城市景观格局与地表温度的定量关系——以兰州市为例

郝嘉楠,高泽阳

(兰州大学 资源环境学院，甘肃 兰州 730030)

研究全球资源环境和气候变化问题，地表温度的重要性不言而喻.诸如城市热环境、全球气候、土地利用等课题，都离不开地表温度这一至关重要的因素.城市热岛效应，表现为城市四周农村地区温度明显低于城市温度[1]，形成类似高温孤岛的现象，这是城市化进程达到一定程度时的必然现象.城市热岛的出现，使得城市能源消耗增加，硫化物，碳氧化物、氮氧化物等空气污染物的排放量大大上升，其对人体的伤害也不容小觑.城市下垫面的性质、人工热源的增加、水气影响、空气污染、城市景观格局的变化、绿地减少、人口迁徙等，都是造成热岛效应不容忽视因素[2].已有大量研究证明，土地利用组成及其空间格局会对地表温度产生影响.个别土地利用/覆盖类型对温度的影响研究，是目前研究最为普遍的方向，张震[3]通过主成分分析方法和相关分析方法，研究了青岛市下垫面、土地利用驱动因子和社会经济对地表温度产生的影响；李琳[4]结合了回归分析方法，主成分分析方法和相关分析方法，得到与成都市地表温度呈现正相关的景观格局类型是不透水面，与地表温度呈现负相关的景观格局类型是植被，而水体与地表温度呈现微弱负相关关系.但是定量化分析景观格局与地表温度之间的关系，应加以提高.邹婧[5]等通过研究土地利用类型与结构和地表热环境之间的关系，定量地探讨了深圳市景观格局与地表温度之间的关系.王雪[2]等利用最小二乘法和地理加权回归方法，分析北京市景观格局对地表温度的影响.

研究城市景观格局与地表温度的定量关系，有利于合理规划城市土地资源，缓解城市热岛效应，为城市规划与发展提供科学的指导.作为西部地区重要的中心城市之一，兰州市的城市化步伐越来越快，由此引发的生态环境问题也日益增加.因此，土地利用与景观格局的变化导致的生态环境问题阻碍了兰州市社会经济的发展.本文以兰州市为研究区域，使用2017年夏季Landsat 8影像，定量地研究了不透水面和植被覆盖与地表温度的关系，并从景观角度出发，探讨兰州市景观类型空间格局和组成与地表温度空间分布之间的关系，旨在为兰州市城市生态改善以及合理规划城市布局提供科学支持.

1 研究区概况

兰州市位于甘肃省中部，东经102°36′-104°34′，北纬35°35′-37°7′之间[6].土地总面积为13085.6 km2，区域内地貌复杂多样，山地、高原、平川、河谷、沙漠、戈壁，类型齐全，交错分布，地势自西南向东北倾斜，有着两山夹一河的特点，地形呈狭长型[7].受兰州市自身地势高差的悬殊和复杂的地形的影响，兰州市局部气候差异性较大：兰州市的西侧、南侧均是石质山，属于温寒带湿润地区，海拔较高，年平均气温只有20-50 ℃，年降水量仅为 500 mm，其中北侧和东北地区平均气温在60 ℃左右，年平均降水量小于250 mm，属于温凉带干旱区.兰州市中心城市地带属于温带半干旱地区，平均气温在11.20 ℃左右[8].

年平均日照时数为2446 h，无霜期为180 d[9].随着兰州市社会经济的发展，兰州市土地利用发生了巨大变化，城市热岛效应也越来越显著.

2 研究数据与方法

2.1 数据来源

本实验选用美国陆地卫星Landsat 8 OLI/TIRS影像数据(数据来源：USGS EarthExplorer)作为地表温度反演和土地利用/覆盖分类的基础数据.影像选取时间为2017年8月3日，轨道号为131-35，研究区范围内云量覆盖为0.使用1∶200000兰州市土地利用总体规划图辅助进行土地利用/覆盖分类.并对原始影像进行辐射校正、研究区域裁剪等预处理.

2.2 研究方法

2.2.1 地表温度反演

文章采用辐射传导方程法反演地表温度[10].根据辐射传导方程法反演地表温度Ts的表达式为：

式中，K1、K2为传感器的定标常数，在Landsat OLI的取值分别为K1=774.89 W/(m2*μm*sr)，K2=1321.08 K；B(Ts) 为温度Ts的黑体辐射亮度，计算公式如下：

式中，τ为大气透过率，L↑为大气上行辐射，L↓为大气下行辐射；这三个参数值可通过美国航天航空局官网( https://atmcorr.gsfc.nasa.gov) 输入相关参数查询；Lλ为传感器接收到热红外光谱辐射亮度；ε为地表比辐射率.

