2025, Vol. 46
2. 天津城建大学建筑学院, 天津 300384
2. School of Architecture, Tianjin Chengjian University, Tianjin 300384, China
快速城镇化建设改变了陆地表面和城市形态, 不透水面取代自然地表、城市开发强度增加和人为热排放集中等变化改变了地表能量平衡[1~3], 导致城市地区的温度高于周围郊区, 这种现象被称为城市热岛效应（UHI）[4]. UHI不仅对人类健康造成恶劣影响[5, 6], 还会导致能源消耗增加、空气污染等环境问题[7], 严重影响了城市的宜居性和可持续性[8]. 全球变暖背景下, 极端高温天气变得更加频繁, 这种负面影响将进一步加剧[9, 10]. 因此, 制定UHI缓解措施对当前城市可持续发展至关重要.
制定UHI缓解措施的关键是深入探索城市热岛强度的驱动机制. 为了理解UHI的驱动机制, 以往的研究通常以地表温度（LST）作为UHI的代表[8, 11], 广泛探讨了城市形态对UHI的影响. 城市形态是指城市景观的空间格局和结构, 因其与城市传热和通风之间的密切关系, 被认为是影响UHI的主要因素, 优化其模式有利于缓解城市热岛. 大多数相关研究从景观格局指标[12~15]、建筑形态[16~18]和地表参数[19, 20]等方面来描述城市形态, 从二维和三维视角探讨城市形态对UHI的影响机制. 尽管对城市形态与UHI的关系进行了许多有意义的探索, 但由于UHI的复杂性和异质性, 仍有待进一步探索.
此外, 已经证实驱动因素对UHI的影响表现出很强的空间异质性. 城市热岛强度与其所处的空间位置密切相关[20], 特别是在城市发展梯度上, 城市不同梯度区域内人为活动和下垫面属性差异明显, 导致城市和农村地区地表热环境变暖的不同驱动机制[21, 22]. 然而现有研究对驱动机制的空间异质性研究不足, 阻碍了研究结果在城市规划和管理中的应用, 因此, 越来越多的研究关注城市形态对UHI影响的梯度差异[22, 23]. 尤其是在中国快速城市扩张和城镇化发展的城市, 城市化进程导致土地覆盖类型向不透水表面转移, 不同城市发展梯度内城市形态差距更加明显[24], 同时, 伴随人类活动集聚引起的人工热通量增加, 导致城市相对于农村地区的热通量更高, 城市热岛强度进一步加剧. 掌握每个梯度内的UHI驱动力更有利于优化资源以缓解热环境, 为了充分揭示城市热岛效应的机制演变, 有必要探讨不同城市发展梯度内城市热岛强度的驱动机制, 为城市热环境改善的规划实践提供更有针对性的优化策略.
城市形态对热岛强度影响的研究, 早期通过计算热效应贡献指数[25, 26]或建立线性回归模型[27, 28]探讨二者之间的关联规律. 考虑到城市热环境的时空异质性, 地理加权回归模型（GWR）[29, 30]、空间滞后回归模型（SLM）[31]和结构方程模型（SEM）[20]等方法被应用于进一步的研究. 随着城市形态指标的拓展, 随机森林（random forest, RF）[32~34]、梯度提升回归树（gradient boosting regression tree, GBRT）[17, 35]和Curbist模型[27]等机器学习方法被引入这一领域, 用于精确捕捉变量之间的非线性关系. 同时, 尽管学者们广泛研究了城市形态对地表热环境的影响, 但大多关注变量与热环境的相关性, 对热环境影响的边际效应研究不足.
郑州是推动黄河流域生态保护和高质量发展、实现中部地区崛起战略的关键城市, 快速城镇化导致其城乡差异明显, 热环境持续恶化, 城市热岛问题典型. 本文选取郑州市中心城区为研究区域, 探讨城市发展强度差异下城市形态对热岛强度的影响作用及边际效应, 归纳城市形态要素的关键优化路径, 以期为未来改善城市热环境、减缓热岛效应提供精细化规划实践指导, 并为城市有序扩张和城乡协调发展提供科学支撑.
1 材料与方法 1.1 研究区概况郑州市是河南省省会城市, 地处河南省中北部. 中心城区涉及中原区、二七区、金水区、管城回族区和惠济区这5个市辖区, 总面积1 017.92 km2（图 1）. 2000年以来, 郑州城镇化率从55.07%提高至79.10%, 建成区面积从133.22 km2扩张至866.38 km2, 城市化水平的显著提高, 使城市形态发生巨大变化, 人为热排放不断增加, 热环境问题日益突出, 使其成为中国受热环境恶化影响最大的城市之一. 热岛严重威胁郑州居民健康和城市高质量发展, 成为亟待解决的环境问题.
|
图 1 研究区域概况 Fig. 1 Overview of the study area |
郑州市2006~2020年地表温度数据来源于地理空间数据云（http://www.gscloud.cn/）的Landsat遥感影像, 选取覆盖郑州市全域、云量较低和气温接近的影像（表 1）作为数据源, 空间分辨率为30 m, 通过ENVI5.3对数据源进行辐射定标、大气校正和研究区分幅裁剪等预处理操作, 选用大气校正法反演得到地表温度, 具体过程见文献[12].
|
表 1 郑州市Landsat遥感影像信息 Table 1 Landsat remote sensing image information of Zhengzhou |
采用热场变异指数（heat index, HI）界定热岛强度[36], 通过标准化处理, 对城市热岛强度的时空变化进行分析. HI计算公式为：
|
(1) |
式中, Tn表示第n个网格内的地表温度, Tmean表示研究范围内的平均地表温度.
1.2.2 夜间灯光数据郑州市2020年夜间灯光数据来源于资源环境科学数据注册与出版系统[37]（http://www.resdc.cn/DOI）, 由NPP-VIIRS卫星夜光遥感影像数据处理生成, 空间分辨率为500 m.
