中國地表城市熱島驅動因素及其空間異質性

牛 陸,張正峰*,彭 中,姜亞珍,劉 萌,周孝明,唐榮林

中國地表城市熱島驅動因素及其空間異質性

牛 陸1,張正峰1*,彭 中2,3,姜亞珍2,3,劉 萌4,周孝明5,唐榮林2,3

(1.中國人民大學公共管理學院,北京 100872；2.中國科學院地理科學與資源研究所,資源與環境信息系統國家重點實驗室,北京 100101；3.中國科學院大學,北京 100049；4.中國農業科學院農業資源與農業區劃研究所,農業農村部農業遙感重點實驗室,北京 100081；5.蘭州理工大學土木工程學院,甘肅 蘭州 730050)

基于MODIS衛星遙感數據,計算了中國284個地級市2018年的年平均地表城市熱島強度,分析了中國地表城市熱島的空間分布規律和空間集聚模式.結合多元遙感數據、氣象數據和社會經濟統計數據,利用地理加權回歸模型分析了日間和夜間地表城市熱島強度主要驅動因素的空間異質性.結果表明,中國地表城市熱島強度的空間分布存在明顯的空間自相關性;地理加權模型相比傳統的普通最小二乘模型,極大地提高了驅動因素的解釋程度,日間和夜間的決定系數分別由最小二乘模型的0.659和0.189提高到了0.876和0.651并且具有更低的殘差平方和以及赤池信息準則值,從驅動因素來看,除日間的植被因素對地表城市熱島強度的影響顯著為負外,其余因素的影響方向均會隨著地理位置的改變存在結構性的差異.總體來講,日間的地表城市熱島強度受城鄉植被差異的影響最大,而在夜間則更容易受社會經濟因素的影響.

城市熱島；城市環境；熱紅外遙感；土地利用；MODIS；空間異質性；地理加權回歸；驅動因素

城市熱島作為城市化進程中人類影響自然環境所導致的最為直觀的現象之一,長期以來都備受學者們的關注[1].傳統的城市熱島研究由于數據的限制,通常只能借助由地面站點監測獲取的氣溫對局部的城市熱環境進行描繪和分析(即冠層城市熱島,canopy UHI)[2].直到20世紀70年代衛星遙感技術的不斷興起,憑借其低成本、全地表觀測等諸多優勢,才使得大空間尺度的城市熱島研究成為可能.

隨著越來越多搭載著熱紅外傳感器的衛星的發射和高質量熱紅外遙感產品的出現,國內外地表城市熱島(SUHI)的研究在最近10a里取得了飛速的發展[3-10].研究的重點集中在SUHI的時空分布規律及其驅動因素的分析,主要目的是為城市熱島減緩提供相應的科學參考依據.Peng 等[11]首次基于MODIS地表溫度產品對全球419個大城市的地表城市熱島強度進行計算,研究發現日間的SUHI強度低于夜間,而植被是日間城市熱島最主要的驅動因素;Zhou等[12]則對中國32個主要城市SUHI強度的時空分布規律和驅動因素進行了分析,研究發現日間SUHI強度的空間分布模式與人類熱排放、植被活動和氣候有關,而夜間則與反照率、人類熱排放和建筑強度的關系更密切;Manoli等[13]則開發了一個連接人口、背景氣候和SUHI強度的粗粒度(coarse- grained)模型,發現城鄉間蒸散發和對流效率的差異是SUHI的決定因素.盡管上述里程碑式的大空間尺度研究不僅極大提高了人們對于城市熱島現象的理解,也從空氣動力學等角度拓展了城市熱島研究的理論基礎[14],但大多是從全局的角度出發對驅動因素進行分析,忽略了相關驅動因素與SUHI關系(即空間過程,)的空間異質性,這導致相關的研究結論可能存在著一定程度上的區域間偏誤.因此,本文基于MODIS地表溫度產品,使用探索性空間數據分析和地理加權回歸模型等方法對2018年中國284個地級市的日間及夜間地表城市熱島強度的驅動因素進行分析,研究中國地表城市熱島的空間集聚模式,中國地表城市熱島與其主要驅動因素在空間上的關系的異質性.

