基于增温敏感性指数的城市功能区升温效应空间分异研究

杨 慧，徐伟铭，邵尔辉，廖云婷，林 馨

［1.福州大学 数字中国研究院（福建），福州 350108；2.福州大学 空间数据挖掘与信息共享教育部重点实验室，福州 350002；3.福州大学 地理空间信息技术国家地方联合工程技术研究中心，福州 350002］

中国正处于快速城市化阶段，预计到2030年城市化率将接近70%（沈中健 等，2021）。伴随城市化进程的加快，城市热岛效应异常明显，这不但带来能源的大量消耗和空气污染，而且影响人们的生活质量和健康指数（姚远 等，2018；黄晓军 等，2022；林中立 等，2022）。城市发展建设过程中所引发的下垫面性质的改变，是城市热岛效应日益严峻的重要因素之一（林冰钰 等，2021；赵禾苗 等，2021）。城市建设用地内部包含商业区，公共管理与服务区等多种功能区块，这些功能区在开发强度、人类活动以及用途等方面存在较大差异，因此，不同功能区热环境效应具有巨大分异（武蓉蓉等，2020）。深入研究不同城市功能区对城市热环境的影响，可为推进城市功能区合理布局、改善城市生态环境、实现城市化的可持续发展提供科学的决策依据。

城市用地功能的变化改变城市的热平衡，导致城市内部区域尺度上的局部变暖，这引起学者的广泛关注（Gao et al., 2020）。城市功能区是城市规划与建设的基本单位，通常代表反映城市扩张和变化的地理空间结构和功能格局（杨振山 等，2021）。在城市用地功能识别方面，由于POI数据能记录各行业部门的空间位置信息（薛冰 等，2020），且时效性强、易获取，被广泛应用于定量识别及可视化城市功能区的研究中。如杨智威等（2019）通过构建自然区块，根据POI数据的空间分布情况，对城市功能用地进行划分，由于POI空间分布的紧密性较强，依据自然区块划分的结果难免会存在空间重叠现象。李娜等（2022）考虑了POI数据的潜在语义信息，采用各类POI的频率密度对区域功能进行标识，但忽略了POI数据之间的空间相关性。为充分挖掘、利用POI数据的语义关系与地理信息，对城市功能区进行准确识别，Yao 等（2016）首次将POI数据与自然语言模型（Word2vec）相结合，提出将特定区域内的POI按照最短路径的方式排列成自然语言序列，但实际上POI数据不同于自然语言的顺序分布，基于最短路径的语料策略在解释POI的空间交互特征上存在局限性。为解决此问题，Yan 等（2017）从地理空间视角出发，在遵循地理学第一定律的前提下，扩展了Word2vec 模型，提出了Place2vec 模型。Place2vec 模型考虑距离衰减和距离滞后对POI的空间距离进行增强，能充分挖掘POI数据的语义关系和地理信息、解释POI数据的空间交互特征、有效的呈现区域的不同功能。

在城市功能区热环境的研究中，多数学者将地表温度作为量化热环境的具体指标（杨智威 等，2019），以研究城市功能区热环境的空间分异现象。现有研究聚焦2 方面内容：1）针对各类功能区的LST，分析其热环境的空间分布特征，探讨各类功能区与热环境的关系，如沈中健等（2022）应用均值－标准差法，分析各类建设用地功能区热力特征；2）判断各类功能区对热环境的影响，采用回归分析模型定量化不同功能区对城市热环境的影响程度，如Chen 等（2022）采用随机森林算法评估不同类型城市功能区对城市热环境的贡献。虽然目前研究已取得丰硕成果，但局限于采用回归分析、相关性分析等传统方法，探讨同等温度条件下城市功能区温度变化差异，缺乏对功能区域在地表升温过程中的空间分异问题的关注，并且传统方法在定量分析不同升温梯度下地表温度变化的非线性机制方面有一定局限性（孙凤云 等，2021）。

