關中平原城市群夏季城市熱島特征及驅動力

胡李發 ,謝元禮 *,崔思穎 ,周 鵬 ,李云梅 ,孫韶啟 (.西北大學城市與環境學院,陜西 西安 7027；2.陜西省地表系統與環境承載力重點實驗室,陜西 西安 7027)

城市快速擴張是目前社會經濟發展的重要特征之一,它會改變原有下墊面的物理性質,影響地表與大氣之間的熱量交換,從而改變局地氣候模式[1].城市熱島(UHI)效應是城市熱環境最為明顯的特征,代表著地球表面環境的人為改變,表現為城區氣溫明顯高于外圍郊區的現象[2].例如,氣溫升高會加快光化學反應速度,誘發光化學煙霧的形成,加劇城市污染物的擴散[3].極端天氣發生的頻次增加,為應對高溫天氣而導致城市能耗增加[4].傳統的 UHI研究依賴于地面氣象站點的觀測數據,受限于站點數量與位置分布的不均衡,難以準確地反映 UHI在空間上的連續變化情況.遙感監測法以其大面積、多時相和高空間分辨率的優點克服了傳統方法在空間上不連續的局限.隨著遙感數據產品的豐富與衛星空間分辨率的提升,熱紅外遙感已經成為城市氣候和環境監測廣泛采用的一種方法[5].

目前,國內外學者借助遙感手段對 UHI的反演算法[6-7]、時空分布特征[8-9]、驅動力因素[10]與緩解措施[11-12]等方面已經取得了豐富的研究成果,大量的空間計量模型[13-14]與景觀生態理論[15-17]也被引入到 UHI演變過程與作用機理等研究中.已有的研究表明,地表溫度(LST)與不透水面之間存在顯著的正相關[18-19],不透水面增加會引起地表比輻射率、粗糙度及反照率的變化,增強地表顯熱通量,改變區域垂直方向的輻射能量平衡,從而加劇城市熱島現象[1].城市公園、綠地與水體等綠色景觀對地表起著降溫增濕的作用[11-12],綠色植被通過潛熱交換與遮蔭效果緩解了周圍的小氣候.人類活動因子與城市生態景觀的格局、類型等同樣也在城市表層熱環境的變化中起著不可忽視的作用[20-21].例如,城市熱島強度隨著離市區距離的增加呈指數級衰減[22],不同區域之間存在明顯的晝夜與季節變化差異,某些特殊的區域在冬季還存在一種“冷島”現象[8].景觀格局與類型的異質性也使得不同綠色景觀與 LST之間的關系存在差異性,人工本底景觀格局的 UHI效應通常大于自然本底景觀格局[16].森林和水體的降溫效果要優于草地,草地的降溫效果還尚不明確[23].

以往的研究多關注于某個或多個時間斷面衛星過境時刻的熱島分布格局,在數據源的選取上過多依賴于陸地衛星(Landsat系列),在研究方法上也多選用回歸分析來探討各個因子與 LST之間的相互關系.受限于衛星過境時刻的天氣狀況與衛星重訪周期過長等不利因素,難以對城市群范圍的 UHI實現穩定、連續的觀測.同時,簡單的相關性分析只能從全局的角度探究 LST與相關參數之間存在的某種線性關系,難以定量分析各個影響因子對于UHI的解釋程度.考慮到關中平原城市群位于我國大陸腹地,四季分明,夏季炎熱多雨且存在明顯的城市熱島效應[20].因此,本文選擇 2001～2017年夏季時間序列的 MODIS地溫產品,利用 Mann-Kendall非參數檢驗、主成分分析與地理探測器模型深入探究關中平原城市群夏季 UHI的時空變化特征與相關驅動因子,以期為將來城市生態環境規劃提供參考.

