董磊磊，潘竟虎，王衛(wèi)國，馮婭婭

?

基于遙感和GWR的蘭州中心城區(qū)夏季熱場格局及與土地覆蓋的關系①

董磊磊，潘竟虎*，王衛(wèi)國，馮婭婭

(西北師范大學地理與環(huán)境科學學院，蘭州 730070)

蘭州是河谷型城市的典型代表，利用多期Landsat遙感影像，定量反演蘭州中心城區(qū)1990—2015年的夏季地表溫度，分別采用普通線性回歸模型(OLS)和地理加權回歸模型(GWR)擬合土地覆被變化比例與地表溫度的關系，分析其空間非穩(wěn)定性。結果表明：空間分布上，蘭州市中心城區(qū)夏季地表溫度高的區(qū)域主要集中在南北兩山的未利用地，黃河流經(jīng)的河谷盆地溫度較低；城市熱島比例指數(shù)也呈現(xiàn)出先下降后增長的特點。土地覆被變化比例對地表溫度的變化影響顯著，且二者之間存在空間上的非穩(wěn)定性，地理位置和周邊環(huán)境是產(chǎn)生空間非穩(wěn)定性的主要原因。OLS回歸模型會高估或低估不同土地覆被類型的增溫或降溫能力，GWR模型的擬合結果優(yōu)于OLS模型，能夠更直觀準確地量化土地覆蓋比例與地表溫度二者關系的空間非穩(wěn)定性時空格局。

地表溫度；土地覆被；地理加權回歸；熱場；蘭州市

隨著社會經(jīng)濟的快速發(fā)展，城市化已成為當前社會發(fā)展的必然趨勢，城市化進程的不斷加快，使得城市熱島效應成為人們關注的焦點問題。地表覆被變化的過程是城市化過程的實質(zhì)，由于城市的擴張，以不透水面為主體的人為景觀逐漸替代了以透水表面和蒸騰植被為主的城郊自然景觀，地表的輻射、熱容量、濕度和粗糙度等屬性也隨之發(fā)生了變化，從而為城市熱島的形成創(chuàng)造了地面條件[1]。早期有關城市熱島的研究主要利用氣象站的定點觀測，以及氣象車的流動監(jiān)測。雖然可以很好地揭露溫度在時間上的變化，但對于空間格局上的分布和變化卻難以刻畫。國外很早就發(fā)現(xiàn)城市規(guī)模與城市熱島效應之間的相關性[2]，近年來，針對城市擴張的熱島效應[3-4]、城市土地利用類型與地表溫度的關系[5-6]、城市熱環(huán)境與綠地及植被指數(shù)的關系[7-8]、城市熱島的時空分布及變化規(guī)律[9]、城市熱島產(chǎn)生的原因[10]等進行了多方面的研究。綜合來看，城市擴張、人為因素和地表性質(zhì)對城市熱島的影響是研究的主要內(nèi)容；城郊溫差分析法、數(shù)理分析方法和遙感分析法等是主要的研究方法。

Rao[11]在1972年發(fā)現(xiàn)ITOS-1衛(wèi)星SR熱紅外數(shù)據(jù)能識別城區(qū)及郊區(qū)熱輻射差異以后，利用遙感數(shù)據(jù)的熱紅外波段信息，可反演得到空間上連續(xù)的地表溫度(land surface temperature, LST)，從而使得熱紅外遙感技術在研究城市和區(qū)域尺度上的熱環(huán)境特征得到廣泛應用。蘭州市中心城區(qū)位于河谷盆地之中，有限的土地資源、大量的工業(yè)廢氣和干燥的空氣是其主要的特征，隨著經(jīng)濟發(fā)展，城市不斷擴張，城市熱島逐漸擴大，熱環(huán)境問題也日益明顯，同時為了應對熱環(huán)境問題所投入的各種能源也逐漸增多。研究該區(qū)域的熱環(huán)境問題，可為城市規(guī)劃和生態(tài)環(huán)境的建設提供科學合理的依據(jù)。

土地覆被變化是地表溫度差異的主要原因[12]，不同土地覆被類型的地表溫度存在明顯差異[13]。全局回歸模型(如最小二乘法 ordinary linear regres-sions, OLS) 已被用來研究土地覆被比例與地表溫度的關系[14]?？臻g位置的不同，可能導致土地覆被變化對地表溫度的影響程度并不一致，即土地覆被變化對地表溫度的影響存在空間上的非穩(wěn)定性。目前，此類研究尚比較少見。地理加權回歸模型(geogra-phically weighted regression, GWR) 是一種定量研究空間非穩(wěn)定性的有效方法[15]，已經(jīng)廣泛地應用到各個相關領域[16-17]。本文以Landsat遙感影像為數(shù)據(jù)源，反演6個時點上蘭州市中心城區(qū)的地表溫度，進而分析6個時點上蘭州市城市熱場的空間格局；創(chuàng)新性地引入地理加權回歸模型為基礎，結果可落實到空間上的每個“點”(柵格)上，揭示典型河谷型城市蘭州市土地覆被比例對地表溫度的影響及其空間非穩(wěn)定性，具有極佳的可視效果，可直觀地為蘭州市城市生態(tài)規(guī)劃和生態(tài)環(huán)境建設提供科學參考。

