EN中文

Tropical Geography >

2025 , Vol. 45 >Issue 1: 143 - 154

DOI: https://doi.org/10.13284/j.cnki.rddl.20230916

Integrated Impacts of Urban Spatial Form on Thermal Environment and Zonal Regulation under the Perspective of Spatial Heterogeneity

  • Jinlong Yan , 1 ,
  • Chaohui Yin , 2 ,
  • Zihao An 3 ,
  • Simin Zhang 1 ,
  • Qian Wen 2 ,
  • Weiqiang Chen 2
Expand
  • 1. Department of Geography and Spatial Information Techniques, Ningbo University, Ningbo 315211, China
  • 2. School of Resources and Environment, Henan Agricultural University, Zhengzhou 450046, China
  • 3. Leeds University, Leeds LS2 9JT, UK

Received date: 2023-11-27

  Revised date: 2024-01-27

  Online published: 2025-01-03

Fold

Abstract

Analyzing the spatial relationship between urban spatial patterns and the thermal environment and quantifying zoning to regulate the urban thermal environment according to local conditions is essential. Previous research on the spatial heterogeneity of factors influencing thermal environments is lacking, and there are shortcomings in the actionability of thermal environment regulation. This study takes the main urban area of Wuhan as an example, based on multi-source spatial data such as Landsat-8 remote sensing images, urban land classification, and buildings, integrates geodetectors and a geographically weighted regression model (MGWR) to investigate the mechanism of the influence of the urban form on the thermal environment under the control unit at the global and local levels, and finally utilizes the K-mean clustering approach to perform impact zoning. First, the high-temperature areas in the main urban area of Wuhan are mainly located in the core area of the old city of Hankou and the Wuchang District, which are located on both sides of the Yangtze River, as well as in the industrial zones northeast and southwest of the city. In terms of land-use types, industrial, logistics and warehousing, and street and transportation had higher average surface temperatures, whereas water area, green space and square, and agricultural and forestry had lower average surface temperatures. Second, the three-dimensional (3D) building indicator had a greater overall impact on the thermal environment than the two-dimensional (2D) urban land-use type indicator. Building density (q = 0.479) was the dominant factor affecting the thermal environment. While the share of water area in 2D form had the strongest explanatory power, the other indicators were relatively weaker. Third, there was spatial heterogeneity in the impact of indicators on the thermal environment, with strong locally driven characteristics for indicators such as vegetation cover, percentage of industrial land area, and building density (BD). Finally, according to the MGWR regression coefficients of each indicator, the main urban area of Wuhan was divided into four types of impact zones, and the intensity and direction of the impact of indicators in different impact zones changed, which confirms the necessity of a zoning policy. 3D buildings form the dominant zone and the BD strong dominant zone are suggested to adjust the urban building form as the main goal, the percentage of water area and BD co-dominant zones are suggested to optimize the urban blue-green space as the main regulation goal to improve its cooling efficiency, and the integrated transition zone is suggested to synergistically optimize the 2D/3D urban spatial form. In conclusion, from the perspective of planning practice, combined with the different impact characteristics of each control area, we propose a differentiated control strategy combining "planning units + planning indicators," which provides a practical approach to optimize the climate-friendly urban form.

Key words： urban thermal environment, urban spatial form, zoning regulation, multiscale geographically weighted regression, geodetector, spatial heterogeneity; the main urban area of Wuhan

Cite this article

Jinlong Yan , Chaohui Yin , Zihao An , Simin Zhang , Qian Wen , Weiqiang Chen . Integrated Impacts of Urban Spatial Form on Thermal Environment and Zonal Regulation under the Perspective of Spatial Heterogeneity[J]. Tropical Geography, 2025 , 45(1) : 143 -154 . DOI: 10.13284/j.cnki.rddl.20230916

