EN中文

风景园林 >

2024 , Vol. 31 >Issue 8: 95 - 103

DOI: https://doi.org/10.3724/j.fjyl.202309210434

研究

山地城市高温热浪灾害空间识别与风险评估——以重庆市为例

  • 黄海静 ,
  • 马金辉 ,
  • 杨雨飞
展开

黄海静/女/博士/重庆大学建筑城规学院教授/重庆大学山地城镇建设与新技术教育部重点实验室成员/研究方向为绿色建筑与可持续环境、气候适应性设计

马金辉/男/重庆大学建筑城规学院在读博士研究生/研究方向为热岛效应缓解策略、可持续环境设计、城市微气候

杨雨飞/男/重庆大学硕士/研究方向为城市热灾害防治

收稿日期: 2023-09-21

  修回日期: 2024-06-11

  网络出版日期: 2025-12-17

基金资助

国家社会科学基金“山地高密度城市高温热浪灾害防控与管理机制研究”(19GBL004)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatial Identification and Risk Assessment of High-Temperature Heat Wave Disasters in Mountain Cities: A Case Study of Chongqing

  • Haijing HUANG ,
  • Jinhui MA ,
  • Yufei YANG
Expand

HUANG Haijing, Ph.D., is a professor in the Faculty of Architecture and Urban Planning, Chongqing University, and a member of the Key Laboratory of New Technology for Construction of Cities in Mountain Area, Ministry of Education, Chongqing University. Her research focuses on green building and sustainable environment, and climate-resilient design

MA Jinhui is a Ph.D. candidate in the Faculty of Architecture and Urban Planning, Chongqing University. His research focuses on heat island effect mitigation strategies, sustainable environment design, and urban microclimate

YANG Yufei gained his master’s degree in Chongqing University. His research focuses on urban heat disaster prevention and control

Received date: 2023-09-21

  Revised date: 2024-06-11

  Online published: 2025-12-17

Copyright

Copyright reserved © 2025.
Fold

摘要

【目的】

以重庆市为代表的山地城市高温热浪问题突出，对高温热浪风险进行准确识别与科学评估是增强城市韧性和气候适应性的重要途径。

【方法】

采集社会经济、地理信息和人口数据，识别高温热浪风险要素，构建以“危险性—山地城市暴露度—脆弱性”为框架的山地城市高温热浪风险评估体系，并选择重庆市2018年7—9月典型高温热浪事件展开评估。

【结果】

极高和高风险区县都分布在中心城区以内，其高温热浪平均风险水平超出中等级风险区的2倍，由危险性和暴露度共同主导，越靠近中心，综合风险越高；危险性与暴露度都呈“近高远低”的空间分布特征，脆弱性空间分布特征则为“近低远高”；危险性较小的区县往往收入、医疗、教育水平有限，脆弱性明显高于中心城区；根据高温热浪风险主导因子的不同，以“局地优化、区域互补”为思路，提出山地城市热灾害风险应对策略与规划建议。

【结论】

完善了风景园林应对气候变化的策略体系，推动构建健康、安全、舒适的城市人居环境，为落实山地城市气候韧性发展规划提供理论支持与指导。

关键词： 风景园林; 气候变化; 高温热浪; 热灾害空间分布; 风险评估; 规划应对策略; 重庆市

本文引用格式

黄海静 , 马金辉 , 杨雨飞 . 山地城市高温热浪灾害空间识别与风险评估——以重庆市为例[J]. 风景园林, 2024 , 31(8) : 95 -103 . DOI: 10.3724/j.fjyl.202309210434

Abstract

[Objective]

This research focuses on addressing the increasingly severe issue of extreme urban heat, driven by climate change, both globally and within China. Recent temperature records highlight the urgent need to understand and mitigate impacts of heat waves. TheSynthesis Report of the Sixth Assessment Report declares a red warning against global climate change, signifying the most perilous stage of climate change, with 18 out of 31 “planetary vital signs” surpassing historical records. The increase in global temperature in the last 50 years has exceeded the total increase over the previous 2,000 years, making the last seven years the hottest on record. While international efforts have initiated risk assessments for heat waves, previous research in China primarily focuses on spatiotemporal analyses based on meteorological data. Recent research has integrated multiple data sources and socio-economic indicators. However, most assessments are conducted regionally, neglecting intricate risk features within urban areas and precise resource allocation guidance. Moreover, research at the county level in China mainly centers on eastern plain cities, overlooking the unique challenges faced by southwestern mountain cities, known for their complex topography and ecosystems, resulting in higher heat wave risks. Chongqing, situated in the upper Yangtze River region, is a typical mountain city notorious for heat waves.

[Methods]

To establish a comprehensive risk assessment system for heat waves in mountain cities, this research employs a risk index model. The approach includes the following steps: Firstly, analyze the fundamental causes of heat wave disasters to understand their mechanisms; secondly, identify risk elements of heat waves, and define and quantify assessment factors to construct integrated assessment indicators; lastly, quantify heat wave risks using a quantitative method to establish a comprehensive risk assessment system for mountainous urban areas. This assessment system is based on the disaster risk assessment framework from theSynthesis Report of the Fifth Assessment Report, which additionally incorporate factors specific to mountainous urban areas such as elevation and terrain variation to accurately reflect its risk characteristics. Notably, the “exposure” factor has been transformed as “mountain city exposure” to enhance its specificity and guidance.

[Results]

Heat wave risks in Chongqing exhibit significant regional disparities, influenced by varying levels of urbanization. Hazardousness analysis reveals a distribution trend of “higher risk in the west and lower risk in the east” and “higher risk closer to the city center”. Urbanization-related factors, such as artificial surface, high population density, and urban heat island effect, are major contributors to increased hazardousness. Exposure analysis emphasizes high exposure in the central urban area due to increased population density and building coverage, making it more susceptible to heat waves. Key factors dominating exposure include population density, building density, and vegetation coverage. The central urban area exhibits lower vulnerability due to higher income and education level as well as better medical facilities. Conversely, the northeastern and southeastern regions, farther from the city center, experience higher vulnerability due to poorer socioeconomic conditions. To mitigate heat wave risks, the concept of “local optimization and regional complementarity” is proposed. Specific strategies address both intra-regional and inter-regional aspects, solving primary issues while leveraging the advantages of surrounding low-risk areas. For hazardousness-dominated regions, it is advisable to implement emergency plans, adopt long-term measures to address heat wave intensity and frequency, improve heat wave warnings, and strengthen energy systems. For exposure-dominated regions, it is recommended to provide cooling shelters, create cool communities through urban design, and expand urban functions to low-exposure areas. For vulnerability-dominated regions, it is crucial to strengthen social security, enhance care mechanisms for vulnerable populations, and develop the elderly care industry. Additionally, it is important to utilize education and medical resources from the central urban area to disseminate knowledge and provide medical assistance, while also improving living conditions for the elderly.

