基于增溫敏感性指數的城市功能區升溫效應空間分異研究

楊 慧，徐偉銘，邵爾輝，廖云婷，林 馨

［1.福州大學 數字中國研究院（福建），福州 350108；2.福州大學 空間數據挖掘與信息共享教育部重點實驗室，福州 350002；3.福州大學 地理空間信息技術國家地方聯合工程技術研究中心，福州 350002］

中國正處于快速城市化階段，預計到2030年城市化率將接近70%（沈中健 等，2021）。伴隨城市化進程的加快，城市熱島效應異常明顯，這不但帶來能源的大量消耗和空氣污染，而且影響人們的生活質量和健康指數（姚遠 等，2018；黃曉軍 等，2022；林中立 等，2022）。城市發展建設過程中所引發的下墊面性質的改變，是城市熱島效應日益嚴峻的重要因素之一（林冰鈺 等，2021；趙禾苗 等，2021）。城市建設用地內部包含商業區，公共管理與服務區等多種功能區塊，這些功能區在開發強度、人類活動以及用途等方面存在較大差異，因此，不同功能區熱環境效應具有巨大分異（武蓉蓉等，2020）。深入研究不同城市功能區對城市熱環境的影響，可為推進城市功能區合理布局、改善城市生態環境、實現城市化的可持續發展提供科學的決策依據。

城市用地功能的變化改變城市的熱平衡，導致城市內部區域尺度上的局部變暖，這引起學者的廣泛關注（Gao et al., 2020）。城市功能區是城市規劃與建設的基本單位，通常代表反映城市擴張和變化的地理空間結構和功能格局（楊振山 等，2021）。在城市用地功能識別方面，由于POI數據能記錄各行業部門的空間位置信息（薛冰 等，2020），且時效性強、易獲取，被廣泛應用于定量識別及可視化城市功能區的研究中。如楊智威等（2019）通過構建自然區塊，根據POI數據的空間分布情況，對城市功能用地進行劃分，由于POI空間分布的緊密性較強，依據自然區塊劃分的結果難免會存在空間重疊現象。李娜等（2022）考慮了POI數據的潛在語義信息，采用各類POI的頻率密度對區域功能進行標識，但忽略了POI數據之間的空間相關性。為充分挖掘、利用POI數據的語義關系與地理信息，對城市功能區進行準確識別，Yao 等（2016）首次將POI數據與自然語言模型（Word2vec）相結合，提出將特定區域內的POI按照最短路徑的方式排列成自然語言序列，但實際上POI數據不同于自然語言的順序分布，基于最短路徑的語料策略在解釋POI的空間交互特征上存在局限性。為解決此問題，Yan 等（2017）從地理空間視角出發，在遵循地理學第一定律的前提下，擴展了Word2vec 模型，提出了Place2vec 模型。Place2vec 模型考慮距離衰減和距離滯后對POI的空間距離進行增強，能充分挖掘POI數據的語義關系和地理信息、解釋POI數據的空間交互特征、有效的呈現區域的不同功能。

在城市功能區熱環境的研究中，多數學者將地表溫度作為量化熱環境的具體指標（楊智威 等，2019），以研究城市功能區熱環境的空間分異現象?，F有研究聚焦2 方面內容：1）針對各類功能區的LST，分析其熱環境的空間分布特征，探討各類功能區與熱環境的關系，如沈中健等（2022）應用均值－標準差法，分析各類建設用地功能區熱力特征；2）判斷各類功能區對熱環境的影響，采用回歸分析模型定量化不同功能區對城市熱環境的影響程度，如Chen 等（2022）采用隨機森林算法評估不同類型城市功能區對城市熱環境的貢獻。雖然目前研究已取得豐碩成果，但局限于采用回歸分析、相關性分析等傳統方法，探討同等溫度條件下城市功能區溫度變化差異，缺乏對功能區域在地表升溫過程中的空間分異問題的關注，并且傳統方法在定量分析不同升溫梯度下地表溫度變化的非線性機制方面有一定局限性（孫鳳云 等，2021）。

