城市功能区视角下厦门岛地表温度季节性主导驱动因子识别及其热环境调控策略

本研究从城市功能区（UFZ）视角出发，系统分析了厦门岛地表温度（LST）的季节性变化规律及其驱动机制。研究综合利用遥感与多源地理数据，通过逐步回归模型揭示了自然与人为因子对不同功能区（居住区RB、公共服务区PAB、商业区CBSB、仓储区WSB）LST的差异化影响，发现其解释力存在显著季节性波动（如春夏季R2>0.6，冬季降至0.22–0.46），并针对性提出了基于功能区特性的热缓解规划策略，为海岛城市气候适应性建设提供了科学依据。

　　

1 引言

全球快速城市化重塑了城市形态并加剧了环境挑战，而针对海岛城市地表温度（LST）影响因素的季节性研究仍较为有限。厦门岛作为中国快速城市化的典型海岛城市，其地理隔离、土地资源有限及高密度城市形态放大了城市热岛效应（UHI）的影响。尽管LST被广泛认为是UHI强度和城市热环境的关键指标，但现有研究多集中于大陆城市，往往忽略了海岛特有的空间约束与环境动态。此外，由太阳辐射、植被物候和人类活动模式变化所驱动的LST季节性变异在近期文献中日益受到重视，但在高密度海岛城市的探索仍不充分。人为因素如建筑密度（BD）、人口密度（PD）和土地利用配置可能在不同季节对LST产生差异化影响，尤其是在热行为复杂的紧凑型城市区域。缺乏分季节的分析，城市热环境评估可能忽略关键的年内变异，导致有缺陷的解读和无效的规划应对。本研究旨在填补这些知识空白，通过识别厦门岛不同城市功能区（UFZ）中LST在不同季节的关键自然与人为驱动因子，并比较其跨季节效应，以期为针对海岛环境的、基于证据的气候韧性城市规划策略做出贡献。

2 材料与方法

2.1 研究区概况

厦门岛位于中国东南沿海，面积158 km²，属亚热带海洋性季风气候，年均降水量约1200 mm。作为中国最早的经济特区之一，厦门经济快速发展，人口128.07万。城市地形包括沿海平原、台地和丘陵，具有显著的自然优势。至2021年，厦门GDP达7033.89亿元人民币，城市化率高达89.41%，是重要的一线城市。其核心城区因持续的人口增长和不断提高的开发密度而呈现增强的UHI效应，该效应在不同UFZ中表现出 distinct 特征。

2.2 数据收集

研究使用来自地理空间数据云平台的Landsat 8 OLI/TIRS遥感影像（空间分辨率30 m），经辐射和大气校正后提取相关地表生物物理参数。为确保数据准确性，采用了以下标准：选择云量低于10%的影像；优先选择晴空影像以减少天气条件导致的温度误差；使用相同时点的数据以消除时间差异引起的温度偏差。季节根据中国气候特征和《厦门气候年鉴》划分：春季（3-5月）、夏季（6-8月）、秋季（9-11月）、冬季（12-2月）。选用了四个影像日期：2020年4月17日（春）、2021年7月25日（夏）、2020年10月26日（秋）、2021年1月30日（冬）。这些影像均在无极端天气干扰的晴日获取，能准确代表当地气候特征。由于云干扰和Landsat 8 OLI/TIRS LST数据集的时间覆盖限制，使用了不同年份的影像。对厦门2020和2021年历史气候数据的分析表明，所选研究季节的气候条件与长期平均值一致，最小化了年际变异对研究结论的影响。仔细验证了所选数据的时间戳，确保其未与厦门COVID-19封锁期重合，从而保证了数据捕获的是正常社会经济条件下的LST变异，不受人为热排放减少的影响。

高分辨率卫星影像来自Google Earth开放数据平台（全色波段分辨率0.7 m，获取日期2021年7月31日）。利用这些数据，土地被系统分为六类：农田、草地、林地、建设用地、未利用地和水体。为提高分类精度，采用了机器学习进行图像分类。具体而言，首先使用主成分分析（PCA）技术进行图像处理以提取关键特征并降低数据维度；然后，基于这些提取的特征训练随机森林模型进行自动分类；最后，结合野外调查数据通过目视解译纠正误分类区域，确保分类结果准确反映实际土地覆盖。使用Kappa系数衡量分类结果与实际数据的一致性，其值范围-1至1，值越高表明一致性越好。本研究的分类总体精度达87%，Kappa系数为0.85，显示出高可靠性和一致性。

