EN中文

Landscape Architecture >

2025 , Vol. 32 >Issue 5: 78 - 85

DOI: https://doi.org/10.3724/j.fjyl.202408210473

Research on the Influence of Evolution of Landscape Patterns of Blue-Green Space on the Cooling Effect in the Central Urban Area of Xi’an

  • Weiying KONG ,
  • Yizhuo LIU ,
  • Sichun DONG ,
  • Yuandong HU , *
Expand
  • College of Landscape Architecture, Northeast Forestry University

KONG Weiying is a master student in the College of Landscape Architecture, Northeast Forestry University. Her research focuses on urban ecosystem services

LIU Yizhuo is a master student in the College of Landscape Architecture, Northeast Forestry University. Her research focuses on ecological restoration, and urban ecosystem services

DONG Sicun is a master student in the College of Landscape Architecture, Northeast Forestry University. Her research focuses on urban ecosystem services

HU Yuandong (Tujia), Ph.D., is an associate professor in the College of Landscape Architecture, Northeast Forestry University. His research focuses on regional landscape planning and ecological restoration, and urban ecosystem services

Received date: 2024-08-21

  Revised date: 2025-03-09

  Online published: 2025-12-10

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] In the contemporary global context, urban areas are increasingly confronted with the dual pressures of global climate change and rapid urbanization. These pressures have led to a significant rise in urban temperature, thereby amplifying the importance of blue-green spaces in mitigating the urban heat island (UHI) effect. Blue-green spaces, which include natural water bodies, parks, green corridors, and other vegetated areas, play a crucial role in regulating urban microclimates. As cities enter an era of stock development, where the focus shifts from expansion to optimization of existing resources, the strategic configuration of these spaces has become a cornerstone for enhancing urban thermal environments. Understanding the cooling mechanisms of blue-green spaces at various spatial scales is essential for improving urban thermal comfort and guiding the planning and construction of urban blue-green infrastructure. [Methods] This research focuses on the central urban area of Xi’an, a city that has experienced substantial urban growth over the past decade. By employing a combination of spatial autocorrelation analysis and a multi-scale geographically weighted regression (MGWR) model, the research examines the change characteristics of blue-green spaces and their impact on land surface temperature from 2013 to 2023. The findings reveal the spatial heterogeneity of cooling effects and offer tailored optimization strategies for blue-green spaces across diverse urban contexts. The research methodology involves selecting six representative landscape indices to evaluate the changes in blue-green space patterns in the central urban area of Xi’an. These indices are carefully chosen to capture the nuances of spatial configuration, fragmentation, and connectivity of blue-green spaces. Spatial autocorrelation analysis is utilized to identify spatial clustering and patterns extracted from the data collected, while the MGWR model is adopted for a more granular examination of the relationship between landscape indices and land surface temperature levels. This integrated approach not only reveals the factors influencing the cooling effects of blue-green spaces but also highlights their spatial variability across the urban landscape. [Results] The results of the research are both revealing and instructive. 1) The blue-green space patterns in the central urban area of Xi’an underwent significant changes over the research period, reflecting the dynamic interplay between urban development and environmental management. 2) The spatial distribution of land surface temperature exhibits a distinct pattern of being “high in the north and low in the south”. The central area, characterized by dense urban fabric, shows minimal fluctuations in land surface temperature, whereas low-temperature zones are predominantly concentrated in the southern part of Baqiao District. This uneven thermal distribution underscores the complexity of urban heat dynamics and the need for targeted interventions. 3) The relationship between landscape indices and land surface temperature changes displays notable spatial heterogeneity. In high-density urban areas, small and complex blue-green patches demonstrate stronger cooling effects, emphasizing the importance of intricate designs in densely built environments where space is limited but the need for effective cooling is significant. In contrast, suburban areas benefit from avoiding the aggregation of large blue-green patches, which may otherwise hinder effective cooling due to reduced air circulation and increased shading. Near large water bodies, regularly shaped and highly connected blue-green patches are found to be particularly effective in reducing land surface temperature, highlighting the synergistic effects of water and vegetation in enhancing cooling performance and suggesting that integrated blue-green networks can maximize thermal benefits. [Conclusion] The research concludes that the relationship between temperature changes and blue-green space changes in the central urban area of Xi’an is significant and characterized by strong spatial heterogeneity during the period from 2013 to 2023, with the cooling effects of blue-green spaces found varying by their spatial attributes and the characteristics of the surrounding urban environment. These findings highlight the necessity for region-specific optimization strategies to maximize the cooling potential of blue-green spaces. By integrating spatial analysis and regression modeling, the research provides a detailed understanding of the cooling mechanisms of blue-green spaces across diverse urban contexts. The results emphasize the importance of tailoring blue-green space designs to local conditions, considering factors such as urban density, proximity to water bodies, and regional climatic characteristics. This approach enhances the effectiveness of blue-green spaces in mitigating the urban heat island effect and contributes to the creation of more sustainable and thermally comfortable urban environments. The research advocates a holistic and adaptive urban planning strategy, where blue-green spaces are strategically designed and managed to address the unique thermal challenges of different urban areas. This research offers valuable guidance for policymakers and urban planners aiming to optimize blue-green infrastructure and improve urban resilience in the face of climate change and urbanization.

