文摘

加速城市化进程带来了一系列的问题,其中包括不可逆改变城市表面和连续增加地表温度(lst)。在这种背景下,分析城市LST的驱动因素和空间异质性是相当重要的对于缓解城市热岛效应和促进健康和舒适的城市生活环境。本研究探索空间之间的关系特点和驱动因素的LST利用地理加权回归(吉尼斯世界纪录)模型来分析大连市西岗区的源数据。结果表明,西岗区的城市热岛效应是重要的,与lst通常高于28°C在8月底,主要集中在一系列38-40°C。最高的LST值被发现在北部港口和港口地区;最低的LST值发生在山区森林地区。全球莫兰我值为0.994,表明一个非常高的正相关,和当地莫兰我价值观形成的高度差和L-L类型集群集中在港区北部和南部山区,分别。最后,通过模型可以反映的空间异质性LST及其驱动因素之间的关系。其中,自然物理因素、数字高程模型、归一化植被指数和修正归一化水指数数据被发现与lst在大多数情况下负相关;在社会维度,兴趣点数量和building-coverage比率与lst一般呈正相关。

1。介绍

启动以来,中国经济改革在1970年代,中国经历了快速的城市化和众多的经济飞跃,都伴随着一个激增的人口增长、资源短缺和空间生活和商业生产、大规模植被转化为不透水表面,和减少生态空间。人类活动的加剧和间接增加工业和住宅能源消耗导致了城市热岛的出现热岛效应和热环境质量的下降1]。针对近年来频繁的极端高温天气,城市地表温度影响城市居民的健康和舒适和严重破坏生态系统。温度也会影响能源消耗、空气质量、和植被物候学(2),对公共卫生具有深远的影响,城市定居点,小气候(3]。

早在19th世纪,霍华德et al。4开始观察不同的地表温度(lst)在城市和郊区。如今,热红外遥感技术研究已成为一个有效的工具lst由于其探测地面物体发出的热辐射的能力。表面温度变化的测量从利用气象站的观测数据进行多源数据分析;这减轻了由气象监测站有限覆盖的问题。许多检索算法已经提出了不同的传感器。根据所需的通道,这些算法可以分为单通道,split-window,多通道(5- - - - - -7]。不同的遥感传感器用于不同尺度;例如,低分辨率遥感图像,如美国国家海洋和大气管理局(NOAA)的中分辨率成像光谱仪(MODIS),通常用于省与省之间的和其他大规模检索;medium-high-resolution遥感数据,如从陆地或现货(卫星倒l 'Observation de la特),通常用于小型检索或详细的研究需要高分辨率的图像(8- - - - - -10]。研究都是在白天进行的,夜间、季节性、年度LST趋势(11];影响的二维(2 d)和三维(3 d)城市形态学LST (12,13];LST(上建筑形式和空间的影响14,15];LST沿城乡梯度的变化(16];LST的驱动因素;城市热岛效应的影响在空气循环和植被物候学(17];和城市热环境的仿真用模型,如天气研究和预测(WRF)模型和城市树冠模型(UCM) (18]。

目前,LST的驱动因素的研究一般集中在气象特征、景观特征、遥感光谱信息、土地利用类型和城市形态(19,20.]。气候因素,如风速、降水、日照时间、LST和气候都有影响,但这些都不是热岛效应的根本原因。减少自然特性(例如,水体和植被),城市土地的扩张(建筑密度),和人类活动的加剧加速热量积累和导致显著增加LST (21,22]。

从遥感图像中提取相关指标在LST研究中已经成为一种有效的工具。在城市系统中,表面覆盖主要由植被、水体和不透水表面。归一化植被指数(NDVI)常被用来提取绿色植被信息(23];归一化水分指数(NDMI)或修改归一化水指数(MNDWI)用于在水体中提取数据24];和归一化组合指数(NDBI) [25,26)是用于提取不透水表面数据。此外,一些研究已经使用土地利用数据来计算传递矩阵和景观指数LST数据来研究城市形态的影响。这些研究提出,土地覆盖变化的主要因素是推动LST和表明,城市规划的改变可以用来缓解热岛效应(27- - - - - -29日]。在社会维度,统计数据,比如国内生产总值(GDP),人口规模,和空气质量通常用于研究。最后,回归和相关分析是有用的工具,可以用来分析LST及其驱动因素之间的关系;然而,在某种程度上,相关系数的影响研究规模16]。

