原名：Statistical estimation of next-day nighttime surface urban heat islands
译名：次日夜间地表城市热岛效应的统计估算
期刊：Journal of Photogrammetry and Remote Sensing (IF=11.774)
发表时间：2021.06
DOI：10.1016/j.isprsjprs.2021.04.009
1.研究背景
对城市热岛(UHI)的研究可分为冠层内城市热岛（canopy layer UHI，CUHI）和表层城市热岛（surface UHI，SUHI）两大类。与CUHI相比，SUHI具有更大的时空变异性，难以用气候模型或基于点的测量来表示。在SUHI建模研究中，SUHI相关因素的未来状态难以估计，因此对未来SUHI，尤其是短期SUHI的估计相对困难。
最近的的研究表明，SUHI 的短期变化（尤其是夜间）主要受天气条件变化的影响。由于天气预报技术的进步，一些有助于短期夜间SUHI的关键气象变量的次日值可以高精度预测。这显着提高了将这些变量纳入估计量的前景，并为估计次日夜间 SUHI 奠定了基础。
2.研究内容
2.1 研究区
选择中国大陆分布在六个不同气候带的59 个城市。选择位于六个气候带的六个特大城市：哈尔滨（HRB）、西安（XA）、拉萨（LS）、南京（NJ）、昆明（KM）和南宁（NN），进一步展示估计的逐像素 LST 结果。每个城市的城乡划分是根据MODIS土地覆盖产品。
图1 研究区域内城市分布，红点代表59个城市位置，点的大小表示其2012年的年平均夜间 SUHI 强度SUHII
2.2数据
使用2012年MODIS的地表温度、土地覆盖、归一化植被指数 (NDVI)、气溶胶光学深度 (AOD) 和反照率等产品。
表1本研究使用的卫星和现场数据的信息
现场测量值包括来自所选城市449 个气象站的每日平均地表气温 (SAT)、相对湿度、风速和累积降水量。每日累计降水量对应于当地时间20:00至次日20:00的整个昼夜周期内的降水总量。
2.3方法
先对整体 SUHI 强度（即SUHII）及其空间模式（即逐像素LST）进行量化，再选择在日尺度上导致夜间 SUHI 变化的各种因素，然后将其合并到SVR模型中来估计每个城市的次日 SUHI，最后量化其贡献。
使用高斯模型表征SUHI，将农村 LSTs 拟合到平面中，提取SUHI特征作为城市和拟合的农村LST之间的差异，将提取的SUHI特征拟合到高斯曲面。
图2 西安不同时间尺度的SUHI强度动态，a为三种尺度上的 SUHII ，b和c分别为ΔImid和ΔId的计算
SUHI变化可以分为中尺度年内和日间SUHI 变化，应分别将两种尺度的影响因素用作估计量。选择了十个因素，如表2所示。前四个因素与中尺度SUHI( λmid )有关，而后六个与日间SUHI (Δλd )相关。为了估计第二天的SUHI，应将十个因素第二天状态的预测用作估计量。
表2 次日SUHI输入估计量的定义
先将所有输入估计量归一化，再使用SVR 模型导出SUHI和相关变量之间的函数，选择径向基函数 (RBF) 作为核函数。对于每个城市内的次日 SUHII ( Id+1 )，随机抽取每日结果的20% 作为验证样本，计算平均绝对误差(MAE)和平均绝对百分比误差(MAPE)并重复五次取平均。对于基于高斯的LST (TG_d+1 ) 估计，每次随机选择一天的LST图像进行验证。
表3 选择验证和训练样本的策略
除了评估基于 SVR 的模型的整体性能外，还使用与模型无关的基于排列的方法，进一步量化了每个或一组特定估计器对整体估计性能的贡献。
图3 本研究的框架
3.研究结果
3.1 SUHII 的准确性
结果表明估计精度较高，所选城市的平均MAE为0.67 K，SUHII预测值与观察到的SUHII之间的R 2为0.60。其中90%以上的城市MAE小于1.0K，MAPE不超过25%。
图4 所选城市次日SUHII 的估计表现：(a) MAE (K)分布，(b)次日SUHII 估计值和观察值的关系，颜色代表绝对误差，(c) MAE箱线图，(d) MAPE直方图
