2023, Vol. 43文章信息
- 梁洪武, 阿里木江·卡斯木, 张雪玲, 赵永玉, 如克亚·热合曼
- LIANG Hongwu, KASIMU·Alimujiang, ZHANG Xueling, ZHAO Yongyu, REHEMAN·Rukeya
- 干旱区绿洲城市群地表温度时空变化及其影响因素——以天山北坡城市群为例
- Spatio-temporal change and influencing factors of land surface temperature in oasis urban agglomeration in arid region: A case study in the urban agglomeration on the northern slope of Tianshan Mountains
- 生态学报. 2023, 43(9): 3650-3664
- Acta Ecologica Sinica. 2023, 43(9): 3650-3664
- http://dx.doi.org/10.5846/stxb202205151368
-
文章历史
- 收稿日期: 2022-05-15
- 网络出版日期: 2022-09-02
2. 新疆师范大学丝绸之路经济带城镇化发展研究中心, 乌鲁木齐 830054;
3. 新疆干旱区湖泊环境与资源重点实验室, 乌鲁木齐 830054
2. Research Centre for Urban Development of Silk Road Economic Belt, Xinjiang Normal University, Urumqi 830054, China;
3. Xinjiang Key Laboratory of Lake Environment and Resources in Arid Zone, Urumqi 830054, China
地表温度是(Land Surface Temperature, LST)影响陆地与大气间能量交换和水循环过程的关键因素, 也是地表能量收支平衡的重要体现[1—2]。近年来, 随着全球城市化的不断推进, 大量以水泥、沥青为主的不透水面破坏了原有的自然景观引起地表反照率和比辐射率等表面参数的变化, 使得城市区域的LST变化尤为显著[3]。城市地表温度变化不仅会降低人们居住环境的舒适性, 危害人类身体健康；还会对城市局部气候和生态环境演变等方面造成严重影响[4]。城市群是区域经济集聚、工业化和城镇化发展到一定先进程度的地域空间载体, 其已成为当前全球城市化最显著的表现形式[5]。目前, 中国已经形成多个大型城市群, 如京津冀、长三角、珠三角和成渝城市群等, 其已成为带动区域经济发展和城市化的主要载体。因此了解城市群LST的空间分布格局、变化趋势和主要影响因素, 对于城市群的经济可持续发展和生态环境保护是非常有必要的。
目前, 已有大量学者在LST的时空分布特征[6—7]和影响因素[8—10]等方面取得了丰硕的研究成果；大量空间计量模型[11—12]和景观生态理论[13—14]也被引入到LST的演变过程与作用机理的研究当中。根据现有的研究表明, 地表覆盖被认为是影响LST的关键因素。例如, 不透水面会增加地表的显热通量, 使得地表向外的热辐射能增加, 从而导致LST升高[15]。而水体和绿地是城市天然的散热器, 植被通过蒸腾作用和阴影能够有效降低地表温度, 水体能通过蒸散发带走大量热量, 加上其较大的比热容从而能够保持较低的温度[16—17]。一些能准确表征地表覆盖信息的遥感光谱指数, 如归一化植被指数(Normalized Difference Vegetation Index, NDVI)、归一化水体指数(Normalized Difference Water Index, NDWI)和归一化建筑和裸土指数(Normalized differential build-up and bare soil index, NDBSI)等都与LST有显著的线性关系[18]。此外, 一些地形因素、气候因素、人类活动和社会经济因素, 也在影响城市LST变化的过程中起着不可忽视的作用[19]。例如, 海拔与LST呈显著的负相关关系[20]；人口密度、国内生产总值(Gross Domestic Product, GDP)和能够表征人类活动强度和社会经济状况的夜间灯光数据也与LST有着密切的关联[21]。近年来, 相继有学者发现气溶胶光学厚度(Aerosol Optical Depth, AOD)也与LST有着高度的相关关系[22], 然而, 却较少有研究探讨AOD对LST影响, 一些其他的气候因素, 如降水也较少作为影响因素应用于LST的研究中。
在以往对LST研究中, 人们常常依赖于Landsat系列数据, 基于某个或多个时间断面(传感器过境时刻), 来分析LST的空间分布格局。虽然Landsat数据空间分辨率较高, 但时间分辨率较低, 且常常被传感器过境时刻的云覆盖状况所限制, 因此其难以对大范围LST进行连续、稳定的观测。在对影响因素的研究中, 也多以简单的线性回归模型[23]作为研究方法来探讨单个或多个影响因素对LST影响。然而, 简单的线性回归模型无法充分揭示各影响因素对LST解释程度；且无法分析不同影响因素共同作用时对LST的影响和影响因素之间的作用关系。此外, 在影响因素的选择上, 多偏好地表覆盖因素, 缺乏对社会经济因素和气候因素的全面考虑。因此, 本研究选用时间分辨率高且空间分辨率适中的MODIS数据, 来探究LST的空间分布格局和时空变化趋势；并综合考虑各方面影响因素, 应用地理探测器模型(Geographic Detector Model, GDM)[24]深入探究LST的相关影响因素。
天山北坡城市群地处我国西北的干旱和半干旱地区, 其水资源严重匮乏, 生态环境脆弱且对气候变化敏感, 是典型的绿洲城市群[25]。天山北坡城市群是当前新疆城镇化水平最高、交通最发达、人口和产业最密集的地区, 在新疆有着不可替代的作用[26]。自20世纪80年代以来, 由于城镇化的不断推进, 大量生态用地转换为建设用地, 绿洲—荒漠过渡带持续萎缩[27]。然而, 改善生态环境质量, 促进可持续发展转型, 是当前中国政府较为关注的问题。因此, 在激烈的人类活动的影响下, 分析天山北坡城市群LST的空间分布格局、变化趋势以及探究其影响因素, 对城市群布局未来发展规划和改善人居环境质量都具有十分重要的意义。
1 研究区和数据源 1.1 研究区概况天山北坡城市群是我国西北内陆地区的一个新兴城市群, 也是丝绸之路经济带核心区唯一的城市群[28]。其地理位置介于82°30′—91°30′E, 39°40′—45°30′N, 位于新疆天山北麓、准噶尔盆地南缘, 空间范围包括乌鲁木齐市、五家渠市、昌吉回族自治州、吐鲁番市、石河子市、克拉玛依市、奎屯市、乌苏市以及沙湾市(图 1)。天山北坡城市群是目前新疆最为发达的地区, 也是未来引领新疆进行新型城镇化建设和社会经济发展的战略核心区, 但由于其坐落在干旱区绿洲生态环境中, 生态环境极易失衡。因此, 为了改善天山北坡城市群生态环境质量, 促进可持续发展转型, 需要探究其各方面的存在生态环境问题, LST作为生态环境中的一个重要参数, 亟需要引起重视。然而, 目前对城市群LST的研究中, 还主要集中于沿海和发达地区的城市群, 对于内陆干旱地区和欠发达地区城市群的关注度较低。
