长春市绿地空间配置特征与降温效率的动态响应

 

摘要：为应对快速城镇化过程中愈发严重的热岛效应，如何针对面积有限的绿地进行空间配置特征优化，使其降温效率最大化，亟待深入探究。以高分2号遥感影像为数据源提取长春市城市绿色空间分布格局，引入景观参数研究其分布情况；利用劈窗算法获取地表温度，研究城市绿地的降温效率及其影响因素，结果表明：

1)0.5≤S＜1hm2的绿地，增加植被覆盖率能够显著提升其降温效率；1≤S＜5hm2的绿地，增加绿地面积或植被覆盖率能够提升其降温效率；5≤S＜10hm2的绿地，紧凑、点状的绿地的降温效率优于线状绿地；S≥10hm2的绿地，其降温效果不再随面积增大而提升。

2)城市绿地面积越大，降温范围越大，但是二者的相关性不明显，通常绿地的降温范围为150~400m。研究结果可以指导城市绿地布局、形状、大小等配置特征的优化，使其降温效率最大化，以达到降低温度、减缓城市热岛效应的目的。

 

基金项目：国家自然科学基金面上项目“寒地城市森林水平与垂直结构季相变异的冷岛机制研究”(编号42171246)、黑龙江省哲学社会科学研究规划项目“黑龙江省数字乡村三生空间绿色整治与振兴路径研究”(编号21GLB061)、中国博士后科学基金项目“耦合三维模式的城市绿色景观生态服务热调节机理研究”(编号2017M621229)、黑龙江省重点研发计划指导类项目“城市绿色景观结构降温敏感性与景观福祉优化技术研究”(编号GZ20210193)和黑龙江省博士后科研启动金项目“耦合地面观测和无人机影像的城市森林三维结构信息反演”(编号LBH-Q21051)共同资助

 

由于城市建设过程中缺乏环保意识和规划的指引，导致“城市病”愈演愈烈[1-3]。其中，热岛效应是全球普遍面临的城市问题，不仅直接降低人们的舒适度，更危害到人们的生命健康[4-6]，还会间接导致雾霾天气频发[7]、能源过度消耗[8]等问题。越来越多的研究表明，城市绿地具有良好的降温效果，然而城市内土地资源十分有限，因此优化城市绿地配置特征与景观格局、最大效率发挥城市绿地的降温功能，受到了国内外学者的广泛关注[9]。

 

对于城市绿地配置特征与降温效率的相关关系，一般使用热红外遥感影像获取城市热岛信息，使用高分影像获取城市绿地信息，进而研究二者的相互关系。已有研究多聚焦于城市绿地的单一属性对其降温效率的影响[10-11]，如Gallo等使用植被指数(NDVI)研究城市绿地与热岛效应的关系，并利用回归分析得出NDVI与地表温度呈负相关[12]；Weng等建立了植被覆盖度与地表温度的线性回归方程，并比较了植被覆盖度和NDVI与地表温度的相关性[13]。但是这种植被指数研究只能从宏观上反映绿地的丰富度对其降温效率的影响，无法体现出城市绿地结构和空间布局的影响[14]。

 

为了解决这个问题，学者在研究城市绿地与城市热岛效应的关系时引入了景观生态学方法。如张昌顺[15]、程好好[16]等研究不同绿地类型的降温效果，得出了林地的降温效果最好、草地的降温效果最差的结论；冯娴慧[17]、贾刘强[18]等研究了绿地的面积对其降温效果的影响，表明城市绿地只有达到一定阈值才会对周围产生降温效果；还有学者研究城市绿地的郁闭度[19]和绿化覆盖率[20]与降温效果的关系，但仍局限于单因素研究。

从植被指数的单因素研究转向使用景观生态学的方法研究城市绿地的多种配置特征对其降温效率的影响更具科学性，但如何挖掘城市绿地的不同配置特征对其降温效率的影响？如何把握全球气候变化驱动下降温效率最大化的绿地面积和植被结构类型？如何通过调整城市绿地的配置结构和空间布局，使其降温效率最大化？这些问题亟须深入探究。

 

