城市扩张对热环境时空演变的影响——以哈尔滨为例

刘丹，于成龙*

1. 中国气象局东北地区生态气象创新开放实验室，黑龙江 哈尔滨 150030；2. 黑龙江省气象院士工作站，黑龙江 哈尔滨 150030；3. 黑龙江省气象科学研究所，黑龙江 哈尔滨 15003

城市扩张使下垫面由原来的自然植被、水体等转变成大量的人工建筑物，土地覆盖类型及其空间结构的变化影响城市地表显热的存储和传输，从而出现城市热岛现象（岳文泽等，2006），该现象在近百年前就被人们所熟知，但较系统的研究仅开始于近几十年间（Busato et al.，2014）。遥感技术对地表热红外信息分析的贡献，使获得城市温度空间分布的结果相对于传统依靠地面气象资料推算的结果更加精细和准确，为定量研究城市热环境的空间分布提供了更为可靠的依据。基于遥感技术对城市地表覆盖类型与热辐射关系的研究表明，城市绿地或水体的覆盖程度与地表辐射温度之间存在负相关关系（Phelan et al.，2015；Yang et al.，2015；林荣平等，2017），绿地和水体对周边小气候有明显调节作用，绿地或水体的斑块面积越大，在一定范围内的降温效果越明显，并且其斑块的形状也会对热岛效应的强弱产生一定影响（徐涵秋等，2004；雷江丽等，2011；Senanayake et al.，2013），李甜甜等（2012）利用多孔介质数学模型进行研究，结果表明，城市区域热岛强度随着地面孔隙率的增大而减弱，地面孔隙率每增加 0.1，就会引起城市热岛强度减小0.36 K。

目前，遥感手段已经成为城市热岛效应研究的主要手段，但长时间序列、多因子综合分析北方城市热岛效应的研究不多。哈尔滨市是中国最北部的省会城市，近年来的城市扩张（张新乐等，2007）也导致了明显的城市热岛现象（刘玉莲等，2010），随着人类对建设用地需求的持续增长，城市景观格局将继续发生变化，由此对城市生态环境的干扰也日益增强，势必会对城市热环境产生影响。本文基于Landset数据，从城市土地覆盖类型变化的角度出发，分析 1984年以来哈尔滨市城市扩张过程中夏季城市热岛格局的演变特征，研究城市夏季地表参数与地表温度之间的定量关系，以期为制定城市热岛效应缓解措施提供参考，进而为改善城市生态环境，建设宜居城市做出贡献。

1　研究区及数据处理

1.1　研究区概况

哈尔滨市是中国最北部省份黑龙江省的省会城市，位于东经 125°42′～130°10′、北纬 44°04′～46°40′之间，平均海拔高度172 m，共辖8个区、7个县和3个县级市，松花江位于中心城区偏北方向。截至2011年，市区人口587.9万（黑龙江省第六次全国人口普查数据）。该市气候属温带大陆性季风气候，冬长夏短，年平均气温为4.32 ℃，最冷月（1月）平均气温-18.49 ℃，最热月（7月）平均气温22.93 ℃；年平均降水量520 mm左右，主要集中在夏季。

1.2　数据来源及预处理

本研究所选用的遥感影像数据均为Landsat系列数据，数据特征如表1所示。

表1　遥感数据特征Table 1 Characteristic of remote sensing data

首先，应用Hu（2014）的SCR（Scattergram Controlled Regression）方法对各期数据进行相对辐射校正，该算法利用相邻数据重叠区域进行相对辐射校正，将数据由Oigital Number（DN）值直接转换为地表反射率，精度验证以MODIS地表反射率产品MOD09GA作为参考，比较对应波段数据的相对一致性，直到两种数据的反射率散点图拟合直线为y=x；再以2004年8月20日的数据为基准影像，对经过辐射校正和没有经过辐射校正的其他时像数据进行配准，保证其 RMSE（root-mean-square error，均方根误差）小于0.5个像元；最后利用哈尔市行政区划范围图进行裁剪（行政区划数据来自于中国气象局统一下发的矢量数据）。