1 材料與方法

1.1 研究區(qū)概況

蘭州(35°35′~ 37°7′N, 102°36′~ 104°34′E) 位于隴西黃土高原西部，青藏高原的東北緣。轄五區(qū)三縣，由于紅古區(qū)距離其余城區(qū)較遠而保持相對獨立性。2012年8月28日，國務院批復設立西北地區(qū)第一個、國家第五個國家級新區(qū)——蘭州新區(qū)，所以本研究中蘭州中心城區(qū)特指主城區(qū)(包括城關、七里河、安寧和西固4個城區(qū))以及蘭州新區(qū)，中心城區(qū)的范圍取自蘭州市城市總體規(guī)劃(2011—2020)。蘭州市屬于典型的大陸性干旱氣候，降雨量少而集中，年均降水量324.8 mm，年蒸發(fā)量1 486 mm，年均氣溫9.3 ℃。城市主體位于南北兩山之間的黃河谷底，并沿黃河東西呈帶狀分布，是河谷型城市的典型代表。蘭州新區(qū)是國務院批準的第五個國家級新區(qū)，位于蘭州市北部的秦王川盆地，與主城區(qū)之間主要有黃土丘陵溝壑區(qū)相隔。伴隨城市規(guī)模的不斷擴張，城市下墊面性質(zhì)和格局變化明顯，加之受到地形條件的影響，大量的工業(yè)廢氣流通受到阻礙，導致環(huán)境污染嚴重，城市熱島效應明顯。由于地處西北內(nèi)陸，降水稀少、蒸發(fā)量大和水資源短缺使得城市的生態(tài)環(huán)境建設面臨嚴重問題。秦王川原為蘭州重要的糧食和蔬菜生產(chǎn)基地，蘭州新區(qū)的建設一方面必然要占用大量的優(yōu)質(zhì)農(nóng)田，導致區(qū)域熱環(huán)境發(fā)生改變，另一方面城市綠化和濕地保護又會提高城區(qū)的環(huán)境適宜度，城市化到底對熱場產(chǎn)生何種影響?幅度和力度如何?這些都需要深入開展研究。

1.2 數(shù)據(jù)來源

考慮到遙感衛(wèi)星數(shù)據(jù)源的一致性，本文統(tǒng)一采用Landsat系列遙感影像。Landsat數(shù)據(jù)獲取自United States Geological Survey (USGS, http://glovis.usgs.gov) 網(wǎng)站。遙感影像為Landsat 5 TM影像，軌道號131/35，成像時間1990-7-8、1994-7-19、2000-7-19、2004-7-30、2009-7-28；Landsat 8 OLI/TIRS影像，軌道號131/35，成像時間2015-8-14。土地利用數(shù)據(jù)通過人工目視解譯得到，經(jīng)驗證，土地利用總體分類精度＞85%，其中一級分類精度＞95%。還包括研究區(qū)基礎地理數(shù)據(jù)以及氣象統(tǒng)計數(shù)據(jù)。

在ENVI 5.1軟件支持下，采用多項式法對2015年遙感影像進行幾何校正，在1︰5萬地形圖上選取地面控制點，校正模型選用二元二次多項式，采用雙線性進行像元重采樣，輸出像元大小為30 m × 30 m，RMS誤差在一個像元內(nèi)。然后利用校正后的影像對其余年份影像進行配準。通過輻射定標將原始DN值轉(zhuǎn)化為大氣頂層的輻射亮度值以消除傳感器本身的誤差，確定傳感器入口處的準確輻射值。利用“FLAASH”模型進行大氣校正，消除大氣散射、吸收和反射引起的誤差，得到各個波段的反射率圖像。

1.3 研究方法

1.3.1 亮度溫度反演 采用Planck函數(shù)求解亮度溫度，公式如下所示[18]：

式中：K,1和K,2均為常量，可以從遙感數(shù)據(jù)頭文件中獲取。對于TM影像的第6波段，1= 607.76 W/ (m2·sr·μm)，2= 1 260.56 K；對于TIRS影像的第10、11波段，10,1= 774.89 W/(m2·sr·μm)，10,2= 1 321.08 K，11,1= 480.89 W/(m2·sr·μm)，11,2= 1 201.14 K。I是經(jīng)過輻射定標和大氣校正之后的熱紅外波段輻射強度。

