基于单窗算法的哈尔滨中心城区热环境变化分析

刘钰琪， 杨德响， 杨曦光,2

(1.东北林业大学林学院，黑龙江 哈尔滨 150040；2.东北林业大学森林生态系统可持续经营教育部重点实验室，黑龙江 哈尔滨 150040)

城市是中国人口聚集和生活的主要场所，无论从城市人口[1](城市人口占比超过50%，2011年)还是城市建成区面积[2](城市建成区面积占其与农村建成区二者总面积的近70%，2017年)均高于农村。城市发展过程中产生了诸多生态环境问题，城市热岛效应就是其中之一。城市热岛效应是指城市地区温度明显高于郊区温度的现象[3]。人类的各种生产生活活动改变了原有的自然格局，也改变了城市区域及其周边的气候和环境状况，进而引起了城市热岛效应。随着城市化进程的加速，城市热岛效应日益明显。城市热岛效应的产生对城市的居住舒适性产生了负面影响，尤其是在夏天，这一影响会更加明显[4]。同时，城市热岛效应还会改变局部气候，影响区域生态状况，加重生态环境污染[5-6]。因此，城市热岛效应所导致的一系列后果引起人们的广泛关注。黑龙江省哈尔滨市是中国东北区域最大的城市，面积达5.31万km2。新中国成立后，哈尔滨市成为了重要工业基地，建设了包括电机厂、汽轮机厂在内的几十个重点工程，形成了较为完备的重工业体系。几十年来，这些重点工程的存在给哈尔滨市带来经济发展的同时，也不可避免地带来了诸多生态环境问题，城市热岛效应问题便是其中之一。目前，采用城乡二分法计算城乡温度差来表征城市热岛强度(Urban-Heat-Island Intensity，UHII),此方法是较为常用的定量评估方法，但是在代表性地区的选取上有较强的主观性[7]。徐涵秋等[7]针对不同时相热红外遥感图像的对比问题，提出了城市热岛比例指数(Urban-Heat-Island Ratio Index，URI)。URI是指城市中热岛面积占其建成区面积的比例，并通过对不同温度等级赋予相应的权重来定量评估城市热岛变化。如今，URI已经被广泛地运用于城市热岛效应的评价，被政府和越来越多的科研人员所接受[8-9]。刘勇洪等[10]对北京城市热岛进行定量监测时发现，北京市2011年的URI为0.503 8。林中立等[11]利用URI研究了2017年南京、杭州、福州和广州的城市热岛状况，发现URI分别为0.566 0，0.637 0，0.689 0和0.616 5。然而，URI在其应用上也存在有诸多问题。如在城市建成区边界的选取上往往采用目视解译法或基于夜间灯光数据来提取城市边界，其中目视解译法的准确性依赖于专业人员的经验，夜间灯光数据提取城市边界时所采用的方法不同也会导致提取的城市面积差别较大[12]。此外，通常采用归一化方法比较不同时相地温影像数据，而影像上极端值的存在会导致归一化后的数值相对集中。以往研究常采用经验或与实际气温比较的方法来确定归一化处理所需要的阈值，但阈值选取的主观性会增加城市热岛定量研究的不确定性[13-14]。综上，URI在应用于不同城市间、不同时相数据间的比较时，客观性大大削弱。本研究以哈尔滨市绕城高速作为中心城区边界，研究中心城区城市热岛效应。采用拉依达准则剔除极端温度值，研究哈尔滨市中心城区地表温度的分布特征与城市热岛效应的变化状况，并分析极端温度值产生的原因以及地物之间温度差异的原因，为城市生态环境规划和缓解城市热岛效应提供参考。

1 研究区区域及数据获取

哈尔滨市地理位置为东经125°42′～130°10′、北纬44°04′～46°40′，地处黑龙江省中南部，松嫩平原东南部，属中温带大陆性季风气候，纬度高，气温低，四季分明，冬长夏短，全市总面积约为5.31万km2。以哈尔滨市区绕城高速以内的中心城区为研究对象，研究范围包括哈尔滨市区内所辖的5个区，道里区，道外区，香坊区，松北区，南岗区。研究范围占地面积4 285.59 km2，人口416.47万人，地区生产总值3 531.7亿元，分别占全市面积的8.07%，全市人口的43.3%，占全市GDP的58%[15]。

本研究选取2015-09-04、2017-09-09、2019-09-15无云Landsat 8 OLI/TIRS Level 1级遥感影像，数据源自美国地质勘探局网站(https://earthexplorer.usgs.gov/)。

