基于Cubist的大连地表温度季节变化分析*

张　琳，吴相利，吴长山

(1.黑龙江省普通高等学校地理环境遥感监测重点实验室;2.哈尔滨师范大学)

*国家自然科学基金( No.41171322)

0　引言

城市热岛效应作为一种城市气候问题，最早由英国气象学家Lake Howard于1833年首次记载，Manley于1958年首次提出[1]，此后一直都是国内外学者共同关注的重点，研究方法也逐渐多样化.Roelof提出热岛效应对人口分布和人类健康有一定影响[2]；Ram通过西班牙滨海城市的发展对影响城市热岛的因子做了分析[3]；Pawar发现城市建筑物的聚集度及朝向不同，对热岛分布会产生影响[4]；Bagiorgas.H.S提出城市交通线路规划及屋顶材料的使用也是影响热岛效应的因子之一[5]；Tobias Krüger通过瞬时地表温度和露点温度揭示热岛效应的成因[6].我国学者大多从下垫面、植被覆盖、土地利用状况等方面揭示热岛效应的影响，何萍研究了楚雄市热岛时间分布、热岛强度及影响热岛强度的最大自然因素[7]；张小飞提取了深圳市下面垫类型、地表温度及植被覆盖等信息，认为下垫面类型和植被覆盖对热岛有显著影响[8]；凌丽媛发现影响桂林地表温度的主要因子是水体和植被[9]；葛荣凤等研究揭示了北京热岛效应在多尺度时序变化上：冬季最强、夏季最弱、夜间最强、白天最弱[10-11]；张茜利用城郊对比分析法揭示了滨海城市威海的热岛效应春、夏最为显著，城市化对热岛贡献大[12].以上研究多基于三年及以上的时间序列，没有很好的揭示一年中各个季节影响热岛的因子及其贡献度，影响因素多为单因素，没有综合考虑.该文选取大连2017年2月3日(冬)、5月3日(春)、8月7日(夏)和11月18日(秋)的TM影像作为一年四季的数据源.利用单窗算法，反演出大连地表温度，分析其分布状况、强度及四季变化.从NDVI、DEM、坡度、夜间灯光值、距海岸线距离等方面揭示不同季节大连热岛效应的影响因子，利用Cubist综合分析各因子在不同季节对热岛的贡献度.

1　研究区概况及数据处理

1.1　研究区概况

大连位于38°50′27″N～39°05′10″N，121°20′57″E～121°45′22″E，地处辽东半岛南端，北临渤海，南临黄海，有黑、吉、辽、内蒙古自治区东部等广阔的腹地，地势北高南低，区内多低缓丘陵，平原低地较少.大连行政区主要包括中山区、西岗区、沙河口区、甘井子区、旅顺口区、金州区和北三市，该文选取大连主城区(中山区、西岗区、沙河口区、甘井子区)为研究区.研究区(如图1所示)面积约为620.87 km2，地处暖温带，属温带季风性气候，同时又具有显著的海洋性特征.春季多风、秋季凉爽；冬无严寒、夏无酷暑；气候温和、四季分明；无霜期达170～190 d；降水期为4～10月，主要集中在7、8月份；植被覆盖面积达12.3 km2.

图1　研究区示意图

1.2　数据源及预处理

根据大连气象局的划分，将每年3～5月、6～8月、9～11月、12～次年2月定义为春夏秋冬四季.结合前人[13-14]，研究结果和大连实际情况[15-18]，Landsat 8遥感影像覆盖光谱范围更广，空间分辨率较其他波段高，能够更加真实的反应大连的地面特征.该文选取大连2014年5月3日、8月7日、11月18日和2月3日四幅无云的TM8影像作为一年四季的数据源，轨道号为119/33.在地理空间数据云下载分辨率为30m的数字高程数据，条带号121，行编号38、39.下载夜间灯光值数据，DMSP/OLS传感器可在夜间进行作业，能够探测出城市居住地稳定车流、船只等发出的灯光，将城区和乡村区分开.由于最近的数据只到2013年，并考虑到需要排除偶然的发亮灯光被记录，所以该文采用2013年全球夜间稳定灯光值作为2014年的SL数据.