1 研究區概況與研究方法

1.1 研究區概況

關中平原城市群地處我國西北內陸地區,橫跨甘肅、陜西與山西三省.該區域下轄11個地級市,共計90個區縣,行政面積達1.07×105km2.如圖1所示,區域地勢整體上起伏較大,南部為秦嶺山脈,中東部為狹長的關中平原,北部為黃土高原邊緣區,海拔在217～3748m 之間.作為古絲綢之路的起點與亞歐大陸橋的重要支點,關中平原城市群是我國西部地區對外開放的重要窗口,也是西部地區僅次于成渝城市群的第二大城市群.隨著社會經濟發展與城市化進程的加快,城市不透水面積占比急劇上升,大量的人造熱源與空氣懸浮顆粒物加劇了地面的增溫效果.南北高、中間低的特殊地形構造導致中部平原地區通風不暢,難以在短時間內將城市積聚的熱量擴散至周邊的鄉村區域,進一步加重了地區城市熱島效應所帶來的生態環境負面效應.

圖1 研究區位置Fig.1 Location of the study area

1.2 數據來源及預處理

MODIS傳感器作為Aqua和Terra衛星上的重要載荷,提供了豐富的大氣、陸地與海洋系列標準產品.本文選擇2001～2017年的MOD11A2作為地表溫度的數據源,該產品是由 MODIS第 31、32通道的熱紅外波段運用分裂窗算法計算所得,空間分辨率為1km,時間分辨率為8d,目前已被廣泛用于區域和全球尺度的 UHI研究[24].氣溶膠光學厚度(AOD)來自于MCD19A2,空間分辨率為1km,時間分辨率1d.地表反照率數據與增強植被指數(EVI)產品分別來自于MOD09A1及 MOD13A1,空間分辨率為500m,時間分辨率分別為8/16d.以上4種MODIS產品皆來自于美國國家航空航天局(NASA)官網(https://ladsweb.modaps.eosdis.nasa.gov).其他數據,如 2001年與2017年土地利用數據來自于自然資源部30m全球地表覆蓋數據集-GlobeLand30;高程數據來自于地理空間數據云(http://www.gscloud.cn);夜間燈光數據來自于美國國家地理信息中心(https://ngdc.noaa.gov);多年月平均降水來源于國家科技基礎條件平臺—國家地球系統科學數據中心(http://www.geodata.cn).

由于研究區位于兩景影像的交匯處(軌道號為h26v05與h27v05),且4種MODIS產品17a間的數據總量超過了 2000幅,因此本文選擇借助 Google Earth Engine(GEE)行星級云計算平臺來完成MODIS數據的篩選、拼接、重投影、裁剪與計算等處理工作.參考中國科學院土地利用分類標準將兩期的土地利用數據重新分類成耕地、林地、草地、水體、城鎮與未利用土地6大類,利用Python腳本求得多年月均降水數據的夏季平均值.

1.3 研究方法

1.3.1 M-K檢驗與Sen’s斜率分析 Mann-Kendall趨勢檢驗是一種廣泛用于檢測時間序列趨勢顯著性的非參數檢驗法[25],它不受數據實際分布的影響,并且對數據異常值的敏感性較低.目前已被廣泛用于氣溫、降水等氣象因子的長時間序列變化檢測[9].Sen’s 斜率分析是一種時間序列變化斜率的計算方法,它不會受到少數幾個奇異值的影響.對于時間序列的地表溫度 X=[x1,x2,…,xn],兩者的計算公式可以參考文獻[9].

1.3.2 計算熱島強度 利用遙感手段獲取的溫度值為地表溫度,定義城市熱島強度為城市區域的平均LST與鄉村地區平均LST之差.首先利用2001年與 2017年的土地利用數據集分別提取出城鎮用地信息,使用1km×1km大小的格網統計每個網格內城鎮用地的占比,若網格內城鎮用地的占比大于 50%,則定義為城市區域[22].將2001年的城市區域定義為老城區,2017年與2001年城市區域之差定義為新建城區.參考前人[24,26]的研究成果,在2017年城市區域的外圍以 5km為步長進行多級緩沖區分析,統計每個緩沖帶內城鎮用地的占比,若該區域內城鎮用地占比低于 10%,則定義為鄉村區域.最后將 10～15km之間的緩沖帶定義為鄉村地區.城市熱島強度的計算公式如下所示:

式中:LSTSU與 LSTNU分別指老城區與新建城區的平均LST;LSTR指鄉村地區的平均 LST;SUHIISU與SUHIINU則分別代表老城區與新建城區的地表熱島強度.

