北京市主城區不透水面時空演變及其熱環境效應研究

王憲凱, 孟慶巖, 李娟, 胡新禮, 張琳琳

北京市主城區不透水面時空演變及其熱環境效應研究

王憲凱1, 4, 孟慶巖2, 3, *, 李娟2, 3, 胡新禮2, 3, 張琳琳2

1. 濟南市房產測繪研究院, 濟南 250001 2. 中國科學院空天信息創新研究院, 北京 100101 3. 中國科學院空天信息研究院海南研究院, 三亞 572029 4. 中國礦業大學, 北京 100083

城市不透水面是表征城市化進程的重要指標, 開展城市不透水面研究對生態環境監測及城市建設規劃具有重要意義。以北京市主城區為研究區, 基于Landsat影像采用支持向量機(SVM)和線性光譜混合分解模型(LSMM)相結合的方法提取研究區2002年、2009年和2017年三期不透水面; 同時采用輻射傳輸方程法反演研究區地表溫度, 分析北京市主城區不透水面時空格局演變及其與城市熱環境的相關性。研究結果表明: 2002—2017年, 北京市主城區近15年不透水面聚集度較高且呈持續增長趨勢, 東、西城區不透水面面積占比最高, 朝陽區和海淀區不透水面增長速率和增長強度相對較大。北京市主城區不透水面呈放射狀擴張趨勢且增長集中在四環以外的區域, 不透水面蓋度高值區面積不斷增加。研究區近15年地表溫度持續升高, 熱島效應加劇, 地表溫度高值區與城市建筑區空間分布存在一致性。不透水面空間格局與熱環境高度相關, 不透水面的斑塊密度和破碎度與地表溫度呈負相關, 斑塊所占景觀比例及最大斑塊指數與地表溫度呈正相關, 可通過合理控制相關景觀指標、優化不透水面空間格局控制地表溫度。在此基礎上提出了緩解城市熱島效應的建議: 增加樹木、草地等用地類型; 將不透水面分割成許多小斑塊, 減少大面積不透水面區域分布; 使用透水性材料等。

城市化; 不透水面; 時空格局; 熱島效應; 遙感

0 前言

城市不斷擴張改變了下墊面類型和結構, 使原本以植被為主的自然地表被高儲熱的建筑、廣場、道路等不透水地表所取代[1]。不透水面大量分布導致城市熱環境不斷惡化, 地表溫度不斷上升, 形成了城市熱島效應[2—3]。熱島效應一直是城市生態研究的重點問題, 對空氣質量、區域氣候、人居環境和城市生態等方面產生了一系列負面影響[4]。因此研究城市熱島、分析不透水面對地表溫度的影響對于改善城市生態環境與提升居民生活質量具有重要意義。

當前, 利用遙感技術開展城市不透水相關研究受到國內外學者廣泛關注。如Ridd將城市地表覆被視為植被、不透水面和土壤的線性組合, 提出了著名的植被-不透水面-土壤(Vegetable-Impervious-Soil, V-I-S)模型[5], 被許多研究者使用。Wu等對線性光譜混合分解模型(LSMA)進行改進, 降低了同種地物端元之間的光譜差異, 提高了不透水面提取精度[6]。徐涵秋創建了歸一化差值不透水面指數(Normalized Difference Impervious Surface Index, NDISI), 該指數可應用于大區域不透水面信息快速自動提取, 具有較高精度[7]。利用遙感影像進行大范圍地表溫度反演可以對城市熱島問題進行定量分析, 探究其時空演變特征[8—9]。當前, 使用較廣泛的地表溫度反演方法主要有輻射傳輸方程法、單窗算法、單通道法和劈窗算法等[10—12], 其中輻射傳輸方程法因適用于任何熱紅外波段而被廣泛應用。針對城市不透水面與城市熱島相關性研究, 張旸等分析了北京市六環內城市不透水面蓋度變化及對地表溫度的影響, 研究表明城區各環路區域內不透水面蓋度與地表溫度均呈正相關[13]。曹璐等基于遙感影像獲取上海外環線以內的地表溫度, 不透水面及歸一化植被指數信息, 定量研究了地表溫度與主要城市景觀類型的關系[14]。魏錦宏等研究得出城市不透水面與地表溫度空間格局呈現高度相似性, 兩者具有明顯的指數關系, 其數值均隨著與城市中心距離的增加而減少[15]。

