2024, Vol. 45
2. 陕西省地表系统与环境承载力重点实验室, 西安 710127
2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Northwest University, Xi'an 710127, China
城市热环境是指与热有关的、影响人体热舒适度和社会经济可持续发展的物理环境[1, 2]. 在全球气候变暖和城市化推进的背景下, 高温热浪现象频发, 使得城市热环境发生显著变化[3, 4], 最典型的气候现象就是城市热岛效应[5]. 城市热环境状况是评价城市生态环境质量的重要指标之一, 不仅与城市生活环境质量的好坏和居民身体健康状况有着直接关系, 还对水资源、生态系统、生物物候和经济可持续发展有着深远影响[6~9]. 西安都市圈作为带动西部地区经济发展和城市化的主要载体, 了解其热环境驱动机制可为城市规划提供重要的科学依据, 对于都市圈的经济可持续发展和生态环境保护意义重大.
近年来, 国内外学者对城市热环境空间格局特征及影响因素开展了广泛的研究[10~14]. 其中, Terra/Aqua卫星的中分辨率成像光谱仪数据由于其空间覆盖范围广和重访频率高的特点, 已经被广泛用于研究地表热环境的动态检测中[15, 16]. 目前, 关于热环境的驱动机制研究已达成一定的共识, 地表生物物理组分被认为是影响地表温度（land surface temperature, LST）的最重要因素之一[17, 18]. 例如, 不透水的人工地表取代自然地表增加了地表感热通量, 地表向外热辐射增加, 使得地表温度升高[19, 20]. 而水体和植被由于蒸发蒸腾减少了再释放的能量, 同时减少了短波辐射, 从而降低地表温度, 成为城市天然的散热器[18, 21, 22]. 一些可以准确反映地表信息的遥感指数, 如增强植被指数（enhanced vegetation index, EVI）、归一化差值不透水面指数（normalized difference impervious surface index, NDISI）、改进的归一化水体指数（modified normalized difference water index, MNDWI）和归一化建筑指数（normalized difference building index, NDBI）已被证明与LST有良好的线性关系[12, 14, 23]. 此外, 能表征人类活动强度和社会经济状况的指标, 如人口密度（people density, PD）、国内生产总值（gross domestic product, GDP）和夜间灯光（night light, NL）等也在城市地表热环境变化中起着不可忽视的作用[24, 25]. 近年来, 大气气溶胶光学厚度（aerosol optical depth, AOD）对LST的影响也引起了学者的广泛关注[26], 背景气候也被证明是影响城市热环境的重要因素[27]. 虽然前人选取不同因子, 从不同角度分析了城市热环境的演变与影响机制, 并取得了较丰硕的研究成果[28~31], 但多基于简单的相关性分析来描述两个因素之间的密切关系, 不能区分不同因子的直接或间接效应[32]. 此外, 当因变量不仅受已知因素的直接影响, 还受限于一些未知变量的间接影响时, 很难用传统的回归方程模型来表征, 但结构方程模型（structural equation model, SEM）和冗余分析（redundancy analysis, RDA）可以弥补上述不足. 结构方程模型是一个可以评估具有一组自变量和具有因果关系的多个因变量的系统[33], 同时还可以检测到引起城市地表温度变化的每一条路径, 将多种因素对地表温度的协同作用进行梳理并选择主导因素, 这使得搜索复杂因素背后隐含的关系成为可能. RDA分析可以有效简化影响参数, 将影响因子与地表温度的关系直观展示在同一坐标轴上, 对具体指标解释能力大小及排序可靠性进行定量描述, 以解决多因子综合影响贡献率排序问题.
西安都市圈位于关中平原的中心地带, 是我国西部地区最具优势, 经济和人口承载能力最强的地区. 自“一带一路”倡议实施以来, 城市化进程加快, 大量的自然地表转化为建设用地, 城市绿色空间不断缩减. 如何在推动区域经济高质量发展的同时, 促进生态建设和环境治理, 是政府十分重视的问题. 因此, 本文以西安都市圈为例, 从以下3个方面进行研究：①分析不同季节和昼夜LST空间格局；②利用RDA分析选取影响热环境的主要因素；③利用SEM模型揭示各因子对热环境的影响路径并分析其直接和间接效应. 本研究结果对环境治理、城市规划和提升人居环境质量具有重要意义.
1 材料与方法 1.1 研究区介绍研究区为西安都市圈, 地处我国“两横三纵”城镇化战略格局中陆桥通道横轴和包昆通道纵轴的交汇处, 南依秦岭, 北接渭北高原, 介于35.32° ~ 33.69°N, 107.65° ~ 110.03°E之间. 主要包括西安市全市（含西咸新区）和咸阳市主城区, 总面积2.06万km2（图 1）. 气候类型属于温带半湿润大陆性季风气候, 夏季炎热多雨, 冬季寒冷少雨, 是西部地区的经济、文化、科技和对外交流中心. 2020年底常住人口1 802万人, 国内生产总值为1.3万亿元, 常住人口城镇化率已超过72%. 近年来西安都市圈以西安主城区为核心, 东西向以陇海铁路和连霍高速, 南北向以西延高速与包茂高速为经济轴, 以富平、高陵、三原、西咸新区、临渭、耀州、杨凌和乾县为核心组团, 形成了“一核、两轴、多组团”空间发展格局. 城市建设用地扩张迅速, 城市热污染严重. 如何缓解城市热环境效应, 提高环境质量是西安都市圈发展面临的迫切而现实的问题.
|
图 1 研究区地理位置示意 Fig. 1 Location of the study area |
由于研究区属于四季分明的温带地区, 所以按照气候统计法将3 ~ 5月划分为春季, 6 ~ 8月划分为夏季, 9 ~ 11月划分为秋季, 12月和次年1 ~ 2月划分为冬季. 根据已有的研究结果[14, 26, 34, 35], 并考虑数据的可获得性, 结合研究区的地形与区位特点, 从下垫面、气象和人类活动3方面综合选取了12个影响因子（表 1）. 选取过境时间为北京时间2020年3月17日、4月25日和5月11的条带号分别为126 036、127 036、和127 037的Landsat 8 OLI多光谱及热红外波段遥感影像进行地表生物物理参数的计算. 为便于后续分析, 所有影响因子均为2020年1 km空间分辨率的栅格数据, 并统一空间参考为WGS_ 1984_UTM_Zone_49N, 详细的数据描述如下.
|
表 1 影响因素详情和数据来源 Table 1 Influencing factors and the sources of data |
1.2.1 地表温度数据
地表温度采用MODIS/Aqua获取的白天和夜间8 d合成, 空间分辨率为1 km的MYD11A2（C6）产品[47]. 2020年1 ~ 12月的日间（LST_Day_1km）和夜间（LST_Night_1 km）LST数据来自谷歌地球引擎（google earth engine, GEE）数据库（http://earthengine.google.com/）. 通过拼接、裁剪、去云, 利用质量控制（QC）波段筛选出LST质量较好的数据, 再进行加权平均来获得季节尺度的白天和夜间地表温度均值. 该产品已经被广泛用于热环境时空模式研究中[15, 16].
