我用卫星量了5座城市的温度，发现一个反直觉的规律

1. 你家附近有公园吗？这决定了你夏天热不热

夏天出门，你有没有这种感觉：走在马路上热得要命，拐进旁边的小公园，瞬间凉快好几度？

这不是错觉。我用卫星数据量了5座城市暖季的地表温度，发现了一个反直觉的规律：城市热不热，关键不在城区有多热，而在郊区有没有水。

哈尔滨的城郊温差是五城里最大的——5.66°C。不是因为哈尔滨城区特别热（全区均温才34.7°C，五城最低），而是因为郊区有大片农田和湿地，温度被压得很低。武汉的全区均温42.6°C，五城最高，但城郊温差几乎为零——-0.07°C，郊区跟城区一样热。

换句话说：一个城市可以城区很凉但热岛效应很强（如果郊区更凉的话），也可以城区很热但热岛效应很弱（如果郊区一样热的话）。

5 城热岛效应对比

2. 数据怎么来的

用的是 Landsat 8[1] 卫星影像。Landsat 有一个热红外传感器，能测地表实际辐射温度——注意是地表温度，不是气温。正午柏油路 60°C 的时候，气温可能只有 35°C。气象站做不到逐像元测量，卫星可以：每个格子 30m×30m，覆盖整个城市。

卫星原始记录的是数字信号（DN 值），需要换算：DN × 0.00341802 + 149.0 − 273.15 = 摄氏度。如果某个格子被云挡住了，卫星拍到的是云顶温度，不是地面温度，必须剔除。

时间选了 2023 年 4-10 月——覆盖整个暖季。不是某一天的数据，而是把所有符合条件的影像取中值合成——这样可以过滤掉云、异常值，得到的是暖季的"典型温度"。

为什么没选 Sentinel-2？因为它没有热红外波段——只有可见光和近红外，量不了温度。Landsat 是免费数据里唯一的选择。

北京 LST 热力图

热力图上暖色是高温区。北京的热场呈典型同心圆：国贸 CBD 是热核心，二环内温度最高，向外逐环递减。西山和北部山区是两块冷色。没有海也没有大山穿城，北京的热场是五城里最"教科书"的。

3. 植被能降温，但只解释了一半

热力图只能看格局。温度高是因为没树，还是因为建筑太密？

我引入了 NDVI（归一化植被指数）——简单说就是卫星的"绿色墨镜"。植物叶片吸收红光、反射近红外光，用这两个波段做差值除以和，得到 -1 到 1 之间的数。越高越绿。

北京 NDVI 分布图

把两张图叠在一起看，规律很明显：图上绿色越深的地方（植被多），温度越低；红色越深的地方（建筑密），温度越高。奥林匹克森林公园 NDVI 0.5，是城区最绿的地方，也是温度最低的地方。CBD 核心 NDVI 接近 0（没什么植被），温度最高。

肉眼看是这样，但到底有多强的关系？我做了一个简单的事情：把北京 358 万个像元全画在一张图上——横轴是 NDVI（有多绿），纵轴是温度。每个点是一个 30m×30m 的格子。

NDVI-LST 散点图

点从左上角（不绿、高温）到右下角（很绿、低温）形成一条斜带。这说明：越绿的地方温度越低，而且这个规律很稳定——不是偶尔几个点，是 358 万个点都往这个方向走。

相关性分析就是用来量化这种"一起变"的关系有多强。核心指标叫 Pearson r（皮尔逊相关系数），范围 -1 到 1。1 表示两个变量完全同步变化（一个涨另一个也涨），-1 表示完全反向变化（一个涨另一个跌），0 表示没关系。实际数据很少到 ±1，一般 0.3 以上就算有关系，0.5 以上算关系较强。我们的结果是 -0.679——负号说明植被越多温度越低，绝对值 0.679 说明这个关系相当强。

5 个城市全都是这个规律。哈尔滨最强（-0.742），苏州最弱（-0.466）。暖季的数据比冷季更极端，植被的降温效果在最热的时候最明显。

为什么植被能降温？蒸腾作用。植物根系从土壤吸水，叶片蒸发——每蒸发 1 克水带走 2400 焦耳热量。一棵成年树一天蒸腾 400 升水。不透水面没有这个机制，太阳辐射打上去几乎全部变成热。

但 r = -0.679 是 NDVI 单变量回归的结果，只解释了约 46% 的变化（R²≈0.46）。在多元回归中（同时纳入 NDVI 和 NDBI），深圳的 R² 达到 0.512，说明植被和建筑密度合起来能解释一半以上的温度差异。剩下的 50% 左右被建筑高度、风场、人为热排放、地表材质分走了。同样是城区，CBD 的密集高层和胡同区的低矮建筑温差 2-3°C——NDVI 看不出来。

要回答"建筑密度到底贡献了多少"，需要另一个指标。

4. 用建筑密度重新划"城区"

前面说的"城区比郊区热多少"，地理学上叫城市热岛效应——城市像一座"热量的岛屿"，比周围郊区温度更高。我最初用的方法是画同心圆：以 CBD 为圆心，5km 内算城区，10-20km 环带算郊区。

