粤港澳大湾区地表温度变化影响因素分析

吴 波，颜东明

（惠州学院 地理与旅游学院，广东 惠州 516007）

随着中国城市化进程不断加快，热岛效应越来越明显，对城市生态环境以及居民生活和健康造成一定的影响.对城市热岛效应关键因子之一的地表温度（Land Surface Temperature，LST）展开研究，在反映气候因子和地表特征的变化、深入了解地表温度与影响因素间相互作用的机理、预测未来地表温度的发展趋势等方面具有重要的科学意义．

传统的城市热环境研究主要基于气象站获取大气温度数据，自1960年TIROS气象卫星发射后，学者们便开始利用卫星热红外波段对地表温度的反演和时序变化进行大量研究．BORNSTEIN［1］和BAKER［2］发现城市热岛受全球气候变化的影响，由人类活动和当地地理环境共同决定，有关LST变化的相关因子的研究也逐渐成为研究热点．在全球变暖的趋势下，已有许多学者对LST的反演理论、时空演变以及影响因素等方面展开了研究［3-13］．1980年以来，我国不同领域的学者对城市热环境等相关问题的研究越来越多：乔治等［14］利用北京市MODIS地表温度数据，揭示了不同季相和昼夜间地表热力景观时空分异特征，以及城市热力景观空间演变规律；王思维等［15］基于MODIS L1B数据，采用劈窗算法反演地表温度，并分析其空间分布特征，通过回归分析发现LST与NDVI间有很好的负相关性；唐泽等［16］基于长春市3期陆地卫星影像数据，通过热力景观动态度指数分析了热力景观格局的时空变化特征，并探讨LST与下垫面（植被覆盖和不透水面）的关系；吴琼等［17］在500、1 000和2 000 m尺度下定量研究了地表温度与POI密度、归一化植被指数和归一化水体指数的相关性及作用大小；潘竟虎等［18］利用多源空间数据探讨了兰州市热环境的空间格局，并运用空间主成分分板（PCA）方法分析了人文驱动因素对城市热环境的影响特征．

以粤港澳大湾区为研究区域，基于MOD11A2地表温度数据，采用地理探测器，从下垫面组成、人类活动和地形三方面对地表温度分布差异性的影响因素进行定量分析；并运用多元线性回归分析，构建各影响因素与LST之间的多元关系模型．拟为城市化发展及其热环境研究提供科学参考．

1 研究区概况

粤港澳大湾区（简称“大湾区”），由香港、澳门2个特别行政区和广东省广州、佛山、肇庆、深圳、东莞、惠州、珠海、中山、江门9个珠三角城市组成（图1），在国家发展大局中具有重要战略地位．大湾区属亚热带季风气候，终年温暖湿润，地形起伏较大，三面多为低山丘陵，南部临海，平缓的中部地区是城市扩张的主要区域．粤港澳大湾区总面积约5.6万km2，2019年末人口已达7 000万人，是中国开放程度最高、经济活力最强的区域之一［19］．

图1 研究区位置示意图

2 数据来源与研究方法

2.1 数据来源

地表温度数据是从美国航空航天局获得的MODIS Terra卫星第6版本全球地表温度/发射率8 d合成产品（MOD11A2），选取2019年共46景数据（其中可用24景），空间分辨率为1 km，时间分辨率为8 d，投影方式为Sinusoidal投影．通过均值合成法将8 d的地表温度数据汇总为夏季（6-8月）、冬季（12月至次年2月）和全年地表温度数据集．

地表覆盖产品来源于地球大数据科学工程数据共享服务系统，是结合2019—2020年时序Landsat数据、Sentinel-1SAR数据、DEM、全球专题辅助数据集以及先验知识数据集等生产的全球30 m精细地表覆盖产品．

MODIS归一化植被指数（NDVI）产品，从美国航空航天局获得的月合成产品（MOD13A3），选取2019年共12景数据，空间分辨率为1 km．对数据进行投影转换、格式转换和裁剪等预处理．

人口密度数据来源于WorldPop发布的世界人口密度地图，是目前精度最高、最可靠的长时间序列数据.选取2019年经联合国调整后无约束的人口密度数据，空间分辨率为1 km，单位是每个像素的人数．

POI数据来源于百度地图，通过其API接口抓取POI点位置、名称和经纬度等相关信息．抓取的2020年POI数据类型主要包括教育培训、公司企业、房地产、酒店、医疗、美食、休闲娱乐、金融等14大类，坐标系为BD09．