2 研究方法

2.1 地表温度的反演

遥感数据经辐射定标和大气校正后进行地表温度的反演，反演方法采用覃志豪等[16]提出的单窗算法，经众多学者验证，该算法适用于Landsat 8数据，并具有很高的反演精度[17-19]。地表比辐射率的计算根据覃志豪等[20]的方法可得，大气平均作用温度采用中纬度夏季平均大气模型，大气透过率在NASA网站(美国国家航空航天局网站：https://atmcorr.gsfc.nasa.gov/)获取。由于徐涵秋等[21]在对Landsat 8热红外光谱数据定标准确性的分析中发现，对于在中低植被覆盖下，利用第11波段进行地表温度反演的准确性高于第10波段。因此，本研究通过计算第11波段的亮度温度进行地表温度的反演。

图1 研究区域位置示意图Fig.1 Locationmap of the study area

2.2 地表温度剖面线的选取与绘制

地表温度剖面线可以直观地反映所选剖面上的地表温度变化特征，而归一化植被指数(Normalized VegetationIndex，NDVI)剖面线可以反映区域下垫面特征，可为分析地表温度的高低提供依据。结合中心城区特点，以“米”字形的4条剖面线对其进行空间采样。采样时，结合谷歌地图进行位置辨别，以黑龙江省政府为中心点，向四周8个方向延伸，分别做“N-S”、“W-E”、“NE-SW”、“NW-SE”4条剖面线，提取地表温度值和NDVI值。4条剖面线经过的区域有工业区、商业区、住宅区、林地、水体、耕地、公园、城中村等，具有较好的代表性和典型性，便于分析哈尔滨市热岛效应的分布和影响因素。

NDVI在数值上等于遥感图像近红外波段的反射值与红光波段反射值之差除以两者之和，具体公式如下：

(1)

式中:NearIR为近红外波段反射值，Red为红光波段反射值。

利用ENVI5.3中的工具箱(Toolbox)中提供的NDVI计算工具完成NDVI值的提取。

2.3 不同时相热岛效应的对比

采用归一化处理的方式来减少时相差异，具体公式如下：

(2)

式中：Ni为第i个像元归一化处理后的值；Ti为第i个像元地面温度值；Tmin为地面温度最小值，Tmax为地面温度最大值。

为避免极端值对归一化产生影响，本研究采用拉依达准则对数据进行预处理。具体方法如下：计算图像中地温的平均值(x)和标准差(σ)，凡是像元温度大于x+3σ，则令其等于1；凡是像元温度小于x-3σ，则令其为0；剩余温度区间进行归一化处理。并定义Tmin=x-3σ，Tmax=x+3σ。

对归一化处理后的地温数据进行等间距分割，依次划分为低温区(0～0.2)、较低温区(0.2～0.4)、中温区(0.4～0.6)、次高温区(0.6～0.8)、高温区(0.8～1.0)，共计5个温度分区，并根据实际情况将次高温区和高温区设置为城市温度高于郊区温度的分区。

城市热岛比例指数URI计算方式如下：

(3)

式中：m为归一化后的等级数，m=5；n为城区高于郊区的温度等级数，n=2；wi为权重数，为第i级的级值，次高温区取4，高温区取5；pi为第i级所占的比例。

本研究对哈尔滨市中心城区2015、2017、2019年9月中上旬3幅遥感影像进行了地表温度反演，并分析哈尔滨市建成区内城市热岛时空分布特征，进行URI的计算及其分析。

3 结果与分析

3.1 哈尔滨市主要行政区地表温度空间分布特征

通过对地表温度影像数据进行矢量裁剪，得到2015、2017、2019年9月中上旬的3期以哈尔滨市绕城高速内的中心城区为研究区域的地表温度影像图(图2)，同时分别统计出3期影像中5个行政区地表的最高温度、最低温度和平均温度(表1)。

图2 2015、2017、2019年研究区地表温度影像图

表1 2015、2017、2019年研究区内各行政区相关温度统计数据

从表1可以看出，在所研究的3个时间点上，香坊区、南岗区的平均温度高于其他行政区，松北区、道里区和道外区平均温度相对较低；香坊区的最高温度均高于其他行政区的最高温度，其2015年和2017年的最高温度高达39 ℃，明显高于同期最高温度的平均水平；南岗区的最低温度均低于其他行政区的最低温度，其2015年和2017年的最低温度低至0 ℃，远低于同期最低温度的平均水平。

