EN中文

GEOGRAPHICAL RESEARCH >

2021 , Vol. 40 >Issue 6: 1684 - 1700

DOI: https://doi.org/10.11821/dlyj020200922

Assessment of population vulnerability to heat stress and spatial differentiation in Xi'an

  • HUANG Xiaojun , 1, 2, 3 ,
  • QI Mingyue 1 ,
  • ZHAO Kaixu 1, 4 ,
  • ZHENG Dianyuan 1 ,
  • LIU Mengmeng 1
Expand
  • 1. College of Urban and Environmental Sciences, Northwest University, Xi'an 710127, China
  • 2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Xi'an 710127, China
  • 3. Shaanxi Xi'an Urban Forest Ecosystem Research Station, Xi'an 710127, China
  • 4. Northwest Branch of Beijing Tsinghua Tongheng Urban Planning and Design Institute, Xi'an 710000, China

Received date: 2020-09-22

  Accepted date: 2021-03-04

  Online published: 2021-08-10

Copyright

Copyright reserved © 2021
Fold

Abstract

Due to extreme heat events and urban heat island effects, urban population health and socio-economic development have become increasingly vulnerable. How to accurately quantify and assess the urban population vulnerability to heat, and provide a scientific basis for formulating more targeted heat adaptation strategies has become an international research hotspot. This study aimed to assess the population vulnerability to heat stress in Xi'an, and obtain a fine-scale urban vulnerability map. First, we integrated remote sensing, cellular signaling data, POI and other socioeconomic data, and constructed an assessment index system of population vulnerability based on three dimensions including exposure, sensitivity and adaptive capacity. Second, we developed a population vulnerability model to measure exposure index, sensitivity index, adaptive capacity index, and population vulnerability index at grid scale in Xi'an. Finally, this study revealed the spatial distribution and heterogeneity of population vulnerability in the study area, and identified vulnerability types and its spatial pattern. The results are shown in the following aspects. (1) The exposure index, sensitivity index and adaptability index not only present significant spatial agglomeration characteristics, but also show a clear center-periphery structure. The central areas of the city are dominated by the high exposure index, high sensitivity index, and high adaptive capacity index, while the outer urban areas are dominated by low exposure index, low sensitivity index, and low adaptive capacity index. (2) The proportion of the area with the lowest and lower levels of population vulnerability index is larger in Xi'an. The population vulnerability index also shows significant spatial agglomeration. The areas with high population vulnerability index are mainly concentrated within the third ring road of the city, while the areas with low vulnerability index are concentrated in the urban fringe areas. (3) According to different dominant factors, vulnerability is grouped into four types including exposure-dominated, sensitivity-dominated, low adaptability, and comprehensive type, and their proportions to the total urban area are 33.3%, 5.8%, 23.6%, and 37.3%, respectively. The spatial distribution of the four types is as follows: the exposure-dominant areas are concentrated in the center, north and west of the city; the sensitivity-dominant areas are in the center and south of the city; the low adaptability areas are concentrated in the urban fringe areas; the comprehensive type areas are mainly distributed in the south and north of the city. This study can provide a new approach for assessing urban population vulnerability to heat stress at fine-scale, and give enlightenment for mitigation and governance of urban heat vulnerability.

Key words： heat; population; vulnerability; exposure; sensitivity; adaptive capacity; Xi'an

Cite this article

HUANG Xiaojun , QI Mingyue , ZHAO Kaixu , ZHENG Dianyuan , LIU Mengmeng . Assessment of population vulnerability to heat stress and spatial differentiation in Xi'an[J]. GEOGRAPHICAL RESEARCH, 2021 , 40(6) : 1684 -1700 . DOI: 10.11821/dlyj020200922

1 引言

2017—2020年全球风险报告显示,极端天气事件已连续成为人类社会面临的最突出风险[1]。在所有极端天气事件中,高温热浪发生概率高、影响范围广、风险危害大[2],对人体健康和生命安全构成严重威胁。1998年印度热浪造成2500人死亡[3];2003年法国热浪引发高温疾病死亡人数达1.5万人[4];2013年中国南方出现大范围持续高温天气,导致中暑发病率和死亡率明显增加[5]。研究显示,未来极端高温事件发生频率更高,持续时间更长,给人类社会带来的脆弱性后果将更加严重[6]。减缓高温灾害人口健康风险、建设气候安全型社会已成为人类面临的重大挑战。
脆弱性是暴露于风险、扰动或压力下的系统,由于自身的敏感性特征和缺乏对不利扰动的应对能力而使系统受到的负面影响或损害状态[7,8,9,10]。城市高温人口脆弱性是自然和人文过程耦合作用的结果,受高温热浪天气和城市热岛效应的双重影响,城市人口暴露于高温环境之下,致使居民身体健康面临突出风险,但由于人口结构、社会经济特征、居住环境等方面的差异,城市内部不同地区人口对高温影响的敏感性和适应能力不同,进而形成了人口脆弱性的空间分异。例如,美国芝加哥热浪的死者主要集中在城市的低收入、老龄化和非裔美国人集中区[11];韩国水原高温脆弱性地区则主要分布在高密度住宅区、人口稠密区以及高层建筑集中的超大街区[12]。如何量化高温影响下城市人口脆弱性程度,识别脆弱的人口分布地域并揭示其空间异质性,是本文研究的主要科学问题。这一问题的解答同时具有重要的现实意义,可为高温灾害风险的针对性防控、有限资源的空间优化配置、高温人口脆弱性的精准治理提供决策依据。
西方学者较早关注到高温对人体健康的影响,来自环境健康领域的多项研究已经证实了高温与人口发病率和死亡率之间具有显著关系[13,14,15,16,17]。地理学者更关注高温所带来的脆弱性后果在地理空间上的分异特征,采用脆弱性工具,构建评价指标体系,开展空间视角的地方脆弱性评价或人群视角的社会脆弱性评价[18,19,20,21,22,23,24,25]。这项研究已成为该领域的热点,其重要性也得到了学者们的广泛认同,即高温脆弱性评估可为制定有针对性的减缓与适应对策提供重要依据[26]。纵观近年国外高温脆弱性研究可以发现,研究成果日益丰富,评估方法渐趋多样,研究尺度趋向微观,特别是以普查小区（census）或邻里（neighborhood）为基本评估单元的精细化研究成果[27,28],对城市高温风险防控政策制定、社区防灾减灾管理具有较强的现实指导意义。
与国外相比,国内在极端高温方面的研究主要以灾害学视角的高温热浪时空演化或生态学视角的城市热岛效应分析为主[29,30,31,32],侧重于极端高温事件或城市热环境本身,而低估了高温灾害对人群健康与社会发展的影响。近年来,部分学者也开始关注极端高温带来的脆弱性后果,在全国、区域等宏观尺度[33,34,35]或针对典型城市开展了高温脆弱性的实证研究[36,37,38,39]。相较于国外城市普查小区或邻里尺度的高温脆弱性评估而言,国内在城市微观尺度的脆弱性研究（包括高温在内的所有灾害脆弱性）明显不足。其主要原因在于,国外精细化尺度的人口和社会经济方面的数据更加丰富,而国内在城市微观尺度（如社区）的人口（家庭）普查数据不够详细,周期长,可获得性低,且空间边界变动性大,空间数据与属性数据不对称,极大限制了精细化尺度的高温人口脆弱性评估,迫使许多研究只能局限在数据相对丰富的统计单元（市辖区或街道办）,难以深入。尽管问卷调查数据可以提供较为详细的个体属性和行为信息,但受样本数据量所限,也难以实现研究结果在城市整体层面的空间表达。因此,十分有必要充分挖掘并融合多源数据,突破统计单元限制,开展精细化尺度上的高温脆弱性评估,识别哪些空间地域人群面临更突出的高温风险,揭示高温人口脆弱性的空间分异格局及其致脆类型差异,进而明确脆弱性治理的“标靶”地域,以便采取更具针对性的策略进行应对和管理。
基于此,本文采用脆弱性分析工具,构建城市高温人口脆弱性分析框架和评估指标体系,并以西安市为例,整合多源稠密数据,试图在精细化尺度揭示城市高温人口脆弱性分异格局,识别脆弱的人口分布地域和致脆因子类型,为城市高温人口脆弱性的减缓与治理提供科学决策依据。

