EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 6: 275 - 285

DOI: https://doi.org/10.6046/zrzyyg.2024358

Spatiotemporal characteristics of the surface urban heat island effect in Tianjin City based on ECOSTRESS data

  • QIN Jiakai , 1 ,
  • ZHU Zhongli , 1 ,
  • WU Qingxia 1 ,
  • ZHANG Kaili 2
Expand
  • 1. State Key Laboratory of Earth Surface Processes and Hazards Risk Governance (ESPHR), Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
  • 2. School of Remote Sensing & Geomatics Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, China

Received date: 2024-10-30

  Revised date: 2025-06-13

  Online published: 2026-06-03

Fold

Abstract

With the continuous advancement of urbanization, the local thermal environments and microclimates of cities have undergone varying degrees of change, leading to the surface urban heat island (SUHI) effect. Based on the ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station (ECOSTRESS) data and local climate zones (LCZs), this study investigated the diurnal variations of the SUHI effect in Tianjin City, the contributions of various LCZs to the SUHI effect during daytime and nighttime, and the SUHI gradient attenuation differences. The results indicate that the central urban area of Tianjin exhibited significant diurnal variations in the SUHI effect, reaching a minimum value of 0.14 at 3:00 and a maximum value of 3.56 at 13:00, with an average diurnal-nocturnal difference of 1.59. On a daily scale, the contributions of various LCZs to the SUHI effect displayed notable intra-class and inter-class differences. Generally, LCZ1 (compact high-rise buildings) and LCZ2 (compact mid-rise buildings) showed thermal difference indices (TDIs) of 2.10 and 2.13, respectively, serving as the primary heat sources. In contrast, LCZA (dense trees) and LCZG (water bodies) yielded TDIs of 0.89 and 0.85, respectively, serving as the primary cold sources. Notably, the roles of LCZ7 (lightweight low-rise buildings), LCZA, and LCZG as cold/heat sources changed significantly during daytime and nighttime. A pronounced SUHI gradient effect was observed in the central urban area of Tianjin, with the SUHI intensity negatively correlated with the distance from the urban center, building height, and building density. The Moran’s I of the SUHI effect was 0.70 during daytime and 0.84 during nighttime, indicating that the SUHI effect exhibited stronger spatial aggregation and gradient effect during nighttime. Overall, by analyzing the diurnal dynamic changes of the SUHI effect and the contributions of various LCZs to the SUHI effect, this study reduces the errors associated with previous analyses that rely solely on fixed-time images. It provides a novel insight into understanding urban planning and sustainable development policies. Moreover, this study can be referenced for alleviating the SUHI effect and improving the livability and sustainable development of cities.

Key words： local climate zone (LCZ); ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station (ECOSTRESS); diurnal variation; gradient effect; surface urban heat island (SUHI)

Cite this article

QIN Jiakai , ZHU Zhongli , WU Qingxia , ZHANG Kaili . Spatiotemporal characteristics of the surface urban heat island effect in Tianjin City based on ECOSTRESS data[J]. Remote Sensing for Natural Resources, 2025 , 37(6) : 275 -285 . DOI: 10.6046/zrzyyg.2024358

