城市人居环境热脆弱性评估及空间分布特征*——以成都市主城区为例

顾伟琦 傅 红 GU Weiqi, FU Hong

0 引 言

目前全球气候变暖是气候变化主要特征之一，根据政府间气候变化委员会（IPCC，即Intergovernmental Panel on Climate Change）第六次评估报告第一小组报告显示全球正面临着加速变暖的趋势，且预计全球气温将升高或超过1.5 ℃[1]。其中对于高度聚集的城市来说，由于温室效应的不断累积加重了城市热岛效应的产生，并更进一步的威胁城市居民的健康[2]。其一，热岛效应导致城市中大量有害气体在上空聚集，难以稀释扩散[3]。同时，有害气体因高温及强光照射使其转化为臭氧，而人体呼吸健康会因城市中臭氧浓度的增高而受损；其二，人体热舒适空间与人口居住环境具有强相关性。人体热舒适度受相对湿度、温度以及风速等多方面影响。人体最舒适的体感温度为18～23 ℃，超过28 ℃会觉得炎热难受。而城市因其高密度建设等所导致的热岛效应延长了居民处于高温环境的时间，极大增加了人类因中暑从而引起并发症甚至死亡的概率。加之，在高温环境下，为了维持正常生产生活需求，使用大量电气设备进行降温的过程亦同时排放出大量热量，在一定程度上加剧热岛效应。由此可见，全球气候增暖及城市热岛效应将使夏季高温热浪事件频发且持续时间增长，未来将进一步危害城市居民健康。如何减缓高温灾害导致的人群健康风险、降低城市脆弱性、建设气候适应性城市，成为气候变暖背景下城市人居环境研究的重要议题。

脆弱性这一概念最早在论及自然灾害领域时提出，原指系统遭到无法抵抗的破坏和影响的程度[4]，后逐渐应用于气候、社会经济等学科中。热脆弱性指的是在热岛效应与高温天气的双重影响下，城市系统或人群容易遭受或没有能力应对高温天气而产生不利影响的程度[5]。城市人居环境热脆弱性更倾向于关注人文与自然的耦合作用，通过刻画社会人口特征、社会经济特征以及居住环境特征的差异性，分析城市内部人口暴露于高温天气的适应能力、敏感度，从而识别出人居环境热脆弱性的空间分布特征。例如，德彼得里（Depietri）[6]等通过同时考虑社会与生态变量，识别科隆市人居环境热脆弱性分布。

西方学者较早开始人居环境热脆弱性研究，同时关注人体健康与高温环境的关联性，并涉及区域、城市、社区等不同尺度的健康风险格局研究[7]。例如尤耶居（Uejio）[8]等研究了社会脆弱性、高温热浪暴露水平、建筑环境、人口额外死亡率、社区稳定性和疾病发生率之间的关系，指出寡居人口、黑种人、西班牙人等更易受高温热浪天气的影响；雷伊（Rey）[9]等对欧洲夏季高温法国地区的人口额外死亡率进行研究，指出发展水平较高的城市因受热岛效应与高温热浪双重影响，其城市人口死亡率更高，同时也指出贫困是造成高温天气下人口额外死亡率上升的重要因素。与此同时，西方国家在适应高温气候的实践上有着丰富经验。例如，多伦多通过绘制热脆弱性地图，识别了城市地区高温脆弱性分布特征，并主动通过建立不同级别的纳凉点来创建降温体系[10]。

我国面向高温热浪方面的研究主要集中于从灾害学角度出发研究高温灾害风险评估[11-15]、时空格局与演化[16-19]等方面，而较少关注高温天气对居民健康及生活环境的影响。由于脆弱性评价是适应气候变化的关键，因此近年更多的学者开始关注城市热脆弱性方面的研究，多集中于从遥感数据和气象数据进行分析处理，而关注的尺度也多基于城市、区县尺度[20-23]，因此相应的实践成果更多地停留在宏观政策上。相比于国外涉及社区与街道尺度的热脆弱性评估而言，国内对于更精细尺度的脆弱性研究还较为不足。主要原因在于受多源数据限制，例如国内人口普查数据更新周期长且较难获取详细的数据等。城市尺度下的高温热浪脆弱性评价虽能够反映城市的热脆弱性等级，但较难为绿色降温资源的精确分配提供依据，同时处于高温脆弱地区中的脆弱人群亦较难判断自身处于的风险程度。

