绿地空间格局对城市热环境的影响及季节差异*——以合肥市主城区为例

李峻峰，乔 锐，王小洁，吕晓倩

前言

快速城市化已成为人类社会发展的必然趋势，城市化进程加快导致地表覆被特征发生显著变化，不透水表面增加、城市绿地减少和景观破碎化加重均会加剧城市热岛效应，从而对人类生活带来潜在有害影响[1，2]。城市绿地是城市生态系统的重要组成部分，已被广泛论证其在调节区域气候和缓解城市高温方面的重要作用。当前城市绿地热环境研究方法主要包括实地测量、数值模拟和遥感反演。实地测量借助气象站点或移动装置进行，其优势在于数据的真实性与近地性，但受制于人力物力，无法大范围展开[3]。数值模拟虽近年来在绿地热环境研究中得到推广，但模型精度与可信度仍有待考量[4]。与前两者相比，通过遥感反演获取的地表温度可反映城市绿地在同一瞬时时间内热环境的空间分布特征，且能有效衔接各类景观格局分析方法，已成为当前研究城市绿地热环境的重要途径[5]。

大量研究表明，从景观格局视角分析绿地空间格局与城市热环境之间的定量关系，可深入直观理解城市绿地对热环境的调节机制，相关研究涉及景观组成与配置两类，整体研究内容较为丰富，但部分研究呈现相似或相反结果[6]。一方面，绿地景观组成与配置对热环境的相对重要性逐渐明朗。大量研究表明不同时空范畴下两者的相对重要性存在动态差异，即温暖时期景观组成相对景观配置更重要，而寒冷时期则相反[7-9]。另一方面，绿地景观组成与配置和热环境的关系有所不同。景观组成研究取得了较为一致的结果，即规模越大的城市绿地降温效果越强[10]，而景观配置研究仍存在争议，如周雯等[11]和Yao 等[9]认为形状复杂、聚集度和连接性高的绿地斑块降温效果较强，而Masoudi 等[12]和Wang 等[13]则认为形状简单、聚集度高和破碎度低的绿地降温效果更强，此方面仍需进一步讨论。同时，伴随相关研究的逐步深入，单纯关注各影响要素与城市热环境的正负相关性，研究价值十分有限，大量研究也关注到绿地空间格局与LST的非线性关系与阈值特点，只有量化不同景观格局指数与LST 的非线性特征及阈值大小，才能更好指导城市绿地优化设计，但相关的系统性研究却很少出现，这是由于传统线性回归分析方法的局限性所致[14]。近年来，伴随机器学习算法在捕捉非线性和多元共线性方面表现出的巨大潜力，应用其分析景观格局因子与绿地热环境的定量关系已成为可能[15]。此外，不同时期城市绿地内植被的生长情况和太阳辐射强度不同会造成其降温效果呈现较大差异，仅关注单一或部分时间片段不利于全面深入了解绿地空间格局与城市热环境的复杂机制[16-18]。因此，为充分了解全年范围内城市绿地景观格局对城市热环境的调节作用，有必要在不同时空尺度下引入新的分析方法探究城市绿地景观格局的热效应及其详细特征。

本研究以合肥市主城区为例，基于GEE 云平台Sentinel-2A 和Landsat8 OLI/TIRS 遥感影像数据，采用机器学习算法等数理统计工具探究不同时空尺度下城市绿地热环境的影响要素，分析不同季节城市绿地景观格局与热环境的定量关系，旨在从改善城市热环境的角度，为城市绿地优化设计与规划建设提供参考。

1 研究区概况

合肥市位于安徽省中部，是华东地区的政治、经济和文化中心之一，同时也是长江下游地区典型的夏热冬冷城市，季风明显，四季分明，年平均温度约为15.7℃。在过去的20 年时间里，合肥市经过了快速的经济发展与城市扩张，地表覆被发生显著变化，热环境逐渐恶化，亟需优化调整。如图1 所示，此次研究范围选择城市化最为快速的合肥市主城区，总面积约870.5km2，由瑶海区、蜀山区、包河区以及庐阳区组成，相较于郊区，研究主城区范围的热环境具有更强的实践意义。

