论文部分内容阅读
摘 要： ENVI是地学数据处理的常用软件，其重要优势是具有较强的开源性，自身具有丰富的二次开发函数接口，可针对用户实现个性化需求。本文使用IDL语言，基于ENVI平台进行二次开发，构建了城镇扩张与热岛效应监测分析系统。该系统可实现城镇用地信息提取及地表温度反演，结合扩张速度与热岛效应等参数，分析二者之间的响应关系。结果表明：①基于ENVI平台开发的城镇扩张与热岛效应监测分析系统具有较强的实用性，可进行地表温度的反演、分析城镇扩张与热岛效应的响应关系。②实例分析的南京市2013-2018年城镇扩张与热岛效应，得出的诸多结论可为政府或相关部门提供决策支持。
关键词： ENVI;IDL;监测分析系统;城镇扩张;南京市
中图分类号： TP391.41 文献标识码： A DOI：10.3969/j.issn.1003-6970.2020.01.019
本文著录格式：朱恒超，杨强，郑加柱. 城镇扩张与热岛效应监测分析系统构建与应用——以南京市2013-2018年数据为例[J]. 软件，2020，41（01）：9196
【Abstract】： Envi is a commonly used software for geoscience data processing. One of the important advantage is the attribute of the open source. The powerful secondary development function interface， which could meet the user's personalized needs， is of great value to users. In this paper， we used IDL language， based on Envi platform for secondary development， to achieve the urban expansion information index and corresponding surface temperature inversion in Nanjing. We further combined the expansion speed and heat island effect and other parameters to analyze the response relationship between them， to build a monitoring and analysis system basing on urban expansion and heat island effect. The results shown that： ① the proposed system which used to monitor and analysis urban expansion and heat island has strong practicability， which have the ability to carry out the inversion of surface temperature， and analyze the response relationship between urban expansion and heat island effect. ② The case study of urban expansion and heat island effect in nanjing from 2013 to 2018 shows that many conclusions can provide decision support for the government or relevant departments.
【Key words】： ENVI; IDL; Monitoring and analysis system; Urban expansion; Nanjing
0 引言
根据《国家新型城镇化规划（2014-2020年）》，中国正处于城镇化深入发展的关键时期，城镇化与生态环境相互关系的时空认知研究是开展城镇规划、提升人民居住环境的重要理论基础和科学依据[1]。城镇扩张对地表温度影响较大，其所产生的热岛效应是城市环境变化的直接体现[2]。1958年，Manley首次正式提出热岛效应的概念，即：城市下垫面性质发生人为改变，加上城市密集建筑、交通碳排放和人工熱排放造成城市与郊区存在典型的地表温度时空差异[3]，该概念的提出以来，城镇扩张所引起的热岛效应及其对自然环境的影响研究成为众多研究者关注的热点研究问题[4，5]。因此，城镇空间扩张与热岛效应的空间耦合对城市发展[6]、城市气候变化[7，8]、城市生态环境监测[9，10]以及推进新型城镇化[11]等具有重要意义。
