基于当地气候区的特大城市热脆弱性评估及驱动机制分析：以成都街道层级为案例的研究

《Sustainable Cities and Society》：Heat Vulnerability Assessment and Analysis of Driving Mechanisms in a Megacity Based on Local Climate Zones: A Street-Level Case Study of Chengdu

本研究基于LCZs框架和熵权-CRITIC法，结合SHAP解释模型与地理探测器分析，系统评估了成都市街道尺度的城市热脆弱性空间分异特征与驱动机制，提出了差异化适应策略。

　　全球范围内极端热事件的发生频率正在不断上升，这使得对城市热脆弱性的精细评估变得尤为迫切。传统的评估方法往往难以捕捉城市内部复杂的空间异质性，从而限制了有效应对热风险和合理分配资源的能力。本研究基于局部气候区（Local Climate Zones, LCZs）划分城市空间格局，并构建了一个涵盖暴露、敏感性和适应能力的热脆弱性指数体系。通过结合熵权法和CRITIC方法，对热脆弱性进行了街道尺度的评估。为了识别关键驱动因素并阐明空间异质性的形成机制，研究还应用了可解释的机器学习SHAP框架和地理探测器。研究结果表明，（1）成都的热脆弱性呈现出中心聚集和多个外围热点分布的特征，其中中心区域的脆弱性主要由高暴露和高敏感性驱动，而外围区域则由于适应能力有限导致脆弱性较高；（2）人工构建的LCZs比自然LCZs更易受热影响，紧凑的建筑形式表现出更高的脆弱性，而植被密集、树冠高度较高的自然区域则具有较低的脆弱性；（3）主要的驱动因素包括城市空气动力粗糙度、老年居民密度和居民流动性，而植被指数（NDVI）则有助于降低脆弱性；（4）在人工LCZs中，脆弱性受到通风不良、热量累积以及脆弱人群集中等因素的加剧，而在自然LCZs中，居民流动性及经济能力成为主要制约因素。基于LCZs的特定特征，本研究提出了针对高密度城市核心、中低密度过渡区域和自然生态区的差异化热环境管理和社会适应策略。本研究提供了一种精细化、空间显性的城市热脆弱性评估框架，并为提升城市热韧性提供了理论支持和可操作的指导。

全球变暖和快速城市化的双重作用，使得极端夏季热事件成为最具有破坏性和广泛影响的气候灾害之一。世界气象组织（WMO）发布的连续气候报告指出，自21世纪初以来，全球平均地表温度持续上升。2024年，全球近地表年平均温度超过了工业化前基准（1850–1900年）的1.55±0.13°C，首次突破《巴黎协定》所设定的1.5°C临界阈值，标志着全球变暖进入了一个新的关键阶段。与此同时，城市热岛（Urban Heat Island, UHI）现象与极端热事件的叠加效应日益显著，导致热灾害的发生频率增加，影响范围显著扩大，并且在城市内部形成了明显的热风险空间异质性。《柳叶刀》气候变化报告指出，在城市脆弱群体和边缘化社区中，高热暴露与有限适应能力之间的不匹配加剧了热脆弱性。此外，热浪频率和强度的增加进一步凸显了联合国可持续发展目标（Sustainable Development Goals, SDGs）中多个目标之间的紧密联系，特别是SDG 3（良好健康与福祉）、SDG 11（可持续城市与社区）、SDG 13（气候行动）和SDG 15（陆地生命）。因此，有效预防热灾害和提升城市气候适应能力成为实现这些目标的关键。

在应对热灾害的研究中，自（Reid et al., 2009）引入热脆弱性指数（Heat Vulnerability Index, HVI）以来，这一指标已被广泛认可为评估不同地区热风险水平的重要标准。研究范式逐渐从以物理环境因素为主的传统模型，演变为融合物理和社会经济因素的多维框架。基于政府间气候变化专门委员会（IPCC）提出的“暴露、敏感性、适应能力”（Exposure, Sensitivity, and Adaptive Capacity, ESA）框架，大量实证研究已经探讨了不同区域热脆弱性的特征。例如，（Li et al., 2024）发现，在澳大利亚的八个首都城市中，热暴露和敏感性通常随着从城市向农村区域的过渡而降低，而适应能力则呈现出相反的趋势。在马来西亚，（Kamal et al., 2022）指出，热脆弱性的决定因素在不同地区存在显著差异，城市地区主要受热岛效应的影响，而北部地区由于敏感人群比例较高，表现出更高的脆弱性。此外，（Zhou et al., 2021）证明，在植被覆盖度较低的社区中，增加绿化面积可以显著缓解热风险。