数字高程模型（DEM）从美国国家航空航天局2020年发布的全球DEM数据中获取，空间分辨率为30 m，是当前最新的一套数据，具有质量最好、覆盖范围广特点．

行政区划边界矢量数据由全国地理信息资源目录服务系统提供，坐标系为CGCS2000．

2.2 研究方法

2.2.1 影响因素空间化表达

后续为了使各影响因素有效地与地表温度的空间格局进行定量分析，综合考虑粤港澳大湾区范围以及所有栅格数据的空间分辨率，将所有数据集的空间分辨率调整为1 km，以实现多源数据在空间分辨率上的统一［20］．

对于不透水面和水体数据，在研究区内构建边长为1 km的网格单元，共计14 993个网格，将矢量化的土地利用类型数据与格网分别相交，得到所有网格单元的不透水面和水体面积，并以面积占比的形式将值赋予每个格网，实现不透水面和水体的密度空间化；此外，POI数据提供了人类活动及社会经济活动信息，采用核密度分析从此数据集中提取社会经济活动指数，空间分辨率为1 km．

2.2.2 地理探测器

一般来说，若自变量和因变量之间存在较强的相关性，则它们在地理空间上的分布模式同样具有较大的关联性．由王劲峰等［21］提出的地理探测器就是基于此思想，用于探测因变量及其可能的风险因子在地理空间上分布的相似性程度．利用其中3类探测器探测粤港澳大湾区各地理环境因子对地表温度的空间分异的影响程度．

（1）风险探测器

为了探测各影响因素对地表温度变化是否存在风险性，利用风险探测器绘制地层响应变量图，判断2个地层之间的地表温度的统计显著差异，用统计量t来检验：

式中，为子区域z内的属性平均值；nz为子区域z内样本数量；Var为方差．统计量t近似服从Student’s t分布，自由度的计算方法为：

（2）因子探测器

通过因子探测器度量地表温度的空间分异性，以及探测各影响因素对地表温度的解释力，因子对地表温度变化的贡献量越大，则相关性越强．以上用q统计量测度，计算公式如下：

其中，q为影响因素的解释力，即贡献量；z=1,…,m为次一区域层的个数；Y，Yz分别为整个区域层、次一区域层的样本数；σ2，σ2z分别为整个区域层、次一区域层变量的方差．q的取值范围为0～1，值越大表明变量的空间分异性越强．

（3）交互作用探测器

在考虑单一影响因素作用的同时，为了识别不同因素之间的交互作用，采用交互作用探测器显示两个风险因素（以及更多因素）是否对地表温度具有交互式影响的作用．交互作用探测方式为：首先计算出两种影响因素x1、x2的q统计量q(x1)、q(x2)，再计算x1、x2图层叠加后的q统计量q(x1⋂x2)，最后对上述3个q统计量进行比较．2个影响因子之间的相互作用的关系如表1所示．

表1 影响因素交互作用关系

2.3 多元线性回归

多元线性回归是研究因变量（被解释变量）与多个自变量（解释变量）之间的回归问题，由多个自变量的最优组合共同预测或估计因变量的回归模型［22］．数学模型为：

其中，因变量Y的线性变换是由n个自变量X的变化引起的，α0、α1…、αn是模型中的回归系数，β为随机项．

3 结果与分析

3.1 LST空间分布特征

将2019年粤港澳大湾区夏季、冬季和全年的LST进行叠加，经均值合成得出研究区夏季、冬季和全年的LST（图2）．受太阳辐射、下垫面类型、地形和人类活动等多因子的影响，地表温度在三个时间尺度上各不相同，其空间分布特征也有所差异．

6-8月为夏季，大湾区LST值在20.52～43.35℃，平均值为30.39℃，该季为一年中LST最高的季节；12月至次年2月为冬季，大湾区LST值在11.94～29℃，平均值为19.43℃，为一年中LST最低的季节；2019年，大湾区的LST在17.71～34.54℃波动变化，平均值为25.46℃．由图2可知，研究区3个时间尺度的LST均呈现出中部高于四周的格局，并在珠江入海口两岸形成半环状LST高值带，空间差异性明显．其中，广州—佛山—中山、深圳—东莞2个LST高值带最为显著，而肇庆、惠州、江门等大湾区外围城市的LST分布以低值为主，未出现连片高值带．总体来看，大湾区地表温度呈现从中心城市向周边逐渐降低的趋势．

3.2 影响因素空间化分析

经过格网化处理和核密度分析，不透水面密度、水体密度和POI密度3个影响因素数据集以1 km空间分辨率实现了空间化，与其他3个影响因素数据集（植被覆盖度、DEM和人口密度）的空间化表达如图3所示．

