基于最優粒度的城市熱環境與景觀特征耦合分析

蘇王新,張劉寬,常 青

基于最優粒度的城市熱環境與景觀特征耦合分析

蘇王新,張劉寬,常 青*

(中國農業大學園藝學院,北京 100193)

綜合Landsat和國產高分2號遙感影像反演地表溫度、劃分地表覆被類型,通過劃分100m×100m ～ 1000m×1000m等多個網格單元,分析北京市五環內熱環境影響因素的粒度效應;并基于最優粒度分析城市景觀組分和構型特征與熱環境特征的相互關系.結果表明:隨粒度增加,網格單元內平均地表溫度和不透水地表(IS)、植被水體(GWS)面積比的相關系數先減小后逐漸上升,相關系數在600m×600m處趨于平緩,說明北京市五環內熱環境對景觀的響應特征在此粒度下最敏感;基于最優粒度的1796個網格中,溫度平均值(m)與不透水地表面積比(0.723)、植被水體面積比(-0.715)顯著相關,溫度標準差(s)與不透水地表面積比(-0.051)、水體面積比(0.054)顯著相關;網格內主導景觀類型占比達到一定程度后,其占比增加或減少會導致熱環境迅速變化;基于IS和GWS景觀格局與熱環境的相關分析顯示,m與不透水最大斑塊指數(LPI_IS)(0.665)、植被水體結合度指數(COHENSION_GWS) (-0.547)相關性最顯著,當網格內GWS占比大于40%時,植被水體斑塊面積越大、空間連通性越高,越有利于改善熱環境.

城市熱島；景觀組分；景觀格局；網格分析；熱緩解；基于自然的解決方案

目前,城市熱島效應的研究主要集中在景觀格局[1-3]、城市熱浪[4]、藍綠基礎設施降溫[5-6]、高溫熱脆弱性[7]、熱緩解規劃設計[8-10]等方面.多數肌理研究認為不透水表面(IS)、植被(GS)和水體(WS)等景觀組分是影響城市熱環境的典型因素[1-3,5,8,10-12].植被和水體作為城市藍綠基礎設施(GBI)的典型地表特征,結合適當的城市幾何結構及配置,在緩解熱島效應和提供熱舒適環境方面顯示出了巨大的潛力[8-11,13],可為應對氣候變化提供基于自然的城市熱環境解決方案.研究人員和城市規劃設計者提出了諸多的方法和策略[10,14-16],以通過降低城市應對未來氣候變化的脆弱性來適應逐漸嚴峻的熱緩解挑戰[10,17],基于自然的解決方案(NbS)備受關注.

然而,城市熱環境具有明顯的尺度特征[18-19],面向城市熱緩解解決方案需合適的尺度.探究地表溫度(LST)對景觀組分變化響應的最敏感空間單元范圍,即最優粒度,對于面向城市熱環境的自然解決方案設定具有重要的尺度指示作用.目前,針對城市熱環境的尺度研究,多涉及空間分辨率的粒度效應及時空范圍的幅度效應[18-22],缺少最佳尺度上的景觀特征耦合研究.不同空間分辨率網格具有不同的比例因子,對城市熱環境的研究具有較大影響[23].因此,在特定尺度上研究和分析城市熱環境,把握熱緩解格局與過程的發生、時空分布、相互耦合等特征的內在規律,有助于解決城市熱緩解的尺度依賴性,從而指導城市熱緩解規劃設計實踐的場地范圍選擇[18,24-26].城市熱環境的最優粒度分析作為揭示城市熱島景觀特征的主要手段,是銜接熱環境尺度效應研究與熱緩解規劃設計實踐的重要紐帶[12,20,23].為探究城市熱環境研究的最優粒度,本研究以北京市為例,基于高分辨率衛星影像解譯數據,分析北京市五環景觀組分與地表溫度(LST)在多分辨率網格單元內的尺度響應特點,探究IS-LST、GS-LST關系的尺度響應特點,并基于最優粒度分析城市單元的景觀組分和格局特征與熱環境的關系,旨在深化對城市熱環境最優粒度分析的認識,為城市景觀熱緩解規劃設計提供科學支撐.

