气温是人体最为敏感的气象要素之一，气象台站所记录的陆地表面气温数据是气候变化研究的基础数据源之一（Jones et al., 1999; Hansen et al., 1999; Yan et al., 2014）。1901~2012年全球气温的上升幅度为0.89 ℃ (0.69~1.08 ℃) (Hartmann et al., 2013)，而联合国政府间气候变化专门委员会第五次评估报告（IPCC AR5）指出，最近的几十年（1951~2012年）全球气温已上升了0.72 ℃ (0.49~0.89 ℃)。我国最新发布的《第三次气候变化国家评估报告》中认为1909~2011年中国陆地区域平均增温为0.9~1.5 ℃。我国观测得到的升温高于全球平均水平，一方面反映了全球气候变化的高度异质性；另一方面，由于城市站点受到了城市热岛的影响而使得气温记录值偏高是不容忽视的一个重要因素（任国玉等, 2005）。城市化进程是人类活动剧烈影响地球系统最具代表性的现象之一（Grimm et al., 2008），城市化改变了区域下垫面的物理属性和形态特征，影响地表能量收支、边界层高度、热力结构以及区域的大气环流，城市中心及其周边的气象台站将这种影响记录了下来（Oke, 1973, 1982）。在过去的30年时间里，全球城市土地利用面积增加了5.8×10⁴ km²，而中国又是城市土地利用扩张速率最快的国家之一（Seto et al., 2011），气象台站周边的城市建成区处于持续扩张过程，城市热岛效应对台站温度记录的影响尤为复杂。充分认识、合理订正气象台站温度记录中的城市化影响，已经成为气候变化检测和影响研究亟待解决的重要问题（任玉玉等, 2010；葛全胜等, 2014）。

在诸多研究方法中，城市与乡村站点对比的方法是研究城市气候效应传统的方法之一（Ren et al., 2015）。这种方法的基本假设是认为城市站点被城市所包围，其所记录的气象数据受到城市化的强烈影响，而乡村站属于远郊站，其所记录的气象数据可以认为不受城市的影响，因此两类站点相对比即可得到城市化的影响信息（Lowry, 1977）。城市与乡村站对比研究方法的核心问题是站点类型的划分，大多数研究以人口数目作为划分标准，规定站点周边一定范围内的人口数目小于某一阈值的站点为乡村站点，并进一步划分中等城市站点和大城市站点（Karl et al., 1988; Jones et al., 1990; Hua et al., 2008; Ren et al., 2008; 周雅清和任国玉, 2009）。但是，城市化是一个持续进行的过程，单纯的依靠诸如人口等的静态指标对这一动态过程进行静态的分类显然是存在不足的。随着遥感技术和地理信息技术的发展，以遥感数据为基础的动态站点分类方法开始被应用，但目前研究者多采用研究时段初始和结束时段站点周边的土地覆盖信息（孙朝阳等, 2011; Shao et al., 2011; Wang and Ge, 2012）或夜间灯光数据对站点进行划分（Yang et al., 2011; Wu and Yang, 2013），相比较于传统的社会经济指标划分方法有了一定程度的提高，但对城市化动态过程的描述仍然存在不足。借助星基平台传感器的多光谱数据提取城市下垫面信息，可以更为客观地判断气象台站所处位置的物理下垫面特性，这种判别方法是对以往基于社会经济因子的判别方式的改善和提高，充分考虑了下垫面的物理特征，使得站点的判定及分类更为可信（Shao et al., 2011）。

长江三角洲地处东亚季风区，是我国东部经济最发达、城市最集中、人口最密集的地区之一（何剑锋和庄大方, 2006; 方创琳, 2014）。改革开放以来，随着快速城市化过程，长三角地区大量气象站周边下垫面持续受到城市土地利用扩张的影响，由此造成的对观测温度序列的影响不容忽视。本文以长江三角洲地区的93个气象台站为研究对象，采用遥感影像监督分类的方法，对气象台站自20世纪80年代以来下垫面变化情况进行全面的调查和研究，评估气象台站周边城市土地利用扩张速率，本研究中城市土地利用扩张是指气象站点周边城市土地利用面积比例的扩张。在此基础上，分析对比不同城市土地利用面积扩张速率的气象台站的年和各季节平均气温、最低气温和最高气温的变化趋势及其城市化影响的程度。本研究旨在揭示：1）长三角城市群主要气象台站周边的下垫面特征在过去30年以来发生了多大程度的改变；2）同一时段台站温度变率记录中城市化影响信号的贡献率有多大。

