EN中文

GEOGRAPHICAL RESEARCH >

2024 , Vol. 43 >Issue 3: 754 - 775

DOI: https://doi.org/10.11821/dlyj020230549

Study on the relationship between green space and surface heat island evolution in urban built-up areas based on morphology: The case of Xi'an city

  • WANG Liguo , 1 ,
  • BAI Yongping , 1 ,
  • LIANG Jianshe 1 ,
  • ZHANG Chunyue 2 ,
  • JING Linxiang 1 ,
  • DU Yaming 1 ,
  • ZOU Jiacheng 1
Expand
  • 1. College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China
  • 2. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China

Received date: 2023-07-11

  Accepted date: 2023-10-10

  Online published: 2024-03-07

Fold

Abstract

From a morphological standpoint, elucidating the relationship between the morphological evolution of UGS and SUHI offers a novel avenue for fine-tuning green spaces to ameliorate the urban thermal environment amid stock reduction. This study takes the built-up area of Xi'an city in China as the research area. Initially, employing Morphological Spatial Pattern Analysis (MSPA), this paper examines the characteristics of UGS morphological evolution from 2002 to 2021. Subsequently, it identifies SUHI coverage, and disaggregates the SUHI morphological evolution process using the Urban Heat Island Expansion Index. Building upon this, we explore the dynamic relationship between UGS and SUHI morphology evolution by combining the Pearson Correlation Analysis method with the Random Forest model. Simultaneously, we reference the Draft Public Consultation of the Overall Land and Space Planning of Xi'an city, propose specific UGS transformation plans with spatial allocation and estimate the effects after taking the renovation measures. Findings indicate a decrease in the UGS area from 2002 to 2021, with an overall pattern of larger patches fragmenting and smaller ones disappearing, thereby diminishing interconnectivity. During this period, surface temperature peaks rise, with a decreasing temperature increment. SUHI coverage exhibits greater expansion than contraction. SUHI contraction shifts from central point-like to peripheral point-like within the built-up areas. From 2002 to 2012, the edge expansion was the primary type of expansion, which occurred in the peripheral zones of the city. From 2012 to 2021, the proportions of the edge expansion and the infilling expansion were similar, and they were evenly distributed across the study area. Except the islet, there was a highly significant negative correlation between the morphological changes of various types of UGS and SUHI. Among them, excluding the core, small patches (such as bridges) made a significant contribution. The core primarily influenced the edge expansion and infilling expansion of SUHI. The bridge simultaneously affected the infilling expansion and contraction of SUHI. In the future, green space optimization will focus on fragmented spaces. Urban peripheries prone to SUHI edge expansion should ensure connectivity in the core, and central urban zones susceptible to SUHI infilling expansion should emphasize rational connections among fragmented patches like bridges and islets. After the "point-to-point" green space renewal and renovation, all types of UGS have been increased or decreased to different degrees, and the cooling effect is generally good.

Key words： morphological spatial pattern analysis; urban green space; surface urban heat island; heat island expansion

Cite this article

WANG Liguo , BAI Yongping , LIANG Jianshe , ZHANG Chunyue , JING Linxiang , DU Yaming , ZOU Jiacheng . Study on the relationship between green space and surface heat island evolution in urban built-up areas based on morphology: The case of Xi'an city[J]. GEOGRAPHICAL RESEARCH, 2024 , 43(3) : 754 -775 . DOI: 10.11821/dlyj020230549

1 引言

全球城市化进程整体呈现快速上升趋势[1,2]，世界卫生组织调查显示，到2050年，世界上近70%的人口将生活在城市地区[3]。作为最大的发展中国家，在过去几十年里，中国经历了快速的城镇化过程，《“十四五”新型城镇化实施方案》指出，2021年全国常住人口城镇化率已经达到64.72%，这是全国发展潜力不断释放的表现，但快速城市化使得不透水面持续扩张，进而导致耕地、草地和林地破碎化程度不断增加[4]，随之带来一系列城市生态环境问题，例如大气污染、水土流失、生物多样性减少和城市热岛效应加剧[5⇓-7]。而不同的环境介质使城市热岛分为大气城市热岛（atmospheric urban heat island, AUHI）、地下城市热岛（subsurface urban heat island, SubUHI）和SUHI,基于数据的可获取性，本文主要研究SUHI。
在上述城市生态环境问题中，城市热岛效应加剧已经成为亟待解决的问题。《中国气候变化蓝皮书（2021）》指出，1951—2020年，中国地表年平均气温呈显著上升趋势，升温速率为0.26℃/10年，近20年是20世纪初以来的最暖时期[8]。日渐严重的热岛效应带来了制冷能源消耗增加、空气质量下降以及长期暴露在高温热浪环境下死亡率增加等问题[9]。研究表明，人类活动带来的热排放和城市化过程中的下垫面变化是造成城市热岛效应的主要原因[10,11]。由于人口不断集中向城市的趋势目前尚不可逆反[12]，所以从土地利用/覆被变化的角度去改变下垫面这一主要影响因素，进而缓解热岛效应不失为一种有效途径。众多研究表明，UGS可以通过调节局部尺度的通风、湿度和蒸散影响地表温度（land surface temperature，LST）[13,14]，对于热岛效应的缓解有着不可忽视的作用，因此成为多学科关注的热点。
目前，以UGS为切入点缓解SUHI现象的研究，均从景观和斑块的角度出发，景观方面，采用景观格局指数[15,16]等表征景观格局，通过绿地景观的合理配置，建设生态廊道[17]等去缓解热环境逐年恶化；斑块方面，主要聚焦于公园、林地和湿地[18⇓-20]等单一或复合绿地斑块，明确绿地斑块大小及其内部土地覆被异质性与冷却效应的关系。上述研究均从整体上揭示了UGS的形态特征，缺乏对于UGS内部空间形态的考量。形态学空间格局分析法（Morphological Spatial Pattern Analysis，MSPA）作为一种以数学形态学原理度量空间形态的方式，不仅可以将一个绿地划分为7种不同的空间形态进行指标量化，还可以图示化反映绿地内部的空间结构，可以在一定程度上弥补上述不足[21]。目前，基于MSPA方法分析UGS并调节热环境的研究较少，多通过探讨UGS与LST或SUHI强度的关系[22,23]，揭示不同类型UGS的降温效果，并未关注SUHI的实际影响范围，对于新出现热岛与原有热岛的关系认识不足，造成UGS与SUHI空间形态演化的关系尚不清楚。而控制SUHI效应加剧，除在现存高温区域内进行针对性缓解，也要严防新的热岛出现扩散并与原有热岛相连成片，形成网络[24]。因此，精确识别热岛空间形态，探讨其变化机制，明确主要影响因素是当务之急。从研究尺度上来讲，现有研究多着眼于区域[25]、城市[26]、单一城市城区[27]中，探究绿地斑块对地表温度的影响，研究尺度较大，容易忽略建设用地内部的小型绿地，也进一步造成了建筑集中区域的热岛缓解具体方案空间落位不明晰。而在当下提倡存量发展的大背景下，小型绿地的建设以及原有绿地的改造更新对于缓解高温热浪意义重大[28]。同时，在何位置，以何手段提升改造绿地，缓解措施实施后，所达到何种效果，亟需具体明确。
因此，本文将西安市建成区作为研究区域，以高分辨率Google-earth影像为基础识别UGS，将小型绿地纳入研究范围，以基于MSPA的形态学角度，从类型水平上对UGS空间形态演化特征进行分析，同时利用Landsat卫星遥感影像识别SUHI覆盖范围，以地表城市热岛扩张指数刻画其空间形态变化特征。在此基础上，探讨UGS与SUHI形态演化的动态关系。以期解决现有研究中小型绿地缺失、不同生态含义UGS形态结构差异区分不明确、SUHI实际覆盖范围模糊的问题。同时，回答UGS的形态空间格局演化对于SUHI的形态演化（扩张、收缩）贡献度大小的问题。特别的，依据研究结果，本文参考城市未来发展方向，针对在建或准备建设的地块提出了UGS具体改造方案，并预估了改造方案实施后能够达到的理想效果。以期延缓西安市热岛蔓延并形成网络的趋势，同时也为西安市和其他同类城市的城市规划提供绿地降温专项规划框架。