1.3.3 地表干度指數的計算 地表干度指數(NDBSI)是徐涵秋[27]等針對遙感生態評價所提出的一種衡量地表“干化”程度的新型指標,該指數可以增強包括裸土和建筑在內的裸露地表信息.具體的計算方法可以參考文獻[27].

1.3.4 城市熱環境指數的構建 以往的研究多注重于探究 LST與單一地表覆蓋因子之間的相關性大小,植被指數[11,28]與高程等已被證明其與 LST之間存在顯著的負相關,而建筑指數[29]、裸土指數、氣溶膠[30]及夜間燈光[31]則對LST存在積極作用.主成分分析(PCA)是一種利用協方差矩陣進行特征分析,在原始信息量損失最小的情況下對數據進行降維處理的分析方法.該方法通過一系列正交變換將原來多個變量壓縮為彼此相互獨立的少數幾個綜合變量,然后根據實際需要從中取出幾個較少的綜合變量來重新組合成一組新的互不相關的綜合指標來代替原來的指標.本文利用主成分分析法將植被指數(EVI)、干度指數(NDBSI)、高程(DEM)、降水、氣溶膠光學厚度(AOD)與夜間燈光數據進行降維處理,構建一個新的城市熱環境指數(UTEI)來表征城市熱環境.

式中:m為所提取出的主成分個數;PCi為第i個主成分;ai為第i個主成分的貢獻率大小.

1.3.5 地理探測器 地理探測器是探測空間分異性,以及揭示其背后驅動因子的一種新的統計學方法,它克服了傳統方法假設過多的局限[32].該方法主要有兩大優勢:一是不僅可以探測數值型數據,而且還能探測定性數據;二是探測兩因子交互作用于因變量.自 Wang等[33]提出以來,該方法已被用于環境監測[34]、土地利用[35]與大熊貓生境適宜度評價[36]等研究領域.相關模型及理論方法的具體介紹可以參考文獻[32],基本理論計算公式如下所示:

式中:q為自變量(影響因子)對于因變量(地表溫度)空間分異性的解釋能力,取值范圍為[0,1],值越大,解釋能力就越強;i=1, …, L為自變量的分層;Ni與N為第i層和全區的樣本數;?i2與?2分別是第i層與全區域因變量值的方差.

2 結果與分析

2.1 LST的時空特征分析

2.1.1 LST的空間分布 研究區幅員廣闊、地勢高低起伏較大,使用均值-標準差法與自然間斷點分級法難以刻畫 LST在空間上的變異情況.因此,文章使用2001～2017年夏季白天/夜晚平均LST的絕對值來描述地區熱環境的空間分布特征,結果如圖2所示.由表1與圖2可見,關中平原城市群2001～2017年夏季白天的平均LST為29.3℃,最大值為38.2℃,最低值為15.9℃,標準差為4.1℃.白天的高溫區(＞34℃)主要分布在中部關中平原地區,這里人口密集、工農業發達,大量的不透水面與耕地增溫迅速,加之盆地地形不易散熱,從而形成大片的高溫區.低值區(＜30℃)主要分布在南部的秦嶺山脈、中部黃河沿岸與北部山區.相比中部關中盆地,南北山區植被覆蓋密集,而植被生長茂盛的區域往往具有更強的蒸散發作用,表現為較高的潛熱通量與較低的顯熱通量,從而形成顯著的低溫區;夜晚平均LST為18.3℃,最大值為 26.4℃,最低值為 5.6℃,標準差為 2.8℃,其變化幅度低于白天.同時,夜間LST的空間分布與白天較為一致,但高值區更加集中,尤其是西安市主城區的LST(＞24℃)明顯高于其它地區.