1 數據和方法

1.1 研究區及研究數據

本研究選擇中國284個地級市為研究區,涵蓋了中國約94%的人口,所采用的數據共分為以下幾個部分:①地表溫度數據.本研究采用2018年中國區域的1km空間分辨率的MODIS 8d合成地表溫度產品(MOD11A2,MYD11A2,Version 006,),來計算日間和夜間的地表城市熱島強度[15];②土地利用數據.由于地表溫度產品空間分辨率(1km)的限制,單純提高土地利用數據集的分辨率對SUHI強度計算準確性并沒有太大提升,綜合考慮分類精度和數據的可獲得性,本研究采用2018年歐空局氣候變化倡議(European Space Agency's Climate Change Initiative) 300m空間分辨率的中國區域的土地利用數據(http://maps.elie.ucl.ac.be/CCI/)對城市熱島強度計算中城鄉區域進行劃定,并計算城市建成區面積;③高程數據.中國數字高程(DEM)空間分布數據來源于美國奮進號航天飛機的雷達地形測繪SRTM(SRTM)數據(www.resdc.cn),用來剔除高程對SUHI強度的影響;④歸一化植被指數(NDVI)數據.使用2018年中國區域的1km空間分辨率的MODIS 16d合成NDVI數據(MCD11A3v006,ftp://ladsftp.nascom. nasa.gov)來計算城鄉間植被的差異作為驅動因素;⑤PM2.5數據.使用基于機器學習算法,利用多源衛星及觀測數據生產的中國高分辨率空氣污染數據集(,CHAP)中2018年1km分辨率的PM2.5數據[16],分析空氣污染對SUHI的影響;⑥降水數據.使用中國2018年1km分辨率的逐月降水數據(http://www. geodata.cn/),分析氣候對SUHI的影響[17];⑦夜間燈光數據.使用經校正過的2018年中國區域的1km分辨率夜間燈光數據(https://figshare.com/),分析城市發展強度對SUHI的影響[18];⑧地級市尺度的年末總人口數據用于分析人類活動對SUHI強度的影響,數據整理自《中國城市統計年鑒》[19].

1.2 城市熱島強度計算

從城市熱島本身的概念(即城市溫度高于周圍郊區的現象)出發計算城市熱島強度是目前城市熱島研究中廣泛采用的手段,因此城鄉區域的劃定成為了SUHI強度計算的核心問題.以往研究通常將土地利用圖像中建成區的像元直接或經過空間聚合等操作作為城市區域,得到了廣泛的認可和應用.而郊區范圍的劃定則存在較大的差異,也是造成不同研究計算SUHI強度的結果存在差異的主要原因.第一類劃定郊區的算法是緩沖區方法,通常將城市地區1～50km或城市區域面積的50%～300%的緩沖區作為郊區.此類方法最大的問題是難以確定緩沖區的具體大小,不同研究者的劃定結果可能相差幾倍甚至幾十倍的,這導致其研究的結論也存在明顯差異甚至相反[20].第二類則是固定范圍的郊區劃定方法,例如Chakraborty等[7]首次利用基于美國橡樹嶺國家實驗室研制的urban area數據作為郊區范圍基于谷歌地球云計算平臺對全球城市熱島強度進行了計算,Lai等[2]則將行政區范圍作為每個城市的郊區邊界計算了中國的城市熱島強度,分析了SUHI的典型晝夜模式.與第一類方法相比,使用第二類方法所得到的城市熱島強度物理意義更加明確,即人類活動和城市化對某個邊界范圍內熱環境的擾動.而行政區作為開展城市治理與社會經濟統計的基本單位,具有更強的現實意義,基于此得到的城市熱島強度也更有政策指導價值.綜合考慮上述因素,本研究采用地級市的行政區邊界作為城市熱島強度計算中的郊區范圍邊界.年平均城市熱島強度的計算公式如下:

式中:SUHI為城市熱島強度,℃;LST為城市地區的平均溫度,℃;LST為行政區內其余地區(即本文所劃定的郊區范圍)的平均溫度,℃;

在計算過程中,為了避免水體和永久冰雪對SUHI的影響,剔除了LST數據中對應上述2種土地利用類型的像元.并且為了減少高程對SUHI的影響,同樣剔除了郊區中高程值高于或低于城市區域平均高程50m的LST像元.使用同樣的方法計算了DNDVI和Δ降水.

除此之外,為了降低MODIS產品本身反演誤差對結果的影響,在SUHI強度計算之前,參考Lai 等[21]對于遙感數據的質量控制對SUHI強度影響的研究結論,本文依據MODIS LST產品中質量控制波段給出的信息,剔除了部分有云及誤差>3K的影像.

1.3 探索性空間數據分析

為了分析中國SUHI強度分布的空間集聚特征,本研究選擇經典的全局Moran's指數[22]檢驗全國尺度下SUHI強度的空間自相關性,當全局Moran's指數顯著且大于0時,表示SUHI強度呈現正向的空間自相關,其數值越大表明SUHI強度的集聚性特征越強;當全局 Moran's指數顯著且小于0時,表明SUHI呈現的負向的空間自相關,其值越小表明空間離散性特征越強,全局Moran's指數的計算公式如下:

除此之外,本文利用局部Moran's指數進一步探索SUHI強度在全國區域的空間集聚位置,識別SUHI強度的空間聚集特征.根據局部Moran's指數的顯著程度和正負,空間集聚的模式可以被劃分為5類,即高-高集聚、高-低集聚、低-低集聚和低-高集聚和不顯著,分別代表高值周圍是高值、高值周圍是低值、低值周圍是低值、低值周圍是高值和無顯著集聚5種情況,即該城市的SUHI與周圍地區SUHI是否存在空間分布規律上的聯系.

1.4 地理加權回歸模型

應用經典的線性回歸模型(OLS)進行分析時,本質上假定了一個靜止的過程,因此自變量對因變量在空間的不同區域也會有同樣的影響(即回歸方程的系數在空間上保持不變).然而在很多情況下,自變量與因變量之間的關系會在空間上發生變化,地理加權回歸就是一種空間變系數的模型,可以分析驅動因素在空間上的異質性.其公式如下:

式中:為被解釋變量矩陣;是解釋變量矩陣;()為觀察點上第個回歸系數;為模型殘差.

從式(3)可以看出,GWR模型的回歸參數可以隨著空間位置的變化而變化,其表達式為:

式中:為GWR模型中的空間權重矩陣,本文選擇Gauss形式的核函數來計算GWR模型中的空間權重矩陣,表達式如下:

式中:表示城市和城市之間的權重影響;為模型的帶寬,帶寬越大,則“借點”的個數越多,權重影響隨著距離d的增加,衰減的越慢,反之亦然;帶寬是地理加權回歸模型中除核函數形式外最為重要的參數,本研究依據赤池信息準則(AICc)來確定模型的最優帶寬[23].

2 結果與討論

2.1 中國城市熱島的空間分布模式

從圖1中可以看出,中國的絕大多數城市存在著明顯的城市熱島現象,從日間來看,華北和西北地區的SUHI強度明顯低于南方,甚至部分城市出現了“城市冷島”的現象,即城市地區溫度低于周圍郊區.大部分城市的SUHI數值處于1～2℃之間,個別城市超過了3℃.從夜間來看,SUHI強度沒有明顯的緯度差異,絕大多數城市的SUHI強度集中在0.5～1℃之間.

