城市濱水藍綠空間冷島效應的影響因素與分布特征*
——以武漢、南京和杭州為例

王偉武 梁 爽 楊涵淄 WANG Weiwu LIANG Shuang YANG Hanzi

0 引言

城市化進程導致人工構筑物取代了植被、水體等自然景觀，引發不透水地表吸收了更多的太陽輻射，城市地區氣溫升高，城市熱島效應加劇，對人類社會產生多種不利影響，例如增加冷卻系統能耗[1]、影響地表能量平衡[2]、加劇城市健康風險[3]。藍綠空間具有與熱島效應相反的“冷島效應”，可以起到調節城市微氣候、增強城市生物多樣性[4]等生態作用。

現有研究大多關注在藍綠空間景觀結構布局的指標因子量化分析方面。例如關于水體景觀形態指標因子方面主要有水體面積、水網密度、岸線長度、水體寬度等量化分析[5-9]。研究認為，水體幾何形狀與降溫距離對冷島強度呈負相關，規則的水體可以發揮更穩定的降溫作用。水面面積和寬度越大，其冷島效應越強[10]。面狀水體的降溫作用要強于線狀水體[11-13]。在綠地結構指標因子方面，主要有關于綠地面積、綠地形狀指數、綠地覆蓋度等方面量化研究[14-16]。綠地面積大小與降溫作用呈正相關，而綠地形狀指數與降溫作用呈負相關，高綠地覆蓋度可以更加有效地緩解城市熱島[17-19]。然而，值得我們注意的是，藍色空間和綠色空間協同組成城市的藍綠空間網絡系統，其冷島效應強于單一的生態元素?？傮w而言，目前研究從影響因素、閾值、時間變化等多角度探討了藍綠空間對冷島效應的影響，但對于城市藍綠空間景觀格局對城市降溫效率等缺少深入探究，大部分研究著眼于單一因素，包括水域、綠地、公園對冷島強度的影響，較少探討不同城市藍綠空間綜合景觀格局對冷島強度、效率的影響。

另外，中國大城市的水系系統往往是藍綠空間網絡的骨架，起到連接綠地以及水體的作用，是藍綠空間建設工程的重點對象。然而，與城市綠地系統相比，以水網系統為主骨架的城市藍綠空間冷島效應量化研究的關注度相對不足。為了深化這方面的研究，本文以杭州、南京和武漢三個水系較為發達的城市為例，旨在揭示城市濱水空間為主骨架的藍綠空間網絡對熱島效應的影響，憑借回歸決策樹回歸模型處理非線性大量數據并受自變量交互作用小的優勢[21]，通過比較研究以便定量地揭示這三個中國典型城市藍綠空間各形態因子對于城市熱島減緩的影響程度。

1 研究區概況

選擇杭州、南京和武漢的城市中心城區為研究區（圖1）。選擇原則主要基于以下三方面原因。首先，三個城市均為省會城市，經濟發展水平快，環境承受壓力大，且都是中國典型的熱島城市。在快速城市化發展和擴展的過程中，城市的熱島效應都在不斷向外擴散，城市熱島問題嚴重。其次，三個城市水系發達且密集分布，而且在水系形態方面有所區別，武漢以大面積的湖泊為主，南京以秦淮河水系主導的線狀河流為主，杭州水系形態多樣，形成點線面結合的水網結構。最后，三個城市的城市發展形態結構也有異同之處，而且具有一定的典型性。杭州以主城區和錢江新城的協同發展為主，形成新舊城區多中心協同發展的城市形態結構。南京以主城區為發展中心，周邊多個衛星城聯合發展。武漢是典型的單核城市，以主城區為中心呈圈層式發展，向外延伸出都市發展區、遠郊中心鎮。杭州市作為浙江省會城市和長江三角洲的中心城市之一，總面積3 316.33 km2，包括上城區、拱墅區、西湖區、濱江區、臨平區、錢塘區六個區，占市域面積的19.68%。南京市是江蘇省省會城市，地處長江中下游平原東部，總面積392.89 km2，包括鼓樓區、秦淮區、雨花臺區、建鄴區、玄武區五個區，占市域面積的5.96%。武漢市是湖北省會，華中地區的最大都市，位于江漢平原東部、長江中游，總面積1 051.86 km2，包括江岸區、江漢區、硚口區、漢陽區、武昌區、青山區、洪山區七個區，占市域面積的12.27%。通過對三個研究區進行對比分析，一方面可以由三個城市之間不同的水系網絡結構和藍綠空間結構得出不同藍綠空間分布形態對冷島效應的影響趨勢，另一方面，針對不同城市發展結構提出相應的城市藍綠空間建設策略，為城市科學規劃與建設提供參考。