3.2 基于剖面线的地表温度空间分布特征分析

分别绘制2015、2017、2019年3期研究区内N-S、W-E、SW-NE、NW-SE 4个方向的剖面线，同时提取地表温度值和NDVI值，并对部分局部极值所处的位置加以标识(图3)。从图3可以看出，在N-S、W-E、SW-NE和NW-SE 4个方向的剖面线图中，均具有明显的城市热岛特征，地表温度剖面线呈现出两边低、中间高的态势，而NDVI剖面线呈现出两边高、中间低的态势。剖面线所经过区域的下垫面构成不同，导致地表温度剖面线呈现出峰谷状特征。总体来看，高温区和低温区的位置基本维持不变，在工业区、商业区温度一般较高，在水体、林地和公园温度一般较低。同时研究发现，图中的高层建筑所处区域往往成为低温区域，不同的城市棚户区之间温度差异较大。

图3 2015、2017、2019年研究区内N-S、W-E、NE-SW、NW-SE 4个方向的地表温度与NDVI剖面线图Fig.3 Surface temperature and NDVI profiles of N-S,W-E,NE-SW and NW-SE directions in the study area in 2015,2017 and 2019

N-S地温剖面线中，最高温度出现在电机厂，最低温度均出现在松花江。松北棚户区、省政府、电机厂为相对其周边的高温度区域；松北的部分耕地和池塘、香坊区的高层住宅、公园为相对其周边的低温度区域。W-E地温剖面线中，最低温度均出现在棚户区，最高温度均出现在省政府。道里区的普通住宅(康安小区)、香坊区的工业区是相对周围区域的高温区域，道里区的高层住宅、南岗区的普通住宅(文林电力花园小区)和公园是相对周围区域的低温区域。孟晓阳等[22]在研究“白屋顶计划”对城市热岛效应作用时发现，屋顶温度的升高主要源自于屋顶对太阳辐射吸收引起的升温，而浅色屋顶因太阳辐射引起的升温要显著低于深色屋顶。因此，康安小区深色的屋顶颜色是导致其温度高于文林电力花园小区的重要原因(图4)。松北棚户区是N-S方向的高温区域，而四方台棚户区则是W-E方向的低温区域，两者温差较大。其中，松北棚户区内含有大量的工厂和小作坊，而四方台棚户区的功能主要以居住为主，居民主要从事农业生产；四方台棚户区屋顶颜色偏浅而松北棚户区屋顶颜色则以深色为主。

图4 康安小区与文林花园小区屋顶影像图Fig.4 The image of the roof of Kang’an community and Wenlin garden community

NE-SW地温剖面线中，最低温度均出现在公园，最高温度均出现在机器制造公司。大学、省政府为相对周围区域的高温区域；林场、林区、高层住宅为温度相对较低的区域。NW-SE地温剖面线中，最低温度均出现在松花江，最高温度均出现在省政府。相对高温区域有停车场、火车站和轴承厂；相对低温区域有河流、宾馆、高层住宅和耕地。

总体来看，除水体和高层住宅外，其他重点分析区域的温度值与NDVI值均呈负相关关系。在4个方向的剖面线中，高层住宅区域是剖面线中不可忽视的低温区域。住宅高度与密度通过改变附近区域日照环境而影响城市局部热环境。大量研究表明，随着区域内楼层的增高，其内部地表温度有降低趋势[23-24]。本研究遥感图像均取自哈尔滨市(约北纬45°)的9月中上旬，此时，太阳几乎直射赤道，而遥感卫星则是位于哈尔滨的上空，这就导致获得的高楼附近的图像有一大部分是高楼的影子(图5)，从而形成了地表温度图像和剖面线图的低温区域[22]。根据遥感影像文件可知，获取影像时的太阳高度角约44.6°，对于一栋平均层高为3 m的30层的高层住宅，其产生的影子长度约为91.3 m，至少会影响Landsat系列遥感影像中3个像元值的大小。

图5 高层建筑影响遥感图像原理图Fig.5 Schematic diagram of tall buildings affecting remote sensing image

城市热岛效应的存在会导致人们对高温的感觉更加明显。高层住宅所产生的影子面积随季节的变化而变化，夏季时，对中国大部分北方城市和地区而言，高层住宅的影子面积最小，对于部分南方城市和地区而言，高层住宅几乎没有影子。同时，高层住宅的存在对区域内热量向周围散发会起到消极作用，一些不符合城市风道规划的高层住宅还可能阻挡通风廊道，抑制空间环境空气流通，进而加剧热岛效应[25]。因此，虽然在本研究中高层住宅属于低温区，但并不意味着高层建筑有助于缓解热岛效应，这与建筑物密度、建筑布局、绿化面积、人口密度等有密切关系[26-27]，相关的研究有待进一步深入。