0 引言

21世纪以来,我国城市化、工业化全面快速发展,城市居民人口快速增加。高速的城市化发展产生2方面的影响,一方面引起城市地表覆盖形态发生巨大变化,大量自然地表类型转变为城市建筑覆盖类型,导致城市地区地表反射率、热特性发生显著变化[1-2]; 另一方面城市人口骤增,预计到2050年,66%的世界人口将居住在城市,城市人口的大量聚集导致大量人为热的产生[3]。这些都导致城市局部热环境和小气候发生了不同程度的改变,进而导致地表城市热岛(surface urban heat island,SUHI)效应[4-5]。SUHI对城市的气候和环境有着重要的影响,这些影响降低了城市整体的生态宜居性,损害了城市人口的健康[6-7]。
在全球极端高温事件频发,SUHI效应更容易受到影响的背景下,城市热环境问题引起了科学家、城市规划人员和公众的广泛关注。自SUHI提出以来,相关研究大多集中于SUHI的形成机理和SUHI强度的空间分布特征[8-9]。这些研究大多以“城乡二分法”为基础,能初步表征城乡热环境差异。但随着城市扩张,城市与郊区之间的界限变得模糊,且由于城市局部形态不同,该方法无法有效地分析城市形态及其变化对城市内部微气候的影响,限制了对于城市内部微气候异质性的研究。为克服这些局限性,Stewart等[10]综合城市三维空间信息,提出了局地气候区(local climate zone,LCZ)分类方法,该方法依据城市结构、土地覆盖和人类活动,将城市下垫面分为10种建成景观类型和7种自然景观类型。自LCZ提出以来,受到相关研究人员的广泛关注。Richard等[11]研究表明,LCZ分类在全球范围内能有效适应城市和农村气候特征; Li等[12]和Collins等[13]研究揭示了绿地覆盖率与地表温度(land surface temperature,LST)之间的显著负相关性,强调优化绿地配置的重要性; Migliari等[14]的研究发现,不同LCZ类型对夏季气温的影响差异明显; Žgela等[15]强调了不同地理位置下LCZ对LST的影响,揭示了植被在缓解SUHI中的作用; Baqa等[16]利用SDGSAT-1数据结合Crichton模型进行热暴露风险分析,表明中低层建筑区域为主要的热暴露区域; Bechtel等[17]针对全球50个城市的SUHI进行研究,研究结果表明不同LCZ类型之间的SUHI强度存在显著差异,紧凑型建筑相比于开阔型具有更强的SUHI强度。大量的研究表明LCZ适用于研究城市形态对于SUHI的影响。
城市热环境的观测通常采用定点观测或基于卫星的LST反演,定点观测通常具有较高的时间分辨率和广泛的时间覆盖范围[18]。然而由于观测仪器和站点数量的限制,对城市内部空间变化的分析存在局限。遥感技术反演LST能够较好地解决站点覆盖不足的问题[19],其中Landsat因其较高的空间分辨率被广泛用于城市热环境分析,但其成像时间固定,无法实现日内变化监测; 地球静止卫星可提供每小时观测数据,但其空间分辨率较低[20],无法实现精细化监测。生态系统星载试验热辐射计(Ecosystem Spaceborne Thermal Radiometer Experiment on Space Station,ECOSTRESS)凭借其独特的轨道设计,能够在昼夜不同时间获取LST信息,为LST的高精度时空动态监测及精细化研究提供了重要数据支撑。已有研究利用ECOSTRESS数据,结合增强型植被指数(enhanced vegetation index,EVI)数据,深入探讨其在植物生态学中的作用[21-22]。与此同时,其他学者通过结合社会人口数据开展了人口热暴露日动态风险评估[23-26],以及城市树冠温度的日动态变化[27]。Chang等[28]利用ECOSTRESS数据结合LCZ分类数据开展昼夜温度时空变化分析,结果表明,紧凑型建筑升温速率显著高于开阔建筑; Yao等[29]在ECOSTRESS数据的基础上,以街区为分类单元探究城市结构对于昼夜温度的驱动关系,研究表明,日间归一化植被指数(normalized difference vegetation index,NDVI)是主要的驱动因素,且高密度建筑影响尤其显著,夜间改进归一化水体指数(modified normalized difference water index,MNDWI)则是主要的决定因素; Wang等[30]基于ECOSTRESS数据,结合建筑高度、兴趣点密度等多源数据,利用多个机器学习模型分析,表明建筑高度是LST的主要影响因素; 彭敏等[31]通过结合欧空局土地利用数据,发现沈阳市的高温区主要集中在建筑用地,而湿地和耕地则是主要的低温区域,且LST的空间聚集性表现出明显的昼夜差异。众多研究表明ECOSTRESS能够较好地探索城市热环境的日内变化,但从城市景观视角出发,针对SUHI时空变化的分析仍显不足,尤其是不同景观类型对热环境的贡献及其时间变化差异。
综上,本文利用ECOSTRESS不同昼夜时段的LST数据和LCZ数据,讨论天津市中心城区SUHI效应的日内变化、空间聚类特征,分析不同LCZ类型对于SUHI贡献和梯度效应。

1 研究区概况及数据源

1.1 研究区概况

天津市位于华北平原东北部,东临渤海,北依燕山,西靠河北省,地势平坦,属温带季风气候,四季分明,年平均气温为12 ℃左右,平均年降水量为550~700 mm。作为直辖市之一,天津市是我国重要的工业城市和港口城市,常住人口为1 373.2万人(截至2022年)。近年来,随着人口和经济的快速增长,天津市城市建设用地面积不断扩张,城市内部形态发生显著变化,SUHI效应也日益显现。本文的研究区域为天津市中心10个城区,如图1所示。作为天津市的核心区域,建设用地密集,人口聚集,自然景观如植被和水体面积较少。
图1 研究区范围

Fig.1 Boundary of study area

1.2 数据源及其预处理

1.2.1 局地气候区数据

本文采用的LCZ数据是由Demuzere等[32]制作的全球局地气候区分类图。空间分辨率为100 m。该数据通过标记大量训练区域和地球观测图像,并将它们输入到一个轻量级随机森林模型中生成,总体分类精度为79.5%,满足后续研究的需要。为保证与ECOSTRESS数据的空间一致性,同时考虑到LCZ的空间连续性,采用最近邻插值法将其重采样至70 m。

1.2.2 LST数据

LST数据选择ECOSTRESS的大气校正LST和发射率产品(ECOL2STE),空间分辨率为70 m,重访周期为3~5 d,可昼夜成像。该产品采用基于物理和温度的发射率分离算法,从5个热红外波段中反演得到的LST和发射率。算法理论基础文件中提供的模拟和验证结果显示,ECOSTRESS LST 产品在所有地表类型的1 K级别上具有一致的精度[33],该产品在所有全球验证站点的均方根误差(root mean square error,RMSE)为1.07 K,平均绝对误差(mean absolute error,MAE)为0.40 K,相关系数(R2)>0.988[34]。LST验证数据选择在欧洲中期预报中心发布的第五代全球气候再分析资料集(the fifth generation of European Centre for Medium-Range Weather Forecasts atmospheric reanalysis data,ERA5)的基础上,进一步修正的ERA5陆面数据(ERA5—LAND),该数据集空间分辨率为9 km,具有逐小时的地表LST数据,能够较好地反映LST的时间变化。为更好地反映城市热环境特征,ECOSTRESS影像选取时间为夏季(5月1日—10月1日),影像具体成像时间见表1, ERA5-LAND选择2022年5月1日当日温度数据。
表1 ECOSTRESS数据获取时间

