EN中文

Landscape Architecture >

2025 , Vol. 32 >Issue 1: 105 - 113

DOI: https://doi.org/10.3724/j.fjyl.202405230292

Research on Characteristics and Influencing Factors of High Temperature Disaster Risk in Wuhan Based on Local Climate Zone

  • Shujing GUO , 1, 2 ,
  • Li ZHANG , 1, *
Expand
  • 1 College of Horticulture and Forestry, Huazhong Agricultural University
  • 2 Xiaogan Territorial Spatial Planning Research Institute
68100180@qq.com

GUO Shujing gained her master degree in Huazhong Agricultural University, and is currently a professional and technical personnel in Xiaogan Territorial Spatial Planning Research Institute. Her research focuses on microclimate effects of green spaces

ZHANG Li, Ph.D., is an associate professor in the College of Horticulture & Forestry Sciences, Huazhong Agricultural University. Her research focuses on microclimate effects of green spaces

Received date: 2024-05-23

  Revised date: 2024-11-18

  Online published: 2025-12-07

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] Against the background of rapid urbanization and global warming, Wuhan is frequently hit by extreme heat events, which not only poses a serious threat to the health status of local residents, but also brings great losses to socio-economic development. Mapping the high temperature disaster risk in the urban development area of Wuhan and analyzing the high temperature disaster risk and influencing factors thereof at the local scale can provide an important basis for the prevention of high temperature disasters in the city.
[Methods] Based on the “hazard – exposure – vulnerability” high temperature disaster risk assessment framework proposed by the Intergovernmental Panel on Climate Change, this research constructed an assessment system by utilizing multi-source data, and then pre-processes all relevant indicators to make them dimensionless. Then, a combination of the analytic hierarchy process and principal component analysis is adopted to assign weights to the indicators, with such weights being finally superimposed to obtain the hazard map, exposure map and vulnerability map, respectively. On this basis, a high temperature disaster risk map of the urban development area of Wuhan is synthesized to identify the distribution characteristics of high temperature disaster risk in the research area. Then Landsat 8 remote sensing images are processed with SAGA GIS software, Google Earth Pro software, and Random Forest algorithm to classify the urban development area of Wuhan into 17 local climate zone (LCZ) types based on the remote sensing image classification method of World Urban Database and Access Portal Tools (WUDAPT). With 70% random samples used for drawing and 30% random samples used for checking, LCZ maps that meet the requirements of classification accuracy are obtained and analyzed for site identification at the local scale. The LCZ maps are then superimposed on the high temperature disaster risk map to identify the local-scale characteristics of high temperature disaster risk, analyze the degree of high temperature disaster risk for each LCZ type and the differences in high temperature disaster risk between different LCZ types, and explore the reasons for such differences. Finally, eight types of LCZ landscape pattern indices are preliminarily selected at the type and landscape scale levels, and the optimal research size is obtained using the moving window method in Fragstats 4.2 software. Furthermore, highly correlated LCZ types are screened out under the optimal size, the multicollinearity of all LCZ landscape pattern indices is examined and those with multicollinearity are excluded. Finally, geographically weighted regression (GWR) models are used to explore the effect of LCZ landscape patterns on spatial heterogeneity of high temperature disaster risk.
[Results] The characteristics of high temperature disaster risk in each district do not differ much, and the overall spatial presentation of the development center of each district gradually decreases from high to low, with high-risk areas mainly located in the south-central part of Caidian District, the west and north of Jiangxia District, the dense industrial parks in the south of Dongxihu District, the Wuhan Iron and Steel Factory in Qingshan District, and the Tianhe Airport in Huangpi District, and the low-risk areas are mainly in the watershed part. Jianghan, Qiaokou, and Qingshan districts have relatively high average value of high temperature disaster risk due to high population density or dense buildings, while Wuchang and Hongshan districts have relatively low average value of high temperature disaster risk due to the presence of large areas of water and green areas therein. Overlaying the LCZ maps with the normalized high temperature disaster risk maps, it can be seen that, among the building types, sparse built-up area (LCZ 9) has the lowest average value of high temperature disaster risk, and the average value of high temperature disaster risk is significantly higher than that of the other building types in large low-rise buildings (LCZ 8) and heavy industrial buildings (LCZ 10), which are mainly industrial plants and heavy industrial zones with large building area. Among the natural environment types, water area (LCZ G) has the lowest average value of high temperature disaster risk, which indicates that water can effectively mitigate the risk of high temperature disaster; while for bare rock (LCZ E), exposed sand (LCZ F), and construction building (LCZ H) exposed outdoor, they typically have higher values of high temperature disaster risk due to solar radiation for a long time. As to landscape pattern indices, the area percentage of landscape (PLAND) has a higher influence on high temperature disaster risk than aggregation index (AI).
[Conclusion] Based on the research results above, strategies to cope with high temperature disasters are proposed. First, the area of vegetation and water should be increased. Secondly, the building layout should be rationally planned. Meanwhile, anthropogenic heat source emissions should also be controlled. Finally, high temperature service facilities should be improved to enhance the city's coping ability.

Key words： landscape architecture; climate change; multi-source data; high temperature disaster risk; local climate zone (LCZ); geographically weighted regression (GWR) model; landscape pattern

Cite this article

Shujing GUO , Li ZHANG . Research on Characteristics and Influencing Factors of High Temperature Disaster Risk in Wuhan Based on Local Climate Zone[J]. Landscape Architecture, 2025 , 32(1) : 105 -113 . DOI: 10.3724/j.fjyl.202405230292