圖1 研究區位置及范圍示意圖Fig.1 schematic diagram of the location and scope of the study area

2 數據來源及研究方法

2.1 數據來源

研究數據主要包括遙感數據、行政邊界數據、水體數據和道路數據等。

GEE 是谷歌公司提供的在線全球化處理和分析引擎（https://earthengine.google.com/），可以處理多類型的衛星影像以及其它農業、自然資源和氣候的地理觀測數據。研究者可以通過云端的繼承開發環境，調用編程接口編寫程序分析數據，并實現數據的可視化處理。GEE云平臺中有超數百個公共數據集，包含Landsat 系列遙感影像數據。Landsat 系列遙感影像數據是高分辨率反演 LST 的最廣泛的衛星數據之一，也是眾多遙感數據中時間序列較長，穩定性高和分辨率相對較高的數據。本文依托 GEE 云平臺獲取公開的 Landsat 系列遙感影像數據（https://code.earthengine.google.com/?accept_repo=users/sofiaermida/landsat_smw_lst.），選取了LANDSAT/ LC08/C01/T1_SR地表反射率數據集，得到2012—2021年研究區域夏季的多時序遙感影像。這些數據均已進行了官方的大氣校正算法（LaSRC）處理，可直接使用。

Open Street Map，簡稱為OSM，是一個開源的地圖數據社區，全球貢獻者向該項目貢獻地圖數據，數據質量較高，可以滿足用戶使用與科學研究的要求[22]。OSM地圖可以下載道路、水系、建筑等數據。道路數據和水體數據從openstreetmap網站（www.openstreetmap.org）獲取，市內縣區邊界從全國地理信息資源目錄服務系統（www.webmap.cn/main.do?method=index）獲取，GIS數據完成時間均為2021年。水體數據在獲取后按照各地水務局河道報告，重新篩選出研究區域內的主要水體。

2.2 研究方法

道路網是城市空間結構的骨架，城市街區由道路網劃分而形成，而本研究聚焦于濱水藍綠空間，因此使用濱水緩沖區范圍內的道路分割成的街區單元作為基本分析單元。使用研究區內主要水體數據構建濱水的緩沖區范圍，將河流的緩沖區分為兩級。選擇車行可通過的道路，將濱水的緩沖區范圍分割成數個街區單元，確定基本分析單元。

主要采用城市冷島效應分布特征分析、藍綠空間景觀形態因子量化計算和決策樹回歸等方法。研究方法為：第一，確定研究的基本分析單元；第二，在GEE平臺通過Landsat衛星影像推演出地表溫度，利用值標準差法對地表溫度進行分級，得出城市冷島效應強度，并將其數值對應到分析基本單元從而獲得城市冷島強度分布特征。第三，在GEE平臺利用Landsat衛星影像執行隨機森林分類算法，得出土地利用數據，使用Fragstats 4.2和ArcGIS 10.7軟件計算藍綠空間景觀形態因子，并將其數值對應到分析基本單元從而獲得藍綠空間形態特征；第四，訓練決策樹數據集并進行決策樹回歸分析，得出各藍綠空間景觀形態因子的對城市冷島效應的影響程度；第五，綜合以上結果有針對性地提出水網型城市的城市空間優化策略（圖2）。

圖2 研究技術路線圖Fig.2 research technology roadmap

2.2.1 確定基本分析單元

根據當地水務局河道報告，篩選出研究區內主要水體數據。接著確定水體的緩沖區范圍。參考已有關于水域降溫閾值的研究[23]，將河流的緩沖區分為兩級：寬度介于20～70 m的河流，其緩沖區距河岸距離為500 m；寬度大于70 m的河流，其緩沖區距河岸距離為2 500 m。湖泊緩沖區距河岸距離為500 m。到此已確定水體的緩沖區范圍，為數個平面。在ArcGIS平臺使用分割面工具，選擇車行可通過的道路將水體的緩沖區范圍面分割成數個街區單元，每個街區的面積在200～1 000 m2內。每個被分割好的街區單元即為基本分析單元。

