乌鲁木齐城市地表温度时空变化与贡献度研究

2021-05-10柴晋鹏陈学刚阿里木江卡斯木高鹏文

生态环境学报 2021年3期

柴晋鹏，陈学刚, ，阿里木江·卡斯木, ，高鹏文

1. 新疆师范大学地理科学与旅游学院，新疆乌鲁木齐 830054；2. 新疆师范大学丝绸之路经济带城市化发展研究中心，新疆乌鲁木齐 830054

城市是人类社会发展的产物，是人类生产生活的主要场所。伴随着城市化进程，城市局部气候发生变化，首先表现为城市与郊区气温的差异，形成了城市热岛（宋艳玲等，2003），其直接表现为城市地表温度的差异。土地利用是人类对自然环境的改变和干预的主要表现，其直接表现为土地的覆盖状况。城市地表温度与城市土地利用/覆盖状况密切相关。随着遥感反演地表温度技术的日益成熟，使获取较为准确的地表温度成为可能，为城市热岛研究提供了技术支持。研究城市地表温度时空演变规律其在空间上的集聚效应，不仅能够深入理解土地利用/覆被变化下城市热环境的空间特征和动态变化，而且对大气污染、市政建设及土地合理规划和利用具有重要意义（张心怡等，2005）。

近年来，国内外学者对城市热岛与土地利用/覆被的研究主要集中在两个方面。一方面，探索其动态变化与空间分布特征，利用长时间多幅遥感影像，对城市热岛与土地利用的变化情况进行分析，揭示二者之间的关系（Ahmed，2018；历华等，2008；苏振华等，2015）。另一方面探索对其影响因素进行定量研究，（1）植被指数与地表温度的关系研究（Melkamu，2019；唐曦等，2008；李成范等，2009；张晓娟等，2018）；（2）城市用地扩展与地表温度的关系研究（Qian et al.，2006；Amiri et al.，2009；徐涵秋等，2004；贡璐，2007；黄伟娇，2018）；（3）景观指数与地表温度的关系研究（游绚等，2009；徐双等，2015；王雪等，2017）。然而，在西北干旱区绿洲城市特殊的地理背景下，基于空间尺度模式对城市区域热岛集聚程度并定量化评价各土地利用/覆盖类型的对地表温度的贡献度指数进行研究的案例甚少。

快速城市化的背景下，作为新疆首府的乌鲁木齐市经济快速发展，随着人口的不断增长与建设用地的扩张，地表温度也发生及其显著的变化。选定乌鲁木齐市规划的中心城区为研究对象，研究用空间尺度模式，揭示研究区地表温度的时空格局变化及其特征并定量评估土地利用/覆盖类型对 LST的贡献度，以期为干旱区绿洲城市建设与可持续发展提出建议，为有关部门决策提供参考。

1 研究区概况与数据来源

1.1 研究区概况

乌鲁木齐地处亚欧大陆腹地，我国西北，新疆中部，北邻准噶尔盆地，南接天山山脉，地处86°37′33″—88°58′24″E，42°45′32″—45°00′00″N，属温带大陆性气候，全年 7、8月最热，平均气温在25.7 ℃，1月最冷，平均气温在-15.2 ℃。该区域地势起伏悬殊，山地面积广大。南部、东北部高，中部、北部低。市区三面环山，北部为开阔平原。全市辖7区1县：天山区、沙依巴克区、高新技术开发区（新市区）、水磨沟区、经济技术开发区（头屯河区）、达坂城区、米东区、乌鲁木齐县，总面积 1.42×104km2，中心城区约为 1455 km2。2018 年，常住人口约 350.58万人，人均生产总值达 88418元（https://baike.baidu.com/item/乌鲁木齐/121593）。根据乌鲁木齐市城市总体规划（2014—2020年），选取中心城区进行研究，如图1所示。

图1 研究区位置示意图及Landsat 8影像（2018-08-10）Fig. 1 Location of study area and Landsat 8 imege (2018-08-10)

