近年来，随着社会经济发展，城市化进程加快，土地覆盖(LUCC)对城市热环境的影响引起众多研究者广泛关注[1],城市化使得建成区下垫面性质发生变化，进而导致地表温度(LST)发生改变[2]。1833年，Lake Howard首次对伦敦热岛现象进行描述[3],而热岛效应(UHI)是由Manley于1985年首次提出[4],随后，研究者开始采用不同研究方法，从各个方面对热岛效应进行研究，而为更好反映城市内部环境温度变化情况，研究者在热岛基础上进行延申，提出城市热环境概念，城市热环境是影响城市生态的主要因素之一[5],热环境温度上升对局部气候造成影响，严重时甚至会对人体健康产生危害，城市热环境问题日益突出，研究者开始从多方面进行研究。其中包括热环境影响因素研究：李峻峰等[6]以合肥市主城区为例，探究城市绿地空间格局对热环境影响，并提出针对不同规模的绿地采用相应形态结构提升降温率；于晓雨等[7]通过探究城市建筑三维形态对热环境的影响，从建筑形态、体积、分布等角度提出缓解城市热环境方法；周天宇等[8]通过研究林木树冠覆盖与热环境相关性，提出增大树冠覆盖面积和组建有机廊道等途径改善城市热环境。热环境时空变化研究：陈倩等[9]基于Landsat TM数据对重庆都市区地表热环境进行时空特征研究；陈秋霞等[10]基于RS与GIS对福州新区热环境进行时空特征研究；徐宏超等[11]从土地利用变化角度探究其对热环境时空演变的影响。目前，关于热环境研究文章较多，但大多基于大尺度研究，对县城等小尺度研究文章相对较少，而关于师宗县建成区研究几乎空白。在过去几年里，师宗县始终坚持“绿水青山就是金山银山”的发展理念，遵循“生态立县”总体要求，其生态环境发生巨大改变。因此，本文基于0.5m高分辨率全色历史卫星影像和Landsat 8-9 OLI/TIRS C2 L2遥感影像数据，通过多尺度分割、地表温度反演等多种方式结合，旨在探究师宗县建成区范围内2013—2023年土地利用和热环境时空变化情况，对县城未来建设提供相关理论参考。

1、研究区概况

师宗县隶属云南省曲靖市，位于云南省东部，曲靖市最南端，地理位置E103°42′～104°34′,N24°20′～25°00′,县域面积达2783.97km2,是云南出省入海的主要通道，也是云南对外开放的枢纽城市，其行政区划如图1所示。师宗县下辖7个乡镇、3个街道办，截至2023年末，常住人口达37.10万人。师宗历史悠久、自然风光秀美、民俗风情独特，拥有菌子山省级风景名胜区、凤凰谷景区等高品质森林资源和生态旅游资源，先后荣获“云南省园林县城”等多项殊荣。气候类型为亚热带与温带共存，全年气候温和，夏无酷暑，冬无严寒，雨热同期，干湿分明[12]。年平均气温为13.9℃,年平均降雨为1204.6mm, 地形为西北高东南低，海拔654～2381m, 独特的自然和气候条件创造了极其丰富的植被资源。师宗县建成区位于县域北端，面积为11.08km2。在过去几年，师宗县致力园林城市和森林县城相关工作，在城市化建设的同时，县城内生态环境发生极大改变，因此，研究其土地利用与热环境时空变化具有重大的价值和意义。

图1 研究区行政区划图

2、材料与方法

2.1 数据来源

谷歌地图下载师宗县建成区2013年、2023年0.5m分辨率全色历史卫星影像；地理空间数据云获取Landsat 8-9 OLI/TIRS C2 L2,云量小于5%的遥感影像数据，影像条带信息如表1所示。

表1 遥感影像信息统计表

2.2 研究方法

2.2.1 土地类型解译

关于高分辨率影像信息的提取，目前最先进的2个软件分别为Feature Analyst和eCognition。其中，Feature Analyst强调的是信息提取，主要针对影像中一种或多种指定目标地物信息的提取，而eCognition更注重影像综合分类，2种影像分类精度都比较高，其中eCognition软件具备分类精度评价功能[13]。eCognition提供了多种分割算法，包括棋盘分割、四叉树分割以及多尺度分割等，其中多尺度分割是较为常用的分割算法[14]。本文利用eCognition多尺度分割工具，选定合适的尺度参数(Scale)、颜色参数(Color)、紧致度参数(Compactness)对师宗县建成区2013年、2023年影像进行土地利用解译。