1.2.3 城市形态指标探索城市形态对城市热岛强度的影响, 对于指导应对气候变化的规划管控措施具有重要意义. 本文参考相关研究, 从建设用地格局[38, 39]、绿地体系布局[40, 41]和建筑组合形态[16, 31, 42]这3个方面, 选取17项具有代表性的城市二维和三维形态指标（表 2）, 较全面地反映了郑州市中心城区的开发建设现状.
|
|
表 2 城市形态指标 Table 2 Indicators of urban morphology |
其中, 建设用地格局指标使用2020年郑州市地表覆盖数据, 通过Fragstats 4.0中的移动窗口法计算得到, 地表覆盖数据来源于国家基础地理信息中心（http://www.ngcc.cn/ngcc/）, 基于Landsat TM5、ETM+和HJ-1等多光谱影像生成的Global30数据集, 空间分辨率为30 m. 绿地体系布局指标使用2020年郑州市地图数据集, 通过QGIS处理得到, 地图数据集来源于Open Street Map（OSM）. 建筑组合形态指标使用2020年郑州市建筑轮廓数据, 通过ArcGIS 10.5处理得到, 建筑轮廓数据来源于高德地图API（https://lbs.amap.com/）, 包含建筑占地面积和建筑层数等属性.
1.3 研究方法 1.3.1 城市发展梯度的划分采用划分城市发展梯度的方式, 深入探讨城市形态对热岛强度影响的空间异质性, 精细化分析城市热岛强度驱动因素的梯度差异. 既有研究多使用剖面线法[43]和同心圆法[25, 44]划分城市梯度, 这种方法具有较强的空间连贯性, 却忽视了区域之间的发展差异；也有研究将城市梯度定义为每个网格中建设用地面积的比例[45], 使得城市发展梯度的连续测量成为可能.
本研究借鉴此方法, 引入夜间灯光指数度量城市发展梯度. 夜间灯光影像能够反映地表夜间灯光亮度, 从而在一定程度上表征人类活动强度, 目前已被广泛应用于人类活动分布[46]、城镇扩展研究[47, 48]等领域. 综合夜间灯光指数（CNLI）被证实与中国的城市化复合指标之间存在显著的相关性, 能够反映地区城市化水平和地表人类活动强度. 将郑州市划分为500 m×500 m的网格, 计算每个网格内的CNLI, 公式为：
|
(2) |
|
(3) |
式中, Arealight表示网格中夜间灯光覆盖的面积, Area表示网格总面积, MLI表示网格内的平均灯光强度, 通过ArcGIS 10.5中的“以表格显示分区统计”工具计算得到.
高珮义提出[49, 50]城镇化进程可划分为：史前、城市化起步、加速城市化、基本城市化、高速发达城市化和自我完善这6个阶段, 参考以往研究成果及政府网站中相关城镇建设的信息, 本文将郑州市城区划分为6个城市发展梯度, 如图 2所示. 在此基础上, 探讨郑州城市热岛强度及其驱动因素的空间异质性.
|
图 2 郑州市中心城区城市发展梯度划分 Fig. 2 Grading of urban development gradients in the central urban area of Zhengzhou |
梯度提升回归树（GBRT）是一种利用树模型进行回归的算法模型, 已被广泛应用于城市生态和环境研究[43, 51, 52]. GBRT采用连续的方式构造树, 每棵树都试图纠正前一棵树的错误, 与其他回归模型相比, 其优势是无需考虑多个自变量间的共线性. 同时, GBRT能够通过绘制部分依赖曲线解释自变量和因变量之间的非线性关系, 在一定程度上弥补其他机器学习“黑箱”模型的不足, 为明晰热岛强度的驱动机制提供依据.
本研究以网格为单元, 将城市形态指标作为自变量和热岛强度（HI）作为因变量构建GBRT模型, 定量分析每个自变量对因变量的相对重要性及其部分依赖性[51]. 模型中所有自变量对HI影响的相对重要性之和为100%, 相对重要性值越高, 表明该指标对热岛强度的贡献越大. 部分依赖性曲线反映了当其他指标固定不变时, 某特定自变量随自身值的增加, 其升温或降温效应的变化特征, 即该自变量对HI影响的边际效应. 曲线的纵轴坐标和斜率分别表示自变量对HI的影响程度和边际效应. 当部分依赖性曲线中某点坐标y > 0时, 该变量对HI的影响为促进效应, 某点坐标y < 0时则为抑制效应, y越接近于0, 则二者间的关系越不显著. 部分依赖性曲线趋于平缓、斜率减小, 表示该自变量的边际效应递减, 反之则表示边际效应递增.
本研究应用R软件中的第三方包“gbm”实现GBRT算法, 具体参数为：distribution = “gaussian”, interaction. depth = 12, n. minobsinnode = 2, n.trees = 6000.
1.3.3 改进DEMATEL-ISM模型DEMATEL模型（decision making trial and evaluation laboratory, 决策实验分析法）侧重于利用矩阵论和图论分析复杂系统间各项影响因素之间的关系[53]；ISM模型（interpretative structural modeling, 解释结构模型法）通过建立可达矩阵等划分影响因素层次, 将关系冗杂的复杂系统转化为简明清晰、直观条理的多级递阶结构形式. 两种方法联用可以对影响机制进行更全面的分析, 目前已被广泛应用于城市韧性评估[53, 54]、低碳城市建设[55, 56]、交通体系优化[57]等多个领域, 为复杂城市系统定量分析和科学决策提供了强有力的支持.
不足之处是, 传统DEMATEL方法大多采用调查问卷或专家打分等方式评定因素间的直接影响矩阵[58], 这种方法主观性较强, 分析结果存在一定的局限性. 本研究引用GBRT模型对DEMATEL-ISM方法进行改进, 具体步骤如下.
（1）基于GBRT模型构建直接影响矩阵 将GBRT模型中得到的自变量对因变量的贡献度w, 通过0~4标度法转换为各影响因素间的相互作用, 构建直接影响矩阵R, 如表 3和式（6）及式（7）所示.
|
(6) |
|
(7) |
|
|
表 3 基于GBRT分析结果的0~4标度法 Table 3 Five grades based on GBRT analysis results |
式中, wi表示GBRT模型计算得到的贡献度, rij表示第i个指标相对于第j个指标的重要程度, rii= 0.