1.3.2 地表溫度反演的單窗算法 采用覃志豪[19]提出的單窗算法反演Landsat 5 數(shù)據(jù)的地表真實溫度，公式為：

式中：T為地表溫度(K),6= –60.326，6= 0.434；6、6為中間變量，6=66，6= (1–6)[1+(1-6)6]；a為大氣平均作用溫度；6為大氣透過率；6為地表比輻射率，限于篇幅，上述參數(shù)的估算方法可參考相關文獻[4]。

1.3.3 地表溫度反演的分裂窗算法 結合Landsat 8數(shù)據(jù)特征，通過深入研究分裂窗算法，進而對MODIS分裂窗算法進行改進，提出了適合Landsat 8數(shù)據(jù)的地表溫度遙感反演方法[20]，公式如下：

式中：T為地表溫度(K)，10和11分別是Landsat 8數(shù)據(jù)第10和11波段的亮度溫度；0、1、2分別為分裂窗算法的參數(shù)，定義如下：

式中：10，11，10，11是常量，根據(jù)熱紅外波段特征確定。在地表溫度0 ~ 50 ℃ 范圍內(nèi)，它們的取值分別為10= –64.603 63，11= –68.725 75，10= 0.440 817，11= 0.473 453。，分別為地表比輻射率和大氣透過率的函數(shù)，其計算方法如下：

式中：為第10和11波段，ε為地表比輻射率，()為天頂角處的大氣透過率。限于篇幅，其估算方法可參考相關文獻[21]。

1.3.4 普通線性回歸模型 本研究以1 km × 1 km的單元格網(wǎng)[22]為標準，分別獲取每個格網(wǎng)內(nèi)的平均地表溫度和不同土地利用類型所占的比例，利用OLS和GWR兩個回歸模型擬合不同土地覆被類型比例與地表溫度的關系。比較兩種方法的擬合程度，并進一步分析河谷型城市土地覆被類型與地表溫度之間的關系和空間非穩(wěn)定性。

普通線性回歸模型是一種對被解釋變量和解釋變量之間相互關系進行研究的統(tǒng)計方法，其公式如下：

式中：Y是第i點被解釋變量的值，0為截距，X是第個解釋變量在第點的值，β是第個解釋變量的斜率或者回歸系數(shù)，ε為殘差。

普通線性回歸模型是一種非空間模型，變量的各個點之間相互獨立是該模型的前提假設。采用該方法進行土地覆被與地表溫度分析，所得到的回歸參數(shù)研究區(qū)域內(nèi)的平均擬合，無法反映出空間上局部的變化情況。因此，本文采用GWR進行進一步分析研究。

1.3.5 地理加權回歸分析 基于地理學第一定律的GWR在傳統(tǒng)OLS模型的基礎上進一步擴展，將數(shù)據(jù)的地理位置加入回歸參數(shù)中，同時考慮了相鄰點的空間權重，允許局部的參數(shù)估計[23-24]。GWR計算公式為：

式中：(u,v)是第點的空間位置，β(u,v)是連續(xù)函數(shù)β(,)在點(u,v)處的值。β(u,v)的函數(shù)是：

式中：(u,v)為距離權重矩陣，是觀測點與其他點之間的距離函數(shù)。

式中：為帶寬，本研究利用AIC準則確定帶寬，d是觀測點與之間的距離。

2 結果與分析

2.1 蘭州市地表溫度空間格局及熱島響應

根據(jù)前人[25-26]的研究結論，單窗算法和分裂窗算法的反演精度約在0.3 K ~ 1.6 K之間，精度較高，但區(qū)域差異明顯。利用Landsat 影像，通過單窗算法和分裂窗算法對蘭州中心城區(qū)夏季地表溫度進行反演，獲得蘭州中心城區(qū)6個時點上的地表溫度空間分布(圖1)。由于蘭州市地處大陸內(nèi)部，屬于典型的大陸性干旱氣候，并且黃河穿城而過，又是河谷型城市，從地表溫度的空間分布分析可知，蘭州市地表溫度高的區(qū)域主要集中分布在中心城區(qū)和新區(qū)過渡的黃土丘陵溝壑地帶，該區(qū)域是未利用地集中分布的地區(qū)，受降雨量稀少、蒸發(fā)量大等自然條件的制約，該區(qū)域絕大多數(shù)地方植被覆蓋稀少，多為裸土和裸巖，地表溫度的變化趨勢主要呈現(xiàn)出從未利用地中心向周圍逐漸遞減的趨勢；黃河流經(jīng)的地區(qū)溫度較低，主要是因為水的比熱小。中心城區(qū)與周圍郊區(qū)相比較，中心城區(qū)地表溫度明顯高于城郊地區(qū)。

