基于最优粒度的城市热环境与景观特征耦合分析

苏王新,张刘宽,常 青

基于最优粒度的城市热环境与景观特征耦合分析

苏王新,张刘宽,常 青*

(中国农业大学园艺学院,北京 100193)

综合Landsat和国产高分2号遥感影像反演地表温度、划分地表覆被类型,通过划分100m×100m ～ 1000m×1000m等多个网格单元,分析北京市五环内热环境影响因素的粒度效应;并基于最优粒度分析城市景观组分和构型特征与热环境特征的相互关系.结果表明:随粒度增加,网格单元内平均地表温度和不透水地表(IS)、植被水体(GWS)面积比的相关系数先减小后逐渐上升,相关系数在600m×600m处趋于平缓,说明北京市五环内热环境对景观的响应特征在此粒度下最敏感;基于最优粒度的1796个网格中,温度平均值(m)与不透水地表面积比(0.723)、植被水体面积比(-0.715)显著相关,温度标准差(s)与不透水地表面积比(-0.051)、水体面积比(0.054)显著相关;网格内主导景观类型占比达到一定程度后,其占比增加或减少会导致热环境迅速变化;基于IS和GWS景观格局与热环境的相关分析显示,m与不透水最大斑块指数(LPI_IS)(0.665)、植被水体结合度指数(COHENSION_GWS) (-0.547)相关性最显著,当网格内GWS占比大于40%时,植被水体斑块面积越大、空间连通性越高,越有利于改善热环境.

城市热岛；景观组分；景观格局；网格分析；热缓解；基于自然的解决方案

目前,城市热岛效应的研究主要集中在景观格局[1-3]、城市热浪[4]、蓝绿基础设施降温[5-6]、高温热脆弱性[7]、热缓解规划设计[8-10]等方面.多数肌理研究认为不透水表面(IS)、植被(GS)和水体(WS)等景观组分是影响城市热环境的典型因素[1-3,5,8,10-12].植被和水体作为城市蓝绿基础设施(GBI)的典型地表特征,结合适当的城市几何结构及配置,在缓解热岛效应和提供热舒适环境方面显示出了巨大的潜力[8-11,13],可为应对气候变化提供基于自然的城市热环境解决方案.研究人员和城市规划设计者提出了诸多的方法和策略[10,14-16],以通过降低城市应对未来气候变化的脆弱性来适应逐渐严峻的热缓解挑战[10,17],基于自然的解决方案(NbS)备受关注.

然而,城市热环境具有明显的尺度特征[18-19],面向城市热缓解解决方案需合适的尺度.探究地表温度(LST)对景观组分变化响应的最敏感空间单元范围,即最优粒度,对于面向城市热环境的自然解决方案设定具有重要的尺度指示作用.目前,针对城市热环境的尺度研究,多涉及空间分辨率的粒度效应及时空范围的幅度效应[18-22],缺少最佳尺度上的景观特征耦合研究.不同空间分辨率网格具有不同的比例因子,对城市热环境的研究具有较大影响[23].因此,在特定尺度上研究和分析城市热环境,把握热缓解格局与过程的发生、时空分布、相互耦合等特征的内在规律,有助于解决城市热缓解的尺度依赖性,从而指导城市热缓解规划设计实践的场地范围选择[18,24-26].城市热环境的最优粒度分析作为揭示城市热岛景观特征的主要手段,是衔接热环境尺度效应研究与热缓解规划设计实践的重要纽带[12,20,23].为探究城市热环境研究的最优粒度,本研究以北京市为例,基于高分辨率卫星影像解译数据,分析北京市五环景观组分与地表温度(LST)在多分辨率网格单元内的尺度响应特点,探究IS-LST、GS-LST关系的尺度响应特点,并基于最优粒度分析城市单元的景观组分和格局特征与热环境的关系,旨在深化对城市热环境最优粒度分析的认识,为城市景观热缓解规划设计提供科学支撑.

1 材料与方法

1.1 研究区和数据来源

北京市(39°28′N～41°50′N,115°25′E～117°30′E)属温带大陆性季风气候,夏季湿热,冬季凉爽干燥.伴随着快速的城市化和人口增长,近40a间(1978～2018年),北京市平均气温从11℃上升到14℃,最高气温由35℃上升到41℃,最低气温由-15℃上升到-11℃[27].本文以城市化率高、人口密度集中的北京市五环路以内区域为研究对象.

