北京市主城区不透水面时空演变及其热环境效应研究

王宪凯, 孟庆岩, 李娟, 胡新礼, 张琳琳

北京市主城区不透水面时空演变及其热环境效应研究

王宪凯1, 4, 孟庆岩2, 3, *, 李娟2, 3, 胡新礼2, 3, 张琳琳2

1. 济南市房产测绘研究院, 济南 250001 2. 中国科学院空天信息创新研究院, 北京 100101 3. 中国科学院空天信息研究院海南研究院, 三亚 572029 4. 中国矿业大学, 北京 100083

城市不透水面是表征城市化进程的重要指标, 开展城市不透水面研究对生态环境监测及城市建设规划具有重要意义。以北京市主城区为研究区, 基于Landsat影像采用支持向量机(SVM)和线性光谱混合分解模型(LSMM)相结合的方法提取研究区2002年、2009年和2017年三期不透水面; 同时采用辐射传输方程法反演研究区地表温度, 分析北京市主城区不透水面时空格局演变及其与城市热环境的相关性。研究结果表明: 2002—2017年, 北京市主城区近15年不透水面聚集度较高且呈持续增长趋势, 东、西城区不透水面面积占比最高, 朝阳区和海淀区不透水面增长速率和增长强度相对较大。北京市主城区不透水面呈放射状扩张趋势且增长集中在四环以外的区域, 不透水面盖度高值区面积不断增加。研究区近15年地表温度持续升高, 热岛效应加剧, 地表温度高值区与城市建筑区空间分布存在一致性。不透水面空间格局与热环境高度相关, 不透水面的斑块密度和破碎度与地表温度呈负相关, 斑块所占景观比例及最大斑块指数与地表温度呈正相关, 可通过合理控制相关景观指标、优化不透水面空间格局控制地表温度。在此基础上提出了缓解城市热岛效应的建议: 增加树木、草地等用地类型; 将不透水面分割成许多小斑块, 减少大面积不透水面区域分布; 使用透水性材料等。

城市化; 不透水面; 时空格局; 热岛效应; 遥感

0 前言

城市不断扩张改变了下垫面类型和结构, 使原本以植被为主的自然地表被高储热的建筑、广场、道路等不透水地表所取代[1]。不透水面大量分布导致城市热环境不断恶化, 地表温度不断上升, 形成了城市热岛效应[2—3]。热岛效应一直是城市生态研究的重点问题, 对空气质量、区域气候、人居环境和城市生态等方面产生了一系列负面影响[4]。因此研究城市热岛、分析不透水面对地表温度的影响对于改善城市生态环境与提升居民生活质量具有重要意义。

当前, 利用遥感技术开展城市不透水相关研究受到国内外学者广泛关注。如Ridd将城市地表覆被视为植被、不透水面和土壤的线性组合, 提出了著名的植被-不透水面-土壤(Vegetable-Impervious-Soil, V-I-S)模型[5], 被许多研究者使用。Wu等对线性光谱混合分解模型(LSMA)进行改进, 降低了同种地物端元之间的光谱差异, 提高了不透水面提取精度[6]。徐涵秋创建了归一化差值不透水面指数(Normalized Difference Impervious Surface Index, NDISI), 该指数可应用于大区域不透水面信息快速自动提取, 具有较高精度[7]。利用遥感影像进行大范围地表温度反演可以对城市热岛问题进行定量分析, 探究其时空演变特征[8—9]。当前, 使用较广泛的地表温度反演方法主要有辐射传输方程法、单窗算法、单通道法和劈窗算法等[10—12], 其中辐射传输方程法因适用于任何热红外波段而被广泛应用。针对城市不透水面与城市热岛相关性研究, 张旸等分析了北京市六环内城市不透水面盖度变化及对地表温度的影响, 研究表明城区各环路区域内不透水面盖度与地表温度均呈正相关[13]。曹璐等基于遥感影像获取上海外环线以内的地表温度, 不透水面及归一化植被指数信息, 定量研究了地表温度与主要城市景观类型的关系[14]。魏锦宏等研究得出城市不透水面与地表温度空间格局呈现高度相似性, 两者具有明显的指数关系, 其数值均随着与城市中心距离的增加而减少[15]。