就蘭州市主城區(qū)與蘭州新區(qū)的地表平均溫度來看(圖2)，在反演得到的1990-7-8和1994-7-19的地表溫度分布圖上，蘭州市主城區(qū)的地表平均溫度要遠高于蘭州新區(qū)，其時秦王川盆地尚未開發(fā)，地表覆被還以耕地、草地為主。2004年以后，隨著中川機場建設，特別是蘭州新區(qū)的規(guī)劃和大規(guī)模建設鋪開，蘭州新區(qū)的地表溫度已超過主城區(qū)，在2004-7-30和2009-7-28的地表溫度圖上，均呈現(xiàn)出這樣的趨勢。值得注意的是，蘭州新區(qū)建區(qū)伊始就提出了“北御風沙、中興產(chǎn)業(yè)、南建景觀”的生態(tài)建設思路，按照打造“產(chǎn)業(yè)強城、生態(tài)綠城、多湖水城、現(xiàn)代新城”的戰(zhàn)略思路，通過基礎生態(tài)工程建設，實現(xiàn)新區(qū)生態(tài)建設大提升。2015-8-14的地表溫度圖則顯示，蘭州新區(qū)的地表平均溫度已低于人口密集的主城區(qū)。

由于影像成像時間不同，為了消除時相差異對地表溫度的影響，通過自然斷裂法(natural break)對反演得到的地表溫度進行歸一化處理，最終分為最低溫、低溫、偏低溫、中溫、偏高溫、高溫和極高溫7個等級(圖3)，并對各個等級的像元個數(shù)和面積進行統(tǒng)計(表1)。

圖1 蘭州中心城區(qū)不同時期地表溫度空間分布示意圖

圖2 各土地利用類型地表溫度的均值與標準差(2009-7-28)

徐涵秋和陳本清[27]構建了城市熱島比例指數(shù)URI，公式為：

式中：m為歸一化等級指數(shù)；i為城區(qū)高于郊區(qū)的溫度等級；n為城區(qū)高于郊區(qū)的溫度等級數(shù)；wi為權重值，取第i級的級值；pi為第i級的百分比。本文將地表溫度分為7級，所以m為7。極高溫區(qū)和高溫區(qū)主要分布在城市和周圍兩山的裸土等為利用土地區(qū)，極高溫和高溫表示城市熱島的范圍，所以n為2；通過計算，蘭州中心城區(qū)1990年、1994年、2000年、2004年、2009年和2015年的城市熱島比例指數(shù)分別為0.281、0.279、0.237、0.260、0.376和0.403，說明蘭州市中心城區(qū)熱島效應呈現(xiàn)先增加后減小的趨勢，這與前述地表溫度反映出的趨勢是一致的。但26年間總體上熱島比例指數(shù)增加了0.122，熱島比例指數(shù)的大幅增加反映出城市熱島效應在增強。

表1 地表真實溫度分級面積統(tǒng)計

2.2 土地覆蓋比例對地表溫度的影響

2.2.1 基于普通線性回歸模型的分析 土地覆被的變化是引起地表溫度差異的主要原因，不同土地覆被類型的地表溫度存在明顯差異。本文以2009-7-28的數(shù)據(jù)為例，研究不同土地利用類型變化比例與地表溫度的關系。由表2可知，地表溫度的顯著變化與不同土地覆被類型所占的比例關系密切，林地、耕地、水體的增加會降低地表溫度，而草地、未利用地和人工表面(不透水面)的增加則會導致地表溫度升高。其中，水體的降溫作用最為明顯(= –0.31，＜0.01)，水體與地表溫度的回歸系數(shù)為–2.2，表明水體每增加10%，地表溫度會下降2.2 ℃；其次為林地(回歸系數(shù)為–0.054，＜0.01) 和耕地(回歸系數(shù)為–0.013，＜0.01)。相反，未利用地(= 0.57，＜0.01) 的增溫作用最為顯著，未利用地與地表溫度的回歸系數(shù)為0.182，意味著未利用地每增加10%，地表溫度也隨之上升1.82 ℃；其次為人工表面和草地，回歸系數(shù)分別為0.045和0.033。不同土地覆被類型對地表溫度的解釋能力依次為未利用地(32%)、林地(16%)、耕地(15%)、草地(11%)、人工表面(10%) 和水體(10%)。