2 研究区概况与数据来源

2.1 研究区概况

西安市（33°42′N~34°45′N,107°40′E~109°49′E），位于关中平原中部，冬季寒冷少雨，夏季炎热多雨，属于暖温带半湿润大陆性季风气候，年均气温13.1~14.3℃，年历史极端气温最高值43.4℃。在2012年国家气候中心发布的全国十大炎热城市排行榜中，西安是唯一的北方城市。全球变暖的大背景下，由于气候、地形和焚风效应等因素共同作用[29]，西安市极端高温事件频发，存在极大热环境风险。随着陕西省新型城镇化战略逐步落实，西咸新区建设稳步进行，西安市人口和社会经济要素高度集聚，暴露在高温热浪环境中的人口规模较大。此外，早期粗放型城市发展也导致目前西安市绿地面积不足，人均绿化较低等问题[30]，以老旧小区更为严重。结合当下西安市城市更新的建设背景，考虑热岛主要集中于人口和建设用地集中的中心城区，本文以西安市建成区为研究区域，包括新城区、碑林区、莲湖区以及未央区、雁塔区、灞桥区、长安区部分区域，面积654 km2，研究区域见图1。
图1 研究区概况

Fig. 1 Overview of the study area

2.2 数据来源

本文选用30 m土地利用遥感监测数据、DEM数据和全球城市边界数据集[31]提取城市建成区。首先，采用ArcGIS 10.8提取土地利用数据中的建设用地。其次，对30 m DEM数据进行影像镶嵌等预处理，生成等值线并平滑处理，得到600 m（参照关中平原平均海拔）等高线，用来剔除建设用地范围内高海拔山区。最后参考已有研究中的城市边界数据，最终划定研究区。
此外，本文选取Landsat系列遥感影像数据反演地表温度、提取地表信息。数据选取应保证：研究区内晴朗、无云、静风；采用高温日遥感影像（当日最高气温≥35℃），以准确反映SUHI效应；数据选取月份尽量保持在7、8月份。由于2012年、2020年和2021年符合上述条件的影像质量较低（受云量干扰），因此选取2013年和2019年遥感影像代替。使用ENVI 5.3进行辐射定标、大气校正、去条带等预处理，进而进行温度反演，为了尽量去除极端高温或低温天气的影响，2002年、2012年、2021年每一年至少选取两景影像取平均值，最终得到LST分布图。
最后，基于Google-earth 5 m分辨率影像，利用ArcGIS Pro 3.0中的深度学习模块，首先采用标注对象以供深度学习工具，标注400个对象生成训练数据集并导出，然后使用训练深度学习模型工具中的U-Net模型对深度学习模型进行训练，之后采用深度学习分类像素工具运行训练的深度学习模型，得到UGS的识别结果。在此基础上，依据高分辨率Google-earth影像目视解译以及部分现场调查随机选取178个样点作为检验样本，评估UGS识别结果，整体准确度为90.12%，Kappa系数0.85，符合研究需求。数据来源见表1。
表1 数据来源

Tab. 1 Data source

数据名称 数据来源 分辨率 用途 时间
土地利用遥感监
测数据		 中国科学院资源环境科学与数据中心
(https://www.resdc.cn)		 30 m 提取城市建成区 2021年
Landsat5 TM
 NASA官网(https://ladsweb.modaps.eosdis.nasa.gov) 30 m 反演地表温度
提取地表信息		 2002年08月30日
Landsat7 ETM+ 2002年08月22日
2011年07月30日
2013年08月04日
2013年08月20日
Landsat8 OLI T
IRS		 2019年08月13日
2019年08月29日
2021年08月02日
Google-earth高
分辨率影像		 Google-earth官网
（https://earth.google.com.hk）		 5 m 识别城市绿色空间 2002年、2012年、2021年
DEM数据 地理空间数据云（https://www.gscloud.cn） 30 m 剔除山体影响 2021年

2.3 研究方法

2.3.1 SUHI形态识别

（1）LST反演。参照以往研究[32]，利用Landsat系列数据，通过辐射传导方程法，对地表温度进行反演，步骤如下：
首先，采用混合像元分解法，将地表分解为水体、城镇、自然表面3种类型，分别计算其地表比辐射率：
ε s u r f a c e = 0.9625 - 0.0614 F V - 0.0461 F V 2
ε b u i l d i n g = 0.9589 - 0.086 F V - 0.0671 F V 2
ε w a t e r = 0.995
式中： ε s u r f a c e、 ε b u i l d i n g和 ε w a t e r分别表示自然、城镇和水体表面的比辐射率；FV表示植被覆盖度，依据归一化植被指数（NDVI）计算，公式如下：
F V = N D V I - N D V I S N D V I V - N D V I S
N D V I = N I R - R e d N I R + R e d
式中：NDVIV与NDVIS分别表示纯植被与纯裸土的NDVI值，一般用置信区间内的NDVImax、NDVImin表示；NDVIS理论值为0，受大气、地表湿度等影响并非定值，且即使在同一地区同一月份，NDVIV也会存在微小差异。因此，本文参考王丽春等[33]的研究，结合本研究区内实际情况，利用直方图统计分析NDVI累计频率，取图中累计频率为10%的NDVI值作为NDVImin，取图中累计频率为95%的NDVI值作为NDVImax。例如，2013年08月20日，取NDVIV = 0.7，NDVIS = 0，表示当某像元值>0.7时，FV取值1，某像元值<0时，FV取值0。
其次，计算黑体辐射亮度，计算公式如下所示：
B T S = [ L λ - L ↑ - τ ( 1 - ε ) L ↓ ] / τ × ε
式中：BTS表示黑体辐射亮度；依据普朗克定律推导，Lλ是依据热红外波段辐射定标得到的热红外辐射亮度；L↑表示上辐射亮度；L↓表示地面真实辐射亮度反射到卫星传感器的能量；τ表示大气在热红外波段的透过率。以上三个参数均从NASA官网 (https://ladsweb.modaps.eosdis.nasa.gov）获得，最后，依据普朗克公式反函数计算地表真实温度TS，单位是℃。
T S = K 2 / l n [ K 1 / B T S + 1 ]
式中：当影像为Landsat 5 TM时，K1=607.76 W/(m2·sr·μm)，K2=1260.56 K；当影像为Landsat 7 ETM+时，K1=666.09 W/(m2·sr·μm)，K2=1282.7 K；当影像为Landsat 8 OLI时，K1=774.8853 W/(m2·sr·μm)，K2=1321.0789 K。
（2）SUHI范围识别。SUHI虽然在城区产生，但是城区边界并不足以限制其实际影响范围，依据城乡温度阈值法，城市温度与乡村温度差值大于一定阈值的区域被定义为SUHI影响范围[34]。因此，为了识别SUHI的实际影响范围，首先，参照以往研究[35]，在城区外围做10 km缓冲区，以缓冲区内平均温度作为乡村背景温度；在缓冲区内切掉不透水面、水体以及600 m（参考关中平原海拔均值）以上山区以保证LST不受高海拔地区、水体和不透水面的影响[36]。其次，将研究区内高于农村背景温度2℃[37]的区域识别为SUHI范围，刻画SUHI作为“岛”和“群岛”的空间形态特征。
（3）热点分析。为了更清晰地表现SUHI范围内，LST空间分布是集聚、分散还是随机的，识别出LST分布的冷点和热点，本文引入热点分析法。首先划分300 m格网，利用ArcGIS 10.8中的分区统计工具对LST栅格数据进行处理；其次使用ArcGIS 10.8中的Getis-Ord Gi*对有统计显著性的空间聚类进行识别。Getis-Ord Gi*统计公式如下：
G i * = ∑ j = 1 n W i j X j - X - ∑ j = 1 n W i j S n ∑ j = 1 n W i j 2 - ∑ j = 1 n W i j 2 n - 1
式中：Wij表示要素i和j的空间权重；Xj表示要素j的属性值；n表示要素总数。其中：
X - = ∑ j = 1 n X i n
S = ∑ j = 1 n X j 2 n - ( X - ) 2
依据所得具有显著统计学意义的z得分和p值，清晰地表明了高值或低值要素聚类的空间位置，如果p值显著且z得分为正，z值越高则表明热点集聚越紧密；如果p值显著且z得分为负，z值越低则表明冷点集聚越紧密；如z得分趋近于零，则空间聚类并不明显。

