量化多尺度城市蓝绿空间在炎热潮湿气候区域对周边局部气候区的降温效应

《Sustainable Cities and Society》：Quantifying the cooling effects of multi-scale urban blue-green spaces on surrounding local climate zones in hot and humid climatic areas

城市蓝绿空间（UBGS）对缓解广州热岛效应的作用研究。通过整合多源遥感数据与LCZ气候区框架，识别1294个不同规模的UBGS单元，结合6230个LCZ网格的温度反演模型，发现其平均降温4.2℃。关键参数分析表明NDVI、WAR与HR对降温影响显著，最优配置参数范围通过随机森林与多目标优化确定。

　　

林刘|王一琳|冯欣|于梦晓|袁华|韩健

广东工业大学土木与交通工程学院，广州，510006，中国

摘要

城市蓝绿空间（UBGS）因其蒸散作用和遮荫效果而广为人知，能够有效缓解城市热岛效应。本研究整合了多源数据（包括遥感影像和土地覆盖信息），识别出广州境内1,294个不同规模的蓝绿空间区域，并确定了它们的特征参数。通过实地测量结合局部气候区（LCZ）框架，得出了6,230个区域的降温效果参数。研究结果表明，以植被为主的北部地区平均归一化植被指数（NDVI）值为0.6～0.8，而高度城市化的中心区域蒸发量（ET）值较高，范围在0.6至1.0之间。基于LCZ的空气温度反演模型显示出较高的准确性，空气温度分布图显示，8月份蓝绿空间的平均温度比建成区低4.2°C。对降温效果参数与LCZ类型的相关性分析表明，LCZ 5类型的降温强度为3～7°C，而LCZ G类型的降温距离超过600米。通过随机森林回归、SHAP解释和NSGA-II多目标优化方法，系统量化了蓝绿空间的降温效果。研究发现关键影响参数如下：WAR和NDVI对CI和CD有显著正面影响，而HR则具有负面影响；其最优配置范围分别为：WAR 0.04～0.82，GAR 0.05～0.83，FVC 0.02～0.37，HR 0.06～0.12，PA 246～443，S_UBGS 11.2～132hm2）。本研究开发的多尺度蓝绿空间-局部气候区优化框架有助于揭示蓝绿空间对周边区域的降温机制，为蓝绿空间优化设计提供参考。

引言

截至2023年，中国的城市化率已达66.16%，预计到2050年将上升至76%（Yang, 2013）。建成区和不透水表面的扩张导致自然景观（如绿地、水体、湿地等）大幅减少。这种损失引发了多种城市环境问题，例如全球变暖（Huang et al., 2022）、城市热岛效应（Zhang et al., 2009）以及降水引发洪水的风险增加（Sakib et al., 2023）。其中，城市热浪问题受到了全球广泛关注。大量研究表明，高温可能导致健康问题，包括不适、中暑和呕吐（Ren et al., 2022）。此外，气温上升还会增加建筑物的冷却需求和能源消耗（Sheng et al., 2017），从而加剧全球变暖和气候变化（Allen et al., 2009; Liu et al., 2026）。因此，缓解城市高温环境并减少能源消耗对于实现可持续的绿色低碳城市转型至关重要。

近年来，城市蓝绿空间（UBGS）的降温效果受到了越来越多的关注。UBGS是指以水体或植被为主的区域（Cai et al., 2022）。这包括城市水体和绿地。Taylor等人（2017）在综合分析125篇相关期刊文章的基础上，提出了宏观和微观层面的UBGS定义。宏观层面指的是包含水体和植被区域的生态区域，如森林、沿海地区、农田、公园和花园。微观层面则指被植被覆盖的开放空间，包括城市公园、花园、城市森林和城市农场。

UBGS的主要降温机制依赖于空气对流和扩散过程（Pritipadmaja et al., 2023）。水体通过蒸发过程释放潜热，直接降低周围空气温度（T_air）。此外，绿地通过蒸腾作用释放水分，有助于降低环境温度。研究表明，蓝绿空间还通过其他途径增强降温效果。例如，植被通过遮荫作用显著减少地面和空气的热辐射吸收，减缓表面热量积累（Dimoudi & Nikolopoulou, 2003）。水体由于其高比热容，在白天温度高峰期吸收热量，并在夜间缓慢释放，从而维持相对稳定的温度（Du et al., 2016）。因此，研究蓝绿空间对周边建成区微气候的影响对于创建环境可持续、有韧性的城市发展具有重要意义。大量研究表明，从成本效益（Byrne & Yang, 2009）、环境友好性（Carvalho et al., 2017; Liu et al., 2025）和政治可接受性（Martins et al., 2016）等多个角度来看，蓝绿空间是缓解城市高温热环境的有效方案。

