EN中文

Landscape Architecture >

2024 , Vol. 31 >Issue 10: 98 - 105

DOI: https://doi.org/10.3724/j.fjyl.202312070549

Research

Research on the Spatial Heterogeneity of the Impact of Blue-Green Space Within Urban Block on Urban Thermal Environment

  • Weihao SHI , 1 ,
  • Suiping ZENG , 2, * ,
  • NAMAITI Aihemaiti 1
Expand
  • 1 College of Architecture, Tianjin University
  • 2 College of Architecture, Tianjin Chengjian University

SHI Weihao is a Ph.D. candidate in the College of Architecture, Tianjin University. His research focuses on eco-city and climate resilience, and urban planning and design

ZENG Suiping, Ph.D., is an associate professor in the College of Architecture, Tianjin Chengjian University. Her research focuses on urban physical environment optimization

Aihemaiti NAMAITI (Uyghur) is a Ph.D. candidate in the College of Architecture, Tianjin University. His research focuses on urban climate and urban form optimization

Received date: 2023-12-07

  Revised date: 2024-08-12

  Online published: 2025-12-16

Copyright

Copyright © 2024 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] Blue-green space is considered as an important ecological facility to optimize the thermal environment, whose positive effects on thermal environment optimization have gained widespread attention. Previous research has paid less attention to the construction of comprehensive indicators such as the scale, shape and layout of blue-green space, the spatial heterogeneity of the impact of blue-green space on the thermal environment, and the research unit of block, which makes it difficult to implement grounded optimization strategy for blue-green space as a response to thermal mitigation regulation. Thoroughly exploring the multi-dimensional impact of blue-green space on the thermal environment is beneficial for climate-adaptive urban development.

[Methods] This research takes the central urban area of Tianjin as the research area. The intense development and high-density construction in Tianjin have led to the fragmentation of blue-green space and the continuous deterioration of the thermal environment, making central Tianjin an area in urgent need of ecological transformation. Based on Landsat 8 remote sensing imagery and ENVI for land surface temperature (LST) inversion, the average of multiple datasets is utilized as the indicator to characterize the thermal environment. High-precision identification of blue-green space at a 2 m resolution is achieved through Google Earth images and eCognition 8.9 software. On this basis, combined with OpenStreetMap road data, over 300 blocks are delineated as the basic research units. Integrating landscape ecology and morphological analysis (morphological spatial pattern analysis, MSPA) based on ArcGIS Pro 3.0, Fragstats 4.2, and Guidos Toolbox 2.9 software, multi-dimensional evaluation indices of blue-green space at the block scale are calculated from the perspectives of “ scale − shape − layout” . Finally, a multiscale geographically weighted regression (MGWR) model is introduced to conduct the statistical analysis.

[Results] 1) The results show that the blue-green space in the central urban area of Tianjin exhibit a distribution characteristic of “four corridors and multiple points”, whereas the LST shows a distinct pattern of being “high in the center and low in the periphery”. The distribution of blue-green space in the central urban area of Tianjin is consistent with the low value of LST, and the scale, shape and layout of such blue-green space, as well as LST itself, all demonstrate spatial aggregation. 2) The core indicators of the impact of blue-green space on LST include the proportion of green space, LPI, COHESION, SHAPE_MN, the proportion of core layout, the proportion of branch layout, and the proportion of edge layout. Different indicators of blue-green space vary to a certain degree in terms of the scale of effects on the thermal environment. The SHAPE_MN index and the proportion of edge layout have smaller effect scales, exhibiting significant spatial heterogeneity. In contrast, the proportion of green space and that of core layout have larger effect scales, with a more gradual spatial heterogeneity in their impact. 3) Among the aforesaid indicators of blue-green space, the proportion of green space, the proportion of core layout, and COHESION index have a significant negative impact on the thermal environment. In contrast, the proportion of branch layout and that of edge layout have a significant positive effect. The intensity of impact varies among the indicators, with the average impact strength of the proportion of core layout being the highest, while that of SHAPE_MN being the lowest and unstable. Finally, based on empirical results, the research proposes an optimization scheme for blue-green space to improve the thermal environment. The scheme involves dividing the urban area into responsive zones based on the multi-scale spatial heterogeneity of the indicators of blue-green space, and optimizing the scale, shape and layout indicators of blue-green space at the block level according to their respective impact strength. The three-level optimal zoning of blue-green space is delimited, and precise optimization methods are proposed respectively for the scale, shape and layout of blue-green space. Specifically, in terms of the scale of blue-green space, it is supposed to take advantage of every opportunity to increase greenery and bluey; in terms of the shape of blue-green space, it is supposed to optimize the shape based on decentralized connection; and in terms of the layout of blue-green space, it is supposed to integrate fragmented blue-green spaces into an interconnected network of blue-green spaces. The research results may provide a theoretical reference for the planning of blue-green space at the block scale from the perspective of thermal environment optimization.

[Conclusion] The research offers a comprehensive insight into the multi-dimensional and spatially heterogeneous impacts of blue-green space on the thermal environment within urban blocks. It underscores the potential of blue-green space in contributing to climate-adaptive urban development and provides targeted recommendations for the planning and management thereof. These include optimizing the scale, form, and layout of blue-green space to enhance their thermal mitigation capabilities. The findings may serve as a theoretical foundation for climate adaptation strategies in high-density urban areas and the fine management of urban blocks, advocating for a systematic integration of blue-green space into urban planning framework. Future research may separately assess blue and green spaces from the dimensions of scale, shape and layout and quantify their interactions to further explore the effects of blue-green space on the thermal environment. Additionally, with the improvement in data availability, a further research with high spatiotemporal ductility may be conducted across multiple time series and climatic zones.