3.3 基于城市热岛比例指数的城市热岛效应分析

利用2.3节介绍的方法计算研究区的城市热岛比例指数，分析哈尔滨市和其各行政区内的城市热岛空间分布特征及年际变化。对研究区的遥感影像进行温度分区计算后可得到2015、2017、2019年各温度分区所占的百分比以及对应的城市热岛比例指数(见表2)，温度分区图见图6。

图6 2015、2017、2019年哈尔滨市中心城区温度分区Fig.6 Temperature zone in the central urban area of Harbinfrom 2015, 2017 and 2019

表2 2015、2017、2019年哈尔滨市中心城区各温度分区占比表Table 2 Proportion of each temperature zone in the central urban area of Harbin in 2015, 2017 and 2019

由表2可知，近5年来城市热岛比例指数为先增大后减小。2015、2017、2019年哈尔滨市各个温度分区的比例变化明显。其中，低温区、较低温区递增，中温区、高温区比例先减后增，次高温区的比例则先增后减。

为分析中心城区内各行政区域的热岛强度，评价热岛的时空变化特征，对中心城区遥感图像按照区内行政边界进行矢量裁剪后，进行温度分区计算，中心城区内所属各行政区的城市热岛比例指数见表3。

表3 2015、2017、2019年哈尔滨市中心城区内各行政区城市热岛比例指数Table 3 Proportion index of urban heat island of each administrative district in the central urban area of Harbin in 2015, 2017 and 2019

按照行政区域划分，2015-09-04哈尔滨市中心城区内的热岛效应强度大小为：南岗区>道里区>香坊区>道外区>松北区；2017-09-09哈尔滨市中心城区内的热岛效应强度大小为：南岗区>道外区>道里区>香坊区>松北区；2019-09-15哈尔滨市中心城区内的热岛效应强度大小为：南岗区>道外区>道里区>香坊区>松北区。总体来看，南岗区的热岛效应最强，松北区热岛效应最弱，其余区域热岛效应强度没有显著差异并位于两者之间。

综合地温影像与数据分析，香坊区、南岗区热岛效应呈减弱趋势，松北区、道里区和道外区热岛效应强度有所波动。

4 讨论与结论

本研究利用2015、2017、2019年9月中上旬3幅Landsat 8遥感影像数据，基于单窗算法反演哈尔滨市主要行政区(5个区)的地表温度，并借助地表温度剖面线和城市热岛比例指数等方法，研究了哈尔滨市建成区内地表温度分布特征与城市热岛效应强度的变化规律，有针对性地分析了哈尔滨市建成区内高温区域和低温区域形成的可能原因。

哈尔滨市中心城区内温度存在异质性特征，但整体规律明显。工业区、商业区温度一般较高，影像中的最高温度均出现在哈尔滨市电机厂，其温度高的主要原因是人工热源产生了大量热量；在水体、林地和公园温度一般较低，部分工业设施(制冷器、冷却塔等)容易形成极端温度值。影像中的哈南仓储物流园和中国移动(哈尔滨)数据中心的温度异常得低于平均温度，其最低温度接近0 ℃。这些园区或中心的共同之处不仅在于均采用了白色屋顶，并且均有制冷器的存在，仓储物流园中有冷库和冷链物流中心，数据中心有专门用于机房冷却的制冷器。因此，人工冷源的存在可能是该区域存在极端低温的重要原因。

通过温度剖面线分析发现，高层住宅、屋顶颜色对地表温度影响较大。其中高层住宅对热岛效应有双重作用：一方面其影子会在一定程度上降低地表温度；另一方面高楼建筑存在对区域热量散发起到消极作用，引起局部温度的升高。

2015、2017、2019年哈尔滨市中心城区整体热岛效应变化不明显，URI的最大变化不超过0.023，其内南岗区的热岛效应最强，松北区热岛效应最弱；香坊区、南岗区的区域热岛效应呈减弱趋势，松北区、道里区和道外区的区域热岛效应强度有所波动。此外，利用URI对城市热岛效应进行评价时容易受到当时当地气候(如降水)的影响。未来研究中，有必要选择合适的方法减轻气候不同所带来的影响。