表2 基于OLS的土地覆被類型與地表溫度回歸關系

注：* 表示回歸達到＜0.01顯著水平。

2.2.2 基于地理加權回歸模型的分析 本文采用地理加權回歸模型(GWR)進一步分析土地覆被變化與地表溫度關系之間的空間非穩(wěn)定性。由圖4、表3可知，GWR擬合結果與普通線性回歸的結果總體趨勢是一致的，即林地、耕地和水體都具有降溫的作用，未利用地、草地和人工表面則都具有增溫效果，但是GWR回歸顯示土地覆蓋對地表溫度變化的影響存在空間非穩(wěn)定性，不同的土地覆被類型的降溫能力在空間上存在很大差異。水體的降溫作用相比林地和耕地更加明顯，GWR擬合的回歸系數(shù)在–2.33 ~ 1.26之間，由于黃河橫穿主城區(qū)而過，黃河流經(jīng)的地區(qū)降溫作用明顯高于其他地區(qū)。林地的回歸系數(shù)在–0.52 ~ 0.84之間，蘭州位于大陸內(nèi)部，屬于典型的大陸性干旱氣候，受自然條件和人為因素的影響，林地稀少并且集中，主要呈帶狀分布，降溫能力最高的地區(qū)主要分布在林地相對集中的地帶，回歸系數(shù)小于–0.328。耕地主要分布在城市郊區(qū)以及蘭州新區(qū)的秦川和南部臺地，耕地擬合的回歸系數(shù)在–1.01 ~ 1.02之間，空間上破碎化程度高，總體上呈現(xiàn)出降溫的趨勢，回歸系數(shù)在–0.092 ~ –0.024之間的區(qū)域所占比例較大，并且呈片狀分布。未利用土地對地表溫度的增溫能力最強，其回歸系數(shù)在–0.03 ~ 1.86之間；未利用地主要集中分布在秦王川盆地周邊的黃土丘陵溝壑區(qū)，從空間上表現(xiàn)為由未利用地內(nèi)部向周圍呈逐步遞減趨勢；在未利用地集中部分的地區(qū)，回歸系數(shù)大于1.435，這是因為該地區(qū)主要以裸土和裸巖為主，植被稀少，降雨量少，蒸發(fā)量大，所以增溫效果明顯高于其他土地覆被類型。草地的空間變化存在較大差異，擬合的回歸系數(shù)在–1.79 ~ 0.22之間；研究區(qū)草地主要以稀疏荒草地為主，集中分布在蘭州新區(qū)與中心城區(qū)的過渡地帶和主城區(qū)周圍南北兩山，其空間表現(xiàn)形式為位于新區(qū)和中心城區(qū)的過渡地帶破碎化程度較高；由于研究區(qū)的草地類型均為植被覆蓋度很低的荒草地，空間分布上非常破碎，因此，在黃土丘陵溝壑區(qū)的草地并未起到降溫作用，反而有一定的增溫效果，在草地集中分布地區(qū)，回歸系數(shù)大于0.031；而擬合的回歸系數(shù)在–1.787 ~ –0.214的草地，則位于中心城區(qū)和周邊郊區(qū)以及新區(qū)的絕大部分地區(qū)，多為人工草坪或河谷、平原中覆蓋度較高的草地，該區(qū)域草地具有明顯的降溫效果。人工表面主要分布在城市內(nèi)部以及蘭州新區(qū)的部分地區(qū)，擬合的回歸系數(shù)在–0.55 ~ 0.08之間，在城市內(nèi)部增溫能力較強，回歸系數(shù)大于0.01，并且從空間上表現(xiàn)為在中心城區(qū)內(nèi)部呈帶狀分布，并且逐步向周圍地區(qū)呈遞減趨勢。

2.2.3 OLS與GWR回歸結果的對比 利用OLS和GWR模型可有效地模擬不同土地覆被比例與地表溫度之間的定量關系。OLS所獲得的參數(shù)是研究區(qū)內(nèi)的平均擬合，無法反映土地覆被變化對地表溫度在空間上的影響，而GWR模型則可以反映出變量的空間非穩(wěn)定性并揭露土地覆被類型對地表溫度的影響在空間上的變化，地理加權回歸模型(GWR)將地理位置引入到回歸參數(shù)中，通過相鄰觀測值的子樣本數(shù)據(jù)信息對局部進行回歸估計，隨著空間上局部地理位置的變化，估計的參數(shù)也隨之不同。地理加權回歸模型(GWR)的主要優(yōu)勢在于把空間權重矩陣應用在線性回歸模型中，可以形象地展示空間結構分異[28-30]。對兩種模型的擬合優(yōu)度2進行比較，OLS模型的擬合優(yōu)度整體比GWR模型要小得多，OLS模型的平均擬合優(yōu)度為0.16，而GWR模型的平均擬合優(yōu)度為0.80。從空間變化的局部擬合優(yōu)度來看，黃河流經(jīng)的地區(qū)，擬合程度較高，局部2＞0.36，但是其他地區(qū)水體比例較少，GWR擬合程度較小。未利用地、林地、人工表面的GWR擬合結果與水體相類似。耕地與草地的分布較零散，破碎化程度高是其空間表現(xiàn)形式。OLS擬合的林地的回歸系數(shù)(回歸系數(shù)= –0.05，＜0.01)比GWR的擬合結果要高，說明OLS會高估林地的降溫能力。相反，OLS擬合的未利用土地的回歸系數(shù)(回歸系數(shù)= 0.18，＜0.01) 明顯比GWR的擬合結果低，表明OLS會低估未利用土地的增溫能力。

