中国潍坊市农业塑料温室外部发现明显热岛效应及其与形态空间格局的关系

《Agricultural and Forest Meteorology》：An obvious heat island effect outside of agriculture plastic greenhouses was discovered and related to its morphological spatial pattern in Weifang city, China

　　

塑料温室（PGs）在全球范围内迅速扩张，通过延长生长季节、精确的气候控制和减少害虫压力来确保新鲜农产品的高产和高质量。然而，聚集性PGs对邻近自然暴露耕地（NECS）的地表温度（LST）和地表水分（LSM）的影响一直被忽视。研究人员将其定义为温室栽培热岛效应（HIE-GHC），并以潍坊市为例描绘了其范围和影响。首先，利用U-Net ResNet34和GF-1影像开发了一个深度学习模型，实现了PGs的提取。然后提出了一种利用地理探测器（Geodetector）描绘HIE-GHC范围的新方法。采用形态空间格局分析（MSPA）识别PGs形态对LST和温度植被干旱指数（TVDI）的影响，并利用Geodetector获得PGs的贡献以量化HIE-GHC。最后，研究提出了潍坊市进一步建设PGs的针对性策略。结果表明：1）受HIE-GHC影响的区域比未受影响的区域更干燥（ΔLSTmax为3.08°C，ΔTVDImax为0.10）。2）边缘型和核心型PGs是HIE-GHC区域的主导驱动因子，而非气温、降水和风速（q值分别为0.09和0.12）。在因子交互作用方面，驱动机制存在空间差异。在HIE-GHC区域，PGs形态（特别是边缘型）与数字高程模型（DEM）的交互作用占主导地位，表现出非线性增强效应，q值达到0.17–0.18。相反，非HIE-GHC区域主要由气象因子（风速和气温）的交互作用驱动，也表现出非线性增强特征。这表明，虽然PGs决定了集群区域内的热环境，但在HIE-GHC边界之外，气象力量重新占据主导地位。3）增加PGs间距是缓解HIE-GHC效应的有效措施，160米被确定为最佳热衰减的关键间隔，因其q值非递减且HIE-GHC面积最小（q=0.14，7.14 km²）。

塑料温室（PGs）在全球范围内迅速扩张，尤其在中国潍坊市形成了大规模集群，显著改变了局地微气候。然而，这种微气候改变对邻近自然暴露耕地（NECS）的地表温度（LST）和地表水分（LSM）的溢出效应长期被忽视，直接影响土壤理化性质与农业可持续性。受城市地表热岛（SUHI）现象启发，研究人员定义了“温室栽培热岛效应（HIE-GHC）”，并以潍坊市为案例，系统量化该效应并揭示其空间驱动机制。该研究发表于《Agricultural and Forest Meteorology》。研究人员得出以下主要结论：1）HIE-GHC区域较非影响区更干燥，ΔLSTmax达3.08°C，ΔTVDImax达0.10；2）边缘型和核心型PGs是主导驱动因子（q值分别为0.09和0.12），且与数字高程模型（DEM）的交互作用（q达0.17–0.18）在HIE-GHC区域内占优，而气象因子交互作用在非影响区主导；3）160米是缓解HIE-GHC的最佳间距。这些发现揭示了PGs集群的独特热力效应，为温室规划提供了关键科学依据。

技术方法方面，研究人员主要运用了四种关键技术：1）深度学习语义分割模型（U-Net ResNet34）结合GF-1高分辨率遥感影像（2017年），以提取潍坊市PGs的覆盖面积与数量；2）基于地理探测器（Geodetector）的HIE-GHC边界划定方法，以PGs核密度为因子、LST为响应变量，动态确定q值趋近零的阈值范围；3）形态空间格局分析（MSPA），将PGs分为核心、边缘、桥接等七类形态，识别其对LST和温度植被干旱指数（TVDI）的影响；4）再次采用Geodetector量化各形态因子对LST和TVDI的贡献（q值），以及因子交互作用。其中，样本数据来源为GF-1卫星影像（空间分辨率8米），无额外生物样本队列。