遥感数据来源于中国资源卫星应用中心(http://www.cresda.com)空间分辨率为1m的国产高分2号遥感影像数据(2017年8月)和地理空间数据云(http://www.gscloud.cn)空间分辨率为30m 的Landsat TM(2017年9月)数据.

1.2 地表温度反演与景观组分

Landsat影像经过辐射定标、大气校正、正射校正、图像融合、裁剪与增强等预处理后,基于ENVI5.3软件平台,通过热红外(TIR)波段(10.60～ 11.90mm),使用大气校正法对1a的影像进行地表温度的反演计算.通过图像辐射定标、地表比辐射率计算、黑体辐射亮度与地表温度计算等步骤得到北京市LST制图结果.研究采用归一化植被指数(NDVI)阈值法计算地表比辐射率.具体的热环境特征分析主要涉及:温度平均值(m)、温度值域(r)和温度标准差(s)3个特征指标.m度量网格内的温度平均值,其值越高代表网格越热,越低代表网格越凉;r度量网格内温度变量的取值范围,其值越高代表网格内部温度变化越大,越低代表网格内部温度变化越小;s度量温度数据的离散程度,其值越高代表网格内像元点温度的离散程度越大,越低代表离散程度越小.其中,r和s越大的网格,由于内部温度的不均匀分布,导致冷热空气流动,热交换更强.

不透水、植被和水体等景观组分是影响城市热环境的典型因素,裸地作为城市中的未利用地,其未来的发展方向将显著影响城市热岛的演化,因而本研究的景观组分分析主要涉及此4类的占比情况.GF-2号数据经前处理后,基于eCognition软件平台通过多尺度分割法进行面向对象监督分类,结合区域实际情况设定并调试分割及分类参数,将研究区划分为不透水、植被、水体和裸地4种类型.通过随机选点目视判断其景观类型,与划分类型对比进行精度检验,结果显示整体解译精度为86.7%,整体满足实验数据分析要求.植被和水体作为重要的蓝绿基础设施,在调节城市气候方面具有重要作用,下文分析中,将具体通过植被和水体(GWS)来分析蓝绿基础设施格局特征.

1.3 统计分析

数据分析主要采用相关性分析和景观格局指数分析.基于ArcGIS 10.6软件平台,考虑到遥感数据的栅格尺寸和规划设计的可实践性,分别设置: 100,200,300,400,500,600,700,800,900,1000m共10种网格尺寸,统计以上不同大小网格单元的景观组分和平均LST.基于SPSS 26.0软件平台,通过皮尔逊相关性分析和线性回归分析,探讨景观组分与LST 的相关系数随网格单元分辨率的变化特征,以此确定LST对景观组分变化响应的最敏感空间单元,即最优粒度.景观格局分析,具体包括类型水平的最大斑块指数(LPI)、平均斑块面积(Area_MN)、散布与并列指数(IJI)、结合度指数(COHESION)4个指数,通过景观指数计算软件Fragstats4.2分析网格单元内景观格局特征.

2 结果与分析

2.1 IS-LST、GS-LST关系的尺度响应特点

基于地表温度图和景观分类图(图1),划分10种大小不同的网格单元,分析其内平均LST与景观组分占比间的相关性.由图2可知,不透水地表占比与LST呈正相关,植被、水体占比与LST呈负相关.不透水地表占比与LST的皮尔森相关系数和线性回归系数分别在300m(0.20)、400m(3.30)处最低,后逐渐上升并在600m(0.72、6.82)处趋于平稳;植被占比与LST的皮尔森相关系数和线性回归系数在300m(-0.07、-0.57)处最低,后逐渐上升并在600m (-0.61、-6.65)处趋于平稳;水体占比与LST的皮尔森相关系数和线性回归系数分别在300m(-0.15)和100m(-6.16)处最低,后逐渐上升并在600m(-0.42、-10.33)处趋于平稳.

不同大小网格单元内均呈现植被和不透水地表与LST的相关系数明显高于水体和裸地与LST的相关系数,相关系数300～500m波动明显,在600m×600m达到最大后趋于平缓,说明北京市五环内热环境特征在此粒度下最敏感.后文将基于600m×600m的最优粒度,进行景观格局分析.

