景观格局对地表城市热岛的影响分析:以上海为例外文翻译资料

 2021-11-24 10:11

英语原文共 15 页

景观格局对地表城市热岛的影响分析:以上海为例

摘要:

城市化正在世界范围内以史无前例的速度发展,尤其是在过去几十年内的中国。急速城市化对环境的关键影响之一是城市热岛效应(UHI)。理解景观格局对UHI的影响对于改善城市生态和可持续性是至关重要的。该研究基于地表温度(LST)与归一化植被指数(NDVI)、植被覆盖度(FV)、不透水表面百分比(LSA)的相关分析探讨了景观组分和空间构型怎样影响中国的大都市区—上海的UHI。使用两景Landsat ETM 影像(成像日期分别为2001年3月13号和7月2号)估算LST、FV和ISA百分比。使用一幅高空间分辨率(2.5*2.5米)土地覆被/土地利用地图计算景观指数。结果显示:尽管在像元尺度上,植被覆盖度或不透水面上的LST有显著变化,但是在区域尺度上,NDVI、FV和ISA百分比都是LST的良好预测因子。在区域上,LST和正NDVI有强烈的负线性关系。相比于正NDVI,LST和FV之间有更强烈的负线性关系。与早春相比,城市植被在夏季可以更好地缓解UHI。平均LST和ISA百分比之间存在强烈的正相关关系。住宅用地对UHI贡献最多,其次是工业用地。虽然工业用地的IST最高,但由于它在上海的空间范围较小,因此对整体的地表UHI的贡献有限。在住宅用地中,具有中低层建筑和低植被覆盖率的区域比高层建筑区或高植被覆盖区拥有更高的温度。平均LST和景观指数之间的强烈关系表明城市景观构型也会影响UHI。这些发现有助于理解城市生态和土地利用规划,从而最大限度地减少城市化对环境的潜在影响。

关键字:城市热岛 光谱混合分析 植被覆盖度 不透水面 NDVI

1.引言

现在世界上超过50%的人口居住在城市,且今年夏天将会继续增加,尤其是在发展中国家(United Nations, 2008)。城市化深刻地影响了生物多样性和生态系统功能以及当地的气候和生活质量(Luck and Wu, 2002)。城市化的生态影响之一是城市热岛效应(UHI),这导致城市比周边城郊/乡村地区有更高的温度。可以用两种方法评估UHI。传统上,它来自于城市冠层的气温测量。近年来,越来越多的UHI研究基于遥感器获取的地表辐射温度(Voogt, 2002).。因此,遥感得到的UHI被称为地表城市热岛(SUHI)(Streutker, 2002)。使用遥感得到的地表温度的一个重要优势是它对城市地区实现了全面的覆盖,明确地揭示了它的空间格局,尽管它只提供一天之内温度的瞬时测量。在早期阶段,NOAA-AVHRR数据被用于获取地表温度(LST)以用于UHI的研究(Balling and Brazel, 1988; Gallo et al., 1993; Roth et al., 1989; Streutker, 2002, 2003)。近年来,NODIS数据被用于研究SUHI (Cheval and Dumitrescu, 2009; Tran et al., 2006)。然而这些具有1KM空间分辨率的数据仅适用于进行粗尺度的城市温度制图,不适用于建立遥感反演数据与地面测量值之间的准确且有意义的关系(Weng and Quattrochi, 2006; Weng et al.,2004)。可以从Landsat中获得空间分辨率为120至60米的LST影像已经显著促进了SUHI与地表生物物理参数之间的关系研究(Nichol, 1994, 1996, 1998; Weng, 2001; Weng et al., 2006, 2004; Yuan and Bauer,2007)。

正如VIS(植被—不透水面—土壤)城市结构的概念模型所反映的那样,植被和不透水面是两个关键的城市组分(Ridd, 1995)。植被蒸腾作用减缓了UHI的影响,因此许多研究专注于探索LST与NDVI的关系(Carlsonetal.,1994; Gillies et al., 1997; Goward et al., 2002; Lo et al., 1997; Weng,2001)。然而,受到植被丰度、平台走向和其他背景条件的干扰,NDVI与LST之间存在非线性关系(Sandholtetal.,2002;Small,2001)。Wengetal.(2004)发现与NDVI相比,城市LST与植被覆盖度的相关性更强。YuanandBauer(2007)发现NDVI与LST的关系更适用于夏季和早秋季节的UHI分析。虽然这些发现是基于区域趋势,但在总趋势中存在着巨大的时空变化。这些变化还没有被很好地理解。

