不规则和快速的建成区变化是地表温度(LST)升高及城市热岛(UHI)形成的主要原因之一。本次我们给大家带来一篇SCI论文的全文翻译。该论文尝试开发一种组合指数,利用指数函数和Landsat时序影像来精确绘制细尺度的建成区地图。该论文的发现对城市建设规划有帮助,有助于减少城市化的负面环境影响!
-----------欢迎大家关注公众号----------
【论文题目】
The analysis of the spatio-temporal changes and prediction of built-up lands and urban heat islands using multi-temporal satellite imagery
【题目翻译】
利用多时相卫星影像对建成区和城市热岛的时空变化进行分析与预测
【期刊信息】
Sustainable Cities and Society;Volume 103,, April 2024, 105231
【作者信息】
Keyvan Ezimand, 伊朗德黑兰沙希德·贝赫什提大学地球科学学院遥感与地理信息系统研究中心
Hossein Aghighi, 伊朗德黑兰沙希德·贝赫什提大学地球科学学院遥感与地理信息系统研究中心,h_aghighi@sbu.ac.ir
Davod Ashourloo, 伊朗德黑兰沙希德·贝赫什提大学地球科学学院遥感与地理信息系统研究中心
Alireza Shakiba,伊朗德黑兰沙希德·贝赫什提大学地球科学学院遥感与地理信息系统研究中心
【论文链接】
https://doi.org/10.1016/j.scs.2024.105231
【关键词】
遥感、国家生物多样性指标、CA-Markov模型(元胞自动机-Markov模型的缩写)、统计分析、城市热岛效应
【本文亮点】
NBCI:国家生物多样性指标(或国家生物多样性监测指数)是基于遥感数据开发的,用于检测城市建设用地。
CA-Markov:城市热岛效应(UHI)和建设用地的预测是通过CA-Markov模型进行的。
通过统计模型研究城市热岛效应(UHI)与建设用地之间的关系。
建设用地的变化对城市热岛效应(UHI)的变化有直接而强烈的影响。
至今,已经进行了各种尝试来定义建设用地和城市用地,这导致了全球城市用地定义的各种争议(Liu et al., 2014)。为了减少这种不确定性,本研究将“建设用地”一词定义为“不可渗透表面”,包括人工覆盖物和结构,如建筑物、道路、交通基础设施、人行道、混凝土、砖石工程和其他人造覆盖物(Chen et al., 2015; Ezimand et al., 2018; Weng, 2012)。在全球范围内,从1992年到2015年,建设用地面积从0.33百万平方公里增加到0.71百万平方公里,增加了两倍以上(van Vliet, 2019)。预计到2100年,这一面积将增加到3.6百万平方公里,比2015年增加了约五倍(Gao & O’Neill, 2020)。因此,全球范围内的社会和经济发展以及城市地区和建设用地的持续扩张将深刻影响全球发展的可持续性(Jing et al., 2022),强调了不断认识城市扩张和建设用地增加对全球社会经济发展的影响的必要性。
如前所述,建设用地增加的主要后果之一是城市热岛的形成,这使得城市地区的温度高于周围的乡村地区(Liu & Zhang, 2011)。许多研究明确将UHI现象与城市化模式联系起来。控制UHI的重要性在于城市本质上在规模上具有动态性,可以迅速增长,从而导致UHI的进一步扩展(Sejati et al., 2019)。在这里,遥感技术被认为是监测全球范围内建设用地和UHI变化的有效工具(Hashem & Balakrishnan, 2015; Nurwanda & Honjo, 2020; Rimal et al., 2018; Sahana et al., 2018)。在过去三十年中,Landsat图像已被用作分析和提取土地覆盖变化的主要来源,利用其高分辨率(时间/空间)图像和丰富的数据来理解UHI和LST变化(Asadi et al., 2019; Ezimand et al., 2021; Firozjaei et al., 2020; Liu et al., 2017)。
