高月静 赵敬源 GAO Yuejing, ZHAO Jingyuan
在全球气候变暖与快速城镇化的双重胁迫下，高温热浪、干旱暴雨、雾霾污染等极端天气事件在各大城市频繁发生[1]。2022年全球风险报告明确指出，极端天气事件已成为我国当前社会发展面临的“头号自然风险”，预计未来出现频率更高，持续时间更长，对人类社会造成的危害更强。与其他极端天气类似，高温热浪作为发生概率高、影响范围广、风险危害大的主要天气灾害，其对居民健康造成的负面影响有目共睹[2-3]。若任由灾害肆虐，城市高温风险将持续上升，越来越多的人将承受全球热效应、疟疾、登革热和其他热相关疾病的威胁[4-5]。因此，如何有效遏制城市热环境进一步恶化，提高城市的热安全性及热舒适性，最大限度地保证居民健康，已成为当前城市高质量发展过程中亟需解决的关键议题。
城市形态作为人类赖以生存的物质环境的外在表现，其与热环境的关系密不可分[6]。不同的形态布局方式直接决定着区域内的地表得热量、蓄热量和蒸发量，决定着区域内水平风场和纵向气流场的分布。具体而言，城市形态在二维结构的转变及三维方向的拓展显著影响了区域热量的集聚程度，在城市化进程中内部大量建筑物和道路等高蓄热体持续散热、交通热排放、以及人为热排放等[7]，使地表与大气环境间的热交换与空气流动发生改变，进而影响城市内的局地热环境，造成了城市建成区温度明显高于周围郊区的微气候现象[8-9]。因此，加强形态要素对热环境的影响机理认知，合理优化城市形态可有效化解热环境与建成环境之间的矛盾，缓解城市热岛效应，实现区域内的“良性微循环”。
目前，学界对热环境与形态要素间的相互关系已进行了诸多研究，主要依托表征形态要素的各个指标为研究媒介展开[10-12]。如众多学者聚焦于土地利用覆被变化对城市热环境的影响机理，基于空间统计分析建立不透水地表覆盖度、植被覆盖率、归一化植被指数、建设用地规模等二维平面参数与地表温度（land surface temperature, LST）间的数学模型，发现以LST表征的城市热场分布与地表覆被变化高度相关[13-14]。然而，快速的城市化进程使城市三维空间形态也发生了巨大变化，因此部分学者进一步关注容积率、建筑高度、天空开阔度等三维空间形态参数与LST的互动关系，发现高层低密度更有利于局地热量向外扩散[15-17]。此外，也有部分学者利用景观生态学方法，引入景观格局指数（如斑块类型总面积、斑块数量、最大斑块指数、斑块蔓延度、香农多样性指数等），剖析土地景观格局对城市热环境的影响过程[18-19]。
尽管上述研究为深入剖析空间形态要素影响局地热场奠定了一定基础，但其在认知层及方法论上仍有待进一步完善。首先，现有研究多从单一形态要素入手，缺乏从二维平面—三维空间—景观格局多维度系统化的视角分析热环境成因；
其次，其研究方法主要采用相关性分析、最小二乘回归等拉样线式的简单数据分析，缺少对各指标贡献度的深度解析；
此外，现有研究尺度多集中于城市、行政辖区及标准化网格，对大量现实街区的综合考量较为欠缺[20]，导致研究的科学性及应用性极大降低。
基于此，本研究将切入点聚焦于街区尺度，以西安市主城区410个控制性详细规划管理单元（以下简称“管理单元”）为研究对象，通过对遥感数据、建筑矢量数据、谷歌地图数据等多源城市空间数据的挖掘，系统从二维平面、三维空间、景观格局三个维度量化街区建成环境的形态要素，定量揭示西安市热环境时空效应及其与形态要素的耦合关联规律，并提出一种基于主成分回归的街区热环境贡献度算法，厘清各类指标对街区热环境的影响程度及单独贡献。研究结果以期为优化街区形态改善局地热环境，丰富后疫情时代城市气候韧性规划的新维度提供前沿性的理论支撑和设计依据。