Key words： landscape architecture; urban blue-green space; landscape pattern; cooling effect; multi-scale geographical weighted regression (MGWR)

Cite this article

Weiying KONG , Yizhuo LIU , Sichun DONG , Yuandong HU . Research on the Influence of Evolution of Landscape Patterns of Blue-Green Space on the Cooling Effect in the Central Urban Area of Xi’an[J]. Landscape Architecture, 2025 , 32(5) : 78 -85 . DOI: 10.3724/j.fjyl.202408210473

在全球气候变化和快速城市化的双重影响下，城市地区的气温不断上升[1]。极端热浪事件在城市区域的发生频率、强度不断提高，持续时间不断增加[2]，对城市居民健康和生态环境造成了严重影响[3-4]。中心城区作为城市高密度区域，热岛现象尤为明显[5]。‌在全球气候变化背景下，城市热岛效应与极端热浪不仅影响城市的微气候，‌还对当地的天气条件、动物栖息地和物种多样性产生了深远影响。
城市蓝绿空间是由城市绿色空间和城市蓝色空间共同组成的复合空间。城市绿色空间通常由城市绿地斑块组成[6]，包括农田、山脉、森林、草地、公园绿地和其他植被覆盖区域；城市蓝色空间主要由城市中的河流、水库、湖泊、沼泽、滩地、池塘等地表水域及湿地所构成，涵盖水域及其蓝线控制范围以内的空间[7]。城市蓝绿空间具有生态、经济与社会等多种效益，对改善城市热环境、缓解高密度城区热岛效应等问题具有不可替代的作用[8]。已有研究证明，增加蓝绿空间面积对降低地表温度有显著作用[9]，但快速城市化过程中城市建设用地的不断扩张和蔓延侵占了大量的蓝绿空间。当前中国城市发展已经全面进入存量时代，挖掘现有土地的利用潜力，集约利用土地资源，可以有效减少城市化过程中对农田、林地和湿地等土地类型的占用。合理规划和优化城市景观格局可以有效缓解城市热岛效应，‌提高城市热环境质量[10-12]。
目前，景观格局与地表温度相关性研究的主要研究方法包括皮尔逊相关性分析、最小二乘法[13]、多元线性逐步回归分析等[14]，但这些方法往往基于全局层面而忽略了各影响因子的空间异质性或非平稳性[15]。地理加权回归（geographically weighted regression, GWR）作为一种空间分析模型，考虑了样本的空间坐标，但分析结果的准确性和解释力远高于最小二乘法[16]，且GWR每个解释变量的最优带宽是相同的，容易忽略空间尺度的影响[17]。多尺度地理加权回归（multi-scale geographically weighted regression, MGWR）模型很好地弥补了GWR这一不足，它可以利用不同带宽评估不同空间尺度各驱动因子之间的关系[18]。
多数学者选择景观格局指数来探究蓝绿空间景观格局与降温效应之间的关系[19-20]，并进行定性和定量研究。已有研究表明，蓝绿空间景观格局的整体性指标对地表温度的影响更为显著[21-22]，这意味着蓝绿空间的整体分布和结构对城市温度的调节起着关键作用。但目前有关蓝绿空间时空变化与地表温度等级变化之间的动态关系研究仍较少。由于城市环境复杂且变化迅速，蓝绿空间在不同时空尺度上的变化可能对地表温度产生多样且复杂的影响[23]。已有研究认为探究地表温度在不同时间序列下的空间异质性，并分析其与多种影响因素之间的相互作用，对于制定科学合理的城市规划策略具有至关重要的意义[24]。因此，对蓝绿空间景观格局指数变化与地表温度等级变化之间的相关性进行分析，有助于深入探究城市热岛空间形态及蓝绿空间降温效应，同时可以为分析城市热岛空间格局和优化城市功能区空间规划提供科学依据和技术支撑。据此，本研究以西安中心城区为研究区域，运用MGWR模型分析城市蓝绿空间景观格局指数变化与地表温度等级变化之间的关系，探讨蓝绿空间景观格局演变对降温效应的影响。本研究旨在解决3个问题：1）量化西安中心城区2013—2023年地表温度等级和蓝绿空间景观格局的变化特征；2）基于全局莫兰指数（Global Moran’s I）和局部莫兰指数（Anselin Local Moran’s I），揭示景观格局指数变化与地表温度等级变化的空间聚集特征；3）利用MGWR模型阐明城市蓝绿空间景观格局指数变化与地表温度等级变化之间的空间分异特征，以期为研究区域蓝绿空间景观格局优化提供参考。

1 研究区域

西安市（107°40′~109°49′E，33°42′~ 34°45′N）地处渭河流域中部的关中盆地，北接渭河和黄土高原，南临秦岭。近年来，随着城市建设的快速推进，西安市的城市建设用地大幅扩张，建成区面积从1978年的95 km2增加至2022年的868.2 km2[25]。受全球气候变暖、秦岭焚风效应、关中盆地聚热和城市热岛效应的综合影响，西安市夏季极端高温天气频现。本研究的研究区域涵盖西安中心城区的6个行政区域，包括未央区、灞桥区、新城区、雁塔区、碑林区和莲湖区，总面积826 km2（图1），虽仅占市域面积的8.2%[25]，但西安中心城区常住人口为726.75万人，占全市总人口比例达55.4%，具有研究的代表性。
图1 研究区域

Fig. 1 Research area

2 研究方法与数据

本研究以遥感影像作为基础数据，对其预处理后进行地表温度反演和土地利用监督分类，得到2013年和2023年西安市地表温度数据和土地利用数据。随后计算景观格局指数及其变化值，分析蓝绿空间景观格局指数变化与地表温度等级变化之间的空间关系，探究城市蓝绿空间景观格局演变对降温效应的影响（图2）。
图2 技术路线