变量不同位置的位置。因此,普通统计分析的局限性,开展lst的驱动因素分析。在空间自相关的测量方面,全球自相关方法是由莫兰;之后,一些学者提出了局部自相关莫兰指数和Geary指数(30.]。基于局部平滑的想法,Brunsdon et al。31日]嵌入式数据回归参数的空间位置第一次,他们提出了一个地理加权回归模型来描述区域的非平稳数据的特点;这是后来不断改进(32]。此外,空间异质性研究方法,如半方差函数和空间扩张模式也可以使用(33]。

在这项研究中,进行多源数据分析调查LST自然生理和社会因素的影响。不同的驱动因素之间的关系和空间特征和异质性的LST在西岗区,位于海滨城市大连,进行了分析。本研究旨在为城市规划和环境管理提供一个有效的工具,以缓解热岛效应问题。

2。数据和研究方法

2.1。研究区域

西岗区(38°57 51′N′-38°和121°34 39′′-121°E)是大连的主要城市之一,辽宁省。研究区(图1)覆盖七个街道内组合乡村地区有常住人口300000人。大连是一个发达的,功能多样的沿海城市,monsoon-influenced潮湿的气候。在夏天空气潮湿,年平均气温10°C和变动每年最高温度35°C。地形的特点是高海拔山区南部和北部低海拔。LST的驱动因素分析在这项研究中逐渐发生变化,研究区域的代表。


图1
研究区域的位置。(一)数字高程模型(DEM)的研究;(b)和(c)研究区域的位置在中国,在大连,分别。
2.2。数据来源和处理

本研究是利用陆地卫星遥感图像,进行兴趣点(POI)数据,建筑数据,气象数据,数字高程模型(DEM)数据(表1)。POI和建筑数据来自百度的开放平台。裁剪后的遥感图像适合研究区域的行政边界,我们应用辐射和大气修正;然后,提取相关指数和LST的图像处理。考虑到热岛的空间分布没有显示季节性变化,但夏季热岛强度会更高(34],考虑到天气条件在图像捕获,遥感图像捕获在8月底选择使用。

表1
数据信息。

城市是人类建筑活动的产物在自然环境;因此,当考虑LST变化的驱动因素,社会和自然因素应该综合分析和选择。因此,以下5个因素被选为分析(表2):平均民主党价值,平均NDVI值,平均MNDWI价值,芋泥(NUM数量芋泥),building-coverage比(一个V)。

表2
驱动因素和信息。

为研究区域内沿海和海上气候,它不足以考虑是否位置是水体;还需要考虑湿度不同位置之间的差异研究。出于这个原因,MNDWI,更有效的在城市地区,被用来提取水分条件(24]。植被提取利用归一化植被指数和地形特征来自民主党。

社会维度,人口密度和人类经济活动的影响,以及人造建筑的数量在LST在研究区,被认为是。每个网格单元的人口密度和经济活动反映的POI的数量,和人造建筑反映的比例一个V。POI数据是一种点状大数据描述真正的功能。POI数据可以用于记录人类活动的空间和属性信息,POI空间信息可以代表人类活动的物理位置在微尺度,反映和POI属性信息,在一定程度上,经济和社会活动(35,36]。人造建筑的数量表示一个V;一个V可以准确反映不同的因素在一段时间内没有不同因素之间的多重共线性问题。

2.3。研究方法
2.3.1。表面温度检索

棕褐色的高度专业化的mono-window算法et al。37)是用于LST从陆地卫星图像检索。该算法产生高度准确的结果用很少的参数,它结合了表面和大气直接影响到算法,如以下公式所示: 在哪里 是检索LST (°C);一个和b是常数(基于现有的研究,一个=−67.355351和b= 0.458606);Tb亮度温度(K);T一个是有效的大气温度(K);C和D是中间变量,可以来源于表面发射率; 是大气透射率;和 代表了热红外波段,根据计算大气参数对美国宇航局的官方网站。

2.3.2。莫兰的我指数

第三定律的基础上地理、空间定位或分层的相似点和不同点对应不同区域目标变量的相似点和不同点在这些领域(38]。全球莫兰我定量描述了空间相关性的LST在全球范围内。当地莫兰我(39)可以用来进一步解释集群LST的价值观在当地范围和确定任何LST值异常,提供分析LST的空间异质性的基础。

2.3.3。地理加权回归

地理加权回归模型(吉尼斯世界纪录)允许数据分析探索空间异质性的特点是空间非平稳和LST及其驱动因素之间的关系(40]。基于现有的研究(41)和研究区域的实际情况,我们将研究区域分为30 m×30 m网格,和民主党,归一化植被指数MNDWI, NUM芋泥,一个V为每个网格单元,LST提取。为了提高吉尼斯世界纪录模型的准确性,传统的普通线性最小二乘(OLS)模型是用于驱动因素的初步测试。方差膨胀因子(VIF)进行测试,以确保没有变量之间的多重共线性。当VIF < 7.5, GRW可以由以下方程: 在哪里 是观察到的变量; 样本点的回归常数在吗 协调; 的回归参数和一个函数变量的地理位置吗n在样本点;n是许多因素; 独立变量的值吗 在样本点;和 是随机误差。

