向 煬

周志翔*

截至2018年，世界上55%的人口居住在城市，預(yù)計(jì)到2050年，達(dá)到68%[1]。中國(guó)經(jīng)歷了快速的城市化發(fā)展，這種快速的城市化發(fā)展極大地推動(dòng)了自然和農(nóng)業(yè)景觀向不透水表面的轉(zhuǎn)變，這種物理表面性質(zhì)的轉(zhuǎn)變導(dǎo)致了諸多生態(tài)環(huán)境問(wèn)題[2]。城市熱島是典型的城市環(huán)境問(wèn)題[3], 它被定義為市區(qū)溫度高于郊區(qū)溫度的一種現(xiàn)象[4]。城市熱島帶來(lái)了一系列不利影響，包括能源消耗的增加、極端氣候事件的加劇、空氣質(zhì)量的惡化、居民身體健康的損害，甚至是與熱相關(guān)的死亡人數(shù)的增加[5]。因此，在探究城市熱島與影響因子之間相互關(guān)系的基礎(chǔ)上制定有效緩解策略是對(duì)城市規(guī)劃和政策制定者的重要信息。

傳統(tǒng)的城市熱島研究是基于氣象站點(diǎn)或移動(dòng)觀測(cè)，離散的點(diǎn)數(shù)據(jù)很難精確反映城市熱島的空間變化[5]。隨著遙感技術(shù)的不斷發(fā)展，極大地推動(dòng)了地表城市熱島研究的發(fā)展[6]。更多的研究者采用遙感數(shù)據(jù)來(lái)反演地表溫度(LST)，分析LST與影響因子之間的相互關(guān)系，并提出緩解熱島的策略。藍(lán)綠空間被認(rèn)為是緩解城市熱島的景觀要素[7]，綠地能夠通過(guò)蒸騰作用和植被的遮擋來(lái)緩解LST，水體也能依靠蒸騰作用來(lái)改善熱環(huán)境。聚集分布和形狀復(fù)雜的綠地有利于降低LST[7]。提升水體斑塊面積能夠營(yíng)造更大的冷島效應(yīng)[8]。先前研究廣泛地量化景觀指數(shù)與城市熱島的相互關(guān)系，但仍然存在一些局限。首先，大多數(shù)研究都是基于最小二乘法(OLS)和Pearson相關(guān)分析來(lái)分析[6]，這些方法忽略了LST和影響因子均存在空間異質(zhì)性或非平穩(wěn)性[9]。部分研究采用地理加權(quán)回歸(GWR)的方法在一定程度上解決了OLS的局限性，然而GWR假設(shè)影響因子的空間尺度是相同的，這忽略了變量的空間影響尺度，可能會(huì)導(dǎo)致研究結(jié)果的偏差[10]。其次，大量研究從全局的角度提出優(yōu)化景觀格局的措施，很少有研究提出在哪些位置及如何進(jìn)行優(yōu)化景觀格局能顯著地緩解LST。

鑒于上述不足，本研究擬引入MGWR來(lái)分析藍(lán)綠空間景觀指數(shù)，以及NDVI與LST之間空間非平穩(wěn)的相互關(guān)系。本研究的目的是：1)量化武漢主城區(qū)內(nèi)不同行政單元下城市熱島的占比；2)基于Getis-Ord G和Gi＊指數(shù)分析景觀指數(shù)和LST的空間聚集特征；3)比較OLS、GWR和MGWR模型的擬合優(yōu)度，基于最優(yōu)模型結(jié)果分析藍(lán)綠空間景觀指數(shù)、NDVI和LST之間的相互關(guān)系來(lái)優(yōu)化藍(lán)綠空間的景觀格局，從而緩解城市熱島。

1 研究對(duì)象和方法

1.1 研究區(qū)域

武漢市(113°41′E～115°05′E，29°58′N～31°22′N)位于中國(guó)的中部地區(qū)，是湖北省省會(huì)，也是長(zhǎng)江經(jīng)濟(jì)帶的核心城市，其常住人口超過(guò)1 000萬(wàn)。武漢市地勢(shì)平坦，中間低平，南北丘陵，氣候?yàn)閬啛釒Ъ撅L(fēng)，雨量充沛。武漢市是典型的火爐城市，夏季炎熱[2]，城市熱島特征明顯。本研究選取武漢市主城區(qū)作為研究區(qū)域。

