基于多源数据的南京市公园降温效应研究

摘要：【目的】利用拐点法量化公园的降温效应，并确定具有高效降温效应的公园面积和周长阈值范围，基于多源数据综合考虑城市公园的内部和外部特征对其降温效应的影响。【方法】基于2019年9月13日Landsat-8遥感影像，采用辐射传输法反演地表温度；基于高分二号遥感影像，采用随机森林法进行土地覆被分类；基于百度地图兴趣面（area of interest，AOI）获取83个公园边界。利用拐点法得到公园的降温强度和降温距离，利用相关性分析和SHAP分析，从公园内景观特征、公园内环境特征和公园外环境特征3个方面探讨影响因子与公园降温效应之间的关系。【结果】①公园的降温面积阈值为18～19 hm²，周长阈值在1.9～2.0 km。②公园内部的建设用地高占比和较高的斑块密度会削弱公园降温效应，而水体和绿地的占比则可增强公园降温效应；面积加权周长比越小的公园越有助于公园降温效应的发挥。③公园内植被结构参数和生理特征对降温效应有显著影响，植被冠层越高、长势越好，降温距离越远；土壤含水量对降温效应至关重要。④公园外部较高的建筑高度和高道路密度会削弱公园降温效应。【结论】公园的降温效应受到公园内外景观特征和环境特征的影响。可以通过提高公园景观的完整性、合理配置绿地水体和培育优质植被等措施来改善公园降温效应，从而缓解城市热岛效应。

关键词：城市公园；城市热岛；冷岛效应；多源数据；拐点法；SHAP分析；南京

中图分类号：TP79 文献标志码：A开放科学（资源服务）标识码（OSID）：

文章编号：1000-2006（2024）03-0285-10

Research on the cooling effect of parks in Nanjing based on multi-source data

ZHU Yunfeng¹， WANG Hong^1*， QIN Shuhong²， YANG Yi³， WANG Yicong⁴

（1. College of Geography and Remote Sensing， Hohai University， Nanjing 210098， China; 2. College of Earth Science and Engineering， Hohai University， Nanjing 210098， China; 3. China Water North Survey， Design and Research Co.， Ltd.， Tianjin 300222， China; 4. Zhejiang Provincial Water Resources and Hydropower Investigation and Design Institute Co.， Ltd.， Hangzhou 310002， China）

Abstract：【Objective】The study aimed to quantify the cooling effect of parks using the inflection point method， and to determine the area and perimeter thresholds of parks with an efficient cooling effect. The internal and external characteristics of urban parks and their influence on the cooling effect was analyzed based on multi-source data. 【Method】 The radiative transfer method was used to retrieve the surface temperature from Landsat-8 remote sensing images on September 13， 2019， and the land cover was classified using the random forest method based on Gaofen-2 remote sensing images. The area of interest （AOI） on the Baidu map was used to determine the boundaries of 83 parks. The inflection point method was used to determine the cooling intensity and cooling distances of parks. The relationship between the cooling effect of parks and three influencing factors， namely， features of the landscape， internal park environment， and external park environment， was determined by correlation analysis and the SHAP analysis. 【Result】 The cooling threshold of parks encompassed an area of 18-19 hm² with a perimeter of about 1.9-2.0 km. The results of feature indicator analysis revealed that the cooling effect of parks can be reduced by a high proportion of construction land and a high patch density within the parks， but enhanced by a high proportion of waterbodies and green spaces. Parks with a smaller area-weighted perimeter ratio had a higher cooling efficiency. The structural parameters and physiological characteristics of the vegetation had a significant influence on the cooling effect of parks. The cooling distances of parks increased was higher in the proportion of vegetation with better growth and greater canopy height. Soil moisture also played a crucial role in the cooling effect of parks. However， the cooling effect was weakened by the presence of surrounding buildings of greater height and a higher road density outside the parks. 【Conclusion】 The cooling effect of parks is influenced by internal and external landscape features and environmental characteristics. The cooling effect of parks can be enhanced by improving the integrity of the landscape， ensuring the distribution of green spaces and waterbodies， and cultivating high-quality vegetation， to mitigater the urban heat island effect.