1.2.2 气象数据气温、风速和降水数据来源于国家科技基础条件平台——国家地球系统科学数据中心（http://loess.geodata.cn）发布的中国逐月1 km NetCDF数据集. 该数据集由全球目前使用最广泛的气候数据集（ERA5和CRU）通过Delta空间降尺度方案在中国地区降尺度生成[36, 37], 对每月的数据进行均值合成获得季节数据. AOD数据采用MODIS衍生的逐日1 km陆地气溶胶光学厚度MCD19A2数据产品[38]. 在GEE中采用质量控制（AOD_QA）波段对研究区所有日均AOD数据进行掩膜处理, 并剔除了包含云和冰雪覆盖地面的像素, 通过加权平均来获得AOD的季均值.
1.2.3 地表因子数据（1）植被 植被指数来源于MODIS获取的16 d合成, 空间分辨率为1 km的MYD13A2数据产品[39]. 在GEE中采用质量控制（DetailedQA）波段选择高质量的数据进行拼接、投影转换和裁剪, 通过相邻栅格替换填补缺失值, 并采用均值合成的方法获取研究区内的季节数据.
（2）归一化差值不透水面指数（NDISI） 用来表征建筑屋顶和交通道路等人工地物[40], 计算公式如下：
|
（3）改进的归一化水体指数（MNDWI） 可准确和快速提取城镇范围内水体信息[41], 计算公式如下：
|
（4）归一化差值裸地与建筑指数（NDBBI） 反映裸地和城市建筑用地信息[14], 计算公式如下：
|
式中, Green、NIR、SWIR1、SWIR2和TIRS1对应Landsat8 OLI遥感影像第3、5、6、7和10波段.
1.2.4 人类活动数据（1）人口密度 人口密度数据来自Worldpop官网（https://hub.worldpop.org/）, 主要基于2000 ~ 2020年的行政单元的人口普查数据和多源遥感数据, 通过随机森林机器学习算法生成[42]. 选用2020年空间分辨率为1 km的人口密度栅格数据进行后续研究分析.
（2）夜间灯光 夜间灯光数据来自地球观测组数据库（https://eogdata.mines.edu/products/vnl/）. 本研究将已经过杂散光校正的每月无云DNB（VCM）月度产品[43], 在ArcGIS 10.6中进行均值合成, 得到4个季节的夜间光照, 并重采样至1 km.
（3）兴趣点 兴趣点（points of interest, POI）数据来自2020年6月高德地图开放平台（https://ditu.amap.com/）, 包含餐饮、科教文化和购物服务等11大类. POI数据承载着人类在社会经济部门的活动及其与地理位置的相互关联性, 可用来评价区域内社会经济活动对城市热环境的影响, 在ArcGIS 10.6软件中进行核密度分析提取社会经济指数.
（4）中国公里网格GDP数据集 2020年的GDP数据来源于国家科技基础条件平台——国家地球系统科学数据中心（http://loess.geodata.cn）, 空间分辨率为1 km. 该数据集是在区位理论与空间统计学的支持下, 通过建立分产业（一、二、三产业）GDP数量与土地利用类型的空间相关性模型获得[45].
1.2.5 辅助数据数字高程（digital elevation model, DEM）数据来自地理空间数据云网站（https://www.gscloud.cn）SRTM数据集, 空间分辨率90 m. 全国矢量边界数据来自全国地理信息资源目录服务系统（https://www.webmap.cn/）, 主要用于提取研究区行政边界.
1.3 研究方法 1.3.1 地表温度等级界定为了直观地描述地表温度的差异, 利用均值-标准差法[46]将地表温度分为低温区、次低温区、中温区、次高温区与高温区这5个等级, 具体分级方法如表 2所示. 鉴于次高温区和高温区的温度高于地表平均温度, 因此将这些区域视为热污染严重区域.
|
|
表 2 西安都市圈地表温度等级划分1） Table 2 Classification of surface temperature classes in Xi'an metropolitan area |
1.3.2 冗余分析
从数量生态学领域诞生的冗余分析是回归分析和主成分分析结合的排序方法, 可以明晰解释变量和响应变量之间的关系, 在可视化的低维空间排序轴上展示多维数据结构. RDA分析具有有效简化变量个数、独立保持各个变量对地表温度的贡献率和对影响因子的解释能力进行贡献率排序等优势[48, 49]. 本研究中采用RDA分析来解释LST与12个影响因子之间的关系, 选择白天地表温度（day land surface temperature, DLST）和夜晚地表温度（night land surface temperature, NLST）作为响应变量, 12个影响因子作为解释变量. 在不同季节将这12个解释变量矩阵分别于响应变量矩阵进行4次RDA分析. RDA排序轴的解释率代表该RDA排序轴所能够解释的响应变量总方差的部分. 影响因子在DLST和NLST线上的余弦值表示对响应变量方差整体贡献率的大小, 线条之间的夹角反映了两者的相关性, 夹角越小相关性越大, 夹角越接近直角表示相关性越小. 在Canoco 5.0中进行数据处理并绘制4个季节的RDA二维排序图.
