本推文来源： 园林与规划SCI
摘要 Abstract
土地利用格局可以极大地塑造城市热环境。尽管以往的研究表明城市热岛（UHI）强度很容易受到绿地景观格局的影响，但绿地形态空间格局与UHI强度之间的关系仍有待探索。与景观格局相比，形态空间格局分析（MSPA）可以揭示更具体的土地利用配置和组成细节。因此，本研究旨在利用机器学习方法探讨土地利用形态空间格局是否对城市热岛影响。首先，基于 MSPA 分析绿地形态特征。其次，根据相关系数测量城市热岛强度与一组潜在影响因素（包括形态特征）之间的线性关联。最后，基于随机森林量化了形态因素对城市热岛强度的非线性贡献。快速城市化城市的实证案例研究揭示了考虑基准因素的形态特征对城市热岛强度的巨大影响。城市热岛强度与绿地核心、孔洞、环路呈负相关，与小岛呈正相关。因此，在绿地总量固定的情况下，几个大的核心区比大量的小岛要好。此外，应将零散的绿地整合或连接起来，以提高降温能力。我们的研究结果可以为缓解特高温热和土地利用规划提供一些启示，尤其是在绿地面积不能无限增加的情况下。关键词：城市热岛，形态空间格局分析，绿地，环境规划，机器学习
方法 Methodology
图 1 显示了本研究的方法框架，主要关注网格尺度上绿地形态空间格局与城市热岛强度之间的关系。首先，基于LST揭示了研究区城市热岛强度的空间特征。其次，MSPA发现了绿色空间的形态空间格局。最后，以关键社会经济和自然因素作为基准解释变量，进行两组实验，探讨各种形态因素对城市热岛强度的影响。以下各节描述了更详细的方法。
研究区域及数据
深圳这个中国快速城市化的城市被选为我们的研究区域（图2）。20世纪80年代之前，深圳只是一个小渔村，生态资源丰富。经过几十年的快速城市扩张，它已成长为世界级大都市。尽管深圳面积只有1997平方公里，但到2021年，其人口将高达约1756万。如此巨大的社会经济发展是以极其有限的土地资源所带来的各种环境问题为代价的。特别是，缓解大城市的城市热岛效应对于提高人们日常生活的质量和舒适度具有重要意义。还应该指出的是，土地利用形态空间格局的准确测量在很大程度上依赖于高分辨率（最好优于10 m）和高精度的土地利用数据。对此，本研究仅以2017年为例，因为只有这一年才有准备充分、满足上述要求的土地利用数据。
根据以往的研究，使用一组空间因素（图3）来分析2017年城市热岛强度的影响因素。首先，从国家地球系统科学数据中心获得数字高程模型（30 m空间分辨率）和交通网络（矢量）数据。其次，我们使用清华大学发布的地面真实土地利用数据（10 m分辨率）。这些数据被分为农田、森林、灌丛、草地、湿地、水域、建成区和裸露面积八个土地利用类别。前四类进一步合并为绿地。第三，NDVI（30 m分辨率）来自中国国家生态系统科学数据中心。第四，我们从 World Pop 计划中获得了人口信息（100 m 分辨率）。最后，建筑信息（矢量）由高德地图提供。
地表温度与城市热岛强度
本研究利用国家青藏高原数据中心发布的高精度地表温度产品来揭示城市热岛强度的空间特征。在该产品中，采用新颖的经验检索算法从AMSR-E（EOS先进微波扫描辐射计）/AMSR2数据中检索地表温度信息，该算法可以同时考虑地形、土地覆盖、太阳辐射和大气的复杂影响 状况。然后，基于地理加权回归将结果缩小至 0.01° 空间分辨率。最后，使用多尺度卡尔曼滤波方法融合AMSR-E/AMSR2 LST和MODIS（中分辨率成像光谱仪）LST数据。验证结果表明，这款LST新产品的平均均方根误差小于3K。
我们重点关注夏季的数据，因为该时期研究区的热岛效应最为严重。2017年夏季只有6天（即2017年7月24日、8月11日、8月13日、8月29日、9月22日、9月27日）晴朗无云的天气最适合分析。为减少时间变化的影响， 我们计算了这六幅图像的平均地表温度。
形态空间格局分析
形态学空间格局分析（MSPA）是一种图像处理包，旨在说明光栅图像组件的配置和连接性。它涉及多种图像处理技术，可以基于数学形态学技术在像素级识别和测量栅格数据。这种方法越来越多地用于测量土地利用模式及其对环境条件的影响。
在本研究中，研究区域内的土地利用（即绿地）像素被视为前景，而其他像素被视为背景。如表1所示，输入栅格图像的前景将根据其形态特征分为七个形态类别（核心、边缘、孔洞、桥梁、环路、分支和岛）。特别是，在MSPA的支持下，可以轻松区分核心自然栖息地（核心）和线性生态廊道（桥梁和环路）。
测量 UHI 强度与形态因子之间的关系
首先，我们进行相关性分析，发现城市热岛强度与一系列潜在影响因素（包括绿地形态特征）之间的线性关系。正如之前的研究所建议的，其他常用的潜在因素（表2）也被考虑在内。相关系数 (r) 和 p 值均用于评估关系类型（正、负、无）、强度（强、弱、中）和统计显著性。其次，使用先进的机器学习技术随机森林研究了因变量（即城市热岛强度）与 17 个影响因素（例如七个形态类别的密度、土地利用和自然条件）之间的整体非线性关系。