2.2.2 城市冷島效應計算及等級劃分

利用 ENVI、ERDAS 等遙感圖像處理軟件反演地表溫度的數據處理步驟較為繁瑣，其數據下載、操作流程與結果保存等步驟對研究者的設備也是很大的挑戰。故本文使用GEE平臺，通過API接口和基于Web的交互式開發環境，利用Python和JavaScript語言訪問 GEE的Landsat遙感影像數據并計算反演地表溫度，計算歸一化植被指數（NDVI）、植被覆蓋度，估算地表比輻射率后，將傳感器光譜輻射轉化為傳感器亮度溫度，利用Artis單窗算法、普朗克常量和地表亮溫計算[24]，得到2012—2021年研究區域夏季的平均地表溫度。接著采用值標準差法劃分地表溫度等級[25]，分為六級，劃分依據如表1。其中得出代表藍綠空間的分析區域的地表溫度等級，以表示藍綠空間的降溫效應強度。

表1 地表溫度等級劃分Tab.1 surface temperature class division

2.2.3 藍綠空間景觀形態因子的量化計算

主要包括土地利用分類數據獲取和城市熱環境藍綠空間景觀形態因子GIS計算兩部分。

GEE 云平臺提供機器學習中隨機森林分類的“ee.Classifier()”功能選項，這些分類器擅長從大量遙感預測變量和訓練數據之間的關系構建統計模型。故通過GEE平臺，人為借助Google Earth影像建立訓練樣本，將用地分類為城市建設用地、水體、草地、森林、農田這五項，選取具有一定代表性的地物目標訓練標記，得到最終的用地分類。根據現有藍綠空間的研究[9-10][12]，本文以代表性、形態相關性、數據可得性為指標選取原則，選取了七個指標來描述城市濱水藍綠空間的形態因子，按照藍綠綜合景觀形態因子、藍色空間形態因子和綠色空間形態因子三個方面（表2）。使用Fragstats 4.2和ArcGIS 10.7軟件計算這些藍綠空間景觀形態因子。

表2 藍綠空間系統的景觀形態指標體系Tab.2 landscape morphology index system of blue-green spatial system

2.2.4 基于決策樹回歸模型的形態因子貢獻率分析

目前，有關城市熱島效應影響因素的研究以經典的多元線性回歸模型為主，此方法雖然可以分析出城市熱島效應強度與各因素的線性關系，但并不適用于本研究自變量較多且相互之間有交互作用、可能存在異常值的情況。采用線性回歸后發現自變量共線性（VIF）過大，則可使用嶺回歸用于此類自變量高度相關的情況，但其模型擬合受異常值影響很大從而導致偏差。本研究因研究范圍尺度很大，數據數量龐雜、數據質量參差不齊；且各自變量之間相互間存在線性影響?；貧w決策樹則可彌補以上不足。

決策樹回歸時，對缺失值不敏感，即可以忽略本研究中數據不齊全的研究單元，且不受變量間共線性的影響，可以忽略各藍綠空間形態因子相互的線性影響。因此，可以采用決策樹回歸方法探究各藍綠空間形態因子對城市冷島效應的影響程度，將藍綠空間結構特征作為自變量，城市熱島分布特征為因變量。

SPSSPRO是一款在線數據分析平臺，依據各類數據分析方法的權威文獻提供數據分析的可視化操作。該平臺建立決策樹回歸模型的過程參考了楊學兵、張俊關于決策樹算法及其核心技術軟件的研究[26]。我們使用SPSSPRO軟件，對本研究得出的量化后的熱島降溫效應與藍綠空間景觀形態因子數據建立訓練集，再對訓練集進行測試從而生成決策樹模型。結點包括葉結點和內部結點，而內部結點又分為起始的根結點及其子結點。從根結點開始對訓練數據集的特征進行測試，并根據特征劃分成最優的兩部分分配給子結點，而每個子結點也根據分到的數據集特征遞歸地進行劃分分配，直至達到葉結點。根結點及子節點都包含數據集的特征屬性信息，葉結點為輸出結果生成的類別[26]。以本研究為例，在南京的數據訓練集中，計算機對訓練數據集嘗試數種根據特征進行的劃分方法，在根節點處確定以30.13的綠地率數值為最優劃分點，把數據集分為綠地率數值≤30.13（左）及綠地率數值＞30.13（右）的兩部分。劃分出的子結點又各自確定最優劃分點，如此遞歸（圖3）。