|
| 图 1 研究区示意图 Fig. 1 Overview of study area |
在本研究中, 2005—2019年的LST数据采用MODIS Aqua LST产品MYD11A2, 该产品是由MODIS第31、32通道的热红外波段运用分裂窗算法计算所得, 空间分辨率为1 km。MYD11A2数据是由8 d的晴空LST经过简单平均算法得到复合LST产品, 能有效减少云量的影响。该产品已经过一系列精度验证, 整体精度较高, 已被广泛应用于区域或全球尺度的LST研究[29]。
在影响因素的选择时, 根据先前的研究[19, 21, 30]和数据的可获得性, 本研究综合考虑了地表覆盖因素、气候因素、地形因素以及社会经济因素, 最终选择了土地利用/土地覆盖(Land Use/ Land Cover, LULC)、NDVI、NDBSI、降水、AOD、夜间灯光、GDP、人口密度、DEM和坡度。NDVI和AOD数据分别来自MODIS的植被指数产品MYD13A2和陆地气溶胶光学厚度数据产品MCD19A2。NDBSI数据是基于MODIS地表反射率数据MYD09A1计算得到(具体计算方法见第2.3节)。GDP和人口密度数据来自于中国科学院资源环境科学与数据中心(https://www.resdc.cn)。土地利用/土地覆盖数据是由Yang等[31]生产的1990—2019的30 m逐年中国土地覆盖数据集, 本研究将其重分类为耕地、林地、水域、草地、建设用地和未利用地共6种类型。降水数据来自于国家青藏高原科学数据中心(http://data.tpdc.ac.cn)的逐月降雨量栅格数据, 本研究计算了其年平均值。夜间灯光数据是由美国科罗拉多矿业大学校正合成后的月度NPP—VIIRS夜间光数据。DEM和坡度数据来自于地理空间数据云(http://www.gscloud.cn)。为保证所有的数据空间分辨率一致, 所有数据均重采样为1 km。表 1总结了所有影响因素数据的详情。
| 影响因素类型Types of influencing factors | 影响因素Influencing factors | 分辨率/m Resolution | 时间Time | 获取途径Access |
| 地表覆盖因素 | LULC | 30 | 2019 | https://zenodo.org |
| Land cover factors | NDVI | 1000 | 2019 | GEE |
| NDBSI | 500 | 2019 | GEE | |
| 气候因素 | 降水 | 1000 | 2019 | http://data.tpdc.ac.cn |
| Climate factors | AOD | 1000 | 2019 | GEE |
| 社会经济因素 | 夜间灯光 | 500 | 2019 | GEE |
| Socio-economic factors | GDP | 1000 | 2019 | https://www.resdc.cn |
| 人口密度 | 1000 | 2019 | https://www.resdc.cn | |
| 地形因素 | DEM | 30 | — | http://www.gscloud.cn |
| Terrain factors | 坡度 | 30 | — | http://www.gscloud.cn |
由于4种MODIS数据(LST、NDVI、NDBSI、AOD)和夜间灯光数据总量已经超过1000幅遥感影像, 数据量庞大, 因此本研究借助遥感云计算平台Google Earth Engine(GEE)来完成数据的筛选和计算等一系列工作。
2 研究方法 2.1 划分地表温度等级本研究采用均值标准差法将地表温度划分为5个等级包括极高温(Extremely high temperature, EHT)、高温(High temperature, HT)、中温(Medium temperature, MT)、低温(Low temperature, LT)、极低温(Extremely low temperature, ELT), 该方法利用均值与不同标准差倍数进行组合能良好的表征LST的集中性与波动性[32]。具体划分细则如表 2所示。
| 温度等级Temperature grades | 划分依据Basis | 温度等级Temperature grades | 划分依据Basis | |
| 极高温Extremely high temperature | T>μ+1.5std | 低温Low temperature | μ-1.5std≤T<μ-0.5std | |
| 高温High temperature | μ+0.5std<T≤μ+1.5std | 极低温Extremely low temperature | T<μ-1.5std | |
| 中温Medium temperature | μ-0.5std≤T<μ+0.5std | |||
| T为温度区间, μ为平均值, std为标准差 | ||||
Sen′s斜率分析是一种估算时间序列变化趋势的方法。它基本原理是通过计算时间序列中所有相邻两数据之间的斜率, 然后取斜率的中值作为变化趋势, 能够有效的降低缺失值和异常值的影响[33]。计算公式如下：
|
(1) |
式中medium为取中值函数；LSTj和LSTi为在时间序列中第j和i时刻的观测值；当Slope<0时表示下降趋势, Slope>0时表示上升趋势。
M-K趋势检验是一种非参数检验方法, 常常与Sen′s斜率分析结合使用, 用于判定变化趋势的显著性[34]。其是通过计算其标准正太统计分布量Z来判别显著性的, 具体计算方法如下：
|
(2) |
式中Var(S)为S的方差, S的计算公式为：
|
(3) |
式中sgn(LSTj-LSTi)为符合函数, 其表达式如下：
|
(4) |
本研究取95%和99%的置信度水平, 即当Z≥2.58或Z≤2.58时, 变化趋势为极显著；1.96≤Z<2.58或-2.58<Z≤-1.96时, 变化趋势为显著；否则变化趋势为不显著。
2.2.2 Hurst指数基于重标极差(R/S)的Hurst指数, 能通过反映前后时间序列的相互关系, 来判别时间序列未来的变化情况[35]。因此结合Sen′s斜率和M-K趋势检验, 可用于分析LST未来的变化趋势。当Hurst>0.5时, 表明LST变化趋势具有可持续性, 即未来的变化趋势极有可能与现在相同；Hurst≤0.5时, 表明未来LST变化趋势不确定, 本研究将其归为变化趋势未知。