基于此，本文尝试构建街道尺度下的城市人居环境热脆弱性评价体系并通过探索多源数据以科学量化人居环境热脆弱性程度，从而更准确地识别夏季城市中易受高温灾害影响的脆弱性街道空间分布特征，并分析高脆弱性街道的主要致脆因子，以期为政府未来面对高温气候进行降温资源分配提供科学依据。

1 研究区概况

成都市位于四川盆地西部，属亚热带湿润季风气候，历史极端高温达40 ℃。经统计，1980—2021年成都市高温日平均温度达36.3 ℃，且近十年来高温日数呈逐渐上升趋势。同时，成都市夏季相对湿度平均值达84%（人体感觉舒适的相对湿度低于70%）[24]，且常年多数风向为静风（静风频率达40%）[25]，因此夏季气候多为闷热潮湿的“桑拿天”，人体舒适度低，易对人体健康造成威胁。同时，成都市受地形以及快速城市化的影响，城市中多为低反射表面，且常年多雾、多云，云层可将来自大面积硬化表面反射的太阳辐射能量进行散射或折射，导致无法及时疏散成都市主城区内的辐射热量，从而影响地表温度的消减，加强城市热岛效应[26]，属夏季高温热浪类型的闷热型高温。

本文综合考虑行政区划完整性、数据信息可获取性以及人群聚集性，选择成都市中心主城区为研究范围，包括武侯区（含高新区）、锦江区、青羊区、成华区、金牛区，区内总面积约为63 576 hm2，常住人口571万人，研究单元为成都市主城区内共62个街道（图1）。

图1 研究区域示意图Fig.1 the study area

2 研究方法与数据来源

2.1 分析框架

气候变化脆弱性评价基本遵循广义脆弱性评价的基本分析框架，目前脆弱性评价主要可分为关注外部灾害脆弱性评价、关注内部社会人口脆弱性评价以及综合脆弱性评价三种类型[27]。以自然灾害为导向的脆弱性分析更倾向于体现外部灾害的决定作用，通过分析灾害强度对具有敏感特征人群的胁迫程度，以识别灾害脆弱区。威斯科维（Vescovi）等[28]将人群敏感程度与高温灾害强度作为准则层，通过整合气候灾害（以高温热浪天数衡量）与社会经济数据（主要选取低收入人口数、独居率、年龄等指标），以分析绘制高温灾害风险地图；以社会人口为导向的脆弱性评价强调关注内部人群本身敏感特征，通过分析人群社会经济、年龄结构、生理结构及健康状况等，识别可能受影响人群的脆弱性特征及分布。瑞德（Reid）等[29]基于人口普查数据，同时分析高温致病致死案例，以识别敏感人群特征，并绘制了热脆弱性地图。可以看出，前者强调外部灾害因素及内部人口敏感性的共同作用，而缺乏对于人群面对灾害事件适应能力的刻画；后者虽然对人群适应能力及高敏感人口特征进行分析，但一定程度上忽略了外部灾害及居住环境的影响。因此，综合导向脆弱性评价在二者基础上，将适应能力纳入脆弱性评价框架，综合考量内部及外部、社会经济及生物物理环境要素。同时该综合导向思想在政府间气候变化委员会发布的第五次评估报告中也得到了体现，并提出了气候变化脆弱性评价的概念框架，即系统脆弱性由系统暴露于气候胁迫的程度、系统自身受气候影响的敏感程度以及系统面临灾害事件保持其必要功能的适应能力共同决定[30]。

