高密度城区形态要素对热环境的影响作用
——以北京市五环内区域为例

孙喆

北京建筑大学建筑与城市规划学院，北京 100044

近年来，随着城市化建设的快速推进，城市人口不断增长，开发边界不断扩张，建设强度居高不下，形成了大量的高密度建成区。经过大规模的人工建设，原始下垫面的自然条件发生改变，许多城市出现了热岛效应问题，并呈现加剧趋势（肖荣波等，2005；贾琦等，2016；黄焕春等，2019）。现有研究表明，城市热岛效应会引发敏感人群呼吸系统、循环系统、心脑血管等方面疾病（Tan et al.，2010），还会导致空气质量下降、水环境恶化、生物栖息地受到干扰（U.S. EPA，2008；兰思思等，2013；肖捷颖等，2015），严重威胁城市居民健康和生态环境。

从形成机理上看，热岛效应主要受植被数量、建筑材料热性能、城市形态、人工热源等因素影响（U.S. EPA，2008）。其中建成区的人工地表及房屋建筑对城市热环境的作用十分显著（杨朝斌等，2016），因此利用合理的优化工具改善城市空间形态，提升城市热环境质量是缓解热岛效应的有效途径（岳文泽等，2016）。目前，已有学者针对城市形态与热环境特征之间的关系开展了研究，主要围绕建设用地空间格局（冯晓刚等，2012；王耀斌等，2017）、城市斑块分维数（黄焕春等，2014）、建成区斑块景观格局指数（Yue et al.，2019）、建筑形体三维特征（邬尚霖等，2015；韩贵锋等，2016）、建筑形体的天空开阔度（张海龙等，2015）等内容进行分析。由于城市形态在较大程度上可看作规划设计管控体系中多项经济技术指标约束下物质空间的具体表现（曹曙等，2006），因此通过建筑密度、容积率、绿地率等关键指标探究城市形态要素对热环境的作用机理，有助于改善城市热环境质量，并为城市规划设计管控实践提供扎实的理论支撑。

由于城市热环境的影响因素较多，人工环境和自然条件交互作用过程复杂；同时，各项研究受到选取方法、纳入变量、短时气象条件等因素的影响，导致目前关注城市形态对热环境影响的研究存在结果不稳定、不一致的情况（蔡智等，2018）。Huang et al.（2019）指出城市形态在二维平面和三维空间中的各项参数指标与地表温度之间存在显著的相关性，分散分布的高层建筑对地表温度的缓解具有较好的促进作用。邬尚霖等（2015）通过数值模拟的方法检验了多个城市设计要素对热岛效应的作用，发现其他因素恒定的前提下，分别对建筑密度和容积率适度提高，可以达到减缓热岛效应的作用。刘琳等（2017）结合热环境评估模型与GIS技术，对控制性详细规划层次的部分热环境参数进行了模拟计算，发现热岛强度与异地恋和容积率存在显著的负相关。Yang et al.（2019）对上海的研究中发现，城市中的高密度高层建筑会导致地表温度的升高，建筑迎风面积密度（frontal area density）与地表温度也存在一定的相关性，但此相关性呈现出秋冬季高而春夏季低的特征。然而，韩贵锋等（2016）以重庆市开州区为例，通过遥感、GIS空间分析等方法在不同大小的规则网格尺度上研究了城市开发强度对热岛效应的影响，结果发现建筑密度、容积率与地表温度呈正相关关系。城市热环境在不同的尺度上呈现出不同的特征和规律，但现有研究种宏观尺度的讨论较多，对城市街区等微观尺度的关注较为缺乏（李洪忠等，2019）。从城市规划建设实践看，微观层面详细规划管控指标是塑造城市形态要素的关键所在。因此，亟需聚焦微观尺度下城市形态的关键指标，探索应用新的理论和方法研究城市形态要素的热环境作用机理。本文选取北京市五环区域作为典型的高密度建成区进行研究，探讨建筑密度、容积率、绿地率等关键性规划管控指标要素对热环境产生的作用，为改善城市热环境质量提供有益借鉴。

1 研究区域与方法

1.1 研究区概况

北京市五环区域是北京市典型的高密度建成区，人口密度较高，主要涉及东城、西城、朝阳、海淀、丰台、石景山等城区，面积约665.5 km2。内部有多个大型公园，包括颐和园、圆明园、奥林匹克森林公园、朝阳公园、天坛公园等。河流、湖泊等水体较少，主要包括昆玉河、通惠河、护城河，以及昆明湖、玉渊潭、六海水系等。