（1）台站气温资料

本研究采用的气温数据是由国家气象信息中心提供的长江三角洲区域国家级地面气象站均一化气温日值数据集（V1.0）的日平均气温、日最低气温、日最高气温数据，该数据集还提供了各气象站点的地理位置、观测起始年份以及缺测情况等信息。该数据使用RHtest（PMFT/PMT）方法对气温日值序列做均一性检验订正，并经过了严格的质量控制和检查，统计结果经过极值检验和时间一致性检验人工抽查，以最大限度地降低数据误差（Li et al., 2016）。本研究在对气温变化特征进行分析时，选取了1980~2009年有完整记录的93个台站的气温数据，从而保证了所采用数据的完整性。

（2）多光谱遥感数据

本研究选取了研究区域内云量覆盖低于1%的160景Landsat TM影像，选取影像时间尽量保证在5~10月，此时植被的生长最为繁茂，有利于地物区分，影像可以覆盖93个气象站点。这些遥感数据用于气象站点下垫面城市扩张程度的判定。Landsat TM影像共包含7个波段，其中蓝色、绿色、红色、近红外、中红外波段的空间分辨率为30 m，热红外波段的空间分辨率为120 m。所有影像均由地理空间数据云平台（http://www.gscloud.cn/[2017-02-21]）免费获取，该平台数据均已经过系统辐射校正和地面控制点几何校正，对于地物覆盖分类可以直接使用。

本文计算气温距平时采用1980~2009年作为气候参考期（Wang et al., 2017），计算各站逐年的月、季、年平均、最低和最高气温距平值。各类台站平均气温序列的变化趋势估计采用最小二乘法，并用t检验方法对线性趋势进行了显著性检验。季节划分方法是：上一年12月至当年2月为冬季，3~5月为春季，6~8月为夏季，9~11月为秋季。

遥感影像的监督分类是用被确认类别的样本像元去识别其他未知类别像元的过程，标准假彩色合成的遥感影像结合高分辨率Google Earth卫星地图能很好地区分各种地物。我们选择以气象台站为中心周边10 km×10 km的范围为目标研究区域（Chrysanthou et al., 2014; Wang et al., 2017），首先将影像进行剪裁，随后利用最大似然法对地物特征进行分类，主要为5个步骤：1）确定训练样本。将影像中的用地类型分为4大类，分别为植被、水体、城市建成区和裸地。2）评价训练样本。采用ENVI5.1自带的ROI可分离性计算工具（Compute ROI Separability）来评价任意两个确定类别间的差异性程度，当各年份各样本之间可分离性均大于1.8时，属于合格样本。3）最大似然法分类。将筛选之后的合格样本进行最大似然法分类。4）精度评价。对分类结果进行精度评价，主要采用分类结果叠加的方法，对不符合要求的分类区域进行合并或者删除，直到得到满意的分类结果。针对影像分类的结果，随机选取了1423个像素点进行了精度评估，利用混淆矩阵得到每一类的生产者精度和用户精度。TM影像的总体精度为96.8%，Kappa系数为0.92；建成区的生产者和用户精度分别为90.8%和96.9%。5）将每景影像用地分类结果数据导出。利用最小二乘法计算气象台站周边的城市土地利用扩张速率，并用t检验方法对线性趋势进行了显著性检验。

分析城市热岛效应变化对观测气温序列的影响，关键在于确定代表性的参考站点。前期研究发现，台站温度记录的年际变化趋势不是简单的受静态面积比例所影响，而是很大程度上取决于台站周边城市信号的变化率（He and Jia, 2012; He et al., 2013）。因此，根据计算得到的气象站点周边的城市土地利用扩张速率将站点分为快速城市化站点、中速城市化站点和慢速城市化站点，我们的基本假设是慢速城市化站点所记录的温度序列基本没有包含城市土地利用扩张影响，即其可反映背景信息。将气象站点周边的城市土地利用扩张速率按照由小到大排列，认为属于较大四分位数的气象站点经历了极为快速的城市化过程，并将其划分为快速城市化站点（C1）；属于较小四分位数的气象站点经历了极为慢速的城市土地利用扩张过程，将其划分为慢速城市化站点（C3）；介于两者之间的为中速城市化站点（C2）。定义快速和中速城市化站点的平均增温速率与慢速城市化站点平均增温速率之差为相应类型站点的城市化影响，城市化影响所引起的增温在其总增温率中所占的百分比为城市化影响贡献率，据此计算了不同类型台站年和各季节平均温度，最高温度和最低温度的城市化影响和城市化影响贡献率。