2.3.2 SUHI形态时空扩张模式

根据Sun Y等[38]的研究，LEI指数可以识别城市扩张类型（填充型、边缘型和飞地型），参考乔治等[39]的成果，将LEI指数引于热岛研究的领域，揭示热岛形态的扩张模式：
L E I = L c o m / P n e w
式中：Pnew为新斑块的周长；Lcom为新斑块与原斑块共享边界的长度。LEI取值范围为0~1，即当LEI > 0.5时，为填充型，当0 < LEI ≤ 0.5时，为边缘型，当LEI = 0时，为飞地型。本研究中，使用ArcGIS 10.8去除前研究年和后研究年的重叠区域。

2.3.3 UGS空间格局演化分析

形态空间格局分析最早被用于识别生态网络中的潜在生态源地，构建生态廊道，以互不重合的七类空间格局（如图2），表征不同的生态学含义，见表2。近年来部分研究开始用MSPA的方法分析UGS的空间形态类别[40]。
图2 MSPA结构示意

注：图中七类前景类型的生态含义见表2。

Fig. 2 The landscape type map of MSPA

表2 MSPA的景观类型定义及生态学含义

Tab. 2 The definition and ecological meaning of MSPA classes

景观类型 定义 生态学含义
核心区 前景像素点远离背景像素点的距离大于指定大小
的某个参数的像素集合		 大型自然斑块、野生动植物栖息地、森林保护区等
桥接区 至少有2个点连到不同的核心区 连通核心区之间的带状生态用地，即区域绿色基础设施中的廊道，促进区域内部物种迁徙、能量流动与网络形成
孤岛 未连接任何的前景区域的斑块，并且面积小于核
心区的最小阈值		 彼此不相连的孤立、破碎的小型自然斑块，通常包括建成区内的小型城市绿地
边缘 前景外部的边缘 是核心区和建设用地之间的过渡，具有边缘效应
支线 仅有一边连接到孔隙、边缘、桥接或环道 与其他类型相比，景观连接度较差
环道 至少有2个点连接到同一核心区 连接同一核心区的生态走廊，规模小、与外围自然斑块的连接度低
孔隙 核心区内部的孔洞周边 核心区内部建设用地的周边绿地
首先，本文以识别的UGS结果（林地、草地、耕地3种自然景观）作为MSPA分析的前景数据，其他作为背景数据，采用ArcGIS 10.8生成二值图，并进行重分类、镶嵌栅格等处理使其满足进行MSPA分析所需要的数据要求；其次，运用Guidos工具将UGS分为核心区、桥接区、孔隙等七类斑块。

2.3.4 UGS与SUHI形态关联性分析

首先，参照研究区实际情况划分不同尺度格网（300 m、600 m、900 m、1200 m），运用皮尔逊分析法，探讨不同尺度下研究时段内各类UGS面积变化与热岛面积变化的线性相关关系。其次，采用随机森林模型，研究不同尺度下因变量（热岛面积变化）和七个自变量（UGS面积变化值）的非线性关系，进而明确各个因子的贡献度。
随机森林模型作为一种基于决策树的机器学习算法，首先依据原始样本集生成包含N个训练样本的子样本集，其次基于子样本集构造分类回归树(CART)，在构建CART树时，只利用自变量的一个随机子集作为原始自变量（影响因素）的拆分候选，最后采用所有决策树的平均值作为最终结果。其优点在于不受多重共线性影响，且可以为每个潜在因素赋予一个贡献值。而皮尔逊分析法通常用于分析两个变量的相关性（正、负、无），一旦考虑多个因素，这些变量在统计学上有可能是不显著的。而将上述二者结合，可以更透彻地分析自变量与因变量的关系。
在上述基础上，为明确表达因变量与自变量在空间上的关联程度，本文以研究区质心为圆心，经过多次试验，结合研究区实际情况，建立500 m多环缓冲区，探讨不同缓冲带内各类UGS与各类SUHI扩张形态和收缩形态的关系。

3 结果分析

3.1 UGS的时空格局及动态演化分析

2002—2012年和2012—2021年UGS的时空格局演化如图3所示，其中，选取2个样例点分别代表两种不同的UGS发展趋势。随时间推移，UGS受建设空间挤占总面积逐渐缩小，趋于破碎，但部分地区UGS逐年增加（见图3中局部样例1实况）。具体表现为，UGS总面积由2002年的192.58 km2下降到2021年130.39 km2；斑块总量由2002年的65221块减少为2012年的44930块，到2021年增加至59922块。2002—2012年，由于细碎斑块逐渐被侵吞，导致斑块数量下滑，平均斑块面积增加；2012—2021年，斑块数量增加且平均斑块面积减少，原因是大型斑块所在空间受到挤占，逐步碎片化。相较于2002年，2021年UGS呈现大斑块破碎，小斑块消失的发展趋势。
图3 UGS空间分布及样例展示

Fig. 3 Spatial distribution of UGS and sample

经MSPA分析统计出2002—2021年不同类型UGS的数量和面积，结果见表3（见第762页）。其中，除孤岛的数量在研究期间逐年增加，支线先减少后增加，其余类型斑块数量均呈现逐年减少的趋势；从面积上看，除桥接区先减少后增加，其余类型斑块的面积变化趋势与数量变化趋势相同。核心区和桥接区以多于50%的面积占比一直占主导地位，见图4（见第763页）。具体而言，核心区减少主要转化为桥接区和孤岛，2012—2021年,核心区面积占比降幅多于2002—2012年，至2021年面积占比居于桥接区之后，表明2012—2021年，核心区被分割破坏较前十年更为严重。桥接区作为起连通性作用的带状绿地，面积占比呈现先减少后上升的趋势，究其原因，早年大规模开发侵占耕地，大型绿地之间连通性减少，而近年来，对于城市蔓延式扩张的遏制、保护耕地战略的实施，以及城区中心绿色基础设施建设的完善，导致UGS连通性情况有所改善。同时，孤岛占比每年上升5%，至2021年已经成为除核心区和桥接区之外的第三大主导类型。其余类型斑块变化都较为稳定不再赘述。
表3 2002—2021年UGS类型统计

Tab. 3 Number and area of UGS types from 2002 to 2021

核心区 桥接区 孤岛 边缘 支线 环道 孔隙
面积（km2）
2002年 68.83 54.45 14.53 27.11 12.62 13.04 2.00
2012年 43.37 32.85 16.20 23.07 13.30 11.21 1.07
2021年 29.79 35.04 23.19 17.70 13.88 10.24 0.55
数量（个）
2002年 25173 22662 35020 78548 112128 14065 4534
2012年 20633 13979 25425 54045 92962 11095 2351
2021年 20107 13274 36366 43472 94438 8820 1298
图4 UGS类型分布及面积占比分布