开发一种综合性的城镇扩张和热岛效应动态监测的系统一直是国内外研究的热点[12-14]，从数据使用角度看，主要集中在两方面：一方面是利用气象站等数据，结合数学方法，分析热岛效应的形成原因等[15];另一方面是利用多源遥感数据反演地表温度，考虑城镇扩张[16，17]、绿地面积[18]、植被指数[19]等因子，多角度评价热岛效应[20]。气象等数据的获取主要来源于气象站或者移动台的现场测量，虽然现代设备可以获取额外参数，如风速、污染浓度等，但是有限的监测站不能覆盖连片的区域，难以考量整体土地利用变化带来的影响[21]。目前基于遥感的城镇信息提取技术相对成熟[22]，且得益于遥感对地表热红外的敏感度，使得利用遥感技术分析城镇扩张与热岛效应成为趋势[23，24]。虽然学术界关于城市热岛效应的问题已研究多年，但由于近些年中国经济迅速上升，一线、二线城市的迅速扩张，城市热岛效应对环境造成的各种问题日益凸显，对于城镇扩张与热岛效应的相关研究应当受到高度重视[25]。 本文综合考量上述方法，利用ENVI软件进行二次开发，构建监测分析系统[26]。利用2013和2018年Landsat 8 OLI遥感影像对南京市城镇扩张信息进行模拟。城镇扩张与热岛效应监测分析系统使用单窗算法，通过多分析窗口，训练城镇扩张与热岛强度方程。该方程最终作为系统核函数实现南京市城镇扩张与热岛效应的空间耦合关系的模拟。从而为制定区域热岛效应的适应性措施提供理论依据和参考价值。
文章总体架构为：在第一章中，对系统中涉及的数学方法进行简单介绍，并构建了城镇扩张与热岛效应监测分析系统。在第二章中，介绍了我们在系统中使用的训练数据及研究样区。第三章中，对本文构建监测系统进行实际运用，探讨了南京市近五年来城镇扩张与热岛效应时空分布模式。最后，在结论部分分析了本研究存在的不足，并对未来研究方向进行了展望。
1 理论基础与系统概述
1.1 理论基础
1.1.1 城镇用地指数
城镇用地指数（Urban Land-use Index，ULI）指在归一化建筑指数[27]（NDBI）的基础上引入归一化植被指数（NDVI），分别对指数图像进行二值化和交运算，提取城镇信息[28]。通过分析典型地物的光谱特征，利用NDBI所提取城镇用地信息中包含了裸地以及低密度植被覆盖区的信息，而低密度植被覆盖区中包含植被信息和城镇用地信息。本文利用这一独特的光谱特性可以将NDBI提取得到的城镇用地中的低密度植被覆盖区从中分离出来。
公式中NDBI*为归一化建筑指数二值化图像，一般情况下NDBI>0为城镇用地，NDBI<0为非城镇用地，但本文根据研究区图像特点最终取NDBI> –0.05为城镇用地，赋值为1，以白色显示;NDBI≤ –0.05为城镇用地，赋值为0，以黑色显示;NDVI*为归一化植被指数二值化图像，经过反复试验，综合考虑精度影响，当NDVI阈值确定为0.32，可较好剔除低密度植被的影响，即NDVI>0.32时，赋值为1，以白色显示;NDVI≤0.32时，赋值为0，以黑色显示。
1.1.2 单窗算法
单窗算法是覃志豪[29，30]等人根据地表热辐射传导方程，提出的一个精度较高的演算地表温度的方法。本文利用单窗算法反演地表温度，具体步骤如下：
1.2 系统框架与简述
以上述理论为基础，构建了城镇扩张与热岛效应监测分析系统，系统运行流程图如图1所示。
整体程序由IDL语言基于ENVI平台开发。从流程图中可以看到，输入数据为相应年份的遥感相片数据，接着分别进行了城市用地信息的解算以及地表温度的反演，经过综合分析得出二者时空分布关系，最终将相关内容进行实践应用。
2 研究区域与数据描述
2.1 研究概
南京作为江苏省省会城市，位于中国东部、长江下游中部地区，坐标为北纬31°14′-32°37′，东经118°22′-119°14′（图2）。南京市总面积6587 km2，2017年建成区面积1398.69 km?，常住人口833.5万人，城镇人口685.89万人，城镇化率82.3%，是长三角及华东唯一的特大城市。南京地区属于北亚热带季风气候，四季分明，冬夏长而春秋短。年平均气温16℃。夏季平均气温26.5℃，最高气温可达38℃;冬季平均气温4.0℃，最低气温达–8℃。无霜期长，年平均239天。雨水充沛，年平均降雨117天，降水量达1106.5毫米，每年6月下旬到7月中旬为梅雨季节。光能资源充足，年平均日照时数2013.1小时。
2.2 數据源概况
本文选用的是2013年4月7日和2018年4月3日两期Landsat8 OLI和TIRS数据，轨道号为120/30，覆盖整个南京市区域。两期遥感影像云量分别为0.02%和0.67%，过境时间前后相差三分钟，查阅南京历史天气可知两天气温差异在4℃以内，具备可比性，满足本研究要求。OLI传感器较之前Landsat7 ETM+传感器，还增加了Deep blue波段、Coastal/Aerosal波段和Crirus波段。TIRS传感器有两个热红外波段（表1），可用于地表温度反演、火灾检测，土壤湿度评价等研究，本文主要使用热红外第10波段。
南京市相对湿度、年平均气温等数据，主要通过查阅《江苏省统计年鉴各市个月平均气温》、《中国统计年鉴主要城市平均相对湿度》等所得。本文使用的行政区界线数据来源于北京大学城市与环境学院地理数据共享服务平台（http：//geodata.pku.edu.cn）。