联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）第六次评估报告指出，目前全球平均气温较工业化前已上升了1.1 ℃[1]，全球变暖导致高温热浪的出现频率、持续时间显著增加，规模显著增大[2]，易引发热衰竭、热痉挛、热射病等一系列相关疾病[3-4]，加剧粮食危机[5]和大气污染[6]，增加空调能源消耗[7]。在快速城市化和全球变暖的大背景下，城市热岛效应和高温热浪事件会对城市居民、生态环境、基础设施等造成不可估量的影响[8-9]。
21世纪以来，国内外学者开始重视全球变暖的危害，推动了高温灾害研究的发展。高温灾害研究在国外起步较早，Dousset等[10]早在2003年就分析了洛杉矶和巴黎的夏季高温，目前国外已发布了针对高温灾害的预防和应对策略[11-13]。国内高温灾害研究起步较晚，目前关于高温热浪的政策和法律法规相对较少，但高温灾害风险评估已取得一定进展，早年间学者主要运用社会统计数据等进行高温灾害风险评估[14-15]，近年来基于遥感数据进行高温灾害风险评估已成为趋势[16-17]。
Stewart等[18]于2012年提出局地气候分区（local climate zone, LCZ）理论，目前主流的LCZ分类制图工具主要有GIS[19-21]和世界城市数据库和访问门户工具（World Urban Database and Access Portal Tools, WUDAPT）2种[22-26]，前者精度较高，但数据较难获取，工作量较大；后者简单易行，时间和经济成本较低。基于LCZ理论的城市热环境研究目前已成为研究趋势，很多学者将LCZ应用于城市热岛（urban heat island, UHI）研究[27-30]，指出不同LCZ类型的城市热岛效应强度存在明显差异。另外，LCZ理论为户外热舒适[31-33]与城市规划研究[34]定量分析城市空间热环境提供了参考。近年来也有学者将LCZ理论与高温灾害风险评估相结合，在局地尺度分析高温灾害风险，探讨应对高温灾害的策略[35-36]。
国家环境信息中心（National Centers for Environmental Information, NCEI）的气象站点数据显示，2022年武汉市有53天的气温超过35 ℃，是武汉21世纪以来高温天数最多的一年，其中7—9月都出现了持续的高温热浪现象，8月甚至连续27天超过35 ℃，是武汉21世纪以来持续时间最长的一次高温热浪事件，因此研究武汉市高温灾害风险及影响因素具有重要的实践意义。本研究通过绘制武汉市都市发展区的高温灾害风险地图和LCZ地图，识别局地尺度的高温灾害风险，引入景观格局指数，分析LCZ景观格局对高温灾害的影响，进而提出应对高温灾害的策略。

1 研究区和研究数据

1.1 研究区概况

武汉市位于长江中下游的江汉平原东北部（113°41′~115°05′E，29°58′~31°22′N），属于亚热带季风气候，夏季炎热潮湿。选取武汉市都市发展区作为研究范围（图1），该区域总面积约3261 km2，涉及武汉市的13个辖区，覆盖主城区及向外规划的适合发展的部分新城区域。
图1 研究区域

Fig. 1 Research area

1.2 研究数据

1）遥感影像数据。数据包括Landsat 8影像数据、珞珈一号夜间灯光（nighttime light, NTL）影像数据和MOD13Q1 数据。Landsat 8影像数据来源于美国地质调查局（United States Geological Survey, USGS）官网，拍摄时间为2022年8月9日和2022年9月18日，分辨率为30 m，云层覆盖率低，遥感影像拍摄当天气温高达35 ℃以上，可以代表极端高温天气。珞珈一号NLT影像数据来源于珞珈一号官网，拍摄时间为2018年9月15日，该影像亮度均匀，分辨率为130 m。MOD13Q1数据来源于Earthdata官网，使用数据为2022年全年数据，共24条，分辨率为130 m。Landsat 8影像数据用于反演地表温度、计算植被覆盖率（fractional vegetation cover, FVC）和归一化建筑指数（normalized difference built-up index, NDBI）、绘制LCZ地图；珞珈一号NLT影像数据和MOD13Q1数据用于计算人居指数（human settlement index, HSI）。
2）兴趣点（point of interest, POI）数据。从高德地图应用程序编程接口（application programming interface, API）获取POI数据，用于绘制适宜性POI空间分布图和敏感性POI空间分布图。
3）土地利用类型数据。数据来源于中国生命周期基础数据库（Chinese Life Cycle Database, CLCD）2021年全国土地覆被数据，分辨率为 30 m，总体精度为76.45%~82.51%，用于评估高温灾害发生时各地类的脆弱性。
4）常住人口数据。武汉市街道尺度的常住人口数据来源于第七次全国人口普查，用于相关性分析以检验HSI精度。
5）水域分布数据。矢量水域数据来源于OpenStreetMap，用于绘制武汉市都市发展区水域缓冲区。

2 研究方法

2.1 武汉市高温灾害风险评估方法

2.1.1 高温灾害风险评估指标体系构建

本研究参考IPCC第六次评估报告提出的“危险性（hazard）-暴露度（exposure）-脆弱性（vulnerability）”风险评估框架构建高温灾害风险评估指标体系（表1）。
表1 高温灾害风险评估指标体系

Tab. 1 Indicator system for assessment of high temperature disaster risk

目标层 准则层 指标层 指标性质 层次分析法
权重/%		 主成分分析法
权重/%		 主客观结合法
权重/%
　　注：老年人身体机能下降，儿童的免疫系统尚未完全发育成熟，他们均易受到高温影响，是高温热浪敏感人群，因此敏感性POI包括幼儿园、小学、养老院、老年人活动中心；医院有专业医疗设备和医护人员，能够快速响应高温天气下可能出现的突发状况，公园和广场通常拥有大片绿地和树木，能够提供清凉遮阴和休闲娱乐等方面的功能，因此适宜性POI包括医院、公园、广场、风景名胜。
武汉市都市
发展区高温
灾害风险		 危险性（H） 地表温度 正向 24.71 19.37 22.040
暴露度（E） HSI 正向 16.53 8.89 12.710
NDBI 10.22 11.38 10.800
脆弱性（V） 敏感性 敏感性POI核密度 正向 17.72 7.20 12.460
土地利用类型 11.44 16.90 14.170
适宜性 适宜性POI核密度 负向 4.72 7.39 6.055
植被覆盖率 7.26 14.54 10.900
水域缓冲区 7.40 14.33 10.865
危险性指高温环境对人体健康造成危害的倾向，虽然地表温度不能直接反映城市气候，但多项研究表明遥感影像反演的地表温度与近地表的空气温度存在显著的线性相关[37-38]，因此本研究用地表温度表征高温灾害危险性。暴露度指受到高温灾害不利影响的承载体的暴露程度，本研究选择HSI和NDBI作为高温暴露度指标。脆弱性包含敏感性和适宜性，指个体或系统易受不良影响的倾向或习性，不同土地利用类型在应对高温灾害时可能表现出不同的脆弱性[17, 39]，本研究选择土地利用类型、敏感性POI核密度作为敏感性评估指标，选择适宜性POI核密度、植被覆盖率和水域缓冲区作为适宜性评估指标。