图3 地表温度影响因素分布图

3个地表下垫面影响因子中，高密度的不透水面集中在粤港澳大湾区中部地区，如图3（a）所示，形成“深圳—东莞—广州—佛山—中山”半环状的高值聚集区，这主要是由于珠江口沿岸大城市经济和城市化水平发展迅速，越来越多自然表面被高度集中的不透水面所取代；水体密度主要在珠江干流及其支流流经的网格有高值，其他区域水体密度较平均如图3（b），主要由于大湾区地处亚热带季风气候区，雨量丰富；植被覆盖度高值区出现在肇庆、江门和惠州3地，而大湾区中心区域为大范围连片的低值区如图3（c）；地形因子DEM未出现大范围高值连片分布区域，仅在大湾区外围城市的部分森林和其他植被山区处有高值区，其他区域尤其是珠江口两岸城市均为低值区如图3（d）；人类活动因素中，能够反映社会经济活动水平的POI密度如图3（e）与人口密度如图3（f）存在空间分布的一致性，均在大湾区各城市的主城区处呈现高值聚集的现象，尤其是广州、佛山、东莞等大城市，其余市高值分布数量较少且较为离散．

对比研究区地表温度分布图与6个影响因素分布图发现，同不透水面指数、POI密度和人口密度相比，植被覆盖度、DEM和水体指数与地表温度的分布成相反态势．不透水面指数、POI密度和人口密度高值区与植被覆盖度、DEM低值区，如珠江口沿岸城市主城区，对应地表温度高温区；大湾区地表温度低值区，多远离中部城市，聚集在海拔高、植被覆盖多、人类活动少的外围城市．

3.3 地理探测器结果分析

3.3.1 风险探测分析

利用地理探测器分析粤港澳大湾区地表温度影响因素，首先需要将各影响因素数据集离散化为类型量．将各驱动因素按自然间断法进行分级，经风险探测器探测后，结果显示不透水面密度指数、水体密度指数、植被覆盖度、DEM、POI密度和人口密度分别分为10类、7类（冬季为6类，年为5类）、10类、10类、6类（冬季和年为5类）和5类时，6个影响因素通过了显著性水平为0.05的t检验，统计显著差异性为最佳，说明其对地表温度空间格局具有风险性．

以不同的植被覆盖度为例（表2），比较地表温度变化的差异性情况，编号1～10分别代表不同的植被覆盖度，1代表0～0.275，2代表0.275～0.368，3代表0.368～0.458，4代 表0.458～0.547，5代 表0.547～0.630，6代表0.630～0.707 029，7代表0.707～0.775，8代表0.775～0.835，9代表0.835～0.896，10代表0.896～1，每一级植被覆盖度的平均地表温度分别为34.609 、34.452、33.584、32.499、31.307、30.535、29.797、29.200、28.737和28.288℃，此时，风险探测结果表明植被覆盖度具有显著差异性，说明其对地表温度空间格局存在风险性．

表2 不同植被覆盖度之间地表温度差异性的统计显著性

3.3.2 因子探测分析

通过因子探测器测度各影响因素在夏冬两季和年对地表温度影响力大小，表3为不同时间尺度6个影响因子的影响力大小，q值越大说明该影响因素对地表温度的解释力越强，反之则越弱．夏季的排序为：不透水面密度（0.606）＞植被覆盖度（0.517）＞高程（0.345）＞POI密度（0.284）＞人口密度（0.28）＞水体密度（0.046），冬季的排序为：高程（0.6）＞植被覆盖度（0.556）＞不透水面密度（0.471）＞人口密度（0.174）＞POI密度（0.157）＞水体密度（0.054），年的排序为：不透水面密度（0.643）＞植被覆盖度（0.599）＞高程（0.524）＞人口密度（0.282）＞POI密度（0.256）＞水体密度（0.036）．

表3 地表温度变化影响因素的因子解释力

从影响因素方面来看，不透水面密度、植被覆盖度和高程不管在哪个时间尺度上都具有高影响力，说明城市下垫面的组成及地形因子对地表温度空间格局起着不可忽视的重要作用，而作为地表类型之一的水体，其解释力极低；POI密度和人口密度的q统计量排序位于中间偏后，表明人类社会经济活动在一定程度上与大湾区地表温度分布有一定的相关性，但不及不透水面密度、植被覆盖度和高程3个探测因子．从时间尺度上的角度来看，夏季和年时间上不透水面密度的解释力最高，q值均高于0.6，而冬季解释力最高的影响因素为高程，q值为0.6，其他因素的解释力水平在3个时间尺度上一致．这说明影响因素对大湾区地表温度分布的影响力在不同时间尺度上存在一定的差异，但整体上具有高解释力的因子为不透水面密度、植被覆盖度和高程，即下垫面和地形因子．