北京市作為國家首都, 近年來隨著經濟的發展城市化進程不斷加快, 導致城市不透水面持續增加, 進而造成一系列城市生態環境問題, 其中最突出的就是城市熱島問題。基于此, 本文以北京市主城區為研究區, 以中分辨率遙感影像為數據源, 采用遙感技術探究北京市主城區城市不透水面演變特征及其對城市熱環境的影響。研究成果可為北京市生態環境質量監測、城市建設規劃和持續健康發展提供理論依據。

1 研究區和數據源

1.1 研究區狀況

北京市(39°28′N—41°25′N, 115°25′E—117°30′E)位于華北平原西北部, 總面積約16410 km2, 共轄16個區、縣, 是全國的政治、文化中心。北京氣候為典型的北溫帶半濕潤大陸性季風氣候, 夏季炎熱多雨, 冬季寒冷干燥, 春、秋短促。以北京市主城區為研究區, 包括兩個功能核心區: 東城區和西城區及四個功能拓展區: 海淀區、石景山區、豐臺區和朝陽區。研究區面積約1368 km2, 占北京市總面積的8.33%。北京市主城區是全市居民集中區、商業金融中心和交通樞紐。

1.2 研究數據

本研究使用數據均由美國USGS網站提供, 共獲取2002年8月2日、2009年9月22日Landsat5TM及2017年9月12日OLI-TIRS三期遙感影像, 影像中心經緯度分別為(40°20′N, 116°36′E; 40°20′N, 116°42′E; 40°20′N, 116°44′E), 空間分辨率為30 m, 無云或少云分布, 質量較好。對影像數據進行輻射定標、大氣校正等預處理, 使其更精確地反映地面實際情況。

2 研究方法

本文基于中分辨率遙感影像, 采用支持向量機監督分類和線性光譜混合分解模型相結合的方法提取研究區不透水面蓋度信息。基于影像熱紅外波段采用輻射傳輸方程法反演地表溫度。分析北京市主城區不透水面及地表溫度時空變化, 并研究兩者相關性。

2.1 不透水面提取

2.1.1 監督分類初步提取不透水面

城市不透水面由低反射率地物(如瀝青)及高反射率地物(如水泥路)組成, 兩者間光譜反射率存在較大差異。不同的植被類型(如草坪、農作物等）具備相似的光譜形態, 但反射率也有明顯差異。基于以上因素, 直接采用SVM監督分類準確獲取不透水面信息存在一定難度。本文借鑒錢樂祥[16]等人提出的方法, 對研究區遙感影像進行光譜標準化處理以降低各地表覆被的光譜差異, 標準化處理公式為

2.1.2 線性光譜混合分解模型獲取不透水面最終結果

中分辨率遙感影像中一個像元范圍內包含多種地物, 像元的光譜特征可看作幾種純凈地物光譜值的組合, 該像元被稱為混合像元; 混合像元內的純凈地物被稱為端元。線性光譜混合模型假設每一光譜波段中單個像元的反射率為端元組分反射率與其所占像元面積比例為權重的線性組合[17—20]。該模型表達

圖1 研究區位置示意圖

Figure 1 Location of the study area

式為:

為避免水體對不透水面信息提取的干擾, 在采用線性光譜混合分解法提取研究區不透水面前, 采用歸一化水體指數()[21]對影像進行水體掩膜處理。

對經過水體掩膜的研究區影像進行MNF變換、PPI計算, 并結合手動選擇端元方法選取低反照地物、高反照地物、植被和土壤四種端元。運用線性光譜混合模型對經監督分類所得初始不透水面進行亞像元分解。將低反射率地物和高反射率地物相加得研究區不透水面蓋度結果。

2.1.3 不透水面提取精度評價

在Google Earth高分影像上均勻選取200個5 × 5(150 m ×150 m)像元大小的樣本, 提取各樣本區不透水面蓋度作為真實值; 統計線性光譜混合分解所得不透水面蓋度影像上各對應樣本區不透水面蓋度值, 對研究結果進行精度評價。

