汪洋^,1,2,3, 杨丹¹, 闵婕^,1,2,3, 翟非同¹, 王雨¹, 吴晓娇¹, 张洪睿¹1.重庆师范大学地理与旅游学院,重庆 401331
2.GIS应用研究重庆市高校重点实验室,重庆 401331
3.三峡库区地表过程与环境遥感重庆市重点实验室,重庆401331

Spatial pattern analysis and quantitative detection of multi-factor influence for urban heat island effect in a mountainous city: A case study of Chongqing metropolitan circle

WANG Yang^,1,2,3, YANG Dan¹, MIN Jie^,1,2,3, ZHAI Feitong¹, WANG Yu¹, WU Xiaojiao¹, ZHANG Hongrui¹1. School of Geography and Tourism, Chongqing Normal University, Chongqing 401331, China
2. Key Laboratory of GIS Application, Chongqing Municipal Education Commission, Chongqing 401331, China
3. The Three Gorges Reservoir Area Surface Processes and Remote Sensing Municipal Laboratory, Chongqing 401331, China

通讯作者: 闵婕（1978-）,女,四川营山人,博士,副教授,硕士生导师,主要研究方向为乡村人居环境及GIS应用研究。E-mail:10423985@qq.com

收稿日期:2019-11-11接受日期:2020-07-1网络出版日期:2021-03-10

基金资助:

国家社会科学基金项目.19XGL027 国家自然科学基金项目.42071277 重庆市教委科学技术研究项目.KJQN202000515

Received:2019-11-11Accepted:2020-07-1Online:2021-03-10
作者简介 About authors
汪洋（1978-）,男,重庆北碚人,博士,教授,硕士生导师,主要研究方向为城乡空间规划与GIS应用研究。E-mail: cqwangyang@foxmail.com









摘要
城市热岛受城市地表多因素影响,山地城市的情况则更为复杂。本文以典型山地城市重庆为例,基于Landsat8 OLI/TIRS影像、高精度矢量建筑等多源空间数据,采用城市地温反演、归一化植被指数、天空开阔度建模等方法,重点针对城市建成区,通过地理探测器分析各因子对城市热岛效应的约束力。研究表明：① 在都市区全域,城市热场空间异质性显著,植被覆盖、城市表面高程和天空开阔度因子具有全局性约束力表现,建筑密度、容积率和路网距离具有局部约束力表现。② 在城市建成区内部,对城市热岛效应约束性排前三位因子分别为：植被覆盖（q=0.782）、城市表面高程（q=0.499）、建筑密度（q=0.496）;局部约束因子建筑密度、容积率和道路距离的约束力均较强,但三者差异小;天空开阔度对城市热岛的全局性影响相对较小（q<0.1）。③ 在城市建成区内部,各约束因子对城市热岛具有叠加约束效应,叠加解释度q（X_i∩X_j）均强于独立解释度,叠加q值介于0.50~0.82之间。
关键词： 山地城市热岛效应;多约束因子探测;空间格局分析;地理探测器;重庆

Abstract
Urban heat island effect (UHI) is affected by multiple factors on the urban surface, while the situation of a mountainous city is more complicated. To detect the cause of UHI, this article takes a typical mountainous city of Chongqing as an example. Firstly, we collected multi-source spatial data based on Landsat8 OLI/TIRS images, high-precision vector building, etc. as basic dataset. Then, the model method of urban land surface temperature retrieval (LST), normalized vegetation index (NDVI) and the sky view of factor (SVF) etc. are applied to obtain spatial pattern of each factor. Finally, with focus on the urban built-up area, the binding force of each factor on the UHI is analyzed by the method of geographic detector. Through the above steps, this study found that: (1) Around the whole metropolitan area, the spatial heterogeneity of urban thermal field is significant. From the spatial pattern of each factor, we can see that some factors, like vegetation coverage (NDVI), urban surface elevation (CSE) and the sky view of factor (SVF), have global binding performance for UHI, while others like building density (BD), building volume rate (BVR) and road network distance (RD) have local binding performance for UHI. (2) Within the urban built-up area, the top three factors influencing the spatial pattern of UHI separately are vegetation coverage (q=0.782), urban surface elevation (q=0.499) and building density (q=0.496). Besides, the local constraint factors, like building density (BD), building volume rate (BVR) and road network distance (RD), performance strong binding on UHI, yet among them show little difference. In addition, for there is no significant spatial difference in urban sky horizon within the high-density built-up area, the overall effect of the sky view factor (SVF) on urban heat island is relatively small (q<0.1). (3) Through interactive detection and analysis, the results suggested that each influencing factor shows overlapping constraints on the spatial distribution of UHI within the built-up area of the city. From the criterion q value of the factor binding force, we can see that interaction of two factors will increase the interpretation of the UHI. In other words, the superposition explanatory degree (q(X_i∩X_j) is stronger than the independent interpretation degree, whose superposition interpretation degree q value is between 0.50 and 0.82.
Keywords：mountainous urban heat island effect;multi constraint factor detection;spatial pattern analysis;geographic detector;Chongqing


PDF (4201KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
汪洋, 杨丹, 闵婕, 翟非同, 王雨, 吴晓娇, 张洪睿. 山地高密度城市热岛效应的多约束因子格局分析与定量探测——重庆都市区案例研究. 地理研究[J], 2021, 40(3): 856-868 doi:10.11821/dlyj020190975
WANG Yang, YANG Dan, MIN Jie, ZHAI Feitong, WANG Yu, WU Xiaojiao, ZHANG Hongrui. Spatial pattern analysis and quantitative detection of multi-factor influence for urban heat island effect in a mountainous city: A case study of Chongqing metropolitan circle. Geographical Research[J], 2021, 40(3): 856-868 doi:10.11821/dlyj020190975

