王子安，孟慶巖，張琳琳，胡蝶，楊天梁

(1 中國科學院空天信息創(chuàng)新研究院， 北京 100101；2 中國科學院大學， 北京 100049； 3 中國科學院空天信息創(chuàng)新研究院海南研究院， 海南 三亞 572029; 4 三亞中科遙感研究所， 海南 三亞 572029)

隨著城鎮(zhèn)化進程的不斷加快，原有地表覆被中的土壤、綠地、水體等自然景觀類型逐步減少，并被建筑物、道路等不透水面代替，造成城市溫度明顯高于城郊區(qū)(縣)的現象，為城市熱島(urban heat island, UHI)[1]，致使城市熱島形成和加強的效應為城市熱島效應。城市熱島效應存在諸多負面影響，如使城市環(huán)境惡化，人體產生疾病，甚至還會威脅到全球氣候[2]，所以研究城市熱島發(fā)展趨勢，模擬預測其未來演變情況刻不容緩。

目前，對城市熱島效應的研究，主要包括城市熱島時空演變[3-5]、成因機制[6-8]、環(huán)境影響[9-11]與模擬預測[12-14]等。其中，在城市熱島數值模擬預測方面，使用較多的方法主要包括4類：1)引入灰色系統(tǒng)理論，運用灰色關聯度分析法定量計算城市熱環(huán)境影響因子的貢獻率[15-17]；2)以熱力學和動力學為基礎，利用邊界層數值模式(一維、二維、三維)，模擬城市熱島的現狀與趨勢[18-20]，包括回歸分析等數學模擬方法[21]；3)應用中尺度大氣模式模型模擬運算復雜的城市環(huán)境演變過程，最終模擬城市熱環(huán)境[22-24]；4)通過使用馬爾可夫(Markov)模型、元胞自動機(cellular automata, CA)等預測模型模擬城市熱環(huán)境的分布情況。上述方法為城市熱環(huán)境的研究提供了新視角，同時如何提高城市熱環(huán)境演變的準確性將成為新的挑戰(zhàn)。本研究將CA模型對復雜系統(tǒng)空間進行模擬的功能與Markov模型對時間序列敏感的優(yōu)勢相結合，該模型在土地利用及覆被變化的演變過程已較成熟[25-27]，但在預測分析城市熱環(huán)境的相關研究還較少，因此模型欠缺可推廣性。

如何緩解城市熱島并提出相應措施是當前研究的核心問題，國內外研究者已獲得一些科研成果。最廣泛認可的解決方案是增加每單位綠色植物的數量[28-30]。如Gallo等[31]利用國家海洋和大氣管理局系列氣象衛(wèi)星上搭載的4通道輻射計(NOAA/AVHRR)數據采集地表輻射溫度與植被指數，對地表溫度與植被指數關系進行了研究，得出二者存在較強的線性關系。然而，由于城市的快速擴張，如何在充分利用綠地的同時，合理增加建筑物等不透水面面積來調節(jié)城市溫度，仍然是一大難題。已有較多文獻得出城市熱島效應的增強或地表溫度的升高與建設用地等不透水面面積的增大密不可分，甚至有較強的推動作用[32-34]。但是，上述研究側重于單變量的變化在時間維度上的對比分析，忽略了其他因素對城市熱環(huán)境的共同影響作用，其結果較為片面。本文將綜合考慮不透水面和綠地指數，研究其與城市熱環(huán)境的關系。

綜上，鮮有模型能構建城市熱環(huán)境的時空格局演變，并將其特征凸顯出來，且缺乏多因素對城市熱環(huán)境的變化研究?；诖?，本文以海口市為例，采用2000—2018年Landsat遙感數據反演地表溫度，構建CA-Markov模型進行城市熱島模擬與預測，并用適宜性圖集修正相關的模型參數，對2024年熱島強度的發(fā)展趨勢進行預測，同時引入Kappa系數評價解譯精度。最后通過多元線性回歸模型，分析城市熱島強度與歸一化差值植被指數(normalized difference vegetation index，NDVI)、歸一化差值建成指數(normalized difference built-up index，NDBI)的相關關系，以期為城市規(guī)劃部門制定城市未來發(fā)展方向的相關政策提供參考。