（2）预处理得到综合影响矩阵T 对直接影响矩阵R进行标准化处理, 得到矩阵A, 进一步得到综合影响矩阵T. 计算公式如式（8）和式（9）所示.
|
(8) |
|
(9) |
式中, I表示单位矩阵.
（3）计算影响度、被影响度、中心度和原因度等指标 以综合影响矩阵T为基础, 计算影响度（Di）、被影响度（Ci）、中心度（Mi）和原因度（Ri）, 具体公式如下：
|
(10) |
|
(11) |
|
(12) |
|
(13) |
式中, Di表示各因素对其他因素的作用程度；Ci表示各影响因素受其他因素的作用程度；Mi表示影响因素在系统中的重要程度；Ri表示强调因素属性, Ri为负则为结果因素, 是影响城市热岛强度的直接因素, 反之则为原因因素, 是间接影响因素.
（4）建立可达矩阵F 综合影响矩阵T仅能反映各因素间的相互关系及其作用强度, 但忽略因素自身的影响, 计算整体影响矩阵H：
|
(14) |
然后引入阈值λ简化系统结构, 删除整体影响矩阵H中的冗杂信息, 得到可达矩阵F. 通常文献中根据专家经验选取值, 此种方法客观性较差, 而用基于统计分布的均值与标准差之和计算可降低主观性影响. 具体公式如下：
|
(15) |
|
(16) |
式中, α表示综合影响矩阵T中所有因素的均值, β表示标准差. 在可达矩阵中, fij=1表示指标i与指标j有直接影响, fij=0则表示二者无直接影响.
（5）划分影响因素级别, 构建多级递阶结构模型 对可达矩阵F进行层次化处理, 得到可达集合S（ci）、前因集合Q（ci）和共同集合L（ci）, 公式如下：
|
(17) |
将最先确定的共同集合L（ci）定义为ISM多层递阶模型的顶层因素, 依次将已分层因素删除后重复上述操作, 直至所有影响因素层次划分完毕.
2 结果与分析 2.1 热岛强度的梯度效应郑州市中心城区热环境时空分布如图 3所示, 2006~2020年间, 城市热岛强度逐年提升, 且热岛面积均高于50%. 2010年起出现极强热岛, 且比例逐年增多, 多呈点状分布在中原区、二七区和金水区内. 以城市发展梯度0.1%为间隔统计各网格中HI的最大值、最小值和平均值（图 4）, 探讨热岛强度的梯度效应. 从空间分布来看, 热岛强度随城市发展强度的增加而逐步提高. T6~T1内, HI的最大值无序波动, 最小值大幅提升, 平均值缓慢增加, 且这种变化在由T6过渡至T5时最为明显. 从年际变化来看, 2006~2020年, HI平均值随城市发展强度提升而增加的趋势变缓.
|
图 3 2006~2020年郑州市中心城区热岛强度 Fig. 3 Spatiotemporal distribution of HI in the central urban area of Zhengzhou from 2006 to 2020 |
|
图 4 2006~2020年郑州市中心城区热岛强度随城市发展梯度变化曲线 Fig. 4 Curve of HI changing with urban development gradients in the central urban area of Zhengzhou from 2006 to 2020 |
在不同梯度内, 城市形态指标对热岛强度的影响程度有较大差异, 如图 5所示. 绿地布局指标在6个梯度内对热岛强度有较强影响, 其中, 影响作用最强的指标为NDVI. 随着城市发展梯度的增加, 影响热岛强度的重要变量从建筑组合形态指标向建设用地格局指标转变.
|
百分数表示该指标在GBRT模型中对HI影响的相对重要性 图 5 城市形态指标对热岛强度影响的梯度差异 Fig. 5 Gradient differences of urban morphology indicators on HI |
T1和T2是高度城镇化区域, T1内对热岛强度影响最重要的3项因素为绿地形态指标（NDVI=24.95%, GSI=21.20%, GSR=14.74%）, 建筑形态指标SVF也是T1内的重要影响因素（9.48%）, 其通过增强地表太阳辐射而升温和提高空气流通性而降温两方面的共同作用影响热岛强度[52]；除Pland外, 建设用地格局指标对热岛强度影响较小. T1内3种类型的城市形态指标对热岛强度的影响程度大小依次为：绿地体系指标 > 建筑组合指标 > 建设用地格局指标. T2特征与T1较为相似, 该区域内对HI存在显著影响的因素是NDVI（44.67%）和AH（13.72%）. T3和T4属于过渡地带, 该区域的热岛强度受到建设用地布局和建筑形态指标的交叉作用. T5和T6是开发建设强度相对较低的区域, 多分布于近郊地带. 其中, T5内影响程度较高的前8项因素为绿地体系（NDVI=34.48%、GSR=10.34%）和建设用地形态指标（LPI=9.57%、Pland=7.44%、ED=5.68%）, 说明二维形态指标在该区域占主导作用[11]. T6内影响热岛强度的首位因素是NDVI, 其相对重要性达到69.42%, 远高于其他指标重要性之和, 其次建设用地的聚合程度和形状复杂程度也比较重要, 适度复杂的城市边界可能会增加其与周边林地、草地的接触面积, 更好地发挥生态冷源的降温作用[41].
各城市形态指标对热岛强度影响的梯度效应如图 6所示, 整体呈“U”形、倒“U”形、“N”形、倒“N”形和“L”形等变化趋势. 其中, 绿地布局指标对热岛强度影响的梯度效应最明显, NDVI的影响程度从24.95%（T1）增加到69.42%（T6）, GSR和GSI的梯度效应与NDVI相反, 随城市发展梯度的增加, 其影响作用分别出现17.77%、20.60%的降低[40, 59]. 建设用地指标方面, Pland和LPI的梯度效应相似, 在T3和T5内出现双波峰, LPI的梯度差异较Pland更加显著. 建筑形态指标对HI的影响作用随城市发展梯度增加出现不同程度的降低, 其中, AH（13.55%）和SVF（9.03%）的波动较大, AM的变化（1.76%）相对平缓, MH、BD和SVF在T1内发挥其对热缓解的最大效用.
|
图 6 城市形态指标对热岛强度影响的梯度效应 Fig. 6 Gradient effect of urban morphology indicators on HI |
基于GBRT模型的回归结果, 由公式（6）~（13）计算得到6个梯度中各项指标的中心度和原因度. 总体来看, 在城市发展高强度和中强度范围（T1~T4）内, 建筑组合形态指标和绿地体系布局指标多为直接影响因素, 建设用地格局指标为间接影响因素, 在T5和T6内则相反. 6个梯度范围内, NDVI和GSR均为结果因素, AM均为原因因素. 各个梯度内中心度最高的指标均为原因因素, 对热岛改善起主导作用.