以往关于提取建设用地的研究表明,遥感技术作为快速、简便和经济有效的方法在广泛尺度上的制图上是适用的(Ali & Alam Nayyar, 2021; Ezimand et al., 2018)。这些研究还暗示了Landsat图像相对于其他卫星图像的有效性,考虑到其广泛的地理覆盖、相对较高的空间分辨率以及超过45年的时间覆盖,这些数据可以免费获取(Estoque & Murayama, 2015; Ezimand et al., 2018; Kaur & Pandey, 2022)。还实施了许多分析方法,如基于对象/像素的提取(Taubenböck et al., 2012)、决策树(Lu et al., 2011)、回归模型(Im et al., 2012)、光谱混合分析(SMA)(Deng & Wu, 2013)和光谱指数(Estoque & Murayama, 2015; Ezimand et al., 2018)。然而,大多数提到的方法在特定区域和全球尺度上存在一定的限制。例如,基于对象的提取在优化分割参数方面存在限制,而基于像素的方法在混合像素方面受限;SMA方法倾向于低估城市区域,而高估乡村区域;回归模型需要高质量的土地调查数据;决策树对噪声非常敏感,因此需要高质量的样本(Ali & Alam Nayyar, 2021)。鉴于这些限制,基于光谱指数的方法似乎更适合,因为它们结构和实施相对简单,尽管这些方法也有一定的局限性,一些已在Kaur和Pandey(2022)中提到。
考虑到上述背景和提到的限制,本研究建议使用地表生物物理参数的组合,开发一个新模型,以在不同气候条件下对区域和全球尺度上的建设用地进行相对准确的评估和提取。该模型还通过基于过去空间-时间变化训练的Markov模型来预测未来建设用地的状态。最终,本研究旨在识别建设用地与其对UHI变化的影响之间的关系,既包括当前情况,也包括未来的变化。
图 1. 研究区域。a)伊朗吉兰省的地理位置 b) 研究区域的数字高程模型(ASTER DEM)c) 拉什特市的Landsat伪彩色图像(RGB=765)
2.1. 研究区域及相关数据
本研究采用Landsat 5和8的L1T级别影像,以生产和监测城市扩张,以及识别和监测城市热岛(UHI)。这些L1T级别影像(包括通用横轴墨卡托(UTM)地图投影、辐射定标、系统几何校正、地面控制点辅助的精度校正、以及使用数字高程模型校正视差误差(Roy等,2014))从美国地质勘探中心网站(https://earthexplorer.usgs.gov)获取。研究中选择了云量少于10%的最佳无云Landsat影像,影像时间间隔为10年。涵盖研究区域的三幅影像分别对应于2001年7月27日、2011年7月7日(Landsat 5)和2021年7月18日(Landsat 8)。所有Landsat影像均为夏季拍摄,且属于相同的世界参考系统(WRS)路径166,WRS行35。这些时间间隔被选定用于识别和监测2001至2011年、2011至2021年以及2021至2031年间的城市扩张和UHI变化。研究分析了拉什特的扩张情况(20年),考虑了相关的约束条件和因素(见表1)。用于模拟未来城市扩张的因素包括距离河流、主要道路、现有建成区和市中心的距离。为了生成相同尺度的地图,因素地图通过最小-最大线性变换标准化到0到1的范围。拉什特公园、河流和水体的约束地图被转换为二进制格式以进行进一步分析(Jiao & Boerboom,2006)。所有这些约束和因素参数基于与拉什特市政府城市规划师和专家的访谈和调查。
表1 用于模拟未来城市扩展的因素和约束条件
2.2. 方法论
图2展示了本研究的流程图,后续章节将对此进行更详细的讨论
图2. 研究流程图
2.2.1. 图像预处理
大气校正采用FLAASH方法,对上述多光谱波段获得的TOA辐射值进行归一化处理,结果范围在0-1之间(ENVI,2009)。最终结果乘以400,以获得8位(0-255)的图像(Xu,2010)。亮度温度使用公式(1)根据Landsat 5(Band 6)和Landsat 8(Band 10)热波段的光谱辐射值计算。
其中TB 代表传感器测得的亮度温度(单位:开尔文 K),K1 和K2 是图像元数据中提供的校准系数,用于亮度温度的测量(单位:K)和(w/m²srμm)(Sekertekin & Bonafoni, 2020)。
2.2.2. 归一化建筑复合指数 (NBCI) 和确定最佳阈值