1.2 数据来源及其预处理

以Landsat卫星影像数据作为反演地表温度的基础数据，数据影像来源于地理空间数据云（GS Cloud）和美国地质勘探局（USGS）。选取研究区的高温月份6—8月，且天气晴朗，云量少于10%，成像较好的影像，获取的影像卫星过境均均在格林尼治时间04:00—05:00时之间（北京时间12:00—13:00）（表1）。借助ENVI 5.3对影像进行几何校正、辐射定标、大气校正、图像镶嵌、图像裁剪等预处理。文中验证地表温度及计算反演地表温度所需的大气参数所用的气温、湿度等气象数据均来自中国气象数据网（http://data.cma.cn）。采用中国科学院发布的中国土地利用现状遥感监测数据库 30 m×30 m数据的作为土地利用/覆盖数据，该数据是基于Landsat系列卫星影像经人工解译而成，并通过了质量检验（http://www.resdc.cn/）。

表1 影像数据来源列表Table 1 List of image data sources

2 研究方法

通过对1990—2018年的4期影像数据预处理之后，采用地表温度反演、重心转移模型、空间聚类分析以及贡献度指数计算等方法，定量研究乌鲁木齐市城市化进程中地表温度的时空格局变化及其在空间上的集聚效应。

2.1 地表温度反演

利用Landsat卫星影像进行地表温度反演已有诸多国内学者进行研究（JImenez-Munoz et al.，2014；Wang et al.，2016；覃志豪等，2001；胡德勇等，2015；宋挺等，2015；蒋大林等，2015），其主要包括辐射传输方程法、单窗算法，劈窗算法等。诸多学者也对多种算法的准确性进行了对比研究，结果表明针对Landsat数据单窗算法反演精度，可操作性均优于其算法（李斌等，2017；金点点等，2018），且Landsat OLI/TIRS第11波段具有较大的不确定行（徐涵秋，2016），因此主要采用覃志豪和胡德勇等（2015）提出的单窗算法对 Landsat TM和Landsat OLI/TIRS的第6和第10波段进行地表温度反演。具体步骤如下：

2.1.1 大气顶部（TOA）光谱辐射率

利用辐射亮度校正因子，对热红外波段进行辐射定标，将DN值转换为大气顶部（TOA）光谱辐射率，即：

式中，Lλ为波λ的大气顶部光谱辐射率（W·m-2·sr-1·μm-1）；ML为增益参数，Qcal为像元 DN值（即灰度值），AL为偏移参数，其中，ML和AL参数可直接从影像元数据文件MTL.txt中获取。

2.1.2 大气顶部（TOA）亮度温度

利用元数据文件中的热常数值，根据普朗克定律将辐射亮度转化为亮度温度，即：

式中，Tb大气顶部（TOA）亮度温度（K）；L为热红外波段的亮度值；K1、K2为常数。对于Landsat TM，K1=607.76（W·m-2·sr-1·μm-1），K2=1260.56 K；TIRS 传感器 Band 10，K1=774.89（W·m-2·sr-1·μm-1），K2=1321.08 K。

2.1.3 地表比辐射率的计算

利用经验公式，采用一种较为简单的混合像元构成比例估算方法来确定地表构成比例，从而进行地表比辐射率的计算（覃志豪等，2004a）。对于城市区域，我们简单的将其分为水体、自然表面和建筑表面3种，因此针对混合像元尺度上的地表比辐射率通过下式来估算：

式中，ε为混合像元的地表比辐射率，Pv为植被覆盖率，Rv为植被的温度比率，Rm为建筑表面的温度比率，εv为植被地表比辐射率，针对TM影像，εv=0.986，εm=0.972；对于OLI/TIRS第10波段数据，εv=0.98672，εm=0.96767，dε为辐射校正项，由经验公式得；