其他数据源包括：(1) 来自地理空间数据云平台数字高程模型（DEM）的地形信息，用于提取高程作为影响LST分布的自然地形因子；(2) 来自国家地球系统科学数据中心国家极轨伙伴关系可见光红外成像辐射仪套件（NPP-VIIRS）的夜间灯光数据，作为人为活动强度和城市化水平的代理；(3) 来自WorldPop项目的人口密度数据，用于表示人类住区的空间分布并评估其对地表热环境的影响；(4) 从高德地图平台获取的建筑形态数据，包括建筑轮廓和高度，用于计算容积率（FAR）和建筑密度（BD），这些是反映影响LST的建成环境结构强度和空间配置的关键人为指标。

2.3 四种UFZs的特征与制图

在空间规划中，地块是基本的空间单元，为分析城市生活环境中局部微气候变化提供了关键尺度。在厦门快速城市化过程中，居住地块（RB）、公共管理与公共服务地块（PAB）、商业服务业设施地块（CBSB）和仓储地块（WSB）在空间分布、土地利用模式、基础设施发展和环境影响方面发生了变异，这些差异直接影响了区域的LST。选择这四种UFZs是因为它们在城市地区的代表性与人类活动的密切关联。这些土地类型在建筑布局、土地利用强度、基础设施支撑和绿化覆盖率方面差异显著，都在影响区域LST中扮演着关键角色。

RB指用于住房的地块，包括住宅建筑、公寓、别墅以及配套设施如学校、社区卫生站和小型商业服务。人口密度较高的居住区通常优先考虑舒适性和便利性，注重绿地和公共服务以提升居民生活质量。PAB包括用于政府办公、学校、医院、文化设施和公园的地块。PABs通常位于城市核心或其他交通便利区域，旨在服务公众。CBSB指用于商业活动的地块，包括办公、金融、酒店、娱乐和餐饮。CBSBs通常位于中央商务区或交通枢纽，具有高建筑密度和开发强度，驱动城市经济增长。WSBs指定用于货物的储存、运输和分发，包括仓库、物流中心和货运站。通常位于城市外围或靠近港口和铁路等交通枢纽，WSBs具有低建筑高度和密度，但拥有大面积的不可渗透表面，加剧了热量保持和释放，助长了UHI效应。

基于中国国土空间规划分类体系（定义了24个一级土地利用类别），本研究选择了四种代表性UFZs——RB、PAB、CBSB和WSB进行分析。使用国家国土空间规划图和实地调查验证了每个地块的实际土地利用状况。为确保数据完整性和空间代表性以进行可靠的微尺度热环境评估，仅纳入了面积大于0.9公顷的地块，总计2537个地块：994个RBs、632个PABs、812个CBSBs和99个WSBs。地块大小范围0.9至88.13公顷（平均2.04公顷）。这些地块作为后续LST分析及其对UHI效应贡献评估的空间单元。

2.4 LST反演

采用辐射传输方程反演LST值，该方法在LST测量中已证明具有高精度。反演过程包括三个主要阶段：首先，使用校准系数将热红外波段的数字数值（DN值）转换为辐射亮度值；接着，计算归一化植被指数（NDVI）、植被覆盖度（Fv）和地表比辐射率（ε）以表征地表特性；最后，通过结合亮温与地表比辐射率（ε）推导出LST值。该方法提高了LST精度，并为研究城市热环境提供了稳健基础。

使用Landsat 8 TIRS第10波段评估了每个场景的温度变异。在大气层顶测量的热红外辐射B_i(T_i)通过特定方程计算，其中L_λ是TIRS传感器从地表接收的热辐射亮度；ε是地表比辐射率，使用NDVI值计算；L↓、L↑和τ分别是下行辐射、上行辐射和大气透射率，从NASA的大气校正计算器获取。T_s是地表温度（开尔文）；B(T_s)是黑体辐射强度，通过普朗克定律计算。对于Landsat 8 TIRS band 10，常数K1和K2分别设置为774.89 W/(m^?2·sr·μm)和1321.08 K。

