全 文 ：基于 ＧＷＲ模型的土地覆盖与地表温度的关系
———以京津唐城市群为例
王　 佳１，２　 钱雨果１　 韩立建１　 周伟奇１∗
（ １中国科学院生态环境研究中心城市与区域生态国家重点实验室， 北京 １０００８５； ２中国科学院大学， 北京 １０００４９）
摘　 要　 基于 Ｌａｎｄｓａｔ ＴＭ 土地覆盖分类数据和 ＭＯＤＩＳ 地表温度数据，探讨京津唐城市群不
同土地覆盖的地表温度（７日），并采用常用的普通线性回归（ＯＬＳ）和地理加权回归（ＧＷＲ）方
法分别拟合土地覆盖比例与地表温度的关系．结果表明： 研究区不同土地覆盖类型的地表温
度差异明显，人工表面（４０．９２ ±３．４９ ℃）和耕地（３９．７４ ±３．７４ ℃）的平均温度较高，林地（３４．４３ ±
４．１６ ℃）和湿地（３５．４２ ±４．３３ ℃）的平均温度较低；土地覆盖比例与地表温度显著相关，且两
者之间的定量关系存在空间非稳定性，地理位置以及周围环境影响的差异是空间非稳定性产
生的主要原因；ＧＷＲ模型的拟合结果优于 ＯＬＳ模型（ＲＧＷＲ２＞ＲＯＬＳ ２），并且 ＧＷＲ模型可以量化
土地覆盖比例与地表温度两者关系的空间非稳定性特征．
关键词　 京津唐城市群； 土地覆盖； 地表温度； 地理加权回归； 空间非平稳性
Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ ｂａｓｅｄ ｏｎ ＧＷＲ ｍｏｄｅｌ：
Ａ ｃａｓｅ ｏｆ Ｂｅｉｊｉｎｇ⁃Ｔｉａｎｊｉｎ⁃Ｔａｎｇｓｈａｎ ｕｒｂａｎ ａｇｇｌｏｍｅｒａｔｉｏｎ， Ｃｈｉｎａ． ＷＡＮＧ Ｊｉａ１，２， ＱＩＡＮ Ｙｕ⁃
ｇｕｏ１， ＨＡＮ Ｌｉ⁃ｊｉａｎ１， ＺＨＯＵ Ｗｅｉ⁃ｑｉ１∗ （ １Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｕｒｂａｎ ａｎｄ Ｒｅｇｉｏｎａｌ Ｅｃｏｌｏｇｙ， Ｒｅ⁃
ｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ Ｅｃｏ⁃Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅｓ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １０００８５， Ｃｈｉｎａ；
２Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １０００４９， Ｃｈｉｎａ） ．
Ａｂｓｔｒａｃｔ： Ｗｅ ｕｓｅｄ ｌａｎｄ ｃｏｖｅｒ ｄａｔａ ｄｅｒｉｖｅｄ ｆｒｏｍ Ｌａｎｄｓａｔ ｔｈｅｍａｔｉｃ ｍａｐｐｅｒ （ＴＭ） ａｎｄ ｌａｎｄ ｓｕｒｆａｃｅ
ｔｅｍｐｅｒａｔｕｒｅ （ ＬＳＴ） ｄａｔａ ｆｒｏｍ ｍｏｄｅｒａｔｅ⁃ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｉｎｇ ｓｐｅｃｔｒｏ⁃ｒａｄｉｏｍｅｔｅｒ （ＭＯＤＩＳ） ｓａｔｅｌｌｉｔｅ
ｉｍａｇｅｓ ｔｏ ｓｔｕｄｙ ｔｈｅ ｖａｒｉａｔｉｏｎｓ ｉｎ ＬＳＴ ｉｎ Ｊｕｌｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ ｉｎ Ｂｅｉｊｉｎｇ⁃Ｔｉａｎｊｉｎ⁃Ｔａｎｇｓ⁃
ｈａｎ ｕｒｂａｎ ａｇｇｌｏｍｅｒａｔｉｏｎ． Ｏｒｄｉｎａｒｙ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎｓ （ＯＬＳ） ｍｏｄｅｌｓ ａｎｄ ｇｅｏｇｒａｐｈｉｃａｌｌｙ ｗｅｉｇｈｔｅｄ ｒｅ⁃
ｇｒｅｓｓｉｏｎｓ （ＧＷＲ） ｍｏｄｅｌｓ ｗｅｒｅ ｕｓｅｄ ｔｏ ｉｎｖｅｓｔｉｇａｔｅ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅｔｗｅｅｎ ｔｈｅ ｐｒｏｐｏｒｔｉｏｎｓ ｏｆ ｌａｎｄ
ｃｏｖｅｒ ｔｙｐｅｓ ａｎｄ ＬＳＴ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｇｒｅａｔ ｖａｒｉａｔｉｏｎｓ ｉｎ ＬＳＴ ｏｃｃｕｒｒｅｄ ａｍｏｎｇ ｄｉｆｆｅｒｅｎｔ ｌａｎｄ
ｃｏｖｅｒ ｔｙｐｅｓ． Ｔｈｅ ａｖｅｒａｇｅ ＬＳＴ ｒａｎｇｅｄ ｆｒｏｍ ｈｉｇｈ ｔｏ ｌｏｗ ｉｎ ｔｈｅ ｏｒｄｅｒ ｏｆ ｄｅｖｅｌｏｐｅｄ ｌａｎｄ （４０．９２ ±３．４９
℃）， ｃｕｌｔｉｖａｔｅｄ ｌａｎｄ （３９．７４ ±３．７４ ℃）， ｗｅｔｌａｎｄ （３５．４２ ±４．３３ ℃）， ａｎｄ ｆｏｒｅｓｔｅｄ ｌａｎｄ （３４．４３ ±４．１６
℃）． Ｔｈｅ ｐｒｏｐｏｒｔｉｏｎｓ ｏｆ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ ｗｅｒｅ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｒｅｌａｔｅｄ ｔｏ ＬＳＴ， ｂｕｔ ｗｉｔｈ ｓｐａｔｉａｌ ｎｏｎ⁃ｓｔａ⁃
ｔｉｏｎａｒｉｔｙ． Ｔｈｉｓ ｍｉｇｈｔ ｂｅ ｄｕｅ ｔｏ ｉｎｈｅｒｅｎｔ ｄｉｆｆｅｒｅｎｃｅ ｉｎ ｌａｎｄ ｃｏｖｅｒ ａｃｒｏｓｓ ｌｏｃａｔｉｏｎｓ， ａｎｄ ｔｈｅ ｓｕｒｒｏｕｎｄ⁃
ｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔｓ． ＧＷＲ ｍｏｄｅｌｓ ｈａｄ ｈｉｇｈｅｒ Ｒ２ ｖａｌｕｅｓ， ｃｏｍｐａｒｅｄ ｔｏ ＯＬＳ， ｉｎｄｉｃａｔｉｎｇ ｂｅｔｔｅｒ ｍｏｄｅｌ
ｐｅｒｆｏｒｍａｎｃｅ． Ｉｎ ａｄｄｉｔｉｏｎ， ＧＷＲ ｍｏｄｅｌｓ ｃｏｕｌｄ ｒｅｖｅａｌ ｔｈｅ ｓｐａｔｉａｌ ｎｏｎ⁃ｓｔａｔｉｏｎａｒｉｔｙ ｏｆ ｔｈｅ ｒｅｌａｔｉｏｎｓ ｂｅ⁃
ｔｗｅｅｎ ＬＳＴ ａｎｄ ｔｈｅ ｐｒｏｐｏｒｔｉｏｎｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ．
Ｋｅｙ ｗｏｒｄｓ： Ｂｅｉｊｉｎｇ⁃Ｔｉａｎｊｉｎ⁃Ｔａｎｇｓｈａｎ ｕｒｂａｎ ａｇｇｌｏｍｅｒａｔｉｏｎ； ｌａｎｄ ｃｏｖｅｒ； ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ
（ＬＳＴ）； ｇｅｏｇｒａｐｈｉｃａｌｌｙ ｗｅｉｇｈｔｅｄ ｒｅｇｒｅｓｓｉｏｎ （ＧＷＲ）； ｓｐａｔｉａｌ ｎｏｎ⁃ｓｔａｔｉｏｎａｒｉｔｙ．
本文由国家自然科学基金项目（４１３７１１９７）和全国生态环境十年变化（２０００—２０１０ 年）遥感调查与评估项目（ ＳＴＳＮ⁃１２⁃０１）资助 Ｔｈｉｓ ｗｏｒｋ ｗａｓ
ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ （４１３７１１９７） ａｎｄ ｔｈｅ Ｃｈｉｎａ Ｅｃｏｓｙｓｔｅｍ Ａｓｓｅｓｓｍｅｎｔ ｆｒｏｍ ２０００⁃２０１０ ｂａｓｅｄ ｏｎ ｒｅｍｏｔｅ ｓｅｎ⁃
ｓｉｎｇ （ＳＴＳＮ⁃１２⁃０１） ．
２０１６⁃０１⁃０４ Ｒｅｃｅｉｖｅｄ， ２０１６⁃０３⁃３１ Ａｃｃｅｐｔｅｄ．
∗通讯作者 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ． Ｅ⁃ｍａｉｌ： ｗｚｈｏｕ＠ ｒｃｅｅｓ．ａｃ．ｃｎ
应 用 生 态 学 报　 ２０１６年 ７月　 第 ２７卷　 第 ７期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｊａｅ．ｎｅｔ