Key words： urban renewal; green space planning; blue-green space within urban block; thermal environment optimization; land surface temperature; MGWR model

Cite this article

Weihao SHI , Suiping ZENG , NAMAITI Aihemaiti . 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: 10.3724/j.fjyl.202312070549

在快速城市化背景下，城市人口的激增与土地利用的变化，导致城市热环境恶化，对城市生态系统以及居民热舒适感造成了巨大的负面影响[1]。因此，深入探究城市热环境影响机理优化途径以改善热环境，成为实现气候适应性和可持续发展的必要措施[2-3]。
目前，相关研究以地表温度（land surface temperature, LST）作为热环境的表征[4]，从地表覆被[5]、城市形态[6]以及社会经济因素[7]等方面分析热环境的影响机制。已有研究表明，不透水表面面积增加是地表升温的主要原因，而由城市绿地与水体等组成的蓝绿空间有显著降温作用[8-9]。其中，植被通过蒸散作用和提供遮阴，对于热环境的改善起着重要作用[10]；水体由于具有较高的比热容，也显示出显著的降温效果[11]。空间配置的不同也会造成蓝绿空间降温效果的差异，这对于无法大幅提升蓝绿空间规模的高密度、高强度开发的城区而言尤为重要。
科学规划、建设和管理各类蓝绿空间将有助于改善城市热环境[12]。当前，蓝绿空间与热环境的相关性研究可分为两类：第一类研究关注蓝绿空间规模指标，主要探索绿地、水体的面积及占比与LST的关系，结果表明这些因素显著负向影响LST[13-14]，同时该影响存在作用范围的阈值[15-16]，因此通过合理布置更多的植被或水体来扩大蓝绿空间规模，可以营造舒适凉爽的环境[17]；第二类研究从形态角度切入，认为蓝绿空间的形态对热环境也存在影响[18]，这类研究从景观指数等形态量化指标进行解析[19-20]，发现蓝绿空间聚集度、斑块密度和斑块形状等对LST有显著负面影响[17]，而破碎度、边缘密度则对LST有正向促进作用[18]。研究方法上，相关研究最初将蓝绿空间和LST的指标视作全局变量，采用相关性分析[21]、全局回归[14, 22]等方法研究两者的关系。随着研究的深入，有学者引入了地理加权回归（geographically weighted regression, GWR）模型，探讨蓝绿空间的景观指数与热环境的空间影响异质性[23]。
虽然目前的研究已经取得了显著成果，但仍然存在若干未解决的问题。首先，在研究视角上，城市蓝绿空间影响热环境是基于多维度指标实现的，然而以往研究主要聚焦于表征蓝绿空间整体规模和外部形态的指标，较少关注衡量内部结构的空间布局指标，导致蓝绿空间指标对热环境的影响机制未被全面捕捉，使相关决策的科学性存在偏颇。其次，在研究方法上，鉴于蓝绿空间指标存在空间分布的差异且对热环境的影响存在作用阈值，因此各蓝绿指标对热环境的影响机制很可能存在作用尺度上的差异[18, 24]，然而多数研究所用的方法并不能揭露这一差异。最后，当前研究多以网格[25]或斑块[16]为研究单元，而各单元内城市形态的完整性不足，进而导致研究结果难以直接指导相关决策与规划[6]。相比之下，街区作为城市管理的基本单元[26]，在街区层面开展蓝绿空间对热环境影响的研究具有更强的实操性。
基于此，本研究的核心议题为：挖掘更适合优化热环境的蓝绿空间多维指标，并探究这些指标影响热环境的空间异质性。本研究以蓝绿空间破碎化、热环境恶化的天津市中心城区为研究区域，以街区为研究单元，选取表征蓝绿空间特征的规模、形态、布局类指标，引入多尺度地理加权回归（multiscale geographically weighted regression, MGWR）模型，探究蓝绿空间指标与热环境的空间异质性影响机理，从热环境优化的角度，为高密度城区的气候适应性提升及城市街区精细化管理提供理论支撑。

1 研究方法

1.1 研究区域概况

天津市（116°43′~118°04′E，38°34′~40°15′N）是中国华北地区的特大城市之一，属于温带季风气候，夏季7—8月的平均气温较高。天津城市中心区的高强度开发和高密度建设，导致蓝绿空间加速破碎化和热环境不断恶化[27]，因此属于亟须进行生态化改造的典型高密度城区。本研究以天津市中心城区为研究区域，研究范围为外环线以内，面积约388 km2（图1）。探究天津中心城区蓝绿空间对热环境的影响机制，对指导特大城市高密度城区的热缓解规划和设计具有重要意义。
图1 研究区域

Fig. 1 Research area

1.2 数据来源

研究所需数据包括Landsat 8遥感影像、Google Earth影像以及矢量路网数据。Landsat 8遥感影像来源于地理空间数据云。在排除了天气、风力等气象条件的影响后（影像在研究范围内云量为0，且拍摄前后2~3天晴朗无雨），选取成像时间为2019年8月17日和2020年8月28日的两幅影像，其分辨率为30 m。采用2020年7月天津市中心城区范围的Google Earth遥感影像图解译识别蓝绿空间，空间分辨率为2.15 m，辅以OpenStreetMap中的水体矢量数据进行矫正。划分街区的路网数据来源于OpenStreetMap，根据主干路与次干路划分城市街区。

1.3 数据统计分析方法

本研究以城市街区为研究单元，首先，基于Landsat 8遥感影像反演得到LST，统计各街区的平均LST，并将其作为街区热环境的表征指标，用高清卫星影像识别蓝绿空间，并借助ArcGIS Pro、Fragstats 4.2与Guidos Toolbox 2.9软件，提取蓝绿空间的相关表征指标。其次，在数据处理过程中，运用相关性检验与逐步回归方法，剔除相关性不显著与存在多重共线性的指标，得到影响热环境的蓝绿空间关键指标。最后，以蓝绿空间指标为自变量、街区LST为因变量，选取MGWR模型深入探究蓝绿空间指标与LST的影响机制。