如图 7所示, 影响城市热岛强度的各项城市形态指标在6个梯度内均呈现出四级三阶的多层递阶结构分布状况, L1中的指标属于表层致因阶, 对热岛强度产生直接影响, 其余指标通过作用于本层发挥作用；L4中的指标属于根源致因阶, 发挥决定性作用, L2~L3中的指标属于过渡致因阶, 发挥传导作用. 城市形态指标的相互作用关系和层级结构在不同梯度内差异显著.
|
m表示各项城市形态指标的中心度, 图中仅展示相邻层级内指标间的相互作用 图 7 城市形态对热岛强度影响的ISM结构模型 Fig. 7 ISM structural model of influencing factors on HI |
根据城市形态对热岛强度影响的多级递阶结构模型, 结合各项指标的中心度, 归纳各梯度内城市形态指标的关键优化路径. T1的关键优化路径为：ED→BSI→AH→NDVI；T2内较重要的2条优化路径分别为：AI→AM→MH→NDVI和GSI→AH；T3的关键优化路径为：AI→GSI→SVF→NDVI；T4的关键优化路径为：AI→GSI/MH/Pland/PD→AH→NDVI；T5的原因因素分布在L4、L3、L2层次内, 优化路径的起点有多种选择, 其中关键路径共3条, 分别是：PAFRAC→BSI→AI→GSR、MH→LSI→GSR、AH→NDVI. T6内的关键优化路径为：AM→BD→PD→NDVI.
在面向热环境改善的关键优化路径中, 热岛强度对L1表层致因指标的响应最迅速, 在热岛问题较严重的区域, 应首先考虑对表层致因指标进行管制；热岛风险较低、开发强度较低的区域, 应从根源致因指标开始, 逐级调整城市形态指标, 从根本上提升城市热环境质量. 如图 7所示, 城市高强度建设区（T1和T2）内城市形态调整难度较大, 对于梯度内热岛风险较高的区域, 需调整NDVI、GSI和AH等表层致因指标, 尽快减缓城市热岛. T3和T4内开发建设强度适中, 多种形态要素共同影响热岛效应, 该区域内应统筹考虑“根源-过渡-表层”致因指标, 影响热岛强度的根本因素为AI, 重视根本因素AI的合理调控, 同时考虑AI对建设用地格局（Pland和PD）、城市绿地结构（GSI）和建筑形态（MH、AH和SVF）等中介指标的影响. 低强度建设区（T5和T6）应充分发挥根源致因指标在调节热岛强度中的先导作用, 合理规划PAFRAC和建筑高度相关指标（MH、AH和AM）, 将其影响通过中介指标传导至表层致因指标（NDVI和GSR）, 从多层次优化城市热环境.
2.3.2 关键指标的边际效应城市形态对HI影响的关键指标包括各梯度的四层三阶影响因素, 其边际效应差异显著（图 8）. 其中, 处于表层致因阶的NDVI和GSR边际效应最明显, 对HI的影响从正面作用过渡到负面作用, 当NDVI接近0.3时, 其与HI“正-负”关系出现拐点. 随着NDVI数值的增加, 其降温作用逐渐增强, NDVI分别为0.38、0.39、0.37和0.43时, 在T1至T4内达到最大降温效应；在T6内, NDVI对HI的影响随着值的增大呈现倒“U”形变化, 当NDVI在[0.301, 0.322]范围内时, 转变为微弱的促进作用, 其余范围内都呈现降温效应. T5内, GSR与HI的关系曲线的“正-负”关系拐点在GSR=31.3%时出现.
|
横坐标表示指标的数值, 纵坐标表示该指标对热岛强度影响作用大小 图 8 城市形态关键指标边际效应曲线 Fig. 8 Marginal differences of urban morphology indicators on HI |
除NDVI和GSR外, 其他关键指标在T1~T5内对HI均为促进作用, 但作用大小的波动方向各不相同. AI作为T2至T4内的根本影响因素, 对HI的影响作用呈“平稳-增加-降低”的变化趋势. MH在T2和T4内对热岛强度的促进作用及其边际效应均逐渐减小, 分别在142 m和121 m处达到阈值. 相关研究表明, 高层建筑阴影与地表温度存在负向相关性[60], 与其他正相关影响相互作用[16], 随着高度增加, MH对热岛的影响总体呈现升温作用减弱的趋势. BSI对HI影响的边际效应变化趋势与MH相反, 在T1和T5内均为促进作用逐渐增加, 分别在BSI为517和4711时达到峰值并维持平稳, 说明高且占地面积小的建筑物可能具有更明显的降温作用[31].
在T6内, AM、BD、PD和NDVI这4项关键指标表现为降温作用, 其中, 根本影响因素AM对HI的降温作用边际效应递减, 在AM=42.7m处达到平稳；BD的边际效应曲线与AM相反, 其降温作用随着指标值的增加而持续降低, 在BD=2.4%处达到稳定, 这与既有研究得到的结论具有一致性, 过高的建筑密度将影响地表散热, 一方面影响地表通风, 另一方面过密的建筑物存在更高的夏季制冷和冬季供暖需求[16].
