2023, Vol. 44
2. 阜阳师范大学生物与食品工程学院, 阜阳 236037
2. School of Biology and Food Engineering, Fuyang Normal University, Fuyang 236037, China
城市化进程的主要特点是非农业人口大量增长、城市空间不断扩张和社会经济持续聚集等[1], 导致大量的建筑和不透水面覆盖了原用地, 林地和草地等绿色空间面积降低, 同时工业、人口、车辆和污染物排放等热源的激增[2, 3], 导致城市热环境温度不断攀升, 与城市扩展前的热环境温度形成鲜明对比, 影响了生态环境以及人居环境质量[4].而城市内的绿色空间已被证明具有降温增湿和气候改良[5]等功能, 对于缓解城市热岛效应有着积极的作用.研究城市空间格局与热环境之间的响应关系, 对于构建城市绿地系统和建设宜居城市有一定的借鉴意义.
目前针对城市空间与热环境的影响研究已经较为多样.对于城市热环境情况的获取方法包括地表监测[6]和遥感数据反演[7]等.热环境的影响因素研究则包括从绿地的面积和形状等形态特征[8], 绿地和水体占比和垂直结构等[9], 水体和绿地等的缓冲区效应及其空间布局[10]等多方面探讨中微观角度下绿地或水体的空间结构对城市热环境的影响; 而近些年则主要是从整个城市的景观格局[11]、建筑结构[12]、不透水面[13]和城市下垫面参数[14, 15]等城市形态要素作为切入点从宏观角度展开研究; 在研究方法上, 大部分学者会在区域内选择多个随机点或者随机区域, 再取其内的平均温度值以及影响因素值, 通过空间自相关[16~18]和皮尔逊相关性分析[19]等研究两者关联程度, 并利用最小二乘法[20]和空间滞后模型[21]等回归模型构建函数, 进而探究两者关系.由此可见, 目前关于热环境的影响研究多样且深刻, 但是缺少多个城市空间格局影响因子对热环境的响应关系研究, 同时目前的研究多针对上海、纽约等较为发达的城市, 对正处于快速扩展中的合肥市区热环境的研究还较少.
综上所述, 研究基于合肥市区的遥感影像数据及ARCGIS和ENVI等分析平台, 反演出往年地表温度, 观察合肥市历年和不同季节的热环境空间格局, 随后取热岛效应最为严重的季节内多个时间点的地表温度, 并取其平均值, 再对建筑高度、建筑占比、不透水面占比、水体面积占比、植被覆盖度和人口密度的空间格局要素进行定量化处理, 再利用剖面线和皮尔逊相关性分析, 剖析上述空间格局要素分别对城市热环境的影响程度, 最后通过综合考量, 选取影响程度最大的3个要素构建多元回归函数, 以探究城市热环境与空间格局之间的关系, 以期为建设生态宜居型城市提供理论依据.
1 材料与方法 1.1 研究区域概况合肥市位于中国的华东地区、安徽省中部、江淮之间, 市域范围在东经116°41′~117°58′, 北纬30°57′~32°32′之间[22]; 截止到2020年, 常住人口936.99万, 城镇化率76.33%, 建成区面积528.5 km2[23]; 合肥市交通便捷, 航路、水路和公路等各类道路在空间上形成纵横交错的三维交通网络, 是全国的综合交通枢纽; 境内主要有丘陵岗地、低洼平原和低山残丘这3类地貌, 地形起伏不大, 内含巢湖和江淮水系的部分河流, 地表水系发达[24]; 本文研究区域是合肥市区, 包括蜀山区、包河区、瑶海区和庐阳区这4个市辖区, 区域内拥有合肥经开区和蜀山高新区等多个开发区, 内含产业园和工业用地等; 除了致力于产业、经济发展, 市区内还含有合肥滨湖湿地森林公园和方兴湖公园等多个公园绿地, 立志于将合肥打造成生态宜居城市.合肥是合肥都市圈的中心城市[25], 长三角城市群的副中心城市[26], 其城区内的良好热环境状态能够保证居民的舒适生活环境和整个合肥市乃至长江流域的良性发展.
1.2 数据来源及预处理基础数据采集于地理空间数据云(www.gscloud.cn)的遥感数据, 借助ENVI和ARCGIS对遥感影像图进行大气校正、裁剪等预处理, 并将其地表土地覆盖类型划分为绿地、水体、不透水面, 经实地抽样调查验证, 数据总体分类精度达到80%, 符合实验要求.人口数据来源于Worldpop官网(www.worldpop.org), 建筑高度通过爬取百度地图现有的建筑位置、范围和高度, 并对其进行补充以及异常值剔除.
