随着人类活动的加剧，道路作为承担交通运输功能的载体，已成为陆地生态系统中最为重要的人造景观之一。纵横交错的道路网络构成了当今社会经济发展的中枢，其分布范围之广、发展速度之快，均是其他人工设施无法比拟的^{[1, 2]}。道路系统在为人类社会带来巨大效益的同时，对生态系统及环境的各种负面影响也在日渐显现。作为网状人工构筑物，道路贯穿于各类景观中，不但阻碍了原有相邻斑块间的生态过程、增加了景观破碎度，也对周边生态系统产生大量物质流、能量流和信息流的输入^{[3, 4]}。研究表明，道路及其承载的交通流所产生的环境影响，范围往往数十倍于道路自身宽度，而这一影响至少涉及到全球陆地面积的15%—20%^{[5, 6]}。在我国，受道路网络影响的国土面积也占到了18％以上^{[7, 8]}，而这些影响长期被人们所忽视。随着人们对道路建设产生的生态环境效应的日渐关注，道路生态学也随之成为生态学中重要的前沿领域^[9]。20世纪90年代末随着GIS技术的兴起，道路生态学的研究重点开始由局部的环境污染、野生动物公路伤害等研究逐步转向道路网络、道路影响域等相关领域^[10]。

城市道路作为重要的市政基础设施，其面积一般占建成区面积1/4以上，是城市中人类活动最为频繁、剧烈的场所。较其它非城市化区域，城市道路路网密度更大，拓扑结构更为复杂^[11]。城市道路的发展在一定程度上挤占了城市生态用地空间。同时，其又是典型的硬化地表类型，柏油、混凝土等路面材料改变了原先下垫面的热力学属性，影响气地之间自然的水、热及相关物质、元素交换。城市道路及两旁的高大建筑形成了城市环境中典型的街道峡谷群，对于降低风速以及在静稳天气条件下颗粒污染物的产生均有一定的促进作用^{[12, 13]}。而目前定量分析城市道路与城市生态环境因子变化关系，尤其是从路网空间特征角度开展的研究并不多见。近几年研究表明，北京地区热岛效应稳定存在，并有加剧的趋势^{[14, 15, 16]}。随着能源密集型、污染型企业基本迁出城区，城市道路建设及交通流的生态影响显得更为突出。本研究以北京为例，通过面向对象的遥感解译及实地测量，建立道路系统空间数据库，利用Landsat TM反演获得LST及NDVI空间数据，通过建立不同大小的分析网格，研究道路长度、面积、结点数等路网要素空间特征与LST、NDVI的相关性，以期为进一步研究城市人工设施建设对城市生态环境的影响以及为规划部门生态用地空间优化配置提供科学依据。

1 研究区与数据 1.1 研究区概况

北京是中国建成区面积最大的城市，2012年北京全市常住人口2069.3万人，人均GDP达13797美元^[17]。北京城市道路建设发展迅猛，每年路网加密工程稳步推进。2000年至2010年，城八区道路总里程由2470 km增长到6355 km，道路面积由350.2 hm²增长到939.5 hm²，分别较10a前提高了2.57倍和2.68倍，路网密度达到人均2.8 m²，北京城区路网以环形为主，先后建设了二至六环快速路，其它道路多以此为依托，形成与经纬线平行的网状结构，由中心向外的辐射状道路将内外环路连通起来。本研究区边界为五环路外接矩形(116°12′ —116°32′ E，39°45′ —40°1′ N)，面积为859 km²。

1.2 数据来源

道路的路幅类型及宽度数据来自空间抽样调查，实地调查中使用激光测距仪(Leica D5)及GPS(Trimble JUNO SB)，共采集238条(快速路34条、主干道53条、次干道75条、支路44条、胡同路32条)五环内不同区段、不同建造年代的有效道路信息。道路空间数据由2009年QuickBird影像数据进行面向对象方法的提取，以及对公开出版的北京城区专题地图的数字化获得。路网结点数据通过ArcGIS软件平台对线状道路进行交集运算获得，并通过拓扑分析去除了错误的伪结点及因数据来源不同形成的重复节点。LST及NDVI数据采用2010年8月TM遥感影像反演计算获得，影像覆盖整个研究区，平均云量0%。