1.2 數(shù)據(jù)來(lái)源

本研究在Google Earth Engine(GEE)平臺(tái)上收集了Landsat 8“ST_B10”波段中的LST數(shù)據(jù)，并計(jì)算了歸一化差值植被指數(shù)(NDVI)，其中Landsat 8數(shù)據(jù)經(jīng)過(guò)了輻射定標(biāo)和大氣校正及去云等處理。由于春季和秋季的LST具有相似的空間分布格局[11]，因此選擇了夏季和過(guò)渡季節(jié)2個(gè)季節(jié)，其中夏季為6—8月，過(guò)渡季節(jié)為春季(3—5月)和秋季(9—11月)的中位數(shù)。為了避免單一年份出現(xiàn)異常情況，LST和NDVI通過(guò)3年(2020及鄰近2年)對(duì)應(yīng)季節(jié)的中位數(shù)來(lái)進(jìn)行合成。

1.3 研究方法

1.3.1 土地利用類型的分類

本研究在GEE平臺(tái)上篩選和通過(guò)中位數(shù)合成出2020年少云的哨兵二號(hào)，采用隨機(jī)森林的算法將武漢市土地覆蓋類型劃分為不透水表面、綠地、灌草、耕地、水體和裸地6類，每一類型選取1 000個(gè)樣本點(diǎn)，70%的樣本點(diǎn)用于訓(xùn)練模型，剩下30%用于檢驗(yàn)精度。分類結(jié)果的總體分類精度為0.94，kappa系數(shù)為0.92。本研究中僅選取綠地和水體類別作為藍(lán)綠空間進(jìn)行研究，分類結(jié)果如圖1所示。

圖1 武漢市土地覆蓋類型空間分布圖

1.3.2 景觀指數(shù)的計(jì)算和篩選

景觀指數(shù)是高度濃縮了景觀格局信息的指標(biāo)，能夠反映景觀結(jié)構(gòu)組成和空間配置?；谙惹暗难芯?，初步選取了12個(gè)景觀指標(biāo)(表1)。在Fragstats 4.2中，采用八鄰域規(guī)則和用戶定義網(wǎng)格計(jì)算景觀指數(shù)。景觀指數(shù)具有較強(qiáng)冗余性，因此采用逐步回歸的方法得到多個(gè)模型后，選取模型中方差膨脹因子均小于5且顯著(p＜0.05)的影響因子。

表1 研究中的景觀指數(shù)

1.3.3 統(tǒng)計(jì)分析

考慮到樣本量和方差之間的平衡，過(guò)小的網(wǎng)格景觀度量方差過(guò)小，過(guò)大的網(wǎng)格會(huì)導(dǎo)致樣本量不足，采用響應(yīng)曲線的方法來(lái)判斷景觀指數(shù)特征的拐點(diǎn)[12]，拐點(diǎn)反映了尺度敏感性，最大限度地捕捉了景觀特征且減少了景觀特征的不確定性，景觀指數(shù)的變化在拐點(diǎn)之后趨緩。從100～900m以100m為間隔來(lái)繪制響應(yīng)曲線。大多數(shù)景觀指數(shù)在300m×300m大小的網(wǎng)格變化趨緩，因此它被選擇為拐點(diǎn)。綠地景觀指數(shù)網(wǎng)格中小于90 000m2的被剔除，同時(shí)為了不受水體和水田的影響，修正歸一化差值水體指數(shù)小于0或水體的網(wǎng)格也被剔除。

1)基于均值-標(biāo)準(zhǔn)差的方法將地表溫度劃分為5個(gè)等級(jí)[13-14](表2)，統(tǒng)計(jì)出武漢主城區(qū)范圍內(nèi)不同行政單位下城市熱島的占比。

表2 均值-標(biāo)準(zhǔn)差的地表溫度劃分標(biāo)準(zhǔn)

2)在ArcGIS中通過(guò)“高/低值聚類”工具計(jì)算Getis-Ord General G指數(shù)來(lái)反映景觀指數(shù)和LST的全局空間自相關(guān)特征及采用“熱點(diǎn)分析”工具計(jì)算Gi＊指數(shù)來(lái)探測(cè)它們的局部空間自相關(guān)特征[15]。當(dāng)G(Gi＊)值為正且顯著時(shí)，表明高LST或景觀指數(shù)在全局(局部)存在空間聚集特征；當(dāng)G(Gi＊)值為負(fù)時(shí)，表明低LST或景觀指數(shù)在全局(局部)存在空間聚集特征。