北京市作为国家首都, 近年来随着经济的发展城市化进程不断加快, 导致城市不透水面持续增加, 进而造成一系列城市生态环境问题, 其中最突出的就是城市热岛问题。基于此, 本文以北京市主城区为研究区, 以中分辨率遥感影像为数据源, 采用遥感技术探究北京市主城区城市不透水面演变特征及其对城市热环境的影响。研究成果可为北京市生态环境质量监测、城市建设规划和持续健康发展提供理论依据。

1 研究区和数据源

1.1 研究区状况

北京市(39°28′N—41°25′N, 115°25′E—117°30′E)位于华北平原西北部, 总面积约16410 km2, 共辖16个区、县, 是全国的政治、文化中心。北京气候为典型的北温带半湿润大陆性季风气候, 夏季炎热多雨, 冬季寒冷干燥, 春、秋短促。以北京市主城区为研究区, 包括两个功能核心区: 东城区和西城区及四个功能拓展区: 海淀区、石景山区、丰台区和朝阳区。研究区面积约1368 km2, 占北京市总面积的8.33%。北京市主城区是全市居民集中区、商业金融中心和交通枢纽。

1.2 研究数据

本研究使用数据均由美国USGS网站提供, 共获取2002年8月2日、2009年9月22日Landsat5TM及2017年9月12日OLI-TIRS三期遥感影像, 影像中心经纬度分别为(40°20′N, 116°36′E; 40°20′N, 116°42′E; 40°20′N, 116°44′E), 空间分辨率为30 m, 无云或少云分布, 质量较好。对影像数据进行辐射定标、大气校正等预处理, 使其更精确地反映地面实际情况。

2 研究方法

本文基于中分辨率遥感影像, 采用支持向量机监督分类和线性光谱混合分解模型相结合的方法提取研究区不透水面盖度信息。基于影像热红外波段采用辐射传输方程法反演地表温度。分析北京市主城区不透水面及地表温度时空变化, 并研究两者相关性。

2.1 不透水面提取

2.1.1 监督分类初步提取不透水面

城市不透水面由低反射率地物(如沥青)及高反射率地物(如水泥路)组成, 两者间光谱反射率存在较大差异。不同的植被类型(如草坪、农作物等）具备相似的光谱形态, 但反射率也有明显差异。基于以上因素, 直接采用SVM监督分类准确获取不透水面信息存在一定难度。本文借鉴钱乐祥[16]等人提出的方法, 对研究区遥感影像进行光谱标准化处理以降低各地表覆被的光谱差异, 标准化处理公式为

2.1.2 线性光谱混合分解模型获取不透水面最终结果

中分辨率遥感影像中一个像元范围内包含多种地物, 像元的光谱特征可看作几种纯净地物光谱值的组合, 该像元被称为混合像元; 混合像元内的纯净地物被称为端元。线性光谱混合模型假设每一光谱波段中单个像元的反射率为端元组分反射率与其所占像元面积比例为权重的线性组合[17—20]。该模型表达

图1 研究区位置示意图

Figure 1 Location of the study area

式为:

为避免水体对不透水面信息提取的干扰, 在采用线性光谱混合分解法提取研究区不透水面前, 采用归一化水体指数()[21]对影像进行水体掩膜处理。

对经过水体掩膜的研究区影像进行MNF变换、PPI计算, 并结合手动选择端元方法选取低反照地物、高反照地物、植被和土壤四种端元。运用线性光谱混合模型对经监督分类所得初始不透水面进行亚像元分解。将低反射率地物和高反射率地物相加得研究区不透水面盖度结果。

2.1.3 不透水面提取精度评价

在Google Earth高分影像上均匀选取200个5 × 5(150 m ×150 m)像元大小的样本, 提取各样本区不透水面盖度作为真实值; 统计线性光谱混合分解所得不透水面盖度影像上各对应样本区不透水面盖度值, 对研究结果进行精度评价。