[Conclusion]

This research constructs a risk assessment system for heat waves in mountain cities, and maps the spatial distribution of heat risk levels and driving factors. Overall, the strategy system for landscape architecture has been improved in response to climate change, promoting healthier, safer, and more comfortable environments. However, there are some limitations. 1) The scale of urban heat wave risk assessment is mostly concentrated at the city and district levels. Due to the lack of detailed high-temperature data at the subdistrict level from the Chongqing Meteorological Bureau, more refined analysis at the subdistrict level has not yet been conducted. In the future, with improved demographic, meteorological, and socioeconomic data, and the application of technologies such as drone and airship remote sensing, it may be possible to study the spatiotemporal distribution characteristics and risk assessment of heat waves at the subdistrict and community levels. 2) integrating climate models like WRF, ENVI-met, and Fluent will advance the application of climate-resilient landscape architecture techniques in vegetation, terrain, water body, and building. Establishing a strategy system to enhance green infrastructure from the smaller block scale to the larger regional scale will provide a more scientific basis for the construction of climate-resilient cities in China.

Key words： landscape architecture; climate change; heat wave; spatial distribution of heat-related disaster; risk assessment; planning response strategy; Chongqing City

自2022年入夏以来，中国极端天气频发，多地气温创下历史新高。与此同时，欧洲多国、美国西部地区的气温也在频频刷新纪录[1]。联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）第六次气候评估报告显示：全球气候变化已经进入最危险的红色预警时期，在与气候变化相关的31个地球“生命体征”中，已有18个突破了历史峰值[2]；近50年来，全球气温增值已超过了过去2 000年的总和[3]；最近7年是人类有气温记录以来最热的7年[4]。以上种种迹象表明，人类正不可逆地改变着全球气候，未来极端高温天气将会成为新常态[5]。相关研究指出，极端高温事件频发，不仅显著提升心血管、呼吸道、消化道等疾病的发生率[6-8]，它们引发的自然灾害还会直接导致大量人员死亡，如1995年美国芝加哥[9]、2003年欧洲[10]以及2020年英格兰的高温热浪事件[11]。此外，高温热浪还会进一步阻碍社会经济发展[12-13]、加剧城市热岛效应[8]、危害城市生态系统[14]。随着全球高温热浪频次的不断增加与强度的持续提升，人类将面临前所未有的挑战。
国土自然生态空间是气候变化的敏感区，也是高温热浪灾害的直接承载体。风景园林承担着联系城市与自然的重要角色，在应对气候变化及提升可持续发展水平方面发挥着关键作用。当前国内城市化进程持续加速，但城市应对高温热浪灾害的能力却非常薄弱，人们面临热灾害风险时的认识与考虑依旧不足。因此，风景园林学科亟须积极寻求具有可操作性的气候变化应对措施，以有效降低城市气候灾害风险、增强生态系统服务功能、维护城市生态安全格局、推动气候适应性城市规划[15-16]。而针对城市高温热浪灾害进行空间识别与风险评估能够准确判断承灾主体、受灾程度和致灾原因，进而为城市多尺度高温减灾规划和适应性区域景观格局构建提供强有力的科学支撑。
国外对于高温热浪风险评估的研究起步较早，Dousset等[17]在2003年就构建了巴黎的高温热浪风险评估模型；Inostroza等[18]利用地理信息系统、遥感系统，从敏感性、适应性和暴露度三方面建立热浪风险评估模型；Krüger等[19]基于城市结构、人口分布和热特征分析建立热敏感模型，对德国德累斯顿市进行热浪风险评估。国内早期研究侧重基于气象数据的高温热浪时空特征分析[20-22]，但由于气象站数据不能充分反映城市高温热浪的分布特点，近年来有学者采用多源数据结合社会经济指标进行综合分析。如付含聪等[23]通过多源遥感数据分析了长江中下游城市群高温热浪风险空间分布特征；陈倩等[24]融合多源遥感数据和人口、社会经济统计数据，获取了250 m分辨率的长江三角洲地区高温热浪人群健康风险空间格局；周波涛等[25]利用第五次耦合模式比较计划（Coupled Model Intercomparison Project Phase 5, CMIP5）提供的18个全球气候模式的模拟结果，对“一带一路”地区平均气候和极端气候的未来变化趋势进行预估。
综合来看，国内高温热浪风险评估多聚焦于城市群或地区层面，未能反映城市内部风险特征，无法准确指导城市防灾资源调配[26]；而从区县尺度展开的高温热浪评估研究主要集中在平原城市[27-30]，对于中国西南山地城市的研究较少。基于气候适应性的风景园林理论和实践强调，须针对特定城市气候环境，制定高效、可持续的热缓解方案[31]。山地区域高低起伏的地表形态以及复杂的生态环境增加了山地城市在高温热浪影响下的暴露程度，也决定了山地城市与平原城市迥然不同的空间形态与气候特征[31-34]。作为长江上游地区的经济中心，重庆不仅是典型的山地城市，且高温高湿、通风不足，人口与建筑高度密集，导致热岛效应更显著，热灾害危机更严重[35]。因此，本研究利用社会经济、地理信息和人口数据，构建山地城市高温热浪风险评估体系，对重庆市高温热浪风险进行空间识别与评估，并提出高风险区应对策略，以期为山地城市规划提供依据。

1 研究区域

本研究以重庆市全境38个区县为研究区域，其中渝中区、沙坪坝区、江北区、渝北区、九龙坡区、大渡口区、巴南区、南岸区和北碚区属于中心城区。据第七次人口普查数据显示，重庆市常住人口3 205.42万人，中心城区人口占32.27%。重庆地处中国西南（105°11′E~110°11′E，28°10′N~32°13′N），位于青藏高原与长江中下游平原过渡地带，东西纵横470 km，南北延伸450 km，总面积8.24万km2；是中国人口最多、面积最大的直辖市，也是重要的现代制造业基地、西南地区的交通枢纽；地貌复杂多样，境内山高谷深，沟壑纵横，山地面积约占全域面积的76%，丘陵面积约占22%，总体地势东南、东北高，中部和西部低[36]（图1）；属于亚热带季风性湿润气候，年平均气温16~18 ℃，夏季炎热且多伏旱，近年来随着城市化水平提升，用地不断扩张，极端高温热浪灾害愈演愈烈，开展高温热浪灾害风险评估已迫在眉睫。
图1 研究区域概况

Fig. 1 Overview of the research area

2 山地城市高温热浪风险评估方法

基于风险指数模型[37]确定高温热浪风险评估思路：分析高温热浪灾害原因—识别高温热浪风险要素—定义风险评估指标—量化风险，以此建立山地城市高温热浪风险评估体系。

2.1 评估体系框架构建

将以IPCC第五次评估报告中提出的基于“灾害胁迫—社会脆弱性—暴露”的灾害风险评价体系为基础[24]，结合山地城市特点，将能够表征山地城市特征的高程和地表起伏度纳入评估体系之中，并将原本的暴露度准则转化为山地城市暴露度，形成以危险性、山地城市暴露度、脆弱性为指标的山地城市高温热浪风险评估体系框架及流程（图2）；并基于层次分析法，梳理各评估指标及其数据来源，确定评估体系各层级间的关系。
图2 山地城市高温热浪风险评估体系