Keywords：city parks; urban heat island; cold island effect; multi-source data; inflection point method; SHAP analysis; Nanjing City

随着城市化加速和气候变化加剧，现代城市环境面临严峻挑战，多数城市面临城市热岛和热浪的双重威胁^[1]。因此，城市热岛效应成为影响城市健康和可持续发展的主要因素，研究主题已经从监测其时空变化规律和驱动机制转向如何去缓解城市热岛效应的方向发展^[2]。尽管存在多种可能的缓解方案，但是增加城市绿地被广泛认为是改善城市热岛效应最经济有效的措施^[3]。绿地能够通过多种方式降低地表和周围环境的温度，维护大气平衡并减缓热岛效应的进一步发展^[4]。

城市公园作为城市绿地的核心组成部分，呈现出与城市热岛效应相反的“公园冷岛效应”^[5]，即公园内部的温度通常低于其周围环境。目前已经开发了许多指标来量化城市公园的降温效应，如降温强度、降温距离、降温效率^[6]、降温面积和降温速率^[7]。为了准确地界定周边环境来测量降温效应，研究者们已经开发了多种基于缓冲区分析的方法。例如Li等^[8]使用了固定半径法，以500 m为半径计算了郑州市123个公园的降温强度，但这种方法不能适应不同尺度的公园；如Liao等^[9]采用了等半径法和等面积法，考虑到公园面积的不同设置缓冲区，也将考虑范围限定在公园面积。相比之下，拐点法通过设置一定大小的间隔创建多级缓冲区，每个缓冲区都有一个平均值，采用缓冲区内第1个下降拐点的地表温度与公园内地表温度的差值来量化降温效应^[10]，既考虑了公园大小也反映了公园周围环境的影响，尤其在特大城市中有较好的适用性^[11]。其中，降温距离和降温强度影响着降温效率、降温面积和降温速率。

无论采用何种量化方法，不同公园的降温效应都存在明显差异，这种差异产生的原因一直是研究者们关注的重点。长期以来，公园降温效应与公园物理形态结构的关系一直是城市规划者和设计师关注的问题^[5]。这其中不仅涉及公园的基本物理形态结构，如面积和周长^[12-16]，还包括比例关系，如周长与面积之比^[12]。同时，公园内部的景观构成^[14-16]、归一化植被指数^[14]和景观格局指数^[12-13，15]也是决定降温效应的重要因素。但是，现有研究大多集中在这些公园物理形态和内部特性上，很少关注公园的外部环境，特别是人为活动、交通运输对公园降温效应的影响。绿地作为公园内的主要降温来源，目前的研究主要关注植被指数与公园降温效应的关系，但较少考虑植被结构参数和生理特征对于公园降温效应的影响，如树冠高度、叶面积指数、叶绿素含量、植被冠层含水量和植被蒸腾等参数。因此，需要更全面分析涵盖影响公园降温效应的多方面因素，从而为未来的城市规划和环境优化提供更为精准和综合的指导方针。

南京市地处长江下游，年均气温15.4 ℃，是长江三角洲地区的特大城市，由于人口密集、高楼林立，城市热岛效应明显。为了最大化绿地所带来的生态益处，南京市政府正在努力优化绿地空间结构，规划在建成区开发更多的城市公园，以满足居民需求并缓解夏季高温问题^[11]。然而，面对国内“人多地少”的现实困境，城市绿地的规划和建设受到了明显的空间和财政限制。并且，绿地降温效应并非随着绿化面积的无限增加而持续提高，而是在达到某一特定阈值后，降温效应的提升将逐渐减缓或趋于稳定^[17]。因此，本研究以南京市为例，基于多源数据，包括遥感数据如高分二号影像、Landsat-8影像和哨兵二号影像，网络数据如百度地图兴趣面（area of interest，AOI）数据和道路数据，以及产品数据如夜间灯光、人口数据、建筑物高度数据和森林冠层高度数据，通过①利用适合研究区的拐点法量化公园对环境的降温效应，并确定具有高效降温效应的公园面积和周长阈值；②不仅考虑公园物理形态结构、景观特征和植被指数，还考虑公园内植被结构参数、生理特征和公园外部环境特征对公园降温效应的影响，补充这方面的研究，以期为城市公园和绿地的规划设计提供更加精细和全面的理论支持。

1 材料与方法

1.1 研究区概况

南京市（118°22′～119°14′E，31°14′～32°37′N）位于东部沿海经济带和长江经济带战略交汇点，属于亚热带季风性气候，素有“火炉”之称。气象数据显示，1951—2007年南京市累计有837个气温超过35 ℃的高温天^[18]。近年来，南京市高温日明显增加，对社会公共基础设施和居民的身体健康造成严重影响，缓解城市热岛效应迫在眉睫。为应对这一挑战，本研究以南京市中心区为研究对象，包括鼓楼区、建邺区、玄武区、秦淮区、雨花台区、栖霞区、浦口区、江宁区和溧水区。

