生态学报  2017, Vol. 37 Issue (17): 5818-5835

文章信息

刘勇洪, 房小怡, 张硕, 栾庆祖, 权维俊
LIU Yonghong, FANG Xiaoyi, ZHANG Shuo, LUAN Qingzu, QUAN Weijun.
京津冀城市群热岛定量评估
Research on quantitative evaluations of heat islands for the Beijing-Tianjin-Hebei Urban Agglomeration
生态学报. 2017, 37(17): 5818-5835
Acta Ecologica Sinica. 2017, 37(17): 5818-5835
http://dx.doi.org/10.5846/stxb201606031074

文章历史

收稿日期: 2016-06-03
网络出版日期: 2017-04-24
 Abstract              PDF               Figures               Tables
引用本文
刘勇洪, 房小怡, 张硕, 栾庆祖, 权维俊. 京津冀城市群热岛定量评估. 生态学报, 2017, 37(17): 5818-5835.
Liu Y H, Fang X Y, Zhang S, Luan Q Z, Quan W J. Research on quantitative evaluations of heat islands for the Beijing-Tianjin-Hebei Urban Agglomeration. Acta Ecologica Sinica, 2017, 37(17): 5818-5835.
京津冀城市群热岛定量评估
刘勇洪 1,2, 房小怡 1, 张硕 1, 栾庆祖 1, 权维俊 3     
1. 北京市气候中心, 北京 100089;
2. 中国气象局北京城市气象研究所, 北京 100089;
3. 中国气象局京津冀环境气象预报预警中心, 北京 100089
收稿日期: 2016-06-03; 网络出版日期: 2017-04-24
基金项目: 高分气象遥感应用示范系统（一期）；中国气象局气候变化专项（CCSF201618）；北京市科技计划课题（Z161100001216011）；北京市气象局城市气候评估创新团队；中国气象局气候变化创新团队
*通讯作者Corresponding author. 刘勇洪, E-mail:lyh7414@163.com
摘要: 在采用城乡二分法估算区域范围内多个城市地表热岛强度（Surface Urban Heat Island，SUHI）时，如何选择城镇化影响最小的周边乡村背景是一个技术难点，提出了一种基于地形、土地利用、植被覆盖和城市夜间灯光指数来确定乡村背景的SUHI估算方法，并建立了基于SUHI和热岛比例指数（Urban Heat Island Proportion Index，UHPI）的城市热岛强度定量评估方法。利用上述方法，基于长时间序列MODIS和NOAA卫星资料，开展了京津冀城市群11个平原城市热岛时空变化分析与评估，并开展了社会经济驱动因子对城市热岛大小的影响评估研究，同时结合未来京津冀一体化发展提出相应参考建议。研究结果表明：（1）建立的SUHI估算方法能有效监测城市群热岛年/季和昼/夜变化，近5年（2010-2014）年均SUHI≥3℃的热岛总面积1926 km2，但在热岛最强的夏季白天可达7386 km2（占行政区域面积的5.8%）；排名前四的分别是北京（2351 km2）、天津（1883 km2）、唐山（889 km2）和石家庄（611 km2），显示出超大、特大城市及资源性城市贡献了大部分城市群热岛面积；各中心城区平均SUHI和UHPI分别为3.0℃和0.61，热岛评估达到较严重等级以上的城市占到73%，表明当前城市群整体热岛处于严峻现状；（2）1994、2004年和2014年夏季白天城市群强热岛面积分别为190、1975、4539 km2，各中心城区平均SUHI分别为1.2、2.6、3.2℃，UHPI分别为0.29、0.58和0.69，热岛评估等级分别为"一般"、"较严重"和"严重"等级，反映了20年来京津冀城市群热岛迅速增强增大事实；（3）各城市年均热岛面积增加2-86 km2/a，强热岛面积增加主要发生在超大城市，北京、天津强热岛区之间的最短空间距离从1994年的94 km逐步缩减到2014年的52 km，未来存在形成"京津区域热岛群"的可能，建议在京津之间建立"绿色生态屏障"来消除这种可能性；（4）城镇人口数、国内生产总值和用电量都极大地影响着京津冀城市热岛大小，拟合模型决定系数R2分别为0.9097、0.912和0.9661，意味着在未来京津冀一体化城市发展中可采取控制城市人口规模、减少能源消耗等措施减缓热岛效应。
关键词: 乡村背景     地表热岛强度     热岛比例指数     定量评估     经济驱动因子     京津冀城市群    
Research on quantitative evaluations of heat islands for the Beijing-Tianjin-Hebei Urban Agglomeration
LIU Yonghong 1,2, FANG Xiaoyi 1, ZHANG Shuo 1, LUAN Qingzu 1, QUAN Weijun 3     
1. Beijing Municipal Climate Center, Beijing 100089, China;
 2. Institute of Beijing Urban Meteorology, China Meteorological Adiministration, Beijing 100089, China;
 3. Environmental Meteorology Forecast Center of Beijing-Tianjin-Hebei, China Meteorological Adiministration, Beijing 100089, China
Abstract: When estimating surface urban heat island intensity (SUHI) of different cities on a regional scale using the urban-rural difference method, it is technically difficult to select the rural districts or reference areas that exhibit minimal impact by urbanization. In this study, we propose a method of estimating SUHI based on land topography, land use, vegetation coverage, and urban nighttime light index to define the rural districts. Then, a quantitative evaluation method can be established to determine heat island intensity based on SUHI and the urban heat island proportion index (UHPI). Using this method, the temporal and spatial variation of urban heat island for the Beijing-Tianjin-Hebei urban agglomeration region was quantitatively evaluated based on long time series MODIS and NOAA satellite data. An impact assessment for socio-economic factors driving urban heat islands was also conducted, and some recommendations for Beijing-Tianjin-Hebei economic unity development are proposed. The results show that the SUHI estimation method can effectively reflect annual, seasonal, and diurnal variations of heat island in urban agglomerations. The annual mean heat island area with SUHI greater than or equal to 3.0℃ from 2010-2014 was 1, 926 km2. It is highest on summer days at 7386 km2 (5.8% of total urban group area). The four largest area cities are Beijing at 2351 km2, Tianjin at 1883 km2, Tangshan at 889 km2, and Shijiazhang at 611 km2, which represent megacities, extra-large cities, and resource-dependent cities contributing to most of the heat island areas. The mean SUHI and UHPI of all central urban areas are 3.0℃ and 0.61, respectively. Seventy-three percent of cities have heat island assessment levels that are more than relatively severe with SUHI greater than or equal to 3.0℃. This indicates that the phenomenon of heat islands in urban agglomeration is currently severe. During summer days in 1994, 2004, and 2014, the areas with SUHI greater than or equal to 5.0℃ were 190 km2, 1975 km2, and 4539 km2; the mean SUHI were 1.2℃, 2.6℃, and 3.2℃; and the UHPI were 0.29, 0.58, and 0.69. The heat island assessment levels were normal, relatively severe, and severe, respectively, which reflects the fact that the heat island effect for urban agglomerations has strengthened and expanded in the last 20 years. The annual growth rate of heat island areas is 2-86 km2/a, and the increasing areas of high-level heat islands in urban group regions occur mainly in megacity behemoths. The shortest distance between the Beijing heat island region and the Tianjin heat island region was reduced from 94 km in 1994 to 52 km in 2014. Thus, in future, the Beijing and Tianjin heat island regions will probably connect to form a new Beijing Tianjin heat island group, which may be an ecological disaster for urban agglomeration development. Therefore, an ecological green barrier between Beijing and Tianjin should be set up to halt the trend. Heat island area with SUHI greater than or equal to 3.0℃ for various cities correlate notably with the urban population, gross domestic product, and electricity consumption, and the R2 are 0.9097, 0.912, and 0.9661, which indicates the important role of population control and energy consumption reduction in the development of the Beijing-Tianjin-Hebei economic unit.
Key words: rural background     surface urban heat island intensity     heat island proportion index     quantitative evaluation     socio-economic driving factors     Beijing-Tianjin-Hebei urban agglomeration    

