基于最優(yōu)粒度的城市熱環(huán)境與景觀特征耦合分析

蘇王新,張劉寬,常 青

基于最優(yōu)粒度的城市熱環(huán)境與景觀特征耦合分析

蘇王新,張劉寬,常 青*

(中國農(nóng)業(yè)大學(xué)園藝學(xué)院,北京 100193)

綜合Landsat和國產(chǎn)高分2號遙感影像反演地表溫度、劃分地表覆被類型,通過劃分100m×100m ～ 1000m×1000m等多個(gè)網(wǎng)格單元,分析北京市五環(huán)內(nèi)熱環(huán)境影響因素的粒度效應(yīng);并基于最優(yōu)粒度分析城市景觀組分和構(gòu)型特征與熱環(huán)境特征的相互關(guān)系.結(jié)果表明:隨粒度增加,網(wǎng)格單元內(nèi)平均地表溫度和不透水地表(IS)、植被水體(GWS)面積比的相關(guān)系數(shù)先減小后逐漸上升,相關(guān)系數(shù)在600m×600m處趨于平緩,說明北京市五環(huán)內(nèi)熱環(huán)境對景觀的響應(yīng)特征在此粒度下最敏感;基于最優(yōu)粒度的1796個(gè)網(wǎng)格中,溫度平均值(m)與不透水地表面積比(0.723)、植被水體面積比(-0.715)顯著相關(guān),溫度標(biāo)準(zhǔn)差(s)與不透水地表面積比(-0.051)、水體面積比(0.054)顯著相關(guān);網(wǎng)格內(nèi)主導(dǎo)景觀類型占比達(dá)到一定程度后,其占比增加或減少會(huì)導(dǎo)致熱環(huán)境迅速變化;基于IS和GWS景觀格局與熱環(huán)境的相關(guān)分析顯示,m與不透水最大斑塊指數(shù)(LPI_IS)(0.665)、植被水體結(jié)合度指數(shù)(COHENSION_GWS) (-0.547)相關(guān)性最顯著,當(dāng)網(wǎng)格內(nèi)GWS占比大于40%時(shí),植被水體斑塊面積越大、空間連通性越高,越有利于改善熱環(huán)境.

城市熱島；景觀組分；景觀格局；網(wǎng)格分析；熱緩解；基于自然的解決方案

目前,城市熱島效應(yīng)的研究主要集中在景觀格局[1-3]、城市熱浪[4]、藍(lán)綠基礎(chǔ)設(shè)施降溫[5-6]、高溫?zé)岽嗳跣訹7]、熱緩解規(guī)劃設(shè)計(jì)[8-10]等方面.多數(shù)肌理研究認(rèn)為不透水表面(IS)、植被(GS)和水體(WS)等景觀組分是影響城市熱環(huán)境的典型因素[1-3,5,8,10-12].植被和水體作為城市藍(lán)綠基礎(chǔ)設(shè)施(GBI)的典型地表特征,結(jié)合適當(dāng)?shù)某鞘袔缀谓Y(jié)構(gòu)及配置,在緩解熱島效應(yīng)和提供熱舒適環(huán)境方面顯示出了巨大的潛力[8-11,13],可為應(yīng)對氣候變化提供基于自然的城市熱環(huán)境解決方案.研究人員和城市規(guī)劃設(shè)計(jì)者提出了諸多的方法和策略[10,14-16],以通過降低城市應(yīng)對未來氣候變化的脆弱性來適應(yīng)逐漸嚴(yán)峻的熱緩解挑戰(zhàn)[10,17],基于自然的解決方案(NbS)備受關(guān)注.

然而,城市熱環(huán)境具有明顯的尺度特征[18-19],面向城市熱緩解解決方案需合適的尺度.探究地表溫度(LST)對景觀組分變化響應(yīng)的最敏感空間單元范圍,即最優(yōu)粒度,對于面向城市熱環(huán)境的自然解決方案設(shè)定具有重要的尺度指示作用.目前,針對城市熱環(huán)境的尺度研究,多涉及空間分辨率的粒度效應(yīng)及時(shí)空范圍的幅度效應(yīng)[18-22],缺少最佳尺度上的景觀特征耦合研究.不同空間分辨率網(wǎng)格具有不同的比例因子,對城市熱環(huán)境的研究具有較大影響[23].因此,在特定尺度上研究和分析城市熱環(huán)境,把握熱緩解格局與過程的發(fā)生、時(shí)空分布、相互耦合等特征的內(nèi)在規(guī)律,有助于解決城市熱緩解的尺度依賴性,從而指導(dǎo)城市熱緩解規(guī)劃設(shè)計(jì)實(shí)踐的場地范圍選擇[18,24-26].城市熱環(huán)境的最優(yōu)粒度分析作為揭示城市熱島景觀特征的主要手段,是銜接熱環(huán)境尺度效應(yīng)研究與熱緩解規(guī)劃設(shè)計(jì)實(shí)踐的重要紐帶[12,20,23].為探究城市熱環(huán)境研究的最優(yōu)粒度,本研究以北京市為例,基于高分辨率衛(wèi)星影像解譯數(shù)據(jù),分析北京市五環(huán)景觀組分與地表溫度(LST)在多分辨率網(wǎng)格單元內(nèi)的尺度響應(yīng)特點(diǎn),探究IS-LST、GS-LST關(guān)系的尺度響應(yīng)特點(diǎn),并基于最優(yōu)粒度分析城市單元的景觀組分和格局特征與熱環(huán)境的關(guān)系,旨在深化對城市熱環(huán)境最優(yōu)粒度分析的認(rèn)識(shí),為城市景觀熱緩解規(guī)劃設(shè)計(jì)提供科學(xué)支撐.

