0 引言

城市化加剧造成了城市下垫面结构的改变，其引起的城市热岛效应成为国内外学者研究的重点[1-4]。早期的相关研究利用气象站点提供的空气温度对城市冠层结构进行监测[5-8]，也称为冠层城市热岛研究，但站点监测方法存在着获取信息不方便、更新周期时间长和测量范围小等多种局限性。卫星遥感为城市热岛监测提供了周期短、测量范围大且空间连续的地表温度，有效克服了站点监测方法的不足，使得基于地表温度的表面城市热岛研究得到了发展[9-12]。然而，卫星遥感所提供的地表温度产品是基于晴空条件反演得到的，由于受云、降水等大气条件影响，产品中往往存在缺失数据[13]，因此，单幅卫星地表温度产品通常难以提供足够的数据来准确刻画城市地表温度实际变化情况。针对此问题，很多研究采取对温度产品进行时间升尺度的策略，即通过对多幅影像进行合成，减弱缺失数据对表面城市热岛计算结果的影响，从而获取气候学意义上具有足够代表性的表面城市热岛[14,15]。

尽管时间升尺度方法能够在一定程度上降低地表温度产品中缺失数据的影响，但该方法仍然存在不确定性。一方面，研究表明，温度时间合成的周期与温度数据质量对城市热岛时空格局均有显著影响[16]。另一方面，在对温度进行时间升尺度时，多数研究选择忽略缺失数据，仅利用有值数据进行合成，获取表面城市热岛[9,17,18]；也有研究先利用ATC(Annual Temperature Cycle)模型对缺失数据进行时间插值，再对获得的连续地表温度进行时间升尺度[19]。但这两种不同策略所计算的城市地表热岛强度(Surface Urban Heat Island Intensity，SUHII)是否有显著性差异尚不明确；此外，关于不同时间升尺度方法对SUHII计算影响的定量研究仍缺乏。针对上述问题，本文采用MODIS每日地表温度数据，选择代表晴空条件下温度年内变化的标准ATC模型及一种考虑非晴空条件的改进ATC模型，分别利用简单合成、标准ATC模型和改进ATC模型计算SUHII值，并在多时间尺度上系统对比3种时间升尺度方法对SUHII计算结果的影响，以期为基于时间升尺度的城市热岛强度遥感精确监测做出贡献。

1 数据和方法

1.1 研究区

本文以长三角城市群为研究区(图1)，该区域位于中国大陆海岸线中部、长江入海口，地理位置为116.8°～124.2°E，26.99°～34.64°N，是中国三大平原之一的长江中下游平原，地处亚热带季风气候区，夏季气温炎热，降水集中，冬季寒冷干燥。作为中国经济较为发达、人口众多的沿海城市经济区，长三角地区城市群热环境状况的研究极具理论与现实意义。

1.2 数据及预处理

研究数据包括2012年MODIS提供的MYD11A1、MYD13A2和MCD12Q1数据产品以及地面气象站点观测的空气温度数据。MYD11A1是空间分辨率为1 km的地表温度数据，每日提供2次观测值(Aqua卫星过境时刻为当地时间01:30和13:30左右)；MYD13A2为MODIS的NDVI 16 d合成产品，空间分辨率为1 km；MCD12Q1是空间分辨率为500 m的土地利用/覆盖产品，为统一数据分辨率，将其重采样至1 km;长三角地区设有23个基准气象台站，对获取的逐日气象要素数据(包括日最高气温和日最低气温)采用反距离权重法进行空间插值，并将其空间分辨率重采样至1 km。参照IGBP(International Geosphere-Biosphere Program)植被分类方案，长三角地区的土地覆盖类型总体上可划分为水体、湿地、草地、森林、农田和城区(图1)。

1.3 方法

1.3.1 遥感地表温度时间升尺度方法 目前，根据对遥感观测缺失数据的不同处理方式，可将地表温度时间升尺度方法分为基于移动窗口和基于ATC模型两类升尺度方法。根据模型不同特性，后者又可分为基于标准ATC模型和基于改进ATC模型的升尺度方法。