利用覃志豪等（2004b）的研究结果，植被、建筑表面的温度比辐射率为：

式中，植被覆盖度Pv可由归一化植被指数NDVI算得：

式中，采用覃志豪的经验值 NDVIV=0.70，NDVIS=0.05来进行估计。

2.1.4 大气透射率的确定

大气透射率主要受大气水含量的影响（覃志豪等，2003），提出了大气透射率的估算方程，获取影像的时间均为夏季，且为北京时间12:00时左右，气温较高，因而选取高气温的估算方程：

式中，ω为大气水汽含量（g·cm-2），根据杨景梅等（2002）提出的算法利用地面湿度计算所得，τ为大气透射率。

2.1.5 大气平均作用温度的计算

在天气晴朗，没有明显的大气垂直漩涡作用条件下，可由地面气温近似计算大气平均作用温度，研究区地处中纬度地带，且影像获取时间均为夏季，因而选取：

式中，T0为地面气温（K），Ta为大气平均作用温度。

2.1.6 地表温度计算

式中，a和b为常量，a= -67.355351，b=0.458606；Ta为大气平均作用温度（K）；Tb为亮度温度（K）；τ为大气透射率；ε为地表比辐射率；C和D为大气透射率τ和地表比辐射率τ计算所得。

2.1.7 相对地表温度分级（RLST）

为减小获取的影像具有时间上的不同的而带来的差异，实现各年度地表温度的可比性，采用Yu et al.（2019）的相对地表温度分级（RLST）：

式中：RLSTi为第i年的相对地表温度，LSTi为第i年的地表温度，为研究区第i年的平均地表温度，把 RLST划分为 6个等级，分别为RLST＜0，0≤RLST＜2，2≤RLST＜4，4≤RLST＜6，6≤RLST＜8，RLST≥8。

2.2 重心转移模型

空间重心是描述地理对象空间分布的一个重要指标，通过重心的转移轨迹来反映温度区在空间上的转移特征（李文亮等，2010）。具体公式如下：

式中：Xt，Yt表示第t年某类型的重心坐标，n为第t年该类的斑块数量，Cti为第t年该类斑块第i个斑块的面积，Xti，Yti分别表示第t年该类斑块中第i个斑块的几何中心坐标。

2.3 空间聚类分析

为探讨研究区地表温度在空间上的集聚特征，采用平均最近邻分析和多距离空间聚类分析对相对地表温度进行分析。平均最近邻分析和多距离空间聚类分析已被广泛用于景观格局研究（Jill，2006；高凯，2010）、物种种群空间分布研究（Sébastien et al.，1999）、区域经济研究（王结臣等，2016）等方面。利用ArcGIS将RLST经行面点数据转换，用以分析研究区热环境的空间模式（康文敏等，2020）。

2.3.1 平均最邻近分析

最近邻距离是表示地理空间上的点要素相互之间邻近程度的指标，能够较为准确客观的反映点数据的空间格局分布特征（余兆武等，2016）。平均最近邻是基于空间距离，通过计算任意一个点到最近邻点的距离来度量空间聚集性的一种空间分析方法。通过观测均距离除以期望的平均距离计算得出平均最近邻比率（NNR）来表征空间模式。计算公式如下：

式中：n为RLST点要素的数量，di为每个RLST点要素与其最邻近点要素的距离，A为研究区面积。若 NNR=1，RLST点要素呈现完全随机分布；若NNR＜1，RLST点要素呈现集聚分布；若NNR＞1，RLST点要素呈分散分布。

2.3.2 多距空间离聚类分析

在不同的空间尺度下，格局分布模式存在较大差异（王劲峰，2010；Wu，2004），因而引入 Ripley’sK函数分析多尺度下热环境的空间分布格局（高凯等，2010）。Ripley’sK函数是点密度距离函数，可分析研究区内任意尺度下点状地物的空间分布特征，是全域统计指标，按照给定的半径，计算而生成关系函数（高超等，2015）。计算公式如下：

