城市热岛效应空间分布及驱动因素定量分析——以福州中心区为例

 抽象的

地表温度（LST）是自然地理学和社会经济学的共同产物。阐明地表温度的空间异质性和约束因素对于缓解地表热岛效应（SUHI）具有重要意义。本研究通过 Moran's I 和热点分析阐明了中国福州中心地区城市热岛的空间格局。此外，研究将驱动因素分为两类，包括自然地理因素（土壤湿度、土壤亮度、归一化植被指数（NDVI）和修正归一化水分指数（MNDWI）、水密度和植被密度）和社会因素经济因素（标准化差异建成指数（NDBI）、人口密度、道路密度、夜间灯光、公园密度）。通过GeoDetector软件进行单因素对LST的影响分析和因素交互作用分析。结果表明，地表温度呈现东南高温、西北低温的梯度层状结构，与工业区存在显着的空间关联性。特别是，地表温度对城市绿地和水体具有空间排斥性。此外，对LST影响最大（q值）的四个因素是土壤湿度（影响力= 0.792）> NDBI（影响力= 0.732）> MNDWI（影响力= 0.618）> NDVI（影响力= 0.604）。叠加解释度（影响力（Xi∩Xj））强于独立解释度（影响力（Xi））。交互作用最高和最低的分别是“土壤湿度∩MNDWI”（影响力=0.864）和“夜间灯光∩人口密度”（影响力=0.273）。 并论证了SUHI的空间分布及其驱动机制，为城市规划者建设热环境友好型城市提供理论指导。

 一、简介

受城市化和工业化的影响，近百年来全球地表生态结构发生了巨大而深刻的变化[1]。城市建成区的急剧扩张导致地表特征发生变化，增加了城市地表能的储存量[2]。同时，对城市人口扩张的看法是悲观的，预计到2050年世界人口的58%将居住在城市（世界城市化前景，2018）[3]。特别值得关注的是，全球能源的 67~76% 和全球最终能源 CO ₂ 排放的 71~76% 都在城市系统中消耗[4]。温室气体排放促进全球变暖，给城市人口带来强烈的热不适和不便，增加了人工室内空气冷却的能源需求[5, 6]。最终形成能源消耗和发电的恶性循环[7]。

城市热岛（UHI）是指任何区域持续比周边地区更热，或者与大多数农村地区相比，建成区温度更高的现象[8]。在快速城市化时代，城市热岛效应的范围和强度不断扩大，城市热岛发生的类型和规模也变得更加复杂和多样化[9]。特别是20世纪以后，城市热岛效应的研究已成为具有理论和现实意义的热点[10]。 Oke提出，城市化至少产生了两个热岛，并将城市大气分为两层[11]。其中，城市冠层（UCL）由城市的“粗糙元素”（主要是建筑物之间直至屋顶的空气空间）组成，受微观尺度的过程控制。城市边界层（UBL）是指受地球表面摩擦、热过程和蒸发显着影响的大气，受微观尺度的过程控制[12]。城市热岛研究离不开数据采集，因此观测方法的选择是研究的根本问题。以往的方法包括气象观测[13,14,15]、数值模拟[16]和遥感监测[17]。遥感监测可以利用多周期影像数据相对容易地研究大范围、长期的系列温度变化，成为研究城市热岛效应的关键技术手段。本研究重点关注越来越受到关注的表层热岛（SLHI），除非另有说明，下文提到的UHI均指表层热岛。 LST可以定量描述热行为[18]，因此可以作为SUHI分析的替代品[19]。

对于城市气候研究来说，对过去的分析和理解对于预测未来的趋势和变化方向非常重要[20, 21]。许多学者对城市热岛的时空变化、空间格局、驱动因素和缓解措施进行了研究。从那时起，人们对城市热岛指数进行了跨年份、跨季节和跨天的研究，大多数文献得出的结论是城市热岛在夏季达到峰值[22]。这种现象每年都会恶化，并且在夜间更为明显[23, 24]。至于形成机制，更多关注的是土地利用/土地覆盖（LULC）、景观指数和能源消耗[25,26,27]。土壤湿度、土壤亮度和 LST 之间的相关性已得到证实 [28, 29]。此外，之前的文献还介绍了城市形态因素，如天空景观系数、建筑密度、容积率等[30]。根据驱动因素与地表温度的相关性，提出了缓解热岛效应的相关策略[31, 32]。一般来说，城市绿地和水体是城市的主要冷岛，在缓解城市热岛效应中发挥着重要作用[33]。

城市系统的结构和功能在时空尺度上表现出异质性和非线性。例如，人们发现，当建筑高度增加时，绿色屋顶对行人的降温效果可以忽略不计[34]。然而，在另一项研究中，冷却效果被证明为 0.4~0.7 °C [35]。两项研究之间的差异可能是由于中尺度研究模型中缺少城市微量元素，这对LST也有很大影响。因此，有必要确保这些指标在尺度上有意义，以了解约束指标如何影响城市热岛的异质性。孙等人。引入普通最小二乘（OLS）回归模型讨论不同网格尺寸下宁波城市形态对LST的影响，得出城市形态的解释程度与网格尺寸正相关的结论[36]。对武汉地表热环境的研究表明，500~650 m是准确描述当地地表温度潜在模型最合适的分析尺度[37]。