1.3.1 LST反演

本研究采用辐射传输方程法反演LST，选用ENVI软件对Landsat 8数据进行预处理[28-29]。随后，对反演结果进行精度检验，根据已有研究方法[30]，本研究通过天津市的国家气象站点获取卫星过境时间的地表气温，与该站点反演得到的LST进行对比，若结果显示二者基本吻合，则反演结果可信。为减少单期LST反演结果的偶然性，本研究选取两期（2019年夏季与2020年夏季）地表温度的均值来表征热环境。

1.3.2 街区蓝绿空间指标选取与量化方法

本研究中蓝绿空间是由城市中各类水域、湿地、绿地等开敞空间所构成的空间系统[31]。首先，选取2020年7月天津市中心城区范围的少云量Google Earth遥感影像图，通过ENVI软件，以用于反演LST的Landsat 8遥感影像为参照，进行几何校正；参考已有研究[32-33]，在eCognition 8.9软件中，通过对象分类的手段，结合人工目视解译[34]进行蓝绿空间的识别。其次，在ArcGIS 平台中，将蓝绿空间栅格重采样为2 m分辨率，根据主要道路划定各街区单元边界，对各街区单元内的蓝绿空间要素进行归类评价。最后，从规模、形态和布局3个方面对蓝绿空间指标进行量化处理（表1）。
表1 蓝绿空间指标及其描述

Tab. 1 Indicators of blue-green space and their description

指标维度 指标名称 指标描述 取值范围
　　注：布局指标中的“布局占比”指该类布局指标占街区蓝绿空间总量的百分比。
规模 蓝绿空间占比 蓝绿空间总面积占整个街区面积的百分比 0~100%
蓝色空间占比 水体总面积占整个街区面积的百分比 0~100%
绿色空间占比 绿地总面积占整个街区面积的百分比 0~100%
形态 LPI 在特定景观类别中最大斑块所占的总景观面积比例，反映景观的优势程度 0~100%
PD 单位面积内景观斑块的数量，反映景观的破碎程度 ≥0
LSI 单位景观斑块的总长度与总面积的比值，反映景观斑块形状的复杂程度 ≥1
SHAPE_MN 单位各景观斑块的形状指数的均值，反映景观斑块形状的平均复杂程度 ≥1
AI 单位面积内斑块之间接触的边界长度与可能的最大接触边界长度的比值，反映景观斑块聚集的程度 0~100
COHESION 景观中所有斑块的周长与面积的比值经过标准化处理后的和值，反映斑块在景观中的连通程度 0~100
布局 核心布局占比 核心指面状、大型的自然或半自然斑块，如综合公园、大型绿地、社区公园等 0~100%
孤岛布局占比 孤岛指相对孤立、碎片化分布的点状绿地斑块，如街区小型附属绿地、树丛等 0~100%
孔隙布局占比 孔隙指受到自然或人类活动干扰而出现退化的自然或半自然点状斑块 0~100%
边缘布局占比 边缘指不同用地之间具有边缘效应的线性过渡地带，如大型绿地外围的林带 0~100%
环路布局占比 环路指有利于加强大型斑块内部能量流动、同一核心区内部的线性生态绿廊，如大型绿地内部道路绿化带 0~100%
桥接布局占比 桥接指连接相邻两个不同核心区、能促进核心区之间的能量流动的线性绿化带或生态廊道，如道路绿化带 0~100%
分支布局占比 分支指仅一端连接着边缘、孔隙、环线、桥接的绿化线性廊道，如连接公园与住宅区等城市建设用地的绿化带 0~100%
1）规模作为衡量蓝绿空间数量的指标，在城市规划与景观设计中应用最广泛。本研究选取蓝绿空间占比、蓝色空间占比以及绿色空间占比作为规模指标，并采用ArcGIS分区统计方法，得到各街区规模指标量化结果。
2）景观指数作为评估景观格局的关键指标，能有效揭示景观的结构组成及空间形态特征。参考已有研究[9, 13-14, 22, 35]，本研究考虑景观优势度、形状复杂度、景观集聚性和连接度4个方面因素，分别选取了最大斑块指数（LPI）、景观形状指数（LSI）、平均形状指数（SHAPE_MN）、聚集度指数（AI）和斑块密度（PD）、斑块内聚度指数（COHESION）共6个景观指数来全面描述和分析街区蓝绿空间的形态特征。
3）形态学空间格局分析（morphological spatial pattern analysis, MSPA）可从布局维度对蓝绿空间的空间配置进行量化。MSPA方法在蓝绿网络构建中应用广泛[36]，并逐渐被引入热环境领域[21, 37]。该方法基于数学形态学的原理，对栅格图像的空间格局进行度量、识别和分割[38]，能够将任意图像的前景分解为7种（核心、孤岛、孔隙、边缘、环路、桥接、分支）不同且互不重叠的空间布局要素。据此，本研究首先将2 m分辨率的蓝绿空间数据处理为二值栅格（蓝绿空间作为前景，其他要素作为背景）。然后，基于Guidos Toolbox 2.9软件平台，采用八邻域分析法，以MSPA方法识别出蓝绿空间的布局指标。

