城市热环境季相变异及与非渗透地表的定量关系分析——以广州市中心区为例

郭冠华，吴志峰，刘晓南

1. 中国科学院广州地球化学研究所，广东 广州 510640；2.中国科学院大学，北京 100049；3. 广东省生态环境与土壤研究所，广东省农业环境综合治理重点实验室，广东 广州 510650；4.广州大学地理科学学院，广东 广州 510006

城市热环境季相变异及与非渗透地表的定量关系分析
——以广州市中心区为例

郭冠华1,2,3，吴志峰4*，刘晓南3

1. 中国科学院广州地球化学研究所，广东 广州 510640；2.中国科学院大学，北京 100049；3. 广东省生态环境与土壤研究所，广东省农业环境综合治理重点实验室，广东 广州 510650；4.广州大学地理科学学院，广东 广州 510006

基于遥感卫星影像的热环境时空格局及与地表特征相关性分析是目前城市热环境研究的主要内容，但此类研究针对季相变异特征的分析较为缺乏。以广州市中心区2005年下半年3期不同季相的Landsat TM影像为数据源，提出一种面向对象分割的方法提取城市热岛/冷岛分布，并利用重心模型定量其季相变化移动轨迹；采用回归树模型构建地表温度（Land surface temperature, LST）与非渗透地表的关系方程，旨在揭示城市热环境季相变异性规律。结果表明：（1）随夏季到深秋，热岛呈现从中心区退出的态势，南部冷岛大面积消失，7月18日至10月22日热岛重心向东移动2.5 km，冷岛重心向西北移动3.4 km。10月22日至11月23日冷岛重心向西北移动9 km，热岛重心向东南移动8 km；（2）随季相变化，地表温度与非渗透地表的正相关关系趋于复杂，二者相关性从7月18日的0.9941降至11月23日的0.8691，对于11月23日数据，使用二次多项式方程更能表达二者的关系；（3）与传统的线性回归模型相比，回归树模型能更好地模拟地表温度的空间异质性，非渗透地表的增温作用存在非线性趋势，并且二者的关系模型存在明显的空间异质性。

非渗透地表；季相变异；热环境；广州市中心区

城市化及其生态环境效应是近年来地理学与生态学领域研究的重点之一。人类活动导致的温室气体排放和土地利用变化都会促进区域日平均温度的增加（Gallo等，1999），从而加剧城市热岛效应。利用遥感卫星获取地表温度是城市热环境研究的重要数据源。目前基于遥感影像的城市热环境研究主要集中在两个方面：一是运用地表温度数据诊断城市热环境时空变化格局（Weng等，2014；段金龙等，2011；徐涵秋，2011）；二是分析地表温度与其它典型城市地表参数（如土地覆被组成和配置）之间的相关性（Buyantuyev等，2010；Guo等，2015；Li等，2011；岳文泽等，2006）。但由于遥感影像获取条件限制，研究时常常只选用某一时刻的地表温度数据来反映特定时期内温度特征，无法全面把握城市热环境状况，因此热环境的季相变异特征仍有待深入分析（Guo等，2015）。城市地表温度分布是城市下垫面组成的重要反映，并且与时间、空间、大气边界层状况密切相关（Camilloni等，2012）。近年来已有学者发现地表温度与地表参数之间的关系会随季节变化而改变，如 Liu等（2008）及Zhou等（2014）在开展地表温度与景观格局关系研究时均指出了季相变化的重要性。

城市是一个异常复杂的地域空间，在短时间内（如同一年内），城市内部水体、非渗透地表等地表参数是固定不变的，而地表温度会受天气状况、太阳高度角等因素影响，在利用遥感卫星影像进行城市热环境分析时，短时期内的热环境分析结果是否具有季相变异？其变异程度多大？这些变异与地表参数有如何的关系？这些科学问题都有待深入分析。针对这一背景，本文以广州市中心区为研究对象，提出了一种面向对象的方法诊断城市热岛/冷岛格局季相变化，并以非渗透地表表征城市典型地表参数，引入回归树模型挖掘非渗透地表对地表温度的非线性关系及其空间异质性。本论文重点在于揭示利用遥感卫星进行城市热环境研究时分析结果的季相变异性，以促进人们对城市热环境格局与变化的理解。