Fig. 4 Distribution of UGS types and the proportion of area occupied by each type of UGS

各时间节点UGS类型空间分布如图4（见第763页）。建成区边缘地带核心区逐渐被侵吞，桥接区减少，连通性降低。但由于中心城区具有生态功能的行道树以及娱乐休憩功能的公园逐步建设，城区中央各类UGS都存在不同程度的增加。其中，2002—2012年，未央、雁塔，长安区的耕地由于建设用地扩张大量流失，导致核心区和桥接区变化较大。而碑林、莲湖、新城区各类绿地都明显增加，以大明宫和护城河处最为明显。2012—2021年，未央区的核心区大量减少，尤以未央宫遗址变化最大。同时，孤岛大量增加，多因居住区内及道路周边的绿化景观增多所致。选取位于图4（见第763页）中央部分的样例1及样例3两点，位于图4（见第763页）边缘部分的样例2及样例4两点详细展示上述变化。究其原因，是城市化过程中人口集聚、城市扩张的需要以及国家土地利用政策的宏观调控所致。

3.2 SUHI时空格局及动态演化分析

西安市建成区2002—2021年SUHI范围如图5（见第764页）。温度最高值逐年攀升，增幅下降，表明研究区内热环境虽逐步恶化，但恶化程度逐渐收敛。2002—2012年，最高温由48.05 ℃上升为54.05 ℃，增幅为6 ℃；2012—2021年，最高温由54.05 ℃上升为56.21 ℃，增幅为2.16 ℃。空间上，热岛区呈现由中心向外围蔓延趋势。2002年，大型热岛区呈点状分布，彼此连通性较差，主要位于东南部耕地以及不透水面等典型热源。2012年，大型热岛连片趋势初步形成，小型热岛点状分散，热岛覆盖范围向城市边缘地区大幅蔓延，以研究区西南部和北部未央区最为明显。2021年，蔓延趋势持续，热岛连片区形成，未央、莲湖、碑林、新城四区出现成片大型热岛。综上，2002—2012年热岛向边缘地区蔓延较2012—2021年严重，但2012—2021年城市大型热岛由中心到外围逐渐连片发展，空间上呈逐年恶化趋势。这与城市化进程中人口向城市集聚、不透水面增加侵占UGS有密切关系。
图5 SUHI空间分布及冷热点分析

Fig. 5 Spatial distribution of SUHI and analysis of cold spots and hot spots of SUHI

为进一步明确研究区内SUHI区域LST的集聚类型，运用冷热点分析得到LST集聚类型（图5见第764页）。2002年，热点区主要集中于莲湖区、新城区等建筑密集区域，雁塔区和长安区东部耕地，冷点区主要集中于未央区中部，长安区南部等建筑密度较低区域，其余均为不显著区域。2012年，未央区东部、西南部，长安区西南部等区域热点区成片增加，雁塔区西北部小部分冷点区转化为热点区，皆因厂房兴建侵占耕地，下垫面反照率增加，导致高温集聚。同时，未央区北部、雁塔区中南部以及灞桥区中部，出现大片冷点区，主要因为居民点建设使非热岛区转化为热岛区但温度相对较低，且在此期间雁塔区公园兴建，绕城高速周边绿地优化，遗址保护等措施导致绿地增加，因此低温聚集。2021年，莲湖区、新城区以及碑林区热点区连片趋势形成，研究区内部分冷点区转化为不显著区域，这是由中心三区人口集聚，部分绿地消失转化为厂房等不透水面导致。值得注意的是，未央区东部热点区范围缩小以及研究区西部和未央区中部冷点区增加，皆因厂房等不透水面转化为绿地以及高密度平房转化为低密度高层绿化向好。综上，2002—2021年，热点区连片，冷点区转化为不显著区域，热环境恶化，与上文研究结果一致。
在上述基础上，分别统计2002—2012年、2012—2021年各类热岛扩张（收缩）模式数量和面积占比（图6见第765页）。2002—2012年，总扩张面积162.33 km2。其中，填充式扩张占比为9.72%，飞地式占比0.23%，边缘式扩张以90.05%的占比获得绝对优势，但其斑块数量占比为28.29%，表明该时间段热岛扩张多为大面积连片扩张。2012—2021年，总扩张面积44.81 km2。填充式扩张与边缘式扩张占比相差不大，分别为51.30%，48.61%，几乎不存在飞地式扩张，填充式扩张占比增加，例如护城河边沿、兴庆宫、曲江池周围出现明显填充式扩张，表明热岛的发展已经由“摊大饼”式发展转变为“见缝插针”式发展，小型热岛与大型热岛相互连接。2012—2021年较2002—2012年，扩张面积大幅下降，优势斑块类型由边缘式转为填充式。
图6 SUHI扩张及收缩模式

Fig. 6 Expansion and contraction patterns of SUHI

此外，2002—2012年SUHI的收缩面积34.17 km2明显强于2012—2021年的23.69 km2。表现在空间上，2002—2012年，SUHI收缩主要点状分布于莲湖、新城、碑林三区，片状分布于雁塔、长安区东部，2012—2021年，则主要呈点状位于研究区边缘地带，中央三区几乎无收缩。这一发展走势一方面得益于早年间绿地专项规划导致的公园、立交的绿化改造，遗址区的保护，另一方面受到早期城市化过程中低层高密度建筑向高层低密度建筑转化带来的小区绿化更新的影响。但这种影响在2012—2021年由于已经形成的土地覆被变更较难（如不透水面）而减弱。

3.3 UGS与SUHI形态演化的关联性分析

为明确研究期间UGS与SUHI在形态演化上的动态关联性，本文通过划分不同尺度格网，采用皮尔逊分析法探讨各类型UGS面积变化与热岛面积变化的线性相关关系（如表4，表5见第766页），并借助随机森林模型明确各类UGS对SUHI形态演化的贡献度（表6和表7见第766页）。
表4 2002—2012年皮尔逊相关性结果

Tab. 4 Pearson correlation results from 2002 to 2012

2002—2012年皮尔逊相关系数
300 m 600 m 900 m 1200 m
核心区 -0.234** -0.243** -0.240** -0.237**
桥接区 -0.238** -0.303** -0.361** -0.376**
孤岛 -0.013 -0.056** -0.105** -0.126**
边缘 -0.249** -0.272** -0.289** -0.280**
支线 -0.158** -0.213** -0.252** -0.240**
环道 -0.142** -0.196** -0.237** -0.253**
孔隙 -0.133** -0.166** -0.174** -0.187**

注：**表示在0.01水平上呈现显著性。

表5 2012—2021年皮尔逊相关性结果

Tab. 5 Pearson correlation results from 2012 to 2021

2012—2021年皮尔逊相关系数
300 m 600 m 900 m 1200 m
核心区 -0.383** -0.382** -0.343** -0.353**
桥接区 -0.252** -0.269** -0.270** -0.277**
孤岛 0.059** 0.076** 0.056 0.060
边缘 -0.322** -0.335** -0.300** -0.297**
支线 -0.135** -0.159** -0.170** -0.181**
环道 -0.170** -0.220** -0.245** -0.269**
孔隙 -0.255** -0.310** -0.399** -0.363**

注：**表示在0.01水平上呈现显著性。

表6 2002—2012年各类UGS与SUHI面积变化值的回归结果

Tab. 6 Regression results of the change in area values of each type of UGS and SUHI from 2002 to 2012

