王敏，孟浩，白杨*，苏敬华，沙晨燕，张敏

1. 上海市环境科学研究院应用生态研究所，上海 200233；2. 上海师范大学生命与环境科学学院，上海 200234

城市化导致土地利用与生态格局发生剧烈变化，自然植被、农田等被建筑物、道路和其他不透水地表取代，对城市环境、城市生态系统过程和功能带来巨大影响，严重威胁到城市人居环境和城市居民生活质量改善。城市热岛效应就是其中极为重要的问题之一。由于城市热岛效应的产生及演变与城市地表土地利用格局变化、人类社会经济活动密切相关, 是城市生态环境状况的综合概括与体现, 因而, 对于城市热岛的分布特征、形成演变机制等问题的研究受到了众多学科领域的广泛关注[1-2]。

地表覆盖被认为是影响城市热岛形成与演变的主要因素，植被指数、不透水面率等指标与城市地表温度的相互关系是目前该领域研究的热点。植被指数被较早地用于城市热岛的研究中。植被通过自身蒸腾作用调节周围的能量交换，植被覆盖度高的地方具有较高的潜热交换[3]。1993年Gallo等[4]首次利用植被指数估测了城市热岛效应在引起城乡气温差异方面的作用,表明植被指数和城乡气温之间存在明显的线性关系。随后，归一化植被指数被广泛用于地表温度与城市热岛的研究[5-6], 众多的研究结果表明NDVI与LST存在显著的负相关关系[7-8]。但Sandholt等[9]、Yuan等[10]的研究表明,因土壤质地、季节、传感器视角等因素的不同,导致LST与NDVI的关系表现为弱线性关系。因此城市化进程中LST与NDVI的相互关系仍需要进一步研究[6-7]。

不同城市下垫面类型，如植被、水体、建筑物等具有不同的热容量，其空间分布特征与变化对地表温度有不同的影响。因此，城市土地利用空间格局对地表温度的影响是当前研究的热点。宫阿都等[11]以北京市为例，得出了城市热岛效应与城市土地利用/覆盖类型及其空间分布具有密切的关系，同时得出随着城市经济的发展和人口规模的膨胀，人为作用对城市热岛效应的影响将会越来越大。周媛等[12]以沈阳市三环为研究对象，定量分析了地表温度和植被指数在不同城市土地利用类型之间的差异及空间关系。上述研究揭示了土地利用格局与地表温度和其他相关指数之间的关系，但是对于土地利用类型的空间格局分布与组成特征，如建筑物形状特征、高度等对地表温度的影响，研究还比较少。

近30年来，随着经济的高速发展与人口的持续增长，上海城市迅速扩张，城市发展与生态环境之间的矛盾进一步加剧，土地利用与景观格局的变化导致的生态环境问题已成为上海市社会经济发展的障碍。本文以上海市外环为研究区域，采用2011年5月Landsat TM数据,借助景观格局指数与遥感模拟，定量研究土地利用空间格局特征与城市地表温度的关系，以期为缓解城市热岛效益，合理城市规划、城市生态建设与管理提供依据。

1 研究区域与研究方法

1.1 研究区概况

上海位于120°51′～122°12′N,31°40′～31°53′E,土地总面积6340.5 km2。2010年末常住人口达到2302.66万人，城市化发展迅速，是我国目前城市化程度最高的城市。本文主要研究上海市外环以内区域，总面积657.91 km2,其中有包括绿地、道路、水体、居民区等多种土地利用类型。

1.2 数据来源及预处理

土地利用类型数据从上海市2011年航空影像提取，购于上海市城市信息中心，数据精度达到95%以上。地表温度模拟采用Landsat TM影像，轨道号为118/38，成像时间为2011年5月20日，购于中国科学院对地观测与数字地球科学中心。在Erdas 9.2 软件下进行多波段融合后，对影像进行投影转换，将投影系统转换为常用的UTM/WGS84。

1.3 地表温度反演

地表温度（LST）反演采用Artis和Carnahan（1982）的算法[13]：

式中，λ为TM6波段的中心波长，取11.5μm[14]；ρ=hc/σ=1.438×10−2m⋅K ，σ为斯特藩-波尔兹曼常数（1.38×10−23J/K ），h为普朗克常数（6.626×10−34Js），c为光速（2.998×108m/s ）；ε为地表比辐射率，T为传感器出温度值，其计算方法分别如下：