3.3.3 交互探测分析

上述分析仅考虑了单个影响因素对粤港澳大湾区地表温度分布的影响，未涉及影响因子之间对地表温度格局的交互影响力．交互探测结果如图4所示，每个方格的数值及颜色代表对应横纵坐标两因子对地表温度的交互作用强度，数值越大/红色越深，则交互作用越强；数值越小/蓝色越深，则交互作用越弱．整体上，任一因子与不透水面密度、植被覆盖度和DEM三者交互的作用最强，其中不透水面密度最优，如冬季不透水面密度与DEM交互作用q统计量为0.689，远大于前者独自作用的q统计量（0.471）；而与POI密度、人口密度和水体密度共同作用的效果较低，q统计量大部分低于0.5，进一步说明城市下垫面组成和地形因素对大湾区地表温度分布差异性的影响较大，占主导作用．

图4 地表温度影响因素的交互作用热图

从该影响因子的交互作用热图可知，3个时间尺度上，影响因素之间均是非线性增强型和双因子增强型作用，即任何2个影响因素对地表温度空间格局的交互作用都要大于第一种影响因素的独自作用，不存在相互独立起作用的影响因子，说明各影响因子对大湾区地表温度空间分布差异存在一定的关联性，而非完全独立的，是由地表下垫面组成、地形和人类活动等多维复杂因素共同作用的结果．

3.4 影响因素的回归分析

通过SPSS软件建立影响因素与地表温度间的线性回归模型，由逐步分析得到的拟合度最好的模型汇总结果，表4可知，夏季、冬季和年尺度的回归模型判断系数R2值均大于0.65，说明所选取的影响因子可解释地表温度分布差异性的65%以上．此外，对模型进行多重共线性诊断的结果显示，VIF均小于10，说明各影响因素之间不存在共线性问题，满足多元线性回归分析的前提条件．

表4 不同时间尺度下LST与影响因素回归模型结果

通过逐步线性回归分析得到的模型中自变量的回归系数，将其分别代入线性回归模型即可得到回归方程（式5～7）．利用上述得到的多元线性回归模型计算得到地表温度的拟合值，与实际的地表温度之间的平均绝对误差分别为1.22℃（夏季）、0.753℃（冬季）和0.767℃（年），误差率均在可接受的范围内，表明模型具有相对理想的拟合效果．因此，将回归模型应用在大湾区地表温度与模型因子的研究中具有可行性．

其中，LS T为地表温度，X1为不透水面密度，X2为DEM，X3为植被覆盖度，X4为水体密度，X5为POI密度，X6为人口密度．

4 结论

以粤港澳大湾区为研究对象，基于MOD11A2地表温度产品，提取了2019年大湾区夏季、冬季和年尺度的地表温度信息，综合利用空间叠置、格网空间化和地理探测器等方法和技术，定量分析6个因子（不透水面密度、植被覆盖度、水体密度、DEM、POI密度和人口密度）对地表温度分布差异性的影响．主要结论如下：

（1）对MOD11A2数据进行剔除无效值和筛选有效数据处理，并经过格式转换和均值合成法处理后获得粤港澳大湾区2019夏冬两季和年尺度的地表温度空间分布数据；

（2）风险探测器探测结果显示，不同的影响因素之间及其在不同时间尺度上均有不同的分级级数，通过显著性水平为0.05的t检验得到合适的类型数，说明了6个影响因子对地表温度格局具有风险性；

（3）因子探测器探测结果显示，6个影响因子在夏冬两季和年尺度上有相似的排序：不透水面密度、植被覆盖度和DEM影响大湾区地表温度分布的贡献量最大；POI密度和人口密度在影响地表温度分布方面具有相对重要的地位；水体密度影响地表温度分布的差异性最小；

（4）交互探测结果显示，6个影响因素之间具有交互作用，且是增强型作用，共同影响大湾区地表温度分布；在夏季和年尺度上，与不透水面密度交互具有最高的影响力，而冬季与DEM交互具有最高的解释力，整体上与不透水面密度、植被覆盖度和DEM交互对地表温度分布差异性有较大的影响；

（5）基于多元线性回归分析，得到夏季、冬季和年尺度上拟合度最优的模型，并以此推导得到粤港澳大湾区地表温度的拟合值，通过与实际地表温度的对比，发现平均绝对误差为1.22℃（夏季）、0.753℃（冬季）和0.767℃（年），吻合度较高，回归模型能较准确地反映大湾区地表温度的分布情况．