1.2 数据来源

1.2.1 温度数据

本研究用于地表温度反演的遥感数据是来自地理空间数据平台（https：//www.gscloud.cn/search）的Landsat-8影像。影像成像时间为2019年9月13日，行列号120/38，云量为1.13%，有少量朵状云，全色波段，多光谱波段和热红外波段的空间分辨率分别是15、30、100 m。遥感影像的预处理需要在ArcMap 10.8中进行掩膜去云处理，在ENVI 5.3中进行辐射定标和大气校正。

1.2.2 土地覆盖数据

本研究用于土地覆盖分类的遥感影像是来自陆地观测卫星数据服务平台（https：//data.cresda.cn/）的高分二号数据，高分二号数据包含空间分辨率为0.8 m的全色波段和3.2 m的多光谱波段，在ENVI 5.3中经过正射校正、辐射定标、大气校正、图像融合和镶嵌，最后得到1 m分辨率的多光谱数据。

1.2.3 公园边界数据

本研究所用的公园边界数据来自百度地图的API（https：//lbsyun.baidu.com/），爬取AOI的类型为公园绿地，公园目录同时也参考了《南京绿地系统规划（2013—2020年）》，参考已有研究的筛选规则^[6，9]，得到83个公园，筛选条件：①面积小于0.5 hm²的公园，减少由于Landsat-8数据分辨率引起的实验误差；②在大型公园内被绿地包围的小型公园；③邻近大型河流的公园，靠近大型山脉绿地的公园，被农田或者绿地包围的公园，减少由地理位置带来的大型水体绿地对公园降温效应的影响。

1.2.4 其他数据

本研究采用欧空局（https：//scihub.copernicus.eu/dhus/#/home）2019年9月19日的哨兵二号2A级数据计算植被结构和生理特征参数，本研究在计算公园外部环境影响因子涉及多种数据来源，道路数据取自OpenStreetMap网站（https：//www.openstreetmap.org），夜间灯光数据由湖北省数据应用中心高分辨率地球观测系统（http：//59.175.109.173：8888/app/login.html）提供，建筑物高度数据来自复旦大学生命科学学院GC3S团队研究开发的中国10 m建筑物高度CNBH数据集（https：//zenodo.org/record/706-4268#.ZEQM-vxByUm），人口数据由南安普顿大学生产的worldpop项目（https：//hub.worldpop.org/）生成，而森林冠层高度数据则来自马里兰大学地理科学系的全球土地分析和发现实验室（https：//glad.umd.edu/）。

1.3 研究方法

1.3.1 基础数据的获取

1）地表温度的反演。本研究采用辐射传输方程法反演地表温度^[19]。其基本原理为，先估计大气对地表热辐射的影响，然后从卫星传感器所观测到的总热辐射中减去这部分的影响，以得到地表热辐射强度，最后将其转化为对应的地表温度。用公式表达为：

L_λ=[εB（T_s）+（1-ε）L_↓]τ+L_↑。（1）

式中：L_λ为卫星传感器接收到的热红外辐射亮度值；L_↑为大气向上辐射亮度；L_↓为大气向下辐射到达地面后反射的能量；B（T_s）为黑体热辐射亮度；τ为大气在热红外波段的透过率。L_↑、L_↓、τ在NASA（http：//atmcorr.gsfc.nasa.gov/）网站上获取。ε为地表比辐射率，其计算采用Sobrino提出的NDVI阈值法^[20]。T_s为地表真实温度，可以通过普朗克公式的函数获得：

T_s=K₂/ln[K₁/B（T_s）+1]。（2）

对于Landsat-8，K₁=774.89 W/（m²·sr·μm），K₂=1 321.08 K。

2）土地覆盖的分类。为探究南京市地表温度与土地覆盖分类的关系，本研究根据《城市用地分类与规划建设用地标准》（GB 50137—2011）及研究需求，将研究区分为5类：建设用地、绿地、农业用地、水域和裸地。考虑到随机森林在土地覆盖分类中具有高精度、自动特征选择、抗噪性强和并行化处理等优点^[21]，因此选择该方法来获得南京市的土地覆盖信息。从高分二号数据、DEM数据和夜间灯光数据中提取分类特征，选取的特征包括光谱特征、纹理特征、地形特征和夜间灯光特征。每一土地类别分别有200个训练样本和100个验证样本，精度验证结果显示总体精度在88.85%以上，Kappa系数大于0.86，满足研究需要。