2.1.2 评估指标计算

1）地表温度。地表温度反演在ENVI软件中进行，主要步骤有对Landsat 8影像进行预处理，计算归一化植被指数（normalized difference vegetation index, NDVI），推算植被覆盖率，计算地表比辐射率，计算黑体辐射亮度，计算地表温度。
2）HSI。HSI是Lu等[40]在2008年提出并使用的，本研究结合NTL影像数据与NDVI数据计算HSI。首先，使用24条MOD13Q1数据计算$ {\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{\mathrm{m}\mathrm{a}\mathrm{x}} $，计算式
$ \begin{split} {\mathrm{NDVI}}_{\mathrm{max}}=&\mathrm{MAX}{（\mathrm{NDVI}}_{1}\text{，}{\mathrm{NDVI}}_{2}\text{，}\dots \text{，}\\&{\mathrm{NDVI}}_{24}） \text{，}\end{split} $
式中：$ {\mathrm{NDVI}}_{\mathrm{max}} $为合成的${\rm{NDVI}} $的最大值；${\mathrm{NDVI}}_{1}， {\mathrm{NDVI}}_{2}$，…，${\mathrm{NDVI}}_{24} $为24条 MOD13Q1数据的值。
然后，对NTL影像进行投影、地理配准、辐射定标、去噪等预处理，并进行归一化处理，计算式
$ \mathrm{NTL'}（x\text{，}y）=\frac{\mathrm{NTL}（x\text{，}y）-{\mathrm{NTL}}_{\mathrm{min}}}{{\mathrm{NTL}}_{\mathrm{max}}+{\mathrm{NTL}}_{\mathrm{min}}} \text{，} $
式中：$ \mathrm{N}\mathrm{T}\mathrm{L} $是归一化前的夜间灯光数据；$\mathrm{N}\mathrm{T}\mathrm{L'}$是归一化后的夜间灯光数据；（x，y）是空间位置的坐标；$ {\mathrm{N}\mathrm{T}\mathrm{L}}_{\mathrm{m}\mathrm{i}\mathrm{n}} $是原始夜间灯光数据的最小值；$ {\mathrm{N}\mathrm{T}\mathrm{L}}_{\mathrm{m}\mathrm{a}\mathrm{x}} $是原始夜间灯光数据的最大值。
最后，使用$\mathrm{N}\mathrm{T}\mathrm{L'}$与$ {\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{\mathrm{m}\mathrm{a}\mathrm{x}} $计算$ \mathrm{H}\mathrm{S}\mathrm{I} $，计算式
$ \mathrm{HSI} = \frac{（1-{\mathrm{NDVI}}_{\mathrm{max}}）+\mathrm{NTL'}}{ （1-\mathrm{NT}{\mathrm{L}}{{\rm{'}}}） +{\mathrm{NDVI}}_{\mathrm{max}}+{\mathrm{NT}{\mathrm{L}}{{\rm{'}}} \times \mathrm{NDVI}}_{\mathrm{max}}} \text{，} $
为验证${\rm{HSI}} $的精确性，将各街道范围内栅格的HSI累计值与武汉街道的矢量人口数据进行相关性分析（R 2=0.8255），分析结果说明通过该方法计算的HSI能有效反映研究区内人口的空间分布状况。
3）NDBI。NDBI通过Landsat 8影像计算，计算式
$ \mathrm{NDBI}=\frac{\mathrm{MIR}-\mathrm{NIR}}{\mathrm{MIR}+\mathrm{NIR}} \text{，} $
式中：NIR为近红外波段的反射率值；MIR为中红外波段的反射率值。
4）敏感性POI核密度与适宜性POI核密度。从高德地图API获取2022年武汉市都市发展区幼儿园、小学、养老院、老年人活动中心的位置作为敏感性POI数据源，获取医院、公园、广场、风景名胜的位置作为适宜性POI数据源，在ArcGIS软件中利用缓冲区分析工具（搜索半径设定为1 km）得到敏感性POI核密度空间分布和适宜性POI核密度空间分布情况。
5）土地利用类型。不同土地利用类型应对高温灾害时会展现出不同的脆弱性，本研究参考相关研究[17, 39]并结合专家打分法，确定各土地利用类型的脆弱性指数。
6）植被覆盖率。通过Landsat 8影像计算NDVI，置信区间设置为5%～95%，将5%对应的NDVI值作为$ {\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{\mathrm{m}\mathrm{i}\mathrm{n}} $，将95%对应的NDVI值作为$ {\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{\mathrm{m}\mathrm{a}\mathrm{x}}， $从而计算植被覆盖率。计算式
$ \mathrm{NDVI}=\frac{\mathrm{NIR}-\mathrm{R}}{\mathrm{NIR}+\mathrm{R}} \text{，} $
$ \mathrm{FVC}=\frac{\mathrm{NDVI}-{\mathrm{NDVI}}_{\mathrm{min}}}{{\mathrm{NDVI}}_{\mathrm{max}}-{\mathrm{NDVI}}_{\mathrm{min}}} \text{，} $
式中：${\rm{FVC}} $为植被覆盖率；${\rm{NIR}} $为近红外波段的反射率值；${\rm{R}} $为红外波段的反射率值。
7）水域缓冲区。参考武汉市水域降温范围研究[41-42]，基于ArcGIS平台进行水域缓冲区分析，依据湖泊面积和河流等级对矢量水域数据进行等级划分，并进行赋值和计算，距离水体越近，降温效果越明显。

2.1.3 指标赋权与风险指数计算

将各指标评估结果重采样至250 m×250 m的栅格并进行归一化处理，使数据处于区间[0，1]，以便后续分析。使用层次分析法与主成分分析法对各指标赋权，并按1∶1进行叠加得到最终的指标权重（表1）。其中层次分析法共邀请13位专家进行打分，取平均值计算各指标权重。
结合各指标评估结果与权重，运用加权综合法[43-44]计算高温灾害风险指数，计算式
$R=H+E+V={H}_{1}{a}_{1}+{\sum }_{i=1}^{2}{E}_{i}{b}_{i}+{\sum }_{i=1}^{5}{V}_{i}{c}_{i} \text{，}$
式中：R为高温灾害风险指数；$ {H}_{1} $为地表温度指标的值；$ {a}_{1} $为地表温度的指标权重；$ {E}_{i} $为第$ i $个暴露度指标的值；$ {b}_{i} $为第$ i $个暴露度指标的权重；$ {V}_{i} $为第$ i $个脆弱性指标的值；$ {c}_{i} $为第$ i $个脆弱性指标的权重。