1.3 研究方法 1.3.1 地表温度反演反演采用的是单窗算法[27~29], 对于采集到的Landsat 8 OLI数据, 采用下式计算：
|
(1) |
式中, 对于Landsat 8 OLI类型的遥感影像, a和b常量根据合肥市区的具体情况和遥感影像图采集时间定为-67.355 35和0.458 60[30]; T6为TM6卫星亮度温度; C和D为中间变量; 计算公式分别如下：
|
(2) |
|
(3) |
|
(4) |
式中, K1和K2的值分别为774.89和1321.08[31], Lγ为辐射定标后的热红外波段; ε为地表比辐射率[32]; τ为大气透射率(数据来源：美国国家航空航天局官网).
其中ε与归一化植被指数NDVI有密切关系[33]:
自然表面与城镇表面的地表发射率分别为：
|
(5) |
|
(6) |
式中, ε为地表比辐射率; FVC为区域的植被覆盖度.
1.3.2 城市空间形态定量化表达参考其他学者在空间格局对于热环境的影响上的研究, 以及研区域实际情况, 将研究尺度确定为120 m, 并将研究区域划分为120 m×120 m的方格, 以便对空间形态进行量化.选取表达城市空间格局的要素有：水体面积占比(WP)、不透水面占比(ISP)、建筑高度(BH)、建筑占比(BD)、植被覆盖度(FVC)和人口密度(PD).空间量化公式如下所示.
(1) WP、ISP和BD
|
(7) |
式中, D为统计单元的占比(包含：水体面积占比、不透水面占比和建筑占比); S为统计单元面积; Si为第i个统计单元内水体(不透水面和建筑)面积.
(2) BH
|
(8) |
式中, H为统计单元内平均建筑高度; Hi为第i栋建筑的高度; Ai为第i栋建筑的占地面积;
(3) FVC
植被覆盖度(FVC)的计算公式为：
|
(9) |
式中, NDVI为归一化的植被指数; NDVIV为区域被植被全部覆盖时的NDVI值, 而NDVIS为区域未被植被覆盖时的NDVI值[34].
(4) PD
从Worldpop官网下载的栅格数据, 其内每一个像元的值为像元大小面积内的人口数量, 该像元大小为100 m×100 m.为方便研究, 将其转化为密度值, 再将其转化为120 m分辨率.
|
(10) |
|
(11) |
式中, P为统计单元的人口密度; Gi为第i个原像元内的人口密度; n为统计单元内包含的原像元个数.mi为第i个原像元内的人口数量; S为原像元大小.
1.3.3 皮尔逊相关性分析皮尔逊相关性分析可以较为直观地反映每一对自变量对因变量的影响程度[35].计算公式如下：
|
(12) |
式中, Rxy为两个变量x和y之间的相关性系数; xi为水体面积占比、不透水面占比、建筑高度等空间格局要素; yi为温度数值.
2 结果与分析 2.1 地表热环境及城市空间格局要素特征 2.1.1 合肥热环境空间格局演变概况如图 1所示, 利用单窗算法, 借助ARCGIS和ENVI软件, 反演出合肥市区2013年、2015年、2018年和2020年的地表温度, 获取到城市热环境空间格局演变概况.
|
图 1 2013~2020年热环境空间格局 Fig. 1 Spatial pattern of thermal environment from 2013 to 2020 |
从2013~2020年, 市区内的中高温区围绕中心城区不断向四周蔓延, 侵占了大量的低温区域, 主要是往西南与东南方向扩散, 热岛重心逐渐向南部转移, 表现在蜀山高新区、滨湖新区等区域由低温区转为中高温区, 和大量的市区西部地表温度由低温转为中温.同时原本中心城区与周边郊区的温差较小, 但是随着城市空间的扩展, 郊区与中心城区的温差越来越大, 象征着合肥市区的热岛效应越来越严重, 亟待缓解.
2.1.2 合肥市区热环境格局四季演变根据数据的可获取性、云量、天气和分辨率等原因, 反演了2020年的1月12日、4月21日、6月5日和10月27日这4个时间点的地表温度, 分别代表合肥市冬季、春季、夏季和秋季的热环境情况, 结果如图 2所示.
|
图 2 2020年四季的热环境空间格局 Fig. 2 Spatial pattern of the thermal environment for all seasons in 2020 |
由图 2可知, 4个季节的高温区和低温区的大小和范围均不一样, 其中可发现夏季的城区与郊区的温差最大, 中高温区的轮廓最为显著, 与城区范围高度重合, 其次是秋季和春季, 冬天最小, 冬季的城区内除经开区、高新区等开发区外, 低温区范围甚至多于高温区, 与郊区温度相差无几, 且没有了清晰轮廓.综上所述, 合肥市热岛效应最强的是夏季, 其次是秋季、春季以及冬季.
