兰西城市群热环境格局多尺度研究

潘竟虎， 董磊磊， 王娜云， 杨紫金

(1.西北师范大学地理与环境科学学院，兰州 730070； 2.南京师范大学地理科学学院，南京 210023； 3.云南天地图信息技术股份有限公司，昆明 650034)

0 引言

当前，全世界正在经历最为迅猛的城市化过程。城市热岛是城市生态系统所特有的一种现象，世界上的城市，无论其规模大小、地处位置不同，都会发生热岛效应[1]。城市热环境是城市空间环境中热力场的综合表现，深入探讨城市扩张对城市热场和绿地空间特征及其动态变化的影响，对于指导城市绿化建设、优化景观布局、改善城市生态环境质量具有重要的理论和实践意义。城市群是指在城市发展到一定阶段后，出现的以一个或几个大城市为核心，以圈域内若干中小城市为次中心或节点，辐射至周边腹地区域，依托便利的交通网络，经济联系紧密，具有较高城市化水平和一体化特征的社会经济活动空间组织形态[2]。兰州—西宁城市群(下文简称兰西城市群)作为黄河上游产业和经济实力最集中的核心区，已经进入了城市化的高速发展期，未来一段时间内仍是区域城市化发展的主体和重点。快速推进的城市化进展改变了原有的生态环境和下垫面类型，促使区域生态系统格局、过程和功能遭受不利影响或产生不可逆的改变。加之兰西城市群的城市主体位于黄河和湟水谷地，受地形因子的制约，空气流动差，城市热岛效应突出。

目前，国内外学者就城市热岛现象展开了大量研究。从研究内容来看，主要集中于地表温度(land surface temperature，LST)反演方法[3]、城市热岛效应时空分布与变化特征[4]、形成机制与影响因素[5]、热环境模拟与预测[6]、生态效应[7]、热岛缓解与调控措施[8]等方面。从研究方法来看，可分为气象资料分析法、遥感监测法和数值模拟法[9]。气象资料分析法由于站点数量少，空间展示粗放，缺乏直观视觉效果。热红外波段遥感影像反演的LST可以全空间化覆盖研究区域，且时间上同步，大大弥补了传统观测方法的不足。但目前最常用的热红外遥感数据源Landsat系列和ASTER数据，都因受时间和空间分辨率的制约，反演的LST仅能显示空间分布，不能揭示演变过程； 即使采用多期遥感数据，也存在月份不一致的问题，难以保证结果的科学性[10]。而时间分辨率高的MODIS数据又存在空间分辨率低的问题，在1 km甚至更低的空间分辨率下研究城市内部的热环境格局显然远远不够。基于以上考虑，本文在大尺度上采用MODIS数据研究整个兰西城市群的热时空环境格局，在小尺度上采用Landsat影像分析兰州、西宁等中心城区的热场空间格局，旨在为兰西城市群人居环境建设提供科学参考。

1 研究区概况及数据源

1.1 研究区概况

分别采用兰西城市群全域(大尺度)和兰西城市群的核心城市化地区——兰州市、西宁市和海东市的中心城区(小尺度)2种尺度研究城市热岛的整体空间格局和城市内部热环境的空间差异。

1.1.1 兰西城市群

关于兰西城市群的范围，目前尚未有统一的界定。本文大尺度上的兰西城市群研究区范围是参考了《甘肃省城镇体系规划(2003—2020年)》和《青海省东部城市群体系规划(2011—2020年)》而确定的。该区位于N34°50′～38°05′，E99°00′～105°31′之间，行政上包括甘肃省兰州市5区3县、白银市的1区3县、定西市的1区2县、临夏回族自治州1市1县、西宁市的4区3县、海东市的2区4县以及海南藏族自治州的2县(图1)。

研究区地处青藏高原和黄土高原交汇处，地势西北高、东南低； 属大陆性干旱气候和高原半干旱气候区，年降雨量为180～450 mm，年蒸发量为1 300～1 500 mm，年平均温度为3.2℃～9.3℃； 黄河及其支流湟水河、大通河和庄浪河流贯境内。

1.1.2 兰西城市群的中心城区

兰西城市群的核心是2大省会城市兰州市、西宁市及2城市之间的节点城市海东市。在小尺度上，重点研究兰西城市群3个中心城区城市扩张的热岛响应，3个中心城区研究范围分别取自《兰州市城市总体规划(2011—2020年)》、《西宁市城市总体规划(2001—2020年)》和《海东市城市总体规划(2015—2030年)》。其中，兰州中心城区包括主城区和兰州新区，面积共计2 271.73 km2，常住人口276万人，黄河自西向东穿过； 西宁与海东中心城区面积共计792.20 km2，常住人口164万人，湟水河自西向东横贯境内。