1.2 数据来源

用于地表温度反演和绿地提取的遥感数据来自美国地质调查局（USGS）数据库，为提高反演结果的可靠性，选取了2018、2019两年期间夏季成像质量较好、研究区云量较小的Landsat 8遥感影像4景，成像时间分别为2018年6月27日、2019年5月13日、2019年5月29日、2019年6月14日。包含建成区建筑物轮廓、层数信息的建筑物空间矢量数据通过水经注万能地图下载器从高德地图获取。

1.3 研究方法

（1）地表温度反演和土地覆盖分类

目前测量热岛效应强度的方法主要有3种：实地观测、模型模拟、遥感分析，其中遥感反演分析由于覆盖范围较大、数据资源较充沛，有效弥补了实地观测和模型模拟方法的局限性，在城市热环境研究领域得到了较多应用（李莹莹等，2018；孙喆，2019）。可采用大气校正法进行地表温度（LST：land surface temperature）反演（Hurtado et al.，1996；覃志豪等，2001），首先建立辐射传输方程：

其中，Lλ为卫星传感器接收到的热红外辐射亮度值（W×m-2×sr-1×μm-1），ε为地表比辐射率（无量纲），Ts为地表真实温度（K），B(Ts)为黑体热辐射亮度（W×m-2×sr-1×μm-1），τ为大气在热红外波段的透过率（无量纲），L↓和L↑分别为大气向下和向上的辐射（W×m-2×sr-1×μm-1）。由此方程可推导得出温度为Ts的黑体在热红外波段的辐射亮度B(Ts)，根据普朗克公式函数可得温度Ts为：

对于 Landsat 8 TIRS数据，参数K1=774.89 W/(m2·µm·sr)、K2=1321.08 K，通过波段运算可得到Ts。大气剖面参数来自美国国家航空航天局网站（http://atmcorr.gsfc.nasa.gov/），地表比辐射率参照Sobrino et al.（2004）提出的NDVI阈值法计算。取4景遥感影像反演所得地表温度的平均值为最终LST，据此开展后续分析。

选取2019年6月14日成像的Landsat 8数据，使用监督分类法进行解译，提取建成区、绿地、水体3种用地类型。采用最大似然分离器，可分离度大于1.81；使用Sentinel-2卫星2019年5月28日的影像进行检验，精度大于80%。

（2）空间分析与统计

图1 研究区热环境特征热岛效应强度（a）、500 m网格平均LSTFig. 1 Thermal environment of research area heat island intensity (a), mean LST in 500 m grids (b)

对建筑物空间矢量数据、反演解译得到的地表栅格数据开展空间分析，通过多项GIS工具如网格分析、栅格转换、分区统计等，对研究区的空间形态及热环境特征进行分析归纳。参照现有研究（孙喆，2019），将研究区划分为符合城市社区尺度的500 m边长网格，提取各网格内平均LST、建筑密度、容积率、绿地率数据。以LST为因变量，分别采用 OLS线性回归模型、地理加权回归模型（GWR：Geographically weighted regression），深入分析各项城市形态要素指标对热环境的作用。

现有聚焦城市空间形态要素的热环境作用的研究主要关注各要素指标产生的全局性作用，常使用传统的散点图分析（邬尚霖等，2015）、相关分析等方法（韩贵锋等，2016）。然而，这种全局性的统计方法会忽略城市形态要素对热环境作用的空间非稳定性，即在研究区内不同空间位置，城市空间形态要素对热环境的影响作用存在差异，导致不同研究结果存在差异。地理加权回归模型可以通过非参数估计方法，在研究区内计算出局部回归函数，反映出不同空间位置上变量的影响情况，已经在城市研究领域得到了大量应用（沈昊婧等，2014）。

地理加权回归是由Brunsdon et al.（1996）针对变量空间非平稳性提出的建模方法，基于非参数局部加权回归，在研究区内的每个空间位置估计出函数的局部回归参数，通过回归系数估计值在各空间位置的变化情况，反映出回归关系的空间非平稳性，得到研究区内各解释变量对因变量产生影响的空间分异特征（王佳等，2016）。其模型结构为：

本文建立的GWR模型中各点空间位置与500 m边长网格对应，式（3）中（ui,vi）为i点的空间位置坐标；Yi表示i点的地表温度LST；xik为i点的各项城市形态指标数值；βk(ui,vi)是i点各项城市形态指标变量的回归系数，会随样本点位置的变化而变化；n为城市形态指标的数量；β0(ui,vi)为常数项；εi为i点的随机误差。