图1 研究区区位图

2 数据来源与研究方法

2.1 数据来源与预处理

本研究采用基于GEE 云平台（http: //earthengine.google.com/） 的 高 分 辨 率Sentinel-2A 和Landsat8 OLI/TIRS 遥感影像作为数据源[19]，前者用于监督分类，后者用于地表温度反演，所有影像数据成像质量良好，满足使用的基本要求（表1），合肥市主城区区划数据来源自合肥市规划院。对相关数据均进行辐射定标与大气校正等预处理操作，随后裁剪提取获得研究区域内的无云覆盖影像。同时，结合合肥市主城区的下垫面特征，使用预测准确率高、异常值和噪声容忍高的随机森林方法（Random Forest，RF）进行遥感影像解译[20]，将研究区划分为林地、草地、耕地、水体、建设用地、裸地6种基本类型，其中林地、耕地和草地提取为城市绿地。结合同时期的野外踏勘调研数据以建立混淆矩阵对分类精度进行验证，以确保遥感影像解译结果的准确性，其中Kappa 系数为0.92,总体精度为93.05%，满足研究的精度需求。研究的整体思路如图2 所示。

表1基于GEE 平台的遥感数据

图2 研究流程图

2.2 研究方法

2.2.1 地表温度反演

本研究采用反演精度更高且方法流程更为简洁的大气校正法[21]，获取合肥市主城区的地表温度（Land surface temperature，LST）。首先，基于GEE 云平台对相关数据进行辐射定标与大气校正，其热红外辐射热量值Lλ的辐射传输方程为：

式中：ε 为地表比辐射率；TS为地表真实温度；B（TS）为黑体热辐射亮度；τ 为大气在热红外波段的透过率。其中， L ↑λ、L ↓λ和τ 可通过NASA 官网获得（https://atmcorr.gsfc.nasa.gov/），ε 可使用提出的NDVI 阈值算法计算[22]。随后，通过普朗克定律函数将黑体辐射亮度计算为真实地表温度，公式为：

式中：TS为真实地表温度；K1和K2为校正常数，其数值大小通过L a nds a t影像头文件获得：对 于Landsat-8 OLI / TIRS 影 像，K1=774.89W /（m2×μm×sr），K2=1321.08K。

2.2.2 景观格局分析

景观格局指数因其对景观格局信息的高度概括，广泛应用于定量分析城市景观格局与热环境研究。本文参考前人的研究成果[10，12，23]，选取景观组成和景观配置两大类景观指数（表2），采用Fragstats 4.2 的移动窗口法进行计算。其中景观组成指斑块大小与类型多样性，常用的景观指标是PLAND（景观百分比）；景观配置指斑块在空间上的结构和临近关系，常用的指标有LSI（景观形状）、NP（斑块数量）、PD（斑块密度）、ED（边缘密度）、AI（聚集度）、AREA_MN（平均斑块面积）、ENN_MN（面积加权欧氏最近邻距离）。考虑到遥感数据的分辨率与景观格局分析的尺度依赖性[5]，选择0.3km×0.3km、0.6km×0.6km、0.9km×0.9km、1.2km×1.2km、和1.5km×1.5km 五种尺度的移动窗口进行景观格局分析，以求全面科学探究绿地空间格局与城市热环境的影响关系。

