綠地空間格局對城市熱環(huán)境的影響及季節(jié)差異*
——以合肥市主城區(qū)為例

李峻峰，喬 銳，王小潔，呂曉倩

前言

快速城市化已成為人類社會發(fā)展的必然趨勢，城市化進程加快導(dǎo)致地表覆被特征發(fā)生顯著變化，不透水表面增加、城市綠地減少和景觀破碎化加重均會加劇城市熱島效應(yīng)，從而對人類生活帶來潛在有害影響[1，2]。城市綠地是城市生態(tài)系統(tǒng)的重要組成部分，已被廣泛論證其在調(diào)節(jié)區(qū)域氣候和緩解城市高溫方面的重要作用。當(dāng)前城市綠地?zé)岘h(huán)境研究方法主要包括實地測量、數(shù)值模擬和遙感反演。實地測量借助氣象站點或移動裝置進行，其優(yōu)勢在于數(shù)據(jù)的真實性與近地性，但受制于人力物力，無法大范圍展開[3]。數(shù)值模擬雖近年來在綠地?zé)岘h(huán)境研究中得到推廣，但模型精度與可信度仍有待考量[4]。與前兩者相比，通過遙感反演獲取的地表溫度可反映城市綠地在同一瞬時時間內(nèi)熱環(huán)境的空間分布特征，且能有效銜接各類景觀格局分析方法，已成為當(dāng)前研究城市綠地?zé)岘h(huán)境的重要途徑[5]。

大量研究表明，從景觀格局視角分析綠地空間格局與城市熱環(huán)境之間的定量關(guān)系，可深入直觀理解城市綠地對熱環(huán)境的調(diào)節(jié)機制，相關(guān)研究涉及景觀組成與配置兩類，整體研究內(nèi)容較為豐富，但部分研究呈現(xiàn)相似或相反結(jié)果[6]。一方面，綠地景觀組成與配置對熱環(huán)境的相對重要性逐漸明朗。大量研究表明不同時空范疇下兩者的相對重要性存在動態(tài)差異，即溫暖時期景觀組成相對景觀配置更重要，而寒冷時期則相反[7-9]。另一方面，綠地景觀組成與配置和熱環(huán)境的關(guān)系有所不同。景觀組成研究取得了較為一致的結(jié)果，即規(guī)模越大的城市綠地降溫效果越強[10]，而景觀配置研究仍存在爭議，如周雯等[11]和Yao 等[9]認為形狀復(fù)雜、聚集度和連接性高的綠地斑塊降溫效果較強，而Masoudi 等[12]和Wang 等[13]則認為形狀簡單、聚集度高和破碎度低的綠地降溫效果更強，此方面仍需進一步討論。同時，伴隨相關(guān)研究的逐步深入，單純關(guān)注各影響要素與城市熱環(huán)境的正負相關(guān)性，研究價值十分有限，大量研究也關(guān)注到綠地空間格局與LST的非線性關(guān)系與閾值特點，只有量化不同景觀格局指數(shù)與LST 的非線性特征及閾值大小，才能更好指導(dǎo)城市綠地優(yōu)化設(shè)計，但相關(guān)的系統(tǒng)性研究卻很少出現(xiàn)，這是由于傳統(tǒng)線性回歸分析方法的局限性所致[14]。近年來，伴隨機器學(xué)習(xí)算法在捕捉非線性和多元共線性方面表現(xiàn)出的巨大潛力，應(yīng)用其分析景觀格局因子與綠地?zé)岘h(huán)境的定量關(guān)系已成為可能[15]。此外，不同時期城市綠地內(nèi)植被的生長情況和太陽輻射強度不同會造成其降溫效果呈現(xiàn)較大差異，僅關(guān)注單一或部分時間片段不利于全面深入了解綠地空間格局與城市熱環(huán)境的復(fù)雜機制[16-18]。因此，為充分了解全年范圍內(nèi)城市綠地景觀格局對城市熱環(huán)境的調(diào)節(jié)作用，有必要在不同時空尺度下引入新的分析方法探究城市綠地景觀格局的熱效應(yīng)及其詳細特征。