鑒于此，本研究將以福州市三環內范圍作為研究區，采用Yan等（2017）在地理空間背景下提出的Place2vec模型，通過獲取POI的完整地理信息來識別城市功能區；使用輻射傳輸方程法反演研究區地表溫度，分析各功能區熱環境的空間分異情況；同時，基于增強回歸樹（Boosted Regression Tree,BRT）算法構建功能區增溫敏感性指數，定量測度各類功能區在地表溫度動態演變過程中的增溫敏感性及其變化特征，以對區域尺度上的城市熱環境空間分異機制進行深入探討。以期為城市熱環境空間分異現象的研究提供新視角，為城市功能分區和城市規劃提供科學的決策依據。

1 研究區域與數據處理

1.1 研究區概況

研究區位于福州盆地中心，盆地四周遍布群山峻嶺，地勢自西向東傾斜，海拔多在600～1 000 m，閩江橫貫研究區最終匯入東海。福州屬于典型的亞熱帶季風氣候，年均溫為16～20℃（林中立 等，2022），最熱月7—8 月，平均氣溫為27～33℃；年平均降水量為900～1 200 mm。福州17 次位居火爐城市榜首，據近10 年的氣象統計數據顯示，福州35℃以上高溫天數累計達421 d①數據來源：美國國家環境信息中心（NCEI）.http://news.sohu.com/a/705627741_100941。福州市三環路圍成的范圍包含鼓樓區、臺江區、倉山區的大部分以及晉安區的小部分，其中鼓樓區、臺江區與倉山區的城鎮化率為100%，晉安區的城鎮化率為97.5%；該四區的常住人口總數為305萬人（福州市統計局等，2022）。城市化水平高、主要人口集聚的區域，熱環境現象最為顯著。同時，該區域受盆地地形影響，內部熱量易聚難散，熱量更趨向于集中化。故本文選取福州市三環內作為研究區。

1.2 研究數據

1.2.1 POI 數據 通過高德地圖提供的應用程序編程接口（API）獲取研究區域范圍內的POI 數據，對數據進行去重、坐標糾正等預處理，最終獲得151 263條POI數據，數據集字段包括POI名稱、經緯度、地址信息和分類體系等基礎信息。其中，POI類型包含22個大類、188個中類、977個小類。

1.2.2 OSM 數據 確定研究單元是識別城市功能區的重要步驟，為準確描繪城市功能區形態，利用OSM（Open Street Map）道路數據生成的街區作為研究單元。對原始道路數據進行去重、拓撲錯誤修改、補齊等處理后，將閉合道路生成街區單元。同時，為避免研究區內的河流水系對研究單元分割的影響，將河流水系也視為劃分研究單元的依據，最終形成1 103個街區單元。

1.2.3 遙感影像數據 考慮到遙感影像時效性的影響，參考孫鳳云等（2021）的研究，選取2018—2021年4期天氣晴朗、無云遮擋的Landsat8遙感影像（表1）作為地表溫度反演數據，遙感影像成像時間分別為1、3、4 和7 月，連續月份的影像數據能表征不同溫度梯度。

表1 遙感影像信息Table 1 Information of selected Landsat images

為有效描述地表覆被與地表溫度之間的綜合作用關系，采用武漢大學研究團隊發布的CLCD（China Land Cover Dataset）2021 年土地覆蓋產品數據 。由于植被、水體和不透水面是組成城市復合生態系統的三大重要土地覆被類型（王美雅 等，2022），故將所獲取的土地覆被數據重分類為植被、水體和建設用地3 種類型，以滿足后續研究需要。福州市三環內是福州市發展穩定、城市化水平最高的區域，其土地覆被在2018—2021年相對穩定，變化有限，故數據時間差對本研究的影響可以忽略不計。

2 研究方法

利用Place2vec 模型從地理空間角度集成語料庫，以識別更貼近現實的城市功能區；在此基礎上，通過輻射傳輸法對研究區進行地表溫度反演，采用均值-標準差法對LST 進行熱場分級，對功能區尺度下的城市熱環境進行定量測度；同時，借助增強回歸樹算法（BRT）構建功能區增溫敏感性指數，量化功能區在城市地表升溫階段的敏感性和變化特征。

