英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
城市地表温度空间分布主导因素的季节对比
Jian Peng, Jinglei Jia, Yanxu Liu, Huilei Li, Jiansheng Wu
a. College of Urban and Environmental Sciences, Peking University, Laboratory for Earth Surface Processes, Ministry of Education, Beijing100871, China
b. Key Laboratory for Environmental and Urban Sciences, School of Urban Planning and Design, Shenzhen Graduate School, Peking University, Shenzhen518005, China
摘要：城市热岛（UHI）已成为全球城市生态环境问题，地表温度（LST）广泛用于量化城市热导。探讨不同季节LST空间变异与五维影响因素的关系，综合利用普通最小二乘回归，逐步回归，全子集回归和分层分区分析的方法。结果表明，影响夏季LST空间异质性的最重要因素是归一化差异积累指数（53.62％，贡献率），而在过渡季节，最重要的因素是归一化差异植被指数（NDVI）（47.84％），冬季，建设用地比例和NDVI（分别为26.84％和25.56％）是影响最大的。人工表面和绿地对LST空间分布具有显着影响。景观格局和多样性不是夏季或过渡季节的主要影响因素。此外，香农多样性指数（SHDI）的独立贡献率在过渡季节达到8.79％，而在冬季，SHDI和景观形态指数的独立贡献率分别为8.52％和3.45％。景观多样性和配置因素的影响倾向于随着LST的减少而增加，而人工表面和绿色等重要因素的贡献率空间明显减少。这些关系表明景观格局和多样性因子对LST的影响相对较弱，并且可以通过景观成分的影响轻易隐藏，特别是当LST的空间变异不强时。这些发现有助于根据当地条件制定UHI适应策略。
关键词：地表温度；驱动因素；全子集回归；分层分区分析；深圳市
1.介绍
世界上超过54％的人口居住在城市地区，根据世界卫生组织的世界城市化招股说明书，这一比例将会增加（Ayansina,2016）。在过去的几十年来，中国经历了快速的城市化进程，自1985年以来，中国的城市面积扩大了20％以上（Liu and Tian, 2010）。随着城市化的急剧增加，自然植被和农田迅速被人工表面所取代（Li et al., 2015, Rhee et al., 2014），导致城市地区的温度高于郊区，这是众所周知的城市热岛（UHI）效应（Oke,1982）。
UHI不仅恶化了城市的水质和空气质量（Grimm et al., 2008），影响了城市地区的宜居性（Zhang et al.,2013），也加速了城市能源消耗（Konopack and Akbari, 2002） 并增加人类暴力和死亡的风险（Jenerette et al., 2016; Patz et al., 2005）。因此，更好地了解和监测UHI效应并制定与可持续发展相关的战略（Zhou et al., 2017）对于改善城市居住区的生活质量和环境至关重要。UHI研究的基本前提是定量测量热量岛屿，广泛使用的方法可分为两类。第一种方法使用从传统地面气象站点获得的大气温度数据（Eludoyin et al., 2013;Hamdi and Schayes, 2008），并比较城市和郊区气象站点之间的差异，以确定UHI。然而，低密度的监测点和天气的不确定性限制了传统方法的精确度。第二种方法使用遥感数据来检索地表温度（LST）（Imhoff et al., 2010;Li et al., 2013;Peng et al., 2012）。尽管来自地面气象站点的数据具有比遥感数据更高的时间分辨率，但它们难以应用于大规模研究。轻松访问，更好的空间分辨率和更大的空间覆盖范围促使更多的研究人员使用遥感数据来测量UHI(Ayansina, 2016;Clinton and Gong, 2013;Lu et al., 2014;Weng, 2009).各种遥感数据已被用于评估LST和UHI，例如Landsat专题地图/增强专题制图 （TM/ETM ），中分辨率成像光谱仪（MODIS），先进星载热发射和反射辐射计（ASTER）和先进的超高分辨率辐射计（AVHRR）卫星数据（Cheval and Dumitrescu, 2009;Yuan and Bauer, 2007）。
