基于遥感影像的城市热岛变化及绿地影响——以三河市为例

王梓菡; 温少妍; 邓淼; 单新建

doi:10.12404/j.issn.1671-1815.2501216

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :914-925 DOI: 10.12404/j.issn.1671-1815.2501216

论文：天文学、地球科学

基于遥感影像的城市热岛变化及绿地影响——以三河市为例

王梓菡 ¹ ,
温少妍 ¹^,²^,^* ,
邓淼 ¹ ,
单新建 ²^,³

作者信息 +

Urban Heat Island Change and Green Space Impact Based on Remote Sensing Imagery: Sanhe City

WANG Zi-han ¹ ,
WEN Shao-yan ¹^,²^,^* ,
DENG Miao ¹ ,
SHAN Xin-jian ²^,³

Author information +

文章历史 +

摘要

探究城市热岛效应的变化趋势对于城市可持续发展具有重要意义。以河北省三河市为研究区域,基于Landsat 8遥感数据,应用单窗算法反演地表温度,并结合目视解译与叠加分析方法,系统分析城市绿地与地表温度之间的关系。研究结果显示,2014—2020年,三河市热岛效应变化明显,高温区主要集中在居民区和高校周边。归一化植被指数(normalized difference vegetation index,NDVI)与地表温度呈显著负相关,NDVI值越高,冷岛效应越显著;绿地面积与地表温度亦呈负相关,但二者关系并不线性;绿地周长与地表温度之间的相关性较弱,仅在样本量较大时才显现微弱联系。总体而言,绿地对周边区域具有一定的降温作用,但其降温范围受多种因素共同影响,绿地面积与降温范围相关性不显著,单一增加绿地面积并不能直接扩大降温覆盖范围。研究结果可为城市绿地规划与热环境调控提供科学参考。

Abstract

Exploring the variation trends of urban heat island (UHI) effects is critically important for sustainable urban development.UHI characteristics of Sanhe City, Hebei Province were investigated, using Landsat 8 satellite imagery. Land surface temperature (LST) was retrieved via the single-window algorithm, and visual interpretation and overlay analysis were employed to examine the relationship between urban green spaces and LST. The results show that from 2014 to 2020, the UHI effect in Sanhe undergoes significant changes, with high-temperature zones mainly distributed in residential and university areas. The normalized difference vegetation index (NDVI) is found to be negatively correlated with LST, and stronger cooling effects are observed in areas with higher NDVI values. Although green space area also shows a negative correlation with LST, the relationship is non-linear. The correlation between green space perimeter and LST is weak and becomes noticeable only when the number of samples is sufficiently large. Overall, green spaces have a cooling effect on surrounding areas; however, the extent of this effect is influenced by multiple factors. There is only a weak correlation between green space area and cooling range, indicating that simply increasing green space area does not directly expand the extent of temperature reduction. These findings provide scientific insights for urban green space planning and heat environment mitigation.

Graphical abstract

关键词

地表温度 / 植被覆盖度 / 热岛效应 / 绿地 / 三河市

Key words

surface temperature / vegetation cover / heat island effect / green space / Sanhe City

引用本文

引用格式 ▾

王梓菡, 温少妍, 邓淼, 单新建. 基于遥感影像的城市热岛变化及绿地影响——以三河市为例[J]. 科学技术与工程, 2026, 26(3): 914-925 DOI:10.12404/j.issn.1671-1815.2501216

WANG Zi-han, WEN Shao-yan, DENG Miao, SHAN Xin-jian. Urban Heat Island Change and Green Space Impact Based on Remote Sensing Imagery: Sanhe City[J]. Science Technology and Engineering, 2026, 26(3): 914-925 DOI:10.12404/j.issn.1671-1815.2501216

登录浏览全文

4963

注册一个新账户忘记密码

随着城市化进程的加快,城市热岛效应(urban heat island, UHI)已成为制约城市生态环境质量和居民健康的重要因素之一^[1]。尤其是在中国中东部地区,快速扩张的城市空间、密集的建筑群以及绿地比例的下降,导致地表热环境持续恶化,引发了一系列如高温热浪、能源负荷增加和空气质量下降等问题^[2-11]。如何科学识别和有效缓解城市热岛效应,已成为城市规划和可持续发展的核心议题。

国外城市热岛研究起步较早,形成了较为成熟的理论框架和分析体系,聚焦于热岛成因进行建模、优化城市布局并且大力宣传绿色设施布局等方面,将研究成果成功融入政策中^[3-5]。而中国随着遥感技术、地理信息系统和空间建模方法的发展,城市热岛研究迅速推进,在数据获取、热环境分析与调控机制探索等方面取得了大量成果^[5]。研究区域也逐步从一线大城市向中小城市和都市边缘区延伸,研究内容从地表温度反演拓展至城市形态与生态结构协同分析^[1-11]。