近年来, 在全球增温和高速城市化的背景下, 城市气候被认为是主导城市生态环境的重要因素之一, 城市气候最明显的特征就是城市热岛效应(urban heat island effect, 简称UHI)。UHI已成为21世纪面临的重要生态环境问题[1-2], UHI降低了人们生活的舒适度并加剧了大气污染, 严重影响了居民生活质量, 如何定量地监测UHI的动态变化并开展UHI成因分析已成为当前UHI研究的重要内容。目前, 常用的UHI研究手段有3种：气象观测、数值模拟和卫星遥感。气象观测由于具有观测资料时效长、定点、准确、定量的优势, 一直被作为基础手段用于研究UHI的时空演变规律[3-7]。遥感则因具有时间同步性好、覆盖范围广、空间结构直观定量等特点, 近20年已成为UHI研究的普遍手段[8-14]。此外, 数值模拟也由于能深人研究UHI现象和成因之间的物理本质, 已成为UHI机理形成、模拟及预测研究的一种重要手段[15-18]。

UHI最初定义为城市中的气象台站观测的气温明显高于外围郊区或乡村的现象, 近年来已扩展至遥感观测的城市陆表温度高于郊区或乡村的现象[19-20], 通常把这种主要通过卫星观测的城市热岛称之为地表城市热岛(Surface Urban Heat Island, 简称SUHI)[21-22]。考虑到UHI是一个城市高于乡村的相对温度距平值, 由于涉及到城市区(或城市气象代表站点)与乡村背景区(或乡村气象代表站点)选择的复杂性, 不断有新的UHI或SUHI计算方法被提出。如利用城市气象站距离远近结合土地利用类型选择选择乡村气象站点来估算UHI[23], 在城市内部选择大面积植被覆盖的公园作为城市气象代表站来反映城市化引起的热岛效应[24], 选择城市中最低气温的站点作为背景参考站估算UHI等[25]。基于卫星资料估算SUHI最常用的方法有城乡二分法[26-28], 均值-标准差法[29-31], 正规化法或归一化[32-33]。在采用城乡二分法计算SUHI时, 难点在于郊区或农村等参考或背景地区的确定[21]。近年来, 中国城镇化迅速, 分布于大城市周边的郊区卫星城镇扩展迅速, 如何提取城镇化影响最小的乡村背景是一个复杂的技术难点。王建凯等[26]在利用MODIS影像研究北京城市热岛(冷岛)时, 根据高分辨率影像结合土地覆盖类型人为选定远离北京五环外的一块平原农田区域作为郊区背景, Imhoff等[34]在利用MODIS影像估算美国38个城市热岛强度时, 基于高分辨率美国国家土地覆盖数据库(NLCD)中的不透水盖度数据集、中心城市距离和地形因子来确定不同城市的乡村背景, Schwarz等[35]则采用了离城市周围20 km区域作为乡村背景, 叶彩华等[36]人为选取了远离城区的两块5×5像元大小的长期种植结构无变化的农田作为乡村背景, 林奕桐等[28]则基于遥感反演的植被覆盖度高值区来选定郊区农田参照点来估算南宁城市热岛强度, 刘勇洪等[25]在计算京津唐城市群热岛时, 主要根据植被覆盖度和不透水盖度结合土地利用类型来确定各城市的乡村背景。上述方法在选择乡村背景时, 在选择农田的基础上更多地考虑了植被覆盖与不透水盖度, 由于这两个指标计算的不确定性以及国内尚没有建立全国性的标准植被覆盖度和不透水盖度数据集, 使得国内依据这些指标选择乡村背景具有诸多不确定性, 本文将探寻一种考虑简便性与易获取性来选择乡村背景的SUHI估算方法。

SUHI具有明显的时空变化特征[37-38], 其大小和形态不但与城市核心区(或城市气象代表站)与乡村背景区(或郊区气象代表站)选择有关, 还与研究的时空尺度有关。在城市宏观尺度上气候类型[34]、天气条件(包括温度、云、风、逆温等)[39-41]、物候(昼/夜、季节、生长期)[31, 39-42]和土地利用类型[23, 31]等因子对SUHI影响较明显, 在城市微观尺度上地形条件[43-44]、植被丰度与绿地景观结构[16, 45-46]、城市不透水盖度[22, 34]、城市建筑结构[47-48]等因子对SUHI有较大影响；而人口、国内生产总值(GDP)、能耗、人为热等等作为社会经济驱动因子, 对SUHI的形成和扩大具有重要作用[22, 42, 48-49]。当前研究大多关注单一城市或者是处于不同气候带的多个大城市之间局地SUHI之间的相互比较, 而对处于同一气候类型较大范围城市连片发展的城市群SUHI效应研究相对较少, 由于城市群下垫面土地利用的变化对区域气候的增温效应明显[50], 而且由于城市群下垫面的不均匀性, 局地增温效应在城市群内部以及城市群之间都存在明显差异[51], 因此有必要开展城市群内各城市之间的SUHI效应研究, 为城市群的整体发展规划提供参考。

京津冀城市群作为中国未来要发展成一个世界级城市群的重要经济地区, 近30年城镇化进入了空前快速发展阶段, 城市规模不断扩大, 生态环境恶化、能源消耗高以及SUHI带来的不利影响和问题日益突显。在京津冀一体化发展规划和北京城市功能布局调整中, 减缓、降低SUHI及其影响, 成为改善整个京津冀地区城市生态环境亟待解决的问题, 因此对京津冀城市群的SUHI监测及评估将为改善城市生态环境提供基础。本文将探讨如何在大尺度区域范围内建立较为简单、数据易获取的SUHI估算和评估方法, 并开展城市驱动经济因子包括经济规模(国内生产总值, 简称GDP)、人口规模、能源消耗(以电力为代表)、人为热排放(以机动车保有量为代表)对SUHI大小的影响评估, 为未来京津冀一体化发展及改善城市生态环境提供建议。

1 研究区概况

京津冀地区位于36.07—42.65°N, 113.46—119.79°E(图 1), 包括北京、天津直辖市与河北省。整个地区地势西北高, 东南低, 燕山山脉和太行山脉自东向西又向南形成弧形山脉, 山脉东部及南部为河北平原区, 境内海拔相差悬殊, 最高海拔为小五台山(约2840 m), 平原地区多数海拔为50 m以下。该地区属温带季风气候区, 大部分地区四季分明, 其特点是夏季炎热多雨, 春季干燥少雨多风沙, 秋季天气晴爽, 冬季寒冷少雪。年日照时数2400—3100 h, 年无霜期120—200 d；年均降水量300—800 mm；年平均气温在4—13℃之间。本文主要研究京津冀城市群地级以上中等平原城市, 包括北京、天津、石家庄、唐山、廊坊、保定、沧州、衡水、邢台、邯郸和承德等11个平原城市, 秦皇岛、张家口由于位于山区及山地, 不做热岛研究, 其中北京、天津和石家庄为省会城市, 其余为地级城市；按照2013年12月中国城市规模新划分标准(http://politics.people.com.cn/n/2014/1121/c70731-26064695.html), 结合2013年城区常住人口统计资料, 北京、天津为超大城市(城区常住人口在1000万以上), 石家庄为特大城市(城区常住人口在500—1000万之间), 唐山、保定、沧州、形态、邯郸为Ⅰ型大城市(城区常住人口在300—500万之间), 廊坊、衡水、秦皇岛为Ⅱ型大城市(城区常住人口在100—300万之间)。另外选择各城市市辖区作为城市中心城区热岛状况进行评估。

图 1 京津冀地区地理位置、高程及各城市市辖区分布 Fig. 1 The geographical location, DEM and the municipal districts of all cities in Beijing-Tianjin-Hebei region
图选项
2 资料和方法 2.1 资料

(1) MODIS卫星资料  MODIS卫星陆表温度产品(Land Surface Temperature, LST), 由于其较好的质量、误差在1 K之内[52], 已在SUHI监测中得到广泛应用[34-35, 38-39, 53]。本研究选用京津冀地区2003—2014年全年MODIS/Terra和MODIS/Aqua白天和夜晚8天合成平均LST产品(MOD11A2, MYD11A2), 来源于美国国家航空与航天局陆表数据中心网站(https://lpdaac.usgs.gov/data_access/data_pool), 可免费下载。利用LST有效像元均值法可计算得到2003—2014京津冀地区逐年平均及春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12—2月)LST影像。