图1 北京市五环内景观组成(a)、温度(b)

图2 LST与景观组分占比皮尔森相关性系数(a)和相关性回归系数(b)

2.2 景观组成与热环境的关系

基于600m´600m的最优粒度,北京市五环内共1796个网格.网格内景观组成占比呈现:不透水地表(52.93%)>植被(38.03%)>裸地(7.17%)>水体(1.87%).景观组成与热环境的皮尔逊相关性分析结果显示(表1):景观组成与m相关性显著,与s相关性部分显著,与r不存在相关性.其中m与不透水地表(0.723)呈显著正相关且相关性最高,与植被水体(-0.715)、植被(-0.608)、水体(-0.419)和裸地(-0.053)呈显著负相关,说明不透水地表占比越低,植被水体占比越高的网格,其内平均温度越低;s与不透水地表(-0.051)呈显著负相关,与水体(0.054)呈显著正相关,说明不透水地表占比越低、水体占比越高的网格,其内温度的离散程度越大,冷热交换能力更强.

基于皮尔逊相关系数最高的IS_m和GWS_m进行排序分析显示(图3):整体的600m´600m网格内不透水地表占比和植被水体占比均呈现两边变化迅速,中间变化缓慢的S型曲线,不透水地表和植被水体的上四分位数分别为64.86%、47.96%,中位数分别为55.94%、37.80%,下四分位数分别为44.04%、29.25%,整体说明北京市五环内网格内不透水地表占比明显高于植被水体.

表1 热环境特征与景观组成特征相关性

注:**在0.01级别(双尾),相关性显著;*在0.05级别(双尾),相关性显著.sig即值,代表假设检验中的显著性.

图3 不同景观组分占比与平均温度关系(a)不透水(IS)(b)植被水体(GWS)

图4 景观组分与平均温度分段斜率(a、b)线性回归(c、d)

随着不透水地表占比的减小,m呈现S型下降的趋势;随着植被水体占比的增加,m呈现逐渐减小的趋势.按照景观组分5%的间隔分段,分析景观组分与热环境的斜率变化,不透水地表整体呈现波动减小的变化趋势(图4a),植被水体呈现先减小后增加的变化趋势(图4b),在IS占比为35%～40%、GWS占比为30%～35%时,景观组分与热环境相关性斜率出现明显的转折.在不透水方面(图4c),当IS占比小于35%时,随着IS占比的减少,m降低趋势相对更迅速,其线性回归方程为:= 8.81+ 28.23(² = 0.29);当IS占比大于35%时,m降低趋势相对更缓慢,其线性回归方程分别为:= 0.07+ 28.74(² = 0.34).在植被水体方面(图4d),当GWS占比大于30%时,随着GWS占比增加,m下降趋势相对更迅速,其线性回归方程为:= -7.90+ 35.61(2=0.54);当GWS占比小于30%时,m下降趋势相对更缓慢,其线性回归方程为:= -4.69+ 34.43(2=0.05).说明网格内主导景观类型占比达到一定程度后,其增加和减少会导致热环境更迅速的变化.

2.3 景观格局与热环境的关系

不透水地表和植被水体的景观格局与热环境指标的皮尔逊相关性分析结果显示(表2):m与LPI、AREA_MN、IJI、COHESION4个景观格局指数呈显著相关;除LPI_IS、AREA_MN_IS之外,r和s与其它景观格局指数均呈显著相关.

不透水地表景观格局指数与热环境特征相关性排序为:LPI_m(0.665)> COHESION_m(0.530)> AREA_MN_m(0.479)> IJI_m(-0.140),说明大型不透水地表斑块越少,结合度越低,平均斑块面积越小,越分散,网格平均温度越低;COHESION_r(0.088)> IJI_s(0.085)>COHESION_s(0.070)>IJI_r(0.058),说明不透水地表斑块结合度越高、越分散,网格内温度变化范围越大、离散程度越大,更利于内部的热交换.

植被景观格局指数与热环境特征相关性排序为: COHESION_m(-0.547)>LPI_m(-0.544)>AREA_MN_m(-0.402)>IJI_m(-0.353),说明绿地水体斑块结合度越高,大型斑块越多,平均斑块面积越大,越分散,网格温度越低;r和s与AREA_MN (-0.090/ -0.077)呈负相关,与LPI(0.131/0.225)>COHESION (0.098/ 0.155)>IJI(0.078/0.122),说明植被水体平均斑块面积越小,大型斑块越多,斑块结合度越高,越分散,网格内温度变化范围越大、离散程度越大,更利于内部的热交换.