1 研究區(qū)與數據源

1.1 研究區(qū)概括

?？谑惺呛Ｄ鲜∈靥幹袊A南地區(qū)海南島的北部(19°31′～20°06′N，110°10′～110°42′E)，屬熱帶海洋季風氣候。國家“一帶一路”倡議支點城市，是海南省政治、經濟、文化、科技中心，也是最大的交通樞紐。在2015年通過的“多規(guī)合一”實施方案中，明確表示要充分利用 “海綿城市”開辟一個全新的市域一體化空間布局。近年來，伴隨著旅游業(yè)的發(fā)展，?？谑谐鞘谢ㄔO步伐加快，不透水面面積持續(xù)擴張，人口密度與城市規(guī)模越來越大，環(huán)境污染問題日益嚴峻，其中城市熱島效應為最顯著問題之一[35-36]。

1.2 數據源與數據預處理

選取Landsat5 TM與Landsat8 OLI/TIRS遙感數據作為城市熱島研究對象，數據可從美國地質調查局(United States Geological Survey,USGS)網站(www.earthexplorer.usgs.gov)直接獲取。Landsat5 TM數據熱紅外波段的空間分辨率為120 m，而Landsat8 OLI/TIRS數據熱紅外波段的空間分辨率為100 m，為了光學存儲和使用將原始數據重采樣到30 m。將所有Landsat熱紅外數據做重采樣到與Landsat 8地表溫度數據分辨率一致。由于 2000—2018 年?？谑?—9月份的夏季 Landsat數據存在不同地區(qū)、不同程度的云覆蓋嚴重的現象，對于整幅影像來說，可用數據缺乏，因此選擇云覆蓋率小于30%，適合進行地表溫度反演的數據(成像時間為2000年11月7日、2008年11月29日、2016年12月5日、2018年5月17日)作為本研究的數據使用。

輔助數據為?？谑行姓^(qū)劃矢量數據、土地利用現狀圖。采用監(jiān)督分類的方法得各個年份的土地利用與覆被類型分類圖。利用ERDAS軟件實現幾何校正，采用雙線性插值的二階多項式變換進行重采樣，手動選擇33個地面控制點，得到的幾何配準誤差小于一個像素的Landsat數據(30 m)。

2 研究方法

首先基于輻射傳輸方程法對Landsat數據進行地表溫度反演，采用城郊溫差法計算城市熱島強度范圍，依據可變閾值的方法進行熱島強度分級，對其進行時空分布特征分析。借助CA-Markov模型模擬預測未來城市熱島強度的時空演變規(guī)律，并驗證預測結果的可信度。最后利用波段運算計算NDVI、NDBI標準化指數，分別與城市熱島強度進行多元線性回歸分析，并提出相應的緩解措施。

2.1 地表溫度反演與等級劃分

利用輻射傳輸方程法估算地表溫度。根據輻射傳輸模型，衛(wèi)星傳感器接收到的熱紅外輻射亮度值的表達式為

(1)

Lsensor=Gain*DN+Offest，

(2)

Gain=(Lmax-Lmin)/Quantize，

(3)

Offest=Lmin，

(4)

式中：Gain為增益值，Offest為偏置值；Quantize為量化級數。進而，利用典型地表比輻射率組合的方法估計地表比輻射率ε[37]。本文將地表地物類型視作由城鎮(zhèn)、水面和自然表面構成。水面的結構較單一，εw為0.995；城鎮(zhèn)可以看作由建筑物和道路構成，簡化為植被與建筑物的混合地表；自然表面可以看成由陸地表面、林業(yè)用地和農田等構成，所以可粗略地將地表分為裸露的土壤、植被完全覆蓋的地表、植被和裸土共同構成的混合地表。具體計算方法如下：

Landsat數據預處理后，分別計算歸一化植被指數NDVI、歸一化水體指數NDWI與歸一化建筑指數NDBI。利用NDWI指數掩膜水體，其次根據NDBI指數設置合適的閾值將影像數據分為自然表面與城鎮(zhèn)表面。自然表面εnature與城鎮(zhèn)表面εbuilt-up的計算方法如下：