2.5 不同UFZs对LST的影响

为探究不同UFZs对LST的跨季节影响，应用分布指数（DI）评估每种土地类型在高温区（HTZs）的主导作用。该方法将LST数据分为温度等级，并计算每种土地类型在HTZs内的比例以识别那些显著影响热环境的类型。识别HTZs的高温阈值采用标准差法确定，临界值定义为平均LST加0.5倍标准差。统计分析显示，该阈值有效捕捉了高温区的空间格局并与现场条件吻合良好。DI计算公式中，S_hi和S_h分别是第i种土地类型内HTZs的总面积和研究区HTLs的总面积；S_i和S分别是第i种土地类型的总面积和整个研究区域的面积。DI大于1表明该UFZ内的HTZ面积高于整体平均水平，暗示该UFZ中HTZs在统计上显著过度表征。

2.6 自然与人为影响因子的提取

基于现有文献，选择了18个LST的潜在驱动因子，分为自然和人为因素。自然因子包括影响局部温度模式的地理和环境特征，含DEM、距海岸线距离（DTC）以及X和Y坐标。DEM反映地形变异，较高海拔区域因较冷空气和减少的太阳辐射吸收通常经历较低温度，而低洼地区倾向于呈现较高温度 due to heat trapping。DTC反映了与海岸的距离，沿海区域因大型水体的热缓冲效应通常具有较温和的温度。X和Y坐标用作位置因子表示地块的空间位置，X和Y分别对应东西和南北方向。在厦门岛，Y坐标反映了从面向台湾海峡的南部海岸线到与集美区隔海相望的北侧的南北朝向。岛屿西部以老城区和中心城区为主，特点是高度城市化和人口密度，而东部包括五缘湾区域、环岛路区域和几个新开发区域。东西方向在土地利用功能和空间格局上表现出 distinct 特征，X坐标用于指示岛屿上的这种东西分布。

人为诱导因子主要包括三大类：城市化指标、土地覆盖类型和地块特征。城市化指标包括景观指数、地块特征、建筑相关因子和人类活动强度指标。其中，土地覆盖类型中草地（GR）、森林（FO）、建成区（BU）、未利用地（UL）、水体（WA）和耕地（CU）的比例组成直接影响地表热保持、辐射平衡和热交换效率。关于地块特征，地块面积（BA）和地块周长（BP）是表征土地地块空间配置的关键参数。BA反映了热容量分布的空间尺度，较大面积通常导致增加的热环境异质性，而BP指示了边缘效应的强度，复杂的边界形态可以增强与周围环境的热交换。

景观指数，包括蔓延度指数（CONTAG）和香农多样性指数（SHDI），有效捕捉了人类活动对城市景观结构的影响。CONTAG测量不同景观单元之间的连通程度，反映了城市发展、土地利用规划和BD如何塑造景观的空间连续性。SHDI量化了土地利用类型的多样性，从而揭示了人类活动对土地覆盖组成和景观配置的影响。较高的植被覆盖和较大的土地利用异质性通过增强遮荫、蒸散和地表冷却效应有助于缓解城市热量。此外，SHDI突出了城市景观的空间异质性，提供了关于建成区、植被和其他土地利用类别镶嵌如何共同塑造局部热环境的见解。

对于建筑相关因子，容积率（FAR，定义为总建筑面积除以地块面积）和BD（计算为建筑足迹面积除以地块面积），作为城市化强度的核心指标，共同调节城市冠层的热力学属性。FAR通过单位面积的建筑体积决定了垂直储热能力，直接影响UHI的三维分布特征。BD反映了城市发展和建成环境的强度，影响UHI效应、空气流通和能源消耗。

对于人类活动强度指标，夜间灯光强度（NTL）通过辐射值精确量化人为热源排放，其空间模式有效代表了城市经济活动密度。PD反映了人口分布和人类活动的集中程度，受城市化和人口迁移的影响。它直接影响住房、基础设施和公共服务的需求，从而影响土地利用模式和开发强度。