2.2 LCZ制图方法

利用WUDAPT遥感图像分类方法[18]绘制LCZ地图。1）将Landsat 8影像在ENVI软件中进行预处理。2）基于17个LCZ类型对应的感兴趣区域（region of interest, ROI），在Google Earth中均匀分散地采集样本（共629个），其中建筑类型分为9类（LCZ 1~6、8~10）；因武汉市存在极少轻质低层建筑（LCZ 7），故LCZ 7不在本研究范围内；自然环境类型分为7类（LCZ A~G），由于武汉存在很多正在开发的区域，因此增设施工建筑（LCZ H）类型（图2）。3）在SAGA GIS中利用随机森林算法绘制LCZ地图，然后在Google Earth中打开LCZ地图，对照影像来检验LCZ分类结果并重新勾画差异选区，此过程重复10次以上，直至获得满意的LCZ地图。4）随机选取70%的ROI样本用于绘制LCZ地图，其余30%的ROI样本用于检验LCZ分类结果，结果显示总体精度为78.75%，Kappa系数为77.03%，达到预期分类结果。
图2 LCZ样本类型

Fig. 2 LCZ sample types

2.3 影响高温灾害风险的LCZ景观格局指数识别

景观格局指数可以反映特定区域的景观结构和异质性[45]，在Fragstats 4.2软件中初步筛选出8个具有代表性的景观格局指数（表2）。
表2 景观格局指数描述

Tab. 2 Description on landscape pattern indices

景观格局指数 描述
斑块类型面积百分比（PLAND） 某一斑块类型在整体景观中所占的面积比例
连续度（CONTIG_MN） 反映景观组分关系的异质性指数
斑块密度（PD） 某一斑块类型在景观中的密度
斑块破碎化指数（SPLIT） 景观空间被分割后的破碎化程度
最大斑块指数（LPI） 某一单元中最大面积斑块的面积比例
聚集度指数（AI） 景观或斑块聚合的程度
平均形状指数（SHAPE_AM） 斑块边长与面积的比值
香农多样性指数（SHDI） 描述景观的多样性
移动窗口法[46]能清晰地展现城市景观格局的空间变异状况，合适的窗口大小能确保分析结果的准确性[47]。基于栅格尺寸为100 m×100 m的LCZ地图，本研究选取10个窗口半径：300 m、500 m、700 m、900 m、1 100 m、1 300 m、1 500 m、1 700 m、1 900 m、2 100 m，将不同窗口半径对应的8个景观格局指数与相同栅格尺寸对应的高温灾害风险值进行Spearman相关性分析，进而确定最佳窗口半径（图3）。分析发现当窗口半径为1 100 m时，大多数景观格局指数与高温灾害风险值相关性最高，因此最终将最佳窗口半径确定为1 100 m。
图3 景观格局指数和高温灾害风险值的相关系数

Fig. 3 Correlation coefficient between landscape pattern indices and high temperature disaster risk values

在最佳窗口半径下，将各LCZ类型的PLAND与高温灾害风险值进行Spearman相关性分析（表3），筛选出相关性较强（相关系数＞0.25）的7个指标：开敞高层建筑面积百分比（PLAND 4）、开敞中层建筑面积百分比（PLAND 5）、大型底层建筑面积百分比（PLAND 8）、工业厂房面积百分比（PLAND 10）、灌木和矮树面积百分比（PLAND C）、水域面积百分比（PLAND G）和施工建筑面积百分比（PLAND H）。
表3 各类型LCZ的PLAND与高温灾害风险值的相关系数

Tab. 3 Correlation coefficient between the PLAND values of each type of LCZ and high temperature disaster risk values

LCZ类型 相关系数 LCZ类型 相关系数
注：**表示在0.01级别显著相关。
PLAND 1 0.208** PLAND A −0.190**
PLAND 2 0.166** PLAND B −0.059**
PLAND 3 0.156** PLAND C 0.288**
PLAND 4 0.289** PLAND D −0.230**
PLAND 5 0.294** PLAND E 0.223**
PLAND 6 0.116** PLAND F 0.238**
PLAND 8 0.490** PLAND G −0.572**
PLAND 9 −0.035** PLAND H 0.356**
PLAND 10 0.274**
将上述 7个指标与CONTIG_MN、PD、SPLIT、LPI、AI、SHAPE_AM、SHDI进行多重共线性检验，剔除容差小于0.1或年均方差膨胀因子（VIF）大于10的指标，最终选择PLAND 4、PLAND 5、PLAND 8、PLAND 10、PLAND C、PLAND G、PLAND H、AI、SPLIT 9个指标纳入地理加权回归（geographically weighted regression, GWR）模型，探讨武汉LCZ景观格局对高温灾害风险的影响。

2.4 地理加权回归分析

GWR模型[48]考虑了空间异质性与自相关性，计算GWR之前需要对自变量和因变量进行空间自相关性评估，故采用莫兰指数（Moran’s I）测度各指标的空间自相关性。计算式
$ I=\frac{n\displaystyle\sum\nolimits _{i=1}^{n}\displaystyle\sum\nolimits _{i=1}^{n}{{\boldsymbol{w}}}_{ij}（{x}_{i}-\overline{x}）（{x}_{j}-\overline{x}）}{（\displaystyle\sum\nolimits _{i=1}^{n}\sum\nolimits _{i=1}^{n}{{\boldsymbol{w}}}_{ij}）\displaystyle\sum\nolimits _{i=1}^{n}{（{x}_{i}-\overline{x}）}^{2}} \text{，} $
式中：$ n $为空间单元总数，$ {x}_{i} $和$ {x}_{j} $分别为空间单元$ i $和$ j $处的值，$ {{\boldsymbol{w}}}_{ij} $为空间权重矩阵，$ \overline{x} $为所有空间单元属性值的均值。
GWR模型计算式
$ {y}_{i}={\beta }_{0}\left({u}_{i}\text{，}{v}_{i}\right)+\sum\nolimits _{k=1}^{m}{\beta }_{k}\left({u}_{i}\text{，}{v}_{i}\right){x}_{ik}+{\epsilon }_{i} \text{，} $
式中：${y}_{i} $为位置 $ i $ 的因变量值；$ （{u}_{i}，{v}_{i}） $为位置$ i $的坐标；${\beta }_{0} （{u}_{i}， {v}_{i}）$为截距项；${x}_{ik}$为 位置$ i $的自变量值，$k=1，2，\dots ，m$；${\beta}_{k} $$（{u}_{i}，{v}_{i}）$为位置 $ i $ 的回归分析系数；$ {\epsilon }_{i} $为误差项；$k=1， 2，\dots ，m$。