1.3　城市用地信息提取

根据需要，本研究分别提取了城市用地、植被、水体和裸地，其中，NDVI（Normal Differential Vegetation Index）对植被较为敏感，蓝光波段对水体较为敏感，近红外波段和中红外波段对城市用地和裸地较为敏感，因此，通过蓝光波段、近红外波段、中红外波段和NDVI组合，应用决策树法，将植被、水体与城市用地和裸地区分开来。由于城市用地与裸地的光谱特征相似，上述方法对这两种地物的区分效果不好。城市用地多由水泥、沥青、钢结构等不透水面组成，因此引入NDISI（Normalized Difference Impervious Surface Index）增强影像中的不透水面信息，从而区分城市用地与裸地。NDISI计算公式如下（徐涵秋等，2004）：

式中，NRI、MIR和TIR分别表示近红外、中红外和热红外波段。

再把蓝光波段、近红外波段、中红外波段、NDVI和 NDSI组合，应用决策树法进行分类，将土地利用类型划分成城市用地、植被、水体和裸地，利用地面调查数据进行精度验证，每景数据的总体分类精度均在93%以上。

1.4　空间重心转移模型

在土地利用类型变化研究中，常用空间重心转移描述地理对象的空间分布变化（李明财等，2011），空间重心转移距离（OD）计算公式如下：

1.5　地表温度反演

对于Landsat数据来说，常用的地表温度反演有基于大气辐射传输模型的算法（Shabanova et al.，2007）、单窗算法（Edward et al.，2017；Benjamin et al.，2017）和其他算法（Weng et al.，2004；Qin et al.，2001），考虑到缺乏实际探空数据和反演精度验证等因素（黄妙芬等，2006），本研究选取覃志豪等（2001）的用陆地卫星中红外波段数据演算地表温度的单窗算法，算法如下：

式中，C=ετ；D=(1-τ)[1+(1-ε)τ]；a=-67.355351；b=0.458606。ε为地表发射率；τ为大气总透过率；Tsensor为像元亮度温度（K）；Ta为大气平均温度，Ta=16.0110+0.92621T0，T0为近地层空气温度（K）。

1.6　温度正规化转换

由于12幅不同年份、不同季节图像反演的绝对温度值无法进行纵向比较，而热岛效应主要侧重于不同土地利用类型地表温度的相对差别，因此本研究参考徐涵秋（2011）、Carlson et al.（2000）的方法，利用以下公式进行温度归一化处理，将不同幅图像反演的地表温度范围换算为[0, 1]之间的数据：

式中，LST′为归一化处理后的LST；LSTmin为单幅图像中温度最小值；LSTmax为单幅图像中温度最大值。

为了使反演后的结果尽可能地反映一年中地表的温度特征，将标准化处理后的地表温度结果分别进行年份平均，得到1984年、1995年、2004年和2015年的地表温度空间变化图。

1.7　Shannon熵计算

信息论中的Shannon熵作为表征空间地理单元集中或扩散的一个指数，可以应用于任一地理单元的调查中（Thomas，1981；Kassem et al.，2015），而城市扩张在很大程度上表现为扩散过程，因此有学者把Shannon熵做为一个评价指标，研究城市扩散过程的规律，取得了满意效果（Shannon，2001），Shannon熵Hn表达式如下：

式中，pi为第 i个区域中某一土地利用类型所占的比例；xi为某一土地利用类型的面积。

相对熵Hn′表达式如下：

式中，n为区域土地利用类型数量。相对熵值越大，表明土地利用分散度越大。

1.8　NDVI

NDVI（Normalized Difference Vegetation Index）是目前被广泛应用的反映植被信息的遥感指数（Macarof，2017），计算公式为：

式中，NDVI为归一化植被指数；ρnir为近红外亮温；ρred为红光反射率。

2　结果与分析

2.1　哈尔滨市地表温度变化

分别选取1984年、1995年、2004年和2015年代表 4个年代际，分析不同年代哈尔滨市辖区地表温度的空间差异。图1所示为这4个年份地表温度影像叠加生成的影像差值图，图中蓝色系表示后一年代的地表温度低于前一年代，红色系表示后一年代的地表温度高于前一年代。由于不同年份的松花江江面宽度不同，选取最大江面宽度做掩膜，图中未显现松花江。在1984—2015年的差值影像图中，有10.63%像元地表温度降低，44.84%像元地表温度升高，44.53%像元地表温度几乎无变化。从空间分布来看，中心城区（道里区、道外区和南岗区相交地带）地表温度以下降为主，周边的松北区、平房区和道外区中部的地表温度明显上升。

