论文标题：Quantifying the Influence of Different Block Types on the Urban Heat Risk in High-Density Cities

论文链接：https://www.mdpi.com/2075-5309/14/7/2131

期刊名： Buildings

期刊主页：https://www.mdpi.com/journal/buildings

一、原文作者

Binwei Zou, Chengliang Fan *, and Jianjun Li *

本文通讯作者樊成亮，广州大学建筑与城市规划学院讲师，硕士研究生导师。主要研究方向为绿色低碳城市和城市热岛。主持国家级、省市级项目多项，在国内外公开发表论文十余篇，是多个国际著名期刊的审稿人。

本文通讯作者李建军，广州大学建筑与城市规划学院院长，教授，中国城市规划学会理事，广东省国土空间生态修复协会人居生态专业委员会副主任委员，《规划师》、《南方建筑》期刊编委。

二、导读

在全球气候变暖和城市化迅猛发展的背景下，城市热岛效应（UHI）和极端高温事件频发，给城市居民的健康带来了前所未有的挑战。如何科学评估并有效缓解城市热风险，已成为城市规划与可持续发展领域仍待解决的关键问题。本研究以广州为案例，创新性地将局地气候分区（LCZ）与"灾害-暴露-脆弱性"风险三角模型相结合，量化分析了不同街区形态对热风险的影响机制，为高密度城市的热缓解规划提供了科学依据，通过系统的量化分析与实证研究，为城市规划者提供了科学的决策依据和实操性的指导策略。图1展示了本次热风险评估研究的工作流程。

图1. 本研究热风险评估的工作流程

三、研究内容与结果

1.背景与目标

现有研究在评估城市热风险时，往往忽视了街区类型这一重要因素，导致评估结果难以精准指导城市规划实践。本研究旨在探究不同空间因素对街区尺度高温风险的影响，通过量化不同街区类型的热风险水平，揭示城市形态因素在热风险形成中的作用路径，为城市规划中的热风险缓解策略提供科学依据。研究以中国广州市这一典型的高密度城市为例，利用地理信息系统（GIS）技术和多源数据，构建了精细化的局部气候区（LCZ）地图，并开发了综合考虑热危害、热暴露和热脆弱性的热风险评估模型。图2展示了本次研究对象广东省广州市的地理位置。

图2. 中国广东省广州市的地理位置

2.方法与步骤

① 数据收集与处理：如表1所示，研究整合了建筑矢量、地表覆盖、Landsat-8遥感影像、WorldPop人口数据、手机信令等6类数据，通过复杂的空间分析和计算，得到了天空视域因子（SVF）、建筑表面分数（BSF）、粗糙度（HRE）、透水表面（PSF）等关键城市形态指标，这些指标全面反映了城市街区的物理特征和环境条件，为后续分析奠定了坚实基础。

表1. 相关数据采集以及应用

② LCZ地图生成：基于建筑数据和土地覆盖数据，采用遥感和地理信息系统（GIS）方法，研究生成了广州市240m×240m分辨率的LCZ地图。该地图将城市划分为17种不同的街区类型，包括10种建成区和7种土地覆盖区，分类结果显示：研究区84.4%为土地覆盖类型（LCZ A-D、F-G），其中林地（LCZ A-B）占比达66.6%；建成区占15.6%，以开敞中层建筑（LCZ 5, 24.7%）和密集中层建筑（LCZ 2, 20.8%）为主，集中分布于中心城区，这一精细化的分类为后续的热风险评估提供了重要的空间基准。图3为基于地理信息系统（GIS）方法的广州市街区类型结果。

图3. 基于GIS方法的广州市街区类型结果

③ 热风险评估模型构建：基于热风险三角框架，研究选取了热危害、热脆弱和热暴露度三个维度的指标，构建了多因素综合的热风险评估模型。通过熵权法确定各指标权重，确保了评估结果的客观性和准确性，热危害采用地表温度（LST）与人为热排放（AHF）指标，热脆弱性采用老年人口密度（OPD）与夜间灯光强度（NTL）指标，热暴露度采用人口密度（PD）、归一化植被指数（NDVI）和增强型水体指数（EWI）指标，图4展示了热危害、热脆弱和热暴露度三个维度指标的空间分布情况；三类指标经标准化处理后相乘得到综合热风险值，并利用自然断点法将热风险划分为七个等级，便于城市规划者直观识别高风险区域并采取针对性措施。