2.1.3 城市空间格局分布特征利用ARCGIS的空间统计分析工具, 对合肥市区的空间格局要素进行定量化处理, 处理结果如图 3所示.
|
图 3 城市空间格局分布特征 Fig. 3 Distribution characteristics of urban spatial pattern |
合肥市区的建筑占比分布与其所在区域有密切关系, 城市大部分区域建筑占比在18%以下, 新建成的住宅区、商业区建筑占比在18% ~23%之间, 而合肥蜀山经开区、包河工业区和经开区等开发区, 建筑占比普遍在23%以上, 占比高于57%的区域面积达到2.36 km2.从图 3(b)中可以看出, 老城区内的建筑高度普遍位于54 m, 围绕老城区、滨湖新区等区域内新建的住宅楼、商业楼等建筑高度较高, 而工业厂区等地内的建筑具有占地面积大, 高度低的特点, 高度在72 m以上的建筑占地面积达12.28 km2.在图 3(c)中, 不透水面大致呈现出以围绕中心城区向周围扩展并不断减少, 是较为显著的单核扩展模式, 高不透水面占比地区主要分布在蜀山经开区、高新区等地, 在整体上有31%的区域不透水面积占比大于92%.合肥室内水体主要以巢湖、董铺水库、大房郢水库等大面积水体为主, 水体总面积占据了合肥市区的6.3%.
植被主要覆盖在城市建成区周边, 覆盖度在89%以上的区域占据了13.1%, 其中包括大蜀山国家森林公园、南艳湖、植物园、滨湖国家森林公园等高植被覆盖区域, 而建成区内的植被覆盖度普遍低于43%.合肥市区人口密度在11.5千人·km-2以上的区域主要分布在合肥中心城区内, 人口分布格局与街道布局有关, 主要分布在街道两侧, 这些区域主要以多层住宅、高层住宅为主, 占据了6.7%的区域, 而大部分开发区内虽然建筑占比高, 但人口稀疏.
2.2 城市空间格局对城市热环境的影响 2.2.1 夏季地表平均温度从对合肥市四季的热环境分析来看, 其夏季的热岛效应更为严重, 城市中心与郊区的温差更大, 对人居环境的影响更为强烈, 所以选取了合肥市的夏季作为研究时间点, 同时为避免单个时间点时出现的由天气原因造成的误差, 反演了2020年夏季(5月21日至9月20日)的3个时间点的地表温度, 随后利用波段计算, 取这3个时间点的地表温度的平均值, 结果如图 4所示.以下的相关性研究均是基于图 4进行.
|
图 4 夏季地表平均温度空间格局 Fig. 4 Spatial pattern of the average surface temperature in summer |
将地表温度按照自然断点法划分为7个等级, 如图 4和表 1所示.从图 4可以看出, 从西至东, 大致为中温区-低温区-高温区.西部虽远离主城区, 但是由于西部与淮南、六安城市连接, 拥有发达的交通线路, 且具有机场、各类工业园以及高刘镇等较为发达的小镇, 这些区域不透水面和建筑较多, 植被少, 导致温度升高.结合表 1可以得出, 中高温区、高温区和极高温区, 总面积达到了427.57 km2, 在研究区域内占比33.28%, 地理位置主要分布在城市建成区内, 与郊区温度差距较大, 其中高温密集区主要分布在蜀山经开区、包河工业区、庐阳产业园和瑶海产业园等, 这些区域位于城市中心周边, 温度比城市中心高, 而中心城区内部零散分布着一些低温区, 这些区域大部分为水体和公园.
|
表 1 地表温度等级 Table 1 Surface temperature level |
2.2.2 空间格局与城市内部温度的相关性
(1) 剖面线 在研究区域内划取两条空间格局最为复杂且垂直相交的剖切线(见图 4中的line1和line2), 同时由于水体分布极其不均匀, 所以对水体的研究另外选取了两条垂直相交的剖切线(见图 4中的line3和line4).line1起于合肥河东村, 止于大圩镇; line2起于合肥张店村, 止于吴郢村; line3起于大杨镇, 止于巢湖内部; line4起于东大荒, 止于高桥村.4条剖切线均途经中心城区, 具体位置见图 4.最后获取到4条线上对应的空间格局指数和地表温度值, 并将其制作剖面折线图, 结果如图 5和图 6所示.
|
(a)建筑占比, (b) 建筑高度, (c) 不透水面占比, (d) 人口密度, (e) 植被覆盖度, (f) 水体 图 5 line1和line3的空间格局与地表温度剖面线 Fig. 5 Spatial pattern of line1 and line3 with the profile line of surface temperature |
|
(a)建筑占比, (b) 建筑高度, (c) 不透水面占比, (d) 人口密度, (e) 植被覆盖度, (f) 水体 图 6 line2和line4的空间格局与地表温度剖面线 Fig. 6 Spatial pattern of line2 and line4 with the profile line of surface temperature |
从line1下的地表温度剖面线先呈现出中温, 再降低, 最后剧烈升高, 分别对应着低密度建设用地区域、耕地及建成区, 这与line1下的建筑占比、不透水面和人口密度的变化呈现出高度的一致性, 与植被覆盖度则相反, 如到了高新区, 建筑密度与不透水面增高, 温度也随之上升, 而到了大蜀山、郊区等高植被覆盖度区域则显示出明显的降温趋势; line3对应的温度为先升温再降温, 对应着先经过巢湖、滨湖新区和中心城区再到大杨镇, 水体占比先高后低, 最后再增高的趋势; line2为先高温, 然后降温, 再有所升高, 对应着依次途经了蜀山经开区、中心城区和新站工业园, 分别对应着建筑占比高、人口密度大但是植被覆盖度较开发区高以及高建筑占比区域; line4为低温, 增温再降温, 对应着依次经过董铺水库、大杨镇和大房郢水库, 水体占比先增高, 后降低, 再增高.
