城市熱環境季相變異及與非滲透地表的定量關系分析
——以廣州市中心區為例

郭冠華，吳志峰，劉曉南

1. 中國科學院廣州地球化學研究所，廣東 廣州 510640；2.中國科學院大學，北京 100049；3. 廣東省生態環境與土壤研究所，廣東省農業環境綜合治理重點實驗室，廣東 廣州 510650；4.廣州大學地理科學學院，廣東 廣州 510006

城市熱環境季相變異及與非滲透地表的定量關系分析
——以廣州市中心區為例

郭冠華1,2,3，吳志峰4*，劉曉南3

1. 中國科學院廣州地球化學研究所，廣東 廣州 510640；2.中國科學院大學，北京 100049；3. 廣東省生態環境與土壤研究所，廣東省農業環境綜合治理重點實驗室，廣東 廣州 510650；4.廣州大學地理科學學院，廣東 廣州 510006

基于遙感衛星影像的熱環境時空格局及與地表特征相關性分析是目前城市熱環境研究的主要內容，但此類研究針對季相變異特征的分析較為缺乏。以廣州市中心區2005年下半年3期不同季相的Landsat TM影像為數據源，提出一種面向對象分割的方法提取城市熱島/冷島分布，并利用重心模型定量其季相變化移動軌跡；采用回歸樹模型構建地表溫度（Land surface temperature, LST）與非滲透地表的關系方程，旨在揭示城市熱環境季相變異性規律。結果表明：（1）隨夏季到深秋，熱島呈現從中心區退出的態勢，南部冷島大面積消失，7月18日至10月22日熱島重心向東移動2.5 km，冷島重心向西北移動3.4 km。10月22日至11月23日冷島重心向西北移動9 km，熱島重心向東南移動8 km；（2）隨季相變化，地表溫度與非滲透地表的正相關關系趨于復雜，二者相關性從7月18日的0.9941降至11月23日的0.8691，對于11月23日數據，使用二次多項式方程更能表達二者的關系；（3）與傳統的線性回歸模型相比，回歸樹模型能更好地模擬地表溫度的空間異質性，非滲透地表的增溫作用存在非線性趨勢，并且二者的關系模型存在明顯的空間異質性。

非滲透地表；季相變異；熱環境；廣州市中心區

城市化及其生態環境效應是近年來地理學與生態學領域研究的重點之一。人類活動導致的溫室氣體排放和土地利用變化都會促進區域日平均溫度的增加（Gallo等，1999），從而加劇城市熱島效應。利用遙感衛星獲取地表溫度是城市熱環境研究的重要數據源。目前基于遙感影像的城市熱環境研究主要集中在兩個方面：一是運用地表溫度數據診斷城市熱環境時空變化格局（Weng等，2014；段金龍等，2011；徐涵秋，2011）；二是分析地表溫度與其它典型城市地表參數（如土地覆被組成和配置）之間的相關性（Buyantuyev等，2010；Guo等，2015；Li等，2011；岳文澤等，2006）。但由于遙感影像獲取條件限制，研究時常常只選用某一時刻的地表溫度數據來反映特定時期內溫度特征，無法全面把握城市熱環境狀況，因此熱環境的季相變異特征仍有待深入分析（Guo等，2015）。城市地表溫度分布是城市下墊面組成的重要反映，并且與時間、空間、大氣邊界層狀況密切相關（Camilloni等，2012）。近年來已有學者發現地表溫度與地表參數之間的關系會隨季節變化而改變，如 Liu等（2008）及Zhou等（2014）在開展地表溫度與景觀格局關系研究時均指出了季相變化的重要性。