通过多尺度和多维度的相互作用，这些驱动因子共同塑造了LST的时空分异模式，它们的相对影响根据气候背景、城市发展阶段和空间异质性动态变化。

2.7 季节性LST的驱动因子

为识别驱动季节性LST变异的主要因子，使用SPSS Statistics 21.0进行了Pearson相关分析，以检验LST与18个选定驱动因子之间的关系。该分析用于初步筛选影响LST的最显著变量，为后续回归分析提供基础。选择Pearson相关是因为它提供了线性关联的直接度量，并通过识别与LST有显著双变量关系的变量有助于减少噪声。然后应用了多元逐步回归分析，以LST为因变量，18个驱动因子为自变量。选择逐步回归是因为它能有效解决多重共线性并突出最重要的预测因子，从而确保模型稳定性和可解释性。该方法通过基于统计显著性添加或移除变量来优化模型，从而避免过拟合和冗余。p值小于0.05的变量被纳入模型，而p值大于0.10的变量被排除。

为提高回归分析的可信度，进行了多重共线性检验。使用方差膨胀因子（VIF）作为诊断指标，阈值VIF <5以防止自变量间高度相关对模型稳健性的影响。此外，检查了容差（tolerance = 1/VIF）；容差值低于0.2表明可能存在严重多重共线性。因此，仅保留VIF <5的变量以确保模型稳定性。

使用标准化回归系数（β值）评估了每个因子的贡献。使用调整后R²评估模型的拟合优度，并使用Kolmogorov-Smirnov（K-S）正态性检验和Levene's方差齐性检验进行残差诊断以验证回归假设的有效性。考虑到RB、PAB、CBSB和WSB在不同季节具有不同的吸热和放热模式，分别对春、夏、秋、冬进行了回归分析，以识别每个季节的主要LST驱动因子。该方法提供了对季节性LST变异的更准确理解，并为管理城市热环境提供了科学支持。

3 结果

3.1 LST的季节性变异

LST在四个季节中表现出相当大的变异。春季，LST范围21.38°C至54.11°C，一些区域温度接近夏季高点，表明 substantial 季节性波动。夏季显示出LST的最大变异，范围29.58°C至54.51°C，使其成为一年中最热的季节，具有明显的高温效应。秋季，LST范围24.89°C至47.05°C，而冬季记录了最低的LST值，范围17.65°C至34.34°C。LST的季节性趋势与典型气候模式一致，夏季值最高，冬季最低。春季和秋季观察到 substantial 波动，反映了热量积累和释放的复杂过程。

3.2 不同UFZs对LST的季节性影响

UFZs与LST之间的关系图突出了季节性变异和不同UFZ类别间平均地表温度的差异。RB的温度季节性变化，夏季峰值40.99°C，冬季降至22.55°C。PAB呈现类似的温度模式，夏季达40.52°C，冬季22.83°C。CBSB夏季温度（41.84°C）高于冬季（23.09°C），反映了商业活动的热影响。WSB全年记录最高温度，夏季达44.13°C，冬季降至25.15°C。这些 elevated 温度表明WSBs由于其结构特征和低植被水平具有更大的热量保持能力。总体而言，所有UFZs显示夏季温度最高，冬季最低，与季节性趋势一致。WSBs以 consistently 较高温度突出，强调了其强大的吸热和保温能力。

四个UFZs在四个季节的DI值图展示了 notable 季节性差异。对于RBs，春、秋、冬季的DI值均低于1，这表明对HTZs的贡献有限，特别是在冬季，DI降至最低值（0.5250），反映了非常弱的UHI效应。夏季，DI略微增加至1.0431，表明RBs对HTZs有 modest 贡献和温和的UHI效应。PABs的DI值在季节间范围0.9543至1.2073，反映了对HTZs相对稳定的贡献，季节性变异最小。CBSBs在所有季节保持DI值 above 1，夏季峰值1.4391，表明此期间对HTZs的贡献更强。尽管冬季DI下降，但仍 above 1，这表明CBSBs继续贡献于UHI效应， albeit 程度较轻。WSBs在所有季节 consistently 具有大于2的DI值，超过了其他UFZs。冬季，DI峰值3.2579，表明仓储用地在冬季月份 particularly 强烈的UHI效应。