1 材料與方法

1.1 研究區(qū)和數(shù)據(jù)來源

北京市(39°28′N～41°50′N,115°25′E～117°30′E)屬溫帶大陸性季風(fēng)氣候,夏季濕熱,冬季涼爽干燥.伴隨著快速的城市化和人口增長,近40a間(1978～2018年),北京市平均氣溫從11℃上升到14℃,最高氣溫由35℃上升到41℃,最低氣溫由-15℃上升到-11℃[27].本文以城市化率高、人口密度集中的北京市五環(huán)路以內(nèi)區(qū)域?yàn)檠芯繉ο?

遙感數(shù)據(jù)來源于中國資源衛(wèi)星應(yīng)用中心(http://www.cresda.com)空間分辨率為1m的國產(chǎn)高分2號遙感影像數(shù)據(jù)(2017年8月)和地理空間數(shù)據(jù)云(http://www.gscloud.cn)空間分辨率為30m 的Landsat TM(2017年9月)數(shù)據(jù).

1.2 地表溫度反演與景觀組分

Landsat影像經(jīng)過輻射定標(biāo)、大氣校正、正射校正、圖像融合、裁剪與增強(qiáng)等預(yù)處理后,基于ENVI5.3軟件平臺(tái),通過熱紅外(TIR)波段(10.60～ 11.90mm),使用大氣校正法對1a的影像進(jìn)行地表溫度的反演計(jì)算.通過圖像輻射定標(biāo)、地表比輻射率計(jì)算、黑體輻射亮度與地表溫度計(jì)算等步驟得到北京市LST制圖結(jié)果.研究采用歸一化植被指數(shù)(NDVI)閾值法計(jì)算地表比輻射率.具體的熱環(huán)境特征分析主要涉及:溫度平均值(m)、溫度值域(r)和溫度標(biāo)準(zhǔn)差(s)3個(gè)特征指標(biāo).m度量網(wǎng)格內(nèi)的溫度平均值,其值越高代表網(wǎng)格越熱,越低代表網(wǎng)格越?jīng)?r度量網(wǎng)格內(nèi)溫度變量的取值范圍,其值越高代表網(wǎng)格內(nèi)部溫度變化越大,越低代表網(wǎng)格內(nèi)部溫度變化越小;s度量溫度數(shù)據(jù)的離散程度,其值越高代表網(wǎng)格內(nèi)像元點(diǎn)溫度的離散程度越大,越低代表離散程度越小.其中,r和s越大的網(wǎng)格,由于內(nèi)部溫度的不均勻分布,導(dǎo)致冷熱空氣流動(dòng),熱交換更強(qiáng).

不透水、植被和水體等景觀組分是影響城市熱環(huán)境的典型因素,裸地作為城市中的未利用地,其未來的發(fā)展方向?qū)@著影響城市熱島的演化,因而本研究的景觀組分分析主要涉及此4類的占比情況.GF-2號數(shù)據(jù)經(jīng)前處理后,基于eCognition軟件平臺(tái)通過多尺度分割法進(jìn)行面向?qū)ο蟊O(jiān)督分類,結(jié)合區(qū)域?qū)嶋H情況設(shè)定并調(diào)試分割及分類參數(shù),將研究區(qū)劃分為不透水、植被、水體和裸地4種類型.通過隨機(jī)選點(diǎn)目視判斷其景觀類型,與劃分類型對比進(jìn)行精度檢驗(yàn),結(jié)果顯示整體解譯精度為86.7%,整體滿足實(shí)驗(yàn)數(shù)據(jù)分析要求.植被和水體作為重要的藍(lán)綠基礎(chǔ)設(shè)施,在調(diào)節(jié)城市氣候方面具有重要作用,下文分析中,將具體通過植被和水體(GWS)來分析藍(lán)綠基礎(chǔ)設(shè)施格局特征.