1.3.2 公园降温效应的量化

本研究将公园降温效应描述为城市公园内部温度与周围环境温度的差异^[9]，并采用基于缓冲区分析的拐点法来量化周围环境温度。首先，以公园为中心30 m为间隔创建了总长为1 200 m的多级缓冲区（图1中的黄色部分），则每个缓冲区环都有一个平均地表温度；然后将每个缓冲区的半径作为X轴，对应的缓冲区环内平均地表温度作为Y轴，进行绘制。最后，可以从图中直观地识别出第1个下降拐点，将拐点到公园边界的距离^[12]定义为公园降温距离（park cooling distance，PCD），拐点处平均地表温度和公园内部平均温度的差值^[9]定义为公园降温强度（park cooling intensity，PCI）。PCD数值越大表明公园的降温效应在周围环境中覆盖的范围越广，PCI数值越大表明公园内部相对于公园周围环境来说，温度下降得越明显。

1.3.3 影响公园降温效应的因素

从空间位置的角度来看，公园的降温效应不仅与内部因素有关，还受到外部因素的影响^[15]。已有研究表明，公园降温效应与公园内景观特征存在相关性^[13，22]，本研究使用 Fragstats 4.2从公园面积和边缘、形状、多样性和聚集度4个方面来计算景观指标（表1）。此外，由于公园降温效应与公园内植被结构参数和生理特征、公园外建筑高度和人类活动等外部环境特征之间的关系尚未得到充分研究，因此本研究从3个方面来综合考虑公园降温效应的潜在影响因子，具体的因子列表可见表1。

其中，在计算植被结构和生理特征参数时，本研究利用SNAP中的生物物理处理模块计算植被覆盖度、叶面积指数、叶绿素含量、冠层水分含量和有效光合吸收辐射度，只需要输入重采样后的哨兵数据即可完成计算。研究表明，该模块适用于生物物理变量的反演，在反演重要绿色植被方面具有优势^[23]。该模块是利用PROSAIL模型生成的冠层反射率和相应的生物物理变量组成了训练数据库，PROSAIL模型是PROSPECT模型和SAIL模型的耦合模型。它通过将PROSPECT模型输出的叶片反射率和透射率输入到SAIL模型中，并输入冠层结构参数、观测几何参数和土壤反射率，从而模拟得到冠层光谱反射率。然后根据训练数据库训练神经网络以根据影像的冠层顶部反射率和相应的角度来估计冠层特征^[24]。

1.3.4 重要性排序和相关性分析

Lundberg等^[25]在解释模型预测的统一方法中，提出了SHAP（Shapley additive exPlanations）方法，这是一种解释机器学习模型预测的方法，提供了高水平的可解释性。该方法基于经济学家Shapley^[26]提出的博弈论中的Shapley值。在博弈论中，“博弈”是指有多个个体，每个个体都想将自己的收益最大化。而Shapley值通过计算每个个体在所有可能的合作组合中的平均贡献来确定其重要程度。这种方法解决了多重共线性问题，不仅考虑单个变量的影响，而且考虑变量之间的协同效应。本研究主要使用了全局可解释性，计算所得的值可以显示每个影响因子对目标变量的积极或消极贡献。同时利用SPSS 26.0，采用皮尔逊相关系数研究不同影响因素与降温效应的关系^[27]。

2 结果与分析

2.1 城市公园的降温阈值与降温效应的评价结果

研究区2019年9月13日地表温度及土地覆盖的空间分布见图2。市中心的地表温度高于郊区，显现出明显的城市热岛效应，图2c则显示城市公园形成了与之相反的冷岛现象。

研究区内公园面积和周长与平均地表温度及降温强度的非线性对数关系（图3），符合边际效用递减定律^[9]。图3a中当公园面积从0.63 hm²增加到18.75 hm²时，地表温度显著下降了约3 ℃；当公园面积继续增加到67.97 hm²时，公园内平均地表温度的下降幅度逐渐减弱，额外增加近50 hm²却使温度下降约0.5 ℃，显示出温度下降的阈值效应，周长也具有相同的阈值效应。这与已有研究结果类似，关于常州的研究中建议26 hm²为面积阈值^[28]。相较之下，本研究基于南京市的研究推荐面积18～19 hm²和周长1.9～2.0 km为最佳降温阈值，并且研究表明不同计算方法得到的阈值都是有效的^[9]。因此，在城市用地紧张的情况下，为了在有限的土地面积和资源投入下获得较好的降温效应，可以将公园面积控制在18～19 hm²之间，周长控制在1.9～2.0 km，以实现投入产出的平衡。