εnature=fcRvεv+(1-fc)Rsεs+dε，

(5)

εbuilt-up=fcRvεv+(1-fc)Rmεm+dε，

(6)

式中：εv為植被的地表比輻射率，取其為0.986；εs為裸土的地表比輻射率，取其為0.972；εm為建筑物純像元的地表比輻射率，取其為0.970；Rv為植被的溫度比率，Rs為裸土的溫度比率，Rm為建筑物的溫度比率；fc為植被覆蓋度。相關參數計算方法如下:

Rv=0.933 2+0.058 5fc，

(7)

Rs=0.990 2+0.106 8fc，

(8)

Rm=0.988 6+0.128 7fc，

(9)

fc=(NDVI-NDVImin)/(NDVImax-NDVImin).

(10)

最后根據美國國家航空航天局(NASA)官網中提供的大氣上下行輻射、大氣路徑的透過率τ，可根據式(1)反推地表真實溫度Ts

Ts=K2/ln(K1/B(Ts)+1)，

(11)

式中K1、K2為定標常數。對于陸地衛(wèi)星Landsat，依據其不同的影像掃描類型，參數的取值不同。根據去云結果，選取?？谑斜辈繀^(qū)域，得到2000—2018年?？谑械乇頊囟犬a品4景，如圖1所示。

圖1 Landsat數據反演海口市地表溫度圖

在得到反演的地表溫度數據后，將此溫度數據與相應亮度溫度(brightness temperature)進行差值處理，差值數據如表1所示。由于亮度溫度是沒有考慮大氣和地表等因素，其溫度往往要比實際地溫低。對比標準差和平均值，反演精度較可靠，但由于缺乏詳細的溫度相關數據，如每個區(qū)(縣)的相關溫度數據，反演精度還有待提高。

表1 海口市地表溫度與亮度溫度數據差值

進而計算城市熱島強度(urban heat island intensity,UHII)，選擇城郊溫差法計算熱島強度[38]。參考現有的研究方法將地表溫度近似視為城市溫度，郊區(qū)溫度選擇背景為農田區(qū)域的平均值[39-41]。本研究將具有以下特點的區(qū)域作為農田區(qū)域背景：土地利用和覆被變化分類系統(tǒng)中，將除建設用地、水體和山區(qū)以外的地區(qū)定義為農村地區(qū)[42-43]。根據此篩選條件得農村背景地區(qū)范圍，進而疊加溫度圖，計算平均值作為郊區(qū)溫度。基于此，得熱島強度計算公式如下

(12)

式中:UHIIi為像素i在圖像上對應的熱島強度(K)，Ti為像素i的地表溫度(K)，n為鄉(xiāng)村背景區(qū)域像素總數，Tbj為像元j在農村區(qū)域內的比較。為反映城市熱島強度空間分布特征，采用可變閾值的方法[44]將城市熱島強度劃分為5個等級。此級別劃分方式可有效防止由于極端天氣狀況導致的熱島強度差別較大的情況。

2.2 CA-Markov模型建構與檢驗

將元胞自動機模型和馬爾科夫模型相結合，在時間和空間兩個維度上進行動態(tài)演變分析，該模型在模擬預測土地利用分類、人口動態(tài)演變等地理過程已較成熟[45-46]。將其應用到城市熱島模擬中，可表示為

St+1=f(St,N)，

(13)

式中：St與St+1表示不同時刻元胞狀態(tài)，N代表鄰域，f代表轉換規(guī)則。將熱島強度等級分布圖作為元胞空間，每一個柵格像元作為一個元胞，具體構建過程借助IDRISI17.0軟件進行。