2 研究区概况

西安市位于陕西省关中盆地中部,属暖温带半湿润大陆性季风气候,年平均气温13.3 ℃,7月平均气温26.5 ℃,年历史极端最高气温43.4 ℃。受全球气候变暖、大气环流异常、秦岭焚风效应、关中盆地聚热和城市热岛效应等因素的综合影响,西安市夏季极端高温天气频现,城市电力供给常面临超负荷压力,给人民健康与城市发展带来严重影响。经统计,1960—2016年西安市高温日（≥35 ℃）天数和高温日平均温度分别为1261天和36.7 ℃,在全国主要城市位列第5和第2位。2012年,国家气候中心曾发布全国十大炎热城市,西安市位列其中,并且是唯一的北方城市。作为国家中心城市之一和关中平原城市群的核心,西安市人口和社会经济要素高度集聚。2018年西安市辖区常住人口784.96万人,常住人口密度1525人/km2,地均生产总值15648万元/km2,受高温影响的人口和经济规模显著。因此,选择西安市进行高温脆弱性研究具有较强的代表性。综合考虑人口分布的集聚性、行政区划的相对完整性、研究数据的可获得性等因素,最终确定的研究范围集中在西安市主城区,包括新城区、碑林区、莲湖区、未央区、雁塔区,以及灞桥区和长安区的部分区域（图1）,总面积782 km2,常住人口538万人（2018年）,共辖52个街道办事处和949个社区。
图1 研究区域示意图

Fig. 1 Schematic diagram of the study area

3 研究方法与数据来源

3.1 分析框架

本文视高温为城市人口的主要风险或扰动,将高温人口脆弱性理解为暴露于高温环境下的城市居民由于自身的敏感性特征和缺乏对高温环境的适应能力,而使人口健康可能受到的负面影响或损害状态。脆弱性描述了暴露于外部扰动的人口敏感性特征及其对扰动的应对能力特征[40],它是一个关于暴露（exposure）、敏感性（sensitivity）和适应能力（adaptive capacity）的函数[2,7-9],已有研究也多从上述3个方面进行脆弱性的评价。因此,本文将高温暴露、敏感性和适应能力作为理解和评估城市高温人口脆弱性的3个主要维度（图2）。其中,高温暴露反映了城市人口受高温影响或扰动的程度（源于高温热浪天气和热岛效应的双重影响）,可通过高温强度或等级特征来表达;敏感性反映了人口是否容易受到高温的影响,它与人口自身的结构特征有关,尤其是年龄、职业和健康状况,老年人、室外工作者、罹患高温敏感疾病人群都是易于受高温影响的敏感性群体;适应能力是城市人口能够应对和适应高温影响的能力,与人口的居住环境、收入水平、资源禀赋等密切相关。城市高温人口脆弱性是在上述3个维度综合作用下形成的,暴露与敏感性对脆弱性具有正向作用,而适应能力则对脆弱性具有抵消作用。
图2 城市高温人口脆弱性分析框架

Fig. 2 The analytical framework of urban population vulnerability to heat

为了量化高温影响下城市人口脆弱性程度,识别脆弱的人口分布地域并揭示其空间异质性,整合遥感影像、手机信令、高德地图（POI）、社会经济等多源数据,选取高温暴露、敏感性和适应能力为核心指标并构建城市高温人口脆弱性评估指标体系（表1）,将各指标数据进行精细化尺度上的空间化处理,进而绘制高温人口脆弱性地图,分析致脆主导因子,以期为脆弱性的减缓与治理提供更精准的空间目标指向和干预政策指向。
表1 高温影响下城市人口脆弱性评估指标体系

Tab. 1 Evaluation index system of urban population vulnerability to heat stress

目标层 维度层 指标层 数据来源与处理
高温影响下城市人口脆弱性 高温暴露 地表温度(℃) 基于Landsat8 OLI_TIRS遥感影像的地温反演(2019年)
敏感性 人口密度(人/km2) 基于手机信令数据的人口密度计算(2018年)
老年人口密度(人/km2) 基于手机信令数据的老年人口密度计算(2018年)
适应能力 归一化植被指数(NDVI) 基于Landsat8 OLI_TIRS遥感影像的计算(2019年)
归一化水体指数(NDWI) 基于Landsat8 OLI_TIRS遥感影像的计算(2019年)
纳凉设施点数量(个) 高德地图POI数据空间化(2018年)
医疗设施点数量(个) 高德地图POI数据空间化(2018年)
住房价格(元/m2) 链家网在售房源信息数据空间化(2018年)