1.3.3 结构方程模型分析结构方程模型可以替代多重回归、路径分析、因子分析和协方差分析等方法, 清晰描述因素之间的因果关系, 限定因素与目标变量之间的直接和间接关系[50]. 本研究以2020年4个季节为例, 构建SEM模型探讨影响因子与昼夜地表温度的因果关系, 确定不同因子对LST的直接和间接效应. 首先, 建模之前对所有数据进行异常值处理, 利用主成分分析来减少因子之间的重叠性, 4个季节的F1、F2和F3特征值均大于1. 其次, 用最大似然法进行参数估计, 建立所有可能变量组合的模型, 并绘制路径图. 为比较不同量纲指标间的作用程度, 采用标准化路径系数表示不同因子对LST的影响程度, 路径系数绝对值越高, 影响力越大. 模型的拟合优度由标准化拟合值数（normed fit index, NFI）接近1、比较拟合值数（comparative fit indexic, CFI）接近1、非规准适配指数（tucker-lewis index, TLI）接近1和近似均方根误差（root mean square error of approximation, RMSEA）小于0.08来确定. 最后, 将F1、F2和F3与白天和夜间地表温度进行建模, 根据模型拟合指标（CFI、NFI、TLI和RMSEA）和专家判断对先验模型进行修正, 添加缺失路径, 删除不重要路径, 得到最终的建模结果. 所有影响因子的直接和间接效应均在0.01水平显著. 建模过程在Amos 28.0软件中进行.
2 结果与分析 2.1 LST时空格局特征按照均值-标准差法对LST相对级别进行界定, 得到西安都市圈4个季节的LST空间格局分布（图 2）. 从中可知, 4个季节白天的LST分布大致相同, 整体上, 以秦岭为分界线呈现出北高南低, 自中心向四周递减的空间格局. 中心城区城市化水平较高, 下垫面主要由不透水硬化地表组成, 天然植被覆盖度较低, 蒸散发小, 人为热排放高, 因此形成大片高温区[16]. 中温区围绕热岛区域呈镶嵌分布, 主要在郊区及农用地等自然地表覆盖区域, 低温区分布在南部植被覆盖度高的秦岭生态保护区. 4个季节夜晚的高温和次高温区域轮廓清晰, 集中分布在交通道路沿线和不透水表面区域, 但面积占比相较于白天有所减小. 在春季和冬季出现了城市边缘的温度高于内部的现象, 可能原因是城市内部的热气流扩散至盆地边缘时遇到南部秦岭阻碍, 热气流无法上升, 聚集在山麓地带. 以上分析表明城市热环境存在空间差异性, 地表温度空间格局与城市建设存在一定的关系.
|
图 2 西安都市圈白天和夜晚LST空间格局 Fig. 2 Daytime and nighttime LST spatial pattern of Xi'an metropolitan area |
为进一步研究LST的时空特征, 将各温度区间面积占比进行统计（表 3）. 4个季节的白天, 次高温区面积占比最大, 分别占研究区总面积的30.32%、38.77%、34.12%和34.65%（从春季到冬季, 下同）；夜间, 中温区占比最大, 分别为45.74%、37.30%、39.84%和39.20%. 昼夜热污染严重区面积占比由高到低依次为：夏季、秋季、冬季和春季.
|
|
表 3 2020年西安都市圈白天和夜晚不同季节地温等级面积占比统计/% Table 3 Area share of different seasonal geothermal classes in Xi'an metropolitan area during daytime and nighttime in 2020/% |
2.2 LST与影响因子的RDA分析
运用RDA分析揭示12个因子对LST的影响（图 3）. 所有的RDA结果通过499次蒙特卡洛置换检验, 排序轴与环境因子之间均达到了极显著水平（P < 0.01）, 说明排序结果在统计学上是稳定可靠的. RDA分析结果显示, 所有驱动因子在第1排序轴的解释量在春季、夏季、秋季和冬季分别为72.49%、90.54%、85.52%和61.59%, 在第2排序轴的解释量分别为10.28%、0.15%、2.20%和6.74%. 前2个轴的影响因子分别解释了82.77%、90.69%、87.72%和68.33%的地表温度变化, 说明第1和2排序轴与影响因子之间的线性组合程度能较好反映响应变量和解释变量的关系, 且主要是由第1轴决定. 夏季最优RDA模型包含的解释变量最多, 解释率较高, 冬季最低. 表明当研究区的温度较低时地表温度的决定机制变得更加复杂, 需要更多的变量来解释地表温度的空间变化.
|
黑色和红色箭头分别表示LST和影响因子, Axis-1和Axis-2分别表示第1和第2排序轴 图 3 LST与影响因子的RDA二维排序 Fig. 3 RDA two-dimensional sequence of LST and effect factors |
从相关性来看, AT、NDISI、PD、NL、POI和NDBBI与DLST和NLST呈正相关, 这些指数反映了地表建设强度和人类活动对热环境的影响, 人口活动强烈的地区人为热排放较大, 地表温度越高. PRE、WS、EVI和MNDWI与DLST和NLST呈负相关, 即这些影响因子越大, 地表温度越低, 表明植被、水体和风速有助于地表降温, 具有缓解热岛效应的潜力. 植被的蒸腾和阴影效应, 以及水的高热容和低导热性特性, 导致水体和高植被覆盖区域的平均地表温度都较低. 冬季, EVI与DLST呈正相关, 且相关性减小. 可能是因为冬季树木叶片的脱落导致植被蒸发蒸腾作用降低, 所以植被覆盖和地表温度的相关性逐渐降低. 冬季, 水体与NLST呈正相关. 水体高热容和低导热特性, 使得水体在冬季温度相对稳定, 夜晚释放储存的热量, 可以提高周围的热环境温度. 所以, 水体在夏季比冬季具有更显着的冷却效果.
从各因子对昼夜LST的相对贡献率来看, 春季AT对DLST和NLST的正向贡献最大, EVI和MNDWI对DLST和NLST的负向贡献较大. 夏季, NDISI、EVI和MNDWI是影响模型贡献率前3的影响因子, NDISI对昼夜地表温度的正向贡献较大, 而MNDWI和EVI的负向贡献较大. 秋季和冬季, AT与NDISI分别对DLST正向贡献突出, 而MNDWI对DLST的负向贡献较突出. 通过RDA分析, 对热环境有显著影响的前3个因子综合排序为, 春季：AT > EVI > MNDWI, 夏季：NDISI > EVI > MNDWI, 秋季：AT > MNDWI > NL, 冬季：NDISI > AT > MNDWI.