3 系统运用与实例分析
在本章中，利用相关数据对系统的实效性进行验证，得到一些关于城市扩张及热岛效应的时空变化特征。实验获取的回归函数将作为系统的核函数，对实验地区城镇扩张与热岛效应的相关分析。
3.1 南京市城镇扩张结果
2013-2018年，南京市城镇扩张呈现边缘扩张趋势，各区发展不均匀（图3）。由于江北国家级新区的建立、江宁和高淳等郊区的快速城镇化发展、外来投资的不断增长，外来人口的不断涌入，这些地区城镇用地面积不断地扩大，商品住宅规模也随之增大，且配备了相对完善的公共设施，地铁、公交等交通设施的不断完善，部分城镇人口和企业都往这些地区迁移，在上述地区呈现出相对集中发展，城市扩张十分明显，尤其江北地区及南京的南部高淳地区。
南京市城镇扩张主要呈现边缘扩张趋势，局部呈现条带状发展趋势，主城区未见明显城镇扩张。江北的浦口桥林新城板块、六合区中心城镇扩张由内向外扩张，边缘城镇用地增加明显。南京南部的高淳区近年来得益于《高淳区五年建设规划》，城镇扩张迅速，尤其是淳溪、高淳经济开发区域出现连片式扩张，在保护高淳区传统空间格局下，逐渐形成“一新城—六新市镇—三片区”的空间结构。南京市各大郊区的城镇扩张离不开政策的扶持，随着旅游生态业的深入发展，各高新技术开发区的建成发展，郊区的城镇还将进一步扩张。 3.2 南京市城镇热岛分布结果
根据2013年所反演的地表温度可知（图4左），南京市郊区地表温度大部分集中在15-25℃，主城区温度集中在25-30℃，城镇热岛基本呈带状分布于长江两岸，其中以南岸的主城居多。2018年（图4右），南京市郊区地表温度上升明显，较2013年地表温度图，颜色加深，其中高温区域由主城区向四周扩张，其中浦口区和江宁区辐射明显，六合区和高淳区地表温度上升，高温区域呈现零散分布状态。
3.3 城镇扩张与热岛效应耦合分析
由系统获取2013年和2018年南京市热岛等级分布状况（图5）。南京市2013-2018年绿岛面积呈下降趋势，次绿岛面积发生少量变化，中等热岛有向强热岛、极强热岛转化的趋势。结合城镇扩张信息可发现：南京市城镇热岛范围逐渐扩大，基本与城镇空间扩张一致。随着江北国家级新区的快速发展，城镇面积显著增加的同时，强热岛也在逐渐增多，尤其沿江一带，次绿岛向中等热岛演变明显。南京市南部高淳区城镇扩张的同时，热岛效应也变化明显，2013年大部分为绿岛和次绿岛，到了2018年部分演化为中等热岛，甚至出现了强热岛地块。主城区热岛效应变化缓和，强热岛地块明显增加，这与地区高强度发展有关。
为揭示城镇扩张与热岛效应的相关性，本系统通过多次调整分析窗口大小，确定使用行列数为638和698的矩形区域分割栅格，计算分割后各矩形区域下的城镇扩张面积、城镇扩张速率，地表温度、热岛效应强度，分析城镇扩张面积与地表温度变化之间的相关关系，得出拟合方程y=0.1537x+4.9564，相关系数R?=0.74（图6），证实城镇扩张与城镇的地表温度具有同步性。
进一步分析热岛强度与城镇扩张速率的相关关系，得出拟合方程y=–6.3689x3+3.9098x2+0.6781x– 0.0271相关系数R2=0.82（图6）。
从图7可以看出，在横轴0.1之后处于热岛效应初期，城镇扩张速率加快明显，城镇处于快速扩张时期，热岛效应加强明显，地表温度升温迅速;随着热岛效应的加强，达到横轴0.4处后，城镇扩张速率增长变慢，城镇用地建设开始放缓，符合实际情况，基本满足城镇扩张与热岛效应的一致性。
4 结论与展望
基于ENVI平台，使用IDL语言构建了城镇扩张与热岛效应监测分析系统。使用2013-2018年Landsat 8遥感影像作为训练数据，实现了对南京市城镇扩张信息、地表温度以及热岛效应的初步分析与探究，分析了南京市城镇扩张与热岛效应的时空耦合关系。得出以下结论：
（1）基于ENVI平台开发的城镇扩张与热岛效应监测分析系统具有较强的实用性，可进行城镇信息提取、地表温度的反演、及城镇扩张与热岛效应响应关系的研究。
（2）依据该系统进行的实例研究，分析得出的2013-2018年南京市城镇扩张与热岛相关结论，可为当地政府或相关部门提供理论基础与决策支持。
构建的城镇扩张与热岛效应监测分析系统对于城镇扩张的模拟尚未支持，目前仅可用于城镇信息的提取及热岛效应的分析等功能。在未来的研究中，考虑加入元胞自动机等算法实现对未来城镇扩张的模拟与预测，从而增强系统的实用性与可靠性。
参考文献
[1] 陆大道， 陈明星. 关于“国家新型城镇化规划（2014-2020）”编制大背景的几点认识[J]. 地理学报， 2015， 70（02）： 179-185.
[2] Yin C， Yuan M， Lu Y， et al. Effects of urban form on the urban heat island effect based on spatial regression model[J]. Science of The Total Environment， 2018， 634： 696-704.