城市是一個異常復雜的地域空間，在短時間內（如同一年內），城市內部水體、非滲透地表等地表參數是固定不變的，而地表溫度會受天氣狀況、太陽高度角等因素影響，在利用遙感衛星影像進行城市熱環境分析時，短時期內的熱環境分析結果是否具有季相變異？其變異程度多大？這些變異與地表參數有如何的關系？這些科學問題都有待深入分析。針對這一背景，本文以廣州市中心區為研究對象，提出了一種面向對象的方法診斷城市熱島/冷島格局季相變化，并以非滲透地表表征城市典型地表參數，引入回歸樹模型挖掘非滲透地表對地表溫度的非線性關系及其空間異質性。本論文重點在于揭示利用遙感衛星進行城市熱環境研究時分析結果的季相變異性，以促進人們對城市熱環境格局與變化的理解。

1 研究區域與研究方法

1.1 研究區概況

廣州市（112°57′～114°3′E，22°26′～23°56′N）地處南中國沿海，珠江三角洲中北緣，隔海與香港、澳門相望，是珠三角都市圈的核心城市，被稱為中國的“南大門”。廣州市全市面積約7434.40 km2，2010年常住人口 1270.08萬人，中心城區 772.72萬人，占 60.84%。在城市空間分布上，廣州市城-鄉梯度十分明顯（圖 1）：珠江流經城市中部，兩岸分布著城市化發展成熟的老城區（越秀區、海珠區西部）及新型城市發展區（如天河區CBD），分別向南、北、東3個方向的擴展軸為番禺區、白云區和蘿崗區3個新區。本文的研究區位于廣州市中心城區，包含 126個鎮/街道辦行政單位，面積約1461.66 km2，基本上涵蓋了廣州市城市化主要地域，對城市熱環境研究具有一定的代表性。

圖1 研究區位置示意圖Fig. 1 The location of study area

1.2 數據源與預處理

本研究采用數據源為2005年下半年的Landsat TM遙感影像（行列號：122/44，時相為7月18日、10月22日和11月23日）和SPOT 5融合數據（行列號：284～303和284～304，時相為2006年1月26日和2005年12月20日）。Landsat TM衛星拍攝時間均在上午10:45左右，衛星拍攝當天天氣狀況如表1所示。從表1可知，不同季相影像天氣狀況差別較大，對不同季相背景下廣州市城市熱環境狀況具有一定的代表性。TM影像數據為Level A級產品，參考已通過正射校正和幾何校正 2000年Landsat TM影像，對三景TM影像進行幾何精校正，校正時候共選取 58個控制點，利用最近鄰插值進行進行重采樣，校正后個TM影像均方根誤差均低于 0.5個像元（15 m）。最后使用單窗算法（Qin等，2001a；Qin等，2001b）獲取城市地表溫度分布圖，因單窗算法比較常用，這里不詳細敘述。

表1 Landsat TM影像獲取日期天氣狀況Table 1 Climate condition of Landsat TM acquired dates

1.3 研究方法

1.3.1 城市熱島/冷島聚集區提取

傳統的地表溫度分級方法是基于單一像元的連續特征值轉化為離散的空間數據。這種等級劃分方法會產生“椒鹽效應”（蘇偉等，2007），各像元會被零碎化，忽略了數據中豐富的空間信息（如圖2(A)）。面向對象分割的影像分析技術近年來已經成為遙感研究的熱點，它可以有效解決傳統劃分方法的一些局限性問題（Blaschke，2003，2010；Blaschke等，2000）。本研究利用面向對象方法對地表溫度數據進行影像分割，分割后能獲得感興趣區的溫度邊界，邊界內各溫度像元值具有相似的特征（如強度、紋理等）（圖2(B)）。

圖2 地表溫度密度分割景觀分類(A)與面向對象分割(B)對比Fig. 2 Comparison of density slicing (A) and object-oriented segmentation (B) for a LST image

空間自相關分析具有空間集聚度識別功能，主要應用在探索地理分布變量的非隨機性空間分布上，已在地理、經濟等諸多領域得到應用（Yang等，2012）。空間自相關分析具有包括兩個工具，即全局空間相關性和局部空間相關性。本研究采用局部莫蘭指數（Local Moran’I）進行地表溫度對象的空間聚集度識別，計算如下（Anselin，1995；Anselin等，2006）：