1.3 統(tǒng)計(jì)分析

數(shù)據(jù)分析主要采用相關(guān)性分析和景觀格局指數(shù)分析.基于ArcGIS 10.6軟件平臺(tái),考慮到遙感數(shù)據(jù)的柵格尺寸和規(guī)劃設(shè)計(jì)的可實(shí)踐性,分別設(shè)置: 100,200,300,400,500,600,700,800,900,1000m共10種網(wǎng)格尺寸,統(tǒng)計(jì)以上不同大小網(wǎng)格單元的景觀組分和平均LST.基于SPSS 26.0軟件平臺(tái),通過皮爾遜相關(guān)性分析和線性回歸分析,探討景觀組分與LST 的相關(guān)系數(shù)隨網(wǎng)格單元分辨率的變化特征,以此確定LST對景觀組分變化響應(yīng)的最敏感空間單元,即最優(yōu)粒度.景觀格局分析,具體包括類型水平的最大斑塊指數(shù)(LPI)、平均斑塊面積(Area_MN)、散布與并列指數(shù)(IJI)、結(jié)合度指數(shù)(COHESION)4個(gè)指數(shù),通過景觀指數(shù)計(jì)算軟件Fragstats4.2分析網(wǎng)格單元內(nèi)景觀格局特征.

2 結(jié)果與分析

2.1 IS-LST、GS-LST關(guān)系的尺度響應(yīng)特點(diǎn)

基于地表溫度圖和景觀分類圖(圖1),劃分10種大小不同的網(wǎng)格單元,分析其內(nèi)平均LST與景觀組分占比間的相關(guān)性.由圖2可知,不透水地表占比與LST呈正相關(guān),植被、水體占比與LST呈負(fù)相關(guān).不透水地表占比與LST的皮爾森相關(guān)系數(shù)和線性回歸系數(shù)分別在300m(0.20)、400m(3.30)處最低,后逐漸上升并在600m(0.72、6.82)處趨于平穩(wěn);植被占比與LST的皮爾森相關(guān)系數(shù)和線性回歸系數(shù)在300m(-0.07、-0.57)處最低,后逐漸上升并在600m (-0.61、-6.65)處趨于平穩(wěn);水體占比與LST的皮爾森相關(guān)系數(shù)和線性回歸系數(shù)分別在300m(-0.15)和100m(-6.16)處最低,后逐漸上升并在600m(-0.42、-10.33)處趨于平穩(wěn).

不同大小網(wǎng)格單元內(nèi)均呈現(xiàn)植被和不透水地表與LST的相關(guān)系數(shù)明顯高于水體和裸地與LST的相關(guān)系數(shù),相關(guān)系數(shù)300～500m波動(dòng)明顯,在600m×600m達(dá)到最大后趨于平緩,說明北京市五環(huán)內(nèi)熱環(huán)境特征在此粒度下最敏感.后文將基于600m×600m的最優(yōu)粒度,進(jìn)行景觀格局分析.

圖1 北京市五環(huán)內(nèi)景觀組成(a)、溫度(b)

圖2 LST與景觀組分占比皮爾森相關(guān)性系數(shù)(a)和相關(guān)性回歸系數(shù)(b)

2.2 景觀組成與熱環(huán)境的關(guān)系

基于600m′600m的最優(yōu)粒度,北京市五環(huán)內(nèi)共1796個(gè)網(wǎng)格.網(wǎng)格內(nèi)景觀組成占比呈現(xiàn):不透水地表(52.93%)>植被(38.03%)>裸地(7.17%)>水體(1.87%).景觀組成與熱環(huán)境的皮爾遜相關(guān)性分析結(jié)果顯示(表1):景觀組成與m相關(guān)性顯著,與s相關(guān)性部分顯著,與r不存在相關(guān)性.其中m與不透水地表(0.723)呈顯著正相關(guān)且相關(guān)性最高,與植被水體(-0.715)、植被(-0.608)、水體(-0.419)和裸地(-0.053)呈顯著負(fù)相關(guān),說明不透水地表占比越低,植被水體占比越高的網(wǎng)格,其內(nèi)平均溫度越低;s與不透水地表(-0.051)呈顯著負(fù)相關(guān),與水體(0.054)呈顯著正相關(guān),說明不透水地表占比越低、水體占比越高的網(wǎng)格,其內(nèi)溫度的離散程度越大,冷熱交換能力更強(qiáng).

基于皮爾遜相關(guān)系數(shù)最高的IS_m和GWS_m進(jìn)行排序分析顯示(圖3):整體的600m′600m網(wǎng)格內(nèi)不透水地表占比和植被水體占比均呈現(xiàn)兩邊變化迅速,中間變化緩慢的S型曲線,不透水地表和植被水體的上四分位數(shù)分別為64.86%、47.96%,中位數(shù)分別為55.94%、37.80%,下四分位數(shù)分別為44.04%、29.25%,整體說明北京市五環(huán)內(nèi)網(wǎng)格內(nèi)不透水地表占比明顯高于植被水體.

表1 熱環(huán)境特征與景觀組成特征相關(guān)性

注:**在0.01級別(雙尾),相關(guān)性顯著;*在0.05級別(雙尾),相關(guān)性顯著.sig即值,代表假設(shè)檢驗(yàn)中的顯著性.

