城市滨水蓝绿空间冷岛效应的影响因素与分布特征*——以武汉、南京和杭州为例

王伟武 梁 爽 杨涵淄 WANG Weiwu LIANG Shuang YANG Hanzi

0 引言

城市化进程导致人工构筑物取代了植被、水体等自然景观，引发不透水地表吸收了更多的太阳辐射，城市地区气温升高，城市热岛效应加剧，对人类社会产生多种不利影响，例如增加冷却系统能耗[1]、影响地表能量平衡[2]、加剧城市健康风险[3]。蓝绿空间具有与热岛效应相反的“冷岛效应”，可以起到调节城市微气候、增强城市生物多样性[4]等生态作用。

现有研究大多关注在蓝绿空间景观结构布局的指标因子量化分析方面。例如关于水体景观形态指标因子方面主要有水体面积、水网密度、岸线长度、水体宽度等量化分析[5-9]。研究认为，水体几何形状与降温距离对冷岛强度呈负相关，规则的水体可以发挥更稳定的降温作用。水面面积和宽度越大，其冷岛效应越强[10]。面状水体的降温作用要强于线状水体[11-13]。在绿地结构指标因子方面，主要有关于绿地面积、绿地形状指数、绿地覆盖度等方面量化研究[14-16]。绿地面积大小与降温作用呈正相关，而绿地形状指数与降温作用呈负相关，高绿地覆盖度可以更加有效地缓解城市热岛[17-19]。然而，值得我们注意的是，蓝色空间和绿色空间协同组成城市的蓝绿空间网络系统，其冷岛效应强于单一的生态元素。总体而言，目前研究从影响因素、阈值、时间变化等多角度探讨了蓝绿空间对冷岛效应的影响，但对于城市蓝绿空间景观格局对城市降温效率等缺少深入探究，大部分研究着眼于单一因素，包括水域、绿地、公园对冷岛强度的影响，较少探讨不同城市蓝绿空间综合景观格局对冷岛强度、效率的影响。

另外，中国大城市的水系系统往往是蓝绿空间网络的骨架，起到连接绿地以及水体的作用，是蓝绿空间建设工程的重点对象。然而，与城市绿地系统相比，以水网系统为主骨架的城市蓝绿空间冷岛效应量化研究的关注度相对不足。为了深化这方面的研究，本文以杭州、南京和武汉三个水系较为发达的城市为例，旨在揭示城市滨水空间为主骨架的蓝绿空间网络对热岛效应的影响，凭借回归决策树回归模型处理非线性大量数据并受自变量交互作用小的优势[21]，通过比较研究以便定量地揭示这三个中国典型城市蓝绿空间各形态因子对于城市热岛减缓的影响程度。

1 研究区概况

选择杭州、南京和武汉的城市中心城区为研究区（图1）。选择原则主要基于以下三方面原因。首先，三个城市均为省会城市，经济发展水平快，环境承受压力大，且都是中国典型的热岛城市。在快速城市化发展和扩展的过程中，城市的热岛效应都在不断向外扩散，城市热岛问题严重。其次，三个城市水系发达且密集分布，而且在水系形态方面有所区别，武汉以大面积的湖泊为主，南京以秦淮河水系主导的线状河流为主，杭州水系形态多样，形成点线面结合的水网结构。最后，三个城市的城市发展形态结构也有异同之处，而且具有一定的典型性。杭州以主城区和钱江新城的协同发展为主，形成新旧城区多中心协同发展的城市形态结构。南京以主城区为发展中心，周边多个卫星城联合发展。武汉是典型的单核城市，以主城区为中心呈圈层式发展，向外延伸出都市发展区、远郊中心镇。杭州市作为浙江省会城市和长江三角洲的中心城市之一，总面积3 316.33 km2，包括上城区、拱墅区、西湖区、滨江区、临平区、钱塘区六个区，占市域面积的19.68%。南京市是江苏省省会城市，地处长江中下游平原东部，总面积392.89 km2，包括鼓楼区、秦淮区、雨花台区、建邺区、玄武区五个区，占市域面积的5.96%。武汉市是湖北省会，华中地区的最大都市，位于江汉平原东部、长江中游，总面积1 051.86 km2，包括江岸区、江汉区、硚口区、汉阳区、武昌区、青山区、洪山区七个区，占市域面积的12.27%。通过对三个研究区进行对比分析，一方面可以由三个城市之间不同的水系网络结构和蓝绿空间结构得出不同蓝绿空间分布形态对冷岛效应的影响趋势，另一方面，针对不同城市发展结构提出相应的城市蓝绿空间建设策略，为城市科学规划与建设提供参考。