2　研究方法

2.1　地温反演

在反演地表温度的方法中，常见的反演方法有Juan C.Jiménez-Munoz单通道算法[19]、覃志豪单窗算法[20]、 Rozenstein劈窗算法[21]和大气校正法(辐射传输方程法)等.经其他学者[22-24]研究表明覃志豪提出的单窗算法更适用于Landsat TM热红外波段，该方法具有精度高，所需参数少等特点.而Landsat 8同时具有第10和第11两个热红外波段，由于其第11波段值稳定性不是很好，美国USGS建议用户使用第10波段作为单波段热红外数据使用.该文采用Landsat 8 TIRS第10波段热红外数据为数据源，运用一下公式进行单窗算法反演地表温度.

Ts=[a(1-C-D) + (b(1-C-D) +C+D)T10-DTa] /C

2.2　地温分类

关于热岛强度、演变及地表热场分布，都涉及热岛界定问题，即温度等级划分.常用的方法有等间距分级法、兼顾均值法和均值标准差法[25-26].鉴于均值标准差法在温度分为6级时能够更加合理的表征地表温度结构[27-28]，该文采用均值标准差法对地表温度进行分类.

2.3　Cubist模型

2001年美国地质调查局使用Cubist模型树对不透水面进行估算，此后Cubist较多的被应用于Landsat不透水面的反演工作中[29].Cubist运算模型相比SPSS及其他建模灵活性更好，精度也更高.该文尝试将Cubist模型运用在Landsat地表温度的反演中，将得到的相关系数进行多元回归分析，从而揭示研究区不同季节影响地表温度的因子.

3　结果分析

图2　春、夏、秋、冬季温度等级分布图

3.1　温度等级分布

四季温度等级分布图(如图2所示)显示大连春、夏两季热岛效应显著，高温区及以上分布相对集中，与城市建筑物密集区相一致，Busato在帕瓦多的研究也得出相同结论[30]；秋季和冬季温度分布较均匀，西北和东北地区有少量热岛现象.这与内陆城市只有夏季才有显著热岛现象有所区别，对比夏季同纬度内陆城市保定[31]可发现，作为特殊滨海城市的大连，热岛强度无论是最大值、最小值还是平均值，都明显小于内陆城市，而大连一年四季的地表平均温也都在零度以上，尤其是冬季.首先是因为受全球变暖的影响[32]，我国东北部包括大连在内冬季气温增暖显著[33]；其次辽东半岛三面环海，陆地伸入海洋面积较大，与海洋环境相融合，且研究区属温带季风性气候，海洋性特征较明显，尤其东岸的黄海海域面积大，海水比热容也相对较大，海水表面吸热和散热的过程较慢，陆地受海洋影响温度变化较平缓.此外，通过Google Earth分析发现，由于屋顶材料的特殊性(如彩钢、气垫膜等)导致研究区冬季局部地区的地表温度相对较高.

3.2　Cubist分析

采用Cubist进行分析结果(如图3所示)如下：5月3日地表温度波动幅度在19.62℃～37.11℃之间，相关系数为0.77，相关性显著.其中，NDVI、DEM、坡度(Gradient)条件贡献度均为100%，与地表温度(LST)均呈现负相关，回归方程为：

回归方程为：

当DEM > 29时，

LST = 35.16 - 0.29Podu - 12.2NDVI - 0.076Lights

当DEM ≤ 29时，

LST = 29 + 0.1246DEM - 0.055Lights - 0.028Podu - 1.1NDVI

表明在2014年春季，研究区地表温度同时受植被覆盖度、高程、坡度和夜间灯光值的影响，其中植被覆盖度对地表温度的影响最大；且当高程变化时，影响系数会发生变化.