2002—2012年贡献度
300 m 600 m 900 m 1200 m
核心区 0.211 0.170 0.180 0.170
桥接区 0.238 0.199 0.231 0.229
孤岛 0.095 0.139 0.143 0.144
边缘 0.190 0.169 0.125 0.123
支线 0.091 0.109 0.104 0.098
环道 0.083 0.123 0.097 0.094
孔隙 0.091 0.091 0.119 0.140
R2 0.120 0.195 0.187 0.203
表7 2012—2021年各类UGS与SUHI面积变化值的回归结果

Tab. 7 Regression results of the change in area values of each type of UGS and SUHI from 2012 to 2021

2012—2021年贡献度
300 m 600 m 900 m 1200 m
核心区 0.470 0.374 0.268 0.332
桥接区 0.135 0.158 0.137 0.106
孤岛 0.049 0.055 0.062 0.052
边缘 0.161 0.171 0.183 0.155
支线 0.042 0.063 0.057 0.059
环道 0.054 0.058 0.084 0.075
孔隙 0.087 0.119 0.206 0.220
R2 0.241 0.293 0.254 0.170
2002—2012年，皮尔逊相关分析结果显示，除300 m尺度下孤岛类型未通过5%显著性检验，其他尺度下，各类型UGS与SUHI面积变化值均通过了1%的显著性检验，并呈极显著负相关关系。其中，桥接区相关性最高，孤岛相关性最弱。表明绿地的连通性对缓解热岛扩张有一定作用。结合随机森林分析结果，桥接区、核心区对于热岛形态的变化一直起主导作用，且桥接区贡献度大于核心区。其中，300 m 和600 m尺度下，边缘贡献度居第三位大于孤岛，900 m和1200 m尺度下，孤岛贡献度居第三位大于边缘，除600 m尺度外，其余类型UGS贡献度大小依次为孔隙>支线>环道。随分析尺度的扩大，桥接区的主导作用与核心区的差别逐渐拉大，孤岛与孔隙贡献度逐渐增大，边缘贡献度逐渐降低。综上，2002—2012年，增加核心区面积可以控制热岛面积的扩大，增强各类UGS之间的连接程度对控制热岛面积蔓延可以起到更有效的作用。
2012—2021年，皮尔逊相关分析结果显示，900 m与1200 m尺度下，孤岛未通过显著性检验，其他尺度下，除孤岛与SUHI面积变化值呈极显著正相关关系，其余类型均呈极显著负相关关系。其中，核心区相关性最高，孤岛相关性最弱。结合随机森林分析结果，300 m和600 m尺度下，核心区、边缘、桥接区对热岛面积变化起主导作用，900 m和1200 m尺度下，核心区，孔隙，边缘起主导作用。除600 m尺度外，环道贡献度均大于支线。随分析尺度扩大，孔隙的贡献度逐渐增加。综上，2012—2021年间，增加斑块之间的连通性可以部分控制热岛面积的扩大，增加核心区以及形成核心区包围小型不透水面的模式对控制热岛面积蔓延可以起到更有效的作用。
2002—2012年与2012—2021年相比，贡献度最大的绿地类型由桥接区转化为核心区，这与当期发展模式有很大关系。2002—2012年，大片热岛扩张发生在研究区边缘地带，同时，核心区与桥接区同步减少，但在研究区东南部，由于2002年耕地长势影响，导致该年此处温度高于2012年，进而造成该处2002—2012年热岛覆盖范围呈现大面积收缩状态，由于此处属于核心区，因此统计过程中，核心区的主导作用被削弱了一部分，导致贡献度小于桥接区。
为进一步明确各类UGS以及不同类型热岛形态研究时间段内在空间上的关联性，结合本研究区域实际情况，考虑中心三区各类绿地变化不明显，以研究区的质心为圆心，在距质心2000 m的位置形成第一带，之后以500 m为半径设立多级缓冲区，结果如图7所示。
图7 SUHI扩张、收缩类型与各类型UGS的动态变化关系

Fig. 7 Relationship between the type of expansion and contraction of SUHI and each type of UGS

2002—2012年，各类UGS以及热岛形态的变化从第6带开始，至32带趋于平静，其中，6~15带，桥接区减少，14带时呈现一个小高峰，其余绿地类型均无明显变化，说明此区间细碎斑块变化较大，受此影响，热岛边缘式扩张和填充式扩张均存在，边缘式扩张占主导地位且在14带同样呈现高峰后稍跌。15~32带，核心区与桥接区共同作用于热岛形态变化，核心区变化更为明显，20~23带边缘式扩张的高峰状态与核心区变化关系较大，大型斑块受到破坏，细碎斑块继续减少，造成研究区边缘地带热岛不断蔓延式扩张且幅度较大，以研究区北部较为明显。
2012—2021年，各类UGS以及热岛形态的变化从第5带开始，至35带趋于平静，热岛继续蔓延，同时研究区中部伴有热岛收缩现象，在9~27带比较明显。除核心区与桥接区的作用外，边缘变化也占据一定地位。5~11带，核心区减少、桥接区增加共同作用于热岛形态变化，引起明显填充式扩张以及热岛收缩。11~22带，核心区依旧主要作用于热岛边缘式扩张，而边缘的减少造成了一定程度的填充式扩张，桥接区的增加则与热岛的收缩有一定关系。22带之后，桥接区变化逐渐平缓，核心区依旧被破坏，边缘持续减少，热岛扩张明显。

4 讨论

4.1 UGS更新整治措施

在如今发展存量，老旧小区更新的背景下，大批绿化建设并无发展空间，本文在将城市建设用地内部绿地纳入研究范围后，探讨绿地形态空间格局抑制热岛扩张的能力，发现了核心区、桥接区对于抑制热岛蔓延的主导作用，以及在特定时期内孔隙、边缘、孤岛的抑制作用。首先，核心区作为大型绿地斑块，对SUHI的缓解作用已经被多个研究证实[41]，桥接区作为连接核心区之间的通道，通过相连大型绿地斑块阻断SUHI的传播[42]。其次，边缘与孔隙作为核心区的附属类型，跟随核心区变化，核心区大量消失导致边缘不断减少，对热岛扩张做出了较大贡献。孔隙作为核心区包围热源（不透水面）模式的表现形式，随不透水面扩张相连而减少[43]，也对SUHI的扩张起到了一定促进作用。最后，由于新旧孤岛的产生和消失一般同时发生，因此对热岛扩张的抑制作用只发生于特定时期。值得注意的是，除聚集的大型斑块（如核心区）外，小型绿地（如桥接区等）增加同样有助于缓解热岛效应，分散的碎片化绿地（如孤岛、环道）也会在某种程度上抑制高温，这一点在Zhang Y等[44]以及Park J等[45]的研究也得到证实。孔隙和边缘虽然也在一定程度上阻止了热岛蔓延，但由于孔隙与边缘都依托核心区存在，而现今很难形成核心区包围不透水面的发展模式，边缘的增加减少也很难直接控制，实践意义不大。因此，这意味着在高密度城区，未来绿地建设方向应该转向碎片化空间，通过合理增加桥接区、核心区内部连廊（环道）提升现有绿地的连通性，通过科学配置孤岛等碎片化绿地降低相邻地块温度进而对更大范围产生影响，例如口袋公园的科学规划、合理建设，以求在空间落位后达到良好的降温效果。但陈明等[46]的研究结果表明孤岛的增加会导致温度上升，对是否引起热岛扩张未有定论，这可能一方面由于研究对象的选取（武汉市25个以公园为主的城市绿地）存在差异，近年来市民对绿地的迫切需求催生了许多未经规划自然形成的绿地[47]，此类绿地的增加对热环境的影响并未考虑，导致结果不同。另一方面是由于孤岛作为分散斑块单独存在，原本存在的孤岛被吞并和破坏核心区形成新的孤岛都会造成热岛扩张，因此造成孤岛正负向作用并无明确定论。值得一提的是，本文在网格尺度上对UGS与SUHI形态演化的研究，能够保证即使在自上而下的规划已经确定的情况下，土地开发商以及相关部门也可以小范围的自行更新改造绿地的空间形态格局进行降温。此外，针对已经形成的热岛连片趋势，要从SUHI的强度和SUHI的覆盖范围上双管齐下，制定缓解措施，在容易形成SUHI边缘扩张的城市边缘地带，保证城市化过程中核心区之间的连通性，这就要求小区及产业区建设过程中，尽量建设低密度高层建筑，给绿地连通预留空间，而在填充扩张易形成的中心城区，高密度低层建筑片区的改造更新工程要注重孤岛、桥接区等小型绿地的建设，从而边缘区遏制热岛蔓延，中心区阻断热岛网络化。

