研究速递丨结合GOES-R和ECOSTRESS地表温度数据，研究城市地表热岛的日变化

地表城市热岛（SUHI）现象的特点是空间和时间上的高度变异性，而其昼夜变化很少受到研究，因为传统的卫星和在极地轨道上飞行的传感器（如Landsat、MODIS）不具备昼夜采样能力。在这里，我们结合了来自地球静止环境卫星（GOES-R）和空间站生态系统星载热辐射计实验（ECOSTRESS）的地表温度（LST）数据，探索波士顿大都会区 SUHI 的昼夜变化和不同土地覆盖之间的热差异。通过结合使用来自 GOES-R 和 ECOSTRESS 的 LST 数据，我们利用了 GOES-R（即每个白天和夜晚的高频率）和 ECOSTRESS（即更精细的空间分辨率）的优势。城区与近郊区SUHI强度在不同季节均呈现出明显的日变化特征：从日出到中午SUHI强度持续增加，随后至日落逐渐减小，夜间强度相对较低且恒定。不同地表覆盖类型间的LST差异明显白天大于夜间，并在中午左右达到峰值。夏季中午，“发达、高强度”的LST比“发达、中等强度”高2.6℃，比“发达、开放空间”和“发达、低强度”高约4.6℃。将建设用地不透水地表比例控制在相对较低的水平（如低于~49%）可有效缓解SUHI的影响。与GOES-R数据相比，ECOSTRESS LST更适合在小区（或街区）尺度监测城市内部热环境的日变化。我们的研究强调了地球静止卫星和 ECOSTRESS LST的联合使用在探索 SUHI 的昼夜循环中的价值，并且有助于在气候变化的背景下为城市规划和陆地气候缓解政策提供信息。

城市化越来越多地将自然地表转变为人工不透水地表，改变了地表能过程，这些变化会导致城市和农村空气、地表和地下基质的制冷和制热速率存在很大差异。其中，城市地区与周围环境的地表温度（LST）差异被称为地表城市热岛（SUHI）。SUHI是人类引起的气候变化中最明显的热现象之一，对生态环境或人类健康和福祉造成许多负面影响。

基于卫星的热红外数据为检查大城市的SUHI提供了机会，源自极地轨道上的卫星和传感器的LST产品因其中等或更精细空间分辨率、全球覆盖范围和长期记录而被广泛用于探索SUHI，然而，这些卫星中的每一颗通常对同一区域都有固定的观测时间，这使我们无法探索SUHI现象的昼夜（或diel）演变，传统地球静止卫星生成的LST产品空间分辨率较粗（3-5 km），无法充分区分地表特征，从而限制了其对SUHI研究的适用性。因此，SUHI在整个昼夜周期中的演化方式仍然知之甚少。

SUHI的昼夜（或昼夜）动态被认为是气候变化的重要指标，对SUHI的缓解和城市规划工作具有重要价值。随着遥感技术的进步，NOAA最新一代的GOES卫星地球静止业务环境卫星（GOES-R）在填补这一空白方面迈出了一大步。然而，GOES-R数据的2 km分辨率仍然无法充分区分土地覆盖特征，包括土地覆盖类型及其空间排列和区域范围，但具有 2 km 空间分辨率的 GOES-R LST 不足以揭示城市规划所需的 SUHI 空间细节。

最近启动的空间站生态系统星载热辐射计实验（ECOSTRESS）为我们提供了前所未有的机会，以更高的分辨率（70米）研究SUHI的昼夜模式。

GOES-R 和 ECOSTRESS 数据各有优缺点。GOES-R 和 ECOSTRESS LST 的联合使用可能会为 SUHI 的 diel 变化提供新的见解，并且还可以克服每种 LST 产品的局限性。2 km分辨率的GOES-R LST无法区分城市社区、邻里和小城市之间的LST，而70 m ECOSTRESS LST足以揭示昼夜循环中不同时间不同土地覆盖之间的LST空间变异性。另一方面，由于 LST 之间的变化是由昼夜和日常变化引起的，因此在不同日期的不同时间获得的 ECOSTRESS LST 在量化 SUHI 的昼夜演变方面仍然受到限制。使用GOES-R LST在每天昼夜进行高频观测作为基线，将为ECOSTRESS LST面临的这一问题提供有效的解决方案。因此，ECOSTRESS和GOES-R LST的联合使用有助于我们探索SUHI的昼夜动力学。