城市热环境加剧恶化已成为全球城市局部气候变化最为显著的特征之一（Ooka, 2007），对城市人居环境质量提升（Arshad et al., 2021）、公共健康和安全（Ma et al., 2019）造成极大威胁。相关研究表明，城市热环境恶化是多种因素综合作用的结果，主要包括自然因素（如海拔、气候和风速等）（田浩 等，2022）、物理建筑因素（城市空间形态）（许亘昱 等，2023）和社会经济因素（如人口、经济和工业生产等）（杨智威 等，2019）。其中，城市空间形态被认为是影响城市热环境的最主要因素之一，尤其是在城市内部地区（蔡智 等，2021）。城市空间形态指城市实体反映的具体物质空间形态，其不同形态类型和布局模式显著影响热量集聚，进而导致地表温度空间分异。因此，在区域气候变化与城市气候效应叠加背景下，合理布局城市空间形态对城市适应高温风险、提高热韧性具有重要的实践意义。
从二维与三维的视角选取城市空间形态指标探究城市热环境的影响机制已成为趋势（黄群芳，2021）。城市二维形态层面，通常以土地利用/覆被、景观格局指数等指标表征；城市三维形态以建筑在垂直空间的拓展为主要特征，通常以建筑密度、容积率、街区高宽比等指标表征（周伟奇，2020）。在研究单元选取方面，通过不同大小的规则格网将研究区划分为均一的单元，是最常用的方法（王佳 等，2016）。其缺点是规则格网易造成完整景观斑块的分割与破碎，导致分析结果置信度下降。城市热环境调控的可操作性一直是亟需解决的重点难题。然而，已有研究较少从规划实践的角度深入探讨定量成果的应用前景，使研究结果难以与城市规划设计有效链接。合理的城市规划在很大程度上取决于操作尺度和规划工具在空间范围的一致性（梁鑫源 等，2022）。控制性规划管理单元（简称“控规单元”）是保障城市规划落实的基本实施单元。从规划实践的角度选取控规单元及其控制性指标的组合，可有效推动定量结果向规划决策的成果转化，提高热环境调控的可操作性。
由于城市人工环境和自然条件交互作用过程的复杂性（王效科 等，2020），加之研究方法在计量技术、变量选择、气象条件考量及研究区域差异等方面的多样性，城市形态对热环境影响的结果（Yin et al., 2018；汪洋 等，2021）呈现显著的不一致性。过去多数研究倾向于采用全局模型探讨城市空间形态与地表温度之间的总体关联（杨智威 等，2019；Yan et al., 2023），忽视了空间异质性的潜在影响。空间异质性的存在表明不同地区城市空间形态对热环境作用存在差异，意味着“一刀切”的调控措施可能会在局部失效，从而陷入生态谬误问题。为弥补全局模型的局限性，多尺度地理加权回归（MGWR）模型将空间位置纳入回归参数，为理解城市空间形态对城市热环境影响的空间异质性规律提供了有力工具。
在气候适应型城市形态优化的背景下，将分区方法纳入热环境研究已成为实现从“科学量测”向“科学调控”转型的重要途径（匡文慧，2018）。然而，如何整合空间异质性信息实现热环境分区调控有待进一步探讨。Deng等（2023）提出以K均值聚类方法与地理加权回归（GWR）相结合的方法对PM2.5的影响因素进行分区，成功识别了影响PM2.5的分区作用规律，并据此设计了差异化的调控策略。该方法为应对由多维影响因素空间异质性引发的调控复杂性问题提供了新思路，为热环境分区调控奠定了方法基础。
因此，本研究以武汉市主城区为典型案例区域，以控制性规划单元为研究单元，以地表温度作为因变量，从二维与三维层面共选取9个城市空间形态控制性指标作为自变量，通过全局和局部回归建模相结合的方式，揭示城市空间形态对城市热环境影响的空间异质性，基于K均值聚类识别影响热环境空间分异的分区作用规律，最后因地制宜地制定调控策略。以期为城市规划与管理人员提供可操作的热环境调控方案，为气候适应性城市更新与建设提供参考。

1 研究区域与方法

1.1　研究区概况

武汉市（29°58′—31°22′N、113°41′—115° 05′E），位于江汉平原东北部，属亚热带季风性湿润气候，雨热同期，年均温15.8~17.5℃。全球气候变化与快速城镇化背景下城市内部地区面临严峻的气候风险。主城区是城市人口生产生活的集中地，具有高密度城市景观，热岛效应更为显著。因此，本研究重点关注主城区的城市空间形态特征及其对热环境的影响。武汉市主城区范围的划定是依据武汉市589个控规单元，总面积约为522.67 km2，主要包括江岸区、江汉区、硚口区、汉阳区、武昌区、青山区、洪山区，其复杂多样的土地利用结构与高密度的城市景观为全面认知城市空间形态对城市热环境的影响机制奠定了良好基础（图1）。
图1 武汉市主城区范围及城市用地现状

Fig.1 Wuhan's main urban area and urban land use

1.2　数据来源与预处理

以2022-08-09获取的Landsat8 OLI_和TIRS遥感影像，作为反演地表温度与计算归一化植被指数的基础数据，条带号为123/19，云量较少，影像质量较高，获取途径为美国地质调查局（USGS）数据库 1。大气剖面参数在NASA网站 2获取。运用Envi 5.6对Landsat8多光谱OLI影像进行辐射定标、大气校正、地表比辐射率等计算，对第10波段TIRS影像进行黑体辐射亮度与地表温度计算，最终反演得到武汉市主城区地表温度。通过高德地图开发者平台 3调用应用程序编程接口（Application Programming Interface, API）获取2022年武汉市建筑矢量数据，包括建筑斑块的基底面积与建筑高度2个重要信息，是用于计算三维建筑形态指标的基础数据。城市用地分类数据与控制性规划管理单元矢量边界数据来源于武汉市自然资源和规划信息中心 4。辅助数据包括武汉市行政区划图，用于校正和裁剪遥感影像。

1.3　地理探测器

地理探测器是探测空间异质性，以及揭示其背后驱动力的一组统计学方法（王劲峰 等，2017）。地理探测器相对其他方法最显著的优点是不需要任何线性假设即可检测驱动因素与地理现象之间的关系，计算过程和结果不受多重共线性的影响（Song et al., 2020）。本研究采用因子探测器检验城市空间形态因子对地表温度空间分异的全局解释力。用q值度量，表达式为：
q x , y = 1 - 1 n σ Y 2 ∑ i = 1 m n x , i σ T x , i 2   
式中： q x , y表达影响因子对地表温度的解释力；n为研究区域样本总数； σ Y 2为地表温度方差；m为影响因子离散化后的类别数量； n x , i和 σ T x , i 2分别为影响因子在 i类上的样本数与地表温度方差。

1.4　多尺度地理加权回归模型

地理加权回归（GWR）是在OLS回归的基础上考虑空间非平稳性，将研究对象的空间位置嵌入回归参数中，探究某一特定尺度下因变量和自变量之间的空间关系（Griffith, 2008）。而多尺度地理加权回归（MGWR）方法是GWR的改进，允许预测变量和响应变量之间的条件关系在不同的空间尺度上发生变化，最大限度地减少了参数估计中的过拟合，减少了偏差和共线性（Fotheringham et al., 2017）。因此，MGWR既考虑了空间对象的局部效应，又兼顾了不同空间过程运行的尺度效应，可更加有效解释数据的空间异质性。其公式为：
y i = ∑ i = 0 n ∑ j = 0 m β b w j u i , v i x i j + ε i
式中： y i为因变量； x i j为观测点 i的第 j个自变量； β b w j为第 j个因变量有效带宽修正后的回归系数； β b w j u i , v i x i j为位置（ u i， v i）第 j个自变量的回归系数； ε i为随机误差项。