本研究以合肥市主城區(qū)為例，基于GEE 云平臺Sentinel-2A 和Landsat8 OLI/TIRS 遙感影像數(shù)據(jù)，采用機器學(xué)習(xí)算法等數(shù)理統(tǒng)計工具探究不同時空尺度下城市綠地?zé)岘h(huán)境的影響要素，分析不同季節(jié)城市綠地景觀格局與熱環(huán)境的定量關(guān)系，旨在從改善城市熱環(huán)境的角度，為城市綠地優(yōu)化設(shè)計與規(guī)劃建設(shè)提供參考。

1 研究區(qū)概況

合肥市位于安徽省中部，是華東地區(qū)的政治、經(jīng)濟和文化中心之一，同時也是長江下游地區(qū)典型的夏熱冬冷城市，季風(fēng)明顯，四季分明，年平均溫度約為15.7℃。在過去的20 年時間里，合肥市經(jīng)過了快速的經(jīng)濟發(fā)展與城市擴張，地表覆被發(fā)生顯著變化，熱環(huán)境逐漸惡化，亟需優(yōu)化調(diào)整。如圖1 所示，此次研究范圍選擇城市化最為快速的合肥市主城區(qū)，總面積約870.5km2，由瑤海區(qū)、蜀山區(qū)、包河區(qū)以及廬陽區(qū)組成，相較于郊區(qū)，研究主城區(qū)范圍的熱環(huán)境具有更強的實踐意義。

圖1 研究區(qū)區(qū)位圖

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源與預(yù)處理

本研究采用基于GEE 云平臺（http: //earthengine.google.com/） 的 高 分 辨 率Sentinel-2A 和Landsat8 OLI/TIRS 遙感影像作為數(shù)據(jù)源[19]，前者用于監(jiān)督分類，后者用于地表溫度反演，所有影像數(shù)據(jù)成像質(zhì)量良好，滿足使用的基本要求（表1），合肥市主城區(qū)區(qū)劃數(shù)據(jù)來源自合肥市規(guī)劃院。對相關(guān)數(shù)據(jù)均進行輻射定標與大氣校正等預(yù)處理操作，隨后裁剪提取獲得研究區(qū)域內(nèi)的無云覆蓋影像。同時，結(jié)合合肥市主城區(qū)的下墊面特征，使用預(yù)測準確率高、異常值和噪聲容忍高的隨機森林方法（Random Forest，RF）進行遙感影像解譯[20]，將研究區(qū)劃分為林地、草地、耕地、水體、建設(shè)用地、裸地6種基本類型，其中林地、耕地和草地提取為城市綠地。結(jié)合同時期的野外踏勘調(diào)研數(shù)據(jù)以建立混淆矩陣對分類精度進行驗證，以確保遙感影像解譯結(jié)果的準確性，其中Kappa 系數(shù)為0.92,總體精度為93.05%，滿足研究的精度需求。研究的整體思路如圖2 所示。

表1基于GEE 平臺的遙感數(shù)據(jù)

圖2 研究流程圖

2.2 研究方法

2.2.1 地表溫度反演

本研究采用反演精度更高且方法流程更為簡潔的大氣校正法[21]，獲取合肥市主城區(qū)的地表溫度（Land surface temperature，LST）。首先，基于GEE 云平臺對相關(guān)數(shù)據(jù)進行輻射定標與大氣校正，其熱紅外輻射熱量值Lλ的輻射傳輸方程為：

式中：ε 為地表比輻射率；TS為地表真實溫度；B（TS）為黑體熱輻射亮度；τ 為大氣在熱紅外波段的透過率。其中， L ↑λ、L ↓λ和τ 可通過NASA 官網(wǎng)獲得（https://atmcorr.gsfc.nasa.gov/），ε 可使用提出的NDVI 閾值算法計算[22]。隨后，通過普朗克定律函數(shù)將黑體輻射亮度計算為真實地表溫度，公式為：