李外宾等^[2]以石家庄主城区为例,利用Landsat遥感数据和热岛强度指数,揭示了建设密集区与绿地稀疏区热岛效应的空间分布特征,并指出绿地与水体在热环境调控中的显著作用。该研究强调了城市功能分区对热岛形成的差异性,为绿地优化提供了实证支撑。米晓楠等^[4]则采用中等分辨率成像光谱图与Landsat等多源数据,分析太原市不同季节和地类下的热岛动态,显示多源数据融合可显著提升热岛监测精度,尤其适用于多种地类的城市。郝学军等^[5]系统回顾了城市街谷尺度热岛研究,指出城市形态(如街道宽高比、建筑密度)是影响热岛微观特征的重要因子,并呼吁加强街谷-街区-城市多尺度联动机制的构建。

然而,当前中国研究仍存在3方面不足:一是城市层级不均,研究重心多聚焦于北上广深等一线城市,对于城市群边缘的中小城市关注不足,导致热岛调控策略在空间尺度上缺乏通用性;二是调控机制探讨不足,多数研究止步于热岛强度分布和绿地覆盖率分析,缺乏对绿地面积、形状、空间分布等结构性因子的深入探讨;三是非线性与复合效应识别不足,对绿地调温机制是否具有临界阈值、空间衰减规律等关键问题尚缺乏定量建模与精度分析。

针对上述问题,现以京津冀城市群中典型中小城市——河北省三河市为研究对象,利用2014年、2017年和2020年Landsat 8遥感影像,采用单窗算法获取地表温度,结合归一化植被指数(normalized difference vegetation index,NDVI)与绿地解译的数据,从绿地面积、周长等维度出发,系统评估其对热岛空间格局的调节能力,探索绿地与热岛作用机制中的非线性关系与边界效应。

选取位于京津冀边缘区的三河市作为研究对象,具有较强的区域代表性和现实指导意义。结合单窗算法与目视解译技术,综合利用地表温度、NDVI及绿地解译结果,以期提升地表热环境的识别精度。在研究绿地时,将NDVI>0.58的区域作为绿地范围,并提取9 264 个样本数据进行分析,从而弥补样本量不足的问题。进一步从面积、周长、降温范围等多维度视角,系统探讨绿地对热岛效应的缓释作用及其空间特征间的关系,重点关注绿地规模与结构配置对热环境的综合影响。期望在方法与尺度上实现技术集成与深化探索,并在城市热岛调控理论与规划实践之间建立有效的研究联系,为三河市及类似中小城市的绿地空间规划、生态修复与城市扩展布局提供可借鉴的思路与参考。

1 研究区概况及数据源

1.1 研究区概况

河北省廊坊市三河市位于首都东大门、京津包围之中,西距天安门30 km、南距天津125 km,地处京津冀都市群核心区。三河市地处暖温带,具有典型的大陆性气候特征,季节变化明显,气候条件总体温和且舒适。该地区的年均气温为11.1 ℃,历史上记录到的最高和最低温度分别为40.2 ℃和-25.8 ℃,年均降水量达到905.1 mm。如图1所示,三河市的行政区划包括3个区、10个镇和6个街道,总面积为643 km²。根据第七次全国人口普查数据,截至2020年11月1日,三河市的常住人口为近百万人。

随着城市化进程的加速,三河市的气候特征正受到城市热岛效应的影响。例如人类活动、建筑扩张以及工业化进程,导致了大量热量的积聚与释放,从而改变了区域的热量平衡和空气流通。三河市近年来的城市化发展使得大量非透水面(如水泥、沥青)覆盖面积增加,减少了地面水分的蒸发与降温作用,加剧了局部温度的上升。此外,该地区的湿度较低(年均相对湿度为58%),使得城市在热岛效应的影响下更难以通过蒸发散热来调节温度,形成了一种“温室效应”式的气候现象。在水系方面,潮白河、泃河等河流构成了三河市的水系基础,但随着城市建设的推进,水系生态受到威胁,水域减少或污染加剧,进一步加剧了气候变化的恶化。人类活动对这些河流生态系统的影响,可能会进一步加剧该地区的热岛效应。

三河市的工业化发展及人口增长,也是城市热岛效应加剧的原因。密集的建筑和车辆排放不仅增加了大气中的热量,还带来了更多的温室气体,进一步加剧了气候变化的负面影响。随着三河市常住人口接近百万,人口密集区的热岛效应将更加显著,尤其是在人口密集区域和商业、工业区附近,温度差异更为明显。因此,在研究三河市的气候和环境变化时,必须考虑到城市热岛效应及其相关因素,并采取适当的调控和缓解措施。

1.2 数据来源

选取2014年10月6日、2017年10月30日和2020年10月22日云量小于0.1%的Landsat8的卫星遥感影像以及边界矢量数据和研究区的高程数据为数据源,对遥感影像数据进行预处理,包括辐射定标、范围裁剪、大气校正。遥感数据及高程数据来源于地理空间数据云(https://www.gscloud.cn/),区域边界来源于DataV.GeoAtlas地理小工具系列(aliyun.com)。