2014年夏季地表温度波动幅度在26.364～44.49℃之间，样本间的相关系数为0.83，相关性较高，植被覆盖度、高程、坡度、夜间灯光值的条件贡献度均为100%，此时地表温度与植被覆盖度高程和坡度呈负相关，与夜间灯光值呈正相关，回归方程为：

LST = 37.071 - 14.1NDVI - 0.0157DEM - 0.09Podu + 0.028Stable Lights

表明2014年夏季地表温度也同时受植被覆盖度、高程、坡度和夜间灯光值的影响，其中植被覆盖度对地表温度的影响最大；地表温度的升高随植被覆盖度、高程和坡度的增加而降低，随社会经济发展而升高.

2014年秋地表温度波动幅度在7.15～14.66℃之间，样本间的相关系数为0.45，相关性一般，其中植被覆盖度的条件贡献度为100%，地表温度与之呈正相关，回归方程为：

LST = 9.69 + 9.5NDVI

表明2014年秋季地表温度只受植被覆盖度的影响，地表温度随植被覆盖度的增加而增加.

2014年冬季地表温度波动幅度在 -5.82～2.85之间，样本间的相关系数为0.6，相关性显著，此时高程、植被覆盖度和坡度的条件贡献度均为100%，地表温度与植被覆盖度呈正相关，与高程和坡度呈负相关，表达式为：

LST = -0.0959 - 0.0172DEM + 11.1NDVI - 0.085Podu

表明研究区2014年冬季地表温度主要受高程、植被覆盖度和坡度的影响，其中植被覆盖度对地表温度的影响最大；地表温度随植被覆盖度的增加而升高，随坡度和高程的升高而降低.

图3　Cubist 结果图

4　结论和讨论

上述研究表明大连春、夏两季热岛现象明显，夏季最显著；秋季和冬季由于塑料大棚的大面积使用及屋顶材料的特殊性，导致局部地区地表温度偏高，产生少量热岛现象；且受全球气候变暖影响，冬季平均温在零度以上.当NVDI达到某个特定值时，影响系数会发生明显变化.以上研究表明影响大连四季地表温度的因子不同，影响系数也随之变化.

大连作为滨海城市虽靠近海洋，但其所在的辽东半岛伸入渤海和黄海之间，周围海域面积较大，整体气候环境与海洋环境已融为一体，海岸线距离与地表温度无明显相关性，因此海洋对城市热岛效应影响甚微.四季影响地表温度最大的因子都是植被覆盖度，说明植被在缓解热岛效应中起到显著作用该文通过单窗算法和均值-标准差法分析不同季节不同因素对大连地表温是否具有影响，并通过Cubist综合分析每个季节的主要影响因子及其影响幅度.

[1]Manley G. On the frequency of snowfall in metropolitan England[J]. Quarterly Journal of the Royal Meteorological Society, 1958,84: 70-72.

[2]Roelof J M Boumans, Donald L Phillips, Winona Victery,et al. Developing a model for effects of climate change on human health and health-environment interactions: Heat stress in Austin, Texas. Urban Climate,2014.

[3]Ram Joshi1, Hardik Raval1, Maharshi Pathak1. Urban Heat Island Characterization and Isotherm Mapping Using Geo-Informatics Technology in Ahmedabad City, GujaratState, India, International Journal of Geosciences,2015(6):274-285.

[4]Pawar AS, Mukherjee M, Shankar R. Thermal Comfort Design Zone Delineation for India Using GIS, Building and Environment , doi: 10.1016/j.buildenv,2015(1).9.

[5]Bagiorgas H S, Mihalakakou G. On the influence of the urban heat island on the cooling load of a school building in Athens, Greece. Journal of Atmospheric and Solar-Terrestrial Physicsm,2018:138-139,179-186.

[6]Tobias Krüger ,Franz Held,et al.A new heat sensitivity index for settlement areas.Urban Climate,2013(6):63-81.

[7]何萍,李矜霄,矣永正,等. 城市化对云南高原楚雄市近年来城市热岛效应影响研究[J]. 干旱区地理, 2000(04):687-694.

[8]张小飞,王仰麟,吴健生,等. 城市地域地表温度-植被覆盖定量关系分析——以深圳市为例[J]. 地理研究, 2006(03):369-377+561.