Fig. 2 Risk assessment system for heat waves in mountain cities

表1 山地城市高温热浪风险评估指标体系与数据来源

Table 1 Indicators system and data sources for risk assessment of heat waves in mountain cities

目标层 准则层 评估指标 数据来源
　　注：+表示该指标为正向指标，−表示该指标为负向指标。
山地城市高温热浪风险评估 危险性 LST/℃+ Landsat 8 OLI/TIRS卫星数据
高温日数/d+ 重庆市气象局高温日数数据
山地城市暴露度 FVC− Landsat 8 OLI/TIRS卫星数据
MNDWI− Landsat 8 OLI/TIRS卫星数据
NDBI+ Landsat 8 OLI/TIRS卫星数据
人口密度/（人/km2）+ 重庆市第七次全国人口普查公报
高程/m− ASTER GDEM 30 m分辨率高程数据
地表起伏度+ ASTER GDEM 30 m分辨率高程数据
脆弱性 ≥65岁人口比例/%+ 重庆市第七次全国人口普查公报
常住女性人口比例/%+ 重庆市第七次全国人口普查公报
城镇常住居民人均可支配收入/元− 重庆统计年鉴 2020
城市低保人数占常住城镇人口比例/%+ 重庆统计年鉴 2020
受教育程度为高中以下人口比例/%+ 重庆市第七次全国人口普查公报
每千常住人口拥有卫生技术人员数/人− 重庆卫生健康统计年鉴 2020
每千常住人口拥有卫生机构床位数/床− 重庆卫生健康统计年鉴 2020
医疗机构10 min步行距离覆盖面积比例/%− 高德地图API

2.2 评估指标选择、数据来源与预处理

危险性指来自系统外部对系统本身构成威胁的因素，主要由自然事件的发生频率、强度及影响范围决定[38]。本研究采用2018年7—9月典型高温热浪期间地表温度（land surface temperature, LST）和2008—2020年年均高温日数（简称高温日数）作为危险性评估指标：地表温度较空气温度有更高的空间分辨率，且与空气温度呈较强线性相关[39-41]，可表征热浪强度。高温日指单日最高气温≥35 ℃，研究数据来自重庆市气象局，涵盖2008—2020年，以表征热浪累计时长。
山地城市暴露度指山地城市暴露在致灾因子影响范围内承灾体（人口、房屋、道路、室内财产等）的数量或价值[37]，是主要体现城市下垫面类型和人口分布特征的空间数据，故选取植被覆盖度（fraction of vegetation coverage, FVC）、改进的归一化水体指数（modified normalized difference water index, MNDWI）、归一化建筑指数（normalized difference built-up index, NDBI）、人口密度、高程和地表起伏度作为山地城市暴露度评估指标。
脆弱性指城市人群对于高温热浪的敏感性和适应性[42-44]。区域社会经济水平、居民对高温的认知与规避行为、医疗资源与基础设施是否充足都是衡量地区脆弱性的重要指标[28]，故选取与人口素质、城市居民收入、卫生医疗基础配套设施相关的8项指标作为脆弱性评估指标（表1）。

2.3 评估指标权重确定——熵权法

为了提高赋予权重的客观性，选用熵权法对重庆市高温热浪风险进行评估，赋权过程包括极差标准化指标、定义信息熵以及计算熵权3个步骤。权重的确定首先要对各评估指标进行无量纲化处理，即将各指标的数值进行归一化，取值[0，1]。极差标准化的过程可以根据评估指标与准则层的正负关系，分为正向指标和负向指标，正向指标计算式为
$ {{X}}_{ij}=\frac{{x}_{ij}-min\{{x}_{1j}，\cdots ，{x}_{nj}\}}{max\{{x}_{1j}，\cdots ，{x}_{nj}\}-min\{{x}_{1j}，\cdots ，{x}_{nj}\}}\text{，} $
负向指标计算式为
$ {{X}}_{ij}=\frac{max\{{x}_{1j}，\cdots ，{x}_{nj}\}-{x}_{ij}}{max\{{x}_{1j}，\cdots ，{x}_{nj}\}-min\{{x}_{1j}，\cdots ，{x}_{nj}\}}\text{。} $
式中：$ {X}_{ij} $为山地城市高温热浪风险评估指标的标准值；$ {x}_{ij} $为该指标的原数值；$ i $为不同区县类别，$j $为不同指标类别；$ max\{{x}_{1j}，\cdots ，{x}_{nj}\} $为该指标对应评估指标在所有区县中的最大值；$ min\{{x}_{1j}，\cdots ，{x}_{nj}\} $为该指标对应评估指标在所有区县中的最小值。
信息熵既可度量信息量的大小，也可表征系统的有序化程度。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。计算式为
$ {H}_{j}=-\mathrm{k}\sum\nolimits _{i=1}^{n}{P}_{ij}\mathrm{ln}{P}_{ij}（j=1\text{，} 2\text{，} \cdots \text{，} n）\text{，} $
$ {P}_{ij}=\frac{{X}_{ij}}{\displaystyle\sum\nolimits _{i=1}^{m}{X}_{ij}}（i=1\text{，}2\text{，}\cdots \text{，}m）\text{。} $
式中：$ {H}_{j} $为各评估指标$ j $的信息熵；$ \mathrm{k} $为常数，在本研究中$\mathrm{k}=1/\mathrm{ln}\,38=0.275$，38为区县数量；$ {P}_{ij} $为单一指标标准值与38个区县指标标准值之和的比值；m为评估指标对应区县数量。
对各评估指标的权重分别进行计算，计算式为
$ {w}_{j}=\frac{1-{H}_{j}}{n-\displaystyle\sum\nolimits _{j=1}^{n}{H}_{j}}\mathrm{。} $
式中，$ {w}_{j} $为各评估指标的权重，其他同上式。通过式（1~5）得到评估指标权重计算结果（表2）。
表2 评估指标权重计算结果

Table 2 Weight calculation results of assessment indicators

准则层 评估指标 权重
危险性 LST/℃ 0.593
高温日数/d 0.407
山地城市暴露度 人口密度/（人/km2） 0.493
NDBI 0.335
地表起伏度 0.087
FVC 0.048
高程/m 0.025
MNDWI 0.011
脆弱性 城市低保人数占常住城镇人口比例/% 0.296
城镇常住居民人均可支配收入/元 0.216
≥65岁人口比例/% 0.146
常住女性人口比例/% 0.141
受教育程度为高中以下人口比例/% 0.114
医疗机构10 min步行距离覆盖面积比例/% 0.031
每千常住人口拥有卫生机构床位数/床 0.029
每千常住人口拥有卫生技术人员数/人 0.027