2.2.2 精度评价

在影像信息提取中，影像分类的精度会直接影响到数据分析的有用性和合理性。为判断其解译精度能否满足研究要求，需对其进行精度验证，通过ArcGis创建渔网，并创建随机点，结合卫星影像对随机点进行赋值处理，将数据导入eCognition软件，利用eCognition的精度评价功能，通过棋盘分割、验证点转化为样本、擦除样本分类结果等一系列操作对分类结果进行精度验证，并查看kappa系数值判断精度是否满足研究需要。通常kappa值介于-1～1:<0.00较差、0～0.20差、0.20～0.40正常、0.40～0.60好、0.60～0.80较好、0.8～1非常好[13]。所以，一般当kappa系数大于0.60,可以满足研究需要。

2.2.3 地表温度反演

利用遥感影像反演地表温度，对热环境进行研究的方法受到广泛使用。目前，研究者通常利用Landsat8 OLI_TIRS数据并通过辐射传输方程[15,16]、单窗算法[17,18]、劈窗算法[19]、单通道算法[20]等反演地表温度，其中辐射传输方程法较为常用。地表温度反演核心数据是大气上行、下行辐射亮度和热红外透过率，但目前查询该参数信息网站(NASA)无法使用。因此，本文利用最新的Landsat 8-9 OLI/TIRS C2 L2系列数据进行地表温度反演。该数据需Envi5.6.2及以上版本可以打开，Landsat 8-9 C2 L2SP数据中包含地表反射率(Surface Reflectance)和地表温度(Surface Temperature)产品，地表温度数据通过ST产品STB10波段，通过波段计算(Band Math)输入(b1 ne 0)*(b1-273.15)+(b1 eq 0)*(-999),b1指定为STB10;Edit ENVI Header工具为结果添加忽略值，并将结果导出为TIFF格式，完成地表温度反演。此外，在比较不同时间地表温度时，由于影像成像时间不同，所反演出的地表温度最大值、最小值相差较大，且有异常温度值的存在，不便于进行直接对比分析，故需对影像进行归一化处理[21],通常利用均值-标准差法对温度进行划分，分级规则与热环境等级划分如表2所示。

表2 热环境等级分级

2.2.4 标准差椭圆

标准差椭圆(Standard Deviational Ellipse)属于空间格局统计分析方法，与一般空间统计方法不同，其着重于揭示地理要素空间分布的全局特征[22]。主轴长度表示数据的空间分布方向及集聚离散程度，方位角表示空间数据变化的主要趋势方向[23]。通过Arcgis 10.8软件-Spatial Statistics tools-度量地理分布-标准差椭圆/平均中心构建标准差椭圆模型和椭圆中心。利用标准差椭圆对师宗县建成区2013—2023年不透水面、中温区以上区域总体变化方向与重心移动轨迹进行研究，探究过去10年不透水面与温度变化的方向性及变化趋势。

3、结果与分析

3.1 土地利用时空变化特征

3.1.1 易康解译及精度评价

将2013年、2023年0.5m分辨率的全色历史卫星影像导入到eCognition中，经过多次尝试选定最优分割参数，2013年尺度参数(Scale)、颜色参数(Color)、紧致度参数(Compactness)最优参数分别为70、0.2和0.6;2023年分别为60、0.3和0.7。将土地利用类型结合影像划分为不透水面、草地、裸土地、农田、林木、水体6类，并通过ArcGis进行符号系统显示，结果如图2所示。利用ArcGis创建渔网，选定渔网的像元宽度和高度均为50,并通过创建随机点工具添加样本点，利用eCognition软件进行精度验证，结果显示，2013年总体精度为89.16%,kappa系数为0.85,属于非常好类型，2023年总体精度81.60%,kappa系数为0.73,属于较好类型。精度验证证明了多尺度分割在进行土地覆盖提取的可行性，该数据可用于相关研究。