3)在MGWR 2.2軟件中分別采用OLS，GWR和MGWR模型比較分析景觀指數(shù)和NDVI對(duì)LST的擬合效果。OLS是基于全局估計(jì)的模型，被用來(lái)作為基準(zhǔn)和其他的模型進(jìn)行比較[10]。MGWR克服了GWR模型中所有自變量和因變量之間固定帶寬的限制，是GWR模型在尺度異質(zhì)性上的擴(kuò)展。

2 結(jié)果與討論

2.1 不同行政單元下城市熱島的占比

武漢主城區(qū)不同行政單位內(nèi)城市熱島占比存在差異(圖2)。在夏季和過(guò)渡季節(jié)，硚口區(qū)的高溫區(qū)占比是最高的，亟待通過(guò)提升綠量來(lái)改善熱環(huán)境；武昌區(qū)低溫區(qū)所占比例最高，表明其藍(lán)綠空間占比高，熱風(fēng)險(xiǎn)較低?？傮w而言，夏季和過(guò)渡季節(jié)城市熱島占比變化不大。

圖2 城市熱島在不同行政單元的堆積圖

2.2 地表溫度和景觀指數(shù)的空間自相關(guān)特征

通過(guò)逐步回歸模型和方差膨脹因子篩選后，選取了PLAND、PD、AREA_MN、SHAPE_MN、COHESION和NDVI作為夏季的影響因子，在過(guò)渡季節(jié)選擇PLAND、NDVI和SHAPE_MN作為綠色空間的影響因子；在夏季和過(guò)渡季節(jié)選擇PLAND、LSI和COHESION作為藍(lán)色空間的影響因子。Getis-Ord General G只能對(duì)正值進(jìn)行分析，因此僅選擇LST和篩選后的景觀指數(shù)為分析變量。Getis-Ord General G和Gi＊的結(jié)果描述了LST和景觀指數(shù)的空間自相關(guān)特征。從表3可以看出，所有景觀指數(shù)和LST的p值均小于0.001，隨機(jī)產(chǎn)生聚類模式的可能性小于1%，表現(xiàn)為景觀指數(shù)和LST具有顯著的空間聚集特征。

表3 地表溫度和篩選后景觀指數(shù)的Getis-Ord General G結(jié)果

圖3是LST和景觀指數(shù)Gi＊指數(shù)的結(jié)果，其反映了冷熱點(diǎn)置信區(qū)間分別在90%、95%和99%的空間分布。結(jié)果顯示：1)LST在夏季和過(guò)渡季節(jié)的熱點(diǎn)主要分布在青山區(qū)的南部，而夏季的冷點(diǎn)集中分布在長(zhǎng)江，過(guò)渡季節(jié)的冷點(diǎn)主要分布在長(zhǎng)江和湯遜湖區(qū)域；2)綠地PLAND和AREA_MN的熱點(diǎn)分布在洪山區(qū)南部，而綠地PD和SHAPE_MN的熱點(diǎn)及COHESION的冷點(diǎn)呈現(xiàn)分散分布，這表明洪山區(qū)南部綠地占比較高，呈現(xiàn)均勻分布；3)水體的PLAND和COHESION無(wú)明顯聚類的熱點(diǎn)或冷點(diǎn)，分散到各大水體，而LSI的熱點(diǎn)分布在漢江、墨水湖和青菱湖，冷點(diǎn)分布在長(zhǎng)江、東湖、南湖、湯遜湖和黃家湖。

圖3 地表溫度和篩選后且顯著景觀指數(shù)的冷熱點(diǎn)分布圖(注：LST為地表溫度，sum為夏季，tran為過(guò)渡季節(jié)，GS為綠地，WB為水體)

2.3 回歸模型的結(jié)果

3個(gè)指標(biāo)被用于比較模型擬合的效果(表4)，其中調(diào)整R2越大越好，修正的赤池信息量準(zhǔn)則(AICc)和殘差平方和(RSS)越小越好[10]。在夏季和過(guò)渡季節(jié)3個(gè)模型被評(píng)估(表4)。MGWR是最優(yōu)的模型，其中調(diào)整R2在夏季和過(guò)渡季節(jié)均得到提升，且AICc和RSS不斷下降。