Tab.1 Acquisition times of ECOSTRESS data

北京
时刻		 北京日期 ECOSTRESS
影像时刻
(UTC)		 ECOSTRESS
影像日期
(UTC)		 昼夜
00:54 2022年05月22日 16:54 2022年05月21日 夜间
04:11 2020年07月15日 20:11 2020年07月14日 夜间
08:00 2023年06月15日 00:00 2023年06月15日 日间
09:30 2019年09月02日 01:30 2019年09月02日 日间
10:14 2022年08月10日 02:14 2022年08月10日 日间
18:19 2023年07月19日 10:19 2023年07月19日 日间
21:43 2022年05月29日 13:43 2022年05月29日 夜间

2 研究方法

2.1 局地气候区定义

Stewart等[10]根据城市结构、土地覆盖和人类活动、提出LCZ分类体系,该体系将城市下垫面系统划分为建成景观(LCZ 1—10)与自然景观(LCZ A—G)2大类别,共17种下垫面类型。各类型描述详见表2,研究区LCZ分类空间结果见图2。
表2 局地气候区定义

Tab.2 Local climate zone definition

建成景观 描述 自然景观 描述
高密度的高层建筑(>10层),少或无绿地。 高密度树木,土地覆盖多为低矮植物。
高密度的中层建筑(3~9层),少或无绿地。 低密度林地,地表覆盖多为低矮植被。
高密度的低层建筑(1~3层),少或无绿地。 灌木和矮小树木开放排列。土地覆盖多为裸露土壤或沙子。
低密度的高层建筑(>10层),丰富的树木和植被。 草或草本植物、农作物的无特征景观,很少或没有树木。
低密度的中层建筑(3~9层),丰富的树木和植被。 岩石或铺砌覆盖物的无特色景观。很少或没有植被。
低密度的低层建筑(1~3层),丰富的树木和植被。 土壤或沙子覆盖的无特征景观。很少或没有树木或植物。
高密度单层建筑(1~2层),少树木,地表覆盖多为硬土。 大型、开放的水体区域,如海洋、湖泊、河流、水库等。
低密度的大型低层建筑(1~3层),几乎没有树木,地表覆盖多为硬化地面。
低密度的中小型建筑,丰富的植被。
中低层重工业建筑(塔、罐、烟囱),少树木,地表覆盖多为硬化地面。
图2 研究区局地气候区分类

Fig.2 Local climate zone classification of study area

2.2 SUHI强度计算

传统的SUHI强度使用城乡二元法,即城市温度与郊区平均温度的差。但其无法区分城市内部细小温度的差异[10]。本文SUHI定义采用Bechtel提出的方案,即某LCZ类型与LCZ D平均温度之间的差异[17],计算公式如下:
$SUH{I}_{x}=LS{T}_{x}-{\overline{LST}}_{\mathrm{L}\mathrm{C}\mathrm{Z}\mathrm{ }\mathrm{D}}$
式中: SUHIx为像元x的SUHI强度; LSTx为像元x的LST; ${\overline{LST}}_{\mathrm{L}\mathrm{C}\mathrm{Z}\mathrm{ }\mathrm{D}}$为LCZ D的LST。
常用的SUHI等级划分方法主要有自然间断法[35]、均值-标准差法[36]、等间隔法[37]和分位数法[38]。自然间断法类别范围仅针对单张影像,不同影像之间无法对比分析; 均值-标准差法中异常值往往会扭曲平均值,导致元素往往被归为同一类别; 分位数法在数据聚合的情况下,往往会夸大元素之间的差异。在数据分散的情况下,数值差异较大的数据被归为同一类[39]。为更好地比较不同时刻影像之间的SUHI差异并简化分析,本文采用等间隔法将SUHI等级划分为7类,具体标准如表3所示。
表3 SUHI等级划分标准

Tab.3 Classification standards for surface urban heat island levels

等级 划分标准 等级 划分标准
强冷岛 SUHI<-5 弱热岛 $1\le SUHI<3$
较强冷岛 $-5\le SUHI<-3$ 较强热岛 $3\le SUHI<5$
弱冷岛 $-3\le SUHI<-1$ 强热岛 $SUHI\ge 5$
中温区 $-1\le SUHI<1　$

2.3 基于LCZ的热岛强度贡献

不同时刻各LCZ类型对于SUHI的贡献存在差异,为更好地刻画比较不同时刻、不同LCZ类型对于SUHI的贡献,采用热差异指数[40](thermal difference index,TDI)衡量不同时刻各LCZ类型对于城市热岛的贡献,其公式如下:
$TD{I}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}=\frac{AHig{h}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}/{A}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}}{AHigh/A}$
式中: $TD{I}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}$为该种LCZ类型的弱热岛、较强热岛、强热岛像元总体的分布频率; $AHig{h}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}$为该种LCZ类型中弱热岛、较强热岛、强热岛的面积和; ${A}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}$为该种LCZ类型的面积; AHigh为整个研究区中弱热岛、较强热岛、强热岛的面积和; A为整个研究区的面积。当$TD{I}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}>1$时,表示该LCZ类型对整个研究区具有升温作用,定义为热源; 当$TD{I}_{\mathrm{L}\mathrm{C}{\mathrm{Z}}_{i}}<1$,表示该LCZ类型对整个研究区具有降温作用,定义为冷源。