式中：A为研究区面积，n为RLST点要素的数量，Kij为权重，d为空间尺度大小。若L(d)＞0，RLST点要素在对应空间尺度d上呈集聚分布；若L(d)=0，RLST点要素在对应空间尺度d上呈完全随机分布；L(d)＜0，RLST点要素在对应空间尺度d上呈分散分布。

2.4 贡献度指数

不同年度的土地利用格局存在较大的空间异质性，其对地表温度的影响也呈现出较大的空间异质性（孙宗耀等，2018）。通过贡献度指数（Contribution Index，CI）来定量衡量土地利用/覆盖对热环境的贡献程度：

式中：i为i类土地利用类型，CIi为i类土地利用类型对热环境的贡献度，为i类土地利用类型的平均地表温度，为研究区平均地表温度，Si为i类土地利用类型的面积，S为研究区总面积。若CIi≥0，则i类土地利用类型对地表温度的升高呈正相关；若 CIi≤0，则类土地利用类型对地表温度的升高呈负相关。

3 结果与分析

3.1 地表温度的反演与分级

为保证地表温度反演的准确性，采用2018年8月10日的Landsat 8 OLI/TIRS影像反演的地表温度，与研究区内气象站点的大气温度做相关分析。因卫星过境时间为格林尼治标准时间2018年8月10日04:55，北京时间2018年8月10日12:55，因而获取2018年8月10日13时研究区内17个气象站点的气温数据。通过实地调研，对 17个站点的位置进行校正（图2）。通过ArcGIS软件以站点位置为中心构建100 m缓冲区，将缓冲区内的平均温度与站点温度做相关性分析，发现其在0.05水平呈相关性显著正相关，皮尔逊相关性为0.55，因而表明通过单窗算法反演的 LST在研究区内具有一定的可靠性，采用相对地表温度对反演结果进行分级，结果如图3所示。从图中可以看出，研究区内相对地表温度等级发生了较为显著的变化。

图2 地表温度验证气象站点位置图Fig. 2 Location map of weather station for verification of land surface temperature

图3 1990—2018年相对地表温度等级分布图Fig. 3 Rlative land surface temperature zones from 1990 to 2018

从4期温度等级分区做转移矩阵发现（表2），近28年来，研究区内RLST在＜0、0—2、＞8等级上面积增加，2—4、4—6、6—8等级上面积减少。其中，面积增长最大的是RLST＜0的等级，净增长63.99 km2，总变化率10.51%，面积减少最多的是6—8等级，净减少72.61 km2，总变化率为-40.76%。究其原因是由于人类活动的影响，城市的扩展，人类活动改变原本的生态环境，城市绿地和不透水面不断增加，使生态环境向好发展，适应人类生存的需要。从整体的空间分布上看，温度区分布有从中间向外围递增的现象，RLST＜0的区域位于研究区西北部，下垫面多为耕地、水域与城市中心建成区，6—8、＞8的区域多位于东北，西南部，下垫面多为稀疏草地；城市中心建成区RLST＜0呈现向北和西北方向逐年扩大，下垫面多为建设用地，低温面积逐年扩大。在干旱区绿洲城市特殊的气候环境下，形成了不同于内地城市的“冷岛”现象。

表2 1990—2020年相对地表温度分区面积统计Table 2 Area statistics of rlative land surface temperature from 1990 to 2018

3.2 相对地表温度等级重心转移

利用重心转移来分析各温度分区在空间上的变化（图4）。0—2、2—4、4—6区域的重心均表现为先向东南，再向西，再向东北转移的趋势，RLST＞8区域的重心先向西南，再向东北转移，RLST＜0的区域温度重心一直北移，空间上呈现等级越高越靠东的现象，RLST＜0分布在中间，RLST＞8区域的重心转移距离最长，0—2区域的重心转移距离最短。这与其处于干旱区绿洲的环境下，温度区分布有从中间向外围递增的现象以及城市发展方向、城市建成区面积的扩大关系密切。