2 研究方法 2.1 城市道路信息提取

城市土地利用与覆被类型复杂，空间异质性高，对于低等级城市道路，低分辨率与同谱异物现象几乎成为信息提取的瓶颈^[18]。本研究以高分辨率遥感影像为数据源，通过道路横断面调查及数据分析，建立不同级别道路的路宽、路幅、路面材质等特征信息库，利用Envi 4.8 EX面向对象特征提取模块综合利用地物的光谱、纹理、形状和位置等特征^[19]，多次识别并优化调整道路特征信息，最终建立对象提取规则集，并利用ArcGIS完成栅格数据矢量化、空间分析等相关操作。对于因树木及建筑遮挡造成的难以提取的道路信息，按道路类型采取实地测量方法加以补充。

2.2 地表温度反演

目前基于TM影像进行地表温度的反演，较成熟的算法主要有：辐射传导方程法、基于影像的反演算法、单窗算法和单通道算法^{[20, 21, 22, 23]}。基于影像的反演算法认为，当研究区范围较小且无云的条件下，大气的影响程度在空间上可以近似地认为是一致的，因而不需卫星过境的实时大气剖面数据或采用大气模型进行大气校正。在实时大气参数不可得时，基于影像算法的反演精度在以上条件下与单窗算法接近，而反演过程要比单窗算法和单通道算法等简便得多^[24]。

该方法反演模型的建立大致分为三步： 1)影像热红外波段DN值转化辐射强度值L_λ；2)L_λ转化辐射亮温T_B；3)通过T_B及比辐射率获得LST。根据普朗克公式的反函数，代入TM影像红外波段平均波长、普朗克常数、波尔兹曼常数、光速以及绝对零度，求得LST并将单位转换为摄氏度，简化公式如下：

式中，LST单位为℃；T_B为辐射亮温；ε为比辐射率。

TM影像的LST相关反演算法都共同涉及到地表比辐射率这一关键参数^[25]，Sobrino等研究了NDVI与比辐射率的相关性^[23]，并提出了两者的转换公式：

式中，P_v表示植被覆盖度，其计算公式为：

式中，NDVI_min为最小NDVI值；NDVI_max为最大NDVI值。

2.3 分析网格的建立

根据不同数据源空间分辨率之间的差异以及尺度效应分析的需要，结合研究区路网密度的实际情况，利用ArcGIS为研究区分别建立了4×4、8×8、16×16、32×32共4种不同尺度的分析网格，边长从7.38 km到0.92 km不等，并对网格由东北到西南方向进行编号，通过对各网格内的地表温度、道路类型、面积、总长，各级道路结点类型及数量进行逐一统计，输出对应指标的栅格数据。对于热环境强度的度量，平均温是最常采用的温度指标，而最小温度在描述热岛强度上更为明显，最大温度则可表征热岛对环境和人类健康的最大压力。因此，本研究选择以上3个温度指标以及NDVI最大值、最小值及平均值，与对应分析单元的各项路网指标进行了相关性分析。

3 结果与分析 3.1 各级道路长度及横断面结构分析

结果显示，研究区内快速路384.8 km、主干道562.3 km、次干道776.9 km、支路1646.1 km、胡同212.4 km，合计路网里程3582.5 km，路网密度5.37 km / km²。不同等级道路的路幅类型及宽度统计如表 1所示。随着道路等级的提高，总路宽呈现明显增加。主要位于二环以内老城区的胡同路平均路宽4.73 m，成为研究区最窄的道路类型，快速路以67.57 m成为总路宽最大的类型。在路幅结构上，由无人行道与车行道之分的单幅胡同路到以绿化带或交通设施做间隔的四幅快速路，横断面结构复杂程度逐级增大。

道路总宽由人行道、绿化带、辅路及主路四部分相加组成，其分布型检验结果如表 2。各级道路类型W检验P值均大于0.05，不能拒绝检验假设。因此可认为该四级道路各自总路宽服从正态分布。根据表1各级道路的统计平均路宽与该等级道路的总里程，计算获得研究区道路面积93 km²，其中快速路26 km²、主干道27.1 km²、次干道18.3 km²、支路20.6 km²、胡同1 km²。

3.2 路网结点分析

研究区内由不同等级道路产生的路网结点类型及数量如表 3所示，其中3结点表示“T”型路口、“Y”型路口以及在容限(2 m)内的错位“Y”型路口；4结点表示“十”型路口、非直角的“X”型路口以及在容限内的错位“十”型路口。对于五叉路口及以上的复杂道路结点，其比例仅占总结点数量的3%，表 3中未予列出。