Fig. 2 Technical route

2.1 数据获取及预处理

本研究所使用的遥感影像数据来源于美国地质调查局（United States Geological Survey, USGS）Landsat 8多光谱数据集（glovis.usgs.gov），分辨率为30 m。根据云量和大气状况对遥感影像进行筛选，最终选择成像日期为2013年6月25日和2023年7月23日的遥感影像进行研究。通过ENVI 5.6软件对遥感影像进行辐射定标、大气校正和裁剪等预处理。

2.2 地表温度反演

基于遥感影像的地表温度反演方法主要有辐射传输方程法、单窗算法和劈窗算法3种。本研究采用目前运用范围较广、精度较高的辐射传输方程法进行地表温度反演，计算过程可以分为3个部分。
1）基于归一化植被指数（normalized difference vegetation index, NDVI），利用阈值法估算大气对地表热辐射的影响。计算式
$ \mathrm{P}\mathrm{V}=\frac{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}-{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{\mathrm{S}}}{{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{\mathrm{V}}-{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}_{\mathrm{S}}}\text{，} $
$ \mathit{\epsilon } \mathrm{=0.000\;4PV+0.986\text{，}} $
式中，PV为植被覆盖度；NDVI为研究区域的NDVI值；NDVIS为无植被覆盖区域的NDVI值；NDVIV为植被覆盖区域的NDVI值；$\mathit{\epsilon } $为地表比辐射率。
2）将大气对地表热辐射的影响从卫星传感器检测到的总热辐射中扣除，以获得地表辐射强度。计算式
$\begin{split} &\;\\& {B}（{T}_{\mathrm{S}}）=\frac{{{L}}_{\mathrm{\lambda }}-{L}\uparrow -\mathrm{\tau }（1-\mathrm{\epsilon }）{L}\downarrow} {\mathrm{\tau }\mathrm{\epsilon }}，\end{split} $
式中，L λ为热红外辐射亮度；$\mathit{\epsilon } $为地表比辐射率；T S为地表温度；B（T S）为由普朗克定律推导得到的黑体在地表温度下的热辐射亮度；$\tau $为大气在热红外波段的透过率；$ L\downarrow $为大气下行辐射；$ L\uparrow $为大气上行辐射。在美国航空天局（National Aeronautics and Space Administration, NASA）官网的大气矫正参数计算器中输入遥感影像的成影时间以及中心经纬度，可以获取式（3）所需的$ L\downarrow $、$ L\uparrow $和$\tau $数据。
3）根据普朗克定律将辐射强度转换为相应的地表温度。计算式
$ {T}_{\mathrm{S}}=\frac{{\rm{K}}_{\mathrm{2}}}{\mathrm{ln}\left(\dfrac{{\rm{K}}_{\mathrm{1}}}{B（{T}_{\mathrm{S}}）}+1\right)}\text{，} $
式中，T S为地表温度；B（ T S）为由普朗克定律推导得到的黑体在地表温度下的热辐射亮度；K1=774.89 W/（m2·${\text{μ}} $ msr），K2=1 321.08 K，为转换参数，由Landsat 8中的TIRS Band10数据得到。为避免不同时期地表温度的偏差，运用均值-标准差法将地表温度分为5个等级（表1）。
表1 地表温度等级划分标准[26]

Tab. 1 Land surface temperature division criteria for mean-standard deviation[26]

温度等级 温度区间
　　注：T S 为地表温度；$\;{\text{μ}} $为西安中心城区地表温度的平均值；std为标准差。
高温 T S>std+ $\;{\text{μ}} $
次高温 $\;{\text{μ}} $ +0.5std<T S≤$\;{\text{μ}} $ +std
中温 $\;{\text{μ}} $ −0.5std≤T S≤$\;{\text{μ}} $ +0.5std
次中温 $\;{\text{μ}} $ −std≤T S<$\;{\text{μ}} $ −0.5std
低温 T S<$\;{\text{μ}} $ −std

2.3 蓝绿空间识别及景观格局指数计算

对遥感影像数据的可见光波段与全色波段进行融合，将原始遥感影像分辨率由30 m提高至15 m，以便于进行土地利用监督分类。运用eCognition软件的最大似然分类法进行土地利用监督分类，该方法综合光谱特征和空间纹理信息来提取地物，分类精度较高。参考GB 50137—2011《城市用地分类与规划建设用地标准》和GB/T 21010—2017《土地利用现状分类》等相关标准，将西安中心城区土地利用类型分为绿地、耕地、建设用地、水域和裸地五大类，并将绿地和耕地划分为城市绿色空间，水域划分为城市蓝色空间，建设用地与裸地划分为其他空间。为保证分类精度，对土地利用监督分类结果进行混淆矩阵验证，2013年和2023年土地利用监督分类结果总体精度分别为88%和90%，Kappa系数均大于0.8，分类精度满足研究要求。随后，基于高分辨率遥感影像进行人工目视修正得到最终分类结果（图3）。
图3 2013、2023年西安中心城区蓝绿空间分布

Fig. 3 Distribution of blue-green spaces in the central urban area of Xi’an in 2013 and 2023