本文以遥感影像为基础数据，研究城市绿地对热岛效应的最大缓解效率；通过高分2号(GF-2)遥感影像提取城市绿地，引入景观参数，使用FRAGSTATS软件计算城市绿地的景观参数，研究长春市城市绿地分布特征；使用Landsat8TIR数据反演地表温度，研究长春市热环境空间格局；以ArcGIS和SPSS为支撑，定量研究城市绿地的降温效率。以期指导长春市城市绿地的空间优化布局，达到缓解城市热岛效应、保障人民健康、减少能源消耗，以及改善城市小气候等目标。

 

1研究方法

 

1.1研究区域

 

长春市位于北纬43°05′~45°15′，东经124°18′~127°05′。根据长春市气象统计资料，1951—2011年，年平均气温升高了1.86℃[21]，城市平均气温比周围乡村地区高了0.1~0.5℃[22]。长春市的城市热环境正在恶化，研究长春市地表温度的空间分异，不仅能详细把控长春市的热环境，还能进一步研究城市绿地的优化布局，对于减缓城市热岛效应和改善城市环境都具有重要意义。

 

1.2长春市城市绿地的提取

 

结合长春市高分2号遥感影像及谷歌地球等辅助影像资料，目视选取植被覆盖区、无作物的农田、水体，以及非植被覆盖区域地类的样本，以其中的70%作为训练样本，用以监督分类，剩下30%用于检验分类结果。在选择好训练样本的基础上，使用支持向量机分类工具(SupportVectorMachineClassification，SVM)对高分2号多光谱影像进行分类。为了验证分类结果的准确性，建立分类结果与检验样本的混淆矩阵，总体分类精度达到97.61%，Kappa系数为0.9646，说明分类结果较为准确。随后对分类后的影像作聚类处理，将邻近的小斑块合并为整体，将孤立的小斑块并入周围的土地类型。然后通过目视解译的方法，将被分割的绿地斑块重新组成整体，将错分漏分的绿地重新分类，最终得到长春市四环内的绿地分布图。

 

1.3长春市地表温度获取

 

1.3.1劈窗算法反演地表温度

 

劈窗算法是基于AVHRR热红外数据观测海洋表面温度的算法，由于劈窗算法对大气参数的依赖性较小且操作简单，因此得到了广泛使用[23-25]。本文选用Rozenstein等改进的劈窗算法[23]，计算公式如下：式中，Ts为地表温度；T10、T11分别为Band10和Band11的亮度温度；A0、A1、A2为参数；εi为第i波段对应的地表比辐射率；τi为第i波段对应的大气透射率。

 

1.3.2验证反演地表温度结果

 

气象站在城市范围内分布均衡，且其记录的空气温度数据具有良好的时间连续性。因此本研究基于实地测量数据的检验方法，选取22个气象站(图1)中10个位于植被覆盖度较高地区的气象站，将反演的地表温度与气象站记录的空气实测温度数据进行对比，验证反演地表温度的准确性。

 

1.4城市绿地与热岛效应相关关系辨析

 

1.4.1斑块层面的相关关系

 

由于NDVI与植被覆盖率具有正相关关系，因此使用绿地斑块的平均NDVI代表斑块内的植被覆盖率。使用ArcGIS提取出各绿地斑块内的平均地表温度和平均NDVI，计算各斑块的面积和形状指数，建立多元回归方程。为了研究不同面积水平下城市绿地斑块各种配置特征对其降温效率的影响，将0.5≤S＜1hm2的绿地称为微型绿地，1≤S＜5hm2的绿地称为小型绿地，5≤S＜10hm2的绿地称为中型绿地，S≥10hm2的绿地称为大型绿地。使用SPSS分析不同面积范围内绿地的NDVI、形状指数、面积和温度。

 

1.4.2景观层面的相关关系

 

 

将研究区域划分成若干小区，分别统计各分区内的景观参数，以探索景观参数对城市绿地降温效率的影响。使用ArcGIS的fishnet工具，按照0.5km×0.5km、1km×1km和2km×2km3种景观尺度将影像分为大小相同的若干小区，分别统计各分区内的景观面积(TA)、斑块个数(NP)、斑块平均面积(PA_MN)、最大斑块指数(LPI)、平均形状指数(MNSHAPE)、分散指数(SPLIT)和聚集指数(AI)等景观参数及对应的温度(表1)。

由于水体的温度很低，降温效率优于植被，会对植被的降温效率分析产生严重干扰，因此在分区时去掉水体面积很大的网格。