表2 研究所用的景观格局指数

2.2.3 数理统计分析

本研究采用增强回归树算法（boosted regression tree，BRT）分析绿地空间格局与城市热环境的影响关系。首先，使用ArcGIS Pro 对不同季节城市绿地的热环境影响要素进行分析，基于ArcGIS Pro 构建0.3～1.5km 五种尺寸网格以提取绿地空间格局与LST 信息。随后，采用增强回归树算法具体分析不同大小网格下绿地空间格局与LST 的关系，以得出本研究的最佳尺度。最后，依据最佳尺度分析其相对贡献与边际效应。其中，增强回归树是机器算法的一种，与传统回归模型相比，能够通过变量拆分避免数据的空间自相关，从而获得响应变量与预测变量之间的非线性关系，同时将不同变量的相对贡献与边际效应相结合以综合分析各要素的作用机制[24]。相对贡献指的是在增强回归树模型中各自变量对于因变量的贡献程度，其反映了各自变量在模型中的相对重要性，可以通过特征在回归树中被选为划分节点的次数、划分节点时的分裂准则等来衡量。边际效应指的是在给定其他特征变量不变的情况下，一个特征变量对目标变量预测影响的变化量，边际效应可以通过观察特征在不同取值下的预测结果变化来计算，其变化曲线可以直观反映各自变量对因变量的影响关系和阈值特点。目前BRT 已在城市热环境领域逐步得到应用[25，26]。本文的BRT 模型基于R 软件平台的dismo包，根据Elith 等[27]的建议，设置学习速率为0.005，树的复杂度为5，并进行10 次交叉验证。

2.2.4 地表温度与景观格局数据的提取处理

本文使用ArcGIS Pro软件处理地表温度反演的数据，以获得区域地表温度，即不同研究对象地表温度的平均值定义为区域地表温度。首先，在数据管理工具模块中使用创建渔网工具1），创建0.3～1.5km 五种大小的空间网格及网格中心点，随后，对地温反演数据使用转换工具模块的栅格转点工具2），将温度栅格数据转换为点数据，最后，通过数据管理工具中的添加空间连接3）功能将五类渔网图层分别与温度点数据图层连接，从而获取不同大小网格区域的局部平均地表温度。而对于不同土地覆被的地表平均温度，使用空间分析工具中的按掩膜提取4），经由不同类型的地表覆被图层提取出相应的温度数据，然后统计平均值，即可获得不同覆被的平均地表温度。对于绿地景观格局数据使用数据管理工具中的多值提取至点5）功能，经由网格中心点获取每个单位网格内的绿地空间格局信息。

同时，为减小分析误差，在不同尺度上对数据进行处理。在斑块水平，为保证单个斑块至少包含一个像元温度，删除面积小于900m2的斑块。在景观水平，为避免水体降温效果对研究的干扰，同时保留足够的数据样本[28]，剔除主要水体及其周围300m 缓冲区内相关数据。

3 结果与分析

3.1 合肥市主城区城市绿地和热环境分布特征

2 01 8年合肥市主城区内城市绿地分布表现为“四周多，中减少”特征（图3）。绿地总面积为490.47km2，约占研究区总面积的58.59%，其中包含林地122.35km2、耕地217.51km2以及草地150.61km2，分别占总面积的14.62%、25.98%和17.98%。

图3 合肥市主城区城市绿地分布情况

从图4 可以看出，合肥市主城区LST 具有明显的季节性时空特征。春季、夏季、秋季和冬季最高LST 分别为48.15℃、57.52℃、45.23℃和24.76℃，其中夏季平均LST 最高达36.07℃，冬季平均LST 最低至11.49℃，符合合肥市夏热冬冷城市的基本特征。具体地，不同地表覆被的平均LST 如表3 所示。对于不同季节，不同土地覆被的平均LST 均表现为不透水表面＞草地＞耕地＞林地＞水体；对于不同土地覆被，除了水体的平均LST在秋季高于春季，其余土地覆被的平均LST 都表现为夏季＞春季＞秋季＞冬季。其中城市绿地对LST 的调节效果为区域地表平均温度和绿地地表平均温度的差值，如表4 所示，降温强度大小依次为夏季（1.49℃）＞秋季（0.74℃）＞春季（0.5℃）＞冬季（-0.34℃），其中春季、夏季和秋季表现为不同程度的降温效果，冬季则表现为相反的增温效果。