2.2 地表溫度反演

式中:1、2為衛星發射前定標常數, 對于Landsat-5影像數據,1和2分別為 607.76 W·(m2·sr·μm)–1和1260.56 W·(m2·sr·μm)–1, 對于Landsat-8影像數據,1和2分別為774.89 W·(m2·sr·μm)–1和1321.08 W· (m2·sr·μm)–1。

2.3 景觀格局變化

景觀格局(Landscape Pattern)多指空間格局, 是由許多人為或自然形成的大小、形狀和排列不同的景觀要素共同作用形成的綜合體, 是各種復雜的社會、地理和生物因子彼此作用的結果[25]。景觀指數(Landscape indices)是指對景觀格局信息高度濃縮, 表征其空間配置與結構組成等方面特征的簡單定量指標。景觀指數種類繁多, 研究中多從宏觀角度分為描述景觀總體特征及描述景觀要素的指數兩個層次[26]。

對于單一的不透水景觀, 景觀聚集度和破碎化程度是衡量景觀異質性的重要指標。根據研究區特點, 借鑒以往有關學者的研究經驗, 本文選用了多種指標, 包括斑塊數()、斑塊結合指數()、聚集度()、最大斑塊指數()等。

3 結果與分析

3.1 不透水面時空演變

采用線性光譜混合分解模型將SVM監督分類獲取的初始不透水面信息分解為高反射率地物、低反射率地物、植被和土壤等地物, 將高、低反射率地物相加得研究區不透水面蓋度影像。所得各期不透水面結果誤差均值均在0.02以內, 達到研究精度要求。利用Google Earth高分影像對研究結果進行精度評價(圖2), 得出各年份系數均在0.8以上, 不透水面提取精度較高。所得北京市主城區2002—2017年不透水面蓋度結果如圖3所示。

北京市主城區內不透水面蓋度低值區多分布在山地、林地等集中區域, 不透水面蓋度高值區主要集中于中心城區且與建設用地分布具有一致性, 以東西城區為中心呈放射狀分布。利用公式(7)統計2002年至2017年研究區的不透水面面積, 結果如表1所示。2002—2017年研究區不透水面增長顯著, 從2002年的626.53 km2增長到2017年的846.21 km2, 年均增長2.34%。不透水面占比由45.80%上升到61.86%。

將北京市主城區不透水面蓋度影像分為六個等級, 分別為自然地表(<0.1)、極低不透水面蓋度(0.1≤<0.3)、低不透水面蓋度(0.3≤<0.5)、中等不透水面蓋度(0.5≤<0.7)、高不透水面蓋度(0.7≤<0.9)和極高不透水面蓋度(≥0.9)。各級不透水面蓋度分布如圖4所示。統計各等級不透水面面積及其占研究區總面積百分比, 統計數據如表2所示。

由圖4和表2可得自然地表主要分布在海拔相對較高的山地和林地等多植被區域, 在自然地表周圍交叉分布著極低蓋度、低蓋度及中蓋度不透水面區域, 而高蓋度、極高蓋度不透水面集中分布在研究區中部建筑密集區。2002年自然地表為525.36 km2, 在各等級中面積最大, 占比為38.40%。極高不透水面蓋度區域比重次之, 面積為350.92 km2, 占比為25.65%; 其他各等級不透水蓋度占比相對較小。2017年相較于2002年, 極高不透水蓋度區域面積增加至439.69 km2, 占比為32.15%, 在各等級不透水區域中比重最大; 自然地表面積減少至409.75 km2, 占比降低至29.96%。2002—2017年, 北京市主城區自然地表和中等不透水面蓋度區域所占比重持續降低, 面積分別減少115.61 km2、31.28 km2; 高不透水蓋度與極高不透水蓋度區域所占比重持續增長, 面積分別增加52.12 km2、88.77 km2?？傮w上不透水蓋度低值區面積在減少, 不透水蓋度高值區面積呈增長趨勢。

圖2 不透水面提取精度檢驗結果

Figure 2 Test results of impervious surface extraction accuracy

圖3 2002—2017研究區不透水面蓋度分布圖

Figure 3 Distribution map of impervious surface coverage in the study area from 2002 to 2017