为了更好的分析LST的变化趋势和未来变化趋势, 本研究将Sen′s斜率分析、Mann-Kendal趋势检验和Hurst指数的结果进行叠加分析, 划分了变化趋势的等级。表 3给出了具体的划分条件。
| 斜率和Z值Slope and Z value | 变化趋势Trends | 斜率、Z值与Hurst指数Slope, Z value and Hurst index | 未来的变化趋势Future trends |
| Slope<0, Z≤-2.58 | 极显著降低 | Slope<0, Z≤-2.58, Hurst>0.5 | 持续极显著降低 |
| Slope<0, -2.58<Z ≤- 1.96 | 显著降低 | Slope<0, -2.58<Z≤-1.96, Hurst>0.5 | 持续显著降低 |
| Slope<0, -1.96<Z<1.96 | 不显著降低 | Slope<0, -1.96<Z<1.96, Hurst>0.5 | 持续不显著降低 |
| Slope>0, 1.96<Z<1.96 | 不显著升高 | Slope>0, 1.96<Z<1.96, Hurst>0.5 | 持续不显著升高 |
| Slope>0, 1.96≤Z<2.58 | 显著升高 | Slope>0, 1.96≤Z<2.58, Hurst>0.5 | 持续显著升高 |
| Slope>0, Z≥2.58 | 极显著升高 | Slope>0, Z≥2.58, Hurst>0.5 | 持续极显著升高 |
| — | — | Hurst≤0.5 | 变化趋势未知 |
NDBSI是Hu[36]等所提出的一种衡量地表“干化”程度的新型指标, 它是基于建筑指数(BI, Built-up Index)和裸土壤指数(SI, Soil Index)求平均值组合而成的, 该指数可以增强包括裸土和建筑在内的裸露地表信息。计算方式如下：
|
(5) |
|
(6) |
|
(7) |
式中, βRed、βGreen、βBlue、βNIR和βSWIR分别是MYD09A1数据的红、绿、蓝、近红外1和短波红外1波段的反射率。
2.4 地理探测器模型(GDM)GDM是一种基于空间分异性特征, 用于探索驱动力因素的空间统计学模型, 通过测算地理要素之间的空间一致性程度来度量其之间的关联程度, 有效的避免了地理要素之间的线性假设和共线性的情况, 地理探测器包含因子探测、交互作用探测、风险探测和生态探测四个模块[37]。本研究将使用因子探测和交互探测两个模块, 因子探测用于探究每个影响因素对LST解释力, 交互探测用于探究影响因素之间共同作用时, 对LST的影响以及影响因素之间的作用关系。
2.4.1 因子探测因子探测通过探测因变量(影响因素)在多大程度上解释了自变量(LST)的空间分异性来度量自变量对因变量的影响, 该影响程度使用q值来量化。q值得表达式如下：
|
(8) |
式中h =1, …, L为自变量或因变量的分类或分区；Nh和N分别为层h和全区的单元数；σh2和σ2分别为因变量在层h和全区的方差。
2.4.2 交互探测交互作用探测用于识别不同自变量之间的交互作用, 即评估自变量X1和X2共同作用时对因变量的解释力是否会增加或减少, 或对因变量的影响是否相互独立。评估方法是先计算两种自变量X1、X2对因变量的q值：q(X1)和q(X2), 以及两自变量交互时的q值：q(X1∩X2), 然后对q(X1)、q(X2) 和q(X1∩X2)进行比较, 进而划分不同交互作用类型。具体交互作用类型以及划分准则见表 4。
| 交互作用类型Interaction types | 判断标准Judgment standard |
| 非线性减弱Weaken, nonlinear |  |
| 单因子非线性减弱Weaken, univariate |  |
| 独立Independent |  |
| 双因子增强Enhance bivariate |  |
| 非线性增强Enhance, nonlinear |  |
| Min(q(X1), q(X2))为q(X1), q(X2)两者取最小；Max(q(X1), q(X2)) 为q(X1), q(X2)两者取最大；q(X1)q(X2)为q(X1), q(X2)两者求和 | |
为了避免偶然性, 本研究以2005—2019白天和夜间的平均值来分析昼夜空间格局差异。从结果可知, 天山北坡城市群白天和夜间的LST空间分布格局存在明显差异(图 2)。在白天LST范围在-12.62℃到42.62℃之间；EHT和HT温度等级的面积占比分别为2.23%和33.19%；EHT和HT都主要分布在吐鲁番市内, EHT集聚在库木塔格沙漠区域。ELT和LT的面积占比分别为8.69%和18.21%, ELT主要分布在研究区西南边缘和中部的天山山脉高海拔地区, LT主要嵌套分布在ELT外围以及天山山脉以北的绿洲区域, 且绿洲区域的LT外围又被MT所包围, 因此绿洲区域在变天表现为明显的冷岛特征。在夜间LST范围在-25.60℃到10.57℃之间；EHT和HT的面积比例分别为5.97%和20.43%, 虽与白天一样同样聚集在吐鲁番市内；但与白天相比, EHT的面积明显增大且空间分布西移, 集聚在吐鲁番市的绿洲区域；而HT的面积相较于白天面积明显缩小。夜间ELT的面积占比和空间分布与白天几乎无异；LT的面积占比与白天相比缩减较为明显, 主要是天山山脉以北的绿洲区域, 白天的大量ELT在夜间转变为了MT或HT, 因此绿洲区域在夜间表现出明显的热岛特征。总的来说, 天山北坡城市群白天和夜间的LST格局以MT和HT为主, 但绿洲区域LST格局异常明显。
|
| 图 2 2005—2019LST等级的空间分布 Fig. 2 Spatial distribution of LST grades from 2005 to 2019 |
2005—2019年间天山北坡城市群的年平均LST在白天和夜间均有一定的波动, 但总体呈升高的趋势(图 3)。从线性趋势来看, 在白天和夜间均呈现轻微升高的趋势, 速率分别为0.0122 ℃/a和0.0206 ℃/a。从SG(Savitzky Golay)平滑的结果来看, 白天的波动较为复杂, 2005—2008年间研究区的平均LST在升高；2010—2011年间降低；然后又反弹, 其中在2012—2019年间存在连续的上下波动。在夜间, 研究区的平均LST在2005—2007年间升高；2007—2011年间又降低；2001—2016年又升高；最后又下降。
|
| 图 3 2005—2019年平均LST的变化趋势 Fig. 3 Variation trend of annual average LST from 2005 to 2019 |
从Sen′s斜率分析的结果来看(图 4), 2005—2019年间, 不管白天还是夜间, 天山北坡城市群LST表现为升高趋势的面积占比均远高于降低趋势的面积占比, 因此总体均表现为升高的趋势。在白天, 变化趋势在-0.69—1.02 ℃/a之间, 平均值为0.04 ℃/a, 呈升高趋势的面积占比为69.87%, 表现为降低趋势的面积占比为30.13%。在夜间, 变化趋势在-0.25 ℃/a—0.54 ℃/a之间, 平均值为0.03 ℃/a, 表现为升高趋势的面积占比为89.97%, 而呈现降低趋势的面积仅占10.03%。