景观格局指数指高度浓缩景观格局信息，反映景观结构组成和空间配置特征的简单定量值[27]。已有研究表明，蓝绿空间的面积、密度、聚集度、形状等指标与地表温度之间存在显著相关性[28-29]。同时，蓝绿空间的规模和连续性对降温效应至关重要，大面积规则的蓝绿空间能够有效促进热交换并减少热量流失，聚集的蓝绿空间布局能够增强冷却效应[30]。考虑到景观格局指数的冗余性会对结果造成影响，选取平均斑块大小（mean patch size, AREA_MN）、斑块所占景观面积比例（percentage of landscape, PLAND）、斑块 密度（patch density, PD）、斑块内聚力指数（patch cohesion index, COHESION）、景观 形状指数（landscape shape index, LSI）、平均连接度指数（mean contiguity index, CONTIG_MN）6个景观格局指数定量评估城市蓝绿空间景观格局，并在Fragstas 4.2软件中运用移动窗口法对景观格局指数进行计算。以往研究认为，300 m×300 m的移动窗口尺度是多数景观格局指数变化的拐点[31]，考虑到西安中心城区的尺度与数据的栅格尺寸，最终选择300 m×300 m的移动窗口进行分析。

2.4 数据统计与分析

基于ArcGIS软件运用可信度较高的全局莫兰指数来分析景观格局指数变化与地表温度等级变化的全局空间自相关特征，当全局莫兰指数＞0时，数据之间呈空间正相关，值越大表明空间相关性越显著；当全局莫兰指数＜0时，数据之间呈空间负相关，值越小表明空间差异越大；当全局莫兰指数＝0时，数据的空间分布是随机的，不存在空间相关性。当确定数据之间存在全局空间自相关时，可利用局部莫兰指数进一步探讨地表温度等级变化和各景观格局指数变化是否存在局部空间聚集特征。相对于GWR模型，MWGR更有助于解决固定带宽的问题，故选择MWGR作为解释模型。

3 结果与分析

3.1 蓝绿空间分布及景观格局指数变化特征

2013—2023年，西安中心城区蓝绿空间分布及景观格局指数变化显著，西安中心城区蓝绿空间的总面积整体呈上升趋势，由368.89 km2增加至404.12 km2（图4）。相较于2013年，2023年城市中心区域的蓝绿空间有所增加，中心城区外围的大型蓝绿空间趋于破碎化；灞桥区北部绿色空间面积减少，减少的用地以耕地为主；新城区、碑林区和莲湖区的绿色空间面积显著增加，增加的用地以林地和草地为主；中心城区整体蓝色空间面积变化不显著。2013—2023年，西安中心城区蓝绿空间景观格局指数发生了显著变化（表2）：蓝绿空间PD和LSI增加，AREA_MN明显下降，COHESION降低，CONTIG_MN变化不明显。
图4 2013、2023年西安中心城区地表温度空间分布

Fig. 4 Spatial distribution of land surface temperature in the central urban area of Xi’an in 2013 and 2023

表2 2013、2023年西安中心城区蓝绿空间景观格局指数

Tab. 2 Landscape pattern index of blue-green space in the central urban area of Xi’an in 2013 and 2023

年份 AREA_MN/hm2 PLAND/% PD/km2 COHESION/% LSI CONTIG_MN
2013 20.871 44.116 2.114 99.507 58.747 0.776
2023 16.361 48.312 2.953 99.332 72.105 0.749

3.2 地表温度等级变化特征

根据地表温度反演结果（图4），2023年西安中心城区平均地表温度相较2013年明显上升，最高上升5.3 ℃。2023年高温区多出现在北部与中部，东南部温度较低，大型河流与湿地附近存在显著冷岛效应（图5）。
图5 2013、2023年西安中心城区地表温度等级空间分布

Fig. 5 Spatial distribution of land surface temperature grades in the central urban area of Xi’an in 2013 and 2023

西安中心城区地表温度等级变化存在明显的空间特征。2013—2023年，西安中心城区高温区面积占比下降，下降幅度达到24.65%；高温区由中心城区外围向中心区域转移，且主要聚集在新城区、未央区和灞桥区北部；低温区面积占比上升3.55%。高温区、次高温区和中温区多出现在建筑密集和人口流动量大的城市中心区域，次中温区和低温区多出现在蓝绿空间面积较大的中心城区外围。随着近年来西安市增绿计划的实施，部分区域地表温度有所下降，中心城区中大型绿地和水域附近的地表温度下降明显（图6），表明绿地和水域面积的增加对缓解城市高温具有显著的正向作用。
图6 2013—2023年西安中心城区地表温度等级变化

Fig. 6 Changes in land surface temperature grades in the central urban area of Xi’an from 2013 to 2023

3.3 蓝绿空间景观格局指数变化与地表温度等级变化的空间自相关关系

选择2013—2023年西安中心城区蓝绿空间AREA_MN、PLAND、PD、COHESION、LSI、CONTIG_MN 6个景观格局指数变化和地表温度等级变化作为分析变量，运用全局莫兰指数分析全局空间自相关特征，发现各景观格局指数变化与地表温度等级变化的Moran’s I均大于0，p值均小于0.001，由此可见该结果随机生成的可能性小于1‰，各景观格局指数变化与地表温度等级变化之间存在显著的空间聚集特征（表3）。
表3 2013—2023年地表温度等级变化和蓝绿空间景观格局指数变化的全局莫兰指数分析结果

Tab. 3 Analysis results based on Global Moran’s I of surface temperature grades change and landscape pattern index change of blue-green space from 2013 to 2023