式中：TS為真實地表溫度；K1和K2為校正常數(shù)，其數(shù)值大小通過L a nds a t影像頭文件獲得：對 于Landsat-8 OLI / TIRS 影 像，K1=774.89W /（m2×μm×sr），K2=1321.08K。

2.2.2 景觀格局分析

景觀格局指數(shù)因其對景觀格局信息的高度概括，廣泛應(yīng)用于定量分析城市景觀格局與熱環(huán)境研究。本文參考前人的研究成果[10，12，23]，選取景觀組成和景觀配置兩大類景觀指數(shù)（表2），采用Fragstats 4.2 的移動窗口法進行計算。其中景觀組成指斑塊大小與類型多樣性，常用的景觀指標是PLAND（景觀百分比）；景觀配置指斑塊在空間上的結(jié)構(gòu)和臨近關(guān)系，常用的指標有LSI（景觀形狀）、NP（斑塊數(shù)量）、PD（斑塊密度）、ED（邊緣密度）、AI（聚集度）、AREA_MN（平均斑塊面積）、ENN_MN（面積加權(quán)歐氏最近鄰距離）?？紤]到遙感數(shù)據(jù)的分辨率與景觀格局分析的尺度依賴性[5]，選擇0.3km×0.3km、0.6km×0.6km、0.9km×0.9km、1.2km×1.2km、和1.5km×1.5km 五種尺度的移動窗口進行景觀格局分析，以求全面科學(xué)探究綠地空間格局與城市熱環(huán)境的影響關(guān)系。

表2 研究所用的景觀格局指數(shù)

2.2.3 數(shù)理統(tǒng)計分析

本研究采用增強回歸樹算法（boosted regression tree，BRT）分析綠地空間格局與城市熱環(huán)境的影響關(guān)系。首先，使用ArcGIS Pro 對不同季節(jié)城市綠地的熱環(huán)境影響要素進行分析，基于ArcGIS Pro 構(gòu)建0.3～1.5km 五種尺寸網(wǎng)格以提取綠地空間格局與LST 信息。隨后，采用增強回歸樹算法具體分析不同大小網(wǎng)格下綠地空間格局與LST 的關(guān)系，以得出本研究的最佳尺度。最后，依據(jù)最佳尺度分析其相對貢獻與邊際效應(yīng)。其中，增強回歸樹是機器算法的一種，與傳統(tǒng)回歸模型相比，能夠通過變量拆分避免數(shù)據(jù)的空間自相關(guān)，從而獲得響應(yīng)變量與預(yù)測變量之間的非線性關(guān)系，同時將不同變量的相對貢獻與邊際效應(yīng)相結(jié)合以綜合分析各要素的作用機制[24]。相對貢獻指的是在增強回歸樹模型中各自變量對于因變量的貢獻程度，其反映了各自變量在模型中的相對重要性，可以通過特征在回歸樹中被選為劃分節(jié)點的次數(shù)、劃分節(jié)點時的分裂準則等來衡量。邊際效應(yīng)指的是在給定其他特征變量不變的情況下，一個特征變量對目標變量預(yù)測影響的變化量，邊際效應(yīng)可以通過觀察特征在不同取值下的預(yù)測結(jié)果變化來計算，其變化曲線可以直觀反映各自變量對因變量的影響關(guān)系和閾值特點。目前BRT 已在城市熱環(huán)境領(lǐng)域逐步得到應(yīng)用[25，26]。本文的BRT 模型基于R 軟件平臺的dismo包，根據(jù)Elith 等[27]的建議，設(shè)置學(xué)習(xí)速率為0.005，樹的復(fù)雜度為5，并進行10 次交叉驗證。