1 材料與方法

1.1 研究區和數據來源

北京市(39°28′N～41°50′N,115°25′E～117°30′E)屬溫帶大陸性季風氣候,夏季濕熱,冬季涼爽干燥.伴隨著快速的城市化和人口增長,近40a間(1978～2018年),北京市平均氣溫從11℃上升到14℃,最高氣溫由35℃上升到41℃,最低氣溫由-15℃上升到-11℃[27].本文以城市化率高、人口密度集中的北京市五環路以內區域為研究對象.

遙感數據來源于中國資源衛星應用中心(http://www.cresda.com)空間分辨率為1m的國產高分2號遙感影像數據(2017年8月)和地理空間數據云(http://www.gscloud.cn)空間分辨率為30m 的Landsat TM(2017年9月)數據.

1.2 地表溫度反演與景觀組分

Landsat影像經過輻射定標、大氣校正、正射校正、圖像融合、裁剪與增強等預處理后,基于ENVI5.3軟件平臺,通過熱紅外(TIR)波段(10.60～ 11.90mm),使用大氣校正法對1a的影像進行地表溫度的反演計算.通過圖像輻射定標、地表比輻射率計算、黑體輻射亮度與地表溫度計算等步驟得到北京市LST制圖結果.研究采用歸一化植被指數(NDVI)閾值法計算地表比輻射率.具體的熱環境特征分析主要涉及:溫度平均值(m)、溫度值域(r)和溫度標準差(s)3個特征指標.m度量網格內的溫度平均值,其值越高代表網格越熱,越低代表網格越涼;r度量網格內溫度變量的取值范圍,其值越高代表網格內部溫度變化越大,越低代表網格內部溫度變化越小;s度量溫度數據的離散程度,其值越高代表網格內像元點溫度的離散程度越大,越低代表離散程度越小.其中,r和s越大的網格,由于內部溫度的不均勻分布,導致冷熱空氣流動,熱交換更強.

不透水、植被和水體等景觀組分是影響城市熱環境的典型因素,裸地作為城市中的未利用地,其未來的發展方向將顯著影響城市熱島的演化,因而本研究的景觀組分分析主要涉及此4類的占比情況.GF-2號數據經前處理后,基于eCognition軟件平臺通過多尺度分割法進行面向對象監督分類,結合區域實際情況設定并調試分割及分類參數,將研究區劃分為不透水、植被、水體和裸地4種類型.通過隨機選點目視判斷其景觀類型,與劃分類型對比進行精度檢驗,結果顯示整體解譯精度為86.7%,整體滿足實驗數據分析要求.植被和水體作為重要的藍綠基礎設施,在調節城市氣候方面具有重要作用,下文分析中,將具體通過植被和水體(GWS)來分析藍綠基礎設施格局特征.

1.3 統計分析

數據分析主要采用相關性分析和景觀格局指數分析.基于ArcGIS 10.6軟件平臺,考慮到遙感數據的柵格尺寸和規劃設計的可實踐性,分別設置: 100,200,300,400,500,600,700,800,900,1000m共10種網格尺寸,統計以上不同大小網格單元的景觀組分和平均LST.基于SPSS 26.0軟件平臺,通過皮爾遜相關性分析和線性回歸分析,探討景觀組分與LST 的相關系數隨網格單元分辨率的變化特征,以此確定LST對景觀組分變化響應的最敏感空間單元,即最優粒度.景觀格局分析,具體包括類型水平的最大斑塊指數(LPI)、平均斑塊面積(Area_MN)、散布與并列指數(IJI)、結合度指數(COHESION)4個指數,通過景觀指數計算軟件Fragstats4.2分析網格單元內景觀格局特征.