表1 2001～2017年夏季平均LST統計值(℃)Table 1 Statistical value of summer average LST from 2001 to 2017(℃)

圖2 2001～2017年夏季平均LSTFig.2 Average LST in summer from 2001 to 2017

2.1.2 LST的時間變化檢測 對 2001～2017年夏季白天/夜晚的平均LST進行趨勢分析,利用M-K非參數檢驗得到 LST標準正態分布統計量 Z.當 Z＞0時,LST表現為增大趨勢,反之則減小.取置信水平α=0.01,當|Z|＞2.58時,LST表現為極顯著上升或極顯著下降趨勢;取置信水平α=0.05,當 1.96＜|Z|≤2.58 時,LST 表現為顯著上升或顯著下降趨勢,否則無顯著變化趨勢.

由圖3和表2可知,白天LST極顯著下降和顯著下降的區域主要集中在咸陽、寶雞與平涼三市的交界處,以及運城市中部與天水市東部,占區域總面積的 10.2%.前人的研究表明,得益于退耕還林還草政策的實施,這些區域的植被覆蓋度在近些年得到了明顯的改善[37],而植被的蒸騰作用可以通過增加潛熱通量和減少感熱通量來降低 LST[38].白天 LST極顯著上升與顯著上升的區域主要分布在寶雞市主城區北部平原地區、西安市主城區北部、咸陽市主城區南部、渭南市與運城市中部,占區域總面積的2.62%.城市化進程的快速推進與現代農業的蓬勃發展加劇了大量的自然地表轉換為人工不透水面,城市建筑與人工大棚等低反照率表面導致地表熱容量增加、蒸散發減少[39],故而這些區域的 LST在白天上升趨勢顯著.

圖3 2001～2017年夏季平均LST變化趨勢分布Fig.3 The distribution of average LST variation trend in summer from 2001 to 2017

表2 2001～2017年夏季白天和夜晚LST均值變化趨勢統計(%)Table 2 Statistical table of LST mean variation trend during the day and night in summer from 2001 to 2017(%)

到了夜晚,LST極顯著下降和顯著下降的區域主要零星分布在寶雞市與平涼市境內,僅占區域總面積的 0.25%,變化極其不顯著.LST極顯著上升與顯著上升的區域主要分布在城市擴張區域與黃河沿岸,占區域總面積的 6%.大量的人工地表在夜晚向大氣釋放白天所存儲的熱量[40],城市冠層中氣溶膠和氣態污染物濃度的增加會影響地表與大氣之間的輻射交換[13],使得大氣對地面的保溫效果加劇,從而導致城區溫度進一步升高.

使用 Sen’s斜率分析得到 2001～2017年夏季白天/夜晚 LST的斜率變化圖(圖 4).可以看出,與M-K非參數檢驗結果保持一致的是,無論白天還是夜晚,LST變化斜率大于0.1的區域主要集中在關中平原地區,且白天的變化幅度大于夜晚.白天LST下降趨勢明顯,17a來的整體變化情況為-0.053℃/a,夜晚LST在整體上呈上升趨勢,變化斜率為0.026℃/a.

圖4 2001～2017年夏季白天和夜晚平均LST變化斜率分布Fig.4 Slope distribution of summer average LST of the daytime and nighttime from 2001 to 2017

2.2 熱島強度的年際變化分析

對2001～2017每一年的SUHII進行計算可以得出其變化趨勢,無論白天還是夜間,SUHII都呈上升趨勢.其中,白天 SUHII在整體上高于夜間,整個 17a間白天的SUHIISU與SUHIINU平均值相較于夜晚分別高出0.3和0.4℃.根據表3與圖5可以看出,白天SUHIISU與SUHIINU在總體上表現為波動上升趨勢,分別在 2012與 2013年達到最高值 6與 4.7℃,但SUHIISU整體上大于 SUHIINU,平均差值達到了 1.2℃.夜晚 SUHIISU與 SUHIINU依舊表現為上升趨勢,變化趨勢較為緩和,兩者皆在 2017年達到最高值.SUHIISU大于SUHIINU,平均差值1.3℃,略高于白天的差值.