(2) NOAA卫星资料  NOAA卫星具有与MODIS卫星类似的热红外通道(第4通道(10.3—11.3μm)和第5通道(11.5—12.5μm)), 空间分辨率为1 km左右, 利用其反演的陆表温度数据可以有效监测城市热岛[54-56]。本文选用京津冀地区1994年NOAA11/AVHRR LST逐日产品数据集[57], LST的反演采用改进型的Becker分裂窗方法, 反演结果与国际上广泛应用的MODIS陆表温度产品具有较好的一致性[58]。

(3) DMSP/OLS卫星资料  美国军事气象卫星Defense Meteorological Satellite Program(DMSP)搭载的Operational Linescan System(OLS)传感器能够探测到城市灯光甚至小规模居民地、车流等发出的低强度灯光, 这一特征使其系列数据产品已被广泛而成功地应用于城市化相关研究[59-61]。其中DMSP/OLS数据灰度值(Digital Number, DN值有效范围为1—63) 高值区多用来提取城市建成区反映人类活动影响范围, 使之明显区别于低值区的黑暗乡村背景[62-63], 因此在本研究中可利用DMSP/OLS数据的低值区提取几乎不受人类活动影响的黑暗乡村农田背景区域。本研究选用京津冀地区2013年DMSP/ OLS夜间灯光数据, 来源于美国国家航空与航天局国家环境信息数据中心网站(http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html#AVSLCFC), 可免费下载。

(4) 植被指数资料  遥感估算的归一化植被指数(NDVI)定义为近红外波段与可见光波段数值之差和这两个波段数值之和的比值, 是植被生长状态及植被覆盖的良好指示因子。本文选用京津冀地区2013年1 km空间分辨率MODIS月归一化植被指数NDVI产品(MOD13A3), 来源于美国国家地质调查局数据陆表数据中心网站(https://lpdaac.usgs.gov/data_access/data_pool), 可免费下载。采用最大值法可获取2013年最大NDVI影像。

(5) 社会经济资料  京津冀城市群11个城市2013年社会经济数据, 包括国内生产总值、城镇人口数、电力用量、机动车保有量, 来源于当地统计局。

(6) 其他资料  京津冀地区90 m空间分辨率的数字高程影像(DEM), 来源于国际科学数据服务平台((http://datamirror.csdb.cn/dem/search.jsp), 可免费下载。

2.2 研究方法 2.2.1 SUHI估算

本文选用城乡二分法, 由于UHI是一个城市高于乡村的相对温度距平值, 而这个距平值无论是地表城市热岛, 还是气象热岛, 至今没有统一的阈值标准[1, 34]。在这里, 采用叶彩华等[36]提出的SUHI指标及等级划分方法来估算遥感地表热岛强度, 即：

(1)

式中, SUHIi为图象上第i个象元所对应的热岛强度(℃), Ti是陆表温度(℃), n为乡村背景内的有效象元数, Tcrop为乡村背景内的陆表温度(℃)。并按热岛强度值的大小, 划分为7级热岛强度：强冷岛、较强冷岛、弱冷岛、无热岛、弱热岛、较强热岛和强热岛等, 分别赋值为1、2、3、4、5、6和7。SUHIi的具体等级划分参见表 1, 本文主要为季、年SUHI等级划分。

表 1 地表热岛强度(SUHI)等级划分及含义 Table1 The levels and implications for different periods SUHI
等级值
Levels		日地表热岛强度SUHI /℃
Daily surface urban heat island		季、年地表热岛强度SUHI/℃
Seasonal and annual surface urban heat island		含义
Implications
1≤-7.0≤-5.0强冷岛
2-7.0—-5.0-5.0—-3.0较强冷岛
3-5.0—-3.0-3.0—-1.0弱冷岛
4-3.0—3.0-1.0—1.0无热岛
53.0—5.01.0—3.0弱热岛
65.0—7.03.0—5.0较强热岛
7>7.0>5.0强热岛
表选项
2.2.2 乡村背景的确定

按照城市热岛的定义, SUHI是城市与周边乡村或郊区陆表温度的差异, 因此对大尺度空间区域内城市群的多个城市不能用同一个乡村背景值来计算各城市热岛强度。考虑估算指标的简便性、易获取性和通用性, 本文确定4个指标来选取乡村背景区域。

(1) 平原(平坝)  与城市所在区域高程差别≤50 m, 通过该阈值的设置可以忽略由于地形高度造成的两地温度差异, 减少由于地形引起的热岛强度误差, 该指标可通过当地数字高程图像(DEM)计算得到。

(2) 农田类型  大多研究采用城乡二分法计算城市热岛强度时选择的乡村或郊区背景参考区域一般都是农田地区, 本文继续遵循这一原则。该指标一般可通过当地土地利用类型获取。本文采用2014年京津冀地区MODIS土地覆盖分类产品(MCD12Q1), 产品来源于美国国家地质调查局数据陆表数据中心网站(https://lpdaac.usgs.gov/data_access/data_pool), 可免费下载。基于该土地覆盖类型产品, 结合2007年华北地区的植被覆盖分类图[64]与2011年京津唐地区土地利用类型[22]以及部分Landsat-TM高分辨率遥感资料, 进行了部分类别如城镇用地、农田类型的目视解译修正, 总体分类精度在90%以上, 可得到京津冀地区2013年土地利用类型(图 2)。

图 2 京津冀地区2013年土地利用类型、夜间灯光强度指数值、年最大植被指数及提取的郊区农田背景 Fig. 2 Landuse types, DMSP/OLS DN values, annual maximal NDVI and rural crop background areas in Beijing-Tianjin-Hebei region in 2013
图选项

(3) 夜间灯光强度指数值≤15, 通过该指标可以确定基本不受人类活动影响(可以由夜间灯光反映)的区域, 包含了一般不存在热岛效应的乡村, 该指标可以从美国卫星DMSP/OLS资料中的灰度值(Digital Number, DN值有效范围为1—63) 计算得到, 如图 2为提取的京津冀地区2013年夜间灯光指数图, 与土地利用图 2中的城镇用地区域相比, 夜间灯光指数高值区(指数值在50—63) 面积明显大于城镇用地区域, 显示城市与卫星小城镇周边郊区虽然也是农田植被, 但受城镇化影响较大, 已不适合作为郊区农田背景, 因此需要在夜间灯光指数低值区来选择乡村背景农田。

(4) 年最大植被指数NDVI≥0.7, 通过该指标可以确定不包含水体且为高植被覆盖的纯植被, 也排除了城市周边郊区的大量乡镇及卫星城镇等低植被覆盖人类活动区, 可以根据MODIS月归一化植被指数产品(MOD13A3) 求取年最大值获得, 如图 2所示：城镇地区和沿海水体NDVI值较低, 一般在0.50以下, 而山区林地和平原农田NDVI值较高, 普遍在0.60以上, 值得注意的是西部太行山山前的植被NDVI普遍不高, 一般在0.40—0.60之间。

根据上述4个指标, 可提取得到1 km空间分辨率尺度上的京津冀地区的乡村农田背景区域, 如图 2d所示：京津冀地区北部张家口市、承德市大部分地区处于山区或山地, 几乎没有合适的郊区农田背景, 而北京由于城镇化程度高, 仅在南部与东部地区有少量的局部农田能作为北京城市的郊区农田背景, 而其他城市地区由于地处平原, 农田面积大, 城镇化程度不高, 有大量的农田可入选为郊区农田背景。

2.2.3 城市热岛比例指数

在这里, 采用叶彩华等[36]提出的地表热岛比例指数(Urban Heat Island Proportion Index, UHPI)的计算方法来定量估算各城市空间单元内的热岛强度, 可以比较各城市不同时空尺度下的热岛强度大小。

(2)

式中, UHPI为城市热岛比例指数；m为热岛强度等级数；i为城区温度高于郊区温度等级序号；n为城区温度高于郊区温度的等级数；wi为第i级的权重, 取等级值, pi为第i级所占的面积百分比。UHPI值在0—1.0之间, 该值越大, 热岛现象越严重。其值为0时, 表明此地没有热岛现象, 值为1时, 表明此地均处于强热岛范围。由前面定义的热岛强度等级可知, m ＝7, n ＝3。