1.5　 K均值聚类

K均值聚类方法具有计算效率高、易于实现等优势，常被用于生态功能分区相关研究（赵筱青 等，2022）。本研究基于MGWR模型相关系数，利用K均值聚类方法识别地表温度影响因素相似的区域，从而表征不同分区局部影响机制，为每个分区制定差异化的优化调控策略。K均值聚类可根据对象的属性相似性，将样本集分成K个不同的聚类（谭章智 等，2017），以最小化同一聚类内样本的变异，同时最大化聚类之间的差异。运用Calinski-Harabasz伪F统计量度量不同分组方式的组内相似性和组间差异性，若伪F统计量较高，则代表分类结果的组内距较小而组间距较大，分类结果较为可信，公式为：
F = R 2 n c - 1 1 - R 2 n - n c , R 2 = S S T - S S E S S T
式中： n代表要素数目； n c代表类数目；SST为组间差别的统计量；SSE代表组内相似性的统计量。

1.6　变量选择

城市用地类型和建筑形态在不同空间维度对地表温度产生重要影响。城市控制性详细规划主要是通过具体的控制性指标来约束和规范城市建设，如通过用地性质、建筑密度、容积率、绿地率等指标规范城市地块上的建筑状况，最终管控城市空间形态的形成（岳文泽 等，2016）。因此，选取与城市规划高度相关的控制性指标，可有效提高城市热环境调控的可行性。综合考虑地类的面积占比与已有研究（Yan et al., 2023），选取商服用地面积占比（PB）、工业用地面积占比（PM）、居住用地面积占比（PR）和水域面积比例（PE），并选用基于Landsat8遥感影像计算的归一化植被指数（NDVI）代表城市植被覆盖，这5个指标一同表征城市空间形态的二维平面特征。另外，选取建筑密度（BD）、建筑高度（BH）、建筑容积率（FAR）和天空开阔度（SVF）表征城市空间形态的三维立体特征。其中，建筑密度代表建筑物的覆盖程度；建筑高度代表城市地表的三维粗糙度；建筑容积率代表总建筑面积与单元总面积之比；天空开阔度表征城市的空间封闭程度。各指标的计算方法如表1所示。
表1 指标计算方法汇总

Table 1 Summary of index calculation methods

维度 指标 计算公式 参数说明
因变量 地表温度 T s = a 1 - C - D + b 1 - C - D + C +             D - T b - T a / C （4）

采用单窗算法反演地表温度，步骤参见文献

（覃志豪 等，2001；胡德勇 等，2017）

自

变

量

二维

指标

 用地类型面积占比 P = S a B （5） 式中： S a为某类用地类型在单元内的总面积；B为单元总面积
归一化植被指数 N D V I = ( N I R - R E D ) / ( N I R + R E D ) （6） 式中： N I R为近红外波段； R E D为红光波段

三维

指标

 建筑容积率 F A R = ∑ i = 1 n A i H i A （7） 式中：Ai 为建筑i的基底面积；Hi 为建筑i的楼层数；A为单元 总面积
建筑密度 B D = ∑ i = 1 n A i A （8） 式中：Ai 为建筑i的基底面积；A为研究单元总面积
建筑高度 B H = ∑ i = 1 n H i n （9） 式中：Hi 为单元内所有建筑i的总高度；n为建筑的数量
天空开阔度 S V F = 1 2 π ∫ 0 2 π [ c o s β c o s 2 + s i n β c o s ( - α ) ( 90 -                 φ - s i n φ c o s φ ) ] d θ （10） 式中：采用三维矢量估算法计算SVF，计算过程参见文献 （Scarano & Mancini, 2017）

2 结果与分析

2.1　武汉市主城区城市热环境的空间分异特征

从空间上看，高温区主要分布在长江两岸的汉口老城核心区与武昌区，以及东北和西南部的工业园区内（图2-a）。大型湖泊等水域呈明显的“冷岛”特征，如沙湖、汤逊湖等。此外，不同用地类型的地表温度特征具有显著差异（图2-b）。工业用地（M）、物流仓储用地（W）和道路与交通设施用地（S）的地表平均温度最高，分别为38.02℃、37.55℃和37.26℃；水域（E）、绿地广场用地（G）与农林用地（F）平均地表温度最低，分别为30.78℃、33.49℃和34.54℃。工业用地（M）局部最高温度达51.43℃，水域（E）局部最低温为24.62℃。
图2 武汉市主城区地表温度空间分布（a）与城市用地类型温度特征（b）

注：R为居住用地；B为商业服务业用地；U为公用设施用地；H为其他非建设用地；G为绿地与广场用地；E为水域；M为工业用地；A为公共管理与公共服务用地；S为道路与交通设施用地；F为农林用地；W为物流仓储用地。

Fig.2 Spatial distribution of land surface temperature in Wuhan(a) and temperature characteristics of urban land use types(b)

2.2　城市空间形态对热环境的全局影响

应用地理探测器的因子探测模块探究城市空间形态对城市热环境的全局影响力（表2）。武汉市主城区城市热环境空间格局受到二维城市用地类型指标与三维建筑指标的共同作用，但2类指标对其解释程度表现出较大差异。各城市空间形态因子q值排序为：建筑密度（BD）>水域面积占比（PE）>建筑容积率（FAR）>天空开阔度（SVF）>城市植被覆盖率（NDVI）>商服用地面积占比（PB）>居住用地面积占比（PR）>工业用地面积占比（PM）>建筑高度（BH），其中仅有PM未通过显著性检验。
表2 热环境影响因子探测结果