长江三角洲的绝大多数台站周边都经历了城市土地利用扩张过程，站点周边的平均城市土地利用扩张速率为1.00% a⁻¹，城市土地利用扩张速率最慢的为天台气象站，城市土地利用扩张速率约为0.08% a⁻¹，城市土地利用扩张速率最快的为吴中气象站，城市土地利用扩张速率达到了2.47% a⁻¹。依据城市土地利用扩张速率将全部站点分为了3类：快速城市化站点（C1）的城市土地利用扩张速率范围是1.25%~2.72% a⁻¹；慢速城市化站点（C3）的城市土地利用扩张速率范围是0.08%~0.60% a⁻¹；介于两者之间的为中速城市化站点（C2），城市土地利用扩张速率为0.60%~1.25% a⁻¹。长三角地区3类受不同城市化程度影响的气象台站空间分布如图 1所示。依据站点分类标准，我们选取南通站、靖江站和无锡站作为慢速、中速和快速城市化站点类型的代表站点进行对比分析，1984年、1995年和2006年站点周边10 km×10 km范围的标准假彩色合成影像及城市面积比例和年平均温度变化时间序列如图 2所示。在研究时段内，3类站点周边都在发生城市土地利用的扩张过程，无锡站周边经历了最为剧烈的城市土地利用扩张，城市建成区面积比例从初始的8.15%扩张至66.91%，扩张速率约为2.43% a⁻¹；靖江气象站周边经历了中等速率的城市土地利用扩张过程，城市面积比例由4.21%扩张至34.31%，扩张速率为1.16% a⁻¹；南通站周边的城市土地利用扩张过程最为缓慢，城市面积比例由5.40%扩张至18.90%，扩张速率仅为0.47% a⁻¹。随后对3个气象台站观测得到的温度序列进行了对比分析，3个气象台站观测得到的温度序列具有相似的年际波动和变化，但观测得到的增温趋势却具有明显差异，经历快速城市土地利用扩张的无锡气象站的增温最为剧烈，年平均温度的增温速率为0.84 ℃ (10 a)⁻¹；经历中等速率城市土地利用扩张的靖江气象站的观测增温速率次之，增温速率约为0.74 ℃ (10 a)⁻¹；南通气象站经历的城市土地利用扩张速率最为缓慢，观测的增温速率相对较低为0.66 ℃ (10 a)⁻¹。对比分析表明，气象台站观测的温度序列中很可能包含了城市土地利用扩张信息，站点周边城市土地利用扩张速率的差异会影响到气象台站气温的观测。

图 1

Fig. 1

图 1 长三角地区3类经历不同城市土地利用扩张气象台站空间分布 Fig. 1 Distribution of three categories of meteorological stations influenced by different urban land-use expansion rates in the Yangtze River Delta

图 2

Fig. 2

图 2 （a1）1984年、（a2）1995年、（a3）2006年南通气象站周边10 km×10 km范围的Landsat标准假彩色合成影像；（b1）−（b3）同（a1）−（a3），但为靖江气象站；（c1）−（c3）同（a1）−（a3），但为无锡气象站；（d）3个代表站点城市建成区面积比例提取结果；（e）3个代表站点年平均气温的时间变化序列 Fig. 2 (a1)−(a3) Standard false color composite images in 10 km×10 km grids around Nantong meteorological station in (a) 1984, (b) 1995, and (c) 2006, the images shown in (b1)−(b3) and (c1)−(c3) are for Jingjiang and Wuxi stations, respectively; (d) urban fraction information in surrounding areas of the three representative meteorological stations from 1984−2009; (e) time series of temperature anomalies at the three representative meteorological stations