考虑到上述背景，通过结合 2019 年 6 月至 2020 年 5 月来自 GOES-R 和 ECOSTRESS 的 LST 数据，探讨了 SUHI 在波士顿大都会区昼夜周期中的变化。本研究的目的是：1）评估来自GOES-R和ECOSTRESS的LST数据的时空特征;2）研究SUHI强度的昼夜变化;3）探究不同土地覆被类型间LST的昼夜变化;4）评估分区/邻里尺度上市内LST的昼夜循环。

波士顿都会区位于美国东北部，包括波士顿市（即马萨诸塞州的首府）及其周边地区。作为新英格兰地区最大的城市和经济中心，波士顿也是人口最多的城市。研究区域由各种土地覆盖类型组成，包括森林、灌丛、耕地、草本土地、已开发土地、贫瘠土地、湿地和水。研究区海拔1-955 m，平均133 m，地形特点是东向西高程递增。该研究区位于潮湿的副热带和潮湿的大陆性气候之间的过渡带，经历了四个不同的季节。根据洛根国际机场的气候记录，7月平均气温为23.0°C，1月为-1.7°C。此外，如下文第2.6节所述，我们将研究区域划分为农村地区、郊区和城市核心区，以调查SUHI。

2.2.1 GOES-R LST数据

在这项研究中，我们使用了每小时 LST 数据集，该数据集来自其中一颗 GOES-R 卫星 GOES-16 上的 ABI。使用分窗法从两个 TIR 波段（波段 14 和 15）中检索每小时 LST 产品，并已根据从多个卫星平台（例如 SNPP、AQUA、TERRA）和原位记录（NOAA，2019 年）获得的 LST 数据进行了评估。我们从 2019 年 6 月至 5 月从 NOAA 的综合大型阵列数据管理系统（CLASS）（https://www.avl.class.noaa.gov/）获得了一年的 GOES-R LST 数据。

还使用了从ECO2LSTE产品（2 级 ECOSTRESS 科学产品 （https://lpdaac.usgs.gov/））中获得的 ECOSTRESS LST 数据。使用基于物理的温度发射率分离方法，包括 LST 和光谱发射率在内的ECO2LSTE产物是从 8 到 12.5 μm 之间的五个 TIR 波段生成的。同时，云掩模（即ECO2ClOUD）也包含在用于筛选云像素的2级产品中。为了减少噪声并方便使用，像素从 38 m × 69 m 重新采样到 70 m × 70 m。该产品与原位 LST 观测值高度一致（r 2 = 0.99，平均绝对误差 = 0.4 K，总体 RMSE = 1.07 K）。

我们使用从多分辨率土地特征 （MRLC） 网站 （https://www.mrlc.gov/） 获取的国家土地覆盖数据库 （NLCD） 2016 产品来区分土地覆盖类型。

从国家气候数据中心（NCDC：https://www.ncdc.noaa.gov/）获得波士顿市中心气象站每小时时间步长的气温数据（图1）。我们选取了2019年8月12日至2019年8月31日、2019年9月14日至2019年10月3日、2020年1月11日至2020年1月30日及2020年5月11日至2020年5月30日期间的每小时气温，以说明不同季节气温的昼夜变化。

我们还使用了美国宇航局航天飞机雷达地形测量任务（SRTM）从USGS地球探测器网站开发的1角秒高程数据。SRTM DEM 的绝对垂直精度约为 16 m（置信度为 90%），可能是最常用的高程数据源。高程数据用作图 1 的底图，也用于帮助将波士顿划分为城市和农村地区。