图4. 热危害、热脆弱和热暴露度三个维度指标的空间分布情况

④ 空间相关性与机器学习分析：为深入揭示城市形态因素与热风险之间的复杂关系，研究运用了皮尔逊相关系数、莫兰指数空间自相关方法以及XGBoost-SHAP模型等多种分析工来量化各因素对热风险的具体影响程度，还揭示其空间异质性和非线性关系，为制定差异化的热风险缓解策略提供有力支持。

3.研究结果

① LCZ分类与热风险分布：研究发现，LCZ 1-4类街区（高建筑密度和人口密度区）的热风险水平显著高于其他类型街区。具体而言，33.9%的LCZ 1-4区域被划分为高风险水平，而LCZ 6-9区域中只有23.8%属于高风险，这一发现直接指出了高密度建成区在热风险防控中的薄弱环节。

图5. 每个LCZ对应的热风险等级的分布情况

② 城市形态因素的影响：XGBoost-SHAP模型的分析显示，透水表面分数（PSF）对热风险的影响最大，其次是粗糙度元素高度（HRE）、建筑表面分数（BSF）和天空视野因子（SVF）；其中，PSF和SVF对热风险有负向影响，表明增加绿化覆盖和提高天空视野有助于降低热风险；而HRE和BSF有正向影响，提示高密度建筑布局可能加剧热风险，图7展示了不同城市形态指标的SHAP值，有助于理解城市形态对热风险的影响。

图6. 不同城市形态指标的SHAP值

③ 空间自相关与聚类：本研究基于莫兰指数的单变量局部空间自相关(LISA)指标用于检测热风险的空间聚集，图7展示了利用LISA方法得出的热风险空间关系。结果表明，广州市的热风险存在显著的空间正相关，高风险区域主要集中在市中心，而低风险区域则分布在北部山区和南部农田区。

图7. 利用LISA方法得出的热风险空间关系

④ 热风险缓解策略建议：基于研究结果，研究提出了增加绿化覆盖、合理分布人口、优化建筑布局等具体的热风险缓解策略。特别是在高建筑密度和人口密度的街区，应优先考虑这些措施以降低热风险。同时，研究还强调了跨部门合作和公众参与在热风险防控中的重要性。

四、研究总结

本研究以高密度城市广州为例，构建了热风险评估模型，分析不同街区类型下的热风险分布，采用 XGBoost 模型解释了各种城市空间因素对高温风险的影响。研究结果表明：不同街区类型的高温风险存在显著差异，LCZ 1-4中有30%的区域被归类为高风险等级，而LCZ6-9区域中仅有23.8%处于这一等级；此外，透水表面比例(PSF)对热风险等级的影响最大，其次是粗糙度元素高度(HRE)、建筑表面比例(BSF)和天空视域因子(SVF)。SVE 和 PSF通常对热风险有负面影响，而 HRE 和 BSF 则有正面影响。热风险评估模型可量化不同城市形态对热风险空间特征的影响，为街区尺度高温健康风险评估和可持续城市规划提供了科学方法和实践指导。

Zou, B.; Fan, C.; Li, J. Quantifying the Influence of Different Block Types on the Urban Heat Risk in High-Density Cities. Buildings 2024, 14, 2131.

期刊介绍

主编：David Arditi, Illinois Institute of Technology, USA

期刊领域涵盖建筑结构、建筑材料、建筑的维修和翻新、施工管理、建筑与环境、能源与建筑、建筑的运营维护和建筑设计等。

2024 Impact Factor：3.4

2024 CiteScore：5.6

Time to First Decision：14.7 Days

Acceptance to Publication：3.5 Days