1 引言

以工业化和城镇化为主要驱动因子,全球的地表生态结构在过去的一百年已经发生了巨大而深刻变化。而城市热岛效应（Urban Heat Island Effect,简称UHI）一般指由于城市建成区面积急剧扩张等人类大规模地表活动导致的城市内部温度高于郊区温度的现象^[1],自人类工业化革命以来,该现象一直伴随着城镇化发展,并逐渐成为了一种“人类世”的地表生态过程标志。在全球变暖大背景下,种种迹象表明^[2,3],城市碳排放与城市热岛效应具有密切的内在联系^[2]。作为一种“发生学”后果,城市热岛效应直接影响了城市发展的可持续性^[4,5],同时对大尺度空间的人地关系产生了不确定性影响^[6]。因此,从因果约束逻辑出发,厘定城市热岛效应的多源性影响因子,在城市尺度定量揭示各重要因子对城市热岛效应的影响程度并探明其交互关系,对解释城市热岛效应的发生学机制,调整城市规划的技术性策略具有重要实践意义和指导价值。

近年来,在城市热岛效应相关领域,不同****分别从土地利用方式^[7,8]、景观格局^[9,10]等角度,研究了不同地区城市热岛的空间格局^[11]、形成机制^[3,12]、环境效应及应对策略^[13,14]等。研究共识逐渐形成,认为城市热岛效应是地表性质改变与人为热排放相互作用的结果^[15],其空间格局演变与城市建设具有动态一致性^[16]。但与此同时,由于尚缺乏合适的技术工具支撑^[17],驱动因子的高精度约束分析与叠加效应评估目前较为缺乏,且相关研究多以平原城市^[7,18]为案例,聚焦于通过遥感反演等方式揭示城市热岛效应的时空格局特征,或测定独立因子与城市热岛的相关性。相对而言,较少以大城市全局为实证对象,定量揭示城市热岛效应多源影响因子的研究成果。重庆在中国西部地区作为特大城市和典型的山地城市,建筑密度、人口密度、路网密度在西部地区首屈一指,错落的人工网络与自然山水基底结合,构成了复杂的城市地表物质环境,故此以重庆为例,定量探测各相关因子对城市热岛效应的独立和叠加约束机制,具有重要的现实意义和案例借鉴价值。

2 研究区概况

重庆都市区（即重庆主城）位于四川盆地东部平行岭谷地貌单元,为两江（长江、嘉陵江）汇流之地（见图1）。作为典型山地大城市,人类活动强烈,城市化水平高,经济、人口、交通、人工建筑等要素在此区域高密度聚集,摩天大楼的密度在西部地区排名首位。2017年末常驻总人口865.06万,城镇化率达89.83%^[19]596,GDP为9278.77亿元,占全市GDP的47.58%^[19]598;公路总里程11818 km,其中高速公路为574 km^[19]608;各类建筑基底总面积超过60 km²,占行政区面积的1.14%。都市区高程在131~1410 m之间;多年均气温为18°C,四季分明,夏季炎热;遥感反演显示,建成区地表夏季多年均温达到48°C以上,而都市区非建设用地夏季的地表多年均温在38~44°C之间,植被覆盖较好的山区则多低于36°C,展现出了强烈的城市热岛效应。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区区位

Fig. 1Location of the study area

3 数据与方法

3.1 总体流程与数据

按照指标表征、数量建模和关系探测的总体流程展开分析研究（见图2）。

图2

新窗口打开|下载原图ZIP|生成PPT
图2研究技术流程

Fig. 2Research logic and route line



具体步骤包括：

（1）指标表征。基于既有研究成果^[12,14],设定反演地温指数（LST）作为被解释表征变量,设定天空开阔度（SVF）、归一化植被指数（NDVI）、城市表面高程（CSE）、建筑密度（BD）、建筑容积率（BVR）和距城市主干道距离（RD）六个指标作为约束性解释因子,通过数值化建模,定量标度这些因子,用以表示约束性因子的相对高低,并基于此分析其间的独立和叠加关系。

（2）空间数据库建立与数量指标建模。首先获取相应基础空间数据,具体包括Landsat8 OLI/TIRS遥感影像数据、MODIS水汽产品数据（MODI05_L2）、ASTER GDEM v2全球DEM数据库（USGS）、OSM开放数据以及现状建筑要素图层。主要来源于USGS、EARTHDAT、OSM、国家地球系统科学数据中心等国内外共享数据网站和重庆相关政府职能部门。为保持时空一致性,除反演地温指数（LST）外,其余空间数据选取时段为2017年。考虑到因夏季高水汽含量特征影响地温反演精度,故反演地温指数（LST）的计算基于2014—2017年的Landsat8 OLI/TIRS夏季同月多年均数据。统一空间坐标（WGS_1984_UTM_zone_48N）后,经几何精校正,基于最大空间分辨率保留原则,空间网格（栅格数据）精度均控制为30 m;在指标数量建模过程中,LST指数采用劈窗算法^[11,20]计算、SVF指数采用光线追踪法^[21]计算、NDVI基于OLI数据采用归一化算法计算、其他与建筑和道路相关指数基于各自定义,采用ArcGIS空间分析工具统计计算（具体算法参见表1）。