Table 2 Detection results of influencing factors of thermal environment

因子 q统计量 P值
PB 0.142 0.000
PM 0.068 0.739
PR 0.082 0.000
PE 0.380 0.000
NDVI 0.199 0.000
FAR 0.283 0.000
BD 0.479 0.000
BH 0.050 0.000
SVF 0.281 0.000

注：PB为商服用地面积占比；PM为工业用地面积占比；PR为居住用地面积占比；PE为水域面积占比；NDVI为城市植被覆盖率；FAR为建筑容积率；BD为建筑密度；BH为建筑高度；SVF为天空开阔度。

结果（见表2）表明，全局视角下城市热环境空间分异主要受三维建筑指标的影响，其中建筑密度（BD）影响最大，高达47.9%。建筑密度表征建筑在地表覆盖程度，建筑密度越大其地表反射率越弱，对太阳辐射的吸收越强；同时建筑在一定程度上阻滞空气流动，导致局部散热困难，加剧热环境恶化。然而，在三维指标中仅建筑高度（BH）与热环境没有明显关联；这可能是因为建筑一方面可以吸收太阳辐射，致使地表增温，另一方面高层建筑可以提供风廊、阴影，在一定程度上降低地表温度，导致其对地表温度全局影响较弱。在二维指标中，水域面积占比（PE）对城市热环境的影响最大。武汉市“大江大湖”的自然基底格局，对地表温度的空间分布具有基底约束作用。即便工业用地具有显著的局部高温特征，但也无法在全局影响地表温度分布。此外，NDVI对城市内部地表温度影响有限。尽管大量研究表明植被覆盖对城市表面具有突出的降温作用（汪洋 等，2021；黄晓军 等，2022），但城市主城区主要被建设用地覆盖，地表不透水率高、整体植被覆盖率较低，使得植被对热环境的全局降温作用有限。同时可塑性面积单元问题（MAUP）也可能对地理探测器的估计结果产生潜在影响（Gao et al., 2021）。

2.3　城市空间形态对热环境影响的空间异质性

通过MGWR模型探究地表温度与城市空间形态之间的空间关系。首先，共线性诊断（表3）发现所有指标均通过检验（VIF<10）。并采用t检验方法对回归系数的显著性进行检验，发现所有指标均通过t检验（通过95%显著性检验）。以箱线图的形式可视化表达回归系数的最小值、中位数、最大值、平均值等参数，处理结果如图3-a所示。结果显示，除PB、PR、BH与FAR以外，其他5个城市空间形态指标对地表温度的影响具有较强的空间非平稳性，表明这些指标对地表温度的作用强度随地理位置变化而变化。图3-b显示所选指标与地表温度的拟合度强弱。可知，模型的R 2分布在0.708~0.938，均＞0.7，由此可见，所选取的9个城市空间形态指标对地表温度的综合解释力较强，并且局部R 2呈南高北低的趋势，其原因可能是研究区南部地表温度主要受大量湖泊水域约束且建筑分布密集，相较北部地区受城市空间形态的影响更明显。
表3 MGWR模型总体回归结果

Table 3 Overall results of MGWR models

影响因子 β ¯ t VIF
PB 0.065 2.068** 1.369
PM 0.102 3.024*** 1.444
PR -0.052 2.073** 2.404
PE -0.363 3.067*** 1.570
NDVI -0.261 2.994*** 1.574
FAR -0.338 1.993** 7.151
BD 0.505 3.106*** 5.605
BH 0.022 2.661*** 2.319
SVF -0.278 2.512** 3.351

注： ***、**、*分别通过99%、95%、90%显著性检验。

图3 MGWR回归系数统计（a）与局部R 2结果（b）

Fig.3 Statistics of MGWR regression coefficients (a) and local R 2 results(b)

将MGWR系数回归结果进行空间可视化（图4）。从二维指标看，居住用地面积占比（PR）与商服用地面积占比（PB）对地表温度的影响并不明显；工业用地面积占比（PM）分别在西南地区与北部城郊对地表温度产生局部影响，这与工业用地的聚集性分布有关。水域面积占比（PE）的回归系数为-0.825~0.265，水域降温作用呈从四周向中间递减的趋势，其中东南部地区水域降温作用最明显，而长江两侧地区水域的降温作用有限。NDVI对地表温度的影响存在强烈的空间分异，回归系数为-0.594~0.008，其中位于东南部与西北部的城郊地区绿色植被的降温作用显著，而武昌地区植被的降温效果有限。值得注意的是，地理探测器与MGWR在检验NDVI、PM等指标对地表温度的影响时结果出现显著差异。如前者表明PM对地表温度几乎不起作用，而后者发现PM在局部地区存在重要的正向影响，在局部回归系数高达0.315~0.540，表明城市空间形态指标对城市热环境的影响机制存在局部差异，这对城市热环境调控措施的合理配置提出了挑战。
图4 城市空间形态对热环境影响的空间分异格局

注：PB为商服用地面积占比；PM为工业用地面积占比；PR为居住用地面积占比；PE为水域面积占比；NDVI为城市植被覆盖率；FAR为建筑容积率；BD为建筑密度；BH为建筑高度；SVF为天空开阔度。

Fig.4 Patterns of spatial differentiation in the impact of urban spatial form on thermal environment