鉴于此，本研究将以福州市三环内范围作为研究区，采用Yan等（2017）在地理空间背景下提出的Place2vec模型，通过获取POI的完整地理信息来识别城市功能区；使用辐射传输方程法反演研究区地表温度，分析各功能区热环境的空间分异情况；同时，基于增强回归树（Boosted Regression Tree,BRT）算法构建功能区增温敏感性指数，定量测度各类功能区在地表温度动态演变过程中的增温敏感性及其变化特征，以对区域尺度上的城市热环境空间分异机制进行深入探讨。以期为城市热环境空间分异现象的研究提供新视角，为城市功能分区和城市规划提供科学的决策依据。

1 研究区域与数据处理

1.1 研究区概况

研究区位于福州盆地中心，盆地四周遍布群山峻岭，地势自西向东倾斜，海拔多在600～1 000 m，闽江横贯研究区最终汇入东海。福州属于典型的亚热带季风气候，年均温为16～20℃（林中立 等，2022），最热月7—8 月，平均气温为27～33℃；年平均降水量为900～1 200 mm。福州17 次位居火炉城市榜首，据近10 年的气象统计数据显示，福州35℃以上高温天数累计达421 d①数据来源：美国国家环境信息中心（NCEI）.http://news.sohu.com/a/705627741_100941。福州市三环路围成的范围包含鼓楼区、台江区、仓山区的大部分以及晋安区的小部分，其中鼓楼区、台江区与仓山区的城镇化率为100%，晋安区的城镇化率为97.5%；该四区的常住人口总数为305万人（福州市统计局等，2022）。城市化水平高、主要人口集聚的区域，热环境现象最为显著。同时，该区域受盆地地形影响，内部热量易聚难散，热量更趋向于集中化。故本文选取福州市三环内作为研究区。

1.2 研究数据

1.2.1 POI 数据 通过高德地图提供的应用程序编程接口（API）获取研究区域范围内的POI 数据，对数据进行去重、坐标纠正等预处理，最终获得151 263条POI数据，数据集字段包括POI名称、经纬度、地址信息和分类体系等基础信息。其中，POI类型包含22个大类、188个中类、977个小类。

1.2.2 OSM 数据 确定研究单元是识别城市功能区的重要步骤，为准确描绘城市功能区形态，利用OSM（Open Street Map）道路数据生成的街区作为研究单元。对原始道路数据进行去重、拓扑错误修改、补齐等处理后，将闭合道路生成街区单元。同时，为避免研究区内的河流水系对研究单元分割的影响，将河流水系也视为划分研究单元的依据，最终形成1 103个街区单元。

1.2.3 遥感影像数据 考虑到遥感影像时效性的影响，参考孙凤云等（2021）的研究，选取2018—2021年4期天气晴朗、无云遮挡的Landsat8遥感影像（表1）作为地表温度反演数据，遥感影像成像时间分别为1、3、4 和7 月，连续月份的影像数据能表征不同温度梯度。

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

为有效描述地表覆被与地表温度之间的综合作用关系，采用武汉大学研究团队发布的CLCD（China Land Cover Dataset）2021 年土地覆盖产品数据 。由于植被、水体和不透水面是组成城市复合生态系统的三大重要土地覆被类型（王美雅 等，2022），故将所获取的土地覆被数据重分类为植被、水体和建设用地3 种类型，以满足后续研究需要。福州市三环内是福州市发展稳定、城市化水平最高的区域，其土地覆被在2018—2021年相对稳定，变化有限，故数据时间差对本研究的影响可以忽略不计。

2 研究方法

利用Place2vec 模型从地理空间角度集成语料库，以识别更贴近现实的城市功能区；在此基础上，通过辐射传输法对研究区进行地表温度反演，采用均值-标准差法对LST 进行热场分级，对功能区尺度下的城市热环境进行定量测度；同时，借助增强回归树算法（BRT）构建功能区增温敏感性指数，量化功能区在城市地表升温阶段的敏感性和变化特征。