图4 1990—2018年地表温度分级重心转移图Fig. 4 Land surface temperature type center of gravity shift chart from 1990 to 2018

3.3 地表温度空间集聚分析

基于RLST等级分布图（图3），将RLST＞2的区域定义为区域热岛（Qiu et al.，2017；Santamouris et al.，2018）。利用ArcGIS软件提取RLST＞2的区域，提取RLST＞2的区域，计算NNR（表3）。由表3可知，1990—2018年的NNR均小于1（P＜0.01），说明研究区内的LST在空间上呈现出很强的集聚效应，其原因在于乌鲁木齐特殊的地理环境，城市周围稀疏草地占地面积广，植被覆盖度低。

表3 1990—2018年平均最近邻比率Table 3 Average near neighbor ratio from 1990 to 2018

进一步分析不同时期不同RLST等级下的NNR值（图5），横向看，2000、2018年研究区内的NNR值随着RLST等级的递增而减小，1990、2010年的 NNR值先增大后减少，其从整体上均表现出等级越高集聚性越强的现象；纵向看，在 2—4、4—6等级上，NNR值均呈现先减少后增大，2000年的NNR值低，集聚性最强，2018年的NNR值最高，聚集性略有降低。在6—8、＞8等级上，NNR值呈现先增大再减少的趋势，1990年的NNR值最低，集聚性最强；2010年的NNR值最高，聚集性略有降低。在 6—8、＞8等级上 2010—2020年的NNR值有下降趋势，且在2018年各阶段上最低，为 2018年集聚程度最高的区域，因此，在未来城市的发展过程中应该重点关注此区域。

图5 1990—2018年不同RLST等级的NNR值Fig. 5 NNR of different RLST grades from 1990 to 2018

利用 ArcGIS空间统计工具的多距离空间聚类分析功能，将设置空间尺度为 1 km，置信区间为90%，对LST进行L(d)函数计算（图6）。将LST在空间上出现随机分布即L(d)=0时的空间尺度定义为临界值（高超等，2015）。由图6可看出，1990年空间尺度小于临界值18 km时，L(d)＞0，LST呈现集聚趋势，大于临界值18 km时，L(d)＜0，LST呈现分散趋势；2000年空间尺度小于临界值 15.1 km 时，L(d)＞0，LST呈现集聚趋势，大于临界值15.1 km时，L(d)＜0，LST呈现分散趋势；2010年空间尺度小于临界值13.7 km时，L(d)＞0，LST呈现集聚趋势，大于临界值13.8 km时，L(d)＜0，LST呈现分散趋势；2018年空间尺度小于临界值 13.5 km 时，L(d)＞0，LST呈现集聚趋势，大于临界值13.5 km 时，L(d)＜0，LST 呈现分散趋势；1990—2018年空间尺度临界值逐年下降，从15 km降低到13.5 km，L(d)值最大从 2.22降低到 1.12，表明研究区LST的空间集聚范围缩小，集聚程度降低。这主要是由于城市建设过程中温度较低的区域从城市中心向外围蔓延的原因。近年来，乌鲁木齐市在“南控，北扩，西延、东进”的中心城区空间发展策略指导下，建设用地发展向北发展（《乌鲁木齐市城市总体规划（2014—2020年）（2017年修订）》），建设用地面积大幅度增长，为搭建适合人类生存的城市生态，其过程中对自然环境的改变较为强烈，LST的集聚程度不断降低，对区域热岛具有一定的缓解作用，使城市人居环境不断向好发展。

图6 1990—2018年 RLST 的 Ripley’s L(d)函数Fig. 6 Ripley’s L(d) functions of RLST from 1990 to 2018