圖1 中國地表城市熱島強度的空間分布模式

審圖號:GS(2021)3719號,灰色表示未納入計算的地區,下同

為了進一步量化分析SUHI強度的空間模式,分別計算了日間和夜間的全局Moran's指數,結果顯示日間和夜間的Moran's指數分別是0.448和0.286,對應的值分別為17.62和10.51.這說明SUHI強度具有顯著的正向空間自相關性,并且日間明顯高于夜間.為了確定出現空間集聚的地區,本文計算了日間和夜間SUHI強度的局部Moran's指數,并繪制了其空間分布的Lisa聚集分布(圖2,).從圖2可以看出,日間SUHI的高-高集聚主要集中在東南沿海地區及中部地區,而低-低集聚則主要集中在京津冀、內蒙古等華北地區.夜間SUHI的空間集聚模式與日間有很大差異,不僅出現顯著集聚情況的地區明顯減少,集聚的方式也出現相反的特征.低-低集聚僅出現在東南沿海的杭州及其周邊地區、西南的川渝及其周邊地區,高-高集聚僅出現在中部的開封、阜陽及周邊地區、東北的沈陽及其周邊地區以及內蒙古的呼包鄂地區.

圖2 中國地表城市熱島的空間集聚模式

通過上述對空間特征的分析,發現中國城市空間的SUHI強度存在明顯的空間自相關,并且日間和夜間的模式也有很大的不同.因此,使用包括普通多元線性回歸在內的各種全局模型分析SUHI的驅動因素時,難以避免的會忽略其數據本身存在的空間異質性,因此有必要引入地理加權回歸模型進行分析.

2.2 地理加權回歸結果分析

對于驅動因素的選擇,主要依照兩項原則:①已有研究使用過且顯示為顯著;②盡可能精簡.因此本文所選取的驅動因素共6個,包括3個自然因素變量:城鄉植被差異(DNDVI)、城鄉降水差異(Dprecipitation)以及城市的空氣污染水平(PM2.5),3個社會經濟因素變量:平均夜間燈光值(NTL)、人口(population)以及建成區面積(built-up area).

表1為GWR模型運算結果的匯總.為了便于分析各驅動因素對SUHI強度的相對貢獻大小,本研究對所有數據進行了標準化,因此模型運算得到的回歸系數均為無量綱的標準化回歸系數,同一模型內可以直接比較不同驅動因素對SUHI的相對貢獻程度.通過對GWR系數結果的整理與統計,共構建了最大值、最小值、平均值、中位數和標準差5項統計指標.模型診斷信息部分匯報了GWR模型和對應的OLS模型的決定系數、調整決定系數、赤池信息準則值和殘差平方和4項,從而分析GWR模型相比傳統全局模型的優劣.從結果來看,日間和夜間模型的最佳帶寬分別為79和80,帶寬即GWR模型運算中“借點”的個數,相比于模型總體變量數(284)可以大致認為本模型為省級尺度和全國級尺度之間的局部區域模型.日間和夜間GWR的模型解釋力分別為0.876和0.651,日間模型的解釋程度明顯高于夜間,并且日間模型也具有更低的AICC值和更小的殘差平方和.但是相比于OLS模型,夜間的GWR模型明顯具有更大的提升,決定系數提升了超過3倍,這在一定程度上表明,夜間的SUHI強度的空間過程存在更顯著的空間變異性.針對具體的驅動因素來看,除日間GWR模型中植被的系數均為負值外,其余變量的影響方向會改變,這種情況的出現表明,各驅動因素對SUHI的影響會隨著空間位置的變化有著結構性的差異.總體來看,植被和建成區面積通常對于SUHI具有更顯著的影響,但僅從統計表無法分析驅動因素在局部空間的異質性.

表1 GWR模型結果匯總

從圖3中可以看出,日間模型的整體解釋程度更高,日間和夜間的決定系數區間分別是0.28～0.93以及0.27～0.78.無論是日間和夜間,模型在中部和西部地區的解釋程度相對更高,日間解釋程度最低的地區位于西南云貴地區、東部的浙江地區和北部的山東地區,而夜間解釋程度最低的地區則主要集中在東北.這說明上述地區可能由于其相對獨特的城市發展模式、建筑特征和能源消費結構等難以量化的因素對SUHI有較大的影響,導致現有模型無法對上述地區SUHI強度的變化規律進行良好的解釋.