1.2 数据源

采用数据源包括： 遥感影像、基础地理信息数据、纸质地图(用于数字化提取信息)、城市规划图件和气象数据等。气象数据来自中国气象数据网(http: //data.cma.cn/site/index.html)提供的与影像日期相对应的气象地面观测站的资料(气温、气压、平均相对湿度及降水)。由于研究尺度不同，遥感数据分别选取了不同空间分辨率和时间分辨率的数据。

在大尺度下，研究城市群的热岛效应时空格局时选用MODIS遥感数据，分析时段为2005—2014年。由于单日影像覆盖有大片云层，为有效减少云干扰，选择最大值合成法生成的8 d LST产品MOD11A2，剔除了有云区域的无效数据，空间分辨率为1 km。MODIS标准LST数据产品投影方式是正弦投影，为了数据统一，将其投影均转换为等积圆锥投影Albers； 再对研究区数据进行镶嵌处理后按城市群边界裁剪； 然后，将LST数据求等权平均值(空洞数据取权值为0)； 考虑到有云区域像元值为0，对有云的地方进行掩模，从而去除温度的离群值； 最后，进行辐射纠正，将其转化为LST。依据MOD11A2数据集的头文件说明，可得到MOD11A2产品的辐射缩放比为0.02，辐射缩放截距为0，转换公式为

(1)

式中：LST为开氏地表温度，K；g为辐射缩放比；DN为像元值；b为辐射缩放截距。

在小尺度下，研究中心城区热环境格局时采用了同源的Landsat系列卫星遥感影像数据。研究区位于干旱、半干旱地区，夏季为植被生长的旺盛期，且各种土地覆被类型较易区分，故只选取了夏季的Landsat影像。影像获取自美国地质调查局网站，包括3期Landsat5 TM多光谱影像，成像时间分别为19920729,20000811和20090806； 1期Landsat8 OLI多光谱和TIRS热红外影像，成像时间为20150814，各期影像云量均小于5%。其中，TM热红外影像的空间分辨率为120 m，TIRS 2个热红外波段空间分辨率为100 m。采用Erdas2014软件对影像数据进行预处理，几何校正时选取二元二次多项式，采用双线性内插法对影像进行重采样，输出空间分辨率为30 m； 采用COST模型[11]进行大气校正。

2 研究方法

2.1 MODIS数据LST分级

由于影像获取时间不同，为了使各时间段的热空间分布数据具有可比性，对LST做归一化处理，用以消除时相的影响。计算式为

(2)

式中：Ti为第i个像元归一化后的LST值；Ti′为第i个像元的原始LST值；Tmax和Tmin分别为兰西城市群LST的最大值和最小值。

城市热环境类型划分实质是界定不同类型的温度范围。现阶段，LST分级方法包括等间距划分法、基于均值-标准差的划分方法以及基于分形网络算法的划分方法3种。本文在分别采用3种划分方法进行试验的基础上，发现基于均值-标准差的城市热环境划分方法更适合兰西城市群的实际。划分标准如表1所示。

表1 LST等级区间划分标准Tab.1 Rank partition of LST

①Ti，Tmean和Ts分别为归一化后的像元值、平均值及标准差。

2.2 Landsat数据LST反演

针对所选取的热红外遥感影像，选用单窗算法分别估算19920729，20000811和20090806的LST，采用劈窗算法估算20150814的LST。单窗算法由覃志豪等[12]根据地表热辐射传输方程推导得出，适用于仅有1个热红外波段的数据，计算式为[12]

T={a6(1-C6-D6)+[b6(1-C6-D6)+C6+D6]T6-D6Ta}/C6,

(3)

C6=ε6τ6,

(4)

D6=(1-τ6)[1+(1-τ6)τ6] ,

(5)

式中：T为LST值，K；a6和b6均为回归系数，随温度范围的变化不同，在0～30 ℃ 时，a6=-60.326，b6=0.434；T6为遥感影像第6波段的亮度温度；Ta为大气平均作用温度；τ6为大气透射率；ε6为地表比辐射率[13]。

劈窗算法适用于有2个热红外波段的数据，本文对MODIS劈窗算法进行了改进，构建了适用于Landsat8数据的LST遥感反演方法[14]， 即

T=A0+A1T10-A2T11,

(6)