本文旨在刻画高温天气对于脆弱性的前提作用，将城市人居环境热脆弱性解释为城市居民由于自身敏感性与适应能力的不同，使其暴露于热环境下导致人体在健康方面受到负面影响的程度[31]。以政府间气候变化委员会提出的脆弱性概念框架为基础，并梳理相关文献和研究成果[5,10]，将“暴露—敏感—适应”作为分析框架以构建城市人居环境热脆弱性评价体系。其中，“暴露度”是指居民接触到高温环境的可能性[5,32]，夏季高温以及城市热岛效应二者叠加作用加强了高温天气对人体的影响的程度；“敏感性”代表人体由于高温产生不良反应的容易程度，相关研究表明因生理结构、年龄构成和健康状况的不同，人体热调节功能也存在差异，其中老年人、室外工作群体、慢性病患者、女性更易受到危害；“适应能力”是城市居民通过改变自身行为而适应高温天气的能力，其与人口外部资源拥有度、收入水平、认知程度、居住环境等密切相关。

为了通过科学量化的方式分析精细化尺度下城市人居环境热脆弱性程度，识别其空间分布特征，通过探索多源数据，整合人口数据、遥感影像数据、兴趣点（point of interest，POI）、社会经济数据，并将其以数值的形式量化至各研究单元，选取暴露度、脆弱性以及适应能力为准则层，构建以街道为研究单元的城市人居环境热脆弱性评价指标体系（表1），并分析各脆弱性街道的致脆主导因子，以期为政府进一步分配绿色降温资源并缓解人口脆弱性提供更精确化指向。

表1 成都市主城区人居环境热脆弱性评估指标体系Tab 1 evaluation index system of population heat vulnerability in main urban area of Chengdu

2.2 评价指标体系

2.2.1 暴露度

城市的热岛效应及城市化发展一定程度上增强了高温持续时间以及居民暴露于高温环境的可能性。人口密度与归一化植被指数是衡量城市热岛效应的主要指标[33]；评价城市热环境最主要的指标之一是气温，但因城市气象站数量有限，且分辨率较低，较难识别精确尺度下热岛区域的差异，而已有研究表明在晴朗无云的天气条件下地表温度与气温存在强相关性[34]。地表温度的升降主要取决于地表辐射，不同地表覆盖类型的土地对太阳辐射的吸收、反射的不同，进而对于热岛效应及城市人居环境热脆弱性的贡献存在显著差别。其中，城市中不透水地表因其对太阳光的反射率低、吸收率大，与地表温度呈正相关关系[35]，导致位于该类型下垫面的区域热岛效应增强，进而使居民更易暴露在热环境中，植被覆盖区反之；对于夏季日间通勤人群，地下通行廊道可有效减少其暴露于热环境的机率，其中地铁站点作为当代居民使用频率最高的地下通廊，具有一定代表性。因此，本文选取地表温度、人口密度、归一化植被指数以及地铁站点面积比例作为衡量暴露度的指标。

2.2.2 敏感性

已有研究表明老年人是热浪健康影响主要敏感人群[36]，老人因其身体调节能力较差，同时多数患有心血管疾病、肌肉骨骼系统疾病等慢性病，更易因中暑导致其并发症的产生。女性因生理特征的差异，由高温造成的超额死亡率高于男性。此外，慢性病患者及室外工作者（如快递员、环卫工人等）也是易受高温胁迫的敏感人群。但受数据获取限制，本文主要采用65岁以上老年人口比例、女性人口比例来反映城市人口夏季受高温事件影响的程度。

2.2.3 适应能力

本文将内部个人资源与外部社会资源拥有度看作构成适应能力两大因素。一方面，内部个人收入、认知水平一定程度上决定了个人运用自身资源应对高温环境的能力，大量有关高温致病致死案例研究显示低收入人群在热环境中死亡风险明显高于中高收入人群[37]，低收入人群由于收入低下，导致其调动个人资源以适应高温的能力较低，如低收入人群住房水平普遍较差，相对缺乏足够的制冷条件。同时，低收入人群普遍无法支付较高的物业管理费，亦导致该群体居住环境较差，所在街道拥有的社会公共资源较少[38]；高中学历以下人群多缺乏对高温基础防护知识，因此该人群的热相关死亡率更高[39]。另一方面，城市居民对外部社会资源拥有度亦反映了适应高温环境的能力，公园绿地因其具备产生特定小气候的复杂表面结构，对于调节该区域微气候有着显著功效，成为附近居民夏季早晚主要纳凉场所；地铁站可满足通勤人员短暂避暑及周围居民日间纳凉的需求；社区卫生服务中心作为社区建设的重要组成部分，具备一定的基础医疗设备，可为受到高温危害的人群提供及时就诊治疗。因此采用受教育程度人口比例、单位面积房租水平来反映个人认知能力以及经济水平，采用公园绿地、地铁站点以及社会卫生服务中心10 min步行可达覆盖比例来衡量人群对社会资源的拥有度情况。