表3 合肥市主城区不同土地覆被的平均LST（℃）

表4 不同季节绿地降温强度（℃）

图4 合肥市主城区地表温度分布图

3.2 绿地空间格局对LST 的相对贡献

大量研究表明，绿地热环境研究存在明显的尺度依赖性[8]，图5 显示了不同尺度单元下景观格局指数与LST 的BRT 模型拟合精度。在设置的五种尺度的网格下，伴随空间尺度的扩大，大部分季节的相关性系数发生了明显变动，其中相关系数在300m～900m处波动明显，900m×900m 处达到最高，说明在此尺度下进行合肥市主城区绿地空间格局与城市热环境研究更为适宜，后文将基于900m×900m 的最优尺度进行统计分析。

图5 不同空间尺度下BRT 模型的相关性系数

基于900m×900m的最优尺度，使用增强回归树算法拟合模型，获得不同景观格局指数对LST 的相对贡献（图6），其中NP 指数在4 个时间段内对LST 的相对影响均为0，故在后续分析中予以剔除。结果显示，绿地空间格局与城市热环境存在明显的季节性差异。具体地，PLAND、LSI、ED、PD、AI、AREA_MN 和ENN_MN 指数对城市热环境的平均相对贡献分别为42.88%、13.78%、8.23%、10.08%、10.48%、9%、5.6%，其中PLAND 指数在春季、夏季和秋季相对贡献最高，LSI指数在冬季相对贡献最高。从不同时期来看，景观组成对城市热环境的相对贡献程度依次为夏季＞秋季＞春季＞冬季，而景观配置则相反。简单来说，在夏季和秋季，景观组成（50.6%～54.2%）对城市热环境的相对贡献高于景观配置（45.8%～49.4%），而春季和冬季，景观配置（53.2%～80.2%）对城市热环境的相对贡献则高于景观组成（19.9%～46.8%）。

图6 不同景观格局指数对LST 的相对贡献

图7 不同景观格局指数与LST 的边际效应

3.3 绿地空间格局对LST 的边际效应

从不同季节来看，绿地空间格局与LST 的边际效应有所差异，但相关阈值特征相似。春季的主导因素为PLAND（3.0℃）、AERA_MN（0.6℃）、LSI（0.5℃）和AI（0.5 ℃），其 中PLAND、AERA_MN 和AI 均 与LST 呈负相关，而LSI 在12 前后表现为正负相关。夏季的主导因素为PLAND（5.2℃）、AI（1.4℃）、PD（0.5℃）和LSI（1.1℃），其中PLAND 和AI 与LST 呈负相关，PD 和LSI 表现为正负相关，转折点分别在50 和12。秋季的主导因素为PLAND（3.5℃）、ED（1.2℃）、AI（0.6℃）和LSI（0.7℃），其中PLAND 和AI 与夏季相似，而ED和LSI 分别在170 和12 前后表现为正负相关。冬季的主导因素为LSI（1.3℃）、PLAND（1.5℃）、PD（1.0℃）和ENN_MN（0.6℃）。

从景观格局指数的类型来看。对于景观组成，PLAND 与LST 在所有时期都呈现负相关，且调节幅度最大（5.2℃～1.5℃），在夏季，PLAND 指数超过60 以后，其与LST 的边际效应逐渐减弱。对于景观配置，各指数在不同季节的相关性趋势相似。AI、AERA_MN 和ENN_MN 分别在80～100、0～5 和20～30 区间才表现为负相关，而LSI、ED 和PD 指数到达一定阈值后，其都与LST 从正相关转为负相关，结合相关数据发现，正相关是在PLAND 指数较小背景下，其平均大小在27.89，即22.6ha 左右，而负相关是在PLAND 指数较大情况下，平均大小在64.88，即52.6ha 左右。简单来说，只有绿地规模达到一定数值，这3 个指数才与LST 呈负相关，在过低的绿地规模下提高这些指数，会导致LST 升高。