2.1 基于Place2vec模型的城市功能區識別方法

Place2vec 模型以Word2vec 模型為基礎（鄭至鍵 等，2020），本研究在地理空間中構建了考慮POI 空間距離特征的訓練數據集，進一步獲得POI類型嵌入，并結合聚類分析實現街區單元的土地利用和功能結構感知。具體流程為：1）訓練數據集構建。利用K近鄰算法構建基于POI空間上下文的語料庫，并根據POItcenter和POItcontext之間的距離所得權重，增加數據集中訓練對（tcenter,tcontext）的數量；2）POI 類型的特征向量獲取。通過Word2vec 模型的Skip-Gram 網絡結構訓練所構建的數據集，計算各POI類型的高維特征向量，并使用平均池化獲取各街區的特征向量；3）基于K-means的區域聚類。參考已有研究（Zhai et al., 2019），采用常被用于高維數據聚類的K-means算法對各街區向量進行聚類，使得具有相似特征的街區集聚，從而劃分不同的街區類型；4）功能區識別與標注。在實現區域聚類后，根據POI頻率密度（FD）和富集因子（EF）2個指標計算POI類型在各聚類的分布情況，并基于《城市用地分類與規劃建設用地標準》（中華人民共和國住房和城鄉建設部，2011），參考福州市中心城區用地規劃以及其他學者的分類，以根據功能區的實際功能進行識別與標注。

2.2 地表熱場等級劃分

運用輻射傳輸方程法進行地表溫度反演，為將不同時期遙感影像的反演結果進行直接對比，采用均值-標準差法對LST 進行熱場強度分類，根據研究區地表溫度反演結果對地溫標準差設定合適的倍數，并與地溫平均值相互結合，從而將研究區的熱環境劃分為不同等級。參考已有研究（沈中健 等，2022），將研究區的地表熱環境等級劃分為7類（表2）。

表2 地表熱環境等級分類方法Table 2 Classification method for dividing land surface thermal environment

2.3 基于BRT算法的功能區增溫敏感性計算

功能區增溫敏感性表征功能區對外界地表升溫的響應水平，體現功能區在外界升溫過程中溫度變化的難易程度和可能性。本研究從功能區整體增溫敏感性、功能區梯度增溫敏感性和功能區覆被增溫敏感性3個方面，構建功能區增溫敏感性指數，量化在不同外界升溫條件下各功能區的增溫敏感情況。功能區整體增溫敏感性指在所有溫度梯度下，功能區對外界溫度變化的敏感性；功能區梯度增溫敏感性反映不同類型功能區在某一溫度變化梯度下的增溫敏感性，體現功能區在不同升溫階段的增溫差異性；功能區覆被增溫敏感性指各功能區中特定的土地覆被類型在外界升溫過程中的敏感性。

2.3.1 功能區增溫敏感性指數計算原理 BRT算法在分類回歸樹算法（Classification And Regression Tree, CART）基礎上結合提升算法（Boosting），并融合兩大算法的優勢，已被廣泛用于生態環境研究，尤其是歸因分析和邊際效應等領域（李春林等，2014；Han et al., 2022）。BRT的穩定性和預測精度優于許多傳統的建模方法，如捕獲復雜的非線性關系、自動處理預測器之間的交互效應、處理不同類型的預測變量（Leathwick et al., 2006；尹才等，2016）。BRT算法原理為：

將自變量x與因變量y之間的關系用f（x）函數表示，并將其初始化為0：

當m=1：n時，計算觀測數據的殘差r，其中m為擬合序列值，n為擬合回歸樹總數：

再者，令βb(x；γm)代表一棵樹的信息，b的值與所選計算方法有關，β是所選計算方法估計參數及，rm為分割變量、樹節點值和預測值，BRT通過最小二乘回歸樹擬合殘差r，以估算βb(x；γm)的值，并利用損失方程L最小值計算βm，βm表示樹節點的權重：

2.3.2 功能區增溫敏感性指數計算流程 基于相鄰月份的landsat8影像（見表1）之間的溫度差值計算增溫敏感性指數。對連續月份的4期影像求取溫差，并進行差值歸一化處理，以加強不同變暖階段之間的比較。首先，計算功能區整體增溫敏感性指數，將3 期差值影像中所有的柵格像元值作為因變量，“功能區”作為自變量，輸入BRT 算法中進行1 次計算；其次，計算功能區的梯度增溫敏感性指數，分別提取3 期差值影像的柵格像元值作為因變量，“功能區”作為自變量，輸入BRT 中共執行3 次計算；最后，計算功能區的覆被增溫敏感性指數，分別提取3 種地類的柵格像元值作為因變量，“功能區”作為自變量，輸入BRT算法執行3次計算。各自變量邊際效應值即為敏感性指數的計算結果。BRT算法是使用R軟件中的“dismo”和“gbm”包開發的，本研究將BRT 算法的學習速率設置為0.005，將50%的數據用于訓練，并采用10 倍交叉驗證來選擇最優模型。