2 結果與分析

2.1 IS-LST、GS-LST關系的尺度響應特點

基于地表溫度圖和景觀分類圖(圖1),劃分10種大小不同的網格單元,分析其內平均LST與景觀組分占比間的相關性.由圖2可知,不透水地表占比與LST呈正相關,植被、水體占比與LST呈負相關.不透水地表占比與LST的皮爾森相關系數和線性回歸系數分別在300m(0.20)、400m(3.30)處最低,后逐漸上升并在600m(0.72、6.82)處趨于平穩;植被占比與LST的皮爾森相關系數和線性回歸系數在300m(-0.07、-0.57)處最低,后逐漸上升并在600m (-0.61、-6.65)處趨于平穩;水體占比與LST的皮爾森相關系數和線性回歸系數分別在300m(-0.15)和100m(-6.16)處最低,后逐漸上升并在600m(-0.42、-10.33)處趨于平穩.

不同大小網格單元內均呈現植被和不透水地表與LST的相關系數明顯高于水體和裸地與LST的相關系數,相關系數300～500m波動明顯,在600m×600m達到最大后趨于平緩,說明北京市五環內熱環境特征在此粒度下最敏感.后文將基于600m×600m的最優粒度,進行景觀格局分析.

圖1 北京市五環內景觀組成(a)、溫度(b)

圖2 LST與景觀組分占比皮爾森相關性系數(a)和相關性回歸系數(b)

2.2 景觀組成與熱環境的關系

基于600m′600m的最優粒度,北京市五環內共1796個網格.網格內景觀組成占比呈現:不透水地表(52.93%)>植被(38.03%)>裸地(7.17%)>水體(1.87%).景觀組成與熱環境的皮爾遜相關性分析結果顯示(表1):景觀組成與m相關性顯著,與s相關性部分顯著,與r不存在相關性.其中m與不透水地表(0.723)呈顯著正相關且相關性最高,與植被水體(-0.715)、植被(-0.608)、水體(-0.419)和裸地(-0.053)呈顯著負相關,說明不透水地表占比越低,植被水體占比越高的網格,其內平均溫度越低;s與不透水地表(-0.051)呈顯著負相關,與水體(0.054)呈顯著正相關,說明不透水地表占比越低、水體占比越高的網格,其內溫度的離散程度越大,冷熱交換能力更強.

基于皮爾遜相關系數最高的IS_m和GWS_m進行排序分析顯示(圖3):整體的600m′600m網格內不透水地表占比和植被水體占比均呈現兩邊變化迅速,中間變化緩慢的S型曲線,不透水地表和植被水體的上四分位數分別為64.86%、47.96%,中位數分別為55.94%、37.80%,下四分位數分別為44.04%、29.25%,整體說明北京市五環內網格內不透水地表占比明顯高于植被水體.

表1 熱環境特征與景觀組成特征相關性

注:**在0.01級別(雙尾),相關性顯著;*在0.05級別(雙尾),相關性顯著.sig即值,代表假設檢驗中的顯著性.

圖3 不同景觀組分占比與平均溫度關系(a)不透水(IS)(b)植被水體(GWS)

圖4 景觀組分與平均溫度分段斜率(a、b)線性回歸(c、d)

隨著不透水地表占比的減小,m呈現S型下降的趨勢;隨著植被水體占比的增加,m呈現逐漸減小的趨勢.按照景觀組分5%的間隔分段,分析景觀組分與熱環境的斜率變化,不透水地表整體呈現波動減小的變化趨勢(圖4a),植被水體呈現先減小后增加的變化趨勢(圖4b),在IS占比為35%～40%、GWS占比為30%～35%時,景觀組分與熱環境相關性斜率出現明顯的轉折.在不透水方面(圖4c),當IS占比小于35%時,隨著IS占比的減少,m降低趨勢相對更迅速,其線性回歸方程為:= 8.81+ 28.23(2 = 0.29);當IS占比大于35%時,m降低趨勢相對更緩慢,其線性回歸方程分別為:= 0.07+ 28.74(2 = 0.34).在植被水體方面(圖4d),當GWS占比大于30%時,隨著GWS占比增加,m下降趨勢相對更迅速,其線性回歸方程為:= -7.90+ 35.61(2=0.54);當GWS占比小于30%時,m下降趨勢相對更緩慢,其線性回歸方程為:= -4.69+ 34.43(2=0.05).說明網格內主導景觀類型占比達到一定程度后,其增加和減少會導致熱環境更迅速的變化.

