The Spatial-temporal Landscape Pattern Variation According to the Anthropogenic Heat in the Central Area of Guangzhou
-
摘要: 为了探究人为热排放对城市生态环境的影响，以广州市中心城区为研究区，利用Landsat数据和地表能量平衡方程，研究了2004—2020年城市人为热排放时空演变状况，结合转移矩阵和景观格局指数分析了人为热排放的时空变化特征及景观格局变化规律. 结果表明：(1)从时间上来看，2004—2014、2014—2020年的人为热排放变化分别以区域快速扩张、强度明显增强为主要特点；从空间上来看，广州市中心城区南部的人为热排放强度比北部的高. (2)人为热排放转移矩阵显示2004—2020年广州市中心城区人为热排放变化显著，低排放区面积占比的变化幅度最大(减少15.72%)，其次是中排放区(增加14.51%)，高排放区面积占比的变化幅度最小(增加0.28%). 由低排放区转为其他类型的比例高达97.36%，由其他类型转为中排放区的比例高达98.43%，构成了人为热排放变化的主要形式. (3)景观水平上，景观聚集度指数(CONTAG)上升，香农多样性指数(SHDI)和修正Simpon均匀度指数(MSIEI)下降，中心城区的人为热排放景观异质性增强，破碎程度提高；不同等级区人为热排放的景观格局演变具有明显差异，其中，低强度排放景观格局(低排放区、低中排放区)趋于稳定性、规则化，高强度排放景观格局(中排放区、中高排放区、高排放区)趋于破碎化、不规则化.Abstract: In order to explore the impact of anthropogenic heat emissions on the urban ecological environment, the central urban area of Guangzhou was taken as the research area, the temporal and spatial evolution of urban anthropogenic heat emissions from 2004 to 2020 were explored using the Landsat remote sensing data and the surface energy balance model, and the spatial-temporal characteristics of anthropogenic heat emissions and the norms of the landscape pattern change were analyzed with the transfer matrix and the landscape pattern index. The following results were obtained. First, in terms of time, rapid expansion of anthropogenic heat emission area was the main feature from 2004 to 2014 and dramatic increase of anthropogenic heat emission intensity was the main feature from 2014 to 2020; in terms of space, the intensity of anthropogenic heat emission in the southern part was higher than that in the northern part. Second, as the transfer matrix showed, the anthropogenic heat emission in the central area of Guangzhou changed significantly during the study period. The area of low-emission zone (decreased by 15.72%) in central area changed the most, the area of medium-emission zone (increased by 14.51%) underwent less change, and the area of high-emission zone (increased by 0.28%) changed the least. Transfer from low-emission zone and transfer into middle-emission zone were the main forms, accounting for 97.36% and 98.43% respectively. Third, the contagion index (CONTAG) increased, while the shannon's diversity index (SHDI) and the modified simpon evenness index (MSIEI) decreased. Consequently, the landscape pattern heterogeneity and the degree of fragmentation of anthropogenic heat emission increased. Moreover, there were obvious differences in the evolution of the landscape pattern in zones of different levels of anthropogenic heat emission. The landscape pattern of low- and low-medium-emission zones tend to be stable and regular while the landscape pattern of medium-, medium-high- and high-emission zones tend to be fragmented and irregular.