3.3 自然与人为驱动因子与季节性LST的相关性

四个UFZs的LST与各种自然和人为影响因子之间的关系在不同季节有所变化。基于相关分析，自然因子中，DEM与RB、PAB和WSB的LST显示出 distinct 负相关，表明较高海拔对应较低地表温度。DTC与某些UFZs（RB和PAB）的LST相关性呈现季节性变异。Y坐标通常与所有UFZs和季节的LST呈现 clear 正相关。人为影响因子中，GR和FO面积与LST负相关，在春季和夏季观察到更强的相关性。BU与LST呈现 clear 正相关，特别是在RB和WSB中，相关性在春季和夏季更为明显。BD与RBs中的LST正相关。关于景观格局指数，CONTAG和SHDI均与LST呈现 distinct 负相关，这一趋势在RB和WSB中尤为明显。NTL与RB、PAB和CBSB中的LST正相关，而PD与所有UFZs的LST正相关。NTL和PD均呈现季节性变异，在春季和夏季相关性更强。

3.4 不同UFZs季节性LST的驱动力分析

逐步回归模型表明，在春季和夏季，自然和人为因子显著影响了不同UFZs的LST。这种解释力的季节性模式进一步通过四个UFZs在所有四个季节的R²值图展示。对于RB，春季和夏季的R²值分别为0.643和0.638。对于WSB，相应值为0.610和0.607，这些结果突出了这两个季节LST模型的高解释力。在秋季和冬季，不同UFZs的LST驱动因子表现出更复杂的变化，尤其是在冬季，模型的解释力显著下降。秋季，RB、PAB和CBSB的R²值分别为0.488、0.233和0.319，冬季分别降至0.368、0.217和0.219。这些结果表明，随着温度降低，RB、PAB和CBSB中的LST受到更复杂或较不一致的因子影响，降低了模型的解释力。相比之下，WSB在秋季和冬季保持了相对较高的R²值（分别为0.599和0.456），表明这些区域在寒冷月份的LST变化仍然相对可预测。这些发现表明，基于季节条件选择合适的驱动因子可以更有效地捕捉LST变异。这种方法也为理解城市环境中季节性热动力学背后的机制提供了见解。

RB的季节性LST主要受自然因子Y坐标的影响，其显示正相关，表明随着地理位置向北延伸，地表温度增加。人为因子中，CONTAG、FAR、BD和PD demonstrated 对RB LST的影响。高CONTAG值反映了土地覆盖类型更连续的分布，这有助于缓解LST增加。FAR与LST负相关，而BD显示积极影响，较高BD导致更强的热效应。PD在春季和夏季显著影响LST，秋季和冬季影响较弱。

对于PAB，LST在所有季节显著受Y坐标和PD的影响。PAB区域通常位于城市中心，由于多样化的公共服务集中而呈现高人口密度。因此，高PD导致 intensified 人类活动、增加的能源需求和局部化热量积累。这些因子进一步加剧了UHI效应。

CBSB区域集中在城市中心，具有较高BD，能源消耗受自然和人为因子共同影响。Y坐标的效应对CBSB显著，而SHDI、FAR、BD和PD是关键驱动因子。高SHDI指示多样化的土地利用，有助于降低LST，而高FAR与更多促进空气流通并降低地表温度的高层建筑相关。然而，BD与LST的关系因季节而异。BD与LST正相关，因为密集建筑通常减少绿地并加剧UHI效应。在春季和夏季，建筑附着的冷却设备的广泛使用导致增加的能源消耗和人为热排放，进一步抬升LST。

WSB土地受多个因子影响， particularly 与秋季和冬季的Y坐标正相关。WSBs通常位于海岛城市外围，具有低BD和有限的绿化覆盖。FAR和BD对LST的影响相对较弱。在夏季和秋季，SHDI与LST呈现 distinct 负相关，表明较高的景观多样性与较低LST相关，有助于缓解温度升高。WSB的LST在春、夏、秋季显著受PD影响，尽管冬季此影响减弱。