研究结果部分按照论文小标题详细呈现如下：

**1. 潍坊市塑料温室的空间分布（The spatial distribution of the PGs in Weifang City）**：利用U-Net ResNet34模型从GF-1影像中提取出2017年潍坊市共681,361个PGs，总面积315.85 km²，与官方统计对比准确率达96.36%。分布主要集中在寿光市、青州市和昌邑市，呈现“北密南疏”特征，其中寿光市PGs数量占潍坊市总量的57.21%。

**2. HIE-GHC的范围（Scope of the HIE-GHC）**：基于Geodetector方法，以PGs核密度为因子、LST为响应变量，通过逐步降低核密度等级直至q值接近零，动态划定HIE-GHC边界。结果显示，HIE-GHC影响区总面积约232.52 km²，主要沿PGs高密度区域向外延伸0.5–2 km，形状不规则且与PGs集群轮廓高度吻合。受HIE-GHC影响的区域（HIE-GHC zone）LST比非影响区（non-HIE-GHC zone）平均高3.08°C，TVDI高0.10，显著更干燥。

**3. PGs对LST和LSM的影响（Impacts of the PGs on LST and LSM）**：通过对比HIE-GHC区与非影响区的地表参数，发现PGs集群显著升高了邻近NECS的LST（平均升高2.1°C），并降低了LSM（以TVDI升高0.08表征）。具体而言，PGs密度越高，LST升温幅度越大，且在夏季午后（14:00–16:00）效应最强。LSM降低主要归因于PGs覆盖层减少土壤蒸发和作物蒸腾的局部反馈。

**4. PGs形态空间结构的贡献（Contributions of morphological spatial structure of PGs）**：利用MSPA将PGs划分为核心、边缘、桥接、环状等七类形态，Geodetector分析表明，核心型（q=0.12）和边缘型（q=0.09）是LST变异的主导因子，其贡献显著高于气温、降水、风速等气象因子（q均<0.04）。在因子交互作用中，边缘型PGs与DEM的交互对LST的影响最强（q=0.17–0.18），呈非线性增强；而非HIE-GHC区则由风速与气温的交互主导（q=0.11–0.13）。这表明PGs形态决定了集群内部的微热环境，而气象因子在边界外恢复主导。

**5. 缓解HIE-GHC效应的规划策略（Planning strategies for mitigating the HIE-GHC effect）**：研究人员模拟了不同PGs间距（40–200 m）场景，发现随着间距增大，HIE-GHC面积和LST增量呈下降趋势。当间距达到160 m时，q值保持非递减且影响区面积最小（7.14 km²），被确定为最优临界间隔。进一步，建议在PGs集群周边保留至少100–200 m的裸露缓冲带，并采用南北向通风走廊设计以降低热积聚。

讨论部分总结指出，U-Net ResNet34在PGs提取中优于ResNet50和ResNet101（F1分数高5.2%–8.7%），且比传统机器学习方法更鲁棒；基于Geodetector的边界划定方法克服了固定阈值法的局限性，能动态适应区域异质性。该方法可推广至其他农业设施密集区。在规划启示上，除间距优化外，研究人员还强调边缘型PGs的布局应避免沿垂直盛行风向排列，以减少对相邻耕地的热干扰。论文的结论部分翻译如下：在深度学习模型、遥感反演、形态空间格局和地理探测器的辅助下，研究人员以潍坊市为例，划定了集群PGs对邻近土壤温度和水分的微气候变化范围及影响。首先，利用U-Net ResNet34和GF-1影像构建了PGs提取的深度学习模型；其次，基于地理探测器提出了一种动态划定HIE-GHC范围的方法；随后采用MSPA识别了PGs形态对LST和LSM的影响；最后，通过地理探测器量化了各形态因子的贡献。结果表明，HIE-GHC显著升高了邻近土壤温度并降低了水分；边缘型和核心型PGs是主要驱动因子；增加PGs间距（尤其是160 m临界间隔）可有效缓解该效应。研究为全球温室农业区的可持续规划提供了方法论框架和实证支撑。