识别建筑用地的最主要的光谱波段是短波红外(SWIR)波段(Ronald C Estoque & Murayama, 2015; Ezimand et al., 2018; Kaur & Pandey, 2022),因此建议使用这些波段来区分建筑用地与其他土地覆盖类别。因此,本研究采用了2003年开发的NDBI指数(Zha, Gao, & Ni, 2003),该指数在不同研究中已被证明对识别建筑用地相对成功(Estoque & Murayama, 2015; Ezimand, Azadbakht, et al., 2021; Ezimand, Chahardoli, et al., 2021; Kaur & Pandey, 2022)。然而,现有的NDBI指数的局限性促使研究人员开发了改进版的指数。其他利用SWIR波段提取地表生物物理特征的指数是短波红外(TCT)波段的组合(Baig, Zhang, Shuai, & Tong, 2014; Liu, Liu, Huang, Liu, & Zhao, 2014)。这些组合通过使用不同波段的光谱信息,提供了卫星图像的简化和压缩版本,以最小化信息丢失(G. Liu, Huang, & Xie, 2015)。TCT波段组合的信息包括一些决定性参数,如绿度、湿度和亮度(Baig et al., 2014),其中前两个参数在本研究中也得到了强调。TCT信息中的绿度显示了特定区域的植被百分比,而湿度数据涉及水体、土壤和植被湿度(Liu et al., 2014)。
需要指出的是,不同传感器的系数矩阵有所不同,必须通过实证测量和统计分析来确定。总结而言,正如Naserikia et al., 2022在他们的手稿中提到的,关于城市的气候类型,可以区分的最重要的土地覆盖类别包括建筑用地、植被和水体(Naserikia, Hart, Nazarian, & Bechtel, 2022)。因此,如前所述,本研究使用了NDBI、绿度和湿度三个指标来开发NBCI,旨在提取土地特征。表2展示了不同TM/OLI传感器的系数矩阵。
表 2 NDBI 和 Landsat 光谱波段的短波红外(TCT)变换系数。
图3展示了伊朗德黑兰(亚热带气候)和拉什特(温和湿润和亚热带气候)城市的建成区、裸地、植被和水体的像素图。显然,建成区在NDBI-绿度、NDBI-湿度和湿度-绿度形成的不同聚类中与其他土地覆盖类型明显不同。因此,这三种指数可以用来轻松区分建成区与其他土地覆盖类别。
图 3. 不同土地覆盖类型在由NDBI、绿度和湿度组成的特征空间中的像素散点图
图4显示了建成区与其他土地覆盖类型在NDBI、绿度和湿度上的像素值。图中的水平轴表明,当使用NDBI指数时,建成区的像素值最高,而湿度指数显示最低值,绿度指数则处于中间范围。
图4. 不同土地覆盖类型在NDBI、绿度和湿度中的像素值比较
用于识别建成区的建议方程式为公式(2)。在这个方程中,我们考虑了(1)短波红外(SWIR)波段,(2)当不同指数组合时与建成区相关的像素簇,以及(3)为每个像素获得的建成区的坐标和像素值。
然而,由于全球各地区的物理和社会经济异质性,无法对所有地区使用统一的阈值(Estoque & Murayama, 2015; Ezimand et al., 2018; Liu et al., 2020)。因此,不同地理区域的可变阈值应基于气候、经济特征和城市拓扑等特征。在本研究中,采用了大津阈值法(Otsu, 1979)来解决这些限制。大津法是一种自适应阈值技术,根据输入特征的值进行二值化(Du et al., 2014; Ezimand et al., 2018)。在使用大津法进行图像二值化时,该方法找到一个点,将前景和背景以最大化的类间方差分开,因此在许多研究中得到了成功应用(Ronald C Estoque & Murayama, 2015; Ezimand et al., 2018; Moharrami, Javanbakht, & Attarchi, 2021)。大津法在图像直方图显示两个明显峰值或模式的分布时表现良好(Liao, Chen, & Chung, 2001; Sezgin & Sankur, 2004)。因此,本研究中使用了大津法来对建成区和非建成区进行分类。
2.2.3. LST 检索与城市热岛提取
其中,LST是地表温度(单位:开尔文),TB 代表亮度温度(单位:开尔文,见方程(1))。在此方程中,λ 是中心波长(单位:米),ε 表示发射率,α 设为 1.438 ×10⁻²米。计算得到的 TB 值是针对黑体辐射器的,这与实际物体的属性有显著差异,因此需要通过发射率进行修正(见方程 (4))(Artis & Carnahan, 1982)。
UHI(城市热岛效应)是在计算 LST 后提取的,其中UHI 被定义为城市区域与乡村或边界区域之间的 LST 差异(Clinton & Gong, 2013; Meng et al., 2018)。计算UHI 使用了方程 (5)(El-Hattab, Amany, & Lamia, 2018):