传统的数学和统计模型已经很成熟[38]，但一些应用于UHI影响因素研究的模型没有考虑LST的空间自相关性，例如单线性或多线性回归和主成分回归[39] ，40]。它们基于因素是线性的假设，难以反映驾驶员之间复杂的叠加效应和空间分布的细节[41]。量化社会经济因素的相互作用是另一个障碍。有学者引入地理加权回归（GWR）模型来研究其影响[42]，该模型考虑了LST的空间非平稳性。然而，它比较复杂并且容易受到带宽变化的影响，导致结果存在明显差异[43]。地理检测器基于空间分层和异质性原理，检测同一空间尺度下多因素变量的相关性及其行为结果变量的机制[44, 45]。地理探测器可以直接量化各个因素对地表温度的影响，明确因素之间相互作用的类型，有利于把握空间机制，了解空间作用的原因。与GWR模型相比，GeoDetector模型参数设置简单，应用场景广泛[46,47,48]。近年来，有学者采用地理探测器来检测城市热岛的影响因素。胡等人。招募地理探测器分别检测主要核心、新区核心和工业园区的潜在驱动力[49]。 此外，结果表明，各个中心LST的驱动因素差异很大，呈现出双线性或非线性的增强关系。赵等人。利用地理探测器从自然和社会经济角度阐明了西安建成区城市热岛的驱动因素，结果表明影响LST的前三位因素是NDBI、NDVI和SAVI[50]。与基于其他模型的城市热岛驱动因素分析相比，地理探测器的文献在指标选择方面相对较少。

影响 LST 的因素有很多。中国的城市热岛研究存在地域偏向，主要集中在北京、上海、深圳等大都市[51,52,53]，对中国东南沿海欠发达地区的研究较少。福建省是21世纪海上丝绸之路的核心地区[54, 55]，在快速城市化的同时面临着许多环境问题。如何协调城镇化与宜居热环境建设的关系是不可回避的挑战。基于上述分析，本研究以福建省省会福州市为研究案例，通过丰富指标，进一步深化城市热岛空间分布、成因及减缓策略。在验证了地表温度的空间自相关性的基础上，利用热点分析和圆圈分析解释了城市热岛空间格局与城市发展的关系。本文的其余部分安排如下。第 2 部分介绍了研究领域、收集的因素并描述了方法。第 3 部分显示空间分析和驱动因素分析的结果。最后一部分讨论了贡献和未来的工作，然后是结论。

2 材料与方法

2.1.研究范围：中国福州中心区

福州市是中国西海岸经济区的重要城市，位于北纬25°15′至26°39′、东经118°08′至120°31′（图1）。研究区属亚热带季风气候，夏季长，冬季短。年平均气温20.7℃，8月至10月气温高于常年平均气温。福州主城区是城镇化水平最高的生产生活核心区。研究范围包括鼓楼区、仓山区、台江区、晋安区（建成区），面积225平方公里 ² 。福州被誉为中国“四大炉城”之一[56]。迫切需要寻找福州热岛效应背后的驱动因素，为缓解城市热环境提供理论方向。

图 1. 研究区域位置：中国福州中心区。

 2.2.数据准备

Landsat 8 OLI/TIRS（路径 119/第 42 行）图像从美国地质调查局下载（http://earthexplorer.usgs.gov/（2019 年 9 月 9 日访问））。具有最小云量（小于 5%）的图像经过了一系列预处理程序，包括辐射校准、大气校正和图像配准。行政区划和道路网络从福州市城乡规划局获得（http://ghj.fuzhou.gov.cn/（2019年9月10日访问））。

 2.3.方法

2.3.1.从陆地卫星图像中检索地表温度

Landsat-8卫星的热红外传感器有两个热波段，波段10和波段11。USGS（美国地质调查局）声称不建议使用基于两个波段的分割窗口算法（SW）来由于频段11的参数设置不稳定，需要检索LST。以往的单波段反演算法主要包括辐射传输方程算法（RTE）、单通道算法（SC）和单窗口算法（SW）。于等人。研究发现，在福州，基于频段10的RTE算法的准确率高于其他两种方法[57]。 RTE是一种基于大气辐射传输模型的传统算法，根据卫星热红外传感器接收到的热辐射能量的组成来计算地表温度。 Landsat-8 图像的第 10 波段的使用如方程 (1)–(3) 所示：

𝑅𝜆=[𝜀⋅𝑃(𝑇𝑠)+(1−𝜀)⋅𝑅↓]⋅𝜏+𝑅↑.$$R_{\lambda }=\left[\epsilon \cdot P\left(T_s\right)+\left(1-\epsilon \right)\cdot R_{\downarrow }\right]\cdot \tau +R^{\uparrow }.$$

(1)

式中，( 𝑅𝜆$R_{\lambda }$ )为卫星传感器接收到的波长( 𝜆$\lambda$ )的热辐射强度。 ( 𝜀$\epsilon$ ) 表示地表发射率， 𝑃(𝑇𝑠)$P(T_s)$ 表示地面辐射率。 ( 𝜏$\tau$ ) 是大气透射率。 𝑅↑$R^{\uparrow }$ 和 𝑅↓$R_{\downarrow }$ 分别称为大气向上辐射率和向下辐射率。 ( 𝜏$\tau$ )、 𝑅↑$R^{\uparrow }$ 和 𝑅↓$R_{\downarrow }$ 可以通过 NASA 访问的大气校正参数计算器 (http://atmcorr.gsfc.nasa.gov) 进行估计/（2019 年 9 月 9 日访问））。那么，相同表面温度的黑体在热红外波段（ 𝑃(𝑇𝑠)$P(T_s)$ ）的辐射强度可由式（2）求得：