2 研究方法

2.1 归一化植被指数的提取

归一化植被指数(NDVI)是一种广泛使用的遥感指标,用于监测和评估植被的生长状态和健康状况^[11-12]。这一指标用于衡量区域内植被的覆盖水平,其对区域的环境变化的研究有重要意义。NDVI的计算公式为

(1)NDVI=

N I R - R E D N I R + R E D

式(1)中:NDVI为归一化植被指数,取值为[-1,1];NIR为遥感影像近红外波段的反射率;RED为遥感影像红光波段的反射率。

接下来将ENVI软件计算的归一化植被指数导入ArGIS中,进行采样点的创建,并根据实际情况调整像元大小,选取宽度和高度都为1 000的点,共选取了637 个,用以后续进行相关性分析。

2.2 地表温度的反演

地表温度反演主要是基于卫星的热红外传感器观测到的地表热辐射之后将其中的大气影响减去从而得到地表热辐射强度,最后经过热辐射强度转换得到地表温度^[7]。随着卫星遥感技术的发展,利用遥感反演地表温度的方法不断出现,如劈窗法、双角度法和单通道算法等^[13-14]。本文中利用覃志豪单窗算法^[15]进行地表温度的反演。

首先利用ENVI软件计算地表比辐射率,根据Sobrino等^[16]提出的NDVI阈值法,计算公式为

(2)ε=0.004F_v+0.986

式(2)中:ε为地表比辐射率;F_v为植被覆盖度,计算公式为

(3)F_v=

N D V I - N D V I m i n N D V I m a x - N D V I m i n

式(3)中:为了去除噪声的影响,取研究区NDVI累计百分比为5%和95%的值作为最小值NDVI_min和最大值NDVI_max。

计算出地表比辐射率后即可进行黑体辐射亮度的计算,已知卫星传感器所观测到的辐射亮度值主要是包括3个部分:地表辐射经大气到达卫星传感器的能量;大气向上辐射亮度以及大气向下辐射并由地表反射后的能量。故可以采用辐射传输方程法计算其数值,计算公式为

(4)D(T_s)=[L_λ-L_↑-τ(1-ε)L_↓]/(τε)

式(4)中:D(T_s)为黑体辐射亮度值;L_λ为卫星接收到的热红外辐射;τ为大气透过率;ε为地表比辐射率;L_↑为大气上行辐射亮度; L_↓为大气下行辐射亮度;T_s为地表温度可以用普朗克公式的反函数来获得,计算公式为

(5)T_s=k₂/ln[k₁/B(T_s)+1]

式(5)中:k₁为第一辐射常数、k₂为第二辐射常数。不同的传感器k₁、k₂的取值是不一样的,对于Band10来说,通常k₁取774.89,k₂取1 321.08。

2.3 样本绿地的选取

随着城市化步伐的加快,地表城市热岛效应(surface urban heat island,SUHI)日益显著。地表温度作为衡量城市热环境的关键指标,探究其与城市绿地空间的联系对于缓解城市热岛效应具有重要的参考意义。研究表明,绿地具有降温增湿的效益,能够有效改善城市热环境^[17-20],探究城市绿地降温效应的影响因素及其作用机制,能够为优化城市绿化策略提供理论依据。

本文中所用的卫星底图为arcmap提供的网络地图瓦片服务(web map tile service,WMTS),用户可以通过WMTS请求获取地图瓦片,其提供了多种地图样式,其中包括Landscape(景观)样式,提取绿地时可选取OpenCycleMap_Landscape进行操作,再结合对在线卫星地图进行目视解译,提取样本绿地。选取绿地时,要选取规模大小不同且绿地利用类型不同的样本;为了防止绿地之间相互干扰,还要保证样本绿地之间相隔一定的距离。具体方法为:在ArGIS中导入底图,利用编辑工具进行编辑,创造新的面要素,对样本绿地进行边界选取。共选取了50 块样本绿地,其分布如图2所示。

为了避免样本数量过少而出现实验结果差异,该实验还将NDVI数据进行栅格转面处理,将这些面数据充当样本绿地。因为研究区属于暖温带大陆性气候且植被种类比较单一,所以NDVI数值受研究区域及植被类型影响较小,再结合网络地图与植被覆盖图做目视解译,将 NDVI > 0.58 作为高覆盖率城市绿地的判别阈值。0.58 附近的 NDVI 阈值能够较准确地识别植被覆盖较高的区域。基于此阈值提取出的9 264 个绿地样本,为后续绿地-地表温度相关性分析提供了充足可靠的数据基础^[18]。