北京温度从 CBD 向外递减（典型单中心）

北京是典型的放射网状城市——从国贸 CBD 往外走，温度从 45.7°C 一路降到 42.7°C，12km 后基本稳定。这就是教科书里的「城市热岛」：中心热、郊区凉。

但深圳不一样。用同样的方法，以几何中心画同心圆，温度反而向外递增——因为深圳是多中心城市：福田、南山、罗湖、龙华各自有热中心，用单一 CBD 做原点画同心圆，曲线根本没有单调递减规律。

这个方法简单，但有个根本缺陷——它假设"离 CBD 远就是郊区"。武汉的长江穿过了 5km 城区圈，江面温度把均温拉低了；同时 10-20km 郊区圈里有大片建成区（东西湖、黄陂南部），温度反而比城区中心高。结果武汉的城郊温差只有 -0.07°C——不是武汉没有热岛，是距离圈在武汉失真了。

有没有更靠谱的划分？有。用卫星数据直接识别地表是什么类型——建筑、植被、水体、裸地——然后按类型算温度。

北京 NDBI 分布图

NDBI（建筑指数）用 Landsat 的两个波段算：短波红外减近红外，除以和。值越高，建筑越密集。图上北京的建筑分布一目了然：五环内是大片的建成区（暖色），奥林匹克森林公园和西山是两块冷色斑块。

但 NDBI 只有"建筑 vs 非建筑"一个维度。2012 年 Stewart & Oke 提出了 LCZ（局地气候分区）系统，把城市地表分成 17 个标准类型——"密集高层建筑"和"稀疏低层建筑"的热容量、反照率、透水率都不一样。我用 NDVI + NDBI + LST 三个波段组合，简化为 6 类：

北京 LCZ 分类图

北京的LCZ图很能说明问题：稀疏建筑（橙色）占了 33.5%，从二环到五环连片扩张，典型的同心圆格局。密集建筑（红色）只占 1.1%，集中在国贸-东三环那一小片。这跟北京的城市结构完全吻合——除了几个CBD，大部分区域都是中低密度住宅。

和距离圈对比，LCZ 能区分出国贸 CBD 里哪些是密集建筑（红色）、哪些是稀疏建筑（橙色）、哪些是绿地（绿色）。西山在距离圈里是"郊区"，在 LCZ 里是"茂密植被区"——语义精确得多。

五城 LCZ 分布：

几个发现：深圳稀疏建筑 76.7% 五城最高，这跟深圳的城中村密度完全吻合。哈尔滨茂密植被 41.1% 五城最高——郊区大片农田和湿地。苏州水体 9.0% 五城最高，太湖和水网的影响一目了然。

各城市 NDBI 和 LCZ 分布图：

深圳

深圳 NDBI

深圳 LCZ

武汉

武汉 NDBI

武汉 LCZ

北京

北京 NDBI

北京 LCZ

哈尔滨

哈尔滨 NDBI

哈尔滨 LCZ

苏州

苏州 NDBI

苏州 LCZ

5. 差别在郊区，不在城区

回到最开始的问题：为什么哈尔滨最高（5.66°C）、武汉最低（-0.07°C）？

五城的城区温度跨度很大（34-46°C），但城郊温差的差距更大（-0.07 到 5.66°C）。真正拉开差距的是郊区。

哈尔滨茂密植被 41.1% 五城最高，郊区有大片农田和湿地。2023 年 4-10 月，城区地表温度 41.4°C，郊区只有 35.7°C——差了将近 6°C。不是哈尔滨城区特别热，是哈尔滨郊区被植被和水体压得太凉了。

北京稀疏建筑 33.5% 连片扩张，没有海也没有大山，热场呈典型同心圆。城区 45.7°C，郊区 42.7°C——3.02°C。北京的热岛效应来自建筑密度的梯度衰减。

北京 LST

苏州水体 9.0% 五城最高，太湖和密布的水塘把郊区温度压到 37.6°C，城区 39.5°C——温差 1.95°C。不是苏州城区特别热，是苏州郊区被水网压得太凉了。

苏州 LST

深圳南面和西面都是海。海洋有三重降温机制：比热容大（水是混凝土的 4-5 倍，同样晒 8 小时，柏油路 60°C，海水才升几度）；海陆风（白天陆地升温快、气压低，海风吹进城区 10-15km）；蒸发冷却。但深圳的 0.33°C 温差很小——因为深圳是多中心城市，城区本身就不热（37.8°C），郊区也不凉（37.5°C），海洋把整个城市都降温了。

武汉全区均温 42.6°C，五城最高。但城郊温差只有 -0.07°C——因为长江穿过了城区圈，江面温度把均温拉低了；同时郊区圈里有大片建成区，温度反而比城区中心高。武汉不是没有热岛，是距离圈在武汉失真了。