2 研究区热环境及城市形态特征

通过GIS空间分析工具建立覆盖研究区的500 m边长网格，计算网格内LST平均值并生成分辨率为500 m的栅格数据（图1b）。结果表明，网格平均 LST取值范围在 26.32—45.48 ℃之间；研究区在500 m分辨率与原始分辨率下的热力景观格局特征比较一致，老城内部高密度胡同区、中心城边缘市场工厂混合区、大型空港车站为主要的高温地带，大型公园绿地以及河湖水系周边形成了温度相对较低的环境。

以上述覆盖研究区的500 m边长网格为基础，利用 ArcGIS的空间分析工具统计每个网格当中的建筑基底面积、结合层数的总建筑面积、绿地面积，分别计算出各网格的城市形态要素指标，如图2所示。可以发现研究区内建筑密度最高的区域主要集中在二环范围内的胡同区，其中长安街以北由于历史文化保护区覆盖面积较大，传统胡同形态保存程度较好，因此建筑密度高值区域最为集中；而长安街以南区域由于历史文化保护区范围较小，天坛、陶然亭等公园绿地较多，高值建筑密度网格较少。容积率的空间分布特征与建筑密度存在一定差异，容积率最低的区域以奥林匹克森林公园、颐和园、朝阳公园等公园绿地，以及南四环至南五环之间开发程度较低的土地为主；老城内胡同区层数较少，整体上容积率较低；高容积率区域分布较为分散，以朝外、王府井、金融街、望京等重要商圈为代表。网格的绿地率由遥感解译所获地表覆盖统计所得，空间格局特征体现了研究区内公园绿地等绿色基础设施的布局以及河湖水系结构；绿地率在西北部颐和园片区、北部奥林匹克森林公园片区、南二环内天坛公园、南四环外郊野公园等区域最高。

图2 研究区城市形态特征基础数据（a）、建筑密度分布（b）、容积率分布（c）、绿地率分布（d）Fig. 2 Morphology indicators of research area basic data (a), BD (b), FAR (c), GD (d)

3 城市形态对热环境的作用

3.1 基于全局性回归模型的分析

以500 m网格平均LST为因变量，不同城市形态要素指标为自变量，建立OLS回归模型，研究建筑密度（BD）、容积率（FAR）、绿地率（GD）等因素对热环境的作用（表1）。模型调整后R2为0.565，表明在全局性视角下，变量对 LST的解释能力较强，达到56.5%；3个城市形态要素指标对LST均产生了显著影响（P＜0.01），且从VIF取值可知变量间不存在明显的多重共线性。比较各变量的回归系数可以发现，建筑密度对地表温度产生了显著的正向影响，是造成环境升温的最重要的变量；在 500 m网格范围内，建筑密度增加1%，会导致平均LST增加 0.09 ℃。建筑容积率的提高会导致地表温度下降，印证了高容积率建成区由于建筑物较高，可产生大量的阴影区并能减少直接的太阳辐射，因此有助于局部环境降温，此发现与Yang et al.（2010）及Wang et al.（2016）的研究结论较一致；回归指数表明容积率提高 1，网格平均 LST会降低0.53 ℃。绿地也具有显著的降温作用，回归系数达-4.770，即10%的绿地率增长可造成网格平均LST下降0.48 ℃。

表1 网格内平均地表温度与城市形态要素的OLS回归结果Table 1 Results from OLS regression model by mean LST and urban morphology indicators in grids

3.2 基于地理加权回归模型的分析

在建立地理加权回归模型前，对因变量进行空间自相关检验。计算得到全局 Moran’sI指数为0.640，在1%的水平上显著，说明网格平均LST具有一定的空间自相关性，可进一步开展GWR分析（表2）。由GWR回归结果可知，模型调整后R2为0.832，比 OLS模型的解释力有了显著提升。各因素局部回归系数的中位数与平均数符号相同、取值相近，表明各项城市形态要素指标对研究区内大部分网格LST的影响效果较一致；同时，回归系数的变化体现了形态要素指标对地表温度产生作用的空间差异（图3）。

表2 网格内平均地表温度与城市形态要素的GWR回归结果Table 2 Results from GWR regression model by mean LST and urban morphology indicators in grids

整体上，建筑密度对地表温度产生了显著的正向作用，促进地表升温，其升温能力在空间上体现出明显的集聚特征，即回归系数大、升温作用强的区域主要集中在建筑密度较高的中心区，建筑密度增加1%会导致网格平均LST上升0.31 ℃以上（回归系数＞31.10）；其原因可能是建筑密度大的区域，硬质地表及建筑物吸热量大、人工热源多，产热量无法及时扩散，升温效果加强。从建筑密度的回归系数看，主要水体周边的建筑密度升温效果最强，如昆明湖、玉渊潭、六海水系、朝阳公园、龙潭湖等区域；可能是由于水的比热较大，形成了局部冷岛，当周边建筑密度增大之后，加剧了建筑物对水陆环流的阻挡作用，导致建筑密度的升温作用得到加强。