3.2 评估指标体系

3.2.1 高温暴露 气温是衡量城市热环境的最主要指标。受城市内部气象站点分布数量所限,其数据的空间分辨率较低,难以反映微观尺度的热环境差异,而基于热红外遥感的地表温度反演数据空间分辨率高,且已有研究表明其与空气温度具有高度正相关性[41],因此,本文采用地表温度来反映城市内部高温环境差异。
3.2.2 敏感性 已有研究表明,老年人是典型的高温敏感群体[42,43]。由于老年人身体调节机能较弱,在同等程度的高温环境下受到的伤害更大,除中暑外,还容易引发电解质紊乱、心血管疾病、肾功能衰竭等多种疾病,甚至导致死亡[44,45]。室外工作者（如交警、快递员、建筑工人、环卫工人等）和罹患高温敏感疾病人群也是易于受高温影响的敏感性群体,但受数据所限,本文主要选取人口密度和老年人口（65岁及以上）密度来衡量城市人口易受高温影响的差异。
3.2.3 适应能力 下垫面是影响城市内部热环境的主要因子之一,已有研究证实了植被和水体在局部范围内具有显著的降温作用[46,47,48],因此采用衡量植被覆盖度和水体信息的归一化植被指数（NDVI）和归一化水体指数（NDWI）反映城市的降温设施水平。通过2017年和2018年连续两年开展的“西安市居民高温感知与适应”问卷调查发现（有效问卷518份）,除居家避暑外,夏季高温期间西安市居民到具备空调设施或纳凉条件的场所避暑是其主要的适应行为之一（占样本量的65.2%）,这类场所主要有人防纳凉中心、地铁站、商场超市、公园广场和公共建筑（图书馆、博物馆等）,因此,采用纳凉设施点数量表征城市居民避暑场所的可获得性。采用医疗设施点数量（包括药店、诊所、综合医院）表征居民健康受到高温伤害时进行治疗和就医的可达性。居民收入水平决定了其应对高温资源的丰富程度,问卷调查发现,不同收入水平家庭拥有的空调数量、使用频率和使用持续时间（受电费支出的影响）差异显著;此外,居民收入水平还与受教育程度具有相关关系,这在一定程度上会影响居民高温风险感知及其适应行为选择。由于居民收入水平数据难以直接获取,而住房价格作为映射购房群体经济实力的典型因子[49,50],可以作为替代性指标来反映不同居住空间人群收入水平的分异。

3.3 数据来源与处理

3.3.1 地表温度反演 用于地表温度反演的遥感影像数据来源于美国地质调查局下载的Landsat8 OLI_TIRS遥感影像（https://earthexplorer.usgs.gov）。数据选取原则：当天气象条件应满足晴朗、静风、无云或少云以保障数据精度;尽可能采用高温日（即当天最高气温≥35 ℃）的遥感影像,以反映高温环境下的潜在风险和脆弱性;年份上尽可能与其他类型数据时间（2018年）保持一致。经查询,2018年夏季覆盖西安市的Landsat8 OLI_TIRS遥感影像数据质量较低（主要受云量和降雨影响）,无法进行地表温度反演。经比较,最终选取相邻且较近年份的2019年7月28日和2019年8月13日两期遥感影像作为数据源（空间分辨率为30 m）。借助ENVI软件,采用辐射传导方程法,通过辐射定标、大气校正、地表比辐射率计算、黑体辐射亮度计算以及真实地表温度反演等步骤,得出西安市地表温度分布格局（图3）。
图3 西安市地表温度空间格局

Fig. 3 Land surface temperature in Xi'an

3.3.2 遥感指数计算 NDVI是衡量植被覆盖度的常用指标,它是近红外波段与红波段处反射率的差值与二者反射率和值的比值,该指数介于-1和1之间,其值越高表明植被覆盖度越好。NDWI是反映水体信息的指标,它是绿波段与近红外波段处反射率的差值与二者反射率和值的比值,该指数同样介于-1~1之间,其值越高表明水体信息越丰富。采用2019年8月13日的Landsat 8影像作为数据源。首先,进行几何校正、大气校正、辐射定标和研究区范围裁剪等影像预处理;其次,借助ENVI软件中的Band Math工具,输入相应的NDVI和NDWI计算公式,得出研究区NDVI和NDWI的栅格数据;最后,借助ArcGIS软件工具将栅格数据进行矢量转换,并将其归一化到[0, 1],得到西安市30 m×30 m格网尺度的NDVI和NDWI空间分布图（图4）。
图4 西安市NDVI和NDWI空间分布

Fig. 4 Spatial distribution of NDVI and NDWI in Xi'an

3.3.3 人口密度空间化 为实现精细尺度人口分布差异的量化表达,本文采用手机信令数据计算人口密度。数据来源于联通智慧足迹科技有限公司,时间为2018年10月,数据精度为250 m×250 m。首先,排除国庆假期（10月1—7日）外来旅游人口的影响,在剩余日期中随机抽取3天（抽取结果为10月10日、10月17日和10月25日）,分别计算3个时段单日人口总量和老年人口数量（65岁及以上人口）;在此基础上,计算3个时段总人口和老年人口的平均值并乘以扩样系数①(①采用的手机信令数据来自中国联通公司,由于联通用户仅为所有手机用户的一部分,且不同城市联通用户所占比例不同。因此,需要将原始数据乘以扩样系数才能获得全部手机用户数量,经与西安联通公司确认,本文使用的西安市手机信令数据扩样系数为3.734。)得到西安市真实人口数量,同时将人口数据栅格化并重采样至30 m×30 m,最后计算得出西安市总人口与老年人口密度分布（图5）。
图5 西安市人口密度和老年人口密度

Fig. 5 Population density and aged population density in Xi'an

3.3.4 社会经济数据空间化 适应能力中的纳凉设施点和医疗设施点数据来源于高德地图,住房价格数据来源于链家网的在售房源信息（受手机信令数据时间所限,为与其保持一致,这里统一采用2018年数据）。对采集来的数据进行清洗、筛选和坐标转换,得到研究区潜在纳凉设施点共计750个（图6a）,包括85个地铁站、336个普通商业中心、177个公园广场、105个公共建筑、46个大型商场和1个人防纳凉中心;医疗设施点共计5391个（图6b）,包括5102个药房、诊所和289个综合医院;住房价格数据包括在售新房和二手房信息共计39343条,运用克里金插值得到研究区房价空间分布图（图6c）。
图6 西安市纳凉设施点、医疗设施点和房价空间分布

Fig. 6 Spatial distribution of cooling facilities, medical facilities and housing price in Xi'an

不同等级与类型的公共服务设施具有不同的服务范围。考虑到居民前往不同设施点采用的交通方式和所能接受的出行时间差异,基于居民实际调查与专家咨询意见,将纳凉设施点中的地铁站、普通商业中心、公园广场、公共建筑、大型商场、人防纳凉中心的阻抗距离分别设置为800 m、1000 m、1600 m、2000 m、5000 m和10 km,通过缓冲区分析得出研究区各类型纳凉设施点的服务范围,进而统计30 m×30 m格网内居民所能享受到的纳凉设施点数量（图7a）。同样,将医疗设施点中的药房诊所和综合医院的阻抗距离分别设置为800 m和3000 m,可得到30 m×30 m格网内居民可达的医疗设施点数量（图7b）。将西安市房价栅格数据通过重采样和矢量转换,得到研究区30 m×30 m格网尺度的房价分布格局（图7c）。
图7 西安市格网尺度的纳凉设施点、医疗设施点和房价空间分布