采用Sobrino等[15]的NDVI阈值法，计算地表比辐射率，分为以下3种情况：

（1）NDVI＜0.2，象元看成裸地，地表比辐射率等于土壤的比辐射率；

（2）NDVI＞0.5，象元看成全部覆盖植被，地表比辐射率等于植被的比辐射率；

（3）0.2≤NDVI≤0.5，不同地表覆盖类型的混合象元，其比辐射率采用下式进行计算：

式中，vε为植被比辐射率，sε为土壤比辐射率，分别取值0.99和0.97[16]；dε为包括自然表面的几何分布和内部反射的影响；F为形状因子，取值0.55；NDVImax取0.5；NDVImin取0.2。

传感器处温度值T采用以下公式进行计算[17]：

式中，K1和K2为TM6波段的标定参数，分别取值为607.76、1260.56 mW/(cm2·ster·m)，对于ETM+则分别取值为666.09、1282.7 mW/(cm2·ster·m)；L6为TM6的象元在传感器处的辐射值；DN为象元灰度值；Lmax和Lmin分别为该波段探测器可探测的最高和最低辐射值，分别取1.530、0.124 mW/(cm2·ster·m)。

1.4 热岛景观等级划分标准

采用密度分割法[18-19]对城市地表温度进行分级:

式中，RLST为计算出的温度阈值范围；LST为地表平均温度；SD为地表温度的标准差；n表示标准差的倍数；分级标准如表1所示。

1.5 景观指数筛选

所选景观指数反映了城市土地利用类型的数量、结构和空间格局等下垫面特征，借助景观格局分析软件Fragstats 3.3，采用移窗算法，对各个景观指数进行模拟和空间化。所选指标如下：

(1)表征面积与形状特征：类型面积(CA)、面积-周长分维度指数（Pafrac）；

(2)表征破碎度特征：斑块数(NP)、斑块密度(PD)、聚集度（AI）；

表1 地表温度划分标准 Table 1 Classification scheme of land surface temperature

(3)表征多样性特征：多样性(Shdi)、均匀度(Shei)。

1.6 建筑物高度提取

从Google earth上获取需要模拟的建筑物的二维影像，利用SketchUp软件模拟光照效果，使得三维模型的阴影与二维影像的阴影重合，从而自动获取目标建筑物的高度数据。具体操作步骤请阅文献[20]。通过网上查找和实地测量得到7个实际建筑物的高度值，对模拟的30个建筑物高度数据进行验证。

2 结果与分析

2.1 土地利用格局特征

借助Fragstats软件的空间移窗算法模块，实现各种景观指数的空间化如图1（部分）所示。从斑块密度（PD）和斑块数（NP）的空间分布可以看出，土地利用格局破碎化最严重的区域分布在上海市的老城区，主要是黄浦区、卢湾区和部分虹口区，居住用地和商业用地分布多而密集；随着这个区域向外延伸，破碎化程度逐渐降低。面积-周长分维度指数（Pafrac）反映了斑块形状特征，研究区内部均匀地分布着多个高值区域，反映了这些区域土地斑块的形状较其他区域更加复杂。香农多样性指数（Shdi）和均匀度指数（Shei）在空间上表现出基本一致的格局特征，反映了土地利用格局在空间上的多样性与均匀程度。

图1 地表温度与部分景观格局指数空间分布特征 Fig.1 Spatial distribution of LST and some landscape indices

2.2 地表温度空间分布特征

采用上述方法对研究区地表温度进行反演，结果如图1所示。总的来看，研究区的地表温度呈现了从西北向东南递减的分布格局。高值区域主要集中在西北和东北角上的工业园区，土地利用类型以工业用地为主；低值区域主要集中在湖泊和河流。

从图2可以看出，从河流到工业用地，不同的土地利用类型下垫面温度呈现出上升的趋势。地表温度均值最低的土地利用类型为河流，为23.12 ℃，主要是黄浦江和苏州河；其次是零星分布的湖泊，均值为25.23 ℃；各种住宅用地的地表温度居中，其中以别墅式住宅的平均温度最低，为32.16 ℃，其次是新式住宅（33.13 ℃），最后是旧式住宅（34.72 ℃）；平均地表温度最高的是工业用地，为35.89 ℃，同时地表最高温度达到了43.21 ℃。