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｌ． ２０１６， ２７（７）： ２１２８－２１３６　 　 　 　 　 　 　 　 　 ＤＯＩ： １０．１３２８７ ／ ｊ．１００１－９３３２．２０１６０７．００８
　 　 大规模、快速的城市化进程极大地改变了城市
区域原有的土地覆盖格局，主要表现为人工表面大
量增加、林地和耕地快速消失［１－４］ ．土地覆盖的变化，
改变了生态系统的能量、物质以及信息流动，引起了
一系列的生态环境问题，其中，城市热岛效应就是一
个典型问题［５－７］ ．
城市热岛的早期研究主要是基于气象站的定点
观测，以及气象车的流动监测．搜集的点状和线状数
据虽能很好揭示温度在时间上的变化，却难以刻画
温度在空间上的分布及变化．随着热红外遥感技术
的快速发展，热岛研究进入了新阶段．利用遥感数据
的热红外波段信息，可反演得到空间上连续的地表
温度（ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ，ＬＳＴ），从而可在城市
和区域尺度上研究热环境特征［８］ ．
土地覆盖的变化被认为是导致地表温度变化的
主要因素，众多学者开展了大量相关研究，发现不同
土地覆盖类型的地表温度存在显著差异［９－１３］ ．总体
来说，城市中的林地和水体的温度较低，是城市中的
“冷岛” ［１４－２０］ ．而建设用地的温度较高，增加城市内
的建设用地会加剧城市热岛效应［２１－２２］ ．目前已有的
研究主要通过全局回归模型（如最小二乘法 ｏｒｄｉｎａ⁃
ｒｙ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎｓ，ＯＬＳ）探究土地覆盖比例与地表
温度的关系［１７，２３］ ．尽管这些结果都发现，增加绿地比
例可降低地表温度，增加建设用地比例会导致地温
升高，但不同研究拟合的回归系数却有较大差异．这
表示土地覆盖对地表温度的影响可能存在空间非平
稳性，即在研究区不同的空间位置，土地覆盖的变化
对地表温度的影响程度可能并不一致．而目前这方
面的研究还比较缺乏［２４－２５］ ．地理加权回归模型（ｇｅｏ⁃
ｇｒａｐｈｉｃａｌｌｙ ｗｅｉｇｈｔｅｄ ｒｅｇｒｅｓｓｉｏｎ，ＧＷＲ）是一种有效地
定量研究空间非平稳性的方法［２６－２７］，在其他相关领
域已得到广泛应用［２８－３０］ ．
以往的土地覆盖与地表温度关系研究主要在城
市尺度展开［１４，３１］，对城市群尺度的研究较少［３２］ ．我
国新型城镇化战略明确提出，将以城市群的发展模
式作为我国城市化发展的主体形态［３３］ ．城市集群式
的发展可以促进城市之间物质、能量以及信息的流
通联系［３４］，但同时，也可能带来区域性的生态环境
问题，如区域性的城市热岛问题等．研究城市群尺度
的土地覆盖与地表温度的关系，可以为城市群的热
环境改善提供参考．本研究基于 ＭＯＤＩＳ 地表温度产
品（ＭＯＤ１１ Ａ２）和 Ｌａｎｄｓａｔ ＴＭ 土地覆盖分类数据，
分析京津唐城市群土地覆盖及地表温度的空间格
局，以及土地覆盖比例与地表温度的关系及其空间
非平稳性．
１　 研究地区与研究方法
１􀆰 １　 研究区概况
京津唐城市群包括北京、天津 ２个直辖市，及河
北省唐山等 ７ 个地级市（图 １）．京津唐城市群位于
华北平原东北部，以温带大陆性季风气候为主，四季
分明．其土地面积 １６．９１×１０４ ｋｍ２，占全国总面积的
１．８％．近年来，京津唐城市群城市化进程很快，开发
强度极大，城市建设用地（如人工表面）快速增长，
大量侵占原有林地和耕地．快速的土地覆盖类型变
化加剧了城市热岛效应．以北京市为例，１９６１—２００８
年，北京城区热岛强度上升了 ０．８３ ℃，城市热岛问
题日益突出［３５］ ．因此，该城市群是研究土地覆盖对
地表温度影响的理想区域．
１􀆰 ２　 数据来源与处理
１􀆰 ２􀆰 １土地覆盖分类数据　 本研究以 ２０１０、２００９ 年
Ｌａｎｄｓａｔ５ ＴＭ影像作为土地覆盖分类的基础数据．共
采用 １７ 景 ＴＭ 影像，分别为 １２１ ／ ３２（２０１０⁃０６⁃２３）、
１２１ ／ ３３（２０１０⁃０９⁃１１）、１２２ ／ ３１（２０１０⁃０８⁃０１）、１２２ ／ ３２
（２００９⁃０９⁃１５）、１２２ ／ ３３ （２００９⁃０８⁃３０）、１２２ ／ ３４ （２００９⁃
０８⁃３０）、１２３ ／ ３０（２０１０⁃０８⁃２４）、１２３ ／ ３１（２０１０⁃０８⁃２４）、
１２３ ／ ３２（２０１０⁃０６⁃０５）、１２３ ／ ３３（２００９⁃０９⁃２２）、１２３ ／ ３４
（２０１０⁃０６⁃２１）、１２４ ／ ３１ （２００９⁃０８⁃２８）、１２４ ／ ３２ （２００９⁃
０８⁃１２）、１２４ ／ ３３（２００９⁃０８⁃１２）、１２５ ／ ３１（２０１０⁃０７⁃０５）、
１ ２５ ／ ３２（２０１０⁃０７⁃０５）、１２５ ／ ３３（２００９⁃０７⁃０２） ．该影像
图 １　 京津唐城市群地理位置示意图
Ｆｉｇ．１　 Ｓｋｅｔｃｈ ｍａｐ ｏｆ ｇｅｏｇｒａｐｈｉｃ ｌｏｃａｔｉｏｎ ｏｆ ｔｈｅ Ｂｅｉｊｉｎｇ⁃Ｔｉａｎｊｉｎ⁃
Ｔａｎｇｓｈａｎ ｕｒｂａｎ ａｇｇｌｏｍｅｒａｔｉｏｎ．
９２１２７期　 　 　 　 　 　 　 　 王　 佳等： 基于 ＧＷＲ模型的土地覆盖与地表温度的关系———以京津唐城市群为例　 　 　
有 ７ 个波段，除热红外波段的空间分辨率为 １２０ ｍ
外，其他波段的空间分辨率均为 ３０ ｍ．经过辐射校
正、几何配准、图像拼接等预处理后，通过面向对象
的分类方法对研究区开展了土地覆盖的分类．将研
究区内的土地覆盖划分为 ６ 类，分别是林地、草地、
湿地、耕地、人工表面和其他（图 ２）．其中，林地指以
木本为主的植被群落，包括乔木、灌木等自然、半自
然以及人工管理林地、林园等；草地指以一年或多年
生的草本植被为主的植被群落，包括自然、半自然以
及人工管理养护的草地、草甸等；湿地为河流、湖泊、
沼泽等，包括永久或季节性的水面，自然或人工维护
的水面等；耕地指以收割为目的的人工种植草本植
被，包括水田、旱地等；人工表面主要指人工建造的
陆地表面，主要包括城乡居民点、工矿以及交通等；
其他主要指植被覆盖很小的区域，主要包括稀疏灌
木林、稀疏草地、苔藓 ／地衣、裸土以及裸岩等．基于
Ｇｏｏｇｌｅ Ｅａｒｔｈ对土地覆盖分类进行精度验证，总体分
类精度为 ９６％．
１􀆰 ２􀆰 ２地表温度数据　 本研究采用的地表温度数据
是 ＭＯＤＩＳ地表温度产品（ＭＯＤ１１Ａ２）的 ８ ｄ 合成产
品，合成时段为 ２０１０ 年 ７ 月 ４—１２ 日．该产品空间
分辨率为 １ ｋｍ，地表温度的反演采用劈窗算
法［３６－３７］ ．为覆盖整个京津唐城市群，本研究共选取 ４
景（ｈ２６ｖ０４、 ｈ２６ｖ０５、 ｈ２７ｖ０４ 和 ｈ２７ｖ０５）数据质量
较好的 ＭＯＤＩＳ 数据．利用 ＭＯＤＩＳ Ｒｅｐｒｏｊｅｃｔｉｏｎ Ｔｏｏｌ
（ ＭＲＴ）对４景影像进行投影和拼接处理，并利用如
图 ２　 京津唐城市群土地覆盖类型
Ｆｉｇ．２　 Ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ ｏｆ Ｂｅｉｊｉｎｇ⁃Ｔｉａｎｊｉｎ⁃Ｔａｎｇｓｈａｎ ｕｒｂａｎ ａｇ⁃
ｇｌｏｍｅｒａｔｉｏｎ．
下公式计算地表温度（℃） ［３８］：
Ｔ＝ ０．０２ ＤＮ－２７３．１５ （１）
式中：ＤＮ 为 ＭＯＤ１１Ａ２ 象元值．最终得到京津唐城
市群地表温度为 １６．７１～５３．１１ ℃（图 ３）．
１􀆰 ３　 研究方法
本文以 １ ｋｍ 为间隔，分别获取 １ ｋｍ×１ ｋｍ 到
１０ ｋｍ × １０ ｋｍ 的格网作为研究单元，参考 Ｐｅｎｇ
等［３９］方法最终选择合适的研究单元格网大小为 ３
ｋｍ×３ ｋｍ，分别获取每个研究单元内平均地表温度
以及不同土地覆盖类型比例，并分别利用 ＯＬＳ 和
ＧＷＲ两个回归模型拟合不同土地覆盖比例与地表