上述方程应用于研究区域,然后将 UHI 区域与非UHI 区域分开。
2.2.4. CA-Markov 模型用于预测城市建设用地和城市热岛
本研究采用了马尔可夫链和元胞自动机来预测城市建设用地和城市热岛(Yang, Zheng, & Lv, 2012)。马尔可夫链和元胞自动机是所提出模型的两个主要组成部分,该模型需要至少两个土地覆盖图以进行变化的概率评估(Mitsova, Shuster, & Wang, 2011)。在本研究中,城市建设用地和城市热岛作为输入,用于利用贝叶斯条件属性预测 LULC 类别的变化,如方程(6)所示(Rajitha, Mukherjee, Vinu Chandran, & Prakash Mohan, 2010)。
这里,s(t)和s(t + 1)分别是时间 t 和t + 1的系统状态,而pi,j表示特定状态下的转移矩阵,如方程(7)所示。
模型输出包括状态转移的概率、每类的转化面积矩阵,以及最终用于不同土地覆盖类型转化的条件概率图像(Yang et al., 2012)。由于马尔可夫链模型中缺乏空间依赖信息(Robert G Pontius, 2000),可以利用自动机网络来增强模型的空间特征。在这种情况下,马尔可夫链和元胞自动机模型可以使用面积转移矩阵来模拟未来的土地覆盖图(Fan, Wang, & Wang, 2008; Robert G Pontius, 2000)。在本研究中,通过使用2001年和2011年的NBCI二值图和UHI数据,预测了2021年的建设用地和UHI。最终,通过计算准确性评估(见2.2.5节)和所提模型的可行性评估,生成了2031年的建设用地和UHI图。
其中,n是已知像素的数量,k是类别数量,ni+表示第i行元素的总和,而n+i表示第i 列元素的总和(Congalton & Green, 2019)。先前的研究显示,样本点的数量可以从几百个(Estoque & Murayama, 2013)到几千个(Du et al., 2014)。在本研究中,总共选择了300个地面真实点来评估该方法,标签数据来源于高分辨率的Google Earth图像(Quick Bird图像)(Congalton, 1991; Du et al., 2014; Estoque & Murayama, 2013)。
为了评估提出的CA-Markov模型,将模型预测的建设用地图与参考数据进行比较,误差范围为8%;即如果预测数据与参考数据之间的差异小于8%,则Markov链和元胞自动机模型能够预测土地覆盖的变化(Rashmi & Lele, 2010)。需要比较预测的UHI结果与实际观测UHI值之间的差异,以确定CA-Markov模型的准确性。Kappa系数可以用来测试预测结果与观测数据之间的一致性,并在本研究中用于比较这两个数据集(Chen et al., 2020; Ullah et al., 2023)。
公式(9) 中,Rxy,z 表示在保持变量z 不变的情况下,变量 x 和y 之间的偏相关系数。相关系数的绝对值越大(越接近 1),变量之间的线性相关程度越高;相关系数的绝对值越小(越接近 0),变量之间的线性相关程度越低。
接下来,采用局部双变量莫兰 I 指数(bivariate LISA)技术来检验建成区空间模式对城市热岛效应的影响(Anselin, 1995)。双变量莫兰 I 技术通常用于探索空间自相关性,以及空间分布中两个变量之间的特征(见公式 (10))。
其中,Ii是单位i的局部双变量莫兰 I 指数;Zi和Zj是单位i和j的方差标准化值;Wij 是单位i和j之间的空间权重矩阵,该矩阵通过反距离加权技术计算。双变量 LISA 产生了四个局部空间自相关象限:象限 1 (HH - 高-高:分析单元i的自变量和邻近单元j的因变量都很高;象限 2 (LH - 低-高):分析单元j的自变量很低,而邻近单元j的因变量很高;象限 3 (LL - 低-低):分析单元i的自变量和邻近单元j的因变量都很低;象限 4 (HL - 高-低):分析单元i的自变量很高,而邻近单元j的因变量很低。
3.1 建成区的准确性评估及CA-Markov模型性能评估