图2 不同土地利用类型地表温度均值 Fig.2 The mean value of each land use type

采用密度分割法，将地表温度分为了7个等级，不同温度等级的土地利用构成如图3所示。低温区主要有河流和公园构成，分别占低温区总面积的70.05%和10.23%，铁路用地和城市轨道交通用地在低温区没有分布。高温区主要由工业用地、仓储用地和道路广场组成，分别占高温区总面积的78.15%、6.42%和5.58%，其中河流、湖泊和别墅式住宅均没有分布在高温区域内。

不同土地利用类型在各个温度等级的分布情况如表2所示。河流只分布在低温区和亚低温区，且94.03%的区域分布在低温区；湖泊只分布在低温区、亚低温区和弱低温区。公园主要分布在中温区（39.30%）和亚低温区（29.48%）；工业用地主要分布于中温区和弱高温区，比例分别为46.91%和37.12%。

图3 不同温度等级的土地利用构成 Fig.3 Land use types in each LST level

3种住宅用地均主要分布在中温区，超过35%的别墅式住宅分布在亚低温区和弱低温区，新式住宅分布在低温区的面积比例较别墅式住宅少很多，仅占约15%，而旧式住宅就更少，不到4%。同时，别墅式住宅中仅有不到6%的面积比例分布于各类高温区，而新式住宅的这一比例约为18%，旧式住宅的这一比例超过了60%。

表2 不同土地利用类型在各个温度等级的分布比例 Table 2 Land use distribution in different LST level

2.3 地表温度与土地利用类型的定量关系

为了研究城市不同土地利用类型地表温度的差异性，对每一种土地利用类型随机生成100个采样点，分别提取这些点对应的地表温度，借助SPSS软件，采用t检验进行显著性分析，结果如表3所示。

河流和湖泊均与其他各种土地利用类型表现出了极显著的相关性，表示它们的温度均要明显低于其他类型。公园除了与林地没有表现出相关性，与其他土地利用类型也表现出了极显著的相关性，表示公园的温度与林地温度类似。工业用地也与其他各种土地利用类型表现出了极显著的差异性，说明工业用地的地表温度比其他类型要显著偏高。

2.4 地表温度与土地利用空间格局的单因子分析

为了弄清不同土地利用类型空间组合特征对地表温度的影响，进一步提取上述随机生成的点在空间上对应的各种景观指数的值。在SPSS软件下进行Pearson相关性分析，结果如表4所示。

地表温度与不透水率、斑块数和斑块密度等表现出了极显著的相关性，与多样性指数和均匀度指数表现出了显著的相关性。除了与不透水率、聚集度指数表现为正相关以外，与其他指数均表现为负相关。说明地表温度与城市化水平具有极为显著的相关性，另外与下垫面的构成特征也有非常显著的关系。

表3 城市不同土地利用类型地表温度的差异性分析 Table 3 t-test of LST among different land use types

表4 土地利用格局指数与地表温度相关性分析 Table 4 The relationships between LST and landscape indices

2.5 地表温度与土地利用空间格局的多因子分析

地表温度与土地利用格局之间的关系不是简单的单因素所决定，而是由有多种下垫面特征综合作用决定的。本研究进一步对多元空间数据进行回归分析，得出影响地表温度的主要、次要因素及其权重大小。结果如式(8)所示，不透水率、斑块聚集度和斑块数等共同作用，影响着城市的地表温度。其中对地表温度影响最为严重的是城市不透水率，其次是斑块的聚集程度，斑块的形状特征对地表温度影响程度稍弱。

2.6 地表温度与建筑高度关系

为了弄清建筑高度是否对地表温度有影响，在研究区范围内随机选取了30个高层建筑，其类型主要为居住用地和商业用地，分别模拟和提取这30个建筑的高度和对应的地表温度。首先对模拟的建筑物高度进行了精度验证，通过网上查询和实际调查，获取了7个建筑的实际高度，与模拟数据进行对比，如图4a所示，t-test结果表明，t = 0.794，df= 6，P = 0.457 > 0.05, 说明模拟的数据和实测数据没有显著差异，即对研究区建筑的高度进行了比较精确的模拟。

建筑高度与地表温度的Pearson相关性分析表明，二者之间呈现显著的负相关性（Sig.=0.012），相关性系数为-0.453，说明地表温度随建筑高度变化的趋势是建筑物越高，温度越低。采用回归分析拟合二者的线性回归模型，结果如图4b所示。

