摘要 Abstract
研究范围和数据来源 Study Areas and Data Sources
研究区域
我们的研究重点是中国大陆 201 个主要地级城市。由于快速的城市化和持续的高温，中国城市被认为是理想的研究对象。根据中国城市规模等级标准，将入选城市分为15个特大城市（MC）、102个大城市（LC）、55个中等城市（MSC）和29个小城市（SC）（图1）。
数据来源
本研究使用了来自 LST、NTL、归一化植被指数 (NDVI) 和行政区划的数据。
由于 LST 数据高度准确地反映了中国的观测气温，因此揭示 LST 变化的研究广泛使用 LST 数据。因此，我们选择了中分辨率成像分光仪（MODIS）的 8 天合成 LST 产品（MOD11A2 产品 006 版(1000-m)，Terra）来估算 2012-2020 年的 SUHII。数据从谷歌地球引擎（GEE）（https://code.earthhengine.google.com）获取并合成。由于 8 天 LST 数据是按月合成的，因此月度数据又按季节（包括春季（3 月至 5 月）、夏季（6 月至 8 月）、秋季（9 月至 11 月）、冬季（12 月至次年 2 月）和生长季（4 月至 10 月））进行了合成，从而得到了 2012-2020 年的多时间尺度 LST 数据集。 NTL 数据可用于收集大多数人类活动产生的光强度。因此，NTL作为城市发展的替代指标，可以捕捉人口构成和社会经济活动变化的综合影响。一些研究证明，NTL 数据可以有效识别城市和郊区。我们的研究选择了新一代 NTL、Suomi 国家极地轨道合作伙伴-可见红外成像辐射计套件 (SNPP-VIIRS) 来识别郊区和城市地区，因为它们具有更高的辐射和空间分辨率 (500 米) 并且没有像素饱和度。数据可从科罗拉多矿业学院地球观测组获得 (https://eogdata.mines.edu/nighttime_light/monthly/v10)。请注意，极光、火灾和其他瞬态光源已在 SNPP –VIIRS 原始数据产品中得到纠正。下面的郊区化量化也基于 SNPP-VIIRS 数据。 NDVI 数据广泛用于检测地表植被覆盖的动态变化。每月 NDVI 数据是从 MODIS 16 天合成 NDVI 产品（MOD13A1 产品版本 061(500-m)）收集的。数据是从 GEE 获得并合成的。此外，将月度数据按季节合成，得到2012年至2020年多时间尺度的NDVI数据集。本研究使用NDVI数据来测量郊区绿化。 所用地市级行政区划数据来源于国家地理信息目录服务（https://www.webmap.cn/commres.do?method=result100W）。
方法 Methods
计算 SUHII
在本研究中，SUHII 被定义为城市和郊区之间 LST 的差异。
(1) 郊区的初步识别。鉴于城区和郊区的光强具有明显的过渡特征，相邻像素具有相似的光值，可能代表相同的空间结构。K-means 算法是将相似的对象归入同一簇，将相同和相关的对象实例聚为一类，以达到最佳聚类效果。因此，开发了基于 SNPP -VIIRS 数据的 K-means 算法，以初步识别郊区和城区。
(2) 检查时间一致性。从城市转向其他土地覆盖类型是不可能的，因为城市地区以建筑物和道路等建成环境为主。在郊区，只有建成环境和未开发土地，包括耕地和未开发地区。因此，我们可以假设郊区有能力过渡到城市地区。根据这一假设，检查了所识别的中国郊区和城市地区的时间一致性，以纠正错误像素。
(3) 制定规则。首先，填补城市和郊区主要是绿地或闲置土地的漏洞。其次，在城区和郊区，由于像素值异常，排除了小于 1km 的斑块。第三，由于不依赖城区而独立出现的郊区并不合理，因此排除了独立的郊区斑块。
评估 SUHII、郊区绿化和郊区化的时空趋势
在我们的研究中，郊区绿化用郊区 NDVI 平均值来表示，郊区化程度用郊区与城市地区的灯光总和之比来计算。
采用 Mann-Kendall (MK) 检验和 Sen's 斜率，对 2012 年至 2020 年 201 个城市的 SUHII、郊区绿化和郊区化进行了多时间尺度的时空分析。这些方法被认为是可靠的趋势检测方法，并被广泛用于分析气候和环境变量。