研究人员和学术界一直在深入探讨地表植被变化及使用不同模型进行相关预测的问题(Mondal, Sharma, Garg, & Kappas, 2016)。与过去的研究一样,本研究也采用了Kappa系数对NBCI和CA-Markov模型的准确性和性能进行了评估(Arumugam, Yadav, & Kinattinkara, 2021; Estoque & Murayama, 2015; Ezimand et al., 2018),这一方法在以往的研究中被用来评估分类准确性(Foody, 2002)和预测准确性(R Gil Pontius, 2002)。研究结果显示,从2001年到2021年,所有300个通过Google Earth图像提取的参考点的NBCI值在78到82之间(McCoy, 2005)。这一范围的Kappa值被认为是可以接受的,并且指示了分类结果的有效性(McHugh, 2012)。在此基础上,使用2001年至2011年的二值图和CA-Markov模型获得了2021年的预测图,结果的Kappa值为77。考虑到CA-Markov模型对于2021年的预测与相应NBCI值之间的差异不显著(低于8%),可以得出结论:所获得的结果是可接受的,且所提出的模型可以用于预测2031年的建成区(Rashmi & Lele, 2010)。与之前的研究类似,本研究也使用Kappa系数评估了所提出的CA-Markov模型在预测2031年UHI状态方面的性能(Chen et al., 2020; Lee, Kim, Sung, Kim, & Jeon, 2022; Ullah et al., 2023)。相关研究结果显示,预测的UHI与2021年观察到的UHI之间的Kappa值为80,表明该模型适合用于未来UHI的预测(Amir Siddique, Wang, Xu, Ullah, & Zeng, 2021; Chen et al., 2020; Liu et al., 2020)。
3.2 NBCI统计数据与LST的时空相关性
图5. Landsat影像与RGB=654色彩组合,其中建成区显示为粉紫色到深灰色,以及NBCI和LST的时空变化
图6展示了NBCI与LST之间的相关性大小和类型。两者之间的相关值范围为0.86到0.89,且显著性水平为P ≤ 0.01。NBCI与LST之间存在直接相关性,这在其他处理LST与建成区光谱指数关系的研究中也得到了验证(Roy & Bari, 2022; Silva & Torres, 2021)。这两者之间的关联可以从不同的植被覆盖、土地利用、三维结构、城市几何形状和景观复杂性等方面进行解释。NBCI的时空模式显示,自2001年以来,建成区和不可渗透表面的增加与地表温度的升高相符,这进一步表明了两者之间的直接和强相关性。此外,随着建成区在城市地区的扩展,其他土地覆盖如荒地、植被覆盖和水体的面积减少,这进一步推动了温度的上升。不同年份的相关值差异也可以通过景观复杂性的分析来解释;即,较大景观的相关性更高,而较小区域的相关性较低(Bala, Prasad, & Pratap Yadav, 2020; Halder, Bandyopadhyay, & Banik, 2021; Roy & Bari, 2022)。NBCI与LST之间的非相关值(0.11~0.14)可以通过NBCI指数值代表的水体、植被和建成区的特征来分析。一些土地覆盖如水体和植被降低了相关值,从而导致了中等相关性(Guha, Govil, Gill, & Dey, 2021)。NBCI值代表了二维土地覆盖特征,而三维土地覆盖特征在LST变化中起着重要作用(Ezimand, Azadbakht, et al., 2021),这些特征未被纳入相关性分析中。最后,城市几何形状、城市形态和景观结构等其他特征也是LST变化的有效因素(Asadi et al., 2019; Azhdari, Soltani, & Alidadi, 2018),这些因素无法通过NBCI值来表达。因此,考虑到上述因素,所有年份中观察到的最大相关值为R = 0.89。
图6. LST与NBCI的每像素对比散点图及偏相关计算
3.3 分析建成区和城市热岛的时空变化
图7展示了从2001年到2021年期间使用CA-Markov模型获得的UHI图。可以观察到,UHI的总面积从1991年的38.55平方公里增加到2021年的59.03平方公里,并预计到2031年将达到108.56平方公里。Rasht市UHI的时空模式表明,UHI的分布从一个岛屿状(Ziter, Pedersen, Kucharik, & Turner, 2019)逐渐转向一个更加聚集和集中的格式;例如,位于Rasht北部的城市机场区域曾经作为热岛簇群存在,现已与城市合并,伴随城市扩展及其相关活动(Ezimand, Chahardoli, et al., 2021)。人口变化和增长(WP, 2023)、迁移增加(Sharami, MoShiRi, Mahdavi, & Kardavani, 2014)、旅游政策及其相关活动是影响UHI从自然城市和郊区覆盖转向人为建筑的其他因素,这些因素导致了城市UHI的膨胀。