2.2 地表温度反演

式中:1、2为卫星发射前定标常数, 对于Landsat-5影像数据,1和2分别为 607.76 W·(m2·sr·μm)–1和1260.56 W·(m2·sr·μm)–1, 对于Landsat-8影像数据,1和2分别为774.89 W·(m2·sr·μm)–1和1321.08 W· (m2·sr·μm)–1。

2.3 景观格局变化

景观格局(Landscape Pattern)多指空间格局, 是由许多人为或自然形成的大小、形状和排列不同的景观要素共同作用形成的综合体, 是各种复杂的社会、地理和生物因子彼此作用的结果[25]。景观指数(Landscape indices)是指对景观格局信息高度浓缩, 表征其空间配置与结构组成等方面特征的简单定量指标。景观指数种类繁多, 研究中多从宏观角度分为描述景观总体特征及描述景观要素的指数两个层次[26]。

对于单一的不透水景观, 景观聚集度和破碎化程度是衡量景观异质性的重要指标。根据研究区特点, 借鉴以往有关学者的研究经验, 本文选用了多种指标, 包括斑块数()、斑块结合指数()、聚集度()、最大斑块指数()等。

3 结果与分析

3.1 不透水面时空演变

采用线性光谱混合分解模型将SVM监督分类获取的初始不透水面信息分解为高反射率地物、低反射率地物、植被和土壤等地物, 将高、低反射率地物相加得研究区不透水面盖度影像。所得各期不透水面结果误差均值均在0.02以内, 达到研究精度要求。利用Google Earth高分影像对研究结果进行精度评价(图2), 得出各年份系数均在0.8以上, 不透水面提取精度较高。所得北京市主城区2002—2017年不透水面盖度结果如图3所示。

北京市主城区内不透水面盖度低值区多分布在山地、林地等集中区域, 不透水面盖度高值区主要集中于中心城区且与建设用地分布具有一致性, 以东西城区为中心呈放射状分布。利用公式(7)统计2002年至2017年研究区的不透水面面积, 结果如表1所示。2002—2017年研究区不透水面增长显著, 从2002年的626.53 km2增长到2017年的846.21 km2, 年均增长2.34%。不透水面占比由45.80%上升到61.86%。

将北京市主城区不透水面盖度影像分为六个等级, 分别为自然地表(<0.1)、极低不透水面盖度(0.1≤<0.3)、低不透水面盖度(0.3≤<0.5)、中等不透水面盖度(0.5≤<0.7)、高不透水面盖度(0.7≤<0.9)和极高不透水面盖度(≥0.9)。各级不透水面盖度分布如图4所示。统计各等级不透水面面积及其占研究区总面积百分比, 统计数据如表2所示。

由图4和表2可得自然地表主要分布在海拔相对较高的山地和林地等多植被区域, 在自然地表周围交叉分布着极低盖度、低盖度及中盖度不透水面区域, 而高盖度、极高盖度不透水面集中分布在研究区中部建筑密集区。2002年自然地表为525.36 km2, 在各等级中面积最大, 占比为38.40%。极高不透水面盖度区域比重次之, 面积为350.92 km2, 占比为25.65%; 其他各等级不透水盖度占比相对较小。2017年相较于2002年, 极高不透水盖度区域面积增加至439.69 km2, 占比为32.15%, 在各等级不透水区域中比重最大; 自然地表面积减少至409.75 km2, 占比降低至29.96%。2002—2017年, 北京市主城区自然地表和中等不透水面盖度区域所占比重持续降低, 面积分别减少115.61 km2、31.28 km2; 高不透水盖度与极高不透水盖度区域所占比重持续增长, 面积分别增加52.12 km2、88.77 km2。总体上不透水盖度低值区面积在减少, 不透水盖度高值区面积呈增长趋势。

图2 不透水面提取精度检验结果

Figure 2 Test results of impervious surface extraction accuracy

图3 2002—2017研究区不透水面盖度分布图

Figure 3 Distribution map of impervious surface coverage in the study area from 2002 to 2017