MK 检验是一种非参数时间序列趋势检验，适用于检验长期序列数据中趋势的显著性，因为它不需要测量值呈正态分布，也不会影响缺失值或异常值。如果显著性水平低于 0.1，双尾 t 检验可以检测显著的时间趋势。变化趋势可以通过 Sen's 斜率来确定。变量的时间趋势包括五类：显著上升趋势、非显著上升趋势、显著下降趋势、非显著下降趋势、无趋势。
郊区绿化和郊区化对 SUHII 的影响分析
利用 Spearman 等级相关系数，检验了2012年至2020年201个城市多时间尺度郊区绿化和郊区化对白天和夜间 SUHII 的影响。采用双尾 t 检验进行显著性检验，显著水平 0.1。
Spearman 等级相关系数，也称为 ρ，是一种非参数度量。可以在不假设两个变量的频率分布的情况下评估两个变量之间的关系。因此，它是非高斯分布数据的合适估计器。此外，ρ 的另一个优点是，不需要统计序列之间存在感兴趣的线性关系，关联强度是通过相关观察的等级来量化的，从而使其对异常值更加稳健。
结果 Results
SUHII 的时空趋势
SUHII逐年和季节性（冬季除外）呈增加趋势的城市数量均高于呈减少趋势的城市数量。总体而言，中国城市的SUHII增加主要是由于城市化的快速发展。白天城市SUHII数量不稳定，变化较大。大多数城市没有出现明显变化。夜间SUHII增加趋势的城市数量较为稳定，数量比白天增加近 2 倍。夏季是日间 SUHII 城市数量最多的季节，呈现增加趋势和减少趋势，而冬季是城市数量最少的季节。增长和年度数量最多的城市分别呈增加趋势和减少趋势，夜间SUHII，冬季是数量最少的季节。此外，SUHII 在冬季白天和夜间没有观察到显著变化（表1，图S1）。
图 2 统计了中国 201 个城市中 SUHI 显著增加/减少的 MCs、LCs、MSCs 和 SCs 的比例。白天，SUHII 显著增加的城市主要集中在 MCs、LCs 和 MSCs，显著减少的城市分布均匀。在夜间，SUHII 显著增加的城市分布均匀，SUHII 显著减少的城市集中在 MCs、MSCs 和 SCs。在 SUHII 显著增加/减少的城市中，没有观察到明显的分布模式。
郊区绿化和郊区化的时空趋势
总体而言，2012年至2020年，郊区NDVI显著增加，显著增加的城市比例约为60%至91%（表2）。与郊区类似，城市地区NDVI也整体显著上升，显著上升趋势的城市数量约为62%~91%。中国郊区和城市地区的绿化，可能与中国近年来采取的生态保护和恢复措施有关，并取得了一些成效。
鉴于郊区 SED 元素与植被和气象元素相比并没有显著的季节性变化，因此本节仅分析年度元素。总体而言，中国郊区化水平呈下降趋势，显著下降的城市数量约占55%。相比之下，中国的城市化水平则呈现上升趋势，城市数量显著增加，约达85%。中国的城市中心对人口和工业仍然非常有吸引力，高收入群体仍然倾向于居住在靠近市中心的内城区。尽管出现郊区化现象，但城市中心的经济功能并没有减弱。即使人口和经济因素向郊区转移，城市地区仍然是居住条件最好、就业机会最多的地方。
郊区绿化和郊区化对 SUHII 的影响
Spearman 等级相关分析显示，2012-2020年，除冬季外，白天和夜间郊区NDVI与SUHII的关系以正相关为主。呈显著正相关的城市白天为18.9%~30.3%，夜间为16.4%~32.3%（表3）。在大多数城市，郊区 NDVI 较高通常伴随着白天和夜间 SUHII 较高。同时，郊区NDVI的增加也是SUHII白天和夜间增加的原因之一。这是因为，白天郊区NDVI较高，导致植被蒸腾较强，进而增大了城郊之间的LST差异。夜间，郊区 NDVI 较高也会增加 SUHII。原因是郊区 NDVI 高，比白天更能降温。城市化将减少地表汽化并减弱近地表风速，从而导致城市化进程加剧带来更强的城市热岛效应。因此，白天的热浪在夜间变得更长，从而增加了郊区夜间地表温度的差异。同样，从2012年到2020年，整体和城市NDVI对SUHII的影响主要是正相关（表3），这可以通过以下事实来解释：虽然城市地区NDVI的增加可以减少LST，城市地区受到社会经济活动和不透水表面较强的热效应，且不易减弱。虽然郊区的NDVI也在增加（表2），且增量较高，但由于郊区社会经济活动较弱、不透水面较小，热效应很容易减弱。因此，郊区绿化的降温效果大于城市绿化。白天呈显著正相关的城市数量为14.9%至28.3%，夜间呈显著正相关的城市数量为8.5%至32.8%。郊区绿化对SUHII的提升作用比整体和城区更为显著。