|
| 图 4 2005—2019年Slope空间分布 Fig. 4 Spatial distribution of Slope from 2005 to 2019 |
将Sen′s斜率分析与M-K趋势检验的结果进行叠加, 并依据表 3得到LST变化趋势等级, 从结果来看(图 5), 不管白天还是夜间, 绝大部分地区的变化趋势均表现为不显著(不显著升高和不显著降低), 只有少部分地区的变化趋势表现为极显著或显著(极显著升高、显著升高、极显著降低、显著降低)。在白天, 有85.75%的地区变化趋势不显著；有14.25%的区域的变化趋势表现为极显著或显著, 其中分别有3.91%和9.00%的地区呈现极显著升高和显著升高的趋势, 主要集聚在研究区中部的乌鲁木齐市、五家渠市、昌吉回族自治州和石河子市；有1.07%和0.27%呈显著降低和极显著降低的趋势, 分布在研究区西边的沙湾市、奎屯市和乌苏市。在夜间, 更是有高达94.53%的区域变化趋势表现为不显著, 仅有5.47%的区域表现为极显著或显著, 其中有0.84%和4.51%的区域呈现极显著和显著升高, 但分布零散无明显集中的区域；而呈现极显著或显著降低趋势的区域均不超过0.1%, 同样零星分布无明显聚集的区域。
|
| 图 5 2005—2019年LST的变化趋势 Fig. 5 The changing trend of LST from 2005 to 2019 |
从Hurst指数结果来看(图 6), 在白天, 天山北坡城市群有50.31%的区域LST变化趋势在未来具有持续性(Hurst>0.5), 有49.69%的区域LST未来的变化趋势未知(Hurst≤0.5)。在夜间, 大部分地区LST变化趋势在未来处于持续稳定的状态, 占研究区总面积的65.30%, 只有34.70%的区域未来LST未来的变化趋势未知。
|
| 图 6 Hurst指数空间分布 Fig. 6 Spatial distribution of Hurst index |
为了划分LST未来的变化趋势等级, 本研究将Sen′s斜率分析、M-K趋势检验和Hurst指数进行叠加, 以获得变化趋势、显著性和持续性的三重信息(表 3)。从结果可知(图 7), 在白天, LST未来的变化趋势表现为持续升高(持续不显著升高、持续显著升高和持续极显著升高)的面积比例为32.72%, 其中表现为持续显著升高和持续极显著升高的面积比例分别为7.08%和3.83%, 主要聚集在乌鲁木齐、五家渠市、昌吉回族自治州和石河子市, 也就是说这些城市在未来LST将进一步升高。LST未来的变化趋势表现为持续降低(持续不显著降低、持续显著降低和持续极显著降低)的面积比例为17.59%, 其中持续显著降低和持续极显著降低的面积比例分别为1.02%和0.27%, 主要集中分布在沙湾市、奎屯市和乌苏市, 这些城市LST在未来会保持显著降低的趋势。在夜间, LST未来的变化趋势表现为持续升高的区域有62.57%, 而持续降低的区域仅有2.73%, 且其中绝大部分区域均不显著(不显著升高和不显著降低)。也就是说, 在夜间, 未来虽有绝大部分区域的LST有升高的趋势, 但升高的趋势并不显著。
|
| 图 7 LST未来的变化趋势 Fig. 7 The future changing trend of LST |
使用地理探测器模型时, 需要对连续型变量进行适当的离散化。目前常用数据离散化的方法有自然间断点法、等间距法、分位数法、标准差法和几何间隔法等。但在选择方法和离散类别的数量时, 多是依靠个人经验, 主观性较强；而通过R的GD包的可以依据q值来筛选最优离散方法和离散类别的数量。因此本研究, 首先根据研究区建立了2 km网格点来提取LST和每个影响因素的值, 然后通过R的GD包对连续型变量进行最优离散化, 并计算地理探测器结果。考虑到各种数据的可获得性, 本研究仅以2019年为例进行影响因素分析。
3.5.1 因子探测分析因子探测的q值范围在[0, 1]之间, 值越大表示影响因素对LST的解释(影响)力就越强, 反之则越弱。从结果可知(表 5), 各个影响因素对于LST的解释力在白天和夜晚存在显著差异, 白天的解释力明显优于夜晚。
| 时间Time | LULC | NDVI | NDBSI | 降水Precipitation | AOD | 夜间灯光Nighttime light | GDP | 人口密度Population density | DEM | 坡度Gradient |
| 2019年白天2019Daytime | 0.32** | 0.43** | 0.43** | 0.75** | 0.54** | 0.09** | 0.20** | 0.23** | 0.59** | 0.43** |
| 2019年夜间2019Nighttime | 0.11** | 0.25** | 0.27** | 0.61** | 0.41** | 0.06** | 0.10** | 0.09** | 0.57** | 0.22** |
| LULC: Land use and land cover; NDVI: Normalized difference vegetation index; NDBSI: Normalized differential build-up and bare soil index; AOD: Aerosol optical depth; GDP: Gross domestic product; DEM: Digital Elevation Model; **表示P<0.01 | ||||||||||
从单个影响因素来看, 不管白天还是夜间, 降水对LST的影响都是最大, 其次是DEM, 再其次是AOD, 这三个影响因素在白天的q值都在0.5以上, 夜间都在0.4以上, 明显高于其他影响因素, 说明降水、DEM和AOD是影响天山北坡城市群LST的主要因素。从影响因素的类型来看, 不管白天还是夜间, 气候因素(降水和AOD)的平均q值最大, 在白天约为0.65, 夜间约为0.51；其次是地形因素(DEM和坡度), 白天约为0.51, 夜间约为0.40；再其次是地表覆盖因素(LULC、NDVI和NDBSI)白天约为0.40, 夜间约为0.21；最后是社会经济因素(夜间灯光、GDP和人口密度), 白天约为0.17, 夜间仅为0.08。说明在天山北坡城市群, 气候因素对LST的影响最大, 其次是地形因素, 当然土地利用和地表覆盖因素也重要影响因素之一, 社会经济因素的影响非常小。