Tab. 1
表1
表1各因子数量建模方法汇总表
Tab. 1Processing methods of influence factors index

因子	数据与建模方法	参数含义
城市表面高程（CSE）	建筑矢量面数据转栅格（1 m×1 m）,重采样后叠加DEM数据,得到城市表面高层模型（CSE）	建筑图层先转换为1 m分辨率网格数据,叠加DEM数据,再重采样为30 m网格,以此表达城市自然与人工建筑的叠加高度
建筑密度 （BD）	基于已有经验[22],计算100 m×100 m格网范围内,建筑基底正射投影面积所占比例,重采样为30m网格,得到建筑密度（BD） BD=BA/10000	式中：BD为格网内建筑密度;BA为格网内的建筑基底面积
建筑容积率（BVR）	设定建筑层高3 m,乘以楼层数,得到建筑近似高度;计算100 m×100 m格网范围内,总建筑面积与建筑基底正射投影面积的比值,重采样为30 m网格,得到容积率（BVR） BVR=(BA×F)/10000	式中：BVR为格网内建筑容积率;BA为建筑基底正射投影面积;F为建筑楼层数
归一化植被指数（NDVI）	NDVI=(Band5-Band4)/(Band5+Band4)	式中：基于OLI数据,Band5为近红外波段反射值（NIR）;Band4为红光波段反射值(R)[12]
天空开阔度 （SVF）	基于CSE计算结果,采用光线追踪法[21],模拟光源次数432次[17]。通过ArcGIS叠置分析、阴影建模、重分类等过程,统计不在阴影里的次数占总次数的比值[21],得到天空开阔度指数（SVF） SVF=1n∑i=0int2nΔα∑j=0int2nΔβPαiβj	式中：SVF为每个栅格单元的天空开阔度指数;n为总模拟次数;Pαiβj为栅格单元间被遮挡的情况;αi、βj分别为给定方位角和高度角积分步长
距城市主干道 距离（RD）	基于ArcGIS空间分析功能,计算每栋建筑几何中心至主次干道的最近欧式距离	道路类型主要包括城市快速路、都市区高速公路、城市主干道和次干道
反演地温指数（LST）	基于Landsat8 OLI/TIRS数据产品,计算亮温、地表比辐射率、大气透过率;应用劈窗算法[11,20]计算地表温度（K）,计算多年夏季同期均值,得到反演地温指数（LST） Ts=A0+A1×T10+A2×T11	式中：Ts为地表温度（K）;T10、T11分别为Landsat8第10、11波段的亮温值（K）;A0、A1、A2为大气透过率和地表比辐射率确定参数

新窗口打开|下载CSV

（3）地理探测器约束性探测。基于Geo Detector软件,对空间网格化数据样本进行地理探测分析,基于因子探测方法测度各单因子对城市热岛效应的解释度。通过交互探测方法测度双因子及多因子对城市热岛效应的叠加解释度。通过多因素比较,揭示各因子对城市热岛的组合叠加效应。为强调城市建成区内部的同质可比性,聚焦于城市热岛效应显著区,上述数量指标在进行地理探测分析时,其空间化范围截取为城市建筑区域周边200 m。

3.2 因子数量化建模

基于既有的成熟算法和前述基础数据,计算反演地温指数（LST）、城市表面高程（CSE）、归一化植被指数（NDVI）、天空开阔度（SVF）、建筑密度（BD）、建筑容积率（BVR）、距城市主干道距离（RD）等指标的数值参数,以此表征各因子的数量高低并借助GIS展布其空间分布格局。经空间网格（grid）转空间样本点后,通过地理探测器计算并分析各因子对城市热岛效应的独立及叠加解释力。各数值化指数的计算方法如表1所示。

3.3 多约束因子定量探测

为定量揭示各要素与城市热岛效应之间关系,采用地理探测器度量其间数值结构与约束度。该方法一般用于探测相关因子对某种地理现象的影响约束程度。具体包括因子探测、交互探测、风险探测、生态探测等模型^[23]。其中,因子探测可定量揭示因子X_s对变量Y在分布上的影响程度,用q值判断,见公式（1）。当双因子（X_s）交互作用时,交互探测用于识别双变量对因变量Y的影响程度。本研究中,变量Y表示反演地温指数（LST）,为数值量;相关因子X₁、X₂、X₃、X₄、X₅、X₆分别是城市表面高程（CSE）、归一化植被指数（NDVI）、天空开阔度（SVF）、建筑密度（BD）、建筑容积率（BVR）、距城市主干道距离（RD）。按地理探测器模型适用要求,综合模型结果比较,采用1/4标准差分级法^[24]对X_i指标数据进行正向离散化处理。

（1）q=1-∑h=1LNhσh2Nσ2=1-SSWSSTSSW=∑h=1LNhσh2,SST=Nσ2
式中：q∈[0,1],q值越大说明X对Y的解释力越强;h为因子X（或变量Y）的分层;N_h和N为层h和全区的单元数; σh2和 σ2对应层内和全区的Y值方差;SSW和SST为层内方差之和、全区方差之和。

4 结果与分析

4.1 城市热岛效应空间格局

整体看,重庆都市区城市热岛效应的空间格局展现出如下基本特征（见图3）。

图3

新窗口打开|下载原图ZIP|生成PPT
图3城市建成区与热岛效应空间格局

Fig. 3Spatial pattern of urban built-up areas and urban heat island effect



（1）地表整体热场空间异质性明显,城市热岛效应显著。内环以内,渝中、大渡口、九龙坡东部等约4.61%地区的地温高于313.15 K（最高达325.942 K）,而其余以山地和高丘为主约88%的区域,地温低于309.15 K（最低为297.112 K）,地温高值区呈组团式簇群状分布。

（2）与城市建成区存在显著的空间伴生性。在建筑、道路集中聚集的渝中半岛及周边地带、以及沙坪坝、南岸、北碚的城市建成区,地表温度明显高于周边地区。

（3）与主要山脉和水系存在空间反斥性。都市区缙云山脉、中梁山脉,龙王洞山脉、铜锣山脉和明月山脉的大部分区域,植被覆盖好,地温多在303.15K左右。与此同时,长江、嘉陵江水域的比热容大的水面,温度较低,城市热岛效应被显著拉低。

（4）城市建成区内部存在空间差异性。在建成区内部,建筑、人口、交通的城市内部差异带来10°C以上地温差,在建筑密度大于0.3（或建筑容积率大于2）的地区,或密集路网200 m范围内,城市热岛效应更为显著。相对而言,前三个方面是城市热岛效应研究的一般性表现,而本文的重点则是数量化解析第四个方面的约束性因子和叠加互动机理。