2.3 影响因子对LST的直接、间接路径分析为了深入探究12个影响因子对地表温度的作用机制, 构建SEM模型分析气象、地表和人类活动因子与DLST和NLST的因果关系, 量化每个因子对LST的直接和间接效应. 图 4显示了气象因子、地表因子和人类活动对地表温度的影响路径. 表 4显示了每个主成分包含原来12个影响因子的信息载荷情况, 主成分所对应的载荷值越大, 包含原变量的成分越高, 由此可以分析每个主成分的组成. 根据表 4, 春季、夏季和秋季的主成分F1、F2和F3分别集中反映了气象因子、人类活动和地表因子的成分信息, 而冬季F1、F2和F3分别表示地表因子、人类活动和气象因子. SEM模型拟合指数均达到可接受范围[51, 52], 无负的误差方差, 说明模型和调查样本总体契合度较高, 可以用来模拟西安都市圈地表温度和影响因子之间的关系. SEM模型在春季、夏季、秋季和冬季对昼、夜LST的解释率分别为92%、19%, 91%、42%和88%、34%, 72%、38%. 比较4个季节的SEM模型, 白天模型的解释率高于夜晚, 夏季解释率最高冬季最低. 这表明冬季热环境的空间模式背后存在着更复杂的机制, 需要更多的因子来解释地表温度的空间变化.
|
F1、F2和F3分别表示第一、第二和第三主成分, 红色箭头表示正向贡献, 蓝色箭头表示负向贡献, 箭头旁边数字表示标准化路径系数；箭头起始表示自变量, 终点表示因变量, 两个变量之间的标准化路径系数表示对LST的直接影响, 通过其他变量间接指向因变量的, 其路径系数乘积表示间接影响 图 4 SEM建模结果 Fig. 4 SEM modeling results |
|
|
表 4 主成分载荷值 Table 4 Principal component loading values |
从12个因子对LST的标准化直接效应可知（图 5）, 春季AT对DLST和POI与GDP对NLST有显著正效应, 影响系数为0.28 ~ 0.30, PRE对DLST和MNDWI对NLST有显著负效应, 影响系数为-0.27 ~ -0.21. 表明人类活动会促进地表温度升高, 不利于城市热环境的改善, 而降雨过程通常会产生较厚的云层阻挡太阳辐射, 同时, 降雨使土壤湿度增加, 蒸发增大, 可以有效地抑制地表升温. 夏季不透水面（0.21 ~ 0.33）和植被（-0.28 ~ -0.20）对热环境的影响较大, 其次是水体（-0.29 ~ -0.21）. 在白昼较长的夏季, 太阳辐射大, 不透水材料低反射率和高热惯性的特点导致进入城市地表的净辐射增加, 使其成为热环境升温的重要因素. 绿色植被由于蒸发蒸腾减少了再释放的能量, 从而降低地表温度, 因此成为城市夏季有效的散热器[20, 21]. 秋季气温和水体对DLST的影响较大, 标准化直接影响为-0.29 ~ 0.30, NL对NLST标准化直接影响为0.24. 冬季热环境主要受到POI、GDP和MNDWI的影响, 标准化直接影响为0.11 ~ 0.29, 可能因为冬季气温低、太阳辐射量小, 所以地表温度受人为热污染影响较大[53]. 从影响因子层分析发现, 无论任何季节, 人类活动对夜晚地表温度的直接影响（0.06 ~ 0.44）总体高于地表因子和气象因子. 气象因子对4个季节白天地表温度的直接影响由高到低依次为：春季、秋季、冬季、夏季. 地表因子对4个季节白天地表温度的直接影响由高到低依次为：夏季、春季、秋季、冬季. 以上分析表明, 影响不同季节地表温度空间异质性最显著的因子层分别是相对较暖季节（夏季、春季和秋季）白天的地表因子, 冬季白天的气象条件和夜间的人类活动.
|
1.AOD, 2.PRE, 3.AT, 4.WS, 5.EVI, 6.NDBBI, 7.NDISI, 8.MNDWI, 9.PD, 10.POI, 11.GDP, 12.NL 图 5 影响因子对LST的直接和间接效应 Fig. 5 Direct and indirect effects of influencing factors on LST |
对比12个因子对LST的直接和间接效应发现（图 5）, 大多数因子对LST具有相同的影响模式（同正或同负）. 但在夏季, GDP对DLST的直接影响为正（0.05）, 间接影响为负（-0.1）. 表明经济水平虽然对区域热环境有消极影响, 但可通过影响其它因子间接抑制地表温度升高. 由图 4（b）中SEM夏季路径：F2（人类活动）-F3（地表因子）-DLST知, 人类活动可以通过地表因子间接对DLST产生作用, 结合表 4, 夏季F3中EVI载荷较大, 由此表明GDP可以通过影响城市中的植被间接降低地表温度[54]. 此外, 本研究发现春季PRE对NLST的直接影响为负（-0.07）, 但间接影响为正（0.07）. 产生这种差异的原因可能是：降水虽可以带走一部分热量缓解LST, 但是高温会增加饱和水汽压使空气中的平均水蒸气浓度变高, 且水蒸气是一种有效的大气温室气体, 会间接导致空气变暖[55]. 另外, 12个因子在4个季节中对LST的直接影响占主导地位, 但是秋季NDBBI对NLST的间接影响（-0.07）大于直接影响（-0.01）. 可能是由于建筑密度增加导致一定的遮蔽效应, 进而能阻碍太阳辐射与地表之间的相互作用, 同时, 遮蔽作用与本地区域形成压力差, 能带走一部分热量[56]. 冬季, POI和GDP对DLST的间接影响（-0.19 ~ -0.18）大于直接影响（-0.04 ~ -0.02）. 从图 4（d）中SEM冬季路径：F2（人类活动）-F1（地表因子）-DLST知, POI和GDP可以通过影响地表因子间接影响地表温度, 结合表 4, F1中MNDWI的载荷较大, 表明POI和GDP主要通过影响水体间接降低冬季白天地表温度.