3 结果与分析

3.1 地表温度反演结果

运用单窗算法,借助ENVI软件对研究区地表温度进行了反演,最终得到的地表温度分布结果如图3所呈现。为了精准评估反演数据的精确度,精心挑选了河北省廊坊市三河市气象局地面监测站记录的3年当日平均气温数据,将其与反演成果进行了细致入微的对比分析,对比结果如表1所示。经过严谨的分析,研究结果清晰地表明,在3个不同时间段内,通过反演技术精心计算得出的平均温度与实地观测所获取的平均温度之间的差异均未超过3 ℃这一关键阈值。尤其在2017年,反演得到的平均温度与实地观测值之间的差异更是微乎其微,仅为1.47 ℃。这一微小的误差充分证明了本研究中反演得到的地表温度数据具有极高的准确性,其可靠程度足以支撑城市热岛效应的深入研究与全面分析,为后续相关研究工作提供了坚实有力的数据基础。

为了更准确地评估研究区域内城市热岛效应的强度,本研究采用了均值-标准差法^[18]对数据进行分类处理。该方法依据地表温度与平均值之间的偏差程度来界定热环境区域。具体而言,如图4所示地表温度被细分为5个不同的等级:强冷岛区、冷岛区、中间区、热岛区以及强热岛区。以下是2014年、2017年和2020年研究区地表温度的反演图及其分级图示,同时对各区域的面积进行统计,具体数据如表2所示。

3.2 热岛效应的时空分析

地表温度反演结果显示(图3、图4),热岛效应在时间维度和空间维度存在明显的变化,三河市东南地区的气温有明显下降,主要涉及地区包括一条人工挖掘河道(引泃入潮)、鲍邱河以及潮白河两岸的洼地区域,这些地区地势低平,多积水洼地,因此可能更容易受到气温变化的影响;结合网络地图来看,三河市东南部地区多为乡村,人口流失问题严重可能是造成城市热岛效应减弱的重要原因之一;也可能由于植被覆盖度的变化造成温度的变化,下文有做出相应研究。结合表2分析,2014—2020年间,强冷岛区和冷岛区增长了74.5 km²,增长率为88.1%;热岛区和强热岛区下降了73.18 km²,减少率为24.6%。说明近年来,城市热岛效应受到了相关地方政府的密切关注,他们已经实施了一系列针对性的策略来减轻这一现象的影响。

通过对强热岛区和热岛区所处位置并结合网络在线地图进行目视解译,结果如图5所示,可以看出,2020年10月份三河市的高温区和次高温区主要集中在:高校、居民区、车站、商业区、工厂及产业园。

城市地表温度的升高是一个复杂的现象,其受到多种因素的影响。在居民区,城市化进程中人造地表的扩张替代了自然地表,人造地表的低反照率和高热容量以及微弱的蒸发和蒸腾作用,共同作用于太阳辐射的吸收和热量的存储,从而加剧了地表温度的升高^[19]。高校区域、商业区域是由于人口集中,人流量大,导致人为热排放增多,并且该区域建筑物密集,商业楼较高,加之硬质地面和建筑物结构限制了热量的散发,导致热量聚集现象^[21-22]。由于车站区域人流量密集且车辆活动频繁,产生了大量的人为热源。此外,该区域的硬质地面和建筑物构造不利于热量的迅速散发,这些因素共同作用导致该区域地表温度相对较高^[17]。工业区的工业生产活动释放大量热量,排放的温室气体如二氧化碳进一步加剧了环境温度的升高,工业区以集中分布的形式排放废热,对城市生态热环境造成了严重影响。这些因素共同作用,构成了城市热岛效应的多维度影响机制,对城市生态和居民健康产生了深远的影响。

3.3 植被覆盖与热岛效应的关系

NDVI作为量化城市热岛的重要指示器,与地表温度和气温紧密相关。根据香港城市热岛效应的遥感反演分析研究^[22],城市绿地可以通过增加NDVI值来缓解城市热岛效应。选取大于0.45的NDVI值作为研究对象,并导入ArGIS进行可视化处理,植被覆盖程度如图6、图7所示。可以明显发现强热岛区减弱的区域植被覆盖度是增多的,再结合2020年的冷岛区域和植被的叠加分析图,可知植被对减轻热岛效应有明显的作用。

为得到植被覆盖度与地表温度之间关系的更可靠数据,将前文选取的635 个的采样点与温度进行叠加分析,提取出采样点的温度。将3年的数据分别导入SPSS中进行分析并生成散点图,具体图表如图8所示。通过相关性分析:2014年、2017年和2020年的皮尔逊相关性系数分别为-0.44、-0.16、-0.34,表示两者之间存在负相关关系,即温度升高时,NDVI倾向于降低,反之亦然,这种相关性在0.01的显著性水平上显著。

3.4 绿地对热岛效应的影响

了解NDVI与地表温度的关系有助于城市规划和管理,探究如何通过改变绿化来缓解城市热岛效应并且提高城市居民的生活质量是当今重要课题^[20,23-27]。

首先探究绿地面积的大小对于地表温度的影响。将数据导入SPSS软件进行分析,得相关性系数为-0.526,将数据再导入WPS绘制散点图,如图9所示。

分析结果显示,随着绿地面积的扩大,绿地内部的温度呈现出降低的趋势。该回归模型的R²为0.28,表明模型具有一定的解释力。图表分析揭示了绿地面积与内部平均温度之间存在一定的相关性,但这种关系并非线性的。研究发现,随着绿地面积的扩大,绿地内部的平均温度初期有所下降,但随后变化趋于平缓。这一现象表明,单纯依靠增加绿地面积来减缓地表温度的方法存在局限。