圖3 不同景觀組分占比與平均溫度關(guān)系(a)不透水(IS)(b)植被水體(GWS)

圖4 景觀組分與平均溫度分段斜率(a、b)線性回歸(c、d)

隨著不透水地表占比的減小,m呈現(xiàn)S型下降的趨勢;隨著植被水體占比的增加,m呈現(xiàn)逐漸減小的趨勢.按照景觀組分5%的間隔分段,分析景觀組分與熱環(huán)境的斜率變化,不透水地表整體呈現(xiàn)波動(dòng)減小的變化趨勢(圖4a),植被水體呈現(xiàn)先減小后增加的變化趨勢(圖4b),在IS占比為35%～40%、GWS占比為30%～35%時(shí),景觀組分與熱環(huán)境相關(guān)性斜率出現(xiàn)明顯的轉(zhuǎn)折.在不透水方面(圖4c),當(dāng)IS占比小于35%時(shí),隨著IS占比的減少,m降低趨勢相對更迅速,其線性回歸方程為:= 8.81+ 28.23(2 = 0.29);當(dāng)IS占比大于35%時(shí),m降低趨勢相對更緩慢,其線性回歸方程分別為:= 0.07+ 28.74(2 = 0.34).在植被水體方面(圖4d),當(dāng)GWS占比大于30%時(shí),隨著GWS占比增加,m下降趨勢相對更迅速,其線性回歸方程為:= -7.90+ 35.61(2=0.54);當(dāng)GWS占比小于30%時(shí),m下降趨勢相對更緩慢,其線性回歸方程為:= -4.69+ 34.43(2=0.05).說明網(wǎng)格內(nèi)主導(dǎo)景觀類型占比達(dá)到一定程度后,其增加和減少會(huì)導(dǎo)致熱環(huán)境更迅速的變化.

2.3 景觀格局與熱環(huán)境的關(guān)系

不透水地表和植被水體的景觀格局與熱環(huán)境指標(biāo)的皮爾遜相關(guān)性分析結(jié)果顯示(表2):m與LPI、AREA_MN、IJI、COHESION4個(gè)景觀格局指數(shù)呈顯著相關(guān);除LPI_IS、AREA_MN_IS之外,r和s與其它景觀格局指數(shù)均呈顯著相關(guān).

不透水地表景觀格局指數(shù)與熱環(huán)境特征相關(guān)性排序?yàn)?LPI_m(0.665)> COHESION_m(0.530)> AREA_MN_m(0.479)> IJI_m(-0.140),說明大型不透水地表斑塊越少,結(jié)合度越低,平均斑塊面積越小,越分散,網(wǎng)格平均溫度越低;COHESION_r(0.088)> IJI_s(0.085)>COHESION_s(0.070)>IJI_r(0.058),說明不透水地表斑塊結(jié)合度越高、越分散,網(wǎng)格內(nèi)溫度變化范圍越大、離散程度越大,更利于內(nèi)部的熱交換.

植被景觀格局指數(shù)與熱環(huán)境特征相關(guān)性排序?yàn)? COHESION_m(-0.547)>LPI_m(-0.544)>AREA_MN_m(-0.402)>IJI_m(-0.353),說明綠地水體斑塊結(jié)合度越高,大型斑塊越多,平均斑塊面積越大,越分散,網(wǎng)格溫度越低;r和s與AREA_MN (-0.090/ -0.077)呈負(fù)相關(guān),與LPI(0.131/0.225)>COHESION (0.098/ 0.155)>IJI(0.078/0.122),說明植被水體平均斑塊面積越小,大型斑塊越多,斑塊結(jié)合度越高,越分散,網(wǎng)格內(nèi)溫度變化范圍越大、離散程度越大,更利于內(nèi)部的熱交換.

表2 熱環(huán)境特征與景觀格局特征相關(guān)性

注:**在0.01級別(雙尾),相關(guān)性顯著;*在0.05級別(雙尾),相關(guān)性顯著.sig即值,代表假設(shè)檢驗(yàn)中的顯著性.

基于皮爾遜相關(guān)系數(shù)最高的LPI_m和COHESION_m按照景觀組分5%間隔分段,分析景觀格局與熱環(huán)境的斜率變化(圖5a、b):LPI與熱環(huán)境斜率呈現(xiàn)“U型”變化趨勢,在IS占比60% ～ 65%、GWS占比40%～45%時(shí),相關(guān)性斜率出現(xiàn)明顯轉(zhuǎn)折. COHENSION_IS和COHENSION_GWS分別與熱環(huán)境斜率呈倒U型和U型變化趨勢,在IS、GWS占比40%～45%時(shí),相關(guān)性斜率出現(xiàn)明顯轉(zhuǎn)折.