圖3 決策樹回歸模型生成流程示意圖（以南京市為例）Fig.3 generation process of the regression tree model （taking Nanjing for example）

具體使用分類回歸樹算法（CART）生成回歸的模型。結點的劃分原則為：劃分后的數據集，每部分訓練數據集的預測值（此部分樣本輸出值的平均值）與實際值之差的平方和的均值最小，此類度量指標稱為均方誤差（Mean Square Error，簡稱MSE）[27]。

類似利用線性回歸的系數來說明各個特征的重要性并以百分數表述，決策樹回歸使用基尼指數減少量的歸一化值表現各個特征的重要性。在模型構建后可計算此值。此值可為城市熱環境藍綠空間形態因子對冷島效應影響貢獻率作參考。

設置模型參數如下：數據切分為0.8，結點分裂評價準則為弗里德曼均方誤差（Friedman_mse），內部結點分裂的最小樣本數為2，葉子結點的最小樣本數為1，決策樹葉子結點中樣本的最小權重為0，樹的最大深度為10，葉子結點的最大數量為50，結點劃分不純度的閾值為0。

使用數據總數集中的20%作為構建樹模型的訓練集，剩余的80%作為測試集。生成決策樹回歸模型后，將建立的決策樹回歸模型應用到訓練、測試數據集中，得到預測評價指標以評估模型準確度（表3）。MSE為均方誤差，取值越小，模型準確度越高。R2是可決系數，先計算真實值和預測值差的平方和與真實值和均值差的平方和之比，再由1減去該比值，其結果越靠近1，模型準確度越高[28]。將決策樹回歸模型應用到訓練、測試數據集中，發現武漢的MSE數值偏大，準確值略差；但總體來看，三城市訓練集與數據集的R2數值均較接近1，預測準確度較為可靠。

表3 決策樹的預測效果評價Tab.3 evaluation of the predictive effect of decision trees

3 結果與分析

3.1 地表溫度與藍綠空間的降溫效應強度

提取的三個城市陸地表面溫度的遙感反演結果表明，城市中心溫度都明顯高于城市外圍，具有典型的熱島城市效應。城市內部溫度變化受到復雜下墊面性質的影響很顯著，一些綠地公園和湖泊上形成大大小小的低溫斑塊，例如杭州的西湖風景區、南京的老山國家森林公園、武漢的東湖生態風景區等。此外，三個城市的地表溫度表現出不同的空間格局。首先，三個城市的地表平均溫度表現為杭州（34.55 ℃）> 武漢（32.37 ℃）>南京（28.63 ℃）。第二，杭州的熱島區分布靠近錢塘江，上城區、錢塘區西側地表溫度較高，西湖區南側和錢塘區東側的溫度相對較低。南京的熱島區分布于主城區的外圍地區，北部熱環境圍繞南京經開區（新港園區）表現出板塊狀特征，南部熱環境分布較為零散。在武漢溫度較高的區域主要集中西北和西南的位置，長江與漢江交匯處以及兩江沿岸。低溫區主要分布在長江、漢江及各類湖泊。

降溫效應強度方面，杭州研究區的降溫強度較為混雜，以錢塘江杭州市區內兩端以及西湖周邊冷島效應較為明顯，且在西湖周邊斑塊密度較小，集聚度較高。南京研究區熱島分布相對武漢和杭州范圍較小，以幾何中心向外呈“∩”形圈層分散，存在“局部高溫集聚、低溫集聚”的特征。強高溫區與高溫區主要存在與城市建成區，特高溫區與高溫區以工業集中區為主。武漢研究區幾乎所有的建成區域都屬于特高溫區和高溫區；非建成區北部區域的冷島區相較南部更多。同時水體的冷島效應顯著，長江、東湖、嚴西湖均為強冷島區，這些水體均為體量較大的天然湖泊。圖4和表4分別展現了各城市研究區地表溫度遙感反演結果、藍綠空間降溫效應結果、藍綠空間格局的匯總情況。