2.4 空间自相关分析

莫兰指数(Global Moran’s I)被广泛用于描述空间单元在整个区域上的平均关联程度,检验某种属性在整个空间上的聚集效应[41],已有研究将其应用于分析城市绿地[42]、污染源[43]的空间分布。通过莫兰指数可以有效评估不同时刻SUHI的空间聚集特征,其公式如下:
${I}=\frac{n}{{S}_{0}}\times \frac{\stackrel{n}{\sum _{i=1}}\stackrel{n}{\sum _{j=1}}{\omega }_{ij}(SUH{I}_{i}-\overline{SUHI})(SUH{I}_{j}-\overline{SUHI})}{\stackrel{n}{\sum _{i=1}}(SUH{I}_{i}{-\overline{SUHI})}^{2}}$
${S}_{0}=\stackrel{n}{\sum _{i=1}}\stackrel{n}{\sum _{j=1}}{\omega }_{ij}$
式中: I为莫兰指数; ${\omega }_{ij}$为空间权重值; SUHIi和SUHIj为第i个空间单元和第j个像元的SUHI强度。I取值范围为[-1,1],值越大,表明空间聚集性越强。

2.5 梯度分析

为进一步探讨城市化程度对于SUHI分布的影响[44],以天津市中心(天津西站)为原点,每2 km为间隔划分多环缓冲区,总距离为20 km。统计昼夜影像中主要建成景观LCZ类型在各缓冲区内平均SUHI,结合全局I,分析昼夜建成景观SUHI的梯度差异。

3 结果与分析

3.1 地表热岛时空分布

3.1.1 地表热岛的空间分布

图3和表4分别展示了天津市中心城区在不同时刻观测影像中各等级SUHI的空间分布及占比。整体来看,天津市中心城区的SUHI以中温区为主,不同等级的SUHI分布表现出显著的时空差异。日间随着太阳辐射强度的增加,LST显著上升,弱热岛和中温区逐渐演变为较强热岛和强热岛,SUHI强度逐步增强,并在10:14达到观测峰值2.17,强热岛占比为19.14%。此时,建成景观为主要热岛,北部和南部的植被区域为主要冷岛,呈现出东西高、南北低的空间分布格局。夜间,随着太阳辐射的逐渐减弱,LST降低,强热岛逐渐转变为中温区和弱冷岛,SUHI持续减弱,并在4:11达到观测谷值0.29,弱冷岛占比为21.82%。此时,建筑密集区为主要热岛,水体为零散热岛,低矮植被为主要冷岛。
图3 不同时刻热岛强度空间分布

Fig.3 Spatial distribution of urban heat island intensity at different times

表4 不同时刻各等级热岛占比

Tab.4 Proportion of each urban heat island level at different times (%)

时间 强冷岛 较强
冷岛		 弱冷岛 中温区 弱热岛 较强
热岛		 强热岛
0:54 0.06 0.47 16.20 44.76 35.37 3.10 0.04
4:11 0.01 0.47 21.82 45.60 27.86 4.17 0.08
8:00 0.01 2.37 13.76 32.50 38.20 10.70 2.46
9:30 0.01 2.66 14.42 28.78 30.76 16.52 6.85
10:14 0.00 0.67 16.87 26.48 22.03 14.79 19.14
18:19 0.01 0.86 13.42 32.26 26.95 20.60 5.90
21:43 0.29 3.44 14.50 34.31 28.79 17.61 1.06
分析天津市中心城区的SUHI占比可以发现,中温区、弱热岛和弱冷岛占据了较大比例,表明研究区的LST变化主要表现为广泛的升温和降温,整体SUHI效应较为普遍但强度相对较低。然而,部分时刻仍然表现出显著的极端SUHI现象。例如,在10:14时,强热岛的占比达19.14%,主要分布在LCZ 1—6,LCZ 8及LCZ 10等区域。这些区域由于绿地覆盖率较低、散热效率较差,LST显著高于其他地区。针对这些高温热点区域,亟须采取针对性的SUHI缓解措施,降低其对城市环境的负面影响。

3.1.2 SUHI的时间分布

为进一步探讨日尺度内SUHI的动态变化,采用三次样条插值方法对不同时段的SUHI进行预测,生成完整的日周期变化曲线。利用ERA5—LAND逐小时温度数据进行验证(图4),插值得到的SUHI变化趋势与ERA5—LAND逐小时温度数据的变化趋势高度一致,二者的Spearman R2为0.94,表现出较强的相关性。这表明三次样条插值能够有效捕捉SUHI的日动态变化特征。夜间,由于太阳辐射减弱,地表逐渐释放白天积累的热量,LST持续下降,SUHI也随之减弱,并于凌晨3:00达到日周期的预测谷值0.14。此时,SUHI效应主要集中在密集建筑区和水体。白天,随着太阳辐射的逐渐增强,SUHI逐步升高,并在9:00至12:00之间迅速上升,于13:00达到预测峰值3.56。此时,SUHI效应尤为显著,集中于建成景观。
图4 ERA5-LAND温度变化与日内SUHI温度插值比较

Fig.4 The comparison of ERA5-LAND temperature variation and diurnal SUHI temperature interpolation