2.1 基于Place2vec模型的城市功能区识别方法

Place2vec 模型以Word2vec 模型为基础（郑至键 等，2020），本研究在地理空间中构建了考虑POI 空间距离特征的训练数据集，进一步获得POI类型嵌入，并结合聚类分析实现街区单元的土地利用和功能结构感知。具体流程为：1）训练数据集构建。利用K近邻算法构建基于POI空间上下文的语料库，并根据POItcenter和POItcontext之间的距离所得权重，增加数据集中训练对（tcenter,tcontext）的数量；2）POI 类型的特征向量获取。通过Word2vec 模型的Skip-Gram 网络结构训练所构建的数据集，计算各POI类型的高维特征向量，并使用平均池化获取各街区的特征向量；3）基于K-means的区域聚类。参考已有研究（Zhai et al., 2019），采用常被用于高维数据聚类的K-means算法对各街区向量进行聚类，使得具有相似特征的街区集聚，从而划分不同的街区类型；4）功能区识别与标注。在实现区域聚类后，根据POI频率密度（FD）和富集因子（EF）2个指标计算POI类型在各聚类的分布情况，并基于《城市用地分类与规划建设用地标准》（中华人民共和国住房和城乡建设部，2011），参考福州市中心城区用地规划以及其他学者的分类，以根据功能区的实际功能进行识别与标注。

2.2 地表热场等级划分

运用辐射传输方程法进行地表温度反演，为将不同时期遥感影像的反演结果进行直接对比，采用均值-标准差法对LST 进行热场强度分类，根据研究区地表温度反演结果对地温标准差设定合适的倍数，并与地温平均值相互结合，从而将研究区的热环境划分为不同等级。参考已有研究（沈中健 等，2022），将研究区的地表热环境等级划分为7类（表2）。

表2 地表热环境等级分类方法Table 2 Classification method for dividing land surface thermal environment

2.3 基于BRT算法的功能区增温敏感性计算

功能区增温敏感性表征功能区对外界地表升温的响应水平，体现功能区在外界升温过程中温度变化的难易程度和可能性。本研究从功能区整体增温敏感性、功能区梯度增温敏感性和功能区覆被增温敏感性3个方面，构建功能区增温敏感性指数，量化在不同外界升温条件下各功能区的增温敏感情况。功能区整体增温敏感性指在所有温度梯度下，功能区对外界温度变化的敏感性；功能区梯度增温敏感性反映不同类型功能区在某一温度变化梯度下的增温敏感性，体现功能区在不同升温阶段的增温差异性；功能区覆被增温敏感性指各功能区中特定的土地覆被类型在外界升温过程中的敏感性。

2.3.1 功能区增温敏感性指数计算原理 BRT算法在分类回归树算法（Classification And Regression Tree, CART）基础上结合提升算法（Boosting），并融合两大算法的优势，已被广泛用于生态环境研究，尤其是归因分析和边际效应等领域（李春林等，2014；Han et al., 2022）。BRT的稳定性和预测精度优于许多传统的建模方法，如捕获复杂的非线性关系、自动处理预测器之间的交互效应、处理不同类型的预测变量（Leathwick et al., 2006；尹才等，2016）。BRT算法原理为：

将自变量x与因变量y之间的关系用f（x）函数表示，并将其初始化为0：

当m=1：n时，计算观测数据的残差r，其中m为拟合序列值，n为拟合回归树总数：

再者，令βb(x；γm)代表一棵树的信息，b的值与所选计算方法有关，β是所选计算方法估计参数及，rm为分割变量、树节点值和预测值，BRT通过最小二乘回归树拟合残差r，以估算βb(x；γm)的值，并利用损失方程L最小值计算βm，βm表示树节点的权重：

2.3.2 功能区增温敏感性指数计算流程 基于相邻月份的landsat8影像（见表1）之间的温度差值计算增温敏感性指数。对连续月份的4期影像求取温差，并进行差值归一化处理，以加强不同变暖阶段之间的比较。首先，计算功能区整体增温敏感性指数，将3 期差值影像中所有的栅格像元值作为因变量，“功能区”作为自变量，输入BRT 算法中进行1 次计算；其次，计算功能区的梯度增温敏感性指数，分别提取3 期差值影像的栅格像元值作为因变量，“功能区”作为自变量，输入BRT 中共执行3 次计算；最后，计算功能区的覆被增温敏感性指数，分别提取3 种地类的栅格像元值作为因变量，“功能区”作为自变量，输入BRT算法执行3次计算。各自变量边际效应值即为敏感性指数的计算结果。BRT算法是使用R软件中的“dismo”和“gbm”包开发的，本研究将BRT 算法的学习速率设置为0.005，将50%的数据用于训练，并采用10 倍交叉验证来选择最优模型。