图7. 2001年至2031年建成区和热岛的时空变化及其关系图(使用双变量LISA)
3.4. 建成区与城市热岛效应的空间自相关
相反,LL集群主要出现在没有建成区的区域,因此也没有UHI。这些地区的土地覆盖(图7)主要是植被和水体,产生了冷却效应,从而减弱了UHI(Qiu et al., 2023)。HL和LH区域也是Rasht中观察到的集群,主要与未发现两个主要参数(UHI和建成区-LISA图)之间的显著关系的地点相关;或者,这与存在建成区但未观察到UHI的区域有关。这可能是由于所识别的建成区的类型、大小和面积(Xiao, Cao, Liu, & Lu, 2022),以及结构材料的差异(Wonorahardjo et al., 2020)。相反,虽然没有建成区的区域却出现了UHI,是UHI传播效应的副产品,这不仅影响了其周围区域的表面温度,还影响了周围区域(Chen et al., 2022);即建成区的影响不仅是二维的,还延伸到三维,从而在更广泛的区域内增加LST(Ezimand, Azadbakht, et al., 2021)。其他导致UHI增加的因素包括城市形态和城市几何形态的变化(Nakata-Osaki, Souza, & Rodrigues, 2018)。
3.5. 城市规划政策
本研究的结果显示,从2001年到2021年,建成区的面积增加并取代了城市中心和郊区的植被和水域。因此,采用鼓励绿色城市发展的政策和举措,并防止绿色-蓝色区域的破坏,可以减少UHI的强度(Jain et al., 2020)。基于NBCI和LST之间的强正相关以及建成区和UHI之间的空间自相关分析,可以得出结论,UHI区域可以通过适当的导向和政策(如直接控制建成区)来最小化。因此,在任何建成区开发之前,进行科学规划对于可持续城市发展至关重要(Rousta et al., 2018)。
3.6. 研究局限性与建议
第二个限制可能是应用光谱指数时建成区的分类质量较低。如先前研究所述,光谱指数对不同区域产生不同的结果(Ronald C Estoque & Murayama, 2015; Ezimand et al., 2018; Liu et al., 2018),这是它们的一个局限性(Kaur & Pandey, 2022)。这与利用阈值将建成区与其他土地覆盖和用途分类有关。建议使用新的验证算法获取阈值,这些算法应考虑社会经济因素以及气候条件。为了进一步提高基于低分辨率卫星图像开发的指数的可靠性,建议使用高分辨率图像,以提高像素级的准确性。
从城市角度来看,本研究的结果也可以推广到其他城市。这需要对具有不同气候条件以及植物学特征的城市进行进一步研究,以验证所得结果。关于建成区与UHI之间的关系,单一维度的方法不足以准确识别这一关系。建议考虑这一关系的不同尺度和维度。或者,地表温度和城市热岛不仅受建成区的影响,还受水体、植被覆盖等因素的影响。在这方面还应考虑其他因素,特别是那些能够提高结果准确性和重要性的因素。
大量研究集中在通过景观模式解读LST的变化,尽管所进行的分析只是LULC与LST或UHI之间关系的简单描述。考虑到这一点,本研究超越了对建成区静态结构的简单考虑,采用空间自相关方法来整合建成区与UHI之间的动态变化。NBCI与LST之间的相关性较高(R = 0.88~0.89)且显著(P≤ 0.01),显示出建成区的任何变化都可能影响LST。观察到的建成区和UHI在2001年至2021年间在时间和空间上都有所增加,并预计未来几年将继续增加。建成区簇和UHI的相似性和模式也得到了全球双变量Moran’s I指数大于0.328的验证,显示建成区的增加导致UHI的增加。这些发现可以帮助政策制定者采用更好的策略,以推动人类社区和住宅的可持续模型。
需要注意的是,本研究也存在以下局限性,未来研究中可以加以考虑:建成区的分类和预测建成区面积存在不确定性。因此,开发和使用更高准确度的分类模型、采用准确的阈值方法以及结合模型进行土地覆盖预测,可以减少结果和预测土地覆盖的误差。在本研究中,UHI的预测是基于之前的UHI变化;然而,经济因素、规划政策、气候变化及其他潜在变量也应考虑,以减少结果的不确定性。UHI的变化模式不仅受建成区的二维属性影响,还受水体、植被、城市几何形态及三维属性等其他特征影响。
资金来源
作者贡献申明
Keyvan Ezimand: 数据整理、正式分析、调查、方法学、验证、可视化、原稿撰写、审稿及编辑。
致谢
-----------关注公众号----------