2.4 风险评估模型的构建

本研究采用乘除法[27,45]进行风险评估模型的构建。首先，计算各准则层的指数，即危险性指数、山地城市暴露度指数、脆弱性指数。计算式为
$ {C}_{k}=\sum\nolimits _{j=1}^{n}{X}_{ij}{w}_{j}（i=\mathrm{1，2}，\cdots ，m）\text{，} $
式中，$ {C}_{k} $为各准则层指数，其他同上式。
其次，构建山地城市高温热浪综合风险评估模型，计算式为
$ {C}_{\mathrm{M}\mathrm{C}\mathrm{C}\mathrm{H}\mathrm{R}\mathrm{I}}={C}_{\mathrm{H}\mathrm{I}}\times {C}_{\mathrm{M}\mathrm{C}\mathrm{E}\mathrm{I}}\times {C}_{\mathrm{V}\mathrm{I}}\text{，} $
式中：${C}_{\mathrm{M}\mathrm{C}\mathrm{C}\mathrm{H}\mathrm{R}\mathrm{I}}$表示山地城市综合热风险指数（mountain city comprehensive heat risk index, MCCHRI）；$ {C}_{\mathrm{H}\mathrm{I}} $表示危险性指数（hazardousness index, HI）；$ {C}_{\mathrm{M}\mathrm{C}\mathrm{E}\mathrm{I}} $表示山地城市暴露度指数（mountain city exposure index, MCEI）；$ {C}_{\mathrm{V}\mathrm{I}} $表示脆弱性指数（vulnerability index, VI）。

3 山地城市高温热浪风险评估结果

在计算得出各区县的危险性指数、山地城市暴露度指数、脆弱性指数以及综合热风险指数后，采用自然间断点法划分等级，绘制以38个区县为最小单元的重庆市高温热浪风险地图，包含单项评估指标和综合风险评估指标地图[46]，以直观体现各区域的风险差异。

3.1 高温热浪危险性分析

3.1.1 危险性空间分布

重庆市各区县高温热浪危险性空间分布差异明显（图3-1），总体呈现“西高东低、近高远低”的特征。西高东低即重庆市西部区域的危险性指数高于东部区域，以垫江—忠县、涪陵—丰都、南川—武隆行政区域为界，西部区域的危险性指数平均值为0.734，东部区域为0.500。近高远低则表明离重庆市中心城区越近，各行政区域的高温热浪危险性指数越高，反之则越低。根据距离中心城区的远近，以渝中区为圆心将重庆市划分为近、中近、中远、远4个区域，并计算出各区域的平均危险性指数，近区为0.838、中近区为0.631、中远区为0.532、远区为0.425，由近及远呈现明显的由高到低的阶梯状分布。
图3 高温热浪危险性空间分布（3-1）及主导因子分布（3-2）

Fig. 3 Spatial distribution of heat hazardousness (3-1) and its dominant factors (3-2)

综合来看，重庆市城市化发展水平不同是导致危险性空间差异的最主要原因。重庆市域北部城市化建设水平普遍高于南部，且距离中心城区越近，城市化建设速度越快。城市化形成的人造下垫面（如混凝土、沥青等）具有较强的短波辐射吸收能力和长波辐射发射能力，易形成城市热岛。此外，随着人口密度增加，人为热排放增大，也加剧了高温热浪的危险性。

3.1.2 危险性主导因子

为识别各区县危险性的主导因子，根据不同指标权重对各评估指标的等级进行了划分，并通过不同的组合关系将主导因子划分为4种类型（图3-2）。1）有13个区县受到LST和高温日数的共同主导，面临热浪强度与热浪频率的双重胁迫，占总区县数量的34.21%，主要分布在重庆市域的南部地区，以及东北部的万州和开州。2）由LST主导的区县有10个，数量占比为26.32%，受热浪强度影响，主要分布在重庆市域的西部及北部地区。3）由高温日数主导的区县为7个，数量占比为18.42%，主要分布在重庆市域的东北部和中南部地区。4）其余区县均无指标主导。

3.2 高温热浪暴露度分析

3.2.1 暴露度空间分布

重庆市高温热浪山地城市暴露度指数的空间分布从中心城区向周边逐步递减（图4-1）。其中，距中心城区较远的东北部区县的暴露度高于东南部，暴露度最高的前9个区县全部位于中心城区，其中除巴南区以外的8个区县的暴露度等级处于中级以上。这是由于中心城区的人口密度和建筑存量均远超其他区县，进一步加剧了城市高温热浪的暴露度。
图4 高温热浪暴露度空间分布（4-1）及主导因子分布（4-2）

Fig. 4 Spatial distribution of heat exposure (4-1) and its dominant factors (4-2)

3.2.2 暴露度主导因子

由于评估指标MNDWI和高程的权重较低，故未将其纳入各区县暴露度的主导因子考虑范围（图4-2）。可以看出，暴露度由人口密度、NDBI和FVC3个指标共同主导的仅有渝中区，占所有区县数量的2.63%。尽管区县数量少，但此区域人口密度大、NDBI高、FVC低，山地城市暴露度极大，极容易受到高温热浪灾害的影响。因此，有必要从这3个指标着手，降低此区域的热浪暴露度。暴露度由人口密度及NDBI指标共同主导的区县有5个，数量占比为13.16%，主要分布在渝中区周边。这类区县暴露度高的主要原因是人口密度增大以及人造地表扩张。由人口密度主导的区县有14个，数量占比为36.84%，主要分布于重庆市域的西部。由地表起伏度主导的区县仅有2个，数量占比为5.26%，分布于重庆市域的东北部。

3.3 高温热浪脆弱性分析

3.3.1 脆弱性空间分布

与危险性和暴露度的空间分布特征相反，重庆市高温热浪脆弱性从东北和东南区域逐渐向中心城区递减（图5-1），呈“东高西低、远高近低”的分布趋势。由于中心城区的居民收入、受教育水平、基础医疗设施等条件都比其他区县高，所以在高温热浪灾害发生时能够更早、更及时、更有效地去应对，故该区域高温热浪脆弱性均较低。相反，远离中心城区的东北和东南区域，由于人口、教育、收入和基础医疗条件较差，在高温热浪威胁下更易受到迫害，脆弱性也就更高。
图5 高温热浪脆弱性空间分布（5-1）及主导因子分布（5-2）

Fig. 5 Spatial distribution of heat vulnerability (5-1) and its dominant factors (5-2)