表2 热环境特征与景观格局特征相关性

注:**在0.01级别(双尾),相关性显著;*在0.05级别(双尾),相关性显著.sig即值,代表假设检验中的显著性.

基于皮尔逊相关系数最高的LPI_m和COHESION_m按照景观组分5%间隔分段,分析景观格局与热环境的斜率变化(图5a、b):LPI与热环境斜率呈现“U型”变化趋势,在IS占比60% ～ 65%、GWS占比40%～45%时,相关性斜率出现明显转折. COHENSION_IS和COHENSION_GWS分别与热环境斜率呈倒U型和U型变化趋势,在IS、GWS占比40%～45%时,相关性斜率出现明显转折.

在最大斑块指数方面(图5c、d),LPI_IS和m的线性回归方程为:=0.04+31.02(IS>60%,2=0.11)、=0.05+30.00(IS<60%,2=0.32),LPI_GWS和m的线性回归方程为:=-0.03+33.23(GWS>40%,2= 0.25)、=-0.01+33.45(GWS<40%,2=0.02),说明不透水地表占比小于60%时,LPI_IS越小,m降低越快;植被水体占比大于40%时,斑块面积(LPI_GWS)越大,m降低越快.

在景观结合度指数方面(图5e、f), COHENSION_ IS和m的线性回归方程为:=3.54-320.60(IS>40%,2=0.13)、=0.70-38.56(IS<40%,2=0.23); COHENSION_ GWS和m的线性回归方程为:=-3.11+341.20 (GWS>40%,2=0.24)、=-0.67+99.19 (GWS<40%,2=0.11),说明当不透水地表占比大于40%时, COHENSION_IS越小,m降低越快;植被水体占比大于40%时,空间连通性(COHESION_GWS)越高,m降低越快.

3 讨论

3.1 城市热环境最优粒度分析

城市热环境具有空间异质性与尺度依赖性.研究表明IS和GS是城市热环境的典型因素[29-30],但不同尺度下城市热环境响应特征会有所不同.本研究结果表明,北京市五环内地表温度对IS、GS、WS等景观特征的响应在600m´600m时较为敏感.这与多数国内外学者的研究结论相似,如Govil等[31]分析结果显示,地表温度在不同空间分辨率(30～960m)下与NDVI呈中至强负相关,与改进型归一化差值不透水表面指数(MNDISI)呈弱负至中正相关,且较粗分辨率(840～960m)由于同质性较强,相关系数值较强;刘宇鹏等[32]采用U-TAE算法对长沙市城市热岛信息的提取表明,660m´660m的尺度能够对城市热岛的范围、强度、空间构成及大面积提取稳定程度具有较好的效果.

由于城市形态肌理和背景气候的差异性,城市热环境最优粒度的研究结果在不同地域也存在一定的差别.印度勒克瑙市景观组分受LST影响最大的最佳尺度为210～270m[23].南京市的结果显示, 300m网格时,4种地表特征参数与地表温度的相关性最有解释力[33].珠江三角洲的研究显示,对热岛格局进行景观指数计算的适宜粒度范围为30～ 150m[18].美国印第安纳波利斯市的植被覆盖率、NDVI和LST相关性最强的分辨率为120m[34].可见,热环境最优粒度分析是制定城市热缓解方案的前提和基础,有利于提升方案适应性.

3.2 对基于自然的热缓解方案的启示

基于自然的解决方案作为一种减缓和适应气候变化的综合手段,能够有效应对气候变化和未来的城市热环境风险.蓝绿基础设施作为缓解和适应城市热环境的一种解决方案,通过遮阴作用和蒸散作用缓解城市热环境,但不同绿化格局、植物配置、物种选择等都对绿色基础设施的降温效应具有显著的影响[10-15];在减少居民热应激,降低热岛引起的发病率和死亡率方面具有重要作用[6,11].