对各组台站之间年和季节平均温度的增温速率进行单因素方差检验，结果显示各个组台站之间的差异是显著的：年，F=28.43（F为检验统计量值），P=0（P为假设检验结果判定参数）；春季，F=35.83，P=0；夏季，F=28.68，P=0；秋季，F=26.24，P=0；冬季，F=13.06，P=0。3类站点增温速率单因素方差检验的显著性证明了按照此种分类方法对站点分类研究各类站点的平均温度序列是具有统计意义的。3类气象站点年和各季节平均温度序列如图 3所示，各类站点年和各季节平均温度序列均表现出相似的年际波动，在研究时段内均表现出强烈的增温趋势，增温趋势均通过了0.05的显著性检验。对于年平均温度而言，1980~2009年C1、C2和C3类型站点的增温速率分别为0.77 ℃ (10 a) ⁻¹、0.62 ℃ (10 a) ⁻¹和0.50 ℃ (10 a) ⁻¹，在研究时段内各类型站点的平均增温速率均显示出C1＞C2＞C3的规律性，即城市土地利用扩张速率越快的站点表现出更加剧烈的增温。各类型站点增温率存在较大季节差异，春季[0.51 ℃ (10 a)⁻¹]和冬季[0.56 ℃ (10 a) ⁻¹]的增温较秋季[0.46 ℃ (10 a) ⁻¹]和夏季[0.33 ℃ (10 a) ⁻¹]更为剧烈。

图 3

Fig. 3

图 3 不同类型站点（a）年、（b）春季、（c）夏季、（d）秋季、（e）冬季平均温度序列（阴影为各类型台站温度的标准差，k值为拟合斜率项即增温速率，*表示结果通过0.05显著性检验） Fig. 3 (a) Annual, (b) spring, (c) summer, (d) autumn, and (e) winter mean air temperature anomalies for three types of stations (shadings show standard deviations and the value of k represents the warming trend and * denotes the result passes test at the 0.05 significance level)

对各组台站之间年和各季节最低温度的增温速率单因素方差检验的结果如下：年，F=24.02，P=0；春季，F=20.64，P=0；夏季，F=26.48，P=0；秋季，F=22.86，P=0；冬季，F=6.71，P=0。3类气象站点最低温度的年和各季节温度序列如图 4所示，各类站点年和各季节最低温度序列均表现出相似的年际波动，并在研究时段内均表现出强烈的增温趋势，且均通过了0.05的显著性检验。对于年平均最低温度，研究时段内C1、C2和C3类型站点的增温速率分别为0.75 ℃ (10 a)⁻¹、0.63 ℃ (10 a)⁻¹和0.49 ℃ (10 a)⁻¹，研究时段内各类型站点的最低温度的增温速率仍显示出C1＞C2＞C3的规律性，即城市土地利用扩张速率越快的站点表现出更加剧烈的增温。在季节变异方面，与年平均温度的季节变异一致，春季[0.44 ℃ (10 a) ⁻¹]和冬季[0.64 ℃ (10 a)⁻¹]的各类型站点的增温速率高于秋季[0.43 ℃ (10 a)⁻¹]和夏季[0.35 ℃ (10 a)⁻¹]。

图 4

Fig. 4

图 4 同图 3，但为最低温度 Fig. 4 Same as Fig. 3, but for minimum temperature

相比较于平均温度和最低温度单因素方差分析的结果，最高温度组间的差异性较小，但仍通过了0.05的显著性检验：年，F=9.19，P=0；春季，F=6.70，P=0；夏季，F=11.06，P=0；秋季，F=6.18，P=0；冬季，F=4.33，P=0.02。对3类站点最高温度序列增温速率的单因素方差检验的显著性证明了按照此种分类方法对站点分类并研究各类站点的最高温度序列是具有统计意义的。3类气象站点最高温度的年和各季节温度序列如图 5所示，各类站点年和各季节最高温度序列均表现出相似的年际波动，并在研究时段内均表现出增温趋势，且增温趋势均通过了0.05的显著性检验。对于年平均最高温度而言，1980~2009年间C1、C2和C3类型站点的增温速率分别为0.76 ℃ (10 a)⁻¹、0.64 ℃ (10 a)⁻¹和0.62 ℃ (10 a)⁻¹，年平均最高温度的增温速率符合C1＞C2＞C3的规律性。在季节变异方面，与年平均温度和最低温度的季节变异规律一致，春季和冬季的增温速率高于秋季和夏季。