城市景观具有复杂的空间异质性特征,不同的土地覆被/土地利用类型有它们自己的表面特征并且形成斑块镶嵌体(Wu, 2008; Wuetal.,2011)。城市的空间格局可以影响其边界范围内外的物理、生态和社会经济进程(Luckand Wu, 2002)。因此,有必要将城市化的空间格局与生态过程联系起来,以更好地理解城市生态系统(Luck and Wu, 2002; Turner, 2005)。为了增进对城市热行为与城市景观结构关系的认识,Voogt and Oke (2003) 建议从遥感中更好地量化适当的地表辐射(例如发射率)和结构参数。最近,Weng et al. (2007)和Liu and Weng (2008)通过LST带评估了LCLU与景观指数之间的关系。Buyantuyev and Wu (2010) 通过将地表温度的时空变化与土地覆盖和社会经济模式联系起来,研究了UHI和景观异质性,并且发现植被和路面是导致地表温度空间变化的关键因素。然而,城市景观结构如何影响城市LST还没有得到充分的认识。

本研究的主要目的是探讨不同的城市景观要素及其空间构型如何影响UHI,以及这些关系如何在绿叶季节和落叶季节进行对比。我们的研究在中国上海进行,上海是近几十年来从中国改革开放以来快速发展的国际大都市。了解上海的UHI的时空格局及其驱动因素对世界其他沿海城市具有重要意义。

2.方法

2.1研究区

上海大都市区位于中国长江三角洲宽阔平坦的冲积平原上,总面积约为6340.5平方千米,西南部存在少量丘陵(图1)。上海地处北亚热带季风气候,年平均气温16.0℃(从最低12.7℃至最高20.2℃),年平均降水量1158.1 mm(由1951 - 2008年观测数据计算得出),平均海拔约4米,该地区有成千上万的小溪和河流。其中,黄浦江是最大的河流,流经城市中心。原生植被有亚热带常绿阔叶林和常绿阔叶--落叶阔叶混交林。上海作为中国最大的城市,自上世纪90年代以来,特别是在经济快速发展的推动下,经历了大规模、密集的城市化进程。上海的人口超过1921万,且在2009年它的GDP达到15046亿元(约215亿美元)(Shanghai Municipal Statistics Bureau,2010)。因此,上海大都市区已成为长三角地区经济增长的引擎。我们的研究重点是外围环线所围合的区域,该区域约为665.5, LCLU类型多样,如图1和表1所示。

2.2影像和影像预处理

从USGS EDC获取了两景无云的Landsat 7 ETM 影像(行/列:038/118),日期分别是2001年3月13日和2001年7月3日。将这两景影像进一步校正到通用横轴墨卡托投影系统(datum WGS84, UTM Zone N51),并使用像元大小为30times;30 m的三次卷积算法对所有波段进行了重采样。两景影像中每一景的均方根误差均小于0.25个像元(7.5米)。整体的图像处理及数据分析步骤如图2所示。

在将多个传感器和平台的影像数据转换成具有物理意义的通用的辐射尺度的过程中,计算星上光谱辐射是一个基本步骤。我们使用以下公式将反射波段和热波段的 DN值转换为星上辐射(Chander and Groeneveld, 2009):

(1)

是传感器孔径的光谱辐亮度,是量化的校准的像元值 (DN), 是与对应的最小量化校准像元值, 是与对应的最大量化校准像元值, 是光谱星上辐亮度, 是光谱星上辐照度在。

对于基于影像的大气校正,通常假设大气条件是均匀的(Song et al.,2001),如此校正不会对本文的分析产生影响。因此,对于所有的反射波段,我们使用了大气层顶(TOA)反射率,它校正了太阳天顶角的余弦效应,以及改变了由于地球-太阳距离的变化而引起的大气层外太阳辐照度的变化。这些变化在地理上和时间上都是显著的(Chander和Groeneveld, 2009)。我们根据下式计算TOA反射率:

(2)