分阶段看，中心城区热岛效应增加最快的阶段在1984—1995年间，而到1995—2004年间，主要表现为中心城区的热岛效应明显缓解，热岛开始向四周扩散，2004—2015年间，中心城区热岛效应变化不大，而周边地区的热岛明显加重，尤其以松北区、平房区和道外区东部更加明显。

图2所示为各年份地表温度经标准化处理后像元数量的累计值分布，可见1984年、1995年、2004年和2015年横坐标分别在0.224、0.227、0.361和0.517处出现像元数量的高峰，说明研究区从1984—2015年相对高温地区逐渐增多，且增多的速度在逐渐加大。

在LST经标准化处理的基础上，计算每幅图像的哈尔滨市地表温度重心，如图 3所示，1984—1995年空间重心向东南方向移动 0.009 km，1995—2004年空间重心向西北方向移动 0.007 km，2004—2015年空间重心向东南方向移动0.001 km。总体上，近30年来，哈尔滨市地表温度空间重心向东北方向移动了0.004 km。

2.2　城市扩张过程对城市热环境变化的影响

针对上述哈尔滨市地表温度的年代际空间变化特征，从城市土地覆盖类型变化的角度出发，以1984年、1995年、2004年和2015年为例，研究近30年来哈尔滨市城市扩张过程对城市热环境变化的影响。

图1　哈尔滨市热岛变化差值图Fig. 1　Difference image of UHI in Harbin city

图2　1984—2015年哈尔滨市区LST像元数累计分布Fig. 2　Cumulative distribution of LST pixels in Harbin from 1984 to 2015

图3　1984—2015年哈尔滨市LST重心转移Fig. 3　The gravity transfer of LST in Harbin from 1984 to 2015

2.2.1哈尔滨市建筑用地的变化

图4所示为1984—2015年哈尔滨市建筑用地的增长过程，由图可知，1984年和1995年中心城区的轮廓清晰可见，2004年和2015年中心城区的边缘较为模糊，比较典型的是松北区和平房区。从1995—2015年建筑用地面积增加迅速（图5），1984年建筑用地面积为 187 km2，2015年增加到 571 km2，面积扩大了近2倍；近30年平均扩张速度为13 km2·a-1，其中，1995—2004年平均扩张速度相对较低，为9 km2·a-1；2004—2015年平均扩张速度相对较高，为 18 km2·a-1。

由图6可知，1984—1995年哈尔滨市建筑用地空间重心向东南方向移动1.36 km，1995—2004年空间重心向西北方向移动1.20 km，2004—2015年空间重心向东南方向移动0.77 km。总体上，近30年来哈尔滨市建筑用地空间重心向东南方向移动了1.01 km。对比图3可知，及就重心移动方向而言，建筑用地与LST的移动轨迹基本一致，只是建筑用地从1984—2015年总体重心向东南方向移动，而 LST总体重心向东北方向移动；就移动距离而言，建筑用地的重心移动距离明显大于LST的重心移动距离。由此可见，建筑用地重心的变化对LST重心变化有较大影响。

图4　1984—2015年哈尔滨市建筑用地分布示意图Fig. 4　Distribution diagram of building land from 1984 to 2015 in Harbin

图5　1984—2015年哈尔滨市建筑面积与扩张速度Fig. 5　The area and expansion rate of building land in Harbin from 1984 to 2015

图6　1984—2015年哈尔滨市建筑用地重心转移Fig. 6　The gravity transfer of building lands in Harbin from 1984 to 2015 in Harbin

2.2.2地表景观特征对城市地表温度的影响

选取3处热岛效应变化较为明显的区域，分别为中心城区、平房区南部和松北区中部，分析1984年和 2015年相对应区域热岛斑块的变化特征与土地利用类型变化的联系。在热岛斑块的计算中，把通过公式（4）计算的结果按照0.1的步长由低到高将LST分为10个等级，按照这10个等级计算斑块数和平均斑块面积，结果如图7所示。

