城市热环境的形成与演变直接关系到城市生态环境质量和可持续发展能力(岳文泽，2008)。城市作为一个复合巨系统，城市下垫面热惯量、热容量、热传导和热辐射的差异，人类活动强度不同，以及不同景观类型分布及内部结构差异等因素共同作用于城市热环境。结合遥感技术和调查资料，建立城市热环境指标体系，对城市热环境进行多变量综合分析，从而揭示城市热环境的成因机制。

　　岳文泽(2008)、孟丹等人(2010)以及余明(2011)分别对上海市、京津冀都市圈、闽东南城市群建立热环境影响因素评价指标体系。引发城市热岛有两大因素:一是城区土地利用和覆盖不同于郊区，二是城区人为释放的交通生产生活的废气废热远高于郊区(陈爱莲等，2012)。纵观城市发展过程，城市热岛效应日益明显，主要体现在促进城市热岛效应增加的因素被加强，利于减少城市热岛效应的因素被削弱。因此在进行城市热环境影响因素评价时，应结合土地利用及其所承载的人为热排放，突出其对局地气候的影响，从而提出针对性更强的热环境调控措施。本文结合北京社会—经济—自然状况，构建北京热环境影响因素评价指标体系

　　北京热环境影响因素评价指标体系分为两级，第一级包括城市下垫面特征、人类活动强度特征以及生态环境特征3个方面，每个一级指标又分别对应其二级指标。其中，人类活动强度包括生产和生活人为释放热量，但是难以直接通过遥感数据进行量化。本文通过道路密度和人口密度作为人为释放热量(汽车尾气、制冷供暖热排放等)的反映指标。

　　二级指标的内涵及计算方法分别介绍如下。

　　归一化建筑指数NDBI可以较为准确地反映建筑用地信息。数值越大，表明建筑用地比例越高，建筑密度越高(查勇等，2003)。本文使用NDBI来表征城市非渗透表面的空间分布。

　　NDBI=QSWIＲ－QNIQSWIＲ+QNIＲ(3)式中，NDBI为归一化建筑指数，QSWIＲ为短波红外波段灰度值，QNIＲ为近红外波段。对于MODIS地表反射率产品(MOD09)，NIＲ为第2波段，SWIＲ为第6728JournalofＲemoteSensing遥感学报2014，18(3)波段。历华等人(2009)利用MODIS数据计算长株潭地区NDBI，范围为－0．411—0．061，4个季节变化范围非常接近，说明NDBI不会随季节发生太大变化。

　　景观多样性指数SHDI，是基于信息论基础上对景观格局的丰富程度和复杂程度的综合反映(岳文泽，2008)。城市地表温度不仅与下垫面的景观类型密切联系，还与景观类型的空间组合格局相关。

　　城市下垫面的多样性指数对城市温度的景观异质性具有明显的二次抛物线相关关系(王红红等，2012)。计算公式为SHDI=－Σmi=1(Pi×lnPi)(4)式中，SHDI为景观多样性指数，Pi为土地利用类型i所占的面积比例，m为土地利用类型的数目。将土地利用现状图与研究区1km×1km的网格进行叠加，统计出每个网格中不同土地利用类型所占比例，并进一步计算得到多样性指数。

　　道路密度，以道路等级为衡量标准，按照不同的道路等级分配不同的权重，利用Arc/Info软件中的线密度函数实现道路密度的计算(岳文泽，2008)。公式为Ｒd=((L1×W1)+(L2×W2)+…+(Ln×Wn))Area(5)式中，Ｒd为道路密度，Ln为研究区1km×1km单元格内的道路长度，Wn为道路权重，Area为单元格面积。

　　人口密度，是指一定时期某地区人口数与该地区面积之比，反映人口在地域分布的稠密程度。本研究采用由中国科学院资源环境科学数据中心提供的1km人口空间统计数据。该数据是利用人口(统计)数据空间化技术，选取对人口空间分布影响最直接的城镇居民地、农村居民地和耕地因子，结合人口统计数据，以乡镇为样本，构建人口数据空间化模型(杨小唤等，2006)。