式中，wij為空間權重矩陣， xi和分別為第i個變量值和所有變量的平均值，具體計算在OpenGeoDa 0.9.5-i中實現，結果如圖3和表3所示。計算結果為4種地表溫度集聚類型（Guo等，2015）。

H-H（熱島）：高溫對象被同等級的高溫對象包圍；

L-L（冷島）：低溫對象被低溫對象包圍；

H-L：高溫對象被低溫對象包圍；

L-H：低溫對象被高溫對象包圍。

1.3.2 城市非滲透表面提取

首先運用小波分析結合IHS（Intensity、Hue、Saturation）變換的方法對SPOT 5多光譜波段和全色波段進行融合，然后對兩景融合影像進行拼接，得到2.5 m空間分辨率的多光譜影像。對融合數據進行面向對象分類，主要分類類型包括水體、植被、裸地、陰影和建設用地地表，面向對象分類在eCognition Developer 8.7中完成，分類總體精度為89.6%。完成分類后，將水體、植被、裸地 3種地表類型進行合并，并賦予編碼為 0，而陰影和建設用地重編碼為 1（表示非滲透地表），最后生成非滲透地表二值圖層。考慮到計算量問題，利用ArcGIS生成250 m×250 m的網格，將該網格與分類得到的非滲透地表二值圖進行疊加運算，即可計算整個研究區域每個網格內的非滲透地表比例。

1.3.3 回歸樹模型

回歸樹模型屬于數據結構挖掘的一種技術（Walton，2008；肖榮波等，2007）。數據挖掘技術是一個數據分析的非參數統計過程，其特點是在分析過程中充分利用數據的二叉樹結構，通過對數據樣本的不斷細分，二叉樹節點使得上層數據變量的變異最大，通枝節內部數據變量同質性越近，最后同枝節內樣本趨于同質或剩余數量過少而無法繼續分支而結束分析（張立彬等，2002），回歸樹模型的實質在于以不同規則下（Rule）多組線性模型的方式挖掘數據樣本之間的非線性關系。本文使用回歸樹模型來構建地表溫度與非滲透地表的關系模型，目的在于揭示其關系的內部異質性和空間分布特征（Wylie等，2007）。回歸樹模型通過Cubist 2.08實現。

2 結果與分析

2.1 地表溫度分區統計

從分析各行政區不同季相地表溫度變化狀況（表2）可知，不同季相地表溫度格局變化十分明顯。7月18日荔灣區和越秀區地表溫度最高，平均溫度均有314 K，其次是海珠區、黃埔區和天河區，蘿崗區、白云區和番禺區平均溫度最低。這是因為荔灣區和越秀區是廣州市老城區，內部高密度建筑景觀比例較大。10月22日溫度分布情況與前一時期分布格局變化不大。但到11月23日，地表溫度最高值出現在黃埔區、海珠區、荔灣區和番禺區，溫度均在297 K左右，天河區和越秀區溫度反而較低，溫度最低為白云區和蘿崗區。初步分析結果可以看出，在夏季、秋季再到深秋季節這段時期內，高溫區有從廣州市中心向番禺區等郊區轉移的趨勢。

表2 各行政區不同季相地表溫度平均值Table 2 Mean LST of different districts in various seasons K

表3 各行政區季相日期熱島/冷島面積比例Table 3 Hot/cool island area proportion of different districts in various seasons %

2.2 城市熱島/冷島聚集區時空變化

圖3和表3結果表明，不同季相熱島/冷島聚集區格局變化十分明顯：7月 18日熱島聚集區主要集中在市中心及周邊行政區中心鎮位置，如海珠區中西部、白云區南部和番禺區市橋鎮，其中荔灣區熱島面積比例最大，為52.14%；其次為越秀區和海珠區、蘿崗區面積比例最少。10月22日熱島聚集區開始出現退出市中心的態勢，特別是越秀區和荔灣區熱島比例分別降至6.96%和15.46%，番禺區中心位置熱島面積則快速增加，至11月23日面積比例達29.95%（表3）。冷島集聚區主要集中在林地景觀面積較大的北部山區和以水塘、農田景觀為主東南部區域，隨時間推移，南部冷島聚集區開始消失，如番禺冷島面積比例降至3.15%，且主要分布在番禺西部的幾大森林公園位置（圖3，c）。

