EN中文

干旱区地理 >

2024 , Vol. 47 >Issue 6: 967 - 979

DOI: https://doi.org/10.12118/j.issn.1000-6060.2023.266

生物与环境

关中地区人类活动强度与地表温度的时空关联特征及其驱动作用

  • 纪王迪 , 1 ,
  • 黄晓军 , 1, 2, 3 ,
  • 包微 1 ,
  • 马耀壮 1
展开
  • 1.西北大学城市与环境学院，陕西 西安 710127
  • 2.陕西省地表系统与环境承载力重点实验室，陕西 西安 710127
  • 3.陕西西安城市生态系统定位观测研究站，陕西 西安 710127
黄晓军（1983-），男，教授、博士生导师，主要从事城市脆弱性与韧性研究. E-mail:

纪王迪（2000-），女，硕士研究生，主要从事城市热环境与脆弱性研究. E-mail:

收稿日期: 2023-06-07

  修回日期: 2023-09-14

  网络出版日期: 2026-03-11

基金资助

国家自然科学基金(41971178)

收起

Spatiotemporal correlation characteristics and driving forces of human activity intensity and surface temperature in the Guanzhong area

  • Wangdi JI , 1 ,
  • Xiaojun HUANG , 1, 2, 3 ,
  • Wei BAO 1 ,
  • Yaozhuang MA 1
Expand
  • 1. College of Urban and Environmental Sciences, Northwest University, Xi’an 710127, Shaanxi, China
  • 2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Xi’an 710127, Shaanxi, China
  • 3. Shaanxi Xi’an Urban Forest Ecosystem Research Station, Xi’an 710127, Shaanxi, China

Received date: 2023-06-07

  Revised date: 2023-09-14

  Online published: 2026-03-11

Fold

摘要

人类活动对全球温度升高的促进作用愈加明显，如何科学衡量人类活动强度并探究其与地表温度的时空关联性成为当前研究热题。以关中地区为例，整合人口密度、地区生产总值、夜间灯光强度、建设用地面积比例、电量消耗5个指标表征人类活动强度，分析关中地区人类活动强度与地表温度时空变化规律，探究人类活动强度与地表温度关联性及其驱动作用。结果表明：（1） 2001—2020年关中地区平均地表高温、低温区域分别呈现总体增大、减少的趋势，地表高温区域范围不断扩大。（2） 2000—2020年关中地区的人类活动强度逐渐增加，特别是在各地级市的市辖区和主要居民点，高强度区域范围不断扩大，而低强度区域主要位于秦岭山区。（3） 2000—2020年关中地区人类活动强度与地表温度呈显著正相关性和空间上的集聚性，正相关区域面积呈现增大趋势，主要由不显著及负相关转化为正相关区域，高-高类型集聚区主要分布在各城市主城区，低-低类型集聚区主要分布在秦岭山区。（4） 影响地表温度的人类活动强度指标中，夜间灯光强度、人口密度、建设用地面积比例对地表温度的驱动作用最为显著；且夜间灯光强度与建设用地面积比例、人口密度与建设用地面积比例交互作用对地表温度的解释力最强。

关键词： 人类活动强度; 地表温度; 时空关联性; 关中地区

本文引用格式

纪王迪 , 黄晓军 , 包微 , 马耀壮 . 关中地区人类活动强度与地表温度的时空关联特征及其驱动作用[J]. 干旱区地理, 2024 , 47(6) : 967 -979 . DOI: 10.12118/j.issn.1000-6060.2023.266

Abstract

The accelerating role of human activities in the rise of global temperature has become increasingly evident. The scientific measurement of human activity intensity and the exploration of its spatiotemporal correlation with surface temperature has become a hot topic in research. Taking the Guanzhong area as an example, we integrate five indicators(population density, regional gross domestic product, nighttime light intensity, proportion of construction land area, and electricity consumption) to analyze spatiotemporal variations in human activity intensity and surface temperature. Furthermore, we explore the correlation and driving forces between human activity intensity and surface temperature. The results show that: (1) From 2001 to 2020, the average surface high and low temperature areas in the Guanzhong area demonstrated overall increasing and decreasing trends, respectively, with the scope of the surface high temperature areas continuously expanding. (2) The human activity intensity in the Guanzhong area gradually increased from 2000 to 2020, especially in downtown districts and major residential areas of prefecture-level cities. High-intensity areas continued to expand, while low-intensity areas were mainly located in the Qinling Mountains. (3) From 2000 to 2020, the human activity intensity in the Guanzhong area showed a significant positive correlation and spatial agglomeration with surface temperature. The area of positive correlation areas shows an increasing trend, mainly transforming from insignificant and negative correlations to positive correlation areas, with high-high type agglomeration areas primarily distributed in the main urban areas of cities, while low-low type agglomeration areas are mainly found in the Qinling Mountains. (4) Nighttime light intensity, population density, and the proportion of construction land area were identified as the most significant indicators of human activity intensity influencing surface temperature. Moreover, the explanatory power is most substantial for the interaction between nighttime light intensity and the proportion of construction land area as well as the interaction between population density and the proportion of construction land area.

Key words： human activity intensity; surface temperature; temporal-spatial correlation; Guanzhong area