𝑃(𝑇𝑠)=[𝑅𝜆−𝑅↑−(1−𝜀)⋅𝑅↓⋅𝜏]⁄(𝜀⋅𝜏).$$P\left(T_s\right)=\left[R_{\lambda }-R^{\uparrow }-\left(1-\epsilon \right)\cdot R_{\downarrow }\cdot \tau \right]∕\left(\epsilon \cdot \tau \right).$$

(2)

根据普朗克公式的反函数，可以得到真实表面温度（ 𝑇𝑠$T_s$ ）：

𝑇𝑆=𝐾2⁄𝑙𝑛[𝐾1⁄𝑃(𝑇𝑠)+1].$$T_S=K_2∕\mathit{ln}\left[K_1∕P\left(T_s\right)+1\right].$$

(3)

式(3)中， 𝐾1$K_1$ 和 𝐾2$K_2$ 为常数，表示卫星发射前预设的常数，在元数据MTL文件查询中呈现。对于 Landsat-8 TIRS 10th， 𝐾1=774.8853 W⋅m−2⋅sr−1⋅μm−1$K_1=774.8853\mathrm{W}\cdot {\mathrm{m}}^{-2}\cdot \mathrm{s}{\mathrm{r}}^{-1}\cdot \mathsf{\mu }{\mathrm{m}}^{-1}$ 、 𝐾2=1321.0789$K_2=1321.0789$ 。

2.3.2. LST 的空间分析

为了了解福州城市热岛的空间格局，采用了三步空间分析。正如托布勒地理学第一定律所述，一切事物都彼此相关，并且越接近的事物彼此相关性越强[58]。地理空间依赖性现象被称为空间自相关，利用统计分析对地表温度的空间分布格局和内在驱动力具有显着影响。本研究的全局空间自相关分析主要基于Moran's I，从整体上揭示LST空间布局的聚集性，并表明LST是否具有空间自相关性：

𝑀𝑜𝑟𝑎𝑛’𝑠 𝐼=𝑛∑𝑛𝑖=1∑𝑛𝑗=1𝑤𝑖,𝑗(𝑥𝑖−𝑥̲)(𝑥𝑗−𝑥̲)(∑𝑛𝑖=1∑𝑛𝑗=1𝑤𝑖,𝑗)∑𝑛𝑖=1(𝑥𝑖−𝑥̲) ,$$Moran’s I=\frac{n{\sum }_{i=1}^n{\sum }_{j=1}^n{w}_{i,j}\left(x_i-\overline{x}\right)\left(x_j-\overline{x}\right)}{\left({\sum }_{i=1}^n{\sum }_{j=1}^n{w}_{i,j}\right){\sum }_{i=1}^n\left(x_i-\overline{x}\right)} ,$$

(4)

𝑤𝑖,𝑗=𝑑−𝑝𝑖𝑗∑𝑛𝑖=1∑𝑛𝑗=1𝑑−𝑝𝑖𝑗,$$w_{i,j}=\frac{d_{ij}^{-p}}{{\sum }_{i=1}^n{\sum }_{j=1}^n{d}_{ij}^{-p}},$$

(5)

其中 𝑥𝑖$x_i$ 和 𝑥𝑗$x_j$ 是网格 𝑖$i$ 和 𝑗$j$ 位置处的 LST。 𝑤𝑖,𝑗$w_{i,j}$ 是位置 𝑖$i$ 和  𝑗$j$ 之间距离 𝑑𝑖𝑗$d_{ij}$ 的倒数的空间权重。我们借助ArcGIS 10.5中的“莫兰指数”函数进行空间权重矩阵计算，空间关系的概念可以分为三类：反距离、固定距离带和无差异区。反距离反映了与远处的元素相比，邻近的邻近项目对目标项目的计算的影响更大。考虑到LST较强的空间依赖性，我们选择更合适的反距离来构造权重，其中距离为欧氏距离。 𝑝$p$ 为距离的幂，本文设置为1。 𝑛$n$ 是网格数。所有空间权重被聚合。 Moran’s I 的取值范围为 [−1, 1]。 Moran's I 值 > 0 且不接近 0 表示数据在空间上正相关，值接近 0 表示数据不相关，值 < 0 且不接近 0 表示数据在空间上负相关相关的。

Moran's I可以用来判断LST的空间非平稳性，但不能指示空间热点的范围。研究仍需要统计显着性识别方法来验证空间自相关对于聚合空间单元的整个研究范围是否足够显着。 GetisOrd 𝐺∗𝑖$G_i^{*}$ （热点分析）揭示了空间区域内显着的高值和低值聚类，并识别了该区域LST冷热点的空间分布。其公式为[59]：