以年為單位，根據已有的數據基礎，將起始時間設為2008和2016年，時間間隔均為8 a，分別模擬2016年和2024年的城市熱環(huán)境分布。首先確定轉移矩陣，利用Markov模型制作2000—2008年和2008—2016年熱島強度等級的面積及概率轉移矩陣。其次，采用監(jiān)督分類的方法將?？谑?008和2016年土地覆被類型解譯為6類，分別是草地、林地、耕地、水體、建設用地和裸露地，其中建設用地包括商業(yè)、住宅、道路、文化和工業(yè)用地。進而生成適宜性圖集，由于城市熱島與下墊面類型關系密切[47-48]，可根據土地利用和覆被變化類別預測計算熱環(huán)境的發(fā)展趨勢，本研究在多目標決策模擬模塊中將林地和水體當做模擬的限制條件，并根據各土地覆被類型確定其對城市熱島的貢獻率，經反復試驗后，采用層次分析法將耕地的權重設為0.2，建設用地設為0.3，裸露地設為0.4，草地設為0.1，最后根據權重值取交集，得適宜性圖集，其值域為0～255。此外，設定某元胞的狀態(tài)受到該元胞周圍5×5元胞構成行列式的影響，且循環(huán)次數設成8。

投資人通過SNS和互聯網的傳播特性將資金進行全面整合，這就是所謂的眾籌融資。眾籌融資可以為社會團體、個人以及中小企業(yè)提供融資渠道。眾籌投資具有依靠群眾力量、注重創(chuàng)意、低門檻以及多樣性等特點?，F階段國家鼓勵人們進行創(chuàng)業(yè)，社會中也出現了不少有創(chuàng)新、有想法的項目，要想讓這些創(chuàng)意以品牌的形式發(fā)展起來，必須要有充足的資金進行支撐。在這種情況下，眾籌融資的作用越來越凸顯，相關平臺會對創(chuàng)業(yè)人的創(chuàng)意進行審核，只要創(chuàng)意審核通過，創(chuàng)業(yè)人員就可以得到相應的創(chuàng)業(yè)資金。

使用Kappa系數指標來評價結果解譯精度[49]。即通過模擬2016年熱島強度的實際值與模擬值，得相應Kappa指數來定量評價模擬結果：

(14)

(15)

(16)

式中：Po，Pp與Pc分別為實際狀況、理想狀況與隨機狀況下建模正確的百分比，n1與n分別為模擬結果正確的柵格數目和研究區(qū)柵格總數，N為熱島強度等級級數。當Kappa系數<40%時，兩幅圖像之間的一致性較差，模擬精度較低；當Kappa系數為40%～75%，表示兩幅圖像之間誤差比較明顯，模擬結果不夠理想；當Kappa系數>75%時，認為兩幅圖像之間一致性較高，模擬結果可信度較高[50]。

2.3 標準化指數計算

多種因素影響城市熱島，但其主要與下墊面的類型因素有關，即地表覆蓋類型。本文認定由植被、水體及建筑物3種地表覆蓋類型構成?？谑蟹秶?，由于?？谑兴w所占有的面積相對于其他地表地物覆蓋類型的面積比例相對較小，即對城市熱島強度UHII影響不大，而主要影響?？谑蠻HII的地表地物是植被和城市建筑物。故利用標準化指數NDVI和NDBI來表征土地利用及覆被類型，并量化土地利用及覆被類型與UHII之間的關系。NDVI是增強植被信息最廣泛應用的植被指數之一[51]，通過將植被與水和土壤分開來反映植被覆蓋率[52]。NDBI是一種常用的增強建筑信息和提取城市建成區(qū)用地的指標之一[51]，是描述土地開發(fā)、城市化和地表參數的重要分析工具[53]。NDBI和NDVI的數值計算是采用ENVI中的Band Math輔助工具展開。

2.3.1 歸一化差值植被指數NDVI

NDVI是利用可見光和近紅外反射率來確定植被豐度的物理量[54-57]，如下所示

(17)

式中：ρNIR和ρRED分別代表可見光紅色波段(0.63～0.69 μm )和近紅外波段(0.76～0.90 μm)的反射率。在TM/ETM+圖像中，ρNIR為波段4的反射率，ρRED為波段3的反射率；在OLI圖像中，ρNIR為波段5的反射率，ρRED為波段4的反射率。該公式產生的值為[-1，1]，其中較小的正值與裸土有關，較大的正值與植被有關，負值或接近零值表示與非植被表面特征有關，如水、云和雪[34,58]。