表4 三個典型城市藍綠空間格局、熱島分布和降溫效應強度特征匯總表Table 4 blue-green spatial pattern, heat island distribution and intensity of cooling effect characteristics in three cities

圖4 三個典型城市地表溫度、藍綠空間降溫效應、藍綠空間格局結果匯總圖Fig.4 surface temperature, blue-green spatial cooling effect, and summary of blue-green spatial pattern characteristics in three cities

3.2 城市藍綠空間格局特征

根據Landsat 8 OLI衛星影像分類和Fragstats軟件分析結果（表5）來看，三個城市水網結構有較大差別。 杭州研究區的水域面積145.79 km2，水面率15.8%。杭州河流縱橫交錯，大小湖泊分布其間，主要水系為錢塘江水系和太湖水系[29]。研究區內河流達300余條，市區錢塘江全長74 km[30]，杭州城區的錢塘江水系包括錢塘江杭州段和研究范圍中的濱江區。太湖水系包括京杭大運河杭州段、西湖、錢塘江北岸的市區河道、西溪濕地等。杭州的水域形狀指數指數相對較小，說明杭州的水域較為規整，同時與城市邊界產生邊緣接觸的長度也相對較少；南京研究區的水域面積80.33 km2，水面率10.92%。南京的線狀河流有：長江南京段（95 km），秦淮河（103 km）[29]，其大小和影響都遠遠高于其它水域，以整體的環線溝通南京五大風景名勝區。南京市區主要的塊狀濕地湖泊有玄武湖、莫愁湖等。南京城東水域分布較多，斑塊異質性較大，受其影響導致了南京較大的景觀破碎性和較小的斑塊內聚力；武漢研究區水域面積209.88 km2，水面率19.21%，城市主要水體資源可以分為超大型流動水體長江、淺水湖泊與小型河流、濕地與人工開墾或圍成的坑塘[31]。武漢市水體資源豐富但分布并不平均，基本呈現出南多北少的趨勢。武漢的斑塊內聚力指數較高，具有較強的空間聯系和較大的完整程度。同時水域連通性良好，對提高水資源承載能力和環境容量等都有重要的作用（圖5）。

表5 城市熱環境藍綠空間形態因子量化特征結果對比表Table 5 comparison of the results of quantitative characteristics of blue-green spatial form factors of urban thermal environment

圖5 三城市藍綠空間各形態因子對比圖Fig.5 comparison of each morphological factor of blue-green space in three cities

3.3 形態因子對冷島效應的影響貢獻率

圖6表明了三個城市熱環境藍綠空間形態因子對冷島效應影響貢獻率的占比分布，不同城市的主導景觀形態因子差異性明顯。在杭州，水面率和綠地率為主導因子，杭州受其共同影響占72.9%，南京則為61.8%。在武漢，水面率、水域形狀指數為主導因子，受其共同影響占63.5%。三個城市受到水面率的影響均較大，從大到小依次為杭州、武漢、南京。水域形狀指數對武漢的影響遠遠超過南京與杭州。水域連通率對武漢有一定程度的影響，且高于南京與杭州。斑塊密度對武漢和南京的影響程度相似，略高于杭州。綠地率對南京和杭州的影響程度類似，且都占據主要地位。生態內聚指數與綠地形狀指數對三個城市的影響都較小?？梢娝媛始此蛩嫉拿娣e在不同的城市熱島影響因素中占據很重要的地位。將結構形態因子分類為與水有關的和與植被有關的，發現武漢受到與水有關的結構形態因子的影響最大，其次是杭州、南京；與植被有關的結構形態因子則反之。

圖6 城市熱環境藍綠空間形態因子對冷島效應影響貢獻率Fig.6 contribution rate of the impact of various thermal environment structure and form factors on urban heat island

4 結論

本文在借助多源遙感數據和谷歌地球引擎(下稱GEE)平臺計算城市地表溫度（LST）及冷島強度的基礎上，采用機器學習的回歸決策樹模型分析了我國典型水系發達的三個城市（武漢、南京和杭州）的藍綠空間的冷島效應，揭示了不同濱水空間下的藍綠空間因子與熱島效應的相互作用關系。本研究開創性地將城市水系豐富的典型的城市中心區作為冷島效應研究區，將街區單元作為最小單元，突出了對于城市濱水藍綠空間冷島效應的集中探究，同時使用決策樹回歸的方法解決了因研究范圍尺度大，數據數量龐雜、各自變量之間相互間存在線性影響的問題，主要結論如下。