(1)基于移动窗口的升尺度方法，是指对MODIS每日观测地表温度数据进行时间尺度上的简单平均。假设移动窗口大小为n，忽略窗口中的缺值，计算相邻n天有值数据的平均值，将窗口位置沿时间序列向后移动，即可计算出一年中时间尺度为n时的温度数据[16]。本文将该方法命名为“SMW(Simple Moving Window)平均法”。公式如下：

(1)

(1)尾砂粒度及成分组成。尾矿库中尾砂按粒度划分，以粉砂为主，平均粒径d50=0.04～0.1 mm，加权平均粒径dp=0.05～0.15 mm，不均匀系数Cu=3～4，粘粒含量1%～5%，局部大于20%。尾砂物质主要成分是石英，其次是难选铁氧化物，再次是少量的绿泥石和碳酸盐类矿物。

基于布鲁姆学习目标分类法，学校对临床药学专业本科生实践教学体系进行了改革，学生由低阶的了解、加深了解、熟悉药师的工作内容向高阶的基本掌握、掌握药师的临床药学工作技能发展，临床药学教育从基础目标逐步向高级目标(“八星药师”或我国临床药学专业培养目标)转化。由于本校对2016年入学的本科生才开始实施新改的临床药学实践教学模式，目前尚无毕业生，因此在新改临床药学实践教学模式的实施过程中应该利用科学的教学体系评价方法验证其合理性及有效性。

为进一步探究不同时间升尺度方法对城市热环境日尺度至月尺度研究的影响，本文从多时间尺度评估SUHII计算结果的差异。图4和图5分别展示了白天、夜晚3种升尺度方法在6种时间尺度上计算的SUHII年内变化差异。

(2)

相对而言，从法律和体制的角度进行社区治理的研究相对薄弱。这一视角针对当前社区治理法律法规的不健全和滞后的现状，主张及时修改相关法律法规，对社区治理主体之间的法律关系进行调整，建立科学、合理的社区治理体制。其研究焦点包括业主的权利、业主组织的法律地位，居委会、业委会与物业企业之间的关系等。

以“日”为时间尺度，统计3种时间升尺度方法计算的SUHII的总体变化规律，并在不同时间尺度上，详细比较3种方法的SUHII值在年内的变化及其差异。

(3)

式中:d、T0、A和θ的含义同式(2)；Tair是日平均气温；ΔTair是气温受天气影响的短期波动；λ′是中间变量；λ是调节系数；V表示第d天某一像元的NDVI值；Vmax和Vmin分别表示某一像元一年中NDVI最大值和最小值。

1.3.2 多时间尺度遥感地表温度产品生成 将时间尺度n分别设置为1、2、4、8、16和32，采用3种时间升尺度方法获取多时间尺度下的地表温度产品，分析不同时间尺度上热环境的差异。通过比较3种方法在8 d时间尺度上的温度数据，探索不同升尺度数据的年均差异。为定量评价SMW平均法与ATCS、ATCE模型法的差异，以MAE作为评价标准。

1.3.3 多时间尺度SUHII计算 SUHII通常表示城市内部城区与郊区的平均地表温度之差[16]。为避免单个城市因缺失像元过多而造成的热岛强度计算结果不准确，鉴于长三角地区各个城市的气候环境相近，将长三角地区看做一个研究单元。根据土地覆盖类型数据，将该地区所有城市归为“城区”，将周边非城市背景区视为“郊区”。城市热岛强度计算公式为：

2014年，中央首次提出了融合发展战略思想，至今，媒体融合在我国的发展已经经历了五个年头，从中央、省到地市级传统媒体纷纷搭乘“互联网+”的便捷快车，不断深入探讨传媒业的转型与发展道路，无论在内容上、技术上、渠道上还是管理模式上均进行了深度融合，传统媒体和新媒体融合发展使地级市传媒在广度拓宽上、发展速度上及增加的力度上均取得突出的表现，媒体融合发展的趋势特征更加明显。

(4)