2.3 数据来源与处理

2.3.1 归一化植被指数计算

归一化植被指数（Normalized Difference Vegetation Index,即NDVI）是衡量城市植被覆盖度的常用指标，该指数区间为[-1,1]，其公式表达式为：

式中：NDVI为归一化植被指数；NIR为近红外波段反射率值；R为红波段反射率值

首先，借助遥感图像处理平台（The Environment for Visualizing Images，即ENVI），进行数据预处理；其次，利用计算工具输入公式，得出研究区域NDVI栅格数据并检验；最后，利用地理信息分析平台（Arc Geographic Information System，即ArcGIS）的分区统计工具，以平均值的形式将数据统一至研究单元，并利用自然断点法进行分类（图2）。

图2 NDVI及统一至研究单元后空间分布Fig.2 spatial distribution of NDVI and the research unit after unification

2.3.2 地表温度反演

地表温度反演数据来基于地理空间数据云平台的Landsat8 OLI_TIRS卫星遥感数据。影响数据选取标准为尽可能选择夏季高温时段，以反映城市高温热浪强度；天气条件选择晴朗、云量底的时刻，以保证影响影像精度。经过对影像时间段、云量（≤10%）、分辨率等条件筛选。本文选择2019年8月11日Landsat8 OLI_TIRS遥感影像作为数据源（空间分辨率为30 m）。基于大气校正法进行地表温度反演，最终得到成都市主城区的地表温度，并运用ArcGIS进行分区统计分析，以平均值的形式将数据统一至研究单元（图3）。

图3 地表温度及统一后空间分布Fig.3 spatial distribution of surface temperature and the research unit after unification

2.3.3 人口及社会经济数据

本文涉及的人口数据均来自各区统计局所发布的《第七次人口普查数据信息——按街道划分情况》；单位面积房租水平数据来源于《2021年成都市住房市场平均租金水平信息》，通过将四个季度的数据汇总进行平均值的计算，得到街道单元的平均租金水平。

2.3.4 空间位置数据

适应能力指标层中的公园绿地、地铁站点数据与社区卫生服务中心的位置数据均来自高德地图公开兴趣点。首先，进行POI数据爬取，对采集的数据进行筛选、清洗和坐标转换，得到研究区内公园绿地共152个、卫生服务中心共142个、地铁站点163个（图4）；其次，借助ArcGIS软件对导入的设施点进行服务区分析，通过对路网进行拓扑处理、阻抗时间设置为10 min等步骤，计算出公园绿地与社区卫生服务中心10 min步行可达范围；最后，将提取出的可达覆盖范围面积与各研究单元面积相除，得出10 min步行可达范围覆盖比例。暴露度指标层中地铁站面积由地铁出入口空间位置计算而得，其位置数据来自高德地图公开POI数据，将POI数据进行预处理后，导入ArcGIS软件以获得各站点出入口空间位置，并借助由点转线、从线构面等工具，计算出研究单元内各地铁站面积比例。

图4 公园绿地、社区卫生服务中心及地铁站点空间分布Fig.4 spatial distribution of park green space, community health service center and subway station

3 成都市主城区人居环境热脆弱性定量评价

城市人居环境热脆弱性评价主要包括处理数据、确定指标权重以及计算脆弱性指数三个步骤。数据处理是将数据以平均值、比例等形式统一至研究单元范围内。因本研究选取指标均为定量数据，为保证权重赋值的客观、准确，所以采用熵值赋权法确定指标权重（表2），主要步骤包括数据标准化、信息熵计算、确定指标权重三个环节。