结合line1和line2、line3和line4的剖面线可以得出, 建筑占比、建筑高度、不透水面和人口密度这4要素的波段曲线与城市地表温度的波段曲线具有相似的走向, 当上述4要素升高时, 地表温度也会升高, 反之则降低, 表明这4个要素与地表温度正相关.而水体和植被覆盖度的剖切线波动与地表温度的剖切线波段走向相反, 当这3个要素升高时, 地表温度降低, 反之温度升高, 表明该3要素与地表温度负相关.
(2) 皮尔逊相关性分析 为更加深层次地研究不同空间格局要素对城市地表温度的影响, 针对不同的空间格局要素, 在区域内生成1 800个随机点, 获取到各随机点对应的各空间格局要素的值和地表温度值, 并筛选无效值与重复值, 形成实验数据组, 最终得出各空间格局要素与地表温度之间的皮尔逊相关性系数, 如表 2所示.
|
|
表 2 空间格局与地表温度的皮尔逊相关性 Table 2 Pearson's correlation of spatial patterns and surface temperature |
系数的绝对值大小代表了空间格局要素对城市热环境的影响程度.如表 2所示, 在上述要素中, 对地表温度有正面影响的是: 人口密度、建筑占比、不透水面和建筑高度, 相关性系数值依次降低分别为0.481、0.395、0.333、0.188, 代表了城市内的人口密度和建筑占比是导致城市热环境温度上升, 致使城市出现热岛效应的主要因素, 当两者在城市中占比越大, 城市热源增多, 散热能力降低, 热环境温度就越高.而对地表温度呈现出负相关的要素有: 植被覆盖度、水体, 相关性系数值依次为-0.577和-0.384, 均为负数, 代表了上述要素能够降低城市地表温度, 当其在城市中占比越高时, 植物和水体的降温增湿效益越显著, 越能够缓解城市热岛效应.
2.2.3 回归分析综合考虑研究区域实际情况以及剖切线与皮尔逊的相关性分析, 从这7个要素中选出对地表温度影响程度最大的3个要素, 即植被覆盖度、人口密度和建筑占比, 构建多元线性回归方程, 并选取了1 500个随机点, 获取到该1 500个点下的要素值和地表温度值.同时研究考虑到空间格局要素和地表温度的值属于连续型随机变量, 因而采用多元线性回归分析.最终得到2020年合肥市区夏季城市热环境的多元线性函数模型, 如公式(13)所示.
|
(13) |
式中, T为合肥市夏季地表温度; 各要素定义域分别为{BD|0≤BD≤1}, {FVC|0≤FVC≤1}和{PD|0≤PD≤19.8}.该模型中的R2=0.481, Durbin-Waston=2.048, 且各个要素的VIF≤5, 说明模式回归拟合效果较好, 具有统计学意义, 同时每一组观测值独立, 不存在多重共线性.同时, 根据变量的累积比例与指定分布的累积比例之间的关系绘制了P-P图, 如图 7所示, 其中的点接近一条直线, 且基本都落在或者靠近对角线上, 说明数据服从正态分布.
|
图 7 要素与温度的回归标准化残差P-P图 Fig. 7 P-P diagram of the standardized residuals of the regression of the elements on temperature |
在不同的季节中, 合肥市区的热岛效应显现出不同程度, 其中夏季最为明显, 冬季不明显, 这也是本文在相关性研究中选取夏季作为研究时间点的原因.但是在对于北方的城市的热环境研究里, 还存在冬季热岛效应比夏季明显的情况, 例如刘勇洪等[36]提到在同样的情况下北京的热岛效应为：冬季>秋季>春季>夏季, 这主要是由于北方城区冬季取暖, 人口密集, 高楼耸立, 导致城区空气不流通, 同时北方郊区冬季植被多数枯萎, 地面裸露, 导致郊区降温比城区多, 进而导致热岛效应明显.而本文研究的合肥位于北亚热带, 属南方城市, 以亚热带常绿阔叶林为主, 使得冬季城区内也种植有许多的常绿树种, 起到了降温增湿的作用, 与郊区温差小, 而夏季郊区的耕地里面的农作物正处于成长中后期, 植被旺盛, 城区相对于郊区植被面积少很多, 同时城区被大面积的不透水面覆盖, 建筑密集, 从而使得夏季热岛效应严峻, 这与葛静茹等[37]和李莹莹等[38]的研究结果相似.