为了探究在不同城市LST的影响因素差异, 本研究分别探测了9个城市每个影响因素在白天和夜间对LST的影响。结果表明(图 8), 各影响因素对LST的影响因城市而异。对于大部分城市而言, 气候因素(降水、AOD)和地形因素(DEM、坡度)依旧是影响LST的主导因素, 特别是降水和DEM它们对LST的影响最大；而地表覆盖因素(LULC、NDVI和NDBSI)和社会经济因素(夜间灯光、GDP和人口密度)对LST的影响依旧较小。但在克拉玛依市, 地表覆盖因素对LST的影响较大, 这可能是由于克拉玛依市原本地貌相对单一, 多为荒漠戈壁滩, 但城市开发以来, 地表覆盖类型趋于复杂化, 导致原本也相对单一的LST值在不同的地表覆盖类型上呈现出差异性。在石河子市、五家渠市和奎屯市, 社会经济因素对LST的影响有了明显提升, 如在奎屯市的夜间, 夜间灯光对LST的影响最大(q = 0.77), GDP和人口密度的q值也都在0.50以上；这可能是因为这三个城市地势较为平坦, 面积较小, 而建成区面积比例较大, 平均GDP和人口密度也较高, 因此对LST的影响较大。石河子市、五家渠市和奎屯市, 许多影响因素在白天对LST的影响不显著(P>0.05), 说明在白天这些城市的LST影响机制可能更加复杂。
|
| 图 8 2019年每个城市在白天/夜间各影响因素的q值(缺失值表示P>0.05, 结果不显著) Fig. 8 The q value of each influencing factors for each city during the daytime/nighttime in 2019(missing value indicates P>0.05, the result is not significant) |
交互探测可以评估影响因素两两之间共同作用时对LST的解释力和作用关系。从结果可知(图 9), 不管是白天还是夜间影响因素之间都只呈现出双因子增强和非线性增强两种关系, 即不存在独立起作用的影响因素, 且两种影响因素共同作用时大于单因素对LST的影响。
|
| 图 9 2019年各影响因素的对LST的交互作用 Fig. 9 The interaction of each influencing factors on LST in 2019 虚线框表示非线性增强, 其余均为双因子增强 |
在白天, 只有夜间灯光与DEM或坡度交互时表现为非线性增强, 其他因素交互时均表现为双因子增强。降水与其他各因素交互时效果最为显著(q>0.7), 其与NDVI和LULC交互时q值最大(q = 0.83), 说明在白天, 当降水与NDVI或LULC交互时, 对天山北坡城市群LST的影响最大。在夜间, 大部分因素交互作用关系为双因子增强, 非线性增强类型只会在社会经济因素(夜间灯光、GDP和POP)之间交互或与其他因素交互时才会发生。降水与其他因素的交互效果在夜间依旧十分显著(q>0.6), 其与DEM交互时q值最大(q=0.74), 也就是说在天山北坡城市群, 对夜间LST影响最大的是降水和DEM的交互作用。
4 讨论 4.1 LST的空间分布格局和变化趋势不管白天还是夜间吐鲁番都是HT和EHT主要集中分布的地区, 这与王丽平等[38]的研究结果相符, 他们对中国地区LST的空间分布进行了研究, 发现吐鲁番地区是我国的极热地区, 年际最大值在75 ℃以上。这主要是由于吐鲁番大部分地区为沙漠, 白天太阳直射升温快, 加上其典型的盆地地形, 空气流动性差, 散热慢。本研究还发现, 在研究区中部的绿洲区域, 白天温度等级为LT, 而周围的温度等级为MT, 表现为明显的冷岛特征；而夜间温度等级为HT, 外围的温度等级为MT, 表现为明显的热岛特征。有前人基于Landsat数据分别对我国干旱和半干旱地区的额济纳绿洲[39]和张掖绿洲[40]进行了研究, 他们也发现绿洲在白天呈现出较为明显的冷岛特征。而在一些发达的城市群, 如京津冀城市群[29]和珠三角城市群[19]不管在白天还是夜间均表现为强烈的热岛特征。造成这种差异的原因主要是由于绿洲外围多为沙漠、裸地以及低覆盖草地, 比热容小, 白天太阳直射升温快, 而绿洲内部人造蓝绿景观较多, 含水量相对较高, 比热容大, 升温慢, 因此, 在白天绿洲城市内温度相对较低；而夜间则相反。
自20世纪60年代以来, 全球气候变化最大的特点就是大规模变暖[41], 有研究发现全球变暖也存在间歇性[42], 这也可以在一定程度上解释年平均LST的波动性特征。本研究在对LST变化趋势的研究中发现, 白天和夜间LST均表现为升高的趋势, 白天平均每年约升高0.04 ℃, 夜间平均每年约升高0.03 ℃。这与全国LST的变化趋势一致, Song等[43]对2003—2019年全国LST的变化趋势进行了探究, 他们也发现LST总体呈现升高的趋势, 且白天比夜间更加强烈。“乌昌五”都市圈和石河子市作为天山北坡城市群发展战略思路与空间布局规划中的着重发展地区, 在未来还将继续引领天山北坡城市群的发展[28]。但值得引起注意的是, 在乌鲁木齐市、昌吉回族自治州、五家渠市、石河子市, 白天的LST有着显著的升高趋势, 且未来仍具有相同的趋势。
4.2 LST的影响因素基于地理探测器模型结果, 本研究发现气候因素中降水对天山北坡城市群LST的影响最为强烈。水资源问题一直是制约新疆地区发展最核心的问题[44], 水的比热容大升温慢是天然的“散热器”, 降水可以直接带走地表的大量热量, 并增加地表径流；降水还与植被覆盖度之间具有明显的相关关系[45—46], 因此降水还可以通过影响植被来间接影响LST。地形因素中DEM对LST的影响也较为强烈, 仅次于降水, 这与Wang等[30]对四川盆地的研究结果一致, 天山北坡城市群和四川盆地共同特点就是地势高低起伏大, 天山北坡城市群的DEM极差在5000 m以上, 在高海拔的天山山脉区域, 终年积雪覆盖, LST极低；而海拔最低的吐鲁番市却又是全国LST最高的地区。气候因素中AOD对LST的影响也较大, 仅次于降水和DEM。有研究发现AOD会影响地表对太阳短波辐射的吸收和与大气之间的辐射交换, 从而对LST造成影响[47]。天山北坡城市群北部的古尔班通古特沙漠是全球沙尘气溶胶主要排放源之一, 加上人为气溶胶的排放, 导致天山北坡城市群气溶胶颗粒污染严重[48—49]。这可能是AOD对天山北坡城市群LST影响较大的原因。社会经济因素(夜间灯光、GDP和人口密度)对天山北坡城市群LST的影响非常小, 这与前人对关中平原城市群[21]和珠三角城市群[19]的研究结果相悖, 他们发现夜间灯光、GDP和人口密度对LST有着非常显著的影响。造成这种差异的原因可能是因为天山北坡城市群作为一个西北边疆城市群, 与以上两个城市群相比, 其空间范围广, 但城镇化程度低、经济水平落后、人口稀少, 导致社会经济因素对LST的影响较小。