降温距离与降温强度呈显著正相关，公园的降温能力越强，覆盖的范围就越大（图4）。本研究中公园的降温距离在30～390 m之间，平均降温距离接近150 m。其中，在83个公园中，有52个公园的降温距离在30～150 m，只有4个公园的降温距离在300～400 m。公园的降温强度范围为0.06～5.79 ℃，平均降温强度为2.21 ℃。其中，51个公园的降温强度小于2.5 ℃，只有2个公园的降温强度超过了5 ℃。当公园面积为18.75 hm²时，降温强度为2.67 ℃，降温距离为150 m，可见阈值的降温强度超过了平均水平。

2.2 公园降温效应影响因素的重要性排序

分别计算影响因子对PCI和PCD的重要性排序，图5展示了前30位影响因子对PCI和PCD的全局影响。对PCI来说，所有景观指标的65%在前30，外部环境特征100%影响着PCI，而仅有30%的内部环境特征。前10位更是有7个影响因子是景观特征，为DIVISION_building、PD、PLAND_building、MESH、PLAND_green、LPI_building和LPI_water，可见景观配置和景观破碎度对PCI影响显著。对PCD来说，外部环境特征和内部景观特征仍具有显著影响，而内部环境特征的影响显著上升，70%的影响因子在前30。前10位中有6个环境影响因子，2个外部环境特征Buffer_road和Buffer_pop，4个内部环境特征TVDI、LAI_cw、LAI_cab和Ec，可见公园外部环境、植被结构和生理特征对PCD影响显著。

2.3 景观特征对公园降温效应的影响

PLAND_building低值对PCI和PCD有正面影响（图5）。PCI和PCD与PLAND_building的相关系数为-0.655和-0.393（Plt;0.01），而与LPI_building的相关系数更加表明了公园内建设用地面积的增加会削弱PCI和PCD（表2）。PD、ED、MESH和AI与景观破碎度有关，其中MESH_water和AI_green高值有正向影响。总体上，高斑块密度会增加公园内的破碎度和边缘效应，景观元素的不连续性可能导致空气流通受阻，局部热气滞留，地表温度升高，降温效应减弱。而水体和绿地的聚集性有助于改善降温强度和降温距离。

LPI_water高值对PCI有正向影响，而LPI_green高值对PCD有正向影响，表明当公园内有优势水体斑块时，PCI越大；有优势绿地斑块时，PCD越大。关于PLAND_green对PCI的影响，负向影响以中低值为主，高值为正向影响，但部分低值也有正向影响，这也许与公园内水体占比有关。有研究表明，在公园面积相似的情况下往往绿地和水体混合配置比单一绿地配置有更好的降温效应^[7，22]。有水公园（PLAND_watergt;5）的降温效应明显高于无水公园（PLAND_waterlt;1），水体在蒸发、反射太阳辐射、改变空气流动等方面具有降温协同作用（表3），故PLAND_green较小的公园也具有较高的PCI。

较高的PARA_AM和NLSI表明景观单元的形状复杂，PARA_AM与PCI、PCD和LST的相关系数为-0.640、-0.337、0.631。本研究发现，简单规则的公园形状有助于降低温度。这与已有研究相符，圆形或正方形的紧凑绿色斑块具有最高的降温效率，形状越复杂，降温效率越低^{[7，9，13，22]}，简单规则的公园边界有助于提供更好的自然通风，通过风的循环作用，热量能够更加有效地被带走，达到降温的效果。但也有研究表明形状更复杂的绿色空间内温度较低^[16]，说明这方面的关系还存在不确定性^[29]。从土地覆盖类型来看，NLSI_building低值对PCI有正向影响；而NLSI_green低值对PCI有负向影响，对PCD有正向影响；PARA_AM_water低值对PCI和PCD都有正向影响，表明公园内建设用地形状越规则，降温强度越大，而水体形状越规则，公园的降温强度和降温距离都会增加，但当绿地的形状越规则时降温距离会变大，而降温强度会变小。

2.4 环境特征对公园降温效应的影响

2.4.1 公园内部环境特征

DEM与LST显著负相关，与PCI、PCD正相关，这与常识相符，较高海拔的区域往往拥有较低的气温和更凉爽的气候。FVC表示了水平方向上地表被植被遮蔽的比例（表4），FVC高值对PCI有正向影响，表明公园内植被覆盖度越高，降温强度越大。LAI反映了植被生物量在垂直方向上的分布密度和叶片的覆盖程度，LAI与PCI和PCD显著正相关，表明公园内植被的叶面积指数越高，公园的降温效应越显著（图5）。FH高值对PCD有正向影响，表明公园内植被冠层越高，公园的降温距离越远。这里体现了植被的遮阴作用对公园的降温效应，较高的植被垂直展张和水平覆盖程度会提供更多的遮阴，减少太阳光的照射，降低地表的温度。