变化指标 z得分 p值 Moran’s I
地表温度等级 101.65 <0.001 0.74
AREA_MN 48.03 <0.001 0.35
PLAND 66.14 <0.001 0.48
PD 23.87 <0.001 0.17
COHESION 48.57 <0.001 0.35
LSI 35.46 <0.001 0.26
CONTIG_MN 38.23 <0.001 0.28
从蓝绿空间景观格局指数变化与地表温度等级变化的局部莫兰指数分析结果（图7）可以看出，地表温度等级上升幅度明显的区域主要集中在灞河北端东侧、新城区南侧以及碑林区东侧的城市中心区域；地表温度等级下降明显的区域大面积出现在中心城区的东南部，2013—2023年该区域土地覆盖类型均以耕地为主。
图7 2013—2023年地表温度等级变化与蓝绿空间景观指数变化的局部莫兰指数分析结果

Fig. 7 Analysis results based on Anselin Local Moran’s I of surface temperature grades change and landscape index change of blue-green space

总体来看，2013—2023年西安中心城区蓝绿空间的AREA_MN在城市中心区域大幅度增加，在外围区域逐渐减少且蓝绿空间分布趋于分散，建设用地和不透水面的面积持续增加。蓝绿空间面积在未央宫遗址公园、大明宫遗址公园与曲江池遗址公园及周边区域显著增加，在灞河北段东岸减少；蓝绿空间PD变化与LSI变化整体上呈分散性布局，但在历史城区范围内，蓝绿空间PD和LSI没 有显著变化。中心城区西部大部分区域蓝 绿空间的COHESION和CONTIG_MN增加，而CONTIG_MN下降区域主要集中在中心城区外围，临近渭河与灞河。

3.4 蓝绿空间景观格局演变对降温效应的影响

本研究基于解释力更优的MGWR模型，选取p＜0.05的景观格局指数变化来分析其对地表温度等级变化的影响程度。通过MGWR模型计算蓝绿空间景观格局指数变化的回归系数（图8），结果表明蓝绿空间景观格局指数变化对地表温度等级变化的影响具有空间异质性，其中CONTIG_MN变化对西安中心城区整体地表温度等级变化影响显著，影响程度由东北部向东南部逐渐减弱，其他景观格局指数变化对地表温度等级变化的影响仅在局部出现。
图8 MGWR模型回归系数空间分布

Fig. 8 Spatial distribution of regression coefficient of MGWR model

在西安中心城区东南部，地表温度等级变化受LSI、CONTIG_MN、COHESION变化的影响显著，即蓝绿空间的形状越复杂、连接度和聚集度越高，地表温度等级越低。中心城区南部多为山地，植被覆盖度高、蒸散量大，形成了明显的低温区，因此东南部的地表温度等级变化受绿色空间的影响更大。中部地区的地表温度等级变化受多重因素影响，AREA_MN、CONTIG_MN和COHESION变化对地表温度等级变化的影响呈正效应，即蓝绿空间的面积越大、连接度越高、聚集度越高，地表温度等级变化越明显。
在西安中心城区东北部，LSI和AREA_MN变化对地表温度等级变化呈显著正效应，而灞河北端东侧区域蓝绿空间的COHESION变化对地表温度等级变化呈负效应，表明该区域蓝绿空间连接度降低是导致地表温度升高的主要驱动因素。在中心城区中部的新城区、莲湖区、碑林区，大部分蓝绿空间的PD变化对地表温度等级变化呈负效应。其中新城区与碑林区有极少部分蓝绿空间的PD变化对地表温度等级变化产生正向影响，因此在该区域提升蓝绿空间密度有助于降低地表温度。AREA_MN变化对地表温度等级变化具有正向影响，影响区域主要集中于中心城区的北部和南部区域。在未央区与灞桥区，有超过2/3区域的LSI变化对地表温度等级变化呈正效应，表明该区域蓝绿空间形状的复杂程度越低，降温效应越好；其他区域地表温度等级变化则不受LSI变化的影响。在中心城区东南部，AREA_MN、PD和COHESION变化对地表温度等级变化呈正效应，CONTIG_MN变化对地表温度等级变化呈负效应，即蓝绿空间的面积越大、密度越大、聚集度越高，越不利于降温，而提升蓝绿空间的连接度对降低地表温度可以起到很好的促进作用。PLAND和COHESION变化对地表温度等级变化的影响在中心城区外围更显著，而在中心区域，蓝绿空间面积占比越小，布局越分散，降温效应越好。

4 讨论

本研究发现随着城市蓝绿空间面积的增加，地表温度明显下降，而蓝绿空间退化区域的温度则呈上升趋势。例如，西安市奥体中心片区的蓝绿空间在2013—2023年的变化显著，大面积耕地转化为建设用地，随着该区域蓝绿空间面积及占比大幅度下降，地表温度明显升高，热岛效应加剧；而未央宫遗址公园与大明宫遗址公园及周边区域经过大规模增绿和植被修复工作，蓝绿空间的面积显著增加，降温效应明显增强（图9）。由此可见，增加城市蓝绿空间面积及占比对改善城市热环境具有显著作用，这与以往的研究结果一致[32-33]。
图9 蓝绿空间面积变化显著影响地表温度等级变化的区域

Fig. 9 Areas where the area change of blue-green space significantly influences surface temperature grades change