温度的关系．比较两种方式计算的回归系数和拟合
优度，以分析不同土地覆盖类型比例与地表温度关
系及其空间非平稳性．
１􀆰 ３􀆰 １普通线性回归模型　 ＯＬＳ 是对被解释变量与
解释变量相互依存关系进行分析的一种常用的统计
学方法，计算公式如下：
ｙｉ ＝ β０ ＋ ∑
ｋ
βｋｘｉｋ ＋ εｉ （１）
式中：ｙｉ为第 ｉ点的因变量值；β０为模型截距；ｘｉｋ为第
ｋ个自变量在第 ｉ点的值；ｋ为自变量记数；βｋ为第 ｋ
个自变量的斜率或者回归系数；εｉ为残差．
ＯＬＳ是非空间的模型，其前提假设：变量在各个
点之间是相互独立的．利用 ＯＬＳ 进行土地覆盖与地
表温度关系分析时，所获得的回归参数是研究区内
的平均拟合，无法反映土地覆盖变化对地表温度的
图 ３　 京津唐城市群 ＭＯＤＩＳ地表温度的分布
Ｆｉｇ．３　 Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｏｆ Ｂｅｉｊｉｎｇ⁃Ｔｉａｎ⁃
ｊｉｎ⁃Ｔａｎｇｓｈａｎ ｕｒｂａｎ ａｇｇｌｏｍｅｒａｔｉｏｎ ｂｙ ＭＯＤ１１Ａ２ ｐｒｏｄｕｃｔ．
０３１２ 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
影响在空间上可能会因为地理环境的变化而不同，
即，两者的关系可能存在空间非稳定性．为此，本文
利用 ＧＷＲ进行进一步分析．
１􀆰 ３􀆰 ２地理加权回归分析　 基于地理学第一定律的
ＧＷＲ模型扩展了传统 ＯＬＳ 模型的框架，将数据的
地理位置加入到回归参数中，并且同时考虑相邻点
的空间权重，允许局部而不是全局的参数估
计［２６， ４０－４１］ ．ＧＷＲ模型计算公式为：
ｙｉ ＝ β０ ｕｉ，ｖｉ( ) ＋ ∑
ｋ
βｋ（ｕｉ，ｖｉ）ｘｉｋ ＋ εｉ （２）
式中：（ｕｉ， ｖｉ）是第 ｉ 点的空间位置；βｋ（ｕｉ， ｖｉ）是连
续函数 βｋ（ ｕ， ｖ）在点（ ｕｉ， ｖｉ）处的值，并且，如果
βｋ（ｕｉ，ｖｉ）在空间上保持不变的话，则 ＧＷＲ 模型退
化为全局 ＯＬＳ模型．βｋ（ｕｉ， ｖｉ）的估计函数如下：
βｋ（ｕｉ，ｖｉ）＝ （ＸＴＷ（ｕｉ，ｖｉ）Ｘ）
－１ＸＴＷ（ｕｉ，ｖｉ）ｙ （３）
式中：Ｗ（ｕｉ， ｖｉ）为距离权重矩阵．是观测点与其他
点之间的距离函数．
Ｗｉｊ ＝ｅｘｐ （－ｄｉｊ ２ ／ ｈ２） （４）
式中：ｈ 为带宽，本文通过 ＡＩＣ 准则确定带宽；ｄｉｊ为
观察点 ｊ与 ｉ之间的距离．带宽之外的权重为 ０．
ＯＬＳ及 ＧＷＲ模型在 ＡｒｃＧＩＳＴＭ １０．１中实现．
２　 结果与分析
２􀆰 １　 京津唐城市群土地覆盖及地表温度的空间
分布
耕地和林地是京津唐城市群区域最主要的土地
覆盖类型，分别占研究区面积的 ４３．３％和 ３６．６％．其
中，耕地主要分布于京津唐城市群东南部、西北部的
平原地区；林地主要分布在东南、西北走向的太行山
地带（图 ２）．人工表面占比为 ８．２％，主要分布在京
津唐城市群东南平原地带，北京、天津等城市区域的
人工表面集中连片分布，同时有大量的小块人工表
面分散在农田生态系统中．草地覆盖占比为 ８．３％，
主要分布于西北部、以及太行山林区边缘．京津唐城
市群湿地面积很少，仅占 ３．３％，研究区湿地集中分
布于天津、唐山等地区．
京津唐城市群地表温度的空间格局与土地覆盖
的空间分布有着密切的关系，高温区多位于建设用
地，低温区多位于林地和湿地（图 ２、图 ３）．整体上
看，地表温度形成东南、西北高温而东北⁃西南带状
低温的空间分布格局：其中，高温区主要集中分布在
东南、西北地区，特别集中于北京、天津、唐山等的城
市主要建成区以及西北耕地集中分布的区域（图
３）．低温区主要集中分布于太行山林区地段．
２􀆰 ２　 不同土地覆盖类型地表温度的差异性
不同土地覆盖类型的地表温度存在差异（表
１），按平均温度由高到低的顺序排列为：人工表面＞
耕地＞草地＞湿地＞林地（“其他”类型占比较小，不
予考虑）．林地、湿地的温度较低，分别为（３４． ４３ ±
４．１６）和（３５．４２ ±４．３３）℃；人工表面和耕地的温度较
高，分别为（４０．９２ ±３．４９）和（３９．７４ ±３．７４）℃；草地
温度略低于人工表面和耕地，为（３８．８７ ±４．７２）℃ ．从
最高温和最低温看，温度最高的是耕地，温度最低的
是林地．
２􀆰 ３　 土地覆盖比例对地表温度的影响
２􀆰 ３􀆰 １普通线性回归模型　 不同土地覆盖类型比例
显著影响地表温度，增加林地和湿地的比例可以显
著降低地表温度，而增加草地、人工表面以及耕地的
比例则会显著提高地表温度 （表 １、２）．林地 （ ｒ ＝
－０．６４，Ｐ＜０．０１）具有显著的降温作用，林地比例与
地表温度的回归系数为－０．０７７，表明林地比例增加
１０％，地表温度下降 ０．７７ ℃ ．湿地的降温能力（回归
系数为 － ０． ０３８， Ｐ ＜ ０． ０１）弱于林地 （回归系数为
－０．０７７，Ｐ＜０．０１） ．相反，耕地（ ｒ＝ ０．５３４，Ｐ＜０．０１）、人
表 １　 不同土地覆盖类型的地表温度
Ｔａｂｌｅ １ 　 Ｌａｎｄｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｌａｎｄ ｃｏｖｅｒ
ｔｙｐｅｓ （℃）
土地覆盖类型
Ｌａｎｄ ｃｏｖｅｒ
ｔｙｐｅ
最高温度
Ｍａｘ
ｔｅｍｐｅｒａｔｕｒｅ
最低温度
Ｍｉｎ
ｔｅｍｐｅｒａｔｕｒｅ
平均温度
Ｍｅａｎ
ｔｅｍｐｅｒａｔｕｒｅ
标准差
ＳＤ
林地
Ｆｏｒｅｓｔ ｌａｎｄ
４８．４９ １６．７１ ３４．４３ ４．１６
草地
Ｇｒａｓｓｌａｎｄ
４９．６３ １８．４７ ３８．８７ ４．７２
湿地
Ｗｅｔｌａｎｄ
５２．０７ ２３．８９ ３５．４２ ４．３３
耕地
Ｃｕｌｔｉｖａｔｅｄ ｌａｎｄ
５３．１１ ２３．０１ ３９．７４ ３．７４
人工表面
Ａｒｔｉｆｉｃｉａｌ ｓｕｒｆａｃｅ
４９．９９ ２４．１５ ４０．９２ ３．４９
其他
Ｏｔｈｅｒ
５０．１３ ２５．７９ ３９．２１ ４．５４
平均
Ａｖｅｒａｇｅ
５３．１１ １６．７１ ３７．６９ ４．７７
表 ２　 土地覆盖与地表温度的 ＯＬＳ回归关系
Ｔａｂｌｅ ２　 Ｒｅｇｒｅｓｓｉｏｎ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ
ａｎｄ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｆｒｏｍ ＯＬＳ
土地覆盖类型
Ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅ
普通线性回归模型
ＯＬＳ
Ｒ２ Ｐｅａｒｓｏｎ 系数
Ｐｅａｒｓｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
林地 Ｆｏｒｅｓｔ ｌａｎｄ ｙ＝－０．０７７ｘ＋４０．５０ ０．４１∗ －０．６４
草地 Ｇｒａｓｓｌａｎｄ ｙ＝ ０．０３７ｘ＋３７．３５ ０．０２∗ ０．１３
湿地 Ｗｅｔｌａｎｄ ｙ＝ －０．０３８ｘ＋３７．７８ ０．０１∗ －０．０９
耕地 Ｃｕｌｔｉｖａｔｅｄ ｌａｎｄ ｙ＝ ０．０７１ｘ＋３４．６０ ０．２８∗ ０．５３
人工表面 Ａｒｔｉｆｉｃｉａｌ ｓｕｒｆａｃｅ ｙ＝ ０．１２２ｘ＋３６．６７ ０．１４∗ ０．３８
∗Ｐ＜０．０１．
１３１２７期　 　 　 　 　 　 　 　 王　 佳等： 基于 ＧＷＲ模型的土地覆盖与地表温度的关系———以京津唐城市群为例　 　 　
工表面（ ｒ＝ ０．３７５，Ｐ＜０．０１）以及草地（ ｒ ＝ ０．１２５，Ｐ＜
０．０１）比例的增加会导致地表温度升高．其中，人工
表面（回归系数为 ０．１２２，Ｐ＜０．０１）的增温能力最强，
增加 １０％的人工表面会造成地表温度上升 １．２２ ℃ ．