4.3 局限性以及今后的工作从LST的昼夜差异和在不同城市影响LST的主导因素不同, 就能明显的看出LST在时间和空间上具有明显的尺度效应[50], 即在在不同时间和空间尺度下, 研究结果可能存在明显差异。本研究从昼夜尺度上分析了2005—2019年间天山北坡城市群LST的空间分布格局以及变化趋势, 并从不同空间尺度探究了LST的影响因素, 为天山北坡城市群预防和缓解热环境问题提供了一定的理论依据, 但本文还仍存在着一些局限性。首先是本研究仅从年际尺度分析LST的变化趋势, 未来还需要考虑季节尺度上的变化, 这将对农业生产更加具有指导意义[51]。其次是, 虽然MODIS数据时间分辨率较高, 但空间分辨率欠佳, 在对城市内部的LST进行研究时, 难以反映变化细节, 因此结合高空间分辨率数据对MODIS数据进行降尺度融合, 获得高时空分辨率的LST数据, 将是未来城市地表热环境研究的重要方向。第三是, 尽管本研究已经从气候、地表覆盖、社会经济以及地形方面考虑了10个影响因素对LST的影响, 但从城市尺度的因子探测结果来看, 未来还需要考虑更多的影响因素。最后是, 地理探测器模型的交互探测模块只能分析两个影响因素交互时对LST的综合影响, 对于多因素对LST的共同影响还需要进一步探究。
5 结论(1) 从空间分布来看, 不管白天还是夜间, 天山北坡城市群LST格局以MT(中温)和HT(高温)为主；吐鲁番市是温度最高的地区, 也是HT和EHT(极高温)的主要集聚区。从昼夜差异来看, 天山北坡城市群白天和夜间LST空间分布格局差异较大, 在绿洲区域白天为典型的冷岛特征, 而夜间为热岛特征。
(2) 总的来看, 2005—2019年间天山北坡城市群白天和夜间LST均表现为升高的趋势, 且白天强于夜间；但绝大部分区域的变化趋势不显著；而在乌鲁木齐市、昌吉回族自治州、石河子市和五家渠市升高的趋势非常显著, 且在未来也具有相同的趋势, 需要引起注意。
(3) 不同的空间尺度, 影响LST的主导因素存在差异, 作为典型干旱区绿洲城市群, 不管白天还是夜间气候因素(降水和AOD)和地形因素(DEM和坡度)是影响LST的主导因素, 其中气候因素对LST的影响最大, 而社会经济因素的影响非常小；从单个城市尺度来看, 在石河子、五家渠和奎屯地区社会经济因素是影响LST的主导因素。
| [1] |
段四波, 茹晨, 李召良, 王猛猛, 徐涵秋, 历华, 吴鹏海, 占文凤, 周纪, 赵伟, 任华忠, 吴骅, 唐伯惠, 张霞, 尚国琲, 覃志豪. Landsat卫星热红外数据地表温度遥感反演研究进展. 遥感学报, 2021, 25(8): 1591-1617. |
| [2] |
Sobrino J A, Jiménez-Muñoz J C. Minimum configuration of thermal infrared bands for land surface temperature and emissivity estimation in the context of potential future missions. Remote Sensing of Envronment, 2014, 148: 158-167. DOI:10.1016/j.rse.2014.03.027 |
| [3] |
李召良, 段四波, 唐伯惠, 吴骅, 任华忠, 阎广建, 唐荣林, 冷佩. 热红外地表温度遥感反演方法研究进展. 遥感学报, 2016, 20(5): 899-920. |
| [4] |
Cao Q, Yu D Y, Georgescu M, Wu J G, Wang W. Impacts of future urban expansion on summer climate and heat-related human health in eastern China. Environment International, 2018, 112: 134-146. DOI:10.1016/j.envint.2017.12.027 |
| [5] |
Fang C L, Yu D L. Urban agglomeration: an evolving concept of an emerging phenomenon. Landscape and Urban Planning, 2017, 162: 126-136. DOI:10.1016/j.landurbplan.2017.02.014 |
| [6] |
Gao Y J, Zhao J Y, Han L. Exploring the spatial heterogeneity of urban heat island effect and its relationship to block morphology with the geographically weighted regression model. Sustainable Cities and Society, 2022, 76: 103431. DOI:10.1016/j.scs.2021.103431 |
| [7] |
杨智威, 陈颖彪, 吴志峰, 郑子豪, 李娟娟. 粤港澳大湾区城市热岛空间格局及影响因子多元建模. 资源科学, 2019, 41(6): 1154-1166. |
| [8] |
Chen L, Wang X L, Cai X B, Yang C, Lu X R. Seasonal variations of daytime land surface temperature and their underlying drivers over Wuhan, China. Remote Sensing, 2021, 13(2): 323. DOI:10.3390/rs13020323 |
| [9] |
Xiong Y, Zhang F. Effect of human settlements on urban thermal environment and factor analysis based on multi-source data: a case study of Changsha city. Journal of Geographical Sciences, 2021, 31(6): 819-838. DOI:10.1007/s11442-021-1873-5 |
| [10] |
赵禾苗, 阿里木江·卡斯木. 基于地理探测器的喀什市地表热场空间分异及影响因素分析. 生态与农村环境学报, 2022, 38(2): 147-156. DOI:10.19741/j.issn.1673-4831.2021.0171 |
| [11] |
沈中健, 曾坚. 厦门市热岛强度与相关地表因素的空间关系研究. 地理科学, 2020, 40(5): 842-852. DOI:10.13249/j.cnki.sgs.2020.05.019 |
| [12] |
王戈, 于强, Yang D, 赵晓婷, 赵桂芳, 岳德鹏. 京津冀城市群生态空间格局变化与地表温度关系研究. 农业机械学报, 2021, 52(1): 209-218. |
| [13] |
陆晓君, 刘珍环. 城市"源-汇"热景观变化及其空间作用强度特征——以深圳西部地区为例. 生态学报, 2021, 41(16): 6329-6338. |
| [14] |