-
素数在公钥密码算法中广泛使用，公钥密码算法是基于难解性问题设计的，因此不需要像对称密码算法一样需要安全的信道传输密钥，但是公钥密码算法的计算量和大素数生成的资源开销较大。如：RSA算法[1]需要生成2个相同比特长度的素数p和q, 然后计算公钥(n, e) (n=p·q)，以及计算私钥d=e-1 mod φ(n)，其中e为随机数并与φ(n)互素。因为素数具有分布不均匀性，导致素数生成算法依赖于增量算法来寻找随机数的邻近素数，所以大素数的生成开销较大。
最原始生成素数的方法是选取一个随机奇数进行素性测试，如果不是素数则重新选取一个随机奇数，直到找到一个素数[2]。1980年，RABIN[3]提出了Miller-Rabin概率素性测试算法，该算法可以概率性检测输入的整数是否为合数。1988年，BEAUCHEMIN等[4]将Miller-Rabin概率素性测试算法用于检验随机整数是否是素数的可靠性问题。1991年，BRANDT等[5]对原始素数生成算法进行改进，提出了增量算法：在素性测试失败后，通过加2的方式寻找邻近的素数，从而提高算法效率。1992年，BRANDT和DAMGARD[6]对文献[5]的增量算法进行了详细的性能分析。2000年，JOYE等[7]改进了文献[5]的增量算法，降低了素性测试的次数，提出了M-J素数生成算法。2006年，JOYE和PALIIER[8]对文献[7]提出的M-J素数生成算法的参数选取进行了优化，提出了M-J特例素数生成算法。2011年，雷文等[9]改进了Miller-Rabin素性测试方法，增加了预测试环节，设计了快速大素数算法；汤鹏志和李彪[10]基于概率论的方法，改进了Era-tosthenes筛法并构建素数库，通过分析素数库中素数尾数的分类频数和表达式下素数频率，使用Miller-Rabin算法对形如∏Pmi×n+1(Pi为小素数)的整数进行校验，设计了快速大素数生成算法。2017年，郑朝霞等[11]在素性测试阶段，通过并行实现小素数擦拭和Miller-Rabin素性测试，从而减少了小素数单独运算消耗时间。2018年，李峰等[2]归纳并总结了原生素数生成算法、现代素数生成算法，并进行了性能比较分析。2019年，刘彦鑫[12]基于中国剩余定理实现素数搜索的算法，研究了素数在多维空间的分布规律，减少在某个区间搜索的整数数量，从而提高了素数搜索的效率。
本文是对改进的增量素数生成算法[2]进行改进，改进的增量素数生成算法中，起始状态是选取一个与小素数乘积互素的奇数，每次素性测试失败后，重新随机选取奇数，并将其与小素数的乘积求和。改进的增量素数生成算法在生成较短长度(512 bit)的素数时有更好的性能，但是在生成1 024 bit以上长度的素数时的性能较弱。为了得到一个可拓展长度的快速素数生成算法，本文基于中国剩余定理与门限的理念，设计了基于中国剩余定理的门限素数生成算法(TCPG)。具体地说，TCPG算法通过中国剩余定理求解小素数数组的同余方程组，从而获得初始状态；然后，在素性测试失败后，采用门限思想生成门限值个随机数，再求解同余方程组，从而提高素数生成的效率。
1. TCPG算法
1.1 改进的增量素数生成算法
增量素数生成算法由BRANDT等[5]提出，后来被抽象成算法1[2]的形式。两者的区别是：(1)算法1的初始化变量p与小素数乘积μ互素，小素数乘积通常为2×3×5×…×…≤p，其中p表示p的比特长度；(2)增量过程从p=p+2变成了p=p+μ。
表 算法1 改进的增量素数生成算法[2]Input：所需素数的比特位数n和小素数乘积μ=∏r(n)i=1pi Output：素数pend while
取与μ互素、长度为n bit的随机奇数p while T(p)==false do p=p+μ 返回p 1.2 中国剩余定理素数生成算法
中国剩余定理又称为“孙子定理”，是求解一次同余方程组的方法。设m1, m2, …, mn是两两互素的正整数，有M=∏ni=1mi，则同余方程组可表示为:
{x≡r1(modm1) ,⋯x≡rn(modmn) 。 此方程有唯一解：
x=n∑i=1riMiM−1i , (1) 其中，Mi=M/mi, Mi-1Mi≡1 mod mi。
中国剩余定理提供了求解同余方程组的方法[12]，同时还提供了一种数值映射的方法：选取n个两两互素的正整数m1, m2, …, mn，然后求解同余方程组，得到1个与n个小素数互素的准素数。中国剩余定理素数生成算法(算法2)的核心思想是利用这种数值映射方法寻找素数。
表 算法2 中国剩余定理素数生成算法Input：所需素数比特位数n和小素数乘数μ=∏r(n)i=1pi Output：素数p 预计算: for i=1 to r(n)do θi=(μpi)[(μpi)−1modpi] end 主运算:
p=0while T(p)==false do for i=0 to r(n)do p=p+x×θi end
end
返回p1.3 TCPG算法
中国剩余定理素数生成算法在素性测试失败后，需要更新全部随机数后才求解同余方程，导致消耗过多的时间。为了解决此问题，TCPG算法根据素数比特长度选取合适的小素数数组，然后寻找该数组中最优的门限值k(门限值k代表需要更新随机数的个数)；在素性测试失败后仅更新k个随机数，降低随机数的生成个数，从而提高素数生成效率。由于随机数是通过中国剩余定理在小素数数组中计算得到的，因此在素性测试中可以减少小素数擦拭次数，提高素性测试执行效率。为了生成给定区间[qmin, qmax]或其间隔中均匀分布的素数p，由式(1)可知x=∑ni=1riMiM−1i。当ri=1时，x=∑ni=1MiM−1i, 为最小值；当ri=pi时，x=∑ni=1piMiM−1i，为最大值。则x∈[∑ni=1MiM−1i,∑ni=1piMiM−1i]∈[qmin,qmax](如图 1所示)，其中r(n)是一个关于n的整数函数，满足2×p2×…×pr(n)+1≥n。
TCPG算法可以先通过预计算同余方程中的MiMi-1来减少每轮的计算量，然后通过更新门限个随机数来重构素数p，具体如算法3所示。
表 算法3 TCPG算法Input：所需素数比特位数n、Π、门限值t Output：素数p 预计算: for i=1 to r(n)do θi=(Πpi)[(Πpi)−1modpi] end 主运算: c=0, p=0 for i=1 to r(n)-t do c=c+x×θi end while T(p)==false do p←c for i=r(n)-t to r(n)do p=p+x×θi end end 返回p 2. 实验结果与性能分析
本节将首先探究TCPG算法的门限值k对素数生成平均时长的影响，然后基于Miller-Rabin概率素性测试算法[3]，将TCPG算法与原生素数生成算法、增量素数生成算法[5]、改进的增量算法[2]、M-J特例算法[7]、改进的M-J算法[8]和中国剩余定理素数生成算法[12](简称CRT)进行对比实验。
2.1 门限值对TCPG算法的性能影响
首先，分析不同门限值k对TCPG算法的性能影响。为了寻找小素数数组中的最优门限值k，研究当TCPG算法生成不同长度的素数时，不同门限值对素数生成平均时长的影响。实验环境为Go语言编程，运行在Intel i3-8350K@4.00 GHz处理器上，对每个k进行10 000次实验。
由图 2可知随机数的更新个数和素数生成平均时长没有明显的线性关系，因此，不同小素数的组合都需要通过实验来确定该数组的最优门限值k。本文采用的小素数数组在TCPG算法中生成1个长度为512 bit的素数的最优门限值k为6，所需平均时长为7.80 ms；生成1个长度为1 024 bit的素数的最优门限值k为3，所需平均时长为53.30 ms；生成1个长度为2 048 bit的素数的最优门限值k为18，所需平均时长为505.78 ms。
![]()
图 2 TCPG算法的不同k值性能分析图Figure 2. Performance analysis diagram of different k values of TCPG algorithm2.2 素数生成算法性能分析
测试环境为Go语言编程, 运行在Intel i3-8350K@4.00 GHz处理器上；TCPG算法在生成长度分别为512、1 024、2 048 bit的素数的门限值均为2.1节得到的最优门限值。
由平均时长和平均素性判定次数(表 1)可知TCPG算法生成1个长度为512 bit的素数的平均时长略多于改进的增量算法所需时长，但是，在生成长度为1 024 bit和2 048 bit的素数的平均时长最短：TCPG算法生成1个长度为512 bit的素数的平均时长为7.80 ms，比CRT算法降低了18.6%；生成1个长度为1 024 bit的素数的平均时长为53.30 ms, 比CRT素数降低了7%；生成1个长度为2 048 bit的素数的平均时长为505.78 ms, 比CRT算法降低了5%。