4.2 约束因子空间格局

对比城市热岛效应反演结果（见图3c）与单约束因子空间格局（见图4）,可根据约束性因子的空间约束范围将其分为两大类,其中CSE、NDVI和SVF具有全局控制力（都市区全域）,可命名为全局约束因子。而BD、BVR和RD只具有局部性控制力（城市建成区）,可命名为局部约束因子。总体上,全局性影响因子对山地城市热岛效应具有全局约束力,而局部影响因子对山地城市热岛效应则只具有局部（城市建成区部分）约束力。

图4

新窗口打开|下载原图ZIP|生成PPT
图4各影响因子的空间格局

Fig. 4Spatial pattern of influencing factors



对于全局约束因子,相对于LST结果,其基本的空间约束性特性可概括为（见图4a、图4d、图4e）：

（1）地形与水系的基底约束性。地形与水系主导性制约城市（建成区）发展格局,城市建成区集中分布于平行岭谷之间的槽谷地带并被水系分割。而城市建成区又主导性约束城市热岛效应的生成格局;与此同时,地形直接影响了植被的分布和类型。两者对城市热岛效应存在反向强化效应,共同导致在都市区尺度上城市热岛效应的空间异质扩大化。

（2）植被的派生约束性。平行岭谷的山岭区域,人类活动相对较弱,派生出集中性山地植被生存空间。城市建成区与植被空间呈现反向镶嵌空间格局特征,共同强化了城市热岛效应空间差异。以渝中、江北、九龙坡等为主的槽谷及丘陵台地,建筑、交通等建设强度大、人工化程度高、地表植被覆盖相对较差（高强度建设区的NDVI<0.2）;而东南部山地及西部山岭地区,人类活动强度较低、植被覆盖好（NDVI>0.8）,城市热岛效应不明显。

（3）天空开阔度的双位约束性。天空开阔度受地形与建筑双重约束,天空可视域在城市建成区内部结构复杂,总体封闭度较高,但也存在内部差异。与此同时,山脊缘、建筑顶部及无遮挡水面的天空可视性较好（SVF>0.2）。建筑密集地以及被山体阴影遮挡的山谷、丘陵等地,天空可视性差（SVF<0.1）。

对于局部约束因子,其基本的空间格局特征可概括为（见图4b、图4c、图4f）：

（1）人工建筑的簇群状集聚性。建筑斑块空间集聚性强,且呈簇群组团状,典型如渝中高密度簇群板块、江北高密度簇群板块、渝北中密度簇群板块、大学城中密度簇群板块等。在全局层面,建筑密度空间差异相对较大。内环以内的渝中、江北、大渡口、九龙坡、沙坪坝等区域,建筑斑块稠密（BD>0.4）,而组团之间丘陵、平行岭谷区域建筑斑块的体量和规模相对较少且分散（BD<0.1）。

（2）高层建筑的局部团聚性。高层建筑的空间异质结构显著,BVR高值区城市热岛效应显著。渝中、江北西部、九龙坡东部等地区,高层建筑数量和规模均较大（BVR>10）、局部热岛效应明显,呈现出城市建成区内部的热岛效应空间分异;而建筑稀少的山区,BVR趋近于0（全区均值为0.15）,异向强化了建成区内部的热岛效应。

（3）城市道路的网络牵引性。网络化交通主导城市空间伸展,在交通线密集、网络化程度高的地区,建成区空间范围大、人类活动强度高、热排放量大,城市热岛效应显著。都市区道路设施完善,主城内环以内地区的道路网络化程度领先,城市主干道间距多低于2 km,呈现出与BD和BVR相似的空间结构,几者共同放大了城市核心区的城市热岛效应。总体而言,三个局部约束性因子呈现出同构但又具差异的空间结构特征,共同塑造了城市建成区内部的热岛效应空间格局。

4.3 因子约束性数量探测

4.3.1 城市热岛效应单因子约束分析 研究表明,在城市全局尺度上,城市发展带来的下垫面性质改变^[25]、城市形态变化、热排放加剧^[26]等因素,是产生城市热岛效应的主要驱动力。但与此同时,在城市建成区内部,尤其是高密度山地城市内部,产生热岛效应空间分异的约束因子目前还较少探查。因此,本研究以建筑周边200 m范围为标准进行空间分割,探查高密度建筑区域内部各约束因子的独立或叠加影响力。在分割区内部,通过地理探测器计算各因子对城市热岛效应的约束力,从大至小的q值计算结果依次为：q_NDVI(0.782)>q_CSE(0.499)>q_BD(0.496)>q_BVR(0.495)>q_RD(0.490)>q_SVF(0.093)（见表2）。据表2可知,山地城市热岛效应受多因子共同制约,且多约束因子贡献不一,6个指标中有5个在0.01水平上显著,多源约束性明显。对山地高密度城市建成区而言,因子探测结果表明（见表2）。

Tab. 2
表2
表2城市热岛单因子探测结果
Tab. 2Detection results of single factor

	CSE	BD	BVR	NDVI	SVF	RD
q statistic	0.499**	0.496**	0.495**	0.782**	0.093	0.490**

注：**表示q值在0.01水平上显著（p<0.01）。

新窗口打开|下载CSV

（1）地表植被覆盖状况（NDVI指标）依然对城市热岛具有很强的解释力（q=0.782）,与相关研究^[12]得出的NDVI与城市热岛的强负相关结论吻合。城市化带来土地利用方式转变,建成区植被覆盖度降低,植物的蒸腾作用及温、湿度调节功能削弱;大量人工地表物质辐射容量小,辐射反射能力强,地表下垫面升温效果显著。