图1 研究区位置及范围示意图Fig.1 schematic diagram of the location and scope of the study area

2 数据来源及研究方法

2.1 数据来源

研究数据主要包括遥感数据、行政边界数据、水体数据和道路数据等。

GEE 是谷歌公司提供的在线全球化处理和分析引擎（https://earthengine.google.com/），可以处理多类型的卫星影像以及其它农业、自然资源和气候的地理观测数据。研究者可以通过云端的继承开发环境，调用编程接口编写程序分析数据，并实现数据的可视化处理。GEE云平台中有超数百个公共数据集，包含Landsat 系列遥感影像数据。Landsat 系列遥感影像数据是高分辨率反演 LST 的最广泛的卫星数据之一，也是众多遥感数据中时间序列较长，稳定性高和分辨率相对较高的数据。本文依托 GEE 云平台获取公开的 Landsat 系列遥感影像数据（https://code.earthengine.google.com/?accept_repo=users/sofiaermida/landsat_smw_lst.），选取了LANDSAT/ LC08/C01/T1_SR地表反射率数据集，得到2012—2021年研究区域夏季的多时序遥感影像。这些数据均已进行了官方的大气校正算法（LaSRC）处理，可直接使用。

Open Street Map，简称为OSM，是一个开源的地图数据社区，全球贡献者向该项目贡献地图数据，数据质量较高，可以满足用户使用与科学研究的要求[22]。OSM地图可以下载道路、水系、建筑等数据。道路数据和水体数据从openstreetmap网站（www.openstreetmap.org）获取，市内县区边界从全国地理信息资源目录服务系统（www.webmap.cn/main.do?method=index）获取，GIS数据完成时间均为2021年。水体数据在获取后按照各地水务局河道报告，重新筛选出研究区域内的主要水体。

2.2 研究方法

道路网是城市空间结构的骨架，城市街区由道路网划分而形成，而本研究聚焦于滨水蓝绿空间，因此使用滨水缓冲区范围内的道路分割成的街区单元作为基本分析单元。使用研究区内主要水体数据构建滨水的缓冲区范围，将河流的缓冲区分为两级。选择车行可通过的道路，将滨水的缓冲区范围分割成数个街区单元，确定基本分析单元。

主要采用城市冷岛效应分布特征分析、蓝绿空间景观形态因子量化计算和决策树回归等方法。研究方法为：第一，确定研究的基本分析单元；第二，在GEE平台通过Landsat卫星影像推演出地表温度，利用值标准差法对地表温度进行分级，得出城市冷岛效应强度，并将其数值对应到分析基本单元从而获得城市冷岛强度分布特征。第三，在GEE平台利用Landsat卫星影像执行随机森林分类算法，得出土地利用数据，使用Fragstats 4.2和ArcGIS 10.7软件计算蓝绿空间景观形态因子，并将其数值对应到分析基本单元从而获得蓝绿空间形态特征；第四，训练决策树数据集并进行决策树回归分析，得出各蓝绿空间景观形态因子的对城市冷岛效应的影响程度；第五，综合以上结果有针对性地提出水网型城市的城市空间优化策略（图2）。

图2 研究技术路线图Fig.2 research technology roadmap

2.2.1 确定基本分析单元

根据当地水务局河道报告，筛选出研究区内主要水体数据。接着确定水体的缓冲区范围。参考已有关于水域降温阈值的研究[23]，将河流的缓冲区分为两级：宽度介于20～70 m的河流，其缓冲区距河岸距离为500 m；宽度大于70 m的河流，其缓冲区距河岸距离为2 500 m。湖泊缓冲区距河岸距离为500 m。到此已确定水体的缓冲区范围，为数个平面。在ArcGIS平台使用分割面工具，选择车行可通过的道路将水体的缓冲区范围面分割成数个街区单元，每个街区的面积在200～1 000 m2内。每个被分割好的街区单元即为基本分析单元。