3.4 不同土地利用/覆盖的贡献度指数时空差异

获取1990、2000、2010、2018年中国科学院土地利用/覆盖分类，将4期土地利用/覆被图做转移矩阵（表4）发现，近 28年来，研究区内土地利用/覆被面积增加的为建设用地与水域，其余类型均在减少。面积增长最大的为建设用地，从 237.17—658.79 km2，净增长 421.63 km2，总变化率达到177.78%；土地利用/覆被面积减少最大的耕地面积，从603.53 km2减少到410.36 km2，净减少193.17 km2，总变化率为 32.01%；未利用地在 2010年已经不存在，说明城市的快速扩展优先占据了未利用土地。其中，在2000—2010年期间，耕地面积急剧较少，2010年之后，由于耕地红线的划定，乌鲁木齐做出土地利用总体规划的调整，遏制了耕地减少。

表4 1990—2018年土地利用/覆盖类型面积变化统计Table 4 Area statistics of land use/cover types from 1990 to 2018

以各年度土地利用/覆盖类型为单元，计算各类型在不同年度的热贡献指数（图7）。各土地利用/覆盖类型的热贡献度从大到小表现为草地，建设用地，未利用地，林地，水域，耕地，其中草地，建设用地，未利用地为正贡献，林地，水域，耕地为负贡献。耕地由于其面积占比大，且获取影像时间多为农作物的生长季，大面积的农作物的光合作用吸收并遮挡太阳辐射，致使地表保持较低的温度，成为CI值最低的地类；2018年耕地的CI绝对值最低是耕地面积减少而造成。较少的面积林地、水域是导致其 CI并不很低的原因，林地随着面积的逐年较少，CI整体呈现增大趋势，水域也是随着其面积的变化而变化。草地 CI值最高是由于研究区内的草地面积广，且多为地覆盖度草地，地表裸露度较高。建设用地的CI值整体并不是很高，其在2000年达到最高 0.251，其后逐年下降，这与人类活动对城市的改造有密切的关系，1990—2000年之间只是追求城市发展速度的发展，而忽略了城市发展的生态环境，造成建设用地 CI升高的现象。未利用地CI值低与面积少有直接的关系。

图7 1990—2018年各地类贡献度指数Fig. 7 Contribution index of different land use/cover types from 1990 to 2018

4 结论与讨论

4.1 结论

基于1990—2018年的4期Landsat卫星影像，通过地表温度反演、重心转移模型、空间聚类分析以及计算贡献度指数等方法，定量研究乌鲁木齐市城市化进程中地表温度的空间格局变化及其在空间上的集聚效应。主要结论如下：

（1）1990—2018年间，研究区内相对地表温度等级发生了较为显著的变化。相对地表温度等级在＜0、0—2、＞8等级上面积增加，2—4、4—6、6—8等级上面积减少。面积增长最大的是相对地表温度等级＜0的等级，面积减少最多的是6—8等级，从空间分布上看，温度区分布有从中间向外围递增的现象。

（2）1990—2018年间，研究区内相对地表温度等级在 0—2、2—4、4—6区域的重心均表现为先向东南，再向西，再向东北转移的趋势；相对地表温度等级＞8区域的重心先向西南，再向东北转移；相对地表温度等级＜0的区域温度重心一直北移。空间上呈现等级越高越靠东的现象，相对地表温度等级＜0分布在中间，相对地表温度等级＞8区域的重心转移距离最长，相对地表温度等级在 0—2区域的重心转移距离最短。

（3）研究区内的LST在空间上呈现出很强的集聚效应，从整体上均表现为等级越高集聚性越强的现象，在RLST≥6等级上NNR值有下降趋势，在未来城市的发展过程中应该重点关注此区域；1990—2018年间，区域热岛的集聚程度在不断降低，空间尺度临界值逐年下降。

（4）1990—2018年间，研究区内土地利用/覆被面积增加的为建设用地与水域，其余类型均在减少，面积增长最大的为建设用地，面积减少最大的耕地面积。各土地利用/覆盖类型的热贡献度从大到小表现为草地、建设用地、未利用地、林地、水域、耕地，其中草地、建设用地、未利用地为正贡献，林地、水域、耕地为负贡献。CI值大小与面积密切相关。