表 1 素数生成算法性能分析Table 1. Performance analysis of prime number generation algorithm素数长度 平均时长/ms 原生素数生成算法 增量素数生成算法 改进的增量算法 M-J特例算法 改进的M-J算法 CRT算法 TCPG算法 512 9.64 9.57 7.73 18.70 9.97 9.26 7.80 1 024 76.78 75.97 58.80 996.72 56.00 57.33 53.30 2 048 827.12 830.57 611.81 4 028.00 560.32 532.20 505.78 素数长度 平均素数判定次数 原生素数生成算法 增量素数生成算法 改进的增量算法 M-J特例算法 改进的M-J算法 CRT算法 TCPG算法 512 176 174 32 190 112 49 50 1 024 354 351 66 709 120 59 58 2 048 705 710 134 1 062 240 108 109 另外，实验算法统一进行30次Miller-Rabin概率素性测试，每个算法生成的素数可信度为(1-(1/4)30)*100%≈100%，也就是说，实验在生成十万个大素数的情况下，最多只有0个假素数，因此实验的结果是可信的。
3. 结论
为了提高大素数生成的效率，本文基于中国剩余定理对改进的增量素数生成算法进行了改进，设计了基于中国剩余定理的门限素数生成算法(TCPG)。然后基于Miller-Rabin素性测试算法，将TCPG算法与原生素数生成算法、增量素数生成算法、改进的增量算法、M-J特例算法、改进的M-J算法和中国剩余定理素数生成算法(简称CRT)进行对比实验。实验结果表明TCPG算法生成1个长度为512 bit的素数的平均时长(7.80 ms)略多于改进的增量算法所需时长(7.73 ms)，但是，生成长度为1 024 bit和2 048 bit的素数的平均时长最短：TCPG算法在Miller-Rabin素性测试算法下生成1个长度为512 bit的素数的平均时长为7.80 ms，比CRT算法减少1.46 ms；生成1个长度为1 024 bit的素数用时需53.30 ms，比改进的增量素数生成算法、CRT算法分别减少5.50、4.30 ms；生成1个长度为2 048 bit的素数用时需505.78 ms，比改进的增量素数生成算法、CRT算法分别减少106.03、54.54 ms。
本文仅给出了TCPG算法的实现和性能分析，实际应用时需考虑侧信道信息的泄露[13]和算法的安全性问题[14]；若要用于RSA方案，则还需要保证使用的是强素数[15]。
-
![]()
图 2 不同时期广州市中心城区人为热排放空间分布状况
Figure 2. The spatial distribution of anthropogenic heat emission in the central area of Guangzhou in different periods
![]()
图 3 不同时期广州市中心城区人为热等级区分布图
Figure 3. The spatial distribution of anthropogenic heat of different levels in the central area of Guangzhou in different periods
![]()
图 4 广州市中心城区类型水平上的景观格局指数变化(2004—2020年)
Figure 4. The change of landscape pattern index according to the emission levels in the central area of Guangzhou from 2004 to 2020
![]()
图 5 广州市中心城区景观水平上的景观格局指数变化(2004—2020年)
Figure 5. The change of landscape pattern index according to the landscape level in the central area of Guangzhou from 2004 to 2020
表 1 广州站同期气象数据
Table 1 The meteorological data of Guangzhou
数据获取时间 大气温度/℃ 大气压/hpa 水汽压/hpa 风速/(m·s-2) 太阳总辐射/(W·m-2) 2004-01-21 7.0 1 019.9 6.0 4.1 896 2009-01-02 11.8 1 022.0 4.6 2.7 681 2014-01-16 9.4 1 015.9 8.1 3.7 721 2020-02-18 10.7 1 018.2 6.9 4.9 863 
下载: 导出CSV
表 2 6个土地利用类型的部分参数值
Table 2 Some parameters of 6 land use types
土地利用类型 Cg z0m/m z0h /m d/m 耕地 0.30 0.1 0.001 0.10 林地 0.13 0.3 0.000 3 1.50 草地 0.30 0.1 0.001 0.10 水体 0.90 0.33 0.003 3 1.66 建设用地 0.20 0.000 03 0.000 088 0.05 裸地 0.30 0.001 0.000 02 0.05