LAI_cw和LAI_cab显著影响着PCD，其与LST的相关系数为-0.425和-0.615（Plt;0.01），表明较高的叶绿素含量和冠层含水量会扩大公园的降温距离。主要是因为叶绿素是植物中的主要光合色素，它可以吸收太阳辐射能量并转化为化学能，而水具有较高的热容量，可以吸收和储存更多的热量。TVDI对PCI和PCD都十分重要，TVDI能够反映地表土壤水分状况^[30]，常被用于评估植被水分状况和干旱程度^[31]，TVDI越小，土壤湿度越高。TVDI低值对PCI和PCD都有明显的正向影响，相关系数为-0.716和-0.508（Plt;0.01），表明湿润的土壤会带来较低的地表温度和较好的降温效应。Ec高值对PCD有正向影响，而Es高值对PCD有负向影响，这表明较强的植被蒸腾作用会降低公园的地表温度，扩大降温距离，而较强的土壤蒸发会增加公园的地表温度，减小降温范围（图5）。

2.4.2 公园外部环境特征

较高的Buffer_cnbh对PCI和PCD产生负面影响，表明公园周围建筑越高，降温强度和距离会减弱（图5）。高建筑物表面积大，能吸收储存更多热量，且照明、人类活动和设备使用也会产生热量。此外，高建筑物可能阻挡气流，减弱公园通风和空气流动，使热量和湿度在公园内停留时间增加，从而削弱降温效应。不同用地类型对公园降温效应产生不同影响。居民区因生活、工作消耗能源产生较高热量，但绿化和通风设计可减轻负面影响。工厂用地因工业生产需大量能源，产生更高热量及废热、废气，对降温效应产生更大负面影响。商业区热量排放相对较少，主要来自照明、空调等能源消耗（表5）。

已有研究表明，更高的道路密度意味着更繁忙的交通和更多的人为热量释放，这可能会影响公园的降温效应^[15]，本研究也得出相似结论，即低道路密度有助于扩大降温距离并增强降温强度。图5中Buffer_pop对PCD也有重要影响，少量高值对PCD产生正向影响，表明产生较大降温距离的公园周围人口密度较大；Buffer_luojia高值对PCI和PCD都产生正向影响，这表明在灯光密度较大区域的公园所产生的降温效应越好，这也许是因为降温效应较好的公园更吸引人口居住和经济建设，如莫愁湖公园的降温效应好于求雨山文化公园，其周围的人口密度和灯光亮度密度也大于求雨山文化公园。从土地覆被类型来看，Buffer_building高值对PCI和PCD有正向影响，这是因为当公园修建在人口密度较高、经济较为繁荣的区域时，公园周围的建设用地占比必定相对较高，城市热岛效应较为明显，这与公园的低温内部形成强烈温差，从而出现较高的降温强度。表5中Buffer_green、Buffer_water和Buffer_building与LST的相关系数表明在降温距离内增加绿地和水体的占比，可能会产生降温协同作用，从而降低公园内部的温度。

3 结 论

本研究利用地表温度的差异揭示了城市公园具有降温效应。然后，利用拐点法计算得到降温强度和降温距离，并通过回归分析得到了降温阈值，发现在面积受限时，面积维持在18～19 hm²、周长控制在1.9～2.0 km可实现最佳降温效应。最后，采用相关性分析和SHAP分析公园特征与降温效应的关系，分析结果表明：一方面，景观特征对降温强度具有显著影响，保持公园景观的完整性以及水体和绿地的合理配置对公园降温效应的改善十分重要；另一方面，环境特征对降温距离的影响也十分显著，特别是公园外道路密度和公园内土壤含水量，同时植被冠层含水量和叶绿素含量等植被结构参数通过光合作用和植被蒸腾影响着公园降温距离，可见公园内植被的优质培育对扩大降温距离至关重要，同时应尽可能地减轻周围环境的负面影响。本研究未考虑不同类型和种类的植被对降温效应的具体影响，以及使用的Landsat-8数据分辨率相对较低，未来可采用更高分辨率的热红外数据研究不同类型植被的降温效应。

参考文献（reference）：

[1]STEWART I D，OKE T R．Local climate zones for urban temperature studies[J]．Bull Am Meteor Soc，2012，93（12）：1879-1900．DOI： 10.1175/bams-d-11-00019.1.