在最大斑塊指數(shù)方面(圖5c、d),LPI_IS和m的線性回歸方程為:=0.04+31.02(IS>60%,2=0.11)、=0.05+30.00(IS<60%,2=0.32),LPI_GWS和m的線性回歸方程為:=-0.03+33.23(GWS>40%,2= 0.25)、=-0.01+33.45(GWS<40%,2=0.02),說明不透水地表占比小于60%時(shí),LPI_IS越小,m降低越快;植被水體占比大于40%時(shí),斑塊面積(LPI_GWS)越大,m降低越快.

在景觀結(jié)合度指數(shù)方面(圖5e、f), COHENSION_ IS和m的線性回歸方程為:=3.54-320.60(IS>40%,2=0.13)、=0.70-38.56(IS<40%,2=0.23); COHENSION_ GWS和m的線性回歸方程為:=-3.11+341.20 (GWS>40%,2=0.24)、=-0.67+99.19 (GWS<40%,2=0.11),說明當(dāng)不透水地表占比大于40%時(shí), COHENSION_IS越小,m降低越快;植被水體占比大于40%時(shí),空間連通性(COHESION_GWS)越高,m降低越快.

3 討論

3.1 城市熱環(huán)境最優(yōu)粒度分析

城市熱環(huán)境具有空間異質(zhì)性與尺度依賴性.研究表明IS和GS是城市熱環(huán)境的典型因素[29-30],但不同尺度下城市熱環(huán)境響應(yīng)特征會(huì)有所不同.本研究結(jié)果表明,北京市五環(huán)內(nèi)地表溫度對IS、GS、WS等景觀特征的響應(yīng)在600m′600m時(shí)較為敏感.這與多數(shù)國內(nèi)外學(xué)者的研究結(jié)論相似,如Govil等[31]分析結(jié)果顯示,地表溫度在不同空間分辨率(30～960m)下與NDVI呈中至強(qiáng)負(fù)相關(guān),與改進(jìn)型歸一化差值不透水表面指數(shù)(MNDISI)呈弱負(fù)至中正相關(guān),且較粗分辨率(840～960m)由于同質(zhì)性較強(qiáng),相關(guān)系數(shù)值較強(qiáng);劉宇鵬等[32]采用U-TAE算法對長沙市城市熱島信息的提取表明,660m′660m的尺度能夠?qū)Τ鞘袩釐u的范圍、強(qiáng)度、空間構(gòu)成及大面積提取穩(wěn)定程度具有較好的效果.

由于城市形態(tài)肌理和背景氣候的差異性,城市熱環(huán)境最優(yōu)粒度的研究結(jié)果在不同地域也存在一定的差別.印度勒克瑙市景觀組分受LST影響最大的最佳尺度為210～270m[23].南京市的結(jié)果顯示, 300m網(wǎng)格時(shí),4種地表特征參數(shù)與地表溫度的相關(guān)性最有解釋力[33].珠江三角洲的研究顯示,對熱島格局進(jìn)行景觀指數(shù)計(jì)算的適宜粒度范圍為30～ 150m[18].美國印第安納波利斯市的植被覆蓋率、NDVI和LST相關(guān)性最強(qiáng)的分辨率為120m[34].可見,熱環(huán)境最優(yōu)粒度分析是制定城市熱緩解方案的前提和基礎(chǔ),有利于提升方案適應(yīng)性.

3.2 對基于自然的熱緩解方案的啟示

基于自然的解決方案作為一種減緩和適應(yīng)氣候變化的綜合手段,能夠有效應(yīng)對氣候變化和未來的城市熱環(huán)境風(fēng)險(xiǎn).藍(lán)綠基礎(chǔ)設(shè)施作為緩解和適應(yīng)城市熱環(huán)境的一種解決方案,通過遮陰作用和蒸散作用緩解城市熱環(huán)境,但不同綠化格局、植物配置、物種選擇等都對綠色基礎(chǔ)設(shè)施的降溫效應(yīng)具有顯著的影響[10-15];在減少居民熱應(yīng)激,降低熱島引起的發(fā)病率和死亡率方面具有重要作用[6,11].