3 讨论本研究探讨了城市形态指标对不同城市发展梯度内热岛强度的影响, 为改善城市热环境的规划实践提供精细化参考. 研究结果表明, 热岛强度的空间分布与城市形态指标对热岛强度的影响程度、影响层次和边际效应均存在显著的梯度差异, 这进一步印证了城市发展、物理环境和气候变化三者间的紧密联系[61]. 由于高强度建设区（T1和T2）内缺乏绿色植被和反照率较低的不透水面, 其显热通量始终高于其他梯度, 因此该区域内密集紧凑的建筑组合形态对通风散热的阻碍作用更加明显. NDVI在各梯度内都具有显著的降温效应, 这与已有研究结论一致[41, 62], 但其边际效应递减趋势不同, 在高强度建设区, NDVI能够更快实现最佳降温效果. 这是由于植被通过蒸散作用将入射的太阳辐射转化为潜热, 并通过提供遮荫来减少显热的释放, 从而缓解热岛强度. 而城市中心区的高温环境会促进植被蒸腾速率[59], 提升其冷却效果. 建设用地聚合度（AI）在高强度和中强度建设区内的升温作用逐渐增加, 在低强度建设区（T5和T6）内变化趋势相反且未出现阈值, 该指标对热岛强度的作用受建筑密度、容积率和人为活动强度的多重影响, 在高强度建设区内, 聚合度更高的建设用地将增加人为热源的释放, 加剧升温作用.
统筹考虑梯度差异下城市形态对热岛强度影响的层级结构及其边际效应, 能够为城市规划实践和管理提供精细化参考. 基于层级优化结构, 确定城市形态优化的先后次序, 制定层次清晰的响应方案；并基于边际效应曲线, 通过城市形态优化和指标阈值管控, 制定合理有效的热缓解措施：①完善公园体系、合理配置景观类型, 将NDVI提高至0.26以上, 公园绿地面积占比提高至32%以上, 充分发挥绿地的热汇作用. ②AI对热岛强度的影响在T2至T4内呈递增的变化趋势, 而在T5、T6内逐渐降低. 因此在国土空间规划环节, 应规范城市中心建成区的开发边界、鼓励多中心发展模式, 在中强度建设区, 集约发展则更有助于建设生态新城. ③在城市设计环节中, 高强度建设区域的城市更新改造与新区内建筑设计的引导方向一致, 应推行高层、低密度的建筑布置, 建筑的高度阈值在不同梯度内应因地制宜；并引导建筑群高度错落, 如T6内当AM=42.7 m时, 降温效果最佳（0.036）, 合理的建筑高差有利于形成建筑间的气流[7], 在区域内产生降温作用.
此外, 研究在指标选取、时空范围和优化路径等方面存在一定的局限性. 一是受限于数据的可获取性, 仅选取部分具有代表性的城市形态指标, 且时间维度局限在2020年, 未能对影响机制的时间演变进行探究, 在空间上未能对全域进行研究；同时, 研究选用30m分辨率的土地利用数据表征城市形态特征, 可能不能准确刻画下垫面的空间异质性, 相对于大量基于高分辨率的研究, 可能会导致结论有所偏差, 这也是本研究的不足之处. 二是受限于篇幅, 未能将城市形态指标影响热岛强度的优化路径和边际效应展开分析. 未来应考虑将更多城市形态指标纳入研究, 选取合适的时空范围, 应用更先进的模型方法, 以得到更加科学和全面的研究结果.
4 结论（1）从空间分异特征来看, 郑州市中心城区热岛强度随城市发展强度的增加而逐步提高, 提高趋势在2006~2020年间逐年放缓.
（2）从影响程度来看, 城市形态指标在不同城市发展梯度内对热岛强度的影响不尽相同. 其中, 绿地布局指标始终对热岛强度有较强影响；建设用地指标对热岛强度的影响作用随城市发展梯度的增加而增强, 建筑组合形态指标则与之相反.
（3）从影响层次来看, 城市形态对热岛强度的影响在6个梯度内均呈现出四层三阶分布结构. 其中, NDVI在6个梯度内均属于表层致因阶, 直接作用于热岛强度；在高强度建设区, 建设用地格局相关指标为根源致因阶；在低强度建设区, 建筑组合形态相关指标为根源致因阶, 其影响通过过渡致因阶的中介作用传导至表层致因阶, 最终改变热岛强度.
（4）城市形态指标对HI影响的边际效应有明显的梯度差异. 其中, 处于表层致因阶的NDVI和GSR对热岛的影响在促进和抑制两种作用间转换, 且边际效应递减. 高强度建设区内AI、MH和BSI对热岛的影响均为促进作用；低强度建设区内AM、BD、PD和NDVI这4项指标均呈现降温效应. 这些发现为城市形态对不同城市发展梯度内热岛强度的非线性影响提供了科学证据, 可以帮助城市规划者通过优化城市形态来制定差异化的热岛缓解策略.