2.3.2 歸一化差值建成指數NDBI

NDBI是根據近紅外和短波紅外反射率評估建成區(qū)(包括裸露的荒地)的另一種衛(wèi)星衍生指數[59]。為了檢驗城市建成區(qū)對UHII的影響，可使用以下公式計算

(18)

3 結果與分析

3.1 熱島強度時空變化分析

采用可變閾值的方法對熱島強度進行分級得等級空間分布圖，如圖2所示。由圖可知，3期遙感數據的熱島效應都較明顯。?？诔侵行?、西海岸區(qū)域，尤其在國興大道及附近一帶為熱島、強熱島地區(qū)，正常島主要分布于中部偏南的龍橋鎮(zhèn)、永興鎮(zhèn)等地，這一區(qū)域后期發(fā)展不確定因素較多。綠島、冷島主要分布在南部云龍鎮(zhèn)附近，這一區(qū)域屬于原生態(tài)環(huán)境，主打內容是度假養(yǎng)生。

圖2 2000—2016年?？谑袩釐u強度等級空間分布圖

具體而言，2000年強熱島區(qū)域主要分布于瓊山區(qū)、龍華區(qū)及秀英區(qū)北部，這些區(qū)域人口密度較高，也是?？谑械慕洕l(fā)展中心。到2016年，強熱島、熱島區(qū)域逐漸向周邊城區(qū)擴散，這可能與城鎮(zhèn)化進程的發(fā)展有關，尤其是瓊山區(qū)強熱島區(qū)域范圍明顯增加。各時期的冷島、綠島及正常島主要分布在植被覆蓋率較高的南部區(qū)域。熱島強度增強變化明顯的區(qū)域主要集中在瓊州海峽沿岸、南渡河西岸以及高鐵周圍，該區(qū)域主要由2000年的冷島、綠島轉變?yōu)?016年的熱島、強熱島；而南渡河東岸及南部都出現了較大的降溫趨勢，即熱島強度等級下降。這說明?？谑性诔鞘谢l(fā)展進程中，瓊州海峽及南渡河西部發(fā)展較快，熱島分布隨城鎮(zhèn)化的擴展而擴散。

進一步統(tǒng)計各熱島等級的面積轉化，由表2可知，冷島面積減少33.9 km2；綠島面積從188.28 km2增加到226.924 km2，增加了38.64 km2，且占32.18%的比重，是16年中變化最大的；正常島減少14.08 km2，熱島減少2.26 km2，基本保持不變；強熱島增加11.60 km2。?？谑性诔鞘薪ㄔO的同時，對于生態(tài)保護的地區(qū)開發(fā)較多，但是在整個熱島效應較強的地區(qū)，熱島與強熱島面積增加得相對不多，說明?？谑性诮洕l(fā)展的同時，也兼顧了部分的環(huán)境效益。

表2 2000—2016年?？谑袩釐u強度等級統(tǒng)計值

由表3各熱島強度等級轉移矩陣可知，2000—2008年有50%左右的冷島保持不變，有22.29%的部分是由綠島轉換來的，原因主要是冷島絕大區(qū)域為湖泊及河流，開辟遠景有限，在調節(jié)范圍內溫度轉變幅度較?。痪G島轉出概率為58.38%，大部分區(qū)域轉成冷島和正常島，但其他熱島強度類型轉換較少，這可能與該地區(qū)內的開發(fā)建設速度緩慢有關；正常島變化較大，轉出概率為71.84%，其中30.74%轉換成綠島，24.87%轉為熱島；熱島和強熱島僅有30%左右保持不變，熱島有24.53%轉變?yōu)檎u，強熱島有35.36%向熱島轉變。由此可得熱島強度等級向低等級轉化較多，向高等級轉化較少，說明?？谑性诔鞘薪ㄔO的同時兼顧了綠化，導致熱島強度加劇現象并不強烈，但是對水體或生態(tài)用地保護不夠完善，導致冷島的部分減少。2008—2016年熱島強度等級轉移有以下幾大特點：冷島轉換為其他熱島強度等級較多，占有54.61%的比率，大部分區(qū)域轉換為綠島和正常島，可能與這一時期開發(fā)建設較大有關；綠島中有16.24%的冷島和18.26%的正常島轉化而來，熱島中有18.79%轉為強熱島，強熱島有40.81%轉為熱島。