[9]凌丽媛,梁保平. 城市地表典型遥感参数与热岛效应时空分析研究——以桂林市为例[J]. 测绘与空间地理信息,2016(03):24-27，+31.

[10] 林学椿，于淑秋．北京地区气温的年代际变化和热岛效应[J ] .地球物理学报,2005,48(1):39.

[11] 葛荣凤,张力小,王京丽,等. 城市热岛效应的多尺度变化特征及其周期分析——以北京市为例[J]. 北京师范大学学报：自然科学版,2016(02):210-215.

[12] 张茜,李国栋. 威海城市热岛效应特征及其与城市化进程的关系[J]. 气象与减灾研究,2016(3):224-231.

[13] 李潇潇. 1961～2010年大连地区年平均气温和地温的变化特征分析[A]. 中国气象学会.第32届中国气象学会年会S4 东亚气候变异成因和预测[C].中国气象学会,2015.

[14] 侯国成,王秀萍. 大连气候变暖及其对农业的影响[J]. 生态学杂志,2009(5):933-937.

[15] 陈云浩,李晓兵,史培军.上海城市热环境的空间格局分析[J].地理科学2002,22(3):317-323.

[16] 杨俊,孙静,葛全胜. 大连市城区绿地时空特征的热环境效应研究[J]. 地球信息科学学报,2016(8):1087-1093.

[17] 徐涵秋, 唐菲. 新一代Landsat 系列卫星: Landsat 8遥感影像新增特征及其生态环境意义.[J] 生态学报, 2013，33(11): 3249-3257.

[18] 黄妙芬,邢旭峰,王培娟,等. 利用LANDSAT/TM热红外通道反演地表温度的三种方法比较[J]. 干旱区地理,2006(1):132-137.

[20] Qin Z H, Dall'Olmo G, Karnieli A, et al. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data. J Geophys Res Atmos, 2001, 106(D19): 22655-22670.

[21] Rozenstein O, Qin Z H, Derimian Y, et al. Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm. Sensors，2014，14(4): 5768-5780.

[22] 宋挺,段峥,刘军志,等. Landsat 8数据地表温度反演算法对比[J]. 遥感学报,2015(3):451-464.

[23] Hu Deyong,Qiao Kun,Wang Xingling,et al.Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm.Journal of Remote Sensing,2015,19(6) : 964-976[DOI: 10.11834/jrs.20155038].

[24] YANG Lei, CAO Yungang, ZHU Xiaohua,et al. Land surface temperature retrieval for arid regions based on Landsat-8 TIRS data:a case study in Shihezi,Northwest China[J]. Journal of Arid Land,2014(6):704-716.

[25] 张勇,余涛,顾行发,等. CBERS-02 IRMSS热红外数据地表温度反演及其在城市热岛效应定量化分析中的应用[J]. 遥感学报,2006(5):789-797.

[26] 徐涵秋,陈本清. 不同时相的遥感热红外图像在研究城市热岛变化中的处理方法[J]. 遥感技术与应用,2003(3):129-133，+185.

[27] 周红妹,周成虎,葛伟强,等. 基于遥感和GIS的城市热场分布规律研究[J]. 地理学报,2001(2):189-197.

[28] 王天星,陈松林,阎广建. 地表参数反演及城市热岛时空演变分析[J]. 地理科学,2009(5):697-702

[29] 戴舒,付迎春,赵耀龙. 基于Cubist模型树的城市不透水面百分比遥感估算模型[J]. 地球信息科学学报,2016(10):1399-1409.

[30] Busato F, Lazzarin R M, Noro M. Three years of study of the Urban Heat Island in Padua: Experimental results;Sustainable Cities and Society，2014(10):251-258

[31] 李玉娥,高万泉. 保定市城市热岛效应特征分析[J]. 气象与环境科学, 2009(S1):265-267.

[32] 何金海,詹丰兴,祁莉,等. 全球变暖减缓期陆地地表气温变化特征和CMIP5多模式的未来情景预估[J]. 大气科学, 2016(1):33-45.

[33] 司鹏,李庆祥,李伟. 城市化进程对中国东北部气温增暖的贡献检测[J]. 气象,2010(2):13-21.