基于用戶興趣點數據與Landsat遙感影像的城市熱場空間格局研究

韓善銳,韋 勝,周 文,張明娟,陶婷婷,邱 廉,劉茂松,徐 馳,*

1 南京大學生命科學學院,南京 210023 2 江蘇省城市規劃設計研究院,南京 210036 3 南京農業大學園藝學院,南京 210095

基于用戶興趣點數據與Landsat遙感影像的城市熱場空間格局研究

韓善銳1,韋 勝2,周 文2,張明娟3,陶婷婷1,邱 廉1,劉茂松1,徐 馳1,*

1 南京大學生命科學學院,南京 210023 2 江蘇省城市規劃設計研究院,南京 210036 3 南京農業大學園藝學院,南京 210095

地圖用戶興趣點(POI)數據能夠反映微觀尺度上城市系統中的人類活動。利用2015年夏季Landsat 8遙感影像提取了南京市地表溫度和主要土地覆蓋類型,利用空間與非空間多元回歸模型在2、5、10 km 3個尺度上研究了地表溫度與同期POI密度及植被和水體蓋度的相關性,并利用方差分解技術定量區分人類活動因子(POI密度)及生態基礎設施(植被和水體蓋度)對城市熱場的相對重要性。結果表明,在3個觀測尺度上,POI密度與地表溫度均存在極顯著的正相關(P<0.001),且相關性隨觀測尺度的增大而升高。植被和水體均具有顯著的降溫效應,水體蓋度與地表溫度的相關性僅在2 km尺度上顯著,在5 km和10 km尺度上其降溫效應不再顯著。方差分解結果表明,人類活動因子和生態基礎設施對地表溫度的獨立解釋率為1.6%—15%,而二者共同解釋率達到了40%—70%。研究表明POI作為城市功能節點可以綜合反映城市中人類活動的熱源強度,在城市熱場空間格局研究中是一種可與遙感數據互補的有用數據源。

城市熱島；地表溫度；用戶興趣點；空間分析；方差分解

Abstract： Point of interest (POI) in digital maps can effectively reflect human activities in urban systems at micro spatial scales. We retrieved land surface temperature (LST) in the Nanjing metropolitan region from a Landsat 8 image, and examined LST in relation to POI density, as well as vegetation and water cover at three spatial scales, namely, 2, 5, and 10 km. The relative importance of human factors (represented by POI density) and ecological facilities (represented by vegetation and water cover) on the thermal field patterns was quantitatively distinguished using simultaneous autoregressive models and the variation partitioning technique. The results showed that POI density and LST exhibit significantly positive correlations (P< 0.001) that are generally amplified with increasing observational scale. Vegetation and water cover played a significant role in reducing LST; however, this cooling effect from water cover was detected only at the 2-km scale. At all three studied scales, the results from variation partitioning showed that human factors shared a considerable proportion of explanatory power with ecological facilities (40%—70%), whereas the unique explanatory power of human factors and ecological facilities ranged between 1.6% and 15%. POIs characterize urban functional nodes and can thereby serve as an effective indicator of the intensity of anthropogenic heat sources. Our results suggested that POI could be a useful data source for the study of urban thermal fields, which is complementary to remotely sensed information.

KeyWords: urban heat island; land surface temperature; point of interest; spatial analysis; variation partitioning

隨著全球范圍內城市化進程的加速,城市居民現已占據了全世界人口的半數以上[1]。伴隨著城市規模的快速擴張,人類活動對生態系統產生了多種影響,其中一個重要方面是自然景觀被硬質化不透水面所取代[2],導致城市的熱島效應加劇,并對城市居民的健康產生負面影響[3]。理解城市熱場的空間格局特征及其形成機制對于合理布局城市綠地與水體等生態基礎設施,提高人居環境質量具有重要的現實意義[4]。