3 结果与分析

3.1 功能区标注与验证

基于Place2vec 模型的福州市三环内城市功能区识别结果如图1所示。计算得到各功能区中不同类型POI的频率密度（FD）和富集因子（EF）（表3），对二者的数值从大到小进行可视化展示，数值相对较大的类型决定功能区标注的类别。由于富集因子能避免因某一类POI数量过多而误导实际功能区判定的情况，本研究以富集因子为主，频率密度辅助，对具体功能区域进行综合判断，并基于《城市用地分类规范及开发用地规划标准》、福州市中心城区用地规划以及已有研究（康雨豪 等，2018；李娜 等，2022）的分类，最终将研究区域用地功能类型划分为生活服务与住宅区（F0）、公共管理与服务区（F1）、商业区（F2）、产业区（F3）、绿地与广场区（F4）。

图1 基于Place2vec模型的福州市三环内城市功能区识别结果Fig.1 Results of urban functional area identification within the third ring road of Fuzhou City based on Place2vec Model

表3 POI频率密度（FD）和类型系数（EF）值Table 3 POI frequency density and category factor of functional regions

本研究在每类功能区的识别结果中选择典型区域，分别与其对应的天地图卫星、街道地图进行对比（图2），现状图中包含：1）海润滨江花园小区、福人小区等住宅用地以及农业银行、口腔诊所、永辉超市等生活服务场所，与识别图中的生活服务与住宅区相符，识别结果准确；2）福州市人民政府、福州市人事局、鼓楼区国家税务局等政府机域，是福州最繁华的商业中心之一，分布着大量商业服务设施，与识别图中的商业区相符，识别结果准确；3）升龙汇金中心、长江证券等证券公司以及经纬集团、福建省交通运输集团有限责任公司等公司企业，与识别结果中的产业用地相符，识别结果准确；4）仓山区高盖山公园区域，拥有健全完善的亭台楼阁等基础设施和园林景观旅游服务配套，与识别结果中的绿地与广场区相符，识别结果准确。综上，基于Place2vec模型的识别结果与真实用地功能情况相符。

图2 福州市三环内城市功能区各用地类型实例Fig.2 Examples of various land use types in urban functional areas within the Third Ring Road of Fuzhou City

3.2 功能区块下的地表热场等级格局

4 期Landsat8 遥感影像反演的LST 结果如图3所示。夏季高温现象最为明显，功能区与城市热环境间的交互作用最强，因此，针对夏季（7 月）的LST反演结果，分析城市功能区的热环境空间分布特征。如图3-d 所示，研究区7 月瞬时地表温度为30.42～56.81℃，总体上研究区东南部温度较高，结合功能区识别结果（见图1）可知，该区域产业区、住宅区分布较为集中，人类活动频繁、不透水面聚集密度较高的区域往往地表温度相对较高。研究区热场等级划分结果如图4 所示，结合图1 可知，绿地与广场区内部热场等级主要为低温区、次低温区；其余4 类功能区内部地表热场等级以中温区、次高温区、高温区和极高温区为主，次低温区、低温区和极低温区分布不显著。

图4 研究区地表热环境等级空间分布Fig.4 Spatial distribution of surface thermal environment level in the research area

各类功能区内部热场等级分布统计结果见表3所示，在生活服务与住宅区、公共管理与服务区、商业区以及产业区中，次高温、高温和极高温的面积均超过70%，极低温区、低温区和次低温区的面积均不足10%，而绿与广场区内部次高温、高温和极高温的面积低于25%，极低温区、低温区和次低温区的面积超过45%。这表明除绿地与广场区外，其余功能区皆表现为高温现象。这是由于不透水地表是功能区主要的下垫面类型，吸热快，热容量小，较自然地表升温快，且受到人类活动的影响，人为热排放量高，因而易形成高温区域；绿地与广场区内绿地面积较大，绿地对地表温度具有降温作用，故其温度较低。