1 研究区域与研究方法

1.1 研究区概况

广州市（112°57′～114°3′E，22°26′～23°56′N）地处南中国沿海，珠江三角洲中北缘，隔海与香港、澳门相望，是珠三角都市圈的核心城市，被称为中国的“南大门”。广州市全市面积约7434.40 km2，2010年常住人口 1270.08万人，中心城区 772.72万人，占 60.84%。在城市空间分布上，广州市城-乡梯度十分明显（图 1）：珠江流经城市中部，两岸分布着城市化发展成熟的老城区（越秀区、海珠区西部）及新型城市发展区（如天河区CBD），分别向南、北、东3个方向的扩展轴为番禺区、白云区和萝岗区3个新区。本文的研究区位于广州市中心城区，包含 126个镇/街道办行政单位，面积约1461.66 km2，基本上涵盖了广州市城市化主要地域，对城市热环境研究具有一定的代表性。

图1 研究区位置示意图Fig. 1 The location of study area

1.2 数据源与预处理

本研究采用数据源为2005年下半年的Landsat TM遥感影像（行列号：122/44，时相为7月18日、10月22日和11月23日）和SPOT 5融合数据（行列号：284～303和284～304，时相为2006年1月26日和2005年12月20日）。Landsat TM卫星拍摄时间均在上午10:45左右，卫星拍摄当天天气状况如表1所示。从表1可知，不同季相影像天气状况差别较大，对不同季相背景下广州市城市热环境状况具有一定的代表性。TM影像数据为Level A级产品，参考已通过正射校正和几何校正 2000年Landsat TM影像，对三景TM影像进行几何精校正，校正时候共选取 58个控制点，利用最近邻插值进行进行重采样，校正后个TM影像均方根误差均低于 0.5个像元（15 m）。最后使用单窗算法（Qin等，2001a；Qin等，2001b）获取城市地表温度分布图，因单窗算法比较常用，这里不详细叙述。

表1 Landsat TM影像获取日期天气状况Table 1 Climate condition of Landsat TM acquired dates

1.3 研究方法

1.3.1 城市热岛/冷岛聚集区提取

传统的地表温度分级方法是基于单一像元的连续特征值转化为离散的空间数据。这种等级划分方法会产生“椒盐效应”（苏伟等，2007），各像元会被零碎化，忽略了数据中丰富的空间信息（如图2(A)）。面向对象分割的影像分析技术近年来已经成为遥感研究的热点，它可以有效解决传统划分方法的一些局限性问题（Blaschke，2003，2010；Blaschke等，2000）。本研究利用面向对象方法对地表温度数据进行影像分割，分割后能获得感兴趣区的温度边界，边界内各温度像元值具有相似的特征（如强度、纹理等）（图2(B)）。

图2 地表温度密度分割景观分类(A)与面向对象分割(B)对比Fig. 2 Comparison of density slicing (A) and object-oriented segmentation (B) for a LST image

空间自相关分析具有空间集聚度识别功能，主要应用在探索地理分布变量的非随机性空间分布上，已在地理、经济等诸多领域得到应用（Yang等，2012）。空间自相关分析具有包括两个工具，即全局空间相关性和局部空间相关性。本研究采用局部莫兰指数（Local Moran’I）进行地表温度对象的空间聚集度识别，计算如下（Anselin，1995；Anselin等，2006）：

式中，wij为空间权重矩阵， xi和分别为第i个变量值和所有变量的平均值，具体计算在OpenGeoDa 0.9.5-i中实现，结果如图3和表3所示。计算结果为4种地表温度集聚类型（Guo等，2015）。

H-H（热岛）：高温对象被同等级的高温对象包围；

L-L（冷岛）：低温对象被低温对象包围；

H-L：高温对象被低温对象包围；

L-H：低温对象被高温对象包围。

1.3.2 城市非渗透表面提取

首先运用小波分析结合IHS（Intensity、Hue、Saturation）变换的方法对SPOT 5多光谱波段和全色波段进行融合，然后对两景融合影像进行拼接，得到2.5 m空间分辨率的多光谱影像。对融合数据进行面向对象分类，主要分类类型包括水体、植被、裸地、阴影和建设用地地表，面向对象分类在eCognition Developer 8.7中完成，分类总体精度为89.6%。完成分类后，将水体、植被、裸地 3种地表类型进行合并，并赋予编码为 0，而阴影和建设用地重编码为 1（表示非渗透地表），最后生成非渗透地表二值图层。考虑到计算量问题，利用ArcGIS生成250 m×250 m的网格，将该网格与分类得到的非渗透地表二值图进行叠加运算，即可计算整个研究区域每个网格内的非渗透地表比例。