2.2.2 城市冷岛效应计算及等级划分

利用 ENVI、ERDAS 等遥感图像处理软件反演地表温度的数据处理步骤较为繁琐，其数据下载、操作流程与结果保存等步骤对研究者的设备也是很大的挑战。故本文使用GEE平台，通过API接口和基于Web的交互式开发环境，利用Python和JavaScript语言访问 GEE的Landsat遥感影像数据并计算反演地表温度，计算归一化植被指数（NDVI）、植被覆盖度，估算地表比辐射率后，将传感器光谱辐射转化为传感器亮度温度，利用Artis单窗算法、普朗克常量和地表亮温计算[24]，得到2012—2021年研究区域夏季的平均地表温度。接着采用值标准差法划分地表温度等级[25]，分为六级，划分依据如表1。其中得出代表蓝绿空间的分析区域的地表温度等级，以表示蓝绿空间的降温效应强度。

表1 地表温度等级划分Tab.1 surface temperature class division

2.2.3 蓝绿空间景观形态因子的量化计算

主要包括土地利用分类数据获取和城市热环境蓝绿空间景观形态因子GIS计算两部分。

GEE 云平台提供机器学习中随机森林分类的“ee.Classifier()”功能选项，这些分类器擅长从大量遥感预测变量和训练数据之间的关系构建统计模型。故通过GEE平台，人为借助Google Earth影像建立训练样本，将用地分类为城市建设用地、水体、草地、森林、农田这五项，选取具有一定代表性的地物目标训练标记，得到最终的用地分类。根据现有蓝绿空间的研究[9-10][12]，本文以代表性、形态相关性、数据可得性为指标选取原则，选取了七个指标来描述城市滨水蓝绿空间的形态因子，按照蓝绿综合景观形态因子、蓝色空间形态因子和绿色空间形态因子三个方面（表2）。使用Fragstats 4.2和ArcGIS 10.7软件计算这些蓝绿空间景观形态因子。

表2 蓝绿空间系统的景观形态指标体系Tab.2 landscape morphology index system of blue-green spatial system

2.2.4 基于决策树回归模型的形态因子贡献率分析

目前，有关城市热岛效应影响因素的研究以经典的多元线性回归模型为主，此方法虽然可以分析出城市热岛效应强度与各因素的线性关系，但并不适用于本研究自变量较多且相互之间有交互作用、可能存在异常值的情况。采用线性回归后发现自变量共线性（VIF）过大，则可使用岭回归用于此类自变量高度相关的情况，但其模型拟合受异常值影响很大从而导致偏差。本研究因研究范围尺度很大，数据数量庞杂、数据质量参差不齐；且各自变量之间相互间存在线性影响。回归决策树则可弥补以上不足。

决策树回归时，对缺失值不敏感，即可以忽略本研究中数据不齐全的研究单元，且不受变量间共线性的影响，可以忽略各蓝绿空间形态因子相互的线性影响。因此，可以采用决策树回归方法探究各蓝绿空间形态因子对城市冷岛效应的影响程度，将蓝绿空间结构特征作为自变量，城市热岛分布特征为因变量。

SPSSPRO是一款在线数据分析平台，依据各类数据分析方法的权威文献提供数据分析的可视化操作。该平台建立决策树回归模型的过程参考了杨学兵、张俊关于决策树算法及其核心技术软件的研究[26]。我们使用SPSSPRO软件，对本研究得出的量化后的热岛降温效应与蓝绿空间景观形态因子数据建立训练集，再对训练集进行测试从而生成决策树模型。结点包括叶结点和内部结点，而内部结点又分为起始的根结点及其子结点。从根结点开始对训练数据集的特征进行测试，并根据特征划分成最优的两部分分配给子结点，而每个子结点也根据分到的数据集特征递归地进行划分分配，直至达到叶结点。根结点及子节点都包含数据集的特征属性信息，叶结点为输出结果生成的类别[26]。以本研究为例，在南京的数据训练集中，计算机对训练数据集尝试数种根据特征进行的划分方法，在根节点处确定以30.13的绿地率数值为最优划分点，把数据集分为绿地率数值≤30.13（左）及绿地率数值＞30.13（右）的两部分。划分出的子结点又各自确定最优划分点，如此递归（图3）。