表1 研究区不透水面统计数据

为进一步研究不透水面演变规律, 计算研究区2002—2017年不透水面景观格局指数, 见表3。由表可知, 2002—2017年不透水面占景观比例、最大斑块指数和斑块数量呈增长趋势, 表明研究区不透水面不断扩张, 不透水面面积持续增加; 不透水面斑块结合指数越来越大, 景观分裂指数逐年减小, 聚集度指数总体增加, 表明研究区不透水面不断向外延伸扩展、不透水面越来越聚集。

统计研究区各环路内不透水面面积及其占比, 利用公式(8)计算变化速率以反映不透水面年均变化量, 利用公式(9)计算不透水面变化强度(年均增加面积与基年面积之比), 见表4、表5。北京市主城区各环面不透水面占比由二环至五环逐渐降低; 四环以内不透水面所占比重均在0.75以上, 该区域城市化建设完成度较高, 四环外不透水面所占比重相对较小, 在城市建设中拥有广阔的发展空间。2002—2017年四环内各区域不透水面变化较小; 不透水面增长区域集中在四环至五环之间及五环以外, 两区域不透水面分别增加47.45 km2和152.55 km2。城市化进程不断推进加快了城市向外扩张的速度, 进而推动不透水面大量增长。

图4 2002—2017研究区不透水盖度等级分布图

Figure 4 Distribution map of impervious surface coverage grade in the study area from 2002 to 2017

表2 研究区各等级不透水面盖度统计数据

表3 2002年—2017年研究区不透水面景观格局指数

表4 研究区各环路间不透水面统计数据

表5 研究区各环路间不透水面变化速率和变化强度表

统计研究区各区县不透水面面积、占比、变化速率及变化强度等, 所得数据如表6、表7所示。各时期东、西城区两个功能核心区不透水面占比均在0.85以上, 海淀、朝阳、丰台、石景山四个功能扩展区不透水面比例相对较低。各区不透水面占比变化: 2002—2017年, 东、西城区变化较小; 丰台区、石景山区、海淀区和朝阳区不透水面占比均表现出上升趋势, 其中朝阳区升幅最大, 由45.84%上升至66.32%, 增加超出20个百分点; 海淀区次之, 不透水面占比由34.68%提高至50.65%。就扩张速度而言: 2002—2017年各区县中海淀区和朝阳区不透水面变化速率和变化强度均在前两位, 不透水面年均增长4.65 km2和6.17 km2; 丰台区和石景山区不透水面扩张速度低于海淀区和朝阳区, 变化速率分别为3.08 km2·a-1和0.34 km2·a-1; 而东、西城区不透水面变化速率最小, 分别为0.09 km2·a-1和0.04 km2·a-1。总体上, 北京市主城区不透水面向外围各区县不断扩张, 和城市建设发展方向呈现一致性。

表6 各区县不透水面统计情况

表7 各区县不透水面变化速率和变化强度表

3.2 地表温度空间分布特征

采用辐射传输方程法获取北京市主城区地表温度信息, 利用MOD11A1(MODIS日地表温度产品)对经重采样的研究区地表温度影像进行精度验证。MOD11A1数据产品由网站https://lpdaacsvc.cr. usgs.gov/appeears/task/area提供, 其像元值可转换成地表温度值, 转换方式为像元值乘0.02减去273.15。分别在MOD11A1数据产品和地表温度反演影像上均匀选取200个样本进行精度评价。各时期两者相关系数分别为0.86、0.85和0.89, 说明地表温度反演结果精度高适用于本研究。2002—2017年北京市主城区地表温度如图5所示。

北京市主城区地表温度低值区主要集中于水体和植被等分布区域, 温度高值区与城市地表建筑区具备高度一致性。2002—2017年北京市主城区地表温度最高值由35.79℃增加至43.08℃, 提高7.29℃, 升温效应显著。2002年研究区平均温度24.75℃, 标准差为2.15; 2017年研究区平均温度31.50℃, 标准差为2.66; 日平均温度增加6.75℃, 标准差增加0.51(表8)。热岛效应显著区域温度离散性较高, 温度高值区与低值区差异明显, 标准差可反应温度分布的离散性。2002—2017年研究区地表温度标准差增加, 说明温度提升加剧了城市热岛效应。