式中:和分别表示城区和郊区的平均地表温度值。

ATCS模型是一个较为平滑的谐波模型，无法表现温度受天气变化影响而产生的短期波动。Zou等[21]在ATCS模型的基础上，引入辅助数据(如空气温度和NDVI)，提出了能够准确刻画年内温度变化趋势的改进ATC(简称“ATCE”)模型(式(3))。同样，对ATCE拟合结果采用简单平均法进行时间升尺度，该方法称为“ATCE模型法”。

式中:d指一年中的某一天；n是时间升尺度的天数；T(i)是第i天的MODIS地表温度数据；表示经时间升尺度后第d天的值。

2 结果与讨论

2.1 地表温度时间升尺度结果的空间差异

MODIS地表温度数据在时间序列上的缺失直接影响其时间升尺度的结果，同样，ATCS和ATCE模型所提供的时间连续地表温度数据的升尺度结果也会与前者存在较大差异。图2分别展示了ATCS模型法、ATCE模型法和SMW平均法在8 d合成尺度上的MAE空间差异。

从图2可知，总体上，模型法与SMW平均法的时间升尺度数据差异较大，且不同升尺度方法之间的差异在多种地类上表现有较大不同。城区的差异最明显，如图2a和图2b中上海、南京和常州等地的MAE值高达4.0 K。原因可能是：1)一年中卫星观测的城区像元有效地表温度值较少，晴空天数占总天数的比例仅为10%，造成模型拟合数据与卫星观测数据相差较大；2)城区内部地物异质性较高。研究区以南的森林(图2a、图2c)表现出的差异相对于城区较小，MAE值达2.0～3.0 K。以长江、太湖为主的水域，地物异质性较低且年温度变化较为稳定，其MAE值最小。此外，多方法之间也存在日夜差异，白天的MAE值总体比夜晚大。这是因为白天较强的太阳辐射造成温度变化更剧烈，ATC模型难以准确模拟出白天的温度动态，从而导致与SMW平均法升尺度数据之间的差异大于夜晚。

分别对比两种ATC模型法与SMW平均法的时间升尺度数据的差异发现，ATCE和ATCS在整个研究区内白天的平均MAE值分别是1.9 K和2.3 K，而夜间的平均MAE值分别为1.2 K和1.5 K。由此可知，ATCE模型法较ATCS更佳，考虑天气变化对地表温度的影响，能够有效降低模拟数据与卫星观测数据在时间升尺度时的差异。

（2）甘油添加量对膜抗拉强度和变形率的影响。称取玉米秸秆淀粉和聚乙烯醇添加量各6g，加入适量蒸馏水后再依次量取 2mL、3mL、4mL、5mL、6mL甘油于烧杯中，其他试验操作顺序按照1.3.1和1.3.2中的试验流程进行。

2.2 升尺度方法对SUHII计算影响的总体评估

为比较3种时间升尺度方法对SUHII计算结果的影响，本节仅在日尺度上，对比使用ATCS和ATCE模型法与SMW平均法计算的热岛强度差异。图3展示了模型法与SMW平均法计算的SUHII数值间的相关性。总体上，不同时间升尺度方法之间的热岛强度差异较小，ATCS和ATCE模型法对应的MAE值分别约为0.7 K和0.6 K。

式中:d为所处该年中的天数(相对于春分点)；T(d)为年内第d天的温度值；T0和A分别为年内温度变化的均值和振幅；θ为相对于春分点的相位移。

然而，分析表明晴空像元比例(MODIS每日晴空地表温度观测数据所对应的像元数占研究区总像元的比例)直接影响基于不同时间升尺度方法的SUHII计算结果的差异。由于城区和郊区的像元数量较少，为SUHII计算带来较大不确定性，故剔除晴空像元比例低于20%的数据。图3显示，随着晴空像元比例的增大，基于卫星观测和模型估测地表温度数据计算出的SUHII数值的差异逐渐减小，这与Huang等[19]的研究结果一致。图3a中，晴空像元比例在80%～100%时，SMW平均法对应的SUHII值与ATCS模型法的数值十分接近；晴空像元比例在20%～50%时，ATCS模型法的SUHII值比SMW平均法的值大，差值在2 K以上。图3b中，相比ATCS模型法，ATCE模型法与SMW平均法计算的SUHII结果更为接近。当晴空像元比例达到50%时，SUHII相差已经较小；比例在20%～30%之间时，ATCE模型法的部分数值比SMW平均法高3 K。由此可知，当城市和郊区的可用像元数量较少时，对仅有温度数据平均的结果不能代表城市和郊区的平均温度，会在较大程度上引起SUHII计算结果的不准确。