𝐺∗𝑖=∑𝑛𝑗=1𝑤𝑖,𝑗𝑥𝑗−𝑋∑𝑛𝑗=1𝑤𝑖,𝑗(∑𝑛𝑗=1𝑥2𝑗𝑛−−−−−−√−(𝑋)2)[𝑛∑𝑛𝑗=1𝑤2𝑖,𝑗−(∑𝑛𝑗=1𝑤𝑖,𝑗)2]𝑛−1−−−−−−−−−−−−−−−−−√ ,$$G_i^{*}=\frac{{\sum }_{j=1}^n{w}_{i,j}{x}_j-\overline{X}{\sum }_{j=1}^n{w}_{i,j}}{(\sqrt{\frac{{\sum }_{j=1}^n{x}_j^2}{n}}-{\left(\overline{X}\right)}^2)\sqrt{\frac{\left[n{\sum }_{j=1}^n{w}_{i,j}^2-{\left({\sum }_{j=1}^n{w}_{i,j}\right)}^2\right]}{n-1}}} ,$$

(6)

其中 𝐺𝑖∗$G{i}^{*}$ 统计数据是 z 分数。 z 分数越高，热点的聚类越紧密（高值）。 z 分数越低，冷点的聚集越紧密（低值）。这里， 𝑥𝑖$x_i$ 和 𝑥𝑗$x_j$ 是网格 和 位置处的LST。 𝑤𝑖,𝑗$w_{i,j}$ 为空间权重矩阵， 𝑥̲$\overline{x}$ 为LST均值。

2.3.3. UHI 驱动程序的选择

城市热岛效应是由多种因素引起的热环境问题。本研究将其分为两类：地理因素和社会经济因素。在地理因素中，NDBI、NDVI、MNDWI、土壤亮度和土壤湿度被认为是LST的主要驱动因素[60, 61]。本研究设计了水体密度指标和植被密度指标，探讨面积指数密度对两者降温效果的影响。城市公园，即社会经济因素，往往是水体和绿地斑块的混合体，因此可以将其作为单独的指标进行研究[62, 63]。福州正在整合提升公园资源，以建设“公园城市”为目标。公园指标的增加将有助于更好地评估公园在缓解城市热岛效应中所发挥的生态作用。人口、道路和夜间照明都是衡量一个城市社会经济发展的重要指标，因此也被纳入我们的研究范围内。在前人研究成果的基础上，结合我们的研究目标，最终选取了11个因素进行城市热岛驱动因素研究，如表1所示。

表 1. 地表温度的驱动因素。

类型	驱动因素	缩写	公式	来源
社会经济因素	道路密度	RDD	RDD=𝐿𝑅𝑜𝑎𝑑/𝐴𝑟𝑒𝑎𝑔𝑟𝑖𝑑$\mathrm{RDD}=L_{Road}/Are{a}_{grid}$	https://www.openstreetmap.org/
	人口密度	PPD	-	https://www.worldpop.org/
	夜间灯光	NL	-	https://www.ngdc.noaa.gov/eog/viirs/
	公园密度	PD	PD=𝐴𝑟𝑒𝑎𝑝𝑎𝑟𝑘/𝐴𝑟𝑒𝑎𝑔𝑟𝑖𝑑$\mathrm{PD}=Are{a}_{park}/Are{a}_{grid}$	https://www.openstreetmap.org/
	归一化差异构建指数	NDBI	𝑁𝐷𝐵𝐼= 漂浮(b6−b5)/ 漂浮(b6+b5)$NDBI=\mathrm{Float}\left(\mathrm{b}6-\mathrm{b}5\right)/\mathrm{Float}\left(\mathrm{b}6+\mathrm{b}5\right)$	[64]
地理因素	归一化植被指数差异	归一化植被指数	𝑁𝐷𝑉𝐼= 漂浮(b5−b4)/ 漂浮(b5+b4)$NDVI=\mathrm{Float}\left(\mathrm{b}5-\mathrm{b}4\right)/\mathrm{Float}\left(\mathrm{b}5+\mathrm{b}4\right)$	[65]
	修正归一化水分指数	平均NDWI	𝑀𝑁𝐷𝑊𝐼= 漂浮(b6−b3)/ 漂浮(b6+b3)$MNDWI=\mathrm{Float}\left(\mathrm{b}6-\mathrm{b}3\right)/\mathrm{Float}\left(\mathrm{b}6+\mathrm{b}3\right)$	[66]
	土壤亮度	SB	TCB=0.3029×b2+0.2786×b3+0.4733×b4+0.5599×b5+0.508×b6+0.1872×b7$\mathrm{TCB}=0.3029\times \mathrm{b}2+0.2786\times \mathrm{b}3+0.4733\times \mathrm{b}4+0.5599\times \mathrm{b}5+0.508\times \mathrm{b}6+0.1872\times \mathrm{b}7$	[67]
	土壤湿度	SW	TCW=0.1511×b2+0.1973×b3+0.3283×b4+0.3407×b5−0.7117×b6−0.4559×b7$\mathrm{TCW}=0.1511\times \mathrm{b}2+0.1973\times \mathrm{b}3+0.3283\times \mathrm{b}4+0.3407\times \mathrm{b}5-0.7117\times \mathrm{b}6-0.4559\times \mathrm{b}7$
	水密度	WD	WD=𝐴𝑟𝑒𝑎𝑤𝑎𝑡𝑒𝑟/𝐴𝑟𝑒𝑎𝑔𝑟𝑖𝑑$\mathrm{WD}=Are{a}_{water}/Are{a}_{grid}$	http://www.gscloud.cn/
	植被密度	VD	VD=𝐴𝑟𝑒𝑎𝑣𝑒𝑔./𝐴𝑟𝑒𝑎𝑔𝑟𝑖𝑑$\mathrm{VD}=Are{a}_{veg.}/Are{a}_{grid}$	http://www.gscloud.cn/

