英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

城市更新对地表温度变化的影响：以广州市为例

乔智¹；刘骆²；秦袁伟³；徐新亮⁴；王斌武⁵；刘振杰6 ^,*

1 天津大学环境科学与工程学院室内空气环境质量控制重点实验室，天津300350; qiaozhi@tju.edu.cn

2 华南农业大学广东省土地利用与整合重点实验室，广州510642; liuluo@scau.edu.cn

3 俄克拉何马大学空间分析中心微生物与植物生物学系

诺曼，OK 73019，美国; yuanwei.qin@ou.edu

4 中国科学院地理与自然资源研究所资源与环境信息系统国家重点实验室，北京100101；

xuxl@lreis.ac.cn

5 中华人民共和国住房和城乡建设部政策研究中心，北京100835; wangbw@mohurd.gov.cn

6 中山大学地理与规划学院广东省城市化与地理模拟重点实验室，广州510275

* 一致：liuzhj66@mail2.sysu.edu.cn;电话： 86-20-85288307

摘要：为了提高土地利用效率，城市更新还必须考虑城市小气候和热岛。现有研究依靠对高分辨率光学卫星图像的人工解释来解决由城市更新引起的地表温度（LST）变化。但是，获取的地面时间序列数据往往是不均匀的，并且对于特定框架而言是唯一的。这项研究的目的是建立一个更通用的框架，以利用多源遥感数据研究由城市更新引起的LST变化。具体而言，通过整合Landsat和年度相控阵型L波段合成孔径雷达（PALSAR）图像获得2007–2017年的城市更新区域，并使用广义单通道算法从Landsat热红外数据中检索LST。我们的结果表明，城市更新用地（URL）面积占城市用地面积的1.88％。荔湾区，越秀区，海珠区和天河区的URL与一般城市土地（GUL）之间的相对LST分别下降了0.88、0.42、0.43和0.10 K，而白云区，黄埔区，番禺区和萝岗区的相对LST呈现相反的特征，其LST分别提高了0.98、1.03、1.63和2.11K。这些结果归因于城市更新过程中的人口密度，建筑密度和景观格局变化。

关键字：城市更新;地表温度；遥感;城市热岛

介绍

以人为本的城市化及相关的土地利用变化过程通过将自然景观转变为不透水的表面，极大地影响了城市及其周边地区的热环境。[1–3]。城市热环境最突出的问题是城市热岛（UHIs）的发展。作为由建筑和人类活动引起的城市气候变化的最明显特征之一，城市居民家庭由于与周围郊区和农村地区相比具有较高的地表温度而构成城市地区的热量积聚。[4,5].

通过改变生态系统的结构和功能以及地面地表能量交换过程，超高热指数继续对城市气候和城市水文学产生负面影响[6,7]。 UHI还严重威胁着城市生活环境的适宜性和居民的健康[8–10]。随着城市化进程的不断推进，城镇居民家庭的规模和强度将越来越严重。因此，了解城市化如何影响UHI效应和小气候对于这些地区的未来规划，生态保护和可持续发展具有现实意义。

虽然城市化可以促进改善人们生活水平的发展变化，但也可能导致UHI效应日益严重。为了更全面地了解城市化对城市居民家庭的影响机制和特征，许多研究分析了城市化与地表温度（LST）之间的关系。[11–16]。这些相关的研究集中在UHIs的时空特征及其影响因素上。[ 17–20]。例如，以MODIS 8天复合LST产品为基础，分析了长江三角洲城市群中季节和城市之间以及白天和晚上之间的城市热岛强度（SUHII）的差异。利用皮尔逊相关系数和逐步线性关系，进一步分析了气候因素（如降水，气温，太阳辐射和风速）和城市化因素（集约化强度，人口密度和城市面积）对SUHII的具体影响。回归[21]。另外，对UHI空间模式的仿真也引起了极大的兴趣[22,23]以及城市化条件下城市居民家庭与景观格局之间的相互作用[24–26]。现有的大多数研究都集中于并限于城市扩张对城市居民家庭的影响。然而，作为城市化的重要组成部分，很少有研究考虑城市更新如何影响城市居民健康指数和城市小气候。

随着城市化，不可避免的是城市土地利用效率低下和土地储备不足。因此，

快速的城市扩张往往伴随着城市更新[27,28]，即拆除和/或翻新旧的工业，商业和居民区以及城市村庄，以提高该地区的活力及其与周围环境的关系[29，30]。例如，一些城市村庄，老工厂和污染设施可以重建为住宅，办公室，商业或休闲综合体。废弃的房屋和棚户区可能会进行现代化改造或拆除，以便为公共设施提供空间，例如绿色公园，市场和停车场。由于城市更新可以通过改变城市形态和发展模式而有利于土地利用效率和环境，因此它已逐渐成为城市规划和城市可持续发展管理的重点[31]。但是，关于城市更新对LST的影响的研究非常有限，迄今为止很少发表研究[32-34]。例如，基于高分辨率的世界观图像和多时相先进的星载热发射和反射辐射计（ASTER）热红外图像，已经研究了在不同时间段内人工提取的城市更新区域和该地区LST的变化[33]；但是，由于分析结果通常取决于光学卫星图像的人工解释，因此很难广泛地应用分析结果，这容易导致不利的大气条件和云污染[15,35]，高分辨率Worldview图像的费用限制了该方法的广泛使用。因此，所得到的地面时间序列数据可能通常不是