2.2.4 空间单元热岛强度评估

(1) SUHI均值评估

对各城市采用中心城区空间单元的SUHI平均值(单位为℃)定量评估该城市的热岛强度大小。

(2) 热岛面积评估

对各城市区域范围内统计弱热岛、较强热岛及强热岛面积(单位为km2)及占行政区域内面积百分比, 可以有效评估城市化影响的热岛范围大小。

(3) UHPI评估

由式(2) 可知, UHPI通过具有热岛效应的多个等级热岛强度在空间单元所占的面积百分比加权和综合反映该城市空间单元热岛强度大小, 较SUHI均值和热岛面积评估指标更具客观性与科学性, 通过对UHPI分级可对各城市空间单元总体热岛状况进行定量评估(表 2)。

表 2 城市空间单元热岛评估等级划分 Table2 Assessment grades of urban spatial units
等级值
Levels		热岛比例指数UHPI
Urban heat island
proportion index		评估等级含义
Implication of
assessment grades		等级值
Levels		热岛比例指数UHPI
Urban heat island
proportion index		评估等级含义
Implication of
assessment grades
10—0.2轻微或无40.6—0.8严重
20.2—0.4一般50.8—1.0非常严重
30.4—0.6较严重
表选项

可以看出, SUHI均值、热岛面积、UHPI估算的区域并不一致, SUHI均值针对所有等级热岛范围的均值状况进行评估, 而热岛面积、UHPI则主要从该区域内产生的热岛范围进行总体评估。由于UHPI兼具了热岛等级和热岛范围特征, 较SUHI均值和热岛面积更具科学性与合理性, 本文主要评估中心城区(Central Urban Area, 简称CA)内的UHPI。评估热岛强度大小的目的是分析城市建筑等人类活动影响所引起的城市气候环境变化, 因此对于海拔较高温度明显低于附近平原受地形影响的山区和山地, 不符合做热岛评估要求, 因此在估算各城市空间单元UHPI时, 需要排除山区、山地等区域, 只对平原地区进行评估。

在这里统一用字母简化文中出现的各种评估指标：热岛面积(指弱热岛以上等级面积, Heat Island Area), 简称HA；较强热岛以上面积(Relative High Above Heat Island Area), 简称RHA；强热岛面积(High Above Heat Island Area), 简称HHA；中心城区平均SUHI, 简称SUHI_CA；中心城区UHPI, 简称UHPI_CA；热岛评估等级(Assessment Grades), 简称AG。

3 结果与分析 3.1 年均热岛分析

利用2010—2014年MODIS卫星逐日4个时次的LST产品可计算得到近5年京津冀地区全年、白天和夜晚平均SUHI图, 如图 3所示。结合土地利用图(图 2)分析可知：就全年平均SUHI(图 3)来看, 京津冀城市群大部分平原农田地区处于无热岛状态, 大部分山区林地则呈现冷岛现象, 局部山区例如河北西部的太行山山前地区受地形和较低植被覆盖影响, 出现弱热岛现象；各大中城市地区均出现热岛效应, 部分特大以上城市如北京、天津和石家庄等城市出现强热岛。就全年白天平均SUHI(图 3)来看, 热岛空间分布趋势与全年一致, 但出现热岛的区域以弱热岛为主, 部分大中城市中心局部地区会出现较强热岛。就全年夜晚平均SUHI(图 3)来看, 热岛空间分布趋势与全年基本一致, 但各城市热岛强度等级和范围明显大于白天和全年平均。其中水体例如北京的密云水库和天津沿海等区域具有明显热岛效应, 这与未结冰的水体在夜晚具有明显热岛效应这一结论[55]具有一致性。对比图 3可知, 京津冀地区各城市年平均夜晚热岛强度明显大于白天, 这与众多学者利用气象资料对北京、天津和石家庄等城市热岛研究的“夜晚城市热岛强度大于白天”具有一致性[65-68], 表明利用本文建立的SUHI方法可有效监测京津冀城市群年均热岛状况。

图 3 京津冀地区2010—2014年均全年、白天、夜晚SUHI Fig. 3 Annual mean SUHI for all year, day, night in Beijing-Tianjin-Hebei region in 2010—2014
图选项

热岛评估表明(表 3)：就年均热岛面积来看, 京津冀城市群总的RHA为1926 km2, 占行政区域总面积的1.5%, 其中排名前3位的分别是天津(640 km2)、北京(433 km2)和唐山(243 km2), 石家庄与邯郸分列第四(223 km2)和第五(134 km2)。就SUHI_CA来看, 排名前3位的分别是石家庄(3.6℃)、保定(3.3℃)和邢台(2.6℃), 北京和天津并列第4(2.3℃), 廊坊、衡水、秦皇岛都比较低(0.10℃以下)。就UHPI_CA来看, 排名前3位的与SUHI_CA排名相同, 分别是石家庄(0.82)、保定(0.74) 和邢台(0.72), 天津和北京分别为0.64和0.62, 此外邯郸、唐山、沧州也在0.50以上。可以看出, SUHI_CA排名与UHPI_CA排名基本相同, 但北京和天津的SUHI_CA一样, 而天津的UHPI_CA却略大于北京, 同时参考RHA值, 表明天津的年均热岛很可能较北京严重。城市群各城市UHPI_CA平均值为0.50, 总体AG为3级(较严重), 其中5级(非常严重)和4级(严重)的城市有6个, 占到54%, 表明京津冀城市群中心城区年均热岛总体都比较严重。

表 3 京津冀各城市年平均RHA、SUHI_CA、UHPI_CA和AG对比(2010—2014年) Table3 Annual mean RHA, SUHI_CA, UHPI_CA and AG for different cities in Beijing-Tianjin-Hebei region(2010—2014)
城市Cities较强热岛以上面积RHA
Relative high above heat
island area/km2		中心城区地表热岛
强度SUHI_CA
Surface urban heat island
for central urban area /℃		中心城区热岛比例
指数UHPI_CA
Urban heat island proportion
index for central urban area		热岛评估等级AG
Urban heat island
assessment grades
北京4332.30.624
天津6402.30.644
石家庄2233.60.825
唐山2432.00.563
廊坊370.30.071
保定903.30.744
沧州241.40.462
衡水200.60.121
邢台632.60.724
邯郸1342.10.664
秦皇岛190.30.141
表选项
3.2 季节热岛分析

利用2010—2014年MODIS卫星逐日LST产品可计算得到近5年京津冀地区春、夏、秋、冬四季白天和夜晚平均SUHI图, 如图 4和图 5所示。

图 4 京津冀地区2010—2014春季、夏季、秋季、冬季平均白天SUHI Fig. 4 Seasonal day SUHI for spring, summer, autumn, winter in Beijing-Tianjin-Hebei area in 2010—2014
图选项

图 5 京津冀地区2010—2014春季、夏季、秋季、冬季平均夜晚SUHI Fig. 5 Seasonal night SUHI for spring, summer, autumn, winter in Beijing-Tianjin-Hebei region in 2010—2014
图选项

对白天而言(图 4), 京津冀地区各城市四季SUHI分布差异明显。春季白天热岛空间差异最为明显(图 4), 大部分城市城镇地区存在热岛效应, 北京以弱热岛为主, 天津、石家庄出现较强以上热岛, 但许多平原农田地区以及西部太行山山前地带存在明显热岛区域, 这主要是由于京津冀地区春季降水少, 平原既分布着大量的较高植被覆盖的冬小麦(低温冷岛区), 又分布着大量的白天受热升温较快的干燥裸土区(高温热岛区), 而太行山山前受地形遮挡春季西北冷空气影响加之植被覆盖较低存在较多干燥裸土区也存在一高温热岛区。夏季白天(图 4), 植被覆盖普遍较高, 大部分平原农田为无热岛区域, 城镇地区显现出明显热岛效应, 北京、天津、唐山、石家庄、邯郸、沧州、邢台等城市均有明显强热岛发生, 其中强热岛面积排名前3的分别是北京(1501 km2)、天津(1198 km2)和唐山(362 km2), 石家庄排第4(307 km2)。秋季白天(图 4), 大部分城市城镇所在区域以弱热岛为主, 局部有较强热岛。冬季白天(图 4), 与春季、夏季、秋季不同, 大部分城市城镇所在区域出现冷岛效应, 这是由于冬季白天, 郊区地面裸露土壤较为干燥, 蒸发量较小, 其升温速度高于城区地表；另一方面原因是冬季较为严重的城区污染物对太阳辐射有散射和吸收作用, 很大程度削弱了到达地表的太阳辐射[26]。因此对白天而言, 京津冀大部分城市热岛在城镇区域内均有夏季最强、冬季最弱特点, 这与众多学者利用遥感监测城市白天热岛结果具有一致性[26, 34, 49]。但这与气象观测热岛不一致, 主要原因是白天受太阳辐射影响, 卫星观测与气象观测的城市热岛原理不同, 两者相关关系普遍较差[25, 38]。