3 讨论本研究表明, 西安都市圈地表温度存在空间差异性. 城市中心由于人为热排放大, 加之不透水地表低反照率和高热惯性的特性, 使得地表温度高于郊区. 而南部山地由于植被覆盖度高, 蒸散量大, 潜热通量高, 感热通量低, 所以形成明显的低温区. 长沙和西安等案例研究中也得出一致的结论[14, 26]. 值得注意的是, 冬季白天西安都市圈中部形成明显“冷岛”. 这可能是由于冬季供暖, 空气中污染物浓度增加, 而增加的气溶胶在白天可以削弱入射太阳辐射, 达到辐射冷却效果[57]. SEM研究表明, AT、NDISI和NL对LST有显著的直接正效应, 而EVI、MNDWI和PRE对LST有显著的直接负效应. 社会经济水平提高导致人为活动增强, 进而使地表景观结构发生显著改变. 大量不透水地表取代植被水体等自然地表, 导致蒸散蒸发减弱, 增加了地表感热通量, 同时伴随地表向外热辐射增加, 使得使地表温度升高. 已有研究发现不透水地表扩展[58]、气温升高[59]、人类活动增强[60]、植被水体减少[14]与LST升高表现出较强的正相关性, 这与本研究的结果一致. 但不同于其他探究热环境驱动机制的研究[11~13, 20, 31, 61], 本研究通过路径分析发现GDP虽然会对夏季热环境造成直接消极影响, 但可通过影响城市植被间接缓解地表温度. 所以GDP等经济指标的增长有利于缓解城市热环境效应, 这与Li等[54]的研究结果一致. 前人对长沙和乌鲁木齐等地的研究发现裸地与建筑指数对地表温度的正向贡献较大, 而本研究发现NDBBI对热环境的贡献较小, 这可能与研究区尺度及其所处位置的气候特征有关[62]. 本文所选的研究区位于关中平原中部, 包含了大量的裸地, 季风气候带来的充足降水导致土壤含水率增加, 裸地与城市核心区不透水面相比地表温度更低. 此外, 通过RDA分析和SEM模型结果发现, 春季和秋季的气温和降水与白天地表温度的相关性较强, 对热环境的贡献较大. 这可能是因为西安半湿润性的气候特征, 使得对高温低降水更为敏感. 本研究还发现, 在春季、夏季和秋季, 植被对热环境呈现稳定的负效应, 即增加植被覆盖度使地表温度降低, 这与其他学者研究结果一致[63]. 但相比于二维空间层面探究植被与热环境的关系, 现有研究更关注从植物的遮阴作用解释绿地与城市热环境之间的关系, 即城市树冠空间构型之间的相互作用及其与城市热环境在微观层面上的关系. 已有研究表明, 绿地覆盖率增加直接导致地表降温, 但绿地面积增加会降低绿地破碎度, 间接导致地表温度升高, 从而削弱提高城市绿地覆盖率以改善城市热环境的效果[64, 65]. 因此, 未来可利用结构方程模型从城市绿地百分比与空间配置的相互作用出发去探讨城市植被的降温机制. 另外, 对比12个因子对地表温度的直接和间接影响发现, 夏季的GDP和冬季的POI对地表温度的间接影响大于直接影响. 表明人类活动是影响热环境形成机制的重要因素, 在未来研究人类活动对热环境驱动机制时有必要从直接和间接影响两方面进行考虑.
本研究扩展了RDA分析和结构方程模型在热环境研究中的应用, 在热环境成因的路径分析上有了新的认识, 对可持续城市规划具有指导意义. 本研究表明影响热环境格局的主要因素有水体、植被、夜间灯光和不透水地表. 因此, 在对城市内不同区域进行规划时, 可以增加均匀且分散的水体和植被面积, 打破成片的不透水面, 不仅可以提高蒸散蒸发, 而且能改变地表粗糙度, 提高地表向外传输热能的效率, 有助于缓解夏季城市热岛效应. 同时, 可鼓励城市下垫面多采用保水性铺装, 这样可以通过材料中留存的水分使得通过毛细现象持续地维持表面蒸发冷却效果, 缓解地表温度[66]. 在日常生活中应自觉避免过多的人为热排放, 如减少人口聚集、绿色出行等. 本研究选取了12个具有代表性的热环境的影响因子, 但其他因子如：城市形态、建筑物高度、交通、工业排放、空气质量和景观指标等因素也被证明会影响地表温度的空间分布, 未来可考虑结合这些指标进行更深入综合的研究[24, 67~69]. 另外, 在模型样点的选取上仍需进一步探索如何用不同的抽样方式如分层抽样、随机抽样等方法及多样本来进一步提高模型的性能和可靠性.
4 结论（1）西安都市圈LST整体呈现北高南低, 自中心向四周递减的空间格局. 白天, 高温区主要集中在主城区, 中温区和次低温区依次自中心向四周呈镶嵌分布, 低温区主要在南部山地. 夜晚, LST空间分布与白天较为一致, 但热污染严重区域占比相较于白天减小, 高温区域更加集中. 昼夜热污染在夏季最严重, 面积占比分别为47.8%和34.24%.
（2）RDA分析是具有潜力的量化地表温度与影响因子关系的多元统计方法, 二维排序图比传统方法更加直观. 对地表温度有显著贡献的前3个影响因子进行相对重要性排序, 春季为：AT > EVI > MNDWI, 夏季为：NDISI > EVI > MNDWI, 秋季为：AT > MNDWI > NL, 冬季为：NDISI > AT > MNDWI. RDA模型解释率在夏季最高, 冬季最低, 表明需要更多的影响因子来解释冬季地表温度的成因.
（3）SEM结果表明, AT和NDISI对DLST有显著的直接正效应, 贡献度为0.24 ~ 0.33, POI是引起NLST升高的主导因子, 贡献度为0.10 ~ 0.31. EVI、PRE和MNDWI可以有效缓解白天地表温度, 贡献度分别为-0.26、-0.27和-0.29. 影响不同季节地表温度空间异质性最显著的因子层分别是相对较暖季节（夏季、春季和秋季）白天的地表因子、冬季白天的气象条件和夜间的人类活动. 人类活动是影响热环境形成机制的重要因素, 因此构建地表热环境驱动机制模型需要考虑人类活动的作用. 间接路径分析表明提高经济效益有利于缓解城市热环境效应.