式中：T10和T11分别为Landsat8影像第10和11波段的亮度温度；A0，A1和A2分别为劈窗算法参数[15]。

为了验证反演结果的精度，于2015年8月14日上午11：00，使用手持式热红外测温仪(型号为Fluke 62 MAX+ MM-85336-00)对兰州中心城区LST进行了实地测量，绿地、沙地、道路和水体等不同土地利用类型各测量了10次。与影像反演的LST进行了对比，误差的绝对值在0.08～3.16 ℃之间，平均精度为96%，其中水体的误差较大，总正确率为88%。

3 结果与分析

3.1 城市群尺度

3.1.1 热场总体分布及变化

由于数据量较大，本文仅以2005，2008，2011和2014年4个年份的年平均LST分布为例，兰西城市群白天和夜间LST的总体空间分布情况分别如图2和图3所示。

(a) 2005年 (b) 2008年

图2-1白天平均LST空间分布

Fig.2-1SpatialdistributionofaveragedaytimeLST

(c) 2011年 (d) 2014年

图2-2白天平均LST空间分布

Fig.2-2SpatialdistributionofaveragedaytimeLST

(a) 2005年 (b) 2008年

(c) 2011年 (d) 2014年

图3夜间平均LST空间分布

Fig.3SpatialdistributionofaveragenighttimeLST

由图2和图3可知，兰西城市群地区LST的空间分布差异明显。总体而言，东部的LST远高于西部。从白天的LST分布来看，高温和特高温区面积极少，主要零散分布在景泰县、靖远县、永登县、皋兰县等黄土丘陵沟壑区以及共和县的南部沙漠化地区，这些地区植被覆盖度低、地表裸露，LST甚至高于人口和产业密集的城镇区域； 低温和较低温区则主要集中分布在祁连山区南坡、拉脊山、青海湖、马啣山和兴隆山等地，这些区域海拔多在2 000 m以上，或者分布有大片森林、草地。从夜间的LST分布来看，高温和特高温区主要集中在兰州市主城区、西宁—海东建成区以及青海湖、黄河干流及其支流湟水河、大通河地区； 夜间的低温和较低温区分布上更加集中，主要连片分布在门源回族自治县、大通回族土族自治县和海晏县。白天和夜间2种场景下，相同的下垫面在不同的时段里LST可能呈现截然不同的状态，白天非水体的下垫面LST较水体高，夜晚则相反。白天城市区域的LST较非城市区域高，而夜晚除水体以外建成区的LST较非建成区高，LST昼夜差异明显，白天的高温区更为分散。从年际变化看，自2005年起，兰西城市群的热环境格局并未发生明显的改变，热岛区和冷岛区范围没有显著存在持续减小或增加的趋势。究其原因，兰西城市群的城市(镇)多在河谷中发育，受河谷地形的限制，城市规模不具备“摊大饼”式的大幅度扩张条件，且建设用地与优质农田分布区重叠，争地现象明显，城市扩展对整个城市群区域热环境的影响不大。

3.1.2 热场季节变化特征

兰西城市群四季白天和夜间平均LST的空间分布情况分别如图4和图5所示。四季是根据气候学中春季为3—5月，夏季为6—8月，秋季为9—11月，冬季为12—2月进行划分的。

(a) 春季 (b) 夏季

(c) 秋季 (d) 冬季

图4四季白天LST空间分布

Fig.4SpatialdistributionofaveragedaytimeLSTinfourseasons

(a) 春季 (b) 夏季

(c) 秋季 (d) 冬季

图5四季夜间LST空间分布

Fig.5SpatialdistributionofaveragenighttimeLSTinfourseasons

对比图4和图5可知，白天四季的LST分布总体上较为破碎，而夜间的LST分布总体上较为规整。就季节间的变化来看，也是白天的LST变化较大，而夜间的变化较小。白天LST季节变化较大的区域主要有2处： ①青海湖地区，由春季的全部低温转变到夏季的较低温，再演化到秋季的全部高温和冬季的次高温、高温； ②景泰县、靖远县和榆中县的黄土丘陵地区，春季为次高温，夏秋季为高温，冬季则以次高温和中温混合为主。夜间LST季节变化较大的区域也有2处： ①青海湖地区，由春季的次高温和低温转变到夏季的全部次高温，再演化到秋季的次中温和冬季的较低温； ②黄河干流，春、夏2季呈连续带状次高温区，秋、冬2季则为断续次高温、高温区。