下墊面特征和人類活動是影響城市熱場的主要因素[5-6]。相關研究表明,下墊面類型的不同組合方式對城市熱場分布的影響存在顯著差異[7],其中城市地表溫度的高低主要與不透水面比例有關[8],但其相關關系存在顯著的時空尺度依賴性,并受到城市氣候條件的影響[2]。同時,城市內部的人類活動在城市熱場的格局形成扮演重要的角色[9]。Ryu等研究發現人為熱源、不透水面與城市三維建筑結構是影響城市熱島效應形成的3個主要因素[10]。岳文澤等研究表明,上海主城區內建筑與人口密度、工業區布局、下墊面屬性以及城市景觀多樣性是影響城市熱環境空間格局的主導因子[11]。在以往城市熱場影響要素的研究中,下墊面性質的信息可利用多源遙感影像進行分類提取或定量反演來獲得[12-13],相比之下,精細尺度上人類活動數據的缺乏限制了熱場形成機制研究的深入。

近年來隨著互聯網技術的發展,城市海量數據逐漸應用于城市空間結構、社會關系動態等相關研究中,并取得了一系列新穎的成果[14-15]。其中,用戶興趣點(POI)是(通常在電子地圖或其他應用軟件中)用于描述城市空間內工業、商業、服務、生態等城市功能設施的分布的點狀空間數據,早期主要用于導航、地圖位置查詢等功能；隨著數據量的不斷積累和地圖精度的提高,POI內蘊含豐富的城市空間信息受到地理學、經濟學、流行病學等多領域的關注[16]。POI數據所表征的城市設施是城市系統中人類活動的主要載體,POI可以記錄其精確地理位置以及特定時段內人類活動的定量信息(如訪客數量),從而能夠在精細空間尺度上反映人類活動的類型、強度等,因此有潛力成為精細尺度上城市景觀格局驅動機制研究的有用數據源。

本文以南京城市景觀為研究對象,利用Landsat 8影像的熱紅外通道數據反演南京城市地表溫度,利用多元統計分析技術,在多個空間尺度上研究POI數據對人類活動與地表溫度之間的相關性,并進一步分析了POI表征的人類活動因子與植被和水體蓋度對于城市熱場影響的相對重要性,以期深入理解城市熱場的空間格局,并為城市生態基礎設施建設提供參考。

1 研究地區與研究方法

1.1 研究區概況

南京市(31°14′ — 32°36′ N, 118°22′ — 119°14′ E)位于長江下游平原區,地跨長江兩岸,三面環山,屬亞熱帶季風氣候區,四季分明,年平均氣溫15.3 ℃。作為長江三角洲城市群的核心城市之一,南京市市域面積6598 km2,2015年總人口823.59萬人。本研究選取南京主城周邊(不包括位于南京市域南部的溧水、高淳2區)為研究區域,總面積約4550 km2。

1.2 數據來源及預處理

本研究選用Landsat 8影像(path/row：120/38),成像時間為2015年09月02日10:37,成像時刻研究區域無云覆蓋,成像條件較好。影像預處理包括輻射定標和大氣校正(FLAASH模型)以及幾何校正(誤差控制在0.5個像元以內)。

POI數據是表征城市系統中城市設施實體的點狀數據,包括了公司企業、餐飲、購物、住宿、生活服務、教育、醫療、政府機構及交通設施等21個類型。POI數據通過百度地圖提供的應用程序編程接口,通過地圖要素抓取程序從百度地圖上獲得。在百度地圖坐標系下依次分類抓取POI的相關信息(名稱、地理坐標等)并存為JSON(JavaScript Object Notation)格式。基于JSON數據解析生成ESRI Shape格式的POI點狀要素并建立地理坐標系。

研究中采用歸一化差值植被指數(NDVI)作為植被蓋度的指標。水體蓋度信息的獲取采用改進的歸一化差值水體指數(modified normalized difference water index,MNDWI)[17]。該指數可有效用于地表水體提取,相關研究表明對建筑物聚集的城市水體信息提取具有較高的適用性[18]。MNDWI指數通過以下公式計算：