表3 熱島強度等級轉移矩陣

3.2 CA-Markov模型的熱島強度預測

3.2.1 模擬結果及精度分析

利用CA-Markov模型模擬2016年熱島強度等級分布圖，并與反演得到的2016年熱島強度等級分布圖進行精度驗證，如圖3所示。利用ArcGIS空間分析工具，分別統(tǒng)計各熱島強度等級實際反演結果與利用CA-Markov模型模擬中的柵格數量(表4)。

圖3 2016年海口市熱島強度等級結果圖

表4 2016年?？谑袩釐u強度等級模擬精度

2016年熱島等級模擬效果最佳，達到93.46%，強熱島次之，正常島、綠島模擬正確率低于80%，究其原因可能是其受自然因素干擾較大，如各個季節(jié)的氣象條件、氣候變化的可預測性較差。冷島模擬正確率達到73.25%，該誤差可能與數據處理過程、相關參數設置等有關。進而在CROSSTAB模塊中將模擬得到的2016年熱島強度等級分布圖與實際圖疊加，取交集部分計算Kappa系數，為80.49%(>75%)，模擬結果可信度較高。

3.2.2 預測結果分析

根據2008年模擬預測2016年?？谑袩岘h(huán)境分布，將其模擬值與實際值數據進行對比，模擬精度較高，表明可對2024年?？谑羞M行模擬預測分析。利用CA-Markov模型模擬預測?？谑?024年熱島強度等級，如圖4所示。由圖中可以看出，熱島和強熱島區(qū)主要分布在秀英區(qū)西海岸及江東新區(qū)等主城區(qū)。正常島占據面積較大，主要分布在建成區(qū)的邊緣地帶，而冷島大部分是河流，還有少數湖泊地區(qū)，綠島零星分布于湖泊及其周邊。2016年熱島強度各等級分布較為分散，可能是由于城市處于建設初期，更大地依賴于交通、能源等交通網，致使城市斑塊呈離散狀分布。與2016年熱島強度等級分布相比，2024年熱島強度變化劇烈的地區(qū)主要分布在瓊山區(qū)、龍華區(qū)及美蘭區(qū)的中北部及其外圍，原因可能與隨著城市化進程的加快，該時間段內開發(fā)及建設速度較快有關。

圖4 2024年?？谑谐鞘袩釐u強度預測圖

通過2016年反演熱島強度范圍的模擬值和實際值表明，CA-Markov模型能夠較好地模擬城市熱島的空間分布情況，但是會存在錯分區(qū)域，這主要與選擇5×5的行列式濾波器直接影響到中心元胞的狀態(tài)有關，造成中心元胞的不穩(wěn)定。同時，研究將水體這一土地利用類型設為約束條件，僅考慮除水體外的其他土地利用類型的作用，較2008年相比，由于水體的面積減少，即冷島面積減少，相應地轉成綠島、正常島等其他熱島強度范圍。根據結果可知，模擬預測的結果是否準確與轉換規(guī)則密不可分，而目前存在的模型轉換規(guī)則無法得到非線性的因素，如間斷型變量對熱島強度產生的影響，所以需要進一步結合神經網絡等深度學習算法對模型進行優(yōu)化，這也是今后本研究的研究重點。

統(tǒng)計2024年各熱島強度等級柵格數如表5，冷島急劇減少18.97%，減少的區(qū)域大部分轉換為綠島和熱島，分別增加了10.33%和7.61%。正常島所占比例最多，且增長速度較快，變化較為劇烈，原因可能是由于人為因素所導致的。強熱島面積變化較小，熱島面積中存在部分區(qū)域轉為正常島，但總體來說熱島強度增大。從預測結果看，?？谑谐鞘袩釐u強度呈正向變化趨勢明顯。因此，如果不采取相應對策和措施，城市熱島效應將進一步加劇，這將對?？谑芯用窠】岛铜h(huán)境等帶來不利影響。需要指出的是，此處的預測結果不涉及人工熱排放等造成的影響。