3.2 中心城区尺度

3.2.1 热场总体分布及变化

考虑到4期影像的成像时间不同，为了消除季节差异对LST的影响，对LST进行归一化处理。采用可以体现数据统计特征的自然断点法将其分为低温区、次低温区、中温区、次高温区、高温区5个等级。计算不同时期的热岛比例指数，计算式为[16]

(7)

式中：m为归一化等级指数；i为城区高于郊区的温度等级；n为总等级数；wi为第i级权重值；pi为第i级所占面积的百分比。

图6和图7分别为反演的兰州中心城区和西宁—海东中心城区LST空间分布情况。

(a) 19920729 (b) 20000811 (c) 20090806(d) 20150814

图6兰州中心城区LST空间分布

Fig.6SpatialdistributionofLSTincentralurbanareasofLanzhou

(a) 19920729 (b) 20000811

(c) 20090806 (d) 20150814

图7西宁—海东中心城区LST空间分布

Fig.7SpatialdistributionofLSTincentralurbanareasofXining-Haidong

依据相应的面积统计，本文将高温和次高温区代表城市热岛范围。兰州中心城区统计结果显示，Landsat卫星成像的4个时间点上覆盖面积最大的类型均是次高温级别，分别占城区总面积的比重为79.8%，84%，87%和83%。西宁—海东中心城区统计结果显示，4个时间点上覆盖面积最大的类型也都是次高温级别，分别占城区总面积的78.9%，81.9%，81%和86%。兰州市的热岛效应比西宁—海东中心城区更为严重，总体上呈现先增大后减小的趋势，西宁—海东中心城区的热岛推进更为迅速，基本上呈逐年扩大趋势，2015年热岛覆盖比例已超过兰州市。

通过计算得到4个时间点上兰州中心城区热岛比例指数分别为0.704，0.726，0.771和0.731，呈现先增加后减小的变化趋势。这是由于1992年以来，兰州市主城区和兰州新区建设用地扩张导致不透水面面积增大，承接东部产业转移、人口和产业聚集使得人为排放的热量激增，致使城市热岛效应加重。2015年热岛比例指数降低的原因可能与兰州市近年来加大生态环境建设力度有直接的关系。2010—2015年间，兰州市城市建成区绿地率从25.07%增加到33.2%，绿化覆盖率从28.17%增加到39.1%； 人均公园绿地面积从8.93 m2增加到11.08 m2。兰州新区也很注重生态环境建设，已建成6个公园，总面积达200 hm2，森林覆盖率达到46%。地表实际温度与地表反射率有直接的关系，地表反射率越大，地表实际温度越高。值得注意的是，兰州中心城区最高温连片分布区并非主城区，也不是兰州新区，而出现在主城区和兰州新区之间的黄土丘陵沟壑地带。其原因主要是黄河及其支流湟水河等谷地周围的山区基本都是黄土荒山，植被覆盖度极低，所形成的不规则面少，反射的离散度小，反射率总体高于建成区，地表吸热快； 在影像获取的时间内(北京时间上午11:00)，城市区域因其下垫面的复杂性(包含公园绿地、水域和各类建筑物)，下垫面所累积的温度没有周围的丘陵高。同时，热岛区域的坡向多为南向、东南向和东向的向阳区，因此在影像成像时间内接受的太阳辐射多。对兰州这种周围为荒山的河谷型干旱区城市来说，就容易出现白天“冷岛”，晚上“热岛”的现象。

西宁—海东中心城区4个时间点上热岛比例指数分别为0.691，0.697，0.725和0.744，呈现持续增加的变化趋势。对比各期LST分布情况发现，1992—2000年间，LST增加的区域主要分布在海东地区的湟水谷地，其原因是20世纪90年代中期—2000年间西宁市发展较为缓慢[5]，而海东市城建推进较快。2000—2009年间，热场增强的区域主要分布在西宁市主城区南部和西南部，一方面是随着西部大开发战略的实施，西宁市城市化速度加快，依托湟水河谷地向多个方向展开，使得上述地区建筑密度加大，城市热岛增强； 另一方面，裸土多分布在河谷两侧的阶地，空气对流强、风速大、湍流交换迅速，影响裸土分布区的LST[17]。2009—2015年间，热场增强的区域主要分布在海东市河谷阶地，这个时期是海东“撤地设市”的时期，城市建设进入了新一轮的快速增长期，河谷里的可利用地基本被占用，故向河谷两侧阶地扩张。近年来西宁—海东城市建设强度增加，使得硬化地表覆盖的比例增大，其结果是增加了地表热辐射，从而加剧了热岛效应。热状况恶化显著的区域一是在原有建设用地上再建设或增加建筑密度，如城中区等旧城扩张地段； 二是新增的建设用地，即自然地表被硬化地表所替换的地段，如城西的海湖新区和西钢，城北区的高科技生物产业园区和城东经济技术开发区等。