当地的土地使用模式、建筑形式和气候因素等影响着可能的热缓解策略[28-29].《基于自然的解决方案全球标准》[35]中要求“应根据尺度来设计NbS”.本研究可为未来高密度建成区内城市街道尺度应对未来气候变化的基于自然的热环境解决方案设定提供指导.基于最优粒度(660m´660m)的热环境与景观特征耦合分析结果显示:在热缓解方面,当不透水地表占比大于60%时,应尽可能增加植被水体占比;当不透水地表占比是40%～60%时,减少不透水地表占比的同时,通过分散设置公园绿地等植被水体以减小不透水地表斑块的结合度,缓解热聚集.在热环境优化方面,当植被水体占比大于40%时,增加植被水体斑块面积比的同时,通过蓝绿廊道建设提高其同周边植被水体斑块的结合度,可使LST降低更迅速.另一方面,可将空置的裸地开发为绿地和水体,同时增强其同周边优质绿地斑块之间的连通性,进而提高其提供生态系统服务的潜力,缓解其带来的社会和环境挑战.基于此,有针对性的进行场地热缓解规划,基于现状数据收集、风景园林设计以及健康政策的执行,采用蓝绿灰色基础设施[9-10,36-37]以及心理改善措施[38]等,创造满足使用者需求的凉爽空间.

4 结论

4.1 北京市五环内热环境对不透水地表(IS)和植被水体(GWS)等景观组分的响应特征在600m×600m粒度下最敏感.

4.2 网格内景观组成与m相关性显著,与s相关性部分显著,与r相关性不显著,其中IS(0.723)、GWS(-0.715)和m之间的相关性最高.当网格内植被水体占比大于30%时,随着GWS占比的增加,m降低更迅速;当网格内IS占比小于35%时,随着不透水地表占比的减小,m降低更迅速,说明网格内主导景观类型占比达到一定程度后,其增加和减少会导致热环境更迅速的变化.

4.3 植被水体和不透水地表景观格局指数(LPI、COHESION、AREA_MN、IJI)与m相关性显著,与s和r部分相关性显著,其中LPI_IS(0.665)、COHENSION_GWS(-0.547)与m的相关性最高;当植被水体占比大于40%时,最大斑块指数(LPI)、结合度指数(COHESION)越大,m下降越快,说明当植被水体景观占比达到一定程度后,其斑块面积越大、空间连通性越高,越有利于冷空气形成,从而改善热环境.

[1] 钱敏蕾,徐艺扬,李 响,等.上海市城市化进程中热环境响应的空间评价 [J]. 中国环境科学, 2015,35(2):624-633.

Qian M L, Xu Y Y, Li X, et al. An assessment of spatial thermal environmental response to rapid urbanization of Shanghai [J]. China Environmental Science, 2015,35(2):624-633.

[2] 黄木易,岳文泽,何 翔.巢湖流域地表热环境与景观变化相关分析及其尺度效应 [J]. 中国环境科学, 2017,37(8):3123-3133.

Huang M Y, Yue W Z, He X. Correlation analysis between land surface thermal environment and landscape change and its scale effect in Chaohu Basin [J]. China Environmental Science,2017,37(8):3123- 3133.

[3] Li J X, Song C H, Cao L, et al. Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China [J]. Remote Sensing of Environment, 2011,115(12):3249-3263.

[4] He X, Wang J, Feng J, et al. Observational and modeling study of interactions between urban heat island and heatwave in Beijing [J]. Journal of Cleaner Production, 2019,247:119169.

[5] Zhang Y Z, Zhan Y L, Yu T, et al. Urban green effects on land surface temperature caused by surface characteristics: A case study of summer Beijing metropolitan region [J]. Infrared Physics & Technology, 2017, 86:35-43.

[6] Matthews T, Lo A Y, Byrne J A. Reconceptualizing green infrastructure for climate change adaptation: barriers to adoption and drivers for uptake by spatial planners [J]. Landscape and Urban Planning, 2015,138:155-163.

[7] Harlan S L, Brazel A J, Prashad L, et al. Neighborhood microclimates and vulnerability to heat stress [J]. Social Science and Medicine, 2006, 63(11):2847-2863.

[8] Gunawardena K R, Wells M J, Kershaw T. Utilising green and blue space to mitigate urban heat island intensity [J]. Science of the Total Environment, 2017,584–585:1040-1055.

[9] Sen S, Roesler J, Ruddell B, et al. Cool pavement strategies for urban heat island mitigation in suburban phoenix [J]. Arizona Sustainability, 2019,11(16):4452.

[10] Norton B A, Coutts A M, Livesley S J, et al. Planning for cooler cities: A framework to prioritise green infrastructure to mitigate high temperatures in urban landscapes [J]. Landscape and Urban Planning, 2015,134:127-138.

[11] Tzoulas K, Korpela K, Venn S, et al. Promoting ecosystem and human health in urban areas using Green Infrastructure: A literature review [J]. Landscape and Urban Planning, 2007,81(3):167-178.