[3] Manley G. On the frequency of snowfall in metropolitan England[J]. Quarterly Journal of the Royal Meteorological Society， 1958， 84（359）： 70-72.
[4] Zhou X， Chen H. Impact of urbanization-related land use land cover changes and urban morphology changes on the urban heat island phenomenon[J]. Science of The Total Environment， 2018， 635： 1467-1476.
[5] 何志斌. 昆明市主城區热岛效应特征及驱动机制分析[J]. 软件， 2018， 39（7）： 152-156.
[6] Bonafoni S， Baldinelli G， Verducci P. Sustainable strategies for smart cities： Analysis of the town development effect on surface urban heat island through remote sensing methodologies[J]. Sustainable Cities and Society， 2017， 29： 211-218.
[7] Hoymann J， Goetzke R. Simulation and Evaluation of Urban Growth for Germany Including Climate Change Mitigation and Adaptation Measures[J]. ISPRS International Journal of Geo-Information， 2016， 5（7）： 101.
关键词： ENVI;IDL;监测分析系统;城镇扩张;南京市
中图分类号： TP391.41 文献标识码： A DOI：10.3969/j.issn.1003-6970.2020.01.019
本文著录格式：朱恒超，杨强，郑加柱. 城镇扩张与热岛效应监测分析系统构建与应用——以南京市2013-2018年数据为例[J]. 软件，2020，41（01）：9196
【Abstract】： Envi is a commonly used software for geoscience data processing. One of the important advantage is the attribute of the open source. The powerful secondary development function interface， which could meet the user's personalized needs， is of great value to users. In this paper， we used IDL language， based on Envi platform for secondary development， to achieve the urban expansion information index and corresponding surface temperature inversion in Nanjing. We further combined the expansion speed and heat island effect and other parameters to analyze the response relationship between them， to build a monitoring and analysis system basing on urban expansion and heat island effect. The results shown that： ① the proposed system which used to monitor and analysis urban expansion and heat island has strong practicability， which have the ability to carry out the inversion of surface temperature， and analyze the response relationship between urban expansion and heat island effect. ② The case study of urban expansion and heat island effect in nanjing from 2013 to 2018 shows that many conclusions can provide decision support for the government or relevant departments.