第一，城市藍綠空間對城市的熱島效應緩解產生積極影響，在三個城市中都表現出了明顯降溫效果。分析證實，三個城市研究區內大型水體周邊的平均溫度普遍低于研究區的平均地表溫度。如杭州西湖（低于平均氣溫1.30 ℃）、南京玄武湖（0.94 ℃）和武漢湯遜湖（2.50 ℃）、東湖（1.85 ℃）。城市濱水空間產生的冷島效應在不同城市的影響機制有所不同。相較于杭州和南京，武漢內的面狀水域景觀對應的熱環境溫度明顯低于其它的景觀類型（2.10～4.45 ℃）。且由于城市發展結構的差異，藍綠空間的影響效果也有所差別。城市發展中心如杭州上下城區、南京玄武區、武漢江岸區，對藍綠空間表面的溫度產生不同程度的影響。

第二，三個城市熱島受到各結構形態因子的影響作用即有相同點，又有不同點。三個城市的熱島受到水面率的影響均較大，尤其是杭州（34.0%）和武漢（30.3%）較為突出。生態內聚指數與綠地形狀指數對三個城市的熱島影響都較小，單因子影響均不超過15%。主要不同點是，武漢的城市熱島受到水體空間（藍色空間）的干擾很大，占63.5%，大大超過了植被因素（綠色空間）占據優勢地位；南京則與武漢剛好相反，南京的熱島受到植被的干擾占68.3%，大大超過了水體有關因素占據優勢地位；杭州則是植被因素占58.5%，略勝于水體因素。

第三，武漢濱水藍綠空間強冷島效應區域位于東湖、湯遜湖等大型湖泊周邊，南京則為秦淮河南岸，杭州則為錢塘江中段南側和西湖南側。決策樹回歸結果表明，不同城市起主導作用的景觀形態因子也存在差異，不同城市的水域形態對城市熱島影響作用明顯。城市水面率對水網城市的冷島效應影響最大，水體面積的大小是城市藍綠空間發揮降溫效益的關鍵。武漢城市相對于南京和杭州，受到水體平面形態元素，如形狀指數和水域連通率的貢獻率的影響最為明顯。在杭州和南京，水面率和綠地率為主導因子，杭州受其共同影響占72.9%，南京則為61.8%。在武漢，水面率、水域形狀指數為主導因子，受其共同影響占63.5%。

基于上述，針對三個水系豐富的大城市不同濱水藍綠空間特征，不同城市應提出有針對性的優化策略。武漢可繼續提高大型水體的連通度，進一步形成整體藍綠空間系統。杭州應當在城市中適當增加人工湖泊水體并連接零散水體，在新區開發建設和水網整治過程中進一步豐富水域形狀、提高藍綠空間的整體網絡化程度。南京應繼續發揮綠地現有優勢，提高綠地形態邊界多樣性，同時需設置點面結合的濱水綠地系統，打破連續的城市熱島，提高整體降溫能力。隨著經濟的發展，近年來城市發展更加關注生態宜居、人與自然和諧共生。對于已經建成的大城市，盲目大規模改動重建以調整藍綠空間格局難度較大，但是可以從更微觀的濱河藍綠空間出發，進行小規模改造，以達到在不進行大型拆改的基礎下進行藍綠空間的生態規劃，已達到緩減城市熱島效應的目的。本文對三個大城市的濱水藍綠空間冷島效應研究也可為其他類似等級和自然環境特征的城市提供生態空間改善的理論指導?；诙嘣催b感數據、GEE、基于機器學習的決策樹回歸在不同水網城市的藍綠空間冷島效應分析中有較大的潛力，研究生成的高精度空間數據集豐富了以城市藍綠空間冷島效應的精細化量化分析，同時為其他類似城市的濱水藍綠空間規劃調控和熱健康風險管控提供科學參考。

圖表來源：

圖1-6：作者繪制

表1-5：作者繪制