耿树丰,任嘉义,杨 俊,2,*,国安东,席建超
1 辽宁师范大学自然地理与空间信息科学辽宁省重点实验室, 大连 116029
2 中国科学院区域可持续发展分析与模拟重点实验室, 北京 100101
3 中国科学院地理科学与资源研究所, 北京 100101
21世纪以来,世界各国城市快速发展,人口聚集,不透水面和建筑改变了原有自然覆盖特征[1—2]。在工业发达、经济发展增速较快的大城市,局部热环境和小气候在不同程度上发生变化,城乡之间产生温度差异,引发城市热岛效应(Urban Heat Island,UHI),不利于可持续发展[3—6]。UHI是城市化导致微气候变化的总体反映,地表温度(Land Surface Temperature, LST)能够说明地表增温程度,更能直接影响人类居住舒适度,近年来受到广泛关注[7—8]。
起初,针对地表温度的研究集中于地表覆盖,LST与不透水面密度(正)和植被密度(负)之间存在显著的相关性[9—10]。另外,地表覆盖组分的空间分布及结构对LST的影响存在差异,聚集度越大,地表温度越高[11—15]。然而,由于建筑在水平地面和垂直空间分布具有不均匀性,城市内部狭窄的街道和高楼对热量和通风存在阻挡作用,建筑的几何形态对LST的影响更加复杂[16—20]。对于发展中国家,特别是人口稠密区,土地利用方式多样化发展,传统城市热岛研究已不能很好地反映当地实际热环境状况[21]。
为了综合考虑城市形态对热环境的影响,Stewart将建筑物屋顶至地面的一层大气定义为城市冠层,并按照建筑类型和地表覆盖类型将城市划分为17个气候区,即局地气候分区(Local Climate Zone,LCZ),代表地物的简单组合[22],为研究城市热环境提供了新思路。局地气候分区的表面温度随研究区域地理位置、地形、地表建筑物高度、间距、材料、透水率、几何形状等的改变而不同,已有研究表明温度差异存在于大多数LCZ类别中,Hu等基于局地气候区分析了地表温度时空变化[23],Yang等发现城市建成区LCZ的LST高于自然地表LCZ,且LST与自然LCZ相关性更高[24—25]。在LCZ制图方面,Zhao等以局地气候区为空间背景构建了地表自训练分类框架[26];Zheng等基于GIS方法对高密度城市进行了局地气候区制图[27]。LCZ分类体系提高了城市景观与气候分类的匹配程度[28—29],但目前国内在LCZ尺度下研究LST的成果相对较少,本研究采用遥感影像与建筑数据相结合划分LCZ,能够改善单一影像在划分建成区方面的不足,有利于探究局地气候视角下的LST变化规律。
综上所述,本文以建筑数据、Landsat 8 影像和气象数据为基础,运用地表温度(LST)反演、决策树分类、GIS空间分析等方法对京津冀划分局地气候区,定量分析不同LCZ下城市LST的分异规律,为国土空间规划、缓解热岛、改善城市生态环境提供参考。
京津冀地区位于中国环渤海心脏地带,是中国北方经济规模最大、最具活力的地区,经济发展带来一定的环境问题。如图1,北京 (39°26′—41°03′N, 115°25′—117°30′E) 地处华北平原北部,地势西北高、东南低,气候为暖温带半湿润半干旱季风气候,夏季高温多雨,冬季寒冷干燥;天津 (38°34′—40°15′N,116°43′—118°04′E) 位于华北平原东北部,东临渤海,属暖温带半湿润季风性气候,年平均气温约为14℃,7月最热,1月最冷;石家庄 (37°27′—38°47′N,113°30′—115°20′E),位于河北省中南部,临近渤海海域,温带季风气候显著,四季分明,截至2019年,建成区面积338.16 km2,城镇人口676.14万人,城镇化率65.05%。本研究选择三个城市的主城区作为研究区域,即既包含建成区也包含市中心外围的过渡地带,在城市气候带背景下探究地表温度分异规律。
图1 研究区地理位置
选取建筑数据及Landsat8遥感数据,如表1所示。由于季节变化明显,全年温差较大,选取2019年夏季晴天、低云量时段的影像。在使用前利用ENVI5.3 FLAASH大气校正模块进行处理以消除水汽等影响,之后通过拼接、裁剪得到研究区域。建筑数据包含建筑物高度、楼层数信息,在ArcGIS 10.2中依据现行国家《民用建筑设计通则》(GB50352—2019)[30]将建筑高度及密度进行分类,并结合Landsat- 8影像作为LCZ制图的支撑数据。此外气象数据参与了天气判断与LST反演。
表1 数据来源与说明
Stewart等的局地气候体系包括10种建筑类型和7种土地覆盖类型,其中建筑密度分为紧密和稀疏,土地覆盖分为高密度、低密度植被区、灌木区、低矮植被、硬化地面、沙地以及水体[31]。本研究利用ArcGIS 10.2的Create Finshnet工具对研究区构建 30 m 格网,划分LCZ1-6,同时利用ENVI5.3,基于Landsat 8的蓝、绿、红、近红外波段以及ISODATA非监督分类结果构建多源数据集,使用CART算法获取LCZA-G的分类规则。由于计算量较大,先收集训练样本,在样本区获取决策树,再得到整个研究区的土地覆盖信息。经精度检验,北京、天津、石家庄影像分类的Kappa系数分别为0.94、0.82、0.93。最后统计网格内建筑类型和地表覆盖类型,得到局地气候区分类(表2)。