【Key words】： ENVI; IDL; Monitoring and analysis system; Urban expansion; Nanjing
0 引言
根据《国家新型城镇化规划（2014-2020年）》，中国正处于城镇化深入发展的关键时期，城镇化与生态环境相互关系的时空认知研究是开展城镇规划、提升人民居住环境的重要理论基础和科学依据[1]。城镇扩张对地表温度影响较大，其所产生的热岛效应是城市环境变化的直接体现[2]。1958年，Manley首次正式提出热岛效应的概念，即：城市下垫面性质发生人为改变，加上城市密集建筑、交通碳排放和人工熱排放造成城市与郊区存在典型的地表温度时空差异[3]，该概念的提出以来，城镇扩张所引起的热岛效应及其对自然环境的影响研究成为众多研究者关注的热点研究问题[4，5]。因此，城镇空间扩张与热岛效应的空间耦合对城市发展[6]、城市气候变化[7，8]、城市生态环境监测[9，10]以及推进新型城镇化[11]等具有重要意义。
开发一种综合性的城镇扩张和热岛效应动态监测的系统一直是国内外研究的热点[12-14]，从数据使用角度看，主要集中在两方面：一方面是利用气象站等数据，结合数学方法，分析热岛效应的形成原因等[15];另一方面是利用多源遥感数据反演地表温度，考虑城镇扩张[16，17]、绿地面积[18]、植被指数[19]等因子，多角度评价热岛效应[20]。气象等数据的获取主要来源于气象站或者移动台的现场测量，虽然现代设备可以获取额外参数，如风速、污染浓度等，但是有限的监测站不能覆盖连片的区域，难以考量整体土地利用变化带来的影响[21]。目前基于遥感的城镇信息提取技术相对成熟[22]，且得益于遥感对地表热红外的敏感度，使得利用遥感技术分析城镇扩张与热岛效应成为趋势[23，24]。虽然学术界关于城市热岛效应的问题已研究多年，但由于近些年中国经济迅速上升，一线、二线城市的迅速扩张，城市热岛效应对环境造成的各种问题日益凸显，对于城镇扩张与热岛效应的相关研究应当受到高度重视[25]。 本文综合考量上述方法，利用ENVI软件进行二次开发，构建监测分析系统[26]。利用2013和2018年Landsat 8 OLI遥感影像对南京市城镇扩张信息进行模拟。城镇扩张与热岛效应监测分析系统使用单窗算法，通过多分析窗口，训练城镇扩张与热岛强度方程。该方程最终作为系统核函数实现南京市城镇扩张与热岛效应的空间耦合关系的模拟。从而为制定区域热岛效应的适应性措施提供理论依据和参考价值。
文章总体架构为：在第一章中，对系统中涉及的数学方法进行简单介绍，并构建了城镇扩张与热岛效应监测分析系统。在第二章中，介绍了我们在系统中使用的训练数据及研究样区。第三章中，对本文构建监测系统进行实际运用，探讨了南京市近五年来城镇扩张与热岛效应时空分布模式。最后，在结论部分分析了本研究存在的不足，并对未来研究方向进行了展望。
1 理论基础与系统概述
1.1 理论基础
1.1.1 城镇用地指数
城镇用地指数（Urban Land-use Index，ULI）指在归一化建筑指数[27]（NDBI）的基础上引入归一化植被指数（NDVI），分别对指数图像进行二值化和交运算，提取城镇信息[28]。通过分析典型地物的光谱特征，利用NDBI所提取城镇用地信息中包含了裸地以及低密度植被覆盖区的信息，而低密度植被覆盖区中包含植被信息和城镇用地信息。本文利用这一独特的光谱特性可以将NDBI提取得到的城镇用地中的低密度植被覆盖区从中分离出来。
公式中NDBI*为归一化建筑指数二值化图像，一般情况下NDBI>0为城镇用地，NDBI<0为非城镇用地，但本文根据研究区图像特点最终取NDBI> –0.05为城镇用地，赋值为1，以白色显示;NDBI≤ –0.05为城镇用地，赋值为0，以黑色显示;NDVI*为归一化植被指数二值化图像，经过反复试验，综合考虑精度影响，当NDVI阈值确定为0.32，可较好剔除低密度植被的影响，即NDVI>0.32时，赋值为1，以白色显示;NDVI≤0.32时，赋值为0，以黑色显示。
1.1.2 单窗算法
单窗算法是覃志豪[29，30]等人根据地表热辐射传导方程，提出的一个精度较高的演算地表温度的方法。本文利用单窗算法反演地表温度，具体步骤如下：
1.2 系统框架与简述
以上述理论为基础，构建了城镇扩张与热岛效应监测分析系统，系统运行流程图如图1所示。