[12] Estoque R C, Murayama Y, Myint S W. Effects of landscape composition and pattern on land surface temperature: An urban heat island study in the megacities of Southeast Asia [J]. Science of the Total Environment, 2017,577:349-359.

[13] Akbari H, Cartalis C, Kolokotsa D, et al. Local climate change and urban heat island mitigation techniques – the state of the art [J]. Journal of Civil Engineering & Management, 2016,22(1):1-16.

[14] Akbari H, Kolokotsa D. Three decades of urban heat islands and mitigation technologies research [J]. Energy & Buildings, 2016, 133:834-852.

[15] Qi J, Ding L, Lim S. Planning for cooler cities: A framework to support the selection of urban heat mitigation techniques [J]. Journal of Cleaner Production, 2020,275:122903.

[16] Jamei E, Ossen D R, Seyedmahmoudian M, et al. Urban design parameters for heat mitigation in tropics [J]. Renewable and Sustainable Energy Reviews, 2020,134:110362.

[17] Patz J A, Campbell-Lendrum D, Holloway T, et al. Impact of regional climate change on human health [J]. Nature, 2005,438(7066):310-317.

[18] 郭冠华,陈颖彪,魏建兵,等.粒度变化对城市热岛空间格局分析的影响[J]. 生态学报, 2012,32(12):3764-3772.

Guo G H, Chen Y B, Wei J B, et al. Impacts of grid sizes on urban heat island pattern analysis [J]. Acta Ecologica Sinica, 2012,32(12):3764- 3772.

[19] 陈命男,张 浩,唐靖寅,等.上海城市地表热环境多时期遥感研究 [J]. 中国环境科学, 2011,31(7):1143-1151.

Chen M N, Zhang H, Tang J Y, et al. Study on the thermal environment of land surface in Shanghai with multi-temporal remote sensing images [J].China Environmental Science, 2011,31(7):1143-1151.

[20] 雷金睿,陈宗铸,吴庭天,等.1989～2015年海口城市热环境与景观格局的时空演变及其相互关系 [J]. 中国环境科学, 2019,39(4):1734-1743.

Lei J R, Chen Z Z, Wu T T, et al. Spatio-temporal evolution and interrelationship between thermal environment and landscape patterns of Haikou City, 1989～2015 [J]. China Environmental Science, 2019, 39(4):1734-1743.

[21] Zhou W, Cao F. Effects of changing spatial extent on the relationship between urban forest patterns and land surface temperature [J]. Ecological Indicators, 2020,109:105778.

[22] Du S H, Xiong Z Q, Wang Y C, et al. Quantifying the multilevel effects of landscape composition and configuration on land surface temperature [J]. Remote Sensing of Environment, 2016,178:84-92.

[23] Shukla A, Jain K. Analyzing the impact of changing landscape pattern and dynamics on land surface temperature of Lucknow city, India [J]. Urban Forestry and Urban Greening, 2020,58:126877.

[24] 陈利顶,李秀珍,傅伯杰,等.中国景观生态学发展历程与未来研究重点[J]. 生态学报, 2014,34(12):3129-3141.

Chen L D, Li X Z, Fu B J,et al. Development history and future research priorities of landscape ecology in China [J]. Acta Ecologica Sinica, 2014,34(12):3129-3141.

[25] Hamilton I G, Davies M, Gauthier S. London's urban heat island: A multi-scaled assessment framework [J]. Urban Design and Planning, 2013,166(DP3):164-175.

[26] Liang B, Weng Q. Multiscale analysis of census-based land surface temperature variations and determinants in Indianapolis, United States [J]. Journal of Urban Planning & Development, 2008,134(3):129-139.

[27] 北京市统计局,国家统计局北京调查总队.北京市统计年鉴2020 [M]. 北京:中国统计出版社, 2020.

Beijing Municipal Bureau of Statistics, NBS Survey Office in Beijing. Beijing statical yearbook 2020 [M]. Beijing: China Statistics Press, 2020.

[28] Alkhaled S, Coseo P J, Brazel A J, et al. Between aspiration and actuality: A systematic review of morphological heat mitigation strategies in hot urban deserts [J]. Urban Climate, 2020,31:100570.

[29] Sharifi A. Trade-offs and conflicts between urban climate change mitigation and adaptation measures: A literature review [J]. Journal of Cleaner Production, 2020,276:122813.