1.3.3 MGWR模型回归方法

本研究以308个街区作为样本，探究蓝绿空间指标对LST的影响。MGWR模型是基于GWR模型在变量影响机制的尺度差异上进行了扩展。尺度依存性对于地理空间过程尤为重要，即存在作用尺度较大的全局变量和作用尺度较小的局部变量，就本案例而言，蓝绿空间的规模指标作用尺度基本是较大的（各街区提高蓝绿空间的规模均可实现降温），而形态、布局指标的作用尺度可能存在差异（对空间的敏感度较高）。而MGWR模型通过增加空间平稳变量，实现了每个自变量带宽与作用尺度的适配，变量带宽与总样本量的比值越小，指标的作用尺度越小，表明其作用效果的空间异质性越大，反之越小[39-40]。MGWR模型的计算基于美国亚利桑那州立大学空间分析研究中心开发的MGWR 2.2软件[41]完成。
此外，为验证MGWR模型在本研究中的适用性，将MGWR模型与GWR模型的拟合结果进行对比。综合拟合优度（R2）、校正赤池信息准则值（AIC）与残差平方和（RSS），MGWR模型的结果优于经典GWR模型[39]。这表明MGWR模型能够较好地反映街区蓝绿空间指标对热环境影响的空间分异特征。

2 结果分析

2.1 街区蓝绿空间与热环境空间格局分析

天津市中心城区蓝绿空间分布总体呈现“四廊多点”特征（图2）：四廊指海河、子牙河、北运河与新开河形成的河流廊道，多点指多个公园与大型绿地空间。规模指标方面，各街区分布存在差异，整体呈现“南多北少，外围多中心少”，蓝绿空间占比为24.76%，其中绿色空间占比22.53%，蓝色空间占比2.23%。形态指标方面，街区蓝绿空间的AI、LPI均值较低，PD、LSI、SHAPE_MN均值较大，说明蓝绿空间的景观优势度低且集聚性差，以相对破碎的小型斑块居多。布局指标方面，街区蓝绿空间的布局占比整体呈现桥接（29.47%）>核心（24.67%）>边缘（14.89%）>孤岛（13.55%）>分支（10.97%）>环路（6.02%）>孔隙（0.44%）。就空间集聚特征而言，除孔隙布局占比指标外，蓝绿空间各维度指标的莫兰指数（Moran’ s I）都大于0且在p<0.01水平上显著。综上说明天津中心城区蓝绿空间以绿色空间为主，破碎度高、连通性差，且多呈线性布局，各维度指标呈现空间聚集特征。
图2 蓝绿空间分布

Fig. 2 Distribution of blue-green space

由LST空间分布可以看出（图3），天津中心城区的LST呈现“中心高外围低”的特征：高值区集中在城区中部（和平区、南开区、河东区），沿海河两岸呈块状分布；而低值区分散在津南区、东丽区等区域，从外环路向城区渗透。LST全局莫兰指数为0.43且显著，局部莫兰指数（Moran’ I，LISA）表明，LST沿海河两岸在城区中心形成C字形“高-高”集聚区，而在城区外围形成多个楔形“低-低”集聚区（图4）。整体上中心城区LST的低值与蓝绿空间分布特征较为契合，表明蓝绿空间可以显著优化热环境。
图3 LST空间分布

Fig. 3 LST spatial distribution

图4 LST聚集特征

Fig. 4 LST aggregation characteristics

2.2 街区蓝绿空间对热环境的空间异质性影响

经相关性与多重共线性检验，GP、LPI、COHESION、核心布局占比、分支布局占比、边缘布局占比指标之间的相关性均小于0.8，各变量VIF值均小于5。最终本研究选取这7个指标作为自变量，进而探究它们对LST的空间异质性影响。
整体来看，表征蓝绿空间配置的7个关键指标对热环境均有不同强度、不同作用尺度的影响差异。从作用强度来看，蓝绿空间核心布局占比的作用强度最大，SHAPE_MN的作用强度最弱；从作用尺度来看，绿色空间占比与核心布局占比均为全局变量，作用尺度较大，SHAPE_MN的作用尺度最小（图5）。
图5 蓝绿空间指标影响LST的系数及其空间分布

Fig. 5 LST impact coefficients of the indicators of blue-green space and spatial distribution thereof