　　高程和坡度。已有研究证实，温度与高程、坡度呈反比关系，高程越低、坡度越小，越有利于热岛中心的形成(张兆明等，2007)。本文用北京行政区的数字高程模型进行掩膜，并利用Arc/Info软件进一步计算北京坡度数据。

　　NDVI是反映绿色植被的相对丰度和活性的辐射量值，指示了城乡地表性质的差异(蒸发量和热容量)。但是冬季NDVI不能很好地反映地表性质，因为北京多为落叶植被，冬季光合作用活动弱。

　　NDVI=QNIＲ－QＲedQNIＲ+QＲed(6)式中，NDVI为归一化植被指数，QNIＲ为近红外波段灰度值，QＲed为红色波段灰度值。对于MODIS地表反射率产品(MOD09)，NIＲ为第2波段，Ｒed为第1波段。

　　由于影响因子的分级或计量单位不同，对城市热环境的影响不具有可比性，必须进行指标量化处理。本研究采用极差标准化方法，对各因子进行标准化处理。

　　X'i=Xi－XminXmax－Xmin(7)式中，X'i为影响因子经过标准化后的值，Xi为影响因子的实际值;Xmin为影响因子在研究区域内的最小值，Xmax为影响因子在研究区域内的最大值。经过标准化处理后，消除了影响因子取值范围和量纲的影响。

　　4．4城市热环境影响因素空间主成分分析

　　城市热环境受到诸多因子的综合影响，并且影响因子之间也存在着一定的相关性，直接进行多准则判断存在问题(岳文泽，2008)。通过空间主成分分析方法，利用正交旋转变换来消除影响因子的相关性或冗余度，可以明确各主成分的物理含义，同时也避免了多准则判断权重不合理的弊端，从而进一步揭示城市热环境的内在机制。

　　本文在Arc/Info软件GＲID模块支持下，采用空间变量的主成分分析方法，实现对影响城市热环境形成的空间变量主成分分析。通过北京城市热环境目标信息空间因子主成分分析特征值和贡献率的计算，从而选取主成分，并明确各个主成分对于城市热环境形成的物理意义，进一步深化对城市热岛形成的机制研究。

　　4．5基于自组织映射神经网络的热环境区划

　　自组织映射(SOM)神经网络模型通过寻找最优权值矢量对输入变量进行非监督聚类。该方法可以避免由于人工确定各指标或各层次权重所带来的主观性。SOM模型也越来越多地应用在城市系统的模拟研究中(凌怡莹和徐建华，2003;岳文泽，2008;郝成元等，2008)。本文将GIS与SOM在空间上进行结合，模拟空间样本的竞争，从而进行空间聚类，不仅提高了SOM模型的应用能力，而且对城市热环境规划分区提供了新的方法。

　　SOM网络是由输入层和竞争层构成的两层网络，输入层用于接收输入模式，输出层神经元按照2维阵列排列，两层之间各神经元实现双向互连接，SOM网络通过寻找最优权值矢量对输入模式集合进行聚类模拟(凌怡莹和徐建华，2003)。

　　网络的输入模式为Pk=(pk1，pk2，…，pkN)，k=1，2，…，q竞争层神经元矢量为Aj=(aj1，aj2，…，ajN)，j=1，2，…，M式中，Pk为连续值，Aj为数字量，q为学习模式个数，N为输入层神经元个数，M为竞争层神经元个数。竞争层神经元j与输入层神经元之间的连接权值矢量为Wj=(wj1，wj2，…，wjN)，j=1，2，…，M本文将空间主成分分析得到的主导因子作为输入变量导入SOM网络中，在Matlab软件和GIS技术的支持下，对城市热环境成因机制进行空间聚类，揭示北京热环境成因机制的空间差异，概括成因机制的主要类型，从而进行北京热环境分区，并针对分区方案提出缓解城市热岛的措施。

　　5、北京城市热环境结果分析

　　5．1城市热环境时空分布特征分析

　　对各温度等级区域分析，中温区所占比重最大。