3 結果與分析

3.1 功能區標注與驗證

基于Place2vec 模型的福州市三環內城市功能區識別結果如圖1所示。計算得到各功能區中不同類型POI的頻率密度（FD）和富集因子（EF）（表3），對二者的數值從大到小進行可視化展示，數值相對較大的類型決定功能區標注的類別。由于富集因子能避免因某一類POI數量過多而誤導實際功能區判定的情況，本研究以富集因子為主，頻率密度輔助，對具體功能區域進行綜合判斷，并基于《城市用地分類規范及開發用地規劃標準》、福州市中心城區用地規劃以及已有研究（康雨豪 等，2018；李娜 等，2022）的分類，最終將研究區域用地功能類型劃分為生活服務與住宅區（F0）、公共管理與服務區（F1）、商業區（F2）、產業區（F3）、綠地與廣場區（F4）。

圖1 基于Place2vec模型的福州市三環內城市功能區識別結果Fig.1 Results of urban functional area identification within the third ring road of Fuzhou City based on Place2vec Model

表3 POI頻率密度（FD）和類型系數（EF）值Table 3 POI frequency density and category factor of functional regions

本研究在每類功能區的識別結果中選擇典型區域，分別與其對應的天地圖衛星、街道地圖進行對比（圖2），現狀圖中包含：1）海潤濱江花園小區、福人小區等住宅用地以及農業銀行、口腔診所、永輝超市等生活服務場所，與識別圖中的生活服務與住宅區相符，識別結果準確；2）福州市人民政府、福州市人事局、鼓樓區國家稅務局等政府機域，是福州最繁華的商業中心之一，分布著大量商業服務設施，與識別圖中的商業區相符，識別結果準確；3）升龍匯金中心、長江證券等證券公司以及經緯集團、福建省交通運輸集團有限責任公司等公司企業，與識別結果中的產業用地相符，識別結果準確；4）倉山區高蓋山公園區域，擁有健全完善的亭臺樓閣等基礎設施和園林景觀旅游服務配套，與識別結果中的綠地與廣場區相符，識別結果準確。綜上，基于Place2vec模型的識別結果與真實用地功能情況相符。

圖2 福州市三環內城市功能區各用地類型實例Fig.2 Examples of various land use types in urban functional areas within the Third Ring Road of Fuzhou City

3.2 功能區塊下的地表熱場等級格局

4 期Landsat8 遙感影像反演的LST 結果如圖3所示。夏季高溫現象最為明顯，功能區與城市熱環境間的交互作用最強，因此，針對夏季（7 月）的LST反演結果，分析城市功能區的熱環境空間分布特征。如圖3-d 所示，研究區7 月瞬時地表溫度為30.42～56.81℃，總體上研究區東南部溫度較高，結合功能區識別結果（見圖1）可知，該區域產業區、住宅區分布較為集中，人類活動頻繁、不透水面聚集密度較高的區域往往地表溫度相對較高。研究區熱場等級劃分結果如圖4 所示，結合圖1 可知，綠地與廣場區內部熱場等級主要為低溫區、次低溫區；其余4 類功能區內部地表熱場等級以中溫區、次高溫區、高溫區和極高溫區為主，次低溫區、低溫區和極低溫區分布不顯著。

圖4 研究區地表熱環境等級空間分布Fig.4 Spatial distribution of surface thermal environment level in the research area

各類功能區內部熱場等級分布統計結果見表3所示，在生活服務與住宅區、公共管理與服務區、商業區以及產業區中，次高溫、高溫和極高溫的面積均超過70%，極低溫區、低溫區和次低溫區的面積均不足10%，而綠與廣場區內部次高溫、高溫和極高溫的面積低于25%，極低溫區、低溫區和次低溫區的面積超過45%。這表明除綠地與廣場區外，其余功能區皆表現為高溫現象。這是由于不透水地表是功能區主要的下墊面類型，吸熱快，熱容量小，較自然地表升溫快，且受到人類活動的影響，人為熱排放量高，因而易形成高溫區域；綠地與廣場區內綠地面積較大，綠地對地表溫度具有降溫作用，故其溫度較低。