图3 决策树回归模型生成流程示意图（以南京市为例）Fig.3 generation process of the regression tree model （taking Nanjing for example）

具体使用分类回归树算法（CART）生成回归的模型。结点的划分原则为：划分后的数据集，每部分训练数据集的预测值（此部分样本输出值的平均值）与实际值之差的平方和的均值最小，此类度量指标称为均方误差（Mean Square Error，简称MSE）[27]。

类似利用线性回归的系数来说明各个特征的重要性并以百分数表述，决策树回归使用基尼指数减少量的归一化值表现各个特征的重要性。在模型构建后可计算此值。此值可为城市热环境蓝绿空间形态因子对冷岛效应影响贡献率作参考。

设置模型参数如下：数据切分为0.8，结点分裂评价准则为弗里德曼均方误差（Friedman_mse），内部结点分裂的最小样本数为2，叶子结点的最小样本数为1，决策树叶子结点中样本的最小权重为0，树的最大深度为10，叶子结点的最大数量为50，结点划分不纯度的阈值为0。

使用数据总数集中的20%作为构建树模型的训练集，剩余的80%作为测试集。生成决策树回归模型后，将建立的决策树回归模型应用到训练、测试数据集中，得到预测评价指标以评估模型准确度（表3）。MSE为均方误差，取值越小，模型准确度越高。R2是可决系数，先计算真实值和预测值差的平方和与真实值和均值差的平方和之比，再由1减去该比值，其结果越靠近1，模型准确度越高[28]。将决策树回归模型应用到训练、测试数据集中，发现武汉的MSE数值偏大，准确值略差；但总体来看，三城市训练集与数据集的R2数值均较接近1，预测准确度较为可靠。

表3 决策树的预测效果评价Tab.3 evaluation of the predictive effect of decision trees

3 结果与分析

3.1 地表温度与蓝绿空间的降温效应强度

提取的三个城市陆地表面温度的遥感反演结果表明，城市中心温度都明显高于城市外围，具有典型的热岛城市效应。城市内部温度变化受到复杂下垫面性质的影响很显著，一些绿地公园和湖泊上形成大大小小的低温斑块，例如杭州的西湖风景区、南京的老山国家森林公园、武汉的东湖生态风景区等。此外，三个城市的地表温度表现出不同的空间格局。首先，三个城市的地表平均温度表现为杭州（34.55 ℃）> 武汉（32.37 ℃）>南京（28.63 ℃）。第二，杭州的热岛区分布靠近钱塘江，上城区、钱塘区西侧地表温度较高，西湖区南侧和钱塘区东侧的温度相对较低。南京的热岛区分布于主城区的外围地区，北部热环境围绕南京经开区（新港园区）表现出板块状特征，南部热环境分布较为零散。在武汉温度较高的区域主要集中西北和西南的位置，长江与汉江交汇处以及两江沿岸。低温区主要分布在长江、汉江及各类湖泊。

降温效应强度方面，杭州研究区的降温强度较为混杂，以钱塘江杭州市区内两端以及西湖周边冷岛效应较为明显，且在西湖周边斑块密度较小，集聚度较高。南京研究区热岛分布相对武汉和杭州范围较小，以几何中心向外呈“∩”形圈层分散，存在“局部高温集聚、低温集聚”的特征。强高温区与高温区主要存在与城市建成区，特高温区与高温区以工业集中区为主。武汉研究区几乎所有的建成区域都属于特高温区和高温区；非建成区北部区域的冷岛区相较南部更多。同时水体的冷岛效应显著，长江、东湖、严西湖均为强冷岛区，这些水体均为体量较大的天然湖泊。图4和表4分别展现了各城市研究区地表温度遥感反演结果、蓝绿空间降温效应结果、蓝绿空间格局的汇总情况。