3.2.2 LST与NDVI及NDBI相关分析

不同地表覆盖类型的热力性质具有着显著差异，对城市热岛效应的贡献也各不相同。选取归一化差值植被指数(normalized difference vegetation index,NDVI)和归一化差值建筑用地指数(normalized difference building index，NDBI)进行相关性分析。从研究区随机选取300个点，去除个别落在水体中的点后，分别对兰西城市群建成区的LST与NDVI和NDBI分别进行相关性分析，探索河谷型城市格局下这2个指数与LST的相关性。

以兰州中心城区为例，在检验系数p<0.01的显著水平上，从LST与NDVI的相关关系来看，19920729，20000811，20090806和20150814的决定系数分别为0.388 5，0.334 3，0.434 3和0.317 1，各时间点上地表实际温度与NDVI均呈现较为明显的负相关关系，NDVI值越高，城区的LST值则越低，验证了植被覆盖度对分割城市热岛，降低LST的作用，植被在可见光波段的反射率低，吸收的热量多，借助自身的蒸腾作用会减少土壤或地表的热量，而且覆盖度越大，其蒸腾作用就越强； 从LST与NDBI的相关关系来看，4个时间点上的决定系数分别为0.405 9，0.528 8，0.511 1和0.497 8，二者表现出明显的正相关关系，NDBI值越高，其LST值也越高，说明建筑物的密集程度也是影响城区LST的重要因素。西宁—海东中心城区也表现出相同的特征，在19920729，20000811，20090806和20150814，LST与NDVI的决定系数分别为0.636 9，0.303 0，0.357 6 和0.371 7； 在4个时间点上，LST与NDBI的决定系数则分别为0.725 0，0.404 8，0.423 7 和0.459 7。

兰州中心城区2015年8月14日LST与NDVI和NDBI的散点图分别如图8所示。

(a) LST与NDVI (b) LST与NDBI

图8兰州中心城区2015年08月14日LST与NDVI和NDBI的相关关系

Fig.8RelationshipsbetweenLSTandNDVI,NDBIincentralurbanareasofLanzhouonAug.14,2015

从图8可以看出，中心城区LST与NDVI在空间上呈负相关，与NDBI则呈正相关。在城市基质背景下，通过增加植被和水体面积来分割城市中的不透水面，可有效改善城市热环境，缓解热岛效应。

4 结论

本文采用MODIS白天和夜间LST产品资料和Landsat多时相遥感影像，分别从宏观和微观的不同尺度考察分析了兰西城市群城市热环境的格局与变化特征。利用MODIS数据宏观分析了兰西城市群热岛效应的总体形态结构、昼夜和季节变化，利用Landsat数据分析了中心城区内部的热场结构，兼顾了MODIS数据的高时间分辨率和Landsat热红外影像的高空间分辨率优势，为城市热岛时空演变研究提供了新的角度。

1)宏观上兰西城市群并未存在显著的城市热岛效应，热岛的分布与下垫面类型密切相关； 时间分布特征显示，作为河谷城市，兰西城市群中心城区的城市热岛效应在白天并不明显，有时反而会出现温度低于周围黄土丘陵的“城市冷岛”现象。

2)从中心城区来看，热场空间格局发生了较大变化，热状况显著恶化的区域基本与相应时期城市的扩张范围吻合； 兰州中心城区热岛比例指数呈现先增加后减小的变化趋势，西宁—海东中心城区热岛比例指数则呈现持续增加的态势。相比而言，兰州中心城区的热岛效应比西宁—海东中心城区更为严重，但西宁—海东中心城区的热岛推进更为迅速。

由于数据获取所限，本文在研究中心城区热环境时只利用了个别间断年份的数据，无法进一步分析连续年份之间或年内季节之间的热岛演变格局。获取更高时间和空间分辨率的遥感数据，并研究其反演算法，以更加全面地揭示兰西城市群热岛效应的时空分布格局是下一步研究的重点。此外，探讨城市群热岛效应的形成机理，定量分析绿地和水体的减热效应，并模拟不同下垫面类型组合情景下的降温作用，也是未来研究的重要方面。

参考文献(References)：

[1] Quan J L,Chen Y H,Zhan W F,et al.Multi-temporal trajectory of the urban heat island centroid in Beijing,China based on a Gaussian volume model[J].Remote Sensing of Environment,2014,149:33-46.