1.3.3 回归树模型

回归树模型属于数据结构挖掘的一种技术（Walton，2008；肖荣波等，2007）。数据挖掘技术是一个数据分析的非参数统计过程，其特点是在分析过程中充分利用数据的二叉树结构，通过对数据样本的不断细分，二叉树节点使得上层数据变量的变异最大，通枝节内部数据变量同质性越近，最后同枝节内样本趋于同质或剩余数量过少而无法继续分支而结束分析（张立彬等，2002），回归树模型的实质在于以不同规则下（Rule）多组线性模型的方式挖掘数据样本之间的非线性关系。本文使用回归树模型来构建地表温度与非渗透地表的关系模型，目的在于揭示其关系的内部异质性和空间分布特征（Wylie等，2007）。回归树模型通过Cubist 2.08实现。

2 结果与分析

2.1 地表温度分区统计

从分析各行政区不同季相地表温度变化状况（表2）可知，不同季相地表温度格局变化十分明显。7月18日荔湾区和越秀区地表温度最高，平均温度均有314 K，其次是海珠区、黄埔区和天河区，萝岗区、白云区和番禺区平均温度最低。这是因为荔湾区和越秀区是广州市老城区，内部高密度建筑景观比例较大。10月22日温度分布情况与前一时期分布格局变化不大。但到11月23日，地表温度最高值出现在黄埔区、海珠区、荔湾区和番禺区，温度均在297 K左右，天河区和越秀区温度反而较低，温度最低为白云区和萝岗区。初步分析结果可以看出，在夏季、秋季再到深秋季节这段时期内，高温区有从广州市中心向番禺区等郊区转移的趋势。

表2 各行政区不同季相地表温度平均值Table 2 Mean LST of different districts in various seasons K

表3 各行政区季相日期热岛/冷岛面积比例Table 3 Hot/cool island area proportion of different districts in various seasons %

2.2 城市热岛/冷岛聚集区时空变化

图3和表3结果表明，不同季相热岛/冷岛聚集区格局变化十分明显：7月 18日热岛聚集区主要集中在市中心及周边行政区中心镇位置，如海珠区中西部、白云区南部和番禺区市桥镇，其中荔湾区热岛面积比例最大，为52.14%；其次为越秀区和海珠区、萝岗区面积比例最少。10月22日热岛聚集区开始出现退出市中心的态势，特别是越秀区和荔湾区热岛比例分别降至6.96%和15.46%，番禺区中心位置热岛面积则快速增加，至11月23日面积比例达29.95%（表3）。冷岛集聚区主要集中在林地景观面积较大的北部山区和以水塘、农田景观为主东南部区域，随时间推移，南部冷岛聚集区开始消失，如番禺冷岛面积比例降至3.15%，且主要分布在番禺西部的几大森林公园位置（图3，c）。

图3 研究区不同季相热岛/冷岛聚集区分布特征Fig. 3 Spatial distribution of hot/cool island in different seasons

采用重心模型（段翰晨等，2012），定量热岛/冷岛移动格局，结果如图4所示。7月18日至10月22日间，虽然两期数据相差约3个月，但其热岛和冷岛重心变化相比后一个时间段要小，热岛重心向东移动2.5 km，冷岛重心向西北移动3.4 km。10月22日至11月23日期间，冷岛重心向西北移动9 km，热岛重心向东南移动8 km。结合图3可以看出，11月23日广州市东南位置上冷岛基本消失，热岛面积优势十分明显，这可能是因为该地区水田较多，天冷时节大量水体温度比周边陆地地表温度高，表现为“热岛”。由上述分析可知，广州市中心区的热环境格局受季相变异特征十分明显。

图4 不同季相影像热岛/冷岛重心转移状况Fig. 4 Changes of hot/cool islands centroid in different seasons