3 结果与讨论

3.1 武汉市都市发展区高温灾害风险评估

基于ArcGIS平台，运用加权综合法绘制武汉市都市发展区高温灾害风险地图，用自然断点法将高温灾害风险划分成5个等级，并对13个辖区的高温灾害风险进行统计（图4）。高风险区域主要位于蔡甸区中南部、江夏区西部和北部、东西湖区南部密集的工业园区、青山区的武钢厂区、黄陂区的天河机场，这些区域硬质地表面积较大，会吸收和储存热量，且植被覆盖较少，导致高温灾害风险较高，低风险区域主要是水域（图4-1）。江汉区和硚口区人口密度大且硬质地表占比高，水域、绿地占比低，青山区有大面积的武钢厂房，因此高温灾害风险平均值相对较高；武昌区、洪山区人口密度较高、建筑占地面积较大，但是紧邻长江，区内有东湖风景区、汤逊湖、南湖、黄家湖等大面积水域和绿地，因此高温灾害风险平均值相对较低（图4-2）。
图4 高温灾害风险地图（4-1）及各辖区高温灾害风险区域面积占比情况（4-2）

Fig. 4 High temperature disaster risk map (4-1) and the percentage of area of high temperature disaster risk in each jurisdiction area (4-2)

3.2 武汉市都市发展区LCZ特征

分析武汉市都市发展区LCZ地图（图5）以及各类型LCZ面积占比（表4），发现建筑类型主要集中于中部，其中LCZ 1（0.02%） 只在汉口区零星分布，LCZ 2（0.70%）和LCZ 3 （0.86%）主要分布于市中心和其他辖区中心的老旧住宅小区，LCZ 4（9.09%）和LCZ 5（5.77%）主要分布于三环以内及周边经济发展较好的地段，LCZ 6（0.48%）主要分布于环境优美的别墅区，LCZ 8（7.84%）主要分布于蔡甸区、东西湖区、江夏区零散的工业厂房，LCZ 9（1.58%）主要分布于郊区林地中的零散建筑，LCZ 10（0.84%）主要分布于青山区的武钢厂区， 其中LCZ 4~6的面积占比相对较高。在自然环境类型中，LCZ A~D大部分分布于三环外，LCZ D（36.61%）主要分布于外部的农田或水田，LCZ A（3.73%）主要分布于洪山区和江夏区的密集林地，LCZ B（8.54%）和LCZ C（6.67%）主要分布于都市发展区外部，LCZ E（0.35%）面积占比最低，主要分布于黄陂区的天河机场和南部的汽车厂户外平台，LCZ G（13.28%）面积占比较高，LCZ F（1.40%）和LCZ H（2.24%）主要是外部正在开发的区域。
图5 武汉市都市发展区LCZ地图

Fig. 5 LCZ map of the urban development area of Wuhan

表4 各类型 LCZ 面积占比

Tab. 4 Area proportion of each LCZ type

LCZ类型 占比/% LCZ类型 占比/%
LCZ 1 0.02 LCZ A 3.73
LCZ 2 0.70 LCZ B 8.54
LCZ 3 0.86 LCZ C 6.67
LCZ 4 9.09 LCZ D 36.61
LCZ 5 5.77 LCZ E 0.35
LCZ 6 0.48 LCZ F 1.40
LCZ 8 7.84 LCZ G 13.28
LCZ 9 1.58 LCZ H 2.24
LCZ 10 0.84

3.3 基于LCZ的高温灾害风险分析

将LCZ地图与归一化处理后的高温灾害风险地图叠加，识别局地尺度高温灾害风险[27]（图6）。建筑类型中，LCZ 9的高温灾害风险平均值最低，因为LCZ 9大多穿插于林地间，而林地具有降温效益；LCZ 4~6的高温灾害风险平均值比LCZ 1~3低，说明建筑开敞程度越高，高温灾害风险越低；LCZ 8和LCZ 10的高温灾害风险平均值明显较高，可能是因为这2类LCZ主要是大面积厂房和重工业区，硬质地表面积大，容易吸收太阳辐射而呈现高风险。在自然环境类型中，LCZ G的高温灾害风险平均值最低，说明LCZ G可以有效缓解高温灾害风险，其次是LCZ A、LCZ D和LCZ B，LCZ D的高温灾害风险平均值比LCZ B低可能是因为LCZ D包含水田；LCZ C的高温灾害风险平均值相对较高，可能是因为LCZ C的植被覆盖率较低且土地覆被包含裸土；LCZ E、LCZ F和LCZ H均暴露于室外，长期吸收太阳辐射，故呈现较高的高温灾害风险。
图6 不同LCZ类型的高温灾害风险

Fig. 6 High temperature disaster risk values of different types of LCZ

各辖区不同LCZ类型高温灾害风险的平均值（图7）存在一定差异，如黄陂区和硚口区的LCZ G、黄陂区和洪山区的LCZ E的高温灾害风险平均值差异均较大，这可能与LCZ的斑块面积大小、斑块聚集度、斑块周边用地类型等因素相关。
图7 各辖区不同LCZ类型的高温灾害风险均值

Fig. 7 Average value of high temperature disaster risk of different types of LCZ in each jurisdiction area

3.4 LCZ景观格局对高温灾害风险的影响分析

对各景观格局指数进行空间自相关分析，结果显示p值均小于0.01，z值均大于2.58，Moran’s I均超过0.5，说明各指数呈现显著的空间自相关。
结合GWR模型分析结果探讨LCZ景观格局对高温灾害风险的影响，对GWR模型分析结果中各指标的回归系数进行统计整理（表5），发现PLAND G、AI和SPLIT回归系数的平均值均为负值，说明这3个指标对高温灾害具有一定的缓解作用，其中PLAND G回归系数的绝对值最大，说明水域面积的增加对高温灾害的缓解作用最强，AI次之，SPLIT对高温灾害的缓解作用最小；PLAND 4、PLAND 5、PLAND 8、PLAND 10、PLAND C和PLAND H的平均值均为正值，说明这6个指标均能够加剧高温灾害，其中PLAND H回归系数的平均值最大，说明增加施工建筑面积对高温灾害的促进作用最大；PLAND 8和PLAND 10回归系数的平均值较大，说明增加大型低层建筑和工业建筑面积对高温灾害的促进作用也很大；PLAND 4、PLAND 5回归系数的平均值相对较小，PLAND C回归系数的平均值最小。另外，PLAND G的回归系数均为负值，说明增加水域面积可有效缓解高温灾害风险，PLAND 8的回归系数为正值，说明增加大型低层建筑面积会加剧高温灾害，其余7个指标均呈现出正负2种不同的影响效应。
表5 各指标GWR模型分析结果