圖3 研究區不同季相熱島/冷島聚集區分布特征Fig. 3 Spatial distribution of hot/cool island in different seasons

采用重心模型（段翰晨等，2012），定量熱島/冷島移動格局，結果如圖4所示。7月18日至10月22日間，雖然兩期數據相差約3個月，但其熱島和冷島重心變化相比后一個時間段要小，熱島重心向東移動2.5 km，冷島重心向西北移動3.4 km。10月22日至11月23日期間，冷島重心向西北移動9 km，熱島重心向東南移動8 km。結合圖3可以看出，11月23日廣州市東南位置上冷島基本消失，熱島面積優勢十分明顯，這可能是因為該地區水田較多，天冷時節大量水體溫度比周邊陸地地表溫度高，表現為“熱島”。由上述分析可知，廣州市中心區的熱環境格局受季相變異特征十分明顯。

圖4 不同季相影像熱島/冷島重心轉移狀況Fig. 4 Changes of hot/cool islands centroid in different seasons

2.3 地表溫度與非滲透地表回歸樹關系建模

已有研究表明，城市非滲透表面對地表溫度具有很強的指示意義（Li等，2011；Xiao等，2007）。短時間內城市非滲透表面變化是微乎其微的，本小節重點揭示地表溫度與非滲透地表的統計關系及其季相變異性。首先統計非滲透地表每個 1%的間距范圍內平均地表溫度值，繪制相關性散點圖（圖5a、b、c）。從圖中可以看出，總體上地表溫度與非滲透地表呈正相關關系，隨季相變化這種正相關呈現減弱態勢：7月18日地表溫度與非滲透地表的線性關系R2為0.9882以上，相關系數達0.9941；10月22日，這種線性關系稍有減弱，用二次多項式方程能更好表達它們之間的關系，r2也達到0.9887。到11月23日，線性回歸方程僅能表達75%的地表溫度變異性，而利用二次多項式時可以提高到93%。由此可知，從夏季到深秋季節，二者線性關系不斷減弱，非滲透地表對城市熱環境的指示作用下降，二者二次多項式關系逐漸增強，其影響機制也趨于復雜。

已有很多文獻利用線性回歸方法構建地表溫度和非滲透地表的關系模型（肖榮波等，2007；Xiao等，2007），本文引入回歸樹的方法嘗試建立二者的非線性關系。圖5d、e、f為基于回歸樹規則劃分的地表溫度和非滲透地表散點圖狀況，圖中顯示隨季相變化二者關系趨于復雜，前兩個時期用兩個規則就可以把二者的復雜關系表達出來，樣本分割的閾值分別為14.73和19.55；11月23日二者關系比較復雜，回歸樹結果得到3個規則，樣本分割閾值為17.80和32.48。

圖5 不同季相影像地表溫度與非滲透地表散點圖Fig. 5 Scatterplots of LST vs. impervious surface for three seasons

此外，本文同時對比了回歸樹和傳統線性回歸模型在預測地表溫度時的性能表現，結果如表4所示，其中IS為非滲透地表，相關性為Pearson計算得到的相關系數。在預測性能方面，回歸樹在各個季相上均優于線性回歸模型，如對于10月22日影像線性回歸得到的表達式僅能表達地表溫度 58%的空間異質性，而回歸樹模型可以提高到62%。而且，對比不同季相相關性和R2兩個參數發現，隨季相變化研究區地表溫度異質性增強，回歸樹模型的優勢也更為突出，如7月18日回歸樹比線性回歸R2提升1%，到11月23日則提升了8%。