NDVI 对 SUHII 的影响在不同城市规模之间也存在差异（图 3）。特别是在白天，NDVI 对 SUHII 的影响在 MC、LC 和 MSC 中呈显著正相关。夜间，没有观察到明显的分布模式。
Spearman 等级相关分析表明，2012年至2020年，白天和夜间郊区化与SUHII之间呈负相关关系。郊区化的减少与SUHII的增加相关。白天显著负相关的城市数量为9.5%~19.9%，夜间显著负相关的城市数量为4.0%~16.4%（表4）。白天和夜间 SUHII 的增加可归因于郊区化程度较低。因此，郊区人口和基础设施（例如工业、商业、建筑和车辆）较少，因此SED产生的热量较少，从而增加了郊区和城市地区之间的LST差异。相比之下，城镇化对SUHII的影响在2012年和2020年之间主要呈正相关（表4），这与现有研究结果一致。高水平的城市化会产生更多的热量，从而增加 SUHII。白天显著正相关的城市数量为10.9%~22.4%。夜间显著正相关的城市数量为2.0%~30.3%。
郊区化对 SUHII 的影响在不同城市规模之间也存在差异（图 4）。特别是在白天，郊区化与 SUHII 之间的显著负相关集中在 MC 中。
图 7. 通过谷歌地球对 2020 年城市和郊区的直观对比。(a-1)、(b-1)、(c-1) 和 (d-1) 分别为上海、郑州、攀枝花和拉萨。(a-2)、(b-2)、(c-2) 和 (d-2) 是相应的放大地图。
结论与启示 Conclusions and Implications
对于SUHII 上升的城市，需要加强城市绿化，缩小城郊地表温度差异。郊区绿化加剧了城市的SUHII，因此加强城市绿化以缩小城郊LST差异非常重要。例如，在城市闲置区域，如居住区、交通区等，应尽可能多种植适宜的植被。建设旅游城市、森林公园等绿色产业体系。最后，整合绿化管理，强化奖惩机制。 郊区化发展可以通过缩小城郊地区的社会经济差距，增强城郊热传递。通过合理的城郊布局，将城市中心拥挤的人口疏散到郊区，可以减少人为热排放。通过发展郊区卫星城市以及完善郊区基础设施，可以缩小城郊地区的地表温度差异。 制定城市热岛减缓策略时还应考虑城市规模的异质性。对于大多数 MC 来说，将热能密集型城市工业转移到郊区，同时确保郊区化不会加剧城市环境污染。对于大多数地方城市和 MSC 来说，加强城市绿化应该受到更多关注。 郊区SUHII效应分析可以改善城市可持续发展。有效量化和分析郊区SUHII效应为解决热岛效应的负面影响（例如制冷能耗增加、居民健康风险增加以及对气候的不利影响）提供了可靠的手段，有可能开发出一条具有重大意义的新研究路线。对建设抗灾和可持续城市和人类住区的影响。 郊区既是中国城市可持续发展面临的挑战，也是中国城市可持续发展的解决方案。在中国快速城市化进程的背景下，郊区作为城市人口、景观和社会经济进程发生复杂和动态变化的过渡地带和边界地带，其不断变化的自然和社会经济属性对于缓解城市环境问题具有重要意义。将郊区绿化和郊区化纳入 SUHII 分析为制定协调的郊区和城市发展战略提供了新的视角和基础。
文献信息
题名：Suburban greening and suburbanization changing surface urban heat island intensity in China
作者：Shirao Liu，Kaifang Shi，Yizhen Wu，Yuanzheng Cui
来源：Building and Environment
日期：2023-1
DOI：10.1016/j.buildenv.2022.109906