对夜晚而言(图 5), 京津冀地区各城市四季热岛分布较为相似, 各城镇地区均存在明显热岛效应, 水体具有“暖岛效应”。春季夜晚SUHI(图 5), 多数城市均出现较强以上热岛, 局部强热岛, RHA排名前3位的分别是天津(1555 km2)、北京(779 km2)和唐山(730 km2), 石家庄为232 km2。夏季夜晚SUHI(图 5), 大部分城市以弱热岛为主, 热岛范围也明显小于其他季节, RHA排名前3位的分别是天津(770 km2)、北京(585 km2)和唐山(272 km2), 石家庄为160 km2。秋季夜晚SUHI(图 5)与春季分布相似, 大部分城镇地区出现热岛, RHA排名前3位的分别是天津(1729 km2)、北京(958 km2)和唐山(632 km2), 石家庄为276 km2。冬季夜晚SUHI(图 5), 大部分城市出现强热岛, 热岛强度及范围也明显大于其他季节, RHA排名前3位的分别是天津(2033 km2)、北京(1186 km2)和唐山(773 km2), 石家庄为310 km2。值得一提的是四季夜晚天津的较强热岛面积均为各城市中最大, 这与夜晚天津沿海分布着大面积的水体具有“暖岛”效应有关。对比四季SUHI(图 5)可知, 对夜晚SUHI而言, 京津冀大部分城市在城镇区域内均有冬季最强、夏季最弱特点。这与北京市气象局气候资料室[69]及谢庄等[65]利用气温资料对北京地区的研究结论相似：即冬季热岛最强, 夏季最弱。这是由于卫星遥感监测的地温与气温在夜间具有良好的正相关性, 而这种高度相关可以由夜间地表可以看作一个均质的单一热源来解释[70]。即对城市热岛监测而言, 遥感监测只有在夜晚才与气温监测具有较好的一致性[22]。

由图 4和图 5对比可知, 不考虑京津冀地区地形对热岛影响和沿海水体夜晚的“暖岛效应”, 夏季白天各城市SUHI强度和范围最大, 而且夏季白天也是高温易发对人居环境及人体健康影响最大的时段, 在这里对夏季白天各城市RHA、较强以上热岛面积比例(占该行政区域面积的百分比, 简称P_RHA)、SUHI_CA、UHPI_CA及AG进行分析, 如表 4所示：RHA排名前三的分别是北京(2351 km2)、天津(1883 km2)和唐山(889 km2), 石家庄排第四(611 km2), 分别占该行政区域面积的14%、16%、7%和4%, 其余各城市RHA均在400 km2以下, 面积百分比为4%以下, 整个京津冀城市群RHA为7386 km2, 占行政区域面积的5.8%；11个平原城市SUHI_CA和UHPI_CA平均值分别为3.0℃和0.61, 但排名前三的SUHI_CA和UHPI_CA城市并不一致, 前三的SUHI_CA是保定(4.5℃)、北京和石家庄(并列第二, 4.3℃)、天津(3.6℃), 前三的UHPI_CA为石家庄(0.87)、保定(0.83)、北京和邢台(并列, 0.81), UHPI评估为5级(非常严重)；唐山、天津、邯郸也在0.60以上。就AG而言, 5级(非常严重)的城市有4个, 4级(严重)的有3个, 3级(较严重)的有1个, 2级(一般)的有3个, 3级(较严重)以上城市占到73%, 表明夏季白天京津冀城市群各中心城区热岛总体都很严重。

3.3 热岛时空变化现状分析

由前面分析可知, 夏季白天是京津冀城市群SUHI最强的时段, 利用1994年NOAA11、2004年和2014 MODIS卫星资料可估算京津冀地区不同年代夏季白天SUHI_CA、UHPI_CA和HHA(图 6)。

图 6 京津冀地区不同年代1994年、2004年、2014年夏季白天SUHI变化 Fig. 6 SUHI temporal change in summer day in 1994, 2004, 2014 in Beijing-Tianjin-Hebei region
图选项

1994年  各城市热岛强度和范围比较弱(图 6), 以弱热岛和较强热岛为主, 大部分UHPI_CA在0.60以下, 排名前三位的分别是石家庄(0.67)、唐山(0.46)、北京(0.37), 大部分城市HHA很小, 一般在100 km2以下。

2004年  各城市热岛强度和范围明显增加, 出现明显强热岛区域(图 6), 各UHPI_CA明显增加, UHPI_CA在0.60以上的城市占到45%, 各城市HHA均增加2倍以上, 其中北京、天津、石家庄HHA分别增加到866、373、189 km2。

2014年  各城市热岛强度和范围较2004年继续扩大(图 6), 各城市UHPI_CA呈持续增加趋势, UHPI_CA在0.60以上的城市上升到73%, 其中排名前三的分别是石家庄(0.93)、保定(0.88)、北京(0.85) 与邢台(0.85), AG均达5级(非常严重)；天津、唐山、沧州、邯郸UHPI_CA分别为0.79、0.78、0.73和0.66, AG均达4级(严重), 表明2014年京津冀城市群大部分中心城区夏季白天热岛已经很严重；HHA也迅速增加, 北京、天津分别已达到1346km2和1342km2, 明显高于其他城市, 石家庄排第三, 达562 km2, 唐山也达486 km2, 保定、廊坊、邢台、邯郸的HHA为124—254 km2, 其他城市在100 km2以下, 该结果也显示出超大城市(北京、天津)、特大城市(石家庄)、资源型城市(唐山)贡献了京津冀城市群大部分热岛面积。

表 4 京津冀各城市夏季白天RHA、P_RHA、SUHI_CA、UHPI_CA和AG对比(2010—2014) Table4 RHA, SUHI_CA, UHPI_CA and AG for different cities in Beijing-Tianjin-Hebei region in summer day(2010—2014)
城市Cities较强热岛以上面积RHA
Relative high above heat
island area/km2		较强热岛以上面积
比例P_RHA
Propotion of relative high
above heat island area /%		中心城区地表热岛
强度SUHI_CA
Surface urban heat island
for central urban area /℃		中心城区热岛比例
指数UHPI_CA
Urban heat island
proportion index for
central urban area		热岛评估等级AG
Urban heat island
assessment grades
北京2351144.30.815
天津1883163.60.654
石家庄61144.30.875
唐山88973.20.704
廊坊24740.80.232
保定38224.50.835
沧州19512.40.573
衡水10511.10.292
邢台24723.50.815
邯郸38032.50.684
秦皇岛9612.30.322
表选项

对比3个时期的热岛变化分析看出, 经过20a的城市发展, 11个平原城市夏季白天SUHI_CA平均值为1.2℃, UHPI_CA平均值在1994年仅为0.29, AG为2级(一般), 总的HHA为190 km2；到2004年SUHI_CA和UHPI_CA平均值分别增加到2.6℃和0.58, AG为3级(较严重), 总的HHA增加到1975 km2；到2014年SUHI_CA和UHPI_CA平均值分别增加到3.2℃和0.69, AG为4级(严重), 总的HHA增加到4539 km2, 占行政区域总面积的3.6%, 这种变化反映了京津冀城市群20年来城市扩展导致的热岛效应增强增大事实。

3.4 热岛时空变化趋势

利用MODIS卫星资料估算2003—2014逐年城市年均热岛面积(HA)与夏季白天强热岛面积(HHA), 对热岛面积时间变化进行趋势线性拟合(模型达到0.05显著水平), 可以得到京津冀各城市近12年热岛面积变化量：京津冀各城市HA呈增加趋势, 平均增加45 km2/a, 除了秦皇岛增加很少(2 km2/a), 其余城市增加23—86 km2/a, 天津HA增加最大(86 km2/a), 其次是北京(61 km2/a), 石家庄为43 km2/a。对夏季白天HHA而言, 京津冀各城市平均增加15 km2/a, 但主要增加在天津和北京, 分别为69 km2/a和63 km2/a, 唐山增加12km2/a, 其余城市在6 km2/a以下, 而衡水和秦皇岛几乎没有增加。