（2）叠加建筑高度的城市表面高程（城市建成区内部）,对城市热岛的贡献率也较高,q值为0.499。一方面,地势低缓的岭谷及低山丘陵区,城市要素聚集性强,热量积聚量高于山区;加之建成区下垫面性质改变,地表导热率高、风速减缓、热量散失能力差,使得城市地表温度更高;另一方面,复杂的山谷环流与城市热岛环流易发生耦合,一定程度上加强城市热岛效应（尤其是在夜晚）。

（3）城市建成区内部微环境热岛效应,与城市中的建筑密度密切相关（BD和BVR的q>0.49）。一方面,城市建成区人工化程度高,导热率高的现代建筑材料聚集,使城市人工建筑物作为一个蓄热体,热量吸收快、放射慢、升温快;另一方面,具有山地特色的“组团状”城市形态、“高层化”建筑设计,人工要素空间集聚性强、地表环境复杂,热量集聚性强、散失力差,城市热岛效应显著。

（4）交通路网作为城市发展的驱动轴线,亦是城市热岛效应形成的主要贡献因子之一（q=0.490）。以沥青、混凝土为主的公路路面,吸热能力强、升温快;加之都市区公路流量大,车辆废热排放量大,同时叠加汽车排放和工业排放的NO_x、CO₂、粉尘等大气污染物,吸收环境中的热辐射,温度高于周边地区。

区别于平原城市^[21],城市建成区的天空开阔度（SVF）对城市热岛效应的解释力较弱（q<0.1）。一方面,源于尺度效应的影响。在城市建成区内部,LST对SVF的局部差异响应不敏感。建筑物200 m范围内的地形差异小、建筑布局与建筑高度的空间相似性强,叠加建筑高度的建成区内部的城市地表高程差异不明显、天空开阔度空间差异不显著（p=1.00）;另一方面,源于主导因素的制约。地形和植被对城市热岛效应的主导性制约,在城市尺度上掩盖了SVF导致的局部差异。城市表面高程（CSE）、道路（RD）、建筑（BD、BVR）主导性因素的强解释力,一定程度上掩盖了天空开阔度对城市热岛效应的影响。与此同时,源于空间数据精度的限制,小尺度的LST空间差异在30m空间分辨率难以体现。以30 m空间分辨率分析城市热岛效应的约束因子,对建成区内部小尺度人工建筑物空间形态导致的SVF差异信息捕捉有限,难以从更微观、精确的角度探知其对城市热岛效应的贡献程度。几种因素共同作用,削弱了天空开阔度（SVF）对城市热岛的解释力。

4.3.2 城市热岛效应多因子叠加约束分析 为探明建成区内部,各因子对城市热岛效应的叠加约束关系,采用地理探测器的交互探测模型展开定量探测。按照模型设定,交互探测结果分为非线性减弱、单因子非线性减弱、双因子增强、独立、非线性增强5种类型,分别用以表达双因子叠加后对被解释变量的作用类型。其中,双因子增强表示经交互作用后的解释变量X_i与X_j对被解释变量Y的解释力都得到增强,而非线性增强则表示交互后的因子解释力的增强作用达到最大。本研究通过比对数值交互(q(X_i ∩X_j))、数值叠加(q(X_i)+q(X_j))、数值比较Max(q(X_i),q(X_j))的三种结果进行分析,以此确定交互类型。对比结果显示,在15种组合逻辑中,有14种交互关系属于“双因子增强”,典型如：CSE∩NDVI、NDVI∩RD、SVF∩BD等;而CSE∩SVF则表现为“非线性增强”交互关系。比对结果在总体上表明,各约束因子对LST在全局上具有约束叠加效应,但强度有差异。交互探测结果表明（见表3）。

Tab. 3
表3
表3城市热岛交互探测结果
Tab. 3Results of interactive detection

q(A),q(B)	q(A∩B)	q(A)+q(B)	判据	交互作用
q(X1)=0.499,q(X2)=0.782	q(X1∩X2)=0.797	q(X1)+q(X2)=1.281	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X1)=0.499,q(X3)=0.093	q(X1∩X3)=0.596	q(X1)+q(X3)=0.592	q(A)+q(B)<q(A∩B)	非线性增强
q(X1)=0.499,q(X4)=0.496	q(X1∩X4)=0.531	q(X1)+q(X4)=0.995	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X1)=0.499,q(X5)=0.495	q(X1∩X5)=0.526	q(X1)+q(X5)=0.994	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X1)=0.499,q(X6)=0.490	q(X1∩X6)=0.524	q(X1)+q(X6)=0.989	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X2)=0.782,q(X3)=0.093	q(X2∩X3)=0.796	q(X2)+q(X3)=0.875	Max(q(A),q(B))<q(A∩B))	双因子增强
q(X2)=0.782,q(X4)=0.496	q(X2∩X4)=0.793	q(X2)+q(X4)=1.278	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X2)=0.782,q(X5)=0.495	q(X2∩X5)=0.792	q(X2)+q(X5)=1.277	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X2)=0.782,q(X6)=0.490	q(X2∩X6)=0.820	q(X2)+q(X6)=1.272	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X3)=0.093,q(X4)=0.496	q(X3∩X4)=0.525	q(X3)+q(X4)=0.589	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X3)=0.093,q(X5)=0.495	q(X3∩X5)=0.520	q(X3)+q(X5)=0.588	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X3)=0.093,q(X6)=0.490	q(X3∩X6)=0.548	q(X3)+q(X6)=0.583	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X4)=0.496,q(X5)=0.495	q(X4∩X5)=0.504	q(X4)+q(X5)=0.991	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X4)=0.496,q(X6)=0.490	q(X4∩X6)=0.506	q(X4)+q(X6)=0.986	Max(q(A),q(B))<q(A∩B)	双因子增强
q(X5)=0.495,q(X6)=0.490	q(X5∩X6)=0.505	q(X5)+q(X6)=0.985	Max(q(A),q(B))<q(A∩B)	双因子增强