2.2.4 地表溫度與景觀格局數(shù)據(jù)的提取處理

本文使用ArcGIS Pro軟件處理地表溫度反演的數(shù)據(jù)，以獲得區(qū)域地表溫度，即不同研究對象地表溫度的平均值定義為區(qū)域地表溫度。首先，在數(shù)據(jù)管理工具模塊中使用創(chuàng)建漁網(wǎng)工具1），創(chuàng)建0.3～1.5km 五種大小的空間網(wǎng)格及網(wǎng)格中心點，隨后，對地溫反演數(shù)據(jù)使用轉(zhuǎn)換工具模塊的柵格轉(zhuǎn)點工具2），將溫度柵格數(shù)據(jù)轉(zhuǎn)換為點數(shù)據(jù)，最后，通過數(shù)據(jù)管理工具中的添加空間連接3）功能將五類漁網(wǎng)圖層分別與溫度點數(shù)據(jù)圖層連接，從而獲取不同大小網(wǎng)格區(qū)域的局部平均地表溫度。而對于不同土地覆被的地表平均溫度，使用空間分析工具中的按掩膜提取4），經(jīng)由不同類型的地表覆被圖層提取出相應(yīng)的溫度數(shù)據(jù)，然后統(tǒng)計平均值，即可獲得不同覆被的平均地表溫度。對于綠地景觀格局數(shù)據(jù)使用數(shù)據(jù)管理工具中的多值提取至點5）功能，經(jīng)由網(wǎng)格中心點獲取每個單位網(wǎng)格內(nèi)的綠地空間格局信息。

同時，為減小分析誤差，在不同尺度上對數(shù)據(jù)進行處理。在斑塊水平，為保證單個斑塊至少包含一個像元溫度，刪除面積小于900m2的斑塊。在景觀水平，為避免水體降溫效果對研究的干擾，同時保留足夠的數(shù)據(jù)樣本[28]，剔除主要水體及其周圍300m 緩沖區(qū)內(nèi)相關(guān)數(shù)據(jù)。

3 結(jié)果與分析

3.1 合肥市主城區(qū)城市綠地和熱環(huán)境分布特征

2 01 8年合肥市主城區(qū)內(nèi)城市綠地分布表現(xiàn)為“四周多，中減少”特征（圖3）。綠地總面積為490.47km2，約占研究區(qū)總面積的58.59%，其中包含林地122.35km2、耕地217.51km2以及草地150.61km2，分別占總面積的14.62%、25.98%和17.98%。

圖3 合肥市主城區(qū)城市綠地分布情況

從圖4 可以看出，合肥市主城區(qū)LST 具有明顯的季節(jié)性時空特征。春季、夏季、秋季和冬季最高LST 分別為48.15℃、57.52℃、45.23℃和24.76℃，其中夏季平均LST 最高達36.07℃，冬季平均LST 最低至11.49℃，符合合肥市夏熱冬冷城市的基本特征。具體地，不同地表覆被的平均LST 如表3 所示。對于不同季節(jié)，不同土地覆被的平均LST 均表現(xiàn)為不透水表面＞草地＞耕地＞林地＞水體；對于不同土地覆被，除了水體的平均LST在秋季高于春季，其余土地覆被的平均LST 都表現(xiàn)為夏季＞春季＞秋季＞冬季。其中城市綠地對LST 的調(diào)節(jié)效果為區(qū)域地表平均溫度和綠地地表平均溫度的差值，如表4 所示，降溫強度大小依次為夏季（1.49℃）＞秋季（0.74℃）＞春季（0.5℃）＞冬季（-0.34℃），其中春季、夏季和秋季表現(xiàn)為不同程度的降溫效果，冬季則表現(xiàn)為相反的增溫效果。