圖3 GWR模型的決定系數空間分布

2.3 驅動因素的空間異質性分析

圖4和圖5分別為日間和夜間GWR模型中各個驅動因素系數的空間分布,只對在10%的水平上顯著的觀測樣本進行了繪制.

從日間來看,城鄉植被的差異基本在全國范圍都顯著,并且在西北的影響程度明顯高于東南地區,這可能是由于西北地區干旱風險的存在極大的提高了植被對SUHI強度的控制作用;空氣污染在京津冀、甘肅和內蒙古自治區等北方地區對城市熱島有顯著的正向影響,因此針對“2+26”通道城市開展的PM2.5治理環境政策同樣有助于日間城市熱環境的改善,除此之外,PM2.5在安徽、河南、山東、湖北等中東部地區,廣西、湖南等南部地區有著負向的影響,這說明日間城市熱島受PM2.5影響的規律隨著緯度變化可能會有所改變,PM2.5濃度的增加并非總會增強SUHI的水平;城鄉降水差異對城市熱島的影響在大部分地區均為正向,并且在華中地區有著明顯的集聚,這可能是由于城市化進程改變了局地的氣候,從而進一步惡化了城市熱環境;從社會經濟驅動因素的角度來看,人口對城市熱島的影響在部分地區顯著為負,這與前人的研究有較大差異,例如Peng 等[11]的研究中發現,人口對SUHI強度的影響在多數情況下為負向但不顯著,而Manoli 等[13]的研究則顯示人口對SUHI強度通常有正向的影響.造成該結果的原因可能是以統計數據中的年末總人口這項指標表征人類活動強度分析其對SUHI的影響可能存在著一定程度不合理,因此導致包括本文在內多項研究對其分析結果并不穩健,甚至得到相反的結論.但由于本文的研究重點是SUHI強度驅動因素的空間異質性拓展分析,而年末總人口也是大量SUHI驅動因素分析中最常用的指標之一,為了更好的與既往研究相比較,仍然采用了本指標.綜合討論本研究與以往文獻對于人口指標的經驗分析結果表明,基于目前行政區尺度的人口統計數據,人類活動對城市熱島的影響機制尚不明確,因此大都市人口疏解對區域熱環境改善的結果可能需要借助更多公共政策分析的工具才能準確量化.相較而言,建成區面積在大部分地區都對日間SUHI有著正向影響,在甘肅、湖南、湖北及貴州等地區最為顯著.這說明部分地區城市建成區的擴張會極大地提高日間SUHI,但并非北京、上海或深圳等經濟發達地區,并且在江蘇、浙江的部分城市,建成區面積的影響甚至為負,因此通過限制城市面積的擴張對城市熱環境的改善作用需根據不同地區具體分析.夜間燈光強度表征著城市化的強度,在上海、甘肅和內蒙古等地區對SUHI具有顯著的正向影響,在陜西、湖南和重慶等地區的影響則顯著為負,但在北京、深圳和廣州等地區的影響則并不顯著.這說明城市化水平對SUHI影響的機制十分復雜,應更充分考慮其與其他生態、社會指標的耦合協同控制作用從而進行綜合評估.本文對于夜間燈光變量的分析相比于Li等[24]同樣利用本指標的研究,提供了更多空間細節上的經驗證據,可以更有助于分析特定地區城市化強度對SUHI的影響.