1）绿色空间占比对热环境具有显著负面影响。从作用尺度来看，模型带宽为307，几乎占总样本量的100%，属于全局作用尺度，各街区热环境受到绿色空间占比的影响基本一致。从系数空间分布来看，绿色空间占比的影响在天津中心城区各街区上变化不大，绝对值高值主要集中在城区西北部，低值主要集中在城区中部与东北部。从作用强度来看，绿色空间占比影响程度较大，影响系数为−0.277~−0.238，均值为−0.254。说明街区绿地占比每提升1%，温度平均下降0.254 ℃，即街区层面绿色空间占比对优化热环境有显著作用，且该作用随空间波动不大。
2）LPI对热环境具有显著正向作用。从作用尺度来看，模型带宽为230，占总样本量的74.68%，属于较大作用尺度，系数在空间上变化较为平稳。从系数分布来看，它的影响形成了圈层结构，高值主要集中在城区南部及中部，而低值主要集中于城区北部。从作用强度来看，影响强度中等，影响系数为0.070~0.290，均值为0.224。说明街区蓝绿空间LPI每提升1个单位，温度平均上升0.224 ℃，即街区层面蓝绿斑块优势度越高，热环境越差。
3）SHAPE_MN对热环境的影响机制较为复杂。从作用尺度来看，模型带宽为44，占总样本量的14.29%，影响尺度最小，说明热环境对于蓝绿空间的形状复杂度非常敏感。从系数分布来看，呈现不规则的散布格局，高值主要集中在城区南部及北部，而低值主要集中于城区东部与西部边缘街区。从作用强度来看，影响系数变化较大，取值为−0.552~0.398，其中以负值为主（占总样本的71.75%），均值为−0.107，说明街区SHAPE_MN每提升1个单位，温度平均下降0.107 ℃。这表明蓝绿空间的形状复杂度对热环境存在负向的作用，但也随各街区建成环境的差异而存在异质性。
4）COHESION对热环境具有显著负向作用。从作用尺度来看，模型带宽为231，占总样本的75%，属于较大作用尺度。系数空间分布与LPI基本一致，高值区较LPI更少，集中分布在城区南部，而低值区主要分布在城区北部。究其原因在于：城区北部街区的蓝绿空间规模较小，其连通度的提高有利于发挥蓝绿空间的集聚效应，对于热缓解能力有较大的提升。从作用强度来看，COHESION对热环境影响强度中等，系数为−0.295~−0.078，均值为−0.179。说明街区COHESION每提升1个单位，温度平均下降0.179 ℃，即街区层面蓝绿斑块连通度越高，热环境越好。
5）核心布局占比对热环境具有显著负向作用。从作用尺度来看，模型带宽为307，几乎占总样本量的100%，表明蓝绿空间核心布局占比对各街区的热环境优化都至关重要。分布系数在空间上的变化不大，绝对值高值主要集中在城区西南部，低值主要集中在城区北部，这是由于北部街区蓝绿空间少且破碎，核心布局占比缓解热环境的效率低下。从作用强度来看，其影响强度最高，系数为−0.350~−0.311，均值为−0.328。说明街区蓝绿空间核心布局占比每提升1%，温度平均下降0.328 ℃。
6）分支布局占比对热环境具有显著正向作用。从作用尺度来看，模型带宽为152，占总样本量的49.35%，属于中等偏小的作用尺度。从空间分布来看，空间分异较为显著，高值主要分布在城区西北部，而低值集中分布在城区东部。这或许是由于城区西北部街区蓝绿空间布局较为破碎，分支的增加使破碎度增大，进而导致热环境恶化。从作用强度来看，影响强度适中，影响系数为0.052~0.313，均值为0.173，即街区蓝绿空间分支布局占比每提高1%，温度平均上升0.173 ℃。
7）边缘布局占比对热环境具有显著正向影响。从作用尺度来看，模型带宽仅为92，占总样本量的29.87%，属于较小的作用尺度，表明街区热环境对边缘布局占比的敏感度较高。从空间分布来看，高值主要分布在城区东南部与东北部，而低值区集中分布在城区中西部。可能是由于在城区东南部蓝绿空间配置条件较好，边缘布局占比的提高意味着核心布局占比的降低，从而正面影响热环境。指标的作用强度较大，影响系数为−0.055~0.482，正值占比95.45%，均值为0.252，即街区蓝绿空间边缘布局占比每提升1%，温度平均提高0.252 ℃，街区间影响差异较大。

3 讨论

3.1 街区蓝绿空间对热环境的影响机制

从MGWR模型回归结果来看，街区蓝绿空间指标中的绿色空间占比、LPI、SHAPE_MN、COHESION、核心布局占比、分支布局占比和边缘布局占比对热环境的影响机制均具有空间异质性，且不同指标存在作用尺度的差异。其中，影响机制方面，绿色空间占比、核心布局占比、COHESION对热环境具有显著负向作用，这与已有的研究结果相符[19-21]。本研究结果显示，LPI对热环境具有显著正向作用，这与一些已有研究存在部分观点冲突[18]，笔者推测是由于街区内蓝绿空间的最大斑块越大，蓝绿空间的分布就越不均匀，进而导致了较差的蓝绿空间降温效果，这也验证了LPI的降温效果存在阈值区间这一已有研究结果[7]。分支布局占比与边缘布局占比对热环境具有显著正向影响，这与已有研究结论基本相符[21]：分支布局是蓝绿空间不连续的一种形式，由于其连通性较弱，使得分支布局的热环境缓解能力较差[42]；而边缘布局作为线性蓝绿空间，在没有达到一定的宽度时也没有较强的热环境缓解效果[42-43]。
在影响机制空间异质性上，MGWR模型中的带宽反映了各指标影响热环境作用尺度的差异。绿色空间占比与核心布局占比属于全局变量，表明它们对各街区的影响差异不大；这是由于分布广泛的绿地与面状的完整蓝绿空间对热环境的缓解作用最显著[21]，其作用强度与空间位置关联性很小。SHAPE_MN的模型带宽最小，表明热环境对蓝绿空间的形状复杂度最为敏感，这与已有研究结果类似[44]，蓝绿空间的降温范围受边界复杂程度影响。分支与边缘布局占比的模型带宽较小，说明这两个指标对热环境影响的空间异质性较强，这是由于街区蓝绿空间的布局类指标在尺度上的非稳定性很强[21]，蓝绿空间规模类似的街区，其布局略有差别就会导致热环境缓解能力的差异。这也从侧面印证了引入布局类指标对探究热环境影响机制的重要性。

3.2 街区蓝绿空间规模、形态、布局调控建议

3.2.1 城区层面分级调控

在城区层面，应将蓝绿空间影响热环境的空间异质性纳入考虑，结合回归结果将各街区划分为各级响应区。对于规模提升分区，一级响应区的规模类指标对热环境的缓解作用最大，主要集中于北部街区。然而，鉴于各街区热环境受到绿色空间占比的影响基本相同，提升绿色空间面积占比在各级响应区都十分重要。对于形态调整分区，一级响应区的形态类指标对热环境的促进作用最大，应优先进行形态上的调控以达到降温目的，该区域主要集中于中南部与部分北部街区。对于布局优化分区，一级响应区的布局类指标对热环境作用最大，要优先进行蓝绿空间布局方面的优化，该区域集中分布在北部与南部的部分街区（图6）。
图6 蓝绿空间优化分区