注：q(A),q(B)表示约束因子X₁、X₂、X₃、X₄、X₅、X₆的q值。

新窗口打开|下载CSV

（1）各因子交互后对LST均存在叠加效应,任何两种约束性因子对城市热岛效应的交互作用(q∈(0.50,0.82))都大于单一性因子的独立作用。其中,叠加效应最明显的包括NDVI∩RD、CSE∩NDVI、NDVI∩SVF,叠加效应相对较弱的包括BD∩RD、BVR∩RD、BD∩BVR、SVF∩BVR等。

（2）各约束因子协同强化作用明显,但叠加效果类型有差异。高程、植被、建筑、道路等因子的交互作用以“双因子增强”为主,而城市表面高程与天空开阔度则为“非线性增强”。

（3）各约束因子叠加后的约束效果在数量层面有一定程度差异。植被对相关约束因子的叠加效应显著（q>0.79）,其中NDVI∩RD达到最大（q=0.82）,其余各因子的叠加解释力亦得到增强（q>0.50）。

（4）各因子的叠加组合特征表现为：① 主导性因子的强叠加效应。单因子解释力最强的植被（q=0.782）叠加建筑、道路等因子的解释力q值亦为显著,凸显了植被覆盖对城市热岛效应的重要影响。② 相关因子的协同强化作用。建成区内部,空间差异小（p=1.00）、城市热岛效应解释力低（q=0.093）的天空开阔度因子在叠加建筑、道路等因子后,其解释力q值得到极大增强（q>0.50）。③ 显著的因子关联强化效应。高程、建筑、道路、植被等因子具有密切的系统关联性,协同作用明显,各因子交互作用于城市热岛效应。

（5）对于山地高密度城市而言,其独特性表现为地形和水系要素对建筑、道路等城市要素具有全局约束性,进而派生植被分布空间差异,城市热岛效应的形成机制与空间格局表现出明显的山地相关耦合格局特征。

5 结论与探讨

本文以重庆都市区为例,基于遥感数据、高精度矢量数据等多源空间数据,通过数值化指标建模、地理探测器等方法,分析了城市热岛效应的多约束因子的独立和叠加约束特征,初步分析了相应约束机制和叠加机理,形成如下基本结论：

（1）在重庆都市区全域范围,地形为主导的自然因子（包括主要水系）的全域约束性与植被的派生约束性,使城市热岛效应表现出明显的空间异质性。城市表面高程（CSE）、植被指数（NDVI）和天空开阔度（SVF）总体上具有全局约束力,归类为全局约束因子。城市地形主导性制约建成区空间格局,城市建成区带来的热排放与下垫面性质改变主导城市热岛效应格局;与此同时,与建成区逆向镶嵌布局的植被空间分布对城市热岛效应具有较强的对冲削弱性,两者异向强化了山地城市热岛效应的空间异质性;天空开阔度（SVF）的高值区域由两种原因制约,其一为山脊或山地边坡,其二为城市建成区的高层人工建筑。在城市全域尺度,其对城市热岛效应（UHI）的约束力总体较弱。

（2）在都市区内部的高密度建成区,单因子约束性排前三位的因子依次为植被覆盖（q_NDVI=0.782）、表面高程（q_CSE=0.499）和建筑密度（q_BD=0.496）,表明全局因子NDVI和CSE在建成区内部依然具有主导性约束力;局部因子建筑密度（BD）、容积率（BVR）和道路距离（RD）的单因子约束力基本一致（q值分别为0.496、0.495和0.490）,而天空开阔度（SVF）导致的热岛效应空间差异不明显。对于双因子约束,叠加效应最显著的因子包括植被覆盖和道路（q_NDVI∩q_RD）、表面高程和植被（q_CSE∩q_NDVI）、植被覆盖和天空开阔度（q_NDVI∩q_SVF）等,叠加效应最不显著的因子包括建筑密度和建筑容积率（q_BD∩q_BVR）、建筑密度和道路距离（q_BD∩q_RD）、建筑容积率和道路距离（q_BVR∩q_RD）等。上述差异性叠加效应,表明了约束因子叠加效应的空间差异化组合特征和城市热岛效应的多约束因子协同强化机理。

（3）对于山地城市而言,高密度都市区城市热岛效应的总体约束逻辑可归纳为：① 自然地形约束,导致“一生二”。都市区产生城市建成区和非建成区的格局分异,同时被派生的植被空间异向强化。② 人工建（构）筑物约束,导致“二生三”。城市建成区内部形成相对高密度建成区（BD、BVR、RD高值区）和低密度建成区两种次类,连同非建成区形成三大类别。对应于UHI效应,形成高、中、低三种UHI值域类别。③ 多种因子叠加约束,导致“三生n”。在上述三种区域,产生城市热岛效应的多种组合结果。

综合考虑空间异质性、“自然+人工”多约束因子的高密度都市区城市热岛效应因子测算及叠加效应分析,较单因子纯量化相关分析,具有系统性、尺度性等进步意义。但是,建成区内部环境复杂,山地城市要素空间集聚性极强,30 m精度的格网样本点截面数据不足以反映其全局的时空演变规律。因此,采用多种科学方法与技术手段、加强多时空维度的城市热岛形成机制的定性与定量分析,对进一步厘清城市内部热岛效应的形成机理、实现可持续城市发展具有重要现实意义。