为更好地表征研究区地表热环境的空间分布及其变化特征, 对获取的北京市主城区地表温度影像利用公式如式(10)进行归一化处理。

采用均值和标准差法将归一化地表温度进行分级处理, 分级公式如下:

式中,表示归一化地表温度分级阈值,表示温度均值,表示标准差,表示标准差倍数。

图5 2002—2017研究区地表温度分布图

Figure 5 Temperature distribution map of study area

表8 2002—2017研究区地表温度统计数据(单位℃)

表9 各温度等级区间划分标准

由图6可知北京市主城区热环境在2002至2017年变化显著, 各时期不同温度等级地表分布也存在差异。强冷岛和冷岛区主要集中分布在水体、林地集中区域, 中间区主要分布在近郊区域, 热岛和强热岛区多分布于建筑密度及人口密度较高的城市建成区, 城区相较于郊区和农村地表温度高、热岛效应显著。

为定量分析北京市主城区2002—2017年热岛强度时空变化特征, 统计各温度等级面积及其所占研究区总面积的百分比, 如表10所示。2002—2017年北京市主城区各温度等级中面积最大的为中间区, 分别占研究区总面积的42.63%和37.51%。相比2002年, 2017年北京市主城区热岛区和强热岛区所占比重持续提升, 面积分别增加43.50 km2、63.93 km2; 期间, 由于热岛区和强热岛区扩张取代了中间区的部分区域, 使中间区所占比重显著降低, 面积减少69.94 km2; 冷岛区和强冷岛区面积分别减少29.50 km2和7.92 km2。相比2002年, 2009年及2017年北京市主城区热岛效应逐渐加剧。

3.3 不透水面盖度与城市热岛相关性

将获取的北京市主城区不透水面盖度影像及地表温度影像进行归一化处理, 在两影像对应区域随机均匀获取200个样本点, 统计各样本不透水盖度及地表温度值, 基于SPSS软件利用回归分析工具探究两者间相关性。采用线性、对数、二次函数、幂函数和指数函数等多种回归方法建立北京市主城区2002年、2009年和2017年不透水面盖度()与地表温度()的关系模型。结果如表(11—13)所示。所得各关系式中不透水盖度与地表温度均呈正相关关系, 且在各关系模型中二次函数分析所得两者相关性最强, R2分别为0.783、0.768和795。将各期不水面盖度(0—1)以0.1为间隔进行等级划分, 基于二次函数模型计算所得回归方程计算各等级不透水面盖度对应地表温度, 见如表14。由计算结果可得2002—2017年研究区不透水面盖度值越大, 对应地表温度越高, 且不透水面盖度每增加0.1, 地表温度增加值不断扩大, 表明在高不透水面盖度区域, 地表升温效应明显强于低不透水面盖度区域。

图6 2002—2017研究区热岛强度等级划分图

Figure 6 Classification of heat island intensity levels in the study area from 2002 to 2017

表10 各等级热岛面积和占比统计数据

3.4 不透水面景观格局与城市热岛相关性

研究不透水面景观格局与地表温度的定量关系,将研究区地表温度进行归一化处理, 分析归一化地表温度均值与各不透水面景观指数的关系。为满足样本数据分析的准确性, 本文以研究区各区县为个体, 将研究区依行政区划分为东城区、西城区、朝阳区、石景山区、丰台区和海淀区六个部分, 分别统计出各区县同一时期的地表温度均值和对应的各景观指数值。运用SPSS软件对各景观指数与归一化地表温度均值进行回归分析和显著性分析。采用Pearson相关系数表征各变量间的相互关系, 该系数是线性相关条件下, 两个变量间相互关系密切程度的统计指标, 取值为-1—1, 判定系数R2是对所得回归方程拟合程度好坏的度量指标, 取值为0—1。