从三维指标看，建筑高度在所有区域与地表温度没有明显关联，与地理探测器结果一致；建筑容积率对地表温度有稳定的负向影响，表明调整建筑容积率是一种可靠的热环境调控手段。而建筑密度与天空开阔度回归系数整体较高，前者回归系数为0.219~1.116，呈现从四周向中心呈阶梯状递增的分布格局。尽管诸多研究表明建筑密度是控制城市地表温度的主导因素（孙佳彬 等，2022），然而，基于MGWR模型，本研究发现在城市局部地区建筑密度的重要性明显下降，表明某些局部地区调控建筑密度可能是低效的。天空开阔度回归系数介于-0.395~-0.174，其中位于长江右岸的武昌区地表温度受SVF影响最为显著，同时BD在该区域对地表温度的影响也最强烈。究其原因，该区为武汉市老城区，具有建筑密集、天空开阔度低的特征，导致空间环流与风速较慢，地面吸收的太阳辐射增加，最终引起地表温度上升。

2.4　城市热环境影响区识别与分区调控策略

为实现城市热环境影响区识别与分区调控策略，本研究通过引入K均值聚类方法，将各因子的局部回归系数进行聚类分析。地理探测器与MGWR模型共同显示，PR、PB与BH指标对地表温度影响较弱，故剔除以提高聚类精度。分别设定k = 1，2，3，4，5，6，7，共7种聚类模式，并计算各分类方案对应的伪F统计量（图5）。伪F统计量缓慢下降并趋于稳定的“转折点”通常被认为是聚类的最佳簇数（Li et al., 2020）故设定k = 4进行聚类分析。
图5 k均值分类依据

Fig.5 Classification basis of K-means method

图6-a、b分别代表各分区的空间分布与各分区内因子的平均回归系数。结果显示，各指标在不同分区的MGWR平均回归系数差异明显，因子作用方向也发生改变，如PE在第二、三、四区为负影响，而在第一区为正影响。此外，为明确各分区的热环境调控意义，依据各分区内各指标对地表温度影响的强弱，并对比同一指标在不同分区的平均回归系数，将4个分区分别命名为：①三维形态主导区；②BD强主导区；③PE与BD共同主导区；④综合过渡区。针对不同分区城市空间形态因子对热环境影响特征的显著差异，提出各分区的调控策略。
图6 城市空间形态对热环境的影响分区（a）及各区内的平均MGWR回归系数（b）

Fig 6 Zoning of the impact of urban spatial form on the thermal environment (a) and its average coefficient (b)

1）三维形态主导区包括78个控规单元，主要分布在长江北翼的沿岸地区。该区主要特征是PM平均回归系数相对较大，而PE对地表温度的影响相对较小，接近于0。这表明该区内对水域的调控可能是低效的，需重点整治工业区形态布局，控制其热源排放。同时三维建筑指标在该区发挥重要影响，因此建议合理安排立体建筑密度与容积率，重塑城市内部气流的微循环，进而改善城市热环境。
2）BD强主导区包括58个控规单元，主要分布在武昌区内。该区建筑密度对地表温度的影响强度远超其他指标，其平均回归系数是PE与BD共同主导区的2倍以上。然而，PM与NDVI在对地表温度影响较小，故在该区调整植被覆盖率与工业区布局难以达到预期效果。因此，降低建筑密度、增加建筑容积率与天空视域水平是该区域热环境优化最直接有效的手段。
3）PE与BD共同主导区包括309个控规单元，是研究区范围内面积最大的调控区，主要分布在中心老城区以外的城市“新区”地带。该区与其他区最显著的差别表现为PE对地表温度的影响超过BD占据主导地位。其原因是该区分布着南湖、汤逊湖、墨水湖等大型湖泊，较大程度地控制了区域地表温度变化。因此，建议通过构建降温廊道、调整湖泊景观形态等措施，以最大效率地发挥水域的降温作用。同时，严格控制区域建筑密度并增加城市植被覆盖率仍是优化该区热环境的关键。
4）综合过渡区包括144个控规单元，主要呈非连续带状分布在长江两侧，横跨南北。从平均回归系数看，在该区所有指标对地表温度的影响呈一种平稳状态，与其他区相比各指标回归系数适中，具有明显的过渡特征。因此，该区可综合上述调控措施全面优化城市空间形态，以缓解城市热岛效应。如通过合理调整建筑容积率、增加建筑间距并控制建筑密度，最终减少城市热源形成；与此同时，通过提高区域绿化率并发挥湖泊冷源功能，以实现城市降温景观增汇。

3 讨论

如何将城市热环境相关研究成果纳入气候适应型城市空间规划，为优化城市热环境提供可操作性的治理策略？是亟需解决的重点问题。控制性详细规划单元是引导与控制城市开发与建设的空间治理单元，在单元内实施城市开发建设的总量控制（黄颖 等，2021）。因此，选用控规单元作为研究尺度，可避免格网单元、行政单元上的研究结果无法与规划行为落实相匹配的问题。此外，本研究选取与城市规划紧密联系的控制性指标，发现这些指标对热环境空间分异在不同区域影响不同。因此“控规单元＋控制性指标”的紧密组合，可有效地将定量结果应用于城市规划实践，为提升城市热韧性、营造适宜的城市人居环境提供可操作的调控途径。
从研究方法看，地理探测器与MGWR模型从不同视角考虑了空间异质性对研究带来的潜在影响。前者通过判断自变量与因变量之间空间变异是否具有一致性，度量自变量对因变量的解释，以此免疫多自变量的共线性问题，从而弥补回归分析可能导致的过拟合、共线性等问题。而后者通过计算回归模型的局部参数，在一定程度上避免了地理数据的空间异质性对研究带来的不确定性，为揭示生态过程与格局提供更加精细化的信息支持，以弥补全局模型的不足（陈田田 等，2022）。因此，通过整合地理探测器与地理加权回归模型的优势，可为全面理解城市热环境的空间分异机制提供有益的见解，在一定程度上丰富了城市空间形态与城市热环境的关系研究。
城市作为一个高度空间异质性和多因素耦合的复杂有机体，导致调控热环境具有复杂性（匡文慧，2018）。为系统梳理城市内部多维特征，Stewart & Oke（2012）提出的局地气候分区（Local Climate Zones，LCZ）的概念，主张将城市空间形态特征归纳为17种具有不同热环境特征的气候区；其缺点是无法解释不同分区热环境作用机制的差异，导致难以为热环境治理提供明确依据。而本研究提出的基于MGWR回归系数的分区方法，考虑了城市空间形态对热环境影响的空间异质性，识别出不同分区下城市空间形态差异化的影响机制。城市规划与管理人员可依据不同分区之间影响特征的差异性，因地制宜地设计热环境调控策略，从而避免传统全局调控策略存在的“一刀切式”局限。