| [1] |
江颂, 彭建, 董建权, 等. 地表城市热岛效应的概念内涵与定量刻画[J]. 地理学报, 2022, 77(9): 2249-2265. Jiang S, Peng J, Dong J Q, et al. Conceptual connotation and quantitative characterization of surface urban heat island effect[J]. Acta Geographica Sinica, 2022, 77(9): 2249-2265. |
| [2] |
孙铁钢, 肖荣波, 蔡云楠, 等. 城市热环境定量评价技术研究进展及发展趋势[J]. 应用生态学报, 2016, 27(8): 2717-2728. Sun T G, Xiao R B, Cai Y N, et al. Research progress and development trend of quantitative assessment techniques for urban thermal environment[J]. Chinese Journal of Applied Ecology, 2016, 27(8): 2717-2728. |
| [3] |
杨续超, 陈葆德, 胡可嘉. 城市化对极端高温事件影响研究进展[J]. 地理科学进展, 2015, 34(10): 1219-1228. Yang X C, Chen B D, Hu K J. A review of impacts of urbanization on extreme heat events[J]. Progress in Geography, 2015, 34(10): 1219-1228. |
| [4] |
徐金芳, 邓振镛, 陈敏. 中国高温热浪危害特征的研究综述[J]. 干旱气象, 2009, 27(2): 163-167. Xu J F, Deng Z Y, Chen M. A summary of studying on characteristics of high temperatureand heat wave damage in China[J]. Journal of Arid Meteorology, 2009, 27(2): 163-167. DOI:10.3969/j.issn.1006-7639.2009.02.012 |
| [5] | Manley G. On the frequency of snowfall in metropolitan England[J]. Quarterly Journal of the Royal Meteorological Society, 1958, 84(359): 70-72. DOI:10.1002/qj.49708435910 |
| [6] | Grimm N B, Faeth S H, Golubiewski N E, et al. Global change and the ecology of cities[J]. Science, 2008, 319(5864): 756-760. DOI:10.1126/science.1150195 |
| [7] | Kovats R S, Hajat S. Heat stress and public health: a critical review[J]. Annual Review of Public Health, 2008, 29: 41-55. DOI:10.1146/annurev.publhealth.29.020907.090843 |
| [8] | White M A, Nemani R R, Thornton P E, et al. Satellite evidence of phenological differences between urbanized and rural areas of the eastern united states deciduous broadleaf forest[J]. Ecosystems, 2002, 5(3): 260-273. DOI:10.1007/s10021-001-0070-8 |
| [9] |
姚远, 陈曦, 钱静. 城市地表热环境研究进展[J]. 生态学报, 2018, 38(3): 1134-1147. Yao Y, Chen X, Qian J. Research progress on the thermal environment of the urban surfaces[J]. Acta Ecologica Sinica, 2018, 38(3): 1134-1147. |
| [10] | Peng J, Xie P, Liu Y X, et al. Urban thermal environment dynamics and associated landscape pattern factors: a case study in the Beijing metropolitan region[J]. Remote Sensing of Environment, 2016, 173: 145-155. DOI:10.1016/j.rse.2015.11.027 |
| [11] |
陈媛媛, 姚侠妹, 偶春, 等. 城市空间格局与热环境响应关系: 以合肥市区为例[J]. 环境科学, 2023, 44(6): 3043-3053. Chen Y Y, Yao X M, Ou C, et al. Relationship between urban spatial pattern and thermal environment response in summer: a case study of Hefei City[J]. Environmental Science, 2023, 44(6): 3043-3053. |
| [12] |
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. |
| [13] |
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. |
| [14] |
熊鹰, 章芳. 基于多源数据的长沙市人居热环境效应及其影响因素分析[J]. 地理学报, 2020, 75(11): 2443-2458. Xiong Y, Zhang F. Thermal environment effects of urban human settlements and influencing factors based on multi-source data: a case study of Changsha city[J]. Acta Geographica Sinica, 2020, 75(11): 2443-2458. DOI:10.11821/dlxb202011013 |
| [15] | Feng Z H, Wang X H, Yuan J X, et al. Changes in air pollution, land surface temperature, and urban heat islands during the COVID-19 lockdown in three Chinese urban agglomerations[J]. Science of the Total Environment, 2023, 892. DOI:10.1016/j.scitotenv.2023.164496 |
| [16] | Morabito M, Crisci A, Guerri G, et al. Surface urban heat islands in Italian metropolitan cities: tree cover and impervious surface influences[J]. Science of the Total Environment, 2021, 751. DOI:10.1016/j.scitotenv.2020.142334 |
| [17] | Peng J, Jia J L, Liu Y X, et al. Seasonal contrast of the dominant factors for spatial distribution of land surface temperature in urban areas[J]. Remote Sensing of Environment, 2018, 215: 255-267. DOI:10.1016/j.rse.2018.06.010 |
| [18] | Yu Z W, Yang G Y, Zuo S D, et al. Critical review on the cooling effect of urban blue-green space: a threshold-size perspective[J]. Urban Forestry & Urban Greening, 2020, 49. DOI:10.1016/j.ufug.2020.126630 |
| [19] | Kuang W H, Yang T R, Liu A L, et al. An EcoCity model for regulating urban land cover structure and thermal environment: taking Beijing as an example[J]. Science China Earth Sciences, 2017, 60(6): 1098-1109. DOI:10.1007/s11430-016-9032-9 |
| [20] |
张秀, 王旭红, 郑玉蓉, 等. 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[J]. 生态学报, 2021, 41(22): 8965-8976. Zhang X, Wang X H, Zheng Y R, et al. Effects of aerosol optical depth and impervious surface percentage on urban heat island intensity: a case study in Guanzhong Region[J]. Acta Ecologica Sinica, 2021, 41(22): 8965-8976. |
| [21] | Duncan J M A, Boruff B, Saunders A, et al. Turning down the heat: An enhanced understanding of the relationship between urban vegetation and surface temperature at the city scale[J]. Science of the Total Environment, 2019, 656: 118-128. DOI:10.1016/j.scitotenv.2018.11.223 |
| [22] | Santamouris M. Using cool pavements as a mitigation strategy to fight urban heat island—A review of the actual developments[J]. Renewable and Sustainable Energy Reviews, 2013, 26: 224-240. DOI:10.1016/j.rser.2013.05.047 |
| [23] | Zhu X M, Wang X H, Yan D J, et al. Analysis of remotely-sensed ecological indexes' influence on urban thermal environment dynamic using an integrated ecological index: a case study of Xi'an, China[J]. International Journal of Remote Sensing, 2019, 40(9): 3421-3447. DOI:10.1080/01431161.2018.1547448 |