城市中的绿地与水体都具有显著的降温效应, 能够改善城市生态环境与局部气候, 提供人居环境的舒适性[39].有研究发现, 城市地表温度的分布与其空间格局有着一定关系, 从相关性分析来看, 绿地和水体具有较强的降温作用, 而以水泥、沥青、砖瓦为主的不透水面、建筑具有升温的作用, 而人口作为城市热源, 又经常位于多建筑、高不透水面区域, 导致人类聚集地温度也较高[40].同时距离绿地、水体的远近也对温度有着一定的影响, 采用对大蜀山、巢湖周边具有稳定情况的区域进行剖面, 如图 8所示, 当观测点处于绿地和水体的内部时, 温度低且较为稳定, 温度变化不大, 当观测点位于绿地和水体外时, 温度逐渐上升.除此之外绿地与水体的规模、形状等, 都对其降温效应有着不同程度的影响, 合理的规划建设能够在一定的土地规模内使得两者生态效益最大化, 这与陈斌等[41]和张晓东等[42]的研究结果基本一致.
|
图 8 绿地及周边区域的温度剖面线 Fig. 8 Temperature profile of green space, water area, and surrounding area |
随着城市化进程的推进, 建设用地与城市绿地之间的矛盾越发突出[43, 44], 城市内部发展在水平面上愈加局促和紧凑, 为避免人居环境恶劣, 对于合肥这种南方城市, 应该增加城区内部的常绿阔叶树种的种植, 减少大面积的不透水面区域, 减缓夏季的热岛效应, 例如可以减少大面积水泥地或瓷砖广场等不必要的不透水面的使用, 将类似用地改造成疏林广场; 同时进行城市规划时合理分布城市绿地及水体空间, 且使其形状复杂化, 蔓延至更为宽阔的区域, 尽可能发挥出绿地内部的降温效应, 影响更多的区域, 可以在开发区等建筑占比大的地方通过扩展道路两侧绿化带或定距建立小型公园及湿地等方式, 以达到降温的目的; 未来的城市绿色空间应当从二维空间上延伸至三维立体空间上, 有助于绿色空间从地面延伸到垂直面以及空中[45, 46], 这有利于增加城市内的绿色空间, 增加绿量, 以达到更优化的降温效果, 详细措施为：对于建筑高度以及面积要合理控制, 增加天空开阔度, 降低建筑占比, 同时增加垂直绿化以及屋顶绿化, 降低热岛效应; 对于住宅区, 增加区内的平面绿化面积和立体绿化量.
目前对于城市热岛效应的减缓措施研究已经较为多样了, 但是很多城市面临着已建成区区域无法拆除, 公园和湿地等无法在内部建立, 立体绿化对于这种类似的区域是很好的选择, 但是国内的立体绿化的景观营造、管理养护等技术还不成熟, 无法大面积投入使用, 但是相信随着相关研究的不断深入, 这将为未来解决城市严重的热岛效应提供更加完善的解决方案.
5 结论(1) 2013~2020年间, 合肥市区高温范围随着城市扩展而蔓延至滨湖新区、长江西路等区域, 城市热环境愈发恶劣.对于2020年的4个季节, 研究区域的热岛效应呈现出夏季>秋季>春季>冬季.
(2) 城市空间格局主要与土地利用类型有关, 大部分开发区具有建筑占比高(>23%)、不透水面占比高(>92%)、建筑高度普遍偏低(＜18 m)、植被覆盖率低(＜27%), 住宅区和商业区建筑高度较高(>18 m)、建筑占比中等(18% ~23%)和人口密度较大(11.5千人·km-2)的特点; 公园、湿地和郊区等地的植被覆盖度高, 分别大于57%, 而不透水面少(＜18%).同时城市热环境空间格局显示, 高温区主要分布在工业园、产业园等, 低温区分布在公园、水体和郊区等.
(3) 在研究时间节点上, 研究区域内各空间格局要素与地表温度的剖面线走向有一定的规律, 建筑占比、建筑高度、不透水面占比、人口与地表温度为正相关, 植被覆盖度和水体为负相关; 同时各空间格局要素与地表温度之间的皮尔逊相关性分析的绝对值依次为：植被覆盖度(-0.577)>人口密度(0.481)>建筑占比(0.395)>水体占比(-0.384)>不透水面占比(0.333)>建筑高度(0.188), 由上述两种相关性分析结果可见, 建筑占比、人口密度和植被覆盖度与城市热环境的相关性最强.在以上基础上构建了多元回归线性方程, 建筑占比、人口密度和植被覆盖度的系数分别为8.372、0.295和-5.639, 常数为38.555.