表11 2002年地表温度与不透水面多模型回归分析

表12 2009年地表温度与不透水面多模型回归分析

表13 2017年地表温度与不透水面多模型回归分析

经过相关分析得出最大斑块指数()、斑块所占景观比例()、斑块密度)及斑块破碎度()等与地表均温()有显著相关性, Pearson相关系数分别为0.745、0.728、-0.547、-0.629, 在0.01水平上(双侧)显著相关。分别对最大斑块指数、斑块所占景观比例、斑块密度及斑块破碎度与归一化地表均温进行回归分析, 所得结论如下: 如图7a可见最大斑块指数()与地表均温()大致呈线性函数关系, 回归方程为=0.002+0.441, R2=0.515; 由图7b可见, 斑块密度()与地表均温()大致呈二次函数关系, 回归方程为=-0.007PD-1.046× 10-5+0.559, R2=0.316; 由图7c可见, 斑块破碎度()与地表均温()大致呈线性函数关系, 回归方程为=-0.256+0.730, R2=0.351; 由图7d可见, 斑块所占景观比例()与地表均温()大致呈线性函数关系, 回归方程为=0.002+ 0.428, R2=0.486。

表14 2002—2017年各不透水面盖度对应地表温度

由研究结果得出: 斑块密度及破碎度指数越大, 表明不透水面越破碎, 不透水面斑块之间分布着较多的其他地物类型斑块, 从而降低了不透水面的聚集增温效应。最大斑块指数和斑块所占景观比例指数越大, 说明区域内不透水面分布范围越广、面积越大, 则相应的地表温度比零星分布的不透水面区域温度更高。为更好地控制城市热环境, 须对城市不透水面格局进行合理规划。

4 讨论与结论

针对城市化建设中城市热岛效应日益严重的问题, 本文以北京市主城区为研究区, 基于中分辨率遥感影像, 探究城市不透水面与地表温度提取的有效方法, 定性和定量分析研究区不透水面与地表温度的时空演变特征, 并对两者间的相关性进行分析, 研究得出: (1)北京市主城区不透水面盖度高值区集中于东、西城区等功能核心区及其附近区域; 2002至2017年, 东、西城区等老城区因城市建设处于饱和状态, 不透水面增长缓慢, 而朝阳区及海淀区随着经济的发展, 城市化进程加快, 在各城区中不透水面增长速率和强度较大, 不透水面面积显著增加。(2)北京市主城区地表温度低值区主要分布在植被、水体等集中区域, 高温区与城市建成区在空间分布上具有一致性。2002至2017年北京市主城区地表温度明显升高, 伴随城市化进程的快速推进, 城市热岛效应不断增强。(3)不透水面盖度与地表温度呈二次函数的显著正相关关系, 两者具备相同的空间分布特征及变化趋势, 不透水面盖度值越大, 对应地表温度越高, 不透水面盖度高值区升温效应更强。不透水面景观格局变化对地表温度具有重要影响, 不透水面斑块密度越大、斑块越破碎排布越分散, 对应的地表温度越低; 不透水面斑块面积越大、聚集度越高, 相应的地表温度越高。

图7 景观指数与地表温度函数关系图

Figure 7 The function diagram between landscape index and surface temperature

基于亚像元尺度的不透水面盖度估算, 本文采用了支持向量机(SVM)监督分类与线性光谱混合分解模型相结合的方法, 经验证该方法比传统使用线性光谱分解法所得不透水面盖度精度更高。以北京市主城区为研究对象, 探究大尺度长时间序列不透水面时空演变特征。定性和定量分析了近15年北京市主城区不透水面的空间分布特征和动态变化规律, 对研究区不透水面景观格局变化进行研究, 为大区域范围不透水面的应用研究提供参考。研究分析了不透水面景观格局与地表温度的关系, 基于所得成果提出合理控制不透水面的相关景观指标、统筹不透水面布局以控制地表温度的建议, 为城市规划建设及生态环境保护提供理论支撑。

[1] 邹春城. 基于不透水面百分比, 景观指数与土地利用类型的福州市城市热环境分析[D]. 福州: 福建师范大学, 2014.

[2] WENG Q. A remote sensing–GIS evaluation of urban expansion and its impact on surface temperature in the Zhujiang Delta, China[J]. International Journal of Remote Sensing, 2001, 22(10): 1999–2014.