表1 研究區不透水面統計數據

為進一步研究不透水面演變規律, 計算研究區2002—2017年不透水面景觀格局指數, 見表3。由表可知, 2002—2017年不透水面占景觀比例、最大斑塊指數和斑塊數量呈增長趨勢, 表明研究區不透水面不斷擴張, 不透水面面積持續增加; 不透水面斑塊結合指數越來越大, 景觀分裂指數逐年減小, 聚集度指數總體增加, 表明研究區不透水面不斷向外延伸擴展、不透水面越來越聚集。

統計研究區各環路內不透水面面積及其占比, 利用公式(8)計算變化速率以反映不透水面年均變化量, 利用公式(9)計算不透水面變化強度(年均增加面積與基年面積之比), 見表4、表5。北京市主城區各環面不透水面占比由二環至五環逐漸降低; 四環以內不透水面所占比重均在0.75以上, 該區域城市化建設完成度較高, 四環外不透水面所占比重相對較小, 在城市建設中擁有廣闊的發展空間。2002—2017年四環內各區域不透水面變化較小; 不透水面增長區域集中在四環至五環之間及五環以外, 兩區域不透水面分別增加47.45 km2和152.55 km2。城市化進程不斷推進加快了城市向外擴張的速度, 進而推動不透水面大量增長。

圖4 2002—2017研究區不透水蓋度等級分布圖

Figure 4 Distribution map of impervious surface coverage grade in the study area from 2002 to 2017

表2 研究區各等級不透水面蓋度統計數據

表3 2002年—2017年研究區不透水面景觀格局指數

表4 研究區各環路間不透水面統計數據

表5 研究區各環路間不透水面變化速率和變化強度表

統計研究區各區縣不透水面面積、占比、變化速率及變化強度等, 所得數據如表6、表7所示。各時期東、西城區兩個功能核心區不透水面占比均在0.85以上, 海淀、朝陽、豐臺、石景山四個功能擴展區不透水面比例相對較低。各區不透水面占比變化: 2002—2017年, 東、西城區變化較小; 豐臺區、石景山區、海淀區和朝陽區不透水面占比均表現出上升趨勢, 其中朝陽區升幅最大, 由45.84%上升至66.32%, 增加超出20個百分點; 海淀區次之, 不透水面占比由34.68%提高至50.65%。就擴張速度而言: 2002—2017年各區縣中海淀區和朝陽區不透水面變化速率和變化強度均在前兩位, 不透水面年均增長4.65 km2和6.17 km2; 豐臺區和石景山區不透水面擴張速度低于海淀區和朝陽區, 變化速率分別為3.08 km2·a-1和0.34 km2·a-1; 而東、西城區不透水面變化速率最小, 分別為0.09 km2·a-1和0.04 km2·a-1。總體上, 北京市主城區不透水面向外圍各區縣不斷擴張, 和城市建設發展方向呈現一致性。

表6 各區縣不透水面統計情況

表7 各區縣不透水面變化速率和變化強度表

3.2 地表溫度空間分布特征

采用輻射傳輸方程法獲取北京市主城區地表溫度信息, 利用MOD11A1(MODIS日地表溫度產品)對經重采樣的研究區地表溫度影像進行精度驗證。MOD11A1數據產品由網站https://lpdaacsvc.cr. usgs.gov/appeears/task/area提供, 其像元值可轉換成地表溫度值, 轉換方式為像元值乘0.02減去273.15。分別在MOD11A1數據產品和地表溫度反演影像上均勻選取200個樣本進行精度評價。各時期兩者相關系數分別為0.86、0.85和0.89, 說明地表溫度反演結果精度高適用于本研究。2002—2017年北京市主城區地表溫度如圖5所示。

北京市主城區地表溫度低值區主要集中于水體和植被等分布區域, 溫度高值區與城市地表建筑區具備高度一致性。2002—2017年北京市主城區地表溫度最高值由35.79℃增加至43.08℃, 提高7.29℃, 升溫效應顯著。2002年研究區平均溫度24.75℃, 標準差為2.15; 2017年研究區平均溫度31.50℃, 標準差為2.66; 日平均溫度增加6.75℃, 標準差增加0.51(表8)。熱島效應顯著區域溫度離散性較高, 溫度高值區與低值區差異明顯, 標準差可反應溫度分布的離散性。2002—2017年研究區地表溫度標準差增加, 說明溫度提升加劇了城市熱島效應。