3.3.2 脆弱性主导因子

由于与医疗卫生资源相关的3项评估指标权重都非常小，所以将3项指标分别乘以各自的权重后再叠加，从而得到各区县的综合医疗卫生资源权重为0.088，以反映整体医疗卫生资源（简称医疗）对脆弱性的影响。由城镇常住居民人均可支配收入（简称收入）、受教育程度为高中以下人口比例（简称教育）及医疗主导的仅巫溪1县，数量占比为2.63%。该县对高温热浪灾害的整体认知水平低，同时缺乏有效的降温设施与及时性医疗资源，因此适应高温热浪灾害能力更差。脆弱性由城市低保人数占常住城镇人口比例（简称低保）、收入及教育3项评估指标主导的区县仅有城口和酉阳两县，占总区县数量的5.26%，这两县低保人口较多，限制了居民搬迁的能力，同时城镇人均可支配收入较少、受教育水平较低，进一步加重了高温热浪期间公共服务与健康风险压力。由低保及收入评估指标共同主导的有云阳和奉节两县，数量占比同为5.26%，这两县经济条件不佳，社会保障体系不完善，导致高温适应能力更差。由常住女性人口比例（简称女性）指标主导的区县有7个，数量占比为18.42 %，这些区县距中心城区较近，可能因男性外出务工导致女性人口比例偏高。在面对高温热浪时，人体生理差异明显不同（女性的汗腺密度和汗液排出量通常低于男性），女性的相对危险度更高，因此一定程度上加剧了脆弱性。由≥65岁人口比例（简称老人）指标主导的区县有6个，数量占比为15.79%，主要位于中心城区内。相比于年轻人，老年人由于身体调节功能衰退等原因，更容易受到高温热浪的影响。这6个区县虽脆弱性水平整体较低，但老年人口比例较其他区县更高，因此整体耐受性更差（图5-2）。

3.4 高温热浪综合风险评估

采用自然断点法将综合风险划分为极高（>0.112 9~0.194 9）、高（>0.0524~0.1129）、较高 （>0.0380~0.0524）、 中 （>0.0294~0.0380）、较低（>0.0200~0.0294）、低（>0.0079~0.0200）、极低（0.0001~0.0079）7个等级。从数量分布来看，重庆市各区县的综合风险等级呈明显的正态分布特征（图6-1）。中心城区的综合风险系数均值为0.08（图6-2），远高于其他城区，且越靠近中心城区，综合风险越高（图7-1）。渝中区的高温热浪风险系数更是高出中级风险区县3倍之多，须重点关注。
图6 高温热浪风险级别区县数量（6-1）与综合风险指数分析（6-2）

Fig. 6 Analysis of the number of counties/districts classified by heat wave risk levels (6-1) and the comprehensive risk index thereof (6-2)

图7 高温热浪综合风险空间分布（7-1）及主导因子分布（7-2）

Fig. 7 Spatial distribution of comprehensive heat risk (7-1) and its dominant factors (7-2)

从空间分布来看，极高与高风险的区县包含渝中区、沙坪坝区、大渡口区、九龙坡区和江北区，均分布在中心城区以内。这些区域开发强度高、人口密度大、热岛效应强，因此不仅要承受极端高温影响，还要承受因近地面环境恶劣加剧的热岛效应，故综合热风险由危险性及暴露度共同主导（图7-2）。与这些极高和高风险地区相比，同处中心城区的巴南区、南岸区、渝北区和北碚区综合风险更低，这些区域的开发密度相对较低，绿地覆盖率较高，因此综合热风险仅由危险性主导。较高风险的区县主要分布于东北部，这些区域虽开发建设较好，但仍面临人口结构失衡与社会保障短缺的问题，综合热风险主要受危险性及脆弱性主导。较低、低和极低风险的区县分布较为分散，主要位于东北部、东南部、西部的边缘地带，由于地理位置偏远，人口密度低、开发强度低、绿地覆盖率高，这些区域受危险性和暴露度的影响较小，但社会经济水平差、高温认知不足、医疗及教育资源缺乏，导致高温热浪综合风险极易受到脆弱性的影响。

4 山地城市高温热浪应对策略

从前文分析可知，不同区域高温热浪风险等级和主导因子都具有明显差异，所以区域规划应对策略的拟定应同时考虑风险防范的优先级和致灾因子的异质性，提出局地优化，区域互补的高温热浪应对思路（图8）：1）山地城市高温热浪风险评估可快速、准确定位较高、高和极高风险等级区域，以优先开展灾害防控行动。2）通过高温热浪综合风险主导因子的可视化分析，从危险性、暴露度和脆弱性3个方面识别高风险的具体问题来源，以确定首要解决问题。3）基于危险性、暴露度和脆弱性指数分别对应的主导因子，明确需要针对哪一项指标重点展开具体应对策略。4）从区域内和区域间两个角度进行主导因子和风险等级的可视化分析，明晰目标区域周边的高温热浪风险情况，在导向性地解决首要问题的同时充分发挥周边低风险区域的优势，使城市高温热浪灾害防治规划更加有的放矢，确保系列措施的高效性、合理性及针对性。
图8 山地城市高温热浪灾害应对策略框架图

Fig. 8 Frame diagram of strategies for mitigating high-temperature heat wave disasters in mountain cities

4.1 危险性主导区域的高温热浪风险应对策略

危险性主导区域的高温热浪风险主要是由极端高温热浪强度（LST）与热浪频率（高温日数）造成。其中，由LST指标主导的区县应建立针对单次极端热浪的风险应急预案；由高温日数主导的区县应制定长期有效的热浪风险规划和管理机制；由LST和高温日数指标共同主导的区县则需要兼顾风险应急预案和规划应对措施。在局地优化层面，建议合理规划市域绿地系统，依托城市山体、水系，有机地组织公园绿地、滨水绿地和山脊绿地等自然要素，形成绿色生态基底；结合平台绿化、垂直绿化和道路绿化等人工要素，构建城市多维绿化空间体系，充分发挥绿地系统的降温效应，综合提升城市气候韧性；此外还需完善灾前预警和灾后应急的热灾害响应机制。在区域互补层面，建议科学评估各分区的微气候特性，从宏观全局出发协调周边区域的绿地系统，因地制宜引导城市通风廊道，借助地势高差与绿化的耦合关系组织山谷风与水陆风，以增强城市通风潜力；扩大周边低危险区避暑旅游产业与可再生能源的开发，实现低碳资源的互补增效。

4.2 暴露度主导区域的高温热浪风险应对策略

暴露度主导区域的高温热浪风险主要源自城市高密度建设与城市人口分布的疏密差异。在局地优化层面，针对人口密度指标主导的区县，应提供热浪避难场所，延长使用时间[47]，增强公共凉爽空间开放性，确保分散式供水点可达性；针对NDBI和FVC指标共同主导的区域，整合分散的绿地残存斑块，优化城市空间形态格局，以通风廊道串联城市功能区内外绿地系统，以构成生态冷源，同时积极挖掘山地城市特色空间，如防空洞降温、桥下纳凉、绿化堡坎遮阴等应对方式，以探索建设凉爽城市可行性；针对地表起伏度指标主导的区域，可通过架空、预留廊道等方式打通城市冷巷，改善局部热环境，通过高反射材料、透水性材料、冷却围护结构、水雾系统及遮阳系统的组合，设计凉爽屋顶、凉爽街道及凉爽立面，营造舒适的凉爽社区氛围[48]。在区域互补层面，充分发挥卫星城镇的疏通作用，将城市部分功能、人口与建设压力从中心地带拓展至周边低暴露度区域[49]。