2.3 升尺度方法对SUHII计算影响的多时间尺度评估

(2)基于ATC模型的升尺度方法：标准ATC(简称“ATCS”)模型是一种对时间序列上离散的卫星观测地表温度数据进行插值的方法。Bechtel利用正弦函数模拟温度在一年中的逐日变化趋势，并成功应用于时间连续温度数据集的获取[20]。利用ATCS获取年内连续温度数据(式(2))，并采用简单平均法进行数据时间升尺度。本文将这种时间升尺度方法称为“ATCS模型法”。

由图4可知，在白天，3种时间升尺度方法在年内及不同时间尺度上的差异较大。从SUHII年内变化的角度看，图4a的SUHII值在春季和秋季较大，达到4.0 K，在夏季和冬季较小，且在夏季和冬季的部分时间存在负值，即发生冷岛效应[16]。图4b、图4c的结果与图4a不同，SUHII值呈现出夏季最高、冬季最低的现象，且全年没有出现冷岛效应。两者存在一定差异，但通常夏季城郊温差较大，会导致SUHII相对其他季节较高。因为植被覆盖量大的郊区在夏季发生较多的蒸散/发作用,导致地表温度值降低，且夏季太阳入射辐射量较高，城区下垫面吸收热量较郊区多，导致城区地表温度远大于郊区。另外，对于ATCS和ATCE模型法，其SUHII差异较小。ATCS模型法的SUHII在全年的变化呈现正弦函数形态，而ATCE考虑了天气变化，致使SUHII的年变化呈短期波动状态。

傅玉全[20]使用丹江口第一造纸厂生产的纸地膜，主要技术指标为：原纸定量35±5g/m2，原纸断裂长(纵横平均)3 600～3 700 m，原纸湿强度20%，涂布量8～10g/m2，透明度65%～70%。与裸地栽培的对照试验结果表明，作物的光合作用有明显改善，土壤温度增加，土壤含水量状况较好，具有抑制杂草和增产的优势。同时，与普通塑料薄膜相比除雨天保温效果略差外，其增产效果好，抑制杂草能力强，可以有效防止土壤板结。而且，纸基地膜60天基本降解，不但减少农田污染，而且可以增加土壤有机质。

图5显示，在夜晚，3种时间升尺度方法的SUHII在多时间尺度上的年内变化差异仍较大。图5a中，SUHII呈现春、秋季较高，约为2.5 K，夏、冬季较低，且冬季部分时间发生冷岛效应；图5b、图5c中，SUHII却在夏季最低、冬季最高，且全年没有出现冷岛效应。由于冬季太阳日辐射量较少，夜晚郊区地表储热少，而城区人为热排放较多，极大增高了城区的表面温度，导致城郊温差较大，易出现热岛效应。

比如从陕西省佳县穿越黄河至山西省临县的黄河隧道出口弃渣场，由于挡渣墙设计滞后造成已经堆了很高的弃渣却没有挡渣墙进行拦挡，而弃渣场地势较高，其下方就是农地，如果有大的降水就可能引发滑坡等灾害，不但造成严重的水土流失，而且对在农地劳动的农民人身安全产生一定的威胁。

由上述结果可知，SMW平均法与ATC模型法计算的SUHII存在较大差异，分析原因可能是：1)由MODIS有效观测地表温度数据计算的SUHII数值表现的是地表受到人为因素影响或者由于观测数据不足等情景下城市热环境的变化情况；2)ATC模型旨在反映太阳辐射量的年内变化，其关注地表自然状态下的温度波动，因此该模型计算的SUHII表征了太阳辐射年变化对城郊温差的影响；3)SMW平均法仅考虑窗口内部的数据，而ATC模型在对全年已有温度数据进行时间插值时，顾及了温度的总体变化趋势[19]；4)在夏季和冬季，卫星观测地表温度数据的晴空像元比例较小(低于10%)，城郊有效像元的地表温度及其简单平均值不具代表性，而ATC模型先进行时间插值再聚合，从而造成SUHII差异较大；5)时间升尺度过程中忽略了卫星观测值为空值的天数。