为避免个例样本的局限性以及与实际选取的绿地样本做对比,另用NDVI栅格数据转面之后的样本面积与绿地平均温度叠加提取后的数据导入SPSS进行相关性分析,皮尔逊相关性系数为-0.14,R²=0.028,如图10所示。

样本增加后相关性反而降低了,说明在较小的样本量中,相关系数可能高估了线性相关性。也可能是由于绿地面积与平均温度之间的关系是非线性的,当样本量增加时,非线性关系可能更加明显,导致相关系数的绝对值减小。该模型R²较低,说明绿地面积并不是单一影响平均温度的因素,平均温度受到许多难以测量或控制的因素的影响,但也具有一定的参考价值,当绿地面积在20 ha以下的时候变化比较显著。

接下来探究绿地周长对绿地内部平均温度的影响,分析结果如表3所示。按同样方法统计出样本绿地的周长,与平均温度叠加提取后导入SPSS中做相关性分析。如下表可知其皮尔逊相关性系数为-0.133,不具有相关性。

同样,为避免样本个数太少产生局限性,将NDVI栅格数据转面之后的样本周长与平均温度叠加提取后导入SPSS进行相关性分析。结果显示两者具有相关性,皮尔逊相关性系数为-0.147,R²=0.028,如图11所示。

已知在较小的样本量中,效应大小可能不足以产生显著的结果,但在较大的样本量中,即使效应大小很小,也有可能检测到显著的相关性。这提示周长虽然对温度有一定影响,但可能不是决定性因素,后续研究需要结合其他变量进一步分析。

参考肖燕^[27]采用的“降温范围”作为评估指标,通过分析降温范围与绿地面积之间的相关性,来定量评估绿地的降温效果^[28-30]。对提取的样本绿地进行缓冲区的建立,缓冲区范围为0~300 m,每隔20 m建立一个缓冲区。

将50块样本绿地的15条缓冲区温度与其内部平均温度进行对比,发现只有十几个样本具有降温效果,且降温范围与面积的关系不显著。判断是由于样本数量过小导致,故对NDVI栅格数据转面后的9 264 个绿地样本建立一条20 m缓冲区进行分析,结果其中949个样本不具备降温效果,占比达到10.24%。

同样将剩余的8 315 个样本建立15条缓冲区并与温度进行叠加分析。将统计后所得的降温范围与绿地面积的数据导入SPSS中进行相关性分析,求得皮尔逊相关性系数为0.094,决定系数R²为0.014,如图12所示。两者之间的关系虽为正相关,但相关性系数过低,不能得出面积越大降温效果越明显的结论,可能是因为变量之间没有直接的因果关系,或者它们之间的关系被其他未考虑的变量所掩盖。

4 讨论

通过对热岛效应的时空分析及空间分析,2014—2020年间,热岛区有明显下降,且分析出热岛区集中在人类活动密切的地方,如车站、高校等。通过分析NDVI与地表温度之间的相关性,进一步提取出“以NDVI栅格数据为基础的面数据”充当样本绿地来分析绿地与地表温度之间的关系。具体以绿地的面积、周长作为变量,分析其与地表温度之间的相关性,又进一步探究了绿地面积与降温范围之间的相关性,以此作为研究绿地对热岛效应影响的基础数据。但单一因素对绿地的影响相关性较弱,例如:绿地周长与绿地内部地表温度的关系需要结合绿地面积、形状及周围环境共同分析。研究绿地对地表温度的影响最好采用多个因素是耦合模型进行讨论。

本文研究尚存在较大的不确定性,对于三河市热岛效应的研究,仅选取三年的遥感影像是不足够的,并且遥感影像的分辨率较低会对反演结果造成误差,绿地类型的多样性对热岛效应的影响也尚未深入分析,如乔木、灌木和草地的作用可能存在显著差异。此外,本文研究未充分考虑社会经济因素(如人口密度、经济发展水平等)。

对热岛效应的影响未来研究应重点集中在以下几个方面:①要考虑季节的不同,天气的原因,早晚的差异,更为客观的分析热岛效应的时间分布;②可进一步分析绿地景观要素对热岛效应的影响,如绿地的蒸腾作用、散热情况以及种类等。同时在分析绿地降温范围时增加其他影响因子,如绿地类型、绿地功能等;③综合考虑气象、社会经济等多源数据,构建多因素的耦合模型,以更全面地揭示热岛效应的驱动机制;④开展长期监测和模拟预测,为城市热岛效应的治理提供动态决策支持。

众多研究表明,城市热岛效应的形成是一个复杂的过程,它受到城市化发展、地理特征、建筑材质等多种因素的交互影响。在城市规划与建设中,必须注重绿色建筑和景观设计的实施,以减轻热岛效应的严重性和其带来的影响。