武汉 LST

北京温度分布直方图

最后看一张温度分布图。以北京为例：均值差 3.02°C，但分布的形状差异更大。城区的分布窄而集中（42-48°C，热得均匀），郊区的分布宽而分散（向左拖尾到 30°C）。一片农田和一个工业园区，温度可以差 15°C。均值掩盖了这个事实：城区是"一律热"，郊区是"有的凉有的跟城区一样热"。

距离圈有根本缺陷——"离 CBD 远 = 郊区"在武汉已经失真。数据是 2023 年 4-10 月的中值合成，是暖季白天的快照，不是全貌。30m 分辨率分辨不出单栋建筑，要更精细需要付费数据。

6. 热岛效应这个数字，到底在说什么

UHI衡量的是"城郊差异"，不是"城市热不热"。 哈尔滨城区 41.4°C，比武汉的 43.3°C 凉，但哈尔滨的UHI（5.66°C）是武汉（-0.07°C）的80倍——因为哈尔滨郊区有大片农田湿地（35.7°C），而武汉郊区跟城区一样热（43.3°C）。UHI高不代表城市热，只代表城郊差距大。

真正影响你夏天过得舒不舒服的，不是你所在城市排第几，而是你住的那个片区周围有没有公园、水体、或者一片还没开发的农田。

数据来自 Google Earth Engine[2] 上的 Landsat 8 Collection 2 Level-2[1] 地表温度产品，30m 分辨率。时间范围：2023年4-10月，云量阈值25%，中值合成。分析工具：rasterio[3] 读栅格、geopandas[4] 处理矢量、matplotlib[5] + seaborn[6] 画图。完整代码可能会整理后会放到 https://github.com/renhai-lab/Urban-Spatial-Data-Analysis-Notebook[7] 的 heat-island 文件夹。

数据局限性：本文分析的是 Landsat 卫星过境时间（当地时间上午 10 点左右）的白天地表温度，不是夜间热岛。白天和夜间热岛的驱动因素不同——白天主要受植被和土地利用影响，夜间主要受人为热排放和水体影响。因此本文结论不能外推到夜间温度或热舒适度的全部维度。

如果这篇文章对你有帮助，欢迎关注我的微信公众号「renhailab」，点击「在看」就不会错过最新推送了。

也可以在 知乎[8]、博客[9]、GitHub[10] 上找到更多内容。

7. 参考文献

1. Stewart I D, Oke T R. Local Climate Zones for Urban Temperature Studies. Bulletin of the American Meteorological Society, 2012, 93(12): 1879-1900. DOI: 10.1175/BAMS-D-11-00019.1[11]
2. Liu F, Zhang X, Murayama Y, Morimoto T. Impacts of Land Cover/Use on the Urban Thermal Environment: A Comparative Study of 10 Megacities in China. Remote Sensing, 2020, 12(2): 307. DOI: 10.3390/rs12020307[12]
3. Chen L, Wang X, Cai X, Yang C, Lu X. Seasonal Variations of Daytime Land Surface Temperature and Their Underlying Drivers over Wuhan, China. Remote Sensing, 2021, 13(2): 323. DOI: 10.3390/rs13020323[13]
4. 邹婧, 曾辉. 城市地表热环境与景观格局的关系——以深圳市为例. 北京大学学报(自然科学版), 2017, 53(3): 436-444. 链接[14]
5. Li S, Biljecki F, Liu P, Stouffs R. Local extreme heat amplifies surface urban heat island differently across day and night. Sustainable Cities and Society, 2025, 135: 107000. DOI: 10.1016/j.scs.2025.107000[15]
6. 基于 Landsat 8 TIRS 地表温度数据反演的深圳城市热岛效应时空分布及土地利用的影响. 气候与环境研究, 2022. DOI: 10.3878/j.issn.1006-9585.2022.21160[16]
7. 王煜, 唐力, 朱海涛, 等. 基于多源遥感数据的城市热环境响应与归因分析——以深圳市为例. 生态学报, 2021, 41(22): 8771-8782. DOI: 10.5846/stxb202105281408[17]

参考链接

[1] https://www.usgs.gov/centers/eros/science/usgs-eros-archive-landsat-landsat-8-level-2-science-collection-2

[2] https://earthengine.google.com/

[3] https://rasterio.readthedocs.io/

[4] https://geopandas.org/

[5] https://matplotlib.org/

[6] https://seaborn.pydata.org/

[7] https://github.com/renhai-lab/Urban-Spatial-Data-Analysis-Notebook

[8] https://www.zhihu.com/people/renhai-lab

[9] https://www.renhai.online/blog

[10] https://github.com/renhai-lab

[11] https://doi.org/10.1175/BAMS-D-11-00019.1

[12] https://doi.org/10.3390/rs12020307

[13] https://doi.org/10.3390/rs13020323

[14] https://xbna.pku.edu.cn/CN/abstract/abstract3105.shtml

[15] https://doi.org/10.1016/j.scs.2025.107000

[16] http://www.iapjournals.ac.cn/qhhj/article/doi/10.3878/j.issn.1006-9585.2022.21160

[17] https://www.ecologica.cn/stxb/article/abstract/8771