MNDWI=(ρgreen-ρmir)/(ρgreen+ρmir)

(1)

式中,ρgreen和ρmir分別為綠光波段(對應于Landsat 8第三波段)和中紅外波段(對應于Landsat 8第六波段)反射率。

1.3 地表溫度反演

研究采用單窗算法利用Landsat 8數據的熱紅外波段(band 10)進行地表溫度反演[19],反演公式為：

(2)

式中,LST為真實地表溫度,T10為亮度溫度,Ta為大氣等效溫度(Ta=16.011+0.92621T0,T0為近地表空氣溫度)；k為系數,C10和D10為中間變量(C10=e10t10,D10=(1-t10)[1+t10(1-e10)],t10為大氣透過率,e10為地表比輻射率)。大氣透過率t10利用Landsat 8影像數據的大氣水汽含量(w)和大氣透過率(t10)關系進行估算；大氣水汽含量則通過相對濕度(RH)和近地表空氣溫度(T0)進行估算；地表比輻射率e10取值見文獻[20]。詳細的單窗算法參見[21]。

1.4 統計分析

考慮到城市熱場與其影響因素間響應關系往往具有明顯的尺度效應[2,22],本文分別將研究區劃分為2 km×2 km、5 km×5 km、10 km×10 km 3種大小的空間單元進行多尺度研究。網格單元大小主要根據POI數據分布狀況與研究區范圍設定：取樣單元過小(< 2 km)將產生大量POI數量為零的網格,而過大的網格單元(> 10 km)可能導致后續統計的樣本數量不足。分別統計3個尺度下各網格內POI密度、地表溫度均值、水體的百分蓋度、植被覆蓋區域的NDVI均值(每個網格內無植被覆蓋區域不納入統計)。

統計分析之前對POI密度和水體蓋度進行對數變換,使得變換后數據基本呈正態分布。首先利用基于最小二乘(OLS)模型的單因素回歸分析在3個觀測尺度上分別檢測POI密度以及植被和水體蓋度與城市地表溫度的相關關系。進一步建立多元回歸模型以比較這3個因素的效應。考慮到可能普通最小二乘模型的殘差存在空間自相關有可能增加犯I型錯誤的概率并影響參數估計的準確性,利用空間自回歸(simultaneous autoregressive, SAR)模型來進一步評估各因子系數及其顯著性[23]。本文選擇誤差項中的自回歸SARerr模型[23]。考慮到植被與水體的對于城市熱場的降溫效應已得到廣泛關注[8,24],本研究中首先建立基于水體與植被蓋度模型(生態基礎設施模型),在此基礎上再進一步加入POI密度(全模型),通過比較模型的AIC與R2來觀察POI密度是否可以有效增加模型的擬合優度,并利用方差分解技術來定量區分人類活動因子(POI密度)與生態基礎設施(植被/水體蓋度)對城市熱場影響的相對重要性。POI、植被蓋度及水體蓋度之間的Pearson相關系數均小于0.5,表明不存在明顯的多重共線性問題。

遙感數據處理在ENVI 5.1和ArcGIS 10.2中完成,統計分析在R 2.11.1中完成。

2 結果

2.1 地表溫度與POI密度、植被及水體蓋度的相關性

基于單窗算法反演得到的地表真實溫度與POI點要素分布總體上呈現出較為一致的格局特征：城市POI分布在長江以南的主城區相對集中,而偏離主城區的POI分布相對離散。研究區主城區地表溫度明顯高于城市邊緣區和以農村為主的郊區,呈現顯著的熱島效應。城市熱場內部分布存在明顯的空間分異,熱場高溫區呈現多核心的特征,熱場分布與POI總體格局基本一致,但在部分地區存在差異(圖1)。

圖1 研究區地表溫度空間格局與POI點要素分布圖Fig.1 Spatial distributions of land surface temperature and points of interest in the study area