| [24] | Huang G L, Cadenasso M L. People, landscape, and urban heat island: dynamics among neighborhood social conditions, land cover and surface temperatures[J]. Landscape Ecology, 2016, 31(10): 2507-2515. DOI:10.1007/s10980-016-0437-z |
| [25] | Yao R, Wang L C, Huang X, et al. Temporal trends of surface urban heat islands and associated determinants in major Chinese cities[J]. Science of the Total Environment, 2017, 609: 742-754. DOI:10.1016/j.scitotenv.2017.07.217 |
| [26] |
梁秀娟, 王旭红, 牛林芝, 等. 大西安都市圈城市热岛效应时空分布特征及AOD对热岛强度的影响研究[J]. 生态环境学报, 2020, 29(8): 1566-1580. Liang X J, Wang X H, Niu L Z, et al. Research on the temporal and spatial distribution characteristics of urban heat island effect and the influence of AOD on urban heat island intensity in the greater Xi'an metropolitan area[J]. Ecology and Environmental Sciences, 2020, 29(8): 1566-1580. |
| [27] | Zhao L, Lee X, Smith R B, et al. Strong contributions of local background climate to urban heat islands[J]. Nature, 2014, 511(7508): 216-219. DOI:10.1038/nature13462 |
| [28] | 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[J]. Sustainable Cities and Society, 2019, 46. DOI:10.1016/J.SCS.2019.101448 |
| [29] | Huang Q F, Li L, Lu Y Q, et al. The roles of meteorological parameters in Shanghai's nocturnal urban heat island from 1979 to 2013[J]. Theoretical and Applied Climatology, 2020, 141(1): 285-297. |
| [30] | Peng S S, Piao S, Ciais P, et al. Surface urban heat island across 419 global big cities[J]. Environmental Science & Technology, 2012, 46(2): 696-703. |
| [31] |
梁洪武, 阿里木江·卡斯木, 张雪玲, 等. 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[J]. 生态学报, 2023, 43(9): 3650-3664. Liang H W, Kasimu A, Zhang X L, et al. 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[J]. Acta Ecologica Sinica, 2023, 43(9): 3650-3664. |
| [32] | Deilami K, Kamruzzaman M, Liu Y. Urban heat island effect: a systematic review of spatio-temporal factors, data, methods, and mitigation measures[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 67: 30-42. DOI:10.1016/j.jag.2017.12.009 |
| [33] | Jenatabadi H S, Babashamsi P, Khajeheian D, et al. Airline sustainability modeling: a new framework with application of bayesian structural equation modeling[J]. Sustainability, 2016, 8(11). DOI:10.3390/su8111204 |
| [34] | Wang Z A, Meng Q Y, Allam M, et al. Environmental and anthropogenic drivers of surface urban heat island intensity: a case-study in the Yangtze River Delta, China[J]. Ecological Indicators, 2021, 128. DOI:10.1016/j.ecolind.2021.107845 |
| [35] | Xiang Y, Ye Y, Peng C C, et al. Seasonal variations for combined effects of landscape metrics on land surface temperature (LST) and aerosol optical depth (AOD)[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108810 |
| [36] | Jing W L, Yang Y P, Yue X F, et al. A spatial downscaling algorithm for satellite-based precipitation over the tibetan plateau based on NDVI, DEM, and land surface temperature[J]. Remote Sensing, 2016, 8(8). DOI:10.3390/rs8080655 |
| [37] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. DOI:10.5194/essd-11-1931-2019 |
| [38] | Lyapustin A, Wang Y. MODIS/Terra+Aqua land aerosol optical depth daily L2G global 1 km SIN grid V061[DB/OL]. https://doi.org/10.5067/MODIS/MCD19A2.061, 2023-07-31. |
| [39] | Didan K. MODIS/Aqua vegetation indices 16-day L3 global 1 km SIN grid V061[DB/OL]. https://doi.org/10.5067/MODIS/MYD13A2.061, 2023-07-31. |
| [40] |
徐涵秋. 一种快速提取不透水面的新型遥感指数[J]. 武汉大学学报(信息科学版), 2008, 33(11): 1150-1153. Xu H Q. A new remote sensing index for fastly extracting impervious surface information[J]. Geomatics and Information Science of Wuhan University, 2008, 33(11): 1150-1153. |
| [41] |
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005, 9(5): 589-595. Xu H Q. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. |
| [42] | Stevens F R, Gaughan A E, Linard C, et al. Disaggregating census data for population mapping using random forests with remotely-sensed and ancillary data[J]. PLoS One, 2015, 10(2). DOI:10.1371/journal.pone.0107042 |
| [43] | Elvidge C D, Baugh K, Zhizhin M, et al. VIIRS night-time lights[J]. International Journal of Remote Sensing, 2017, 38(21): 5860-5879. DOI:10.1080/01431161.2017.1342050 |
| [44] | Chen Y H, Wu G H, Ge Y, et al. Mapping gridded gross domestic product distribution of china using deep learning with multiple geospatial big data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 1791-1802. DOI:10.1109/JSTARS.2022.3148448 |
| [45] |
黄耀欢, 江东, 付晶莹. 中国公里网格GDP分布数据集(2005, 2010)[J]. 地理学报, 2014, 69(s1): 45-48. Huang Y H, Jiang D, Fu J Y. 1 km grid GDP data of China (2005, 2010)[J]. Acta Geographica Sinica, 2014, 69(s1): 45-48. DOI:10.11821/dlxb2014S007 |
| [46] |
陈松林, 王天星. 等间距法和均值标准差法界定城市热岛的对比研究[J]. 地球信息科学学报, 2009, 11(2): 145-150. Chen S L, Wang T X. Comparison analyses of equal interval method and mean-standard deviation method used to delimitate urban heat island[J]. Journal of Geo-Information Science, 2009, 11(2): 145-150. DOI:10.3969/j.issn.1560-8999.2009.02.002 |
| [47] | Wan Z M, Hook S, Hulley G. MODIS/Aqua land surface temperature/emissivity 8-day L3 global 1km SIN grid V061[DB/OL]. https://doi.org/10.5067/MODIS/MYD11A2.061, 2023-07-31. |
| [48] | Cui L J, Li W, Gao C J, et al. Identifying the influence factors at multiple scales on river water chemistry in the Tiaoxi Basin, China[J]. Ecological Indicators, 2018, 92: 228-238. DOI:10.1016/j.ecolind.2017.08.053 |