b1、b2、b3…b7 代表 Landsat-8 遥感图像的七个波段。网站于 2021 年 12 月 5 日访问。

2.3.4.缩放部分和缓冲区分析

LST 的空间特征和驱动程序的性能都与尺度相关[68, 69]。随着观测尺度的变化，模式和驱动力可能会以不同的方式表现出来。为保证后续研究的合理性，我们选择了占研究总面积一半以上的区域（仓山区）作为最优规模进行预实验。网格尺度范围为100、200、300、400、500 m。考虑到研究区域的总规模[70]，没有选择1 km的尺度，因为网格尺寸过大会吞噬大量指标信息，而样本量过小又会影响结果的准确性。预实验结果见附录A。实验结果表明，LST及相关指标在500 m网格尺度上得到最好的解释，因此将其作为空间异质性单元。此外，福州市主要城区呈现单中心圈发展格局。因此，从研究区几何中心向外500 m，设置18个同心圆等距多环缓冲区。分别计算每个圆内 𝐺∗𝑖$G_i^{*}$ 的平均值和标准差。此外，还分析了城市热岛圈的空间分布特征以及城镇化过程中表现出的圈间差异。

2.3.5。地理探测器分析

利用ArcGIS 10.5创建200×200 m渔网，利用提取分析工具计算网格中11个驱动因素的属性值。由于地理检测器的应用要求自变量为分类变量，因此对因子的属性值进行了重新分类。为了最大限度地提高研究的准确性，在比较不同离散化方法的结果与最高解释后，我们最终选择了自然断裂方法[71]。结果如图2所示。

图2 研究区11个驱动因素的空间分布。

在数据空间化的基础上，利用地理探测器的因子探测器对各影响因素进行定量分析，得到其对城市热岛空间格局影响的相对强度。数据处理使用免费的Geographical Detector软件包（http://www.geodetector.cn/（2021年2月10日访问））进行，其模型如下：

𝑞=1−∑𝐿ℎ=1𝑁ℎ𝜎2ℎ𝑁𝜎2=1−𝑆𝑆𝑊𝑆𝑆𝑇,$$q=1-\frac{{\sum }_{h=1}^L{N}_h{\sigma }_h^2}{N{\sigma }^2}=1-\frac{SSW}{SST},$$

(7)

其中，式（6）用于判断因子 𝑋$X$ 在多大程度上解释了LST（ 𝑦$y$ ）、 ℎ∈ (1,2,3…𝐿)$h\in \left(1,2,3\dots L\right)$ 和 𝐿$L$ 的层数（类别）。 𝑞$q$ 值可以检验层间的异质性， 𝑞$q$ 值越大，因子 𝑋$X$ 的层数越好[72 ]。我们手动反复测试比较factor的 𝑞$q$ 值，最终得到效果最好的层数（当q-Value最大时）。例如，NDVI 在层（类别）数为 8 时具有最大度 𝑞$q$ 值。 𝑁ℎ$N_h$ 和 𝑁$N$ 是层数（类别）中的单元数。层 ℎ$h$ 和整个区域， 𝜎2ℎ${\sigma }_h^2$ 和 𝜎2${\sigma }^2$ 是层 ℎ$h$ 和 𝑦$y$ 的方差整个地区的价值。 𝑆𝑆𝑊$SSW$ 和 𝑆𝑆𝑇$SST$ 位于平方和和总平方和中。

使用交互检测器分析两个因素之间的交互作用，并计算两个因素之间交互作用的 𝑞$q$ 值。交互作用有五种类型：非线性减少、单因素非线性衰减、双因素增强、独立和非线性增强。回归模型只能判断两个因素之间的乘法关系。我们招募的模型对相互作用的强度、方向、线性和非线性关系有更清晰的指示[73]。

 3. 结果

3.1.地表温度空间分布特征

如图3所示，平均温度、最高温度和最低温度分别为33.660℃、40.968℃和26.319℃。根据式（4），研究区LST的Moran’s I值为0.900，接近于1。此外，Z值为179.287。在p = 0.01水平上，LST的空间分布具有显着的空间自相关性。使用 𝐺𝑖∗$G{i}^{*}$ 分析测量空间单元上LST的相似性和变异性，结果如图4所示。90%、95%和99%置信度下的 𝐺𝑖∗$G{i}^{*}$ 分析区间表明，本研究时间点地表温度的空间分布存在不同程度的热点和冷点。热点主要集中在中南部和东部，空间上相继发展，呈现出明显的空间聚集趋势。总体上呈现由西北向东南梯度增大的趋势。