然而，这些研究仍主要提供了一个粗略的城市空间格局表征，未能深入揭示不同LCZ类型下热脆弱性的驱动因素和内在机制。在特大城市中，由于人工环境、社会结构和基础设施之间的高度异质性和复杂互动，热岛效应可能进一步加剧，从而扩大热脆弱性的空间差异。因此，有必要对这些驱动机制进行更加精细的分析。

以往关于驱动因素的研究大多依赖于全球统计模型，如普通最小二乘回归（Ordinary Least Squares regression）、地理探测器（GeoDetector）和主成分分析（Principal Component Analysis）。尽管这些方法可以识别关键相关变量，但它们在揭示变量之间的非线性关系和复杂交互方面存在局限。相比之下，机器学习模型如XGBoost和随机森林则更适合处理高维异构数据，并能够捕捉非线性关联。结合可解释性工具如SHAP，这些模型能够更深入地理解不同驱动因素如何影响热脆弱性及其相互作用。因此，本研究采用机器学习模型和SHAP工具，结合地理探测器方法，对热脆弱性的驱动机制进行了系统分析。

基于上述背景，本研究旨在超越现有研究主要关注LCZs空间格局识别和整体评估的局限，深入探讨不同LCZs类型下的热脆弱性驱动因素及其异质性。以成都作为典型案例，本研究整合了ESA框架、机器学习–SHAP和地理探测器方法，系统评估了城市热脆弱性并识别了关键驱动因素。这一方法不仅提供了对城市热脆弱性决定因素和空间异质性的更全面理解，还丰富了基于LCZs的分析框架，为提升特大城市热风险治理能力和制定精准适应策略提供了新的实证依据和方法支持。

本研究构建了一个涵盖暴露、敏感性和适应能力的热脆弱性指数体系，并结合LCZs分类进行空间分析。暴露指标包括城市地表热特性、植被覆盖率和地表通风能力；敏感性指标则涉及人口结构和健康状况；适应能力指标则基于经济条件、基础设施和社会服务等因素进行评估。研究采用熵权法和CRITIC方法对热脆弱性指数（HVI）进行综合计算，并通过空间可视化展示其分布特征。此外，研究还利用SHAP工具对机器学习模型进行解释，以揭示不同驱动因素对热脆弱性的具体影响。通过地理探测器分析，进一步探讨了热脆弱性在不同LCZs类型中的空间异质性及其形成机制。

成都位于四川盆地西部边缘，青藏高原东缘，是中国七大特大城市之一，地理坐标范围为东经103°33′至104°53′，北纬30°05′至31°04′，属于亚热带季风气候区。成都的常住人口超过2000万，由20个行政辖区和261个街道组成。地形上，成都呈现出平原与丘陵交错的复杂格局，这种地形特征对城市热环境具有重要影响。此外，成都的城市化进程迅速，建筑密度和人口密度持续上升，使得热岛效应和热脆弱性问题更加突出。因此，选择成都作为研究对象具有代表性，能够为其他特大城市提供有价值的参考。

本研究的结果表明，成都的热脆弱性呈现出明显的空间异质性，主要表现为城市中心区域的高脆弱性和外围区域的相对较低脆弱性。这种分布趋势与之前对其他中国大城市的研究所显示的“城市中心高、外围低”模式相一致。然而，与（Wang et al., 2023）和（Li et al., 2024）的研究结果相比，成都的热脆弱性分布表现出一定的差异。这些差异可能源于城市的具体地理条件、社会经济结构和土地利用模式的不同。例如，成都的中心区域由于建筑密集、绿地较少，导致热暴露和敏感性较高，而外围区域则由于适应能力较弱，表现出更高的脆弱性。此外，研究还发现，在人工LCZs中，通风不良、热量累积和脆弱人群集中是加剧热脆弱性的关键因素，而在自然LCZs中，居民的流动性及经济能力成为主要的制约因素。