图 5

Fig. 5

图 5 同图 3，但为最高温度 Fig. 5 Same as Fig. 3, but for maximum temperature

以慢速城市化站点增温率为基准，分析了1980~2009年长三角城市群各类型台站城市化影响和城市化影响贡献率（表 1）。城市化影响是快速和中速城市化站点的平均增温速率与慢速城市化站点平均增温速率之差，是城市化过程对站点观测温度影响绝对值的体现。对于平均温度而言，快速城市化和中速城市化站点均表现出强烈的城市化影响，但快速城市化站点的城市化影响更为剧烈，快速城市化站点的年平均城市化影响引起的增温约为中速城市化站点增温的2.25倍；快速城市化站点和中速城市化站点的城市化影响表现出较为一致的季节变异性，春季和秋季的城市化影响高于夏季和冬季。最低温度的城市化影响变化规律与平均温度较为相似，快速城市化站点的年平均城市化影响引起的增温约为中速城市化站点的1.86倍；在季节变异方面，两类站点春季和秋季城市化影响高于夏季和冬季。快速城市化站点和中速城市化站点最高温度的城市化影响显著低于最低温度，快速城市化站点的年平均最高温度的城市化影响引起的增温约为中速城市化站点增温率的7倍；在季节变异方面，夏季和秋季的城市化影响高于春季和冬季。

表 1 (Table 1)

表 1 快速城市化站点（C1）和中速城市化站点（C2）城市化影响及城市化影响贡献率 Table 1 Average warming rate induced by urbanization and its contribution to the total warming trend at rapidly urbanized stations (C1) and moderately urbanized stations (C2) 时段 C1城市化影响/℃ (10 a)−1 C1城市化影响贡献率 C2城市化影响/℃ (10 a)−1 C2城市化影响贡献率 平均温度 年 0.27 35.06% 0.12 19.35% 春 0.44 46.32% 0.23 31.08% 夏 0.29 46.77% 0.16 32.65% 秋 0.29 38.67% 0.17 26.98% 冬 0.22 28.21% 0.09 13.85% 最低温度 年 0.26 34.67% 0.14 22.22% 春 0.37 45.68% 0.24 35.29% 夏 0.29 45.31% 0.13 27.08% 秋 0.32 42.67% 0.21 32.81% 冬 0.23 26.44% 0.18 21.95% 最高温度 年 0.14 18.42% 0.02 3.13% 春 0.09 10.11% 0.02 2.44% 夏 0.20 31.75% 0.03 6.52% 秋 0.21 28.38% 0.09 14.52% 冬 0.01 1.61% 0.01 1.61%

表 1 快速城市化站点（C1）和中速城市化站点（C2）城市化影响及城市化影响贡献率 Table 1 Average warming rate induced by urbanization and its contribution to the total warming trend at rapidly urbanized stations (C1) and moderately urbanized stations (C2)

城市化影响贡献率是由城市化引起的增温在其总增温率中所占的百分比，表达了城市化过程对观测增温的相对贡献程度。1980~2009年整个时段的城市化过程对观测增温的影响相对较大，尤其是快速城市化站点。对于平均温度，城市化过程对快速城市化站点的增温贡献率达到35.06%，约为中速城市化站点的1.81倍，夏季和春季的城市化影响贡献率高于秋季和冬季，即说明在夏季和春季观测的增温变化中城市化及城市化过程引起的增温更为显著；最低温度的城市化影响贡献率变化规律与平均温度较为相似，城市化过程对快速城市化站点的年平均最低温度的增温贡献率达到34.67%，约为中速城市化站点的1.56倍，在季节变异方面，春季的城市化影响贡献率最高，冬季的城市化影响贡献率最低；最高温度的城市化影响贡献率明显低于最低温度的城市化影响贡献率，城市化过程对快速城市化站点的年平均最高温度的增温贡献率仅为18.42%，对中速城市化站点的增温贡献率则仅为3.13%，即城市化对最高温度的影响程度低于最低温度，在季节变异方面，冬季的城市化影响贡献率低于其他各季节。