耕地和草地的增温能力相对较弱，回归系数分别为
０．０７１和 ０．０３７．林地、耕地以及人工表面对地表温度
的解释能力较强，分别为 ４１％、２８％以及 １４％．
２􀆰 ３􀆰 ２地理加权回归模型　 地理加权回归模型分析
显示土地覆盖对地表温度变化的影响存在空间非稳
定性，土地覆盖对地表温度的影响程度在不同空间
位置上存在差异（表 ３）．本研究重点分析林地、耕地
以及人工表面 ３种土地覆盖类型与地表温度关系的
表 ３　 土地覆盖与地表温度的 ＧＷＲ回归关系
Ｔａｂｌｅ ３ 　 Ｒｅｇｒｅｓｓｉｏｎ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｌａｎｄ ｃｏｖｅｒ ａｎｄ
ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｆｒｏｍ ＧＷＲ
土地覆盖类型
Ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅ
回归系数
Ｒｅｇｒｅｓｓｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ
最小值
Ｍｉｎｉｍｕｍ
最大值
Ｍａｘｉｍｕｍ
平均值
Ｍｅａｎ
Ｒ２
林地 Ｆｏｒｅｓｔ ｌａｎｄ －０．４３ １．７３ －０．０３ ０．８４
草地 Ｇｒａｓｓｌａｎｄ －０．８４ ２．５８ ０．０９ ０．７７
湿地 Ｗｅｔｌａｎｄ －４．５３ ８．００ ０．１４ ０．７８
耕地 Ｃｕｌｔｉｖａｔｅｄ ｌａｎｄ －０．３１ ０．６１ ０．０５ ０．７９
人工表面 Ａｒｔｉｆｉｃｉａｌ ｓｕｒｆａｃｅ －１．０１ ３．９０ ０．２６ ０．９０
空间非稳定性．
与普通最小二乘法回归拟合的结果类似，林地
图 ４　 林地（Ａ）、人工表面（Ｂ）和耕地（Ｃ）与地表温度关系的空间变异（ＧＷＲ拟合）
Ｆｉｇ．４　 Ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎ ｉｎ ｒｅｇｒｅｓｓｉｏｎ ｏｕｔｐｕｔｓ ｆｒｏｍ ｔｈｅ ＧＷＲ ａｎａｌｙｓｉｓ ｏｆ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ａｇａｉｎｓｔ ｆｏｒｅｓｔ ｌａｎｄ （Ａ）， ａｒｔｉｆｉｃｉａｌ ｓｕｒ⁃
ｆａｃｅ （Ｂ） ａｎｄ ｃｕｌｔｉｖａｔｅｄ ｌａｎｄ （Ｃ）．
ａ） 比例 Ｐｅｒｃｅｎｔａｇｅ； ｂ） 系数 Ｃｏｅｆｆｉｃｉｅｎｔ； ｃ） 局部 Ｒ２Ｌｏｃａｌ Ｒ２ ．
２３１２ 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
具有降温作用，但 ＧＷＲ 拟合的结果揭示其降温能
力在空间上存在较大差异（表 ３、图 ４）．ＧＷＲ拟合的
回归系数在－０．４３～ １．７３，位于林区的林地降温能力
大于东南部平原地区，可能在平原地区，特别是城市
地区，林地比例较少而且破碎化程度较高［４２－４５］，同
时，城市环境胁迫使得林地植被长势较差，其植被蒸
腾能力较弱［４６－４７］ ．在太行山地带，林地降温能力（回
归系数＜－０．０３）较高，并且从空间上表现为从林地
内部到林地边缘的降温能力呈逐步增强趋势，如在
林区边缘，每增加 １０％的林地覆盖，地表温度下降
０．８ ℃以上（图 ４）．这是因为在林地边缘，郁闭度相
对较小，一定的林地增加能够增加植被的有效蒸腾
能力，显著降低地表温度．
人工表面会促进地表温度的增加（表 ３、图 ４），
但其增温能力在空间也存在非稳定性，回归系数在
－１．０１～３．９０．在太行山地带，单位人工表面比例的增
加导致的温度上升，远远大于东南平原地区（图 ４）．
如在林区，人工表面覆盖比例每增加 １０％，可导致
地表温度上升 ２．９ ℃以上．可能是因为林区人工表
面（如工厂）的增加主要侵占原有的自然林地，不仅
导致下垫面发生变化，同时人工表面侵占所带来的
环境扰动也会影响周边林地的生长及降温能力．耕
地对地表温度影响的空间非稳定性也很明显．在北
部林区，耕地增加会导致地表温度上升，但在东南部
和西北部，耕地覆盖比例的增加会使地表温度下降
（图 ４）．
２􀆰 ３􀆰 ３ ＯＬＳ和 ＧＷＲ的对比　 ＯＬＳ模型和 ＧＷＲ模型
均能有效建立变量之间的定量关系，特别是不同土
地覆盖比例与地表温度的关系．但是，ＯＬＳ 模型只是
研究区的全局拟合，而 ＧＷＲ 模型可以探索变量之
前关系的空间非平稳性并揭示不同土地覆盖类型
“增温”和“降温”能力在空间上的差异．对于林地而
言，在城市区域，ＯＬＳ 拟合的回归系数（回归系数 ＝
－０．０７７，Ｐ＜０．０１）明显高于 ＧＷＲ 的拟合结果（表 ２、
图 ４），意味着 ＯＬＳ 会高估林地在该地区的降温能
力．对于人工表面而言，在林区边缘，ＯＬＳ 回归分析
的结果（回归系数 ＝ ０．１２２，Ｐ＜０．０１）远小于 ＧＷＲ 的
回归系数，表明 ＯＬＳ会明显低估该地区人工表面的
增温能力（表 ２、图 ４）．
比较模型拟合优度 Ｒ２可以发现，普通线性回归
模型的整体拟合优度小于地理加权回归模型（如林
地，ＲＯＬＳ ２ ＝ ０．４１，ＲＧＷＲ２ ＝ ０．８４）．同时，ＧＷＲ 模型的局
部拟合优度在空间上也存在一定差异．在林地比例
较大的地区，拟合优度较高，局部 Ｒ２ ＞０．１３，但在林
地比例相对较小的地区，ＧＷＲ 的拟合优度较小；人
工表面的 ＧＷＲ 拟合优度和林地的结果较类似；在
耕地比例较小的太行山地带，耕地的 ＧＷＲ 拟合优
度更好（局部 Ｒ２ ＞０．２１），但在耕地比例较大的东南
平原地区，ＧＷＲ的拟合优度则相对较小（图 ４）．
３　 讨　 　 论
本研究发现，在城市群区域，不同土地覆盖类型
的地表温度存在显著差异，其中，人工表面和耕地的
温度较高，林地和湿地的温度较低；总体而言，人工
表面和耕地覆盖比例的增加导致地表温度上升，而
林地和湿地覆盖比例的增加导致地表温度下降．这
与已有的大量在城市尺度开展的热环境研究的结果
类似［１７， ２１］ ．
研究区土地覆盖比例与地表温度之间的定量关
系存在空间非稳定性．基于 ＧＷＲ模型揭示的不同土
地覆盖类型的“降温”或者“增温”能力，在空间上存
在较大差异．其中，东南平原地区林地降温能力相对
较弱，弱于太行山林区的林地降温能力（图 ４）．这与
林地周围环境的不同有很大关系，该研究结果对区
域尺度上热环境调控有一定参考作用．在城市群的
林地规划建设中，当林地建设面积一定时，在不同空
间上的投入，会有不同的热环境调控效果．将林地建
设在城市中，林地的降温效果比较弱，但是能够提高
局地尺度上城市居民的舒适度；将林地建设于林区
（特别是林区边缘），对于区域来说，能够起到更大
的降温作用，并调控区域尺度上的热环境．
对比分析 ＯＬＳ 和 ＧＷＲ 两个方法，ＯＬＳ 回归分
析存在一定的局限性，其是针对研究区总体的拟合；
ＧＷＲ不仅考虑不同研究点的地理位置，同时考虑研
究点周围的影响，可以得到不同空间位置上土地覆
盖与地表温度的关系．结果表明，ＯＬＳ 回归分析会高
估林地在城市地区的降温能力，但低估人工表面在
林区的增温能力．所以，在进行土地覆盖与地表温度
的关系分析时，如果研究尺度较大或者研究区景观
异质性较强，ＧＷＲ模型更能准确反映土地覆盖与地
表温度的关系．
本研究是基于城市群尺度进行的相关分析，后
续研究中，可以深入分析城市群尺度和城市尺度上，
土地覆盖与地表温度的关系存在怎样的异同．本研
究在对地表温度与土地覆盖类型相关性进行探讨过
程中，只考虑了土地覆盖类型组成与地表温度的关
系，后续研究中，可在此基础上对土地覆盖类型的空
间配置问题进行探讨．为了避免多重共线性的影响，
３３１２７期　 　 　 　 　 　 　 　 王　 佳等： 基于 ＧＷＲ模型的土地覆盖与地表温度的关系———以京津唐城市群为例　 　 　
本研究仅采用单因素进行回归分析，后续研究中，可