為進一步揭示POI及植被與水體蓋度對熱場格局形成的影響,利用單因素回歸分析研究地表溫度與POI密度、植被及水體蓋度的相關性。結果表明(圖2),3種分析尺度下POI密度與地表均溫均呈極顯著正相關(P< 0.001),且作用強度隨分析尺度的增大而升高。植被蓋度(NDVI)在3個觀測尺度上均與地表均溫存在極顯著負相關(P< 0.001),隨觀測尺度增大,相關性逐漸增強。水體蓋度與地表均溫僅在2 km尺度存在極顯著負相關(P< 0.001),在5 km和10 km觀測尺度下,水體蓋度與地表溫度相關性不顯著(P> 0.05)。

圖2 地表溫度在3種尺度下和POI密度、植被/水體蓋度回歸分析Fig.2 Regression analysis between POI density, vegetation/water cover and land surface temperature at three observational scales

2.2 人類活動及生態基礎設施對城市熱場的影響

考慮到水體與植被的降溫作用和人類活動同時影響城市熱場的格局,進一步利用多元回歸模型研究這幾個因素的相對重要性。3個尺度上生態基礎設施模型(植被/水體蓋度)與全模型(POI和植被/水體蓋度)的擬合結果表明,隨著觀測尺度的增大,全模型及基于植被和水體蓋度的SAR模型解釋率(R2)均逐漸升高(表1)。為了有效識別人類活動因子及生態基礎設施各自在熱場形成過程中解釋能力差異,基于SAR模型中非空間部分的解釋率進行方差分解。研究發現,人類活動因子和生態基礎設施的總體解釋率隨觀測尺度的增大而升高,且在10 km尺度下總體解釋率達到最高,為74.5%(圖3)。考察兩類因子對地表溫度的獨立解釋率,發現人類活動因子獨立解釋率低于生態基礎設施,且隨著分析尺度的減小而逐漸升高,表明POI密度在較小觀測尺度上對城市熱場的解釋能力相對較強。生態基礎設施獨立解釋率在3種觀測尺度上均高于人類活動因子,并隨分析粒度的升高而降低。綜合考察兩類因子的交叉解釋率發現,人類活動因子和生態基礎設施的交叉解釋率明顯高于兩者獨立解釋率之和,且隨著觀測尺度的增大,交叉解釋率逐漸升高。

圖3 人類活動因子及生態基礎設施對于地表溫度解釋率的分解Fig.3 Variation partitioning between human activities and ecological facilitiesA為人類活動因子(由POI密度所表征),B為生態基礎設施(包括水體與植被蓋度)

3 討論與結論

在城市熱場格局及其驅動因素的以往研究中,所關注的要素類型和采用的技術途徑種類多樣[25],概括起來主要包括：1)地表覆蓋對城市熱場的影響；2)景觀的空間結構對城市熱場的影響；3)城市人為熱源、人口密度及能量消耗等的人類活動強度對城市熱場的影響。這些研究結果表明城市熱場的形成是人類活動與環境因素共同作用的結果。其中大量研究表明,城市景觀中的植被和水體等生態基礎設施能夠顯著緩解城市熱島效應[26-27]。本研究進一步證實,植被和水體蓋度與地表溫度具有顯著的負相關關系。在2—10 km的觀測尺度上植被蓋度的降溫效應均達到極顯著水平；水體蓋度僅在2 km尺度表現出顯著的降溫效應,而在5 km和10 km則未達到顯著水平,可能是由于在較大觀測尺度上水體面積占比普遍較小,不足以產生顯著的降溫效應。

表1地表溫度在3種尺度下普通最小二乘法與空間自回歸模型結果

Table1Performanceoftheordinaryleastsquare(OLS)andsimultaneousautoregressive(SAR)modelsexplainingtheLSTpatternsatthreeobservationalscales