表3 合肥市主城區(qū)不同土地覆被的平均LST（℃）

表4 不同季節(jié)綠地降溫強度（℃）

圖4 合肥市主城區(qū)地表溫度分布圖

3.2 綠地空間格局對LST 的相對貢獻

大量研究表明，綠地?zé)岘h(huán)境研究存在明顯的尺度依賴性[8]，圖5 顯示了不同尺度單元下景觀格局指數(shù)與LST 的BRT 模型擬合精度。在設(shè)置的五種尺度的網(wǎng)格下，伴隨空間尺度的擴大，大部分季節(jié)的相關(guān)性系數(shù)發(fā)生了明顯變動，其中相關(guān)系數(shù)在300m～900m處波動明顯，900m×900m 處達到最高，說明在此尺度下進行合肥市主城區(qū)綠地空間格局與城市熱環(huán)境研究更為適宜，后文將基于900m×900m 的最優(yōu)尺度進行統(tǒng)計分析。

圖5 不同空間尺度下BRT 模型的相關(guān)性系數(shù)

基于900m×900m的最優(yōu)尺度，使用增強回歸樹算法擬合模型，獲得不同景觀格局指數(shù)對LST 的相對貢獻（圖6），其中NP 指數(shù)在4 個時間段內(nèi)對LST 的相對影響均為0，故在后續(xù)分析中予以剔除。結(jié)果顯示，綠地空間格局與城市熱環(huán)境存在明顯的季節(jié)性差異。具體地，PLAND、LSI、ED、PD、AI、AREA_MN 和ENN_MN 指數(shù)對城市熱環(huán)境的平均相對貢獻分別為42.88%、13.78%、8.23%、10.08%、10.48%、9%、5.6%，其中PLAND 指數(shù)在春季、夏季和秋季相對貢獻最高，LSI指數(shù)在冬季相對貢獻最高。從不同時期來看，景觀組成對城市熱環(huán)境的相對貢獻程度依次為夏季＞秋季＞春季＞冬季，而景觀配置則相反。簡單來說，在夏季和秋季，景觀組成（50.6%～54.2%）對城市熱環(huán)境的相對貢獻高于景觀配置（45.8%～49.4%），而春季和冬季，景觀配置（53.2%～80.2%）對城市熱環(huán)境的相對貢獻則高于景觀組成（19.9%～46.8%）。

圖6 不同景觀格局指數(shù)對LST 的相對貢獻

圖7 不同景觀格局指數(shù)與LST 的邊際效應(yīng)

3.3 綠地空間格局對LST 的邊際效應(yīng)

從不同季節(jié)來看，綠地空間格局與LST 的邊際效應(yīng)有所差異，但相關(guān)閾值特征相似。春季的主導(dǎo)因素為PLAND（3.0℃）、AERA_MN（0.6℃）、LSI（0.5℃）和AI（0.5 ℃），其 中PLAND、AERA_MN 和AI 均 與LST 呈負相關(guān)，而LSI 在12 前后表現(xiàn)為正負相關(guān)。夏季的主導(dǎo)因素為PLAND（5.2℃）、AI（1.4℃）、PD（0.5℃）和LSI（1.1℃），其中PLAND 和AI 與LST 呈負相關(guān)，PD 和LSI 表現(xiàn)為正負相關(guān)，轉(zhuǎn)折點分別在50 和12。秋季的主導(dǎo)因素為PLAND（3.5℃）、ED（1.2℃）、AI（0.6℃）和LSI（0.7℃），其中PLAND 和AI 與夏季相似，而ED和LSI 分別在170 和12 前后表現(xiàn)為正負相關(guān)。冬季的主導(dǎo)因素為LSI（1.3℃）、PLAND（1.5℃）、PD（1.0℃）和ENN_MN（0.6℃）。