从前面分析可知, 不考虑受河北太行山山前地区影响的热岛区域, 无论时间上还是空间上, 京津冀城市群热岛强度与范围呈持续增加趋势, 其中北京城市热岛范围呈现向东、南、背三面扩展的趋势, 而天津热岛呈向东北、东扩展趋势。根据主要强热岛区域最外围位置估算, 北京与天津强热岛最近空间距离1994年为94 km(图 6), 到2004年缩减到79 km(图 6), 到2014年则已缩减到52 km(图 6), 虽然两个超大城市中间隔着的廊坊城市热岛范围扩展并不十分明显, 但由京津冀夜间灯光指数图(图 2)可知廊坊的城镇化也非常明显, 随着未来北京城市重心东移以及东南部的北京第二国际机场建设, 将会大大促进周边廊坊市的城镇发展, 北京、廊坊、天津大范围热岛连片的可能性大大增加, 这很可能将给京津冀生态圈环境带来恶劣后果。许多研究指出增加植被覆盖是有效防止城市热岛的重要措施[16, 46, 58, 63], 因此, 在未来的京津冀一体化发展城市规划中, 需要在北京与天津之间建立有效的绿色生态屏障, 防止大面积热岛连片成为超大的“京津区域热岛群”。

3.5 经济驱动因子对SUHI的影响

利用京津冀地区各城市近5年平均(2010—2014) 夏季白天RHA(km2)与2013各城市国内生产总值(GDP(万元))、城镇人口数(UP(万人))、用电量(EC(kW·h))、机动车数量(VP(万辆))进行线性拟合分析(图 7)。京津冀城市群RHA与GDP、UP、EC、VP存在显著正相关关系, 模型决定系数R2分别为0.9097、0.912、0.9661和0.7098(均达到0.01显著水平), 显示京津冀城市群经济规模、人口规模、用电量和机动车数量与城市热岛有明显的正相关关系, 显示了这些社会经济驱动因子对城市热岛大小的重要影响, 意味着控制人口规模和减少能耗可有效缓解热岛效应。

图 7 2013年京津冀各城市GDP、UP、EC、VP与2010—2014年夏季白天RHA_HHA关系 Fig. 7 Relation between GDP, UP, EC, VP of cities in 2013 and the RHA_HHA in summer day in 2010—2014 P < 0.01表示线性拟合模型达到0.01显著水平
图选项

一般来说, 经济规模、电力消耗、机动车数量均是以一定的城镇人口规模为基础, 根据城镇人口数与热岛面积之间模型(图 7)拟合结果, 可估算出京津冀Ⅱ型大城市、Ⅰ型大城市、特大城市、超大城市的RHA分别为38—280、280—524、524—1133、≥1133 km2, 这为京津冀城市群内各城市发展时, 如何通过控制城市规模来避免当地城市热岛大小提供了一个参考。

同时为避免未来“京津区域热岛群”出现的可能, 一方面需要控制或减少超大城市的城镇人口规模来控制热岛面积, 在2015年4月我国发布的《京津冀协同发展规划纲要》中已提到解决“大城市病”的一条重要措施就是人口疏解, 这有利于缓解超大城市的热岛效应；另一方面则需要做好京津冀一体化的城市规划, 尤其是城市绿地和土地利用规划, 已有研究表明通过城市的土地利用有效规划能明显缓解热岛效应[56]。

4 结论与讨论

利用遥感定量表达城市热岛强弱是个复杂的科学问题, 其中关于郊区或乡村背景以及城市区选择来估算热岛强度是一个重要的技术问题。本文建立的SUHI估算方法能有效监测京津冀城市群热岛, 各大中城市热岛时空分布与前人的研究结果相似, 城市群SUHI不但存在年/季、昼/夜变化, 还受土地利用类型、地形影响, 例如平原农田一般无热岛, 大部分山区林地呈冷岛, 水体在夜间呈“暖湖效应”, 河北太行山山前地区易出现热岛。另外, 虽然在夜晚由卫星遥感估算的SUHI与气温热岛具有较好一致性, 但由于白天陆表温度与气温形成原理上的差异, 使得两种方式估算的热岛强度并不具有一致性, 许多研究也提到这种明显差异[25, 39-40], 同时SUHI(或UHI)的分级也没有统一的标准, 这给城市热岛强度的合理、准确描述及城市热岛比较分析带来困惑。因此, 如何统一、协调好二者来更加合理、准确表达一个城市的热岛强度是今后值得研究的内容。另外, 本文提出的热岛强度估算方法在属于一个气候带里的京津冀城市群进行了有效应用, 由于热岛强度是一个相对温度距平指标值, 它考虑了一定范围内(即气候条件相似)地形、土地利用类型、植被覆盖、人类活动因素, 且各因素指标容易获取, 因此该方法可在其他气候类型区进行推广应用。但受气候与地形差异, 不同气候带城市热岛很可能呈现与京津冀城市群不一致的时空分布, 如杨英宝利用卫星资料[71]对处于亚热带季风气候区的南京城市热岛研究发现热岛强度最高值出现在秋季, 李晓敏[72]对同处于亚热带季风气候区但又受盆地影响的成都城市热岛研究发现热岛强度最高值出现在春季, 而处于温带海洋性气候的荷兰鹿特丹城市热岛强度最高值出现在冬季[38]。因此, 针对不同气候类型地区的热岛时空格局还需要考虑多种因素进一步的研究。

对京津冀城市群热岛定量监测评估表明：城市群近5年(2010—2014) 年均较强以上热岛面积RHA(SUHI≥3℃)为1926 km2, 但在热岛最强的夏季白天, RHA达到7386 km2(占行政区域面积的5.8%), 排名前三的分别是北京(2351 km2)、天津(1087 km2)和唐山(889 km2), 石家庄排第四(611 km2)；11个平原城市中心城区平均SUHI和UHPI分别为3.0℃和0.61, 热岛评估较严重(UHPI大于0.6) 以上城市占到73%, 评估结果显示城市群各中心城区热岛总体都很严重, 同时显示超大城市(北京、天津)、特大城市(石家庄)和以重化工业代表的资源型城市(唐山)占据了城市群热岛面积的大部分, 这对未来京津冀城市群一体化发展, 如何控制城市规模、把握城市定位、保护生态环境提供一个参考。

对比3个不同时期发现, 京津冀城市群11个平原城市夏季白天SUHI和UHPI平均值, 在1994年仅为1.2℃和0.29(热岛评估为“一般”等级), 强热岛面积HHA(SUHI≥5℃)为190 km2；到2004年分别增加到2.6℃和0.58(热岛评估为“较严重”等级), HHA增加到1975 km2；到2014年则增加到3.2℃和0.69(热岛评估为“严重”等级), HHA增加到4539 km2, 占行政区域总面积的3.6%, 这种变化反映了京津冀城市迅速扩展导致的热岛增强增大事实。同时分析表明北京、天津强热岛区的空间距离日趋缩小, 未来随着北京城市重心东移和北京第二机场的建设, 北京、天津两个强热岛区存在集中连片为“京津区域热岛群”的可能, 这是未来京津冀城市群“一体化”发展需要极力避免的重大生态环境问题, 可在京津之间建立“绿色生态屏障”有效措施防止热岛蔓延趋势。

社会经济驱动因子分析表明, 京津冀城市经济规模(GDP)、人口数量和用电量都极大地影响着京津冀各城市热岛大小(拟合模型决定系数R2均在0.90以上), 意味着控制城市规模、减少能源消耗可有效减缓热岛效应, 这为《京津冀协同发展规划纲要》中提到“人口疏解”和“促进绿色循环低碳发展”以及合理地规划城市规模大小以减缓热岛并避免“京津热岛群”出现的可能提供了参考。同时, 城市热岛形成的机制很复杂, 本文只是从社会经济驱动因子来描述其对城市热岛的可能影响, 但并没有从机理上也难以从卫星遥感的监测现状去解释各种因素对热岛的具体影响过程, 而数值模拟则为热岛形成机制提供了一种较好解决手段[15-16, 50-51, 53]。因此通过卫星遥感获取精细化地表参数, 融合数值模式和能量平衡模型, 结合实地试验观测数据来研究城市热岛的形成机制是未来的重要研究方向, 这必将对城市的热岛效应有深入理解, 促进各城市采取有力措施以减缓城市热岛效应给自然环境、区域气候造成的负面影响。