模型變量Modelvariables普通最小二乘模型OLSmodel空間自回歸模型SARmodel標準化系數估計值±標準誤Estimatedvalue±SER2AIC標準化系數估計值±標準誤Estimatedvalue±SER2AIC2km生態基礎設施模型Ecologicalfacilitiesmodel0.587***4311.900.853***3428.3植被蓋度Vegetationcover-2.066±0.055***-1.438±0.064***水體蓋度Watercover-1.129±0.055***-0.681±0.043***全模型Fullmodel0.667***4076.780.865***3300.2興趣點密度POIdensity1.031±0.063***0.673±0.057***植被蓋度Vegetationcover-1.420±0.063***-1.343±0.061***水體蓋度Watercover-0.694±0.056***-0.609±0.041***5km生態基礎設施模型Ecologicalfacilitiesmodel0.678***621.080.872***489.53植被蓋度Vegetationcover-2.112±0.109***-1.826±0.111***水體蓋度Watercover-1.001±0.109***-0.968±0.077***全模型Fullmodel0.736***585.680.897***451.51興趣點密度POIdensity0.904±0.142***0.699±0.104***植被蓋度Vegetationcover-1.346±0.155***-1.420±0.116***水體蓋度Watercover-0.626±0.115***-0.753±0.076***10km生態基礎設施模型Ecologicalfacilitiesmodel0.716***132.680.890***106.78植被蓋度Vegetationcover-2.166±0.219***-1.700±0.218***水體蓋度Watercover-0.854±0.219***-0.642±0.157***全模型Fullmodel0.732***131.140.892***107.55興趣點密度POIdensity0.686±0.3750.276±0.246植被蓋度Vegetationcover-1.406±0.467**-1.443±0.315***水體蓋度Watercover-0.513±0.283-0.511±0.194**

***P<0.001,**P<0.01

城市中居民的絕大多數活動都是在其住所與工作單位、商場、學校、公園、公交站點等各種城市功能節點之間完成。POI可以在微觀尺度上詳細表征城市功能節點的空間分布,因此在POI密集的區位上城市居民的密度及其活動強度也相應越高,人類活動所釋放熱量也越高。雖然不同類型的功能節點,甚至相同類型的不同節點之間可能具有較大差異,但可以推測在適當的觀測尺度上,POI的總體密度可能是表征城市熱環境的有效指標。本研究結果證實POI密度與地表均溫存在極顯著的正相關關系。通過統計模型的比較發現,在單純基于地表覆蓋因子的模型中加入POI密度可以顯著增加模型的擬合優度,表明在揭示城市熱場的空間格局特征方面,POI的確可以提供有效的信息,這些信息與遙感信息可以互為補充,共同解釋城市熱場格局的空間異質性。

人類活動因子和生態基礎設施對地表溫度表現出較高的共同解釋率(40%—70%),表明城市熱場的形成受到人類活動和生態基礎設施的共同作用。在3個尺度的SAR模型中,人類活動的解釋能力略低于生態基礎設施,隨著觀測尺度增大,兩者獨立解釋能力均逐漸減弱,交叉解釋率顯著升高。研究結果表明,人類活動與生態基礎設施對城市熱場的影響具有尺度依賴性。雖然人類活動因子解釋能力略低于生態基礎設施,其在2 km尺度上最高的解釋能力一定程度上說明POI能夠作為精細尺度上城市熱場研究的有效指標。

有研究表明,在較小分析尺度上影響地表溫度的要素變得復雜,有更多變量需要考慮,如局部的空氣流動,區域地表三維結構等都可能影響微尺度下熱場分布[28]。一般分析尺度越大,地表溫度與城市景觀類型占比等參數之間的相關性越強,并且對地表溫度建模的擬合度越好[29]。本研究通過回歸分析及多元回歸建模也發現,人類活動因子和生態基礎設施與地表溫度的相關性隨著觀測尺度的增大而增強,相應的模型擬合效果也越好。