4 讨论

研究显示，城市绿地对热环境的影响存在季节差异，在春季、夏季和秋季呈现不同的降温效果，冬季出现了相反的增温效果，这与李峻峰等[17]的研究结论相同。针对这种现象，总结分析原因可能有以下两个方面：（1）相较于寒冷季节，在夏季和秋季的温暖季节，城市绿地内大量植被处于生长活跃期，植被蒸腾和光合作用更强，有效提高了绿地内外的能量交换速度，最终表现为更强的降温效果。（2）合肥市是夏热冬冷典型城市，落叶乔木、耕地和草地是构成城市植被的重要种类，在寒冷季节，大量植被落叶使得更多建设用地和裸地暴露，遮荫面积降低与地表反射率增强，导致绿地降温效果变弱或出现一定增温效果。同时结合皮尔逊相关分析与BRT 拟合模型相关性检验可知，合肥市城市绿地与热环境最佳研究尺度为900m，与Guo 等[8]的研究相似。

在绿地景观组成与配置对LST 的相对重要性方面，绿地的景观组成与配置对LST 的相对影响存在季节性差异，在夏季和秋季，绿地景观组成对LST 更为重要，而在春季和冬季，绿地景观配置对LST 影响更高，这与部分学者的研究相一致[8，9]。但相关研究同时表明，两者的相对重要性与不同绿地情况、数据源和气候背景有关[8]，Masoudi 等[12]发现即使对于同一研究区域，不同时期的绿地分布情况会导致两者的相对重要性存在明显差异，考虑到此方面的复杂性，未来应增加不同时期与区域的研究，全面认识两者的相对重要性。

具体地，对于表征绿地空间格局的不同指数，本研究揭示了不同影响因素与LST 的非线性关系。对于景观组成指数，PLAND 在所有时期都与LST 呈负相关，这意味着更大规模的城市绿地可以稳定有效地降低LST，这与既往研究相一致[10，11，30]，其在本研究中夏季对LST最高调控幅度可达5.2℃，而将控制PLAND 在60 以内，可以使得对LST 的调节效率最佳。部分景观配置指数在不同季节存在相似的阈值特征，在未达到阈值前，相关指数与LST 呈正相关或相关性不明显，当达到一定阈值后与LST 均表现为负相关。如LSI、ED 和PD 的阈值分别为12、170 和50，这三个指数代表绿地的形状复杂性与破碎化。换言之，当绿地规模到达一定程度，改变其形状与破碎性才能起到良好的降温效果。这是由于，绿地的形态结构反映了其与外界环境进行能量交换的机会，复杂的形态结构增加了绿地与外界环境的接触机会和遮荫面积，从而降低LST[31]。当绿地规模较小时，过于复杂和破碎的形态结构会使绿地内部较多受周围热环境干扰，其降温效果被削弱，当绿地规模较大时，内部环境相对稳定，适当增加绿地形状复杂度和破碎程度反而有利于降低LST[32]，这也解释了相关研究的相反结果。聚集性指数AI 取得了较为一致的结果，即提高绿地斑块的聚集性，可以降低区域LST[12]。连通性指数ENN_MN 与多数研究呈现相反结论，即本研究得出连通性低的绿地斑块与较低的LST 有关，这极有可能与数据源的分辨率有关，分辨率过低的数据会导致连通性被过低估计，使其与LST 的相关性分析错误，部分与本研究得出相反结论的研究均采用30m 分辨率遥感影像，而采用10m 或更高精度的遥感数据与本研究结果一致[23，33]。