相比较于原有的利用社会经济指标对站点进行划分的方法，利用更高空间精度的长序列遥感数据对气象台站周边城市土地覆盖信息进行提取，并采用城市土地利用扩张速率对站点进行分类的方法，更加客观直接地反映了城市化这一动态变化的过程。为了确定我们的站点分类方法是否更合理，我们对比了两种方法在长三角区域观测温度序列城市化效应研究中的不同。崔林丽等（2008）采用人口数量作为指标对长江三角洲区域32个气象台站进行了划分：10万人口以下的气象站作为小城镇站，即城市化效应的对比站，将50万人口以上的站点作为大城市站，人口在10~50万的气象站作为中等城市站。在选取的相同的10个气象站点中，两种分类方法相比较发现，6个的气象站点的分类结果是一致的，剩余的4个气象站点的分类结果是存在差异的：在我们的研究中认为南通站属于慢速城市化站点，杭州站属于中速城市化站点，慈溪站和洪家站属于快速城市化站点；而人口分类则认为南通站和杭州站为大城市站，慈溪站为中等城市站，洪家站属于小城市站点。对存在差异的4个气象站点的温度序列进行对比（图 6），从增温率来看，本研究所采用的利用城市土地利用扩张速率对站点进行分类的方法与台站观测的增温具有更好的一致性，4个气象站点的增温速率显示为慈溪最高，随后是洪家和杭州，南通最弱，与利用城市土地利用扩张速率进行分类的结果更为一致。相比较于发展已较为成熟且具有广泛应用的利用诸如人口等社会经济指标选择参考乡村站进行城市化影响评估的方法，我们的研究方法具有一定优势，但仍然存在一定的局限性，需要在今后的工作中给予更加全面充分的研究。首先是快速、中速和慢速城市化站点的划分标准问题，在本研究中采用了分位数法进行站点类型的划分，其中慢速城市化站点在我们的假设中被认为是受到城市化的影响最为微弱，但其周边仍经历了0.08%~0.60% a^-1的城市化过程，城市化对其的影响同样是存在的，这会在一定程度上导致对城市化影响的低估，将对气象台站周边城市土地利用扩张过程的评估与传统的乡村站的筛选方法相结合，可能是今后研究的方向之一；其次，借助存档的遥感数据对气象台站周边城市土地利用扩张进行量化分析时，遥感数据的时空分辨率会限制更长时间段及更精细局地尺度的研究。

图 6

Fig. 6

图 6 气象台站（a）慈溪、（b）洪家、（c）杭州、（d）南通年平均温度序列及城市面积比例时间序列（k值为拟合斜率项即增温速率，*表示结果通过0.05显著性检验） Fig. 6 Comparisons of annual mean air temperature anomalies and ratios of built-up area at (a) Cixi, (b) Hongjia, (c) Hangzhou, and (d) Nantong stations (value of k represents the warming trend and * denotes the result passes test at the 0.05 significance level)

城市土地利用的扩张促使城市区域下垫面性质发生变化（如反照率、发射率和热传导率等），城市区域具有更大的热容量、波文比和粗糙度（Oke, 1982）；城市地表的不透水性使得水汽蒸发减少，地表感热、辐射在城市冠层内部的多次反射和吸收使得向外发散的长波辐射减少，下垫面特征的变化显著影响地表能量收支、边界层高度和局地/区域大气环流（Voogt and Oke, 2003），而热力结构和下垫面构成的变化还可导致热岛穹窿，影响郊区气温。城市由原有的点状离散扩张，逐渐发展为面状大范围的城市群扩张模式（方创琳, 2014），使得城市化影响在区域尺度的影响更为剧烈而复杂。本研究估算长三角区域的年平均温度的城市化影响贡献率为19.35%~35.06%，略高于Yang et al.（2011）利用夜间灯光数据估算得到的长三角区域热岛增温贡献率（15.361%~32.759%），低于Wu and Yang（2013）研究所指出的36%~68%的城市化影响贡献率，主要原因可能是由于选用研究方法的差异，从而导致了对站点分类结果的不同。本研究所采用的利用多时段连续的存档的遥感数据直接获取气象台站下垫面城市土地利用情况，在一定程度上更加客观地反映台站周边下垫面物理特性，并可以将城市土地利用扩张的动态过程纳入站点分类。长三角区域的热岛增温率相比较于同时期的京津冀区域更高，刘学锋等（2005）和Wang and Yan (2015)对京津冀区域的研究结果显示城市化对区域观测温度序列的贡献约为19.7%和26.58%，Wu and Yang (2013)京津冀、长三角和珠三角3个城市群的城市化影响，其研究结果发现长三角区域城市化影响的贡献率最高达到36%~68%，而京津冀和珠三角区域城市化影响的贡献率分别为12%~24%和20%~32%。不同区域气象台站城市化影响贡献的差异一方面是由于区域社会经济政策的差异导致的城市化过程及水平不尽相同，长三角城市群是目前中国发展最为快速且发展水平高最高的城市群，随后是珠三角和京津冀城市群(Qi et al., 2008)；另一方面，气候背景的差异也是造成城市化影响差异的一个重要因素，Zhao et al. (2014)利用气候模式对北美区域热岛效应的研究发现湿润气候条件下比干燥气候条件下城市热岛效应引起的增温更为突出，而我国地域辽阔，不同区域间的气候状况也不尽相同，城市化影响的区域差异性的产生机制需要更深入的探讨和研究。长三角区域冬季的热岛增温贡献率在平均温度、最低温度和最高温度上相比较于其他各季节均表现为低值，热岛增温贡献率的季节变异性与气象条件和人为因素有密不可分的关系，利用帕斯奎尔—特纳尔稳定度分类法对上海市大气稳定度的研究发现冬季稳定类天气出现频率最低，城市和郊区的大气混合作用较强，不利于热岛的出现和发展；在人为因素方面，在上海由于空调使用而产生的人为热排放主要集中在城区并集中在夏季（张艳等，2012）。