[2]胡欣雨.南阳市主城区热岛效应及绿地降温作用研究[D]. 福州：福建农林大学，2022. HU X Y. Study on the heat island effect and the cooling effect of green space in the main urban area of Nanyang City[D]. Fuzhou：Fujian Agriculture and Forestry University，2022. DOI： 10.27018/d.cnki.gfjnu.2022.000129.

[3]CUI Y P，XIAO X M，DOUGHTY R B，et al．The relationships between urban-rural temperature difference and vegetation in eight cities of the Great Plains[J]. Front Earth Sci，2019，13（2）：290-302．DOI： 10.1007/s11707-018-0729-5.

[4]倪黎，沈守云，黄培森．园林绿化对降低城市热岛效应的作用[J]. 中南林业科技大学学报，2007，27（2）：36-43．NI L，SHEN S Y，HUANG P S．Research on city gardening to reduce the urban heat island effect of Changsha City[J]. J Cent South Univ For Technol，2007，27（2）：36-43．DOI： 10.3969/j.issn.1673-923X.2007.02.007.

[5]QIU K B，JIA B Q．The roles of landscape both inside the park and the surroundings in park cooling effect[J]. Sustain Cities Soc，2020，52：101864．DOI： 10.1016/j.scs.2019.101864.

[6]YANG G Y，YU Z W，JØRGENSEN G，et al．How can urban blue-green space be planned for climate adaption in high-latitude cities：a seasonal perspective[J]. Sustain Cities Soc，2020，53：101932．DOI： 10.1016/j.scs.2019.101932.

[7]赵海月，胡淼，朱建宁，等．高密度中心城区蓝绿空间冷岛效应及其影响因素：以北京五环路以内地区为例[J]. 生态学报，2023，43（12）：4904-4919．ZHAO H Y，HU M，ZHU J N，et al．Blue-green space cooling effect and its influencing factors in metropolitan area：a case study on the area within the Fifth Ring Road in Beijing[J]. Acta Ecol Sin，2023，43（12）：4904-4919．DOI： 10.5846/stxb202205251482.

[8]LI H W，WANG G F，TIAN G H，et al．Mapping and analyzing the park cooling effect on urban heat island in an expanding city：a case study in Zhengzhou City，China[J]. Land，2020，9（2）：57．DOI： 10.3390/land9020057.

[9]LIAO W，CAI Z W，FENG Y，et al．A simple and easy method to quantify the cool island intensity of urban greenspace[J]. Urban For Urban Green，2021，62：127173．DOI： 10.1016/j.ufug.2021.127173.

[10]YU Z W，GUO X Y，JØRGENSEN G，et al．How can urban green spaces be planned for climate adaptation in subtropical cities？[J]. Ecol Indic，2017，82：152-162．DOI： 10.1016/j.ecolind.2017.07.002.

[11]XIAO Y，PIAO Y，PAN C，et al．Using buffer analysis to determine urban park cooling intensity：five estimation methods for Nanjing，China[J]. Sci Total Environ，2023，868：161463．DOI： 10.1016/j.scitotenv.2023.161463.

[12]GAO Y，PAN H F，TIAN L．Analysis of the spillover characteristics of cooling effect in an urban park：a case study in Zhengzhou City[J]. Front Earth Sci，2023，11：1133901．DOI： 10.3389/feart.2023.1133901.

[13]TAN X Y，SUN X，HUANG C D，et al．Comparison of cooling effect between green space and water body[J]. Sustain Cities Soc，2021，67：102711．DOI： 10.1016/j.scs.2021.102711.

[14]GAO Z，ZAITCHIK B F，HOU Y，et al．Toward park design optimization to mitigate the urban heat island：assessment of the cooling effect in five U．S． cities[J]. Sustain Cities Soc，2022，81：103870．DOI： 10.1016/j.scs.2022.103870.

[15]GENG X L，YU Z W，ZHANG D，et al．The influence of local background climate on the dominant factors and threshold-size of the cooling effect of urban parks[J]. Sci Total Environ，2022，823：153806．DOI： 10.1016/j.scitotenv.2022.153806.

[16]PENG J，DAN Y Z，QIAO R L，et al．How to quantify the cooling effect of urban parks？Linking maximum and accumulation perspectives[J]. Remote Sens Environ，2021，252：112135．DOI： 10.1016/j.rse.2020.112135.

[17]FAN H Y，YU Z W，YANG G Y，et al．How to cool hot-humid （Asian） cities with urban trees？An optimal landscape size perspective[J]. Agric For Meteor，2019，265：338-348．DOI： 10.1016/j.agrformet.2018.11.027.