通过MGWR模型回归分析，发现城市蓝绿空间景观格局指数具有显著的空间异质性。在建筑与人口集中的高密度中心区域，蓝绿空间面积普遍较小，在此情况下，蓝绿空间形状越复杂，则降温效应越显著，这与以往的研究结果一致[34]。而靠近中心城区外围的大型蓝绿斑块的聚集度越高、面积越大，则越不利于降温，但降低蓝绿空间的形状复杂程度和连接度有助于增强降温效应，这与先前的研究结果不完全一致[35-36]。究其原因，当绿地的总面积为固定值时，分散且面积较小的斑块组合的降温效应优于面积大且聚集的绿地组合[37]。在城市中心区域，由于建筑密度高、人口集中，增加小面积蓝绿空间可以有效分散热源，通过遮阴和蒸散作用降低局部温度。而位于中心城区外围大型蓝绿空间的聚集可能会限制城市内部的空气流动，同时蓝绿空间形状复杂程度的提升也增加了蓝绿空间与周围环境的接触面，增强了边缘效应，有助于形成通风廊道，使冷空气更容易扩散到周围地区，进而增强降温效应。在中心城区外围，如渭河等主要河流附近，蓝绿空间的连接度越高、聚集度越高、形状越简单，其降温效应越显著，这与前人的研究结果一致[38]。
蓝绿空间景观格局演变对降温效应的影响不仅与自然因素有关，还受到政策、经济和人口等多重因素的制约。随着近年来城市绿化建设进程的加快，城市园林绿化投入持续加大，西安城市景观格局不断重塑。截至2024年，西安市新增城市绿地面积905万m2，改造绿地面积264万m2，城市绿地面积显著增加。此外，随着城市人口的增长和经济的发展，建设用地需求增加，导致部分蓝绿空间被占用，进而影响了局地热环境。目前中国城市发展已进入存量发展时代，如何充分优化现有蓝绿空间，使其在有限的空间内发挥最大热缓解效能，将成为全球气候变化背景下城市蓝绿空间提升的主要方向。基于此，本研究提出以改善热环境为导向的西安中心城区蓝绿空间景观格局优化策略。
1）在西安市高度城市化的区域，如莲湖区、碑林区和新城区，通过增加蓝绿空间的密度和小面积蓝绿空间的数量，缓解地表温度。充分发挥植被的遮阴和蒸散作用是提升绿地降温效应的主要机制[39]。植物通过遮挡阳光、减少地表直接吸收的太阳辐射，通过蒸散作用释放水汽降低周围空气的温度。同时，随着绿地形状复杂程度的增加，绿地边界和内部的遮阴面积也会相应增加，从而有助于降低地表温度[40]。这也意味着绿地的布局形式在缓解地表温度方面至关重要。因此，在建设用地高度集中的区域，可以增设口袋公园和街头绿地，提升植被覆盖度，增加水域面积，完善道路绿化，合理安排绿地与水域布局形式，充分发挥其降温作用。
2）在中心城区外围，灞河东岸与渭河沿岸2个区域的建设用地占比相对较低，存在大面积的蓝绿空间。已有研究表明，蓝绿空间面积在降温上存在效率阈值，当蓝绿空间面积大于阈值时，单位面积蓝绿空间的降温效应将显著降低[41]。因此在灞河东岸与渭河沿岸区域内通过简单地增加蓝绿空间面积来提高降温效应的方法并不可取。建议通过建立绿色廊道，在中心城区外围形成绿网，提升蓝绿空间的连接度，能够连接散布的公园、湿地和其他绿地并形成连续的生态网络，提升整体降温效应，改善生态环境和提升生物多样性。

5 结论

本研究以西安中心城区作为研究区域，探讨了2013—2023年蓝绿空间景观格局变演变对降温效应的影响，主要得到3点结论。1）2013—2023年，西安中心城区蓝绿空间PD、AREA_MN与PLAND降低，空间格局整体呈分散趋势。2）地表温度等级变化存在显著的空间异质性，呈现出“北高南低”的特征。灞桥区南部和未央宫遗址公园、曲江池遗址公园、渭河等大型蓝绿空间地表温度明显下降，灞桥区北部与城市中部部分区域地表温度明显上升，其他区域温度变化趋于平稳。3）在300 m×300 m的移动窗口尺度上，CONTIG_MN变化对地表温度等级变化的影响具有全局特征，其他景观格局指数变化在不同区域产生的降温效应存在空间差异。在人口与建筑高密度区，面积小且形状复杂的蓝绿空间降温效应更好；中心城区外围则要避免大型蓝绿空间的聚集，这将不利于降温；在大型水域周边，连接度高且形状规则的蓝绿空间更利于降低地表温度。
本研究从时间和空间角度上探讨了蓝绿空间景观格局指数变化与地表温度等级变化之间的关系，但仍存在一定的局限性。如没有考虑地形和季节等因素对结果的影响；未探究各区域蓝色空间和绿色空间对降温效应的贡献度。未来研究可以对具有不同特征的蓝绿空间进行分类，纳入其他影响因素，进一步探讨蓝绿空间景观格局与降温效应之间的关系，为城市更新与规划建设提供参考依据。

文中图表均由作者绘制，其中图1底图来源于陕西测绘地理信息局标准地图服务系统，审图号为陕S（2024）022号。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
AKBARI H, CARTALIS C, KOLOKOTSA D, et al. Local Climate Change and Urban Heat Island Mitigation Techniques: The State of the Art[J]. Journal of Civil Engineering and Management, 2016, 22(1): 1-16.

[2]
CHAKRABORTY T, LEE X. A Simplified Urban-Extent Algorithm to Characterize Surface Urban Heat Islands on a Global Scale and Examine Vegetation Control on Their Spatiotemporal Variability[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 74: 269-280.