| [1] | Wang J, Chen Y, Liao W L, et al. Anthropogenic emissions and urbanization increase risk of compound hot extremes in cities[J]. Nature Climate Change, 2021, 11(12): 1084-1089. DOI:10.1038/s41558-021-01196-2 |
| [2] | Han D R, An H M, Cai H Y, et al. How do 2D/3D urban landscapes impact diurnal land surface temperature: insights from block scale and machine learning algorithms[J]. Sustainable Cities and Society, 2023, 99. DOI:10.1016/j.scs.2023.104933 |
| [3] | Yang C, Zhao S Q. Synergies or trade-offs between surface urban heat island and hot extreme: Distinct responses in urban environments[J]. Sustainable Cities and Society, 2024, 101. DOI:10.1016/j.scs.2023.105093 |
| [4] | Oke T R. The energetic basis of the urban heat island[J]. Quarterly Journal of the Royal Meteorological Society, 1982, 108(455): 1-24. |
| [5] | Wu H Y, Xu Y M, Zhang M, et al. Spatially explicit assessment of the heat-related health risk in the Yangtze River Delta, China, using multisource remote sensing and socioeconomic data[J]. Sustainable Cities and Society, 2024, 104. DOI:10.1016/j.scs.2024.105300 |
| [6] | Chen T L, Lin H, Chiu Y H. Heat vulnerability and extreme heat risk at the metropolitan scale: a case study of Taipei metropolitan area, Taiwan[J]. Urban Climate, 2022, 41. DOI:10.1016/j.uclim.2021.101054 |
| [7] | Han D R, An H M, Wang F, et al. Understanding seasonal contributions of urban morphology to thermal environment based on boosted regression tree approach[J]. Building and Environment, 2022, 226. DOI:10.1016/j.buildenv.2022.109770 |
| [8] | Liu Y F, Zhang W J, Liu W K, et al. Exploring the seasonal effects of urban morphology on land surface temperature in urban functional zones[J]. Sustainable Cities and Society, 2024, 103. DOI:10.1016/j.scs.2024.105268 |
| [9] | Li L, Zha Y. Population exposure to extreme heat in China: frequency, intensity, duration and temporal trends[J]. Sustainable Cities and Society, 2020, 60. DOI:10.1016/j.scs.2020.102282 |
| [10] | Bartusek S, Kornhuber K, Ting M F. 2021 North American heatwave amplified by climate change-driven nonlinear interactions[J]. Nature Climate Change, 2022, 12(12): 1143-1150. DOI:10.1038/s41558-022-01520-4 |
| [11] | Adams M P, Smith P L. A systematic approach to model the influence of the type and density of vegetation cover on urban heat using remote sensing[J]. Landscape and Urban Planning, 2014, 132: 47-54. DOI:10.1016/j.landurbplan.2014.08.008 |
| [12] |
熊鹰, 章芳. 基于多源数据的长沙市人居热环境效应及其影响因素分析[J]. 地理学报, 2020, 75(11): 2443-2458. Xiong Y, Zhang F. Thermal environment effects of urban human settlements and influencing factors based on multi-source data: a case study of Changsha city[J]. Acta Geographica Sinica, 2020, 75(11): 2443-2458. DOI:10.11821/dlxb202011013 |
| [13] | Cao S S, Weng Q H, Lu L L. Distinctive roles of two- and three-dimensional urban structures in surface urban heat islands over the conterminous United States[J]. Urban Climate, 2022, 44. DOI:10.1016/j.uclim.2022.101230 |
| [14] | Li Y L, Qiao X N, Wang Y, et al. Spatiotemporal patterns and influencing factors of remotely sensed regional heat islands from 2001 to 2020 in Zhengzhou Metropolitan area[J]. Ecological Indicators, 2023, 155. DOI:10.1016/j.ecolind.2023.111026 |
| [15] |
乔治, 陈嘉悦, 王楠, 等. 基于MSPA和电路理论的京津冀城市群热环境空间网络[J]. 环境科学, 2023, 44(6): 3034-3042. Qiao Z, Chen J Y, Wang N, et al. Spatial network of urban heat environment in Beijing-Tianjin-Hebei urban agglomeration based on MSPA and circuit theory[J]. Environmental Science, 2023, 44(6): 3034-3042. |
| [16] |
刘勇洪, 徐永明, 张方敏, 等. 北京城市空间形态对热岛分布影响研究[J]. 地理学报, 2021, 76(7): 1662-1679. Liu Y H, Xu Y M, Zhang F M, et al. Influence of Beijing spatial morphology on the distribution of urban heat island[J]. Acta Geographica Sinica, 2021, 76(7): 1662-1679. |
| [17] | Hu Y F, Dai Z X, Guldmann J M. Modeling the impact of 2D/3D urban indicators on the urban heat island over different seasons: a boosted regression tree approach[J]. Journal of Environmental Management, 2020, 266. DOI:10.1016/j.jenvman.2020.110424 |
| [18] | Guo A D, Yue W Z, Yang J, et al. Divergent impact of urban 2D/3D morphology on thermal environment along urban gradients[J]. Urban Climate, 2022, 45. DOI:10.1016/j.uclim.2022.101278 |
| [19] |
孙艳伟, 王润, 郭青海, 等. 基于人居尺度的中国城市热岛强度时空变化及其驱动因子解析[J]. 环境科学, 2021, 42(1): 501-512. Sun Y W, Wang R, Guo Q H, et al. Estimation of the urban heat island intensity change and its relationships with driving factors across China based on the human settlement scale[J]. Environmental Science, 2021, 42(1): 501-512. |
| [20] |
张颖, 王旭红, 冯子豪, 等. 基于SEM模型的热环境时空特征及影响因素分析: 以西安都市圈为例[J]. 环境科学, 2024, 45(6): 3734-3745. Zhang Y, Wang X H, Feng Z H, et al. Spatiotemporal pattern and influencing factors of thermal environment based on SEM model: a case study in Xi'an metropolitan area[J]. Environmental Science, 2024, 45(6): 3734-3745. |
| [21] | Chapman S, Watson J E M, Salazar A, et al. The impact of urbanization and climate change on urban temperatures: a systematic review[J]. Landscape Ecology, 2017, 32(10): 1921-1935. DOI:10.1007/s10980-017-0561-4 |