城市规划数据是从波士顿市的开放数据中心（https://data.boston.gov/）下载的。本文利用分区分区数据集，探讨了城市土地利用类型在昼夜不同时间的热分化。在数据库中，波士顿市被划分为 1649 个分区分区。这些分区分为七种土地利用类型：工业用地、商业用地、住宅用地、混合用地、社区/机构用地、杂项用地和开放用地。

2.3.1 GOES-R和ECOSTRESS LST的比较

选取不同季节每小时原位气温为参考线，为气象站所在的网格单元提取了GOES-R和ECOSTRESS的LST数据。对 ECOSTRESS LST 数据从 70 m 到 2 km 的分辨率进行了重新采样，以匹配 GOES-R 数据的分辨率。ECOSTRESS LST 场景中的所有云像素都使用相应的云蒙版文件过滤掉。此外，利用在白天和夜间采集的四对GOES-R LST和ECOSTRESS LST来说明它们在LST空间细节监测方面的能力。此外，利用研究期间在短时间间隔内获得的18对GOES-R和ECOSTRESS LST，比较了它们在农村、郊区和城市核心地区捕获LST的能力。分别从GOES-R和ECOSTRESS数据中提取农村、郊区和城市核心区的平均LST值。然后，我们计算了皮尔逊相关系数来衡量它们之间的关系。

使用ECOSTRESS和GOES-R LST数据来计算研究区域的SUHI强度。一般来说，SUHI是指城市地区与周围农村地区之间的LST差异。为了进行更详细的分析，我们将研究区域内的城市区域进一步划分为郊区和城市核心。根据500米MODIS土地覆盖数据，将城市地区确定为建成区和农村地区。城市核心像素和郊区像素被定义为城市地区的像素，其建成面积分别为 >75% 和 50-75%，而农村地区是城市周围 10 公里至 40 公里之间的缓冲区。然后，以农村地区的参考温度为基准，分别量化了昼夜不同时间的郊区和城市核心SUHI强度，具体如下：

GOES-R卫星提供的高频LST观测使我们能够检查SUHI在每个昼夜的昼夜（或昼夜）变化。我们使用研究期间获得的所有 GOES-R LST 图像计算了郊区和城市核心区的每小时 SUHI 强度。研究了SUHI强度在四个季节的昼夜循环。使用相应的云掩模文件去除图像的云像素，然后分别计算了郊区和城市核心的SUHI强度。同时，根据每次ECOSTRESS观测天桥时间1 h内的GOES-R LST数据选择SUHI强度，与相应的ECOSTRESS SUHI进行比较。

还研究了SUHI昼夜模式在郊区和城市核心的四个季节中的变化。通过每小时的GOES-R LST观测，计算了白天和黑夜每小时的平均SUHI强度，从而生成了每个季节的平均昼夜周期。对于ECOSTRESS LST观测，尽管这些图像是在一天中的不同时间获得的，但应该注意的是，它们通常是在不同的日期获得的。在研究基于ECOSTRESS LST的SUHI昼夜变化时，将引入额外的不确定性，因为这些观测中SUHI的变化是由昼夜和日常变化引起的。为了尽量减少日常变化（例如天气、植物生长）对 SUHI 强度的影响，使用每小时一次的 GOES-R SUHI 来调整 ECOSTRESS SUHI。首先，我们假设在相似的太阳几何形状下，郊区或城市核心内的LST对不同天气条件具有相同的响应。因此，时间t的日变化对城市核心（ΔW urban-core）和农村地区（ΔW rural）的LST的影响可以通过方程来估计：

然后，我们假设研究区域的天气状况在一小时的短时间间隔内是稳定的。以各季节的GOES-R SUHI季节昼夜周期为基准，估算ECOSTRESS SUHI的昼夜变化。调整公式表示如下：