在此基础上同时考虑多因素的情况下，探讨景观组
成与地表温度的相关分析．本研究发现了相关关系
的空间差异，并揭示了该差异与景观基底有关，然
而，除景观的基底类型外，地形、高程、微气候差异、
人为活动等因素也可能是导致空间非稳定性的原
因，有必要进一步研究．
４　 结　 　 论
本研究以 Ｌａｎｄｓａｔ ＴＭ 土地覆盖分类数据和
ＭＯＤＩＳ地表温度数据作为基本数据源，分析京津唐
城市群土地覆盖及地表温度的空间分布规律，通过
ＯＬＳ和 ＧＷＲ模型探讨土地覆盖与地表温度的关系
并揭示了该定量关系的空间非稳定性特征．主要结
论如下：１）京津唐城市群地表温度空间分布主要呈
现东南、西北高温，东北西南条带状低温的空间分
布．该空间分布特征是自然地理环境（京津唐城市群
被东北至西南的带状太行山隔开）与人类活动（主
要是城市化与农业生产）共同作用的结果．２）不同土
地覆盖类型的地表温度存在差异，人工表面和耕地
的温度较高，林地和湿地的温度较低．３）土地覆盖比
例与地表温度显著相关，且两者之间的定量关系存
在空间非稳定性（如东南平原地区林地降温能力弱
于太行山林区的林地降温能力）．地理位置以及周围
环境影响的差异是产生空间非稳定性的主要原因．
４）对比两个模型方法，ＯＬＳ 回归分析存在一定的局
限性，会高估林地在城市地区的降温能力、低估人工
表面在林区的增温能力．但是 ＧＷＲ可以较好地刻画
不同空间位置的土地覆盖变化对地表温度的影响，
并且 ＧＷＲ模型拟合结果优于 ＯＬＳ模型．
参考文献
［１］　 Ｋｕａｎｇ ＷＨ， Ｌｉｕ ＪＹ， Ｚｈａｎｇ ＺＸ， ｅｔ ａｌ． Ｓｐａｔｉｏｔｅｍｐｏｒａｌ
ｄｙｎａｍｉｃｓ ｏｆ ｉｍｐｅｒｖｉｏｕｓ ｓｕｒｆａｃｅ ａｒｅａｓ ａｃｒｏｓｓ Ｃｈｉｎａ ｄｕｒ⁃
ｉｎｇ ｔｈｅ ｅａｒｌｙ ２１ｓｔ ｃｅｎｔｕｒｙ． Ｃｈｉｎｅｓｅ Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ，
２０１３， ５８： １６９１－１７０１
［２］　 Ｌｉ ＸＭ， Ｚｈｏｕ ＷＱ， Ｏｕｙａｎｇ ＺＹ． Ｆｏｒｔｙ ｙｅａｒｓ ｏｆ ｕｒｂａｎ ｅｘ⁃
ｐａｎｓｉｏｎ ｉｎ Ｂｅｉｊｉｎｇ： Ｗｈａｔ ｉｓ ｔｈｅ ｒｅｌａｔｉｖｅ ｉｍｐｏｒｔａｎｃｅ ｏｆ
ｐｈｙｓｉｃａｌ， ｓｏｃｉｏｅｃｏｎｏｍｉｃ， ａｎｄ ｎｅｉｇｈｂｏｒｈｏｏｄ ｆａｃｔｏｒｓ？ Ａｐ⁃
ｐｌｉｅｄ Ｇｅｏｇｒａｐｈｙ， ２０１３， ３８： １－１０
［３］　 Ｗｅｎｇ ＱＨ． Ｌａｎｄ ｕｓｅ ｃｈａｎｇｅ ａｎａｌｙｓｉｓ ｉｎ ｔｈｅ Ｚｈｕｊｉａｎｇ
Ｄｅｌｔａ ｏｆ Ｃｈｉｎａ ｕｓｉｎｇ ｓａｔｅｌｌｉｔｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ， ＧＩＳ ａｎｄ
ｓｔｏｃｈａｓｔｉｃ ｍｏｄｅｌｌｉｎｇ． Ｊｏｕｒｎａｌ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍａｎａｇｅ⁃
ｍｅｎｔ， ２００２， ６４： ２７３－２８４
［４］　 Ｘｉａｏ ＪＹ， Ｓｈｅｎ ＹＪ， Ｇｅ ＪＦ， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｎｇ ｕｒｂａｎ ｅｘ⁃
ｐａｎｓｉｏｎ ａｎｄ ｌａｎｄ ｕｓｅ ｃｈａｎｇｅ ｉｎ Ｓｈｉｊｉａｚｈｕａｎｇ， Ｃｈｉｎａ， ｂｙ
ｕｓｉｎｇ ＧＩＳ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ． Ｌａｎｄｓｃａｐｅ ａｎｄ Ｕｒｂａｎ
Ｐｌａｎｎｉｎｇ， ２００６， ７５： ６９－８０
［５］　 Ａｒｎｆｉｅｌｄ ＡＪ． Ｔｗｏ ｄｅｃａｄｅｓ ｏｆ ｕｒｂａｎ ｃｌｉｍａｔｅ ｒｅｓｅａｒｃｈ： Ａ
ｒｅｖｉｅｗ ｏｆ ｔｕｒｂｕｌｅｎｃｅ， ｅｘｃｈａｎｇｅｓ ｏｆ ｅｎｅｒｇｙ ａｎｄ ｗａｔｅｒ，
ａｎｄ ｔｈｅ ｕｒｂａｎ ｈｅａｔ ｉｓｌａｎｄ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉ⁃
ｍａｔｏｌｏｇｙ， ２００３， ２３： １－２６
［６］　 Ｘｉａｏ Ｒ⁃Ｂ （肖荣波）， Ｏｕｙａｎｇ Ｚ⁃Ｙ （欧阳志云）， Ｌｉ Ｗ⁃
Ｆ （李伟峰）， ｅｔ ａｌ．Ａ ｒｅｖｉｅｗ ｏｆ ｔｈｅ ｅｃｏ⁃ｅｎｖｉｒｏｎｍｅｎｔａｌ
ｃｏｎｓｅｑｕｅｎｃｅｓ ｏｆ ｕｒｂａｎ ｈｅａｔ ｉｓｌａｎｄｓ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉ⁃
ｃａ （生态学报）， ２００５， ２５（８）： ２０５５－２０６０ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［７］　 Ｚｈｏｕ ＷＱ， Ｈｕａｎｇ ＧＬ， Ｃａｄｅｎａｓｓｏ ＭＬ． Ｄｏｅｓ ｓｐａｔｉａｌ ｃｏｎ⁃
ｆｉｇｕｒａｔｉｏｎ ｍａｔｔｅｒ？ Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｌａｎｄ ｃｏ⁃
ｖｅｒ ｐａｔｔｅｒｎ ｏｎ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｉｎ ｕｒｂａｎ ｌａｎｄ⁃
ｓｃａｐｅｓ． Ｌａｎｄｓｃａｐｅ ａｎｄ Ｕｒｂａｎ Ｐｌａｎｎｉｎｇ， ２０１１， １０２：
５４－６３
［８］　 Ｖｏｏｇｔ ＪＡ， Ｏｋｅ ＴＲ． Ｔｈｅｒｍａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｏｆ ｕｒｂａｎ ｃｌｉ⁃
ｍａｔｅｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００３， ８６： ３７０－
３８４
［９］　 Ｗｅｎｇ ＱＨ， Ｌｉｕ Ｈ， Ｌｕ ＤＳ． Ａｓｓｅｓｓｉｎｇ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｌａｎｄ
ｕｓｅ ａｎｄ ｌａｎｄ ｃｏｖｅｒ ｐａｔｔｅｒｎｓ ｏｎ ｔｈｅｒｍａｌ ｃｏｎｄｉｔｉｏｎｓ ｕｓｉｎｇ
ｌａｎｄｓｃａｐｅ ｍｅｔｒｉｃｓ ｉｎ ｃｉｔｙ ｏｆ Ｉｎｄｉａｎａｐｏｌｉｓ， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ．
Ｕｒｂａｎ Ｅｃｏｓｙｓｔｅｍｓ， ２００７， １０： ２０３－２１９
［１０］　 Ｑｉａｎ Ｌ⁃Ｘ （钱乐祥）， Ｄｉｎｇ Ｓ⁃Ｙ （丁圣彦）． Ｉｎｆｌｕｅｎｃｅ ｏｆ
ｌａｎｄ ｃｏｖｅｒ ｃｈａｎｇｅ ｏｎ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅｉｎ Ｚｈｕ⁃
ｊｉａｎｇ Ｄｅｌｔａ． Ａｃｔａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ （地理学报），
２００５， ６０（５）： ７６１－７７０ （ｉｎ Ｃｈｉｎｅｓｅ）
［１１］　 Ｗｅｎｇ Ｑ， Ｌｕ Ｄ， Ｓｃｈｕｂｒｉｎｇ Ｊ． Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｌａｎｄ ｓｕｒｆａｃｅ
ｔｅｍｐｅｒａｔｕｒｅ⁃ｖｅｇｅｔａｔｉｏｎ ａｂｕｎｄａｎｃｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｆｏｒ ｕｒｂａｎ
ｈｅａｔ ｉｓｌａｎｄ ｓｔｕｄｉｅｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００４， ８９： ４６７－４８３