表4 OLS、GWR和MGWR的評(píng)估結(jié)果

2.4 尺度分析

如表5所示，不同變量對(duì)LST的影響存在尺度和季節(jié)的變異。對(duì)于夏季來(lái)說(shuō)，綠地的PD、AREA_MN、SHAPE_MN、NDVI及水體的COHESION的影響尺度是相對(duì)局部的，表明只能在特定的位置優(yōu)化景觀格局才能獲取顯著的降溫效果，而綠地的PLAND及水體的PLAND和LSI的影響尺度相對(duì)較大，表明這些指標(biāo)在相對(duì)全局的位置均能顯著地改善熱環(huán)境；對(duì)于過(guò)渡季節(jié)，綠地的LSI和NDVI的影響是局部的，而綠地的PLAND及水體的PLAND、LSI和COHESION的影響為相對(duì)全局的。

表5 GWR和MGWR模型的帶寬

2.5 MGWR模型中的系數(shù)格局分析

圖4和圖5分別描述了夏季和過(guò)渡季節(jié)中顯著景觀指數(shù)和NDVI的回歸系數(shù)，各景觀指數(shù)和NDVI對(duì)LST的影響具有空間異質(zhì)性，這可能是由于綠地和水體周圍的環(huán)境差異(熱島強(qiáng)度、位置、氣候)和自身的景觀特征(組成、配置和結(jié)構(gòu)特征)[16-18]。夏季，綠地PLAND和NDVI在青山區(qū)的降溫效果好，這可能由于LST降溫效果在低PLAND和高LST的位置更強(qiáng)[19]。綠地的PD、AREA_MN和SHAPE_MN則在空間上表現(xiàn)不一。夏季，綠地PD在武昌區(qū)的中部、漢陽(yáng)區(qū)西北部和江漢區(qū)中部呈現(xiàn)強(qiáng)負(fù)相關(guān)，而在漢陽(yáng)區(qū)南部，江岸區(qū)中部和洪山區(qū)西部表現(xiàn)為正相關(guān)；綠地AREA_MN的回歸系數(shù)在東湖附近為負(fù)相關(guān)，而在洪山區(qū)西部表現(xiàn)為正相關(guān)；綠地SHAPE_MN在洪山區(qū)北部、青山區(qū)中部表現(xiàn)為強(qiáng)負(fù)相關(guān)，而在洪山區(qū)西部、漢陽(yáng)區(qū)東南部、硚口區(qū)西北部和江岸區(qū)中部為負(fù)相關(guān)。綠地景觀指數(shù)與LST的關(guān)系存在季節(jié)差異。綠地PLAND和NDVI在過(guò)渡季節(jié)均能降低LST，與夏季相比較，其顯著降低LST的網(wǎng)格呈現(xiàn)增多的趨勢(shì)，這可能是因?yàn)樵谙募拘枰嗟木G地才能顯著緩解LST，由于夏季比過(guò)渡季節(jié)往往存在更加強(qiáng)烈的地表城市熱島強(qiáng)度。綠地的SHAPE_MN在過(guò)渡季節(jié)表明武漢市主城區(qū)西部和青山區(qū)南部配置形狀簡(jiǎn)單的綠地更利于緩解LST。

圖4 夏季多尺度地理加權(quán)回歸模型回歸系數(shù)的空間格局(注：僅顯示了p＜0.05顯著的系數(shù))

圖5 過(guò)渡季節(jié)多尺度地理加權(quán)回歸模型回歸系數(shù)的空間格局(注：僅顯示了p＜0.05顯著的系數(shù))

在夏季和過(guò)渡季節(jié)，水體也能很好地降低LST，且其相關(guān)系數(shù)分布具有相似的格局(圖4、5)。水體在夏季和過(guò)渡季節(jié)PLAND與LST表現(xiàn)為一致的負(fù)相關(guān)關(guān)系，且在武昌區(qū)的長(zhǎng)江段和漢陽(yáng)區(qū)漢江段具有較強(qiáng)的降溫效果，而在洪山區(qū)的東北段長(zhǎng)江降溫效果有限，這可能是由于水體的降溫效果隨著背景溫度的升高而升高[20]，長(zhǎng)江在洪山區(qū)的東北段附近均為農(nóng)田，背景溫度低，因此其降溫效果有限。水體LSI和COHESION對(duì)LST的關(guān)系不一致，但總體來(lái)看，配置形狀更加復(fù)雜，以及連通性更強(qiáng)的水體更利于緩解LST。