此外，关注相对纯净的像素，评估了不同季节研究区不同土地覆盖类型之间的LST日变化。纯像素仅由一种土地覆被类型覆盖。对于 diel 周期内的每个小时，在每个季节对 GOES-R LST 进行空间平均，以生成研究区域的季节性平均 LST。我们获得了每个季节的 24 张 GOES-R LST 图像。鉴于 GOES-R LST 的分辨率相对较粗（2 km），并且城市地区几乎没有 100% 纯像素，如果 2 km × 2 km 区域内 30 m × 30 m NLCD 像素中有 75% 以上具有相同的土地覆盖类型，则 GOES-R 像素被视为纯像素。然后，使用纯GOES-R像素检查每个季节不同土地覆盖类型之间LST分化的日变化。

本文还利用ECOSTRESS LST分析了4个季节不同土地覆盖类型间LST分化的日变化。ECOSTRESS LST 的分辨率为 70 m，可以比 GOES-R LST 更好地区分土地覆盖特征。对于每个季节，我们选择的ECOSTRESS LST图像不仅具有大量有效像素，而且在采集时间的半小时内具有相应的GOES-R LST观测值。为了扩展数据样本，添加了四个额外的 ECOSTRESS LST 场景，这些场景具有大量有效像素，但它们在观察时间的大约一小时内只有相应的 GOES-R LST 样本,由于 NLCD 2016 的分辨率为 30 m，因此我们对 70 m 至 60 m 的 ECOSTRESS LST 数据进行了重新采样。然后，将对应的4个NLCD像素具有相同土地覆被类型的ECOSTRESS像素识别为纯像素。使用的GOES-R LST图像也被重新采样到ECOSTRESS数据的相同空间网格和坐标系。对于给定的像素，GOES-R和ECOSTRESS LST之间的相关性可以表示为方程。还应该注意的是，参考研究旨在生成LST预测，而本研究的目的是调整可用的ECOSTRESS LST，以获得不同纯ECOSTRESS像素之间热分化的日变化。考虑到本研究已经检索到所有像素的LST值，方程能够应用于具有不同土地覆盖的像素，尽管预计会有小的偏差。

假设土地覆被类型和传感器校准在每个季节中不发生变化，则误差ε在时间t的每个季节的天数之间也不会变化。对于每个季节，可以得到以下等式：

基于两对ECOSTRESS和GOES-R LST数据提出了一个简单而有用的调整方法验证。采用上述方法，我们得到了纯ECOSTRESS像素在昼夜不同时间的季节平均LST。然后，我们计算了每种土地覆被类型的均值和标准差。未分类像素和开放水域像素被排除在我们的分析之外。

最后，我们强调了ECOSTRESS LST在分区或社区尺度上研究城市热环境的空间格局和昼夜循环的潜力。由于城市形态的异质性很强，基于分区单位而非常规像素单位的分析有助于探索城市热环境及其与不同城市景观的相互作用。显然，由于其空间分辨率为2 km，GOES-R LST在城市热环境研究中的使用通常受到限制。本研究利用分区分区数据集的城市规划数据将波士顿划分为1649个分区单元。然后，选择9个ECOSTRESS LST场景，描述LST在波士顿上空全天的变化。此外，我们对每个分区中所有像素的 LST 进行平均，以获得每个分区分区的平均 LST，以评估不同城市土地利用类型在 diel 周期内不同时间的热差异。

首先研究了GOES-R和ECOSTRESS捕捉夏季LST昼夜变化的能力（图2）。总体而言，GOES-R LST和ECOSTRESS LST由于其昼夜采样能力，分别表现出对探索LST昼夜变化的适用性。

然后，利用ECOSTRESS和GOES-R的观测结果，探索了波士顿LST的量级和空间格局（图3）。ECOSTRESS和GOES-R LST均捕捉到了整个研究区域LST的大梯度，其特点是市中心温度明显较高，周围郊区和农村地区温度较低。由于不同土地覆盖类型与太阳辐射的升温速率差异较大，研究区白天的空间LST变化大于夜间。

此外，显示了GOES-R和ECOSTRESS LST在农村、郊区和城市核心地区的平均相关性，这些相关性表明，GOES-R和ECOSTRESS数据在测量研究区域不同区域的LST时具有一致性。