参考文献
[1] Voogt J A. Urban heat island//Douglas I, Ed. Encyclopedia of Global Environmental Change Volume 3:Causes and Consequences of Global Environmental Change. New York:John Wiley & Sons, 2002:660-666.
[2] Rizwan A M, Dennis L Y C, Liu C H. A review on the generation, determination and mitigation of urban heat island. Journal of Environmental Sciences, 2008, 20(1): 120–128. DOI:10.1016/S1001-0742(08)60019-4
[3] 张光智, 徐祥德, 王继志, 杨元琴. 北京及周边地区城市尺度热岛特征及其演变. 应用气象学报, 2002, 13(Z1): 43–50. DOI:10.3969/j.issn.1001-7313.2002.z1.005
[4] 季崇萍, 刘伟东, 轩春怡. 北京城市化进程对城市热岛的影响研究. 地球物理学报, 2006, 49(1): 69–77.
[5] 郭勇, 龙步菊, 刘伟东, 李明. 北京城市热岛效应的流动观测和初步研究. 气象科技, 2006, 34(6): 656–661.
[6] Liu W D, Ji C P, Zhong X, Jiang X, Zheng Z. Temporal characteristics of the Beijing urban heat island. Theoretical and Applied Climatology, 2007, 87(1/4): 213–221.
[7] 马玉霞, 王式功, 魏海茹. 兰州市近50年城市热岛强度变化特征. 气象科技, 2009, 37(6): 660–664.
[8] 陈云浩, 史培军, 李晓兵. 基于遥感和GIS的上海城市空间热环境研究. 测绘学报, 2002, 31(2): 139–144.
[9] Voogt J A, Oke T R. Thermal remote sensing of urban climates. Remote Sensing of Environment, 2003, 86(3): 370–384. DOI:10.1016/S0034-4257(03)00079-8
[10] 苏伟忠, 杨英宝, 杨桂山. 南京市热场分布特征及其与土地利用/覆被关系研究. 地理科学, 2005, 25(6): 697–703.
[11] 宋艳暾, 余世孝, 李楠, 龚友夫. 深圳特区表面温度空间分异特征. 生态学报, 2007, 27(4): 1489–1498.
[12] 江学顶, 夏北成. 珠江三角洲城市群热环境空间格局动态. 生态学报, 2007, 27(4): 1461–1470.
[13] 胡姝婧, 胡德勇, 李小娟, 王荣华. 京津冀都市圈热环境空间格局遥感分析. 国土资源遥感, 2009(3): 94–99. DOI:10.6046/gtzyyg.2009.03.19
[14] Li C F, Yin J Y. Study on urban thermal field of Shanghai using multi-source remote sensing data. Journal of the Indian Society Remote Sensing, 2013, 41(4): 1009–1019. DOI:10.1007/s12524-013-0268-1
[15] 杨玉华, 徐祥德, 翁永辉. 北京城市边界层热岛的日变化周期模拟. 应用气象学报, 2003, 14(1): 61–68.
[16] 佟华, 刘辉志, 李延明, 桑建国, 胡非. 北京夏季城市热岛现状及楔形绿地规划对缓解城市热岛的作用. 应用气象学报, 2005, 6(3): 357–366.
[17] 江晓燕, 张朝林, 高华, 苗世光. 城市下垫面反照率变化对北京市热岛过程的影响——个例分析. 气象学报, 2007, 65(2): 301–307. DOI:10.11676/qxxb2007.029
[18] Sarkar A, De Ridder K. The urban heat island intensity of Paris:A case study based on a simple urban surface parametrization. Boundary-Layer Meteorology, 2011, 138(3): 511–520. DOI:10.1007/s10546-010-9568-y
[19] Stewart I D. A systematic review and scientific critique of methodology in modern urban heat island literature. International Journal of Climatology, 2011, 31(2): 200–217. DOI:10.1002/joc.v31.2
[20] De Lucena A J, Filho O C R, de Almeida França J R, de Faria Peres L. Urban climate and clues of heat island events in the metropolitan area of Rio de Janeiro. Theoretial and Applied Climatology, 2013, 111(3/4): 497–511.
[21] Martin P, Baudouin Y, Gachon P. An alternative method to characterize the surface urban heat island. International Journal of Biometeorology, 2015, 59(7): 849–861. DOI:10.1007/s00484-014-0902-9
[22] 刘勇洪, 栾庆祖, 权维俊, 张硕. 基于多源卫星资料的京津唐城市群热环境研究. 生态环境学报, 2015, 24(7): 1150–1158.
[23] He J F, Liu J Y, Zhuang D F, Zhang W, Liu M L. Assessing the effect of land use/land cover change on the change of urban heat island intensity. Theoretical and Applied Climatology, 2007, 90(3/4): 217–226.
[24] Gaffin S R, Rosenzweig C, Khanbilvardi R, Parshall L, Mahani S, Glickman H, Goldberg R, Blake R, Slosberg R B, Hillel D. Variations in New York city's urban heat island strength over time and space. Theoretical and Applied Climatology, 2008, 94(1/2): 1–11.
[25] Mohan M, Kikegawa Y, Gurjar B R, Bhati S, Kolli N R. Assessment of urban heat island effect for different land use-land cover from micrometeorological measurements and remote sensing data for megacity Delhi. Theoretical and Applied Climatology, 2013, 112(3/4): 647–658.
[26] 王建凯, 王开存, 王普才. 基于MODIS地表温度产品的北京城市热岛(冷岛)强度分析. 遥感学报, 2007, 11(3): 330–339. DOI:10.11834/jrs.20070346
[27] 邓玉娇, 匡耀求, 黄锋. 基于Landsat/TM资料研究广州城市热岛现象. 气象, 2010, 36(1): 26–30. DOI:10.7519/j.issn.1000-0526.2010.01.004
[28] 林奕桐, 叶骏菲, 林开平, 张家安. 南宁市热岛效应的遥感研究. 灾害学, 2014, 29(4): 192–197.
[29] 王天星, 陈松林, 阎广建. 地表参数反演及城市热岛时空演变分析. 地理科学, 2009, 29(5): 697–702. DOI:10.11820/dlkxjz.2009.05.007
[30] 徐赛萍, 沙晋明, 刘玉琴, 祝坤子. 城市热岛效应对植被生态环境质量的响应研究——以福州市马尾区为例. 福建师范大学学报:自然科学版, 2014, 30(3): 137–146.
[31] Walawender J P, Szymanowski M, Hajto M J, Bokwa A. Land surface temperature patterns in the urban agglomeration of Krakow (Poland) derived from Landsat-7/ETM+Data. Pure and Applied Geophysics, 2014, 171(6): 913–940. DOI:10.1007/s00024-013-0685-7
[32] 徐涵秋, 陈本清. 不同时相的遥感热红外图像在研究城市热岛变化中的处理方法. 遥感技术与应用, 2003, 18(3): 129–133. DOI:10.11873/j.issn.1004-0323.2003.3.129
[33] 潘卫华, 张春桂. 泉州市城市化进程中的热岛效应遥感研究. 国土资源遥感, 2006(4): 50–54. DOI:10.6046/gtzyyg.2006.04.13
[34] Imhoff M L, Zhang P, Wolfe R E, Bounoua L. Remote sensing of the urban heat island effect across biomes in the continental USA. Remote Sensing of Environment, 2010, 114(3): 504–513. DOI:10.1016/j.rse.2009.10.008
[35] Schwarz N, Lautenbach S, Seppelt R. Exploring indicators for quantifying surface urban heat islands of European cities with MODIS land surface temperatures. Remote Sensing of Environment, 2011, 115(12): 3175–3186. DOI:10.1016/j.rse.2011.07.003
[36] 叶彩华, 刘勇洪, 刘伟东, 刘诚, 权维俊. 城市地表热环境遥感监测指标研究及应用. 气象科技, 2011, 39(1): 95–101.
[37] Wang J, Huang B, Fu D, Atkinson P M. Spatiotemporal variation in surface urban heat Island intensity and associated determinants across major Chinese cities. Remote Sensing, 2015, 7(4): 3670–3689. DOI:10.3390/rs70403670