圖4 日間GWR模型中變量回歸系數的空間分布

a.城鄉NDVI差異;b.PM2.5;c.城鄉降水差異;d.夜間燈光;e.人口;f.建成區面積

從夜間來看,植被對SUHI的影響明顯小于日間,并且在華北、西南和東北等地區存在著顯著的正向影響,但是在中部等地區與日間同樣存在著負向的影響,這表明植被類型和氣候等因素會導致城鄉植被的差異對SUHI強度的控制方式不同.前人研究通常認為植被對夜間SUHI有著負向的影響,但本文發現這種規律在空間上存在著明顯的結構上的異質性.PM2.5對夜間SUHI的影響僅在東部和南方的部分地區有著顯著的影響,且絕大多數情況下為正值,在安徽和湖北等地區的影響最強,說明PM2.5在經濟較發達的地區會顯著影響夜間熱環境,與日間的規律存在著緯度上的差異.而城鄉降水差異則在華北和西北地區對SUHI有著顯著的正向影響,同樣與其日間的規律在緯度上來看有很大的不同.上述對PM2.5和城鄉降水差異與SUHI關系的分析說明,自然因素對SUHI的控制情況隨著太陽輻射強度的改變有著明顯差異,甚至存在著截然相反的控制規律,對城鄉環境的改善需充分考慮日間和夜間的特點從而采取不同的措施.社會經濟驅動因素對SUHI的影響無論是強度和顯著的范圍相比日間明顯有所增大.夜間燈光在北方基本對所有城市均有著顯著的影響,且絕大多數地區均為正值,這說明北方地區城市的發展強度顯著提高了SUHI.人口對SUHI的影響在西部地區的甘肅、云南、廣西等地區顯著為負,而在東北地區則顯著為正,建成區面積對SUHI的影響則恰好相反,在東北地區為負,西部地區為正.這說明人類的活動與城市發展對夜間SUHI的影響機制存在較大的差異,針對夜間的城市熱島減緩需要權衡兩者之間的關系從而針對不同地區制定相關的國土空間規劃或人口政策.

綜合分析本研究所涉及的6項驅動因素發現,所有因素對SUHI影響的空間異質性都十分顯著,說明了本研究應用GWR模型進行分析的必要性. GWR模型的結果相比傳統的全局線性回歸模型提供了大量包含空間位置信息的具體細節,因此對于驅動因素的分析則更側重于得到不同城市、地區的針對性結論.但總體來看,植被作為城市溫度的調節器對SUHI的控制作用最為強烈,日間顯著為負,而夜間則根據地理位置的不同在部分地區存在正向的影響;其次為夜間燈光、人口和建成區等社會經濟因素,最后為降水和PM2.5等自然和氣象因素.

圖5 夜間GWR模型中變量回歸系數的空間分布

a.城鄉NDVI差異;b.PM2.5;c.城鄉降水差異;d.夜間燈光;e.人口;f.建成區面積

3 結論

3.1 中國的地表城市熱島存在著顯著的空間自相關性,因此以往利用全局模型忽略了其空間性的驅動因素研究可能存在偏誤.而GWR模型不僅顯著的提高了模型的解釋力,并且從空間變系數的角度提供了更豐富的驅動力解釋信息.除日間的城鄉植被因素差異外,其余驅動因素對地表城市熱島強度的影響方向均存在著結構性的差異.

3.2 總體來講,植被基本在全國所有地區都是日間城市熱島最主要的驅動力,城鄉植被差異的減小可以顯著的降低日間的SUHI,而空氣污染和社會經濟驅動因素對SUHI的影響則根據地理位置的不同有著顯著的差異,例如京津冀地區的空氣污染水平對SUHI有著顯著的正向影響.

3.2 城市熱環境的影響機制復雜、空間異質性強,其治理與改善需要社會多方的長期努力.本研究建議無論是面向高質量發展的國土空間布局優化或城市環境改善的具體政策的制定,都應當充分考慮區域間的特點因地制宜的采取不同的舉措.例如,限制城區面積的擴張對日間城市熱島的減緩可能在一些中部地區和西北更為有效,而空氣污染的協同治理則是中東部地區夜間城市熱環境改善的最有效的舉措之一.