[2] 袁家冬,周 筠,黄 伟.我国都市圈理论研究与规划实践中的若干误区[J].地理研究,2006,25(1):112-120.

Yuan J D,Zhou Y,Huang W.Several long-standing mistaken ideas in the theoretical studies and planning practices of Chinese metropolitan regions[J].Geographical Research,2006,25(1):112-120.

[4] Wang J,Zhan Q M,Guo H G,et al.Characterizing the spatial dynamics of land surface temperature-impervious surface fraction relationship[J].International Journal of Applied Earth Observation and Geoinformation,2015,45:55-65.

[5] 贾 伟,高小红.河谷型城市热岛空间分布格局演变及对策——以西宁市区为例[J].地球信息科学学报,2014,16(4):592-601.

Jia W,Gao X H.Analysis of urban heat island environment in a valley city for policy formulation:A case study of Xining City in Qinghai Province of China[J].Journal of Geo-Information Science,2014,16(4):592-601.

[7] Wu H,Ye L P,Shi W Z,et al.Assessing the effects of land use spatial structure on urban heat islands using HJ-1B remote sensing imagery in Wuhan,China[J].International Journal of Applied Earth Observation and Geoinformation,2014,32:67-78.

[8] Santamouris M.Cooling the cities：A review of reflective and green roof mitigation technologies to fight heat island and improve comfort in urban environments[J].Solar Energy,2014,103:682-703.

[9] Pan J H.Area delineation and spatial-temporal dynamics of urban heat island in Lanzhou City,China using remote sensing imagery[J].Journal of the Indian Society of Remote Sensing,2016,44(1):111-127.

[10] 贾宝全,邱尔发.基于TM卫星遥感影像的西安市城市热岛效应变化分析[J].干旱区研究,2013,30(2):347-355.

Jia B Q,Qiu E F.Dynamic change of urban heat island effect in Xi’an based on TM images[J].Arid Zone Research,2013,30(2):347-355.

[11] Chavez P S J.Image-based atmospheric corrections-revisited and improved[J].Photogrammetric Engineering and Remote Sensing,1996,62(1):1025-1036.

[12] 覃志豪,Zhang M H,Karnieli A,等.用陆地卫星TM6数据演算地表温度的单窗算法[J].地理学报,2001,56(4):456-466.

Qin Z H,Zhang M H,Karnieli A,et al.Mono-window algorithm for retrieving land surface temperature from Landsat TM6 data[J].Acta Geographica Sinica,2001,56(4):456-466.

[13] 潘竟虎,张伟强.张掖绿洲冷岛效应时空格局的遥感分析[J].干旱区研究,2010,27(4):481-486.

Pan J H,Zhang W Q.Remote sensing analysis of the spatial-temporal pattern of “cold island” effect of Zhangye Oasis[J].Arid Zone Research,2010,27(4):481-486.

[14] 毛克彪,覃志豪,施建成,等.针对MODIS影像的劈窗算法研究[J].武汉大学学报(信息科学版),2005,30(8):703-707.

Mao K B,Qin Z H,Shi J C,et al.The research of split-window algorithm on the MODIS[J].Geomatics and Information Science of Wuhan University,2005,30(8):703-707.

[15] 李 瑶,潘竟虎.基于Landsat 8劈窗算法与混合光谱分解的城市热岛空间格局分析——以兰州市中心城区为例[J].干旱区地理,2015,38(1):111-119.

Li Y,Pan J H.Spatial pattern on urban heat environment using split window algorithm and spectral mixture analysis based on Landsat 8 images:A case of Lanzhou City[J].Arid Land Geography,2015,38(1):111-119.

[16] 徐涵秋,陈本清.不同时相的遥感热红外图像在研究城市热岛变化中的处理方法[J].遥感技术与应用,2003,18(3):129-133.

Xu H Q,Chen B Q.An image processing technique for the study of urban heat island changes using different seasonal remote sensing data[J].Remote Sensing Technology and Application,2003,18(3):129-133.

[17] 蒲禹君,蒲金涌.西北中等城市热岛效应变化特征——以天水市为例[J].环境工程技术学报,2011,1(5):376-382.

Pu Y J,Pu J Y.Variation of urban heat island characteristics at medium-sized city in the Northwest:A case of Tianshui[J].Journal of Environmental Engineering Technology,2011,1(5):376-382.