城市熱環境受到人類活動與下墊面性質等多種因素的綜合影響。大量研究表明,多源遙感數據可有效用于定性和定量提取下墊面信息,并在城市熱場空間格局形成機制研究中取得了良好的效果。然而在地表覆蓋狀況相似的條件下,不同人類活動影響下的地表溫度也可表現出明顯差異,因此充分理解城市熱場的形成機制需要在遙感分析的基礎上結合能夠準確表征人類活動的數據。以往研究中人類活動因子指標主要包括人口密度、能量消耗等[11],由于缺少高精度的數據源,這些指標通常無法用于在精細尺度上解釋熱場成因。本研究發現,POI作為城市功能節點可以綜合反映城市中人類活動的熱源強度,可以成為遙感信息的有效補充。其中,僅POI密度指標即可明顯提高熱場格局的解釋率。隨著網絡技術的發展,城市系統中可獲得的POI數據逐漸增加,精度也相應提升,POI數據中的豐富信息有待于深入挖掘。例如,POI數據中關于城市設施的類型以及特定設施中人口流動通量等信息可能有助于深入開展城市熱島效應的機理分析。以POI為代表的城市大數據在城市生態學中應用的普及將有效促進復雜城市系統中格局與過程的理解。

[1] Liu Z F, He C Y, Zhou Y Y, Wu J G. How much of the world′s land has been urbanized, really? A hierarchical framework for avoiding confusion. Landscape Ecology, 2014, 29(5): 763- 771.

[2] Ma Q, Wu J G, He C Y. A hierarchical analysis of the relationship between urban impervious surfaces and land surface temperatures: spatial scale dependence, temporal variations, and bioclimatic modulation. Landscape Ecology, 2016, 31(5): 1139- 1153.

[3] Su Y F, Foody G M, Cheng K S. Spatial non-stationarity in the relationships between land cover and surface temperature in an urban heat island and its impacts on thermally sensitive populations. Landscape and Urban Planning, 2012, 107(2): 172- 180.

[4] Zhou W Q, Qian Y G, Li X M, Li W F, Han L J. 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. Landscape Ecology, 2014, 29(1): 153- 167.

[5] Coseo P, Larsen L. How factors of land use/land cover, building configuration, and adjacent heat sources and sinks explain urban heat islands in Chicago. Landscape and Urban Planning, 2014, 125: 117- 129.

[6] Li J X, Song C H, Cao L, Zhu F G, Meng X L, Wu J G. Impacts of landscape structure on surface urban heat islands: a case study of Shanghai, China. Remote Sensing of Environment, 2011, 115(12): 3249- 3263.

[7] Kuang W H, Liu Y, Dou Y Y, Chi W F, Chen G S, Gao C F, Yang T R, Liu J Y, Zhang R H. What are hot and what are not in an urban landscape: quantifying and explaining the land surface temperature pattern in Beijing, China. Landscape Ecology, 2015, 30(2): 357- 373.

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

[9] 謝苗苗, 王仰麟, 付梅臣. 城市地表溫度熱島影響因素研究進展. 地理科學進展, 2011, 30(1): 35- 41.

[10] Ryu Y H, Baik J J. Quantitative analysis of factors contributing to urban heat island intensity. Journal of Applied Meteorology and Climatology, 2012, 51(5): 842- 854.

[11] 岳文澤, 徐建華. 上海市人類活動對熱環境的影響. 地理學報, 2008, 63(3): 247- 256.

[12] 周雅星, 劉茂松, 徐馳, 方芳, 鐘晶晶, 張明娟. 南京市市域熱場分布與景觀格局的關聯分析. 生態學雜志, 2014, 33(8): 2199- 2206.

[13] 王宏博, 李麗光, 趙梓淇, 蔡福, 武晉雯, 許申來, 姜鵬. 基于TM/ETM+數據的沈陽市各區城市熱島特征. 生態學雜志, 2015, 34(1): 219- 226.

[14] 陳映雪, 甄峰. 基于居民活動數據的城市空間功能組織再探究——以南京市為例. 城市規劃學刊, 2014, (5): 72- 78.