[38] Van Hove L W A, Jacobs C M J, Heusinkveld B G, Elbers J A, Van Driel B L, Holtslag A A M. Temporal and spatial variability of urban heat island and thermal comfort within the Rotterdam agglomeration. Building and Environment, 2015, 83: 91–103. DOI:10.1016/j.buildenv.2014.08.029
[39] Cheval S, Dumitrescu A, Bell A. The urban heat island of Bucharest during the extreme high temperatures of July 2007. Theoretical and Applied Climatology, 2009, 97(3/4): 391–401.
[40] Morris C J G, Simmonds I, Plummer N. Quantification of the influences of wind and cloud on the nocturnal urban heat island of a large city. Journal of Applied Meteorology, 2001, 40(2): 169–182. DOI:10.1175/1520-0450(2001)040<0169:QOTIOW>2.0.CO;2
[41] Hu L Q, Brunsell N A. The impact of temporal aggregation of land surface temperature data for surface urban heat island (SUHI) monitoring. Remote Sensing of Environment, 2013, 134: 162–174. DOI:10.1016/j.rse.2013.02.022
[42] Cheval S, Dumitrescu A. The summer surface urban heat island of Bucharest (Romania) retrieved from MODIS images. Theoretical and Applied Climatology, 2015, 121(3/4): 631–640.
[43] Mohsin T, Gough W A. Characterization and estimation of urban heat island at Toronto:impact of the choice of rural sites. Theoretical and Applied Climatology, 2012, 108(1/2): 105–117.
[44] Bokwa A, Hajto M J, Walawender J P, Szymanowski M. Influence of diversified relief on the urban heat island in the city of Kraków, Poland. Theoretical and Applied Climatology, 2015, 122(1/2): 365–382.
[45] Ren Z B, Zheng H F, He X Y, Zhang D, Yu X Y. Estimation of the relationship between urban vegetation configuration and land surface temperature with remote sensing. Journal of the Indian Society of Remote Sensing, 2015, 43(1): 89–100. DOI:10.1007/s12524-014-0373-9
[46] Connors J P, Galletti C S, Chow W T L. Landscape configuration and urban heat island effects:assessing the relationship between landscape characteristics and land surface temperature in Phoenix, Arizona. Landscape Ecology, 2013, 28(2): 271–283. DOI:10.1007/s10980-012-9833-1
[47] Yamashita S, Sekine K, Shoda M, Yamashita K, Hara Y. On relationships between heat island and sky view factor in the cities of Tama River basin, Japan. Atmospheric Environment, 1986, 20(4): 681–686. DOI:10.1016/0004-6981(86)90182-4
[48] Roth M. Review of urban climate research in (sub)tropical regions. International Journal of Climatology, 2007, 27(14): 1859–1873. DOI:10.1002/(ISSN)1097-0088
[49] Oke T R. City size and the urban heat island. Atmospheric Environment, 1973, 7(8): 769–779. DOI:10.1016/0004-6981(73)90140-6
[50] 崔耀平, 刘纪远, 张学珍, 秦耀辰, 董金玮. 京津唐城市群土地利用变化的区域增温效应模拟. 生态学报, 2015, 35(4): 993–1003.
[51] 周莉, 江志红, 李肇新, 杨修群. 中国东部不同区域城市群下垫面变化气候效应的模拟研究. 大气科学, 2015, 39(3): 596–610. DOI:10.3878/j.issn.1006-9895.1404.14157
[52] Wan Z M. New refinements and validation of the MODIS land-surface temperature/emissivity products. Remote Sensing of Environment, 2008, 112(1): 59–74. DOI:10.1016/j.rse.2006.06.026
[53] Rajasekar U, Weng Q H. Urban heat island monitoring and analysis using a non-parametric model:A case study of Indianapolis. International Journal of Photogrammetry and Remote Sensing, 2009, 64(1): 86–96. DOI:10.1016/j.isprsjprs.2008.05.002
[54] Prata A J. Land surface temperatures derived from the Advanced Very High Resolution Radiometer and the along-track scanning radiometer:1. Theory. Journal of Geophysical Research, 1993, 98(D9): 16689–16702. DOI:10.1029/93JD01206
[55] 刘勇洪, 轩春怡, 权维俊. 基于卫星资料的北京陆表水体的热环境效应分析. 湖泊科学, 2013, 25(1): 73–81. DOI:10.18307/2013.0110
[56] 刘勇洪, 徐永明, 马京津, 权维俊. 北京城市热岛的定量监测及规划模拟研究. 生态环境学报, 2014, 23(7): 1156–1163.
[57] 权维俊. 长序列AVHRR的地表参数反演及其在青藏高原地区时空变化的分析[D]. 北京: 中国科学院大学, 2014.
[58] Quan W J, Chen H B, Han X Z, Liu Y H, Ye C H. A modified Becker's split-window approach for retrieving land surface Temperature from AVHRR and VIRR. Acta Meteorologica Sinica, 2012, 26(2): 229–240. DOI:10.1007/s13351-012-0208-y
[59] 卓莉, 李强, 史培军, 陈晋, 郑璟, 黎夏. 基于夜间灯光数据的中国城市用地扩展类型. 地理学报, 2006, 61(2): 169–178. DOI:10.11821/xb200602006
[60] 杨眉, 王世新, 周艺, 王丽涛. DMSP/OLS夜间灯光数据应用研究综述. 遥感技术与应用, 2011, 26(1): 45–51. DOI:10.11873/j.issn.1004-0323.2011.1.45
[61] Liu Q P, Yang Y C, Tian H Z, Zhang B, Gu L. Assessment of human impacts on vegetation in built-up areas in China based on AVHRR, MODIS and DMSP_OLS nighttime light data, 1992-2010. Chinese Geographical Science, 2014, 24(2): 231–244. DOI:10.1007/s11769-013-0645-2
[62] 杨洋, 何春阳, 赵媛媛, 李通, 乔云伟. 利用DMSP/OLS稳定夜间灯光数据提取城镇用地信息的分层阈值法研究. 中国图象图形学报, 2011, 16(4): 666–673. DOI:10.11834/jig.100551
[63] 王翠平, 王豪伟, 李春明, 董仁才. 基于DMSP/OLS影像的我国主要城市群空间扩张特征分析. 生态学报, 2012, 32(3): 942–954.
[64] 刘勇洪, 叶彩华, 权维俊, 高燕虎. 华北植被的光能利用率及其时空变化分析. 高原气象, 2010, 29(3): 696–702.
[65] 谢庄, 崔继良, 陈大刚, 胡保昆. 北京城市热岛效应的昼夜变化特征分析. 气候与环境研究, 2006, 11(1): 69–75.
[66] 郑祚芳, 刘伟东, 王迎春. 北京地区城市热岛的时空分布特征. 南京气象学院学报, 2006, 29(5): 694–699.
[67] 黄利萍, 苗峻峰, 刘月琨. 天津城市热岛效应的时空变化特征. 大气科学学报, 2012, 35(5): 620–632.
[68] 卞韬, 任国玉, 张翠华, 阎访. 石家庄气象站记录的城市热岛效应及其趋势变化. 南京信息工程大学学报:自然科学版, 2012, 4(5): 402–408.
[69] 北京市气象局气候资料室. 北京城市气候. 北京: 气象出版社, 1992: 2–7.
[70] Wang W H, Liang S L, Meyers T. Validating MODIS land surface temperature products using long-term nighttime ground measurements. Remote Sensing of Environment, 2008, 112(3): 623–635. DOI:10.1016/j.rse.2007.05.024
[71] 杨英宝, 苏伟忠, 江南. 南京市热岛效应时空特征的遥感分析. 遥感技术与应用, 2006, 21(6): 488–492. DOI:10.11873/j.issn.1004-0323.2006.6.488
[72] 李晓敏, 曾胜兰. 成都、重庆城市热岛效应特征对比. 气象科技, 2015, 43(5): 888–897.