從景觀格局指數(shù)的類型來看。對于景觀組成，PLAND 與LST 在所有時期都呈現(xiàn)負相關(guān)，且調(diào)節(jié)幅度最大（5.2℃～1.5℃），在夏季，PLAND 指數(shù)超過60 以后，其與LST 的邊際效應(yīng)逐漸減弱。對于景觀配置，各指數(shù)在不同季節(jié)的相關(guān)性趨勢相似。AI、AERA_MN 和ENN_MN 分別在80～100、0～5 和20～30 區(qū)間才表現(xiàn)為負相關(guān)，而LSI、ED 和PD 指數(shù)到達一定閾值后，其都與LST 從正相關(guān)轉(zhuǎn)為負相關(guān)，結(jié)合相關(guān)數(shù)據(jù)發(fā)現(xiàn)，正相關(guān)是在PLAND 指數(shù)較小背景下，其平均大小在27.89，即22.6ha 左右，而負相關(guān)是在PLAND 指數(shù)較大情況下，平均大小在64.88，即52.6ha 左右。簡單來說，只有綠地規(guī)模達到一定數(shù)值，這3 個指數(shù)才與LST 呈負相關(guān)，在過低的綠地規(guī)模下提高這些指數(shù)，會導(dǎo)致LST 升高。

4 討論

研究顯示，城市綠地對熱環(huán)境的影響存在季節(jié)差異，在春季、夏季和秋季呈現(xiàn)不同的降溫效果，冬季出現(xiàn)了相反的增溫效果，這與李峻峰等[17]的研究結(jié)論相同。針對這種現(xiàn)象，總結(jié)分析原因可能有以下兩個方面：（1）相較于寒冷季節(jié)，在夏季和秋季的溫暖季節(jié)，城市綠地內(nèi)大量植被處于生長活躍期，植被蒸騰和光合作用更強，有效提高了綠地內(nèi)外的能量交換速度，最終表現(xiàn)為更強的降溫效果。（2）合肥市是夏熱冬冷典型城市，落葉喬木、耕地和草地是構(gòu)成城市植被的重要種類，在寒冷季節(jié)，大量植被落葉使得更多建設(shè)用地和裸地暴露，遮蔭面積降低與地表反射率增強，導(dǎo)致綠地降溫效果變?nèi)趸虺霈F(xiàn)一定增溫效果。同時結(jié)合皮爾遜相關(guān)分析與BRT 擬合模型相關(guān)性檢驗可知，合肥市城市綠地與熱環(huán)境最佳研究尺度為900m，與Guo 等[8]的研究相似。

在綠地景觀組成與配置對LST 的相對重要性方面，綠地的景觀組成與配置對LST 的相對影響存在季節(jié)性差異，在夏季和秋季，綠地景觀組成對LST 更為重要，而在春季和冬季，綠地景觀配置對LST 影響更高，這與部分學(xué)者的研究相一致[8，9]。但相關(guān)研究同時表明，兩者的相對重要性與不同綠地情況、數(shù)據(jù)源和氣候背景有關(guān)[8]，Masoudi 等[12]發(fā)現(xiàn)即使對于同一研究區(qū)域，不同時期的綠地分布情況會導(dǎo)致兩者的相對重要性存在明顯差異，考慮到此方面的復(fù)雜性，未來應(yīng)增加不同時期與區(qū)域的研究，全面認識兩者的相對重要性。