图2 2013年和2023年影像解译结果

3.1.2 土地利用转移矩阵

土地利用转移矩阵可以清晰地表达出土地利用初始时期与土地利用结束时期不同地类之间相互转化关系[24]。通过ArcGis软件中Analyst tools-叠加分析-相交工具对2013年、2023年土地利用数据进行分析，并对转移面积进行计算，通过Excel数据透视表创建土地利用转移矩阵，结果如表3所示。分析2023年数据发现，不透水面面积最大，占总数的58.40%,其次是林木，占总数的27.26%,最少的是裸土地，仅占总数的2.5%;分析2013—2023年土地利用变化情况，变化最大的是不透水面，从2013年的506.783hm2增长到2023年646.934hm2,增长了140.151hm2,主要是由裸土地和林木转化为不透水面，其次林地面积得到增长，从2013年273.417hm2增加到2023年301.917hm2,增加了28.5hm2,其余土地类型面积均不同程度减少，裸土地面积减少最多，从131.774hm2减少到27.919hm2,共减少103.885hm2。从过去10年师宗县建成区土地类型变化来看，不透水面、林地面积增加，裸土地面积减少，可见师宗县过去几年城市发展较快，裸土地得到充分开发与利用，在城市发展的同时，注重生态的发展，做到城市建设与生态协同发展。

表3 2013—2023年土地利用转移矩阵

3.1.3 标准差椭圆

通过土地利用转移矩阵发现不透水面面积变化较大，为探究师宗县建成区过去10年城市建设总体情况，对2013年、2023年建成区不透水面单独提取，并构建标准差椭圆模型和椭圆中心，结果如图3所示。通过分析，2013年长轴为2094.27m, 短轴为1389.99m, 扁率为704.28,旋转角为93.56°;2023年长轴为2163.98m, 短轴为1399.44m, 扁率为764.54,旋转角为71.94°。标准差椭圆的重心整体向西方向发生移动，长轴方向从西北-东南转为东北-西南方向，向东北方向偏转了21.62°,扁率增加，其方向性变化增强；此外，长轴和短轴均发生一定程度的增加，表明不透水面呈放射状向外蔓延，有向外扩张的趋势，空间分布变化显著。

3.2 热环境时空变化特征

3.2.1 地表温度反演结果

利用Envi5.6.2软件对Landsat 8-9 OLI/TIRS C2 L2数据进行地表温度反演，并根据均值-标准差法对热环境进行分级，结果如图4所示。结合土地利用解译结果可以发现，低温区主要集中于西南方向，即水域比较集中的地区，其次，主要集中于林木覆盖比较集中的区域；中温区主要集中于建成区中心区域，所占面积较大且比较集中；高温区更多集中于建成区的东北部，即裸土地比较集中的区域。对比2个年份的热环境分布图，其中温区以上区域面积在东北方向有着明显的缩减趋势。将土地利用类型与热环境结合，温度分布为裸土地/农田>不透水面>草地>树冠>水体，均表现为树冠和水体温度最低，其降温效果显著。

图3 2013—2023年不透水面方向变化与重心迁移图

3.2.2 热环境转移矩阵

为探究师宗县建成区热环境变化情况，同土地利用一样构建转移矩阵，结果如表3所示。通过分析发现，中温区面积最高，2013年中温区面积达570.732hm2,占总数的51.97%,2023年达670.048hm2,占总数的61%;其次是次高温区，面积分别为223.385hm2和169.560hm2,占比分别为20.34%、15.44%。通过分析转移矩阵发现，高温区主要向中温区和次高温区转变，转变面积达31.884hm2、28.235hm2,次高温区主要向中温区转变，转变面积达103.431hm2,低温区主要向次中温区转变，面积达21.286hm2,次中温区主要转为中温区，面积达55.586hm2。总体分析，中温区以上区域面积从326.843hm2减少到268.763hm2,减少了58.08hm2,由此可见，过去10年，师宗县建成区高温问题在一定程度上得到缓解，生态环境得到提升。