Fig. 6 Optimal zoning of blue-green space

3.2.2 街区层面蓝绿空间指标优化

1）规模方面要“见缝插针，提绿增蓝”。实证表明，绿色空间占比是蓝绿空间规模影响热环境的核心指标。而在高密度城区，大幅度提升蓝绿空间规模并不现实，因而要通过创新整合资源，最大化利用有限的空间，因地制宜地提高街区绿色空间占比。本研究从规划层面提出以下策略：对于有高降温需求且有足够建设空间的边缘街区，可以通过建设大型蓝绿空间如郊野公园等优化热环境；而对于有高降温需求但可开发性不足的街区，应注重社区公园、附属绿地的降温协同作用，也可将未充分利用的空地、废弃地块等地块转变为公园、花园或小型绿地；在场地设计层面，宜使用透水性较强的材料铺设人行道、广场、停车场等，结合植被应用，增加地表的绿化覆盖率。
2）形态方面要“分散连通，优化形状”。实证表明，LPI正面影响LST，COHESION负面影响LST，SHAPE_MN以负面影响为主但系数较小，因此要着重提高蓝绿斑块的连通度，降低街区内最大蓝绿斑块占比，并合理控制蓝绿空间的形状。具体规划策略上：应分散布局斑块，避免蓝绿空间过度集中而降低降温效益，新建的街区可以均匀地规划蓝绿空间，更新类街区可以通过整合小型绿地，以降低蓝绿空间的集聚性、均匀调节城市气候；加强各类蓝绿空间的连通性，通过街道绿化带与社区绿道等线性空间串联附属绿地、建筑周围绿化等细碎蓝绿斑块，构建街区尺度的蓝绿空间网络；也要合理控制蓝绿斑块的形状复杂度，对于蓝绿空间匮乏的街区，要尽可能复杂化其边界，增强其局域降温作用。
3）布局方面要“线面结合，蓝绿成网”。实证表明，核心布局占比显著降低LST，分支布局与边缘布局占比正向影响LST，因而主要通过这3个指标对蓝绿空间布局进行优化，尽可能提高面状蓝绿空间的比例，并减少不具备连通性的线性廊道。具体规划策略上：一方面，要通过扩大现有绿地和水体面积、整合相邻的小型破碎斑块，形成连续集中、内部结构丰富的蓝绿空间核心布局，同时在条件允许的情况下规划更多社区公园，社区公园这类核心空间不仅可以调节城市气候，还能促进城市更新中的公平性；另一方面，对于边缘布局占比和分支布局占比较高的单元，应发挥线性蓝绿空间的连通功能，避免过多类似分支的单边联系的廊道，通过绿化带或生态廊道设施连接大型绿地外围的附属斑块，形成线面布局相结合的蓝绿空间网络，加速街区内冷热交换。

4 结论与展望

本研究以城市管理中最基础的街区为统计单元，综合考虑蓝绿空间规模、形态和布局3个方面的指标，全面深入探究蓝绿空间对城市热环境的影响，并挖掘出影响热环境的蓝绿空间关键指标，同时弥补了已有研究中因蓝绿空间布局指标无法度量而不能提出具体布局优化策略的不足。另外，本研究引入MGWR模型，探究了街区蓝绿空间指标对热环境的空间异质性影响，该模型同时考虑了各指标作用尺度的差异，相较以往研究所采用的模型更能指导实践应用。
在未来的研究中，可结合规模、形态、布局维度分别测度蓝色空间、绿色空间的配置，并引入绿色空间与其最近邻水域的距离、蓝绿网络联通度等指标量化蓝绿空间的交互作用[45]，以对蓝绿空间的热环境效应开展更深入研究。此外，未来随着数据可获得性的提高，可进一步展开对多时序、跨气候区的高时空延展性的研究。需要注意的是，本研究侧重识别蓝绿空间对热环境的空间异质性影响，在实际应用过程中仍需结合当地城市更新计划与居民意愿，通过打造形式丰富的蓝绿空间，提高城市应对高温环境的韧性。

文中图表均由作者绘制，其中底图范围来自天津市规划和自然资源局网站，审图号：津S（2017）007。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
JONATHON T, PAUL W, MIKE D, et al. Mapping the Effects of Urban Heat Island, Housing, and Age on Excess Heat-Related Mortality in London[J]. Urban Climate, 2015, 14: 517-528.

DOI

[2]
CHEN B, KONG F H, MEADOWS M E, et al. The Evolution of Social-Ecological System Interactions and Their Impact on the Urban Thermal Environment[J]. Urban Sustainability, 2024, 4(1): 3

DOI

[3]
LIU H M, HUANG B, GAO S H, et al. Impacts of the Evolving Urban Development on Intra-Urban Surface Thermal Environment: Evidence from 323 Chinese Cities[J]. Science of the Total Environment, 2021, 771: 144810

DOI

[4]
李洪忠, 陈劲松, 韩宇, 等. 微观尺度城市热环境影响因素分析研究: 以深圳市罗湖区为例[J]. 生态环境学报, 2019, 28(8): 1622-1631.

LI H Z, CHEN J S, HAN Y, et al. Micro-Scale Research of the Impact Factors on Urban Thermal Environment: A Case Study of Luohu District, Shenzhen[J]. Ecology and Environmental Sciences, 2019, 28(8): 1622-1631.

[5]
郭宇, 王宏伟, 张喆, 等. 南京市热环境与地表覆被的时空尺度效应及驱动机制研究[J]. 生态环境学报, 2020, 29(7): 1403-1411.

GUO Y, WANG H W, ZHANG Z, et al. Spatio-Temporal Scale Effect and Driving Mechanism of Thermal Environment and Land Surface Cover in Nanjing[J]. Ecology and Environmental Sciences, 2020, 29(7): 1403-1411.

[6]
艾合麦提·那麦提, 曾穗平, 倪丽丽, 等.天津市中心城区典型城市形态原型中建筑形态的热环境效应[J]. 地理科学, 2024, 44（7）: 1228-1236.

NAMAITI A, ZENG S P, NI L L, et al. Thermal Environmental Effects of Building Morphology in Typical Urban form Prototypes in the Central Urban Area of Tianjin[J]. Scientia Geographica Sinica, 2024, 44(7): 1228-1236.