表 3所示，研究区道路3结点、4结点共计6927个，其中快速路与快速路的4结点数量为24，为最少的道路结点类型，而支路与支路之间的3结点数成为研究区最常见的结点类型，数量达到1405个。随着道路等级的提高，道路结点呈现下降趋势。针对不同类型的结点对应不同复杂程度的立交设施以及在道路系统中重要程度不同的实际情况，建立了面积加权结点数指标，即对与结点相连两条道路总宽的乘积作为权重赋给该结点，对于“丁”字路口赋值为相交道路总宽乘积的1/2，结果如图 1所示。

面积权重结点能够更为直观的表达不同规模交叉路口在空间上的分布。图 1所示，较高等级的结点主要分布于快速路与快速路以及快速路与主干道交叉形成的大型交通枢纽。针对路网密度，以天安门为中心向八个方向进行网格统计。图 2结果表明，二环中心区域由于故宫的存在，形成一个明显的路网低密度区，二环与四环之间则为路网集中分布区域，四环以外，尤以南五环附近的道路密度较四环以内下降明显。不同规模的城市森林公园及水体形成了大小不一的低密度路网区域，镶嵌于研究区道路系统景观之中。结点密度的空间分布格局与路网密度趋势一致。

3.3 不同分析网格下LST与NDVI空间特征

通过对TM影像相关波段综合运算，反演获得研究区LST以及NDVI数据，其中NDVI被标准化至0—255范围表示。研究区LST_min、LST_max分别为17.26℃和41.44℃， LST_mean为(30.44±2.06)℃；NDVI_min、NDVI_max分别为95和205， NDVI_mean为(144±17)。

如图 3，北京城区LST_mean分布总体呈南高北低的格局， LST_mean高值区域主要分布于研究区东西中央线以南。随着分析网格的缩小，较明显的两个LST_mean高值区域分布于西南二环与三环以及东南二环与三环区域。NDVI_mean较高的区域主要分布于五环以外，最高值位于西北五环香山附近，低值区则位于二环以内以及国贸、中央商务区。

随着分析单元的增大，LST_mean数值分布从25.1—34.0℃范围缩小至28.4—31.8℃。同样，NDVI_mean也由118 — 190缩小至135 — 160。对于非平均化的统计结果，随着分析网格的增大，区间表现为单侧阈值不变，另一侧阈值向平均值移动的趋势。

3.4 路网空间特征与LST、NDVI相关性分析

将不同分析网格内道路的总长、面积、结点数以及加权结点数4项道路路网指标分别与对应网格的LST、NDVI最大值、最小值及平均值进行相关性统计分析，结果如表 4。

3.4.1 同一分析网格下路网指标与LST、NDVI相关性分析

4×4网格分析中，4项道路指标均与NDVI_mean具有极显著负相关关系，且道路长度 > 道路结点数 > 加权结点数 > 道路面积，而与NDVI_max、NDVI_min无相关性。道路长度与LST_mean呈现显著正相关，其它路网指标均与LST无相关性。

8×8网格分析中，各项道路指标与3项NDVI指标均表现出极显著负相关，且NDVI_mean > NDVI_max> NDVI_min。对于NDVI_mean的相关性与4×4网格相应分析结果一致。对于NDVI_max及NDVI_min的相关性表现为：加权结点数 > 道路结点数 ≥ 道路长度 > 道路面积，加权结点数与NDVI的相关性高于未加权道路结点数。各路网指标与LST_mean呈现极显著正相关，且道路长度 > 道路面积 > 道路结点数 > 加权结点数。除道路面积与LST_min具有显著正相关外，其它路网指标与LST_min、LST_max均不存在相关性。

16×16网格分析中，4项路网指标均与LST_mean、LST_min呈现极显著正相关，对于LST_mean，相关性与8×8网格相应分析结果一致。对于LST_min表现为：道路长度 > 加权结点数 > 道路结点数 > 道路面积，LST_max与各道路指标未呈现相关性。对于NDVI_mean，相关性与4×4、8×8网格相应分析结果一致。对于NDVI_max表现为：道路结点数 > 加权结点数 > 道路长度 > 道路面积。对于NDVI_min表现为：道路长度 > 加权道路结点数 > 道路面积 > 道路结点数。