具体地，极高温区在产业区的比例最大，为20.64%，次高温区和高温区在产业区的比例超过60%；高温区在公共管理与服务区的占比仅低于产业区，为22.35%；商业区的次高温区比例最大，生活服务与住宅区内中温区占比最大，分别为48.30%和22.43%；且生活服务与住宅区、公共管理与服务区与商业区的极高温区均不超过10%；绿地与广场区的极低温区、低温区、次低温区的比例超过50%，且极高温占比最小，仅有1.90%（见表3）。由此可见，不同功能区的热力特征差异明显。产业区下垫面以不透水地表为主，能耗相对较多，并且建筑物密集，热量不易散失，进而高温现象显著；生活服务与住宅区、商业区和公共管理与服务区的高温现象明显弱于产业区；绿地与广场区的高温现象最弱，可以理解为大面积的植被覆盖能够改善下垫面的热力学性质，促进空气冷却及循环流动，对城市地表温度具有明显的调控作用。

3.3 功能区增温敏感性分析

3.3.1 功能区整体增温敏感性 基于各类功能区与研究区地表温度之间的边际效应结果（图5），得到5 类功能区增温敏感性指数由高至低排序为：产业区（1.028）＞生活服务与住宅区（1.010）＞商业区（1.008）＞公共管理与服务区（0.998）＞绿地与广场区（0.917）。不难发现，功能区敏感性的高低与该区的开发强度、人类活动强度成正相关关系。建筑紧密排列、人为热排放量较大的产业区、住宅区的增温敏感性指数较高；开发强度较弱的绿地与广场区增温敏感性值较低。

图5 研究区各功能区整体增温敏感性Fig.5 Overall warming sensitivity of each functional area in the research area

3.3.2 功能区梯度增温敏感性 由图6 可以看出，各功能区在3个升温阶段呈现增温敏感性存在差异，且高温阶段的差异最为显著。以0114—0311 为例，表征1—3月的升温阶段。例如，绿地与广场区在增温0114—0311、增温0311—0417阶段的敏感性指数相对较高（0.932～0.961），在增温0417—0725 历程中敏感性指数处于较低水平（0.870）；而公共管理与服务区与商业区在增温0114—0311、增温0311—0417 的敏感性指数较低（0.930～0.982），在增温0417—0725 阶段的敏感性指数相对较高（1.032～1.060）。该现象可能是由影像拍摄季节和地表温度变化共同作用的结果。首先，Landsat 8影像获取于不同季节，因此不同月份的影像在植被覆盖度、地表反射率、人为热排放以及太阳辐射强度等方面皆存在一定差异；其次，非线性变化特征是地表温度的本质特征，故在地表温度发生改变的过程中可能会出现拐点，从而改变该过程的响应关系。

图6 研究区各功能区梯度增温敏感性Fig.6 Gradient warming sensitivity of each functional area in the research area

3.3.3 功能区覆被增温敏感性 由图7 可以看出，建设用地的增温敏感性始终高于植被与水体的增温敏感性。建设用地敏感性具有明显的土地开发强度区域性差异，在除绿地与广场区外的所有功能区中皆处于较高水平。这4类功能区开发强度较大，下垫面以人工表面为主，且高楼林立，建筑密集，人类活动频繁，是市民生活、工作的主要区域。因此，较高开发强度的功能区的增温效应要比较低开发强度的功能区的增温效应更为显著。

图7 研究区各功能区覆被增温敏感性Fig.7 Sensitivity of cover warming in various functional areas of the research area

植被增温敏感性受区域城市化程度的影响，区域建设发展程度越低，植被增温敏感性与建设用地敏感性的差异越明显。绿地与广场区的植被增温敏感性最低、生活服务与住宅区次之。绿地与广场区内部包含高盖山公园、金鸡山公园以及闽江公园等大片绿地覆盖的区域；部分住宅区靠山而建或与公园紧密相连，故生活服务与住宅区受周边生态景观降温效应的影响，缓解其内部高温现象。因此，大面积绿地覆盖、绿化程度较高的区域，有助于调节地表温度变化，其植被增温敏感性相对较低。