虽然遥感数据可以帮助研究人员描绘LST的空间格局，仅用LST空间模式的结果很难提出减轻UHI效应的策略。城市LST的空间异质性源于LST与影响因子及其相互作用之间的相关性，并阐明LST如何受这些因素影响，LST与各因子之间的定量关系已被研究（Li et al., 2016）。一般来说，广泛关注的因素大致可分为以下三种类型：（1）表面生物物理参数。 由于土地利用和土地覆盖信息的丰富性，表面生物物理参数已被广泛用于LST相关分析。 归一化差异植被指数（NDVI）（Liu et al., 2016），归一化差异建立指数（NDBI）（Chen et al.， 2006;Liu and Zhang, 2011），归一化差异水指数（NDWI）（Jiang et al., 2015）与LST显示出良好的线性关系。（2）景观组成，多样性和配置因素。城市化使城市景观的结构组成和多样性以及空间配置发生巨大变化。景观成分表征了不同的成分和景观类型的丰富程度，通常量化为土地覆盖类型的比例（Du et al., 2016; Zhou et al., 2017）。不同类型的景观组分具有不同的反射率和水热性质，因此不同程度地影响LST。景观多样性是一种综合的表征所有景观组成部分之间的组合关系，通过景观组成部分和数量来量化他们的面积比例均匀。景观组成部分的排列和空间特征由景观控制来衡量形状和景观斑块的不同安排可以影响能量交换模式和补丁之间的效率，从而影响地表热流（Sun and Chen, 2012;Turner, 2005）。因此，景观配置的景观指标通常用于LST研究，侧重于空间变化（Zhou et al., 2011;Connors et al., 2013）。（3）社会经济因素。自然景观的变化主要是人类的结果活动（Lu et al.,2013），人口密度已被证明对UHI的形成有积极影响（Kotharkar and Surawar, 2016;Weng et al., 2008;Huang and Cadenasso, 2016）。但是，其他社会经济因素，如道路密度（代表汽车所有权），国内生产总值（GDP，代表重塑自然的强度）和美国国防气象卫星计划的夜间光照数据（NTL，代表人类活动的强度），在LST研究中很少使用。一系列影响因素会影响地表温度。然而，相当多的研究仅分析了这些因素中的一个或几个。以往的研究未能将绿色景观，水体，高反照率，景观配置和社会经济因素对LST的整体影响整合。因此，很难确定LST的主要影响因素，现有研究包含的结果充满了不确定性。众所周知，日照时的日照条件，水热条件和植被覆盖的空间特征是可变的，这导致了对LST空间变化及其驱动因子的研究的不确定性。在某些情况下，结果是矛盾的。例如，Neave等（2016年）发现澳大利亚的五个主要城市在冬季都有强烈的UHI。Schatz和Kucharik（2014）指出，美国威斯康星州麦迪逊地区的UHI强度在暖季较高，在寒冷季节较低。不同季节之间的这种不一致也出现在LST驱动力的研究中。在尼日利亚，Ayansina（2016）表明，NDVI解释了干旱季节LST的空间分异远远好于雨季。 陈等人。（2013）表明，NDVI在夏季与众所周知，城市LST受到许多驱动因素的影响，然而，鲜为人知的是主导因素？许多统计方法被用来识别主导影响因素城市LST的因素。这些方法中最常见的是Pearson相关分析和普通最小二乘回归分析（OLS）。 为了测量空间相关性，一些研究使用地理加权回归（Zhou and Wang, 2011），前向，后向和前向,后向逐步回归通常应用于多变量分析以找到最优模型（Asgarian et al., 2015）。因子分析，如主成分分析，是当同时考虑多种影响因素时也经常使用（Chen et al., 2014;Weng et al., 2008）。目前使用的统计方法是有效的，但仍存在两个分析问题。首先，许多研究仅使用单一影响因子来建立LST回归模型，并基于每个单因素回归方程的回归系数（R2）比较不同因素对LST的个体影响。 然而，LST空间模式通常不受单个影响因素的影响，而是多个影响因素的综合影响的结果。因此，解释的强度（R2）单因素回归模型并不能准确地代表独立贡献相应的因素。LST的解释应该考虑不止一个影响因素，并建立多重统计回归模型，以量化每个因素对LST变异性的独立影响。其次，大多数研究使用逐步回归来确定真正的影响因素并建立适当的模型。虽然逐步回归可以确定一个很好的模型来解释LST变异，但在模型建立后，识别出所有因素的相对重要性都很难。总之，很少有研究关注于确定LST的主导因素和所有影响因素的重要性排序。这项研究使我们无法提出更好的策略来减轻UHI. 在这里，我们通过在中国广东省深圳市进行季节性比较研究来解决这些问题。