| [49] |
胡楠林, 任志彬, 董禹麟, 等. 中国城市群热岛效应时空演变及其影响因素分析[J]. 地理科学, 2022, 42(9): 1534-1545. Hu N L, Ren Z B, Dong Y L, et al. Spatio-temporal evolution of heat island effect and its driving factors in urban agglomerations of China[J]. Scientia Geographica Sinica, 2022, 42(9): 1534-1545. |
| [50] |
刘江涛, 赵洁, 吴发富. 结构方程模型及其在地学数据建模中的回顾与展望[J]. 地质力学学报, 2021, 27(3): 350-364. Liu J T, Zhao J, Wu F F. Review and prospect of structural equation modeling in geoscience data modeling and analysis[J]. Journal of Geomechanics, 2021, 27(3): 350-364. |
| [51] | Bentler P M. Comparative fit indexes in structural models[J]. Psychological Bulletin, 1990, 107(2): 238-246. DOI:10.1037/0033-2909.107.2.238 |
| [52] | Tanaka J S, Huba G J. A fit index for covariance structure models under arbitrary GLS estimation[J]. British Journal of Mathematical and Statistical Psychology, 1985, 38(2): 197-201. DOI:10.1111/j.2044-8317.1985.tb00834.x |
| [53] | Wu W, Li L D, Li C L. Seasonal variation in the effects of urban environmental factors on land surface temperature in a winter city[J]. Journal of Cleaner Production, 2021, 299. DOI:10.1016/j.jclepro.2021.126897 |
| [54] | Li Y, Sun Y W, Li J L, et al. Socioeconomic drivers of urban heat island effect: empirical evidence from major Chinese cities[J]. Sustainable Cities and Society, 2020, 63. DOI:10.1016/j.scs.2020.102425 |
| [55] | Boucher O, Myhre G, Myhre A. Direct human influence of irrigation on atmospheric water vapour and climate[J]. Climate Dynamics, 2004, 22(6-7): 597-603. DOI:10.1007/s00382-004-0402-4 |
| [56] | Cilek M U, Cilek A. Analyses of land surface temperature (LST) variability among local climate zones (LCZs) comparing Landsat-8 and ENVI-met model data[J]. Sustainable Cities and Society, 2021, 69. DOI:10.1016/J.SCS.2021.102877 |
| [57] |
蒋子琪, 王旭红, 冯子豪, 等. 西安市热岛效应与污岛效应的相互作用研究[J]. 干旱区研究, 2022, 39(6): 1768-1781. Jiang Z Q, Wang X H, Feng Z H, et al. Exploring the interaction between the heat island effect and pollution island effect in Xi'an, China[J]. Arid Zone Research, 2022, 39(6): 1768-1781. |
| [58] | Mathew A, Khandelwal S, Kaul N. Spatial and temporal variations of urban heat island effect and the effect of percentage impervious surface area and elevation on land surface temperature: study of Chandigarh city, India[J]. Sustainable Cities and Society, 2016, 26: 264-277. DOI:10.1016/j.scs.2016.06.018 |
| [59] |
李述训, 南卓铜, 赵林. 冻融作用对系统与环境间能量交换的影响[J]. 冰川冻土, 2002, 24(2): 109-115. Li S X, Nan Z T, Zhao L. Impact of freezing and thawing on energy exchange between the system and environment[J]. Journal of Glaciology and Geocryology, 2002, 24(2): 109-115. DOI:10.3969/j.issn.1000-0240.2002.02.001 |
| [60] | Du H Y, Wang D D, Wang Y Y, et al. Influences of land cover types, meteorological conditions, anthropogenic heat and urban area on surface urban heat island in the Yangtze River Delta Urban Agglomeration[J]. Science of the Total Environment, 2016, 571: 461-470. DOI:10.1016/j.scitotenv.2016.07.012 |
| [61] |
李洪忠, 陈劲松, 韩宇, 等. 微观尺度城市热环境影响因素分析研究——以深圳市罗湖区为例[J]. 生态环境学报, 2019, 28(8): 1622-1631. Li H Z, Chen J S, Han Y, et al. Micro-scale research of the impact factors on urban thermal environment: a case study of Luohu District, Shenzhen[J]. Ecology and Environmental Sciences, 2019, 28(8): 1622-1631. |
| [62] | Sayão V M, dos Santos N V, de Sousa Mendes W, et al. Land use/land cover changes and bare soil surface temperature monitoring in southeast Brazil[J]. Geoderma Regional, 2020, 22. DOI:10.1016/j.geodrs.2020.e00313 |
| [63] |
阮惠华, 许剑辉, 张菲菲. 2001—2020年粤港澳大湾区植被和地表温度时空变化研究[J]. 生态环境学报, 2022, 31(8): 1510-1520. Ruan H H, Xu J H, Zhang F F. Spatiotemporal changes of vegetation and land surface temperature during 2001 and 2020 in the Guangdong-Hong Kong-Macao Greater Bay Area of China[J]. Ecology and Environmental Sciences, 2022, 31(8): 1510-1520. |
| [64] |
蒋恬田, 杨纯, 廖炜, 等. 城市绿地景观格局影响地表温度的通径分析——以长沙市为例[J]. 生态环境学报, 2023, 32(1): 18-25. Jiang T T, Yang C, Liao W, et al. Path analysis of the urban greenspace landscape pattern impacts on land surface temperature: a case study in Changsha[J]. Ecology and Environmental Sciences, 2023, 32(1): 18-25. |
| [65] | Wang J, Zhou W Q, Zheng Z, et al. Interactions among spatial configuration aspects of urban tree canopy significantly affect its cooling effects[J]. Science of the Total Environment, 2023, 864. DOI:10.1016/j.scitotenv.2022.160929 |
| [66] |
陈伟娇, 刘娜, 陈亚飞, 等. 表面铺装对城市热岛现象的影响[J]. 建筑科学, 2012, 28(2): 42-45. Chen W J, Liu N, Chen Y F, et al. Influences of surface pavements on heat island phenomenon[J]. Building Science, 2012, 28(2): 42-45. |
| [67] | Benz S A, Bayer P, Menberg K, et al. Spatial resolution of anthropogenic heat fluxes into urban aquifers[J]. Science of the Total Environment, 2015, 524⁃525: 427-439. |
| [68] | Chen Y, Schleicher N, Fricker M, et al. Long-term variation of black carbon and PM2.5 in Beijing, China with respect to meteorological conditions and governmental measures[J]. Environmental Pollution, 2016, 212: 269-278. DOI:10.1016/j.envpol.2016.01.008 |
| [69] | Wang L L, Zhang N, Liu Z R, et al. The influence of climate factors, meteorological conditions, and Boundary-Layer structure on severe haze pollution in the Beijing-Tianjin-Hebei region during january 2013[J]. Advances in Meteorology, 2014, 2014. DOI:10.1155/2014/685971 |