鉴于本文结论,为缓释山地城市热岛效应的负面影响,对山地城市规划与管理现实意义可概括四大原则,其一,自然基底的坚守原则。遵循山水基底、因势利导,避免均质性布局、硬切割式规划造成“城地”脱节,导致山地城市热岛同向强化效应。其二,植被与水体的空间分割原则。要综合考虑水体及植被的空间分割性,局地范围产生足够的空间基底异质性,以山、水、林的形态对冲城市热岛效应的负面影响。其三,建筑形态的高层低密度原则。建筑密度（BD）和容积率（BVR）在全局尺度的差异不大,表明竖向建设强度在一定程度上对UHI的影响有限,结合山地城市土地资源的局促性,可在一定程度上鼓励降低建设密度,但可增加竖向高度。其四,多约束因子组合削减原则。由于建筑密度、建筑容积率因子与天空开阔度、道路距离因子的叠加效应相对较弱（q<0.53）,宜把植被格局调整、增加容积率、降低建筑密度等措施进行空间组合,系统性缓释城市热岛效应。

致谢

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文地温反演方法选择、结构布局优化的修改意见,使本文获益匪浅。感谢重庆师范大学地理与旅游学院李军教授对本文的技术指导。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] Manley G. On the frequency of snowfall in metropolitan England
Quarterly Journal of the Royal Meteorological Society, 1958,84(359):70-72. DOI: 10.1002/qj.49708435910.
[本文引用: 1]

[2] 杨智威, 陈颖彪, 吴志峰, 等. 粤港澳大湾区城市热岛空间格局及影响因子多元建模
资源科学, 2019,41(6):1154-1166.
[本文引用: 2]

[ Yang Zhiwei, Chen Yingbiao, Wu Zhifeng, et al. Spatial pattern of urban heat island and multivariate modeling of impact factors in the Guangdong-Hong Kong-Macao Greater Bay area
Resources Science, 2019,41(6):1154-1166.]. DOI: 10.18402/resci.2019.06.14.
[本文引用: 2]

[3] 祝新明, 王旭红, 周永芳, 等. 建成区扩张下的西安市热环境空间分异性
生态学杂志, 2017,36(12):3574-3583.
[本文引用: 2]

[ Zhu Xinming, Wang Xuhong, Zhou Yongfang, et al. Spatial variability of thermal environment in Xi'an under the build-up area expansion
Chinese Journal of Ecology, 2017,36(12):3574-3583.]. DOI: 10.13292/j.1000-4890.201712.015.
[本文引用: 2]

[4] Heaviside C, Vardoulakis S, Cai X M. Attribution of mortality to the urban heat island during heatwaves in the West Midlands, UK
Environmental Health, 2016,15(27):49-59. DOI: 10.1186/s12940-016-0100-9.
[本文引用: 1]

[5] 黄群芳, 陆玉麒. 北京地区城市热岛强度长期变化特征及气候学影响机制
地理科学, 2018,38(10):1715-1723.
[本文引用: 1]

[ Huang Qunfang, Lu Yuqi. Long-term trend of urban heat island intensity and climatological affecting mechanism in Beijing city
Scientia Geographica Sinica, 2018,38(10):1715-1723.]. DOI: 10.13249/j.cnki.sgs.2018.10.016.
[本文引用: 1]

[6] 匡文慧. 城市土地利用/覆盖变化与热环境生态调控研究进展与展望
地理科学, 2018,38(10):1643-1652.
[本文引用: 1]

[ Kuang Wenhui. Advance and future prospects of urban land use/cover change and ecological regulation of thermal environment
Scientia Geographica Sinica, 2018,38(10):1643-1652.]. DOI: 10.13249/j.cnki.sgs.2018.10.008.
[本文引用: 1]

[7] 牟雪洁, 赵昕奕. 珠三角地区地表温度与土地利用类型关系
地理研究, 2012,31(9):1589-1597.
[本文引用: 2]

[ Mou Xuejie, Zhao Xinyi. Study on the relationship between surface temperature and land use in Pearl River Delta
Geographical Research, 2012,31(9):1589-1597.]. DOI: 10.11821/yj2012090005.
[本文引用: 2]

[8] 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
Science of the Total Environment, 2019,656(15):118-128. DOI: 10.1016/j.scitotenv.2018.11.223.
[本文引用: 1]

[9] 刘焱序, 彭建, 王仰麟. 城市热岛效应与景观格局的关联: 从城市规模、景观组分到空间构型
生态学报, 2017,37(23):7769-7780.
[本文引用: 1]

[ Liu Yanxu, Peng Jian, Wang Yanglin. Relationship between urban heat island and landscape patterns: From city size and landscape composition to spatial configuration
Acta Ecologica Sinica, 2017,37(23):7769-7780.]. DOI: 10.5846/stxb201610202142.
[本文引用: 1]

[10] 陈利顶, 孙然好, 刘海莲. 城市景观格局演变的生态环境效应研究进展
生态学报, 2013,33(4):1042-1050.
[本文引用: 1]

[ Chen Liding, Sun Ranhao, Liu Hailian. Eco-environmental effects of urban landscape pattern changes: Progresses, problems, and perspectives
Acta Ecologica Sinica, 2013,33(4):1042-1050.]. DOI: 10.5846/stxb201205070659.
[本文引用: 1]

[11] 李军, 赵彤, 朱维, 等. 基于Landsat8的重庆主城区城市热岛效应研究
山地学报, 2018,36(3):452-461.
[本文引用: 3]

[ Li Jun, Zhao Tong, Zhu Wei, et al. Urban heat island effect based on Landsat8 image in urban districts of Chongqing, China
Mountain Research, 2018,36(3):452-461.]. DOI: 10.16089/j.cnki.1008-2786.000341.
[本文引用: 3]

[12] 张晓娟, 周启刚, 黄丽盺, 等. 重庆市主城区地表温度与植被覆盖指数关系研究
土壤通报, 2018,49(2):293-302.
[本文引用: 4]

[ Zhang Xiaojuan, Zhou Qigang, Huang Lixin, et al. Relationship between land surface temperature and NDVI in main urban areas of Chongqing
Chinese Journal of Soil Science, 2018,49(2):293-302.]. DOI: 10.19336/j.cnki.trtb.2018.02.06.
[本文引用: 4]