5 结论

随着城市化进程的深入发展,城市面积的持续扩张使SUHI加剧,这一现象已成为城市化发展中日益突出的问题。城市热岛效应对居民的生活质量和城市的可持续发展也造成了显著影响,其重要性不容忽视。讨论了河北省廊坊市三河市热岛效应的时空演变特征以及绿地的各种指标与地表温度之间的关系,得到如下结论。

(1)运用单窗算法对Landsat8的遥感影像进行反演,可知三河市强热岛区主要集中在高校、居民区、车站、商业区、工厂及产业园等建筑物密集和人口集中的区域,强冷岛区和冷岛区增长率为88.1%;热岛区和强热岛区减少率为24.6%。热岛效应在2014—2020年间得到了有效缓解。

(2)利用叠加分析法,将提取的绿地点与地表温度相结合,探究两者之间的关系,得到结论,植被覆盖度与地表温度之间是负相关的关系,温度升高时,NDVI倾向于降低,反之亦然,且这种相关性在0.01的显著性水平上显著。表明通过增加植被覆盖度可有效减弱城市热岛效应。

(3)以样本绿地为例,建立缓冲带,结合2020年地表温度数据,提取绿地的平均温度数据,分析绿地面积、周长与地表温度的关系且进一步探究绿地面积与降温范围的相关性,并将NDVI栅格数据进行栅格转面,将处理后的面数据充当绿地样本进行补充实验,研究结果为:绿地面积与其内部平均地表温度之间是负相关,但两者不是线性关系;样本块为50时,绿地周长与其内部平均地表温度无关,当样本扩充到一定程度后,绿地周长与其内部平均地表温度具有微小的相关性;绿地对周边有一定的降温影响,绿地面积与降温范围相关性较弱,说明降温范围受其他因素影响,并不是绿地面积越大降温范围越明显,推测为降温范围的影响因子较为复杂,单一的改变绿地面积不能直接改变降温范围的大小。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	武苗, 张红, 张霄羽, 等. 城市热岛效应的遥感定量评估及空间扩张研究——以太原市为例[J]. 遥感技术与应用, 2024, 39(6): 1512-1523.

[2]	Wu Miao, Zhang Hong, Zhang Xiaoyu, et al. Quantitative evaluation of urban heat island effect by remote sensing and research on spatial expansion: a case study of Taiyuan City[J]. Remote Sensing Technology and Application, 2024, 39(6): 1512-1523.

[3]	李外宾, 汤军, 高贤君, 等. 石家庄市主城区热岛特征及变化分析[J]. 科学技术与工程, 2021, 21(27): 11858-11867.

[4]	Li Waibin, Tang Jun, Gao Xianjun, et al. Analysis of heat island characteristics and changes in the main urban area of Shijiazhuang[J]. Science Technology and Engineering, 2021, 21(27): 11858-11867.

[5]	尹翠景, 封凯, 王奇, 等. 遥感城市热岛提取的影响因素分析[J]. 遥感技术与应用, 2021, 36(3): 673-681.

[6]	Yin Cuijing, Feng Kai, Wang Qi, et al. Analysis of influence factors of urban heat island effect based on remote sensing[J]. Remote Sensing Technology and Application, 2021, 36(3): 673-681.

[7]	米晓楠, 白林燕, 赵永强, 等. 基于多源卫星资料的太原市城市热岛效应分析[J]. 科学技术与工程, 2021, 21(32): 13650-13658.

[8]	Mi Xiaonan, Bai Linyan, Zhao Yongqiang, et al. Analysis of urban heat island effect in Taiyuan City based on multi-source satellite data[J]. Science Technology and Engineering, 2021, 21(32): 13650-13658.

[9]	郝学军, 朱烨, 周海珠. 城市街谷热岛效应研究进展[J]. 科学技术与工程, 2024, 24(16): 6576-6591.

[10]	Hao Xuejun, Zhu Ye, Zhou Haizhu. Research progress of urban street valley heat island effect[J]. Science Technology and Engineering, 2024, 24(16): 6576-6591.

[11]	岳晓蕾, 林箐, 杨宇翀. 城市绿地对热岛效应缓解作用研究--以保定市中心城区为例[J]. 风景园林, 2018(10): 65-70.

[12]	Yue Xiaolei, Lin Qing, Yang Yuchong. The effect of urban green spaces on mitigating the urban heat island effect: a case study of the central urban area of Baoding City[J]. Landscape Architecture, 2018(10): 65-70.

[13]	张乃心, 杨树文, 张萌生, 等. 彩钢板建筑聚集密度对城市热岛效应影响分析———以兰州市为例[J]. 科学技术与工程, 2022, 22(6): 2185-2192.

[14]	Zhang Naixin, Yang Shuwen, Zhang Mengsheng, et al. Analysis on the influence of concentration density of colored steel plate buildings on urban heat island effect: a case study of Lanzhou City[J]. Science Technology and Engineering, 2022, 22(6): 2185-2192.