西安位于黄河流域关中平原中部，北纬33°39′—34°45′，东经107°40′—109°49′，东西最长204 km，南北最宽116 km，全市面积约9 983 km2，其中市区面积约1 066 km2[21-22]。全年雨量适中，雨热大体同期，湿度冬低夏高，南部山脉阻挡了北上的冷空气，加之地处背风坡易形成焚风效应，导致夏季炎热程度高且持续时间长。据相关气象资料显示，2016年西安在34个省会城市中的热环境问题位列第七，在北方城市中位居第一；
2017年，西安市35 ℃以上天数达45天，40 ℃以上的天数达12天，连续大于40 ℃的高温天数创下历史新高[4]。当前西安市的高温天气日趋严重，有必要深入探讨其热环境的分异规律。本研究选取西安市主城区内410个管理单元为研究范围，总面积约为606.83 km2（图1）。该范围聚焦于城市居民活动的主城区范围，包含西安市大部分建成区，街区形态类型丰富多样。此外，管理单元作为城市规划编制管理的最小空间单元既满足了研究尺度的要求，又有利于后期与规划编制对接，为后续全面落实管控街区形态应对夏季高温灾害提供决策支持。
图1 研究区位图Fig.1 location of study area
本研究选取西安市2000年5月20日、2005年6月16日、2010年6月17日、2016年6月17日、2019年6月5日共五景Landsat 5和Landsat 8卫星遥感影像，该数据来源于美国地质调查局（USGS）。选取上述影像的原因主要有：第一，Landsat影像为目前开源遥感数据中分辨率最高的类型；
第二，上述影像数据云量均小于0.03%，尤其在研究区域上空云量为0，即无云层覆盖，且影像的成像时间均为白天上午11∶00左右；
第三，成像时间内西安市天气状况稳定，以晴或多云为主，前一天无降雨且风速较小，整体热环境未受到降雨刮风等影响。
西安市主城区建筑矢量数据为OpenStreetMap所爬取2019年的三维建筑数据（含建筑轮廓、层数信息），本文结合Google Map影像，增加原图中缺失建筑并删除实际中已拆除建筑对建筑数据进行修正，进而在ArcGIS中通过矢量配准获得所需建筑数据。此外，管理单元范围数据来源于西安市城市规划设计研究院所编制的西安市控制性详细规划。
本研究利用遥感影像的热红外波段，采用大气校正法反演得到地表温度。该方法是从卫星传感器所观测的热辐射总量减去大气对地表热辐射的影响，得到地表热辐射强度，进而将其转化为相应的地表温度[23]。具体步骤如下：
式中，B(Ts)为黑体辐射亮度；
Ts为地表温度；
L↑为大气上行辐射亮度；
L↓为大气下行辐射亮度，K1、K2为常量。
需要注意的是，在进行地表温度反演前先利用ENVI 5.3对遥感影像进行几何纠正、裁剪、辐射校正等数据预处理。同时，为保证反演结果的准确性，本研究选取当天气象站点所获取的实测气温数据与反演温度进行精度验证，整体而言地表温度与监测站空气温度的变化趋势基本一致，拟合优度R2为0.79，表明利用热红外遥感数据反演的地表温度与气象站点观测的空气温度之间具有良好的一致性，反演精度较高，与实际情况基本吻合。
为量化研究区热环境状况，本研究除采用常用的热岛强度指标（urban heat island intensity, UHII）外，还引入最高热岛升温值（UHIImax）、热岛升温总量（T）两个指标从多角度综合测度并描述热岛效应（表1）。目前热岛强度的评估计算方法尚未形成统一标准，本研究依据热岛强度的基本定义，选取研究区外受城市干扰较小的代表性郊区，即研究区域外8个不同方向平均抽取的32个郊区农村点，以其平均地表温度作为基准温度，将大于基准温度的区域定义为热岛区域，小于基准温度的区域定义为冷岛区域[24-25]。同时以每间隔3 ℃将热岛强度划分5级，分别为一级热岛强度（0～3 ℃）、二级热岛区域（3～6 ℃）、三级热岛区域（6～9 ℃）、四级热岛区域（9～12 ℃）和五级热岛区域（＞12 ℃）。