下载: 导出CSV
表 3 不同时期广州市中心城区的人为热排放强度
Table 3 The anthropogenic heat emission in the central area of Guangzhou in different periods
数据获取时间 平均值/(W·m-2) 最大值/(W·m-2) 主要分布区间/(W·m-2) 人为热排放面积/km2 2004-01-21 53.91 245.7 32.7~90.1 535.15 2009-01-02 59.26 245.5 33.3~97.2 605.13 2014-01-16 62.26 228.9 30.1~105.2 629.52 2020-02-18 96.28 401.2 52.7~131.6 638.13
下载: 导出CSV
表 4 广州中心城区不同等级区人为热排放情况统计表
Table 4 The statistics of zones of different-levle anthropogenic heat emission in the central area of Guangzhou
人为热排放等级区 2004 2009 2014 2020 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 零排放区 936.98 63.70 865.93 58.86 841.51 57.20 833.94 56.69 低排放区 244.53 16.62 156.84 10.66 174.87 11.89 13.16 0.90 低中排放区 282.80 19.22 440.53 29.95 423.68 28.80 377.53 25.66 中排放区 6.57 0.45 7.53 0.51 27.34 1.86 220.10 14.96 中高排放区 0.18 0.01 0.17 0.01 1.07 0.07 22.28 1.51 高排放区 0.02 0.00 0.08 0.01 2.61 0.18 4.07 0.28
下载: 导出CSV
表 5 2004—2020年广州市中心城区不同排放类型转移矩阵
Table 5 The transfer matrix of different levels of anthropogenic heat emission in the central area of Guangzhou from 2004 to 2020
km2 2004年人为热排放等级区 2020年人为热排放等级区 总计 零排放区 低排放区 低中排放区 中排放区 中高排放区 高排放区 零排放区 804.80 3.84 74.96 46.72 5.50 1.16 936.98 低排放区 9.78 6.45 173.72 50.11 3.99 0.48 244.53 低中排放区 19.16 2.82 127.27 119.71 11.60 2.24 282.80 中排放区 0.20 0.05 1.55 3.46 1.15 0.16 6.57 中高排放区 0.00 0.00 0.03 0.10 0.03 0.02 0.18 高排放区 0.00 0.00 0.00 0.00 0.01 0.01 0.02 总计 833.94 13.16 377.53 220.10 22.28 4.07 1 471.08
下载: 导出CSV
-
[1] OFFERLE B, JONSSON P, ELIASSON I, et al. Urban mo-dification of the surface energy balance in the West African Sahel: Ouagadougou, Burkina Faso[J]. Journal of Climate, 2005, 18(19): 3983-3995. doi: 10.1175/JCLI3520.1
[2] 王业宁, 孙然好, 陈利顶. 人为热计算方法的研究综述[J]. 应用生态学报, 2016, 27(6): 2024-2030. https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201606039.htm WANG Y N, SUN R H, CHEN L D. Review on studies of anthropogenic heat emission[J]. Chinese Journal of Applied Ecology, 2016, 27(6): 2024-2030. https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201606039.htm