3 討論

本文利用遙感影像數(shù)據(jù)，在基礎地理信息數(shù)據(jù)和土地利用數(shù)據(jù)的輔助下，反演出蘭州市中心城區(qū)夏季6個時點上的地表溫度，并分析地表溫度的空間分布特征。以1 km × 1 km格網(wǎng)為基本單元，采用普通線性回歸模型和地理加權回歸模型，對不同土地覆被類型與地表溫度的關系進行模擬，并分析各個變量之間的空間非穩(wěn)定性。主要結論如下：①空間分布上，蘭州市中心城區(qū)地表溫度高的區(qū)域主要集中在中心城區(qū)和新區(qū)過渡的未利用土地區(qū)域，這部分區(qū)域絕大多數(shù)地方植被覆蓋稀少，多為裸土和裸巖，變化趨勢主要呈現(xiàn)出從未利用地中心向周圍逐漸遞減的趨勢；黃河流經(jīng)的地區(qū)溫度較低，主要是因為水的比熱小。②城市熱島比例指數(shù)呈現(xiàn)出先下降后增長的特點。1990—2000年的城市熱島比例指數(shù)從0.281下降到0.237，出現(xiàn)小幅度下降。2000—2015年城市熱島比例指數(shù)上升了0.143，增加到0.403，上升趨勢較為顯著。③土地覆被變化比例對地表溫度的變化產(chǎn)生強烈的影響，且二者之間存在空間上的非穩(wěn)定性。例如黃河流經(jīng)的區(qū)域地表溫度明顯低于其他地區(qū)，這是由于地理位置和周邊環(huán)境影響的差異所導致的結果，所以地理位置和周邊環(huán)境是產(chǎn)生空間非穩(wěn)定性的主要原因。④對兩種模型擬合的結果綜合對比分析可知，OLS回歸模型會高估或低估不同土地覆被類型的增溫或降溫能力，GWR模型可以深刻地反映出不同空間位置的土地覆被變化對地表溫度的響應，結果具有極好的可視化效果，且GWR模型的擬合結果優(yōu)于OLS模型。所以，在進行大尺度或大區(qū)域范圍內(nèi)土地覆被類型與地表溫度關系研究時，GWR模型能夠更加直觀準確地表達土地覆被與地表溫度的關系。

表3 土地覆被與地表溫度的GWR回歸關系

土地覆被變化對地表溫度具有顯著影響，蘭州市地處大陸內(nèi)部，以干旱氣候為主，地理環(huán)境相比全國其他發(fā)達地區(qū)較差，又是河谷型城市的典型代表，由于地形等各種因素的影響，建設用地緊張、環(huán)境問題突出、熱島效應明顯等現(xiàn)象成為其面臨的主要問題。研究發(fā)現(xiàn)[4]，城市擴張與熱島擴張趨勢具有時空的一致性。城市擴張、人口增長和工業(yè)用地的不斷擴大是蘭州市城市熱島產(chǎn)生的主要原因，土地覆被類型的變化和人為廢氣等的排放也對城市熱島產(chǎn)生重要影響。隨著城市的不斷擴張，舊城區(qū)熱島減弱的同時，新的熱島由于在城市擴張中不斷改變土地覆被類型而有所增加。水體、林地和耕地對地表溫度有一定的降溫能力，而未利用地、草地和人工表面(不透水面)的增溫效果明顯，為了減輕熱島效應對城市發(fā)展的影響，在城市規(guī)劃、設計與建設中，應當以保護黃河濕地生態(tài)環(huán)境為主，盡量減少黃河兩岸修建高層建筑，修建通風設施；增加城市綠地和公園覆蓋面積，保證城市景觀的多樣性，減少不透水面覆蓋面積，完善城市道路結構，防止不透水面的過度聚集，進而抑制城市熱島的形成；合理配置土地資源，優(yōu)化土地利用結構與空間布局；加強對林地集中區(qū)域的保護，在南北兩山進行植樹造林，增加林草地的覆被面積；提高耕地的集約化程度，改變生產(chǎn)方式，發(fā)展生態(tài)農(nóng)業(yè)；合理開發(fā)未利用土地，降低未利用土地對城市熱島的增溫作用；加強對工業(yè)企業(yè)的管理，通過科技手段提高能源利用效率，減少廢氣等的排放，走資源節(jié)約型、環(huán)境友好型的發(fā)展之路。此外，蘭州新區(qū)作為西北地區(qū)第一個、國家第五個國家級新區(qū)，在某種程度上對疏解蘭州市人口和產(chǎn)業(yè)起到一定積極作用。因此，在今后的開發(fā)建設過程當中更應該注重生態(tài)環(huán)境建設，將生態(tài)環(huán)境建設與城市規(guī)劃有機結合，從源頭上防止城市熱島的發(fā)展。該研究結果對區(qū)域尺度上熱環(huán)境調(diào)控有一定參考作用。