4.3 脆弱性主导区域的高温热浪风险应对策略

脆弱性主导高温热浪风险主要原因在于人群高敏感性与适应能力低下。在局地优化层面，针对低保、收入及老人指标主导的区县，建议加强社会保障措施（纳入相关疾病的城乡医疗保险），健全补助机制（提供避暑物资），关照特殊人群（如老年人、幼童、残障人士及特殊职业者），以综合降低脆弱性；从公平角度出发，协调区域绿地规模，规划均衡的绿化斑块，特别关注绿化覆盖率低的区域（如老旧社区），确定适宜的植被类型、叶冠特征、树木高度和种植间距，以增强气候适应能力。在区域互补层面，针对医疗和教育指标主导的区县，可以利用中心城区教育与医疗优势，对低脆弱区进行应激处理知识普及和极端天气医疗帮扶；发挥郊区自然资源优势，发展养老产业，协调养老资源，优化老年人生活环境，增强自身调节能力[50]；利用风景园林专业的优势，通过转型升级逐步完善与郊区文旅、康养、养老等服务业的深度融合。

5 结论

本研究以山地城市重庆为研究对象，构建以危险性、暴露度、脆弱性为指标的山地城市高温热浪风险评估体系，并对各区县高温热浪风险展开评估，并基于评估结果提出重庆市高温热浪灾害应对策略。主要风险评估结果如下。1）重庆市高温热浪极高与高风险地区均位于中心城区，主导因子由危险性和山地城市暴露度共同构成。人口密度与建设用地的增大会加剧区域的高温热浪危险性与暴露度，故危险性、暴露度与综合风险的空间分布一致，呈现距中心城区“近高远低”的特征。2）重庆市不同热浪风险等级区县呈明显的正态分布特征，中风险等级的区县最多，较高、高和极高风险等级区县数量占28.95%。但高温热浪风险评估指数差异明显，极高与高风险区的平均风险指数超出中风险区2倍。3）重庆市高温热浪脆弱性空间分布与危险性、暴露度相反，呈距中心城区“远高近低”的空间分布特征。尽管部分区县危险性较小，但居民收入、医疗、教育水平有限，其脆弱性明显高于中心城区。因此，区域高温热浪灾害策略的拟定应同时考虑风险防范优先性与主导因子异质性。
综上，依据风险等级和主导因子的可视化分析，本研究提出“局地优化，区域互补”的应对思路，在解决首要问题的同时充分发挥城市周边低风险区域优势，进行绿地系统规划、空间结构调整与低碳资源管控，使高温热浪灾害防治更具高效性、合理性及针对性，完善了风景园林应对气候变化的策略体系，推动构建健康、安全、舒适的城市人居环境，有效提升了城市生态安全水平。
本研究依然存在一些不足，有待后续深入展开：目前关于城市高温热浪风险评估研究尺度多集中在城市与区县层面，由于重庆市气象局各区县年平均高温日数据无法覆盖到城市街道尺度，且中心城区数据基本来自沙坪坝站气象站点，彼此之间缺乏差异性，故尚未从街道尺度展开更精细化的分析。未来随着人口、气象与社会经济统计数据的完善，结合无人机遥感、飞艇遥感[51]等技术，可能实现街道社区尺度的高温热浪时空分布特征及风险评估研究。同时，耦合WRF（weather research and forecasting）、ENVI-met与Fluent等气候模型，推动气候适应性风景园林营造技术在植被、地形、水体、建筑四大园林要素中的运用，并建立从街区小尺度到区域大尺度的绿色基础设施提升策略体系，进而为中国气候韧性城市建设提供更科学的规划依据。

图表来源(Sources of Figures and Tables)：

文中图表均由作者绘制，其中图1、3~5、7底图下载自国家地理信息公共服务平台官网（www.tianditu.gov.cn/），审图号为GS （2020） 4814。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张宁. 中国将建成气候适应型社会[J]. 生态经济, 2022, 38(8): 9-12.

ZHANG N. Building a Climate-Adaptive Society in China[J]. Ecological Economy, 2022, 38(8): 9-12.

[2]
孙雨蒙. 地球气候变化已到临界点[J]. 生态经济, 2021, 37(10): 5-8.

SUN Y M. Earth’s Climate Change Reaches a Tipping Point[J]. Ecological Economy, 2021, 37(10): 5-8.

[3]
王蕾, 张百超, 石英, 等. IPCC AR6报告关于气候变化影响和风险主要结论的解读[J]. 气候变化研究进展, 2022, 18(4): 389-394.

WANG L, ZHANG B C, SHI Y, et al. Interpretation of the Key Findings on Climate Change Impacts and Risks in the IPCC AR6 Report[J]. Advances in Climate Change Research, 2022, 18(4): 389-394.

[4]
唐韬, 严飞. 过去7年是史上最热7年[J]. 生态经济, 2022, 38(7): 5-8.

TANG T, YAN F. The Past Seven Years Are the Hottest in History[J]. Ecological Economy, 2022, 38(7): 5-8.

[5]
翟盘茂, 周佰铨, 陈阳, 等. 气候变化科学方面的几个最新认知[J]. 气候变化研究进展, 2021, 17(6): 629-635.

ZHAI P M, ZHOU B Q, CHEN Y, et al. Recent Advances in Climate Change Science[J]. Advances in Climate Change Research, 2021, 17(6): 629-635.

[6]
许遐祯, 郑有飞, 尹继福, 等. 南京市高温热浪特征及其对人体健康的影响[J]. 生态学杂志, 2011, 30(12): 2815-2820.

XU X Z, ZHENG Y F, YIN J F, et al. Characteristics of High-Temperature Heatwaves in Nanjing City and Their Impacts on Human Health[J]. Chinese Journal of Ecology, 2011, 30(12): 2815-2820.

[7]
TIAN Z X, LI S S, ZHANG J L, et al. The Characteristic of Heat Wave Effects on Coronary Heart Disease Mortality in Beijing, China: A Time Series Study[J]. PLoS ONE, 2013, 8(9): e77321

DOI

[8]
HE B J, WANG J S, LIU H M, et al. Localized Synergies Between Heat Waves and Urban Heat Islands: Implications on Human Thermal Comfort and Urban Heat Management[J]. Environmental Research, 2021, 193: 110584.

DOI

[9]
SEMENZA J C, RUBIN C H, FALTER K H, et al. Heat-Related Deaths During the July 1995 Heat Wave in Chicago[J]. New England Journal of Medicine, 1996, 335(2): 84-90.

DOI

[10]
HE B J. Cause-Related Injustice, Process-Related Injustice, Effect-Related Injustice and Regional Heat Action Planning Priorities: An Empirical Study in Yangtze River Delta and Chengdu-Chongqing Urban Agglomerations[J]. Landscape and Urban Planning, 2023, 237: 104800.

DOI

[11]
HE B J, ZHAO D X, XIONG K, et al. A Framework for Addressing Urban Heat Challenges and Associated Adaptive Behavior by the Public and the Issue of Willingness to Pay for Heat Resilient Infrastructure in Chongqing, China[J]. Sustainable Cities and Society, 2021, 75: 103361.