具體地，極高溫區在產業區的比例最大，為20.64%，次高溫區和高溫區在產業區的比例超過60%；高溫區在公共管理與服務區的占比僅低于產業區，為22.35%；商業區的次高溫區比例最大，生活服務與住宅區內中溫區占比最大，分別為48.30%和22.43%；且生活服務與住宅區、公共管理與服務區與商業區的極高溫區均不超過10%；綠地與廣場區的極低溫區、低溫區、次低溫區的比例超過50%，且極高溫占比最小，僅有1.90%（見表3）。由此可見，不同功能區的熱力特征差異明顯。產業區下墊面以不透水地表為主，能耗相對較多，并且建筑物密集，熱量不易散失，進而高溫現象顯著；生活服務與住宅區、商業區和公共管理與服務區的高溫現象明顯弱于產業區；綠地與廣場區的高溫現象最弱，可以理解為大面積的植被覆蓋能夠改善下墊面的熱力學性質，促進空氣冷卻及循環流動，對城市地表溫度具有明顯的調控作用。

3.3 功能區增溫敏感性分析

3.3.1 功能區整體增溫敏感性 基于各類功能區與研究區地表溫度之間的邊際效應結果（圖5），得到5 類功能區增溫敏感性指數由高至低排序為：產業區（1.028）＞生活服務與住宅區（1.010）＞商業區（1.008）＞公共管理與服務區（0.998）＞綠地與廣場區（0.917）。不難發現，功能區敏感性的高低與該區的開發強度、人類活動強度成正相關關系。建筑緊密排列、人為熱排放量較大的產業區、住宅區的增溫敏感性指數較高；開發強度較弱的綠地與廣場區增溫敏感性值較低。

圖5 研究區各功能區整體增溫敏感性Fig.5 Overall warming sensitivity of each functional area in the research area

3.3.2 功能區梯度增溫敏感性 由圖6 可以看出，各功能區在3個升溫階段呈現增溫敏感性存在差異，且高溫階段的差異最為顯著。以0114—0311 為例，表征1—3月的升溫階段。例如，綠地與廣場區在增溫0114—0311、增溫0311—0417階段的敏感性指數相對較高（0.932～0.961），在增溫0417—0725 歷程中敏感性指數處于較低水平（0.870）；而公共管理與服務區與商業區在增溫0114—0311、增溫0311—0417 的敏感性指數較低（0.930～0.982），在增溫0417—0725 階段的敏感性指數相對較高（1.032～1.060）。該現象可能是由影像拍攝季節和地表溫度變化共同作用的結果。首先，Landsat 8影像獲取于不同季節，因此不同月份的影像在植被覆蓋度、地表反射率、人為熱排放以及太陽輻射強度等方面皆存在一定差異；其次，非線性變化特征是地表溫度的本質特征，故在地表溫度發生改變的過程中可能會出現拐點，從而改變該過程的響應關系。

圖6 研究區各功能區梯度增溫敏感性Fig.6 Gradient warming sensitivity of each functional area in the research area

3.3.3 功能區覆被增溫敏感性 由圖7 可以看出，建設用地的增溫敏感性始終高于植被與水體的增溫敏感性。建設用地敏感性具有明顯的土地開發強度區域性差異，在除綠地與廣場區外的所有功能區中皆處于較高水平。這4類功能區開發強度較大，下墊面以人工表面為主，且高樓林立，建筑密集，人類活動頻繁，是市民生活、工作的主要區域。因此，較高開發強度的功能區的增溫效應要比較低開發強度的功能區的增溫效應更為顯著。

圖7 研究區各功能區覆被增溫敏感性Fig.7 Sensitivity of cover warming in various functional areas of the research area

植被增溫敏感性受區域城市化程度的影響，區域建設發展程度越低，植被增溫敏感性與建設用地敏感性的差異越明顯。綠地與廣場區的植被增溫敏感性最低、生活服務與住宅區次之。綠地與廣場區內部包含高蓋山公園、金雞山公園以及閩江公園等大片綠地覆蓋的區域；部分住宅區靠山而建或與公園緊密相連，故生活服務與住宅區受周邊生態景觀降溫效應的影響，緩解其內部高溫現象。因此，大面積綠地覆蓋、綠化程度較高的區域，有助于調節地表溫度變化，其植被增溫敏感性相對較低。