随着工业化、城镇化速度的加快，不可持续能源使用、土地利用方式变化等人类活动的规模和强度增大，导致全球温室气体排放的不断增加[1-2]，且IPCC第六次评估报告显示，人类活动是导致全球变暖的重要因素[3]。1850年以来，全球温室气体排放量增加了50%以上，这导致2011—2020年间的全球地表温度比1850—1900年高出1.1 ℃[4]。全球气候变暖导致高温热浪、干旱、暴雨、热带气旋等极端天气事件频发，给人口健康、能源安全、社会经济发展等带来严重影响[5-6]。减少温室气体排放，减缓气候变化对人类福祉的影响，构建气候安全型社会已成为当前全球面临的重大挑战[7-8]。
目前，国内外学者针对人类活动与地表温度的关系进行了深入研究。研究主要集中在3个方面：一是从人类活动类型出发，分析不同活动类型对地表温度的影响及时空关联性[9⇓⇓-12]。由于土地利用类型的变化是人类活动形式的重要体现，学者们探讨了不同土地利用/覆盖类型与地表温度变化的关联性[13⇓⇓⇓-17]，并将土地利用类型分布与地表温度空间差异性相结合，探索了基于土地利用变化的人类活动行为与地表温度的相关性[18⇓-20]。二是通过遥感生态指数表征不同土地利用类型的水分和植被覆盖状况，进而探究土地利用变化对地表温度的影响[21-22]。已有研究运用归一化植被指数、土壤含水量等，构建了土地覆被指数探究得到土地利用变化与城市热岛效应的关联性。三是综合多项指标定量表征人类活动强度，研究人类活动强度与地表温度的时空关联性[23-24]，已有研究综合了人口密度、夜间灯光强度和土地利用类型等指标来表征人类活动强度，发现人类活动强度与地表温度呈显著正相关，这些研究对于精确描述人类活动行为，探讨人类活动强度对地表温度的驱动作用具有重要意义。但由于人类活动行为及其表现复杂多样，对于定量表征人类活动强度的指标尚未达成一致，因此此类研究较少，尚未形成体系。
纵观国内外相关研究，针对人类活动强度与地表温度时空关联性的研究仍存在以下不足：（1） 人类活动类型的选取偏重于土地利用和覆盖变化、人口密度及夜间灯光强度的综合，而缺少人类经济活动、生产及生活活动方面指标的综合，未能全面反映人类活动行为，忽视系统性量化人类活动强度。（2） 研究空间尺度多限于国家、省、市和区域级别，缺乏精确的格网尺度分析，也未能考虑行政区（县）的空间差异[25⇓⇓⇓-29]。（3） 研究时间尺度多为单个时间节点或静态时间截面，而缺少长时间序列监测人类活动强度与地表温度的时空关联性。因此，选择2000—2020年的5个时间截面，综合多项因子定量表征人类活动强度，监测分析长时间序列人类活动与地表温度的时空关联性，探究人类活动强度指标对地表温度的驱动作用具有重要意义。
基于此，本文以关中地区为例，综合人口密度、地区生产总值、夜间灯光强度、电量消耗、建设用地面积比例表征人类活动强度，运用双变量局部空间自相关、方差分析、地理探测器模型等方法探究关中地区2000—2020年人类活动强度与地表温度时空关联特征及作用机制，以期为关中地区减缓地温升高及避免极端气候风险提供参考借鉴。

1 研究区概况

关中地区位于陕西省中部，是陕西省三大地理单元之一（陕北黄土高原、中部关中平原、陕南秦巴山地），下辖6个地级市，包括西安市、宝鸡市、咸阳市、铜川市、渭南市、商洛市，共60个县（县级市、市辖区）（图1）。关中地区南倚秦岭北麓，北接黄土高原，平均海拔500 m，气候属于暖温带大陆性季风气候，年降水量576.9 mm，年平均气温13.0 ℃。作为“丝绸之路经济带”的重要节点和关中平原城市群的核心，近年来关中地区人口、产业等要素高度集聚，城镇化和社会经济发展迅速。2021年关中地区常住人口达2.595×107人，占全省总人口的65.63%；地区生产总值1.85×1012元，占全省总量的62.09%，三次产业结构比为6.7:39.6:53.7。受全球气候变暖、秦岭焚风效应和人类活动导致的城市热岛效应等因素影响，近年来关中地区夏季高温热浪频发，以西安市为例，2022年6月日最高气温在35 ℃及以上的天数高达20 d，是1951年以来最热的6月。频繁的高温热浪给关中地区的人口健康、生态环境、能源供给和经济发展都带来严重影响。
图1 研究区域示意图

Fig. 1 Schematic diagram of study area

2 数据与方法

2.1 研究方法

2.1.1 人类活动强度的表征

人类活动强度是衡量人类在某一区域生产和生活活动强度的综合指标，反映了其对陆地表层影响和作用的程度[30]。人口是人类活动的主体，区域内的人口集聚程度是反映人类活动强度的基本指标；人类生产活动的产出主要表现为经济规模，可用地区生产总值来反映人类生产活动水平[31]；夜间灯光影像能够反映居民点、道路等夜间灯光亮度，也可在一定程度上表征人类活动分布及其强度[32]；建设用地是承载人类活动的主要空间和用地类型，因此，可采用一定区域范围内建设用地面积比例来反映人类活动强度[33-34]；人类活动形式主要包括生产、生活活动，电量消耗数据可通过生产、生活用电量，在一定程度上反应人类活动强度。综上，本文采用公里格网的人口密度、地区生产总值、夜间灯光强度、电量消耗和建设用地面积比例来综合反映关中地区人类活动强度，计算公式如下：
HAI=a×POP+b×GDP+c×NL+d×EC+e×CLAP
式中：HAI为人类活动强度；POP为人口密度；GDP为地区生产总值；NL为夜间灯光强度，EC为电量消耗；CLAP为建设用地面积比例；a、b、c、d、e分别为人口密度、地区生产总值、夜间灯光强度、电量消耗和建设用地面积比例的权重，采用熵权法确定各指标权重，分别为0.094、0.226、0.219、0.233、0.227。

2.1.2 单因素方差分析

单因素方差分析用于分析人口密度、地区生产总值、夜间灯光强度、电量消耗、建设用地面积比例是否分别对地表温度产生显著影响，并通过运用箱线图将地表温度与不同人类活动强度指标进行可视化，探究关中地区不同人类活动强度区间内地表温度变化的差异性，公式如下[35]：
S S D = ∑ j = 1 y n j x - j - x ̿ 2
S S F = ∑ j = 1 y ∑ i = 1 n j x i j - x - j 2
F = S S D / ( y - 1 ) S S F / ( n - y )
式中：SSD为组内误差平方和；y为水平数； n j为观察值的个数； x - j为j水平下的样本均值； x ̿为总均值；SSF为组间误差平方和； x i j为在j水平下的第i个观察值；F为统计量；(y-1)、(n-y)为自由度。

2.1.3 双变量局部空间自相关

采用双变量局部空间自相关方法来描述地表温度与人类活动强度的局部空间关联性及其依赖特征，可分为高-高、低-低、高-低、低-高4种集聚类型，高-高、低-低型集聚代表地表温度与人类活动强度呈正相关，高-低、低-高型集聚代表地表温度与人类活动强度呈负相关。双变量局部空间自相关Moran’s I计算公式如下：
I i = z i ∑ j = 1 n w i j z j
式中： I i为空间单元i的自变量与因变量的局部空间关系；n为格网数量； z i和 z j为格网i和j的观测值方差标准化值； w i j为空间权重矩阵。