4.2 UGS优化对SUHI的缓解作用

基于以上分析，为达到在现行国土空间规划期间，保证城市发展的同时，通过各类绿地的合理配置缓解SUHI扩张，实现城市可持续发展的目标，本研究结合《西安市国土空间总体规划（2021—2035年）草案公示》《西安高新区国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》《天台路沿线及西部车城片区改造提升三年行动方案》《西咸新区沣东新城国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》《西咸新区“十四五”产业发展规划》《西安浐灞生态区国民经济和社会发展第十四个五年规划纲要》等文件，在现有绿地形态格局的基础上，参考国土空间总体规划中绿地以及开敞空间分布，并重点关注规划中提到的住房密度提升区、住房重点新增区、主城更新区内正在建及未来新建小区，参照目前待建小区附近的景观配置，依据《城市居住区规划设计标准》（GB50180-2018），新增绿地并进行绿化的合理配置，之后进行MSPA分析（见图8）。在此基础上，考虑到未来城市发展重点关注城市更新，提倡存量发展。因此，依据2012—2021年城市发展模式下城市绿地变化与热岛形态演化的随机森林模型，以300 m格网尺度进行预测研究（该尺度拟合度较高、所有自变量都通过了显著性检验、且与其他多数尺度结论一致），将优化后的各类绿地与现有各类绿地面积的变化量带入模型，得到绿化新增并合理配置之后的降温效果。
图8 UGS优化及样例示意

Fig. 8 UGS optimization and sample schematic

绿地更新改造过程中，新增UGS 14.27 km2，原有UGS减少5.08 km2，各类UGS面积、空间分布均有变化，以核心区、桥接区和孤岛变化最为明显（见图9），最终导致热岛面积最大减少21327 m2，最大增加55818.7 m2，得到了良好的降温效果（见图10）。其中，孔隙面积减少0.0139 km2，桥接区和环道面积较2021年分别减少0.47 km2、0.23 km2；孤岛、边缘、支线及核心区面积较2021年分别增加4.40 km2、2.18 km2、1.84 km2、1.54 km2。空间上，除孔隙外，其他类型的UGS主要在未央区北部、西南部，以及长安区西部、东南部有不同程度的增加，孤岛在中央三区增加明显。这是因为以上区域都属于未来城市发展过程中更新改造以及扩展片区，依据国土空间总体规划，至2035年，合理的开发以及改造更新有望在城市边缘地区遏制热岛的蔓延，在中心城区缓解高温热浪现象。同时，在城市发展过程中，产业区以及拆迁安置区不可避免的侵占耕地，导致在未央区东南部、灞桥区南部，以及长安区南部存在一部分的热岛扩张，这就需要通过其他降温措施，如屋顶绿化，合理规划通风廊道等去进行缓解遏制。
图9 2021—2035年各类UGS面积变化

Fig. 9 Area variation of various types of UGS from 2021 to 2035

图10 2035年UGS优化缓解效果分析

Fig. 10 Cooling effect due to UGS optimization in 2035

4.3 局限性与展望

首先，Landsat遥感影像精度不足影响热岛范围识别，导致绿地细碎斑块虽然已经提取，但依然有一部分细碎斑块对热岛扩张的缓解作用并未参与分析，未来将采用更高分辨率的温度数据。其次，本研究仅从MSPA的角度探究了不同类型UGS对于热岛形态变化（收缩与扩张）的影响并预测未来UGS变化后的降温效果，但并未对UGS做更细致的区分（如耕地、草地、森林等），如同属核心区但林地和草地对于热岛形态变化的影响可能是不同的。之后会更细致地区分不同类型核心区的变化对热岛形态演化的影响。最后，未来会考虑用ENVI-met软件对于不同的用地规划方案，建立模拟场景预测未来热岛形态的变化，以求对未来城市发展方向以及城市的规划建设提供指导。

5 结论

本文基于高分辨率Google-earth影像，采用深度学习法识别包括小型绿地在内的西安市建成区UGS，从形态学角度出发，借助MSPA方法刻画UGS的形态演化特征，同时，以地表城市热岛扩张指数分析SUHI的空间形态变化。在此基础上，运用皮尔逊分析法结合随机森林模型，探讨了上述二者的动态演化关系。并进一步研究了未来国土空间规划期间，优化UGS带来的冷却效果，得到如下结论:
（1）UGS在2002—2021年呈减少趋势，核心区大斑块破碎，小斑块消失，相互间连通性降低。
（2）2002—2021年，最高温逐年攀升，增幅有所下降，热岛持续扩张，连片发展态势逐渐明显，研究区内热环境逐步恶化。
（3）热岛总扩张程度大于收缩程度，前十年，边缘式扩张位于建成区边缘地带，为主要扩张类型，后十年，边缘式扩张和填充式扩张比例相当，在研究区边缘地带均匀分布；建成区中央点状收缩转变为边缘点状收缩。
（4）除孤岛外，各类UGS与SUHI形态动态变化呈现负相关关系，核心区、桥接区对SUHI形态变化起主导作用；核心区主要作用于热岛边缘式扩张和填充式扩张，桥接区同时作用于热岛填充式扩张和热岛的收缩。
（5）未来绿地的发展，应更重视碎片化空间的利用，在城市边缘地带为绿地连通预留空间，抑制SUHI边缘扩张，在中心城区，应注重桥接区、孤岛等碎片绿地的合理建设阻断SUHI填充扩张的形成。
（6）绿地优化措施“点对点”式空间落位后，各类UGS均有不同程度的增减，总体而言达到了良好的降温效果。

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文创新性的语言凝练、研究方法的选择、摘要以及结论梳理、参考文献的删减等方面的修改意见，使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Peng J, Ma J, Liu Q, et al. Spatial-temporal change of land surface temperature across 285 cities in China: An urban-rural contrast perspective. Science of the Total Environment, 2018, 635: 487-497. DOI: 10.1016/j.scitotenv.2018.04.105.

[2]
United Nations, Department of Economic and Social Affairs, Population Division. World urbanization prospects: The 2018 Revision, Online Edition. https://population.un.org/wup/Download/2023-04-28.

[3]
Klein T, Anderegg W R L. A vast increase in heat exposure in the 21st century is driven by global warming and urban population growth. Sustainable Cities and Society, 2021, 73: 103098. DOI :10.1016/j.scs.2021.103098.

[4]
Baek S S, Choi D H, Jung J W, et al. Optimizing low impact development (LID) for stormwater runoff treatment in urban area, Korea: Experimental and modeling approach. Water Research, 2015, 86: 122-131. DOI: 10.1016/j.watres.2015.08.038.