本研究旨在利用全子集回归和层次分析方法探讨城市LST影响因素的季节性差异分区分析。 特别是研究的主要目的是：（1）比较不同季节LST的空间格局;（2）使用OLS和逐步回归来阐明个体影响因素与LST之间的相关性;（3）应用全子集回归选择具有多级影响的最佳拟合模型因子，利用分层划分分析不同季节最优模型解释变量的相对重要性分析，从而确定不同季节的主导影响因素。在这里，我们通过在中国广东省深圳市进行季节性比较研究来解决这些问题。本研究旨在利用全子集回归和层次分析方法探讨城市LST影响因素的季节性差异分区分析。特别是研究的主要目的是：（1）比较不同季节LST的空间格局;（2）使用OLS和逐步回归来阐明个体影响因素与LST之间的相关性;（3）应用全子集回归选择具有多级影响的最佳拟合模型因子，利用分层划分分析不同季节最优模型解释变量的相对重要性分析，从而确定不同季节的主导影响因素。
2. 方法
2.1.研究领域和数据源
深圳市位于广东省南部沿海地区（113°46-114°37E，22°27-22°52N），位于惠州市和东莞市以南，以及香港特别行政区以北（图1）。深圳市地形东南部海拔较高，西北部海拔较低。这个城市由各种地貌类型组成，包括低山，丘陵，平坦的露台和沿海平原。在这些地貌类型中，丘陵区和平原区分别是第一和第二大区域，分别占总面积31.94％和27.71％。植被深圳市东部地区覆盖范围比西部地区更广，林地主要分布在梧桐山和七娘山。深圳市属亚热带海洋性季风气候，夏季多雨，高温多雨其他季节比较干燥。年平均气温为22.4°C。雨季从四月到九月，而且年平均降雨量为1933.3毫米。1979年，深圳市作为一个渔村，人口为31.41times;104。自1978年改革开放以来，深圳经济发展迅速，城市已成为世界城市之一。作为中国的第一个特别经济区，深圳市发展极快，2014年城市人口达到1078万（自1979年以来增长超过30倍）。深圳现在是中国第一个没有农村的城市。这种戏剧性的城市扩张导致了自然的迅速转变景观融入城市景观（Peng et al.,2015）。大规模建设不可避免地导致人工表面积急剧增加导致UHI效应（Xie et al., 2013）。深圳市西部（图1）被选为研究区，主要有两个原因。一方面，深圳市西部是比其他部分更发达，可以代表典型的UHI快速发展的城市的影响。另一方面，深圳市的完整覆盖需要两个遥感图像（路径121，行44;路径122，行44），同时镶嵌两个或更多遥感图像,图像将导致最终结果的不确定性研究区域占深圳市土地总面积的75％，含有52个人口普查区（图1）。人口普查区被选为最小的空间单位因为它们是最小的行政单位是深圳市和城市规划管理的基本单位在三个不同日期获得的遥感图像（22009年11月，2010年3月26日和2010年6月1日）习惯了表征不同季节的LST。 这些图像来自美国地质调查局网站（http：//earthexplorerusgs.gov/）。使用ENVI 5.0软件（Harris Geospatial Solutions，Broomfield，CO，USA）进行辐射校正和大气校正后，研究区域的矢量边界用于在ArcGIS 10.2（环境系统研究所，公司，美国加利福尼亚州雷德兰兹）土地利用和土地覆盖变化数据来自于深圳市政府土地调查（2010年），并进一步使用计算景观指标。 原始实地调查数据有51个土地利用类型。ArcGIS用于将原始土地利用类型合并为八类（图1）:(1）建设用地（包括建筑物，街道和其他人造表面）;（2）草原（包括天然草原和管理草原）;（3）湿地（包括沿海海滩和其他湿地）;（4）水体（包括湖泊，水库和河流）;（5）林地（包括自然土地）森林，种植园和城市树木）;（6）果园土地（包括茶叶种植园，果园和其他人工花园）;（7）农田（包括稻田和旱地）;（8）未使用的土地（包括光秃秃的土地和平整的未使用的土地）。除自然生态因素外，UHI不可避免地受到人类活动的影响。人口和越大，社会活动越强，人为热量排放越大。已经证明DMSP-OLS夜间光数据可以准确识别城市扩张的程度和城市的规模（Huang et al., 2016），许多大城市都有城市热岛效应全世界（Cheval and Dumitrescu, 2009; Peng et al.，2012; Rhee et al., 2014; Zhou et al., 2017）。道路，特别是高速公路，将增加自然景观破碎，道路密度可以反映出
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[19486]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