2.3 景觀格局與熱環境的關系

不透水地表和植被水體的景觀格局與熱環境指標的皮爾遜相關性分析結果顯示(表2):m與LPI、AREA_MN、IJI、COHESION4個景觀格局指數呈顯著相關;除LPI_IS、AREA_MN_IS之外,r和s與其它景觀格局指數均呈顯著相關.

不透水地表景觀格局指數與熱環境特征相關性排序為:LPI_m(0.665)> COHESION_m(0.530)> AREA_MN_m(0.479)> IJI_m(-0.140),說明大型不透水地表斑塊越少,結合度越低,平均斑塊面積越小,越分散,網格平均溫度越低;COHESION_r(0.088)> IJI_s(0.085)>COHESION_s(0.070)>IJI_r(0.058),說明不透水地表斑塊結合度越高、越分散,網格內溫度變化范圍越大、離散程度越大,更利于內部的熱交換.

植被景觀格局指數與熱環境特征相關性排序為: COHESION_m(-0.547)>LPI_m(-0.544)>AREA_MN_m(-0.402)>IJI_m(-0.353),說明綠地水體斑塊結合度越高,大型斑塊越多,平均斑塊面積越大,越分散,網格溫度越低;r和s與AREA_MN (-0.090/ -0.077)呈負相關,與LPI(0.131/0.225)>COHESION (0.098/ 0.155)>IJI(0.078/0.122),說明植被水體平均斑塊面積越小,大型斑塊越多,斑塊結合度越高,越分散,網格內溫度變化范圍越大、離散程度越大,更利于內部的熱交換.

表2 熱環境特征與景觀格局特征相關性

注:**在0.01級別(雙尾),相關性顯著;*在0.05級別(雙尾),相關性顯著.sig即值,代表假設檢驗中的顯著性.

基于皮爾遜相關系數最高的LPI_m和COHESION_m按照景觀組分5%間隔分段,分析景觀格局與熱環境的斜率變化(圖5a、b):LPI與熱環境斜率呈現“U型”變化趨勢,在IS占比60% ～ 65%、GWS占比40%～45%時,相關性斜率出現明顯轉折. COHENSION_IS和COHENSION_GWS分別與熱環境斜率呈倒U型和U型變化趨勢,在IS、GWS占比40%～45%時,相關性斜率出現明顯轉折.

在最大斑塊指數方面(圖5c、d),LPI_IS和m的線性回歸方程為:=0.04+31.02(IS>60%,2=0.11)、=0.05+30.00(IS<60%,2=0.32),LPI_GWS和m的線性回歸方程為:=-0.03+33.23(GWS>40%,2= 0.25)、=-0.01+33.45(GWS<40%,2=0.02),說明不透水地表占比小于60%時,LPI_IS越小,m降低越快;植被水體占比大于40%時,斑塊面積(LPI_GWS)越大,m降低越快.

在景觀結合度指數方面(圖5e、f), COHENSION_ IS和m的線性回歸方程為:=3.54-320.60(IS>40%,2=0.13)、=0.70-38.56(IS<40%,2=0.23); COHENSION_ GWS和m的線性回歸方程為:=-3.11+341.20 (GWS>40%,2=0.24)、=-0.67+99.19 (GWS<40%,2=0.11),說明當不透水地表占比大于40%時, COHENSION_IS越小,m降低越快;植被水體占比大于40%時,空間連通性(COHESION_GWS)越高,m降低越快.