图7(a)和图7(b)所示分别为中心城区部分区域的热岛斑块的数量和平均面积，图7(c)和图7(d)分别为平房区、松北区部分区域的热岛斑块的数量和平均面积。由图7(a)和图7(b)可见，1984年中心城区的热岛斑块数量主要集中在LST的5～9级，以第7级最多；平均斑块面积也主要集中在5～9级，以第6级的面积最大，达0.78 km2；与1984年相比，2015年的热岛斑块数量分散到2～9级，总的斑块数量是1984年的近4倍，而各个LST级别的平均斑块面积也较小，最大的斑块面积在第6级，为0.10 km2。由此可见，中心城区中部在1984—2015年间呈现热岛效应下降、相对高温热岛斑块面积减小的趋势。

由图7(c)和图7(d)可知，1984—2015年，平房区和松北区的斑块数和平均斑块面积的高峰值均由较低的LST级别向较高的LST级别移动，1984年的斑块数量主要集中在第2～6级，以第3级最高，为375个，2015年的斑块数量分散在1～10级，第6级的斑块数最多，但数量仅为1984年第3级的21.87%；从平均斑块面积上看，1984年最大的平均斑块面积为0.15 km2，出现在第6级，而2015年最大的平均斑块面积为0.62 km2，出现在第7级。可见，平房区和松北区的典型区域在 1984—2015年间出现了相对高温热岛斑块面积增大、热岛效应上升的趋势。

图8(a)和图8(b)所示分别为中心城区中部区域各土地利用类型斑块的数量和平均面积，图8(c)和图8(d)分别为平房区、松北区部分区域各土地利用类型的数量和平均面积。中心城区1984年和2015年城市用地的斑块数量无明显差别（图8a），但1984年城市用地的平均斑块面积是2015年的4倍；平房区和松北区 2015年城市用地的斑块数量和平均斑块面积分别是1984年的2倍和4倍。结合图7可知，城市用地平均斑块面积增大，相对高温的热岛斑块面积也会增大，反之，相对高温的热岛斑块面积就会减小。

把熵的概念引入到LST的分布特征分析中，结果表明，中心城区1984年的熵值为0.38，2015年为0.53；平房区和松北区1984年的熵值为0.38，2015年为0.44。说明无论在中心城区还是在平房区和松北区，与1984年相比，2015年LST结构的分异度更高，有序程度相对较低，集中连片的相对高温地带也相对较少，其中中心城区的分异度高于平房区和松北区。

图7　典型城市热岛斑块特征Fig. 7　Characteristics of typical urban heat island patchs in Harbin from 1984 to 2015

图8　典型区域土地利用特征Fig. 8　LUCC characteristics of typicalarea

2.2.3城市地表温度与地表参数的关系分析

采用统计分析方法分析城市建筑用地、植被、水体与地表温度的关系，用NDISI反映城市建筑用地信息，NDVI反映植被信息，NDWI反映水体信息。考虑到各参数量纲不统一，因此按照统计学方法对NDISI、NDVI和NDWI进行标准化处理，将其数据换算到0～1之间，这3个指数标准化后分别以 NDISI′、NDVI′和 NDWI′表示。为确保统计分析的客观性，按照0.02°×0.08°网格在哈尔滨市辖区内设置8269个样点。以2015年为例，提取各指数和地表温度数据，分别对各个指数与LST做单因子回归分析（表 2），得到回归方程的决定系数 R2均大于0.5，说明LST与NDISI、NDVI和NDWI均有较好的相关性。从拟合结果看，LST与NDISI′呈正相关，与 NDWI′和 NDVI′均呈负相关，NDISI′、NDWI′和 NDVI′每增加 0.1，LST 分别增加 0.74 ℃、降低0.63 ℃和降低0.46 ℃。产生上述结果的原因是不透水面的比热容较小，温度变化剧烈，水体的比热容大，温度变化相对缓慢，而植被强大的蒸散发作用也具有一定的降温效果。分析多因子回归分析方程（表 2）发现，NDISI′的系数几乎相当于NDWI′和 NDVI′的系数之和，可见，NDISI′对 LST的影响远远大于NDWI′和NDVI′的作用结果。这一结果与徐涵秋（2011）的研究成果基本一致，只是在徐涵秋的研究结果中，NDISI′与LST呈指数关系，而本文在拟合NDISI′与LST的关系时，发现二者的线性关系强于指数关系。

表2　2015年地表温度与植被、水体和城市用地的关系Table 2　Relationship between vegetation, water, city land and LST in 2015