圖5 2001～2017年夏季地表城市熱島強度變化Fig.5 The variation of surface urban heat island intensity in summer from 2001 to 2017

表3 關中平原城市群2001～2017年夏季熱島強度Table 3 Summer heat island intensity of Guanzhong Plain urban agglomerationin from 2001 to 2017

由上述分析結果可知,關中平原城市群 2001～2017這17a間夏季的SUHII有著顯著上升,城鄉之間的地表溫差在逐漸擴大,這與趙安周等[39]在京津冀地區城市熱島強度變化的研究中所得出的結論一致.Yao等[41]在對全球397個大城市SUHII的研究中也認為,農村地區植被覆蓋的顯著上升與城市地區植被覆蓋的快速下降是城鄉之間地表溫差逐漸擴大的重要原因.與陳穎鋒等[42]的研究所不同的是,無論是老城區還是新建城區,SUHII始終保持著上升態勢.

2.3 UTEI與LST的關系

以2017年為例,利用主成分分析法對標準化過后的 EVI、NDBSI、多年平均降水、DEM、AOD與夜間燈光數據進行數據壓縮與降維處理,最后得到各主成分的載荷與累積貢獻率矩陣.如表 4所示,PC1、PC2與PC3的累積貢獻率達到了86.35%,表明前3個主成分集中了原來6個指標的大部分信息,因此用前 3個主成分來構建城市熱環境指數是合理的.由于第1主成分占據了UTEI的大部分信息,且NDBSI、AOD和夜間燈光與PC1呈顯著負相關,EVI、降水與DEM對PC1起正向作用,這表明UTEI指數與區域生態環境呈顯著正相關.即UTEI指數越高,區域生態環境越好.

表4 2017年主成分載荷與累計貢獻率矩陣Table 4 Principal component loading and cumulative contribution rate matrix in 2017

圖6所示,歸一化后的UTEI與LST在空間分布上具有很高的一致性.北部山系與南部秦嶺山脈處植被覆蓋密集的區域UTEI指數較高,說明該處生態環境較好;而UTEI的低值區主要分布在中部的關中平原地區,該地區人口密集、城鎮眾多,人類活動對地表擾動較大,尤其是在大西安地區,這里存在一個明顯的大面積低值區.為檢驗UTEI指數衡量地表熱環境的準確性與可靠性,利用采樣工具在研究區隨機生成2000個檢驗點,使用疊加分析提取出這2000個點所對應的UTEI與LST值,最后進行回歸擬合.

圖6 2017年關中平原城市群的UTEIFig.6 The urban thermal environment index of Guanzhong Plain urban agglomeration in 2017

圖7顯示,白天標準化后的LST與UTEI之間存在顯著的相關性(P＜0.05),兩者表現為二次曲線關系,相關系數高達0.850;夜晚標準化后的LST與UTEI之間也存在顯著的負相關(P＜0.05),相關系數達到了0.624.作為一個新的地表綜合參數,UTEI不僅能夠直觀形象的展示地區熱環境的時空分布狀況,還可以作為一個新的城市熱環境監測指標來衡量區域環境質量.

圖7 2017年夏季UTEI與LST的關系Fig.7 Relationship between UTEI and LST in summer of 2017

2.4 LST的驅動力分析

地理探測器的自變量因子應當是類型值而非連續型數值,進行計算之前必須將 EVI、NDBSI、DEM、平均降水、AOD與夜間燈光這6個因子進行重分類(土地利用數據已是類型值).首先借助自然間斷點分級法將自變量劃分為 6類,該方法已被相關學者[31]用于城市熱環境研究中驅動因子的離散化處理.然后利用采樣工具將研究區分為間隔2.5km大小的格點,將 LST與重分類后的影響因子提取值至每一個格點,最后將數據導入地理探測器軟件進行計算.