3 討論

3.1 城市熱環境最優粒度分析

城市熱環境具有空間異質性與尺度依賴性.研究表明IS和GS是城市熱環境的典型因素[29-30],但不同尺度下城市熱環境響應特征會有所不同.本研究結果表明,北京市五環內地表溫度對IS、GS、WS等景觀特征的響應在600m′600m時較為敏感.這與多數國內外學者的研究結論相似,如Govil等[31]分析結果顯示,地表溫度在不同空間分辨率(30～960m)下與NDVI呈中至強負相關,與改進型歸一化差值不透水表面指數(MNDISI)呈弱負至中正相關,且較粗分辨率(840～960m)由于同質性較強,相關系數值較強;劉宇鵬等[32]采用U-TAE算法對長沙市城市熱島信息的提取表明,660m′660m的尺度能夠對城市熱島的范圍、強度、空間構成及大面積提取穩定程度具有較好的效果.

由于城市形態肌理和背景氣候的差異性,城市熱環境最優粒度的研究結果在不同地域也存在一定的差別.印度勒克瑙市景觀組分受LST影響最大的最佳尺度為210～270m[23].南京市的結果顯示, 300m網格時,4種地表特征參數與地表溫度的相關性最有解釋力[33].珠江三角洲的研究顯示,對熱島格局進行景觀指數計算的適宜粒度范圍為30～ 150m[18].美國印第安納波利斯市的植被覆蓋率、NDVI和LST相關性最強的分辨率為120m[34].可見,熱環境最優粒度分析是制定城市熱緩解方案的前提和基礎,有利于提升方案適應性.

3.2 對基于自然的熱緩解方案的啟示

基于自然的解決方案作為一種減緩和適應氣候變化的綜合手段,能夠有效應對氣候變化和未來的城市熱環境風險.藍綠基礎設施作為緩解和適應城市熱環境的一種解決方案,通過遮陰作用和蒸散作用緩解城市熱環境,但不同綠化格局、植物配置、物種選擇等都對綠色基礎設施的降溫效應具有顯著的影響[10-15];在減少居民熱應激,降低熱島引起的發病率和死亡率方面具有重要作用[6,11].

當地的土地使用模式、建筑形式和氣候因素等影響著可能的熱緩解策略[28-29].《基于自然的解決方案全球標準》[35]中要求“應根據尺度來設計NbS”.本研究可為未來高密度建成區內城市街道尺度應對未來氣候變化的基于自然的熱環境解決方案設定提供指導.基于最優粒度(660m′660m)的熱環境與景觀特征耦合分析結果顯示:在熱緩解方面,當不透水地表占比大于60%時,應盡可能增加植被水體占比;當不透水地表占比是40%～60%時,減少不透水地表占比的同時,通過分散設置公園綠地等植被水體以減小不透水地表斑塊的結合度,緩解熱聚集.在熱環境優化方面,當植被水體占比大于40%時,增加植被水體斑塊面積比的同時,通過藍綠廊道建設提高其同周邊植被水體斑塊的結合度,可使LST降低更迅速.另一方面,可將空置的裸地開發為綠地和水體,同時增強其同周邊優質綠地斑塊之間的連通性,進而提高其提供生態系統服務的潛力,緩解其帶來的社會和環境挑戰.基于此,有針對性的進行場地熱緩解規劃,基于現狀數據收集、風景園林設計以及健康政策的執行,采用藍綠灰色基礎設施[9-10,36-37]以及心理改善措施[38]等,創造滿足使用者需求的涼爽空間.

4 結論

4.1 北京市五環內熱環境對不透水地表(IS)和植被水體(GWS)等景觀組分的響應特征在600m×600m粒度下最敏感.