冬季，所有四个UFZs均观察到R²值的 notable 下降，表明LST驱动因子的复杂性增加。这种减少可能归因于波动的气象条件（如太阳辐射、风速和湿度）、厦门海岛背景导致的增强的海陆风环流以及缺乏集中供暖，这导致更分散的人为热源。此外，人类活动模式的季节性变化——如流动性和户外存在的减少——进一步促成了冬季LST的空间变异性，从而降低了模型稳定性。

3.5 不同UFZs间LST驱动因子的季节性分异

在RB中，春季主要驱动因子是Y坐标（18.67%）、FAR（16.21%）、BD（14.03%）和PD（11.18%），反映了空间位置、建筑形态和人类活动对LST的综合影响。夏季模式保持一致，Y坐标（12.11%）、GR（12.17%）、FO（11.71%）、BD（14.00%）、FAR（14.86%）和PD（13.66%）贡献显著，表明绿化、人口和形态对热条件的协同效应。在秋季和冬季，城市形态成为主导影响：FAR（22.68%和29.64%）、BD（20.22%和25.40%）、UL（10.23%和13.67%）和Y坐标（10.58%和12.23%） consistently 扮演领导角色，表明开发强度在凉爽月份主导季节性热动力学。

在PAB中，春季LST主要由Y坐标（40.27%）和PD（23.19%）驱动，GR（22.07%）和BP（14.46%）也扮演重要角色。夏季，Y坐标（34.93%）、PD（38.81%）和BU（26.27%）主导，突出了人为强度和建设的热影响。秋季驱动结构变得更复杂，Y坐标（33.45%）、DTC（25.27%）、FAR（22.68%）和UL（20.76%）作为关键变量。冬季，Y坐标（35.57%）、DTC（23.58%）和CU（23.45%）主导，CONTAG（17.39%）也扮演重要角色，强调了景观连通性在冷季热调节中日益增长的重要性。 Notably，FAR和BD在所有季节对PAB的影响极小，表明与其他地块类型不同的热响应。

在CBSB中，季节性驱动因子明显不同。春季，LST由Y坐标（28.65%）、PD（19.99%）、BD（10.36%）和SHDI（16.21%）塑造。夏季，Y坐标（20.28%）、PD（26.36%）、SHDI（14.36%）和FAR（15.17%）共同影响LST，强调了位置、强度和景观结构的相互作用。秋季，主要贡献者包括FAR（26.07%）、BD（16.01%）、Y坐标（26.51%）和X坐标（18.33%）。冬季，主导驱动因子是Y坐标（27.61%）、FAR（28.76%）、BD（15.93%）和SHDI（27.70%），表明建筑形态和景观多样性在寒冷季节强烈调节热条件。

在WSB中，驱动结构相对简单且季节性集中，主要受PD和形态配置影响。春季，CONTAG（38.77%）和PD（61.23%）主导。夏季，SHDI（43.20%）和PD（56.80%）共同塑造LST，而秋季，Y坐标（29.53%）、SHDI（40.09%）和PD（30.38%）共享重要性。 Notably，冬季，Y坐标（100%）成为唯一主导因子，揭示了其在低温条件下对LST的压倒性控制。

总体而言，不同地块类型表现出多样的季节性热响应。RB和CBSB显示出复杂的多因子模式，特别是在夏季和冬季，BD和FAR具有相当大的影响。相比之下，PAB和WSB中的LST变异主要由有限数量的关键因子驱动，导致相对简单和单一的驱动结构。

4 讨论

4.1 不同UFZs间LST特征的比较分析

在考察四个UFZs的LST季节性动态时，所有都呈现出一致趋势，夏季峰值，冬季最低，反映了普遍气候模式。然而，UFZs间LST幅度的差异突出了土地利用功能性、地表材料特性和植被覆盖的影响。总体而言，夏季在所有UFZs中表现出最高的LST值，表明此季节最明显的UHI效应，而冬季呈现最低。

全年，HTZs主要集中