[7]
WANG Q, WANG X N, ZHOU Y, et al. The Dominant Factors and Influence of Urban Characteristics on Land Surface Temperature Using Random Forest Algorithm[J]. Sustainable Cities and Society, 2022, 79: 103722

DOI

[8]
DIN D M U, SHAH A I, BHAT S A, et al. Blue Green Infrastructure as a Tool for Sustainable Urban Development[J]. Journal of Cleaner Production, 2021, 318: 128474

DOI

[9]
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.

[10]
王晓娟, 孔繁花, 尹海伟, 等. 高温天气植被蒸腾与遮荫降温效应的变化特征[J]. 生态学报, 2018, 38(12): 4234-4244.

WANG X J, KONG F H, YIN H W, et al. Characteristics of Vegetation Shading and Transpiration Cooling Effects During Hot Summer[J]. Acta Ecologica Sinica, 2018, 38(12): 4234-4244.

[11]
YA S W, QING M Z, WAN L O. How to Quantify the Relationship Between Spatial Distribution of Urban Waterbodies and Land Surface Temperature?[J]. Science of the Total Environment, 2019, 671: 1-9.

DOI

[12]
成雅田, 吴昌广. 基于局地气候优化的城市蓝绿空间规划途径研究进展[J]. 应用生态学报, 2020, 31(11): 3935-3945.

CHENG Y T, WU C G. Planning Approach of Urban Blue-Green Space Based on Local Climate Optimization: A Review[J]. Chinese Journal of Applied Ecology, 2020, 31(11): 3935-3945.

[13]
杜红玉.特大型城市“蓝绿空间”冷岛效应及其影响因素研究[D]. 上海: 华东师范大学, 2018.

DU H Y. The Cool Island Effect of Urban Blue-Green Spaces and Impact Factors in Mega City: A Case Study of Shanghai[D]. Shanghai: East China Normal University, 2018.

[14]
YAO L, LI T, XU M X, et al. How the Landscape Features of Urban Green Space Impact Seasonal Land Surface Temperatures at a City-Block-Scale: An Urban Heat Island Study in Beijing, China[J]. Urban Forestry & Urban Greening, 2020, 52: 126704

[15]
ZHAO W Y, XIE Y G, GERTRUD J, et al. How Can Urban Green Spaces Be Planned for Climate Adaptation in Subtropical Cities?[J]. Ecological Indicators, 2017, 82: 152-162.

DOI

[16]
CAI Y W, JUN X L, CHUN F W, et al. Understanding the Relationship Between Urban Blue Infrastructure and Land Surface Temperature[J]. Science of the Total Environment, 2019, 694: 133742

DOI

[17]
XIAO M L, WEI Q Z. Optimizing Urban Greenspace Spatial Pattern to Mitigate Urban Heat Island Effects: Extending Understanding from Local to the City Scale[J]. Urban Forestry & Urban Greening, 2019, 41: 255-263.

[18]
GUAN H G, ZHI F W, YING B C. 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

[19]
SI Y Y, ZUO Q C, BAI L Y, et al. Exploring the Relationship Between 2D/3D Landscape Pattern and Land Surface Temperature Based on Explainable Extreme Gradient Boosting Tree: A Case Study of Shanghai, China[J]. Science of the Total Environment, 2020, 725: 138229

DOI

[20]
HAO H, RONALD C E. Detecting Cooling Effect of Landscape from Composition and Configuration: An Urban Heat Island Study on Hangzhou[J]. Urban Forestry & Urban Greening, 2020, 53: 126719

[21]
苏王新, 张刘宽, 常青. 基于MSPA的街区蓝绿基础设施格局及其热缓解特征[J]. 生态学杂志, 2022, 41(6): 1173-1181.

SU W X, ZHANG L K, CHANG Q. Characteristics of Blue-Green Infrastructure and Its Relationship with Thermal Environment in Blocks Based on MSPA[J]. Chinese Journal of Ecology, 2022, 41(6): 1173-1181.

[22]
沈中健, 曾坚, 任兰红. 2002—2017年厦门市景观格局与热环境的时空耦合关系[J]. 中国园林, 2021, 37(3): 100-105.

SHEN Z J, ZENG J, REN L H. The Spatiotemporal Coupling Relationship of Landscape Pattern and Thermal Environment in Xiamen, 2002﹣2017[J]. Chinese Landscape Architecture, 2021, 37(3): 100-105.

[23]
王佳, 钱雨果, 韩立建, 等. 基于GWR模型的土地覆盖与地表温度的关系: 以京津唐城市群为例[J]. 应用生态学报, 2016, 27(7): 2128-2136.

WANG J, QIAN Y G, HAN L J, et al. Relationship Between Land Surface Temperature and Land Cover Types Based on GWR Model: A Case of Beijing-Tianjin-Tangshan Urban Agglomeration, China[J]. Chinese Journal of Applied Ecology, 2016, 27(7): 2128-2136.

[24]
LI Y, REN C, HO J Y, et al. Landscape Metrics in Assessing How the Configuration of Urban Green Spaces Affects Their Cooling Effect: A Systematic Review of Empirical Studies[J]. Landscape and Urban Planning, 2023, 239: 104842

DOI

[25]
LI X, STRINGER L C, DALLIMER M. The Role of Blue Green Infrastructure in the Urban Thermal Environment Across Seasons and Local Climate Zones in East Africa[J]. Sustainable Cities and Society, 2022, 80: 103798

DOI

[26]
岳文泽, 刘学. 基于城市控制性详细规划的热岛效应评价[J]. 应用生态学报, 2016, 27(11): 3631-3640.

YUE W Z, LIU X. Assessment on Heat Island Effect Based on Urban Regulatory Planning[J]. Chinese Journal of Applied Ecology, 2016, 27(11): 3631-3640.