2.3 地表温度与非渗透地表回归树关系建模

已有研究表明，城市非渗透表面对地表温度具有很强的指示意义（Li等，2011；Xiao等，2007）。短时间内城市非渗透表面变化是微乎其微的，本小节重点揭示地表温度与非渗透地表的统计关系及其季相变异性。首先统计非渗透地表每个 1%的间距范围内平均地表温度值，绘制相关性散点图（图5a、b、c）。从图中可以看出，总体上地表温度与非渗透地表呈正相关关系，随季相变化这种正相关呈现减弱态势：7月18日地表温度与非渗透地表的线性关系R2为0.9882以上，相关系数达0.9941；10月22日，这种线性关系稍有减弱，用二次多项式方程能更好表达它们之间的关系，r2也达到0.9887。到11月23日，线性回归方程仅能表达75%的地表温度变异性，而利用二次多项式时可以提高到93%。由此可知，从夏季到深秋季节，二者线性关系不断减弱，非渗透地表对城市热环境的指示作用下降，二者二次多项式关系逐渐增强，其影响机制也趋于复杂。

已有很多文献利用线性回归方法构建地表温度和非渗透地表的关系模型（肖荣波等，2007；Xiao等，2007），本文引入回归树的方法尝试建立二者的非线性关系。图5d、e、f为基于回归树规则划分的地表温度和非渗透地表散点图状况，图中显示随季相变化二者关系趋于复杂，前两个时期用两个规则就可以把二者的复杂关系表达出来，样本分割的阈值分别为14.73和19.55；11月23日二者关系比较复杂，回归树结果得到3个规则，样本分割阈值为17.80和32.48。

图5 不同季相影像地表温度与非渗透地表散点图Fig. 5 Scatterplots of LST vs. impervious surface for three seasons

此外，本文同时对比了回归树和传统线性回归模型在预测地表温度时的性能表现，结果如表4所示，其中IS为非渗透地表，相关性为Pearson计算得到的相关系数。在预测性能方面，回归树在各个季相上均优于线性回归模型，如对于10月22日影像线性回归得到的表达式仅能表达地表温度 58%的空间异质性，而回归树模型可以提高到62%。而且，对比不同季相相关性和R2两个参数发现，随季相变化研究区地表温度异质性增强，回归树模型的优势也更为突出，如7月18日回归树比线性回归R2提升1%，到11月23日则提升了8%。

相比与线性回归模型，回归树模型得到的是不同情景下的关系方程，而这些关系方程显示非渗透地表对地表温度的增温显然是不一样的（表 4）。分析发现，在非渗透地表高值区中，非渗透地表的增温作用远小于低值区，如7月18日影像的非渗透地表比例大于14.73%时，非渗透地表提高1%地表温度仅增加0.066 K，而在低值区1%的非渗透地表增加会形成0.129 K的增温，其它季相数据也有类似的结论。

为进一步揭示地表温度与非渗透地表关系模型的空间异质性，将各季相获得的规则投影到研究区上（图6），利用IKONOS高空间分辨率影像识别与规则相对应的典型地表景观特征（图 7）。总体上，由于回归树结果的规则划分（见表 4），地表温度与非渗透地表的关系模型在空间上可以分为建筑区和植被水体区（图 6）：建筑区内以建筑用地为主导，绿地、水体等生态用地面积比例较少（图 7a）；植被水体区内建筑用地较少，主要的地表景观类型为大面积的植被覆盖和水体（图7b），如广州北部林区和珠江河道。在11月23日，规则1的斑块变得零散，规则3主要沿规则1和规则2的边界零星分布，地表景观类型主要为农田裸地和遍布沙土的开发区（图7c）。不同季相规则格局对比发现，规则1减少趋势比较明显，减少的位置主要集中在南部番禺区中心位置。

表4 不同季相地表温度与非渗透地表回归树模型及其与线性回归模型比较Table 4 Comparison of regression tree and linear regression in modeling LST and impervious surface relationship

图6 不同季相影像回归树模型规则空间分布Fig. 6 Spatial distribution of different rules in various seasons

图7 不同规则下典型地表景观状况Fig. 7 Typical surface landscape characteristics of different rules

3 讨论

地表温度是一个复杂的生态参数，它与地表覆盖物的理化性质紧密相关，是地表热性质的反馈因子，另一方面也受大尺度瞬时的城市边界天气环境深刻影响，但前者在短时间内相对稳定，而后者则时空变化十分明显。本研究从季相变异的角度分析热环境格局及其与非渗透地表相关性。研究结果表明，广州市中心区2005年下半年内地表温度热岛/冷岛集聚区分布格局季相差异十分明显，7月18日广州市城区内热岛面积较大，热岛效应十分显著，而随季相变化和城市整体地表温度下降，热岛开始出现从市中心区退出的态势，到 11月下旬，广州市城市热岛主要集中在南部的番禺区，同时原本在南部大片分布的冷岛也开始消失。