是行星的TOA反射率[无单位],是传感器孔径的光谱辐亮度[单位:,d是地球—太阳之间的距离[天文单位],是平均大气层外太阳辐照度[单位:,是太阳天顶角。

利用2000年3月至5月1∶5万幅彩色红外航空照片,得到了用于采样和不透水表面估算的LCLU数据。对航空照片进行扫描,赋予本地坐标系,然后用GIS进行拼接以用于数字化,空间分辨率为2.5 m。从航空照片中提取的LCLU类型被重新分类为八个大类,如下表1所示。为便于进一步分析,根据住宅用地的高度(建筑层数)和植被覆盖率,将住宅用地类型进一步划分为14个子类。它们分别是:LRO:房屋低矮、古老、简陋且植被覆盖率不足10%;LRR:低层农村住宅(3层以下);LR-1:植被覆盖率小于10%的低层住宅(7层以下),LR-2:植被覆盖率在10 - 30%之间的低层住宅,LR-3:植被覆盖率在30 - 50%之间的低层住宅,LR-4:植被覆盖率在50%以上的低层住宅;HR-1: 植被覆盖率低于10%的高层住宅(7-18层),HR-2:植被覆盖率在10 - 30%之间的高层住宅,HR-3:植被覆盖率在30 - 50%之间的高层住宅,HR-4:植被覆盖率在50%以上的高层住宅;SR-1:植被覆盖率在10%以下的超高层住宅(18层以上),SR-2:植被覆盖率在10% - 30%之间的超高层住宅,SR-3:植被覆盖率在30% - 50%之间的超高层住宅,SR-4:植被覆盖率在50%以上的超高层住宅。

图1. 我们的研究区域:(a)中国上海的地理位置;(二)上海市行政边界;(c)我们的研究区域包括2001年7月3日Landsat-ETM 图像中显示的上海市区(RGB=543);(d)源于航空照片的 10times;10 km样地的土地利用图,空间分辨率为2.5times;2.5 m。

2.3估算地表温度

Landsat的ETM 热红外波段数据(10.4 - -12.5mu;m)被用来反演LST。分三步完成:(1)将校正后的DNs转换为星上绝对光谱辐照度;(2)将星上光谱辐照度转换为星上亮温;(3)将星上亮温转换为动力学温度,即地表温度(Barsi et al., 2003; Chander and Markham, 2003; Chander et al.,2009)。

我们使用方程(1)进行第一步,星上光谱辐照度到星上亮温的转换假设地球表面是一个黑体(即光谱发射率为1),换算公式为(Chander et al., 2009):

(3)

是有效星上亮温[单位是Kelvin],是传感器孔径的光谱辐照度[单位是],和是预发射的较正常数。Landsat ETM 中,是666.09 , 是1282.71 K。

上面得到的亮温值以黑体为参考。对灰体的光谱发射率()进行了修正,修正发射率后的地表温度()计算如下:

(4)

图2.数据处理流程图

是发射辐射的波长(11.5),据Markham and Barker (1985)),, 是玻耳兹曼常数, 是普朗克常数(), 是光速(), 是地面发射率。

获得地面发射率的方法有很多,包括温度/发射率分离(TES)方法(Gillespie et al., 1998)以及发射率分类方案(Snyder et al., 1998),前提是有详细的LCLU地图。这里我们使用一个替代且易于应用的方法获取地表发射率(ε)(由Sobrino et al . (2004)提出):

(5)

是植被发射率,是城市表面发射率, 是植被比例,来源于Sobrino et al.(2004)的基于NDVI的实证模型。我们使用了植被覆盖度衡量,使用2.4节所述的光谱混合分析获取,并利用Sobrino et al. (2004)的方程估算了:

(6)

是一个形状因子(Sobrino et al.,1990),考虑到不同的几何分布,其均值为0.55。

根据以往的研究(Artis and Carnahan, 1982; Nichol, 1998, 2009),植被发射率一般为0.99,城市表面(非植被表面)的发射率为0.92。发射率的最终表达式为:

(7)

根据以上步骤,我们得到了研究区域的LST图,如图3-a, b所示。

2.4NDVI,不透水面覆盖度和植被覆盖度计算

基于Landsat ETM 影像的NDVI计算公式如下:

(8)

和 是近红外波段和红波段的反射率。

研究区的NDVI地图如图3-c,d所示。不透水面(ISA) 指既不能蒸发水也不允许雨水渗透的区域(Carlson and Traci Arthur, 2000)。基于遥感图像的ISA估算方法已得到了发展(Yang and Liu, 2005)。一种是利用传统分类方法对ISA进行像元水平的评估,例如聚类算法(Deguchi and Sugio, 1994)和最大似然分类(Hodgson et al., 2003)。另一种是利用光谱混合模型(Ji and Jensen, 1999;Phinn et al., 2002; Wu, 2004; Wu and Murray, 2003)、人工神经网络(Civco et al., 2002; Hu an

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。