当前世界环境

介绍

城市热岛是指城市地区的温度高于周围开阔或农村地区的温度，它有两种不同的类型:大气热岛和地表热岛。大气UHIs分为两部分:一部分是到达树木或屋顶顶部的空气层，另一部分是从建筑物屋顶或树顶到该区域的上层大气层。地表城市热岛描述了城市表面与其周围环境之间的差异。地表热岛指数在夏季最高，其变化幅度远大于地表热岛指数[11]。城市热岛的空间特征与城市地形剖面有关，可通过城乡温度边界进行区分[10]。此外，城市面积从中心向边缘快速扩张。这种增长通常发生在城市边缘地区，从而加剧了城市的蔓延程度。人类住区情景的变化、生活方式的改变和人为活动导致了两个主要现象;气温升高，空气质量恶化。

城市热岛导致更高的冷却能源消耗[1]。热量也会对大气产生化学反应[2]。这些二次大气污染物危害生物健康[3]。城市绿地和白色屋顶减少了大气中的热量，最终改善了空气质量[4]。

城市热岛强度，也被称为热岛强度，是城市和周边地区之间的温差。气候区域、当地地形和城市的工业扩张影响城市热岛强度[6]，LULC特征、邻近农村地区[7]和城市植被数量[8]对城市热岛强度和当地气候热格局都有显著影响。据评估，在人口超过10万的城市地区，用于解决城市热岛效应增加的热量的电力需求增加了3-8%，这导致更高的排放，增强了有害烟雾的浓度，加剧了空气污染，并对人体健康造成影响。

通过最先进的卫星技术，地表温度已成为估算地表温度的关键参数[9]。卫星传感器具有热波段，目标指向地表，辐射值再转化为地面反射率值。

城市热岛缓解措施，如开发绿地和更换材料，能够减少城市热岛的不利影响并缓解未来的问题[14]。考虑到城市大气的变量，如蒸发、湿度、温度、湍流等，城市热岛减缓策略会导致能源消耗和辐射型的变化[15]。

文学研究

人为活动影响城市气候，其影响对环境是不利的。当地自然环境的变化，被人工混凝土等辐射吸收材料所取代，影响着城区的热交换和微气候。城市化改变了一个地区的土地利用效率特征，从而形成城市热岛效应。建成区面积增加、植被减少、排放和污染是城市比绿地热的原因。南亚的城市气候研究表明，高密度城区与绿地之间的温差超过8℃[8]。即使是城市地区的高温上升，最终也会带来高能耗，这是因为建筑和街道所覆盖的区域是一种低发射率、高吸热的不透水材料。

遥感可以利用几种分类方法作为捕获的具有区域光谱信息的光学数据来绘制城市区域及其LULC空间浓度。地表温度(LST)是研究区边界层热状态的必要项。最初，陆地表面温度是由安装在平面上方1.5-3.5米的温度计测量的表面或空气温度。由于卫星技术的进步，另一种地表温度数据采集方式，即基于卫星的地表温度采集，即皮肤温度，在空间尺度较大的情况下非常有用[10]。通过先进的卫星技术，地表温度已成为估算地表温度的关键参数，地表温度不仅是气候变化的唯一影响指标，也是其与辐射的关系，还控制着地表敏感性和大气与地表之间的热通量交换[5]。例如，边界热岛的能量交换主要是由空气温度和地表温度的差异决定的。空气和地表在不同的时空尺度上与外力相互作用，但它们之间存在着复杂的关联。

卫星传感器具有热波段，以地表为目标，辐射值进一步转换为地面反射率值。地面的反射率被转换为顶部的大气辐射值。热红外传感器(TIR)获得辐射到传感器的表面辐射，直到该值转换为亮度温度。为了得到地表温度，必须计算地表发射率(E)。

城市热岛导致臭氧水平升高，因为它增加了地面臭氧水平化学反应的热辐射。当空气温度超过90°C时，阳光和城市热岛效应导致的热量水平增强也会光化学地将臭氧煮到更危险的水平;臭氧是由一氧化二氮和挥发性有机化合物与太阳辐射光化学结合而产生的。然而，较低的环境空气温度可以降低臭氧浓度。在适当的化学条件下，热岛效应可以使空气温度升高10华氏度或更多;因此，它对太阳辐射起着附加的支持作用。