Wu Y F, Hou H, Wang R C, Murayama Y, Wang L Y, Hu T G. Effects of landscape patterns on the morphological evolution of surface urban heat island in Hangzhou during 2000-2020. Sustainable Cities and Society, 2022, 79: 103717. DOI:10.1016/j.scs.2022.103717 |
| [15] |
Kuang W H, Yang T R, Liu A L, Zhang C, Lu D S, Chi W F. An EcoCity model for regulating urban land cover structure and thermal environment: Taking Beijing as an example. Science China Earth Sciences, 2017, 60(6): 1098-1109. DOI:10.1007/s11430-016-9032-9 |
| [16] |
Farhadi H, Faizi M, Sanaieian H. Mitigating the urban heat island in a residential area in Tehran: investigating the role of vegetation, materials, and orientation of buildings. Sustainable Cities and Society, 2019, 46: 101448. DOI:10.1016/j.scs.2019.101448 |
| [17] |
Wang X M, Meng Q Y, Zhang L L, Hu D. Evaluation of urban green space in terms of thermal environmental benefits using geographical detector analysis. International Journal of Applied Earth Observation and Geoinformation, 2021, 105: 102610. DOI:10.1016/j.jag.2021.102610 |
| [18] |
Mushore T D, Mutanga O, Odindi J. Estimating urban LST using multiple remotely sensed spectral indices and elevation retrievals. Sustainable Cities and Society, 2022, 78: 103623. DOI:10.1016/j.scs.2021.103623 |
| [19] |
Liu W X, Meng Q Y, Allam M, Zhang L L, Hu D, Menenti M. Driving factors of land surface temperature in urban agglomerations: a case study in the Pearl River Delta, China. Remote Sensing, 2021, 13(15): 2858. DOI:10.3390/rs13152858 |
| [20] |
梁洪武, 阿里木江·卡斯木, 赵禾苗, 赵永玉. 天山北坡城市群地表温度时空差异及贡献度分析. 干旱区研究, 2022, 39(2): 388-399. |
| [21] |
胡李发, 谢元礼, 崔思颖, 周鹏, 李云梅, 孙韶启. 关中平原城市群夏季城市热岛特征及驱动力. 中国环境科学, 2021, 41(8): 3842-3852. DOI:10.3969/j.issn.1000-6923.2021.08.042 |
| [22] |
张秀, 王旭红, 郑玉蓉, 崔思颖, 杨霞, 蒋子琪. 气溶胶光学厚度和不透水地表覆盖度对城市热岛强度的影响——以关中地区为例. 生态学报, 2021, 41(22): 8965-8976. |
| [23] |
赵禾苗, 阿里木江·卡斯木. 乌鲁木齐市主城区热环境与下垫面关系研究. 测绘科学, 2021, 46(8): 179-187. |
| [24] |
Wang J F, Li X H, Christakos G, Liao Y L, Zhang T, Gu X, Zheng X Y. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun Region, China. International Journal of Geographical Information Science, 2010, 24(1): 107-127. DOI:10.1080/13658810802443457 |
| [25] |
张丽芳, 方创琳, 高倩. 天山北坡城市群城市景观时空扩张过程及多情景模拟. 生态学报, 2021, 41(4): 1267-1279. |
| [26] |
Gao Q, Fang C L, Liu H M, Zhang L F. Conjugate evaluation of sustainable carrying capacity of urban agglomeration and multi-scenario policy regulation. Science of the Total Environment, 2021, 785: 147373. DOI:10.1016/j.scitotenv.2021.147373 |
| [27] |
孙帆, 王弋, 陈亚宁. 塔里木盆地荒漠-绿洲过渡带动态变化及其影响因素. 生态学杂志, 2020, 39(10): 3397-3407. |
| [28] |
方创琳. 天山北坡城市群可持续发展战略思路与空间布局. 干旱区地理, 2019, 42(1): 1-11. |
| [29] |
Qiao Z, Tian G J, Xiao L. Diurnal and seasonal impacts of urbanization on the urban thermal environment: a case study of Beijing using MODIS data. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 85: 93-101. |
| [30] |