表2 指标权重Tab. 2 index weight

3.1 评价指标标准化

为保证不同量纲的指标具有可比性，需对各指标进行标准化处理。根据指标含义，将指标分为正向指标或负向指标，采用极差标准化法对其进行去量纲化处理，计算公式如下：

式中：Xij表示第i个研究单元（i=1，2......m）、第j项指标（j=1，2...m）的原始数值，Yij表示标准化数值，取值范围为[0,1]。

3.2 确定指标权重

利用标准化后数据进行指标信息熵计算，计算公式如下：

式中：Hij为第j项指标的信息熵熵值，其中2......m)，K=1ln（m），Pij≥0且当Pij=0时，PijlnPij=0。

根据所得的指标信息熵熵值，以确定各准则层下所含指标的权重，计算公式如下：

式中：Wj为第j项指标的熵权且其取值范围为[0,1]，

3.3 准则层综合评分计算

采用综合指数法[40]，将所得指标权重与标准化数值相乘并累加至准则层，以计算三项准则层的综合评分，即确定暴露度、敏感性与适应能力指数，计算公式如下：

式中：Sij为准则层指标综合评分，Yij为第i个研究单元、第j项指标标准化数值，Wj为第j项指标的权重。

3.4 脆弱性指数计算

根据城市人居环境热脆弱性分析框架可知，城市人居环境热脆弱性是暴露度、敏感性及适应能力三者共同作用的结果。参考谢盼[41]等采用的高温脆弱性评价方法，本文利用所得准则层综合指标，选择乘除法[28]计算城市人居环境热脆弱性指数，公式如下：

式中：Vi为城市人居环境热脆弱性指数，Ei为暴露度指数，Si为敏感性指数，Ai为适应能力指数。

4 结果分析与规划策略

4.1 暴露度

由上述计算结果可得，研究区域内暴露度指数总体呈现“内高外低”的数值分布特征（图5）。城市核心片区及部分西南、中心偏北片区分布较多高、极高暴露度街道，这一区域内人为热源集中、人口密度大、植被覆盖度较低且部分街道地铁站点覆盖比例极低，进一步增加居民的高温暴露程度。采用自然断点法将结果分为7个等级，其中极低暴露区（0.189 6～0.312 7）、低暴露区（0.312 8～0.458 0）、较低暴露区（0.458 1～0.502 8）、中暴露区（0.502 9～0.555 7）、较高暴露区（0.555 8～0.621 2）、高暴露区（0.621 3～0.696 4）及极高暴露区（0.696 5～0.860 7）占比面积分别为25.97%、19.36%、20.66%、7.13%、12.02%、7.24%、7.61%。最高暴露度值分布在武侯区簇锦街道，达到0.860 7；最低暴露度值分布在青羊区康河街道，为0.189 6。

图5 暴露度指数及空间分布Fig.5 exposure index and its spatial distribution

4.2 敏感性

研究区域内高敏感街道集中分布在城市中心区以及部分西城区，这些街道大多为原住民，且老龄化较严重。将敏感性数值以自然断点法分为7个等级（图6）。从各等级占比来看，其中极低敏感区（0.006 9～0.120 3）、低敏感区（0.120 3～0.285 0）、较低敏感区（0.285 0～0.393 1）、中敏感区（0.393 1～0.496 2）、较敏感区（0.496 2～0.614 6）、高敏感区（0.614 6～0.749 6）及极高敏感区（0.749 6～0.940 1）占比面积分别为6.83%、19.87%、28.28%、22.87%、6.72%、9.22%、6.21%。敏感性数值在青羊区草堂街道中出现最大值，达到0.940 2；最低敏感性值出现在武侯区金花桥街道，为0.007 0。