[3] 白杨, 王晓云, 姜海梅, 等. 城市热岛效应研究进展[J]. 气象与环境学报, 2013, 29(2): 101-106. doi: 10.3969/j.issn.1673-503X.2013.02.016 BAI Y, WANG X Y, JIANG H M, et al. Progress of urban heat island effect[J]. Journal of Meteorology and Environment, 2013, 29(2): 101-106. doi: 10.3969/j.issn.1673-503X.2013.02.016
[4] WU J. Urban sustainability: an inevitable goal of landscape research[J]. Landscape Ecology, 2010, 25(1): 1-4. doi: 10.1007/s10980-009-9444-7
[5] 肖荣波, 欧阳志云, 李伟峰, 等. 城市热岛的生态环境效应[J]. 生态学报, 2005, 25(8): 2055-2060. doi: 10.3321/j.issn:1000-0933.2005.08.032 XIAO R B, OUYANG Z Y, LI W F, et al. A review of the eco-environmental consequences of urban heat islands[J]. Acta Ecologica Sinica, 2005, 25(8): 2055-2060. doi: 10.3321/j.issn:1000-0933.2005.08.032
[6] 施婕, 谢旻, 朱宽广, 等. 中国城市人为热通量估计及时空分布[J]. 中国环境科学, 2020, 40(4): 1819-1824. doi: 10.3969/j.issn.1000-6923.2020.04.050 SHI J, XIE M, ZHU K G, et al. Estimation of anthropogenic heat flux and its temporal and spatial distribution in Chinese cities[J]. China Environmental Science, 2020, 40(4): 1819-1824. doi: 10.3969/j.issn.1000-6923.2020.04.050
[7] CHEN S, HU D. Parameterizing anthropogenic heat flux with an energy-consumption inventory and multi-source remote sensing data[J]. Remote Sensing, 2017, 9(11): 1165/1-20. doi: 10.3390/rs9111165
[8] SAILOR D J. A review of methods for estimating anthropogenic heat and moisture emissions in the urban environment[J]. International Journal of Climatology, 2011, 31(2): 189-199. doi: 10.1002/joc.2106
[9] 孙然好, 王业宁, 陈婷婷. 人为热排放对城市热环境的影响研究展望[J]. 生态学报, 2017, 37(12): 3991-3997. https://www.cnki.com.cn/Article/CJFDTOTAL-STXB201712005.htm SUN R H, WANG Y N, CHEN T T. Impacts of anthropogenic heat emissions on urban thermal environment: a review[J]. Acta Ecologica Sinica, 2017, 37(12): 3991-3997. https://www.cnki.com.cn/Article/CJFDTOTAL-STXB201712005.htm
[10] 朱婷媛. 基于Landsat遥感影像的杭州城市人为热定量估算研究[D]. 杭州: 浙江大学, 2015. ZHU T Y. Research on the quantitative estimation of urban human heat in Hangzhou based on Landsat remote sensing images[D]. Hangzhou: Zhejiang University, 2015.