气候区域、当地地形和城市的工业扩张影响城市热岛强度[12]，绿色屋顶具有非常显著的地表冷却能力，可以帮助降低城市地区的温度[16]，LULC特征、邻近农村地区[3]和城市地区植被数量[2]对城市热岛强度和当地气候热模式都有显著影响。据估计，在人口超过10万的城市地区，用于解决城市热岛效应增加的热量的电力需求增加3-8%，从而导致更高的SO排放₂， CO, NO, PM2.5, PM10，有害烟雾浓度增强，空气污染加重，对人体健康造成影响。

PM2.5与土地利用方式变化呈正相关，相关系数大于0.6。道路密度大、建成区大、地表温度稳定，PM和SO高度集中₂,没有₂和CO，这可以通过大气污染物与土地利用之间的相关性来理解[9]。此外,没有₂是受土地利用变化影响最敏感的气体，而O_3.与土地利用的相关性较弱。城市热岛指数与空气质量的关系研究表明，城市热岛指数的增加会导致颗粒物的增加。随着高反照率的使用增加，观察到臭氧浓度下降[14]。此外，城市地区的植被和高辐射率屋顶可以大幅降低能源消耗，从而改善空气质量[4]。

城市热岛的分布在很大程度上得到了PM2.5的低风速和高辐合的支持，城市热岛与PM2.5的焦点呈正相关关系。城市气候条件下的膨化罐装产品对接近的太阳通量和城市大气长波辐射增量有一定的抑制作用。材料对反射辐射差的反应在晚上是明显的，而在白天则没有作用。城市地表热岛力在夜间由于吸收太阳辐射的扩大而提高了12%。

方法

本研究仅限于艾哈迈达巴德市政公司的边界。艾哈迈达巴德被宣布为特大城市，位于古吉拉特邦中北部，纬度23.03和经度72.58之间。艾哈迈达巴德市的平均高程剖面为53米。根据2001年的人口普查，艾哈迈达巴德的人口超过350万，是印度第7大城市。艾哈迈达巴德位于萨巴尔马蒂河上。

艾哈迈达巴德气候干燥，相对炎热，夏季最高41°C和最低27°C，冬季最高30°C和最低15°C，平均降雨量为800毫米。

为了开始这项研究，从各种来源收集了主要数据。收集到的数据是标准格式的，因此需要对其进行选择、获取、审查和处理，以便进一步分析与本研究相关的数据。栅格数据以卫星图像为单位，取自Landsat ETM & ETM+ Data(2008 - 2018)。研究区域边界、城区、城市分区、河流湖泊、绿地等物理特征等矢量数据基于艾哈迈达巴德市政公司二级数据源编制，PM2.5和PM10空气质量属性数据(2008年，2015-2017年)获取自国家污染控制委员会。

识别的数据类型可以分为栅格、矢量和非空间(属性数据)。栅格数据Landsat TM和ETM+数据用于研究区的地表温度生成和LULC分类。像研究区域的行政边界这样的矢量数据有助于执行许多地理空间操作，这些操作将研究限制在研究区域内。在非空间或属性数据中，以PM2.5和PM10为重点的艾哈迈达巴德市空气质量数据收集自GPCB。此外，实地数据收集是通过地面实况采集完成的，提供地面地表温度和空气质量数据。流程图展示了各种空间过程，如LST检索过程、LULC监督分类过程、空气质量数据空间插值过程等。

进一步将研究划分为宏观、中观和微观三个尺度，建立了地表温度、空气质量和LULC的空间模型。研究的进展是通过建议的缓解措施，为研究地区的热岛和空气质量。下文将进一步解释用于本研究的地理空间操作和方法。对地表温度结果进行了地面实验，并分析了原位测量之间的数据差距。地面真实日期的选择基于Landsat-8的卫星时间分辨率;此外，根据区域类型，确定了测温地物的读数类型，确定了测温地物的研究区域。