3所示。结果

3.1。lst的空间分异

图2显示西岗区的LST检索。最大温差15°C。很明显,热岛效应是重要的在研究区,和整体LST上升逐渐从南到北,LST值发生接近最高的港口和最低的LST值发生在山林地区。LST普遍高于28°C;只有0.20%的低水位体系域值低于28°C。比例都在10%和20%之间的距离大于40,28-40°C分为二增量。大多数LST值下降的范围内38-40°C和占地4,86.18公顷,占19.10%的土地在西岗区,和36-38°C范围占地4,61.61公顷,占11.66%的土地在西岗区;这些数据表明,热岛效应具有重要意义在研究区域(表中3)。


图2
表面温度分布。
表3
在西岗区地表温度统计。
3.2。lst的空间异质性

LST的单变量自相关值在研究区为0.994,标准差为4.139,这表明一个非常高的正相关关系。根据初步判断,城市人口流动,相似的人工材料介质的导热性能,并影响沿海城市湿度的数据高度空间autocorrelated。很明显从图3局部空间自相关值形成一个高度差(Hight-Hight)集群Xianglujiao乡、Zhanbei乡、和北京乡(Xigang北部),和一个L-L(新低)集群出现在八一乡、白云乡、乡人民广场(南Xigang);这些发现与LST值一致,未发现异常值。


图3
局部空间自相关。
3.3。吉尼斯世界纪录驱动因素的分析

LST的回归参数建立了OLS和因素如下(表4):VIF的因素是小于3.500(表5),所以没有多余的问题,但OLS的解释在这个问题上不是很理想,只有0.706,剩余空间自相关结果是0.77。

表4
OLS模型回归结果。
表5
LST和驱动因素之间的回归系数。

通过使用VIF消除共线性测试后,通过测定模型的解释力89.50%(见表成立6模型参数)。剩余空间自相关结果是0.77。通过测定模型被用来获取驱动因素的回归系数在每个网格(图4)。统计值(平均、最大、最小、平均上,每个因素与下四分位数)表中列出7。所有五个因素的系数都积极的和消极的符号,从而展示的空间非平稳LST和变量之间的关系。除了NUM芋泥达到意义在0.05级,其余四个因素达到意义在0.01水平。

表6
通过测定模型的回归结果。

图4
回归系数的因素。DEM数字高程模型;归一化植被指数NDVI,;MNDWI、修改归一化水指数(MNDWI);全国矿工工会芋泥兴趣点数量; ,building-coverage比率。
表7
回归系数的描述性分析。

很明显从图4民主党的回归系数值集中−0.05和0.00之间。此外,在港区北部和南部沿海边缘区域,民主党系数值都大于零;系数是正态分布,与LST负相关。这是发现,归一化植被指数,除了最大值,其他所有系数值是负的。最大和最小值非常远,和系数值相对较分散,但积极的价值最低的间隔稀疏分布,主要集中在北部的码头。植被有强烈的抑制效应的LST东南和西北;从那里,抑制效应消散,有些波动,向北部和中部地区的研究领域,它主要与LST呈负相关。类似于归一化植被指数,所有的MNDWI回归系数值是负的,除了最大值,这是积极的。系数值的空间分布相对分散,用积极的价值观主要分布在中部和南部地区的研究领域;在剩下的地区,与LST的相关性是负面的。 The POI coefficient values in the range of 0.0–0.5 were mostly concentrated in the central part of Xigang; other coefficient values were sparsely scattered throughout the study area. For the most part, POI numbers showed a positive correlation with the LST. The一个V系数值都是积极的除了最小值。系数值增加从西部和南部到北部和东部,其中大部分是积极的,有消极的价值观主要分布在西部和南部。

发现在五个因素被认为是在这项研究中,大多数的民主党,归一化植被指数,并与LST MNDWI值是负相关,而全国矿工工会芋泥和 值与LST呈正相关。根据系数的绝对值,它是发现,在自然因素方面,该参数对LST的影响最强烈的在研究区,MNDWI紧随其后;民主党的影响最弱。在社会因素方面,的影响一个V在LST NUM的比芋泥。