2.1.4 地理探测器模型

运用地理探测器的因子探测和交互作用探测模块，探测地表温度的空间分异性，探测人类活动强度指标对地表温度的解释程度，并探测各因素对其影响程度及各因子交互作用的影响程度，计算公式为[36]：
q = 1 - ∑ h = 1 L N h σ h 2 N h σ h 2
式中：h为地表温度；q为影响地表温度的决定力指标，取值范围为[0,1]，q值越大，表明该因素对地表温度h空间分异特征解释力越强；N为区域单元数；σ2为各区域单元地表温度的方差。
交互作用探测是指探究不同人类活动强度指标间的交互作用，评估因子X1与X2共同作用时是否会改变其对因变量地表温度变化的解释力，2个因子间的作用可以分为双因子增强、非线性增强、非线性减弱、单因子非线性减弱以及独立5类[36]（表1）。
表1 双因子交互作用类型

Tab. 1 Types of two-factor interaction

判断依据 交互作用类型
q(X1∩X2)<Min[q(X1),q(X2)] 非线性减弱
Min[q(X1),q(X2)]<q(X1∩X2)<Max[q(X1),q(X2)] 单因子非线性减弱
q(X1∩X2)>Max[q(X1),q(X2)] 双因子增强
q(X1∩X2)=q(X1)＋q(X2) 独立
q(X1∩X2)>q(X1)＋q(X2) 非线性增强

注：q为影响程度；X1、X2为影响因子。

2.2 数据来源

本文所用的地表温度数据来源于中国科学院资源环境科学与数据中心，该数据为基于MODIS地表温度数据（LST）每8 d 1 km数据产品（MOD11A2）计算获取的年均白天地表温度数据集，该数据集在每8 d数据基础上计算平均值，获得1—12月的平均地表温度，并在月平均地表温度基础上计算平均值获得年度平均地表温度[37]。表征人类活动强度的数据包括人口密度、地区生产总值、夜间灯光强度、电量消耗和建设用地面积比例。其中，人口密度和地区生产总值数据来源于中国科学院资源环境科学与数据中心的中国人口空间分布公里网格数据集和中国GDP空间分布公里网格数据集[38-39]；夜间灯光数据为1992—2019年中国时间序列类DMSP-OLS数据，由Wu等[40]通过整合DMSP-OLS和SNPP-VIIRS数据并改进后得到；电量消耗数据为全球范围的1992—2019年的1 km电量消耗栅格数据，由Chen等[41]基于校准夜间灯光数据并进行网格化修正得到；建设用地面积数据来源于中国科学院资源环境科学与数据中心的中国多时期土地利用遥感监测数据集，计算分辨率为30 m的建设用地面积在1 km格网内占比即建设用地面积比例[42]。为了反映地表温度和人类活动演变特征，以上数据分别选取2000、2005、2010、2015年和2020年5个时段，个别年份缺失的数据采用相邻年份替代（表2）。
表2 数据类型及其来源

Tab. 2 Data types and sources

数据名称 分辨率 年份 数据来源
地表温度（LST） 1 km 2001、2005、2010、2015、2020 https://www.resdc.cn/
人口密度（POP） 1 km 2000、2005、2010、2015、2019 https://www.resdc.cn/
地区生产总值（GDP） 1 km 2000、2005、2010、2015、2019 https://www.resdc.cn/
夜间灯光强度（NL） 1 km 2000、2005、2010、2015、2020 https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/GIYGJ
电量消耗（EC） 1 km 2000、2005、2010、2015、2019 https://doi.org/10.6084/m9.figshare.17004523.v1
建设用地面积比例（CLAP） 30 m 2000、2005、2010、2015、2020 https://www.resdc.cn/

3 结果与分析

3.1 地表温度时空变化格局

采用自然断点法将2001年关中地区白天平均地表温度划分为5个等级，为便于比较，2005、2010、2015、2020年按照2001年温度区间进行划分，结果如表3与图2所示。
表3 关中地区不同温度区间面积占比

Tab. 3 Proportion of different temperature ranges in the Guanzhong area /%

年份 面积占比
≤13.06 ℃ 13.07~16.31 ℃ 16.32~18.93 ℃ 18.94~21.23 ℃ ≥21.24 ℃
2001 5.85 14.12 24.06 31.99 23.99
2005 7.27 16.08 26.88 28.50 21.27
2010 6.06 17.58 28.56 26.01 21.79
2015 5.69 19.48 32.32 19.40 23.11
2020 5.12 14.80 27.68 21.61 30.78
图2 2001—2020年关中地区地表温度空间分布变化

注：LST为白天年平均地表温度。下同。

Fig. 2 Spatial distribution changes of surface temperature in the Guanzhong area from 2001 to 2020

从时间尺度来看（表3），关中地区2001—2020年高温区域总体呈现先减少后扩大趋势。2001—2020年关中地区平均地表温度在21.24 ℃及以上的高温区域面积占比呈现先减少后增大的趋势，关中地区平均地表温度在13.06 ℃及以下的低温区域面积占比呈现先增大后减少的趋势。其中，2020年平均地表温度在21.24 ℃及以上的高温区域面积占比最高，达30.78％，平均地表温度在13.06 ℃及以下的低温区域面积占比最低，为5.12％；2005年平均地表温度在21.24 ℃及以上的高温区域面积占比最低，为21.27％，平均地表温度在13.06 ℃及以下的低温区域面积占比最高，为7.27％。结果表明，2001—2020年关中地区平均地表高温、低温区域分别呈现总体增大、减少的趋势，地表高温区域范围不断扩大。
从空间尺度来看（图2），关中地区地表高温区域主要分布在渭南市、宝鸡市、咸阳市、铜川市、西安市，地表低温区域主要分布在宝鸡市、西安市、渭南市。其中2001年地表高温区域主要分布在渭南市中北部、宝鸡市中部、咸阳市南部、西安市东北部；2005年地表高温区域主要分布在宝鸡市东部、咸阳中南部、西安北部、铜川南部、渭南大部分地区；2010年地表高温区域主要集中分布在宝鸡市东部、咸阳市南部、铜川市南部、西安市中北部、渭南市几乎全域；2015年地表高温区域主要集中分布在宝鸡市东部、咸阳市南部、西安市北部、渭南市几乎全域；2020年地表高温区域与2015年趋于一致，且高温区域更为集中。2001—2020年关中地区地表低温区域分布大体一致，主要集中分布在宝鸡市西北部和南部、西安市南部、渭南市南部。