过去五年中，众多研究采用遥感、实地测量和数值模拟等方法，从不同尺度探讨了蓝绿空间的降温效果。例如，Tong等人（2025）利用土地覆盖数据和地表温度（LST）分析了1991至2020年间山谷城市中绿地网格变化对地表温度的影响。Son等人（2026）对三个绿地公园区域的T_air和湿度进行了实地测量，定量分析了高层建筑和密集公园区域中建筑物和树木遮荫的降温效果。Nevers等人（2026）结合高分辨率城市CFD模拟，研究了公园附近热带社区的树木热暴露和降温效率。近年来，利用遥感影像数据及多种模型和算法评估蓝绿空间降温效果的研究日益增多。Deng等人（2025）利用随机森林回归和SHAP算法分析了477个城市湿地公园（UWP）的降温效果。Zeng等人（2026）通过深度学习方法从49个中国城市生成了UWP数据集，研究了不同环境下蓝绿空间的降温效果。Kim（2026）利用人工神经网络（ANN）和SHAP算法解析了首尔的垂直城市形态。

值得注意的是，蓝绿空间的降温效果通常与其自身特征指标相关。例如，Qiu等人（2023）使用绿地面积作为指标分析其对周边社区的降温效果。Huang等人（2021）基于土地覆盖数据和归一化植被指数（NDVI）评估了蓝绿空间相关的气候健康风险。Xu等人（2023）使用绿地面积（GA）、形状（GSA）、树木与草地比例和NDVI等指标量化了蓝绿空间的特征。Kraemer等人（2022）利用土地覆盖数据、数字化表面模型（DSMs）、NDVI和数字高程模型（DEMs）进行了定量回归分析，探讨了两个城市公园对相邻区域的热环境影响。

然而，对这些研究的深入分析发现，在分析蓝绿空间对周边建成区的降温效果时存在若干局限性：1）大多数研究局限于小规模案例样本，缺乏大规模、全面的城市级多尺度蓝绿空间研究，这阻碍了可靠的数据驱动模型的发展。2）现有的降温效果参数往往未能系统整合蓝绿空间的形态和生态特征，难以有效识别不同建成区的异质性及其对降温效果的影响。3）自动识别和提取大规模蓝绿空间特征参数存在技术挑战，高效提取多级集成参数数据集以及整合多源数据以分析蓝绿空间空间降温效果仍存在技术瓶颈。

为了解决这些问题，本研究开发了一种算法，可自动提取中国广州境内1,294个不同规模蓝绿空间的形态和生态参数数据。基于LCZ框架，结合Landsat 8影像和实地测试数据，通过回归分析获得了不同LCZ类型的T_air反演公式。随后，对蓝绿空间周边6,230个LCZ区域的二维和三维特征参数进行了分类和计算。在900米缓冲区内定义了三个量化蓝绿空间降温效果的指标。采用随机森林回归模型，并结合元启发式算法和SHAP分析，评估了各种蓝绿空间和LCZ参数对降温效果的影响。通过多目标优化方法探讨了最佳蓝绿空间配置，以指导有效的城市降温规划。

广州蓝绿空间概述

广州位于中国南部珠江三角洲的核心区域（东经113°11′～114°03′，北纬22°26′～23°56′），地形独特，三面环山，三条河流交汇于此。该市的建成区沿珠江呈带状分布。这种水岸布局为蓝绿空间的广泛分布提供了良好的自然条件。过去四十年来

周边建成区局部气候区的特征参数

本研究探讨了城市建成区的空间特征和土地组成对蓝绿空间降温效果的影响。先前的研究表明，蓝绿空间的降温效果与其自身属性及周边建成区的特征有关（Liu et al., 2023b）。本研究首先定义了蓝绿空间周边建成区的空间特征。由Stewart和Oke（2012）提出的局部气候区（LCZ）概念是一个广泛使用的框架

蓝绿空间参数分布图

如图9所示，广州呈现出“北部绿色、南部蓝色”的空间格局。北部山区以大面积的绿地为主，平均归一化植被指数（NDVI）为0.6～0.8，FVC为0.6～0.8，ET为0.8～1.2，HR为0.1～0.2。这些保存完好的植被资源通过蒸散作用有效降低了环境温度。相比之下，高度城市化的中心区域植被指标较低（NDVI 0.2～0.4，FVC

优势

通过对现有研究结果的全面比较分析，本研究在三个主要方面体现了创新性。首先，现有研究通常局限于蓝绿空间降温效果的有限尺度分析，部分研究主要通过实地测量探讨小规模绿地或水体对周边城市的降温效果（Jiang et al., 2022; Zhang et al., 2026）。另一些学者则进行了大规模研究

结论

为了系统量化蓝绿空间的降温效果，并增强城市规划的科学基础和适应性，本研究整合了多源遥感数据和实地观测结果，应用了综合的蓝绿空间-局部气候区指标系统来评估全市范围的降温效果。此外，通过随机森林回归和多目标优化方法开发了多尺度蓝绿空间-局部气候区优化框架，确定了影响降温效果的关键参数

未引用参考文献

Xiangxiang et al., 2023

CRediT作者贡献声明

林刘：撰写——审稿与编辑、资金获取、概念构思。王一琳：撰写——初稿撰写、软件开发、方法论设计、数据整理。冯欣：数据整理。于梦晓：数据调查。袁华：软件开发、资金获取。韩健：方法论设计、资金获取。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。