3.2 不同LCZ类型热岛强度贡献的类间差异及时间变化

3.2.1 类间差异

图5显示在04:11和10:14时刻,以及整个日尺度下各LCZ对SUHI的贡献程度。日尺度上,不同LCZ类型之间存在较大的差异。在建成景观中,除LCZ 7和LCZ 9以外,其余类型TDI均大于1,对整个城市具有升温作用,其中紧凑型中高层建筑(LCZ 1和2)的TDI分别为2.10和2.13,是主要的热源。在自然景观中,除LCZ B和LCZ E外,自然景观TDI均小于1,对整个城市具有降温作用,其中LCZ A和LCZ G的TDI为0.89和0.85,是主要的冷源,对城市的降温作用最为显著。在10:14,建成景观总体TDI大于1,表现为热源。不同建筑密度和高度也会对SUHI的空间分布产生影响,在相同建筑高度下,紧凑型建筑(LCZ 1—3)的TDI大于开放型建筑(LCZ 4—6),较高的建筑密度影响了内部空气流动,形成了热量的积蓄[45]; 在相同建筑密度下,中层建筑(LCZ 2和5)的TDI大于高层建筑(LCZ 1和4),这是由于当建筑高度达到一定阈值时形成阴影,能有效遮挡太阳辐射[46]。LCZ 9由于其建筑密度较小,内部植被覆盖较多,其TDI小于1,表现为冷源。对于自然景观,LCZ E表现为热源,其他自然景观都表现为冷源。在04:11,部分LCZ类型发生冷热源的角色转换,对于建成景观,中高层建筑(LCZ 1,2,4,5)以及LCZ 10对于城市的升温作用更加明显,低层建筑(LCZ 3,6,7,8)拥有较大的天空可视角,散热效率较强[47],升温作用减小或变为冷源。对于自然景观,LCZE转变为冷源,其余自然景观类型都从冷源转换为热源,对城市具有升温作用。
图5 基于LCZ的类间热岛强度贡献

Fig.5 Contribution of inter-class heat island intensity based on LCZ

3.2.2 时间变化

图6为不同时刻各LCZ类型的TDI变化,可以看到各LCZ类型内部在不同时刻对城市热岛的贡献存在显著差异,且昼夜之间的变化尤为明显。中高层建筑(LCZ 1,2,4,5)TDI大于1,对于整个城市具有较为明显的升温作用,为热源。其中紧凑型建筑(LCZ 1和2)在04:11时达到日尺度TDI峰值。这是由于日间建筑物吸收大量太阳辐射,内部大量积热,夜间较高的建筑密度阻碍了内部空气流动,导致散热缓慢。相较之下,开放型中高层建筑(LCZ 3和4)在较早的时刻0:54达到TDI峰值,相比于紧凑型建筑,开放型建筑之间拥有较大的开放空间,空气流动较为自由,热量在夜间能够相对较快的散发[45]。紧凑型、开放型、轻质低层建筑类型(LCZ 3,6,7)因其较大的天空可视角[47],日间快速升温,TDI大于1,为热源; 夜间快速降温,TDI小于1,为冷源。大型低层建筑(LCZ 8)和重工业区(LCZ 10)在不同时刻的TDI值均高于1,始终为热源,这与其内部大量人为热的产生以及低植被覆盖密切相关,导致TDI在所有时间段内都处于较高水平。稀疏建筑(LCZ 9)内部植被覆盖较多,TDI小于1,为冷源。LCZ E的TDI在大多数时刻高于1,表现为热源。LCZ B与LCZ F的TDI接近1,整体对于城市热环境的影响较弱。LCZ A和LCZ G则表现出显著的时空差异。LCZ A夜间TDI大于1,表现为热源,这是由于夜间树木光合作用减弱,蒸腾作用减少,密集的树冠阻挡了地表热量的散发,形成了热量的积蓄。日间TDI小于1,表现为冷源,树木通过蒸腾作用和遮阳降低了SUHI效应,对整个城市进行降温。LCZ G夜间TDI值大于1,由于水比热容高,热量在水中蓄积,夜间成为相对热源。在日间,水体由于其较高的比热容,升温较慢,TDI值小于1,表现为冷源,缓解了SUHI效应。
图6 基于LCZ的类内热岛强度贡献

Fig.6 Contribution of intra-class heat island intensity based on LCZ

3.3 LST的空间聚类分析

利用不同时刻的SUHI数据进行莫兰分析,通过全局Ⅰ,可以有效评估研究区昼夜不同时刻SUHI的空间聚集性。本研究通过Z检验与P值对空间自相关结果进行统计推断。Z值表征观测值与理论期望值的标准差偏离度,P值反映随机因素产生该差异的概率。采用双尾检验,当|Z|>2.58(对应α=0.01置信水平)且P<0.01时,拒绝“空间分布无相关性”的零假设,认为空间数据聚集具有统计显著性。此时,全局I值越大,空间聚集性越强。
表5为天津市中心城区温度自相关指数,由表5可知,天津市中心城区不同时刻的SUHI具有显著的空间聚集性,I值均大于0.6,且P均小于0.01。表明研究区SUHI的空间分布受周围区域的热量分布模式影响,存在显著的自相关性,并呈现出较强的空间聚集特征。夜间的I均值为0.84,显著高于日间0.70,表明夜间SUHI的空间聚集效应显著更强。这一差异主要可以归因于夜间与日间的热源差异。日间,由于太阳辐射为城市提供了大量热量,城市LST分布较为均匀,因此空间聚集效应相对较弱。夜间,太阳辐射停止,城市区域的热量主要来自人为热源,尤其是建筑密集区的热释放。这些区域由于建筑物密集,热量积聚和释放的速度较慢,从而导致热量的持续积累和空间上的强烈聚集,进一步增强了SUHI的夜间空间聚集性。
表5 天津市中心城区温度空间自相关指数

Tab.5 Spatial autocorrelation index of temperature in the central urban area of Tianjin City

时刻 I值 Z值 P值
00:54 0.96 464.24 <0.01
04:11 0.66 345.88 <0.01
08:00 0.73 442.06 <0.01
09:30 0.76 583.45 <0.01
10:14 0.69 792.32 <0.01
18:19 0.64 458.76 <0.01
21:43 0.90 548.91 <0.01