[15]	周宏轩, 炎欣烨, 李童欣, 等. 基于绿化指标的城市绿地降温效应研究进展[J]. 科学技术与工程, 2022, 22(29): 12706-12715.

[16]	Zhou Hongxuan, Yan Xinye, Li Tongxin, et al. Research progress of urban green space cooling effect based on greening index[J]. Science Technology and Engineering, 2022, 22(29): 12706-12715.

[17]	何炳伟, 赵伟, 李爱农, 等. 基于Landsat 8遥感影像的新旧城区热环境特征对比研究-以成都市为例[J]. 遥感技术与应用, 2017, 32(6): 1141-1150.

[18]	He Bingwei, Zhao Wei, Li Ainong, et al. Comparative study on thermal environment between old urban areas and new urban areas based on Landsat 8 remote sensing image: a case study of Chengdu City[J]. Remote Sensing Technology and Application, 2017, 32(6): 1141-1150

[19]	蒋子琪, 王旭红, 冯子豪, 等. 西安市热岛效应与污岛效应的相互作用研究[J]. 干旱区研究, 2022, 39(6): 1768-1781.

[20]	Jiang Ziqi, Wang Xuhong, Feng Zihao, et al. Study on the inter action between heat island effect and pollution island effect in Xi’an City[J]. Arid Zone Research, 2022, 39(6): 1768-1781.

[21]	付瑜, 赵红颖, 赵帅阳, 等. 2002—2018 年北京市通州区城市热岛(冷岛)效应时空分异规律及其影响因素[J]. 科学技术与工程, 2020, 20(23) : 9509-9520.

[22]	Fu Yu, Zhao Hongying, Zhao Shuaiyang, et al. Spatial and temporal variation of urban heat island (cold island) effect and its influencing factors in Tongzhou District, Beijing from 2002 to 2018[J]. Science Technology and Engineering, 2020, 20(23): 9509-9520.

[23]	熊俊楠, 李伟, 程维明, 等. 高原地区LST空间分异特征及影响因素研究——以桑珠孜区为例[J]. 国土资源遥感, 2019, 31(2): 164-171.

[24]	Xiong Junnan, Li Wei, Cheng Weiming, et al. Spatial variability and influencing factors of LST in plateau area: exemplified by Sangzhuzi District[J]. Remote Sensing for Land & Resources, 2019, 31(2): 164-171.

[25]	胡德勇, 乔琨, 王兴玲, 等. 单窗算法结合Landsat8热红外数据反演地表温度[J]. 遥感学报, 2015, 19(6): 964-976.

[26]	Hu Deyong, Qiao Kun, Wang Xingling, et al. Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm[J]. National Remote Sensing Bulletin, 2015, 19(6): 964-976.

[27]	宋挺, 段峥, 刘军志, 等. Landsat 8数据地表温度反演算法对比[J]. 遥感学报, 2015, 19(3): 451-464.

[28]	Song Ting, Duan Zheng, Liu Junzhi, et al. Comparison of four algorithms to retrieve land surface temperature using Landsat 8 satellite[J]. National Remote Sensing Bulletin, 2015, 19(3): 451-464.

[29]	覃志豪, Zhang Minghua, Arnon Karnieli, 等. 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 2001, 56(4): 456-466

[30]	Qin Zhihao, Zhang Minghua, Arnon Karnieli, et al. Mono-window algorithm for retrieving land surface temperature from landsat TM6 data[J]. Acta Geographica Sinica, 2001, 56(4): 456-466.

[31]	Sobrino J A, Raissouni N. Toward remote sensing methods for land cover dynamic monitoring: application to Morocco[J]. International Journal of Remote Sensing, 2000, 21(2): 353-366.

[32]	孟庆岩, 王子安, 张琳琳, 等. 多空间尺度下城市热环境与不透水面聚集密度响应关系[J]. 遥感学报, 2022, 26(9): 1789-1801.

[33]	Meng Qingyan, Wang Zi’an, Zhang Linlin, et al. Response relationship between urban thermal environment and impervious surface distribution density at multi-spatial scale: a case study of Beijing[J]. National Remote Sensing Bulletin, 2022, 26(9): 1789-1801.

[34]	Necula M, Andrei T, Oancea B, et al. Urban green index estimation based on data collected by remote sensing for Romanian cities[J]. arXiv Preprint, arXiv: 2402. 18618, 2024.

[35]	赵松婷, 李新宇, 刘秀萍, 等. 首都功能核心区城市森林公园冷岛效应评价[J]. 科学技术与工程, 2023, 23(2): 857-862.

[36]	Zhao Songting, Li Xinyu, Liu Xiuping, et al. Evaluation on cold is land effect of urban forest park in the functional core area of capital[J]. Science Technology and Engineering, 2023, 23(2): 857-862.

[37]	潘涛, 张弛, 杜国明, 等. 城乡不透水面增长格局及地表温度的响应特征研究[J]. 地球信息科学学报, 2017, 19(1): 134-142.