表2 局地气候分区类型
地表温度反演精度受遥感影像质量影响。本研究选取时间段内天气晴朗,采用单窗算法[32]和Landsat8的TM10波段结合估算LST[33],公式如下:
(1)
C=ετ
(2)
D=(1-τ)[1+(1-ε)τ]
(3)
式中Ts为地表温度(K),T10是传感器上的亮度温度(K),Ta是大气平均温度(K),a、b为参考系数,当地表温度为0—70℃时,a=-67.355351,b=0.458606,ε表示T10的地表发射率,τ表示T10的大气透射率。
如图2所示,研究区市区几乎被建筑LCZ填满,建筑高度整体为低层和中层居多,高层较少,就密度而言,北京、天津、石家庄密集型建筑分别占比27.54%、21.95%、25.09%。其中北京LCZ1大多分布在东西城区,LCZ2、LCZ3由中心城区向外扩张;天津LCZ1—3主要集中在中心城区;石家庄裕华区西部,桥西区东部LCZ2、LCZ3居多,LCZ1分布相对零散。另外北京西部、天津市中心外围、石家庄北部有高密度植被或农田覆盖,城市公园包含了市内主要的绿地和水体分布。
图2 北京、天津、石家庄局地气候区分布
地表温度能够反应城市热环境格局(图3)。整体来看,研究区市中心温度高于郊区,建筑覆盖区地表温度较高,工业区往往出现明显的高温,森林、河流是主要低温区域。北京市西部有大量植被覆盖,地表温度较低,有20.41%的地区地表温度处在24℃以下,地表温度在24—30℃的区域占73.81%,高于30℃的地区主要分布在东南部,占比5.78%;天津市地表温度表现为中心高、四周低的特点,所选时间段温度高于北京,仅有0.51%的区域温度低于30℃,高于40℃占比达到55.56%,热岛效应显著;石家庄大部分区域地表温度在26—32℃,占比77.92%,有0.06%的地区温度高于38℃,说明出现极端高温现象。
图3 北京、天津、石家庄地表温度空间分布
图4表明不同气候带的地表温度存在差异,建筑类型LCZ总体高于自然地表LCZ。在城市三维结构中,建筑在水平方向按不同密度分布,在垂直方向上表现为高度不同,对地表温度造成不同的影响。当建筑高度相同时,建筑密集区域地表温度高于建筑稀疏区域。对于建成区LCZ,北京、天津、石家庄LCZ3(紧密型低层)覆盖区的平均地表温度表现为最高,分别为26.33℃、45.27℃、29.27℃;城市内部的热量易被分散水平低、表面复杂的中高层建筑阻挡,但高度达到一定程度反而会遮挡部分太阳辐射,因此LCZ4(稀疏型高层)地表温度普遍最低,分别为24.80℃、42.97℃、27.05℃。另外,植被和水体能够降低地表温度,裸土和铺设路面的地表温度始终较高。
图4 北京、天津、石家庄局地气候分区LST
当前,极端气候、热岛效应、温室效应等环境问题严重影响城市人居环境与安全,我国致力于发展绿色低碳循环经济体系,以实现碳达峰、碳中和[34—36]。减碳控排与生态文明建设越来越引起人们的关注,局地气候区下的城市热环境研究能够为国土空间规划提供参考。本文以北京、天津、石家庄为研究区域,通过划分局地气候区,利用Landsat 8影像反演地表温度,定量分析了不同类型局地气候的地表温度分异规律,研究表明:
(1)北京、天津、石家庄市区几乎被建筑LCZ填满,密集型建筑分别占比27.54%、21.95%、25.09%,自然LCZ主要位于郊区,城市公园包含了主要的绿地和水体分布。
(2)在空间分布上,建筑覆盖区地表温度较高,热岛效应显著,森林、河流是主要低温区域。
(3)不同气候带的地表温度存在差异,建筑类型LCZ总体高于自然地表LCZ。其中建筑区域内表现为LCZ3(紧密型低层)平均地表温度最高,北京、天津、石家庄分别为26.33℃、45.27℃、29.27℃;LCZ4(稀疏型高层)地表温度普遍最低,分别为24.80℃、42.97℃、27.05℃。植被和水体能够降低地表温度,裸土和铺设路面的地表温度始终较高。
综上所述, 2019年夏季研究区城市内部存在热岛效应,局地气候区视角下的地表温度差异性明显。合理的城市设施布局能够改善通风,缓解城市内部热量聚集,因此,在空间规划与建设中应考虑建筑分布,充分利用植被和水域等降温作用,因地制宜,从而保证区域气候与社会经济的协调发展。
本文的局限性在于以土地覆盖类型为基础的LCZ划分可能会由于尺度问题而出现一定的误差,不能很好地与实际情况相匹配。另外,LCZ对LST的影响可能因为城市规模大小而不同,希望在后续研究中能够深入分析LST的时空分布及变化趋势,使结论更具普遍性。此外,气候背景、数据处理、影像精度等也会对结果造成一定影响。