為更好地表征研究區地表熱環境的空間分布及其變化特征, 對獲取的北京市主城區地表溫度影像利用公式如式(10)進行歸一化處理。

采用均值和標準差法將歸一化地表溫度進行分級處理, 分級公式如下:

式中,表示歸一化地表溫度分級閾值,表示溫度均值,表示標準差,表示標準差倍數。

圖5 2002—2017研究區地表溫度分布圖

Figure 5 Temperature distribution map of study area

表8 2002—2017研究區地表溫度統計數據(單位℃)

表9 各溫度等級區間劃分標準

由圖6可知北京市主城區熱環境在2002至2017年變化顯著, 各時期不同溫度等級地表分布也存在差異。強冷島和冷島區主要集中分布在水體、林地集中區域, 中間區主要分布在近郊區域, 熱島和強熱島區多分布于建筑密度及人口密度較高的城市建成區, 城區相較于郊區和農村地表溫度高、熱島效應顯著。

為定量分析北京市主城區2002—2017年熱島強度時空變化特征, 統計各溫度等級面積及其所占研究區總面積的百分比, 如表10所示。2002—2017年北京市主城區各溫度等級中面積最大的為中間區, 分別占研究區總面積的42.63%和37.51%。相比2002年, 2017年北京市主城區熱島區和強熱島區所占比重持續提升, 面積分別增加43.50 km2、63.93 km2; 期間, 由于熱島區和強熱島區擴張取代了中間區的部分區域, 使中間區所占比重顯著降低, 面積減少69.94 km2; 冷島區和強冷島區面積分別減少29.50 km2和7.92 km2。相比2002年, 2009年及2017年北京市主城區熱島效應逐漸加劇。

3.3 不透水面蓋度與城市熱島相關性

將獲取的北京市主城區不透水面蓋度影像及地表溫度影像進行歸一化處理, 在兩影像對應區域隨機均勻獲取200個樣本點, 統計各樣本不透水蓋度及地表溫度值, 基于SPSS軟件利用回歸分析工具探究兩者間相關性。采用線性、對數、二次函數、冪函數和指數函數等多種回歸方法建立北京市主城區2002年、2009年和2017年不透水面蓋度()與地表溫度()的關系模型。結果如表(11—13)所示。所得各關系式中不透水蓋度與地表溫度均呈正相關關系, 且在各關系模型中二次函數分析所得兩者相關性最強, R2分別為0.783、0.768和795。將各期不水面蓋度(0—1)以0.1為間隔進行等級劃分, 基于二次函數模型計算所得回歸方程計算各等級不透水面蓋度對應地表溫度, 見如表14。由計算結果可得2002—2017年研究區不透水面蓋度值越大, 對應地表溫度越高, 且不透水面蓋度每增加0.1, 地表溫度增加值不斷擴大, 表明在高不透水面蓋度區域, 地表升溫效應明顯強于低不透水面蓋度區域。

圖6 2002—2017研究區熱島強度等級劃分圖

Figure 6 Classification of heat island intensity levels in the study area from 2002 to 2017

表10 各等級熱島面積和占比統計數據

3.4 不透水面景觀格局與城市熱島相關性

研究不透水面景觀格局與地表溫度的定量關系,將研究區地表溫度進行歸一化處理, 分析歸一化地表溫度均值與各不透水面景觀指數的關系。為滿足樣本數據分析的準確性, 本文以研究區各區縣為個體, 將研究區依行政區劃分為東城區、西城區、朝陽區、石景山區、豐臺區和海淀區六個部分, 分別統計出各區縣同一時期的地表溫度均值和對應的各景觀指數值。運用SPSS軟件對各景觀指數與歸一化地表溫度均值進行回歸分析和顯著性分析。采用Pearson相關系數表征各變量間的相互關系, 該系數是線性相關條件下, 兩個變量間相互關系密切程度的統計指標, 取值為-1—1, 判定系數R2是對所得回歸方程擬合程度好壞的度量指標, 取值為0—1。