图 3 LST 空间分布图。

图 4. LST 热点分析。

𝐺𝑖∗$G{i}^{*}$ 均值和标准差的结果如图5所示。我们用距城市中心的距离来表示不同的圈层。例如，第1圈距研究区中心0.5公里，第18圈距研究区中心9公里。平均 𝐺𝑖∗$G{i}^{*}$ 值由内向外先增大后减小，表明随着城市化进程的不断推进，较高水平的城市活动聚集在城市中心点附近。最大值出现在距中心6公里处，表明该圈内热点簇最强。 𝐺𝑖∗$G{i}^{*}$ 的平均值在1公里、4公里和5公里处趋于减小，因为该圈包含有更多冷点簇的大山。计算相邻圆之间 𝐺𝑖∗$G{i}^{*}$ 均值的差异来了解圆间差异，结果在[−0.746, 0.548]范围内，表明相邻圆之间的差异比较明显。距离中心4公里范围内的 𝐺𝑖∗$G{i}^{*}$ 标准差差异较小，表明圈内地表温度的方向分布差异较小。 4 km后差异较大，表明该范围内的LST分布具有显着的方向性差异。

图5. 𝐺𝑖∗$G{i}^{*}$ 研究区各缓冲区统计情况。

3.2.单一影响因素对LST的影响

使用地理检测器分析了 11 个潜在驱动因素对 LST 的影响（q 值）。如表2所示，11个因素均对LST有一定影响，P<0.01。道路密度是个例外，P < 0.05。单个影响因子的评价按q值排序为SW（影响力=0.792）>NDBI（影响力=0.732）>MNDWI（影响力=0.618）>NDVI（影响力=0.604）>SB（影响力=0.565）> WD（影响力= 0.326）> VD（影响力= 0.236）> RDD（影响力= 0.191）> NL（影响力= 0.144）> PPD（影响力= 0.081）> PD（影响力= 0.076）。结果表明，土壤湿度是LST空间分布的主要制约因素。二是建筑指标。从自然地表到不透水地表的转变是城市化的一个显着特征，表明土地城市化在一定程度上影响了土地表面温度。 MNDWI、NDVI、WD、VD对LST都有较高的影响，这证明了水体和植被在LST调节中的重要性。总体而言，自然地理因素对地表温度的影响大于社会经济因素。从社会经济因素来看，道路密度和夜间灯光的q值均大于10%，对LST影响中等。此外，人口密度和公园密度的q值均小于10%，表明对LST的影响较小。

表2 单一驱动因素检测结果。

驱动因素		𝐋𝐞𝐯𝐞𝐥 𝐨𝐟 𝐈𝐦𝐩𝐚𝐜𝐭 (𝒒-𝐕𝐚𝐥𝐮𝐞)$\mathbf{Level} \mathbf{of} \mathbf{Impact} \left(\mathit{q}\mathbf{-Value}\right)$	显着性水平	影响排序
地理因素	SW	0.792	0.01	1
	NDBI	0.732	0.01	2
	平均NDWI	0.618	0.01	3
	归一化植被指数	0.604	0.01	4
	SB	0.565	0.01	5
	WD	0.326	0.01	6
	VD	0.236	0.01	7
社会经济因素	RDD	0.191	0.01	8
	NL	0.144	0.01	9
	PPD	0.081	0.05	10
	PD	0.076	0.01	11

3.3.地表温度驱动因素的交互作用

使用地理探测器探测因素相互作用。另外，结果如表3所示。因素之间的相互作用是双因素增强或非线性增强。交互作用的影响力从大到小依次为“SW∩MNDWI”（0.864）>“SW∩NL”（0.862）>NDVI∩SW（0.856）>SB∩NDBI（0.853）。 PPD ∩ PD 的影响力最低，降至 0.215，其次是 NL ∩ PD (0.273) < PPD ∩ NL (0.292) < RDD ∩ PD (0.296)。结果表明，土壤湿度与MNDWI的交互作用对LST的空间分布影响最为显着。人口密度与公园密度之间的相关性最低。任意两个因素的交互作用对LST变化的影响均大于单个因素的影响。此外，地理因素的叠加大于社会经济因素的叠加。