3.4 热岛强度的梯度分析

为定量描述SUHI与城市化规模的关系,分别求解日间和夜间主要建成景观LCZ类型的SUHI温度的梯度变化,并结合全局I指数,分析昼夜建成景观SUHI温度的梯度差异。由图7可知,SUHI的空间分布存在明显的梯度效应,天津市SUHI强度与中心点距离呈负相关。距离越远,SUHI越低。此外,昼夜梯度效应存在较大的差异,SUHI逐梯度变化率分别为-0.08和-0.19,日间梯度效应弱于夜间梯度效应,这种昼夜差异的形成机制可以归因于不同时间段热源的作用。日间,太阳辐射为城市提供了强烈的热量输入,使得城市表面温度较为均匀分布,从而减弱了距离梯度对SUHI温度的影响。由于太阳辐射使得热量在城市区域内快速而广泛地扩散,导致中心区域和边缘区域的SUHI温度差异相对较小。然而,夜间的热源主要来自建筑物和人为活动所释放的热量。此时,由于缺乏太阳辐射,城市中心为主要的热量释放区域,导致夜间的SUHI温度梯度更加明显,距离中心区域越远,建筑散热越快,温度逐渐下降,从而形成更强的负梯度效应。
图7 SUHI逐梯度变化

Fig.7 Gradient Variation of SUHI

此外,在天津市的城市结构中,城市中心区域主要由中高层密集建筑组成,而外围则以低层开阔建筑为主。这种建筑类型和布局差异在散热效率上产生了显著的影响。相同建筑高度下,梯度效应与建筑密度负相关; 相同建筑密度下,梯度效应与建筑高度负相关。这与建筑之间的散热效率有关,建筑密度越小,建筑高度越低,散热效率越高,因此中心区域的建筑散热慢,SUHI温度较高,远离中心区域的建筑散热越快,SUHI温度越低,梯度效应越明显。

4 讨论与结论

本研究基于2019—2023年ECOSTRESS数据,结合标准LCZ分类体系,系统分析了天津市中心城区SUHI的时空分异特征及其与城市景观结构的昼夜响应机制。通过融合空间聚类、样条插值与梯度分析方法,探讨了SUHI的日变化规律及其LCZ驱动机制,得到以下结论:
1)天津市SUHI呈现出明显的昼夜差异,日间SUHI温度平均为2.19,夜间SUHI平均温度为0.60。日间SUHI温度快速上升,并于午后13:00达到最大值3.56。夜间SUHI温度于凌晨3:00达到最小值0.14。
2)SUHI效应因不同LCZ类型的地表覆盖、建筑密度和材料差异而表现出显著的LCZ类间差异。LCZ 1—6,8,10,B,E在日尺度上为热源,其中LCZ 1和LCZ 2对于城市热环境的升温作用最大,日均TDI为2.10和2.13; LCZ 7,9,A,F,G表现为冷源,其中LCZ A和LCZ G对于城市热环境的降温作用最大,日均TDI为0.89和0.85。在城市规划时,应逐步增加城市绿地和水体的占比缓解SUHI效应。此外,不同LCZ类型对城市热岛的贡献也存在明显的类内差异,LCZ A和LCZ G日间表现为冷源,夜间表现为热源。LCZ 7在日间表现为热源,夜间表现为冷源。中高层建筑的热贡献强度在夜间进一步增强。这说明即使在同一LCZ类型内部,昼夜的温度变化和热量交换模式都会导致显著的热岛效应差异。
3)天津市的SUHI效应与城市化进程密切相关,SUHI强度与城市化水平呈现显著的空间梯度变化。SUHI与市中心的距离呈负相关,离市中心越远,热岛强度越低。昼夜梯度效应也存在差异,SUHI逐梯度变化斜率分别为-0.08和-0.19。日间梯度效应弱于夜间。夜间SUHI温度的I为0.84,日间SUHI温度的I为0.70,夜间SUHI的空间聚集效应强于日间SUHI。日间SUHI温度I较小,分布较为均匀,距离对SUHI效应的影响相对较小,梯度变化不明显。夜间SUHI分布较为集中,随着距离的增加,梯度效应更加明显。此外,建筑密度和高度也是影响SUHI效应空间梯度的重要因素,两者都与梯度效应负相关。
相较于传统热红外数据,ECOSTRESS的昼夜观测能力有效捕捉了午后热岛峰值与凌晨热岛谷值的关键时间,为优化城市热环境提供了参考。在城市规划中,避免城市中心区过度密集的中高层建筑,减少SUHI的空间聚集。在考虑昼夜SUHI差异的前提下,合理增加低层建筑、绿地、水体等LCZ类型的比例,提升散热效率,缓解SUHI效应。但本文研究仍存在一定局限性,数据获取来源于不同日期,尽管已选取晴朗无云时刻的影像,但仍可能存在一定的不确定性与数据误差。在进行日尺度的SUHI样条插值时,由于上午不同时刻影像相距较长时间,下午ECOSTRESS数据较少,插值结果可能存在较大的差异。未来可进一步结合辅助数据进行处理; 同时本研究仅考虑天津市中心城区夏季热岛,季节尺度上的日内变化是下一步研究的重点。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
MacKey C W, Lee X H, Smith R B. Remotely sensing the cooling effects of city scale efforts to reduce urban heat island[J]. Building and Environment, 2012,49:348-358.

[2]
Weng Q H. Remote sensing of impervious surfaces in the urban areas:Requirements,methods,and trends[J]. Remote Sensing of Environment, 2012,117:34-49.

[3]
肖达. 北京市城市热环境的多时间尺度分析研究[D]. 西安: 长安大学, 2021.