[1] Howard L. Climate of London deduced from meteorological observation [J]. Harvey and Darton, 1833,1(3):1-24.

[2] Lai J, Zhan W, Huang F, et al. Identification of typical diurnal patterns for clear-sky climatology of surface urban heat islands [J]. Remote Sensing of Environment, 2018,217:203-220.

[3] Schwarz N, Manceur A M. Analyzing the influence of urban forms on surface urban heat islands in Europe [J]. Journal of Urban Planning and Development, 2015,141(3):A4014003.

[4] Clinton N, Gong P. MODIS detected surface urban heat islands and sinks: Global locations and controls [J]. Remote Sensing of Environment, 2013,134:294-304.

[5] Zhou D C, Zhao S Q, Zhang L X, et al. The footprint of urban heat island effect in China [J]. Scientific Reports, 2015,5(1):1-11.

[6] Quan J L, Zhan W F, Chen Y H, et al. Time series decomposition of remotely sensed land surface temperature and investigation of trends and seasonal variations in surface urban heat islands [J]. Journal of Geophysical Research-Atmospheres, 2016,121(6):2638-2657.

[7] Chakraborty T, Lee X. A simplified urban-extent algorithm to characterize surface urban heat islands on a global scale and examine vegetation control on their spatiotemporal variability [J]. International Journal of Applied Earth Observation and Geoinformation, 2019,74: 269-280.

[8] 趙安周,裴 韜,曹 森,等.京津冀城市擴張對植被和地表城市熱島的影響 [J]. 中國環境科學, 2020,40(4):1825-1833.

Zhao A, Pei T, Cao S, et al. Impacts of urbanization on vegetation growth and surface urban heat island intensity in the Beijing-Tianjin- Hebei [J]. China Environmental Science, 2020,40(4):1825-1833.

[9] 胡李發,謝元禮,崔思穎,等.關中平原城市群夏季城市熱島特征及驅動力分析 [J]. 中國環境科學, 2021,21(3):45-57.

Hu L F, Xie Y L, Cui S Y, et al. Characteristics and driving forces analysis of urban heatisland in Guanzhong Plain urban agglomeration in summer [J]. China Environmental Science, 2021,21(3):45-57.

[10] 雷金睿,陳宗鑄,吳庭天,等.1989～2015年海口城市熱環境與景觀格局的時空演變及其相互關系 [J]. 中國環境科學, 2019,39(4):1734- 1743.

Lei J R, Chen Z Z, WU T T, et al. Spatio-temporal evolution and interrelationship between thermal environment and landscape patterns of Haikou City, 1989～2015 [J]. China Environmental Sciencece, 2019, 39(4):1734-1743.

[11] Peng S, Piao S, Ciais P, et al. Surface urban heat island across 419global big cities [J]. Environmental Science & Technology, 2012, 46(2):696-703.

[12] Zhou D, Zhao S, Zhang L, et al. Remotely sensed assessment of urbanization effects on vegetation phenology in China's 32major cities [J]. Remote Sensing of Environment, 2016,176:272-281.

[13] Manoli G, Fatichi S, Schl?pfer M, et al. Magnitude of urban heat islands largely explained by climate and population [J]. Nature, 2019,573(7772):55-60.

[14] Li D, Liao W, Rigden A J, et al. Urban heat island: Aerodynamics or imperviousness? [J]. Science Advances, 2019,5(4):eaau4299.

[15] Wan Z M. New refinements and validation of the collection-6MODIS land-surface temperature/emissivity product [J]. Remote Sensing of Environment, 2014,140:36-45.

[16] Wei J, Li Z, Lyapustin A, et al. Reconstructing 1-km-resolution high- quality PM2.5data records from 2000 to 2018 in China: spatiotemporal variations and policy implications [J]. Remote Sensing of Environment, 2021,252:112136.

[17] Peng S, Ding Y, Liu W, et al. 1km monthly temperature and precipitation dataset for China from 1901 to 2017 [J]. Earth System Science Data, 2019,11(4):1931-1946.