| [1] | Zhang S L, Zheng H Q, Zhou H Y, et al. Sustainable land urbanization, urban amenities, and population urbanization: evidence from city-level data in China[J]. Social Science Quarterly, 2021, 102(4): 1686-1698. DOI:10.1111/ssqu.13003 |
| [2] |
鹿广利, 刘传印, 孙鑫鑫, 等. 移动热源对巷道热环境影响的动态模拟研究[J]. 煤炭技术, 2022, 41(2): 157-161. Lu G L, Liu C Y, Sun X X, et al. Dynamic simulation study on influence of moving heat source on tunnel thermal environment[J]. Coal Technology, 2022, 41(2): 157-161. DOI:10.13301/j.cnki.ct.2022.02.039 |
| [3] | Hoehne C G, Chester M V, Fraser A M, et al. Valley of the sun-drenched parking space: the growth, extent, and implications of parking infrastructure in Phoenix[J]. Cities, 2019, 89: 186-198. DOI:10.1016/j.cities.2019.02.007 |
| [4] | Luo X, Yang J, Sun W, et al. Suitability of human settlements in mountainous areas from the perspective of ventilation: a case study of the main urban area of Chongqing[J]. Journal of Cleaner Production, 2021, 310. DOI:10.1016/J.JCLEPRO.2021.127467 |
| [5] | Zhu C Y, Ji P, Li S H. Effects of urban green belts on the air temperature, humidity and air quality[J]. Journal of Environmental Engineering and Landscape Management, 2017, 25(1): 39-55. DOI:10.3846/16486897.2016.1194276 |
| [6] |
程志刚, 李炬, 周明煜, 等. 北京中央商务区(CBD)城市热岛效应的研究[J]. 气候与环境研究, 2018, 23(6): 633-644. Cheng Z G, Li J, Zhou M Y, et al. A study on urban heat island effect in Beijing central business district (CBD)[J]. Climatic and Environmental Research, 2018, 23(6): 633-644. |
| [7] |
雷金睿, 陈宗铸, 吴庭天, 等. 1989~2015年海口城市热环境与景观格局的时空演变及其相互关系[J]. 中国环境科学, 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. |
| [8] | Chang C R, Li M H, Chang S D. A preliminary study on the local cool-island intensity of Taipei city parks[J]. Landscape and Urban Planning, 2007, 80(4): 386-395. DOI:10.1016/j.landurbplan.2006.09.005 |
| [9] | Gage E A, Cooper D J. Urban forest structure and land cover composition effects on land surface temperature in a semi-arid suburban area[J]. Urban Forestry & Urban Greening, 2017, 28: 28-35. |
| [10] |
刘艳红, 郭晋平, 魏清顺. 基于CFD的城市绿地空间格局热环境效应分析[J]. 生态学报, 2012, 32(6): 1951-1959. Liu Y H, Guo J P, Wei Q S. Urban green space landscape patterns and thermal environment investigations based on computational fluid dvnamics[J]. Acta EcologicaSinica, 2012, 32(6): 1951-1959. |
| [11] | Xiao R, Cao W, Liu Y, et al. The impacts of landscape patterns spatio-temporal changes on land surface temperature from a multi-scale perspective: a case study of the Yangtze River Delta[J]. Science of the Total Environment, 2022, 821. DOI:10.1016/J.SCITOTENV.2022.153381 |
| [12] | Ding L R, Chen C. Thermal environment optimization and energy saving of residential buildings under the demand of low-carbon operation[J]. International Journal of Heat and Technology, 2021, 39(2): 659-668. DOI:10.18280/ijht.390238 |
| [13] | Xiao R B, Ouyang Z Y, Zheng H, et al. Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing, China[J]. Journal of Environmental Sciences, 2007, 19(2): 250-256. DOI:10.1016/S1001-0742(07)60041-2 |
| [14] |
姚晓洁, 王霞, 姚侠妹. 基于RS技术的皖北城市阜阳市主城区热环境效应分析[J]. 生态学杂志, 2021, 40(10): 3290-3303. Yao X J, Wang X, Yao X M. Thermal environmental effect of the main urban area of Fuyang City in northern Anhui based on RS technology[J]. Chinese Journal of Ecology, 2021, 40(10): 3290-3303. |
| [15] | Guha S, Govil H, Dey A, et al. A case study on the relationship between land surface temperature and land surface indices in Raipur City, India[J]. Geografisk Tidsskrift-Danish Journal of Geography, 2020, 120(1): 35-50. DOI:10.1080/00167223.2020.1752272 |
| [16] |
王鹏龙, 张建明, 吕荣芳. 基于空间自相关的兰州市热环境[J]. 生态学杂志, 2014, 33(4): 1089-1095. Wang P L, Zhang J M, Lv R F. Urban thermal environment pattern with spatial autocorrelation in Lanzhou[J]. Chinese Journal of Ecology, 2014, 33(4): 1089-1095. |