[3] XU Duo, DIAN Zhou. Research on the Planning Methods of Mitigating Summer Urban Heat Island Effects among Basin Citie–A Case Study at Xi’an, China[J]. Procedia Engineering, 2016, 169: 248–255.

[4] 王红红, 邢立新, 潘军, 等. 城市景观格局对热环境影响遥感研究[J]. 环境保护科学, 2012, 38(04): 44–48.

[5] RIDD M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities[J]. International Journal of Remote Sensing, 1995, 16(12): 2165–2185.

[6] WU Changshan, MURRAY A. Estimating impervious surface distribution by spectral mixture analysis[J]. Remote Sensing of Environment, 2003, 84(4): 493–505.

[7] 胡实, 熊黑钢, 朱忠鹏. 北京市各区县不透水面动态变化特征研究[J]. 安徽农业科学, 2015, 43(07): 237-240+ 255.

[8] 邓睿, 胡日查, 刘亮, 等. 基于Landsat8 OLI/TIRS数据的重庆市不透水面与城市热环境关系研究[J]. 重庆交通大学学报(自然科学版), 2017, 36(01): 68–76.

[9] JIMENEZ-MUNOZ J C, CRISTOBAL J, SOBRINO J A, et al. Revision of the Single-Channel Algorithm for Land Surface Temperature Retrieval From Landsat Thermal-Infrared Data[J]. IEEE Transactions on Geoence and Remote Sensing, 2009, 47(1): 339–349.

[10] 李海峰. 基于TM影像的地表温度反演算法研究[J]. 电脑知识与技术, 2017, 13(02): 223–225.

[11] 侯宇初, 张冬有. 基于Landsat8遥感影像的地表温度反演方法对比研究[J]. 中国农学通报, 2019, 35(10): 142– 147.

[12] GEORGE X. Satellite remotely-sensed land surface parameters and their climatic effects for three metropolitan regions[J]. Advances in Space Research, 2008, 41(11): 1861–1869.

[13] 张旸, 胡德勇, 陈姗姗. 北京城区不透水地表盖度变化及对地表温度的影响[J]. 地球信息科学学报, 2017, 19(11): 1504–1513.

[14] 曹璐, 胡瀚文, 孟宪磊, 等. 城市地表温度与关键景观要素的关系[J]. 生态学杂志, 2011, 30(10): 2329–2334.

[15] 周正龙, 沙晋明, 季建万. 福州主城区热岛效应与不透水面的关系及时空变化分析[J]. 福建师范大学学报(自然科学版), 2019, 35(01): 19–27.

[16] 钱乐祥, 崔海山. 运用归一化光谱混合模型分析城市地表组成[J]. 国土资源遥感, 2006, (02): 64–68.

[17] 武晓峰, 苏根成, 匡文慧, 等. 基于混合光谱分解模型的城市不透水面遥感估算方法[J]. 西部资源, 2012, (02): 119–122.

[18] 李波, 黄敬峰, 吴次芳. 基于热红外遥感数据和光谱混合分解模型的城市不透水面估算[J]. 自然资源学报, 2012, 27(09): 1590–1600.

[19] 王伟武, 朱婷媛, 杨华杰. 基于杭州不透水地面信息的城市扩张驱动力研究[J]. 建筑与文化, 2015, (04): 146– 147.

[20] 李涵, 李龙, 张婷, 等. 徐州市中心城区不透水面时空异质性分析[J]. 长江流域资源与环境, 2019, 28(03): 668– 680.

[21] XU Hanqiu. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(12/14): 3025–3033.

[22] 徐涵秋, 陈本清. 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, 2004, (02): 66–71.

[23] JAHANGIR M S, MOGHIM S. Assessment of the urban heat island in the city of Tehran using reliability methods[J]. Atmospheric Research, 2019, 225: 144–156.

[24] 樊智宇, 詹庆明, 刘慧民, 等. 武汉市夏季城市热岛与不透水面增温强度时空分布[J]. 地球信息科学学报, 2019, 21(02): 226–235.