随机森林是 Ref. 提出的一种基于决策树的机器学习算法。随机森林的一个重要优点是其结果不会受到多重共线性问题的影响。Pearson 相关性仅评估两个变量之间的关系，如果考虑其他因素，其统计关系可能不显著。在这方面，皮尔逊相关性和随机森林的组合可以提供比单独使用每种方法更详细和彻底的解释。
在我们的实验中，我们使用 Ref. 发布的著名的Waikato Environment for Knowledge Analysis (WEKA) 应用程序进行随机森林回归。本研究制定了两组实验，以找出哪些潜在的影响因素可以更好地解释UHI强度。基准实验是只考虑表2中因素的传统方法，另一种是考虑表1和表2中所有因素的本文提出的方法，使用未选择用于构建随机森林模型的训练数据集 (即 out-of-bag 数据集) 来评估模型的性能。更具体地说，利用三个定量指标（即 R²、相对绝对误差和相对平方根误差）来比较两个实验的拟合优度。
本研究通过手动调整选择了3km的网格尺寸，不仅可以包含MSPA足够详细的信息，而且可以保证不包含形态成分的网格数量较少。
实施及结果 Implementation and Results
城市热岛强度与潜在影响因素之间的线性关系
总体而言，深圳的城市热岛强度在城市化程度较高的地区（例如城市的西北部和中部地区）更为严重，而东南边远地区的强度较低（图4）。尽管如此，老城区和新建区的城市热岛强度仍然存在显著差异。因此，找出潜在的影响因素非常重要。由于本研究专门关注绿地形态特征与城市热岛强度之间的关系，因此进行MSPA将绿地分为七个形态类别（图5）。
图 4. 深圳城市热岛效应强度
首先，采用 Pearson 相关法对城市热岛强度与潜在影响因素之间的线性关系进行分析，结果如表 3 所示。发现城市热岛强度与绿地密度、水域面积、NDVI、海拔高度呈负相关。和天空视角系数 (p < 0.01)。相比之下，城市热岛强度与建成区密度、人口密度和平均建筑高度呈正相关（p < 0.01）。此外，道路密度也与城市热岛强度显著相关（p < 0.05）。
表 3 城市热岛强度与潜在影响因素之间的线性关系
值得注意的是，绿地的形态特征会对城市热岛强度产生重大影响。更具体地说，城市热岛强度与绿地核心、孔洞和环路的密度呈负相关，但与岛的密度呈正相关（p < 0.05）。因此，合理的城市绿地设计对于缓解城市热岛强度具有重要意义。
城市热岛强度与潜在影响因素之间的非线性关系
其次，我们在随机森林算法的支持下进一步揭示了城市热岛强度与潜在影响因素之间的非线性关系。在 WEKA 中进行了两组实验（即提议模型和基准模型），以评估绿色空间形态空间格局的重要性。
相比之下，所提出的模型可以证明 83.97% 的方差是合理的。即考虑绿地形态特征后可以更好地描述城市热岛强度程度。此外，其他指标（RAE 和 RRSE）也表明所提出的方法估计的强度值与地面实况值更相似。因此，考虑形态因素的模型可以更好地预测UHI变化。
接下来，每个潜在影响因素对 UHI 强度的贡献如图 1 和 2 所示。图 6 和图 7 结果表明，在基准模型中，天空视野因子、绿地密度、建成区密度、NDVI 和平均建筑高度是对城市热岛强度影响最大的因素。相比之下，在所提出的模型中，UHI强度更容易受到核心密度的影响。此外，孔洞和小岛的密度也起着重要作用。综上所述，上述比较表明，绿地形态格局对城市热岛强度有显著影响。Pearson 相关性和随机森林的结合表明，在控制基准因素的影响后，可以通过改善绿色基础设施条件和降低人类活动强度来减轻城市热岛效应。
图 6. 各潜在影响因素对城市热岛强度的贡献（基准模型）
图 7. 每个潜在影响因素对城市热岛强度的贡献（提议模型）
结论 Conclusions
城市热岛效应的缓解可以极大地提高人们日常生活的质量和舒适度。土地利用规划者和决策者应充分认识城市热岛强度的影响因素，通过合适的土地利用设计妥善处理这一问题。特别是绿地的大小、形状和配置对于调节地表温度起着至关重要的作用。以往的研究较多关注绿地景观格局与城市热岛强度之间的关系，而很少研究形态空间格局的影响。
针对这一缺点，本研究向前迈进了一步，充分分析了绿地形态空间格局与城市热岛强度之间的关系。结果表明，城市热岛强度与绿地形态特征密切相关，对地表温度的影响比基准因子更为巨大。特别是，随机森林模型表明，核心绿地的密度对缓解研究区城市热岛效应有显著贡献，其次是孔洞和环路的密度。当绿地总量固定时，一些大型核心区域会比大量小岛更好。绿地关键形态类别的合理配置和组合可以增强其调节通风、湿度和蒸散的能力，最终缓解城市热岛效应。这一关于驱动城市热岛强度变化因素的新发现可能为绿地规划和设计提供实用指导。