4.2 網格內景觀組成與m相關性顯著,與s相關性部分顯著,與r相關性不顯著,其中IS(0.723)、GWS(-0.715)和m之間的相關性最高.當網格內植被水體占比大于30%時,隨著GWS占比的增加,m降低更迅速;當網格內IS占比小于35%時,隨著不透水地表占比的減小,m降低更迅速,說明網格內主導景觀類型占比達到一定程度后,其增加和減少會導致熱環境更迅速的變化.

4.3 植被水體和不透水地表景觀格局指數(LPI、COHESION、AREA_MN、IJI)與m相關性顯著,與s和r部分相關性顯著,其中LPI_IS(0.665)、COHENSION_GWS(-0.547)與m的相關性最高;當植被水體占比大于40%時,最大斑塊指數(LPI)、結合度指數(COHESION)越大,m下降越快,說明當植被水體景觀占比達到一定程度后,其斑塊面積越大、空間連通性越高,越有利于冷空氣形成,從而改善熱環境.

[1] 錢敏蕾,徐藝揚,李 響,等.上海市城市化進程中熱環境響應的空間評價 [J]. 中國環境科學, 2015,35(2):624-633.

Qian M L, Xu Y Y, Li X, et al. An assessment of spatial thermal environmental response to rapid urbanization of Shanghai [J]. China Environmental Science, 2015,35(2):624-633.

[2] 黃木易,岳文澤,何 翔.巢湖流域地表熱環境與景觀變化相關分析及其尺度效應 [J]. 中國環境科學, 2017,37(8):3123-3133.

Huang M Y, Yue W Z, He X. Correlation analysis between land surface thermal environment and landscape change and its scale effect in Chaohu Basin [J]. China Environmental Science,2017,37(8):3123- 3133.

[3] Li J X, Song C H, Cao L, et al. Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China [J]. Remote Sensing of Environment, 2011,115(12):3249-3263.

[4] He X, Wang J, Feng J, et al. Observational and modeling study of interactions between urban heat island and heatwave in Beijing [J]. Journal of Cleaner Production, 2019,247:119169.

[5] Zhang Y Z, Zhan Y L, Yu T, et al. Urban green effects on land surface temperature caused by surface characteristics: A case study of summer Beijing metropolitan region [J]. Infrared Physics & Technology, 2017, 86:35-43.

[6] Matthews T, Lo A Y, Byrne J A. Reconceptualizing green infrastructure for climate change adaptation: barriers to adoption and drivers for uptake by spatial planners [J]. Landscape and Urban Planning, 2015,138:155-163.

[7] Harlan S L, Brazel A J, Prashad L, et al. Neighborhood microclimates and vulnerability to heat stress [J]. Social Science and Medicine, 2006, 63(11):2847-2863.

[8] Gunawardena K R, Wells M J, Kershaw T. Utilising green and blue space to mitigate urban heat island intensity [J]. Science of the Total Environment, 2017,584–585:1040-1055.

[9] Sen S, Roesler J, Ruddell B, et al. Cool pavement strategies for urban heat island mitigation in suburban phoenix [J]. Arizona Sustainability, 2019,11(16):4452.

[10] Norton B A, Coutts A M, Livesley S J, et al. Planning for cooler cities: A framework to prioritise green infrastructure to mitigate high temperatures in urban landscapes [J]. Landscape and Urban Planning, 2015,134:127-138.

[11] Tzoulas K, Korpela K, Venn S, et al. Promoting ecosystem and human health in urban areas using Green Infrastructure: A literature review [J]. Landscape and Urban Planning, 2007,81(3):167-178.

[12] Estoque R C, Murayama Y, Myint S W. Effects of landscape composition and pattern on land surface temperature: An urban heat island study in the megacities of Southeast Asia [J]. Science of the Total Environment, 2017,577:349-359.

[13] Akbari H, Cartalis C, Kolokotsa D, et al. Local climate change and urban heat island mitigation techniques – the state of the art [J]. Journal of Civil Engineering & Management, 2016,22(1):1-16.