水體增溫敏感性指數低于植被、建設用地敏感性指數。商業區、產業區的水體增溫敏感性較高，由于此2區不鄰近水源，且區域內部無大規模水體，細小的水體易被周圍硬化材質蠶食；公共管理與服務區少部分與閩江北港接壤，大部分區域內部水體較少，其水體增溫敏感性相對較高；生活服務與住宅區的水體增溫敏感性相對較低，其部分區域鄰近公園或與閩江北港接壤，規模較大或連片的水體對周圍區域控溫作用顯著；綠地與廣場區的水體增溫敏感性最低，該區內有大量公園等自然景觀分布，綠地與水體是其主要生態景觀，二者共同作用加強對地表升溫的抑制作用，故其升溫緩慢。

4 結論與討論

4.1 結論

本文以福州市三環路圍成的范圍為研究區，根據道路數據劃分生成的街區作為研究單元，利用Place2vec模型對城市功能區進行識別，并在此基礎上分析各功能區熱場等級空間分異特征，同時，結合增強回歸樹算法（BRT）構建功能區增溫敏感性指數，從功能區整體增溫敏感性、功能區梯度增溫敏感性以及功能區覆被增溫敏感性3個方面，探討不同功能區在地表升溫過程中的敏感特性，得出主要結論如下：

1）識別福州市三環內的城市功能區域?；赑OI數據和Place2vec模型構建了城市功能區識別框架，得到5 類功能區，分別為生活服務與住宅區、公共管理與服務區、商業區、產業區、綠地與廣場區；并與天地圖衛星、街道地圖進行對比，得出該方法識別結果符合實際用地功能情況。

2）不同功能區的熱場等級空間分異現象顯著。綠地與廣場區內部熱場等級主要為低溫區、次低溫區和中溫區，其余4類功能區內部地表熱場等級以中溫區、次高溫區、高溫區和極高溫區為主，次低溫區、低溫區和極低溫區分布不顯著。除綠地與廣場區外的4類功能區皆具有高溫現象，其中極高溫區在產業區占比最多，高達20.64%；在綠地與廣場區占比最少，僅有1.90%。

3）城市功能區在地表升溫過程中存在顯著空間分異現象。功能區增溫敏感性與其內部建設發展水平成正相關關系；不同升溫梯度下的功能區增溫敏感性存在差異，高溫階段差異最為顯著；覆被增溫敏感性具有明顯功能區域分異特性，區域建設發展程度越高，建設用地敏感性與植被、水體增溫敏感性差異越大，且在各功能區中建設用地的增溫敏感性始終高于植被與水體的增溫敏感性。

4.2 討論

隨著城市熱島現象日益嚴重，定量研究城市各功能區對城市熱環境的影響，有助于有效地反映各種人類活動對城市熱島形成的影響。區域的開發強度、人口密度、建筑密度、自然景觀等多種因素耦合，導致城市功能區之間的增溫敏感性差異顯著。因此，本研究通過構建功能區增溫敏感性指數，能準確定位需要調控的區域，在該區的規劃中應優化景觀配置，合理增加綠地和水體景觀；并重視在較高溫度梯度下升溫敏感的區域，以防范極端天氣變化下的高溫風險。本研究可為相關部門制定熱環境整治和功能區規劃政策提供思路。

此外，本研究存在以下改進之處：1）城市功能分區受自然地理、社會經濟、人類活動等多種因素影響，本研究只采用OSM和POI兩種數據對城市功能區進行識別，為獲得更加準確的分類結果，未來應增加更多的開放數據集、代表城市空間的高分辨率遙感影像，以及描述人口移動的統計數據。2）本研究側重于對方法的探討，由于Landsat 遙感影像數據時效性、影像缺失等問題，導致數據來源受限，在一定程度上影響結果的準確性。未來需要進一步豐富遙感影像數據來源，提升數據源的連續性，從而提高數據結果的精確性、可比性和可信度，以進一步揭示各類功能區在外界升溫過程中的變化特征和敏感性差異。3）不同時期的遙感影像是研究城市熱環境動態演變規律的基礎，但現有研究缺乏對如何設定合適的影像選取標準、控制影像質量以降低外界干擾、季節變化以及局地天氣擾動等問題的關注，這些問題是影響城市熱環境研究的重要因素，未來還需進一步探討。