DOI

[12]
HÜBLER M, KLEPPER G, PETERSON S. Costs of Climate Change: The Effects of Rising Temperatures on Health and Productivity in Germany[J]. Ecological Economics, 2008, 68(1): 381-393.

[13]
ZANDER K K, BOTZEN W J W, OPPERMANN E, et al. Heat Stress Causes Substantial Labour Productivity Loss in Australia[J]. Nature Climate Change, 2015, 5(7): 647-651.

DOI

[14]
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[J]. 地理学报, 2017, 72(5): 830-849.

SHUI W, CHEN Z C, DENG J M, et al. Assessment of Fuzhou City’s High-Temperature Vulnerability Considering Coupled Adaptation Stress[J]. Acta Geographica Sinica, 2017, 72(5): 830-849.

[15]
孙澄, 解文龙. 气候韧性导向的严寒地区城市设计框架: 以长春市总体城市设计为例[J]. 风景园林, 2021, 28(8): 39-44.

SUN C, XIE W L. Climate Resilience Oriented Urban Design Framework for Cities in Severe Cold Regions: A Case Study of General Urban Design of Changchun[J]. Landscape Architecture, 2021, 28(8): 39-44.

[16]
刘长松. 气候变化背景下风景园林的功能定位及应对策略[J]. 风景园林, 2020, 27(12): 75-79.

LIU C S. Functional Orientation and Countermeasures of Landscape Architecture Under the Background of Climate Change[J]. Landscape Architecture, 2020, 27(12): 75-79.

[17]
DOUSSET B, GOURMELON F. Satellite Multi-sensor Data Analysis of Urban Surface Temperatures and Landcover[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2003, 58(1): 43-54.

[18]
INOSTROZA L, PALME M, BARRERA F D L. A Heat Vulnerability Index: Spatial Patterns of Exposure, Sensitivity and Adaptive Capacity for Santiago de Chile[J]. PLoS ONE, 2016, 11(9): e0162464

DOI

[19]
KRÜGER T, HELD F, HOECHSTETTER S, et al. A New Heat Sensitivity Index for Settlement Areas[J]. Urban Climate, 2013, 6: 63-81.

DOI

[20]
郑有飞, 丁雪松, 吴荣军, 等. 近50年江苏省夏季高温热浪的时空分布特征分析[J]. 自然灾害学报, 2012, 21(2): 43-50.

ZHENG Y F, DING X S, WU R J, et al. Analysis of the Spatiotemporal Distribution Characteristics of Summer High-Temperature Heatwaves in Jiangsu Province over the Past 50 Years[J]. Journal of Natural Disasters, 2012, 21(2): 43-50.

[21]
张曦, 黎鑫. 湖南省夏季高温热浪时空分布特征及其成因[J]. 气候与环境研究, 2017, 22(6): 747-756.

DOI

ZHANG X, LI X. Spatial and Temporal Distribution Characteristics and Causes of Summer High-Temperature Heatwaves in Hunan Province[J]. Climatic and Environmental Research, 2017, 22(6): 747-756.

DOI

[22]
李琪, 苏欢, 史雨涵, 等. 1961~2010年江浙沪地区夏季高温热浪时空变化特征[J]. 长江流域资源与环境, 2016, 25(3): 506-513.

DOI

LI Q, SU H, SHI Y H, et al. Spatial and Temporal Variation Characteristics of Summer High-Temperature Heatwaves in the Yangtze River Delta Region from 1961 to 2010[J]. Resources and Environment in the Yangtze Basin, 2016, 25(3): 506-513.

DOI

[23]
付含聪, 邓帆, 杨欢, 等. 基于遥感的长江中下游城市群高温热浪风险评估[J]. 长江流域资源与环境, 2020, 29(5): 1174-1182.

FU H C, DENG F, YANG H, et al. Risk Assessment of High-Temperature Heatwaves in the Urban Agglomeration of the Middle and Lower Reaches of the Yangtze River Based on Remote Sensing[J]. Resources and Environment in the Yangtze Basin, 2020, 29(5): 1174-1182.

[24]
陈倩, 丁明军, 杨续超, 等. 长江三角洲地区高温热浪人群健康风险评价[J]. 地球信息科学学报, 2017, 19(11): 1475-1484.

CHEN Q, DING M J, YANG X C, et al. Health Risk Assessment of High-Temperature Heatwaves in the Yangtze River Delta Region[J]. Journal of Geo-Information Science, 2017, 19(11): 1475-1484.

[25]
周波涛, 徐影, 韩振宇, 等. “一带一路”区域未来气候变化预估[J]. 大气科学学报, 2020, 43(1): 255-264.

ZHOU B T, XU Y, HAN Z Y, et al. Future Climate Change Projection in the “Belt and Road” Region[J]. Journal of Atmospheric Sciences, 2020, 43(1): 255-264.

[26]
何苗, 徐永明, 李宁, 等. 基于遥感的北京城市高温热浪风险评估[J]. 生态环境学报, 2017, 26(4): 635-642.

HE M, XU Y M, LI N, et al. Risk Assessment of Urban High-Temperature Heatwaves in Beijing Based on Remote Sensing[J]. Journal of Ecology and Environmental Sciences, 2017, 26(4): 635-642.

[27]
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[J]. 城市规划, 2019, 43(12): 37-44.

CHEN K, TANG Y. Spatial Identification of Urban High-Temperature Heatwave Vulnerability and Planning Strategies: A Case Study of Beijing’s Central City[J]. City Planning Review, 2019, 43(12): 37-44.

[28]
郑颖生, 王墨, 李建军, 等. 城市高温风险评估与气候适应性规划策略: 以亚热带高密度城市深圳为例[J]. 规划师, 2021, 37(14): 13-19.

DOI

ZHENG Y S, WANG M, LI J J, et al. Risk Assessment of Urban High-Temperature Events and Climate Adaptation Planning Strategies: A Case Study of Shenzhen, A Subtropical High-Density City[J]. Planners, 2021, 37(14): 13-19.

DOI

[29]
杨林川, 杨皓森, 范强雪, 等. 大城市高温热浪脆弱性评价及规划应对研究: 以成都市为例[J]. 规划师, 2023, 39(2): 38-45.

YANG L C, YANG H S, FAN Q X, et al. Vulnerability Assessment and Planning Response to High-Temperature Wave in Large Cities: The Case of Chengdu[J]. Planners, 2023, 39(2): 38-45.

[30]
王丹舟, 张强, 朱秀迪, 等. 基于多源数据的上海市高温热浪风险评估[J]. 北京师范大学学报（自然科学版）, 2021, 57(5): 613-623.

WANG D Z, ZHANG Q, ZHU X D, et al. Risk Assessment of High-Temperature Heatwaves in Shanghai Based on Multi-source Data[J]. Journal of Beijing Normal University (Natural Science), 2021, 57(5): 613-623.