4所示。讨论

4.1。改进模型的准确性

多个研究探索LST驱动因素通过相关指标代表自然条件和人类活动之间的关系。采用指数中,NDBI [25),用于不透水表面,经常被发现与归一化植被指数的多重共线性。统计数据用来描述人类活动的强度,如GDP、人口规模、和空气质量指数数据,难以应用在城市空间具有良好的准确性;一个有问题的时间间隔也很常见。相关系数在一定程度上影响的研究规模41]。因此,为了提高模型的准确性,研究规模降低到30 m×30 m。在这项研究中,选择building-coverage比率研究人造建筑的影响的LST为了消除多重共线性的问题。此外,POI数,特点是强烈的时间敏感性和空间连续,常被用来估计人口密度和经济活动在每个网格单元的研究区域。

回归模型的选择极大地影响不同因素之间的相关性分析的结果。例如,传统的回归模型,如OLS、考虑整体空间均匀,从而忽略了空间异质性和驱动因素的复杂性40]。在这项研究中,OLS模型用于预试。发现OLS模型的解释力为70.61%,和剩余空间自相关结果是0.77。VIF测试值小于3.5,这是在可接受的范围之内的。的 价值驱动因素都显著小于0.01。在此基础上,通过测定被用来执行当地的回归分析,建立不同的回归参数之间的关系及其对应的地理位置,从而提供一个更准确的模型LST和不同地理因素之间的关系。发现是吉尼斯世界纪录模型明显优于OLS模型、解释力为89.50%,剩余空间自相关结果是0.67。剩余的空间自相关值仍高,但它比OLS显示改进。

4.2。研究的局限性

本研究调查了LST和自然之间的关系和社会驱动因素;地形地貌、植被覆盖、湿度、POI号码和building-coverage比率。building-coverage比率被选中,而不是常用的NDBI消除多光谱计算的必要性和地址NDBI和归一化植被指数之间的多重共线性的问题,与人造结构和植被共存的空间。然而,building-coverage比率的限制之一是,它只占建筑结构,而忽视道路和公共广场等不透水表面;此外,它也没有反映出建筑物高度的影响通风通道(42在一个三维的城市空间43,44]。

为研究区域位于沿海城市没有平原,但许多山,并由于其monsoon-influenced气候和倾斜的地形,有显著差异之间的LST阳光和阴暗的山,在山的沉淀物和上衣,在沿海和城市中心地区。在这项研究中,LST的变化进行了分析,利用收集的数据在夏天,当热岛效应是最强的,但不考虑日间和夜间和季节性变化34]。波动的影响,时间序列数据(45的每个驱动因素也被忽视了。

5。结论

在这项研究中,空间分布特征的LST大连西岗区,典型的沿海城市在中国,和它的自然和社会影响因素分析了基于多元数据,包括遥感图像、建筑形象向量,气象数据,POI数据和DEM数据。结果如下。(1)Xigang的城市热岛效应是显著的;lst在该研究领域从南到北逐渐增加;LST的温度一般在8月底仍高于28°C,用最值的范围集中在38°C到40°C。(2)全球自相关值为0.994,表明一个非常高的正相关;局部自相关值形成高度差和L-L类型集群集中在港区北部和南部山区,分别。(3)吉尼斯世界纪录产生了更好的结果比OLS;回归系数都积极和消极的价值观,从而表明空间异质性。民主党、归一化植被指数和MNDWI与LST大多是负相关,而NUMPOI和一个V主要是与LST呈正相关。自然因素中,归一化植被指数的影响最强的LST, MNDWI紧随其后;民主党的影响最弱。中社会因素的影响一个V在LST比NUM的更重要芋泥。

世界气候变化问题是一个讨论的话题,自从工业革命。从这篇文章中,很明显,自然因素显著抑制lst的增加。特别是,有必要构建公共区域被植被覆盖,如森林道路、公园、花园、屋顶和人工湿地,它可以增加城市生态敏感性,促进生态循环,固定二氧化碳。在社会维度,人工建筑的比例的增加将导致增加的表面温度。因此,我们应该努力找到新的建筑材料,建造城市海绵,减少不透水表面的热吸收。POI密度被发现有一个小对表面温度的影响,但有限2由人类活动和生命过程的主要原因是大气变暖。此外,为人类的可持续发展,新能源的开发和使用将起到至关重要的作用。这将是一个持久的对未来的挑战。

数据可用性

遥感图像从美国地质调查局(收购https://glovis.usgs.gov)。POI和建筑数据来自百度地图(https://www.baidu.com)。在RP5气象数据查询(https://rp5.ru)。民主党从中国科学院网站下载(http://www.gscloud.cn)。

的利益冲突

没有利益冲突声明。

确认

这个研究是由中国国家自然科学基金(授予号。41771178,41771178,41471140)和辽宁省创新人才支持计划(批准号LR2017017)。作者想感谢所有专家的贡献城市热环境和城市规划研究。