表5 2016—2024年?？谑谐鞘袩釐u強度等級變化值

為進一步分析熱島強度演變的趨勢方向及分布變化，利用ArcGIS 10.2方向分布工具計算2016與2024年熱島強度的標準差橢圓，如圖5所示，并生成表示熱島強度中心位置的重心點。標準差橢圓的長半軸表示熱島強度分布與發(fā)展的方向，短半軸表示熱島強度的分布范圍，短半軸越短，表示數據呈現的向心力越明顯；反之，短半軸越長，表示數據的離散程度越大。長短半軸的值差距越大，即扁率越大，表示數據的方向性越明顯。反之，如果長短半軸越接近，表示方向性越不明顯。如果長短半軸完全相等，即為一個整圓，其沒有任何的方向及分布特征。

由圖5可以看出，熱島重心有向東南方向移動的趨勢，移動方向大致與趨勢橢圓長軸方向一致，主要原因是龍華區(qū)、瓊山區(qū)、美蘭區(qū)中南部大規(guī)模的開發(fā)建設使得熱島增強。2016年熱島強度標準差橢圓短半軸較長，說明在此期間熱島強度離散化程度較大，即各個區(qū)域均有熱島分布，這與上述研究相一致，離市中心越近熱島分布越聚集。2024年熱島強度標準差橢圓長短半軸的差距增大，表明熱島強度的分布方向性較明顯，即有向分散方向發(fā)展的趨勢。綜上，2016—2024年熱島強度整體的發(fā)展趨勢呈現西北—東南方向，且有向北—南方向靠攏的趨勢，其與旅游業(yè)的發(fā)展不無關系。

圖5 2016和2024年海口市熱島重心和標準差橢圓圖

3.3 城市熱島強度與標準化指數回歸擬合關系

本文基于2000—2018年Landsat數據，首先進行三步預處理工作，分別是對水體進行掩膜、穗帽變換(TC變換)和輻射定標，進而計算標準化指數NDVI和NDBI。將城市熱島強度作為因變量，標準化指數NDVI和NDBI作為自變量，以圖像的每一個像元為單元，建立單因素線性回歸與多元線性回歸方程。

3.3.1 單因素線性回歸

以往的研究發(fā)現NDVI在一定區(qū)域的分布可以緩解熱島效應，NDVI越密集，降溫效果越好。為了掌握NDVI與UHII的規(guī)律，本研究在提取NDVI的基礎上，通過與相應區(qū)域UHII進行疊加分析，得到空間相關關系，如圖6(a)～6(d)所示。

從圖6(a)～6(d)可得，在4個年份UHII均與NDVI有較強的負相關關系。同一區(qū)域的NDVI指數越高，UHII越低?；貧w方程均通過了p<0.01顯著性檢驗，即在99%的顯著性水平下顯著。但不同時間的空間分布和發(fā)展水平不同，擬合方程反映出明顯的差異。與2008年11月相比，2016年12月的NDVI線性擬合關系變化更劇烈，說明在相同的植被覆蓋度變化范圍內，后者對UHII響應更明顯。除此之外，NDVI的值多分布在零值偏右側的位置，說明海口市的植被覆蓋度較高，從2013年開始，大部分NDVI值開始向零值靠近，到2016年絕大部分NDVI值開始向負值趨近，說明海口市的植被覆蓋度有降低趨勢。根據前文對?？谑谐鞘袩釐u的研究也可以得出，2008—2016年?？谑袩釐u面積比2000—2008年熱島面積增加得多，這也從側面印證了地表植被有緩解熱島效應的作用。

由圖6(e)～6(h)可以看出隨著NDBI值升高，UHII值變高，說明地表建筑物覆蓋對城市熱島效應起促進作用。且NDBI和UHII的相關性最大可達0.713，說明UHII的變化與下墊面有較強的相關關系。隨著時間的增加，?？谑蠳DBI與UHII關系變化明顯增大，說明?？谑袕?008—2018年城鎮(zhèn)化明顯。由此可知，?？谑械某鞘袩釐u效應有增加趨勢，應當采取相應的措施。