3.2 人类活动强度时空变化格局

运用公式（1）计算关中地区人类活动强度，采用自然断点法将2000年人类活动强度划分为5个等级，2005、2010、2015、2020年按照2000年人类活动强度区间进行划分，结果如图3与表4所示。
图3 2000—2020年人类活动强度空间分布变化

Fig. 3 Spatial distribution changes of human activity intensity from 2000 to 2020

表4 不同人类活动强度等级区间面积占比

Tab. 4 Proportion of different human activity intensity levels /%

年份 面积占比
≤0.02 0.03~0.06 0.07~0.16 0.17~0.34 ≥0.35
2000 80.55 13.10 4.81 1.09 0.46
2005 78.73 12.99 5.62 1.80 0.86
2010 74.92 13.53 7.10 3.25 2.20
2015 78.65 8.70 7.21 3.25 2.20
2020 74.67 11.25 7.61 3.70 2.77
从时间尺度来看，2000—2020年关中地区人类活动高强度区域总体呈现逐渐扩大的趋势。2000、2005、2010、2015年及2020年关中地区人类活动强度值在0.35及以上的高强度区域面积占比逐渐增大，分别为0.46％、0.86％、2.20％、2.20％、2.77％；人类活动强度值在0.17~0.34和0.07~0.16区间的区域面积占比也呈现逐渐增大趋势，分别从2000年的1.09％和4.81％增长到2020年的3.70%和7.61%。从空间尺度来看，2000—2020年关中地区人类活动高强度区域主要集中分布在西安市、宝鸡市、咸阳市及铜川市的主城区，涵盖西安市未央区、碑林区、雁塔区，咸阳市秦都区、兴平市、渭城区，宝鸡市中部渭滨区、金台区、陈仓区、凤翔区，铜川市南部耀州区，与地表高温区域分布大体一致。2000—2020年关中地区人类活动低值区域主要分布在渭南市南部、西安市南部、咸阳及铜川市中北部、宝鸡市及商洛市大部分区域。
总体来看，关中地区2000—2020年人类活动强度分布集中且差异较大，整体呈现中间高四周低的格局，人类活动高强度区域逐年扩大，强度值逐年升高。关中地区各地级市的市辖区尤其是中心城区以及主要的居民点是典型的高强度人类活动集中区域，且伴随着城镇化的推进和社会经济的快速发展，人类活动强度不断提升，高强度区域范围持续扩大。

3.3 地表温度与人类活动强度的时空关联特征

3.3.1 地表温度与人类活动强度相关性

采用SPSS单因素方差分析比较关中地区不同人类活动强度区间内地表温度之间的差异，结果显示，在P<0.05的置信水平下，地表温度在不同人类活动强度梯度上呈现出显著的分异特征。运用Origin软件进行可视化得到2000、2005、2010、2015、2020年人类活动强度与地表温度箱线图（图4），箱体越短表明地表温度高温值分布越集中，反之，地表温度的高温值分布越分散。从各时段变化来看，关中地区地表温度均值、中位数随人类活动强度增大整体呈现升高趋势，四分位差随人类活动强度增大整体呈现降低趋势。在人类活动强度为0.02及以下的范围内，5个年份地表温度均值、中位数均最小，四分位差均最大，这表明人类活动强度较小时，关中地区地表温度较低且分布分散。在人类活动强度0.35及以上范围内，5个年份地表温度均值、中位数均达到最大，在人类活动强度介于0.17~0.34范围内，2000、2005、2010年地表温度四分位差最小，在人类活动强度为0.35及以上范围内，2015、2020年地表温度四分位差达到最小，这表明人类活动强度较大时，关中地区地表温度较高且分布集中。
图4 2000—2020年人类活动强度与地表温度相关性变化

注：HAI为人类活动强度；箱体中间线为中位线，箱体中间点为均值，箱体上下底分别为上四分位数和下四分位数，上下边缘为均值±标准差。下同。

Fig. 4 Changes in the correlation between human activity intensity and surface temperature from 2000 to 2020

3.3.2 地表温度与人类活动强度空间关联特征

采用Geoda进行双变量局部空间自相关来描述地表温度与人类活动强度的局部空间关联性及其依赖特征，运用ArcGIS软件进行可视化得到2000、2005、2010、2015、2020年关中地区人类活动强度与地表温度空间集聚特征图（图5）。
图5 2000—2020年人类活动强度与地表温度空间集聚特征

Fig. 5 Spatial clustering characteristics of human activity intensity and surface temperature from 2000 to 2020

从空间尺度来看，关中地区人类活动强度与地表温度空间集聚特征明显，高-高集聚类型主要分布在宝鸡、渭南、咸阳、西安市及铜川市，且主要分布在关中地区各市主城区，如西安市的未央区、碑林区、雁塔区等，这些地区人口密集、经济活动集中、地表温度也较高，使得人类活动强度与地表温度高-高正向集聚特征显著；低-低集聚类型主要分布在宝鸡、西安、渭南市，且主要分布在秦岭山区，如宝鸡市太白县、凤县、陇县等，这些地区人口分布较少，人类活动强度与地表温度均较低，呈现出人类活动强度与地表温度低-低正向集聚特征。从时间尺度来看，2000年高-高集聚类型主要分布在宝鸡市中部、西安市东部、咸阳市南部、铜川市南部、渭南市西部及中部、商洛市中部的零星区域；2005年高-高集聚类型空间分布与2000年基本一致，且西安北部呈现出高-高集聚特征，而咸阳市南部高-高集聚特征减少；2010、2015、2020年关中地区高-高集聚类型主要分布在关中地区中部，且高-高集聚区域不断扩大。2000、2005、2010、2015、2020年关中地区低-低型集聚主要集中分布在宝鸡市西北部、宝鸡市南部、西安市南部、渭南市南部。
从各等级集聚类型面积占比及转化过程来看（图6），2000、2005、2010、2015、2020年关中地区低-低集聚类型占比呈现依次增大的趋势，高-高、低-高集聚类型占比总体呈现增大趋势，高-低集聚类型、不显著区域面积占比呈现依次减少的趋势。此外，关中地区人类活动强度与地表温度集聚类型存在由不显著及负相关转化为正相关的特征。2000—2020年，大量不显著区域转化为高-高集聚类型，部分低-高集聚类型转化为高-高集聚类型，低-低集聚与不显著区域之间存在一定的相互转化。2000、2005、2010、2015、2020年正相关区域（高-高、低-低）面积占比分别为32.77％、32.90％、34.67％、34.42％、36.21％。
图6 2000—2020年集聚类型转化特征