此外，实地数据收集是通过地面实况采集完成的，提供地面地表温度和空气质量数据。流程图展示了各种空间过程，如LST检索过程、LULC监督分类过程、空气质量数据空间插值过程等。此外，研究还分为宏观、中观和微观三个尺度，建立了地表温度、空气质量和LULC的空间模型。研究的进展是通过建议的缓解措施，为研究地区的热岛和空气质量。下文将进一步解释本研究的地理空间操作和方法。对地表温度结果进行了地面实验，并分析了原位测量之间的数据差距。地面实况日期是根据Landsat-8卫星时间分辨率选择的。此外，还根据研究区类型进行了实地研究区选择;读数，类型的特征是确定的温度测量。

使用ArcGIS中的Model Builder对数据库进行处理。它是一个自动化地理处理工作流的应用程序，将一系列工具链接在一起，其中一个工具的输出作为另一个工具的输入。在模型中连接了工具之后，可以执行和运行该模型。简而言之，它连接地理处理序列并给出所需的空间输出。在LST推导的情况下，如果存在包含栅格方程序列的模型系统，则可以节省时间。因此，我们创建了一个模型来估算地表温度，其中包含其中间产品，如辐亮度、辐射率和植被覆盖度。土地利用/土地覆盖的图像分类是根据遥感图像开发解释地图的过程。因此，分类为土地利用格局提供了最重要的可视化和空间信息。为了得到土地利用/土地覆盖与地表温度、空气质量的空间关系，需要对艾哈迈达巴德地区的卫星图像进行分类处理。对2008年至2018年的Landsat图像进行分类，得到艾哈迈达巴德的土地覆盖格局。 The classes are identified from a range of pixel values, tone variance, visual image interpretation of the image, and histogram peaks. Identified classes for this study are Built-up, Open Land, Vegetation, and Waterbody.

采用三维插值方法，利用已知点估计未知点的值，利用已有的空间值预测未知值。例如，我们有一个数据变量，它在每个点都有一个空间值(例如，海拔，温度等)，但数据变量不是空间分布的;因此，需要生成一个连续的栅格曲面，该曲面可以基于现有点给出其他点的预测值。

从GPCB收集的空气质量、PM2.5和PM10数据是在点形状文件中引入的属性数据。基于可用的点，需要为AMC研究区域生成一个表面，以便在没有收集点的地方也可以预测空气质量(PM2.5和PM10)。

最后利用逆距离加权将所有栅格和矢量数据库连接起来。对研究区进行了两个区域的温度和空气质量地面测实;艾哈迈达巴德中部和西部地区。根据卫星时间分辨率选择日期;Landsat-8则是16天。根据建筑类型、土地覆盖特征和建筑密度，选择中西区进行Ground truth。采用IR枪对墙体、空地、道路、植被、水体等特征物进行温度测量，采用Polludrone传感器对PM2.5和PM10进行测量。这里使用回归分析来推导两个或两个以上变量的相关关系。

数据分析与解释

对LST、Air Quality和LULC进行了趋势分析，得到了它们随时间的序列信息。它是一种处理间隔数据的统计技术;这个间隔是一个时间。以地表温度为例，选取2008 - 2018年的夏季和冬季两个季节，其中2018年选取2008年和2015年进行趋势分析。计算的地表温度分为夏季和冬季的范围，以保持可视化的符号化。

表1:夏季和冬季温度下的Lst值。

学习一年	平均°C	°C最高	°C最低	学习一年	平均°C	°C最高	°C最低
2008	40.26	53.85	26.68	2008	25.30	30.43	20.18
2015	30.60	36.98	24.23	2015	21.05	26.78	15.32
2016	35.35	43.95	26.65	2016	24.33	29.66	18.94
2017	41.95	54.41	29.39	2017	25.89	31.24	20.54
2018	35.77	44.16	27.39	2018	22.95	28.06	17.85
在夏天				在冬天

统计数据显示，2017年夏季和冬季气温都有所上升。2008-2018年夏季和冬季的平均气温分别为36°C和23°C。

2008年夏季气温为40.26°C;2017年上升到41.95℃，2018年达到35.77℃。下面的地图显示了夏季地表温度的时间变化。

2008年冬季气温为25.30°C;2017年上升到25.89℃，2018年达到22.95℃。下面的地图显示了冬季地表温度的时间变化。

影响城市热岛的土地覆盖类别包括建筑、非建筑、植被和水体。通过监督分类，将方法结果进行栅格化处理。从像素值的范围、色调的方差、图像的视觉图像解释和直方图峰值来识别类。本研究确定的类别为建筑、开阔土地、植被和水体。下表为监督分类法生成的栅格所识别的土地覆盖变化总量。