Xiao D. A multi-timescale study of the urban thermal environment in Beijing[D]. Xi’an: Changan University, 2021.

[4]
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 PMID

[5]
Wang W W, Zhou W, Ng E Y Y, et al. Urban heat islands in Hong Kong:Statistical modeling and trend detection[J]. Natural Haza-rds, 2016, 83(2):885-907.

[6]
Weng Q H, Lu D S, Schubring J. Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies[J]. Remote Sensing of Environment, 2004, 89(4):467-483.

DOI

[7]
Shen H F, Huang L W, Zhang L P, et al. Long-term and fine-scale satellite monitoring of the urban heat island effect by the fusion of multi-temporal and multi-sensor remote sensed data:A 26-year case study of the city of Wuhan in China[J]. Remote Sensing of Environment, 2016,172:109-125.

[8]
黄群芳. 城市空间形态对城市热岛效应的多尺度影响研究进展[J]. 地理科学, 2021, 41(10):1832-1842.

DOI

Huang Q F. Effects of urban spatial morphology on urban heat island effect from multi-spatial scales perspectives[J]. Scientia Geographica Sinica, 2021, 41(10):1832-1842.

DOI

[9]
Rizwan A M, Dennis L Y C, Liu C H. A review on the generation,determination and mitigation of Urban Heat Island[J]. Journal of Environmental Sciences, 2008, 20(1):120-128.

DOI PMID

[10]
Stewart I D, Oke T R. Local climate zones for urban temperature studies[J]. Bulletin of the American Meteorological Society, 2012, 93(12):1879-1900.

DOI

[11]
Richard Y, Emery J, Dudek J, et al. How relevant are local climate zones and urban climate zones for urban climate research? Dijon (France) as a case study[J]. Urban Climate, 2018,26:258-274.

[12]
Li X M, Zhou W Q, Ouyang Z Y. Relationship between land surface temperature and spatial pattern of greenspace:What are the effects of spatial resolution?[J]. Landscape and Urban Planning, 2013,114:1-8.

[13]
Collins J, Dronova I. Urban landscape change analysis using local climate zones and object-based classification in the salt lake metro region,Utah,USA[J]. Remote Sensing, 2019, 11(13):1615.

DOI

[14]
Migliari M, Briche E, Despax J, et al. A cross-analysis matrix comparing multi-site Local Climate Zone trends:Application to identify sustainable built morphologies improving summer daytime urban microclimate[J]. Sustainable Futures, 2024,7:100162.

[15]
Žgela M, Herceg-Bulić I, Lozuk J, et al. Linking land surface temperature and local climate zones in nine Croatian cities[J]. Urban Climate, 2024,54:101842.

[16]
Baqa M F, Lu L, Guo H D, et al. Investigating heat-related health risks related to local climate zones using SDGSAT-1 high-resolution thermal infrared imagery in an arid megacity[J]. International Journal of Applied Earth Observation and Geoinformation, 2025,136:104334.

[17]
Bechtel B, Demuzere M, Mills G, et al. SUHI analysis using local climate zones—A comparison of 50 cities[J]. Urban Climate, 2019,28:100451.

[18]
Yang X S, Yao L Y, Jin T, et al. Assessing the thermal behavior of different local climate zones in the Nanjing metropolis,China[J]. Building and Environment, 2018,137:171-184.

[19]
Weng Q H. Thermal infrared remote sensing for urban climate and environmental studies:Methods,applications,and trends[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(4):335-344.

DOI

[20]
Chang Y, Xiao J F, Li X X, et al. Exploring diurnal cycles of surface urban heat island intensity in Boston with land surface temperature data derived from GOES-R geostationary satellites[J]. Science of the Total Environment, 2021,763:144224.

[21]
Li X, Xiao J, Fisher J B, et al. ECOSTRESS estimates gross primary production with fine spatial resolution for different times of day from the International Space Station[J]. Remote Sensing of Environment, 2021,258:112360.

[22]
Xiao J F, Fisher J B, Hashimoto H, et al. Emerging satellite observations for diurnal cycling of ecosystem processes[J]. Nature Plants, 2021, 7(7):877-887.

DOI PMID

[23]
Hulley G, Shivers S, Wetherley E, et al. New ECOSTRESS and MODIS land surface temperature data reveal fine-scale heat vulnerability in cities:A case study for Los Angeles County,California[J]. Remote Sensing, 2019, 11(18):2136.

DOI

[24]
袁博. 城市三维空间形态对地表热环境的影响及热暴露风险评估[D]. 兰州: 兰州交通大学, 2022.

Yuan B. Effects of urban three-dimensional spatial morphology on land surface thermal environment and assessment of heat exposure risks[D]. Lanzhou: Lanzhou Jiaotong University, 2022.

[25]
Yuan B, Zhou L, Hu F, et al. Diurnal dynamics of heat exposure in Xi’an:A perspective from local climate zone[J]. Building and Environment, 2022,222:109400.

[26]
赵欣, 赵凯旭, 黄晓军. 基于ECOSTRESS地表温度和手机信令数据的城市人口热环境暴露风险评价——以西安市为例[J]. 地理科学进展, 2022, 41(11):2061-2072.

DOI

Zhao X, Zhao K X, Huang X J. Population exposure risk to urban extreme heat environment based on ECOSTRESS land surface temperature and mobile phone signaling data:A case study of Xi’an City[J]. Progress in Geography, 2022, 41(11):2061-2072.