表4 三个典型城市蓝绿空间格局、热岛分布和降温效应强度特征汇总表Table 4 blue-green spatial pattern, heat island distribution and intensity of cooling effect characteristics in three cities

图4 三个典型城市地表温度、蓝绿空间降温效应、蓝绿空间格局结果汇总图Fig.4 surface temperature, blue-green spatial cooling effect, and summary of blue-green spatial pattern characteristics in three cities

3.2 城市蓝绿空间格局特征

根据Landsat 8 OLI卫星影像分类和Fragstats软件分析结果（表5）来看，三个城市水网结构有较大差别。 杭州研究区的水域面积145.79 km²，水面率15.8%。杭州河流纵横交错，大小湖泊分布其间，主要水系为钱塘江水系和太湖水系[29]。研究区内河流达300余条，市区钱塘江全长74 km[30]，杭州城区的钱塘江水系包括钱塘江杭州段和研究范围中的滨江区。太湖水系包括京杭大运河杭州段、西湖、钱塘江北岸的市区河道、西溪湿地等。杭州的水域形状指数指数相对较小，说明杭州的水域较为规整，同时与城市边界产生边缘接触的长度也相对较少；南京研究区的水域面积80.33 km2，水面率10.92%。南京的线状河流有：长江南京段（95 km），秦淮河（103 km）[29]，其大小和影响都远远高于其它水域，以整体的环线沟通南京五大风景名胜区。南京市区主要的块状湿地湖泊有玄武湖、莫愁湖等。南京城东水域分布较多，斑块异质性较大，受其影响导致了南京较大的景观破碎性和较小的斑块内聚力；武汉研究区水域面积209.88 km2，水面率19.21%，城市主要水体资源可以分为超大型流动水体长江、浅水湖泊与小型河流、湿地与人工开垦或围成的坑塘[31]。武汉市水体资源丰富但分布并不平均，基本呈现出南多北少的趋势。武汉的斑块内聚力指数较高，具有较强的空间联系和较大的完整程度。同时水域连通性良好，对提高水资源承载能力和环境容量等都有重要的作用（图5）。

表5 城市热环境蓝绿空间形态因子量化特征结果对比表Table 5 comparison of the results of quantitative characteristics of blue-green spatial form factors of urban thermal environment

图5 三城市蓝绿空间各形态因子对比图Fig.5 comparison of each morphological factor of blue-green space in three cities

3.3 形态因子对冷岛效应的影响贡献率

图6表明了三个城市热环境蓝绿空间形态因子对冷岛效应影响贡献率的占比分布，不同城市的主导景观形态因子差异性明显。在杭州，水面率和绿地率为主导因子，杭州受其共同影响占72.9%，南京则为61.8%。在武汉，水面率、水域形状指数为主导因子，受其共同影响占63.5%。三个城市受到水面率的影响均较大，从大到小依次为杭州、武汉、南京。水域形状指数对武汉的影响远远超过南京与杭州。水域连通率对武汉有一定程度的影响，且高于南京与杭州。斑块密度对武汉和南京的影响程度相似，略高于杭州。绿地率对南京和杭州的影响程度类似，且都占据主要地位。生态内聚指数与绿地形状指数对三个城市的影响都较小。可见水面率即水域所占的面积在不同的城市热岛影响因素中占据很重要的地位。将结构形态因子分类为与水有关的和与植被有关的，发现武汉受到与水有关的结构形态因子的影响最大，其次是杭州、南京；与植被有关的结构形态因子则反之。

图6 城市热环境蓝绿空间形态因子对冷岛效应影响贡献率Fig.6 contribution rate of the impact of various thermal environment structure and form factors on urban heat island

4 结论

本文在借助多源遥感数据和谷歌地球引擎(下称GEE)平台计算城市地表温度（LST）及冷岛强度的基础上，采用机器学习的回归决策树模型分析了我国典型水系发达的三个城市（武汉、南京和杭州）的蓝绿空间的冷岛效应，揭示了不同滨水空间下的蓝绿空间因子与热岛效应的相互作用关系。本研究开创性地将城市水系丰富的典型的城市中心区作为冷岛效应研究区，将街区单元作为最小单元，突出了对于城市滨水蓝绿空间冷岛效应的集中探究，同时使用决策树回归的方法解决了因研究范围尺度大，数据数量庞杂、各自变量之间相互间存在线性影响的问题，主要结论如下。