本研究采用夏季遙感影像對蘭州市中心城區(qū)地表溫度進行反演分析，由于蘭州市是河谷型城市的典型代表，逆溫層增溫導致冬季的熱島效應更為明顯[31]，若能將冬季與夏季遙感影像同時進行研究，結論則更加全面客觀。此外，受到時間分辨率的限制，無法利用Landsat數(shù)據(jù)來求取年均或月均的地表溫度，盡管本研究通過Landsat熱紅外影像反演的瞬時溫度不等同于全年或某個月份的地表溫度，但在一定程度仍然可以反映出區(qū)域內(nèi)熱環(huán)境的變化情況，這也是目前學界常見的分析方法。氣象站點的實測溫度與地表溫度的差別較大，利用氣象站點的實測數(shù)據(jù)無法對地表溫度進行驗證。本文以城市為視角進行土地覆被變化與地表溫度關系研究，在后續(xù)研究中，可以擴展到城市群尺度來探究河谷型城市土地覆被與地表溫度關系的異同。本研究為了避免多重共線性影響只考慮土地覆被類型比例與地表溫度之間的關系，在后續(xù)研究中，可從不同方面探討多因素與地表溫度的關系。

[1] 樊輝. 基于Landsat TM的城市熱島效應與地表特征參數(shù)穩(wěn)健關系模型[J]. 國土資源遙感, 2008, 19(3): 45–51

[2] Oke T R. The energetic basis of the urban heat island[J]. Quarterly Journal of the Royal Meteorological Society, 1982, 108: 1–24

[3] 崔耀平, 劉紀遠, 秦耀辰, 等. 北京城市擴展對熱島效應的影響[J]. 生態(tài)學雜志, 2015, 34(12): 3485–3493

[4] 潘竟虎, 韓文超. 蘭州中心城區(qū)用地擴展及其熱島響應的遙感分析[J]. 生態(tài)學雜志, 2011, 30(11): 2597–2603

[5] Amiri R, Weng Q, Alimohammadi A, et al. Spatial-tem-poral dynamics of land surface temperature in relation to fractional vegetation cover and land use/cover in the Tabriz urban area, Iran[J]. Remote Sensing of Environment, 2009, 113: 2606–2617

[6] 王佳, 錢雨果, 韓立建, 等. 基于GWR模型的土地覆蓋與地表溫度的關系——以京津唐城市群為例[J]. 應用生態(tài)學報, 2016, 27(7): 2128–2136

[7] 周媛, 石鐵矛, 胡遠滿, 等. 基于城市土地利用類型的地表溫度與植被指數(shù)的關系[J]. 生態(tài)學雜志, 2011, 30(7): 1504–1512

[8] 謝啟姣. 武漢城市熱島特征及其影響因素分析[J]. 長江流域資源與環(huán)境, 2016, 25(3): 462–469

[9] 莫玉琴, 沈瑤, 史俊國, 等. 近15年天津市城市熱島時空演變分析[J]. 遙感信息, 2015, 30(5): 102–110

[10] Bohm R. Urban bias temperature time series: A case study for the city of Vienna, Austria[J]. Climate Change, 1998, 38: 113–128

[11] Rao P K. Remote sensing of urban “heat island” form an environmental satellite[J]. Bulletin of the American Meteo-rolo-gical Society, 1972, 53: 647–648

[12] 杜習樂, 呂昌河, 王海榮. 土地利用/覆被變化(LUCC)的環(huán)境效應研究進展[J]. 土壤, 2011, 43(3): 350–360

[13] Weng Q, Liu H, Lu D. Assessing the effects of land use and land cover patterns on thermal conditions using landscape metrics in city of Indianapolis, United States[J]. Urban Ecosystems, 2007, 10: 203–219

[14] Asgarian A, Amiri B J, Sakieh Y. Assessing the effect of green cover spatial patterns on urban land surface temperature using landscape metrics approach[J]. Urban Ecosystems, 2015, 18: 209–222

[15] 姚永慧, 張百平. 基于MODIS數(shù)據(jù)的青藏高原氣溫與增溫效應估算[J]. 地理學報, 2013, 68(1): 95–107

[16] Huang J L, Huang Y L, Pontius R G, et al. Geographically weighted regression to measure spatial variations in correlations between water pollution versus land use in a coastal watershed[J]. Ocean & Coastal Management, 2015, 103: 14–24

[17] Cohen J P, Cromley R G, Banach K T. Are homes near water bodies and wetlands worth more or less? An analysis of housing prices in one connecticut town[J]. Growth and Change, 2015, 46: 114–132