［１２］　 Ｘｉａ Ｊ⁃Ｓ （夏俊士）， Ｄｕ Ｐ⁃Ｊ （杜培军）， Ｚｈａｎｇ Ｈ⁃Ｒ （张
海荣）， ｅｔ ａｌ． Ｔｈｅ ｑｕａｎｔｉｔａｔｉｖｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｌａｎｄ
ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ ｂａｓｅｄ ｏｎ ｒｅ⁃
ｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐ⁃
ｐｌｉｃａｔｉｏｎ （遥感技术与应用）， ２０１０， ２５（１）： １５－２３
（ｉｎ Ｃｈｉｎｅｓｅ）
［１３］　 Ｒａｏ Ｓ （饶　 胜）， Ｚｈａｎｇ Ｈ⁃Ｙ （张惠远）， Ｊｉｎ Ｔ⁃Ｔ （金
陶陶）， ｅｔ ａｌ． Ｔｈｅ ｓｐａｔｉａｌ ｃｈａｒａｃｔｅｒ ｏｆ ｒｅｇｉｏｎａｌ ｈｅａｔ ｉｓ⁃
ｌａｎｄ ｉｎ Ｐｅａｒｌ Ｒｉｖｅｒ Ｄｅｌｔａ ｕｓｉｎｇ ＭＯＤＩＳ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
ｄａｔａ． Ｇｅｏｇｒａｐｈｉｃａｌ Ｒｅｓｅａｒｃｈ （地理研究）， ２０１０， ２９
（１）： １２７－１３６ （ｉｎ Ｃｈｉｎｅｓｅ）
［１４］　 Ｌｉ ＸＭ， Ｚｈｏｕ ＷＱ， Ｏｕｙａｎｇ ＺＹ． Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ
ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｓｐａｔｉａｌ ｐａｔｔｅｒｎ ｏｆ ｇｒｅｅｎ⁃
ｓｐａｃｅ： Ｗｈａｔ ａｒｅ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ？ Ｌａｎｄ⁃
ｓｃａｐｅ ａｎｄ Ｕｒｂａｎ Ｐｌａｎｎｉｎｇ， ２０１３， １１４： １－８
［１５］　 Ｌｉ ＸＭ， Ｚｈｏｕ ＷＱ， Ｏｕｙａｎｇ ＺＹ， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｐａｔｔｅｒｎ ｏｆ
ｇｒｅｅｎｓｐａｃｅ ａｆｆｅｃｔｓ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ： Ｅｖｉｄｅｎｃｅ
ｆｒｏｍ ｔｈｅ ｈｅａｖｉｌｙ ｕｒｂａｎｉｚｅｄ Ｂｅｉｊｉｎｇ ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ，
Ｃｈｉｎａ． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２０１２， ２７： ８８７－８９８
［１６］ 　 Ｚｈｏｕ ＷＱ， Ｈｕａｎｇ ＧＬ， Ｐｉｃｋｅｔｔ ＳＴ， ｅｔ ａｌ． ９０ ｙｅａｒｓ ｏｆ
ｆｏｒｅｓｔ ｃｏｖｅｒ ｃｈａｎｇｅ ｉｎ ａｎ ｕｒｂａｎｉｚｉｎｇ ｗａｔｅｒｓｈｅｄ： Ｓｐａｔｉａｌ
ａｎｄ ｔｅｍｐｏｒａｌ ｄｙｎａｍｉｃｓ． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２０１１， ２６：
４３１２ 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
６４５－６５９
［１７］ 　 Ｚｈｏｕ ＷＱ， Ｑｉａｎ ＹＧ， Ｌｉ ＸＭ， ｅｔ ａｌ． Ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅ⁃
ｔｗｅｅｎ ｌａｎｄ ｃｏｖｅｒ ａｎｄ ｔｈｅ ｓｕｒｆａｃｅ ｕｒｂａｎ ｈｅａｔ ｉｓｌａｎｄ： Ｓｅａ⁃
ｓｏｎａｌ ｖａｒｉａｂｉｌｉｔｙ ａｎｄ ｅｆｆｅｃｔｓ ｏｆ ｓｐａｔｉａｌ ａｎｄ ｔｈｅｍａｔｉｃ ｒｅｓｏ⁃
ｌｕｔｉｏｎ ｏｆ ｌａｎｄ ｃｏｖｅｒ ｄａｔａ ｏｎ ｐｒｅｄｉｃｔｉｎｇ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍ⁃
ｐｅｒａｔｕｒｅｓ． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２０１４， ２９： １５３－１６７
［１８］　 Ｚｈａｎｇ Ｃ⁃Ｓ （张昌顺）， Ｘｉｅ Ｇ⁃Ｄ （谢高地）， Ｌｕ Ｃ⁃Ｘ
（鲁春霞）， ｅｔ ａｌ． Ｔｈｅ ｍｉｔｉｇａｔｉｎｇ ｅｆｆｅｃｔｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｕｒ⁃
ｂａｎ ｇｒｅｅｎ ｌａｎｄｓ ｏｎｔｈｅ ｈｅａｔ ｉｓｌａｎｄ ｅｆｆｅｃｔ ｉｎ Ｂｅｉｊｉｎｇ． Ｒｅ⁃
ｓｏｕｒｃｅｓ Ｓｃｉｅｎｃｅ （资源科学）， ２０１５， ３７ （ ６）： １１５６ －
１１６５ （ｉｎ Ｃｈｉｎｅｓｅ）
［１９］　 Ｇｏｎｇ Ｚ （龚 　 珍）， Ｈｕ Ｙ⁃Ｊ （胡友健）， Ｌｉ Ｈ （黎 　
华）． Ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ
ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｗａｔｅｒ ａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ．
Ｂｕｌｌｅｔｉｎ ｏｆ Ｓｕｒｖｅｙ ａｎｄ Ｍａｐｐｉｎｇ （测绘通报）， ２０１５
（１２）： ３４－３６ （ｉｎ Ｃｈｉｎｅｓｅ）
［２０］　 Ｌｉ Ｌ⁃Ｇ （李丽光）， Ｌｉｕ Ｘ⁃Ｍ （刘晓梅）， Ｚｈａｏ Ｘ⁃Ｌ （赵
先丽）， ｅｔ ａｌ． Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｈｅａｔ ｉｓｌａｎｄ ｅｆｆｅｃｔ ｉｎ ｉｎ⁃
ｎｅｒ ａｎｄ ｏｕｔｅｒ ｓｕｂｕｒｂｓ ｏｆ Ｓｈｅｎｙａｎｇ ａｎｄ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐｓ
ｗｉｔｈ ｕｒｂａｎｉｚａｔｉｏｎ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ
（应用生态学报）， ２０１０， ２１（６）： １６０９－１６１３ （ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２１］　 Ｌｉｕ Ｋ， Ｓｕ ＨＢ， Ｚｈａｎｇ ＬＦ， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｕｒｂａｎ
ｈｅａｔ ｉｓｌａｎｄ ｅｆｆｅｃｔ ｉｎ Ｓｈｉｊｉａｚｈｕａｎｇ， Ｃｈｉｎａ ｕｓｉｎｇ ｓａｔｅｌｌｉｔｅ
ａｎｄ ａｉｒｂｏｒｎｅ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１５， ７： ４８０４ －
４８３３
［２２］　 Ｙｕａｎ Ｆ， Ｂａｕｅｒ ＭＥ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｉｍｐｅｒｖｉｏｕｓ ｓｕｒｆａｃｅ
ａｒｅａ ａｎｄ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ａｓ ｉｎｄｉ⁃
ｃａｔｏｒｓ ｏｆ ｓｕｒｆａｃｅ ｕｒｂａｎ ｈｅａｔ ｉｓｌａｎｄ ｅｆｆｅｃｔｓ ｉｎ ｌａｎｄｓａｔ ｉｍ⁃
ａｇｅｒｙ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００７， １０６：