表11 2002年地表溫度與不透水面多模型回歸分析

表12 2009年地表溫度與不透水面多模型回歸分析

表13 2017年地表溫度與不透水面多模型回歸分析

經過相關分析得出最大斑塊指數()、斑塊所占景觀比例()、斑塊密度)及斑塊破碎度()等與地表均溫()有顯著相關性, Pearson相關系數分別為0.745、0.728、-0.547、-0.629, 在0.01水平上(雙側)顯著相關。分別對最大斑塊指數、斑塊所占景觀比例、斑塊密度及斑塊破碎度與歸一化地表均溫進行回歸分析, 所得結論如下: 如圖7a可見最大斑塊指數()與地表均溫()大致呈線性函數關系, 回歸方程為=0.002+0.441, R2=0.515; 由圖7b可見, 斑塊密度()與地表均溫()大致呈二次函數關系, 回歸方程為=-0.007PD-1.046× 10-5+0.559, R2=0.316; 由圖7c可見, 斑塊破碎度()與地表均溫()大致呈線性函數關系, 回歸方程為=-0.256+0.730, R2=0.351; 由圖7d可見, 斑塊所占景觀比例()與地表均溫()大致呈線性函數關系, 回歸方程為=0.002+ 0.428, R2=0.486。

表14 2002—2017年各不透水面蓋度對應地表溫度

由研究結果得出: 斑塊密度及破碎度指數越大, 表明不透水面越破碎, 不透水面斑塊之間分布著較多的其他地物類型斑塊, 從而降低了不透水面的聚集增溫效應。最大斑塊指數和斑塊所占景觀比例指數越大, 說明區域內不透水面分布范圍越廣、面積越大, 則相應的地表溫度比零星分布的不透水面區域溫度更高。為更好地控制城市熱環境, 須對城市不透水面格局進行合理規劃。

4 討論與結論

針對城市化建設中城市熱島效應日益嚴重的問題, 本文以北京市主城區為研究區, 基于中分辨率遙感影像, 探究城市不透水面與地表溫度提取的有效方法, 定性和定量分析研究區不透水面與地表溫度的時空演變特征, 并對兩者間的相關性進行分析, 研究得出: (1)北京市主城區不透水面蓋度高值區集中于東、西城區等功能核心區及其附近區域; 2002至2017年, 東、西城區等老城區因城市建設處于飽和狀態, 不透水面增長緩慢, 而朝陽區及海淀區隨著經濟的發展, 城市化進程加快, 在各城區中不透水面增長速率和強度較大, 不透水面面積顯著增加。(2)北京市主城區地表溫度低值區主要分布在植被、水體等集中區域, 高溫區與城市建成區在空間分布上具有一致性。2002至2017年北京市主城區地表溫度明顯升高, 伴隨城市化進程的快速推進, 城市熱島效應不斷增強。(3)不透水面蓋度與地表溫度呈二次函數的顯著正相關關系, 兩者具備相同的空間分布特征及變化趨勢, 不透水面蓋度值越大, 對應地表溫度越高, 不透水面蓋度高值區升溫效應更強。不透水面景觀格局變化對地表溫度具有重要影響, 不透水面斑塊密度越大、斑塊越破碎排布越分散, 對應的地表溫度越低; 不透水面斑塊面積越大、聚集度越高, 相應的地表溫度越高。

圖7 景觀指數與地表溫度函數關系圖

Figure 7 The function diagram between landscape index and surface temperature

基于亞像元尺度的不透水面蓋度估算, 本文采用了支持向量機(SVM)監督分類與線性光譜混合分解模型相結合的方法, 經驗證該方法比傳統使用線性光譜分解法所得不透水面蓋度精度更高。以北京市主城區為研究對象, 探究大尺度長時間序列不透水面時空演變特征。定性和定量分析了近15年北京市主城區不透水面的空間分布特征和動態變化規律, 對研究區不透水面景觀格局變化進行研究, 為大區域范圍不透水面的應用研究提供參考。研究分析了不透水面景觀格局與地表溫度的關系, 基于所得成果提出合理控制不透水面的相關景觀指標、統籌不透水面布局以控制地表溫度的建議, 為城市規劃建設及生態環境保護提供理論支撐。

[1] 鄒春城. 基于不透水面百分比, 景觀指數與土地利用類型的福州市城市熱環境分析[D]. 福州: 福建師范大學, 2014.