[27]
Vo T T, Hu L. Diurnal evolution of urban tree temperature at a city scale[J]. Scientific Reports, 2021, 11(1):10491.

DOI PMID

[28]
Chang Y, Xiao J F, Li X X, et al. Exploring diurnal thermal variations in urban local climate zones with ECOSTRESS land surface temperature data[J]. Remote Sensing of Environment, 2021,263:112544.

[29]
Yao X, Zeng X J, Zhu Z P, et al. Exploring the diurnal variations of the driving factors affecting block-based LST in a “Furnace city” using ECOSTRESS thermal imaging[J]. Sustainable Cities and Society, 2023,98:104841.

[30]
Wang Q, Wang X N, Meng Y, et al. Exploring the impact of urban features on the spatial variation of land surface temperature within the diurnal cycle[J]. Sustainable Cities and Society, 2023,91:104432.

[31]
彭敏, 姚娜, 孙培蕾, 等. 基于ECOSTRESS的城市热环境昼夜空间特征分析[J]. 测绘通报, 2024(6):151-156,181.

DOI

Peng M, Yao N, Sun P L, et al. Spatial characteristics analysis of urban thermal diurnal environment based on ECOSTRESS[J]. Bulletin of Surveying and Mapping, 2024(6):151-156,181.

DOI

[32]
Demuzere M, Kittner J, Martilli A, et al. A global map of local climate zones to support earth system modelling and urban-scale environmental science[J]. Earth System Science Data, 2022, 14(8):3835-3873.

DOI

[33]
Hulley G. ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station (ECOSTRESS) Mission-Level 2 Product User Guide[J/OL].USGS,2019(2019-06-18)[2024-10-23]. lpdaac.usgs.gov/documents/424/ECO3ETPTJPL_User_Guide_V1.pdf.

[34]
Hulley G C, Göttsche F M, Rivera G, et al. Validation and quality assessment of the ECOSTRESS level-2 land surface temperature and emissivity product[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021,60:1-23.

[35]
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.

[36]
伍肖肖. 城市绿地对热岛效应的缓解作用及其优化策略研究——以贵阳市主城区为例[D]. 贵阳: 贵州师范大学, 2024.

Wu X X. Research on the mitigation effect of urban green space on heat island effect and its optimisation strategy- A case study of the main urban area of Guiyang city[D]. Guiyang: Guizhou Normal University, 2024.

[37]
张沁, 张守平, 杨清伟. 山地新城市化进程的热岛效应时空演变特性研究[J]. 中国农业大学学报, 2024, 29(10):290-304.

Zhang Q, Zhang S P, Yang Q W. Spatio-temporal characteristics of heat island effect during new urbanization in mountainous areas[J]. Journal of China Agricultural University, 2024, 29(10):290-304.

[38]
何苗. 基于多源遥感的北京城市高温热浪风险评估[D]. 南京: 南京信息工程大学, 2019.

He M. Assessing heat wave risk in Beijing by multi-source remote sensing[D]. Nanjing: Nanjing University of Information Science and Technology, 2019.

[39]
Lu Y S, He T, Xu X L, et al. Investigation the robustness of standard classification methods for defining urban heat islands[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021,14:11386-11394.

[40]
王杉. 基于LCZ的长三角城市群热岛的时空特征及规划对策研究[D]. 杭州: 浙江大学, 2023.

Wang S. Research on the spatial and temporal characteristics and planning countermeasures of UHI in the Yangtze river delta urban agglomeration based on LCZ[D]. Hangzhou: Zhejiang University, 2023.

[41]
张策, 吕王勇, 张萍, 等. 基于Moran’s I的多变量空间自相关研究与应用[J]. 四川师范大学学报(自然科学版), 2024, 47(6):818-829.

Zhang C, Lyu W Y, Zhang P, et al. Research and application of multivariate spatial autocorrelation based on Moran’s I[J]. Journal of Sichuan Normal University (Natural Science), 2024, 47(6):818-829.

[42]
Li F, Sun W W, Yang G, et al. Investigating spatiotemporal patterns of surface urban heat islands in the Hangzhou metropolitan area,China,2000—2015[J]. Remote Sensing, 2019, 11(13):1553.

DOI

[43]
Guo G H, Wu F C, Xie F Z, et al. Spatial distribution and pollution assessment of heavy metals in urban soils from southwest China[J]. Journal of Environmental Sciences, 2012, 24(3):410-418.

PMID

[44]
刘晓娟. 城市发展对生物多样性的影响研究——以中国鸟类多样性为例[D]. 上海: 华东师范大学, 2024.

Liu X J. Impacts of urban development on biodiversity:Empirical evidence from bird diversity in China[D]. Shanghai: East China Normal University, 2024.

[45]
方云皓, 顾康康, 马晴. 基于多源数据的城市通风廊道构建及效能评估研究——以合肥市主城区为例[J]. 地理科学进展, 2024, 43(8):1597-1608.

DOI

Fang Y H, Gu K K, Ma Q. Construction and efficiency assessment of urban ventilation corridors based on multi-source data:A case study of the main urban area of Hefei City[J]. Progress in Geography, 2024, 43(8):1597-1608.

[46]
Zhao L, Lee X H, Smith R B, et al. Strong contributions of local background climate to urban heat islands[J]. Nature, 2014, 511(7508):216-219.

DOI

[47]
Huang X, Wang Y. Investigating the effects of 3D urban morphology on the surface urban heat island effect in urban functional zones by using high-resolution remote sensing data:A case study of Wuhan,Central China[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019,152:119-131.

Options
Outlines

/

〈 〉