表2:土地覆盖等级面积(平方公里)。

Landcover类	2008	2015	2016	2017	2018
城市	163.97	240.19	243.10	248.76	253.96
植被	134.64	120.66	118.55	117.54	116.35
严禁	6.71	7.25	8.65	9.65	10.58
开放的土地	112.13	84.92	82.67	79.65	78.65

在整个艾哈迈达巴德市政辖区估计建成区的比例。

数据显示，开阔地的记录温度值高于其他类型;水体的温度是其他陆地覆盖类别中最低的。从2008年到2018年，可以观察到随着时间的推移，气温上升的趋势有所增加。由下表可以看出，冬季植被类平均温度2008年为20.28℃，2018年上升至21.83℃。水体平均温度2008年为18.65℃，2018年上升至20.31℃;城市类平均温度2008年为21.01℃，2018年上升至22.32℃;开阔地平均温度2008年为22.65℃，2018年上升至22.85℃。夏季植被类平均气温2008年为31.26℃，2018年上升至34.58℃;水体类平均气温2008年为28.63℃，2018年上升至31.27℃;城市类平均气温2008年为40.21℃，2018年上升至41.95℃;开阔地平均气温2008年为39.78℃，2018年上升至42.13℃。

表3:每类土地覆盖的温度Lst值。

	2008	2015	2016		2017	2018		2008	2015	2016	2017	2018
植被	20.28	21.23	22.27		24.62	21.83	植被	31.26	29.75	33.86	38.95	34.58
严禁	18.65	19.82	21.06		22.97	20.31	严禁	28.63	27.55	30.4	35.85	31.27
城市	21.01	21.67	22.83		24.59	22.32	城市	40.21	30.98	35.62	42.73	41.95
开放的土地	22.65	22.09	23.32		25.31	22.85	开放的土地	39.78	32.25	37.67	44.71	42.13
	冬季土地覆盖课程的平均地表温度						夏季土地覆盖课程的平均地表温度

通过插值变量，导出艾哈迈达巴德市空气质量(PM2.5和PM10)属性数据的栅格曲面。对于冬季和夏季，两个季节都会生成PM2.5和pm10的栅格表面。2008 - 2017年冬季和夏季有PM10数据，2008年没有PM2.5数据进行研究;选取2015 - 2017年PM2.5数据进行研究。

表4:冬季和夏季pm2.5和Pm10统计。

学习一年	可吸入颗粒物浓度 (? g / m3)	PM2.5浓度 (? g / m3)	学习一年	可吸入颗粒物浓度 (? g / m3)	PM2.5浓度 (? g / m3)
2008	108.52	附加说明	2008	102.75	附加说明
2015	84.04	30.50	2015	96.41	37.74
2016	110.41	51.44	2016	102.27	30.45
2017	125.31	64.29	2017	116.15	41.53
在冬天			在夏天

从上表可以看出，冬季PM10在2008年为108.52 g/m3, 2017年上升到125.31 g/m3。2015年PM2.5为30.50 μ g/m3，同比增长64.29 μ g/m3。夏季PM10 2008年为102.75 μ g/m3, 2017年上升至116.15 μ g/m3;2015年PM2.5为37.74 μ g/m3，上升至41.53 μ g/m3。值得注意的是，2008 - 2017年PM10和PM2.5呈上升趋势。

为了生成AMC区域的渔网，每个AMC边界考虑空间扩展，网格大小取120*120m。Landsat空间分辨率30m;因此，要得到网格级LST、Air Quality和LULC的整体平均情景，包含16像素的最小网格尺寸为120*120m。生成的单元格总数为47,073。