相比與線性回歸模型，回歸樹模型得到的是不同情景下的關系方程，而這些關系方程顯示非滲透地表對地表溫度的增溫顯然是不一樣的（表 4）。分析發現，在非滲透地表高值區中，非滲透地表的增溫作用遠小于低值區，如7月18日影像的非滲透地表比例大于14.73%時，非滲透地表提高1%地表溫度僅增加0.066 K，而在低值區1%的非滲透地表增加會形成0.129 K的增溫，其它季相數據也有類似的結論。

為進一步揭示地表溫度與非滲透地表關系模型的空間異質性，將各季相獲得的規則投影到研究區上（圖6），利用IKONOS高空間分辨率影像識別與規則相對應的典型地表景觀特征（圖 7）。總體上，由于回歸樹結果的規則劃分（見表 4），地表溫度與非滲透地表的關系模型在空間上可以分為建筑區和植被水體區（圖 6）：建筑區內以建筑用地為主導，綠地、水體等生態用地面積比例較少（圖 7a）；植被水體區內建筑用地較少，主要的地表景觀類型為大面積的植被覆蓋和水體（圖7b），如廣州北部林區和珠江河道。在11月23日，規則1的斑塊變得零散，規則3主要沿規則1和規則2的邊界零星分布，地表景觀類型主要為農田裸地和遍布沙土的開發區（圖7c）。不同季相規則格局對比發現，規則1減少趨勢比較明顯，減少的位置主要集中在南部番禺區中心位置。

表4 不同季相地表溫度與非滲透地表回歸樹模型及其與線性回歸模型比較Table 4 Comparison of regression tree and linear regression in modeling LST and impervious surface relationship

圖6 不同季相影像回歸樹模型規則空間分布Fig. 6 Spatial distribution of different rules in various seasons

圖7 不同規則下典型地表景觀狀況Fig. 7 Typical surface landscape characteristics of different rules

3 討論

地表溫度是一個復雜的生態參數，它與地表覆蓋物的理化性質緊密相關，是地表熱性質的反饋因子，另一方面也受大尺度瞬時的城市邊界天氣環境深刻影響，但前者在短時間內相對穩定，而后者則時空變化十分明顯。本研究從季相變異的角度分析熱環境格局及其與非滲透地表相關性。研究結果表明，廣州市中心區2005年下半年內地表溫度熱島/冷島集聚區分布格局季相差異十分明顯，7月18日廣州市城區內熱島面積較大，熱島效應十分顯著，而隨季相變化和城市整體地表溫度下降，熱島開始出現從市中心區退出的態勢，到 11月下旬，廣州市城市熱島主要集中在南部的番禺區，同時原本在南部大片分布的冷島也開始消失。

研究發現地表溫度與非滲透地表的正相關關系隨季相變化逐漸減弱，二者關系趨于復雜，說明非滲透地表對地表溫度的指示作用在下降，二者空間上的正相關格局變得不完全重合。暗示著除非滲透地表外，還有其它隨季相變化的生態參數密切影響著城市熱環境的演變過程。此外，本文還提出用回歸樹模型來建立地表溫度與非滲透地表之間的關系方程。研究表明相對于傳統的線性回歸方法，回歸樹模型能在不同的季相中更好地模擬地表溫度的異質性，同時也揭示出不同等級非滲透地表的增溫作用差異。回歸樹模型的優勢在于挖掘地表溫度和非滲透地表數據樣本的潛在關系，識別出分割閾值而產生不同的規則，使得非滲透地表能夠在多個層面表達地表溫度的異質性。

廣州市處于我國南方典型的多云多雨地區，全年不同季相的光學影像往往難以獲得，本研究僅使用了2005年下半年3個時期的Landsat TM影像，難以全面反映廣州市的熱環境狀況。而且僅用地表溫度數據表征城市熱島格局有一定的局限性，日后研究需要結合氣象站點或自主實測的溫度結果與遙感影像地表溫度進行對比分析。后續研究也需要考慮城市近地表、城市冠層和城市邊界層等不同尺度上的熱環境狀況來系統把握城市熱環境變化規律。

ANSELIN L. 1995. Local indicators of spatial association—LISA[J]. Geographical analysis, 27(2): 93-115.