Fig. 7 Spatial distribution of cooling facilities, medical facilities and housing price at grid scale in Xi'an

3.4 脆弱性指数计算

基于高温人口脆弱性分析框架,脆弱性是高温暴露、敏感性和适应能力3个维度综合作用的结果。目前,已有研究对脆弱性指数的计算既有加减法,也有乘除法[51,52,53,54],相对于加减法而言,乘除法更易于反映指标之间的协同作用关系[33,55,56],并受到越来越多学者的认同。据此,本文采用乘除法构建高温人口脆弱性指数,计算公式如下：
V u = E u × S u / A u
式中：Vu为格网u的人口脆弱性指数;Eu为高温暴露指数;Su为敏感性指数;Au为适应能力指数。其中,暴露与敏感性与脆弱性成正比,即暴露和敏感性越高,脆弱性越大;适应能力与脆弱性成反比,即适应能力越强,脆弱性越小。
构建高温暴露指数模型,通过计算某一格网的地表温度占所有格网地表温度平均值的比例,来表征该格网在研究区内的相对高温暴露程度,该值可比较不同格网的高温暴露差异。计算公式如下：
E u = T u ∑ u = 1 n T u n
式中：Eu为格网u的高温暴露指数;Tu为格网u的地表温度;n为研究区格网数量。
敏感性指数和适应能力指数采用综合指数法计算,其公式为：
S u = ∑ j = 1 2 W j × Y uj
式中：Su为敏感性指数;Wj为第j项指标的权重,运用层次分析法计算得出人口密度和老年人口密度的权重分别为0.67和0.33;Yuj为指标的归一化值。
A u = ∑ j = 1 5 W j × Y uj
式中：Au为适应能力指数;Wj为第j项指标的权重;运用层次分析法计算得到NDVI、NDWI、纳凉设施点数量、医疗设施点数量和住房价格的权重分别为0.09、0.09、0.26、0.17和0.39,Yuj为指标的归一化值。
为了消除不同指标间量级、量纲和性质的差异,在计算各指数之前采用极差标准化方法对原始数据进行归一化处理,计算公式为：
Y uj = X uj - X j min X j max - X j min
式中：Yuj、Xuj、Xjmax和Xjmin分别为第u格网第j项指标的归一化值、原始值、最大值和最小值。

4 结果分析

4.1 高温暴露

从地表温度反演结果来看（图3）,西安市地表温度为27.66~55.83 ℃,温差较大,不同等级地表温度的面积占比依次为中温区（36.35~38.38 ℃,33.84%）>较高温区（38.39~40.80 ℃,26.25%）>较低温区（33.83~36.34 ℃,24.68%）>低温区（27.66~33.82 ℃,7.67%）>高温区（40.81~55.83 ℃,7.56%）。
运用公式（2）计算得到西安市30 m×30 m格网尺度的高温暴露指数,采用自然断点法将其划分5个等级（图8a）。从各等级面积占比来看,低暴露区（0.740~0.905）、较低暴露区（0.906~0.972）、中等暴露区（0.973~1.027）、较高暴露区（1.028~1.091）和高暴露区（1.092~1.494）占整个研究区面积的比例依次为7.67%、24.68%、33.84%、26.25%和7.56%。为进一步探测其空间异质性,通过空间自相关分析发现（全局Moran's I指数为0.8102,Z值为4317.55,通过99%置信水平下的显著性检验）,高温暴露指数具有显著的空间集聚特征。冷热点分析结果显示（图8b）,高温暴露指数的热点区在城市中心和西部及北部集中分布,而冷点区则主要分布在城市东部、南部以及北部等地。
图8 西安市高温暴露指数及其冷热点分布

Fig. 8 Spatial distribution of heat exposure index, hotspots and cold spots in Xi'an

4.2 敏感性

运用公式（3）计算得到西安市30 m×30 m格网尺度的敏感性指数,采用自然断点法将其划分5个等级（图9a）。从各等级面积占比来看,低值区（0~0.033）、较低值区（0.034~0.093）、中值区（0.094~0.179）、较高值区（0.180~0.306）和高值区（0.307~0.869）占整个研究区面积的比例依次为65.31%、18.77%、10.11%、4.52%和1.29%,研究区内大多数地区的敏感性指数相对较低。为进一步探测其空间异质性,通过空间自相关分析发现（全局Moran's I指数为0.6494,Z值为3460.66,通过99%置信水平下的显著性检验）,敏感性指数具有显著的空间集聚特征。冷热点分析结果显示（图9b）,敏感性指数的热点区主要集中在市中心,冷点区则分布在城市边缘地带,总体格局呈现出比较典型的中心-外围结构。
图9 西安市高温敏感性指数及其冷热点分布

Fig. 9 Spatial distribution of heat sensitivity index, hotspots and cold spots in Xi'an

4.3 适应能力

运用公式（4）计算得到西安市30 m×30 m格网尺度的高温适应能力指数,采用自然断点法将其划分5个等级（图10a）。从各等级面积占比来看,低值区（0.082~0.157）、较低值区（0.158~0.211）、中值区（0.212~0.284）、较高值区（0.285~0.390）和高值区（0.391~0.622）占整个研究区面积的比例依次为35.88%、32.91%、16.44%、8.75%和6.02%,研究区内大多数地区的高温适应能力水平相对较低。为进一步探测其空间异质性,通过空间自相关分析发现（全局Moran's I指数为0.9908,Z值为17025.23,通过99%置信水平下的显著性检验）,适应能力指数具有显著的空间集聚特征。冷热点分析结果显示（图10b）,适应能力指数的热点区集中分布在城市相对偏南的中心地域,并由中心向外围依次形成了热点区、次热点区、次冷点区和冷点区的圈层式结构;相比之下,城市北部和东部的冷点区范围更大,分布更为集中。
图10 西安市高温适应能力指数及其冷热点分布

Fig. 10 Spatial distribution of adaptative capacity index, hotspots and cold spots in Xi'an

4.4 人口脆弱性

运用公式（1）计算得到西安市30 m×30 m格网尺度的高温人口脆弱性指数,采用自然断点法将其划分为5个等级（图11a）。从各等级面积占比情况来看,低值区（0~0.132）、较低值区（0.133~0.355）、中值区（0.356~0.678）、较高值区（0.679~1.225）和高值区（1.226~3.279）占整个研究区面积的比例依次为60.65%、21.78%、11.61%、4.91%和1.05%,大部分区域的脆弱性指数处于较低水平。为进一步探测其空间异质性,通过空间自相关分析发现（全局Moran's I指数为0.5317,Z值为9136.36,通过99%置信水平下的显著性检验）,脆弱性指数具有显著的空间集聚特征。冷热点分析结果显示（图11b）,脆弱性热点区和次热点区主要分布在城市三环以内,相对集中在城市中心并向南北两侧延伸,其中,脆弱性高值区形成了断续的“岛状”分布形态;次冷点区和冷点区则主要集中分布在城市边缘地区。
图11 西安市高温人口脆弱性指数及其冷热点分布