研究发现地表温度与非渗透地表的正相关关系随季相变化逐渐减弱，二者关系趋于复杂，说明非渗透地表对地表温度的指示作用在下降，二者空间上的正相关格局变得不完全重合。暗示着除非渗透地表外，还有其它随季相变化的生态参数密切影响着城市热环境的演变过程。此外，本文还提出用回归树模型来建立地表温度与非渗透地表之间的关系方程。研究表明相对于传统的线性回归方法，回归树模型能在不同的季相中更好地模拟地表温度的异质性，同时也揭示出不同等级非渗透地表的增温作用差异。回归树模型的优势在于挖掘地表温度和非渗透地表数据样本的潜在关系，识别出分割阈值而产生不同的规则，使得非渗透地表能够在多个层面表达地表温度的异质性。

广州市处于我国南方典型的多云多雨地区，全年不同季相的光学影像往往难以获得，本研究仅使用了2005年下半年3个时期的Landsat TM影像，难以全面反映广州市的热环境状况。而且仅用地表温度数据表征城市热岛格局有一定的局限性，日后研究需要结合气象站点或自主实测的温度结果与遥感影像地表温度进行对比分析。后续研究也需要考虑城市近地表、城市冠层和城市边界层等不同尺度上的热环境状况来系统把握城市热环境变化规律。

ANSELIN L. 1995. Local indicators of spatial association—LISA[J]. Geographical analysis, 27(2): 93-115.

ANSELIN L, SYABRI I, KHO Y. 2006. GeoDa: an introduction to spatial data analysis[J]. Geographical analysis, 38(1): 5-22.

BLASCHKE T. 2003. Object-based contextual image classification built on image segmentation, in: Advances in Techniques for Analysis of Remotely Sensed Data, 2003 IEEE Workshop on, IEEE: 113-119.

BLASCHKE T. 2010. Object based image analysis for remote sensing[J]. ISPRS journal of photogrammetry and remote sensing, 65(1): 2-16.

BLASCHKE T, LANG S, LORUP E, et al. 2000. Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[J]. Environmental information for planning, politics and the public, 2: 555-570.

BUYANTUYEV A, WU J. 2010. Urban heat islands and landscape heterogeneity: linking spatiotemporal variations in surface temperatures to land-cover and socioeconomic patterns[J]. Landscape Ecology, 25(1): 17-33.

CAMILLONI I, BARRUCAND M. 2012. Temporal variability of the Buenos Aires, Argentina, urban heat island[J]. Theoretical and Applied Climatology, 107(1-2): 47-58.

GALLO K P, OWEN T W. 1999. Satellite-based adjustments for the urban heat island temperature bias[J]. Journal of Applied Meteorology, 38(6): 806-813.

GUO G H, WU Z F, XIAO R B, et al. 2015. Impacts of urban biophysical composition on land surface temperature in urban heat island clusters[J]. Landscape and Urban Planning, 135: 1-10.

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

LIU H, WENG Q H. 2008. Seasonal variations in the relationship between landscape pattern and land surface temperature in Indianapolis, USA[J]. Environmental monitoring and assessment, 144(1-3): 199-219.

QIN Z H, KARNIELI A, BERLINER P. 2001a. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 22(18): 3719-3746.

QIN Z H, DALL'OLMO G, KARNIELI A, et al. 2001b. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 106(D19): 22655-22670.

WALTON J T. 2008. Subpixel Urban Land Cover Estimation: Comparing Cubist, Random Forests, and Support Vector Regression[J]. Photogrammetric Engineering & Remote Sensing, 74(10): 1213-1222.

WENG Q H, FU P. 2014. Modeling annual parameters of clear-sky land surface temperature variations and evaluating the impact of cloud cover using time series of Landsat TIR data[J]. Remote Sensing of Environment, 140: 267-278.

WYLIE B K, FOSNIGHT E A, GILMANOV T G, et al. 2007. Adaptive data-driven models for estimating carbon fluxes in the Northern Great Plains[J]. Remote Sensing of Environment, 106(4): 399-413.

XIAO R B, OUYANG Z Y, ZHENG H, et al. 2007. Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing, China[J]. Journal of Environmental Sciences, 19(2): 250-256.

YANG Z S, SLIUZAS R, CAI J M, et al. 2012. Exploring spatial evolution of economic clusters: A case study of Beijing[J]. International Journal of Applied Earth Observation and Geoinformation, 19: 252-265.