[13] Dang T N, Van D Q, Kusaka H, et al. Green space and deaths attributable to the urban heat island effect in Ho Chi Minh city
American Journal of Public Health, 2018,108(S2):137-143. DOI: 10.2105/AJPH.2017.304123.
[本文引用: 1]

[14] 袁超. 缓解高密度城市热岛效应规划方法的探讨: 以香港城市为例
建筑学报, 2010, (S1):120-123.
[本文引用: 2]

[ Yuan Chao. A study on the planning method for mitigating the heat island effect in high density cities: A case study of Hong Kong city
Architectural Journal, 2010, (S1):120-123.]. DOI: cnki:%20SUN:%20JZXB.0.2010-S1-031.
[本文引用: 2]

[15] 黄焕春. 城市热岛的形成演化机制与规划对策研究
天津: 天津大学博士学位论文, 2014: 2.
[本文引用: 1]

[ Huang Huanchun. Study on the formation and evolution mechanism and planning countermeasures of urban heat island
Tianjin: Doctoral Dissertation of Tianjin University, 2014: 2.]. DOI: 10.7666/d.D636308.
[本文引用: 1]

[16] 谢启姣, 刘进华, 胡道华. 武汉城市扩张对热场时空演变的影响
地理研究, 2016,35(7):1259-1272.
[本文引用: 1]

[ Xie Qijiao, Liu Jinhua, Hu Daohua. Urban expansion and its impact on spatio-temporal variation of urban thermal characteristics: A case study of Wuhan
Geographical Research, 2016,35(7):1259-1272.]. DOI: 10.11821/dlyj201607004.
[本文引用: 1]

[17] 谢雨丝, 韩贵锋, 曾卫. 高密度城区的城市热岛更强吗?: 以重庆市渝中区为例. 见: 中国城市规划学会.共享与品质: 2018中国城市规划年会论文集(17山地城乡规划). 北京: 中国建筑工业出版社, 2018: 198-214.
[本文引用: 2]

[ Xie Yusi, Han Guifeng, Zeng Wei. Is the urban heat island stronger in high density urban areas?: A case study of Yuzhong district, Chongqing city. In: China Urban Planning Society. Sharing and Quality-Collection of Papers on the 2018 Annual Meeting of Urban Planning in China (17 Mountain Urban and Rural Planning). Beijing: China Architecture & Building Press, 2018: 198-214.]
[本文引用: 2]

[18] 敖翔宇, 谈建国, 支星, 等. 上海城市热岛与热浪协同作用及其影响因子
地理学报, 2019,74(9):1789-1802.
[本文引用: 1]

[ Ao Xiangyu, Tan Jianguo, Zhi Xing, et al. Synergistic interaction between urban heat island and heat waves and its impact factors in Shanghai
Acta Geographica Sinica, 2019,74(9):1789-1802.]. DOI: 10.11821/dlxb201909007.
[本文引用: 1]

[19] 重庆市统计局, 国家统计局重庆调查总队. 重庆统计年鉴2018. 北京: 中国统计出版社, 2018.
[本文引用: 3]

[ Chongqing Bureau of Statistics, Chongqing Investigation Team of National Bureau of Statistics. Chongqing Statistical Yearbook 2018. Beijing: China Statistics Press, 2018.]
[本文引用: 3]

[20] Rozenstein O, Qin Z, Derimian Y, et al. Derivation of land surface temperature for landsat-8 TIRS using a split window algorithm
Sensor, 2014,14(4):5768-5780. DOI: 10.3390/s140405768.
[本文引用: 2]

[21] 贺文慧, 杨昕, 汤国安, 等. 基于数字高程模型的城市地表开阔度研究: 以南京老城区为例
地球信息科学学报, 2012,14(1):94-100.
[本文引用: 4]

[ He Wenhui, Yang Xin, Tang Guoan, et al. Research on sky view factor in urban area based on urban digital elevation model: A case study of Nanjing old city. Journal of Geo-information
Science, 2012,14(1):94-100.]. DOI: 10.3724/SP.J.1047.2012.00094.
[本文引用: 4]

[22] 葛珊珊. 基于Urban DEM的城市三维形态研究: 以南京老城区为例
南京: 南京师范大学博士学位论文, 2009: 48.
[本文引用: 1]

[ Ge Shanshan. Study on urban 3D morphology based on urban DEM: A case study of Nanjing old city
Nanjing: Doctoral Dissertation of Nanjing Normal University, 2009: 48.]. DOI: 10.7666/d.j018014.
[本文引用: 1]

[23] 王劲峰, 徐成东. 地理探测器: 原理与展望
地理学报, 2017,72(1):116-134.
[本文引用: 1]

[ Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospect
Acta Geographica Sinica, 2017,72(1):116-134.]. DOI: 10.11821/dlxb201701010.
[本文引用: 1]

[24] 潘洪义, 黄佩, 徐婕. 基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究
生态学报, 2019,39(20):1-11.
[本文引用: 1]

[ Pan Hongyi, Huang Pei, Xu Jie. The spatial and temporal pattern evolution of vegetation NPP and its driving forces in middle-lower areas of the Min river based on geographical detector analyses
Acta Ecologica Sinica, 2019,39(20):1-11.]. DOI: 10.5846/stxb201809131971.
[本文引用: 1]

[25] Jiao H., Fang Y C. Simulation and prediction of urban heat island effect of urban high-speed rail construction
International Information and Engineering Technology Association, 2018,36(4):1438-1442. DOI: 10.18280/ijht.360436.
[本文引用: 1]

[26] Kathrin Menberg, Philipp Blum, Axel Schaffitel, et al. Long-term evolution of anthropogenic heat fluxes into a subsurface urban heat island
Environment Science & Technology, 2013,47(17):9747-9755. DOI: 10.1021/es401546u.
[本文引用: 1]