[3]
ELLENA M, BREIL M, SORIANI S. The Heat-Health Nexus in the Urban Context: A Systematic Literature Review Exploring the Socio-economic Vulnerabilities and Built Environment Characteristics[J]. Urban Climate, 2020, 34: 100676

[4]
ULPIANI G. On the Linkage Between Urban Heat Island and Urban Pollution Island: Three-Decade Literature Review Towards a Conceptual Framework[J]. Science of the Total Environment, 2021, 751: 141727

[5]
CHEN X, XU Y, YANG J, et al. Remote Sensing of Urban Thermal Environments Within Local Climate Zones: A Case Study of Two High-Density Subtropical Chinese Cities[J]. Urban Climate, 2020, 31: 100568

[6]
苏王新, 常青, 刘筱, 等. 城市蓝绿基础设施降温效应研究综述[J]. 生态学报, 2021, 41(7): 2902-2917.

SU W X, CHANG Q, LIU X, et al. Cooling Effect of Urban Green and Blue Infrastructure: A Systematic Review of Empirical Evidence[J]. Acta Ecologica Sinica, 2021, 41(7): 2902-2917.

[7]
YU Z, YANG G, ZUO S, et al. Critical Review on the Cooling Effect of Urban Blue-Green Space: A Threshold-Size Perspective[J]. Urban Forestry & Urban Greening, 2020, 49: 126630

[8]
黄铎, 易芳蓉, 汪思哲, 等. 国土空间规划中蓝绿空间模式与指标体系研究[J]. 城市规划, 2022, 46(1): 18-31.

HUANG D, YI F R, WANG S Z, et al. Blue-Green Space Pattern and Indicator System in Territorial Planning[J]. City Planning Review, 2022, 46(1): 18-31.

[9]
QIU X, KIL S H, JO H K, et al. Cooling Effect of Urban Blue and Green Spaces: A Case Study of Changsha, China[J]. International Journal of Environmental Research and Public Health, 2023, 20(3): 2613

[10]
刘焱序, 彭建, 王仰麟. 城市热岛效应与景观格局的关联: 从城市规模、景观组分到空间构型[J]. 生态学报, 2017, 37(23): 7769-7780.

LIU Y X, PENG J, WANG Y L. Relationship Between Urban Heat Island and Landscape Patterns: From City Size and Landscape Composition to Spatial Configuration[J]. Acta Ecologica Sinica, 2017, 37(23): 7769-7780.

[11]
袁旸洋, 张佳琦, 汤思琪, 等. 基于文献计量分析的城市蓝绿空间生态效益研究综述与展望[J]. 园林, 2023, 40(4): 59-67.

DOI

YUAN Y Y, ZHANG J Q, TANG S Q, et al. Progress and Review of Research on Urban Blue-Green Space Based on Bibliometric Analysis[J]. Landscape Architecture Academic Journal, 2023, 40(4): 59-67.

DOI

[12]
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.

[13]
DEILAMI K, KAMRUZZAMAN M, LIU Y. Urban Heat Island Effect: A Systematic Review of Spatio-Temporal Factors, Data, Methods, and Mitigation Measures[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 67: 30-42.

[14]
DU C, SONG P, WANG K, et al. Investigating the Trends and Drivers Between Urbanization and the Land Surface Temperature: A Case Study of Zhengzhou, China[J]. Sustainability, 2022, 14(21): 13845

[15]
FOTHERINGHAM A S, CHARLTON M, BRUNSDON C. The Geography of Parameter Space: An Investigation of Spatial Non-stationarity[J]. International Journal of Geographical Information Systems, 1996, 10(5): 605-627.

[16]
SU S, XIAO R, ZHANG Y. Multi-scale Analysis of Spatially Varying Relationships Between Agricultural Landscape Patterns and Urbanization Using Geographically Weighted Regression[J]. Applied Geography, 2012, 32(2): 360-375.

[17]
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[J]. Ecological Indicators, 2022, 143: 109333

[18]
FOTHERINGHAM A S, YANG W, KANG W. Multi-scale Geographically Weighted Regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265.

[19]
沈中健, 曾坚, 梁晨. 闽南三市绿地景观格局与地表温度的空间关系[J]. 生态学杂志, 2020, 39(4): 1309-1317.

SHEN Z J, ZENG J, LIANG C. Spatial Relationship of Greenspace Landscape Pattern with Land Surface Temperature in Three Cities of Southern Fujian[J]. Chinese Journal of Ecology, 2020, 39(4): 1309-1317.

[20]
谭凝, 陈天, 李阳力. 天津市城市蓝绿空间景观格局与热环境的关联研究[J]. 西部人居环境学刊, 2023, 38(2): 115-120.

TAN N, CHEN T, LI Y L. Study on the Relationship Between Landscape Pattern of Urban Green and Blue Space and Thermal Environment of Tianjin[J]. Journal of Human Settlements in West China, 2023, 38(2): 115-120.

[21]
袁旸洋, 张佳琦, 郭蔚, 等. 南京主城区蓝绿空间格局对降温效益的影响及其协同作用研究[J]. 园林, 2023, 40(8): 57-64.

YUAN Y Y, ZHANG J Q, GUO W, et al. Cooling Effects of the Spatial Pattern of Blue-Green Spaces and Their Synergies in Central Area of Nanjing, China[J]. Landscape Architecture Academic Journal, 2023, 40(8): 57-64.

[22]
宋加颖, 孟丹, 冯鹏, 等. 北京城市副中心及周边区域蓝绿空间景观格局及降温效应评估[J]. 园林, 2024, 41(4): 86-94.

SONG J Y, MENG D, FENG P, et al. Landscape Pattern and Cooling Effect Evaluation of Blue-Green Space in Beijing’s Sub-center and Surrounding Area[J]. Landscape Architecture Academic Journal, 2024, 41(4): 86-94.