使用NDVI阈值法可计算地表比辐射率ε[11]：

ε=0.004PV+0.986

式中，PV是植被覆盖度，采用像元二分法计算.原理如下:

式中，NDVIsoil为裸土覆盖区域的NDVI值；NDVIveg代表完全植被覆盖区域的NDVI值；NDVI 为归一化植被指数，根据下式计算：

式中，NIR和R分别为Landsat 8影像的近红外波段和红波段.

统计计算完的NDVI值，NDVIsoil和NDVIveg分别取为NDVI累计5%和95%的像元值.

2.2.2 基于AdaBoost算法的土地类型/覆盖提取

遥感影像分类，通常情况下属于多分类问题范畴.首先，AdaBoost赋予每个样本相同的权重，即样本被选择为基分类器的概率.此后，进行加权抽样，于样本集中提取训练样本，生成弱分类器，对样本总体进行弱分类，得到当前分类器的误差.利用误差计算各样本权重，这样便可提升错误分类样本权重；按此法，可在之后迭代过程中，再次集中选择更多，容易被错误分类的样本.同时，新生成的分类器也将对这些样本给予更多关注.这一系列的弱分类器，便是基于类似多次迭代过程形成的.这些弱分类器对未知实体进行分类，并最终利用加权投票的方式，集成所有分类结果[12].AdaBoost有很多不同的基分类算法，在AdaBoost中，不同地物通过迭代次数的改变，而影响其分类的精度.

本实验采用基于AdaBoost算法的分类系统，把土地分为：林地、其他植被(包括园地、农用地、草地等)、其他用地(包括自然保留地、滩涂等)、不透水面和水体5种类型.

2.2.3 相关分析

相关分析的任务，就是揭示地理要素之间相互关系的密切程度[13].地理要素之间相互关系密切程度的测定，主要是通过对相关系数的计算与检验来完成的，两个地理要素间相关关系的计算方式为：

式中，rxy为要素x与y之间的相关关系系数，其值介于[-1，1]之间，是表示两要素之间的相关程度的统计指标.rxy>0，表示正相关，rxy<0，表示负相关，rxy的绝对值越接近于1，表示两要素的关系越密切.

2.2.4回归分析

作为一种分析变量关系的强有力的工具，回归分析通过建立的回归模型来反映地理要素间的具体数量关系[14].回归模型有线性与非线性两种.一元线性回归模型因变量与自变量单一对应.假设有两个地理要素(变量)x和y，x为自变量，y为因变量.则一元线性回归模型的基本结构形式为：

ya=a+bx+εa

本文通过回归分析定量研究兰州市不透水面、植被覆盖与地表温度的关系，并建立它们之间关系的回归方程.

2.2.5 空间自相关分析

空间自相关分析是为了确定地理要素之间在空间上的相关性[15].空间自相关系数可以用来定量地描述地理要素在空间上的依存程度，其计算公式为：

2.2.6 景观格局指数

景观格局指数属于定量分析因素，用以反映景观格局信息[16].本文结合研究区域景观特点和空间特性，选取了8个景观格局指标研究兰州市土地利用格局.景观格局指数通过Fragstats4.2软件计算得到，如表1示：

表1 景观格局指数

3 兰州市景观格局与地表温度的关系研究

3.1 不同土地类型之间温度比较

表2 不同土地利用类型的地表温度分布图

表2是兰州市2017年土地利用/覆盖类型的地表温度统计值.通过对比均值可以发现，2017年研究区地表温度序列为：其他用地>不透水面>其他植被>水体>林地.其他用地、不透水面的平均地表温度在5种土地利用类型中排名靠前.其他植被里包含有大量的草地、农用地、花园等土地类型，所以其平均地表温度比较高.兰州山地面积占全市面积的85%，连续的大面积裸土地直接导致了其他用地温度过高.林地的地表温度是所有土地利用类型中最低的，其次是水体.

对比土地利用类型的地表温度的标准差，其顺序为：其他用地>林地>其他植被>水体>不透水面.不透水面地表温度的标准差最低，主要原因是因为兰州市城镇大多处在地势平坦的地区，建筑集中且分布均匀.黄河是兰州市的主要水域，水质差异小，均一性比较大，所以水体的标准差相对于其他地区比较小.其他用地是所有土地利用类型中标准差最大的，这主要是因为其他用地里包含了裸土地、处在城镇中的未利用地等，其跨度比较大.兰州地区的林地主要集中在东南地区，其余地区林地稀疏、密度小，林地分布不均衡.

3.2 不透水面与地表温度的关系

将不透水面与地表温度进行回归分析，二者的分析结果如图1所示.