具體地，對于表征綠地空間格局的不同指數(shù)，本研究揭示了不同影響因素與LST 的非線性關(guān)系。對于景觀組成指數(shù)，PLAND 在所有時期都與LST 呈負相關(guān)，這意味著更大規(guī)模的城市綠地可以穩(wěn)定有效地降低LST，這與既往研究相一致[10，11，30]，其在本研究中夏季對LST最高調(diào)控幅度可達5.2℃，而將控制PLAND 在60 以內(nèi)，可以使得對LST 的調(diào)節(jié)效率最佳。部分景觀配置指數(shù)在不同季節(jié)存在相似的閾值特征，在未達到閾值前，相關(guān)指數(shù)與LST 呈正相關(guān)或相關(guān)性不明顯，當(dāng)達到一定閾值后與LST 均表現(xiàn)為負相關(guān)。如LSI、ED 和PD 的閾值分別為12、170 和50，這三個指數(shù)代表綠地的形狀復(fù)雜性與破碎化。換言之，當(dāng)綠地規(guī)模到達一定程度，改變其形狀與破碎性才能起到良好的降溫效果。這是由于，綠地的形態(tài)結(jié)構(gòu)反映了其與外界環(huán)境進行能量交換的機會，復(fù)雜的形態(tài)結(jié)構(gòu)增加了綠地與外界環(huán)境的接觸機會和遮蔭面積，從而降低LST[31]。當(dāng)綠地規(guī)模較小時，過于復(fù)雜和破碎的形態(tài)結(jié)構(gòu)會使綠地內(nèi)部較多受周圍熱環(huán)境干擾，其降溫效果被削弱，當(dāng)綠地規(guī)模較大時，內(nèi)部環(huán)境相對穩(wěn)定，適當(dāng)增加綠地形狀復(fù)雜度和破碎程度反而有利于降低LST[32]，這也解釋了相關(guān)研究的相反結(jié)果。聚集性指數(shù)AI 取得了較為一致的結(jié)果，即提高綠地斑塊的聚集性，可以降低區(qū)域LST[12]。連通性指數(shù)ENN_MN 與多數(shù)研究呈現(xiàn)相反結(jié)論，即本研究得出連通性低的綠地斑塊與較低的LST 有關(guān)，這極有可能與數(shù)據(jù)源的分辨率有關(guān)，分辨率過低的數(shù)據(jù)會導(dǎo)致連通性被過低估計，使其與LST 的相關(guān)性分析錯誤，部分與本研究得出相反結(jié)論的研究均采用30m 分辨率遙感影像，而采用10m 或更高精度的遙感數(shù)據(jù)與本研究結(jié)果一致[23，33]。

考慮到對城市熱環(huán)境的優(yōu)化需求大部分集中在夏季或部分過渡季節(jié)，因而通過優(yōu)化景觀組成來改善城市熱環(huán)境比調(diào)節(jié)景觀配置效果更顯著。但需要承認的是，在高度城市化且綠地資源匱乏的城區(qū)內(nèi)部，要有效提高綠地規(guī)模較為困難，合理調(diào)整綠地結(jié)構(gòu)以優(yōu)化城市熱環(huán)境就顯得尤為重要。在適當(dāng)增加城市綠地規(guī)模的前提下，根據(jù)不同指數(shù)的閾值特點調(diào)節(jié)綠地的結(jié)構(gòu)形態(tài)，以求最大限度降低區(qū)域溫度，優(yōu)化城市熱環(huán)境，是未來城市規(guī)劃和綠地建設(shè)的重要方向。此外，本研究未考慮垂直綠化和屋頂花園等小型綠色空間與自然環(huán)境因子，在土地資源有限的城區(qū)內(nèi)，因地制宜地設(shè)置小型綠色空間，提高城市綠地總量，同時結(jié)合通風(fēng)廊道和水文情況增強綠地的降溫效果，對于城市熱環(huán)境的優(yōu)化也有所裨益[34]。

最后，本文基于遙感反演的城市綠地?zé)岘h(huán)境研究結(jié)論也具有一定局限性，這不在于遙感反演的精度問題，而在于地表溫度與空氣溫度的根本不同[35]。一方面，地表溫度與空氣溫度的作用機制有所差異，相較于地表溫度，空氣溫度的變化率快，易受到大氣運動、天氣和輻射對流等因素的影響，基于空氣溫度的綠地?zé)岘h(huán)境研究是否與基于地表溫度的相關(guān)研究產(chǎn)生類似或者相反的結(jié)論？如最佳研究尺度、相對重要性和閾值特點等，兩者的研究結(jié)論不可混為一談，此方面仍需進一步探究。另一方面，伴隨熱舒適在熱環(huán)境研究領(lǐng)域的逐步發(fā)展，人體舒適度已成為衡量綠地降溫效應(yīng)的重要指標，其中空氣溫度是直接指標，空氣溫度在此方面顯示出了比地表溫度更強的研究價值，但是在一定時空范圍內(nèi)展開基于空氣溫度的大尺度熱環(huán)境研究較為困難，這包括人力與資金成本，如Schatz 等[36]使用多達151 個固定傳感器的連續(xù)測量溫度來表征研究區(qū)不同覆被在一年12 個月內(nèi)的熱環(huán)境狀態(tài)。值得注意的是，部分學(xué)者通過構(gòu)建地表溫度與空氣溫度之間的關(guān)系模型，從而推算近地面空氣溫度[37]，未來可通過此方法將遙感與實測方法相結(jié)合，進一步深入探討氣溫與綠地?zé)岘h(huán)境之間的影響關(guān)系與作用機制。

