与街区尺度城市热风险相关的物理与功能开发强度：非线性与空间异质性关系

《Building and Environment》：Physical and functional development intensity associated with block-scale urban heat risk: Nonlinear and spatially heterogeneous relationships

　　

• •双维开发强度框架将街区开发状况与热风险联系起来。
• •在PDI基础上加入FDI后，空间交叉验证的R2从0.587提升至0.622。
• •PDI和FDI分别贡献了TreeSHAP归因值的60.7%和39.3%。
• •开发强度与风险之间的关联呈非线性且具有空间异质性。
• •划分出四种街区类型，可区分不同的风险—开发背景以供规划参考。

引言

极端高温事件频率与强度的上升，已促使城市热风险评估从单纯关注温度异常转向对热危险性、人口暴露与适应能力的综合评估。IPCC第六次评估报告指出，全球大多数陆地地区的极端高温事件已变得更加频繁和强烈[1]，而持续偏高的全球气温与区域性热浪进一步加剧了城市的热压力[[2],[3],[4],[5]]。城市开发同时重塑了地表覆盖、建筑形态、辐射平衡、湍流交换与人为热排放，并在建成空间内重新分布人口、设施与经济活动[[6],[7],[8],[9]]。这些过程塑造了城市内部的热与风险格局，因此最热地点并不必然与综合风险最高的地点重合。对于规划而言，风险评估不仅要识别风险高值区，还要揭示其所在的开发背景，以及哪些开发属性可以通过开发管控、城市更新与适应资源分配加以干预。

不透水面[[10],[11],[12]]、建筑密度与高度[[13],[14],[15]]、街道峡谷几何、植被覆盖与天空视野系数已被广泛用于解释城市内部地表温度、城市热岛强度与高温频率的差异[[16],[17],[18],[19]]，且学界日益关注其尺度依赖性、非线性响应与空间异质性。温度—死亡率、热暴露与热脆弱性研究表明[[20],[21],[22],[23]]，人口规模、敏感人群分布[[24],[25],[26]]与适应资源可在相似危险性条件下改变风险水平与空间排序[27]。建成环境研究刻画了城市形态与局地热条件之间的联系，而综合风险研究则将人口与适应条件纳入热影响评估。规划需要以同一空间对象为框架整合这两类信息流：识别综合风险的同时，也应揭示与之相关或显著变化的建成环境与开发条件。将风险水平与开发状态相关联，有助于识别规划干预区域及需要重新审视的属性。

容积率、建筑密度、建筑高度、不透水面比例与天空视野系数分别从开发容量、建成密度、竖向形态、地表硬化与空间开放度等角度描述物理开发状态，常作为规划研究中的开发强度或建成形态指标。城市开发同时也改变了设施供给、土地利用混合度、道路连通性与活动集聚程度；兴趣点、土地利用混合度、道路网络与夜间灯光已被用于表征设施集聚、功能组织、可达性与城市活动强度[[28],[29],[30],[31]]。已有研究开始同时考察城市形态与功能活力同热条件的关系，但多以LST或UHI为响应变量，未能直接量化在综合热风险中功能开发相对于物理形态能额外贡献多少信息。因此，本研究从两个维度刻画街区开发：物理开发强度（PDI），表征建成容量、空间形态与紧凑度；功能开发强度（FDI），表征设施集聚、功能组织、道路连通性与活动强度。两个维度用于刻画不同HRI水平街区的开发背景，并检验物理开发与功能开发是否对应同一风险格局，以及在纳入PDI后FDI能提供多少额外的风险相关信息。