| [22] | Zhao C Y, Zhu H K, Zhang S Y, et al. Long-term trends in surface thermal environment and its potential drivers along the urban development gradients in rapidly urbanizing regions of China[J]. Sustainable Cities and Society, 2024, 105. DOI:10.1016/j.scs.2024.105324 |
| [23] | Li K X, Li Y Y, Yang X Y, et al. Comparing the three-dimensional morphologies of urban buildings along the urban-rural gradients of 91 cities in China[J]. Cities, 2023, 133. DOI:10.1016/j.cities.2022.104123 |
| [24] | Wang X, Li B Y, Liu Y Y, et al. Trends and attributions of the long-term thermal comfort across the urban-rural gradient in major Chinese cities[J]. Applied Geography, 2024, 164. DOI:10.1016/j.apgeog.2024.103221 |
| [25] |
李玉杰, 马昊, 邓涛, 等. 基于"源-汇"理论的海口城市景观格局与热岛效应响应机制[J]. 西北林学院学报, 2021, 36(5): 223-232. Li Y J, Ma H, Deng T, et al. Urban landscape pattern and response mechanism of heat island effect based on "source-sink" theory of Haikou city[J]. Journal of Northwest Forestry University, 2021, 36(5): 223-232. |
| [26] |
张钧韦, 夏圣洁, 陈慧儒, 等. 山西中部城市群景观格局演变对其热环境的影响研究[J]. 生态环境学报, 2023, 32(5): 943-955. Zhang J W, Xia S J, Chen H R, et al. Influence of landscape pattern evolution on thermal environment of urban agglomerations in central Shanxi province[J]. Ecology and Environmental Sciences, 2023, 32(5): 943-955. |
| [27] |
宋鑫博, 李根, 梁冬坡, 等. 城市空间形态与夏季地表温度关系及其响应阈值研究——以天津市中心城区为例[J]. 地理科学, 2023, 43(2): 360-369. Song X B, Li G, Liang D P, et al. Relationship between urban spatial morphology factors and land surface temperature in summer: a case of the central district of Tianjin[J]. Scientia Geographica Sinica, 2023, 43(2): 360-369. |
| [28] |
胡楠林, 任志彬, 董禹麟, 等. 中国城市群热岛效应时空演变及其影响因素分析[J]. 地理科学, 2022, 42(9): 1534-1545. Hu N L, Ren Z B, Dong Y L, et al. Spatio-temporal evolution of heat island effect and its driving factors in urban agglomerations of China[J]. Scientia Geographica Sinica, 2022, 42(9): 1534-1545. |
| [29] | Su Y F, Foody G M, Cheng K S. Spatial non-stationarity in the relationships between land cover and surface temperature in an urban heat island and its impacts on thermally sensitive populations[J]. Landscape and Urban Planning, 2012, 107(2): 172-180. |
| [30] | Huang Y P, Yuan M, Lu Y P. Spatially varying relationships between surface urban heat islands and driving factors across cities in China[J]. Environment and Planning B: Urban Analytics and City Science, 2019, 46(2): 377-394. |
| [31] |
于晓雨, 许刚, 刘樾, 等. 长江三角洲地区城市建筑三维形态对地表热环境的影响[J]. 中国环境科学, 2021, 41(12): 5806-5816. Yu X Y, Xu G, Liu Y, et al. Influences of 3D features of buildings on land surface temperature: a case study in the Yangtze River Delta urban agglomeration[J]. China Environmental Science, 2021, 41(12): 5806-5816. |
| [32] | Lin J Y, Qiu S X, Tan X J, et al. Measuring the relationship between morphological spatial pattern of green space and urban heat island using machine learning methods[J]. Building and Environment, 2023, 228. DOI:10.1016/j.buildenv.2022.109910 |
| [33] | Peng W C Y, Wang R, Duan J, et al. Surface and canopy urban heat islands: does urban morphology result in the spatiotemporal differences?[J]. Urban Climate, 2022, 42. DOI:10.1016/j.uclim.2022.101136 |
| [34] | Chen Y, Yang J, Yang R X, et al. Contribution of urban functional zones to the spatial distribution of urban thermal environment[J]. Building and Environment, 2022, 216. DOI:10.1016/j.buildenv.2022.109000 |
| [35] | Xu H C, Li C L, Hu Y M, et al. Quantifying the effects of 2D/3D urban landscape patterns on land surface temperature: a perspective from cities of different sizes[J]. Building and Environment, 2023, 233. DOI:10.1016/j.buildenv.2023.110085 |
| [36] |
李军, 赵彤, 朱维, 等. 基于Landsat8的重庆主城区城市热岛效应研究[J]. 山地学报, 2018, 36(3): 452-461. Li J, Zhao T, Zhu W, et al. Urban heat island effect based on Landsat8 image in urban districts of Chongqing, China[J]. Mountain Research, 2018, 36(3): 452-461. |
| [37] | 徐新良. 中国气象要素平均状况空间插值数据集[DB/OL]. 资源环境科学数据注册与出版系统. https://www.resdc.cn/DOI/doi.aspx?DOIid=39. |
| [38] |
吴健生, 何海珊, 胡甜. 地表温度"源—汇"景观贡献度的影响因素分析[J]. 地理学报, 2022, 77(1): 51-65. Wu J S, He H S, Hu T. Analysis of factors influencing the "source-sink" landscape contribution of land surface temperature[J]. Acta Geographica Sinica, 2022, 77(1): 51-65. |
| [39] |
吴子豪, 童滋雨. 城市形态空间格局与城市热环境关联性研究——以南京市为例[J]. 南京师大学报(自然科学版), 2022, 45(2): 16-25. Wu Z H, Tong Z Y. Study on the correlation between the spatial patterns of urban form and the urban thermal environment: a case study of Nanjing[J]. Journal of Nanjing Normal University (Natural Science Edition), 2022, 45(2): 16-25. |
| [40] |
奥勇, 王周航, 赵永华, 等. 不同城市化水平下绿地景观要素对温度的影响——以关中平原城市群为例[J]. 生态学杂志, 2023, 42(11): 2721-2729. Ao Y, Wang Z H, Zhao Y H, et al. Effect of green space landscape elements on temperature under different urbanization levels: a case study of Guanzhong Plain urban agglomeration[J]. Chinese Journal of Ecology, 2023, 42(11): 2721-2729. |
| [41] |
谭凝, 陈天, 李阳力. 天津市城市蓝绿空间景观格局与热环境的关联研究[J]. 西部人居环境学刊, 2023, 38(2): 115-120. Tan N, Chen T, Li Y L. Study on the relationship between landscape pattern of urban green and blue space and thermal environment of Tianjin[J]. Journal of Human Settlements in West China, 2023, 38(2): 115-120. |
| [42] |