3 讨论

随着城市化和城市人口的不断增加，城市区域土地利用类型发生着剧烈的变化，越来越多的自然植被、农田等被不透水的水泥地、砖瓦和建筑用地等取代，从而导致整个城市下垫面的热辐射性质发生很大的改变。城市土地利用类型多样，组合方式也各不相同，其引起的地表温度格局也表现出不同的特征。总的来看，工业用地的地表温度均值最高，河流、湖泊的地表温度均值最低。工业用地不透水率高，主要是由砖瓦和水泥等建筑材料构成，其热容量小而热传导率和热扩散率大，同时其本身有可能就是热源，从而导致了周围的温度比其他几种土地利用类型更高。水体由于热容量大，传导率小的特征，温度上升比较缓慢。从水体分布在不同温度等级的情况来看，河流全部分布在低温区和亚低温区，超过98%的湖泊面积分布于低温区和亚低温区，说明水体可以显著地降低地表的气温，对于缓解城市热岛效应、维持城市温度的稳定具有重要的作用。

图4 建筑物高度验证及其与地表温度的关系 Fig.4 Height validation and its relationship with LST

公园和林地主要分布于低温区和中温区，同时公园和林地的地表温度并未表现出显著的差异，说明城市公园和林地具有相同的降温效应。草地主要分布于中温区、亚低温区和弱高温区。t检验结果表明，草地地表温度与林地、公园均表现出了显著的差异性，说明草地表面温度明显高于林地和公园，即草地的降温效应低于林地和公园。

从3种住宅用地的地表温度特征来看，由于旧式住宅修建较早，密集而不利于空气的流通，加之缺少绿地和水体覆盖，所以其地表温度的均值最高，而且主要分布于中温区、弱高温区和亚高温区。随着居住用地的不断规划和完善，绿地和水体在新建住宅用地中的比例不断增加，新式住宅和别墅式住宅用地地表温度下降明显，同时分布区域也逐渐有高温区向低温区偏移，t检验结果也表明新式住宅、别墅式住宅与旧式住宅地表温度有显著性差异。这一结果说明在居住区增加绿地和水体的比重可以明显地降低地表温度，改善人居生活环境。

增加景观中绿地和水体比例，提高景观多样性与复杂度，通过增加绿化用地对不透水地表进行分割可以明显降低地表温度。城市土地利用空间格局特征与地表温度的关系研究表明，地表温度与斑块数和斑块密度等表现出极显著的相关性，与多样性指数和均匀度指数表现出显著的相关性。除了与不透水率、聚集度指数表现为正相关以外，与其他指数均表现为负相关。地表温度与土地利用格局之间的关系不是简单的单因素所决定，而是由多种下垫面特征综合作用决定的。本研究进一步对多元空间数据进行回归分析，得出影响地表温度的主要、次要因素及其权重大小。结果表明，不透水率、斑块聚集度和斑块数等共同作用，影响着城市的地表温度。其中对地表温度影响最为严重的是城市不透水率，其次是斑块的聚集程度，斑块的形状特征对地表温度影响程度稍弱。土地斑块破碎化越严重、多样性越大的区域，地表温度越低。这类区域主要是住宅用地和商业用地，城市下垫面均被道路绿地分割，对不透水地表形成了一定的阻隔，从而对地表温度也起到了明显的消减作用。同一种土地利用类型聚集程度越高，温度越高；斑块形状越简单，地表温度越高，多分布于工业用地（工业用地不透水地表连片分布，绿化面积比重较少，而且形状大多比较规整，趋于圆形或方形）。该结论可用于城市格局优化和缓解城市热岛效应。