4 结论

本研究以武汉市主城区为研究区域，基于“控规单元＋控制性指标”的思路，整合地理探测器、多尺度地理加权回归模型与K均值聚类方法，揭示城市空间形态对夏季城市热环境的影响机制及其空间异质性，并提出城市热环境分区调控策略，主要结论为：
1）从全局看，城市三维建筑形态相较二维城市用地类型对武汉市主城区热环境的影响更强。在二维空间形态层面，水域面积占比的影响最强，而其他用地类型对热环境影响相对较弱。在三维空间形态层面，建筑密度具有全局主导驱动力，建筑容积率与天空开阔度次之，而建筑高度的影响较弱。
2）从局部看，城市空间形态对热环境的影响具有空间异质性。商服用地面积占比、居住用地面积占比、建筑容积率与建筑高度的空间影响较为平稳，而水域面积占比、工业用地面积占比、归一化植被指数、建筑密度、天空开阔度对地表温度影响的空间差异较大。
3）为合理优化城市热环境，将研究区划分为4类调控区，各分区的调控重点不同。三维建筑形态主导区与建筑密度强主导区，建议以调整城市三维建筑形态为主要目标，打造宽敞、低密度的建筑格局，重塑城市微气候，促进通风散热；水域面积占比与建筑密度共同主导区，建议以优化城市蓝绿空间为主要调控目标，提高其降温效率；而综合过渡区建议从统筹视角促进二维/三维城市空间形态的整体优化。
然而，由于地域系统及其生态过程的综合性和复杂性特征，本研究所阐释的作用机理及其调控策略不一定具有普适性，研究案例的不同与时间尺度的变化可能会导致结果的差异。因此，需加强不同区域、不同时间尺度下城市空间形态对热环境影响机制的研究。此外，尽管选取控规单元作为研究单元可以满足城市规划与管理的要求，但与精细化的格网单元相比，在一定程度上会遗漏空间数据的异质性信息。未来可通过多尺度研究将不同尺度的差异化信息进行整合，以弥补调控措施在尺度方面的缺陷，进而探索城市热环境多尺度治理的可能性。

1 https://glovis.usgs.gov/

2 http://atmcorr.gsfc.uasa.gov/

3 https://lbs.amap.com/

4 http://202.103.25.26/webcms/

晏金龙：数据处理与分析、文章撰写与修改；

银超慧：研究思路指导、内容审查、基金支持；

安子豪：文章修改与校对；

张思敏：数据处理；

文 倩：资金支持；

陈伟强：技术指导；

References

Publishing order | Descend order by publishing year | Descend order by cited within
Fotheringham A S, Yang Wenbai, and Kang Wei. 2017. Multiscale Geographically Weighted Regression (MGWR). Annals of the American Association of Geographers, 107(6): 1247-1265.

蔡智，唐燕，刘畅，马蒂亚斯·德米泽尔. 2021. 三维城市空间形态演进及其地表热岛效应的规划应对——以北京市为例. 国际城市规划，36（5）：61-68.

Cai Zhi, Tang Yan, Liu Chang, and Matthias Demuzere. 2021. Analyzing the Transformation of 3D Urban Morphology and Corresponding Surface Heat Island Effect in Beijing. Urban Planning International, 36(5): 61-68.

陈田田，黄强，王强. 2022. 基于地理探测器的喀斯特山区生态系统服务关系分异特征及驱动力解析——以贵州省为例. 生态学报，42（17）：6959-6972.

Chen Tiantian, Huang Qiang, and Wang Qiang. 2022. Differentiation Characteristics and Driving Factors of Ecosystem Services Relationships in Karst Mountainous Area Based on Geographic Detector Modeling: A Case Study of Guizhou Province. Acta Ecologica Sinica, 42(17): 6959-6972.

Griffith Daniel A. 2008. Spatial-Filtering-Based Contributions to a Critique of Geographically Weighted Regression (GWR). Environment and Planning A, 40(11): 2751-2769.

Deng Xindong, Gao Feng, Liao Shunyi, and Li Shaoyin. 2023. Unraveling the Association between the Built Environment and Air Pollution from a Geospatial Perspective. Journal of Cleaner Production, 386: 135768.

Gao Feng, Li Shaoying, Tan Zhangzhi, Wu Zhifeng, Zhang Xiaomin, Huang Guanping, and Huang Ziwei. 2021. Understanding the Modifiable Areal Unit Problem in Dockless Bike Sharing Usage and Exploring the Interactive Effects of Built Environment Factors. International Journal of Geographical Information Science, 35(9): 1905-1925.