當(dāng)?shù)氐耐恋厥褂媚Ｊ?、建筑形式和氣候因素等影響著可能的熱緩解策略[28-29].《基于自然的解決方案全球標(biāo)準(zhǔn)》[35]中要求“應(yīng)根據(jù)尺度來設(shè)計(jì)NbS”.本研究可為未來高密度建成區(qū)內(nèi)城市街道尺度應(yīng)對未來氣候變化的基于自然的熱環(huán)境解決方案設(shè)定提供指導(dǎo).基于最優(yōu)粒度(660m′660m)的熱環(huán)境與景觀特征耦合分析結(jié)果顯示:在熱緩解方面,當(dāng)不透水地表占比大于60%時(shí),應(yīng)盡可能增加植被水體占比;當(dāng)不透水地表占比是40%～60%時(shí),減少不透水地表占比的同時(shí),通過分散設(shè)置公園綠地等植被水體以減小不透水地表斑塊的結(jié)合度,緩解熱聚集.在熱環(huán)境優(yōu)化方面,當(dāng)植被水體占比大于40%時(shí),增加植被水體斑塊面積比的同時(shí),通過藍(lán)綠廊道建設(shè)提高其同周邊植被水體斑塊的結(jié)合度,可使LST降低更迅速.另一方面,可將空置的裸地開發(fā)為綠地和水體,同時(shí)增強(qiáng)其同周邊優(yōu)質(zhì)綠地斑塊之間的連通性,進(jìn)而提高其提供生態(tài)系統(tǒng)服務(wù)的潛力,緩解其帶來的社會(huì)和環(huán)境挑戰(zhàn).基于此,有針對性的進(jìn)行場地?zé)峋徑庖?guī)劃,基于現(xiàn)狀數(shù)據(jù)收集、風(fēng)景園林設(shè)計(jì)以及健康政策的執(zhí)行,采用藍(lán)綠灰色基礎(chǔ)設(shè)施[9-10,36-37]以及心理改善措施[38]等,創(chuàng)造滿足使用者需求的涼爽空間.

4 結(jié)論

4.1 北京市五環(huán)內(nèi)熱環(huán)境對不透水地表(IS)和植被水體(GWS)等景觀組分的響應(yīng)特征在600m×600m粒度下最敏感.

4.2 網(wǎng)格內(nèi)景觀組成與m相關(guān)性顯著,與s相關(guān)性部分顯著,與r相關(guān)性不顯著,其中IS(0.723)、GWS(-0.715)和m之間的相關(guān)性最高.當(dāng)網(wǎng)格內(nèi)植被水體占比大于30%時(shí),隨著GWS占比的增加,m降低更迅速;當(dāng)網(wǎng)格內(nèi)IS占比小于35%時(shí),隨著不透水地表占比的減小,m降低更迅速,說明網(wǎng)格內(nèi)主導(dǎo)景觀類型占比達(dá)到一定程度后,其增加和減少會(huì)導(dǎo)致熱環(huán)境更迅速的變化.

4.3 植被水體和不透水地表景觀格局指數(shù)(LPI、COHESION、AREA_MN、IJI)與m相關(guān)性顯著,與s和r部分相關(guān)性顯著,其中LPI_IS(0.665)、COHENSION_GWS(-0.547)與m的相關(guān)性最高;當(dāng)植被水體占比大于40%時(shí),最大斑塊指數(shù)(LPI)、結(jié)合度指數(shù)(COHESION)越大,m下降越快,說明當(dāng)植被水體景觀占比達(dá)到一定程度后,其斑塊面積越大、空間連通性越高,越有利于冷空氣形成,從而改善熱環(huán)境.

[1] 錢敏蕾,徐藝揚(yáng),李 響,等.上海市城市化進(jìn)程中熱環(huán)境響應(yīng)的空間評價(jià) [J]. 中國環(huán)境科學(xué), 2015,35(2):624-633.

Qian M L, Xu Y Y, Li X, et al. An assessment of spatial thermal environmental response to rapid urbanization of Shanghai [J]. China Environmental Science, 2015,35(2):624-633.

[2] 黃木易,岳文澤,何 翔.巢湖流域地表熱環(huán)境與景觀變化相關(guān)分析及其尺度效應(yīng) [J]. 中國環(huán)境科學(xué), 2017,37(8):3123-3133.

Huang M Y, Yue W Z, He X. Correlation analysis between land surface thermal environment and landscape change and its scale effect in Chaohu Basin [J]. China Environmental Science,2017,37(8):3123- 3133.

[3] Li J X, Song C H, Cao L, et al. Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China [J]. Remote Sensing of Environment, 2011,115(12):3249-3263.

[4] He X, Wang J, Feng J, et al. Observational and modeling study of interactions between urban heat island and heatwave in Beijing [J]. Journal of Cleaner Production, 2019,247:119169.

[5] Zhang Y Z, Zhan Y L, Yu T, et al. Urban green effects on land surface temperature caused by surface characteristics: A case study of summer Beijing metropolitan region [J]. Infrared Physics & Technology, 2017, 86:35-43.

[6] Matthews T, Lo A Y, Byrne J A. Reconceptualizing green infrastructure for climate change adaptation: barriers to adoption and drivers for uptake by spatial planners [J]. Landscape and Urban Planning, 2015,138:155-163.

[7] Harlan S L, Brazel A J, Prashad L, et al. Neighborhood microclimates and vulnerability to heat stress [J]. Social Science and Medicine, 2006, 63(11):2847-2863.

[8] Gunawardena K R, Wells M J, Kershaw T. Utilising green and blue space to mitigate urban heat island intensity [J]. Science of the Total Environment, 2017,584–585:1040-1055.