表1 热环境量化指标Tab.1 quantitative index of thermal environment
本研究通过对既有文献总结将形态要素归纳为二维地表覆盖、三维空间组合和景观格局特征三个层面。其中二维平面侧重于街区的地表覆盖状况，综合考虑研究需要及西安市现状用地类型，将研究区下垫面划分为以下4类：建设用地（C）、绿地（G）、水体（W）、裸土（S），主要指标包括覆被占比类指标及NDVI。该类指标数据源为上文反演地表温度的Landsat卫星遥感影像，各指标首先在ENVI 5.3中执行监督分类、波段计算，进而在ArcGIS 10.5中计算得到[4]，具体计算方法如表2所示。
表2 二维地表覆盖指标一览表Tab.2 a list of two-dimensional land cover indicators
三维空间组合侧重于建筑空间形态及其组合方式，考虑到数据的可获取性将三维空间分为典型形态及特殊形态指标2类。其中典型形态指标为常见的规划类指标：容积率（FAR）、建筑密度（BD）、平均建筑高度（BH）；
特殊形态指标为天空开阔度（SVF）、建筑高度变异度（R）、孔隙率（P），具体指标计算如表3所示。主要数据源为OpenStreetMap所爬取的2019年西安市建筑矢量数据，该类指标在ArcGIS 10.5中计算得到[4]。
表3 三维空间组合指标一览表Tab.3 a list of three-dimensional space combination indicators
景观格局特征则侧重于反映各景观斑块的集聚趋势、蔓延趋势以及与绿地水体的混合状态，考虑到指标在既往文献中出现的频次及计算的方便性，根据研究目的从表征斑块形态、结构两方面选取5个景观格局指数，分别为类型水平上的形状指数（LSI）、平均邻近度（MPI）以及景观水平上的蔓延度（CONTAG）、多样性指数（SHDI）、均匀度指数（SHEI），该类指标利用景观格局分析软件Fragstats 4.2计算得到[4]，具体计算方法如表4所示。
表4 景观格局特征一览表Tab.4 a list of landscape characteristic indicators
主成分分析法（principal component analysis, PCA）是数据分析中常用的降维归类算法，其是对普通最小二乘回归的改进，是在损失较少信息的前提下计算数据集的协方差矩阵，将多个指标降维变换为几个综合指标（即主成分），各主成分为原始变量的线性组合，且各种成分间互不相关[26]。需要指出的是，主成分分析只是主成分回归的一个中间结果，而非目标本身，本研究需进一步将得到的主成分与解释变量间进行回归，从而揭示多重因素共同影响下街区内部热环境差异的形态要素原因及各类指标的贡献度，该方法可有效规避自变量间存在严重共线性问题，提高传统多元线性回归的模型精度及分析效率，具体计算公式如下：
式中，Y为因变量；
β1，β2，… ，βp为各个主成分的标准回归系数；
F1，F2,…,Fp为各主成分，表达式如下：
图2为2000年、2005年、2010年、2016年和2019年五期西安市地表温度空间分布状况，结果显示，2000年高温及以上区域主要集中于城市二环以内，边缘温度普遍较低；
随着城市扩张，2005年以后高温区不再整体密集，而是在城市外围零星分布并逐渐融合扩大形成较易识别的热点孤岛区域；
2019年区域内地表温度整体较高，高温区开始在建成区内连片式蔓延。对比五期地表温度时序图发现，西安市热环境的延展方向与城市扩张方向基本保持一致，一般在高密度商业区、工业区等城市建成区内表现为高温，如城市中心的商业密集区域（钟楼）、北部工业区、西部物流仓储区、西南部工业区等；
在城市公园、绿地水体内表现为低温，如大唐芙蓉园、曲江池、兴庆宫公园、丰庆公园等。