[18] Li X, Zhou Y, Zhao M, et al. A harmonized global nighttime light dataset 1992～2018 [J]. Scientific Data, 2020,7(1):1-9.

[19] 中國統計出版社《中國城市統計年鑒》[M]. 北京:中國統計出版社, 2018.

China Statistics Press. China city statistical year book [M]. Beijing: China Statistics Press, 2018.

[20] Niu L, Tang R, Jiang Y, et al. Spatiotemporal patterns and drivers of the surface urban heat island in 36major cities in China: A comparison of two different methods for delineating rural areas [J]. Sustainability, 2020,12(2):478.

[21] Lai J, Zhan W, Huang F, et al. Does quality control matter? Surface urban heat island intensity variations estimated by satellite-derived land surface temperature products [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018,139:212-227.

[22] Moran P A. Notes on continuous stochastic phenomena [J]. Biometrika, 1950,37(1/2):17-23.

[23] Fotheringham A S, Brunsdon C, Charlton M. Geographically weighted regression: The analysis of spatially varying relationships [M]. John Wiley & Sons, 2003.

[24] Li Y, Sun Y, Li J, et al. Socioeconomic drivers of urban heat island effect: Empirical evidence from major Chinese cities [J]. Sustainable Cities and Society, 2020,63:102425.

China’s surface urban heat island drivers and its spatial heterogeneity.

NIU Lu1, ZHANG Zheng-feng1*, PENG Zhong2,3, JIANG Ya-zhen2,3, LIU Meng4, ZHOU Xiao-min5, TANG Rong-lin2,3

(1.School of Public Administration and Policy, Renmin University of China, Beijing 100872, China；2.State Key Laboratory of Resources and Environment Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China；3.University of Chinese Academy of Sciences, Beijing 100049, China；4.Key Laboratory of Agricultural Remote Sensing, Ministry of Agriculture and Rural Affairs, Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China；5.School of Civil Engineering, Lanzhou University of Technology, Lanzhou 730050, China)., 2022,42(2)：945～953

Based on satellite remote sensing data acquired through Moderate Resolution Imaging Spectrometer (MODIS), not only was the annual mean surface urban heat island intensity of 284prefecture-level cities in 2018 figured out, but spatial distribution patterns and spatial agglomeration models of surface urban heat islands in China were analyzed. Combining multivariate remote sensing data, meteorological data and socioeconomic statistics, a geographically weighted regression model was utilized to analyze spatial heterogeneity in main drivers for surface urban heat island intensity during daytime and nighttime. As demonstrated by relevant results, an obvious spatial autocorrelation existed in spatial distribution of China’s surface urban heat island intensity. Compared with the traditional global ordinary least squares (OLS) model, interpretation of the drivers was significantly improved according to the geographically weighted regression model. Moreover, determination coefficients for daytime and nighttime increased from 0.651 and 0.189 in the OLS model to 0.876 and 0.659 respectively. In addition, both the residual sum of squares and the Akaike information criterion were calculated to be lower by the geographically weighted regression model. In terms of the drivers, vegetation placed a significantly negative influence on surface urban heat island intensity during the daytime, while structural differences were proved to exist in directions of influence that was applied by other factors along with geographic position changes. On the whole, surface urban heat island intensity was most significantly affected by differences in urban and rural vegetation in daytime; but at night, it was susceptible to socio-economic factors.

urban heat island；urban environment；thermal infrared remote sensing；land use；MODIS；spatial heterogeneity；geographically weighted regression；drivers

X87

A

1000-6923(2022)02-0945-09

牛 陸(1993-),男,內蒙古烏海人,中國人民大學博士研究生,主要從事城市土地管理,城市遙感等方面的研究.發表論文10余篇.

2021-06-25

國家自然科學基金資助項目(71874196,42077433);中國人民大學2021年度拔尖創新人才培育資助計劃成果

* 責任作者, 教授, zhangzhengfeng@ruc.edu.cn