[9] Sen S, Roesler J, Ruddell B, et al. Cool pavement strategies for urban heat island mitigation in suburban phoenix [J]. Arizona Sustainability, 2019,11(16):4452.

[10] Norton B A, Coutts A M, Livesley S J, et al. Planning for cooler cities: A framework to prioritise green infrastructure to mitigate high temperatures in urban landscapes [J]. Landscape and Urban Planning, 2015,134:127-138.

[11] Tzoulas K, Korpela K, Venn S, et al. Promoting ecosystem and human health in urban areas using Green Infrastructure: A literature review [J]. Landscape and Urban Planning, 2007,81(3):167-178.

[12] Estoque R C, Murayama Y, Myint S W. Effects of landscape composition and pattern on land surface temperature: An urban heat island study in the megacities of Southeast Asia [J]. Science of the Total Environment, 2017,577:349-359.

[13] Akbari H, Cartalis C, Kolokotsa D, et al. Local climate change and urban heat island mitigation techniques – the state of the art [J]. Journal of Civil Engineering & Management, 2016,22(1):1-16.

[14] Akbari H, Kolokotsa D. Three decades of urban heat islands and mitigation technologies research [J]. Energy & Buildings, 2016, 133:834-852.

[15] Qi J, Ding L, Lim S. Planning for cooler cities: A framework to support the selection of urban heat mitigation techniques [J]. Journal of Cleaner Production, 2020,275:122903.

[16] Jamei E, Ossen D R, Seyedmahmoudian M, et al. Urban design parameters for heat mitigation in tropics [J]. Renewable and Sustainable Energy Reviews, 2020,134:110362.

[17] Patz J A, Campbell-Lendrum D, Holloway T, et al. Impact of regional climate change on human health [J]. Nature, 2005,438(7066):310-317.

[18] 郭冠華,陳穎彪,魏建兵,等.粒度變化對城市熱島空間格局分析的影響[J]. 生態(tài)學(xué)報(bào), 2012,32(12):3764-3772.

Guo G H, Chen Y B, Wei J B, et al. Impacts of grid sizes on urban heat island pattern analysis [J]. Acta Ecologica Sinica, 2012,32(12):3764- 3772.

[19] 陳命男,張 浩,唐靖寅,等.上海城市地表熱環(huán)境多時(shí)期遙感研究 [J]. 中國環(huán)境科學(xué), 2011,31(7):1143-1151.

Chen M N, Zhang H, Tang J Y, et al. Study on the thermal environment of land surface in Shanghai with multi-temporal remote sensing images [J].China Environmental Science, 2011,31(7):1143-1151.

[20] 雷金睿,陳宗鑄,吳庭天,等.1989～2015年海口城市熱環(huán)境與景觀格局的時(shí)空演變及其相互關(guān)系 [J]. 中國環(huán)境科學(xué), 2019,39(4):1734-1743.

Lei J R, Chen Z Z, Wu T T, et al. Spatio-temporal evolution and interrelationship between thermal environment and landscape patterns of Haikou City, 1989～2015 [J]. China Environmental Science, 2019, 39(4):1734-1743.

[21] Zhou W, Cao F. Effects of changing spatial extent on the relationship between urban forest patterns and land surface temperature [J]. Ecological Indicators, 2020,109:105778.

[22] Du S H, Xiong Z Q, Wang Y C, et al. Quantifying the multilevel effects of landscape composition and configuration on land surface temperature [J]. Remote Sensing of Environment, 2016,178:84-92.

[23] Shukla A, Jain K. Analyzing the impact of changing landscape pattern and dynamics on land surface temperature of Lucknow city, India [J]. Urban Forestry and Urban Greening, 2020,58:126877.

[24] 陳利頂,李秀珍,傅伯杰,等.中國景觀生態(tài)學(xué)發(fā)展歷程與未來研究重點(diǎn)[J]. 生態(tài)學(xué)報(bào), 2014,34(12):3129-3141.

Chen L D, Li X Z, Fu B J,et al. Development history and future research priorities of landscape ecology in China [J]. Acta Ecologica Sinica, 2014,34(12):3129-3141.

[25] Hamilton I G, Davies M, Gauthier S. London's urban heat island: A multi-scaled assessment framework [J]. Urban Design and Planning, 2013,166(DP3):164-175.

[26] Liang B, Weng Q. Multiscale analysis of census-based land surface temperature variations and determinants in Indianapolis, United States [J]. Journal of Urban Planning & Development, 2008,134(3):129-139.

[27] 北京市統(tǒng)計(jì)局,國家統(tǒng)計(jì)局北京調(diào)查總隊(duì).北京市統(tǒng)計(jì)年鑒2020 [M]. 北京:中國統(tǒng)計(jì)出版社, 2020.

Beijing Municipal Bureau of Statistics, NBS Survey Office in Beijing. Beijing statical yearbook 2020 [M]. Beijing: China Statistics Press, 2020.