胡德勇，乔琨，王兴玲，赵利民，季国华. 2017. 利用单窗算法反演Landsat 8 TIRS数据地表温度. 武汉大学学报（信息科学版），42（7）：869-876.

Hu Deyong, Qiao Kun, Wang Xinling, Zhao Limin, and Ji Guohua. 2017. Comparison of Three Single-Window Algorithms for Retrieving Land-Surface Temperature with Landsat 8 TIRS Data. Geomatics and Information Science of Wuhan University, 42(7): 869-876.

黄群芳. 2021. 城市空间形态对城市热岛效应的多尺度影响研究进展. 地理科学，41（10）：1832-1842.

Huang Qunfang. 2021. Effects of Urban Spatial Morphology on Urban Heat Island Effect from Multi-Spatial Scales Perspectives. Scientia Geographica Sinica, 41(10): 1832-1842.

黄晓军，宋涛，王博，郑殿元，祁明月. 2022. 土地利用规模-结构-形态演变对城市热环境的影响——以西安市主城区为例. 地理科学，42（5）：926-937.

Huang Xiaojun, Song Tao, Wang Bo, Zheng Dianyuan, and Qi Mingyue. 2022. Study on the Influence of Land Use Evolution of Scale, Structure and Pattern on Urban Thermal Environment: A Case Study of Xi'an. Scientia Geographica Sinica, 42(5): 926-937.

黄颖，许旺土，黄凯迪. 2021. 面向国土空间应急安全保障的控制性详细规划指标体系构建——以应对突发公共卫生事件为例. 自然资源学报，36（9）：2405-2423.

Huang Ying, Xu Wangtu, and Huang Kaidi. 2021. Construction of Index System of Regulatory Detailed Planning for Emergency Security of Territorial Space: To Deal with Public Health Emergencies as an Example. Journal of Natural Resources, 36(9): 2405-2423.

匡文慧. 2018. 城市土地利用/覆盖变化与热环境生态调控研究进展与展望. 地理科学，38（10）：1643-1652.

Kuang Wenhui. 2018. Advance and Future Prospects of Urban Land Use/Cover Change and Ecological Regulation of Thermal Environment. Scientia Geographica Sinica, 38(10): 1643-1652.

梁鑫源，金晓斌，李鹏山，骆训，尹延兴，张晓琳，孙瑞，洪步庭，罗秀丽，周寅康. 2022. 新时期国土空间治理单元功能认知及其融合路径——以成都市为例. 地理研究，41（11）：3105-3123.

Liang Xinyuan, Jin Xiaobin, Li Pengshan, Luo Xun, Yin Yanxing, Zhang Xiaolin, Sun Rui, Hong Buting, Luo Xiuli, and Zhou Yinkang. 2022. Functional Cognition and Integration Path of Land Space Governance Unit in the New Era, a Case Study on Chengdu City. Geographical Research, 41(11): 3105-3123.

Li Shaoying, Lyu Dijiang, Huang Guanping, Zhang Xiaohu, Gao Feng, Chen Yuting, and Liu Xiaoping. 2020. Spatially Varying Impacts of Built Environment Factors on Rail Transit Ridership at Station Level: A Case Study in Guangzhou, China. Journal of Transport Geography, 82: 102631.

Arshad Muhammad, Khedher Khaled M, Eid Ebrahem M, and Aina Yusuf A. 2021. Evaluation of the Urban Heat Island over Abha-Khamis Mushait Tourist Resort due to Rapid Urbanization in Asir, Saudi Arabia. Urban Climate, 36: 100772.

Ooka Ryozo. 2007. Recent Development of Assessment Tools for Urban Climate and Heat-Island Investigation Especially Based on Experiences in Japan. International Journal of Climatology, 27(14) : 1919-1930.

覃志豪，Zhang Minghua，Arnon Karnieli，Pedro Berliner. 2001. 用陆地卫星TM6数据演算地表温度的单窗算法. 地理学报，66（4）：456-466.

Qin Zhihao, Zhang Minghua, Arnon Karnieli, and Pedro Berliner. 2001. Mono-Window Algorithm for Retrieving Land Surface Temperature from Landsat TM6 Data. Acta Geographica Sinica, 66(4): 456-466.

孙佳彬，杨朝斌，朱文浩，徐新良. 2022. 城市建筑三维精细化特征对地表热环境的影响——以山东省济南市二环以内区域为例. 地域研究与开发，41（3）：167-173.

Sun Jiabin, Yang Chaobin, Zhu Wenhao, and Xu Xinliang. 2022. Influence of Refined 3D Features of Urban Buildings on Surface Heat Island Effect: A Case Study of Areas Inside the Second Ring Road of Jinnan City, Shandong Province. Areal Research and Development, 41(3): 167-173.

Scarano M and Mancini F. 2017. Assessing the Relationship between Sky View Factor and Land Surface Temperature to the Spatial Resolution. International Journal of Remote Sensing, 38(23): 6910-6929.

Song Yongze, Wang Jinfeng, Ge Yong, and Xu Chengdong. 2020. An Optimal Parameters-Based Geographical Detector Model Enhances Geographic Characteristics of Explanatory Variables for Spatial Heterogeneity Analysis: Cases with Different Types of Spatial Data. GIScience & Remote Sensing, 57(5): 593-610.

Stewart I D and Oke T R. 2012. Local Climate Zones for Urban Temperature Studies. Bulletin of the American Meteorological Society, 93(12): 1879-1900.

谭章智，李少英，黎夏，刘小平，陈逸敏. 2017. 基于地铁客流的广州地铁站点类型识别. 热带地理，37（1）：102-111.