表 3. 多种因素的相互作用。

	TCB	平均NDWI	NDBI	归一化植被指数	TCW	RDD	PPD	VD	WD	NL	PD
TCB	0.565
平均NDWI	0.826 $0.826$b	0.618
NDBI	0.853 b${0.853}^{\mathrm{b}}$	0.831 b${0.831}^{\mathrm{b}}$	0.733
归一化植被指数	0.836 b${0.836}^{\mathrm{b}}$	0.764 b${0.764}^{\mathrm{b}}$	0.828 b${0.828}^{\mathrm{b}}$	0.604
TCW	0.809 b${0.809}^{\mathrm{b}}$	0.864 b${0.864}^{\mathrm{b}}$	0.848 b${0.848}^{\mathrm{b}}$	0.856 b${0.856}^{\mathrm{b}}$	0.792
RDD	0.731 b${0.731}^{\mathrm{b}}$	0.681 b${0.681}^{\mathrm{b}}$	0.800 b${0.800}^{\mathrm{b}}$	0.674 b${0.674}^{\mathrm{b}}$	0.851 b${0.851}^{\mathrm{b}}$	0.191
PPD	0.699 n${0.699}^{\mathrm{n}}$	0.683 b${0.683}^{\mathrm{b}}$	0.779 b${0.779}^{\mathrm{b}}$	0.647 b${0.647}^{\mathrm{b}}$	0.819 b${0.819}^{\mathrm{b}}$	0.335 n${0.335}^{\mathrm{n}}$	0.081
VD	0.807 n${0.807}^{\mathrm{n}}$	0.730 b${0.730}^{\mathrm{b}}$	0.799 b${0.799}^{\mathrm{b}}$	0.707 b${0.707}^{\mathrm{b}}$	0.849 b${0.849}^{\mathrm{b}}$	0.488 n${0.488}^{\mathrm{n}}$	0.356 n${0.356}^{\mathrm{n}}$	0.236
WD	0.590 b${0.590}^{\mathrm{b}}$	0.726 b${0.726}^{\mathrm{b}}$	0.827 b${0.827}^{\mathrm{b}}$	0.796 b${0.796}^{\mathrm{b}}$	0.817 b${0.817}^{\mathrm{b}}$	0.458 b${0.458}^{\mathrm{b}}$	0.395 b${0.395}^{\mathrm{b}}$	0.697 n${0.697}^{\mathrm{n}}$	0.327
NL	0.770 n${0.770}^{\mathrm{n}}$	0.679 b${0.679}^{\mathrm{b}}$	0.777 b${0.777}^{\mathrm{b}}$	0.668 b${0.668}^{\mathrm{b}}$	0.862 b${0.862}^{\mathrm{b}}$	0.399 n${0.399}^{\mathrm{n}}$	0.292 n${0.292}^{\mathrm{n}}$	0.434 n${0.434}^{\mathrm{n}}$	0.503 n${0.503}^{\mathrm{n}}$	0.145
PD	0.579 b${0.579}^{\mathrm{b}}$	0.665 b${0.665}^{\mathrm{b}}$	0.739 b${0.739}^{\mathrm{b}}$	0.661 b${0.661}^{\mathrm{b}}$	0.802 b${0.802}^{\mathrm{b}}$	0.296 n${0.296}^{\mathrm{n}}$	0.215 n${0.215}^{\mathrm{n}}$	0.365 n${0.365}^{\mathrm{n}}$	0.357 b${0.357}^{\mathrm{b}}$	0.273 n${0.273}^{\mathrm{n}}$	0.076

上标字母表示交互类型。 “b”表示双因子增强（ 𝑃𝐷, 𝐻 (𝑋1∩ 𝑋2)>𝑃𝐷, 𝐻(𝑋1) and 𝑃𝐷, 𝐻(𝑋2)$P_{D, H} \left(X_1{{\displaystyle \cap }}^{ }{X}_2\right)>P_{D, H}\left(X_1\right) \mathrm{and} P_{D, H}\left(X_2\right)$ ），“n”表示非线性增强（ 𝑃𝐷, 𝐻 (𝑋1∩ 𝑋2)>𝑃𝐷, 𝐻(𝑋1)+𝑃𝐷, 𝐻(𝑋2)$P_{D, H} \left(X_1{{\displaystyle \cap }}^{ }{X}_2\right)>P_{D, H}\left(X_1\right)+P_{D, H}\left(X_2\right)$ ）。

四、讨论与展望

4.1.地表温度空间格局分析

采用热点分析方法对福州市主要城区地表温度空间分布进行分析，得出地表温度分布格局为东南高、西北低。 UHI效应显着的温度梯度关系与前人研究基本一致[73]。 𝐺𝑖∗$G{i}^{*}$ 的标准差在4公里处相似，然后上升，表明距市中心4公里范围内圈间地表温度现象较小。地表温度很大程度上受城市功能和活动的影响，因此该范围内的城市化水平相似。圆圈内的 𝐺𝑖∗$G{i}^{*}$ 标准差较大，说明城市热岛效应在不同方向上差异较大，符合城市向南、向东发展的趋势。采用热点分析结合圈层分析来研究城市发展方向和城市热岛效应的研究较少，可供未来多核心城市或多城市研究使用。此外，本研究仅考察了2019年秋季的城市热岛效应，缺乏季节性和时空性的考虑[74]。未来可以利用多周期遥感数据比较城市热岛的空间分布和驱动差异。

大多数热点集群都是工业区，这表明城市工业化可能对LST产生更显着的影响。总体而言，鉴于产业活动集约化的持续趋势和产业集群的目标，可以预见未来工业园区和高科技园区可能会陆续进一步发展，这将对城市热环境带来更大的考验[75] ]。此外，次热点主要集中在火锅周边，分布碎片化程度较低。它们都是高密度住宅区和大型商业综合体，这意味着城市居民的生活也与城市热岛效应密切相关。热点和次热点的连续性表明城市热岛现象的加剧和集中。与热点相比，冷点分布更受城市地理环境影响，主要分布在水体和城市公园周围，空间结构呈带状和块状相结合。结果与之前的文献一致，即大面积绿地和水域是城市重要的冷源来源[76]。

4.2.单因素对LST的影响

对LST的单因素影响结果表明，城市热岛效应与城市建成区以及城市绿地和水体的空间排斥在空间上显着相关。这与之前的研究结论一致，LST 与绿地和水体负相关，而与 NDBI 正相关[77, 78]。单因素中土壤湿度对地表温度的影响最大（影响力=0.792），支持了土壤湿度是影响小气候的重要因素的理论，这一理论已被大量实验证实[79, 80]。土壤湿度改变土壤的蒸散量、反照率和导热系数，从而影响地表的局部能量平衡[81]。

MNDWI对LST的影响比NDVI更强，这与Tan和Li研究北京LST的结论相反[82]，即植被的冷岛效应优于水体。这可能是因为当地背景气候对城市绿色植被的降温效应有较强的促进作用[83, 84]，而福州水资源丰富，具有较强的约束作用。