[28] Alkhaled S, Coseo P J, Brazel A J, et al. Between aspiration and actuality: A systematic review of morphological heat mitigation strategies in hot urban deserts [J]. Urban Climate, 2020,31:100570.

[29] Sharifi A. Trade-offs and conflicts between urban climate change mitigation and adaptation measures: A literature review [J]. Journal of Cleaner Production, 2020,276:122813.

[30] 郭 宇,王宏偉,張 喆,等.南京市熱環(huán)境與地表覆被的時(shí)空尺度效應(yīng)及驅(qū)動(dòng)機(jī)制研究 [J]. 生態(tài)環(huán)境學(xué)報(bào), 2020,29(7):1403-1411.

Guo Y, Wang H W, Zhang Z, et al. Spatio-temporal scale effect and driving mechanism of thermal environment and land surface cover in Nanjing [J]. Ecology and Environmental Sciences, 2020,29(7):1403- 1411.

[31] Govil H, Guha S, Diwan P, et al. Analyzing linear relationships of LST with NDVI and MNDISI using various resolution levels of landsat 8OLI and TIRS Data [C]//Sharma N, Chakrabarti A, Emilia Balas V, Data Management, Analytics and Innovation. Springer, Advances in Intelligent Systems and Computing, 2020:171-184.

[32] 劉宇鵬,楊 波,陳 崇.U-TAE算法提取城市熱島信息的空間尺度分析 [J]. 地理科學(xué)進(jìn)展, 2011,30(9):1118-1124.

Liu Y P, Yang B, Cheng C. Spatial scale analysis of the methods using U-TAE algorithm to extract the information of urban heat island [J]. Progress in geography, 2011,30(9):1118-1124.

[33] Min M, Lin C, Duan X J, et al. Spatial distribution and driving force analysis of urban heat island effect based on raster data: A case study of the Nanjing metropolitan area, China [J]. Sustainable Cities and Society, 2019,50:101637.

[34] Weng Q, Lu D, Schubring J. Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies [J]. Remote Sensing of Environment, 2015,89(4):467-483.

[35] IUCN. Global Standard for Nature-based Solutions. A user-friendly framework for the verification, design and scaling up of Nb S [R]. Switzerland: International union for conservation of nature, 2020.

[36] Lai D, Liu W Y, Gan T, et al. A review of mitigating strategies to improve the thermal environment and thermal comfort in urban outdoor spaces [J]. Science of the Total Environment, 2019,661: 337-353.

[37] Tan Z, Lau K K L, Ng E. Urban tree design approaches for mitigating daytime urban heat island effects in a high-density urban environment [J]. Energy and Buildings, 2016,114:265-274.

[38] Wang H, Liu G, Hu S, et al. Experimental investigation about thermal effect of colour on thermal sensation and comfort [J]. Energy and Buildings, 2018,173:710-718.

Coupling analysis of urban thermal environment and landscape characteristics based on optimal granularity.

SU Wang-xin, ZHANG Liu-kuan, CHANG Qing*

(School of Horticulture, China Agricultural University, Beijing 100193, China)., 2022,42(2)：954～961

We obtained land surface temperature and landscape components from Landsat and GF-2 within the inner Fifth Ring area in Beijing. The polygon grid approach has been applied for analyzing the relationship between urban landscape components and pattern characteristics and thermal environment characteristics. These various size polygon grids division was from 100m× 100m to 1000m× 1000m. With the increase of grid size, the correlation between IS/GWS and average LST first decreases and then gradually increases, trending to be flat at 600m. The optimal grid size range of IS and GS affected by LST was 600m × 600m within the inner Fifth Ring area of Beijing. Among the 1796grids based on the optimal granularity, the mean temperature (m) was significantly correlated with impervious (0.723) and vegetation & water (-0.715), the standard deviation of temperature (s) was significantly correlated with impervious (-0.051) and water (0.054); when the proportion of vegetation was more than 55%,mdecreased rapidly. When the proportion of dominant landscape types in the grid reaches a certain level, an increase or decrease in its proportion will cause rapid changes in the thermal environment. Based on the correlation analysis of vegetation & water, impervious landscape pattern, and thermal environment,mand LPI_IS (0.665), COHENSION_GWS (-0.547) were significantly correlated. When the proportion of GWS in the grid is more than 40%, the larger the vegetation water patch area and the higher the spatial connectivity, the more conducive to improving the thermal environment.

urban heat island；landscape components；landscape pattern；grid-based analysis；thermal mitigation；nature-based solutions

X16

A

1000-6923(2022)02-0954-08

蘇王新(1991-),女,河南洛陽人,中國農(nóng)業(yè)大學(xué)博士研究生,主要研究方向?yàn)槌鞘芯坝^生態(tài)規(guī)劃.發(fā)表論文6篇.

2021-05-13

北京市科技計(jì)劃項(xiàng)目(D171100007117001)

* 責(zé)任作者, 副教授, changqing@cau.edu.cn