Fig. 11 Spatial distribution of population vulnerability, hotspots and cold spots in Xi'an

4.5 致脆类型及其空间分布

为分析高温暴露、敏感性和适应能力3个维度在脆弱性格局形成中的差异化作用,参考相关研究成果[33,35],划分脆弱性的致脆类型,为制定具有针对性的应对措施提供参考。划分方法如下,首先将归一化后的高温暴露指数、敏感性指数和适应能力指数按照自然断点法由低到高划分为低、较低、中等、较高和高5个等级;其次,采用图层叠置方法,根据各指数的等级差异对每个格网的主导致脆因子进行归类,具有较高和高等级暴露指数的格网归类为高温暴露主导型,敏感性指数大于暴露指数的格网归类为高温敏感主导型,具有低和较低适应能力指数,且暴露指数和敏感性指数均较低的格网归类为适应能力不足主导型;最后,其他剩余格网基本属于中等暴露、中等敏感性和较高适应能力耦合地区,将这类格网归类为综合主导型。
按照上述方法对西安市高温人口脆弱性的致脆类型进行划分,并统计不同类型面积和格网数量及其所占比例（表2）。结果显示,不同致脆类型的面积占比依次为综合主导型（37.3%）>高温暴露主导型（33.3%）>适应能力不足主导型（23.6%）>人口敏感主导型（5.8%）。其中,综合主导型面积最大（292.19 km2）,人口敏感主导型面积最小（45.26 km2）,高温暴露主导型和适应能力不足主导型面积分别为260.50 km2和184.07 km2。将不同致脆类型的空间分布进行可视化（图12）,结果显示,高温暴露主导型分布较为集中,主要在城市中心、西部、北部和东北部等地区;人口敏感主导型分布范围较分散,相对集中在城市中心的北部、西南和南部等地;适应能力不足主导型主要在城市边缘地区;综合主导型主要分布在城市西南、东南部,北部和东部也有少量分布。
表2 不同致脆类型面积和格网数量及其占比

Tab. 2 The area, the number of grids and their proportions of different vulnerability types

致脆类型 面积(km2) 格网数量(个) 比例(%)
高温暴露主导型 260.50 289446 33.3
人口敏感主导型 45.26 50297 5.8
适应能力不足主导型 184.07 204528 23.6
综合主导型 292.19 324655 37.3
图12 西安市高温人口脆弱性致脆类型分布

Fig. 12 Spatial distribution of population vulnerability types to heat stress in Xi'an

5 结论与讨论

5.1 结论

视高温为城市居民的主要扰动因子,基于脆弱性内涵和分析框架,从高温暴露、敏感性、适应能力3个维度构建西安市人口脆弱性评价指标体系和脆弱性测度模型,揭示高温影响下的人口脆弱性空间分异格局,识别人口脆弱性地域及其致脆因子类型。结论如下：
（1）西安市的高温暴露、敏感性和适应能力都表现出显著的空间集聚特征,且总体上均呈现出一定的“中心-边缘”结构,即城市中心地区形成“高暴露、高敏感、高适应”,城市边缘地区则表现为“低暴露、低敏感、低适应”（例外之处是城市边缘西部和北部地区的高温暴露指数也相对较高）。
（2）西安市高温人口脆弱性指数的低值区和较低值区所占面积比例合计为82.43%,大部分区域的脆弱性指数相对较低。脆弱性指数也具有显著的空间集聚性,相对而言,脆弱性较高地区（热点区和次热点区）主要集中在城市三环以内,其中,脆弱性高值区形成了断续的“岛状”分布形态;脆弱性低值和较低值地区则主要分布在城市边缘,且相对集中连片。
（3）不同致脆类型的面积占比依次为综合主导型（37.3%）>高温暴露主导型（33.3%）>适应能力不足主导型（23.6%）>人口敏感主导型（5.8%）;高温暴露主导型广泛分布在城市中心、北部和西部等地,人口敏感主导型相对集中在城市中心偏南地区;适应能力不足主导型主要分布在城市边缘地区;综合主导型主要集中在城市南部,北部也有大量分散式分布。

5.2 讨论

（1）高温影响下的城市人口脆弱性是自然和人文过程耦合作用的结果。相较于灾害脆弱性主要关注高温灾害自身特征及其导致的生物物理损失而忽视了人群的适应行为,以及社会脆弱性主要关注人群社会经济差异对脆弱性结果的社会建构而忽视了外部环境因素,本文构建的城市高温人口脆弱性分析框架从高温暴露、敏感性和适应能力3个维度整合了环境与社会关系,综合考量了外部高温环境和人口内部的社会经济属性差异,从环境-社会综合视角解析高温人口脆弱性,识别受高温影响的脆弱人口分布地域,揭示了高温灾害的社会后果及其空间异质性,为脆弱性评估提供了一个综合导向的分析框架与研究思路的借鉴。
（2）高温人口脆弱性评估是一个涉及热环境、人口分布、城市用地、公共服务设施、社会经济特征、公共健康及行为等多方面内容的综合性研究主题,对研究数据的获取和表达提出了一定的挑战。当前已有的高温脆弱性评价研究在多源数据融合及微观尺度的空间表达上仍存在不足,使得大多数研究主要集中在市辖区和街道层面,研究尺度不够精细,从而导致高温脆弱性治理的“标靶”指向不明。本文通过整合遥感影像、手机信令、POI、社会经济等多源稠密数据,实现了从更精细化尺度上揭示高温人口脆弱性的地域格局。从本文研究结果来看,整合了多源稠密数据的高温人口脆弱性评估指标体系较好地实现了精细化尺度上的脆弱性评估,该方法具有一定的推广性,可对其他城市的高温人口脆弱性和其他灾害类型的脆弱性评价提供参考和借鉴。
（3）从高温人口脆弱性格局来看,可以发现其与敏感性指数分布格局具有一定的相似性,原因在于人口分布是构成敏感性的主要指标,人口脆弱性格局是建立在人口分布基础上的,只有居住人口的存在,才有可能形成脆弱性后果。相较而言,有些地方尽管热环境恶劣（如西安市北部和西部的工业区和仓储物流区）,但人口分布十分有限,因此并未形成明显的脆弱后果。在人口分布相对集中地区,脆弱性结果则是高温暴露、敏感性和适应能力综合作用的结果,这一结果的形成受各维度构成指标的综合影响,而这些指标同时也是开展脆弱性评估的关键替代性指标。因此,在融合了多源数据的脆弱性评估基础上,很难再定量开展脆弱性的影响因素分析,这也是当前该领域绝大多数研究集中在脆弱性状态评估而缺乏影响机制分析的主要原因。此外,与许多同类型研究一样,由于人口受高温影响的医疗健康数据无法获取,难以实现脆弱性评估结果的验证。对此,本文将在未来研究中进一步完善和深化。