图4 2013年和2023年热环境分布图

表4 2013—2023年热环境转移矩阵

3.2.3 标准差椭圆

图5 2013—2023年中温区以上区域方向变化与重心迁移图

为探究师宗县建成区中温区以上区域的变化情况，提取2013年、2023年次高温区和高温区域，并构建标准差椭圆，结果如图5所示。通过分析，2013年长轴为2143.39m, 短轴为1626.81m, 扁率为516.58,旋转角为66.85°;2023年长轴为2247.37m, 短轴为1684.70m, 扁率为562.67,旋转角为81.14°。标准差椭圆的重心与不透水面迁移方向相似，整体向西方向发生移动，长轴方向均为东北-西南方向，角度向东南偏转了14.29°,扁率增加，其方向性变化增强。长轴和短轴均发生一定程度的增加，表明中温区以上区域分布呈放射状向外蔓延，同不透水面一样有向外扩张趋势，空间分布变化显著。

4、讨论与结论

4.1 讨论

随着城市化发展，师宗县建成区城市地表覆盖发生重大变化，而城市地表覆盖类型与热环境变化息息相关[25]。通过分析发现，2013—2023年，研究区内裸土地得到充分开发和利用，且大多转化为不透水面，建成区不透水面扩张使得中温区以下面积减少，中温区面积增加，地表温度显著增加，且中温区以上区域蔓延方向与城市不透水面扩张方向一致，这与王嘉丽等[26]相关研究的结果一致。此外，林木面积得到提升，中温区以上面积缩减。可见，师宗县一直遵循“生态立县”原则，坚持城市建设与生态发展协同并进，城市的宜居性得到提升。土地利用类型与热环境相关性表现为裸土地/农田>不透水面>草地>树冠>水体，不透水面温度始终高于林地和水体，这是因为植被蒸腾作用、水域蒸汽聚集导致区域空气湿度增加使得温度降低，这与谢哲宇等[27]相关研究一致。林木覆盖区域具有明显的降温效应，在将来的研究中可以深入研究树冠斑块特征与降温率相关性[8],本次研究主要基于对现存情况进行分析，将来的研究可以基于现状对未来土地利用和热环境的变化进行预测[28]。本次研究主要基于师宗县建成区土地利用解译与热环境分析结果，通过构建转移矩阵和标准差椭圆法进行空间变化特征研究，而实际的变化是极其复杂的转变过程，且易受区域经济、政策等多种因素影响，使用更为合理、科学的模型去分析其变化将是未来研究的重点。

4.2 结论

本研究基于2013年、2023年的0.5m高分辨率历史卫星影像和Landsat 8-9 OLI/TIRS C2 L2遥感影像数据对师宗县建成区土地利用和热环境进行时空特征分析，研究结果显示：不透水面占比最高，2013年达506.783hm2,占总数的45.75%,2023年达646.934hm2,占总数的58.40%,裸土地面积急剧减少，从131.774hm2减少到27.919hm2,共减少103.855hm2,且大多转化为不透水面，此外，林地面积有所增加。可见，过去10年师宗县城发展迅速，同时，城区生态亦得到提升。热环境研究中发现，中温区占据主导，2013年面积为570.732hm2,占总数的51.97%,2023年增加到670.048hm2,占总数的61%,增加了99.316hm2,建成区内除中温区外的温度在过去10年面积均有不同程度缩减，且主要向中温区转变。土地利用类型与热环境关系表现为裸土地/农田>不透水面>草地>树冠>水体，树冠和水体的温度始终小于不透水面，这是因为植物的蒸腾作用和水体的蒸汽聚集，改变局部小气候，使得温度降低。不透水面和中温区以上区域温度的标准差椭圆分析结果具有相似性，2013年、2023年两者扁率，长轴和短轴的长度均有一定程度增加，其分向性显著增强，两者均呈放射状向外蔓延，有向外扩张的趋势，空间分布变化显著，且两者重心迁移分向相似，均由东向西方向发生迁移，长轴方向均发生变化，不透水面方向由西北-东南转为东北-西南，而温度的长轴在角度上亦发生改变，但其总体方向不变，均为东北-西南方向，变化没有不透水面显著。

参考文献:

[5]李红,高皜,解韩玮.昆明市主城区热环境及其影响因素的时空演化特征[J].生态环境学报,2018,27(10):1916-1924.