考虑到对城市热环境的优化需求大部分集中在夏季或部分过渡季节，因而通过优化景观组成来改善城市热环境比调节景观配置效果更显著。但需要承认的是，在高度城市化且绿地资源匮乏的城区内部，要有效提高绿地规模较为困难，合理调整绿地结构以优化城市热环境就显得尤为重要。在适当增加城市绿地规模的前提下，根据不同指数的阈值特点调节绿地的结构形态，以求最大限度降低区域温度，优化城市热环境，是未来城市规划和绿地建设的重要方向。此外，本研究未考虑垂直绿化和屋顶花园等小型绿色空间与自然环境因子，在土地资源有限的城区内，因地制宜地设置小型绿色空间，提高城市绿地总量，同时结合通风廊道和水文情况增强绿地的降温效果，对于城市热环境的优化也有所裨益[34]。

最后，本文基于遥感反演的城市绿地热环境研究结论也具有一定局限性，这不在于遥感反演的精度问题，而在于地表温度与空气温度的根本不同[35]。一方面，地表温度与空气温度的作用机制有所差异，相较于地表温度，空气温度的变化率快，易受到大气运动、天气和辐射对流等因素的影响，基于空气温度的绿地热环境研究是否与基于地表温度的相关研究产生类似或者相反的结论？如最佳研究尺度、相对重要性和阈值特点等，两者的研究结论不可混为一谈，此方面仍需进一步探究。另一方面，伴随热舒适在热环境研究领域的逐步发展，人体舒适度已成为衡量绿地降温效应的重要指标，其中空气温度是直接指标，空气温度在此方面显示出了比地表温度更强的研究价值，但是在一定时空范围内展开基于空气温度的大尺度热环境研究较为困难，这包括人力与资金成本，如Schatz 等[36]使用多达151 个固定传感器的连续测量温度来表征研究区不同覆被在一年12 个月内的热环境状态。值得注意的是，部分学者通过构建地表温度与空气温度之间的关系模型，从而推算近地面空气温度[37]，未来可通过此方法将遥感与实测方法相结合，进一步深入探讨气温与绿地热环境之间的影响关系与作用机制。

结论

本研究以合肥市主城区为例，探究绿地空间格局与城市热环境的影响关系及季节差异。主要结论如下：（1）城市绿地对热环境具有明显调节作用。在春季、夏季和秋季表现为降温效果，冬季出现微弱升温效果；（2）绿地景观组成与配置对于热环境的相对重要性在不同季节有所差异。在温暖季节，景观组成对热环境的影响强于景观配置，而寒冷季节则相反；（3）各绿地景观组成与配置指数对热环境的边际效应不同。在景观组成中，PLAND 在所有季节与LST 负相关，即统一的降温效果。在景观配置中，多数季节中AI、AERA_MN 和ENN_MN与LST 负相关，而LSI、ED 和PD 在阈值前后表现为正负相关，即在绿地规模较小时使用形状简单、破碎性低、聚集度高和连通性低的结构，规模较大时采用形状复杂、破碎性高、聚集度高和连通性低的结构，更有利于降低局部LST。总之，未来在以优化热环境为导向的城市规划与景观设计中，应考虑城市绿地景观组成和配置的合理均衡，本研究为城市规划者在应对城市高温和气候变化适应方面提供了有益指导。

图、表来源

本文所有图、表均由作者绘制。

注释

1）创建渔网：通过在地图上创建一个规则的渔网，将地理空间划分为规则的网格，其中每个单元格代表一个划分的地理区域。渔网的单元格可以用于统计分析、数据采集、资源管理等应用，例如将地表温度点数据聚合到单位网格内进行精确统计采样。

2）栅格转点：将栅格数据转换为矢量点数据，以便进行进一步的空间分析、数据集成或数据可视化等操作。

3）添加空间连接：将两个或多个图层之间的要素进行空间连接，并生成一个包含连接结果的新图层。空间连接是基于要素之间的空间关系进行的，可以根据要素之间的位置、距离、重叠等条件进行连接。

4）按掩膜提取：提取掩膜所定义区域内的相应栅格像元数据。

5）多值提取至点：在点要素类的指定位置提取一个或多个栅格像元值，并将这些值统计至点要素类的属性表中。