[30] 郭 宇,王宏伟,张 喆,等.南京市热环境与地表覆被的时空尺度效应及驱动机制研究 [J]. 生态环境学报, 2020,29(7):1403-1411.

Guo Y, Wang H W, Zhang Z, et al. Spatio-temporal scale effect and driving mechanism of thermal environment and land surface cover in Nanjing [J]. Ecology and Environmental Sciences, 2020,29(7):1403- 1411.

[31] Govil H, Guha S, Diwan P, et al. Analyzing linear relationships of LST with NDVI and MNDISI using various resolution levels of landsat 8OLI and TIRS Data [C]//Sharma N, Chakrabarti A, Emilia Balas V, Data Management, Analytics and Innovation. Springer, Advances in Intelligent Systems and Computing, 2020:171-184.

[32] 刘宇鹏,杨 波,陈 崇.U-TAE算法提取城市热岛信息的空间尺度分析 [J]. 地理科学进展, 2011,30(9):1118-1124.

Liu Y P, Yang B, Cheng C. Spatial scale analysis of the methods using U-TAE algorithm to extract the information of urban heat island [J]. Progress in geography, 2011,30(9):1118-1124.

[33] Min M, Lin C, Duan X J, et al. Spatial distribution and driving force analysis of urban heat island effect based on raster data: A case study of the Nanjing metropolitan area, China [J]. Sustainable Cities and Society, 2019,50:101637.

[34] Weng Q, Lu D, Schubring J. Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies [J]. Remote Sensing of Environment, 2015,89(4):467-483.

[35] IUCN. Global Standard for Nature-based Solutions. A user-friendly framework for the verification, design and scaling up of Nb S [R]. Switzerland: International union for conservation of nature, 2020.

[36] Lai D, Liu W Y, Gan T, et al. A review of mitigating strategies to improve the thermal environment and thermal comfort in urban outdoor spaces [J]. Science of the Total Environment, 2019,661: 337-353.

[37] Tan Z, Lau K K L, Ng E. Urban tree design approaches for mitigating daytime urban heat island effects in a high-density urban environment [J]. Energy and Buildings, 2016,114:265-274.

[38] Wang H, Liu G, Hu S, et al. Experimental investigation about thermal effect of colour on thermal sensation and comfort [J]. Energy and Buildings, 2018,173:710-718.

Coupling analysis of urban thermal environment and landscape characteristics based on optimal granularity.

SU Wang-xin, ZHANG Liu-kuan, CHANG Qing*

(School of Horticulture, China Agricultural University, Beijing 100193, China)., 2022,42(2)：954～961

We obtained land surface temperature and landscape components from Landsat and GF-2 within the inner Fifth Ring area in Beijing. The polygon grid approach has been applied for analyzing the relationship between urban landscape components and pattern characteristics and thermal environment characteristics. These various size polygon grids division was from 100m× 100m to 1000m× 1000m. With the increase of grid size, the correlation between IS/GWS and average LST first decreases and then gradually increases, trending to be flat at 600m. The optimal grid size range of IS and GS affected by LST was 600m × 600m within the inner Fifth Ring area of Beijing. Among the 1796grids based on the optimal granularity, the mean temperature (m) was significantly correlated with impervious (0.723) and vegetation & water (-0.715), the standard deviation of temperature (s) was significantly correlated with impervious (-0.051) and water (0.054); when the proportion of vegetation was more than 55%,mdecreased rapidly. When the proportion of dominant landscape types in the grid reaches a certain level, an increase or decrease in its proportion will cause rapid changes in the thermal environment. Based on the correlation analysis of vegetation & water, impervious landscape pattern, and thermal environment,mand LPI_IS (0.665), COHENSION_GWS (-0.547) were significantly correlated. When the proportion of GWS in the grid is more than 40%, the larger the vegetation water patch area and the higher the spatial connectivity, the more conducive to improving the thermal environment.

urban heat island；landscape components；landscape pattern；grid-based analysis；thermal mitigation；nature-based solutions

X16

A

1000-6923(2022)02-0954-08

苏王新(1991-),女,河南洛阳人,中国农业大学博士研究生,主要研究方向为城市景观生态规划.发表论文6篇.

2021-05-13

北京市科技计划项目(D171100007117001)

* 责任作者, 副教授, changqing@cau.edu.cn