分别以处于市区内的哈尔滨试验林场（中心点位于东经 126°38′57″，北纬 45°43′19″，面积为 0.03 km2）、尚志公园（中心点位于东经 126°40′39″，北纬 45°43′29″，面积为 0.05 km2）、松花江南岸 2 个试验点（分别为东经 126°38′12″，北纬 45°47′21″和东经 126°36′18″，北纬 45°46′35″）为中心，每隔 1 km做1个缓冲区向外扩展，以2015年为例计算2015年缓冲区内的平均LST。结果表明，水体和植被不仅对自身所在区域具有降温作用，而且对周边的不透水面具有降温效应；而城市内水体和植被斑块的大小不同，也会对地表温度产生不同的影响，换言之，即使两个像元的NDISI′值相等，如果这两个像元距离水体或植被的距离不同，其表面温度会有差异；另外，即使两个像元距离水体或植被的距离相同，而水体或植被斑块的面积不同，这两个像元的表面温度也会有所差异。

3　讨论

城市建筑用地、植被、水体与地表相对温度的相关关系分析结果表明，地表相对温度与不透水面指数呈较好的正相关关系，与植被指数和水体指数呈较好负相关关系，这一结果与徐涵秋（2004）的研究结果具有相似之处。同时，本研究表明，水体和植被不但对自身所在区域具有降温作用，而且对周边的不透水面具有降温效应，验证了刘东等（2013）和Ranhao et al.（2012）的研究结论，这也是导致 LST与 NDISI′拟合方程的相关系数降低的原因之一。

本研究把熵的概念引入到地表温度的分布特征分析中，分析结果与景观指数研究结果具有很好的一致性，由此可见，在今后的研究中，熵可作为热岛效应评估的一个指标。

2004年以来，由于旧城改造的实施，中心城区建筑用地斑块面积下降，城市绿地增多，使中心城区的热岛现象有所改善，这一发现对哈尔滨市旧城区改造和新城区建设具有一定的参考作用，尤其在新城区规划过程中，应注意城区建筑用地和植被、水体的比例关系，尽量增加规模绿地数量，避免建筑用地集中连片，找到最佳比例关系，以在兼顾城市功能的发挥的同时，尽量降低城市热岛效应的危害。

本研究通过分析城市建筑用地与城市热岛效应的关系，找到了一定的规律，但所有研究手段只停留在二维空间，随着城市化进程的加快，高层建筑群不断增加，建筑物高度、间距、建筑材料等因素对地表温度的影响同样不容忽视（Stewart，2011）。因此，发展能够体现城市三维景观格局的指数及量化方法，辨析城市3D景观格局与热岛强度定量关系及其尺度效应，构建基于景观格局指数的城市热岛效应模型，将为揭示城市热岛效应形成机制提供更为科学的研究途径，对制定缓解城市热岛效应措施，促进城市合理布局更具实用价值。

4　结论

城市发展过程中土地利用类型及其景观格局的变化是影响城市地表温度的主要原因，基于1984—2015年Landsat数据，分析哈尔滨市城市扩张过程中夏季城市热岛格局的演变特征，研究城市夏季地表参数与地表温度之间的定量关系，结果表明：

（1）与1984年相比，2015年哈尔滨市有44.84%区域地表相对温度升高，有10.63%区域地表相对温度下降；从空间分布来看，中心城区出现热岛效应减弱、热岛斑块面积减小的趋势；周边区域出现热岛效应加强、热岛斑块面积增大的趋势，地表温度重心向东北方向移动了0.004 km。

（2）1984—2015年城市建筑用地面积由 187 km2扩大到 571 km2，平均扩张速度为 13 km2·a-1，建筑用地重心向东南方向移动了1.01 km。

（3）城市建筑用地与地表温度之间存在正相关关系，水体和植被与地表温度之间存在负相关关系，建筑用地的增温作用远远大于水体和植被的降温作用。

参考文献：

BENJAMIN R S, PATRICK M, THAD C. 2017. Global clear-sky surface skin temperature from multiple satellites using a single-channel algorithm with angular anisotropy corrections [J]. Atmospheric Measurement Techniques, 10(1): 351-371.

BUSATO F, LAZZARIN R M, NORO M. 2014. Three years of study of the Urban Heat Island in Padua: Experimental results [J]. Sustainable Cities and Society, 10: 251-258.