基于ECOSTRESS LST数据研究了SUHI在四个季节的昼夜变化（图5）。在各季节中，基于ECOSTRESS的SUHI强度在昼夜都表现出明显的现象，白天的强度高于夜间，这与基于GOES-R的SUHI强度相似，总体而言，与GOES-R LST类似。

利用GOES-R和ECOSTRESS在DIEL周期内不同时间测量LST的能力，能够研究不同季节郊区和城市核心区SUHI强度的昼夜变化。GOES-R和ECOSTRESS LST可以为评估SUHI在四个季节中的昼夜循环提供更充分的样本，尽管天气变率带来的ECOSTRESS SUHI强度变化存在不确定性。在夏季、秋季、冬季和春季，SUHI强度在城市核心区和郊区之间表现出相似的昼夜变化。此外，SUHI强度的昼夜模式特征是从日出到中午增加，下午下降，整个夜间相对恒定的低值。

利用ECOSTRESS和GOES-R数据探究了不同土地覆被类型间LST差异的日变化。图7给出了研究区土地覆被的空间显式信息以及ECOSTRESS和GOES-R纯像素的分布和数量。此外，与GOES-R数据相比，ECOSTRESS更好地捕捉了不同土地覆盖之间LST的变化。此外，纯ECOSTRESS像素的比例远远大于纯GOES-R像素的比例，从而为进一步分析不同土地覆盖类型对LST的热影响提供了更广泛和更多的样本。

在2 km分辨率下，GOES-R数据仅允许我们计算已开发土地和森林的LST的昼夜变化。

基于两对ECOSTRESS和GOES-R LST数据的调整后的ECOSTRESS LST的验证结果。

ECOSTRESS LST在4个季节中提供了研究区所有土地覆被类型间LST分化的日变化。为了更好地阐明昼夜热变化的差异，我们主要根据不透水的地表覆盖和植被条件将这些土地覆被类型分为两组。

ECOSTRESS LST数据使我们能够在分区尺度上检查城市内热环境的日变化。白天，不同土地覆被类型中LST值最高，而夜间混合利用土地的LST值往往最高。

首次通过结合GOES-R和ECOSTRESS的LST观测结果来检查SUHI的昼夜（即diel）变化，尽管ECOSTRESS和GOES-R LST可以分别用于研究SUHI的昼夜变化，但它们的组合将为这个研究较少的主题提供更有力的见解。首先，由于 ECOSTRESS LST 的观测时间不规则，而现有的官方 GOES-R LST 产品仅提供每小时数据，因此它们的组合使用可以为探索 SUHI 的时间演化提供更多样本。其次，我们使用每小时的 GOES-R LST 数据来调整 ECOSTRESS LST，以最小化 ECOSTRESS LST 的日常变化。第三，ECOSTRESS和GOES-R LST数据的结合使用可以利用两个数据集的优势（即，GOES-R在昼夜中的高频率和ECOSTRESS的空间分辨率更精细）。研究结果增强了对SUHI昼夜变化的理解，城市核心区普遍比郊区具有更大的SUHI强度，并且这两个区域在白天（尤其是中午前后）的差异大于夜间。。此外，SUHI强度受到不同日期气象变量的显著影响，这从ECOSTRESS LST样本（不仅在白天/黑夜的不同时间，而且在不同日期获得）直接得出的强度的不规则昼夜变化所表明。研究还通过检查昼夜周期内不同时间不同土地覆盖类型之间的热对比，深入了解SUHI与土地覆盖之间的关系。最后，我们揭示了高分辨率ECOSTRESS LST在LST的时空分布方面的性能。我们的结果证明了ECOSTRESS LST数据在识别城市内热/冷区域以及基于分区或邻域尺度分析城市热环境的昼夜模式方面的优势，这是来自GOES-R或Himawari-8等新一代地球静止卫星的数据无法实现的。