此外，WD 和 VD 对 LST 的解释力远低于 MNDWI 和 NDVI [85]。结果表明，水体和植被的冷却效果与密度有关。但与此同时，三维绿地数量、植被结构等其他内部因素也会影响地表温度的降温效果[86]。值得注意的是，公园对LST的影响较小。由于数据源精度有限，部分街道公园未能完全提取，结果可能有所下降。另一方面，表明公园的降温效果在城市尺度上仍然有限，降温范围约为500 m[87]。

此外，数据来源的准确性受到社会经济因素的限制，如部分支线道路、细微灯光等数据缺失，也在一定程度上降低了社会经济因素的影响。随着大数据的兴起，可用兴趣点（POI）的数量可以在适当的网格大小下反映地表人为热源的强度和类型[88, 89]，因此有可能成为有用的数据研究UHI效应的驱动机制。它还为在微环境尺度上描述人类与环境相互作用的过程和模式提供了新的可能性。

4.3. LST 驱动程序的交互

因子交互作用检测结果表明，因子交互作用是双因子增强或非线性增强。社会经济因素的相互作用大多呈非线性增强，如“公园密度∩夜间灯光”、“道路密度∩人口密度”、“夜间灯光∩人口密度”等。在单因素对LST影响的研究中，自然地理因素强于社会经济因素。然而，因素之间相互作用关系的类型也值得注意。社会经济的自我相互作用大多是非线性增强的，其对城市热岛现象的影响呈指数级增长。人口密度和道路密度的单因素效应分别为0.191和0.081，其交互作用为0.335，约为单因素效应的1.7~4倍。为了缓解城市热岛现象，需要控制城市发展密度和大规模社会经济因素的叠加效应。

水密度和植被密度交互作用对LST的影响比单一因素高2~3倍。蓝绿空间最大化叠加，可以共同促进冷岛发展，整合冷岛资源形成冷岛网络。总之，应重视多因素耦合分析，推动和加强城市降温效应研究。

这项研究在单一尺度上研究了地表温度及其影响之间的关系，但其空间分布和相互作用是依赖于尺度的。基于尺度效应的城市热岛影响检测是未来研究的必要条件。同时，以往研究中LST与格陵兰关系的研究结果也存在不一致，统计方法和地理尺度存在差异。例如，周等人。据报道，绿地覆盖率对较大地理单位的影响可能更大[90]，但 Kong 等人。建议相反。因此，有必要评估这些影响在不同网格尺度上的变化[91]。

 5。结论

本研究采用数值指标建模、热点分析、地理探测器等方法，分析了福州中心区城市热岛效应的空间特征、圈层结构以及多种驱动力的独立和叠加效应。此外，还基于遥感数据、高精度矢量数据等多源空间数据，分析了指标空间化对应的驱动机制和叠加关系。结论如下。

地表温度空间异质性显着，呈现西北低、东南高的空间分布格局。城市热岛的空间分布与城镇居民的生产生活密切相关。热点地区呈集群状出现，主要集中在工业区。次热点地区为高密度住宅区和商业综合体。此外，冷点主要是城市大型绿地和水体。地表温度受城市功能和活动的影响较大。分层分析揭示了城市发展与城市热岛现象之间的关系。相邻圈层之间的热岛差异反映了城市化圈层的空间结构。中心圈（距市中心4公里以内）的差异表明，连续的城市扩张很可能伴随着连续的城市热岛发展，导致热岛斑块的均质化。圈内城市热岛的差异反映了城市发展方向的差异，表明热岛斑块的连通性和蔓延性与城市发展方向密切相关。因此，我们建议控制城市发展密度，避免大规模连片建设住宅区和商业区。此外，在中心区域增设“冷点”，在各功能组团边界设置隔离区，可以分散热岛区域，间接调节人类活动从单个区域到多个区域。

本研究选取的自然地理因素和社会经济因素均对城市热岛效应产生一定的影响。此外，自然地理因素的影响普遍大于社会经济因素，其中排名前四位的因素为：土壤湿度（影响力=0.792）>NDBI（影响力=0.732）>MNDWI（影响力=0.618）>NDVI（影响力 = 0.604）。结论是，可以通过增加城市植被覆盖率和土壤湿度来缓解热岛效应。由于城市土地有限，新增大片绿地和水体难度较大。因此，应更加重视城市现有冷源的保护。

因素之间的交互作用为双因素增强或非线性增强，叠加影响（q-Value）在[0.215，0.864]范围内。社会经济因素的相互作用呈非线性增加。社会经济因素是人类对城市基础环境的干扰，尤其是福州，山水空间格局复杂。因此，建议规划时考虑因素叠加：整合蓝绿资源，形成复合冷岛。控制冷岛周边城市开发程度，建设绿地降温廊道，最大限度发挥冷岛效率，最终形成降温网络。

与单因素相关分析相比，城市热岛效应和“自然地理+社会经济”多驱动叠加效应的分析，具有空间异质性，具有系统性和尺度性的意义。在城市尺度上量化各重要因素对城市热岛效应的影响并探究其相互作用，对于解释城市热岛效应的机理、调整城市规划的技术策略具有现实意义和指导作用。多种驱动因素的叠加效应可应用于城市规划和管理。根据各因素对地表温度的正负影响，可以采用减负相结合的方式，系统性地缓解城市热岛效应。