[6]李峻峰,乔锐,王小洁,等.绿地空间格局对城市热环境的影响及季节差异——以合肥市主城区为例[J].南方建筑,2023(12):40-48.

[7]于晓雨,许刚,刘樾,等.长江三角洲地区城市建筑三维形态对地表热环境的影响[J].中国环境科学,2021,41(12):5806-5816.

[8]周天宇,朱坤,彭建松,等.曲靖市马龙区城市林木树冠覆盖与热环境的相关性[J].东北林业大学学报,2022,50(11):23-29.

[9]陈倩,周启刚,金亚美.基于Landsat TM的重庆都市区地表热环境时空变化研究[J].水土保持研究,2014,21(06):84-89,2.

[10]陈秋霞,杨远垚,许章华,等.基于RS与GIS的福州新区热环境空间分布特征研究[J].环境监测管理与技术,2023,35(04):13-18.

[11]徐宏超,李春林,王昊,等.土地利用变化对京津冀热环境时空演变的影响[J].中国环境科学,2023,43(03):1340-1348.

[12]张蕊娇,张超,陆双飞,等.滇东典型岩溶地区石漠化时空演变特征研究[J].林业资源管理,2019(02):99-108.

[13]宋宜昊.基于易康软件平台下的北京城区林木树冠覆盖解译与检验[D].北京:中国林业科学研究院,2016.

[14]李承玺.北京首都功能核心区城市林木树冠覆盖对城市热环境的影响研究[D].北京:北京林业大学,2020.

[15]赵禾苗,阿里木江·卡斯木.基于Landsat数据的乌鲁木齐市热环境时空演化特征分析[J].生态科学,2021,40(06):21-29.

[16]乐通潮,聂森,潘辉,等.基于Landsat8卫星影像的地表温度反演及福州春季城市热岛效应分析[J].西北林学院学报,2019,34(05):154-160.

[17]胡德勇,乔琨,王兴玲,等.单窗算法结合Landsat8热红外数据反演地表温度[J].遥感学报,2015,19(06):964-976.

[18]覃志豪,Zhang Minghua,Arnon Karnieli,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(04):456-466.

[19]崔林林,李国胜,戢冬建.成都市热岛效应及其与下垫面的关系[J].生态学杂志,2018,37(05):1518-1526.

[20]陈明辉.利用Landsat卫星影像进行东莞市地表温度反演与变化分析[J].测绘通报,2021(03):60-68.

[21]王东东,万安国,童志辉.基于Landsat数据的南京市城市热岛效应时空演变研究[J].江西科学,2020,38(05):705-709.

[22]贺三维,王伟武,曾晨,等.中国区域发展时空格局变化分析及其预测[J].地理科学,2016,36(11):1622-1628.

[23]王宝军.基于标准差椭圆法SEM图像颗粒定向研究原理与方法[J].岩土工程学报,2009,31(07):1082-1087.

[24]王玲,米文宝,王鑫,等.限制开发生态区土地利用变化驱动力分析——以宁夏西吉县为例[J].干旱区资源与环境,2019,33(01):51-57.

[25]王煜,唐力,朱海涛,等.基于多源遥感数据的城市热环境响应与归因分析——以深圳市为例[J].生态学报,2021,41(22):8771-8782.

[26]王嘉丽,冯婧珂,杨元征,等.南宁市主城区不透水面与热环境效应的空间关系研究[J].生态环境学报,2023,32(03):525-534.

[27]谢哲宇,黄庭,李亚静,等.南昌市土地利用与城市热环境时空关系研究[J].环境科学与技术,2019,42(S1):241-248.

[28]樊文杰,戴晓爱,谢一茹,等.利用CLUE-S模型对四川省未来10年土地利用变化的预测与分析[J].科学技术与工程,2022,22(07):2641-2647.

基金资助:云南省林业和草原局森林城市发展规划(2020-2035)项目(项目编号:1863112); 云南省教育厅高校质量工程项目“园林品牌专业”(项目编号:515006056);

文章来源:赵奇,彭建松.师宗县建成区土地利用与热环境时空变化特征研究[J].农业与技术,2024,44(19):84-90.