Wang Z Y, Sun D Q, Hu C G, Wang Y, Zhang J X. Seasonal contrast and interactive effects of potential drivers on land surface temperature in the Sichuan Basin, China. Remote Sensing, 2022, 14(5): 1292. |
| [31] |
Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth System Science Data, 2021, 13(8): 3907-3925. |
| [32] |
哈尚辰, 阿里木江·卡斯木. 基于土地集约利用水平的城市热岛效应影响因子分析. 冰川冻土, 2016, 38(1): 270-278. |
| [33] |
罗赵慧, 朱璐平, 张晓君, 房巧丽, 杨晓, 周丽旋, 于锡军, 梁明易, 陆俊卿. 粤港澳大湾区植被CUE变化及与气候变化的关系. 中国环境科学, 2021, 41(12): 5793-5805. |
| [34] |
田智慧, 任祖光, 魏海涛. 2000-2020年黄河流域植被时空演化驱动机制. 环境科学, 2022, 43(2): 743-751. |
| [35] |
王思, 张路路, 林伟彪, 黄秋森, 宋亦心, 叶脉. 基于MODIS-归一化植被指数的广东省植被覆盖与土地利用变化研究. 生态学报, 2022, 42(6): 2149-2163. |
| [36] |
Hu X S, Xu H Q. A new remote sensing index for assessing the spatial heterogeneity in urban ecological quality: a case from Fuzhou City, China. Ecological Indicators, 2018, 89: 11-21. |
| [37] |
王劲峰, 徐成东. 地理探测器: 原理与展望. 地理学报, 2017, 72(1): 116-134. |
| [38] |
王丽平, 段四波, 张霄羽, 于艳茹. 2003-2018年中国地表温度年最大值的时空分布及变化特征. 干旱区地理, 2021, 44(5): 1299-1308. |
| [39] |
杨丽萍, 潘雪萍, 刘晶, 谢巍, 马孟. 基于Landsat影像的额济纳绿洲地表温度及冷岛效应时空格局研究. 干旱区资源与环境, 2019, 33(2): 116-121. |
| [40] |
李润林, 时永杰, 姚艳敏, 田福平, 胡宇. 基于LandsatTM/ETM+的张掖市甘州区绿洲冷岛效应时空变化研究. 干旱区资源与环境, 2014, 28(9): 139-144. |
| [41] |
Wen K M, Ren G Y, Li J, Zhang A Y, Ren Y Y, Sun X B, Zhou Y Q. Recent surface air temperature change over mainland China based on an urbanization-bias adjusted dataset. Journal of Climate, 2019, 32(10): 2691-2705. |
| [42] |
Solomon S, Rosenlof K H, Portmann R W, Daniel J S, Davis S M, Sanford T J, Plattner G K. Contributions of stratospheric water vapor to decadal changes in the rate of global warming. Science, 2010, 327(5970): 1219-1223. |
| [43] |
Song Z J, Yang H, Huang X J, Yu W P, Huang J, Ma M G. The spatiotemporal pattern and influencing factors of land surface temperature change in China from 2003 to 2019. International Journal of Applied Earth Observation and Geoinformation, 2021, 104: 102537. |
| [44] |
热孜娅·阿曼, 方创琳, 赵瑞东. 新疆水资源承载力评价与时空演变特征分析. 长江流域资源与环境, 2020, 29(7): 1576-1585. |
| [45] |
陈宽, 杨晨晨, 白力嘎, 陈瑜, 刘锐, 潮洛濛. 基于地理探测器的内蒙古自然和人为因素对植被NDVI变化的影响. 生态学报, 2021, 41(12): 4963-4975. |
| [46] |
涂又, 姜亮亮, 刘睿, 肖作林, 闵婕. 1982-2015年中国植被NDVI时空变化特征及其驱动分析. 农业工程学报, 2021, 37(22): 75-84. |
| [47] |
Ma X F, Huang G, Cao J J. The significant roles of anthropogenic aerosols on surface temperature under carbon neutrality. Science Bulletin, 2022, 67(5): 470-473. |
| [48] |
Choobari O A, Zawar-Reza P, Sturman A. The global distribution of mineral dust and its impacts on the climate system: a review. Atmospheric Research, 2014, 138: 152-165. |
| [49] |
Liu J, Ding J L, Rexiding M, Li X H, Zhang J Y, Ran S, Bao Q L, Ge X Y. Characteristics of dust aerosols and identification of dust sources in Xinjiang, China. Atmospheric Environment, 2021, 262: 118651. |
| [50] |
Lan Y L, Zhan Q M. How do urban buildings impact summer air temperature? The effects of building configurations in space and time. Building and Environment, 2017, 125: 88-98. |
| [51] |
闫章美, 周德成, 张良侠. 我国三大城市群地区城市和农业用地地表热环境效应对比研究. 生态学报, 2021, 41(22): 8870-8881. |