图2 2000—2019年西安市地表温度空间分布图Fig.2 spatial distribution of LST in Xi’an from 2000 to 2019
为准确把握西安城市热环境时空演变特征，本文分别统计各年地表温度变化及热岛强度变化情况。从地表温度变化上看，如图3a所示，整个研究区2000年、2005年、2010年、2016年和2019年的平均地表温度分别为34.02 ℃、34.70 ℃、36.78 ℃、37.68 ℃、41.31 ℃，最大地表温度分别为50.30 ℃、51.23 ℃、53.64 ℃、57.40 ℃、59.96 ℃，最小地表温度分别为21.75 ℃、23.02 ℃、22.10 ℃、24.54 ℃、27.02 ℃，整体温度呈持续上升趋势，若以平均地表温度表征研究区域内整体温度状况，2000—2019年温度约上升了7.29 ℃。
图3 2000—2019年西安市地表温度变化及热岛强度变化情况Fig.3 variation of surface temperature and UHII in Xi’an from 2000 to 2019
从热岛强度变化上看，如图3b所示，研究区2000年、2005年、2010年、2016年和2019年的平均热岛强度分别为6.99 ℃、7.74 ℃、7.26 ℃、7.58 ℃、10.14 ℃，最大热岛强度分别为23.27 ℃、23.79 ℃、20.60 ℃、27.3 ℃、28.79 ℃，热岛强度逐年递增。若以平均热岛强度表征研究区各年份的整体状况，2000—2019年热岛上升了3.15 ℃。图3c为不同年份研究区热岛面积的变化情况，结果显示，2000—2019年间研究区域内热岛面积占比基本保持不变，维持在99.7%左右，究其原因是本文所选取的研究范围为城市中心区不包括周围郊区所致。进一步统计各年份的热岛升温总量，发现升温总量逐年递增，从2000年7 752.52 ℃/km2上升至2019年11 244.36 ℃/km2。
图3e为西安市2000—2019年不同热岛强度等级面积占比情况，结果显示，2000年三级热岛强度面积最大，占比达43.57%；
2005年热岛强度仍集中在三级，但面积占比有所上升，达54.59%；
2010年四级热岛强度面积上升明显，较2005年上升了10.01%；
2016年四级热岛强度较2010年略有下降，但二级、三级热岛强度有所上升，占比达21.70%和50.11%；
2019年热岛强度主要集中在四级，占比达46.70%，较2016年显著上升，五级热岛面积较2016年占比上升了18.69%。总体来看，热岛强度等级虽在个别年份存在小幅波动，但整体上一级、二级热岛强度区逐年减小，四级、五级热岛强度区逐年增加，这进一步印证了研究区内热环境正逐年恶化。
上文西安市5期热环境分析结果显示2019年热岛效应最为明显，因此本研究利用2019年数据在ArcGIS中分别统计各管理单元内的平均地表温度及街区形态要素指标，其空间分布如图4所示。可以看出：第一，二维地表覆盖指标：该类指标与城市内下垫面类型强相关，其中建设用地在整个区域内占比较高，各管理单元建设用地占比处于高位，且易在高密度区集聚，平均值为0.719，绿地占比、水体占比及裸土占比则相对较低，平均值分别为0.203、0.008、0.030，其中NDVI分布与研究区内的绿地占比分布大体一致；
第二，三维空间组合指标：FAR、BD、BH基本呈现“内高外低，外部局部隆起，沿轴带延展”的空间分布特征，且易在城市主干道、快速路两侧出现高值。SVF、R、P反映了各街区内的建筑组合特征，一般在中心区域的高开发强度建筑密集区表现为较高的粗糙度、较低的天空开阔度和孔隙率，而在研究区边缘表现为较低的建筑高度变异度、较高的天空开阔度和孔隙率；
