城市热岛效应已演变成全球性的环境问题，与城市生态、居民健康和能源消耗密切相关。遥感技术的进步带来了基于热红外遥感的可靠地表温度（LST）数据。因此，SUHI 受到越来越多的关注，成为 UHI 研究的重要组成部分。本研究的重点是调查 SUHI。一些文献综述系统地审视了 SUHI 研究的进展、挑战和前景。尽管大量研究调查了SUHI（SUHII）的强度，但大多数研究都集中在城市地区，强调SUHI效应的时空动态及其与城市形态、物质和人口密度的关系。在解释 SUHII 及其与各种因素的关系时必须考虑这一事实。由于 SUHII 的变化可归因于城市和农村参考 LST 的变化，因此确定哪一种占主导地位至关重要。乡村景观是动态的，由于降雪、融雪以及植被的生长和衰老等因素，乡村景观在一年中经常发生显着的变化。这些转变通过影响农村参考地表温度来影响 SUHII 的年度变化。我们对英文同行评审文献进行了全面综述。对于农村特征对 SUHII 影响的研究，以往的研究主要集中在：（1）不同气候带不同植被类型与年或季节平均值SUHII空间格局的关系；(2)城乡植被差异年际变化对年或季节平均值SUHII的影响。此外，大多数研究都集中在这些关系的统计分析上。然而，针对植被全年持续动态变化对SUHII影响的研究还存在明显不足，也缺乏对其潜在物理机制的全面探索。对于SUHII年变化的研究，一些研究采用了年度温度循环（ATC）模型或二阶傅里叶近似来拟合 LST 数据并分析年度 SUHII 变化。但ATC 模型可能过度简化了积雪和融化显着的地区 SUHII 的变化。同样，二阶傅里叶近似可能不足以捕捉 SUHII 复杂的年度动态。
1 数据
1.1 LST数据
使用中分辨率成像光谱仪 (MODIS) 每日 LST 产品（MYD11A1，版本 6，1000 m）。它是使用广义分割窗口 LST 算法导出的，并经过质量检查，大多数检索误差<1 K，均方根误差<0.5 K。使用2011年至2020年的十年数据集来分析SUHII的年度变化。卫星每天的立交桥时间约为当地时间13:30和1:30。提取白天LST数据是因为SUHI效应在白天比晚上更明显。
1.2 叶面积指数LAI数据
使用了 MODIS LAI 产品（MYD15A2H，版本 6）。LAI 数据由 8 天平均值组成，空间分辨率为 500 m。LAI 产品的质量已使用地面数据进行了验证。利用2011年至2020年的LAI数据计算了农村参考区LAI的年度变化。分析了LAI和SUHII之间的关系。
1.3 蒸散量（ET）数据
利用MODIS ET产品（MOD16A2，版本6.1）计算农村地区生长季的蒸散量。该产品提供空间分辨率为 1 公里、时间分辨率为 8 天的蒸散量估算。
1.4 土地覆盖数据
使用 MODIS MCD12Q1（版本 6）的土地覆盖数据产品。数据的空间分辨率为500 m。国际地圈-生物圈计划数据的分类层用于提取农村地区的耕地和森林。采用2011年至2020年的土地覆盖分类数据进行分析。
1.5 DEM数据
采用航天飞机雷达地形测量任务 1 弧秒全球产品来提取研究区域的高程。
1.6 全球城市边界数据
城市建成区面积来源于Li等人提供的2020年全球城市边界数据集。该数据集用于确定城市建成区的边界。
1.7 气候分类
利用空间分辨率为 1000 m 的 K ̈ oppen-Geiger 全球气候分类来确定城市的气候类型。
1.8 地表反射率数据
使用 MODIS 数据集（MOD09A1，版本 6）中的表面反射率数据来评估城市地区的积雪。
1.9 Sentinel-2 MSI Level-2A 数据
Sentinel-2 是一颗光学卫星，是欧洲航天局哥白尼地球观测任务的一部分。我们利用其10米空间分辨率计算归一化积雪指数（NDSI），评估城乡积雪范围及其变化。
1.10 概率数据
利用欧洲航天局的降雪概率数据结合表面反射率数据来评估农村地区全年积雪的持续时间。降雪概率源自 2000 年至 2012 年间收集的观测数据，提供了年度降雪频率。该数据集提供了对一年中典型积雪持续时间的见解。
2 研究方法
2.1 确定 SUHII 的年度变化
图 2 给出了确定 SUHII 年度变化的流程图。该过程包括三个主要部分：（1）划定农村和建成区边界，（2）计算LST和农村特征的年度变化，包括LAI、ET和反照率，以及（3）影响机制分析SUHII 的这些年度变化。