5.3 现实启示

结合高温人口脆弱性格局和致脆类型的划分结果,可为高温人口脆弱性的减缓与治理提供更明确的空间目标指向和干预政策指向。将西安市高温人口脆弱性指数分布图（图11a）与社区分布图叠加,统计每个社区范围内,中等及以上脆弱性等级占比面积超过50%的社区,将其作为高温人口脆弱性治理的主要空间单元。经统计,西安市高温人口脆弱性社区数量为237个,占研究区域社区总数的24.97%（图13）。
图13 西安市高温人口脆弱性社区及其类型

Fig. 13 Spatial distribution of population vulnerability community and its types in Xi'an

将上述脆弱性社区分布与高温人口脆弱性致脆类型分布（图12）进行叠加,以数量最多的类型作为该社区的致脆类型,进而提出社区分类治理对策。① 对于高温暴露主导型脆弱社区,通过改善建成环境降低高温暴露度是脆弱性治理的主要方向。考虑到城市中心区用地资源的稀缺性,充分挖掘绿色基础设施潜力,加强微观层面的垂直绿化、屋顶绿化、街头绿地、公园、喷水景观等改造设计是可采取的具体对策。② 对于人口敏感主导型脆弱社区,加强对人口尤其是老年敏感人群的关爱援助,进而提高其适应能力是脆弱性治理的主要方向。具体措施如,在人口密度大的脆弱社区,加强公共纳凉场所的规划布局;针对老年人群体开展高温避暑知识宣传,为老年人提供高温预警和健康保护信息,加强对老年人尤其是独居老人的帮扶。③ 对于综合主导型脆弱社区,适合采取多种综合措施以提高其适应能力。除了前文提到的建成环境改善、公共纳凉场所规划、敏感人群援助以外,还可进一步加强医疗卫生资源的投入,以及对低收入群体和弱势群体的关注,保障公共资源分布的公平性和公正性。
最后,在城市整体层面,考虑到城市热环境的溢出效应和未来人口的居住扩散,应统筹考虑,将极端高温事件尽快纳入到城市规划中,制定气候适应性规划或“凉爽城市规划”,从绿色空间体系完善、公共纳凉场所建设、社区建成环境优化、脆弱群体医疗救助、社区灾害风险管理、高温热浪监测预警等方面制定面向极端高温的系统的城市适应行动方案和适应性管理策略。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文指标选取、结果分析、结论梳理方面的修改意见,使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
World Economic Forum. The Global Risks Report 2020. https://cn.weforum.org/reports/the-global-risks-report-2020, 2020-01-15.

[2]
Intergovernmental Panel on Climate Change. Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report. https://www.ipcc.ch/report/ar5/syr/, 2014, 2020-01-15.

[3]
Tran K V, Azhar G S, Nair R, et al. A cross-sectional, randomized cluster sample survey of household vulnerability to extreme heat among slum dwellers in Ahmedabad, India. International Journal of Environmental Research and Public Health, 2013, 10(6): 2515-2543. DOI: 10.3390/ijerph10062515.

DOI

[4]
Fouillet A, Rey G, Laurent F, et al. Excess mortality related to the August 2003 heat wave in France. International Journal of Occupational and Environmental Health, 2006, 80(1): 16-24. DOI: 10.1007/s00420-006-0089-4.

DOI

[5]
秦大河, 张建云, 闪淳昌, 等. 中国极端气候事件和灾害风险管理及适应国家评估报告. 北京: 科学出版社, 2015: 63.

[Qin Dahe, Zhang Jianyun, Shan Chunchang, et al. China National Assessment Report on Risk Management and Adaptation of Climate Extremes and Disasters. Beijing: Science Press, 2015: 63.]

[6]
Intergovernmental Panel on Climate Change. Global warming of 1.5 °C. An IPCC Special Report on the impacts of global warming of 1.5 °C, https://www.ipcc.ch/sr15/, 2018-10-05.

[7]
Cutter S L. Social vulnerability to environmental hazards. Progress in Human Geography, 1996, (20): 529-539. DOI: 10.1111/1540-6237.8402002.

DOI

[8]
Adger W N. Vulnerability. Global Environmental Change-Human and Policy Dimensions, 2006, 16(3): 268-281. DOI: 10.1016/j.gloenvcha.2006.02.006.

DOI

[9]
Turner II B L, Matsond P A, McCarthye J J, et al. Illustrating the coupled human-environment system for vulnerability analysis: Three case studies. The Proceedings of the National Academy of Sciences, 2003, 100(14): 8080-8085. DOI: 10.1073/pnas.1231334100.

DOI

[10]
黄晓军, 王晨, 胡凯丽. 快速空间扩张下西安市边缘区社会脆弱性多尺度评估. 地理学报, 2018, 73(6): 1002-1017.

DOI

[Huang Xiaojun, Wang Chen, Hu Kaili. Multi-scale assessment of social vulnerability to rapid urban expansion in urban fringe: A case study of Xi'an. Acta Geograhical Sinica, 2018, 73(6): 1002-1017.] DOI: 10.11821/dlxb201806002.

DOI

[11]
Klinenberg E. Heat wave: a social autopsy of disaster in Chicago. Chicago: University of Chicago Press, 2015.

[12]
Kim S, Ryu Y. Describing the spatial patterns of heat vulnerability from urban design perspectives. International Journal of Sustainable Development and World Ecology, 2015, 22(3): 189-200. DOI: 10.1080/13504509.2014.1003202.

DOI

[13]
Rey G, Fouillet A, Bessemoulin P, et al. Heat exposure and socio-economic vulnerability as synergistic factors in heat-wave-related mortality. European Journal of Epidemiology, 2009, 24: 495-502. DOI: 10.1007/s10654-009-9374-3.

DOI

[14]
Anderson G B, Bell M L. Heat Waves in the United States: mortality risk during heat waves and effect modification by heat wave characteristics in 43 U.S. communities. Environmental Health Perspectives, 2010, 119(2): 210-218. DOI: 10.1289/ehp.1002313.

DOI

[15]
Laaidi K, Zeghnoun A, Dousset B, et al. The impact of heat islands on mortality in Paris during the August 2003 Heat Wave. Environmental Health Perspectives, 2012, 120(2): 254-259. DOI: 10.1289/ehp.1103532.