[38]	Pan Tao, Zhang Chi, Du Guoming, et al. Research on the growth pattern of urban impervious surfaces and the response characteristics of surface temperature[J]. Journal of Geo-information Science, 2017, 19(1): 134-142.

[39]	郭俊钰, 戴礼云, 梁继, 等. 典型地表对长沙主城区地表温度的影响分析[J]. 遥感技术与应用, 2021, 36(5): 1209-1222.

[40]	Guo Junyu, Dai Liyun, Liang Ji, et al. Typical land cover impacts on land surface temperature of Changsha metropolitan area[J]. Remote Sensing Technology and Application, 2021, 36(5): 1209-1222.

[41]	刘琳, 刘雪梅, 张渊智. 香港城市热岛效应的遥感反演分析[J]. 测绘科学技术, 2017, 5(2)23-33.

[42]	Liu Lin, Liu Xuemei, Zhang Yuanzhi. A remote sensing study of the urban heat island of Hong Kong[J]. Geomatics Science and Technology, 2017, 5(2): 23-33.

[43]	汪雪淼, 孟庆岩, 赵少华, 等. GF-2在城市绿地分类及景观格局度量中的应用[J]. 地球信息科学学报, 2020, 22(10): 1971-1982.

[44]	Wang Xuemiao, Meng Qingyan, Zhao Shaohua, et al. Application of GF-2 in urban green space classification and landscape pattern measurement[J]. Journal of Earth Information Science, 2020, 22(10): 1971-1982.

[45]	邹婧, 曾辉. 城市地表热环境与景观格局的关系——以深圳市为例[J]. 北京大学学报(自然科学版), 2017, 53(3): 436-444.

[46]	Zou Jing, Zeng Hui. The relationship between urban surface thermal environment and landscape pattern: a case study of Shenzhen City[J]. Peking University Journal of Natural Sciences, 2017, 53(3): 436-444.

[47]	潘金胤, 王世东, 范沁河. 基于遥感绿色指数的城市生态环境质量评价研究——以南京市为例[J]. 自然资源遥感, 2024, 36(3): 88-95.

[48]	Pan Jinyin, Wang Shidong, Fan Qinhe. Assessment of urban ecological quality based on the remote sensing green index: a case study of Nanjing City[J]. Remote Sensing for Natural Resources, 2024, 36(3): 88-95.

[49]	焦敏, 周伟奇, 钱雨果, 等. 斑块面积对城市绿地降温效应的影响研究进展[J]. 生态学报, 2021, 41(23): 9154-9163.

[50]	Jiao Min, Zhou Weiqi, Qian Yuguo, et al. Influences of patch size on the cooling capacity of urban greenspace: progresses, problems and perspectives[J]. Acta Ecologica Sinica, 2021, 41(23): 9154-9163.

[51]	肖燕, 樊风雷. 城市公园绿地降温效应分析——以太原市为例[J]. 华南师范大学学报(自然科学版), 2024, 56(3): 80-92.

[52]	Xiao Yan, Fan Fenglei. Analysis of the cooling effect of urban park green spaces: a case study of Taiyuan City[J]. Journal of South China Normal University (Natural Science Edition), 2024, 56(3): 80-92.

[53]	熊育久, 赵少华, 鄢春华, 等. 城市绿地资源多尺度监测与评价方法探讨[J]. 国土资源遥感, 2021, 33(1): 54-62.

[54]	Xiong Yujiu, Zhao Shaohua, Yan Chunhua, et al. A comparative study of methods for monitoring and assessing urban green space resources at multiple scales[J]. Remote Sensing for Land & Resources[J], 2021, 33(1): 54-62.

[55]	赵芮, 申鑫杰, 田国行, 等. 郑州市公园绿地景观特征对公园冷岛效应的影响[J]. 生态学报, 2020, 40(9): 2886-2894.

[56]	Zhao Rui, Shen Xinjie, Tian Guoxing, et al. The influence of landscape characteristics of a park green space on the park cool island effect in Zhengzhou City[J]. Acta Ecologica Sinica, 2020, 40(9): 2886-2894.

[57]	冯思维, 杨清华, 贾伟洁, 等. 基于光学遥感的内陆地表水体提取综述[J]. 自然资源遥感, 2024, 36(3): 41-56.

[58]	Feng Siwei, Yang Qinghua, Jia Weijie, et al. Information extraction of inland surface water bodies based on optical remote sensing: a review[J]. Remote Sensing for Natural Resources, 2024, 36(3): 41-56.

基金资助

中央高校基本科研业务费专项(ZY20240221)

地震科技星火计划(XH25056YA)

国家自然科学基金青年科学基金(42504012)

地震动力学国家重点实验室资助项目(LED2023B08)

国家自然科学基金面上项目(42274014)

新疆天山英才科技创新团队项目(2024TSYCTD0014)

PDF (21657KB)

访问

被引

详细

导航

Received	Published	Revised
2025-02-25	2028-07-28	2025-10-14
Online Date
2026-09-20

摘要