2.2 城乡分离
从 2020 年全球城市边界数据中提取了建成区边界，然后计算了 2011 年至 2020 年这些建成区的平均 LAI 值。城乡之间的海拔差异会对SUHII的计算产生显着影响。但这种影响超出了本研究的范围。我们采用所选建成区的中高程作为参考高程。对于有耕地的农村地区（森林地区），排除了与参考高程偏差超过 ±50 m (±200 m) 的像素。该方法旨在减轻城乡地区海拔差异对 SUHII 的潜在影响。
2.3 Savitzky-Golay 滤波器
由于云量、降水和农业灌溉等短期事件，每日地表温度经常表现出显着的波动。为了准确捕捉LST和SUHII的年度变化模式，我们采用S-G滤波来平滑年度LST时间序列。同样，利用 S-G 滤波来平滑农村地区 LAI 和反照率的年度变化。
2.4 计算 LST 和 UHI 的年度变化
SUHII 的年变化计算如下：
其中n代表年份，i代表一年周期中的第i天（不包括闰年的2月29日）。Turban和Trural分别表示城市和乡村参考像素经过S-G滤波后的平均LST。
2.5 分析农村 LAI 和 ET 的年度变化
计算2011年至2020年各年农村参考区空间平均LAI和ET的中值，得到平均LAI和ET曲线（图2）。为了减轻异常值和极值的影响，使用了十年期间的 LAI 和 ET 中值。随后，应用S-G滤波器对农村LAI和ET的年变化曲线进行平滑处理。
2.6 使用 NDSI 提取积雪区域
NDSI 已被广泛用于使用 Sentinel-2 图像绘制积雪范围图。其计算公式如式（3）所示。在冰雪覆盖的森林地区，卫星传感器捕获的光谱信息反映了森林树冠和雪的组合。由于树冠的遮挡效应，与纯雪相比，这种混合光谱在可见波长下的反射率显着降低。因此，依赖于雪的光谱特征的 NDSI 不能有效地识别森林地区的雪。为了克服这个限制，我们采用了归一化差异森林雪指数（NDSFI），如公式（4）。
2.7 分析农村地表反照率的年度变化
地面反照率可以作为积雪的有效指标。为了获得表面反照率，本研究通过GEE利用MODIS MOD09A1表面反射率产品。计算公式如下：
2.8 SUHII年变化的阶段
将年度周期分为四个不同的阶段：积雪阶段、植被覆盖阶段和两个过渡阶段。
该研究主要结论如下：
1、SUHII 的年度连续变化在利用农田和森林作为乡村参考景观的城市中表现出相似的模式。发现了一个显着的双峰现象，高峰出现在冬春交替期间和仲夏期间。第一个峰值相对温和，而第二个峰值代表全年观察到的最高强度。这种一致的模式表明，共同的机制在不同的城市中运作，推动了这些变化。
2、SUHII年变化的第一个峰值归因于城乡融雪的时间差异。随着冬季过渡到春季，城市积雪融化速度加快，而农村积雪往往持续时间较长。第二个峰值发生在仲夏，与植被蒸散作用增强的冷却效应有关。生长季LAI的增加增强了降温效果，导致农村 LST 下降，从而导致 SUHII 上升。LAI、ET 和 SUHII 之间观察到的强正相关性进一步支持了这一机制。
3、乡村景观的变化会对 SUHII 产生不同的影响。在冬季，与拥有乡村森林景观的城市相比，以农田作为乡村参考的城市表现出更高的 SUHII。这种差异可归因于农田的二维结构，它允许完全积雪的积累。相比之下，森林的 3D 结构可防止树冠上大量积雪，从而导致卫星检测到更温暖、无雪的树木表面时的 LST 读数升高。此外，LAI、ET 和 SUHII 之间的强相关性凸显了在分析不同城市的 SUHII 时考虑农村参考区域植被类型和 LAI 的可比性的重要性。
该文章题目为：“参考乡村景观对地表城市热岛强度年度变化的影响”，于2024年发表在《Sustainable Cities and Society》期刊（IF=10.5），该研究强调了在 SUHI 分析中纳入乡村参考景观详细描述的重要性。土地覆盖类型、LAI 和积雪等基本因素对于提高 SUHII 结果的可解释性和可比性至关重要。研究结果增强了我们对 SUHII 年度变化以及驱动这些变化的机制的理解，为评估 SUHII 和城市热环境提供了宝贵的见解。
原文链接：https://linkinghub.elsevier.com/retrieve/pii/S2210670724006280
声明
本期文案：郝以舷
本期编辑：郝以舷