3 討論

與先前的研究結(jié)果一致，提升藍(lán)綠空間占比能很好地緩解LST[21]。在本研究中水體PLAND的平均回歸系數(shù)比綠地更小，這與先前研究一致，表明水體在夏季和過(guò)渡季節(jié)降溫效果優(yōu)于綠地[22]。盡管綠地降溫效果不如水體，但更易通過(guò)各種形式和高密度的城市建成空間結(jié)合起來(lái)，例如室內(nèi)、屋頂和垂直綠化。同時(shí)，水體其特殊的比熱容導(dǎo)致夜間LST升高[5]，從而增加夜間的熱風(fēng)險(xiǎn)，而且氣溶膠也會(huì)聚集在其附近[12]，因此提升城市綠量，大力發(fā)展屋頂和垂直綠化是更被推薦用來(lái)緩解城市熱島的措施。

在本研究中，對(duì)于夏季SHAPE_MN顯著且回歸系數(shù)大于0的網(wǎng)格PLAND和LPI的平均值分別為15.22和11.82，而小于0的網(wǎng)格中分別為5.45和3.13，這表明在更大的綠地斑塊配置簡(jiǎn)單的形狀有利于緩解LST，而小的綠地斑塊復(fù)雜的形狀更利于降溫，這與先前的一項(xiàng)研究不一致，其研究表明，簡(jiǎn)單形狀的小綠地斑塊和復(fù)雜形狀的大綠地斑塊有利于降溫[22]，這種差異化的結(jié)果可能是由于位置、樹種、樹種組成和配置、樹木結(jié)構(gòu)、氣候等多方面的差異造成的[17]。對(duì)于夏季，AREA_MN顯著且回歸系數(shù)大于0的網(wǎng)格中PLAND和LPI平均值分別為6.24和3.77，而回歸系數(shù)小于0的PLAND和LPI平均值分別為24.27和17.98，這表明破碎化的小綠地斑塊無(wú)法發(fā)揮很好的降溫效果，而更大且聚集分布的綠地斑塊卻能很好地緩解LST，這與先前的研究一致，綠地斑塊達(dá)到一定的大小才會(huì)降低LST[23]，這個(gè)閾值也會(huì)隨著局部環(huán)境特征變化而受到影響[17]。

水體景觀指數(shù)的降溫效果在空間上也存在差異，受到位置、面積、形狀和配置的影響。位于主城區(qū)邊界區(qū)域水體的降溫效果弱于高建筑密度附近的水體，這是由于環(huán)境溫度越高，降溫效果越好[20]。水體面積越大，降溫效果更好[17]，在本研究中面積更大的水體，包括長(zhǎng)江、湯遜湖、東湖等，其降溫效果強(qiáng)于面積更小的野湖、墨水湖、青菱湖、南湖、沙湖、嚴(yán)西湖和嚴(yán)東湖。與其他形狀水體相比較，線性水體(長(zhǎng)江和漢江)的降溫效果變異很大，更易受到周圍環(huán)境的影響[24]。在本研究絕大多數(shù)情況下，形狀更加復(fù)雜的水體能更好地緩解LST，這可能是因?yàn)楦鼜?fù)雜的斑塊與周圍環(huán)境交互作用更多，促進(jìn)了不同土地利用之間的能量交換，從而降低LST[25]；水體的連通性越高，水體越聚集，這與先前的研究一致[26]。

4 結(jié)論

本研究以武漢市主城區(qū)為例，分析了藍(lán)綠空間景觀格局、NDVI與地表溫度之間的相互關(guān)系。主要結(jié)論如下：1)武漢市主城區(qū)內(nèi)城市熱島占比存在差異，其中硚口高溫區(qū)占比高，武昌區(qū)低溫區(qū)占比高，夏季和過(guò)渡季節(jié)城市熱島的占比變化不大；2)夏季和過(guò)渡季節(jié)的LST及篩選后的景觀指數(shù)具有顯著的空間聚集特征，LST熱點(diǎn)區(qū)域分布在青山區(qū)，冷點(diǎn)區(qū)域分布在長(zhǎng)江；3)多尺度地理加權(quán)回歸模型的擬合效果優(yōu)于最小二乘法和地理加權(quán)回歸，景觀指數(shù)和NDVI對(duì)LST的影響尺度具有差異；4)增加綠地和水體的景觀百分比能夠很好地緩解LST，但對(duì)于其他景觀指數(shù)來(lái)說(shuō)，則需要依據(jù)不同位置來(lái)實(shí)施不同的優(yōu)化措施。總的來(lái)說(shuō)，更大、形狀簡(jiǎn)單且聚集分布和小且形狀復(fù)雜的綠地斑塊，以及在大多數(shù)情況下形狀復(fù)雜且連通性強(qiáng)的水體更利于緩解LST。

注：文中圖片均由作者繪制。