３７５－３８６
［２３］　 Ａｓｇａｒｉａｎ Ａ， Ａｍｉｒｉ ＢＪ， Ｓａｋｉｅｈ Ｙ． Ａｓｓｅｓｓｉｎｇ ｔｈｅ ｅｆｆｅｃｔ ｏｆ
ｇｒｅｅｎ ｃｏｖｅｒ ｓｐａｔｉａｌ ｐａｔｔｅｒｎｓ ｏｎ ｕｒｂａｎ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍ⁃
ｐｅｒａｔｕｒｅ ｕｓｉｎｇ ｌａｎｄｓｃａｐｅ ｍｅｔｒｉｃｓ ａｐｐｒｏａｃｈ． Ｕｒｂａｎ Ｅｃｏ⁃
ｓｙｓｔｅｍｓ， ２０１５， １８： ２０９－２２２
［２４］　 Ｂｕｙａｎｔｕｙｅｖ Ａ， Ｗｕ Ｊ． Ｕｒｂａｎ ｈｅａｔ ｉｓｌａｎｄｓ ａｎｄ ｌａｎｄｓｃａｐｅ
ｈｅｔｅｒｏｇｅｎｅｉｔｙ： Ｌｉｎｋｉｎｇ ｓｐａｔｉｏｔｅｍｐｏｒａｌ ｖａｒｉａｔｉｏｎｓ ｉｎ ｓｕｒ⁃
ｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅｓ ｔｏ ｌａｎｄ⁃ｃｏｖｅｒ ａｎｄ ｓｏｃｉｏｅｃｏｎｏｍｉｃ ｐａｔ⁃
ｔｅｒｎｓ． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２０１０， ２５： １７－３３
［２５］　 Ｌｉ Ｓ， Ｚｈａｏ Ｚ， Ｍｉａｏｍｉａｏ Ｘ， ｅｔ ａｌ． Ｉｎｖｅｓｔｉｇａｔｉｎｇ ｓｐａｔｉａｌ
ｎｏｎ⁃ｓｔａｔｉｏｎａｒｙ ａｎｄ ｓｃａｌｅ⁃ｄｅｐｅｎｄｅｎｔ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅ⁃
ｔｗｅｅｎ ｕｒｂａｎ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃ⁃
ｔｏｒｓ ｕｓｉｎｇ ｇｅｏｇｒａｐｈｉｃａｌｌｙ ｗｅｉｇｈｔｅｄ ｒｅｇｒｅｓｓｉｏｎ． Ｅｎｖｉｒｏｎ⁃
ｍｅｎｔａｌ Ｍｏｄｅｌｌｉｎｇ ＆ Ｓｏｆｔｗａｒｅ， ２０１０， ２５： １７８９－１８００
［２６］　 Ｆｏｔｈｅｒｉｎｇｈａｍ ＡＳ， Ｂｒｕｎｓｄｏｎ Ｃ， Ｃｈａｒｌｔｏｎ Ｍ． Ｇｅｏｇｒａｐｈｉ⁃
ｃａｌｌｙ Ｗｅｉｇｈｔｅｄ Ｒｅｇｒｅｓｓｉｏｎ： Ｔｈｅ Ａｎａｌｙｓｉｓ ｏｆ Ｓｐａｔｉａｌｌｙ
Ｖａｒｙｉｎｇ Ｒｅｌａｔｉｏｎｓｈｉｐｓ． Ｎｅｗ Ｙｏｒｋ： Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，
Ｌｔｄ， ２００３
［２７］　 Ｑｉｎ Ｗ⁃Ｚ （覃文忠）． Ｔｈｅ Ｂａｓｉｃ Ｔｈｅｏｒｅｔｉｃｓ ａｎｄ Ａｐｐｌｉｃａ⁃
ｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｎ Ｇｅｏｇｒａｐｈｉｃａｌｌｙ Ｗｅｉｇｈｔｅｄ Ｒｅｇｒｅｓｓｉｏｎ．
ＰｈＤ Ｔｈｅｓｉｓ． Ｓｈａｎｇｈａｉ： Ｔｏｎｇｊｉ Ｕｎｉｖｅｒｓｉｔｙ， ２００７ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［２８］　 Ｈｕａｎｇ ＪＬ， Ｈｕａｎｇ ＹＬ， Ｐｏｎｔｉｕｓ ＲＧ， ｅｔ ａｌ． Ｇｅｏｇｒａｐｈｉｃａｌ⁃
ｌｙ ｗｅｉｇｈｔｅｄ ｒｅｇｒｅｓｓｉｏｎ ｔｏ ｍｅａｓｕｒｅ ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎｓ ｉｎ
ｃｏｒｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｗａｔｅｒ ｐｏｌｌｕｔｉｏｎ ｖｅｒｓｕｓ ｌａｎｄ ｕｓｅ ｉｎ ａ
ｃｏａｓｔａｌ ｗａｔｅｒｓｈｅｄ． Ｏｃｅａｎ ＆ Ｃｏａｓｔａｌ Ｍａｎａｇｅｍｅｎｔ， ２０１５，
１０３： １４－２４
［２９］ 　 Ｃｏｈｅｎ ＪＰ， Ｃｒｏｍｌｅｙ ＲＧ， Ｂａｎａｃｈ ＫＴ． Ａｒｅ ｈｏｍｅｓ ｎｅａｒ
ｗａｔｅｒ ｂｏｄｉｅｓ ａｎｄ ｗｅｔｌａｎｄｓ ｗｏｒｔｈ ｍｏｒｅ ｏｒ ｌｅｓｓ？ Ａｎ ａｎａｌｙ⁃
ｓｉｓ ｏｆ ｈｏｕｓｉｎｇ ｐｒｉｃｅｓ ｉｎ ｏｎｅ ｃｏｎｎｅｃｔｉｃｕｔ ｔｏｗｎ． Ｇｒｏｗｔｈ
ａｎｄ Ｃｈａｎｇｅ， ２０１５， ４６： １１４－１３２
［３０］　 Ｙａｏ Ｙ⁃Ｈ （姚永慧）， Ｚｈａｎｇ Ｂ⁃Ｐ （张百平）． ＭＯＤＩＳ⁃
ｂａｓｅｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ａｉｒ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｅａｔｉｎｇ⁃ｕｐ ｅｆｆｅｃｔ
ｏｆ ｔｈｅ Ｔｉｂｅｔａｎ Ｐｌａｔｅａｕ． Ａｃｔａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ （地理
学报）， ２０１３， ６８（１）： ９５－１０７ （ｉｎ Ｃｈｉｎｅｓｅ）
［３１］　 Ｌｉ ＪＸ， Ｓｏｎｇ ＣＨ， Ｃａｏ Ｌ， ｅｔ ａｌ． Ｉｍｐａｃｔｓ ｏｆ ｌａｎｄｓｃａｐｅ
ｓｔｒｕｃｔｕｒｅ ｏｎ ｓｕｒｆａｃｅ ｕｒｂａｎ ｈｅａｔ ｉｓｌａｎｄｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ
Ｓｈａｎｇｈａｉ， Ｃｈｉｎａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２０１１， １１５： ３２４９－３２６３
［３２］　 Ｄｏｎｇ Ｌ⁃Ｐ （董良鹏）， Ｊｉａｎｇ Ｚ⁃Ｈ （江志红）， Ｓｈｅｎ Ｓ⁃Ｈ
（沈素红）． Ｕｒｂａｎ ｈｅａｔ ｉｓｌａｎｄ ｃｈａｎｇｅ ａｎｄ ｉｔｓ ｒｅｌａｔｉｏｎｓｈｉｐ
ｗｉｔｈ ｕｒｂａｎｉｚａｔｉｏｎ ｏｆ ｕｒｂａｎ ａｇｇｌｏｍｅｒａｔｉｏｎｓ ｉｎ Ｙａｎｇ⁃
ｔｚｅ Ｒｉｖｅｒ Ｄｅｌｔａ ｉｎ ｐａｓｔ ｄｅｃａｄｅ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ Ａｔｍｏｓ⁃
ｐｈｅｒｉｃ Ｓｃｉｅｎｃｅｓ （大气科学学报）， ２０１４， ３７（２）： １４６－
１５４ （ｉｎ Ｃｈｉｎｅｓｅ）
［３３］　 Ｔｈｅ Ｃｅｎｔｅｒ Ｐｅｏｐｌｅ’ ｓ Ｇｏｖｅｒｎｍｅｎｔ ｏｆ Ｐｅｏｐｌｅ’ ｓ Ｒｅｐｕｂｌｉｃ
ｏｆ Ｃｈｉｎａ （中华人民共和国中央人民政府）． Ｎｅｗ⁃ｔｙｐｅ
Ｕｒｂａｎｉｚａｔｉｏｎ ［ＥＢ ／ ＯＬ］． （２０１４⁃０３⁃１６） ［２０１５⁃１２⁃２５］．
ｈｔｔｐ： ／ ／ ｗｗｗ．ｇｏｖ．ｃｎ ／ ｚｈｕａｎｔｉ ／ ｘｘｃｚｈ ／ （ ｉｎ Ｃｈｉｎｅｓｅ）
［３４］　 Ｙａｏ Ｓ⁃Ｍ （姚士谋）， Ｃｈｅｎ Ｚ⁃Ｇ （陈振光）， Ｚｈｕ Ｙ⁃Ｍ
（朱英明）． Ｔｈｅ Ｕｒｂａｎ Ａｇｇｌｏｍｅｒａｔｉｏｎｓ ｏｆ Ｃｈｉｎａ． Ｈｅｆｅｉ：
Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｈｉｎａ Ｐｒｅｓｓ，
２００６ （ｉｎ Ｃｈｉｎｅｓｅ）
［３５］　 Ｗａｎｇ Ｗ （王　 文）， Ｚｈａｎｇ Ｗ （张　 薇）， Ｃａｉ Ｘ⁃Ｊ （蔡
晓军）． Ｖａｒｉａｔｉｏｎ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｐｒｅｃｉｐｉｔａｔｉｏｎ ｉｎ
Ｂｅｉｊｉｎｇ ｄｕｒｉｎｇ ｌａｔｅｓｔ ５０ ｙｅａｒｓ． Ｊｏｕｒｎａｌ ｏｆ Ａｒｉｄ Ｍｅｔｅｏｒｏｌｏ⁃
ｇｙ （干旱气象），２００９， ２７（４）： ３５０－３５３ （ｉｎ Ｃｈｉｎｅｓｅ）
［３６］　 Ｗａｎ ＺＭ， Ｚｈａｎｇ ＹＬ， Ｚｈａｎｇ ＱＣ， ｅｔ ａｌ． Ｖａｌｉｄａｔｉｏｎ ｏｆ ｔｈｅ