Tab. 5 Indicator analysis results from GWR model

指标 最小值 中位数 最大值 平均值 正值面积占比/% 负值面积占比/%
PLAND 4 −0.102 0.094 0.662 0.104 90.35 9.65
PLAND 5 −0.584 0.096 1.699 0.092 85.05 14.95
PLAND 8 0.114 0.262 0.525 0.269 100.00 0
PLAND 10 −5.487 0.230 2.160 0.236 86.28 13.72
PLAND C −3.021 0.118 3.121 0.024 81.69 18.31
PLAND G −1.013 −0.478 −0.263 −0.496 0 100.00
PLAND H −1.498 0.246 0.909 0.295 99.80 0.20
AI −0.477 −0.069 0.139 −0.086 12.22 87.78
SPLIT −0.210 −0.033 0.223 −0.021 33.53 66.47
PLAND C和SPLIT的回归系数平均值的绝对值小于0.05，说明这2个指标对高温灾害风险影响较小，PLAND 8和PLAND G对高温灾害风险只有单方面的影响，因此本研究在探究各指标回归系数的空间分异时，仅对PLAND 4、PLAND 5、PLAND 10、PLAND H 和AI 5个指标进行差异分析（图8）。
图8 指标PLAND 4（8-1）、PLAND 5（8-2）、PLAND 10（8-3）、PLAND H（8-4）、AI（8-5）回归系数的空间分异

Fig. 8 Spatial differentiation of regression coefficients of such indicators as PLAND 4 (8-1), PLAND 5 (8-2), PLAND 10 (8-3), PLAND H (8-4) and AI (8-5)

从PLAND 4和PLAND 5回归系数的空间分异图可以看出，随着PLAND 4和PLAND 5增大，仅图8-1北侧部分区域、图8-2西侧和东侧部分区域的回归系数为负值，这些区域空间开阔，通风良好，以林地和水域为主，PLAND 4和PLAND 5增大对区域内高温灾害风险影响较弱。从PLAND 10回归系数的空间分异图（图8-3）可以看出，PLAND 10增大时，西部和南部区域的回归系数为负值，该区域以水田和林地为主，对高温灾害具有一定的缓解作用，而东西湖区和蔡甸区的回归系数为正值，因此PLAND 10增大会进一步加剧高温灾害风险。从PLAND H回归系数的空间分异图（图8-4）可以看出，随着PLAND H 的增大，仅在北部有不到1%区域的回归系数为负值，该区域主要为草湖湿地保护区，视野开阔且通风良好，PLAND H的增大对该区域的影响极小，但对武钢厂区及其周边居住用地和商业用地的高温灾害风险影响较大。从AI回归系数的空间分异图（图8-5）来看，西南部区域的AI增大会加剧高温灾害风险，该区域有大量分散布置的施工建筑、大型工业厂房、中高层建筑用地以及裸地，AI增大会增加高温灾害风险，而西部和东部部分区域的回归系数为负值，这些区域以植被和水域为主，AI增大反而可以缓解高温灾害风险。

4 武汉市都市发展区高温灾害风险应对策略

1）增加植被和水域面积。LCZ G对高温灾害的缓解作用最强，因此应加强对城市原有水域的保护，避免大规模围湖造田等人类活动。LCZ A和LCZ B对高温灾害的缓解作用也较强，而LCZ C对高温灾害的缓解作用不太明显，可以在LCZ C类型用地中积极开展植树造林活动，增加植被覆盖率，推动LCZ C类型转变为LCZ A或LCZ B类型。同时应增大工业建筑周边的植被面积，通过植物的蒸腾作用来降低高温灾害风险。
2）合理规划建筑布局。避免出现过多紧凑类型的建筑，可以通过规划城市通风廊道、增加水域和植被面积等方式实现场地内部的有效通风，从而调节局地气候，有效降低城市高温灾害风险。对于已建成的LCZ 1~3，可以通过增加垂直绿化或使用建筑隔热材料等方式有效缓解高温灾害，而LCZ 4~6通常具有一定建筑间距，可根据太阳方位和季节变化灵活设置遮阳设施的位置和角度。
3）控制人为热源排放。LCZ 8和LCZ 10主要为高温灾害风险较高的工业厂房，规划时应将这两类用地布局在通风良好的区域，避免因建筑过于密集而造成热量聚集。也要鼓励居民选择步行、骑行、公共交通、新能源汽车等绿色出行方式，提高全民节能减排意识。
4）完善高温服务设施，提高城市应对高温灾害风险的能力。根据武汉市都市发展区的人口密度、居住区分布等因素，合理布局医疗卫生场所，使其覆盖整个都市发展区。增设公园、广场等遮阴休憩场地，改善人体热舒适度，缓解城市热岛效应。

5 结论

本研究以武汉市都市发展区为研究区域，基于“危险性-暴露度-脆弱性”体系绘制高温灾害风险地图，将LCZ地图与高温灾害风险地图叠加，识别出局地尺度的高温灾害风险，结合GWR模型探讨了LCZ景观格局对高温灾害风险的空间影响，具有理论和实践意义。
但本研究仍有不足之处。1）虽然本研究使用了高分辨率数据进行精细化制图，未利用目前可获取但精度较低的区县尺度的社会统计数据，导致评估指标数量较少，未来随着社区或街道尺度社会统计数据精度的提高与完善，可将数据应用于研究中，进一步提高指标的完整性。2）虽然多项研究表明利用遥感影像反演的地表温度与空气温度之间存在显著的线性关系，但若能获取空气温度数据，会进一步提高研究结果的可靠性。3）考虑到时间成本和数据的可获取性，本研究仅分析了2022年极端高温下的高温灾害风险特征，今后可将多个年份的高温灾害风险进行横向对比研究，进一步提升研究的完整性和全面性。

文中图表均由作者绘制，其中图1底图来源于Mapbox网站，武汉市行政边界来源于《武汉市城市总体规划（2010—2020年）》。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Intergovernmental Panel on Climate Change (IPCC). Climate Change 2022: Impacts, Adaptation and Vulnerability Working Group II Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[R]. Cambridge: Cambridge University Press, 2022.