Fig. 6 Transformation characteristics of clustering types from 2000 to 2020

总体而言，关中地区人类活动强度与地表温度呈现出明显的局部空间自相关，随时间推进，关中地区人类活动强度与地表温度正相关性越来越显著，正相关区域逐渐扩大，人类活动强度与地表温度之间存在显著时空关联性，意味着人类活动可能是造成地表温度不断上升的关键原因。

3.4 人类活动对地表温度的驱动作用

3.4.1 因子探测分析

运用因子探测模型，测度2000、2005、2010、2015、2020年人类活动强度指标对地表温度影响的解释程度，结果显示（表5），5项人类活动强度指标均通过显著性检验，关中地区地表温度受人口密度（POP）、地区生产总值（GDP）、夜间灯光强度（NL）、电量消耗（EC）、建设用地面积比例（CLAP）的共同影响。
表5 影响地表温度的人类活动强度指标因素因子探测

Tab. 5 Exploration of factors influencing surface temperature in relation to human activity intensity indicators

驱动因素 影响程度
2000年 2005年 2010年 2015年 2020年
人口密度（POP） 0.2140*** 0.2936*** 0.3129*** 0.2755*** 0.2436***
地区生产总值（GDP） 0.1121*** 0.1035*** 0.1183*** 0.0515*** 0.0635***
夜间灯光强度（NL） 0.2330*** 0.3789*** 0.3639*** 0.1768*** 0.2616***
电量消耗（EC） 0.0547*** 0.1002*** 0.0920*** 0.1151*** 0.1363***
建设用地面积比例（CLAP） 0.1487*** 0.2367*** 0.2120*** 0.2415*** 0.2757***

注：***表示在1%水平显著。

各阶段对地表温度产生驱动作用最大的指标分别为夜间灯光强度（2000年）、夜间灯光强度（2005年）、夜间灯光强度（2010年）、人口密度（2015年）、建设用地面积比例（2020年），其影响程度分别为0.2330、0.3789、0.3639、0.2755、0.2757。其中2000、2005、2010年关中地区影响地表温度的人类活动强度指标对地表温度的影响从大到小依次为NL>POP>CLAP>GDP>EC，2015年从大到小依次为POP>CLAP>NL>EC>GDP，2020年从大到小依次为CLAP>NL>POP>EC>GDP。由结果分析可得，影响地表温度的人类活动强度指标中，夜间灯光强度、人口密度、建设用地面积比例对人类活动强度的代表性最强，对地表温度的驱动作用最为显著，而电量消耗与地区生产总值对人类活动强度的代表性以及对地表温度的驱动作用次之。

3.4.2 交互探测分析

为探究影响地表温度的人类活动强度各指标间的交互作用对地表温度的解释力，分别对2000、2005、2010、2015、2020年的5项指标进行交互探测（图7）。结果显示，任意2个人类活动强度指标之间的交互作用结果均呈现双因子增强，即指标之间交互作用的解释力均大于各单一指标的解释力，表明关中地区白天平均地表温度空间分异是多个人类活动强度指标共同作用的结果。
图7 影响地表温度的人类活动强度指标因素交互探测

注：q为影响程度；CLAP、EC、POP、GDP、NL分别为建设用地面积比例、电量消耗、人口密度、地区生产总值、夜间灯光强度。

Fig. 7 Exploration of the interactive effects of human activity intensity indicators on surface temperature

2000—2020年各指标间交互作用对关中地区白天平均地表温度影响最大的2个指标分别为：NL∩CLAP（2000年，q=0.2822）、NL∩CLAP（2005年，q=0.3332）、NL∩CLAP（2010年，q=0.4070）、POP∩CLAP（2015年，q=0.3590）、NL∩CLAP（2020年，q=0.3738）。其中夜间灯光强度和建设用地面积比例的交互作用在2000、2005、2010、2020年这4个年份中均最强，且随时间演变影响程度增大，说明这2个指标对地表温度的交互解释力度最强；人口密度与夜间灯光强度的交互作用在2000、2005、2010、2015年这4个年份中均仅次于夜间灯光强度和建设用地面积比例的交互作用，说明这2个指标对地表温度的交互解释力度次之，即人口聚集程度对地表温度的升高具有显著驱动作用；电量消耗与地区生产总值的交互作用在5个年份中均最弱，分别为0.1358、0.1004、0.1485、0.1214、0.1449，说明这2个指标对地表温度的解释力最弱。整体而言，与单因子探测相比，每个人类活动强度指标与其他4个指标的交互作用q值均有不同程度的增大，对地表温度变化的解释力增强。