结果表明，SUHII估计的准确性存在纬度差异，北方城市的MAE通常大于南方城市。位于WT或东部MT区域的城市往往出现较高的MAE，而位于MS和SS区域的城市的误差相对较低。这种估计性能的空间模式由日间SUHII（Δ I d）调节，即估计次日SUHII的误差主要来自对其日间成分的估计，这表明日间SUHII的可变性通常比中尺度更大，更难估计。先前研究表明，日间SUHII受多种因素影响，属于β Δd的变量只能捕获一部分日间SUHII，属于β mid的变量更能代表中尺度SUHII。
图5 a：不同生物气候带内次日SUHIIs的估计性能（MAE），b：MAE与ΔI d年均绝对值的关系
图6 a：年内 SUHII 变化（Δ I a），b：日间SUHII 变化（Δ I d）年平均绝对值的比较，有黑圈的点表示 Δ I d的年平均绝对值高于Δ I a的年平均绝对值
3.2基于高斯预测LST的准确性
近80%的城市MAE小于2.0 K，对六个特大城市的详细评估表明，所提出的方法能够以可接受的精度估算次日地表温度。
图7 六个特大城市基于高斯的LST估计精度，红线表示参照真实次日 LST 观测值（T G_d+1）的输入的先前 LST（T G_pre）的误差直方图，蓝线表示参照真实次日 LST观测值（T G_d+1）估计的次日LST误差直方图
图8 第一行：在西安随机选择五天的输入前LST，第二行：估计的次日LST，第三行：实际LST，蓝线表示市区边界，绿色椭圆表示高斯估计的SUHI椭圆
结果表明SUHI 预测函数通常可以捕获日间LST的高波动，且大多数情况下，所提出的方法能够捕获 LST 图像的空间模式，估计的LST基于高斯的SUHI 椭圆在大多数日子具有与参考 LST 图像相似的形状和方向。
3.3 各预测量对 SUHII 预测的影响
分析表明，RHd+1是最重要的预测量，SATd+1和WDSd+1也对次日SUHII有很大影响，三者对次日SUHII预测有显着贡献。属于βΔd 的其他三个量（DTRr_pre、AODpre和PREPd+1）影响较小。
图9 每个预测量 (a) 和两组预测量 (b) 对次日 SUHII 预测的贡献，绿色框表示属于β Δd的估计量的贡献，橙色框表示属于β mid的估计量的贡献
在与中尺度SUHI ( β mid )相关的估计量中， T r_pre和DL d+1的影响最大。与土地覆盖类型相关的两个估计量（ NDVI u-r_pre和ALB pre ）的影响相对较低。尽管每个单独量的贡献似乎不是特别高，但其综合贡献是巨大的，近78% 的城市β Δd的影响高于β mid。
图10 a：中尺度SUHI相关估计量（β mid），b：日间SUHI 相关估计量（β Δd）对次日 SUHII 预测的影响，有黑圈的点表示β Δd高于β mid
3.4 前期持续时间敏感性分析
本研究进行了敏感性分析，以调查前一时期持续时间对SUHII估计以及SUHII估计性能的贡献的影响，但没有基于ALB pre和NDVI u-r_pre分析，因为这两个量时间变异性较低。
图11 基于前期定义的SUHII预测的敏感性分析结果， (b) 中的红色箱线图表示本研究中的估计性能
结果表明，尽管持续时间确实影响了一些估计量的贡献，但不会显着扭曲估计性能，平均 MAE 随持续时间变化保持稳定。
4.研究总结
在多个时间尺度上估计 SUHI 动态是提高对城市表面气候的理解的重点。以往研究很少估计未来SUHI，尤其是在每日尺度上。为了解决这一差距，本研究结合了气象和地面因素，使用 SVR模型来预测第二天夜间的SUHI。
本研究填补了 SUHI 估算中的知识空白，因此有助于支持适应和缓解 SUHI。
5.引用格式
LAI J, ZHAN W, QUAN J, et al. Statistical estimation of next-day nighttime surface urban heat islands [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 176(182-95.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