| [17] |
林晋大, 多玲花, 邹自力. 城市扩张背景下景观破碎化动态演变及空间自相关分析——以南昌市为例[J]. 水土保持研究, 2022, 29(4): 362-369. Lin J D, Duo L H, Zou Z L. Dynamic evolution and spatial autocorrelation analysis of landscape fragmentation under the background of urban expansion——A case study of Nanchang City[J]. Research of Soil and Water Conservation, 2022, 29(4): 362-369. |
| [18] |
沈中健, 曾坚. 闽南三市城镇发展与地表温度的空间关系[J]. 地理学报, 2021, 76(3): 566-583. Shen Z J, Zeng J. Spatial relationship of urban development to land surface temperature in three cities of southern Fujian[J]. Acta Geographica Sinica, 2021, 76(3): 566-583. |
| [19] |
冯悦怡, 胡潭高, 张力小. 城市公园景观空间结构对其热环境效应的影响[J]. 生态学报, 2014, 34(12): 3179-3187. Feng Y Y, Hu T G, Zhang L X. Impacts of structure characteristics on the thermal environment effect of city parks[J]. Acta Ecologica Sinica, 2014, 34(12): 3179-3187. |
| [20] | Zheng Z, Zhou W Q, Yan J L, et al. The higher, the cooler? Effects of building height on land surface temperatures in residential areas of Beijing[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2019, 110: 149-156. DOI:10.1016/j.pce.2019.01.008 |
| [21] |
宋鑫博, 黄鹤, 郭军, 等. 城市形态对夏季热环境影响研究——以天津中心城区为例[J]. 生态环境学报, 2021, 30(11): 2165-2174. Song X B, Huang H, Guo J, et al. Research on the impact of urban morphology on thermal environment in summer: a case of Tianjin Central City[J]. Ecology and Environmental Sciences, 2021, 30(11): 2165-2174. |
| [22] |
邬晓光. 合肥市城市地理空间基础框架的建设与应用[J]. 城市勘测, 2007(6): 23-25. Wu X G. The construction and application of Hefei urban fundamental geographic frame[J]. Urban Geotechnical Investigation & Surveying, 2007(6): 23-25. |
| [23] | 合肥市统计局, 国家统计局合肥调查队. 合肥统计年鉴[M]. 北京: 中国统计出版社, 2020. |
| [24] |
李莹莹, 尤罗利, 陈永生, 等. 环巢湖地区多水塘景观时空格局演变特征及其驱动因素[J]. 生态学报, 2018, 38(17): 6280-6291. Li Y Y, You L L, Chen Y S, et al. Spatial-temporal characteristics of multi-pond landscape change and their driving factors in the Chaohu Basin, China[J]. Acta Ecologica Sinica, 2018, 38(17): 6280-6291. |
| [25] |
陈晓华, 吴仕嫱. 南京—合肥双都市圈区域空间格局研究——基于城市流的视角[J]. 华东经济管理, 2021, 35(11): 35-44. Chen X H, Wu S Q. Research on the regional spatial pattern of Nanjing-Hefei double metropolitans: based on the perspective of urban flow[J]. East China Economic Management, 2021, 35(11): 35-44. |
| [26] |
宋炳林, 陈琳. 长三角五大都市圈中心城市国际化水平比较研究[J]. 浙江社会科学, 2017(6): 57-64. Song B L, Chen L. A comparative study of the internationalization level of the central cities in the five metropolitan areas of the Yangtze River Delta[J]. Zhejiang Social Sciences, 2017(6): 57-64. |
| [27] | Jiang Y, Lin W P. A comparative analysis of retrieval algorithms of land surface temperature from Landsat-8 data: a case study of Shanghai, China[J]. International Journal of Environmental Research and Public Health, 2021, 18(11). DOI:10.3390/IJERPH18115659 |
| [28] |
胡光庭, 王刚, 杨崇俊. 阳江市绿地空间分布及其热环境分析[J]. 遥感信息, 2017, 32(2): 156-161. Hu G T, Wang G, Yang C J. Analysis of green landscape distribution and thermal environment of Yangjiang City[J]. Remote Sensing Information, 2017, 32(2): 156-161. |
| [29] | Shirani-Bidabadi N, Nasrabadi T, Faryadi S, et al. Evaluating the spatial distribution and the intensity of urban heat island using remote sensing, case study of Isfahan city in Iran[J]. Sustainable Cities and Society, 2019, 45: 686-692. |
| [30] | Wang F, Qin Z H, Song C Y, et al. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data[J]. Remote Sensing, 2015, 7(4): 4268-4289. |
| [31] | Zheng W W, Zeng Y N. Comparative analysis of two land surface temperature retrieval algorithms based on multi-source remote sensing data[J]. Applied Mechanics and Materials, 2011, 130-134: 4130-4134. |
| [32] |