整体程序由IDL语言基于ENVI平台开发。从流程图中可以看到，输入数据为相应年份的遥感相片数据，接着分别进行了城市用地信息的解算以及地表温度的反演，经过综合分析得出二者时空分布关系，最终将相关内容进行实践应用。
2 研究区域与数据描述
2.1 研究概
南京作为江苏省省会城市，位于中国东部、长江下游中部地区，坐标为北纬31°14′-32°37′，东经118°22′-119°14′（图2）。南京市总面积6587 km2，2017年建成区面积1398.69 km?，常住人口833.5万人，城镇人口685.89万人，城镇化率82.3%，是长三角及华东唯一的特大城市。南京地区属于北亚热带季风气候，四季分明，冬夏长而春秋短。年平均气温16℃。夏季平均气温26.5℃，最高气温可达38℃;冬季平均气温4.0℃，最低气温达–8℃。无霜期长，年平均239天。雨水充沛，年平均降雨117天，降水量达1106.5毫米，每年6月下旬到7月中旬为梅雨季节。光能资源充足，年平均日照时数2013.1小时。
2.2 數据源概况
本文选用的是2013年4月7日和2018年4月3日两期Landsat8 OLI和TIRS数据，轨道号为120/30，覆盖整个南京市区域。两期遥感影像云量分别为0.02%和0.67%，过境时间前后相差三分钟，查阅南京历史天气可知两天气温差异在4℃以内，具备可比性，满足本研究要求。OLI传感器较之前Landsat7 ETM+传感器，还增加了Deep blue波段、Coastal/Aerosal波段和Crirus波段。TIRS传感器有两个热红外波段（表1），可用于地表温度反演、火灾检测，土壤湿度评价等研究，本文主要使用热红外第10波段。
南京市相对湿度、年平均气温等数据，主要通过查阅《江苏省统计年鉴各市个月平均气温》、《中国统计年鉴主要城市平均相对湿度》等所得。本文使用的行政区界线数据来源于北京大学城市与环境学院地理数据共享服务平台（http：//geodata.pku.edu.cn）。
3 系统运用与实例分析
在本章中，利用相关数据对系统的实效性进行验证，得到一些关于城市扩张及热岛效应的时空变化特征。实验获取的回归函数将作为系统的核函数，对实验地区城镇扩张与热岛效应的相关分析。
3.1 南京市城镇扩张结果
2013-2018年，南京市城镇扩张呈现边缘扩张趋势，各区发展不均匀（图3）。由于江北国家级新区的建立、江宁和高淳等郊区的快速城镇化发展、外来投资的不断增长，外来人口的不断涌入，这些地区城镇用地面积不断地扩大，商品住宅规模也随之增大，且配备了相对完善的公共设施，地铁、公交等交通设施的不断完善，部分城镇人口和企业都往这些地区迁移，在上述地区呈现出相对集中发展，城市扩张十分明显，尤其江北地区及南京的南部高淳地区。
南京市城镇扩张主要呈现边缘扩张趋势，局部呈现条带状发展趋势，主城区未见明显城镇扩张。江北的浦口桥林新城板块、六合区中心城镇扩张由内向外扩张，边缘城镇用地增加明显。南京南部的高淳区近年来得益于《高淳区五年建设规划》，城镇扩张迅速，尤其是淳溪、高淳经济开发区域出现连片式扩张，在保护高淳区传统空间格局下，逐渐形成“一新城—六新市镇—三片区”的空间结构。南京市各大郊区的城镇扩张离不开政策的扶持，随着旅游生态业的深入发展，各高新技术开发区的建成发展，郊区的城镇还将进一步扩张。 3.2 南京市城镇热岛分布结果
根据2013年所反演的地表温度可知（图4左），南京市郊区地表温度大部分集中在15-25℃，主城区温度集中在25-30℃，城镇热岛基本呈带状分布于长江两岸，其中以南岸的主城居多。2018年（图4右），南京市郊区地表温度上升明显，较2013年地表温度图，颜色加深，其中高温区域由主城区向四周扩张，其中浦口区和江宁区辐射明显，六合区和高淳区地表温度上升，高温区域呈现零散分布状态。
3.3 城镇扩张与热岛效应耦合分析
由系统获取2013年和2018年南京市热岛等级分布状况（图5）。南京市2013-2018年绿岛面积呈下降趋势，次绿岛面积发生少量变化，中等热岛有向强热岛、极强热岛转化的趋势。结合城镇扩张信息可发现：南京市城镇热岛范围逐渐扩大，基本与城镇空间扩张一致。随着江北国家级新区的快速发展，城镇面积显著增加的同时，强热岛也在逐渐增多，尤其沿江一带，次绿岛向中等热岛演变明显。南京市南部高淳区城镇扩张的同时，热岛效应也变化明显，2013年大部分为绿岛和次绿岛，到了2018年部分演化为中等热岛，甚至出现了强热岛地块。主城区热岛效应变化缓和，强热岛地块明显增加，这与地区高强度发展有关。