[27]
宋鑫博, 黄鹤, 郭军, 等. 城市形态对夏季热环境影响研究: 以天津中心城区为例[J]. 生态环境学报, 2021, 30(11): 2165-2174.

SONG X B, HUANG H, GUO J, et al. Research on the Impact of Urban Morphology on Thermal Environment in Summer: A Case of Tianjin Central City[J]. Ecology and Environmental Sciences, 2021, 30(11): 2165-2174.

[28]
ZHAO W Y, YA W Y, GAO Y Y, et al. Spatiotemporal Patterns and Characteristics of Remotely Sensed Region Heat Islands During the Rapid Urbanization (1995−2015) of Southern China[J]. Science of the Total Environment, 2019, 674: 242-254.

DOI

[29]
CAO W, ZHOU W, YU W D, et al. Combined Effects of Urban Forests on Land Surface Temperature and PM2.5 Pollution in the Winter and Summer[J]. Sustainable Cities and Society, 2024, 104: 105309

DOI

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

CHEN M, DAI F. The Influence of Urban Green Spaces on Thermal Environment Based on Morphological Spatial Pattern Analysis[J]. Ecology and Environmental Sciences, 2021, 30(1): 125-134.

[31]
吴岩, 贺旭生, 杨玲. 国土空间规划体系背景下市县级蓝绿空间系统专项规划的编制构想[J]. 风景园林, 2020, 27(1): 30-34.

WU Y, HE X S, YANG L. Compilation Conception of City and County Level Blue-Green Space System Specialized Planning Under National Territory Spatial Planning System[J]. Landscape Architecture, 2020, 27(1): 30-34.

[32]
YANG D C, GAO C, LI L Y, et al. Multi-scaled Identification of Landscape Character Types and Areas in Lushan National Park and Its Fringes, China[J]. Landscape and Urban Planning, 2020, 201: 103844

DOI

[33]
LICHTBLAU E, OSWALD C J. Classification of Impervious Land-Use Features Using Object-Based Image Analysis and Data Fusion[J]. Computers, Environment and Urban Systems, 2019, 75: 103-116.

DOI

[34]
TAN X Y, SUN X, HUANG C D, et al. Comparison of Cooling Effect Between Green Space and Water Body[J]. Sustainable Cities and Society, 2021, 67: 102711

DOI

[35]
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.

[36]
何侃, 林涛, 吴建芳, 等. 基于空间优先级的福州市中心城区绿色基础设施网络构建[J]. 应用生态学报, 2021, 32(4): 1424-1432.

HE K, LIN T, WU J F, et al. Construction of Green Infrastructure Network Based on Spatial Priority in Downtown of Fuzhou, China[J]. Chinese Journal of Applied Ecology, 2021, 32(4): 1424-1432.

[37]
洪婷婷, 黄晓辉, 邓西鹏, 等. 基于MSPA的城市绿色基础设施与热环境关系研究: 以福州市中心城区为例[J]. 中国园林, 2023, 39(10): 97-103.

HONG T T, HUANG X H, DENG X P, et al. Study on the Relationship Between Urban Green Infrastructure and Thermal Environment Based on Morphological Spatial Pattern Analysis: A Case Study of Central Urban Area of Fuzhou City[J]. Chinese Landscape Architecture, 2023, 39(10): 97-103.

[38]
陈泓宇, 李雄. 基于MSPA-InVEST模型的北京中心城区绿色空间生境网络优化[J]. 风景园林, 2021, 28(2): 16-21.

CHEN H Y, LI X. Optimization of Green Space Habitat Network of Central Beijing Based on MSPA-InVEST Model[J]. Landscape Architecture, 2021, 28(2): 16-21.

[39]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制: 基于多尺度地理加权回归模型（MGWR）的研究[J]. 经济地理, 2020, 40(3): 75-83.

SHEN T Y, YU H C, ZHOU L, et al. On Hedonic Price of Second-Hand Houses in Beijing Based on Multi-scale Geographically Reighted Regression: Scale Law of Spatial Heterogeneity[J]. Economic Geography, 2020, 40(3): 75-83.

[40]
OSHAN T M, SMITH J P, FOTHERINGHAM A S. Targeting the Spatial Context of Obesity Determinants Via Multiscale Geographically Weighted Regression[J]. International Journal of Health Geographics, 2020, 19(1): 11

DOI

[41]
FOTHERINGHAM A S, YANG W B, KANG W. Multiscale Geographically Weighted Regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265.

DOI

[42]
JIANG Y F, JIANG S D, SHI T M. Comparative Study on the Cooling Effects of Green Space Patterns in Waterfront Build-Up Blocks: An Experience from Shanghai[J]. International Journal of Environmental Research and Public Health, 2020, 17(22): 8684

DOI

[43]
XU Z Y, ZHAO S Q. Scale Dependence of Urban Green Space Cooling Efficiency: A Case Study in Beijing Metropolitan Area[J]. Science of the Total Environment, 2023, 898: 165563

DOI

[44]
赵海月, 胡淼, 朱建宁, 等. 高密度中心城区蓝绿空间冷岛效应及其影响因素: 以北京五环路以内地区为例[J]. 生态学报, 2023, 43(12): 4904-4919.

ZHAO H Y, HU M, ZHU J N, et al. Blue-Green Space Cooling Effect and Its Influencing Factors in Metropolitan Area: A Case Study on the Area Within the Fifth Ring Road in Beijing[J]. Acta Ecologica Sinica, 2023, 43(12): 4904-4919.

[45]
YANG F, YOUSEFPOUR R, ZHANG Y, et al. The Assessment of Cooling Capacity of Blue-Green Spaces in Rapidly Developing Cities: A Case Study of Tianjin’s Central Urban Area[J]. Sustainable Cities and Society, 2023, 99: 104918

DOI

Options
Outlines

/

〈 〉