ｌａｎｄ⁃ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｐｒｏｄｕｃｔｓ ｒｅｔｒｉｅｖｅｄ ｆｒｏｍ ｔｅｒｒａ
ｍｏｄｅｒａｔｅ ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｉｎｇ ｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ ｄａｔａ． Ｒｅ⁃
ｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２， ８３： １６３－１８０
［３７］　 Ｗａｎ ＺＭ． Ｎｅｗ ｒｅｆｉｎｅｍｅｎｔｓ ａｎｄ ｖａｌｉｄａｔｉｏｎ ｏｆ ｔｈｅ ｍｏｄｉｓ
ｌａｎｄ⁃ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ／ ｅｍｉｓｓｉｖｉｔｙ ｐｒｏｄｕｃｔｓ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００８， １１２： ５９－７４
［３８］　 Ｗａｎ ＺＭ． Ｍｏｄｉｓ Ｌａｎｄ Ｓｕｒｆａｃｅ Ｔｅｍｐｅｒａｔｕｒｅ Ｐｒｏｄｕｃｔｓ
Ｕｓｅｒｓ’ Ｇｕｉｄｅ． Ｓａｎｔａ Ｂａｒｂａｒａ， ＣＡ： Ｉｎｓｔｉｔｕｔｅ ｆｏｒ Ｃｏｍｐｕ⁃
ｔａｔｉｏｎａｌ Ｅａｒｔｈ Ｓｙｓｔｅｍ Ｓｃｉｅｎｃｅ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ，
２００６
［３９］　 Ｐｅｎｇ Ｊ， Ｘｉｅ Ｐ， Ｌｉｕ Ｙ， ｅｔ ａｌ． Ｕｒｂａｎ ｔｈｅｒｍａｌ ｅｎｖｉｒｏｎｍｅｎｔ
ｄｙｎａｍｉｃｓ ａｎｄ ａｓｓｏｃｉａｔｅｄ ｌａｎｄｓｃａｐｅ ｐａｔｔｅｒｎ ｆａｃｔｏｒｓ： Ａ
ｃａｓｅ ｓｔｕｄｙ ｉｎ ｔｈｅ Ｂｅｉｊｉｎｇ ｍｅｔｒｏｐｏｌｉｔａｎ ｒｅｇｉｏｎ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１６， １７３： １４５－１５５
［４０］　 Ｆｏｔｈｅｒｉｎｇｈａｍ ＡＳ， Ｃｈａｒｌｔｏｎ ＭＥ， Ｂｒｕｎｓｄｏｎ Ｃ． Ｇｅｏ⁃
ｇｒａｐｈｉｃａｌｌｙ ｗｅｉｇｈｔｅｄ ｒｅｇｒｅｓｓｉｏｎ： Ａ ｎａｔｕｒａｌ ｅｖｏｌｕｔｉｏｎ ｏｆ
ｔｈｅ ｅｘｐａｎｓｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｓｐａｔｉａｌ ｄａｔａ ａｎａｌｙｓｉｓ． Ｅｎｖｉｒｏｎ⁃
ｍｅｎｔ ａｎｄ Ｐｌａｎｎｉｎｇ Ａ， １９９８， ３０： １９０５－１９２７
５３１２７期　 　 　 　 　 　 　 　 王　 佳等： 基于 ＧＷＲ模型的土地覆盖与地表温度的关系———以京津唐城市群为例　 　 　
［４１］　 Ｂｒｕｎｓｄｏｎ Ｃ， Ｆｏｔｈｅｒｉｎｇｈａｍ ＡＳ， Ｃｈａｒｌｔｏｎ ＭＥ． Ｇｅｏ⁃
ｇｒａｐｈｉｃａｌｌｙ ｗｅｉｇｈｔｅｄ ｒｅｇｒｅｓｓｉｏｎ： Ａ ｍｅｔｈｏｄ ｆｏｒ ｅｘｐｌｏｒｉｎｇ
ｓｐａｔｉａｌ ｎｏｎｓｔａｔｉｏｎａｒｉｔｙ． Ｇｅｏｇｒａｐｈｉｃａｌ Ｍｅｔｈｏｄｏｌｏｇｙ ＆
Ｔｅｃｈｎｉｑｕｅｓ， １９９６， ２８： ２８１－２９８
［４２］　 Ｇｏｎｇ ＣＦ， Ｙｕ ＳＸ， Ｊｏｅｓｔｉｎｇ Ｈ， ｅｔ ａｌ． Ｄｅｔｅｒｍｉｎｉｎｇ ｓｏｃｉｏ⁃
ｅｃｏｎｏｍｉｃ ｄｒｉｖｅｒｓ ｏｆ ｕｒｂａｎ ｆｏｒｅｓｔ ｆｒａｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ ｈｉｓ⁃
ｔｏｒｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ． Ｌａｎｄｓｃａｐｅ ａｎｄ Ｕｒｂａｎ
Ｐｌａｎｎｉｎｇ， ２０１３， １１７： ５７－６５
［４３］　 Ｔｉａｎ ＹＨ， Ｊｉｍ ＣＹ， Ｔａｏ Ｙ， ｅｔ ａｌ． Ｌａｎｄｓｃａｐｅ ｅｃｏｌｏｇｉｃａｌ
ａｓｓｅｓｓｍｅｎｔ ｏｆ ｇｒｅｅｎ ｓｐａｃｅ ｆｒａｇｍｅｎｔａｔｉｏｎ ｉｎ Ｈｏｎｇｋｏｎｇ．
Ｕｒｂａｎ Ｆｏｒｅｓｔｒｙ ＆ Ｕｒｂａｎ Ｇｒｅｅｎｉｎｇ， ２０１１， １０： ７９－８６
［４４］ 　 Ｑｉａｎ Ｙ， Ｚｈｏｕ Ｗ， Ｌｉ Ｗ， ｅｔ ａｌ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｔｈｅ ｄｙ⁃
ｎａｍｉｃ ｏｆ ｇｒｅｅｎｓｐａｃｅ ｉｎ ｔｈｅ ｕｒｂａｎｉｚｅｄ ａｒｅａ ｏｆ Ｂｅｉｊｉｎｇ
ｂａｓｅｄ ｏｎ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ． Ｕｒｂａｎ Ｆｏｒｅｓｔｒｙ
＆ Ｕｒｂａｎ Ｇｒｅｅｎｉｎｇ， ２０１５， １４： ３９－４７
［４５］　 Ｑｉａｎ Ｙ， Ｚｈｏｕ Ｗ， Ｙｕ Ｗ， ｅｔ ａｌ． Ｑｕａｎｔｉｆｙｉｎｇ ｓｐａｔｉｏｔｅｍ⁃
ｐｏｒａｌ ｐａｔｔｅｒｎ ｏｆ ｕｒｂａｎ ｇｒｅｅｎｓｐａｃｅ： Ｎｅｗ ｉｎｓｉｇｈｔｓ ｆｒｏｍ
ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｄａｔａ． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２０１５， ３０： １－
９
［４６］　 Ｐｈｉｌｉｐ Ｅ， Ｎｏｏｒ Ａｚｌｉｎ Ｙ． Ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ｓｏｉｌ ｃｏｍｐａｃｔｉｏｎ
ｔｏｌｅｒａｎｃｅ ｏｆ Ｌａｇｅｓｔｒｏｍｉａ ｓｐｅｃｉｏｓａ （Ｌ．） Ｐｅｒｓ． ｕｓｉｎｇ ｃｈｌｏ⁃
ｒｏｐｈｙｌｌ ｆｌｕｏｒｅｓｃｅｎｃｅ． Ｕｒｂａｎ Ｆｏｒｅｓｔｒｙ ＆ Ｕｒｂａｎ Ｇｒｅｅｎｉｎｇ，
２００５， ３： ２０３－２０８
［４７］　 Ｋａｍｍｅｒｂａｕｅｒ Ｈ， Ｓｅｌｉｎｇｅｒ Ｈ， Ｒöｍｍｅｌｔ Ｒ， ｅｔ ａｌ． Ｔｏｘｉｃ
ｃｏｍｐｏｎｅｎｔｓ ｏｆ ｍｏｔｏｒ ｖｅｈｉｃｌｅ ｅｍｉｓｓｉｏｎｓ ｆｏｒ ｔｈｅ ｓｐｒｕｃｅ Ｐｉ⁃
ｃｅａ ａｂｉｅｓ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｏｌｌｕｔｉｏｎ， １９８７， ４８： ２３５－２４３
作者简介　 王　 佳，女，１９９０ 年生，博士研究生．主要从事城
市景观格局及城市热环境研究．Ｅ⁃ｍａｉｌ： ｊｉａｗａｎｇ＿ｓｔ＠ ｒｃｅｅｓ．ａｃ．
ｃｎ
责任编辑　 杨　 弘
王佳， 钱雨果， 韩立建， 等． 基于 ＧＷＲ模型的土地覆盖与地表温度的关系———以京津唐城市群为例． 应用生态学报， ２０１６，
２７（７）： ２１２８－２１３６
Ｗａｎｇ Ｊ， Ｑｉａｎ Ｙ⁃Ｇ， Ｈａｎ Ｌ⁃Ｊ， ｅｔ ａｌ． Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｌａｎｄ ｓｕｒｆａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ ｂａｓｅｄ ｏｎ ＧＷＲ ｍｏｄｅｌ： Ａ ｃａｓｅ
ｏｆ Ｂｅｉｊｉｎｇ⁃Ｔｉａｎｊｉｎ⁃Ｔａｎｇｓｈａｎ ｕｒｂａｎ ａｇｇｌｏｍｅｒａｔｉｏｎ， Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， ２０１６， ２７（７）： ２１２８－２１３６ （ｉｎ Ｃｈｉｎｅｓｅ）
６３１２ 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