为揭示城镇扩张与热岛效应的相关性，本系统通过多次调整分析窗口大小，确定使用行列数为638和698的矩形区域分割栅格，计算分割后各矩形区域下的城镇扩张面积、城镇扩张速率，地表温度、热岛效应强度，分析城镇扩张面积与地表温度变化之间的相关关系，得出拟合方程y=0.1537x+4.9564，相关系数R?=0.74（图6），证实城镇扩张与城镇的地表温度具有同步性。
进一步分析热岛强度与城镇扩张速率的相关关系，得出拟合方程y=–6.3689x3+3.9098x2+0.6781x– 0.0271相关系数R2=0.82（图6）。
从图7可以看出，在横轴0.1之后处于热岛效应初期，城镇扩张速率加快明显，城镇处于快速扩张时期，热岛效应加强明显，地表温度升温迅速;随着热岛效应的加强，达到横轴0.4处后，城镇扩张速率增长变慢，城镇用地建设开始放缓，符合实际情况，基本满足城镇扩张与热岛效应的一致性。
4 结论与展望
基于ENVI平台，使用IDL语言构建了城镇扩张与热岛效应监测分析系统。使用2013-2018年Landsat 8遥感影像作为训练数据，实现了对南京市城镇扩张信息、地表温度以及热岛效应的初步分析与探究，分析了南京市城镇扩张与热岛效应的时空耦合关系。得出以下结论：
（1）基于ENVI平台开发的城镇扩张与热岛效应监测分析系统具有较强的实用性，可进行城镇信息提取、地表温度的反演、及城镇扩张与热岛效应响应关系的研究。
（2）依据该系统进行的实例研究，分析得出的2013-2018年南京市城镇扩张与热岛相关结论，可为当地政府或相关部门提供理论基础与决策支持。
构建的城镇扩张与热岛效应监测分析系统对于城镇扩张的模拟尚未支持，目前仅可用于城镇信息的提取及热岛效应的分析等功能。在未来的研究中，考虑加入元胞自动机等算法实现对未来城镇扩张的模拟与预测，从而增强系统的实用性与可靠性。
参考文献
[1] 陆大道， 陈明星. 关于“国家新型城镇化规划（2014-2020）”编制大背景的几点认识[J]. 地理学报， 2015， 70（02）： 179-185.
[2] Yin C， Yuan M， Lu Y， et al. Effects of urban form on the urban heat island effect based on spatial regression model[J]. Science of The Total Environment， 2018， 634： 696-704.
[3] Manley G. On the frequency of snowfall in metropolitan England[J]. Quarterly Journal of the Royal Meteorological Society， 1958， 84（359）： 70-72.
[4] Zhou X， Chen H. Impact of urbanization-related land use land cover changes and urban morphology changes on the urban heat island phenomenon[J]. Science of The Total Environment， 2018， 635： 1467-1476.
[5] 何志斌. 昆明市主城區热岛效应特征及驱动机制分析[J]. 软件， 2018， 39（7）： 152-156.
[6] Bonafoni S， Baldinelli G， Verducci P. Sustainable strategies for smart cities： Analysis of the town development effect on surface urban heat island through remote sensing methodologies[J]. Sustainable Cities and Society， 2017， 29： 211-218.
[7] Hoymann J， Goetzke R. Simulation and Evaluation of Urban Growth for Germany Including Climate Change Mitigation and Adaptation Measures[J]. ISPRS International Journal of Geo-Information， 2016， 5（7）： 101.