[15] 鈕心毅, 丁亮, 宋小冬. 基于手機數據識別上海中心城的城市空間結構. 城市規劃學刊, 2014, (6): 61- 67.

[16] Chen F, Du D S. Application of Integration of spatial statistical analysis with GIS to regional economic analysis. Geo-spatial Information Science, 2004, 7(4): 262- 267.

[17] Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 2006, 27(14): 3025- 3033.

[18] Ji L, Zhang L, Wylie B. Analysis of dynamic thresholds for the normalized difference water index. Photogrammetric Engineering & Remote Sensing, 2009, 75(11): 1307- 1317.

[19] 覃志豪, Zhang M H, Karnieli A, Berliner P. 用陸地衛星TM6數據演算地表溫度的單窗算法. 地理學報, 2001, 56(4): 456- 466.

[20] 吳志剛, 江滔, 樊艷磊, 陳聯君. 基于Landsat8數據的地表溫度反演及分析研究——以武漢市為例. 工程地球物理學報, 2016, 13(1): 135- 142.

[21] 胡德勇, 喬琨, 王興玲, 趙利民, 季國華. 單窗算法結合Landsat8熱紅外數據反演地表溫度. 遙感學報, 2015, 19(6): 964- 976.

[22] 段金龍, 張學雷. 區域地表水體、歸一化植被指數與熱環境多樣性格局的關聯分析. 應用生態學報, 2012, 23(10): 2812- 2820.

[23] Kissling W D, Carl G. Spatial autocorrelation and the selection of simultaneous autoregressive models. Global Ecology and Biogeography, 2008, 17(1): 59- 71.

[24] Kong F H, Yin H W, James P, Hutyra L R, He H S. Effects of spatial pattern of greenspace on urban cooling in a large metropolitan area of eastern China. Landscape and Urban Planning, 2014, 128: 35- 47.

[25] Stewart I D. A systematic review and scientific critique of methodology in modern urban heat island literature. International Journal of Climatology, 2011, 31(2): 200- 217.

[26] Peng J, Xie P, Liu Y X, Ma J. Urban thermal environment dynamics and associated landscape pattern factors: a case study in the Beijing metropolitan region. Remote Sensing of Environment, 2016, 173: 145- 155.

[27] 閆偉姣, 孔繁花, 尹海偉, 孫常峰, 許峰, 李文超, 張嘯天. 紫金山森林公園降溫效應影響因素. 生態學報, 2014, 34(12): 3169- 3178.

[28] 孟陳, 李俊祥, 朱穎, 吳彤, 肖志堅, 張國科. 粒度變化對上海市景觀格局分析的影響. 生態學雜志, 2007, 26(7): 1138- 1142.

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

QuantifyingthespatialpatternofurbanthermalfieldsbasedonpointofinterestdataandLandsatimages

HAN Shanrui1, WEI Sheng2, ZHOU Wen2, ZHANG Mingjuan3, TAO Tingting1, QIU Lian1, LIU Maosong1, XU Chi1,*

1SchoolofLifeSciences,NanjingUniversity,Nanjing210023,China2JiangsuInstituteofCityPlanningandDesign,Nanjing210036,China3SchoolofHorticulture,NanjingAgriculturalUniversity,Nanjing210095,China

國家自然科學基金項目(41271197,31200530)

2016- 05- 30; < class="emphasis_bold">網絡出版日期

日期:2017- 03- 27

*通訊作者Corresponding author.E-mail: xuchi@nju.edu.cn

10.5846/stxb201605301037

韓善銳,韋勝,周文,張明娟,陶婷婷,邱廉,劉茂松,徐馳.基于用戶興趣點數據與Landsat遙感影像的城市熱場空間格局研究.生態學報,2017,37(16):5305- 5312.

Han S R, Wei S, Zhou W, Zhang M J, Tao T T, Qiu L, Liu M S, Xu C.Quantifying the spatial pattern of urban thermal fields based on point of interest data and Landsat images.Acta Ecologica Sinica,2017,37(16):5305- 5312.