4 讨论与结论

4.1 讨论

本文采用多指标表征人类活动强度，并探讨了其与地表温度的时空关联性，研究结果显示，2000—2020年关中地区地表高温区域、人类活动高强度区域呈现逐渐扩大的趋势，关中地区人类活动强度与地表温度呈现正相关性，且关中地区地表温度时空分异为多种人类活动强度指标综合作用的结果。
从研究尺度来看，大量研究多精确到市域，未能揭示内部空间分异规律，当本研究将分析单元的尺度精确到栅格尺度时，发现地表温度与人类活动强度依然呈现较强的正相关性，且正相关区域集中于城市主城区及周围主要居民点。从总体研究结果来看，人类活动强度与地表温度呈现出显著的正相关性，这与天山北坡地区研究结论基本一致[23]。从影响地表温度的人类活动强度指标来看，建设用地面积比例、夜间灯光强度、人口密度、地区生产总值对地表温度的升高具有显著正向驱动作用，这一结果与其他地区研究结果基本一致。如韩贵峰等发现城市热岛强度与人口密度呈现显著的线性相关，距离主城核心区越近，人口密度越大，对应的地表温度和相对热岛强度显著升高，内环线老城区附近为城市居住区、商业区、工业区，人口高度聚集，且建筑面积与不透水面比例较大[43]；本文2000、2005、2010、2015年人口密度的解释力均大于建设用地面积比例，这与前人研究结果一致，有研究显示，2016年粤港澳大湾区单元人口密度、建设用地面积占比与地表温度呈现正相关性，具有较高的解释力，且单元人口密度的平均解释力大于建设用地面积比例[44]。此外，王莹书等[45]研究发现兰州市高温区与次高温区主要分布在建设用地、未利用地以及部分耕地与裸草地区域，且相关分析结果显示人口、GDP与兰州市LST呈现正相关性，但并不显著。而本文研究结果显示人口、GDP与西安市LST呈现显著正相关性，这可能与主城区面积有关，西安市主城区面积远大于兰州市主城区面积，人口集聚程度高，人类活动强度大。最后，为了进一步完善该研究，本文引入了电量消耗数据作为衡量人类活动强度的指标，并发现电量消耗与其他指标之间的交互作用对地表温度升高产生了积极的影响，对相关研究进行了一定程度的补充。鉴于不同研究区人类活动对地表温度的影响各异，因此，后续有必要将研究范围扩大，进一步探究不同地区人类活动强度与地表温度的时空关联性及其驱动机制。
针对关中地区人类活动强度与地表温度之间显著的正相关性，得到以下启示：（1） 提高公众意识，加强温室气体减排，推动可持续发展。减少化石燃料的使用、增加可再生能源的比例、改善能源效率等，以降低温室气体的排放量。（2） 城市规划和设计需要更加注重减轻城市热岛效应。结果显示高-高集聚区主要分布在各城市主城区，应增加绿地覆盖、改善城市空间布局、提高建筑物能效等措施，以减少城市的热吸收和热释放，降低地表温度。（3） 推进低碳城市发展。通过鼓励可持续交通方式、推广清洁能源应用、促进循环经济和减少废弃物等举措，可以减少人类活动对地表温度的负面影响，推动城市向低碳发展。
本文仍存在一定的不足。本研究只考虑建设用地面积比例，而并未结合全部土地利用类型衡量人类活动强度，有待进一步完善。其次，有研究显示自然因素对我国地表温度变化的贡献更大[26]，后续有必要将自然因素对人类活动行为的影响纳入研究范畴；此外，由于部分数据缺失，本研究只选取了5个时间截面数据分析2000—2020年地表温度与人类活动强度的时空关联特征，后续本文将在更精细的时间尺度上分析地表温度与人类活动强度的时空关联性及其驱动作用。

4.2 结论

（1） 2001—2020年关中地区平均地表高温、低温区域分别呈现总体增大、减少的趋势，地表高温区域范围不断扩大。关中地区地表高温区域主要分布在渭南市、宝鸡市、咸阳市、铜川市、西安市，地表低温区域主要分布在宝鸡市、西安市、渭南市。
（2） 2000—2020年关中地区人类活动高强度区域呈现逐渐扩大的趋势，人类活动强度不断提升，高强度区域范围持续扩大。高强度区域分布在各地级市的市辖区尤其是中心城区以及主要的居民点，低强度区域则主要分布在秦岭山区。
（3） 2000—2020年关中地区人类活动强度与地表温度呈现正相关的区域面积呈现增大趋势，且主要由不显著及负相关转化为正相关区域。人类活动强度与地表温度在空间分布上也表现出明显的集聚性，高-高类型集聚区主要分布在各城市主城区，低-低类型集聚区主要分布在秦岭山区。
（4） 关中地区地表温度时空分异为多种人类活动强度指标综合作用的结果。在影响地表温度的所有人类活动强度指标中，夜间灯光强度、人口密度、建设用地面积比例对地表温度的驱动作用最为显著；各指标间的交互作用大于单一指标的影响，其中夜间灯光强度与建设用地面积比例、人口密度与建设用地面积比例对地表温度的解释力最强。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
胡婷, 孙颖. IPCC AR6报告解读: 人类活动对气候系统的影响[J]. 气候变化研究进展, 2021, 17(6): 644-651.

[Hu Ting, Sun Ying. Interpretation of IPCC AR6 on human influence on the climate system[J]. Climate Change Research, 2021, 17(6): 644-651.]

[2]
孙颖. 人类活动对气候系统的影响——解读IPCC第六次评估报告第一工作组报告第三章[J]. 大气科学学报, 2021, 44(5): 654-657.

[Sun Ying. Impact of human activities on climate system:An interpretation of Chapter Ⅲ of WGⅠ report of IPCC AR6[J]. Transactions of Atmospheric Sciences, 2021, 44(5): 654-657.]

[3]
IPCC. Climate change 2022: Mitigation of climate change[R]. Cambridge: Cambridge University Press, 2022.

[4]
WMO. WMO statement on the state of the global climate in 2019[EB/OL]. http://library.wmo.int/index.php?lvl=notice_display&id=21700.

[5]
秦大河, 张建云, 闪淳昌, 等. 中国极端天与气候事件和灾害风险管理与适应国家评估报告[M]. 北京: 科学出版社, 2015: 1-17.

[Qin Dahe, Zhang Jianyun, Shan Chunchang, et al. China national assessment report on risk management and adaptation of climate extremes and disasters[M]. Beijing: Science Press, 2015: 1-17.]

[6]
孙邵, 李多, 王遵娅, 等. 2018年全球重大天气气候事件及其成因[J]. 气象, 2019, 45(4): 533-542.

[Sun Shao, Li Duo, Wang Zunya, et al. Global major weather and climate events in 2018 and the possible causes[J]. Meteorological Monthly, 2019, 45(4): 533-542.]

[7]
赵宗慈, 罗勇, 黄建斌. 回顾IPCC 30年(1988—2018年)[J]. 气候变化研究进展, 2018, 14(5): 540-546.

[Zhao Zongci, Luo Yong, Huang Jianbin. Review of IPCC 30 years (1988—2018)[J]. Climate Change Research, 2018, 14(5): 540-546.]

[8]
梁媚聪, 秦圆圆, 樊星, 等. IPCC第六次评估报告第三工作组报告主要结论解读及对策建议[J]. 环境保护, 2022, 50(13): 72-76.

[Liang Meicong, Qin Yuanyuan, Fan Xing, et al. Interpretation of the main conclusions and suggestions of IPCC AR6 Working Group Ⅲ Report[J]. Environmental Protection, 2022, 50(13): 72-76.]

[9]
韩冬锐, 徐新良, 李静, 等. 长江三角洲城市群热环境安全格局及土地利用变化影响研究[J]. 地球信息科学学报, 2017, 19(1): 39-49.

DOI

[Han Dongrui, Xu Xinliang, Li Jing, et al. Study on the security pattern of the heat environment and the influence of land use change in the Yangtze River Delta urban agglomeration[J]. Journal of Geo-information Science, 2017, 19(1): 39-49.]