数据的均一化也是影响对城市化影响评估的一个重要因素，数据的均一化是指校订当地气候序列中的非均一性的过程（Yan et al., 2014）。目前很多的研究团队采用了经过不同均一化校正方法校正过的地区和区域的温度序列进行城市化影响的评估工作，如刘伟东等（2014）的研究采用了北京地区20个气象站点经均一性序列多元分析方法均一化处理的气温数据分析北京地区城市化对温度序列的影响，Wang et al. (2015)选用了经过Li et al. (2009)均一化校正方法校正过的温度数据进行研究等。但有一些研究者认为经过均一化校正的温度数据影响对原始温度序列中城市化影响的判断，He and Jia (2012)指出均一化后的温度数据对下垫面的改变会变得不如原始数据那么敏感；任玉玉等（2010）和Ren et al. (2015)的研究指出，经过均一化订正的资料可以获得比原来更为均一的单站气温资料序列，但是，由于多数情况下均一化订正是对迁站引起的人为序列断点进行修补，并以当前站址的气温记录为标准纠正资料序列，而迁站通常又是由城区或近城区迁往郊区，订正后的气温序列在一定程度上恢复了城市热岛效应引起的增温趋势，当采用均一化订正的资料序列时，城市热岛效应偏差可能会更明显。纳入本研究范围的93个气象台站虽然已经经过了前期的质量检查，对于迁站距离较远的和海拔较高的站已经进行了剔除，但由于我们的研究是直接基于气象站点周边下垫面的土地利用状况，数据的均一化与否对研究结果的影响在今后的研究中值得继续探讨研究。

本文利用Landsat卫星影像对长江三角洲城市群93个气象台站周边的城市土地利用信息进行提取，并利用城市土地利用扩张速率对站点进行分类，重新评估了长三角城市群区域不同类型站点的热岛增温率和热岛增温贡献率, 得出以下几点结论：

（1）1980~2009年，长江三角洲城市群几乎所有的气象台站周边都经历了城市土地利用扩张的过程，气象站点周边平均城市土地利用扩张速率为1.00% a⁻¹。

（2）快速城市化站点、中速城市化站点和慢速城市化站点的年和各季节的平均温度、最低温度和最高温度均表现出增加趋势，快速城市化站点的相较于中速城市化站点和慢速城市化站点经历了更为剧烈的增温。

（3）城市土地利用扩张过程对快速城市化站点年平均温度贡献率为35.06%，对年平均最低温度的城市化影响贡献率为34.67%，对年平均最高温度城市化影响率最小仅为18.42%；城市土地利用扩张过程对中速城市化站点的影响程度小于快速城市化站点，对平均温度、最低温度和最高温度的贡献率分别为19.35%，22.22%和3.13%。在季节变异方面，长江三角洲区域各类型站点冬季的城市化影响贡献率在平均温度、最低温度和最高温度均表现为最低值。