孙艳伟, 王润, 郭青海, 等. 基于人居尺度的中国城市热岛强度时空变化及其驱动因子解析[J]. 环境科学, 2021, 42(1): 501-512. Sun Y W, Wang R, Guo Q H, et al. Estimation of the urban heat island intensity change and its relationships with driving factors across China based on the human settlement scale[J]. Environmental Science, 2021, 42(1): 501-512. |
| [33] | Qiao R R, Dong C Y, Ji S X, et al. Spatial scale effects of the relationship between fractional vegetation coverage and land surface temperature in Horqin Sandy Land, North China[J]. Sensors, 2021, 21(20). DOI:10.3390/S21206914 |
| [34] |
王晓蕾, 石守海. 基于GEE的黄河流域植被时空变化及其地形效应研究[J]. 地球信息科学学报, 2022, 24(6): 1087-1098. Wang X L, Shi S H. Spatio-temporal changes of vegetation in the yellow river basin and related effect of landform based on GEE[J]. Journal of Geo-information Science, 2022, 24(6): 1087-1098. |
| [35] | Zhu B, Yuan J Q. Pressure transfer modeling for an urban water supply system based on Pearson correlation analysis[J]. Journal of Hydroinformatics, 2015, 17(1): 90-98. |
| [36] |
刘勇洪, 徐永明, 张方敏, 等. 北京城市空间形态对热岛分布影响研究[J]. 地理学报, 2021, 76(7): 1662-1679. Liu Y H, Xu Y M, Zhang F M, et al. Influence of Beijing spatial morphology on the distribution of urban heat island[J]. Acta Geographica Sinica, 2021, 76(7): 1662-1679. |
| [37] |
葛静茹, 王海军, 贺三维, 等. 武汉市都市发展区地表温度季节性空间分布与驱动力分析[J]. 长江流域资源与环境, 2021, 30(2): 351-360. Ge J R, Wang H J, He S W, et al. Seasonal-spatial distribution and driving forces of land surface temperature in the urban development area of Wuhan[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 351-360. |
| [38] |
李莹莹, 邓雅云, 陈永生, 等. 基于卫星遥感的合肥城市绿色空间对热环境的影响评估[J]. 生态环境学报, 2018, 27(7): 1224-1233. Li Y Y, Deng Y Y, Chen Y S, et al. Characterization of urban green space thermal environmental effects based on satellite remote sensing: a case study of Hefei, China[J]. Ecology and Environmental Sciences, 2018, 27(7): 1224-1233. |
| [39] |
孔繁花, 尹海伟, 刘金勇, 等. 城市绿地降温效应研究进展与展望[J]. 自然资源学报, 2013, 28(1): 171-181. Kong F H, Yin H W, Liu J Y, et al. A review of research on the urban green space cooling effect[J]. Journal of Natural Resources, 2013, 28(1): 171-181. |
| [40] | Sresto M A, Morshed M M, Siddika S, et al. Impact of COVID-19 lockdown on vegetation indices and heat island effect: a remote sensing study of Dhaka City, Bangladesh[J]. Sustainability, 2022, 14(13). DOI:10.3390/SU14137922 |
| [41] |
陈斌, 徐尚昭, 杨顶田, 等. 武汉市主城区公园景观的热环境效应[J]. 遥感信息, 2021, 36(3): 58-66. Chen B, Xu S Z, Yang D T, et al. Thermal environmental effects of park landscape of main urban region in Wuhan[J]. Remote Sensing Information, 2021, 36(3): 58-66. |
| [42] |
张晓东, 赵银鑫, 马风华, 等. 基于遥感数据的银川市城市公园对城市热环境降温效应分析[J]. 水土保持通报, 2021, 41(5): 338-347. Zhang X D, Zhao Y X, Ma F H, et al. Analysis on cooling effect of urban parks on urban thermal environment in Yinchuan City based on remote sensing[J]. Bulletin of Soil and Water Conservation, 2021, 41(5): 338-347. |
| [43] |
王莹书, 石培基, 赵武生, 等. 兰州市热环境时空特征及影响因素研究[J]. 生态科学, 2022, 41(2): 59-65. Wang Y S, Shi P J, Zhao W S, et al. Spatial-temporal characteristics and influencing factors of thermal environment in Lanzhou[J]. Ecological Science, 2022, 41(2): 59-65. |
| [44] |
梁建设, 白永平, 杨雪荻, 等. 基于多源数据的城市扩张中热环境演变及响应[J]. 环境科学, 2022, 43(6): 3365-3374. Liang J S, Bai Y P, Yang X D, et al. Thermal environment evolution and response mechanism of urban sprawl based on multi-source data[J]. Environmental Science, 2022, 43(6): 3365-3374. |
| [45] |
史宝刚, 尹海伟, 孔繁花, 等. 基于ENVI-met模型的南京市新街口地区垂直绿化降温效应评价[J]. 现代城市研究, 2021(12): 125-132. Shi B G, Yin H W, Kong F H, et al. Assessment of the cooling effect for urban façade greening in Xinjiekou District, Nanjing, China[J]. Modern Urban Research, 2021(12): 125-132. |
| [46] |
丁威, 王鹏, 黄威, 等. 考虑局域气候影响的海绵城市垂直绿化技术应用[J]. 中国给水排水, 2019, 35(12): 85-87. Ding W, Wang P, Huang W, et al. Application of vertical greening technology in sponge city with influence of local climate[J]. China Water & Wastewater, 2019, 35(12): 85-87. |