就多时间尺度而言，SMW平均法与ATC模型法的计算结果差异仍较大。图4a和图5a中，在1 d、2 d和4 d时间尺度上，SUHII数据缺值较多，且存在负值；随时间尺度的上升，数值愈加均匀，且在白天呈现增大，夜晚呈现出夏季、秋季和冬季增大、春季略减小的情况[16]。图4b和图5b中，ATCS模型法计算的SUHII随时间尺度的上升变化相对均匀。图4c和图5c中，随时间尺度的上升，ATCE模型法SUHII值在白天呈现春季、夏季和秋季减小、冬季较均匀的情况，在夜晚呈现冬季减小、其他季节均匀的趋势。

上述结果表明，不同时间升尺度方法对SUHII的计算产生显著影响，且当遥感地表温度数据缺失较多时，不同时间升尺度方法计算的SUHII存在较大差异。对于长三角地区，MODIS反演的地表温度时间序列在2012年的缺失比例达60%，7-9月份缺失最多。严重的数据缺失必然造成MODIS移动窗口平均合成的8 d或月温度产品无法准确反映地表温度年变化规律。因此，在应用MODIS地表温度合成产品时，需要检查移动窗口内的数据缺失天数，以保证满足实际应用需求。相比于SMW平均法，ATCS和ATCE模型法对遥感地表温度的年时间序列进行了插补。前者考虑了地表温度随太阳辐射强度的季节变化，后者进一步添加了外界扰动(如天气变化)对地表温度的影响。一些具有较高空间分辨率的遥感地表温度数据往往时间分辨率很低，如Landsat8卫星TIRS反演的地表温度数据每16 d有一次观测(理想状况下)。此种情形下，再考虑到云、雾霾及降雨的影响，以致一些月份甚至没有观测，此时SMW平均法已不再适用。然而，某一像元只要年内有3～4次地表温度遥感观测，则可运用ATC模型法进行温度时间升尺度研究。

蕹菜移栽后30 min和1 d、2 d、3 d、4 d、5 d、7 d、9 d、11 d、13 d、17 d、21 d、24 d、30 d、34 d、41 d、50 d、59 d、75 d、89 d、112 d和138 d取土壤表层溶液，测定溶液电导率及氧化还原电位。按文献[10]的方法测定秸秆腐解率、土壤有机碳、全氮、全磷、全钾速效磷、速效钾含量和土壤蔗糖酶、脲酶、酸性磷酸酶活性，以及蕹菜植株的全氮、全磷和全钾含量。

3 结论

时间升尺度方法能够有效提高遥感地表温度数据在城市热环境研究中的可用性，然而不同的时间升尺度方法对SUHII的计算有较大影响。本文基于MODIS每日地表温度数据，利用SMW平均法、ATCS模型法和ATCE模型法计算SUHII值并对比其差异。结论如下：1)ATCS和ACTE模型法与SMW平均法的8 d尺度地表温度数据之间存在较大差异，且城区差异最大。2)研究区内每日晴空像元比例直接影响SUHII计算结果的差异程度。随着晴空像元比例的增加，ATCS和ATCE模型法与SMW平均法计算的SUHII值均愈加接近，且ATCE的差异较ATCS更小。3)在多时间尺度上，无论白天或夜晚，SMW平均法和ATC模型法计算的年内SUHII最大值均出现在不同的季节。白天，前者的数值在夏季和冬季最小，在春季和秋季最大，而后者的数值在夏季最大、冬季最小；夜晚，前者的数值呈现春季、秋季较大，夏季、冬季较小，而后者的数值却呈现出夏季最小、冬季最大。4)随聚合时间尺度的增大，SMW平均法计算的SUHII值变化较大，而基于ATCS和ATCE模型法的SUHII值较为稳定。

通过定量分析3种时间升尺度方法对SUHII计算结果的影响，本文为地表温度数据时间升尺度策略的实现及应用提供了指导，并为城市热环境精确监测提供了帮助。针对不同数量的卫星观测数据，可以采用相应的研究策略：当卫星观测数据较多时，SMW平均法即可有效监测城市热环境；当卫星观测数据较少时，应优先采用ATC模型法，且ATCE模型法较ATCS模型法更有助于精确描述城市热环境的动态变化。

参考文献：

[1] OKE T R.The energetic basis of the urban heat island[J].Quarterly Journal of the Royal Meteorological Society,1982,108(455):1-24.