[11] 王茹, 张艳芳, 张洪敏, 等. 城市新区不透水地表盖度与人为热的关系研究——以陕西省西咸新区为例[J]. 国土资源遥感, 2020, 32(1): 247-254. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG202001034.htm WANG R, ZHANG Y F, ZHANG H M, et al. Study on the relationship between impervious surface coverage and artificial heat in new urban districts: a case study of Xixian New District, Shaanxi Province[J]. Remote Sensing for Land & Resources, 2020, 32(1): 247-254. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG202001034.htm
[12] 刘嘉慧, 赵小锋, 林剑艺. 基于地表能量平衡的厦门岛城市功能区人为热排放分析[J]. 地球信息科学学报, 2018, 20(7): 1026-1036. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201807018.htm LIU J H, ZHAO X F, LIN J Y. Analysis of anthropogenic heat discharge of urban functional regions based on surface energy balance in Xiamen Island[J]. Journal of Geo-Information Science, 2018, 20(7): 1026-1036. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201807018.htm
[13] KATO S, YAMAGUCHI Y. Analysis of urban heat-island effect using ASTER and ETM+ data: separation of anthropogenic heat discharge and natural heat radiation from sensible heat flux[J]. Remote Sensing of Environment, 2005, 99(1/2): 44-54. http://www.sciencedirect.com/science/article/pii/S0034425705001707
[14] ZHOU Y, WENG Q, GURNEY K R, et al. Estimation of the relationship between remotely sensed anthropogenic heat discharge and building energy use[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67: 65-72. doi: 10.1016/j.isprsjprs.2011.10.007
[15] WONG M S, YANG J, NICHOL J, et al. Modeling of anthropogenic heat flux using HJ-1B Chinese small satellite image: a study of heterogeneous urbanized areas in Hong Kong[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(7): 1466-1470. doi: 10.1109/LGRS.2015.2409111
[16] HU D, YANG L, ZHOU J, et al. Estimation of urban energy heat flux and anthropogenic heat discharge using aster image and meteorological data: case study in Beijing metropolitan area[J]. Journal of Applied Remote Sensing, 2012, 6(1): 063559/1-20. doi: 10.1117/1.JRS.6.063559
[17] CHEN Q, YANG X, OUYANG Z, et al. Estimation of anthropogenic heat emissions in China using Cubist with points-of-interest and multisource remote sensing data[J]. Environmental Pollution, 2020, 266: 115183/1-10. doi: 10.1016/j.envpol.2020.115183
[18] CHEN S, HU D, WONG M S, et al. Characterizing spatiotemporal dynamics of anthropogenic heat fluxes: a 20-year case study in Beijing-Tianjin-Hebei region in China[J]. Environmental Pollution, 2019, 249: 923-931. doi: 10.1016/j.envpol.2019.03.113
[19] 郭泺, 杜世宏, 薛达元, 等. 快速城市化进程中广州市景观格局时空分异特征的研究[J]. 北京大学学报(自然科学版), 2009, 45(1): 129-136. doi: 10.3321/j.issn:0479-8023.2009.01.019 GUO L, DU S H, XUE D Y, et al. Spatio-temporal variation of landscape patterns during rapid urbanization in Guangzhou City[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2009, 45(1): 129-136. doi: 10.3321/j.issn:0479-8023.2009.01.019
[20] FAN H, SAILOR D J. Modeling the impacts of anthropogenic heating on the urban climate of Philadelphia: a comparison of implementations in two PBL schemes[J]. Atmospheric Environment, 2005, 39(1): 73-84. doi: 10.1016/j.atmosenv.2004.09.031
[21] 乐通潮, 聂森, 潘辉, 等. 基于Landsat8卫星影像的地表温度反演及福州春季城市热岛效应分析[J]. 西北林学院学报, 2019, 34(5): 154-160. doi: 10.3969/j.issn.1001-7461.2019.05.24 LE T C, NIE S, PAN H, et al. Land surface temperature retrieval and urban heat island effect based on Landsat8 image in Fuzhou City[J]. Journal of Northwest Forestry University, 2019, 34(5): 154-160. doi: 10.3969/j.issn.1001-7461.2019.05.24
[22] 潘竟虎. 兰州市景观生态格局热环境效应研究[D]. 兰州: 兰州大学, 2011. PAN J H. Study on thermal environment effect of landscape ecological pattern in Lanzhou City[D]. Lanzhou: Lanzhou University, 2011.