4 结论

本研究以上海市外环内区域为研究对象, 借助GIS和遥感技术，采用2011年TM和航空影像数据，研究了上海城市土地利用类型、格局特征与地表热环境分异之间的关系。研究结果表明, 城市不同土地利用类型的地表温度差异较大, 平均地表温度最低的是河流，最高的为工业用地。工业用地、道路广场用地和居住用地等的平均地表温度明显高于河流、公园和林地的平均地表温度。低温区主要由河流和公园构成，高温区主要由工业用地、仓储用地和道路广场组成，其中河流、湖泊和别墅式住宅均没有分布在高温区域内。尽管草地也具有一定的降温效应，但其降温效果没有水体、公园等明显。城市建筑物高度与地表温度的Pearson相关性结果表明，二者之间呈现了显著的负相关性，说明地表温度随着城市建筑物的增高而降低。新式住宅、别墅式住宅地表平均温度显著低于旧式住宅。地表温度与斑块数、斑块密度等表现出了极显著的相关性，与多样性指数、均匀度指数表现出了显著的相关性。城市不透水率、斑块聚集度和斑块数等共同作用，影响着城市的地表温度。其中对地表温度影响最为严重的是城市不透水率，其次是斑块的聚集程度，斑块的形状特征对地表温度影响程度稍弱。研究结果表明，增加城市景观中绿地和水体比例，提高景观多样性与复杂度，借助绿化用地对不透水地表进行分割可以明显降低地表温度。

[1] 黄聚聪,赵小锋,唐立娜,等. 城市化进程中城市热岛景观格局演变的时空特征：以厦门市为例[J]. 生态学报, 2012, 32(2): 0622-0631.

[2] 戴晓燕,张利权,过仲阳,等.上海城市热岛效应形成机制及空间格局[J]. 生态学报,2009,29(7):3995-4004.

[3] OKE T R. The energetic basis of the urban heat island[J].Quarterly Journal of the Royal Meteorological Society, 1982, 108(455):1-24.

[4] GALLO K P, MCNAB A, KARL T R, et al. The use of NOAA AVHRR data for assessment of the urban heat island effect [J]. Journal of Applied Meteorology, 1993, 32(5):899-908.

[5] GOWARD S N, XUE Y, CZAJKOWSKI K P.Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: An exploration with the simplified simple biosphere model[J]. Remote Sensing of Environment, 2002, 79(2): 225-242.

[6] 曹璐,胡瀚文,孟宪磊,等. 城市地表温度与关键景观要素的关系[J].生态学杂志, 2011,30(10):2329-2334.

[7] WENG Q, LU D, SCHUBRING J.Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies[J]. Remote Sensing of Environment, 2004, 89(4):467-483.

[8] ZHANG Y S, INAKWU O, HAN C D. Bi-temporal characterization of land surface temperature in relation to impervious surface area, NDVI and NDBI, Using a sub-pixel image analysis[J].Journal of Applied Earth Observation and Geoinformation, 2009,11(4): 256-264.

[9] SANDHOLT I, RASMUSSEN K, ANDERSEN J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment, 2002, 79(2):213-224.

[10] YUAN F, BAUER M E. Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery[J]. Remote Sensing of Environment, 2007, 106(3):375-386

[11] 宫阿都，陈云浩，李京，等. 北京市城市热岛与土地利用/覆盖变化的关系研究[J]. 中国图象图形学报，2007, 12（8）：1476-1482.

[12] 周媛,石铁矛,胡远满,等. 基于城市土地利用类型的地表温度与植被指数的关系[J]. 生态学杂志, 2011,30(7):1504-1512.

[13] ARTIS D A, CARNAHAN W H. Survey of emissivity variability in thermography of urban areas[J]. Remote Sensing of Environment, 1982, 12: 313-329.

[14] MARKHAM B L, BARKER J L. Spectral characterization of the Landsat Thematic Mapper Sensors[J]. International journal of Remote Sensing, 1985, 6: 697-716.

[15] SOBRINA J A, JIMENEZ-MUNOZ J C, PAOLINI L. Land surface temperature retrieval from Landsat TM 5[J]. Remote Sensing of Environment, 2004, 90: 434-440.

[16] LI F, JACKSON T J, KUSTAS W P, et al. Deriving land serface temperature from Landsat 5 and 7 during SMEX02/SMACEX [J]. Remote Sensing of Environment, 2004, 92: 521-534.

[17] 徐涵秋. 基于城市地表参数变化的城市热岛效应分析[J]. 生态学报，2011, 31（14）：3890-3901.

[18] SMITH RM. Comparing traditional methods for selecting class intervals on choropleth maps[J]. The Professional Geographer, 1986, 38: 62-67.

[19] WENG Q. Fractal analysis of satellite-detected urban heat island effect[J]. Photogrammetric Engineering and Remote Sensing, 2003, 69: 555-566.

[20] 安洁玉，程朋跟，丁斌芬. 基于Google Earth二维影像获取建筑物高度的方法[J]. 地理与地理信息科学, 2010, 26(6): 31-33.