研究中使用的数据和方法也存在可能的局限性和不确定性。对于GOES-R和ECOSTRESS，很大一部分网格单元可能缺少数据。与春季、夏季和秋季相比，冬季可用的 GOES-R LST 数据较少，这可能会对分析产生影响。当同时使用GOES-R和ECOSTRESS数据来检查SUHI的昼夜变化时，可能会产生不确定性。利用GOES-R数据调整ECOSTRESS LST，降低了不同天气和大气条件对ECOSTRESS数据SUHI日变化的影响。然而，由于GOES-R和ECOSTRESS LST样本的质量（例如，被云污染的数据缺口），ECOSTRESS LST和相应的GOES-R LST（在本研究中在一小时内）的观测时间不一致，以及LST在具有不同土地覆盖成分的地区对天气变化的不同敏感性，可能仍然存在偏差。未来更多的ECOSTRESS LST观测将有助于更好地阐明SUHI的昼夜模式。此外，不同土地覆盖成分不同地区LST对天气条件变化的响应很少被研究，未来关于该主题的研究应利用宝贵的ECOSTRESS数据来研究SUHI的昼夜变化。使用来自GOES-R的LST数据来评估整个昼夜周期中不同土地覆盖之间的热对比时也存在局限性，这主要是由于其相对粗糙的空间分辨率（2 km）。基于ECOSTRESS像素的不同土地覆被LST分化分析也可能引入不确定性，主要是因为ECOSTRESS数据是用GOES数据调整的，而GOES-R像素很少是均匀的，通常包括许多土地覆被类型。ECOSTRESS LST数据可以潜在地与GOES-R（或其他新一代地球静止卫星，如Himawari-8）LST数据融合，以使用数据融合技术在每天/黑夜（例如，每小时）和高空间分辨率（例如，70 m）内生成高频LST数据，并且由此产生的融合数据有望有利于SUHI昼夜变化的未来研究。

通过结合GOES-R（新一代地球静止卫星）和ECOSTRESS（国际空间站上的创新热辐射计）的LST观测，探索了SUHI的昼夜（即diel）变化以及郊区和城市核心的热对比。以波士顿为案例研究区域，研究表明，ECOSTRESS和GOES-R LST的联合使用可以有效地提高我们对SUHI昼夜变化的理解，因为它们能够在DIEL周期内的不同时间观测LST，但具有不同的频率和空间分辨率。GOES-R 和 ECOSTRESS 各有优缺点。GOES-R在每个昼夜提供高频LST观测，但LST数据具有粗略的空间分辨率（2 km）。ECOSTRESS数据具有更精细的空间分辨率（70 m），但仪器需要数周甚至更长的时间才能对昼夜周期的大部分进行采样。为了利用不同日期获得的ECOSTRESS数据来检查SUHI的昼夜变化，我们还使用每小时的GOES-R LST来调整ECOSTRESS LST，以尽量减少日常变化。每个季节，郊区和城市核心区的SUHI强度都表现出明显的昼夜特征：SUHI强度在夜间大致保持不变，从日出到中午增加，然后在下午下降。LST因土地覆被类型而异，其空间布局和面积范围对SUHI的空间格局有贡献。不同土地覆被类型之间的LST对比在一天中表现出不同的模式。同时，不同土地覆被类型间LST的日变化决定了SUHI的时间变异性。此外，不透水地表覆盖率低于约49%的已开发土地可以有效缓解SUHI的影响。与粗分辨率的 GOES-R LST 不同，高分辨率 （70 m） 的 ECOSTRESS LST 适用于检查各种土地覆被类型下的 LST 的昼夜变化，并在分区（或社区）尺度上研究城市内热环境。结合使用来自GOES-R和ECOSTRESS的LST观测可以提高我们对SUHI昼夜变化的理解，并为气候变化背景下的城市规划、陆基气候减缓政策和公共卫生促进工作提供信息。

本公众号由复旦城市生态与暴露生态学研究组(Urban Ecology and Exposure Ecology Lab, UEEE)运营维护，发布相关研究成果，更传播城市生态与暴露生态学最新研究与实践。欢迎专家学者将研究成果在此发布（发送邮件:zhaowu_yu@fudan.edu.cn），让更多人了解您的研究及工作。