水体增温敏感性指数低于植被、建设用地敏感性指数。商业区、产业区的水体增温敏感性较高，由于此2区不邻近水源，且区域内部无大规模水体，细小的水体易被周围硬化材质蚕食；公共管理与服务区少部分与闽江北港接壤，大部分区域内部水体较少，其水体增温敏感性相对较高；生活服务与住宅区的水体增温敏感性相对较低，其部分区域邻近公园或与闽江北港接壤，规模较大或连片的水体对周围区域控温作用显著；绿地与广场区的水体增温敏感性最低，该区内有大量公园等自然景观分布，绿地与水体是其主要生态景观，二者共同作用加强对地表升温的抑制作用，故其升温缓慢。

4 结论与讨论

4.1 结论

本文以福州市三环路围成的范围为研究区，根据道路数据划分生成的街区作为研究单元，利用Place2vec模型对城市功能区进行识别，并在此基础上分析各功能区热场等级空间分异特征，同时，结合增强回归树算法（BRT）构建功能区增温敏感性指数，从功能区整体增温敏感性、功能区梯度增温敏感性以及功能区覆被增温敏感性3个方面，探讨不同功能区在地表升温过程中的敏感特性，得出主要结论如下：

1）识别福州市三环内的城市功能区域。基于POI数据和Place2vec模型构建了城市功能区识别框架，得到5 类功能区，分别为生活服务与住宅区、公共管理与服务区、商业区、产业区、绿地与广场区；并与天地图卫星、街道地图进行对比，得出该方法识别结果符合实际用地功能情况。

2）不同功能区的热场等级空间分异现象显著。绿地与广场区内部热场等级主要为低温区、次低温区和中温区，其余4类功能区内部地表热场等级以中温区、次高温区、高温区和极高温区为主，次低温区、低温区和极低温区分布不显著。除绿地与广场区外的4类功能区皆具有高温现象，其中极高温区在产业区占比最多，高达20.64%；在绿地与广场区占比最少，仅有1.90%。

3）城市功能区在地表升温过程中存在显著空间分异现象。功能区增温敏感性与其内部建设发展水平成正相关关系；不同升温梯度下的功能区增温敏感性存在差异，高温阶段差异最为显著；覆被增温敏感性具有明显功能区域分异特性，区域建设发展程度越高，建设用地敏感性与植被、水体增温敏感性差异越大，且在各功能区中建设用地的增温敏感性始终高于植被与水体的增温敏感性。

4.2 讨论

随着城市热岛现象日益严重，定量研究城市各功能区对城市热环境的影响，有助于有效地反映各种人类活动对城市热岛形成的影响。区域的开发强度、人口密度、建筑密度、自然景观等多种因素耦合，导致城市功能区之间的增温敏感性差异显著。因此，本研究通过构建功能区增温敏感性指数，能准确定位需要调控的区域，在该区的规划中应优化景观配置，合理增加绿地和水体景观；并重视在较高温度梯度下升温敏感的区域，以防范极端天气变化下的高温风险。本研究可为相关部门制定热环境整治和功能区规划政策提供思路。

此外，本研究存在以下改进之处：1）城市功能分区受自然地理、社会经济、人类活动等多种因素影响，本研究只采用OSM和POI两种数据对城市功能区进行识别，为获得更加准确的分类结果，未来应增加更多的开放数据集、代表城市空间的高分辨率遥感影像，以及描述人口移动的统计数据。2）本研究侧重于对方法的探讨，由于Landsat 遥感影像数据时效性、影像缺失等问题，导致数据来源受限，在一定程度上影响结果的准确性。未来需要进一步丰富遥感影像数据来源，提升数据源的连续性，从而提高数据结果的精确性、可比性和可信度，以进一步揭示各类功能区在外界升温过程中的变化特征和敏感性差异。3）不同时期的遥感影像是研究城市热环境动态演变规律的基础，但现有研究缺乏对如何设定合适的影像选取标准、控制影像质量以降低外界干扰、季节变化以及局地天气扰动等问题的关注，这些问题是影响城市热环境研究的重要因素，未来还需进一步探讨。