3.3.2 多元線性回歸

經單因素線性回歸分析發(fā)現，UHII與NDVI、NDBI之間的關系顯著。為進一步研究綜合關系，本文在統(tǒng)計軟件中將各年UHII與標準化指數進行多元線性回歸分析[60]，進而比較單因素線性回歸的R2及多元線性回歸分析的R2，如表6所示。發(fā)現對比于單因素而言，NDVI和NDBI指數共同描述UHII更加準確。究其原因，可能是由于諸多因素影響地表下墊面[61]，單因素的分析往往忽略了多因素對UHII的共同作用，如果僅關注其中的一類參數，其結果較為片面。

表6 單因素分析與多元線性回歸分析比較

通過多元線性回歸最優(yōu)擬合方程(表6)可以看出，標準化指數(NDVI與NDBI)是UHII兩個重要的影響因素，也就是綠地與不透水面和城市熱島強度密切相關。而且，UHII與NDVI 呈負相關，與NDBI 呈正相關，這與單因素回歸的結果(圖6)一致。但 NDVI與NDBI 指數的系數與單因素回歸分析相比有較大差別。在多元線性回歸分析中，NDBI 每升高0.1，將造成 0.20～1.42 ℃ 的城鄉(xiāng)地區(qū)地表溫度差；而NDVI每升高0.1，城鄉(xiāng)地區(qū)地表溫度差降溫 0.22～0.45 ℃。

4 結論

從本文分析可以看到，城市熱島強度的增加與城市地表覆蓋物以及自然景觀的劇烈變化有關，要使熱島效應在一定區(qū)域內達到最佳的降溫效果，需要結合?？谑邪l(fā)展的實際情況，從增大下墊面植被率，改變綠化途徑和合理規(guī)劃城市建設入手。本文基于遙感數據，模擬預測?？谑袩釐u強度，分析與量化熱島強度與標準化指數之間的空間特征關系。得出如下結論：

1)采用層次分析法對土地利用類型定義轉換規(guī)則，應用到?？谑袩釐u效應的模擬，利用CA-Markov模型模擬預測2016年城市熱島強度，Kappa系數為80.49%，模擬精度較高，精度較高，各熱島強度等級平均誤差較小，總體來看模擬效果較好。

2)2000—2016年間?？谑袩釐u效應由低等級逐漸向高等級過渡，強熱島面積增加11.60 km2，熱島面積基本保持持平，綠島面積增加38.64 km2，是16年中熱島強度等級變化最大的。但是在整個熱島效應較強的地區(qū)，熱島與強熱島面積增加的相對不多，說明?？谑性诮洕l(fā)展的同時，也兼顧了部分的環(huán)境效益。

3)如依照2008—2016年的熱島強度轉移的速率發(fā)展，2024年的熱島強度面積將變化不大，由16.50%增長到17.08%，強熱島面積將基本保持不變。且2024年熱島重心向東南方向偏移，反映出熱島在空間上向東南方向聚集。若不進行人工干預，?？谑猩鷳B(tài)安全及物種多樣性將受到威脅。

4)相比較單因素而言，NDVI和NDBI指數共同描述UHII的變化更為準確。在多元線性回歸分析中，NDVI指數每上升0.1，城鄉(xiāng)地區(qū)地表溫度差降0.22～0.45 ℃；而NDBI指數每上升0.1，將對城鄉(xiāng)地區(qū)地表溫度造成0.20～1.42 ℃的溫度差。

本研究采用CA-Markov模型模擬預測熱島強度，部分熱島強度類型的預測精度存在一定誤差，需進一步探究自然因素和人為因素對城市熱環(huán)境的評價指標體系，探討相應權重大小并進而優(yōu)化轉換規(guī)則，進一步提高模擬精度。接下來將結合年度、季節(jié)及月度的熱島效應分布，分析其時空演變規(guī)律。為指導城市土地利用合理布局提供參考依據。