获取并提供不同兴趣区域中实际情况的良好表示。

因此，我们建立了一个更通用的框架来研究由城市更新引起的LST变化，这些变化整合了包括光学图像，雷达图像和热红外图像在内的自由和开放数据集。这项研究的主要目的是：（1）根据Landsat影像与高级陆地观测卫星（ALOS）相控阵型L波段合成孔径雷达（PALSAR）影像的​​融合，自动解释并获得城市更新区域； （2）在不同时期从Landsat热红外数据中检索LST； （3）分析城市更新对LST变化的影响，为城市更新对小气候的影响提供新的视角。

材料和方法

• 1. 研究区域

自开放和改革以来，广州市作为中国南部最重要的政治，经济，文化和技术中心，经历了快速的经济发展和城市化[36]。随着大规模的人类和土地开发活动，城市景观和气候发生了重大变化，使广州市因热变化而面临巨大的环境风险[37]。研究区域包括一个由荔湾，越秀，海珠和天河区组成的核心区域，以及一个由白云，黄埔，番yu和萝岗区组成的外围区域（图1）。据统计，核心地区国土面积约279.63公里²，2017年城市人口和国内生产总值（GDP）分别为547万和1033.73亿。周边地区的土地面积约为1809.90 km²，2017年的城市人口和GDP分别为461万和7029.9亿。加速的城市化和土地资源不足的综合作用导致了城市的快速更新过程，导致了小气候和热环境的变化[33]。

图1.研究区域及其在中国的位置。

• 1. 数据和预处理
     1. 意象

免费和开放的数据集包括时间序列Landsat数据和年度ALOS PALSAR数据，这些数据是从美国地质调查局和日本航天探索局收集的。 Landsat影像包括2007年至2009年以及2015年至2015年期间可用的Landsat专题测绘仪（TM），增强型专题测绘仪Plus（ETM ）和作战用地面成像仪（OLI）/热红外传感器（TIRS）影像（路径/行122/044）。 2017年，用于从地表反射率数据中识别城市土地变化；前三年（2007-2009年）获得了69张图像，后三年（2015-2017年）获得了77张图像。此外，我们于2008年7月26日收集了Landsat 5图像（路径/行122/044），并于2018年7月22日收集了Landsat 8图像（路径/行122/044），用于LST测量，其中包括原始数据，顶部大气反射率数据和表面反射率数据。在使用Landsat TM，Landsat ETM 和Landsat OLI提供的光学图像之前，要先识别并删除质量较差的图像：（1）Fmask算法首先用于开发云层和云影层，以用于Landsat TM的时间序列分析，陆地卫星

ETM 和Landsat OLI图像^[38]； （2）为了提高图像的连续性和可用性，我们从2003年5月31日起由于机载SLC失效而在层外建立了扫描线校正器（SLC），以掩盖Landsat ETM 图像中的无观测像素。

年度全球25 m分辨率ALOS PALSAR图像提供了L波段双极化数据，包括水平发射/水平接收（HH）和水平发射/垂直接收（HV）极化，它们能够进行全极化和多视点地球观测。在这里，收集了2007-2009年和2015-2017年的ALOS PALSAR图像，并在Google Earth Engine（GEE）中对其进行了辐射和几何校正，这是一个免费且开放的平台，用于批处理卫星图像数据。然后，将PALSAR的HH和HV数字值（DN）转换为无伽马值，以减少由以下校准系数^[39]引起的沿距离方向的后向散射系数变化所造成的影响：

(1)

为了减少噪声，在PALSARHH和HV图像上应用了一个3 x 3像素的中值滤波器，将其重新采样为30 m图像，以通过最近的邻域插值来匹配Landsat图像^[40]。

• • 1. 地面参考数据的方法训练和验证

在研究期间，我们从广州市人民政府收集了50个已完成的城市更新项目文件，作为地面参考数据。项目文件中的特定信息包括位置，范围，持续时间，转换类型，土地使用类型的变化等。根据城市更新项目文件和两个时间段（大约2007年和2017年）的高分辨率Google Earth图像，我们选择了50个城市更新土地（URL）点和50个一般城市土地（GUL）点作为训练数据（数字2a），它们是在60 x 60 m² 感兴趣区域（ROI）中生成的。

图2.用于城市更新土地的算法训练（a）和结果准确性评估（b）的随机地面参考。 （c–g）Google Earth在前一阶段和后一阶段中非常高分辨率的城市更新图像。 c（23.0589，113.5125）来自旧工厂（c1，10/17/2007）和新工厂（c2,12 / 5/2016）; d（23.1772,113.2638）显示了从机场（d1，10/9/2007）到办公楼（d2，9/16/2017）的更改; e（22.9456，113.3472）显示了从工厂（e1，12/30/2006）到公寓楼（e2，4/1/2017）的转换； f（22.9435，113.4822）从一个村庄（f1，2/27/2008）到房屋（f2，3/3/2017）; g（23.1070，113.5470）从工厂（g1，10/17/2007）到公寓（g2，1/15/2018）。

我们还生成了1000个60 m x 60 m的矩形（ROI），用于通过分层随机抽样进行准确性评估，两个ROI之间的最小距离为1000 m（图2b）。 URL总共包括100个ROI，而GUL则包括900个ROI。投资回报率上覆盖了来自Google Earth的非常高的空间分辨率图像（图2lt;

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[265888]，资料为PDF文档或Word文档，PDF文档可免费转换为Word