[2] WENG Q. A remote sensing–GIS evaluation of urban expansion and its impact on surface temperature in the Zhujiang Delta, China[J]. International Journal of Remote Sensing, 2001, 22(10): 1999–2014.

[3] XU Duo, DIAN Zhou. Research on the Planning Methods of Mitigating Summer Urban Heat Island Effects among Basin Citie–A Case Study at Xi’an, China[J]. Procedia Engineering, 2016, 169: 248–255.

[4] 王紅紅, 邢立新, 潘軍, 等. 城市景觀格局對熱環境影響遙感研究[J]. 環境保護科學, 2012, 38(04): 44–48.

[5] RIDD M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities[J]. International Journal of Remote Sensing, 1995, 16(12): 2165–2185.

[6] WU Changshan, MURRAY A. Estimating impervious surface distribution by spectral mixture analysis[J]. Remote Sensing of Environment, 2003, 84(4): 493–505.

[7] 胡實, 熊黑鋼, 朱忠鵬. 北京市各區縣不透水面動態變化特征研究[J]. 安徽農業科學, 2015, 43(07): 237-240+ 255.

[8] 鄧睿, 胡日查, 劉亮, 等. 基于Landsat8 OLI/TIRS數據的重慶市不透水面與城市熱環境關系研究[J]. 重慶交通大學學報(自然科學版), 2017, 36(01): 68–76.

[9] JIMENEZ-MUNOZ J C, CRISTOBAL J, SOBRINO J A, et al. Revision of the Single-Channel Algorithm for Land Surface Temperature Retrieval From Landsat Thermal-Infrared Data[J]. IEEE Transactions on Geoence and Remote Sensing, 2009, 47(1): 339–349.

[10] 李海峰. 基于TM影像的地表溫度反演算法研究[J]. 電腦知識與技術, 2017, 13(02): 223–225.

[11] 侯宇初, 張冬有. 基于Landsat8遙感影像的地表溫度反演方法對比研究[J]. 中國農學通報, 2019, 35(10): 142– 147.

[12] GEORGE X. Satellite remotely-sensed land surface parameters and their climatic effects for three metropolitan regions[J]. Advances in Space Research, 2008, 41(11): 1861–1869.

[13] 張旸, 胡德勇, 陳姍姍. 北京城區不透水地表蓋度變化及對地表溫度的影響[J]. 地球信息科學學報, 2017, 19(11): 1504–1513.

[14] 曹璐, 胡瀚文, 孟憲磊, 等. 城市地表溫度與關鍵景觀要素的關系[J]. 生態學雜志, 2011, 30(10): 2329–2334.

[15] 周正龍, 沙晉明, 季建萬. 福州主城區熱島效應與不透水面的關系及時空變化分析[J]. 福建師范大學學報(自然科學版), 2019, 35(01): 19–27.

[16] 錢樂祥, 崔海山. 運用歸一化光譜混合模型分析城市地表組成[J]. 國土資源遙感, 2006, (02): 64–68.

[17] 武曉峰, 蘇根成, 匡文慧, 等. 基于混合光譜分解模型的城市不透水面遙感估算方法[J]. 西部資源, 2012, (02): 119–122.

[18] 李波, 黃敬峰, 吳次芳. 基于熱紅外遙感數據和光譜混合分解模型的城市不透水面估算[J]. 自然資源學報, 2012, 27(09): 1590–1600.

[19] 王偉武, 朱婷媛, 楊華杰. 基于杭州不透水地面信息的城市擴張驅動力研究[J]. 建筑與文化, 2015, (04): 146– 147.

[20] 李涵, 李龍, 張婷, 等. 徐州市中心城區不透水面時空異質性分析[J]. 長江流域資源與環境, 2019, 28(03): 668– 680.

[21] XU Hanqiu. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(12/14): 3025–3033.

[22] 徐涵秋, 陳本清. 城市熱島與城市空間發展的關系探討—— 以廈門市為例[J]. 城市發展研究, 2004, (02): 66–71.

[23] JAHANGIR M S, MOGHIM S. Assessment of the urban heat island in the city of Tehran using reliability methods[J]. Atmospheric Research, 2019, 225: 144–156.