[23]
石炜豪, 曾穗平, 艾合麦提·那麦提. 街区蓝绿空间对热环境影响的空间异质性研究[J]. 风景园林, 2024, 31(10): 98-105.

DOI

SHI W H, ZENG S P, NAMAITI A. Research on the Spatial Heterogeneity of the Impact of Blue-Green Space Within Urban Block on Urban Thermal Environment[J]. Landscape Architecture, 2024, 31(10): 98-105.

DOI

[24]
GUO A, YANG J, SUN W, et al. Impact of Urban Morphology and Landscape Characteristics on Spatiotemporal Heterogeneity of Land Surface Temperature[J]. Sustainable Cities and Society, 2020, 63: 102443

[25]
西安市统计局.西安市统计年鉴2023[M].北京: 中国统计出版社, 2023.

Xi’an Municipal Bureau of Statistics. Xi’an Municipal Statistical Yearbook 2023[M]. Beijing: China Statistics Press, 2023.

[26]
CHEN S, WANG T. Comparison Analyses of Equal Interval Method and Mean-Standard Deviation Method Used to Delimitate Urban Heat Island[J]. Geo-information Science, 2009, 11(2): 145-150.

DOI

[27]
陈文波, 肖笃宁, 李秀珍. 景观指数分类、应用及构建研究[J]. 应用生态学报, 2002, 13(1): 121-125.

DOI

CHEN W B, XIAO D N, LI X Z. Classification, Application, and Creation of Landscape Indices[J]. Chinese Journal of Applied Ecology, 2002, 13(1): 121-125.

DOI

[28]
XIE Q, REN L, YANG C. Regulation of Water Bodies to Urban Thermal Environment: Evidence from Wuhan, China[J]. Frontiers in Ecology and Evolution, 2023, 11: 983567

DOI

[29]
CHEN A, YAO L, SUN R, et al. How Many Metrics Are Required to Identify the Effects of the Landscape Pattern on Land Surface Temperature?[J]. Ecological Indicators, 2014, 45: 424-433.

DOI

[30]
HE J, SHI Y, XU L, et al. An Investigation on the Impact of Blue and Green Spatial Pattern Alterations on the Urban Thermal Environment: A Case Study of Shanghai[J]. Ecological Indicators, 2024, 158: 111244

DOI

[31]
向炀, 周志翔. 蓝绿空间景观格局对城市热岛的影响[J]. 中国园林, 2023, 39(1): 105-110.

XIANG Y, ZHOU Z X. Influence of Blue-Green Spatial Landscape Pattern on Urban Heat Island[J]. Chinese Landscape Architecture, 2023, 39(1): 105-110.

[32]
MAIMAITIYIMING M, GHULAM A, TIYIP T, et al. Effects of Green Space Spatial Pattern on Land Surface Temperature: Implications for Sustainable Urban Planning and Climate Change Adaptation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 89: 59-66.

DOI

[33]
ZHOU W, HUANG G, CADENASSO M L. Does Spatial Configuration Matter? Understanding the Effects of Land Cover Pattern on Land Surface Temperature in Urban Landscapes[J]. Landscape and Urban Planning, 2011, 102(1): 54-63.

DOI

[34]
CHEN M, JIA W, YAN L, et al. Quantification and Mapping Cooling Effect and Its Accessibility of Urban Parks in an Extreme Heat Event in a Megacity[J]. Journal of Cleaner Production, 2022, 334: 130252

DOI

[35]
MASOUDI M, TAN P Y. Multi-year Comparison of the Effects of Spatial Pattern of Urban Green Spaces on Urban Land Surface Temperature[J]. Landscape and Urban Planning, 2019, 184: 44-58.

DOI

[36]
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[J]. 生态学杂志, 2023, 42(11): 2721-2729.

AO Y, WANG Z H, ZHAO Y H, et al. Effect of Green Space Landscape Elements on Temperature Under Different Urbanization Levels: A Case Study of Guanzhong Plain Urban Agglomeration[J]. Chinese Journal of Ecology, 2023, 42(11): 2721-2729.

[37]
ZHANG Y, ZHAN Y, YU T, et al. Urban Green Effects on Land Surface Temperature Caused by Surface Characteristics: A Case Study of Summer Beijing Metropolitan Region[J]. Infrared Physics & Technology, 2017, 86: 35-43.

[38]
姜允芳, 黄静. 蓝绿景观结构对城市热岛的减缓效应定量分析[J]. 长江流域资源与环境, 2022, 31(9): 2060-2072.

JIANG Y F, HUANG J. Quantitative Analysis of Mitigation Effect of Urban Blue-Green Spaces on Urban Heat Island[J]. Resources and Environment in the Yangtze Basin, 2022, 31(9): 2060-2072.

[39]
WANG W, ZHANG B, ZHOU W, et al. The Effect of Urbanization Gradients and Forest Types on Microclimatic Regulation by Trees, in Association with Climate, Tree Sizes and Species Compositions in Harbin City, Northeastern China[J]. Urban Ecosystems, 2019, 22(2): 367-384.

DOI

[40]
GUO G, WU Z, CHEN Y. Complex Mechanisms Linking Land Surface Temperature to Greenspace Spatial Patterns: Evidence from Four Southeastern Chinese Cities[J]. Science of the Total Environment, 2019, 674: 77-87.

DOI

[41]
YU Z, GUO X, JØRGENSEN G, et al. How Can Urban Green Spaces Be Planned for Climate Adaptation in Subtropical Cities?[J]. Ecological Indicators, 2017, 82: 152-162.

DOI

Options
Outlines

/

〈 〉