009, 94(2): 276–284.

[25] LI Xiaoma, ZHOU Weiqi, OU Yang, et al. Relationship between land surface temperature and spatial pattern of greenspace: What are the effects of spatial resolution?[J]. Landscape and Urban Planning, 2013, 114: 1–8.

[26] TURNER, MONICA G. Landscape ecology in North America: past, present, and future[J]. Ecology, 2005, 86(8): 1967–1974.

[27] WAGNER H H, FORTIN M. Spatial analysis of landscapes: concepts and statistics[J]. Ecology, 2005, 86(8): 1975– 1987.

[28] 李虹. 區(qū)位因素對綠地緩解熱島效應的影響研究與實證分析[D]. 北京: 北京林業(yè)大學, 2016.

[29] 苗世光, 王曉云, 蔣維楣, 等. 城市規(guī)劃中綠地布局對氣象環(huán)境的影響——以成都城市綠地規(guī)劃方案為例[J]. 城市規(guī)劃, 2013, 37(06): 41–46.

[30] SHASHUA-BAR L, HOFFMAN M E. Vegetation as a climatic component in the design of an urban street[J]. Energy & Buildings, 2000, 31(3)：221-235.

[31]薛濱夏, 李同予, 王利會, 等. 應對熱島效應的城市綠地格局優(yōu)化策略研究[J]. 城市建筑, 2018, 302(33): 89–94.

[32] 彭璽, 劉新宇, 徐云, 等. 緩解熱島效應的措施分析初探[J]. 現代園藝, 2017(17): 112–114.

Cooling effect of urban green space of Guangzhou core area

LIN Bingyu1, YANG Xinyi1, ZHANG Yingshi1, WU Lingling1, WANG Yu1, GUO Guanhua1,2,*

1. School of Geographical Sciences, Guangzhou University,Guangzhou 510006, China 2. Southern Marine Science and Engineering Guangdong Laboratory, Guangzhou 511458, China

While urbanization is rapidly advancing social and economic development, it also causes serious urban thermal environmental problems. Green space is regarded an effective way to reduce urban temperature. In this study, the core urban area of Guangzhou was selected as study site. Urban surface temperature in June and September in 2011 was extracted based on Landsat-5 remote sensing images, and urban green space information was examined with high-resolution image. The cooling impacts of urban green landscape pattern on urban surface temperature was studied with GIS spatial analysis. The results show that the spatial heterogeneity of urban surface temperature in the study area is very strong in June and September. The Moran's I results show that the temperature concentration is higher in September, and the areas of low-low spatial correlation mode decreases with time. Compared with the linear regression model and spatial lag model, the spatial error model explores the influence of urban green space pattern on surface temperature better, and the decision coefficient (2) value of the spatial error model is 20% higher than that of the other two models. The spatial error model results show that the percentage of green space area, Mean Patch Size (MPS) and Largest Plaque Index (LPI) are negatively correlated with surface temperature, while Edge Density (ED) and Largest Shape Index (LSI) are positively correlated.

urban green space; landscape pattern; urban heat island; remote sensing image; Guangzhou

10.14108/j.cnki.1008-8873.2021.02.004

S157.2

A

1008-8873(2021)02-026-09

2019-10-10;

2019-12-03

國家自然科學基金項目(41701204, U1901219); 大學生創(chuàng)新訓練項目-國家級(201811078017); 南方海洋科學與工程廣東省實驗室(廣州)人才團隊引進重大專項(GML2019ZD0301)

林冰鈺(1999—), 女, 本科生, 主要從事城市熱環(huán)境研究, E-mail: crazylinby@163.com

郭冠華(1986—), 男, 講師, 主要從事城市景觀生態(tài)遙感分析、城市熱環(huán)境時空分析等方面研究, E-mail: geoggh@gzhu.edu.cn

林冰鈺, 楊心怡, 張穎詩,等. 廣州市核心區(qū)城市綠地降溫效應研究[J]. 生態(tài)科學, 2021, 40(2): 26–34.

LIN Bingyu, YANG Xinyi, ZHANG Yingshi, et al. Cooling effect of urban green space of Guangzhou core area[J]. Ecological Science, 2021, 40(2): 26–34.