图6 敏感性指数及空间分布Fig.6 sensitivity index and its spatial distribution

4.3 适应能力

研究区二环以内街道适应能力数值普遍较高，二环以外周边街道因研究单元面积较大而10 min公园绿地步行可达性覆盖面积较少、地铁站点覆盖面积较低、低租金的老旧建筑较多，导致其适应能力极低。其中南部片区各街道数值变化幅度较大，既包含极高适应能力街道，亦出现极低适应能力街道。运用自然断点法将适应能力数值分成7个等级（图7）。从各等级占比来看，其中极低适宜能力区（0.049 9～0.158 5）、低适宜能力区（0.158 6～0.229 2）、较低适宜能力区（0.229 3～0.288 0）、中适宜能力区（0.288 1～0.382 3）、较适宜能力区（0.382 4～0.448 7）、高适宜能力区（0.448 8～0.548 4）及极高适宜能力区（0.548 5～0.668 6）占比面积分别为39.09%、15.79%、6.82%、18.82%、8.98%、7.36%、3.15%。最高适应能力街道为锦江区锦官驿街道，达到0.668 6；适应能力数值在成华区白莲池街道出现最小值，为0.049 9。

图7 适应能力指数及空间分布Fig.7 adaptability index and its spatial distribution

4.4 脆弱性

脆弱性数值整体呈现“内高外低”及“东北高西南低”的分布特征（图8，表3）。城市核心区延伸至东北片区内街道多表现为较高及以上脆弱性等级，西南片区距城市中心越远，脆弱性数值越低。但在研究区西北部边缘也混有极高脆弱性街道（黄田坝街道），该街道因其适应能力极低、敏感性较高，造成人居环境热脆弱性的骤增。其中较高到极高级脆弱性街道共27个，面积占比39.35%；中脆弱性街道共13个，面积占比15.41%；极低到低级数值脆弱性街道共22个，面积占比45.25%。脆弱性数值在青羊区黄田坝街道出现最大值，达到2.599 6；武侯区金花桥街道为脆弱性数值最小值分布区域，为0.023 8。

表3 不同脆弱性等级街道数量占比Tab. 3 proportion of streets with different vulnerability levels

图8 脆弱性指数及空间分布Fig.8 vulnerability index and its spatial distribution

4.5 致脆主导因子分析

为制定更具针对性的高温适应性措施提供科学依据，参考相关文献成果，本文通过识别造成高脆弱性街道的主导因素，对成都市主城区脆弱性空间街道类型进行分类。具体方法如下：首先通过上述计算提取出高及极高脆弱性街道作为主导因子分析对象；其次，通过图层叠加法将各街道暴露度指数、敏感性指数以及适应能力指数进行等级差异比较并进行分类，其中暴露度指数为高和极高等级的街道为高暴露主导区，敏感性数值高于暴露度数值的街道为高敏感主导区，适应能力数值处于较低及以下等级且敏感性指数及暴露度指数均为高等级以下的街道为低适应能力主导区。

通过上述方法对成都市主城区高脆弱性街道进行进一步致脆因子分类并计算各类型单元面积及所占比例。结果显示，不同导致脆弱性主导因子类型面积占比为低适应脆弱型街道（57.06%）＞高敏感脆弱型街道（25.98%）＞高暴露脆弱型街道（16.69%）。将计算结果可视化（图9），结果显示：高暴露主导型街道分布主要集中于城市核心区，这些街道人口密度大、低植被覆盖的商业区面积占比较多，造成街道高暴露特征显著；高敏感主导型街道分布较为分散，主要分布在人口老龄化较为严重的中心城区以北的老城区中；低适应主导型街道主要于城市边缘及城北区分布，这些街道发展较缓，公共基础设施建设较为薄弱，居民大多收入低，难以支付过高的物业管理费，导致居住环境较差，如周边绿化少、地铁站点等分布少、建筑老化等，造成人口热适应能力极低。