[24] 樊智宇, 詹慶明, 劉慧民, 等. 武漢市夏季城市熱島與不透水面增溫強度時空分布[J]. 地球信息科學學報, 2019, 21(02): 226–235.

[25] HULSHOFF R M. Landscape indices describing a Dutch landscape[J]. Landscape Ecology, 1995, 10(2): 101–111.

[26] 陳文波, 肖篤寧, 李秀珍. 景觀指數分類、應用及構建研究[J]. 應用生態學報, 2002, (01): 121–125.

Spatiotemporal evolution and thermal environmental effects of impervious surfaces in the main urban area of Beijing

WANG Xiankai1,4, MENG Qingyan2,3,*, LI Juan2,3, HU Xinli2,3, ZHANG Linlin2

1. Jinan Research Institute of Real Estate Surveying and Mapping, Jinan 250001, China 2. Aerospace Information Research Institute Chinese Academy of Sciences, Beijing 100101, China 3. Hainan Research Institute of the Academy of Chinese Academy of Sciences, Sanya 572029, China 4. China University of Mining and Technology, Beijing 100083, China

The impervious surface of a city is an important indicator to characterize the process of urbanization. The research on imperviousness of the city is of great significance for ecological environment monitoring and urban construction planning. The main urban area of Beijing was taken as the research area. Based on Landsat image, the impervious surface was extracted from the research area in 2002, 2009 and 2017 by combining support vector machine (SVM) and linear spectral hybrid decomposition model (LSMM). At the same time, the radiative transfer equation method was used to invert the surface temperature of the study area,the spatial and temporal pattern evolution of impervious surface in the main urban area of Beijing and its correlation with the urban thermal environment were analyzed.The proportion of impervious surface area in the Dongcheng District and Xicheng District areas was the highest, and the growth rate and intensity of impervious surface in Chaoyang District and Haidian District were relatively large.The impervious surface of the main urban area of Beijing showed a radial expansion trend and the growth was concentrated outside the Fourth Ring Road,the area with high coverage of impervious surface increased continuously.In recent 15 years, the surface temperature of the study area has been rising continuously, the heat island effect has been intensified, and the spatial distribution of the high value area of the surface temperature is consistent with that of the urban construction area.The spatial pattern of impervious surface was highly correlated with the thermal environment, the patch density and fragmentation of impervious surface were negatively correlated with the surface temperature, and the proportion of patches in the landscape and the maximum patch index were positively correlated with the surface temperature,the surface temperature could be controlled by reasonably controlling relevant landscape indexes and optimizing the spatial pattern of impervious surface.On this basis, some suggestions are put forward to alleviate the urban heat island effect: adding land use types such as trees and grass;dividing the impervious surface into many small patches to reduce the distribution of large areas of impervious surface;using permeable materials, etc.

urbanization;impervious surface; spatiotemporal pattern; heat-island effect; remote sensing

王憲凱, 孟慶巖, 李娟, 等. 北京市主城區不透水面時空演變及其熱環境效應研究[J]. 生態科學, 2021, 40(1): 169–181.

WANG Xiankai, MENG Qingyan, LI Juan, et al. Spatiotemporal evolution and thermal environmental effects of impervious surfaces in the main urban area of Beijing[J]. Ecological Science, 2021, 40(1): 169–181.

10.14108/j.cnki.1008-8873.2021.01.022

P237

A

1008-8873(2021)01-169-13

2020-03-07;

2020-04-16

浙江省新型重點專業智庫杭州國際城市學研究中心浙江省城市治理研究中心“錢學森城市學金獎”課題成果(20QXS007); 四川省科技計劃項目“基于大數據機器學習與冠層反射率模型結合的水稻葉面積指數提取技術”(2018JZ0054); 國家高分辨率對地觀測重大科技專項項目“環境保護遙感動態監測信息服務系統(二期)” (05-Y30B01-9001-19/20-1)

王憲凱(1990—), 男, 山東省菏澤人, 碩士研究生, 主要從事遙感影像信息提取及城市生態環境研究, 電話: 18813136382, E-mail: wxkape@163.com

孟慶巖(1971—), 男, 博士, 研究員, 博士生導師, 主要從事城市陸表環境遙感研究, E-mail: mengqy@radi.ac.cn