[31]
苏王新, 常青. 城市热缓解的基于自然的解决方案与实施路径: 以北京市为例[J]. 风景园林, 2022, 29(6): 26-32.

SU W X, CHANG Q. Nature-Based Solutions for Urban Heat Mitigation and Implementation Path Thereof: A Case Study of Beijing[J]. Landscape Architecture, 2022, 29(6): 26-32.

[32]
熊亚军, 于平, 扈海波. 国内高温气候变化事实及其灾害特征研究进展[J]. 干旱气象, 2013, 31(1): 194-198.

XIONG Y J, YU P, HU H B. Research Progress on Facts and Disaster Characteristics of High-Temperature Climate Change in China[J]. Journal of Arid Meteorology, 2013, 31(1): 194-198.

[33]
徐煜辉, 张文涛. “适应”与“缓解”: 基于微气候循环的山地城市低碳生态住区规划模式研究[J]. 城市发展研究, 2012, 19(7): 156-160.

XU Y H, ZHANG W T. “Adaptation” and “Mitigation”: Research on the Planning Mode of Low-Carbon Ecological Residential Areas in Mountainous Urban Areas Based on Microclimate Circulation[J]. Urban Development Studies, 2012, 19(7): 156-160.

[34]
曾穗平, 田健. 山地城市微气候特点与热岛效应缓解策略研究[J]. 建筑学报, 2013(S2): 106-109.

ZENG S P, TIAN J. Research on Microclimate Characteristics and Heat Island Effect Mitigation Strategies in Mountain Cities[J]. Journal of Architecture, 2013(S2): 106-109.

[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[J]. 地理研究, 2020, 39(7): 1534-1547.

HUANG X J, WANG B, LIU M M, et al. Characteristic of Urban High Temperatures and Social Vulnerability Assessment in China[J]. Geographical Research, 2020, 39(7): 1534-1547.

[36]
LUO X, YANG J, SUN W, et al. Suitability of Human Settlements in Mountainous Areas from the Perspective of Ventilation: A Case Study of the Main Urban Area of Chongqing[J]. Journal of Cleaner Production, 2021, 310: 127467.

DOI

[37]
武夕琳, 刘庆生, 刘高焕, 等. 高温热浪风险评估研究综述[J]. 地球信息科学学报, 2019, 21(7): 1029-1039.

WU X L, LIU Q S, LIU G H, et al. A Review of High-Temperature Heatwave Risk Assessment Research[J]. Journal of Geo-Information Science, 2019, 21(7): 1029-1039.

[38]
HEATON M J, SAIN S R, GREASBY T A, et al. Characterizing Urban Vulnerability to Heat Stress Using a Spatially Varying Coefficient Model[J]. Spatial and Spatio-Temporal Epidemiology, 2014, 8: 23-33.

DOI

[39]
乔治, 田光进. 基于MODIS的2001年—2012年北京热岛足迹及容量动态监测[J]. 遥感学报, 2015, 19(3): 476-484.

QIAO Z, TIAN G J. Monitoring the Dynamic Changes of Urban Heat Island Footprint and Capacity in Beijing from 2001 to 2012 Based on MODIS[J]. Journal of Remote Sensing, 2015, 19(3): 476-484.

[40]
刘勇洪, 权维俊. 北京城市高温遥感指标初探与时空格局分析[J]. 气候与环境研究, 2014, 19(3): 332-342.

LIU Y H, QUAN W J. Preliminary Exploration of Remote Sensing Indicators for Urban High Temperatures in Beijing and Analysis of Spatiotemporal Patterns[J]. Climatic and Environmental Research, 2014, 19(3): 332-342.

[41]
WAN Z M, ZHANG Y L, ZHANG Q C, et al. Validation of the Land-Surface Temperature Products Retrieved from Terra Moderate Resolution Imaging Spectroradiometer Data[J]. Remote Sensing of Environment, 2002, 83(1): 163-180.

[42]
ROMERO L P, QIN H, DICKINSON K. Urban Vulnerability to Temperature-Related Hazards: A Meta-Analysis and Meta-Knowledge Approach[J]. Global Environmental Change, 2012, 22(3): 670-683.

DOI

[43]
WILHELMI O V, HAYDEN M H. Connecting People and Place: A New Framework for Reducing Urban Vulnerability to Extreme Heat[J]. Environmental Research Letters, 2010, 5(1): 014021

DOI

[44]
祁新华, 程煜, 李达谋, 等. 西方高温热浪研究述评[J]. 生态学报, 2016, 36(9): 2773-2778.

QI X H, CHENG Y, LI D M, et al. A Review of Western Research on High-Temperature Heatwaves[J]. Acta Ecologica Sinica, 2016, 36(9): 2773-2778.

[45]
ELZEIN A, TONMOY F N. Assessment of Vulnerability to Climate Change Using a Multi-criteria Outranking Approach with Application to Heat Stress in Sydney[J]. Ecological Indicators, 2015, 48: 207-217.

DOI

[46]
薛倩, 谢苗苗, 郭强, 等. 地理学视角下城市高温热浪脆弱性评估研究进展[J]. 地理科学进展, 2020, 39(4): 685-694.

DOI

XUE Q, XIE M M, GUO Q, et al. Research Progress on Vulnerability Assessment of Urban High-Temperature Heatwaves from the Perspective of Geography[J]. Progress in Geography, 2020, 39(4): 685-694.

DOI

[47]
BRADFORD K, ABRAHAMS L, HEGGLIN M, et al. A Heat Vulnerability Index and Adaptation Solutions for Pittsburgh, Pennsylvania[J]. Environmental Science & Technology, 2015, 49(19): 11303-11311.

[48]
GILBERT H, MANDEL B H, LEVINSON R. Keeping California Cool: Recent Cool Community Developments[J]. Energy and Buildings, 2016, 114: 20-26.

DOI

[49]
游晓婕, 李琼, 孟庆林. 城市热岛空间格局及形态差异化调控策略研究: 以广州市中心城区为例[J]. 风景园林, 2021, 28(5): 74-79.

YOU X J, LI Q, MENG Q L. Research on Spatial Patterns and Morphological Differentiation Control Strategy of Urban Heat Islands: A Case Study of Downtown Area of Guangzhou City[J]. Landscape Architecture, 2021, 28(5): 74-79.

[50]
宋姗, 王德, 朱玮, 等. 基于需求偏好的上海市养老机构空间配置研究[J]. 城市规划, 2016, 40(8): 77-82.

SONG S, WANG D, ZHU W, et al. Research on the Spatial Configuration of Elderly Care Institutions in Shanghai Based on Demand Preferences[J]. Urban Planning, 2016, 40(8): 77-82.

[51]
孟庆林, 王频, 李琼. 城市热环境评价方法[J]. 中国园林, 2014, 30(12): 13-16.

MENG Q L, WANG P, LI Q. Evaluation Methods for Urban Thermal Environment[J]. Chinese Landscape Architecture, 2014, 30(12): 13-16.

Options
文章导航

/

〈 〉