图1 研究区不透水面与地表温度关系Fig.1 relation between impermeable water surface and surface temperature in the study area

图2 研究区植被覆盖与地表温度关系Fig.2 relationship between vegetation cover and surface temperature in the study area

由图1可以发现，研究区不透水面与地表温度之间有着显著的线性正相关关系，随着不透水面程度的加深，地表温度也呈现明显的上升趋势.这就表明，不透水面可以增加地表温度，不透水面区域越多的地方，地表温度也就越高.因而，不透水面的扩展会导致城市热岛效应加剧.

3.3 植被覆盖与地表温度的关系

将植被覆盖与地表温度进行回归分析，二者的分析结果如图2所示.

由图2可以看出，植被覆盖与地表温度呈现显著的线性负相关关系，植被覆盖度越好，地表温度越低.这说明植被具有降低地表温度的作用，由于城镇用地密度大的地方，植被密度小、种类少，造成了地表温度增加.植被种类多而密集区域，温度比较低.植被对于减缓城市地表温度作用明显.

3.4空间自相关分析结果

本文通过GeoDa空间分析软件，使用全局空间自相关模型统计检验地表温度与植被覆盖和不透水面二者分布的空间自相关性.空间自相关系数Moran’s I见表3.

表3 Moran’s I系数

Moran’s I系数显示，兰州市地表温度与植被覆盖和不透水面的分布均呈现空间正自相关.相对而言，不透水面分布的空间聚集性要强于植被覆盖.

3.5 最小二乘法回归模型分析结果

本实验主要通过SPSS软件，以5类土地利用类型为自变量，温度为因变量，为每个景观格局指数建立OLS模型.表4为5类土地利用类型与地表温度的拟合优度.

表4 土地利用类型与地表温度的拟合优度

在OLS模型中，景观格局指数CA对地表温度解释率为60.8%，这就说明地表温度受不同土地利用类型面积大小的影响.景观格局指数LPI、AREA_MN对地表温度解释率分别为63.2%、60.8%，LPI代表最大斑块占景观面积的比例，说明某种土地类型越集中，对温度的影响越大.而AREA_MN表示的是景观的破碎程度，AREA_MN越大，温度就越高.ED对温度的影响程度一般，其他指数的R2和调整R2相对较小.

4 结 论

本文得到的结论有以下三点：

(1)兰州市的林地主要集中在东南地区，而西北地区多为黄土裸地，中间过渡区域多为裸地、草地、耕地、城镇等用地.在空间格局上，兰州市有着两山夹一河的特点.所以研究区内的地表温度呈现出南北两山温度高于城市中部区域，西北地区温度略高于东南地区的特点.研究区最高温度为45.34 ℃.不透水面密集的区域，温度普遍比较高，温度高值区主要分布在兰州市北山的区域.最低地表温度为18.45 ℃.林地和水域分布广泛均一区域地表温度相对较低.总的来看，城市与郊区温差显著，城市地区存在着大面积岛屿状高温区域，热岛效应明显.由于不透水面对太阳辐射的反射率小，可以吸收更多的太阳辐射，导致温度升高.而城镇地区人口密度大，建筑密集，产生的人为热量对热岛的形成有促进的作用.

(2)兰州市不透水面和植被覆盖与地表温度的分布呈不同程度的空间相关性，表现出一定的聚集分布状态.不透水面与地表温度的拟合优度为63%，植被覆盖与地表温度的拟合优度为59%，说明不透水面和植被覆盖与地表温度的相关性比较高，不透水面与地表温度呈现正相关关系，植被覆盖与地表温度呈现负相关关系.

(3)在OLS模型中，共有4种景观格局指数与地表温度得到了比较好的拟合效果.LPI对确定景观的优势类型有一定的促进作用，CA制约着景观内物种的丰度、优势等.由于兰州市市区集中在东南地区，所以兰州市的不透水面主要集中在东南地区，兰州市林地主要分布在东南地区，其他用地(裸地、黄土地等)主要分布在南北两山，黄河是兰州市的主要水体.所以LPI和CA越大，对温度的影响就越大.AREA_MN反映兰州市不同景观格局的破碎程度，一般情况下，AREA_MN越大，温度就越高.兰州市的地表温度受景观破碎度、斑块面积等的影响较高.因此，减少不透水面面积，加大不透水面的破碎程度，在一定程度上，可以缓解城市热岛效应.提高兰州市绿化程度，能更有效降低城市区域的地表温度.兰州市植被聚集地多为低温区，所以，通过增加兰州市植被面积，丰富植被类型，增加植被多样性和密集度，可以有效缓解兰州市热岛效应.