宋鑫博, 黄鹤, 郭军, 等. 城市形态对夏季热环境影响研究——以天津中心城区为例[J]. 生态环境学报, 2021, 30(11): 2165-2174. Song X B, Huang H, Guo J, et al. Research on the impact of urban morphology on thermal environment in summer: a case of Tianjin central city[J]. Ecology and Environmental Sciences, 2021, 30(11): 2165-2174. |
| [43] | Yu S Y, Chen Z Q, Yu B L, et al. Exploring the relationship between 2D/3D landscape pattern and land surface temperature based on explainable eXtreme Gradient Boosting tree: a case study of Shanghai, China[J]. Science of the Total Environment, 2020, 725. DOI:10.1016/j.scitotenv.2020.138229 |
| [44] |
仇宽彪, 张慧, 高吉喜, 等. 上海城市林地斑块冷岛效应的城乡梯度变化[J]. 生态学杂志, 2021, 40(5): 1409-1418. Qiu K B, Zhang H, Gao J X, et al. Variation of cool island effect for urban forest patches across an urban-rural gradient in Shanghai[J]. Chinese Journal of Ecology, 2021, 40(5): 1409-1418. |
| [45] | Zhou D C, Zhang L X, Hao L, et al. Spatiotemporal trends of urban heat island effect along the urban development intensity gradient in China[J]. Science of the Total Environment, 2016, 544: 617-626. |
| [46] |
陈泓瑾, 刘琳, 张正勇, 等. 天山北坡人类活动强度与地表温度的时空关联性[J]. 地理学报, 2022, 77(5): 1244-1259. Chen H J, Liu L, Zhang Z Y, et al. Spatiotemporal correlation between human activity intensity and surface temperature on the north slope of Tianshan Mountains[J]. Acta Geographica Sinica, 2022, 77(5): 1244-1259. |
| [47] |
刘泠岑, 孙中孝, 吴锋, 等. 基于夜间灯光数据的中国县域发展活力与均衡性动态研究[J]. 地理学报, 2023, 78(4): 811-823. Liu L C, Sun Z X, Wu F, et al. Dynamics of developmental vitality and equilibria of counties in China based on nighttime lights data[J]. Acta Geographica Sinica, 2023, 78(4): 811-823. |
| [48] |
王利伟, 冯长春. 转型期京津冀城市群空间扩展格局及其动力机制——基于夜间灯光数据方法[J]. 地理学报, 2016, 71(12): 2155-2169. Wang L W, Feng C C. Spatial expansion pattern and its driving dynamics of Beijing-Tianjin-Hebei metropolitan region: based on nighttime light data[J]. Acta Geographica Sinica, 2016, 71(12): 2155-2169. |
| [49] | 高佩义. 中外城市化比较研究[D]. 北京: 北京大学, 1991. |
| [50] | 刘传江. 世界城市化发展进程及其机制[J]. 世界经济, 1999(12): 36-42. |
| [51] |
孙凤云, 邓灵稚, 刘垚燚, 等. 基于增强回归树与区域增温敏感性指数的城市升温效应空间分异[J]. 生态学报, 2021, 41(15): 5929-5939. Sun F Y, Deng L Z, Liu Y Y, et al. Effects of urban warming on surface temperature: integrating the boosted regression tree approach and regional warming sensitivity index[J]. Acta Ecologica Sinica, 2021, 41(15): 5929-5939. |
| [52] |
袁帅, 张金梦, 徐志刚, 等. 城市热岛效应对建筑形态的响应及其昼夜变化研究[J]. 地理与地理信息科学, 2022, 38(5): 40-46. Yuan S, Zhang J M, Xu Z G, et al. Response of urban heat island effect to morphology characteristics of buildings and its diurnal variation[J]. Geography and Geo-Information Science, 2022, 38(5): 40-46. |
| [53] |
陈为公, 张娜, 张友森, 等. 基于DEMATEL-ISM的城市灾害韧性影响因素研究[J]. 灾害学, 2021, 36(1): 1-6, 17. Chen W G, Zhang N, Zhang Y S, et al. Study on influencing factors of urban disaster resilience based on DEMATEL-ISM[J]. Journal of Catastrophology, 2021, 36(1): 1-6, 17. |
| [54] | Huang G Y, Li D Z, Zhu X W, et al. Influencing factors and their influencing mechanisms on urban resilience in China[J]. Sustainable Cities and Society, 2021, 74. DOI:10.1016/j.scs.2021.103210 |
| [55] | Qarnain S S, Muthuvel S, Bathrinath S. Analyzing factors necessitating conservation of energy in residential buildings of Indian subcontinent: a DEMATEL approach[J]. Materials Today: Proceedings, 2021, 45: 473-478. |
| [56] | Huo T F, Cong X B, Cheng C, et al. What is the driving mechanism for the carbon emissions in the building sector? An integrated DEMATEL-ISM model[J]. Energy, 2023, 274. DOI:10.1016/j.energy.2023.127399 |
| [57] |
谭晓伟, 高阳, 马壮林. 基于改进DEMATEL-ISM的国家中心城市绿色交通水平影响因素研究[J]. 公路交通科技, 2023, 40(4): 248-255. Tan X W, Gao Y, Ma Z L. Study on influencing factors of green transport level in national central cities based on improved DEMATEL-ISM[J]. Journal of Highway and Transportation Research and Development, 2023, 40(4): 248-255. |
| [58] |
范德成, 谷晓梅. 高技术产业技术创新生态系统健康性评价及关键影响因素分析——基于改进熵值-DEMATEL-ISM组合方法的实证研究[J]. 运筹与管理, 2021, 30(7): 167-174. Fan D C, Gu X M. Study on health evaluation and key influencing factors of technology innovation ecosystem in high-tech industries: based on the improved entropy weight-DEMATEL-ISM method[J]. Operations Research and Management Science, 2021, 30(7): 167-174. |
| [59] |
谢紫霞, 张彪, 佘欣璐, 等. 上海城市绿地夏季降温效应及其影响因素[J]. 生态学报, 2020, 40(19): 6749-6760. Xie Z X, Zhang B, She X L, et al. The summer cooling effect and its influencing factors of urban green spaces in Shanghai[J]. Acta Ecologica Sinica, 2020, 40(19): 6749-6760. |
| [60] | Dai Z X, Guldmann J M, Hu Y F. Thermal impacts of greenery, water, and impervious structures in Beijing's Olympic area: a spatial regression approach[J]. Ecological Indicators, 2019, 97: 77-88. |
| [61] |
江颂, 彭建, 董建权, 等. 地表城市热岛效应的概念内涵与定量刻画[J]. 地理学报, 2022, 77(9): 2249-2265. Jiang S, Peng J, Dong J Q, et al. Conceptual connotation and quantitative characterization of surface urban heat island effect[J]. Acta Geographica Sinica, 2022, 77(9): 2249-2265. |
| [62] |
向炀, 周志翔. 蓝绿空间景观格局对城市热岛的影响[J]. 中国园林, 2023, 39(1): 105-110. Xiang Y, Zhou Z X. Influence of blue-green spatial landscape pattern on urban heat island[J]. Chinese Landscape Architecture, 2023, 39(1): 105-110. |