区域统计是一种工具，可以根据定义的区域估计单元统计信息或栅格层的值。传递LST、LULC和空气质量(PM2.5和PM10)的值。传递LST、LULC和空气质量(PM2.5和PM10)的单元值的想法是分析每个单元内这些层的关系。所有在AMC区域下的值都使用分区统计转移到120*120m的网格中。使用分区统计后的网格属性表如下所示。网格属性表中的总行数为47,073。

简单线性回归模型使用独立和相关的方程:

式中:y为因变量，x为自变量，a为截距，b为斜率，?-残/错误

在本研究中，有四个变量，LST, PM2.5, PM10和LULC。为了进行回归分析，采用了多元线性回归方法。为了预测LST，我们将其作为因变量，而将LULC类作为自变量。

回归统计量为多元相关系数0.809074773，决定系数0.654601988，调整决定系数0.654558728，标准误差9.022893242，观测值40773。

R的值²为0.65，为正相关，即自变量解释了因变量中65.45%的方差。

多元线性回归在这里表示为:

LST= 32.86 + 0.09 * Urban P + 0.13 * Open P + 0.038 * Veg P

式中，LST=地表温度，32.86=截距，Urban P= Urban百分比，Open P= Open Land百分比，Veg P= Vegetation百分比

在式中，可以观察到Water P (Percentage of Water)，系数值为零，即AMC只有10%的土地利用面积具有水体的土地覆盖类别。它试图只选择具有水体的栅格作为土地覆盖类。因此，通过查询选择了水域面积百分比大于50%的网格，共选择了679个网格。对这679个网格进行多元线性回归计算，得到R²计算为0.314，这是一个负相关。

进一步将其展开为之前导出的多元线性回归方程，由于水体类别数据不足，没有意义。回归统计得到;多重相关系数0.560449，测定系数0.314103，校正测定系数0.310388，标准误差8.065898

679年的观察。因此，水P提取值的多元线性回归方程为:

LST= 32.86 + 0.09 * Urban P + 0.13 * Open P + 0.038 * Veg P -0.035 Water P

式中，LST=地表温度，32.86=截距，Urban P= Urban百分比，Open P= Open Land百分比，Veg P= Vegetation百分比，Water P=Percentage of Water

在简单线性回归中，检验了因变量和自变量之间的关系。简单线性回归模型使用下式:

式中:y为因变量，x为自变量，a为截距，b为斜率，?-残/错误

对因变量PM2.5、PM10与自变量LST在夏季和冬季的简单线性回归进行了检验。结果如下:

对于夏季，如下图所示，因变量为LST，自变量为PM2.5。回归统计量为:多元相关系数0.975516681，决定系数0.951632794，调整决定系数0.95161155。

现在对于因变量LST和自变量PM10如图所示，回归统计量为:多重相关系数0.97882，决定系数0.958088，调整决定系数0.958067。

回归统计结果显示，PM2.5、PM10与LST呈显著正相关，且呈R²值为0.95。

对于冬季，因变量为LST，自变量为PM2.5，回归统计量为多重相关系数0.984914728，决定系数0.970057021，调整决定系数0.970035777。

现在，因变量:LST，自变量:PM10，回归统计量为:多元相关系数0.993962，决定系数0.98796，调整决定系数0.987938。

通过分析两者的结果可以看出，冬季pm2.5和PM10与地表温度的相关性强于夏季。原因可能是冬季由于气温较低，地面上的PM2.5和PM10等悬浮粒子浓度高于夏季。

通过初步数据分析，发现城市热岛现象是一个需要考虑的问题，因为它也与城市空气质量相关，它可能影响人体健康，人体舒适度和环境。因此，可以采取以下一些常用的缓解措施:

由于植被与地表温度呈负相关，通过植树造林、园艺或绿色建筑的概念增加植被面积可以降低城市尺度上的热岛强度。

材料表面反照率与地表温度呈负相关;因此，可以采用白色屋顶和高太阳反射率材料作为屋顶路面，因为它们吸收太阳辐射较少，表面反照率较高。

在本研究中，有四个变量，LST, PM2.5, PM10和LULC。为了进行回归分析，采用了多元线性回归方法。为了预测LST，我们将其作为因变量，而将LULC类作为自变量。回归统计量为多元相关系数0.680257033，决定系数0.462749631，调整决定系数0.462737156，标准误差2.022893242，观测值209352。