[2] TRAN H,UCHIHAMA D,OCHI S,et al.Assessment with satellite data of the urban heat island effects in Asian mega cities[J].International Journal of Applied Earth Observation and Geoinformation,2006,8(1):34-48.

[3] WIENERT U,KUTTLER W.The dependence of the urban heat island intensity on latitude—A statistical approach[J].Meteorologische Zeitschrift,2005,14(5):677-686.

[4] 李子华,任启福.重庆市区冬季热岛和湿岛效应的研究[J].地理学报,1993,48(4):358-366.

[5] 何萍,李宏波,束炯,等.楚雄市城市气候特征分析——兼谈中国主要城市热岛强度对比分析[J].地理学报,2003，58(5)：712-720.

[6] 张佳华,侯英雨,李贵才，等.北京城市及周边热岛日变化及季节特征的卫星遥感研究与影响因子分析[J].中国科学,2005,35(S1):187-194.

[7] 张景哲,刘继韩,周一星,等.北京城市热岛的几种类型[J].地理学报,1984,39(4):428-435.

[8] 周淑贞.上海近数十年城市发展对气候的影响[J].上海师范大学学报(自然科学版),1990(4):64-73.

[9] ZHOU D,ZHAO S,LIU S,et al.Surface urban heat island in China′s 32 major cities:Spatial patterns and drivers[J].Remote Sensing of Environment,2014,152(152):51-61.

[10] 宫阿都,李京,王晓娣，等.北京城市热岛环境时空变化规律研究[J].地理与地理信息科学,2005,21(6):15-18.

[11] 王天星,陈松林,马娅，等.亮温与地表温度表征的城市热岛尺度效应对比研究[J].地理与地理信息科学,2007,23(6):73-77.

[12] 杨英宝,苏伟忠,江南.基于遥感的城市热岛效应研究[J].地理与地理信息科学,2006,22(5):36-40.

[13] JIN M L,DICKINSON R E.Land surface skin temperature climatology:Benefitting from the strengths of satellite observations[J].Environmental Research Letters,2010,5(4):044004.

[14] GALLO K P,MCNAB A L,KARL T R,et al.The use of NOAA AVHRR data for assessment of the urban heat island effect[J].Journal of Applied Meteorology(United States),1993,32(5):899-908.

[15] GALLO K P,OWEN T W.Satellite-based adjustments for the urban heat island temperature bias[J].Journal of Applied Meteorology,1999,38(38):806-813.

[16] HU L,BRUNSELL N A.The impact of temporal aggregation of land surface temperature data for surface urban heat island(SUHI)monitoring[J].Remote Sensing of Environment,2013,134(5):162-174.

[17] IMHOFF M L,ZHANG P,WOLFE R E,et al.Remote sensing of the urban heat island effect across biomes in the continental USA[J].Remote Sensing of Environment，2010，114(3)：504-513.

[18] PENG S,PIAO S,CIAIS P,et al.Surface urban heat island across 419 global big cities[J].Environmental Science and Technology,2012,46(2):696-703.

[19] HUANG F,ZHAN W,VOOGT J,et al.Temporal upscaling of surface urban heat island by incorporating an annual temperature cycle model:A tale of two cities[J].Remote Sensing of Environment,2016,186:1-12.

[20] BECHTEL B.Robustness of annual cycle parameters to characterize the urban thermal landscapes[J].IEEE Geoscience and Remote Sensing Letters,2012,9(5):876-880.

[21] ZOU Z,ZHAN W,JIANG L.Enhanced modeling of remotely sensed annual land surface temperature cycle[A].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences[C].Copernicus Publications,2017.1067-1074.