2.4.1 因子探測分析 因子探測分析可以探測某自變量在多大程度上能解釋 LST的空間分異性,用取值范圍為[0,1]的q值進行度量.q值越大表示變量X對于 LST的解釋(影響)能力就越強,反之則越弱.如表 5所示,各個驅動因子對于地表溫度的解釋能力在白天和夜晚存在顯著的差異,白天的解釋能力明顯優于夜晚.在白天,7個驅動因子對于 LST的解釋能力從大到小排序依次為:NDBSI(0.686)＞DEM(0.672)＞EVI(0.616)＞AOD(0.539)＞土地利用(0.483)＞夜間燈光(0.473)＞降水(0.403).地表參數(NDBSI、DEM及EVI)對于LST的影響皆超過0.6,顯著高于氣象因子(降水與 AOD)與人類活動作用(夜間燈光與土地利用),表明地表參數在白天是LST空間分異的主控因子.主要原因可能在于夏季白天的太陽高度角大、日照時間長、植被生長旺盛,不透水面與裸地等高熱容量地表增溫迅速,而公園、森林等植被覆蓋密集處則因植被的光合作用與遮蔽效果升溫緩慢,從而導致LST在空間上的分異性顯著.

表5結果顯示,7個驅動因子對于夜間LST的解釋能力從大到小排序依次為: DEM(0.845)＞AOD(0.515)＞夜間燈光(0.419)＞土地利用(0.238)＞NDBSI(0.235)＞EVI(0.217)＞降水(0.203).這表明高程對夜間LST空間分布的影響最大,AOD與夜間燈光對LST的影響十分顯著,而NDBSI、EVI、降水與土地利用對于 LST的影響則較小.相較于白天的因子作用效果,高程對于 LST的影響有著顯著提升,AOD對于LST的影響略有下降,而NDBSI、EVI、降水與土地利用對于 LST的影響下降幅度巨大.主要原因可能在于夜間植被的光合作用減弱,人工地表向大氣釋放白天所存儲的熱量,而AOD等大氣懸浮顆粒則通過向下的長波輻射對地表起著保溫作用.

表5 2017年LST驅動因素探測分析Table 5 Land surface temperature driving factors detection and analysis table in 2017

2.4.2 各因子的交互作用分析 交互作用探測是評估兩個因子共同作用時是否會增強或減弱對于LST的解釋能力,或者判斷這兩個因子對于 LST的影響是否相互獨立.在夏季白天(表6),任意兩個因子的交互作用(q值)皆大于單一因子對于LST的影響,都表現為顯著的雙因子增強效果,這說明各個因子對于 LST的影響都是相互獨立的,且兩兩交互的作用效果優于單一因子的作用.高程(DEM)與其它各個因子之間的交互效果都十分顯著(q＞0.7),其與NDBSI之間的交互作用最大(q＞0.9),說明 DEM 與NDBSI之間的交互作用最能解釋白天LST的空間分異性.

表6 2017年夏季白天地表溫度驅動因子交互分析Table 6 Interaction analysis of driving factors of surface temperature in summer daytime of 2017

到了夜晚(表 7),高程與其它變量之間的交互作用依舊十分的顯著,q值都接近 0.85.其中,高程與夜間燈光(人類活動因素)的交互效果最大(q=0.863),說明海拔與人類活動是關中平原城市群夏季夜晚LST的主要影響因素.AOD與其它變量之間的交互作用均大于0.5,其中AOD與DEM的交互值(0.849)僅次于DEM與夜間燈光的交互值.這說明氣溶膠等懸浮顆粒物在夜晚具有良好的保溫效果,也是區域城市熱島的重要影響因子.

表7 2017年夏季夜晚地表溫度驅動因子交互分析Table 7 Interaction analysis of driving factors of surface temperature in summer nighttime of 2017

3 討論

3.1 人類活動對城市熱島的影響

城市熱島與人類活動息息相關,快速的城市化加劇了大量的自然地表轉化為人工不透水面,整個關中平原城市群 2001～2017年的不透水面積已由4238km2增長為7250km2.這些人造地表主要由磚石構造與混泥土材料所組成,相比植被、水體等自然表面,其蒸散發下降,儲熱能力上升[40].過去的研究僅僅簡單的將各種以行政單元為尺度的社會統計數據與SUHII進行線性回歸[30,43],從空間上割裂了城市熱場的連續性和完整性,也難以定量化的探究人類活動對地表熱環境的擾動.文章使用夜間燈光數據來表征人類活動的強弱程度,通過將夜間燈光數據作為一個輔助參數,構建了一個能夠表征城市地表熱環境的UTEI指數,保證了人類活動強度在空間上的連續性和一致性.同時,借助地理探測器的因子探測與交互探測功能,定量化的評價了人類活動對城市熱場的影響.