图3 GWR回归模型建筑密度回归系数（a）、容积率回归系数（b）、绿地率回归系数（c）、局部R 2（d）Fig. 3 Results from GWR regression model BD (a), FAR (b), GD (c), Local R2 (d)

容积率对地表温度具有显著的减弱作用，由于高容积率的建成区容易形成具有遮蔽阴影、阻挡日照等功能的街谷形态，在大部分区域呈现出容积率越高地表温度越低的特征；但研究范围内主要水体周边出现了相反的现象，即容积率提升地表温度。其原因可能是此类滨水区域以低层建筑为主，容积率相对较低，未形成有效的遮蔽阴影、阻挡日照的街谷形态；同时建筑物阻挡了水陆环流，导致容积率产生了升温效果。

绿地率对地表温度起到了较强的减弱作用，降温强度较大（回归系数＜-5.10）的区域主要集中在建成区的边缘，且在空间上呈现楔形分布的特征，与中心城区绿地系统的主要结构相近。其原因可能是在建成区边缘能量流动较易、热交换较强，因此一定的绿地率的增加可以进一步提高植被蒸腾能力、加强局部对流，显著降低地表温度。

3.3 两种模型的比较

全局性的 OLS模型与关注变量作用在空间上非稳定性的GWR模型均显著揭示了城市形态要素与网格平均LST之间的关系，但OLS模型只能体现研究区内的全局拟合结果，而GWR模型可以探索各要素指标增降温能力的空间差异。对建筑密度指标而言，在各主要滨水区，GWR模型的回归系数远高于OLS的拟合结果（回归系数9.169，P＜0.01），表明 OLS模型低估了此区域建筑密度起到的增温作用。从绿地率指标来看，在建成区的边缘地带，OLS模型的回归系数（回归系数-4.770，P＜0.01）明显高于GWR的拟合结果，意味着OLS模型低估了绿地率在此区域产生的降温能力。

比较两种模型的拟合优度可以发现，GWR模型的拟合效果（调整后R2=0.832）明显优于普通全局性OLS模型（调整后R2=0.565）。同时，GWR模型的局部拟合优度在空间上存在差异，局部R2取值处于0.24至0.95之间；在建筑密度相对较高的区域，GWR模型的拟合效果较好。

4 结论与建议

本文通过遥感反演及解译、空间分析等方法，以北京市五环内区域为研究范围，获取研究区地表温度并分析其热环境特征；以符合城市社区尺度的500 m边长网格为基本单元对研究区进行划分，计算各网格内的平均LST及城市形态相关的关键性规划管控指标数据；基于全局性OLS模型、GWR模型，深入剖析建筑密度、容积率、绿地率等城市形态关键管控指标对地表温度的作用规律。结果表明：

（1）总体上，城市形态要素对热环境具有显著影响，建筑密度增加导致地表温度上升；容积率、绿地率的提升引起地表温度下降。各形态要素指标的热环境作用经由OLS模型与GWR模型的分析结果均较稳定，与现有的大量研究结论一致（Wang et al.，2016；Yang et al.，2010）。

（2）各项指标对热环境的作用具有空间非稳定性，GWR模型的回归结果揭示了各项指标在不同空间区位存在的增降温能力差异。其中，在研究区内主要水体周边，建筑密度的增温能力最强，且容积率指标出现了反常的增温效应；在建成区边缘地带，绿地率产生的降温效果较强。

（3）比较 OLS与 GWR两种方法所得结果可知，OLS回归分析低估了滨水区域建筑密度的升温作用，也低估了建成区边缘地带绿地率的降温作用，因此GWR模型可更准确地反映各指标变量对热环境的影响作用。然而，研究区主要水体周边的水陆环流的过程、建成区边缘地带的热交换机理在本文以500 m边长网格为基本单元的GWR模型分析中未能得到详尽的解释，需在未来的研究中进一步深入探讨。

基于上述研究结论，可对北京高密度建成区的热环境质量改善提供相应的参考建议。首先，在满足其他功能要求的前提下，可适当控制建筑密度、提高容积率、增加绿地率，利用街谷形态减热降温，可结合城市更新改造进行实施。其次，主要水体周边需严格控制建筑密度及容积率，疏通水陆环流风道，扩大水体降温影响范围、增强降温效果。第三，提升绿地率，尤其是在建成区边缘地带需加强绿地建设并保护现有绿地，提升植被的蒸腾能力，降低地表温度。