[2]
PERKINS S E. A Review on the Scientific Understanding of Heatwaves: Their Measurement, Driving Mechanisms, and Changes at the Global Scale[J]. Atmospheric Research, 2015, 164/165 242-267.

[3]
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.

[4]
ALAHMAD B, KHRAISHAH H, ROYÉ D, et al. Associations Between Extreme Temperatures and Cardiovascular Cause-Specific Mortality: Results from 27 Countries[J]. Circulation, 2023, 147(1): 35-46

DOI

[5]
ROMANELLO M, NAPOLI C D, GREEN C, et al. The 2023 Report of the Lancet Countdown on Health and Climate Change: The Imperative for a Health-Centred Response in a World Facing Irreversible Harms[J]. The Lancet, 2023, 402(10419): 2346-2394

DOI

[6]
易睿, 王亚林, 张殷俊, 等. 长江三角洲地区城市臭氧污染特征与影响因素分析[J]. 环境科学学报, 2015, 35(8): 2370-2377

YI R, WANG Y L, ZHANG Y J, et al. Pollution Characteristics and Influence Factors of Ozone in Yangtze River Delta[J]. Acta Scientiae Circumstantiae, 2015, 35(8): 2370-2377.

[7]
SANTAMOURIS M. Recent Progress on Urban Overheating and Heat Island Research. Integrated Assessment of the Energy, Environmental, Vulnerability and Health Impact. Synergies with the Global Climate Change[J]. Energy and Buildings, 2020, 207 109482

DOI

[8]
盛亮亮, 郝泷, 崔玉环, 等. 城市发展对地表热岛效应的影响及其相互关系研究: 以合肥市和南昌市为例[J]. 大气与环境光学学报, 2023, 18(6): 602-616

DOI

SHENG L L, HAO L, CUI Y H, et al. Influence of Urban Development on Surface Heat Island Effect and Its Relationship: A Case of Hefei and Nanchang[J]. Journal of Atmospheric and Environmental Optics, 2023, 18(6): 602-616

DOI

[9]
刘慧民, 马筝悦, 李淼, 等. 基于卫星遥感的城市热岛效应体检评估: 以武汉市为例[J]. 西部人居环境学刊, 2023, 38(6): 38-45

LIU H M, MA Z Y, LI M, et al. Examination and Evaluation of Urban Heat Island Effect Based on Satellite Remote Sensing: Taking Wuhan as an Example[J]. Journal of Human Settlements in West China, 2023, 38(6): 38-45.

[10]
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(1/2): 43-54.

[11]
WHO. Public Health Advice on Preventing Health Effects of Heat: New and Updated Information for Different Audiences[M]. Poland: Centre for Environment & Health (BON), 2011.

[12]
KNOWLTON K, KULKARNI S P, AZHAR G S, et al. Development and Implementation of South Asia’s First Heat-Health Action Plan in Ahmedabad (Gujarat, India)[J]. International Journal of Environmental Research and Public Health, 2014, 11(4): 3473-3492

DOI

[13]
World Meteorological Organization, World Health Organization. Heat Waves and Health: Guidance on Warning System Development[M]. Geneva: WMO, 2015.

[14]
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

DOI

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

DOI

[15]
李欢欢, 张明顺. 北京市高温热浪健康风险评估框架及应用[J]. 环境与健康杂志, 2020, 37(1): 58-65

LI H H, ZHANG M S. Framework and Application of Health Risk Assessment for Heat Wave in Beijing[J]. Journal of Environment and Health, 2020, 37(1): 58-65.

[16]
杨梅, 刘瑞, 苟晓娟, 等. 成渝双城经济圈高温热浪时空分析及风险评估[J]. 物探化探计算技术, 2022, 44(3): 392-402

DOI

YANG M, LIU R, GOU X J, et al. Spatial-Temporal Analysis and Risk Assessment of Heat Waves in the Chengdu-Chongqing Economic Circle[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2022, 44(3): 392-402

DOI

[17]
CHENG C, FANG X Y, LI M C, et al. Rainstorm and High-Temperature Disaster Risk Assessment of Territorial Space in Beijing, China[J]. Meteorological Applications, 2023, 30(4): e2140

[18]
STEWART I D, OKE T R. Local Climate Zones for Urban Temperature Studies[J]. Bulletin of the American Meteorological Society, 2012, 93(12): 1879-1900

DOI

[19]
ZHENG Y S, REN C, XU Y, et al. GIS-Based Mapping of Local Climate Zone in the High-density City of Hong Kong[J]. Urban Climate, 2018, 24 419-448

DOI

[20]
XU D, ZHANG Q, ZHOU D, et al. Local Climate Zone in Xi'an City: A Novel Classification Approach Employing Spatial Indicators and Supervised Classification[J]. Buildings, 2023, 13(11): 2806

DOI

[21]
CHEN Y P, HU Y Z. The Urban Morphology Classification Under Local Climate Zone Scheme Based on the Improved Method: A Case Study of Changsha, China[J]. Urban Climate, 2022, 45 101271

[22]
董慰, 姜润声, 董禹, 等. 气候变化背景下热风险感知与住区居民体力活动的关系研究[J]. 风景园林, 2024, 31(4): 21-28

DOI

DONG W, JIANG R S, DONG Y, et al. Relationship Between Heat Risk Perception and Physical Activity of Residents in the Context of Climate Change[J]. Landscape Architecture, 2024, 31(4): 21-28

DOI

[23]
ZHANG L, NIKOLOPOULOU M, GUO S J, et al. Impact of LCZs Spatial Pattern on Urban Heat Island: A Case Study in Wuhan, China[J]. Building and Environment, 2022, 226 109785

[24]
PRADHESTA Y F, NURJANI E, AARJUDDIN B I. Local Climate Zone Classification for Climate-Based Urban Planning Using Landsat 8 Imagery (A Case Study in Yogyakarta Urban Area)[C]// Institute of Physics. IOP Conference Series: Earth and Environmental Science. Bandung: IOP Publishing Ltd, 2019: 012022.