[18] 潘竟虎, 楊旺明. 基于分形網(wǎng)絡演化算法和混合光譜分解的蘭州市中心城區(qū)熱島的時空格局[J]. 生態(tài)學雜志, 2013, 32(1): 178–185

[19] 覃志豪. 用陸地衛(wèi)星TM6數(shù)據(jù)演算地表溫度的單窗算法[J].地理學報, 2001, 56(4): 456–466

[20] 權維俊, 韓秀珍, 陳洪濱. 基于AVHRR和VIRR數(shù)據(jù)的改進型Becker“分裂窗”地表溫度反演算法[J]. 氣象學報, 2012, 70(6): 1356–1366

[21] 李瑤, 潘竟虎. 基于Landsat 8劈窗算法與混合光譜分解的城市熱島空間格局分析——以蘭州市中心城區(qū)為例[J].干旱區(qū)地理, 2015, 38(1): 111–119

[22] Peng J, Xie P, Liu Y, et al. Urban thermal environment dynamics and associated landscape pattern factors: A case study in the Beijing metropolitan region[J]. Remote Sensing of Environment, 2016, 173: 145–155

[23] Fotheringham A S, Charlton M, Brunsdon C. Geograp-hically weighted regression: A natural evolution of the expansion method for spatial data analysis[J]. Environment and Planning A, 1998, 30: 1905–1927

[24] Brunsdon C, Fotheringham A S, Charlton M E. Geograp-hically weighted regression: A method for exploring spatial nonstationarity[J]. Geographical Methodology & Techni-ques, 1996, 28: 281-298

[25] Jimenez-Munoz J C, Sobrino J A, Skokovic D, et al. Land surface temperature retrieval methods from landsat-8 thermal infrared sensor data[J]. IEEE Geoscience & Remote Sensing Letters2014, 11(10): 1840–1843

[26] Yu X, Guo X, Wu Z. Land surface temperature retrieval from Landsat 8 TIRS—comparison between radiative transfer equation-based method, split window algorithm and single channel method[J]. Remote Sensing, 2014, 6(10): 9829–9852

[27] 徐涵秋, 陳本清. 不同時相的遙感熱紅外圖像在研究城市熱島變化中的處理方法[J]. 遙感技術與應用, 2003, 18(3): 129–133

[28] 瞿明凱, 李衛(wèi)東, 張傳榮, 等. 地理加權回歸及其在土壤和環(huán)境科學上的應用前景[J]. 土壤, 2014(1): 15–22

[29] Fotheringham A S, Brunsdon C, Charlton M. Geograp-hically weighted regression: The analysis of spatially varying relationships[M]. Chichester: Wiley, 2002

[30] 郭龍, 張海濤, 陳家贏, 等. 基于協(xié)同克里格插值和地理加權回歸模型的土壤屬性空間預測比較[J]. 土壤學報, 2012, 49(5): 1037–1042

[31] 白虎志, 任國玉, 方鋒. 蘭州城市熱島效應特征及其影響因子研究[J]. 氣象科技, 2005, 33(6): 492–495

Spatiotemporal Pattern of Summer Thermal Field and Its Relationship with Land Cover in Lanzhou Based on RS and GWR

DONG Leilei, PAN Jinghu*, WANG Weiguo, FENG Yaya

(College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China)

By using the Landsat remote sensing images, land surface temperature (LST) of Lanzhou City, a valley city in Northwest China, in the summer was retrieved during 1990—2015. Ordinary linear regressions (OLS) models and geographically weighted regressions (GWR) models were used to investigate the relationships between the proportions of land cover change and LST and analyzed the spatial non-stability. The results indicated that the high summer land surface temperature mainly focus on unused land in north and south mountains, the valley basin where the Yellow river runs across has low temperature. Urban-heat-island ratio index decreased firstly and then increased. The proportions of land cover change were significantly correlated to LST, but with spatial non-stability which is mainly due to the different geographical locations and surrounding environments of different areas. OLS model might overestimate or underestimate the adjusting ability of different cover types on temperature, which may decrease or increase LST. The results obtained by GWR models are better than those by OLS models. What’s more, GWR models could intuitively and accurately reveal the spatial non-stability of the relationships between the proportions of different land cover and LST.

Land surface temperature; Land cover; Geographic weighted regression; Heat field; Lanzhou City

10.13758/j.cnki.tr.2018.02.026

甘肅省自然科學基金項目(1506RJZA117)和甘肅省高?；究蒲袠I(yè)務費項目(2014-63)資助。

(panjh_nwnu@nwnu.edu.cn)

董磊磊(1990—)，男，甘肅秦安人，碩士研究生，主要從事土地生態(tài)評價研究。E-mail: dongleilei90@163.com

P95

A