DOI

[16]
Sun X, Sun Q, Zhou X, et al. Heat wave impact on mortality in Pudong New Area, China in 2013. Science of the Total Environment, 2014, 493: 789-794. DOI: 10.1016/j.scitotenv.2014.06.042.

DOI

[17]
Madrigano J, Ito K, Johnson S, et al. A case-only study of vulnerability to heat wave-related mortality in New York city (2000-2011). Environmental Health Perspectives, 2015, 123(7): 672-678. DOI: 10.1289/ehp.1408178.

DOI PMID

[18]
Heaton M J, Sain S R, Greasby T A, et al. Characterizing urban vulnerability to heat stress using a spatially varying coefficient model. Spatial Spatio-temporal Epidemiology, 2014, 8: 23-33. DOI: 10.1016/j.sste.2014.01.002.

DOI

[19]
Maier G, Grundstein A, Jang W, et al. Assessing the performance of a vulnerability index during oppressive heat across Georgia, United States. Weather, Climate, and Society, 2012, 6(2): 253-263. DOI: 10.1175/WCAS-D-13-00037.1.

DOI

[20]
Weber S, Sadoff N, Zell E, et al. Policy-relevant indicators for mapping the vulnerability of urban populations to extreme heat events: A case study of Philadelphia. Applied Geography, 2015, 63: 231-243. DOI: 10.1016/j.apgeog.2015.07.006.

DOI

[21]
Bradford K, Abrahams L, Hegglin M, et al. A heat vulnerability index and adaptation solutions for Pittsburgh, Pennsylvania. Environmental Science & Technology, 2015, 49(19): 11303-11311. DOI: 10.1021/acs.est.5b03127.

DOI

[22]
Jianguo X, Tony S, Le J, et al. Variation in population vulnerability to heat wave in Western Australia. Frontiers in Public Health, 2017, 5, 64. DOI: 10.3389/fpubh.2017.00064.

DOI

[23]
Mushore T D, Mutanga O, Odindi J, et al. Determining extreme heat vulnerability of Harare Metropolitan city using multispectral remote sensing and socio-economic data. Journal of Spatial Information Science, 2017, 63(1): 173-191. DOI: 10.1080/14498596.2017.1290558.

DOI

[24]
Zou L, Lam N S, Cai H, et al. Mining twitter data for improved understanding of disaster resilience. Annals of the American Association of Geographers, 2018, 108(5): 1422-1441. DOI: 10.1080/24694452.2017.1421897.

DOI

[25]
Wang B, Loo B P Y, Zhen F, et al. Urban resilience from the lens of social media data: Responses to urban flooding in Nanjing, China. Cities, 2020, 106: 102884. DOI: 10.1016/J.CITIES.2020.102884.

DOI

[26]
Tanja W, Wen-Ching C, Glenn M G. On the science-policy bridge: Do spatial heat vulnerability assessment studies influence policy? International Journal of Environmental Research and Public Health, 2015, 12(10): 13321-13349. DOI: 10.3390/ijerph121013321.

DOI

[27]
Claus R, Dianne P, Kate B, et al. The role of maps in neighborhood-level heat vulnerability assessment for the city of Toronto. American Cartographer, 2010, 37(1): 31-44. DOI: 10.1559/152304010790588089.

DOI

[28]
Voelkel J, Hellman D, Sakuma R, et al. Assessing vulnerability to urban heat: A study of disproportionate heat exposure and access to refuge by socio-demographic status in Portland, Oregon. International Journal of Environmental Research and Public Health, 2018, 15(4): 640. DOI: 10.3390/ijerph15040640.

DOI

[29]
谈建国, 郑有飞. 我国主要城市高温热浪时空分布特征. 气象科技, 2013, 41(2): 347-351.

[Tan Jianguo, Zheng Youfei. Temporal and spatial distribution characteristics of heat waves in main capital cities of China. Meteorological Science and Technology, 2013, 41(2): 347-351.] DOI: 10.19517/j.1671-6345.2013.02.026.

DOI

[30]
贾佳, 胡泽勇. 中国不同等级高温热浪的时空分布特征及趋势. 地球科学进展, 2017, 32(5): 546-559.

[Jia Jia, Hu Zeyong. Spatial and temporal features and trend of different level heat waves over China. Advances in Earth Science, 2017, 32(5): 546-559.] DOI: 10.11867/j.issn.1001-8166.2017.05.0546.

DOI

[31]
彭保发, 石忆邵, 王贺峰, 等. 城市热岛效应的影响机理及其作用规律: 以上海市为例. 地理学报, 2013, 68(11): 1461-1471.

DOI

[Peng Baofa, Shi Yishao, Wang Hefeng, et al. Influence mechanism and action rule of urban heat island effect: A case study of Shanghai. Acta Geographica Sinica, 2013, 68(11): 1461-1471.] DOI: 10.11821/dlxb201311002.

DOI

[32]
刘勇洪, 徐永明, 马京津, 等. 北京城市热岛的定量监测及规划模拟研究. 生态环境学报, 2014(7): 1156-1163.

[Liu Yonghong, Xu Yongming, Ma Jingjin, et al. Quantitative assessment and planning simulation of Beijing urban heat island. Ecology and Environmental Sciences, 2014(7): 1156-1163.] DOI: 10.16258/j.cnki.1674-5906.2014.07.009.

DOI

[33]
谢盼, 王仰麟, 刘焱序, 等. 基于社会脆弱性的中国高温灾害人群健康风险评价. 地理学报, 2015, 70(7): 1041-1051.

DOI

[Xie Pan, Wang Yanglin, Liu Yanxu, et al. Incorporating social vulnerability to assess population health risk due to heat stress in China. Acta Geographica Sinica, 2015, 70(7): 1041-1051.] DOI: 10.11821/dlxb201507002.

DOI

[34]
郑雪梅, 王怡, 吴小影, 等. 近20 年福建省沿海与内陆城市高温热浪脆弱性比较. 地理科学进展, 2016, 35(10): 1197-1205.

DOI

[Zheng Xuemei, Wang Yi, Wu Xiaoying, et al. Comparison of heat wave vulnerability between coastal and inland cities of Fujian province in the past 20 years. Progress in Geography, 2016, 35(10): 1197-1205.] DOI: 10.18306/dlkxjz.2016.10.003.

DOI

[35]
黄晓军, 王博, 刘萌萌, 等. 中国城市高温特征及社会脆弱性评价. 地理研究, 2020, 39(7): 1534-1547.

DOI

[Huang Xiaojun, Wang Bo, Liu Mengmeng, et al. Characteristics of urban extreme heat and assessment of social vulnerability in China. Geographical Research, 2020, 39(7): 1534-1547.] DOI: 10.11821/dlyj020190608.

DOI

[36]
张明顺, 王义臣. 北京市高温热浪脆弱性评价. 城市与环境研究, 2015, (1): 16-33.