[23] OKE T R. The urban energy balance[J]. Progress in Physical Geography, 1988, 12(4): 471-508. doi: 10.1177/030913338801200401
[24] 王煜东, 赵小艳, 徐向华, 等. 南京地区地表热通量的遥感反演分析[J]. 生态环境学报, 2016, 25(4): 636-646. https://www.cnki.com.cn/Article/CJFDTOTAL-TRYJ201604013.htm WANG Y D, ZHAO X Y, XU X H, et al. Analysis and inversion on surface heat flux with remote sensing in Nanjing Area[J]. Ecology and Environment Sciences, 2016, 25(4): 636-646. https://www.cnki.com.cn/Article/CJFDTOTAL-TRYJ201604013.htm
[25] 李红军, 雷玉平, 郑力, 等. SEBAL模型及其在区域蒸散研究中的应用[J]. 遥感技术与应用, 2005(3): 321-325. doi: 10.3969/j.issn.1004-0323.2005.03.003 LI H J, LEI Y P, ZHEN L, et al. SEBAL model and its application in the study of regional evapotranspiration[J]. Remote Sensing Technology and Application, 2005(3): 321-325. doi: 10.3969/j.issn.1004-0323.2005.03.003
[26] NOILHAN J, LACARRERE P. GCM grid-scale evaporation from mesoscale modeling[J]. Journal of Climate, 1995, 8(2): 206-223. doi: 10.1175/1520-0442(1995)008<0206:GGSEFM>2.0.CO;2
[27] 刘瑞, 朱道林. 基于转移矩阵的土地利用变化信息挖掘方法探讨[J]. 资源科学, 2010, 32(8): 1544-1550. https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZY201008017.htm LIU R, ZHU D L. Methods for detecting land use changes based on the land use transition matrix[J]. Resources Science, 2010, 32(8): 1544-1550. https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZY201008017.htm
[28] 乔伟峰, 盛业华, 方斌, 等. 基于转移矩阵的高度城市化区域土地利用演变信息挖掘——以江苏省苏州市为例[J]. 地理研究, 2013, 32(8): 1497-1507. https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ201308015.htm QIAO W F, SHEN Y H, FANG B, et al. Land use change information mining in highly urbanized area based on transfer matrix: a case study of Suzhou, Jiangsu Province[J]. Geographical Research, 2013, 32(8): 1497-1507. https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ201308015.htm
[29] 冯珊珊, 樊风雷. 基于不透水面的粤港澳大湾区景观格局时空变化[J]. 应用生态学报, 2018, 29(9): 2907-2914. https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201809013.htm FENG S S, FAN F L. Spatiotemporal changes of landscape pattern using impervious surface in Guangdong-Hong Kong-Macao Greater Bay Area, China[J]. Chinese Journal of Applied Ecology, 2018, 29(9): 2907-2914. https://www.cnki.com.cn/Article/CJFDTOTAL-YYSB201809013.htm
[30] 何鹏, 张会儒. 常用景观指数的因子分析和筛选方法研究[J]. 林业科学研究, 2009, 22(4): 470-474. doi: 10.3321/j.issn:1001-1498.2009.04.002 HE P, ZHANG H R. Study on factor analysis and selection of common landscape metrics[J]. Forest Research, 2009, 22(4): 470-474. doi: 10.3321/j.issn:1001-1498.2009.04.002
[31] 叶晶萍, 刘士余, 盛菲, 等. 寻乌水流域景观格局演变及其生态环境效应[J]. 生态学报, 2020, 40(14): 4737-4748. https://www.cnki.com.cn/Article/CJFDTOTAL-STXB202014004.htm YE J P, LIU S Y, SHEN F, et al. The evolution of landscape pattern in Xunwu River Basin and its ecological environment effect[J]. Acta Ecologica Sinica, 2020, 40(14): 4737-4748. https://www.cnki.com.cn/Article/CJFDTOTAL-STXB202014004.htm
[32] LU Y, WANG Q, ZHANG Y, et al. An estimate of anthropogenic heat emissions in China[J]. International Journal of Climatology, 2016, 36(3): 1134-1142. doi: 10.1002/joc.4407
-
期刊类型引用(0)
其他类型引用(6)
计量
- 文章访问数: 363
- HTML全文浏览量: 164
- PDF下载量: 54
- 被引次数: 6