ZHOU W Q, QIAN Y G, LI X M, et al. 2014. Relationships between land cover and the surface urban heat island: seasonal variability and effects of spatial and thematic resolution of land cover data on predicting land surface temperatures[J]. Landscape Ecology, 29(1): 153-167.

段翰晨, 王涛, 薛娴, 等. 2012. 科尔沁沙地沙漠化时空演变及其景观格局[J]. 地理学报, 67(7): 917-928.

段金龙, 宋轩, 张学雷. 2011. 基于 RS的郑州市城市热岛效应时空演变[J]. 应用生态学报, 22(1): 165-170.

苏伟, 李京, 陈云浩, 等. 2007. 基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J]. 遥感学报, 11(004): 521-530.

肖荣波, 欧阳志云, 蔡云楠, 等. 2007. 基于亚像元估测的城市硬化地表景观格局分析[J]. 生态学报, 27(8): 3189-3197.

徐涵秋. 2011. 基于城市地表参数变化的城市热岛效应分析[J]. 生态学报, 31(14): 3890-3901.

岳文泽, 徐建华, 徐丽华. 2006. 基于遥感影像的城市土地利用生态环境效应研究——以城市热环境和植被指数为例[J]. 生态学报, 26(5): 1450-1460.

张立彬, 张其前. 2002. 基于分类回归树(CART)方法的统计解析模型的应用与研究[J]. 浙江工业大学学报, 30(4): 315-318.

Seasonal Variations of Urban Heat Environment and Its Relationship to Impervious Surface: A Case Study of Guangzhou Core Urban Area

GUO Guanhua1,2,3, WU Zhifeng4*, LIU Xiaonan3
1. Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China；3. Guangdong Key Laboratory of Agricultural Environment Pollution Integrated Control, Guangdong Institute of Eco-Environmental and Soil Sciences, Guangzhou 510650, China; 4. School of Geographical Sciences, Guangzhou University, Guangzhou 510006, China

Pattern analysis of urban heat environment and modeling its driving factors are the two aspects in studies with the use of remote sensing images (e.g. Thermal band in Landsat TM). However, impacts of remote sensing images seasonal selection on urban heat environment analysis remain a challenge for researchers. We took Guangzhou city as a study area, and attempted to characterize the behaviors of urban thermal pattern and variations of relationship between LST and impervious surfaces over three thermal images from Landsat TM5 in 2005. We proposed an Object-oriented segmentation method to extract hot/cool islands and characterized their seasonal variations pattern with centroid method. Additionally, we modeled the LST-impervious surfaces relationship with regression tree. We found that: (1) From July 18 to November 23, hot islands tend to disappear from the urban core area and cool islands tend to disappear from the southern of Guangzhou. Centroid of hot islands shifts to eastern with 2.5km while centroid of cool islands shifts to north-western with 3.4 km form July 18 to October 22. And Centroid of cool islands shifts to north-western with 9 km while centroid of hot islands shifts to south-eastern with 8km form October 22 to November 23. (2) Pearson’s relationship between LST and impervious surfaces decrease from 0.9941 in July 18 to 0.8691 in November 23. Quadratic polynomial model shows better performances in November 23. (3) Compared to traditional linear regression, regression tree model is able to estimate more heterogeneity of LST. Results of regression tree indicates the impacts of impervious surface on LST is nonlinear and their distribution of equation are of spatial heterogeneity.

impervious surfaces; seasonal variations; urban heat environment; Guangzhou Core Urban Area

10.16258/j.cnki.1674-5906.2015.02.014

X16

A

1674-5906（2015）02-0270-08

郭冠华，吴志峰，刘晓南. 城市热环境季相变异及与非渗透地表的定量关系分析——以广州市中心区为例[J]. 生态环境学报, 2015, 24(2): 270-277.

GUO Guanhua, WU Zhifeng, LIU Xiaonan. Seasonal Variations of Urban Heat Environment and Its Relationship to Impervious Surface: A Case Study of Guangzhou Core Urban Area [J]. Ecology and Environmental Sciences, 2015, 24(2): 270-277.

国家自然科学基金项目（41171446；41201543）；广州市属高校“羊城学者”科研项目（12A002G）

郭冠华（1986年生），男，博士研究生，从事城市热环境研究。E-mail:gghgiser@qq.com *通讯作者：E-mail: gzuwzf@163.com

2015-01-06