R的值²为0.46，为正相关，即自变量解释了因变量中46.27%的方差。

多元线性回归的推导式为:

LST= 34.366 + 0.079 * Urban P + 0.101 * Open P + 0.062 * Veg P

式中，LST=地表温度，34.366=截距，Urban P= Percentage of Urban

Open P= Open land的百分比，Veg P= Vegetation的百分比

对因变量PM2.5、PM10与自变量LST在30m网格内的简单线性回归进行了检验。式中，因变量:LST，自变量:PM2.5;回归统计量为多元相关系数0.013042395，决定系数0.000170104，调整决定系数0.000165328，标准误差9.599812854，观测值209352。

因变量:LST，自变量:PM10;回归统计量为多元相关系数0.06309568，决定系数0.00398107，调整决定系数0.00397631，标准误差23.0820537，观察值209352

通过回归统计，我们已经推导出预测LST的模型方程;多元线性回归的推导式为:

LST= 34.366 + 0.079 * Urban P + 0.101 * Open P + 0.062 * Veg P

艾哈迈达巴德的Central and West Zone被划分为30m的网格，这是研究中最小的网格尺寸，可以具有最小的LST生成栅格像素尺寸，而Land use为30m (Landsat 8分辨率)。共生成209352个多边形矩形网格，其空间范围为艾哈迈达巴德中部和西部地区。

作为缓解战略的一部分，有两种假设，其中绿色覆盖面积增加，并建议增加到这些区域总面积的30%和40%。含建议植被覆盖面积的预测地表温度如下:

蔬菜P	城市P	打开P	现有的低水位体系域	预测LST
30％	50%	20%	42.67	41.66
40%	55%	5%	42.67	41.11

可以观察到，当绿化覆盖率达到30%和40%时，这两种情况下的温度都下降了1°C。

此外，PM2.5和PM10已经通过回归统计建模，因此预测的LST值可以与预测PM2.5和PM10相关联，从而得到结果，作为提出30%和40%植被覆盖的缓解策略的一部分。

PM10和PM2.5的回归方程为:

Pm10 = 0.5288 * LST + 83.856

Pm2.5 = -0.0454 * LST + 39.871

如果将LST值替换为预测LST，则可以得到预测PM10和PM2.5，从而估计PM2.5和PM10的浓度。

预测PM2.5	预测PM 10	现有的PM2.5	现有的可吸入颗粒物	LST(°C)
37.97	105.88	54.81	156.07	41.66
38.00	105.62	54.81	156.07	41.11

回归模型方程估计了pm2.5和pm10的值。值得注意的是，PM10和PM2.5的预测值分别比现有值低51 mg/m3和17 mg/m3。

AMC的中心区有一个密集的建筑类型，混凝土和金属屋顶具有低辐射率，吸收热量，由于这种现象，可以观察到当地气候水平的温度上升。作为白屋顶的实施策略，将原有的混凝土和金属屋顶替换为白色屋顶，影响了局部降温。在本研究中，作为一种缓解策略，AMC中心区30%和40%的屋顶被转换为白色屋顶。

在中央区，选择总屋顶面积的30%和40%，使发射率的栅格值与具有更高表面反射率的白色屋顶发射率值发生变化。这导致了一个新的LST产品，因为光栅的发射率已经被修改。

值得注意的是，在白色屋顶下转换40%的面积温度降低了1.73℃，而在白色屋顶下转换40%的面积温度降低了1.31℃。

该地区白色屋顶的百分比	低水位体系域	预测可吸入颗粒物	预测PM2.5
30％	38.78	104.36	38.10
40%	38.04	103.63	37.47

结论

通过统计调查和结果得出结论，艾哈迈达巴德市既面临城市热岛现象，又面临城市空气质量恶化。

利用冬季和夏季热岛指数的年代际资料，观察到季节变化对城市热岛形成的影响。从2008年到2018年，气温和空气污染状况有所增加。

土地覆被图与温度图的对比表明，植被少的地区温度高，植被斑块的地区温度低于其他土地利用类型。

对LST、PM2.5、PM10和LULC进行相关分析。这表明土地利用类别与地表温度呈正相关。此外，还发现PM2.5、pm10与地表温度之间存在较强的相关性。但冬季PM2.5、PM10与地表温度的相关性强于夏季。