第三，景观格局特征指标：MPI、LSI、CONTAG、SHDI、SHEI总体反映了研究区内景观的组合特征及分布状况，可以看出其类型水平上的景观格局指数分布与研究区土地利用类型高度吻合。
3.3.1 形态要素与地表热环境相关性分析
本节利用ArcGIS 10.5的空间统计功能获取各管理单元的平均地表温度值及各形态要素指标值，将数据进行相关性分析，结果如图5所示。可以看出，并非所有指标均与地表温度显著相关，且部分变量间存在显著的共线性问题。具体而言，二维地表覆盖指标中，建设用地占比、绿地占比、水体占比、裸土占比、NDVI与LST均在99%水平上显著相关（P＜0.01），其中建设用地占比、裸土占比与地表温度显著正相关，绿地占比、水体占比、NDVI与LST显著负相关，表明建设用地及裸土对城市具有增温作用，绿地、水体对于城市具有降温作用，这与现有研究结果一致[27]。三维建成环境指标中发现仅FAR、BD、SVF通过了显著性检验，其中BD、SVF在99%水平上显著相关（P＜0.01），FAR在95%上水平上显著相关（P＜0.05），其余3个指标与LST相关性较低，均未通过显著性检验，相关系数均小于0.1，说明其与地表温度的关联性均不强，映射关系模糊。
图5 形态指标与地表温度相关性分析图Fig.5 Pearson’s correlation between morphological indicators and LST
景观类型水平上的格局指标除裸土的MPI、LSI与地表温度无显著相关外，其余指标均与地表温度显著相关，究其原因在于研究区内裸土所占比例小，样本量低，且理论上裸地对温度的作用弱于其他三类景观类型[28]。建设用地类型的MPI呈显著负相关、LSI呈显著正相关（P＜0.05），表明建设用地作为影响地表温度的主要景观类型，其景观斑块分布越集中，形状越复杂，平均地表温度越高[29]；
而绿地、水体类型则相反，其MPI呈显著正相关、LSI呈显著负相关（P＜0.01），表明绿地景观斑块分布越集中，形状越复杂，其所产生的降温效果更好，周围平均地表温度越低[24]。相较而言，选取的3个景观水平的景观格局指数与LST均具有较强相关性（P＜0.05），其中CONTAG与LST呈显著正相关，SHDI、SHEI与LST呈显著负相关。一般而言，CONTAG越高表明斑块的蔓延性越好，连通性增加，而本研究区内以建设用地的高温区为主，其由于蔓延度的增加，使得高温热量能更好地向周边传递，导致地表温度升高[30]；
SHEI和SHDI越大，则说明景观多样性越丰富，地表温度越低[24]。
3.3.2 形态要素贡献度排序及权重分配
本节将上述与地表温度不相关的形态指标剔除，将剩余指标写入主成分分析模型，KMO及巴特利特检验结果显示，KMO为0.691，大于0.5，且显著性为0，表明变量间的相关性较强，偏相关性较弱，主成分分析的效果较好。图6为主成分分析的特征根贡献率，其中前4个主成分特征根大于1，方差累计贡献率为75.28%，包含了所有原始变量约75%的信息量，为反映影响街区热环境的主要因子。
图6 主成分分析特征根贡献率Fig.6 characteristic root and contribution rate of principal components
图7为主成分分析结果，结果显示，第一主成分主要为景观斑块（建设用地、绿地等）的集聚蔓延趋势、形态结构特征及地表覆被状况（即下垫面性质）等对热环境的影响，其中SHDI、SHEI、MPI_G为得分最大的三个指标，其值依次为0.934、0.909和0.849；
第二主成分主要反映了建设强度对热环境的影响，其指标主要包括FAR、LSI_W、BD，得分分别为0.733、0.679和0.628；
第三主成分反映了水体空间分布对热环境的影响，主要指标为WR、MPI_W，其得分为-0.746、-0.689；