[25] HULSHOFF R M. Landscape indices describing a Dutch landscape[J]. Landscape Ecology, 1995, 10(2): 101–111.

[26] 陈文波, 肖笃宁, 李秀珍. 景观指数分类、应用及构建研究[J]. 应用生态学报, 2002, (01): 121–125.

Spatiotemporal evolution and thermal environmental effects of impervious surfaces in the main urban area of Beijing

WANG Xiankai1,4, MENG Qingyan2,3,*, LI Juan2,3, HU Xinli2,3, ZHANG Linlin2

1. Jinan Research Institute of Real Estate Surveying and Mapping, Jinan 250001, China 2. Aerospace Information Research Institute Chinese Academy of Sciences, Beijing 100101, China 3. Hainan Research Institute of the Academy of Chinese Academy of Sciences, Sanya 572029, China 4. China University of Mining and Technology, Beijing 100083, China

The impervious surface of a city is an important indicator to characterize the process of urbanization. The research on imperviousness of the city is of great significance for ecological environment monitoring and urban construction planning. The main urban area of Beijing was taken as the research area. Based on Landsat image, the impervious surface was extracted from the research area in 2002, 2009 and 2017 by combining support vector machine (SVM) and linear spectral hybrid decomposition model (LSMM). At the same time, the radiative transfer equation method was used to invert the surface temperature of the study area,the spatial and temporal pattern evolution of impervious surface in the main urban area of Beijing and its correlation with the urban thermal environment were analyzed.The proportion of impervious surface area in the Dongcheng District and Xicheng District areas was the highest, and the growth rate and intensity of impervious surface in Chaoyang District and Haidian District were relatively large.The impervious surface of the main urban area of Beijing showed a radial expansion trend and the growth was concentrated outside the Fourth Ring Road,the area with high coverage of impervious surface increased continuously.In recent 15 years, the surface temperature of the study area has been rising continuously, the heat island effect has been intensified, and the spatial distribution of the high value area of the surface temperature is consistent with that of the urban construction area.The spatial pattern of impervious surface was highly correlated with the thermal environment, the patch density and fragmentation of impervious surface were negatively correlated with the surface temperature, and the proportion of patches in the landscape and the maximum patch index were positively correlated with the surface temperature,the surface temperature could be controlled by reasonably controlling relevant landscape indexes and optimizing the spatial pattern of impervious surface.On this basis, some suggestions are put forward to alleviate the urban heat island effect: adding land use types such as trees and grass;dividing the impervious surface into many small patches to reduce the distribution of large areas of impervious surface;using permeable materials, etc.

urbanization;impervious surface; spatiotemporal pattern; heat-island effect; remote sensing

王宪凯, 孟庆岩, 李娟, 等. 北京市主城区不透水面时空演变及其热环境效应研究[J]. 生态科学, 2021, 40(1): 169–181.

WANG Xiankai, MENG Qingyan, LI Juan, et al. Spatiotemporal evolution and thermal environmental effects of impervious surfaces in the main urban area of Beijing[J]. Ecological Science, 2021, 40(1): 169–181.

10.14108/j.cnki.1008-8873.2021.01.022

P237

A

1008-8873(2021)01-169-13

2020-03-07;

2020-04-16

浙江省新型重点专业智库杭州国际城市学研究中心浙江省城市治理研究中心“钱学森城市学金奖”课题成果(20QXS007); 四川省科技计划项目“基于大数据机器学习与冠层反射率模型结合的水稻叶面积指数提取技术”(2018JZ0054); 国家高分辨率对地观测重大科技专项项目“环境保护遥感动态监测信息服务系统(二期)” (05-Y30B01-9001-19/20-1)

王宪凯(1990—), 男, 山东省菏泽人, 硕士研究生, 主要从事遥感影像信息提取及城市生态环境研究, 电话: 18813136382, E-mail: wxkape@163.com

孟庆岩(1971—), 男, 博士, 研究员, 博士生导师, 主要从事城市陆表环境遥感研究, E-mail: mengqy@radi.ac.cn