[25]
YING L, CAO S S, DU M Y, et al. Local Climate Zone Mapping Using Remote Sensing: A Synergetic Use of Daytime Multi-view Ziyuan-3 Stereo Imageries and Luojia-1 Nighttime Light Data[J]. International Journal of Digital Earth, 2023, 16(1): 3456-3488

DOI

[26]
ZHOU Y, ZHANG G L, JIANG L, et al. Mapping Local Climate Zones and Their Associated Heat Risk Issues in Beijing: Based on Open Data[J]. Sustainable Cities and Society, 2021, 74 103174

DOI

[27]
CHEN G, CHEN Y, TAN X, et al. Assessing the Urban Heat Island Effect of Different Local Climate Zones in Guangzhou, China[J]. Building and Environment, 2023, 244 110770

DOI

[28]
FANG Y, DU X T, ZHAO H Y, et al. Assessment of Green Roofs’ Potential to Improve the Urban Thermal Environment: The Case of Beijing[J]. Environmental Research, 2023, 237, Part 1: 116857.

[29]
WANG Z, ISHIDA Y, MOCHIDA A. Effective Factors for Reducing Land Surface Temperature in Each Local Climate Zone Built Type in Tokyo and Shanghai[J]. Remote Sensing, 2023, 15(15): 3840

[30]
YUAN B, ZHOU L, HU F N, et al. Diurnal Dynamics of Heat Exposure in Xi’an: A Perspective from Local Climate Zone[J]. Building and Environment, 2022, 222 109400

DOI

[31]
DAS M, DAS A. Exploring the Pattern of Outdoor Thermal Comfort (OTC) in a Tropical Planning Region of Eastern India During Summer[J]. Urban Climate, 2020, 34 100708

DOI

[32]
LAM C K C, SHOOSHTARIAN S, KENAWY I. Assessment of Urban Physical Features on Summer Thermal Perceptions Using the Local Climate Zone Classification[J]. Building and Environment, 2023, 236 110265

[33]
LIU L, LIN Y Y, XIAO Y, et al. Quantitative Effects of Urban Spatial Characteristics on Outdoor Thermal Comfort Based on the LCZ Scheme[J]. Building and Environment, 2018, 143 443-460

DOI

[34]
SMITH G P, PERALTA TRIGO O, SARRICOLEA ESPINOSA P, et al. Climate-Sensitive Planning. Opportunities Through the Study of LCZs in Chile[J]. Building and Environment, 2023, 242 110444

DOI

[35]
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 High Temperature and Adaptive Planning Strategies: Shenzhen Example[J]. Planners, 2021, 37(14): 13-19

DOI

[36]
史志鹏. 局部气候分区视角下地表热环境及热风险评估[D]. 大连: 辽宁师范大学, 2023.

SHI Z P. Land Surface Thermal Environment and Thermal Risk Assessment from the Perspective of Local Climate Zone[D]. Dalian: Liaoning Normal University, 2023.

[37]
马俊俊, 王春磊, 黄晓红. 基于ASTER数据的地表温度遥感反演与产品检验: 以黑河流域为例[J]. 自然资源遥感, 2023, 35(1): 198-204

MA J J, WANG C L, HUANG X H. The Remote Sensing Inversion and Validation of Land Surface Temperature Based on ASTER Data: A Case Study of the Heihe River Basin[J]. Remote Sensing for Natural Resources, 2023, 35(1): 198-204.

[38]
王博, 郭鹏, 孟春红, 等. 基于FY-3D微波成像仪的中国陆地区域地表温度反演及验证[J]. 大气科学学报, 2022, 45(1): 112-123

WANG B, GUO P, MENG C H, et al. Retrieval and Verification of Land Surface Temperature in China Based on an FY-3D Microwave Radiation Imager[J]. Transactions of Atmospheric Sciences, 2022, 45(1): 112-123.

[39]
彭艳启. 湖南省极端温度事件时空变化及灾害风险评估[D]. 长沙: 湖南师范大学, 2021.

PENG Y Q. Study on Temporal and Spatial Changes of Extreme Temperature Events and Disaster Risks Assessment in Hunan Province[D]. Changsha: Hunan Normal University, 2021.

[40]
LU D S, TIAN H Q, ZHOU G M, et al. Regional Mapping of Human Settlements in Southeastern China with Multisensor Remotely Sensed Data[J]. Remote Sensing of Environment, 2008, 112(9): 3668-3679

DOI

[41]
武彩燕. 蓝色和绿色基础设施对城市地表温度的综合自然缓解效应[D]. 上海: 华东师范大学, 2022.

WU C Y. Integrated Nature-Based Solutions of Green and Blue Infrastructures to Mitigate Urban Land Surface Temperature[D]. Shanghai: East China Normal University, 2022.

[42]
WANG Y S, OUYANG W L. Investigating the Heterogeneity of Water Cooling Effect for Cooler Cities[J]. Sustainable Cities and Society, 2021, 75 103281

DOI

[43]
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. Assessing Heat Wave Risk in Beijing by Remote Sensing[J]. Ecology and Environment Sciences, 2017, 26(4): 635-642.

[44]
王诗圣. 长三角地区高温热浪风险空间分布评估研究[D]. 南京: 南京信息工程大学, 2022.

WANG S S. Study on Spatial Distribution Assessment of High Temperature Heat Wave Risk in Yangtze River Delta Region[D]. Nanjing: Nanjing University of Information Science and Technology, 2022.

[45]
WU J G. Effects of Changing Scale on Landscape Pattern Analysis: Scaling Relations[J]. Landscape Ecology, 2004, 19(2): 125-138

DOI

[46]
WHITTAKER R H, NIERING W A. Vegetation of the Santa Catalina Mountains, Arizona. V. Biomass, Production, and Diversity Along the Elevation Gradient[J]. Ecology, 1975, 56(4): 771-790

DOI

[47]
朱冬雨, 陈涛, 牛瑞卿, 等. 利用移动窗口遥感生态指数分析矿区生态环境[J]. 武汉大学学报（信息科学版）, 2021, 46(3): 341-347

ZHU D Y, CHEN T, NIU R Q, et al. Analyzing the Ecological Environment of Mining Area by Using Moving Window Remote Sensing Ecological Index[J]. Geomatics and Information Science of Wuhan University, 2021, 46(3): 341-347.

[48]
FOTHERINGHAM A S, BRUNSDON C. Local Forms of Spatial Analysis[J]. Geographical Analysis, 1999, 31(4): 340-358

DOI

Options
Outlines

/

〈 〉