而第四主成分则主要为裸土及建筑空间组合对热环境的影响，其中SR、SVF系数得分较高，分别为0.571、-0.417。
图7 主成分分析Fig.7 principal component analysis
为比较各主成分不同量纲指标间的作用程度，本文进一步对特征根大于1的四个主成分进行最小二乘回归，结合主成分得分系数矩阵、主成分回归模型，以及上述17个指标的标准化数据，得到原始变量的回归方程，如式5所示：
其中，X1为建设用地占比，X2为绿地占比，X3为水体占比，X4为裸土占比，X5为NDVI，X6为容积率，X7为建筑密度，X8为SVF，X9为MPI建设用地，X10为MPI绿地，X11为MPI水体，X12为LSI建设用地，X13为LSI绿地，X14为LSI水体，X15为CONTAG，X16为SHDI，X17为SHEI。
由式5可以看出，建设用地占比、建筑密度的正向影响较为突出，贡献度分别为0.658、0.319，绿地占比、MPI绿地、SHEI、NDVI的负向影响较为明显，贡献度分别为-0.718、-0.574、-0.508、-0.468，表明绿地对地表温度具有明显抑制作用。若将总权重和定为1，根据每个指标因子贡献度的绝对值进行权重分配，并将属于同一类别的空间形态指标进行叠加计算得到各类空间指标的权重和（图8）。结果显示，二维地表覆盖、类型水平景观格局权重占比最大，分别为36.64%、35.50%；
其次为景观水平景观格局，占比为18.47%；
三维空间组合对地表温度的影响程度最弱，仅占9.39%。
图8 影响街区热环境的空间形态指标贡献度排序与权重分配示意图Fig.8 schematic diagram of spatial morphological index contribution ranking and weight distribution affecting block thermal environment
以上研究结果表明，以不透水面为主的建设用地持续增加是引起热岛效应的主要诱因，其对街区热环境具有正向促进作用，而绿地和水体作为城市冷源具有一定的负向减弱作用，可抑制热环境恶化[16]。从三维建成环境看，建筑高度与地表天空开阔度对热环境的贡献整体较低，这可能与本文所选取的热环境指标为地表温度，其更多反映的是二维平面的热环境有关[28]。从景观格局看，类型水平的贡献度要高于景观水平的贡献度，具体表现为建设用地和裸地的景观斑块越集中、连通度越好、形状越复杂，更易加剧街区热环境；
绿地和水体则相反，其斑块越集中，形状越复杂产生的降温效果更好，更能缓解局地热环境。
因此，若要缓解夏季高温化问题首先应对各类地表覆盖及其构成的景观格局进行调控，尽可能降低研究区内的建筑覆盖占比，并充分发挥绿化水体的降温效果。具体而言，应在保持维护原有自然生态系的公园、绿地、河道、湿地等基础上，降低硬化地表（如建筑、道路等）覆盖，适量增加植被覆盖[26]，有条件还可增加水体覆盖面积；
并通过将绿地水体集中化、边界不规则化、均匀化等方式促进地表高低压区之间的大气流通[24]，提高绿地水体的降温效果；
另外，应优化城市空间结构形态，合理规划城市内建筑布局与排列组合方式，控制城区建筑物高密度发展，适当鼓励低密度开发模式，优化调控能耗布局，积极引导城市通风廊道及气候适应性规划建设。
本研究选取西安市主城区为研究对象，从二维平面、三维空间、景观格局三个维度系统梳理影响地表热环境的形态要素，利用多源城市数据挖掘计算所涉及的指标值，结合数理统计中双变量相关性分析及主成分回归对形态要素与地表热环境进行关联性分析，定量揭示多指标共同影响下形态要素对局地热环境的综合作用及各指标的贡献率，其主要结论如下。