此外，就缓解战略而言，它被认为是白色屋顶缓解战略和绿色区域覆盖。值得注意的是，这两种缓解策略都对艾哈迈达巴德的降温效果很好，值得注意的是，白色屋顶下转换40%的区域温度降低了1.73°C，而白色屋顶下转换30%的区域温度降低了1.31°C。作为绿色覆盖增加减缓战略的一部分，当绿色覆盖面积增加，并建议增加到区域总面积的30%和40%时，温度下降了1°C。这两种策略也有助于降低颗粒物的浓度。

本研究试图建立白屋顶和绿化增加策略的降温与研究区域颗粒物浓度降低的积极影响之间的相关性，并建议这两种缓解策略不仅可以减少城市热岛影响，还可以降低颗粒物浓度。利用历史数据和遥感技术可纳入城市设计和规划，以解决空气污染和热岛影响等复杂的城市气候问题。

利益冲突

不存在利益冲突。

资金来源

没有资金来源。

参考文献

1. Devadas, m.d.和Amirtham, l.r.(2014)。城市因素与热岛强度研究——以金奈市为例，城市因素与热岛强度，(6)，2-6。
2. Estoque, r.c.， Murayama, Y.和Myint, S. W.(2017)。景观组成和格局对地表温度的总环境效应科学?:东南亚大城市的城市热岛研究，577,349 - 359。
3. 福图尼亚克，K.(未注明日期)。全球环境变化与中欧城市气候。
4. Gill, S.， Forest, T. M.， & Ennos, R.(2007)。让城市适应气候变化?:绿色基础设施的作用，(2014年4月)。https://doi.org/10.2148/benv.33.1.115
5. 高登，j.s.， &高登，j.s.(2010)。快速城市化干旱区城市工程复杂性的岛效应——一个可持续的城市工程复杂性研究，2014。https://doi.org/10.1080/15693430412331291698
6. 热量，美国和基础知识，I.(未注明日期)。减少城市热岛?:城市热岛基础策略纲要。
7. Imhoff, M. L.， Zhang, P.， Wolfe, R. E.， and Bounoua, L.(2010)。环境遥感:美国大陆生物群系城市热岛效应的遥感研究，14,504-513。https://doi.org/10.1016/j.rse.2009.10.008
8. Kotharkar, R.， Ramesh, A.， Bagade, A.， and Asia, S.(2018)。南亚城市气候城市热岛研究?一篇批判性的评论。城市气候，(2017年7月)，1-16。https://doi.org/10.1016/j.uclim.2017.12.006
9. 李辉，Meier, F.， Lee, X.， Chakraborty, T.， and Liu, J.(2018)。柏林夏季城市热岛与城市污染岛的相互作用全环境科学柏林夏季城市热岛与城市污染岛的相互作用，(5)。https://doi.org/10.1016/j.scitotenv.2018.04.254
10. 李,Z,唐,B。,H。,任,H,燕,G。,广域网,Z . Sobrino j . a(2013)。基于环境卫星的地表温度遥感研究?:现状与展望，131,14-37。
11. 刘伟，游辉，窦杰(2009)。北京地区城乡湿度和温差，2011 - 2007。https://doi.org/10.1007/s00704-008-0024-6
12. Taylor, P.， Stathopoulou, M.，和Cartalis, C.(未注明日期)。卫星遥感在城市热岛研究中的应用[j] .卫星遥感在城市热岛研究中的应用，(2015年1月)，37-41。https://doi.org/10.1080/17512549.2007.9687275
13. 联合国人居署。(2007)。《世界城市化展望:2007年修订版》。纽约。https://doi.org/10.2307/2808041
14. H. Taha，“城市热岛控制对气象、空气质量和排放当量的影响”，可持续城市与社会19(2015)207-221,2015。
15. J Fallman，“城市热岛与空气质量——一个欧洲城市的数值模拟研究”(2015)
16. Roozbeh Arabi，“通过绿色屋顶缓解城市热岛”(2015)。http://dx.doi.org/10.12944/CWE.10.Special-Issue1.111