[Zhang Mingshun, Wang Yichen. Research on evaluation system of heat wave vulnerability in Beijing city. Urban and Environmental Studies, 2015, (1): 16-33.] DOI: CNKI:SUN:CSHY.0.2015-01-002.

DOI

[37]
陈恺, 唐燕. 城市高温热浪脆弱性空间识别与规划策略应对: 以北京中心城区为例. 城市规划, 2019, 43(12): 37-44.

[Chen Kai, Tang Yan. Identification of urban areas vulnerability to heat waves and coping strategies: A case study of Beijing central city. City Planning Review, 2019, 43(12): 37-44.] DOI: 10.11819/cpr20191206a.

DOI

[38]
赵颜创, 赵小锋, 刘乐乐. 厦门市高温热浪人群健康风险格局分析. 地球信息科学学报, 2016, 18(8): 1094-1102.

DOI

[Zhao Yanchuang, Zhao Xiaofeng, Liu Lele. Spatial pattern analysis on human health risk of heatwave in Xiamen city. Journal of Geo-information Science, 2016, 18(8): 1094-1102.] DOI: 10.3724/SP.J.1047.2016.01094.

DOI

[39]
税伟, 陈志淳, 邓捷铭, 等. 耦合适应力的福州市高温脆弱性评估. 地理学报, 2017, 72(5): 830-849.

DOI

[Shui Wei, Chen Zhichun, Deng Jieming, et al. Evaluation of urban high temperature vulnerability of coupling adaptability in Fuzhou, China. Acta Geograhical Sinica, 2017, 72(5): 830-849.] DOI: 10.11821/dlxb201705006.

DOI

[40]
黄晓军, 黄馨, 崔彩兰, 等. 社会脆弱性概念、分析框架与评价方法. 地理科学进展, 2014, 33(11): 1512-1525.

DOI

[Huang Xiaojun, Huang Xin, Cui Cailan, et al. The concept, analytical framework and assessment method of social vulnerability. Progress in Geography, 2014, 33(11): 1512-1525.] DOI: 10.11820/dlkxjz.2014.11.008.

DOI

[41]
Ward K, Lauf S, Kleinschmit B, et al. Heat waves and urban heat islands in Europe: A review of relevant drivers. Science of The Total Environment, 2016, 569-570: 527-539. DOI: 10.1016/j.scitotenv.2016.06.119.

DOI

[42]
Daniela P M, Claudia M, Francesca D, et al. The impact of heat waves on mortality in 9 European cities-results from the EuroHEAT project. Environmental Health, 2010, 9(1): 37. DOI: 10.1186/1476-069X-9-37.

DOI

[43]
Gronlund C J, Berrocal V J, White-Newsome J L, et al. Vulnerability to extreme heat by socio-demographic characteristics and area green space among the elderly in Michigan, 1990-2007. Environmental Research, 2015, 136: 449-461. DOI: 10.1016/j.envres.2014.08.042.

DOI PMID

[44]
Knowlton K, Rotkin-Ellman M, King G, et al. The 2006 California heat wave: Impacts on hospitalizations and emergency department visits. Environmental Health Perspectives, 2009, 117(1): 61-68. DOI: 10.1289/ehp.11594.

DOI

[45]
Vaidyanathan A, Saha S, Vicedo-Cabrera A M, et al. Assessment of extreme heat and hospitalizations to inform early warning systems. The Proceedings of the National Academy of Sciences, 2019, 116(12): 5420-5427. DOI: 10.1073/pnas.1806393116.

DOI

[46]
Santamouris M. Cooling the cities-A review of reflective and green roof mitigation technologies to fight heat island and improve comfort in urban environments. Solar Energy, 2014, 103: 682-703. DOI: 10.1016/j.solener.2012.07.003.

DOI

[47]
Norton B A, Coutts A M, Livesley S J, et al. Planning for cooler cities: A framework to priorities green infrastructure to mitigate high temperatures in urban landscapes. Landscape and Urban Planning, 2015, 134: 127-138. DOI: 10.1016/j.landurbplan.2014.10.018.

DOI

[48]
Lee H, Mayera H, Chen L. Contribution of trees and grasslands to the mitigation of human heat stress in a residential district of Freiburg, Southwest Germany. Landscape and Urban Planning, 2016, 148: 37-50. DOI: 10.1016/j.landurbplan.2015.12.004.

DOI

[49]
宋伟轩, 马雨竹, 李晓丽, 等. 南京城市住宅小区房价增长模式与效应. 地理学报, 2018, 73(10): 1880-1895.

DOI

[Song Weixuan, Ma Yuzhu, Li Xiaoli, et al. Housing price growth in different residences in urban Nanjing: Spatiotemporal pattern and social spatial effect. Acta Geographica Sinica, 2018, 73(10): 1880-1895.] DOI: 10.11821/dlxb201810005.

DOI

[50]
王洋, 张玉玲, 张虹鸥. 广州市家庭收入与住房特征对应关系的区位差异性. 地理科学进展, 2017, 36(2): 151-158.

DOI

[Wang Yang, Zhang Yuling, Zhang Hong'ou. 2017. Spatial variations in the correlation between household income and housing characteristics in Guangzhou city. Progress in Geography, 2017, 36(2): 151-158.] DOI: 10.18306/dlkxjz.2017.02.002.

DOI

[51]
Vescovi L, Rebetez M, Rong F. Assessing public health risk due to extremely high temperature events: Climate and social parameters. Climate Research, 2005, 30(1): 71-78. DOI: 10.3354/cr030071.

DOI

[52]
Aubrecht C, Özceylan D. Identification of heat risk patterns in the US National Capital Region by integrating heat stress and related vulnerability. Environment International, 2013, 56: 65-77. DOI: 10.1016/j.envint.2013.03.005.

DOI

[53]
El-Zein A, Tonmoy F N. Assessment of vulnerability to climate change using a multi-criteria outranking approach with application to heat stress in Sydney. Ecological Indicators, 2015, 48: 207-217. DOI: 10.1016/j.ecolind.2014.08.012.

DOI

[54]
Inostroza L, Palme M, Barrera F D L. A heat vulnerability index: Spatial patterns of exposure, sensitivity and adaptive capacity for Santiago de Chile. PLOS One, 2016, 11(9), e0162464. DOI: 10.1371/journal.pone.0162464.

DOI

[55]
Ebert U, Welsch H. Meaningful environmental indices: A social choice approach. Journal of Environmental Economics and Management, 2004, 47(2): 270-283. DOI: 10.1016/j.jeem.2003.09.001.

DOI

[56]
Tate E. Uncertainty analysis for a social vulnerability index. Annals of the Association of American Geographers, 2013, 103(3): 526-543. DOI: 10.1080/00045608.2012.700616.

DOI

Options
Outlines

/

〈 〉