[14] Akbari H, Kolokotsa D. Three decades of urban heat islands and mitigation technologies research [J]. Energy & Buildings, 2016, 133:834-852.

[15] Qi J, Ding L, Lim S. Planning for cooler cities: A framework to support the selection of urban heat mitigation techniques [J]. Journal of Cleaner Production, 2020,275:122903.

[16] Jamei E, Ossen D R, Seyedmahmoudian M, et al. Urban design parameters for heat mitigation in tropics [J]. Renewable and Sustainable Energy Reviews, 2020,134:110362.

[17] Patz J A, Campbell-Lendrum D, Holloway T, et al. Impact of regional climate change on human health [J]. Nature, 2005,438(7066):310-317.

[18] 郭冠華,陳穎彪,魏建兵,等.粒度變化對城市熱島空間格局分析的影響[J]. 生態學報, 2012,32(12):3764-3772.

Guo G H, Chen Y B, Wei J B, et al. Impacts of grid sizes on urban heat island pattern analysis [J]. Acta Ecologica Sinica, 2012,32(12):3764- 3772.

[19] 陳命男,張 浩,唐靖寅,等.上海城市地表熱環境多時期遙感研究 [J]. 中國環境科學, 2011,31(7):1143-1151.

Chen M N, Zhang H, Tang J Y, et al. Study on the thermal environment of land surface in Shanghai with multi-temporal remote sensing images [J].China Environmental Science, 2011,31(7):1143-1151.

[20] 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 Science, 2019, 39(4):1734-1743.

[21] Zhou W, Cao F. Effects of changing spatial extent on the relationship between urban forest patterns and land surface temperature [J]. Ecological Indicators, 2020,109:105778.

[22] Du S H, Xiong Z Q, Wang Y C, et al. Quantifying the multilevel effects of landscape composition and configuration on land surface temperature [J]. Remote Sensing of Environment, 2016,178:84-92.

[23] Shukla A, Jain K. Analyzing the impact of changing landscape pattern and dynamics on land surface temperature of Lucknow city, India [J]. Urban Forestry and Urban Greening, 2020,58:126877.

[24] 陳利頂,李秀珍,傅伯杰,等.中國景觀生態學發展歷程與未來研究重點[J]. 生態學報, 2014,34(12):3129-3141.

Chen L D, Li X Z, Fu B J,et al. Development history and future research priorities of landscape ecology in China [J]. Acta Ecologica Sinica, 2014,34(12):3129-3141.

[25] Hamilton I G, Davies M, Gauthier S. London's urban heat island: A multi-scaled assessment framework [J]. Urban Design and Planning, 2013,166(DP3):164-175.

[26] Liang B, Weng Q. Multiscale analysis of census-based land surface temperature variations and determinants in Indianapolis, United States [J]. Journal of Urban Planning & Development, 2008,134(3):129-139.

[27] 北京市統計局,國家統計局北京調查總隊.北京市統計年鑒2020 [M]. 北京:中國統計出版社, 2020.

Beijing Municipal Bureau of Statistics, NBS Survey Office in Beijing. Beijing statical yearbook 2020 [M]. Beijing: China Statistics Press, 2020.

[28] Alkhaled S, Coseo P J, Brazel A J, et al. Between aspiration and actuality: A systematic review of morphological heat mitigation strategies in hot urban deserts [J]. Urban Climate, 2020,31:100570.

[29] Sharifi A. Trade-offs and conflicts between urban climate change mitigation and adaptation measures: A literature review [J]. Journal of Cleaner Production, 2020,276:122813.

[30] 郭 宇,王宏偉,張 喆,等.南京市熱環境與地表覆被的時空尺度效應及驅動機制研究 [J]. 生態環境學報, 2020,29(7):1403-1411.

Guo Y, Wang H W, Zhang Z, et al. Spatio-temporal scale effect and driving mechanism of thermal environment and land surface cover in Nanjing [J]. Ecology and Environmental Sciences, 2020,29(7):1403- 1411.