通过构建热脆弱性指数模型，本研究不仅揭示了成都热脆弱性的空间分布特征，还深入分析了其形成机制。研究结果表明，不同LCZs类型的热脆弱性表现出显著差异，人工环境下的热脆弱性通常高于自然环境。这种差异主要归因于人工LCZs中较高的建筑密度、较低的植被覆盖率以及较差的通风条件，而自然LCZs则因较高的植被覆盖率和较好的通风条件，表现出较低的热脆弱性。此外，研究还发现，老年居民密度和居民流动性是影响热脆弱性的关键因素，其中老年居民由于生理机能下降和慢性疾病负担较重，在高温环境下更容易发生中暑和心血管疾病；而居民流动性则影响其对热灾害的应对能力，流动性较低的社区往往在热事件发生时更难获得有效的避暑资源和应急服务。

本研究的结论表明，基于ESA框架和LCZs分类构建的热脆弱性评估模型，能够更准确地识别城市热脆弱性的空间分布特征及其驱动因素。通过整合XGBoost–CatBoost集成模型和SHAP工具，研究不仅揭示了成都热脆弱性的空间格局，还深入探讨了不同LCZs类型下的热脆弱性机制。此外，研究结果还为城市热环境管理和社会适应策略的制定提供了理论支持和实践指导。例如，在高密度城市核心区域，应加强公共空间的绿化建设，优化通风条件，并提高社区对热灾害的预警和应急响应能力；在中低密度过渡区域，需关注居民流动性及经济能力的差异，推动基础设施的均衡发展，提高弱势群体的适应能力；而在自然生态区，应加强植被保护和生态修复，以维持其在热环境中的缓冲作用。

本研究的成果不仅有助于提升成都的城市热韧性，也为其他特大城市提供了可借鉴的经验。通过精细化的空间分析和多维度的驱动因素识别，本研究为城市热灾害的预防和管理提供了新的思路和方法。此外，研究还强调了社会经济因素在热脆弱性形成中的重要性，呼吁在城市规划和政策制定中更加关注社会公平和弱势群体的适应能力。未来的研究可以进一步拓展至其他城市，以验证本研究的适用性和推广价值。同时，可以结合更多社会经济数据，如医疗资源分布、社会服务可达性等，以更全面地评估热脆弱性及其影响因素。此外，还可以探索不同气候条件下的热脆弱性特征，以适应全球气候变化的多样化趋势。

本研究的创新点在于将LCZs分类与热脆弱性评估相结合，并引入机器学习和可解释性工具以深入分析热脆弱性的驱动机制。这种方法不仅提高了评估的精度，还增强了对复杂空间异质性的理解。通过构建多维度的热脆弱性指数体系，研究为城市热环境管理提供了科学依据，也为政策制定者提供了有针对性的策略建议。此外，本研究还强调了社会经济因素在热脆弱性中的关键作用，呼吁在城市规划和治理中更加关注社会公平和资源分配的优化，以减少热灾害对弱势群体的影响。

在实际应用中，本研究提出的差异化管理策略可以为城市热环境治理提供指导。例如，在高密度城市核心区域，可以通过增加公共绿地、优化建筑布局和改善通风条件，降低热暴露和敏感性。在中低密度过渡区域，应加强基础设施建设，提高居民的适应能力，并推动社会服务的均衡发展。而在自然生态区，需加强植被保护和生态修复，以维持其在热环境中的缓冲作用。这些策略的实施不仅可以缓解热灾害的影响，还能提升城市的整体热韧性，为实现可持续发展目标（SDGs）提供支持。

此外，本研究还强调了数据驱动方法在城市热脆弱性评估中的重要性。通过整合多源数据，如遥感数据、社会经济统计数据和人口密度数据，研究能够更全面地反映城市热脆弱性的复杂性。这种方法不仅提高了评估的科学性和准确性，还为政策制定者提供了更加具体的决策依据。未来的研究可以进一步优化数据采集和处理方法，以提高评估的精度和适用性。同时，还可以结合更多的社会经济变量，如医疗资源分布、社会服务可达性等，以更全面地评估热脆弱性及其影响因素。

本研究的意义在于，它不仅揭示了城市热脆弱性的空间分布特征和驱动机制，还为城市热环境管理和社会适应策略的制定提供了科学依据和实践指导。通过构建基于LCZs的热脆弱性评估模型，研究为城市应对气候变化和极端热事件提供了新的思路和方法。此外，研究还强调了社会经济因素在热脆弱性中的关键作用，呼吁在城市规划和治理中更加关注社会公平和资源分配的优化，以减少热灾害对弱势群体的影响。这些成果不仅对成都具有重要意义，也为其他特大城市提供了可借鉴的经验和方法支持。