[10]
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.

DOI

[Shen Zhongjian, Zeng Jian. Spatial relationship of urban development to land surface temperature in three cities of southern Fujian[J]. Acta Geographica Sinica, 2021, 76(3): 566-583.]

DOI

[11]
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 Hongwu, Kasimu Alimujiang, Zhang Xueling, 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.]

[12]
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.

[13]
张雪玲, 阿里木江·卡斯木, 梁洪武. 石河子绿洲地表温度时空变化与城镇发展协调性分析[J]. 生态与农村环境学报, 2023, 39(3): 324-334.

[Zhang Xueling, Kasimu Alimujiang, Liang Hongwu. Coordination analysis of temporal and spatial variation of land surface temperature and urban development in Shihezi Oasis[J]. Journal of Ecology and Rural Environment, 2023, 39(3): 324-334.]

[14]
Luyssaert S, Jammet M, Stoy P C, et al. Land management and land-cover change have impacts of similar magnitude on surface temperature[J]. Nature Climate Change, 2014, 4(5): 389-393.

[15]
Prafull S, Noyingbeni K, Pradipika V. Impact of land use change and urbanization on urban heat island in Lucknow City, Central India: A remote sensing based estimate[J]. Sustainable Cities and Society, 2017(32): 100-114.

[16]
Ashraf D, Grigory K, Dirk B, et al. Surface urban heat island intensity in five major cities of Bangladesh: Patterns, drivers and trends[J]. Sustainable Cities and Society, 2021(71): 102926, doi: 10.1016/j.scs.2021.102926.

[17]
黄晓军, 宋涛, 王博, 等. 土地利用规模-结构-形态演变对城市热环境的影响——以西安市主城区为例[J]. 地理科学, 2022, 42(5): 926-937.

DOI

[Huang Xiaojun, Song Tao, Wang Bo, et al. Study on the influence of land use evolution of scale, structure and pattern on urban thermal environment: A case study of Xi’an[J]. Scientia Geographica Sinica, 2022, 42(5): 926-937.]

DOI

[18]
康利刚, 曹生奎, 曹广超, 等. 青海湖流域地表温度时空变化特征研究[J]. 干旱区地理, 2023, 46(7): 1084-1097.

[Kang Ligang, Cao Shengkui, Cao Guangchao, et al. Spatiotemporal variation of land surface temperature in Qinghai Lake Basin[J]. Arid Land Geography, 2023, 46(7): 1084-1097.]

[19]
刘宇, 匡耀求, 吴志峰, 等. 不同土地利用类型对城市地表温度的影响——以广东东莞为例[J]. 地理科学, 2006, 26(5): 5597-5602.

[Liu Yu, Kuang Yaoqiu, Wu Zhifeng, et al. Impact of land use on urban land surface temperature: A case study of Dongguan, Guangdong Province[J]. Scientia Geographica Sinica, 2006, 26(5): 5597-5602.]

[20]
钱乐祥, 丁圣彦. 珠江三角洲土地覆盖变化对地表温度的影响[J]. 地理学报, 2005, 60(5): 761-770.

[Qian Lexiang, Ding Shengyan. Influence of land cover change on land surface temperature in Zhujiang Delta[J]. Acta Geographica Sinica, 2005, 60(5): 761-770.]

DOI

[21]
苏伟忠, 杨英宝, 杨桂山. 南京市热场分布特征及其与土地利用/覆被关系研究[J]. 地理科学, 2005, 25(6): 6697-6703.

[Su Weizhong, Yang Yingbao, Yang Guishan. Distributional characteristics of urban thermal space and relations with land use/cover of Nanjing[J]. Scientia Geographica Sinica, 2005, 25(6): 6697-6703.]

[22]
罗瑶, 彭文甫, 董永波, 等. 基于地理探测器下的川西高原地表温度空间格局及影响因子分析——以西昌市为例[J]. 干旱区地理, 2020, 43(3): 738-749.

[Luo Yao, Peng Wenfu, Dong Yongbo, et al. Geographical exploration of the spatial pattern of the surface temperature and its influencing factors in western Sichuan Plateau: A case of Xichang City[J]. Arid Land Geography, 2020, 43(3): 738-749.]

[23]
陈泓瑾, 刘琳, 张正勇, 等. 天山北坡人类活动强度与地表温度的时空关联性[J]. 地理学报, 2022, 77(5): 1244-1259.

DOI

[Chen Hongjin, Liu Lin, Zhang Zhengyong, et al. Spatiotemporal correlation between human activity intensity and surface temperature on the north slope of Tianshan Mountains[J]. Acta Geographica Sinica, 2022, 77(5): 1244-1259.]

DOI

[24]
乔治, 贺曈, 卢应爽, 等. 全球气候变化背景下基于土地利用的人类活动对城市热环境变化归因分析——以京津冀城市群为例[J]. 地理研究, 2022, 41(7): 1932-1947.

DOI

[Qiao Zhi, He Tong, Lu Yingshuang, et al. Quantifying the contribution of land use change based on the effects of global climate change and human activities on urban thermal environment in the Beijing-Tianjin-Hebei urban agglomeration[J]. Geographical Research, 2022, 41(7): 1932-1947.]

DOI

[25]
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.

[26]
田浩, 刘琳, 张正勇, 等. 2001—2020年中国地表温度时空分异及归因分析[J]. 地理学报, 2022, 77(7): 1713-1729.

DOI

[Tian Hao, Liu Lin, Zhang Zhengyong, et al. Spatiotemporal diversity and attribution analysis of land surface temperature in China from 2001 to 2020[J]. Acta Geographica Sinica, 2022, 77(7): 1713-1729.]

DOI

[27]
李海军, 高煜, 高鹏. 结合地理探测器的长沙市区地表温度驱动力探究[J]. 测绘与空间地理信息, 2022, 45(11): 78-81, 86.

[Li Haijun, Gao Yu, Gao Peng. Research on driving force of surface temperature in Changsha City combined with geographic detector[J]. Geomatics & Spatial Information Technology, 2022, 45(11): 78-81, 86.]

[28]
武蓉蓉, 谢苗苗, 刘琦, 等. 大都市功能区块视角下的热岛影响因素空间分异[J]. 资源科学, 2020, 42(12): 2463-2474.