[5]
Zhao C, Wang B. How does new-type urbanization affect air pollution? Empirical evidence based on spatial spillover effect and spatial Durbin model. Environment International, 2022, 165: 107304. DOI: 10.1016/j.envint.2022.107304.

[6]
Hu J, Zhang J, Li Y. Exploring the spatial and temporal driving mechanisms of landscape patterns on habitat quality in a city undergoing rapid urbanization based on GTWR and MGWR: The case of Nanjing, China. Ecological Indicators, 2022, 143: 109333. DOI: 10.1016/j.ecolind.2022.109333.

[7]
Moazzam M F U, Doh Y H, Lee B G. Impact of urbanization on land surface temperature and surface urban heat island using optical remote sensing data: A case study of Jeju Island, Republic of Korea. Building and Environment, 2022, 222: 109368. DOI: 10.1016/j.buildenv.2022.109368.

[8]
中国气象局气候变化中心. 中国气候变化蓝皮书(2021). 北京: 科学出版社, 2021.

[Climate Change Center, China Meteorological Administration. Blue Book on Climate Change in China(2021). Beijing: Science Press, 2021.]

[9]
姚远, 陈曦, 钱静. 城市地表热环境研究进展. 生态学报, 2018, 38(3): 1134-1147.

[Yao Yuan, Chen Xi, Qian Jing. Research progress on the thermal environment of the urban surfaces. Acta Ecologica Sinica, 2018, 38(3): 1134-1147.]. DOI: 10.5846 /stxb201611022233.

[10]
Mathew A, Khandelwal S, Kaul N. Spatial and temporal variations of urban heat island effect and the effect of percentage impervious surface area and elevation on land surface temperature: Study of Chandigarh city, India. Sustainable Cities and Society, 2016, 26: 264-277. DOI: 10.1016/j.scs.2016.06.018.

[11]
Wang Z, Meng Q, Allam M, et al. Environmental and anthropogenic drivers of surface urban heat island intensity: A case study in the Yangtze River Delta, China. Ecological Indicators, 2021, 128(5): 107845. DOI: 10.1016/j.ecolind.2021.107845.

[12]
刘学. 面向热岛强度削减的城乡建设用地动态模拟与空间治理路径研究. 杭州: 浙江大学博士学位论文, 2020: 1-2.

[Liu Xue. Heat island intensity reductionoriented urban-rural built-up area dynamic simulation and spatial governance path research. Hangzhou: Doctoral Dissertation of Zhejiang University, 2020: 1-2.]. DOI: 10.27461/d.cnki.gzjdx.2020.001424.

[13]
Sun R, Chen L. Effects of green space dynamics on urban heat islands: Mitigation and diversification. Ecosystem Services, 2017, 23: 38-46. DOI: 10.1016/j.ecoser.2016.11.011.

[14]
Zhou W, Wang J, Cadenasso M L. Effects of the spatial configuration of trees on urban heat mitigation: A comparative study. Remote Sensing of Environment, 2017, 195: 1-12. DOI: 10.1016/j.rse.2017.03.043.

[15]
Wu Y, Hou H, Wang R, et al. Effects of landscape patterns on the morphological evolution of surface urban heat island in Hangzhou during 2000-2020. Sustainable Cities and Society, 2022, 79: 103717. DOI: 10.1016/j.scs.2022.103717.

[16]
王晓俊, 卫笑, 邹昊. 城市绿地空间格局对热岛效应的影响研究进展. 生态环境学报, 2020, 29(9): 1904-1911.

DOI

[Wang Xiaojun, Wei Xiao, Zou Hao. Research progress about the impact of urban green space spatial pattern on urban heat island. Ecology and Environmental Sciences, 2020, 29(9): 1904-1911.]. DOI: 10.16258/j.cnki.1674-5906.2020.09.024.

[17]
梁艳艳, 赵银娣. 基于景观分析的西安市生态网络构建与优化. 应用生态学报, 2020, 31(11): 3767-3776.

DOI

[Liang Yanyan, Zhao Yindi. Construction and optimization of ecological network in Xi′an based on landscape analysis. Chinese Journal of Applied Ecology, 2020, 31(11): 3767-3776.]. DOI: 10.13287/j.1001-9332.202011.019.

[18]
花利忠, 孙凤琴, 陈娇娜, 等. 基于Landsat-8影像的沿海城市公园冷岛效应: 以厦门为例. 生态学报, 2020, 40(22): 8147-8157.

[Hua Lizhong, Sun Fengqin, Chen Jiaona, et al. Quantifying the cool-island effects of urban parks using Landsat-8 imagery in a coastal city, Xiamen, China. Acta Ecologica Sinica, 2020, 40(22): 8147-8157.]. DOI: 10.5846/stxb202003140536.

[19]
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. 生态学杂志, 2021, 40(5): 1409-1418.

[Qiu Kuanbiao, Zhang Hui, Gao Jixi, et al. Variation of cool island effect for urban forest patches across an urban-rural gradient in Shanghai. Chinese Journal of Ecology, 40(5): 1409-1418.]. DOI: 10.13292/j.1000-4890.202105.018.

[20]
Wu S, Yang H, Luo P, et al. The effects of the cooling efficiency of urban wetlands in an inland megacity: A case study of Chengdu, southwest China. Building and Environment, 2021, 204: 108128. DOI: 10.1016/j.buildenv.2021.108128.

[21]
Bi S, Dai F, Chen M, et al. A new framework for analysis of the morphological spatial patterns of urban green space to reduce PM2.5 pollution: A case study in Wuhan, China. Sustainable Cities and Society, 2022, 82: 103900. DOI: 10.1016/j.scs.2022.103900.

[22]
邹佳. 基于MSPA的城市绿色景观连通性及其与地表温度的关系研究. 上海: 上海师范大学硕士学位论文, 2017: 55-64.

[Zou Jia. Study on urban green landscape connectivity and its relationship with surface temperature based on MSPA. Shanghai: Master Dissertation of Shanghai Normal University, 2017: 55-64.]. DOI: 10.7666/d.Y3259966.

[23]
Lin J, Qiu S, Tan X, et al. Measuring the relationship between morphological spatial pattern of green space and urban heat island using machine learning methods. Building and Environment, 2023, 228: 109910. DOI: 10.1016/j.buildenv.2022.109910.

[24]
刘婷, 欧阳帅, 勾蒙蒙, 等. 基于MSPA模型的新型城市热景观连通性分析. 生态学报, 2023, 43(2): 615-624.

[Liu Ting, Ouyang Shuai, Gou Mengmeng, et al. Analysis connectivity of urban heat island in a new-type urbanization based on MSPA model. Acta Ecologica Sinica, 2023, 43(2): 615-624.]. DOI: 10.5846/stxb202109172619.

[25]
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. 生态学杂志, 2023, 42(11): 2721-2729.

[Ao Yong, Wang Zhouhang, Zhao Yonghua, et al. Effect of green space landscape elements on temperature under different urbanization levels: A case study of Guanzhong Plain urban agglomeration. Chinese Journal of Ecology, 2023, 42(11): 2721-2729.]. DOI: 10.13292/j.1000-4890.202311.003.

[26]
赵芮, 申鑫杰, 田国行, 等. 郑州市公园绿地景观特征对公园冷岛效应的影响. 生态学报, 2020, 40(9): 2886-2894.

[Zhao Rui, Shen Xinjie, Tian Guoxing, et al. The influence of landscape characteristics of a park green space on the park cool island effect in Zhengzhou city. Acta Ecologica Sinica, 2020, 40(9): 2886-2894.]. DOI: 10.5846/stxb201904230827.

[27]
袁振, 吴相利, 臧淑英, 等. 基于TM影像的哈尔滨市主城区绿地降温作用研究. 地理科学, 2017, 37(10): 1600-1608.