ANSELIN L, SYABRI I, KHO Y. 2006. GeoDa: an introduction to spatial data analysis[J]. Geographical analysis, 38(1): 5-22.

BLASCHKE T. 2003. Object-based contextual image classification built on image segmentation, in: Advances in Techniques for Analysis of Remotely Sensed Data, 2003 IEEE Workshop on, IEEE: 113-119.

BLASCHKE T. 2010. Object based image analysis for remote sensing[J]. ISPRS journal of photogrammetry and remote sensing, 65(1): 2-16.

BLASCHKE T, LANG S, LORUP E, et al. 2000. Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[J]. Environmental information for planning, politics and the public, 2: 555-570.

BUYANTUYEV A, WU J. 2010. Urban heat islands and landscape heterogeneity: linking spatiotemporal variations in surface temperatures to land-cover and socioeconomic patterns[J]. Landscape Ecology, 25(1): 17-33.

CAMILLONI I, BARRUCAND M. 2012. Temporal variability of the Buenos Aires, Argentina, urban heat island[J]. Theoretical and Applied Climatology, 107(1-2): 47-58.

GALLO K P, OWEN T W. 1999. Satellite-based adjustments for the urban heat island temperature bias[J]. Journal of Applied Meteorology, 38(6): 806-813.

GUO G H, WU Z F, XIAO R B, et al. 2015. Impacts of urban biophysical composition on land surface temperature in urban heat island clusters[J]. Landscape and Urban Planning, 135: 1-10.

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

LIU H, WENG Q H. 2008. Seasonal variations in the relationship between landscape pattern and land surface temperature in Indianapolis, USA[J]. Environmental monitoring and assessment, 144(1-3): 199-219.

QIN Z H, KARNIELI A, BERLINER P. 2001a. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 22(18): 3719-3746.

QIN Z H, DALL'OLMO G, KARNIELI A, et al. 2001b. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 106(D19): 22655-22670.

WALTON J T. 2008. Subpixel Urban Land Cover Estimation: Comparing Cubist, Random Forests, and Support Vector Regression[J]. Photogrammetric Engineering & Remote Sensing, 74(10): 1213-1222.

WENG Q H, FU P. 2014. Modeling annual parameters of clear-sky land surface temperature variations and evaluating the impact of cloud cover using time series of Landsat TIR data[J]. Remote Sensing of Environment, 140: 267-278.

WYLIE B K, FOSNIGHT E A, GILMANOV T G, et al. 2007. Adaptive data-driven models for estimating carbon fluxes in the Northern Great Plains[J]. Remote Sensing of Environment, 106(4): 399-413.

XIAO R B, OUYANG Z Y, ZHENG H, et al. 2007. Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing, China[J]. Journal of Environmental Sciences, 19(2): 250-256.

YANG Z S, SLIUZAS R, CAI J M, et al. 2012. Exploring spatial evolution of economic clusters: A case study of Beijing[J]. International Journal of Applied Earth Observation and Geoinformation, 19: 252-265.

ZHOU W Q, QIAN Y G, LI X M, et al. 2014. Relationships between land cover and the surface urban heat island: seasonal variability and effects of spatial and thematic resolution of land cover data on predicting land surface temperatures[J]. Landscape Ecology, 29(1): 153-167.

段翰晨, 王濤, 薛嫻, 等. 2012. 科爾沁沙地沙漠化時空演變及其景觀格局[J]. 地理學報, 67(7): 917-928.

段金龍, 宋軒, 張學雷. 2011. 基于 RS的鄭州市城市熱島效應時空演變[J]. 應用生態學報, 22(1): 165-170.