DOI

[Wu Rongrong, Xie Miaomiao, Liu Qi, et al. Spatial variability of causative factors of heat islands from the perspective of metropolitan functional blocks[J]. Resources Science, 2020, 42(12): 2463-2474.]

DOI

[29]
乔治, 黄宁钰, 徐新良, 等. 2003—2017年北京市地表热力景观时空分异特征及演变规律[J]. 地理学报, 2019, 74(3): 475-489.

DOI

[Qiao Zhi, Huang Ningyu, Xu Xinliang, et al. Spatio-temporal pattern and evolution of the urban thermal landscape in metropolitan Beijing between 2003 and 2017[J]. Acta Geographica Sinica, 2019, 74(3): 475-489.]

DOI

[30]
文英. 人类活动强度定量评价方法的初步探讨[J]. 科学与社会, 1998(4): 56-61.

[Wen Ying. Preliminary discussion on quantitative evaluation method of human activity intensity[J]. Science and Society, 1998(4): 56-61.]

[31]
郑文武, 邹君, 田亚平, 等. 基于RS和GIS的区域人类活动强度空间模拟[J]. 热带地理, 2011, 31(1): 77-81.

[Zheng Wenwu, Zou Jun, Tian Yaping, et al. Spatial simulation of human activity intensity based on RS and GIS[J]. Tropical Geography, 2011, 31(1): 77-81.]

[32]
王鹤饶, 郑新奇, 袁涛. DMSP/OLS数据应用研究综述[J]. 地理科学进展, 2012, 31(1): 11-19.

DOI

[Wang Herao, Zheng Xinqi, Yuan Tao. Overview of researches based on DMSP/OLS nighttime light data[J]. Progress in Geography, 2012, 31(1): 11-19.]

DOI

[33]
Yang F, Matsushita B, Yang W, et al. Mapping the human footprint from satellite measurements in Japan[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014(88): 80-90.

[34]
冯志贤, 张继贤, 侯伟, 等. 基于地表覆盖分类的生态环境人为干扰度分析——以北京市为例[J]. 生态学杂志, 2017, 36(2): 508-516.

[Feng Zhixian, Zhang Jixian, Hou Wei, et al. Dynamic changes of hemeroby degree based on the land cover classification: A case study in Beijing[J]. Chinese Journal of Ecology, 2017, 36(2): 508-516.]

[35]
黄创绵, 蔡汝山. 单因素方差分析方法在环境试验中的应用[J]. 电子产品可靠性与环境试验, 2010, 28(6): 21-26.

[Huang Chuangmian, Cai Rushan. Application of one-way ANOVA in environmental tests[J]. Electronic Product Reliability and Environmental Testing, 2010, 28(6): 21-26.]

[36]
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

DOI

[Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.]

DOI

[37]
徐新良. 中国地表温度LST年度1 KM数据集[DB/OL]. [2023-02-19]. 中国科学院资源环境科学数据中心数据注册与出版系统. https://www.resdc.cn/DOI/DOI.aspx?DOIID=98.

[Xu Xinliang. et al. China surface temperature LST annual 1 KM data set[DB/OL]. [2023-02-19]. Data Registration and Publication System of Data Center of Resources and Environmental Sciences, Chinese Academy of Sciences. https://www.resdc.cn/DOI/DOI.aspx?DOIID=98.]

[38]
徐新良. 中国人口空间分布公里网格数据集[DB/OL]. [2023-02-20]. 中国科学院资源环境科学数据中心数据注册与出版系统. https://www.resdc.cn/DOI/DOI.aspx?DOIID=32.

[Xu Xinliang. et al. China population spatial distribution kilometer grid dataset[DB/OL]. [2023-02-20]. Data Registration and Publication System of Data Center of Resources and Environmental Sciences, Chinese Academy of Sciences. https://www.resdc.cn/DOI/DOI.aspx?DOIID=32.]

[39]
徐新良. 中国GDP空间分布公里网格数据集[DB/OL]. [2023-02-21]. 中国科学院资源环境科学数据中心数据注册与出版系统. https://www.resdc.cn/DOI/DOI.aspx?DOIID=33.

[Xu Xinliang. et al. China GDP spatial distribution kilometer grid data set[DB/OL]. [2023-02-21]. Data Registration and Publication System of Data Center of Resources and Environmental Sciences, Chinese Academy of Sciences. https://www.resdc.cn/DOI/DOI.aspx?DOIID=33.]

[40]
Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-like data (1992—2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience & Remote Sensing, 2022, 60: 1-14.

[41]
Chen J D, Gao M, Cheng S L, et al. Global 1 km × 1 km gridded revised real gross domestic product and electricity consumption during 1992—2019 based on calibrated nighttime light data[J]. Scientific Data, 2022, 9(1): 202, doi: 10.1038/s41597-022-01322-5.

[42]
徐新良, 刘纪远, 张树文, 等. 中国多时期土地利用土地覆被遥感监测数据集(CNLUCC)[DB/OL]. [2023-02-20]. 中国科学院资源环境科学数据中心数据注册与出版系统. https://www.resdc.cn/DOI/DOI.aspx?DOIID=54.

[Xu Xinliang, Liu Jiyuan, Zhang Shuwen, et al. Remote sensing monitoring data set of landcover for land use in multiple periods of China (CNLUCC)[DB/OL]. [2022-02-20]. Data Registration and Publication System of Data Center of Resources and Environmental Sciences, Chinese Academy of Sciences. https://www.resdc.cn/DOI/DOI.aspx?DOIID=54.]

[43]
韩贵锋, 赵珂, 颜文涛, 等. 快速城市化山地城市地表温度的多维梯度——以重庆市主城区为例[J]. 应用生态学报, 2012, 23(6): 1655-1662.

[Han Guifeng, Zhao Ke, Yan Wentao, et al. Multi-gradients of land surface temperature in mountainous cities with rapid urbanization: A case study in central area of Chongqing City[J]. Chinese Journal of Applied Ecology, 2012, 23(6): 1655-1662.]

PMID

[44]
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[J]. 资源科学, 2019, 41(6): 1154-1166.

DOI

[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[J]. Resoures Science, 2019, 41(6): 1154-1166.]

[45]
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 Yingshu, Shi Peiji, Zhao Wusheng, et al. Spatial-temporal characteristics and influencing factors of thermal environment in Lanzhou[J]. Ecological Science, 2022, 41(2): 59-65.]

Options
文章导航

/

〈 〉