DOI

[Yuan Zhen, Wu Xiangli, Zang Shuying, et al. Cooling effect of green patche based on TM image in Harbin downtown city. Scientia Geographica Sinica, 2017, 37(10): 1600-1608.]. DOI: 10.13249/j.cnki.sgs.2017.10.018.

[28]
Liu Y, Lin W, Guo J, et al. The influence of morphological characteristics of green patch on its surrounding thermal environment. Ecological Engineering, 2019, 140: 105594. DOI: 10.1016/j.ecoleng.2019.105594.

[29]
黄晓军, 祁明月, 赵凯旭, 等. 高温影响下西安市人口脆弱性评估及其空间分异. 地理研究, 2021, 40(6): 1684-1700.

DOI

[Huang Xiaojun, Qi Mingyue, Zhao Kaixu, et al. Assessment of population vulnerability to heat stress and spatial differentiation in Xi'an. Geographica Research, 2021, 40(6): 1684-1700.]. DOI: 10.11821/dlyj020200922.

[30]
陈星雨. 疫情防控常态化下西安老旧社区公共绿地优化设计研究. 西安: 西安建筑科技大学硕士学位论文, 2022: 33-39.

[Chen Xinyu. Study on optimal design of public green space in Xi'an old community under the normalization of epidemic prevention and control: Taking Qingnian road street community in Lianhu district as an example. Xian: Master Dissertation of Xi'an University of Architecture and Technology, 2022: 33-39.]. DOI: 10.27393/d.cnki.gxazu.2022.000709.

[31]
Li X, Gong P, Zhou Y, et al. Mapping global urban boundaries from the global artificial impervious area (GAIA) data. Environmental Research Letters, 2020, 15(9): 094044. DOI: 10.1088/1748-9326/ab9be3.

[32]
毛克彪, 唐华俊, 周清波, 等. 用辐射传输方程从MODIS数据中反演地表温度的方法. 兰州大学学报(自然科学版), 2007, 43(4): 12-17.

[Mao Kebiao, Tang Huajun, Zhou Qingbo, et al. Retrieving land surface temperature from MODIS data by using radiance transfer equation. Journal of Lanzhou University(Natural Sciences), 2007, 43(4): 12-17.]. DOI: 10.3321/j.issn:0455-2059.2007.04.003.

[33]
王丽春, 焦黎, 来风兵. 基于NDVI的新疆玛纳斯湖湿地植被覆盖度变化研究. 冰川冻土, 2018, 40(1): 176-185.

DOI

[Wang Lichun, Jiao Li, Lai Fengbing. The vegetation coverage change based on NDVI of the wetland by Manas Lake,Xinjiang. Journal of Glaciology and Geocryology, 2018, 40(1): 176-185.]. DOI: 10.7522/j.issn.1000-0240.2018.0021.

[34]
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. 地理学报, 2022, 77(9): 2249-2265.

DOI

[Jiang Song, Peng Jian, Dong Jianquan, et al. Conceptual connotation and quantitative characterization of surface urban heat island effect. Acta Geographica Sinica, 2022, 77(9): 2249-2265.]. DOI: 10.11821/dlxb202209008.

[35]
Manoli G, Fatichi S, Schläpfer M, et al. Magnitude of urban heat islands largely explained by climate and population. Nature, 2019, 573(7772): 55-60. DOI: 10.1038/s41586-019-1512-9.

[36]
Peng J, Hu Y, Dong J, et al. Quantifying spatial morphology and connectivity of urban heat islands in a megacity: A radius approach. Science of The Total Environment, 2020, 714: 136792. DOI: 10.1016/j.scitotenv.2020.136792.

[37]
Yu Z, Yao Y, Yang G, et al. Spatiotemporal patterns and characteristics of remotely sensed region heat islands during the rapid urbanization(1995-2015) of southern China. Science of the Total Environment, 2019, 674: 242-254. DOI: 10.1016/j.scitotenv.2019.04.088.

[38]
Sun Y, Zhao S, Qu W. Quantifying spatiotemporal patterns of urban expansion in three capital cities in northeast China over the past three decades using satellite data sets. Environmental Earth Sciences, 2015, 73(11): 7221-7235. DOI: 10.1007/s12665-014-3901-6.

[39]
乔治, 卢应爽, 贺曈, 等. 城市热岛斑块遥感识别及空间扩张路径研究: 以北京市为例. 地理科学, 2022, 42(8): 1492-1501.

DOI

[Qiao Zhi, Lu Yingshuang, He Tong, et al. Identifying urban heat island patches and spatial expansion path based on remote sensing technology: A case of Beijing city. Scientia Geographica Sinica, 2022, 42(8): 1492-1501.]. DOI: 10.13249/j.cnki.sgs.2022.08.017.

[40]
赵燕如, 邹自力, 张晓平, 等. 基于LEI和MSPA的南昌市城市扩张类型与生态景观类型变化关联分析. 自然资源学报, 2019, 34(4): 732-744.

DOI

[Zhao Yanru, Zou Zili, Zhang Xiaoping, et al. The relationship analysis of urban expansion types and changes in ecological landscape types based on LEI and MSPA in the city of Nanchang. Journal of Natural Resources, 2019, 34(4): 732-744.]. DOI: 10.31497/zrzyxb.20190405.

[41]
苏王新, 张刘宽, 常青. 基于MSPA的街区蓝绿基础设施格局及其热缓解特征. 生态学杂志, 2022, 41(6): 1173-1181.

[Su Wangxin, Zhang Liukuan, Chang Qing. Characteristics of blue-green infrastructure and its relationship with thermal environment in blocks based on MSPA. Chinese Journal of Ecology, 2022, 41(6): 1173-1181.]. DOI: 10.13292/j.1000-4890.202205.015.

[42]
Xie M, Gao Y, Cao Y, et al. Dynamics and temperature regulation function of urban green connectivity. Journal of Urban Planning and Development, 2015, 141(3): A5014008. DOI: 10.1061/(asce)up.1943-5444.0000266.

[43]
梁建设, 白永平, 杨雪荻, 等. 基于多源数据的城市扩张中热环境演变及响应. 环境科学, 2022, 43(6): 3365-3374.

[Liang Jianshe, Bai Yongping, Yang Xuedi, et al. Thermal environment evolution and response mechanism of urban sprawl based on multi-source data. Environmental Science, 2022, 43(6): 3365-3374.]. DOI: 10.13227/j.hjkx.202109149.

[44]
Zhang Y, Murray A T, Turner Ii B L. Optimizing green space locations to reduce daytime and nighttime urban heat island effects in Phoenix, Arizona. Landscape and Urban Planning, 2017, 165: 162-171. DOI: 10.1016/j.landurbplan.2017.04.009.

[45]
Park J, Kim J H, Lee D K, et al. The influence of small green space type and structure at the street level on urban heat island mitigation. Urban Forestry & Urban Greening, 2017, 21: 203-212. DOI: 10.1016/j.ufug.2016.12.005.

[46]
陈明, 戴菲. 基于形态学空间格局分析的城市绿地对热环境的影响研究. 生态环境学报, 2021, 30(1): 125-134.

DOI

[Chen Ming, Dai Fei. The influence of urban green spaces on thermal environment based on morphological spatial pattern analysis. Ecology and Environmental Sciences, 2021, 30(1): 125-134.]. DOI: 10.16258/j.cnki.1674-5906.2021.01.015.

[47]
Hou J, Wang Y, Zhou D, et al. Environmental effects from pocket park design according to district planning patterns: Cases from Xi′an, China. Atmosphere, 2022, 13(2): 300. DOI: 10.3390/atmos13020300.

Options
Outlines

/

〈 〉