[18]孙燕，濮梅娟，张备，等．南京夏季高温日数异常的分析[J]. 气象科学，2010，30（2）：279-284．SUN Y，PU M J，ZHANG B，et al．Analysis of high temperature days anomaly in Nanjing[J]. Sci Meteor Sin，2010，30（2）：279-284．DOI： 10.3969/j.issn.1009-0827.2010.02.022.

[19]YU X L，GUO X L，WU Z C．Land surface temperature retrieval from landsat 8 TIRS：comparison between radiative transfer equation-based method，split window algorithm and single channel method[J]. Remote Sens，2014，6（10）：9829-9852．DOI： 10.3390/rs6109829.

[20]SOBRINO J A，JIMÉNEZ-MUOZ J C，PAOLINI L．Land surface temperature retrieval from LANDSAT TM 5[J]. Remote Sens Environ，2004，90（4）：434-440．DOI： 10.1016/j.rse.2004.02.003.

[21]FERNNDEZ-DELGADO M，CERNADAS E，BARRO S，et al．Do we need hundreds of classifiers to solve real world classification problems？[J]. J Mach Learn Res，2014，15：3133-3181．

[22]赵芮，申鑫杰，田国行，等．郑州市公园绿地景观特征对公园冷岛效应的影响[J]. 生态学报，2020，40（9）：2886-2894．ZHAO R，SHEN X J，TIAN G X，et al．The influence of landscape characteristics of a park green space on the park cool island effect in Zhengzhou City[J]. Acta Ecol Sin，2020，40（9）：2886-2894．DOI： 10.5846/stxb201904230827.

[23]DANNER M，BERGER K，WOCHER M，et al．Efficient RTM-based training of machine learning regression algorithms to quantify biophysical amp; biochemical traits of agricultural crops[J]. ISPRS J Photogramm Remote Sens，2021，173：278-296．DOI： 10.1016/j.isprsjprs.2021.01.017.

[24]江海英，柴琳娜，贾坤，等．联合PROSAIL模型和植被水分指数的低矮植被含水量估算[J]. 遥感学报，2021，25（4）：1025-1036．JIANG H Y，CHAI L N，JIA K，et al．Estimation of water content for short vegetation based on PROSAIL model and vegetation water indices[J]. Natl Remote Sens Bull，2021，25（4）：1025-1036．

[25]LUNDBERG S M，LEE S I．A unified approach to interpreting model predictions[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems．December 4-9，2017，Long Beach，California，USA：ACM，2017：4768-4777．DOI： 10.5555/3295222.3295230.

[26]SHAPLEY L S．17．A value for n-person games[M]//Contributions to the Theory of Games （AM-28），Volume II．Princeton. New Jersey， USA：Princeton University Press，1953：307-318．DOI： 10.1515/9781400881970-018.

[27]韩煜娜，左德鹏，王国庆，等．变化环境下青藏高原陆地水储量演变格局及归因[J]．水资源保护，2023，39（2）：199-207，214．HAN Y N，ZUO D P，WANG G Q，et al．Evolution pattern and attribution analysis of terrestrial water storage in Tibetan Plateau under changing environment[J]．Water Resour Prot，2023，39（2）：199-207，214．DOI： 10.3880/j.issn.1004-6933.2023.02.024.

[28]王新军，冯星莹，陈凯莉，等．城市公园的冷岛效应研究：以常州市为例[J]. 中国环境科学，2021，41（9）：4245-4252．WANG X J，FENG X Y，CHEN K L，et al．Study on the cooling effect of urban parks base on the case of Changzhou，Jiangsu，China[J]. China Environ Sci，2021，41（9）：4245-4252．DOI： 10.19674/j.cnki.issn1000-6923.20210603.002.

[29]YU Z W，YANG G Y，ZUO S D，et al．Critical review on the cooling effect of urban blue-green space：a threshold-size perspective[J]. Urban For Urban Green，2020，49：126630．DOI： 10.1016/j.ufug.2020.126630.

[30]姚春生，张增祥，汪潇．使用温度植被干旱指数法（TVDI）反演新疆土壤湿度[J]. 遥感技术与应用，2004，19（6）：473-478．YAO C S，ZHANG Z X，WANG X．Evaluating soil moisture status in Xinjiang using the temperature vegetation dryness index （TVDI）[J]. Remote Sens Technol Appl，2004，19（6）：473-478．DOI： 10.3969/j.issn.1004-0323.2004.06.008.

[31]SANDHOLT I，RASMUSSEN K，ANDERSEN J．A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sens Environ，2002，79（2/3）：213-224．DOI： 10.1016/s0034-4257（01）00274-7.

（责任编辑 孟苗婧 郑琰燚）