CARLSON T N, ARTHUR T S. 2000. The impact of land use-land cover changes due to urbanization on surface microclimate and hydrology: a satellite perspective [J]. Global and Planetary Change, 25(1-2): 49-65

EDWARD A G, DAVID J C. 2017. Urban forest structure and land cover composition effects on land surface temperature in a semi-arid suburban area [J]. Urban Forestry & Urban Greening, 28: 28-35.

HU C M, ZHANG W, FENG Z, et al. 2014. Landsat TM/ETM+ and HJ-1A/B CCD data automatic relative radiometric normalization and accuracy verification [J]. Journal of Remote Sensing, 18(2):267-286.

KASSEM S, AHMED M, EL-SHEIKH S, et al. 2015. Entropy in bimolecular simulations: A comprehensive review of atomic fluctuations-based methods [J]. Journal of molecular graphics &modeling, 62: 105-117.

MACAROF P, STATESCU F. 2017. Comparasion of NDBI and NDVI as Indicators of Surface Urban Heat Island Effect in Landsat 8 Imagery: A Case Study of Iasi [J]. Present Environment and Sustainable Development, 11(2): 141-150.

PHELAN P E, KALOUSH K, MINER M, et al. 2015. Urban Heat Island:Mechanisms, Implications, and Possible Remedies [J]. Annual review of environment and resources, 40: 285-307.

QIN Z, KARNIELI A, BERLINER P. 2001. 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.

RANHAO S, AILIAN C, LIDING C, et al. 2012. Cooling effects of wetlands in an urban region: The case of Beijing [J]. Ecological Indicators, 20: 57-64.

SENANAYAKE I P, WELIVITIYA W, NADEEKA P M. 2013. Remote sensing based analysis of urban heat islands with vegetation cover in Colombo city, Sri Lanka using Landsat-7 ETM+ data [J]. Urban Climate, 5: 19-35.

SHABANOVA N V, HUANG D, KNJAZIKHINA Y. 2007. Stochastic radiative transfer model for mixture of discontinuous vegetation canopies [J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 107(2): 236-262.

SHANNON C E. 2001. A mathematical theory of communication [J]. Bell System Technical Journal, 27: 623-656.

STEWART I D. 2011. A systematic review and scientific critique of methodology in modern urban heat island literature [J]. International Journal of Climatology, 31: 200-217.

THOMAS R W. 1981. Information Statistics in Geography [M]. Norwich:W. H. Hutchins &Sons: 59.

WENG Q, LU D, SCHUBRING J. 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies [J]. Remote sensing of Environment, 89(4): 467-483.

YANG J B, LIU H N, SUN J J. 2015. Further development of the regional boundary layer model to study the impacts of greenery on the urban thermal environment [J]. Journal of Applied Meteorology and Climatology, 54: 137-152.

黄妙芬, 邢旭峰, 王培娟, 等. 2006. 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, 29(1): 132-137.

雷江丽, 刘涛, 吴艳艳, 等. 2011. 深圳城市绿地空间结构对绿地降温效应的影响[J]. 西北农林科技大学学报, 26(4): 218-223.

李明财, 郭军, 熊明明. 2011. 基于遥感和GIS的天津建成区扩张特征及驱动力[J]. 生态学杂志, 30(7): 1521-1528.

李甜甜, 俞炳丰, 胡张保, 等. 2012. 建筑密度对城市热岛影响的多孔介质数值模拟[J]. 西安交通大学学报, 46(6): 134-138.

林荣平, 祁新华, 叶士琳. 2017. 沿海河谷盆地城市热岛时空特征及驱动机制[J]. 生态学报, 37(1): 294-304..

刘东, 李艳, 孔繁花. 2013. 中心城区地表温度空间分布及地物降温效应——以南京市为例[J]. 国土资源遥感, 25(1): 117-122.

刘玉莲, 王春丽. 2010. 哈尔滨市城市热岛效应分析[C]//第27届中国气象学会年会. 北京:中国气象学会: 128-131.

覃志豪, ZHANG M H, ARNON K, 等. 2001. 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 56(4): 456-466.

徐涵秋, 陈本清. 2004. 城市热岛与城市空间发展的关系探讨——以厦门市为例[J]. 城市发展研究, 11(2): 65-70.

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.

张新乐, 张树文, 李颖, 等. 2007. 近 30年哈尔滨城市土地利用空间扩张及其驱动力分析[J]. 资源科学, 29(5): 157-163.