32×32网格分析中，各项道路指标均与NDVI呈现极显著负相关性。除道路结点数及加权结点数未与LST_max建立相关性外，其它道路指标均与LST表现出极显著正相关。对于LST_mean和LST_min，正相关性由强至弱依次表现为：道路长度 ≥ 道路结点数 > 加权结点数 > 道路面积。对于NDVI_mean，负相关性表现为：道路长度 > 加权结点数 > 道路结点数 > 道路面积。对于NDVI_max表现为：道路结点数 > 加权结点数 > 道路长度 > 道路面积。对于NDVI_min表现为：道路长度 > 道路面积 > 加权结点数 > 道路结点数。

3.4.2 同一路网指标与LST、NDVI相关性分析

随着分析网格的缩小，4项道路指标与LST的正相关指数以及与NDVI的负相关指数逐渐降低，在4×4网格分析中所呈现的相关性为4种分析网格下最高值。在不同分析网格下，道路长度与LST_mean及NDVI_mean的相关性均强于其它道路指标。较大分析网格下，仅有道路长度与LST_mean存在显著正相关性，随着分析网格的缩小，各项道路指标均与LST_mean呈现显著正相关，且LST_min在16×16与32×32网格分析中与各项道路指标呈现显著正相关。对于LST_max，仅在32×32分析网格下与道路长度、道路面积两项指标呈现相关性。在8×8到32×32三个不同分析网格下，4项道路指标均与NDVI_max、NDVI_min和NDVI_mean呈现极显著的负相关性，在4×4分析网格下，4项道路指标与NDVI_mean表现出极显著的负相关性。加权结点数对于NDVI_min相关性在不同分析网格下均高于未加权道路结点数。

4 结论与讨论

城市道路系统的前期建设及后期承载的交通流整个生命周期过程中均与人类活动强度密切相关。研究以北京中心城区为研究区，分析了城市道路网格空间特征，并从地表温度和植被指数两个遥感常用指标入手，将道路路网空间特征与两者进行相关性分析，结果表明城市道路路网特征在4种不同分析窗口下均存在与LST及NDVI特定指标的相关性，即在相对较大的分析窗口下，与LST_mean及NDVI_mean相关性显著，在相对较小的分析窗口下，可以建立特定道路指标与LST_max及NDVI_max的联系，而在中等分析窗口下，除采用LST_mean、NDVI_mean外，还可以选择两者的最小值指标建立与道路指标的空间相关性。各路网指标中，单位面积道路总长与LST及NDVI空间相关性最强，而道路结点、加权道路结点两个指标不适合建立与LST_max的关系。

城市地表温度是城市表层能量平衡的中心，是影响城市气候的重要因素。目前对于城市地表温度、热岛效应及内部热斑块格局的研究主要途径为通过热红外遥感反演，这往往需要进行大量遥感数据处理及建立复杂的反演模型。以上研究结论可以为研究城市热环境、生态用地空间格局及其动态变化提供一个快速而有效的解决方案，即通过城市道路系统路网空间特征信息分析LST、NDVI强弱及其空间分布格局。

另外，市政四级道路级配比例的结果表明，研究区过多的强调快速路和主干道的建设，导致同一路网密度下，单位面积道路面积的上升。过宽的道路容易导致土地资源的浪费，挤占城市生态用地的空间。路网空间特征与NDVI的相关性显示，在各分析网格下的路网空间指标与NDVI_mean均具有极显著负相关关系，同时也表明目前道路绿地建设规模还不足以对NDVI的强度及分布上产生较大影响。中国城市的道路系统建设规模和道路密度逐年增长，2011年建成区城市道路总里程及面积分别达到了294443 km和5213.22 km^2[26]。快速增长不仅导致物质资源压力及对生态环境的胁迫，也间接促使机动车规模的扩大以及排放的增加，城市交通及相关环境影响日益加剧。道路生态学与城市生态学的交叉是学科发展的必然趋势也是解决当下城市日益突出的生态环境问题的时代要求，道路生态学及其影响域在城市领域的应用可为城市道路建设所产生的生态环境问题提供识别及解决方案，为进一步建设生态友好型城市道路系统提供新思路及定量化指标。