結(jié)論

本研究以合肥市主城區(qū)為例，探究綠地空間格局與城市熱環(huán)境的影響關(guān)系及季節(jié)差異。主要結(jié)論如下：（1）城市綠地對熱環(huán)境具有明顯調(diào)節(jié)作用。在春季、夏季和秋季表現(xiàn)為降溫效果，冬季出現(xiàn)微弱升溫效果；（2）綠地景觀組成與配置對于熱環(huán)境的相對重要性在不同季節(jié)有所差異。在溫暖季節(jié)，景觀組成對熱環(huán)境的影響強于景觀配置，而寒冷季節(jié)則相反；（3）各綠地景觀組成與配置指數(shù)對熱環(huán)境的邊際效應(yīng)不同。在景觀組成中，PLAND 在所有季節(jié)與LST 負相關(guān)，即統(tǒng)一的降溫效果。在景觀配置中，多數(shù)季節(jié)中AI、AERA_MN 和ENN_MN與LST 負相關(guān)，而LSI、ED 和PD 在閾值前后表現(xiàn)為正負相關(guān)，即在綠地規(guī)模較小時使用形狀簡單、破碎性低、聚集度高和連通性低的結(jié)構(gòu)，規(guī)模較大時采用形狀復(fù)雜、破碎性高、聚集度高和連通性低的結(jié)構(gòu)，更有利于降低局部LST。總之，未來在以優(yōu)化熱環(huán)境為導(dǎo)向的城市規(guī)劃與景觀設(shè)計中，應(yīng)考慮城市綠地景觀組成和配置的合理均衡，本研究為城市規(guī)劃者在應(yīng)對城市高溫和氣候變化適應(yīng)方面提供了有益指導(dǎo)。

圖、表來源

本文所有圖、表均由作者繪制。

注釋

1）創(chuàng)建漁網(wǎng)：通過在地圖上創(chuàng)建一個規(guī)則的漁網(wǎng)，將地理空間劃分為規(guī)則的網(wǎng)格，其中每個單元格代表一個劃分的地理區(qū)域。漁網(wǎng)的單元格可以用于統(tǒng)計分析、數(shù)據(jù)采集、資源管理等應(yīng)用，例如將地表溫度點數(shù)據(jù)聚合到單位網(wǎng)格內(nèi)進行精確統(tǒng)計采樣。

2）柵格轉(zhuǎn)點：將柵格數(shù)據(jù)轉(zhuǎn)換為矢量點數(shù)據(jù)，以便進行進一步的空間分析、數(shù)據(jù)集成或數(shù)據(jù)可視化等操作。

3）添加空間連接：將兩個或多個圖層之間的要素進行空間連接，并生成一個包含連接結(jié)果的新圖層?？臻g連接是基于要素之間的空間關(guān)系進行的，可以根據(jù)要素之間的位置、距離、重疊等條件進行連接。

4）按掩膜提取：提取掩膜所定義區(qū)域內(nèi)的相應(yīng)柵格像元數(shù)據(jù)。

5）多值提取至點：在點要素類的指定位置提取一個或多個柵格像元值，并將這些值統(tǒng)計至點要素類的屬性表中。