图9 各类型脆弱性空间分布Fig.9 spatial distribution of different types of vulnerability

4.6 城市人居环境热脆弱性分区规划策略

在制定热适应性策略上，应首先将极高和高脆弱性街道作为先行区。为进一步明确具体方案措施方向，通过识别各脆弱性街道主导致脆因子，将其划分为“高暴露主导型分区”“高敏感主导型分区”及“低适应能力主导型分区”，以便各相关部门优先解决首要问题。第一，针对高暴露主导型街道，脆弱性治理的方式主要是考虑减少市民在高热环境下暴露的机率。建议充分利用绿色基础设施，从建筑及街道尺度出发来改善街道暴露度。在建筑尺度，可采用绿色屋顶、垂直绿化等方式对城区内老建筑进行改造，以增强建筑自身散热能力；在街道尺度上，由于城市土地使用的稀缺，应当充分结合现有环境资源进行差异化设计，如通过增植行道树以增加道路遮荫面积、改变植物种植位置以加大建筑通风间隙、改造闲置空地、街角广场、临街菜市场等以增加街道内纳凉节点以及采用高反射率铺装增加地表对太阳辐射能的反射程度等方式。第二，对于高敏感主导型分区，通过分析街道内高敏感人群社会特征、出行方式及行为特征，进而从个人、社区及城市三个层面提出应对策略。对于个人层面，应加强高敏感性人群对应急知识的学习并组织定期健康检查活动；对于社区层面，可通过电话访问、建立社区科普角等方式展开高温应对知识宣传活动的方式进行社区互助帮扶和社区空间微更新；对于城市层面，可推广考虑高敏感人群的社会公平性设计，通过组织公众建议征集进行高敏感人群参与式设计。第三，对于低适应能力主导型分区，建议从降温资源分配及提升个人认知两方面进行提升。对于培养居民个人认知，可结合高敏感主导分区相关策略同步进行，增强防范高温灾害意识及行为的宣传教育；对于降温资源分配，针对公共建筑类型可适当延长其开放时间[42]，针对地铁站点类型可在不影响人流通行的情况下设置纳凉休息区，为附近人群提供避暑场地。

5 结论与讨论

5.1 结论

通过建立城市人居环境热脆弱性评价指标体系进而测度成都市主城区人居环境热脆弱性程度，揭示其空间分布特征，并进一步识别脆弱性街道主导致脆因子类型。结论如下：第一，成都市主城区人居环境热脆弱性呈现“内高外低”及“东北高西南低”的分布特征，中等至极低数值脆弱性面积占比54.75%，大部分街道热脆弱性程度中等偏低，整体从北至东、以“环状”形态分布于主城区边缘地区；相比而言，大部分较高至极高级脆弱性街道呈现聚集“岛状”形态分布于城市中心区，其余位于城市边缘区域的高脆弱型街道如黄田坝街道、天回镇街道、白莲池街道及成龙路街道因其极低适应能力而导致热脆弱性指数骤增。第二，各类致脆主导类型分区面积占比依次为低适应能力主导型片区（57.06%）＞高敏感主导型片区（25.98%）＞高暴露主导型片区（16.69%），高温暴露主导型街道主要集中在城市核心区，人口敏感型主导街道无明显聚集分布特征并主要分布在中心城区以北区域，低适应主导型街道以散点式出现在主城区边缘。

5.2 讨论

目前全球变暖及加速城镇化的大趋势加剧了城市热环境对人群健康的影响，同时也推动了相关研究从单方面评估灾害脆弱性水平而忽略内部社会经济要素或是单一评价社会脆弱性而忽略外部自然因素，转向基于自然与人文耦合作用的全要素脆弱性评价领域。城市人居环境热脆弱性评价涉及气候、社会经济、城市用地、热环境、公共基础设施、人口特征等多方面综合因素，是一项具有动态性和综合性的研究主题。因此，本研究仍需进一步完善：第一，评价指标体系优化。现有评价体系多集中于城市及区县尺度，本文通过构建街道尺度下人居环境热脆弱性评价体系，在一定程度上揭示城市中不同地区人居环境热脆弱性的差异化，但在未来还需挖掘更精确化的多源稠密数据（如热相关医疗健康数据、小规模社会调查数据等）以提升评价指标的全面性；第二，本文提出的应对行动策略是将高温作为城市人口脆弱性扰动因子而提出，但如何综合其他极端天气对人群影响，从而指导韧性城市的建设还需进一步考量。

图片来源：

图1- 9：作者绘制

表1- 3：作者绘制