一是2000—2019年西安市热岛呈现由中心向周边连片式蔓延的特点，一般高温区为城市中心的商业密集区域（钟楼）、北部工业区、西部物流仓储区、西南部工业区等，低温区为城市公园、绿地水体周边，总体而言，西安市热环境的延展方向与城市扩张方向基本吻合。
二是2000—2019年研究区内平均温度上升7.29 ℃，平均热岛强度上升3.15 ℃，约99.7%为热岛区，总升温量从2000年的7 752.52 ℃/km2上升至2019年的11 244.36 ℃/km2，其中四级、五级热岛强度区逐年递增，一级、二级热岛强度区逐年减小，整体升温效果显著，热岛效应不断增强。
三是相关性分析表明除BH、P、R、MPI_S、LSI_S外，其余指标均与地表温度存在显著相关关系。进一步通过主成分回归揭示多因素共同影响下形态要素对局地热环境的综合作用机理，发现CR、BD两个指标的正向影响较为突出，贡献度分别为0.658、0.319，而绿地对地表温度的抑制作用十分显著，负向影响较大的指标分别为GR、MPI_G、SHEI、NDVI，贡献度分别为-0.718、-0.574、-0.508、-0.468。各类形态要素指标权重占比排序依次为：二维地表覆盖（36.64%）＞类型水平景观格局（35.50%）＞景观水平景观格局（18.47%）＞三维空间组合（9.39%）。
本研究旨在探索建成环境中的形态要素与热环境间的量化关联规律，所提出的基于主成分回归模型的热环境贡献度算法能够在一定程度上实现地表热环境变化的归因分析，研究结论可为西安市气候适应性规划、街区形态优化等方面提供理论和数据支撑。但由于资料及数据获取的限制，后续还需对形态指标体系进行完善，如增加距主要冷热源（工业、道路、水体、公园等）的距离指标、人为排热量指标、地形地貌指标等，同时引入数值分析模拟不同情景方案，筛选优化相关参数并确定其合理阈值，形成城市热岛的预警机制及减轻热岛的形态策略，以完善热环境效应的影响因素及形成机理。
图表来源：
图1-8：作者绘制
表1：根据叶彩华, 刘勇洪, 刘伟东, 等. 城市地表热环境遥感监测指标研究及应用[J]. 气象科技, 2011, 39(1): 95-101.；
黄亚平, 卢有朋, 单卓然,等. 武汉市主城区热岛空间格局及其影响因素研究[J]. 城市规划, 2019,43(4): 41-47.整理绘制
表2：根据ESTOQUE R C, MURAYAMA Y, MYINT S W. Effects of Landscape Composition and Pattern on Land Surface Temperature: An Urban Heat Island Study in the Megacities of Southeast Asia[J]. Science of The Total Environment, 2017, 577: 349-359.；
沈中健, 曾坚. 厦门市热岛强度与相关地表因素的空间关系研究[J]. 地理科学, 2020, 40(5): 842-852.整理绘制
表3：根据周伟奇, 田韫钰. 城市三维空间形态的热环境效应研究进展[J].生态学报, 2020, 40(2): 416-427.；
沈中健, 曾坚. 厦门市热岛强度与相关地表因素的空间关系研究[J]. 地理科学, 2020, 40(5): 842-852.整理绘制
表4：根据黄晓军, 宋涛, 王博, 等. 土地利用规模—结构—形态演变对城市热环境的影响——以西安市主城区为例[J]. 地理科学, 2022, 42(5): 926-937.；
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.整理绘制
扩展阅读文章
推荐阅读文章
老骥秘书网 https://www.round-online.com
Copyright © 2002-2018 . 老骥秘书网 版权所有