蘇偉, 李京, 陳云浩, 等. 2007. 基于多尺度影像分割的面向對象城市土地覆被分類研究——以馬來西亞吉隆坡市城市中心區為例[J]. 遙感學報, 11(004): 521-530.

肖榮波, 歐陽志云, 蔡云楠, 等. 2007. 基于亞像元估測的城市硬化地表景觀格局分析[J]. 生態學報, 27(8): 3189-3197.

徐涵秋. 2011. 基于城市地表參數變化的城市熱島效應分析[J]. 生態學報, 31(14): 3890-3901.

岳文澤, 徐建華, 徐麗華. 2006. 基于遙感影像的城市土地利用生態環境效應研究——以城市熱環境和植被指數為例[J]. 生態學報, 26(5): 1450-1460.

張立彬, 張其前. 2002. 基于分類回歸樹(CART)方法的統計解析模型的應用與研究[J]. 浙江工業大學學報, 30(4): 315-318.

Seasonal Variations of Urban Heat Environment and Its Relationship to Impervious Surface: A Case Study of Guangzhou Core Urban Area

GUO Guanhua1,2,3, WU Zhifeng4*, LIU Xiaonan3
1. Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China；3. Guangdong Key Laboratory of Agricultural Environment Pollution Integrated Control, Guangdong Institute of Eco-Environmental and Soil Sciences, Guangzhou 510650, China; 4. School of Geographical Sciences, Guangzhou University, Guangzhou 510006, China

Pattern analysis of urban heat environment and modeling its driving factors are the two aspects in studies with the use of remote sensing images (e.g. Thermal band in Landsat TM). However, impacts of remote sensing images seasonal selection on urban heat environment analysis remain a challenge for researchers. We took Guangzhou city as a study area, and attempted to characterize the behaviors of urban thermal pattern and variations of relationship between LST and impervious surfaces over three thermal images from Landsat TM5 in 2005. We proposed an Object-oriented segmentation method to extract hot/cool islands and characterized their seasonal variations pattern with centroid method. Additionally, we modeled the LST-impervious surfaces relationship with regression tree. We found that: (1) From July 18 to November 23, hot islands tend to disappear from the urban core area and cool islands tend to disappear from the southern of Guangzhou. Centroid of hot islands shifts to eastern with 2.5km while centroid of cool islands shifts to north-western with 3.4 km form July 18 to October 22. And Centroid of cool islands shifts to north-western with 9 km while centroid of hot islands shifts to south-eastern with 8km form October 22 to November 23. (2) Pearson’s relationship between LST and impervious surfaces decrease from 0.9941 in July 18 to 0.8691 in November 23. Quadratic polynomial model shows better performances in November 23. (3) Compared to traditional linear regression, regression tree model is able to estimate more heterogeneity of LST. Results of regression tree indicates the impacts of impervious surface on LST is nonlinear and their distribution of equation are of spatial heterogeneity.

impervious surfaces; seasonal variations; urban heat environment; Guangzhou Core Urban Area

10.16258/j.cnki.1674-5906.2015.02.014

X16

A

1674-5906（2015）02-0270-08

郭冠華，吳志峰，劉曉南. 城市熱環境季相變異及與非滲透地表的定量關系分析——以廣州市中心區為例[J]. 生態環境學報, 2015, 24(2): 270-277.

GUO Guanhua, WU Zhifeng, LIU Xiaonan. Seasonal Variations of Urban Heat Environment and Its Relationship to Impervious Surface: A Case Study of Guangzhou Core Urban Area [J]. Ecology and Environmental Sciences, 2015, 24(2): 270-277.

國家自然科學基金項目（41171446；41201543）；廣州市屬高校“羊城學者”科研項目（12A002G）

郭冠華（1986年生），男，博士研究生，從事城市熱環境研究。E-mail:gghgiser@qq.com *通訊作者：E-mail: gzuwzf@163.com

2015-01-06