3.2 鄉村背景選取對城市熱島的影響

目前,國內外學者對于城市熱島研究中鄉村背景的選取并沒有給出一個固定的解決方案,但大致上可以分為“城鄉二分法”與“緩沖區分析法”兩種.城鄉二分法是將研究區按照土地利用屬性劃分為建設用地與非建設用地,通過求取兩者平均地溫的差值來表征城市熱島強度的大小.緩沖區分析法則是先根據建設用地利用強度劃分出城區范圍,然后用城區周邊一定緩沖區距離內非建設用地的占比來確定鄉村區域,最后求取兩者平均地溫的差值.使用不同的計算方法會得出不同的熱島強度值,選取具有代表性的鄉村背景是城市熱島研究中不可忽視的重要環節[44].本文在進行城市與鄉村的劃分時充分考慮了時間變化的影響,利用兩個時期的土地利用數據將城市區域劃分為老城區與新建城區,最后使用統一的鄉村背景作為參照對象,保證了結果的延續性與合理性.同時,本文并未排除農村地區的海拔影響,原因在于農村地區的天然林更多的分布在高海拔地區[24],保留這些區域可能會更加準確地反映農村LST的大小.

3.3 尺度效應對城市熱島的影響

城市熱環境具有尺度效應[45],在不同的時間和空間尺度下會得出不一樣的研究結論.高空間分辨率的遙感影像能夠提供更加豐富的地物細節,但受限于重訪周期與過境時刻的天氣狀況,難以在特定時期內獲取到連續、高質量的影像數據.關中平原城市群地處西北內陸,轄區面積廣闊,使用Landsat系列衛星數據將難以保證數據在時間尺度上的一致性.MODIS傳感器擁有較高的時間分辨率和地面覆蓋范圍,盡管其空間分辨率相比于Landsat系列稍遜一籌,但可以對大區域地表熱環境實現穩定和連續的監測.同時,利用已有的高空間分辨率的可見光-近紅外數據,選取合適的算法對低空間分辨率的熱紅外影像進行降尺度研究,構建快速、高效和精確的遙感影像時空融合模型來加強城市內部的遙感監測將是未來城市熱環境遙感研究的重要方向.

4 結論

4.1 關中平原城市群 2001～2017年夏季白天平均LST為29.3℃,夜晚為18.3℃.白天的LST存在小幅下降,變化趨勢為-0.053℃/a;夜間 LST表現為小幅上升的趨勢,變化率為0.026℃/a,LST在白天的降溫幅度略微高于夜間的增溫幅度.

4.2 整個關中平原城市群 17a間夏季城市熱島強度呈顯著上升趨勢,白天的增長幅度大于夜間.無論白天還是夜晚,SUHIISU都顯著大于SUHIINU.

4.3 2001～2017年夏季白天平均LST的高溫區主要分布在中部關中平原地區,低溫區主要分布在南部的秦嶺山脈、中部黃河沿岸與北部山區. 夜間 LST的空間分布與白天較為一致,但高值區更加集中.

4.4 相比其它單一的地表參數,利用主成分分析法構建的UTEI能夠很好的表征區域熱環境的優劣狀況.UTEI與 LST之間存在顯著的負相關,白天(P＜0.05,R2=0.850)和夜晚(P＜0.05,R2=0.624)都表現為二次曲線關系,白天的相關性大小略高于夜間.

4.5 因子探測分析表明,地表參數(NDBSI、DEM與EVI)在白天是地表溫度空間分異的主控因子,人類活動(夜間燈光)、海拔高低(DEM)與大氣因子(AOD)是夜間地表溫度的主要控制變量;交互探測結果顯示,無論白天還是夜晚,任意雙因子之間的交互作用優于單一因子的作用效果,表現為顯著的雙因子增強.其中DEM與NDBSI之間的交互效果在白天最好,DEM 與夜間燈光的交互作用在夜間最大,AOD在夜間的影響效果顯著.