Tan Zhangzhi, Li Shaoying, Li Xia, Liu Xiaoping, and Chen Yimin. 2017. Clustering of Metro Stations in Guangzhou Based on Passenger Flow. Tropical Geography, 37(1): 102-111.

田浩，刘琳，张正勇，陈泓瑾，张雪莹，王统霞，康紫薇. 2022. 2001—2020年中国地表温度时空分异及归因分析. 地理学报，77（7）：1713-1729.

Tian Hao, Liu Lin, Zhang Zhengyong, Chen Hongjin, Zhang Xueying, Wang Tongxia, and Kang Ziwei. 2022. Spatiotemporal Diversity and Attribution Analysis of Land Surface Temperature in China from 2001 to 2020. Acta Geographica Sinica, 77(7): 1713-1729.

汪洋，杨丹，闵婕，翟非同，王雨，吴晓娇，张洪睿. 2021. 山地高密度城市热岛效应的多约束因子格局分析与定量探测——重庆都市区案例研究. 地理研究，40（3）：856-868.

Wang Yang, Yang Dan, Min Jie, Zhai Feitong, Wang Yu, Wu Xiaojiao, and Zhang Hongrui. 2021. Spatial Pattern Analysis and Quantitative Detection of Multi-Factor Influence for Urban Heat Island Effect in a Mountainous City: A Case Study of Chongqing Metropolitan Circle. Geographical Research, 40(3): 856-868.

王佳，钱雨果，韩立建，周伟奇. 2016. 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. 应用生态学报，27（7）：2128-2136.

Wang Jia, Qian Yuguo, Han Lijian, and Zhou Weiqi. 2016. Relationship between Land Surface Temperature and Land Cover Types Based on GWR Model: A Case of Beijing-Tianjin-Tangshan Urban Agglomeration, China. Chinese Journal of Applied Ecology, 27(7): 2128-2136.

王劲峰，徐成东. 2017. 地理探测器：原理与展望. 地理学报，72（1）：116-134.

Wang Jinfeng and Xu Chengdong. 2017. Geodetector: Principle and Prospective,. Acta Geographica Sinica, 72(1): 116-134.

王效科，苏跃波，任玉芬，张红星，孙旭，欧阳志云. 2020. 城市生态系统：人与自然复合. 生态学报，40（15）：5093-5102.

Wang Xiaoke, Su Yuebo, Ren Yunfen, Zhang Hongxin, Sun Xu, and Ouyang Zhiyun. 2020. Urban Ecosystem: Human and Nature Compounding. Acta Ecologica Sinica, 40(15): 5093-5102.

许亘昱，石玉蓉，张宇峰. 2023. 规划控制要素视角下城市热环境的测度与优化——以广州中心城区为例. 热带地理，43（6）：1070-1082.

Xu Genyu, Shi Yurong, and Zhang Yufeng. 2023. Measurement and Optimization of the Urban Thermal Environment from the Perspective of Planning Control Elements: A Case Study of the Guangzhou Central Area. Tropical Geography, 43(6): 1070-1082.

Ma Xuan, Fukuda Hiroatsu, Zhou Dian, Gao Weijun, and Wang Mengying. 2019. The Study on Outdoor Pedestrian Thermal Comfort in Blocks: A Case Study of the Dao He Old Block in Hot-Summer and Cold-Winter Area of Southern China. Solar Energy, 179: 210-225.

Yin Chaohui, Yuan Man, Lu Youpeng, Huang Yaping, and Liu Yanfang. 2018. Effects of Urban Form on the Urban Heat Island Effect Based on Spatial Regression Model. Science of the Total Environment, 634: 696-704.

Yan Jinlong, Yin Chaohui, An Zihao, Mu Bo, Wen Qian, Li Yingchao, Zhang Yali, Chen Weiqiang, Wang Ling, and Song Yang. 2023. The Influence of Urban Form on Land Surface Temperature: A Comprehensive Investigation from 2D Urban Land Use and 3D Buildings. Land, 12(9): 1802.

杨智威，陈颖彪，吴志峰，郑子豪，李娟娟. 2019. 粤港澳大湾区城市热岛空间格局及影响因子多元建模. 资源科学，41（6）：1154-1166.

Yang Zhiwei, Chen Yibin, Wu Zhifeng, Zheng Zihao, and Li Juanjuan. 2019. Spatial Pattern of Urban Heat Island and Multivariate Modeling of Impact Factors in the Guangdong-Hong Kong-Macao Greater Bay Area. Resources Science, 41(6): 1154-1166.

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

Yue Wenze and Liu Xue. 2016. Assessment on Heat Island Effect Based on Urban Regulatory Planning. Chinese Journal of Applied Ecology, 27(11): 3631-3640.

赵筱青，石小倩，李驭豪，李益敏，黄佩. 2022. 滇东南喀斯特山区生态系统服务时空格局及功能分区. 地理学报，77（3）：736-756.

Zhao Xiaoqing, Shi Xiaoqian, Li Yuhao, Li Yimin, and Huang Pei. 2022. Spatial-Temporal Pattern and Functional Zoning of Ecosystem Services in the Karst Mountainous Areas of Southeastern Yunnan. Acta Geographica Sinica, 77(3): 736-756.

周伟奇，田韫钰. 2020. 城市三维空间形态的热环境效应研究进展. 生态学报，40（2）：416-427.

Zhou Weiqi and Tian Yunyu. 2020. Effects of Urban Three-Dimensional Morphology on Thermal Environment: A Review. Acta Ecologica Sinica, 40(2): 416-427.

Options
Outlines

/

〈 〉