第一，城市蓝绿空间对城市的热岛效应缓解产生积极影响，在三个城市中都表现出了明显降温效果。分析证实，三个城市研究区内大型水体周边的平均温度普遍低于研究区的平均地表温度。如杭州西湖（低于平均气温1.30 ℃）、南京玄武湖（0.94 ℃）和武汉汤逊湖（2.50 ℃）、东湖（1.85 ℃）。城市滨水空间产生的冷岛效应在不同城市的影响机制有所不同。相较于杭州和南京，武汉内的面状水域景观对应的热环境温度明显低于其它的景观类型（2.10～4.45 ℃）。且由于城市发展结构的差异，蓝绿空间的影响效果也有所差别。城市发展中心如杭州上下城区、南京玄武区、武汉江岸区，对蓝绿空间表面的温度产生不同程度的影响。

第二，三个城市热岛受到各结构形态因子的影响作用即有相同点，又有不同点。三个城市的热岛受到水面率的影响均较大，尤其是杭州（34.0%）和武汉（30.3%）较为突出。生态内聚指数与绿地形状指数对三个城市的热岛影响都较小，单因子影响均不超过15%。主要不同点是，武汉的城市热岛受到水体空间（蓝色空间）的干扰很大，占63.5%，大大超过了植被因素（绿色空间）占据优势地位；南京则与武汉刚好相反，南京的热岛受到植被的干扰占68.3%，大大超过了水体有关因素占据优势地位；杭州则是植被因素占58.5%，略胜于水体因素。

第三，武汉滨水蓝绿空间强冷岛效应区域位于东湖、汤逊湖等大型湖泊周边，南京则为秦淮河南岸，杭州则为钱塘江中段南侧和西湖南侧。决策树回归结果表明，不同城市起主导作用的景观形态因子也存在差异，不同城市的水域形态对城市热岛影响作用明显。城市水面率对水网城市的冷岛效应影响最大，水体面积的大小是城市蓝绿空间发挥降温效益的关键。武汉城市相对于南京和杭州，受到水体平面形态元素，如形状指数和水域连通率的贡献率的影响最为明显。在杭州和南京，水面率和绿地率为主导因子，杭州受其共同影响占72.9%，南京则为61.8%。在武汉，水面率、水域形状指数为主导因子，受其共同影响占63.5%。

基于上述，针对三个水系丰富的大城市不同滨水蓝绿空间特征，不同城市应提出有针对性的优化策略。武汉可继续提高大型水体的连通度，进一步形成整体蓝绿空间系统。杭州应当在城市中适当增加人工湖泊水体并连接零散水体，在新区开发建设和水网整治过程中进一步丰富水域形状、提高蓝绿空间的整体网络化程度。南京应继续发挥绿地现有优势，提高绿地形态边界多样性，同时需设置点面结合的滨水绿地系统，打破连续的城市热岛，提高整体降温能力。随着经济的发展，近年来城市发展更加关注生态宜居、人与自然和谐共生。对于已经建成的大城市，盲目大规模改动重建以调整蓝绿空间格局难度较大，但是可以从更微观的滨河蓝绿空间出发，进行小规模改造，以达到在不进行大型拆改的基础下进行蓝绿空间的生态规划，已达到缓减城市热岛效应的目的。本文对三个大城市的滨水蓝绿空间冷岛效应研究也可为其他类似等级和自然环境特征的城市提供生态空间改善的理论指导。基于多源遥感数据、GEE、基于机器学习的决策树回归在不同水网城市的蓝绿空间冷岛效应分析中有较大的潜力，研究生成的高精度空间数据集丰富了以城市蓝绿空间冷岛效应的精细化量化分析，同时为其他类似城市的滨水蓝绿空间规划调控和热健康风险管控提供科学参考。

图表来源：

图1-6：作者绘制

表1-5：作者绘制