[31] Govil H, Guha S, Diwan P, et al. Analyzing linear relationships of LST with NDVI and MNDISI using various resolution levels of landsat 8OLI and TIRS Data [C]//Sharma N, Chakrabarti A, Emilia Balas V, Data Management, Analytics and Innovation. Springer, Advances in Intelligent Systems and Computing, 2020:171-184.

[32] 劉宇鵬,楊 波,陳 崇.U-TAE算法提取城市熱島信息的空間尺度分析 [J]. 地理科學進展, 2011,30(9):1118-1124.

Liu Y P, Yang B, Cheng C. Spatial scale analysis of the methods using U-TAE algorithm to extract the information of urban heat island [J]. Progress in geography, 2011,30(9):1118-1124.

[33] Min M, Lin C, Duan X J, et al. Spatial distribution and driving force analysis of urban heat island effect based on raster data: A case study of the Nanjing metropolitan area, China [J]. Sustainable Cities and Society, 2019,50:101637.

[34] Weng Q, Lu D, Schubring J. Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies [J]. Remote Sensing of Environment, 2015,89(4):467-483.

[35] IUCN. Global Standard for Nature-based Solutions. A user-friendly framework for the verification, design and scaling up of Nb S [R]. Switzerland: International union for conservation of nature, 2020.

[36] Lai D, Liu W Y, Gan T, et al. A review of mitigating strategies to improve the thermal environment and thermal comfort in urban outdoor spaces [J]. Science of the Total Environment, 2019,661: 337-353.

[37] Tan Z, Lau K K L, Ng E. Urban tree design approaches for mitigating daytime urban heat island effects in a high-density urban environment [J]. Energy and Buildings, 2016,114:265-274.

[38] Wang H, Liu G, Hu S, et al. Experimental investigation about thermal effect of colour on thermal sensation and comfort [J]. Energy and Buildings, 2018,173:710-718.

Coupling analysis of urban thermal environment and landscape characteristics based on optimal granularity.

SU Wang-xin, ZHANG Liu-kuan, CHANG Qing*

(School of Horticulture, China Agricultural University, Beijing 100193, China)., 2022,42(2)：954～961

We obtained land surface temperature and landscape components from Landsat and GF-2 within the inner Fifth Ring area in Beijing. The polygon grid approach has been applied for analyzing the relationship between urban landscape components and pattern characteristics and thermal environment characteristics. These various size polygon grids division was from 100m× 100m to 1000m× 1000m. With the increase of grid size, the correlation between IS/GWS and average LST first decreases and then gradually increases, trending to be flat at 600m. The optimal grid size range of IS and GS affected by LST was 600m × 600m within the inner Fifth Ring area of Beijing. Among the 1796grids based on the optimal granularity, the mean temperature (m) was significantly correlated with impervious (0.723) and vegetation & water (-0.715), the standard deviation of temperature (s) was significantly correlated with impervious (-0.051) and water (0.054); when the proportion of vegetation was more than 55%,mdecreased rapidly. When the proportion of dominant landscape types in the grid reaches a certain level, an increase or decrease in its proportion will cause rapid changes in the thermal environment. Based on the correlation analysis of vegetation & water, impervious landscape pattern, and thermal environment,mand LPI_IS (0.665), COHENSION_GWS (-0.547) were significantly correlated. When the proportion of GWS in the grid is more than 40%, the larger the vegetation water patch area and the higher the spatial connectivity, the more conducive to improving the thermal environment.

urban heat island；landscape components；landscape pattern；grid-based analysis；thermal mitigation；nature-based solutions

X16

A

1000-6923(2022)02-0954-08

蘇王新(1991-),女,河南洛陽人,中國農業大學博士研究生,主要研究方向為城市景觀生態規劃.發表論文6篇.

2021-05-13

北京市科技計劃項目(D171100007117001)

* 責任作者, 副教授, changqing@cau.edu.cn