以道路为界的街区可容纳容积率、建筑密度、建筑高度、道路密度与设施集聚度等规划指标[30,32]，其边界与开发管控、土地利用组织、城市更新及公共服务供给所采用的空间单元较为契合。城市热研究采用规则栅格、局地气候区、功能区或街区等组织热与暴露信息；分区方式影响局地变异的表达与风险热点的空间范围。将HRI、PDI与FDI聚合至以道路为界的街区层面，使综合风险、物理开发与功能组织可在同一规划空间内比较，从而揭示它们的空间重合与偏离情况。因此，相似的HRI水平既可能出现在PDI已较高但功能组织与人口集聚仍有限的郊区开发区，也可能出现在物理与功能开发均高的成熟建成区。街区不仅是多源数据的聚合单元，也是区分不同风险条件下开发状态的共同单元。城市热条件与建筑密度、天空视野系数、不透水面、道路及功能活动之间的关联也随指标水平与区位而变化[[33],[34],[35],[36],[37]]，因此开发强度或热风险总体相似的街区可能表现出不同的局地关联结构。全局相关系数与变量重要性排序虽能识别主要关联，但无法解析特定指标的相对归因与响应在不同街区间的变化。地理加权随机森林（GWRF）将非线性随机森林拟合与空间加权相结合，以估计局地化的模型关系；TreeSHAP则分解局地预测值，用于比较不同开发指标间的相对归因与非线性响应[[36],[37],[38],[39]]。在街区尺度上联合分析PDI-FDI开发状态、非线性响应与局地模型归因，可识别哪些开发特征与较高风险共现，并区分风险相似的街区间不同的物理—功能背景，为街区类型划分与规划优先级排序提供定量支撑。

本研究选取合肥主城区1217个以道路为界的街区，基于热危险性、人口暴露与适应能力构建热风险指数（HRI），并采用PDI与FDI表征物理与功能开发。分析围绕三个关联问题展开：(1)在街区尺度上PDI、FDI与HRI的空间对应关系如何？物理开发、功能组织与综合热风险在何处出现偏离？(2)在纳入PDI后，FDI能为HRI提供多少额外信息？物理与功能开发指标与HRI之间呈怎样的非线性和空间异质性关联？(3)局地归因与PDI-FDI开发结构如何联合区分热风险街区，并形成具有差异化规划含义的街区诊断类型？

章节摘录

研究区

合肥位于中国东部长江与淮河之间，是安徽省省会，也是长三角城市群的重要节点（31°49′21.30″N，117°13′18.25″E）。地处暖温带向亚热带过渡地带，夏季高温期长、降水集中。其建成区包含密集的老旧街区、扩张中的新区及工业功能片区。2024年，该市常住人口

街区单元与多源数据聚合

为使热风险诊断与开发管控、城市更新所使用的单元相衔接，街区依据2024年OpenStreetMap路网划定。以主干道和次干道为主要边界，剔除低等级支路与内部服务道路以避免过度碎片化。经拓扑检查、断点修复与多边形生成后，将面积小于2公顷的碎片与相邻街区合并，最终得到1217个单元。街区面积的10%分位数为144,421

模型验证与FDI的增量信息

在统一的空间交叉验证方案下，各非线性模型预测性能总体相近且优于正则化线性模型（图3a）。LightGBM、梯度提升与HistGradientBoosting的R2均为0.636；XGBoost为0.632；Extra Trees与随机森林分别为0.631和0.630。GWRF的R2为0.622，RMSE为0.136，MAE为0.101。SVR与KNN的R2分别为0.620和0.603，岭回归与弹性网络分别为0.522和0.521。

开发强度、热危险性与综合热风险之间的空间失配

危险性前20%的街区与HRI前20%的街区之间的重合率为56.79%，Jaccard指数为39.66%，两个集合各有105个不匹配街区，说明热危险性与综合风险在城市内部定义出不同的空间优先序。已有研究表明，危险性、暴露、脆弱性与适应能力具有不同的时空分布[21,24,26,27]，动态人口数据可改变白天与夜间热暴露及风险热点[32,49]。本

结论

本研究分析了合肥主城区1217个街区，基于热危险性、人口暴露与适应能力构建HRI，并以PDI和FDI表征物理与功能开发。研究考察了开发强度与综合热风险之间的空间对应关系、非线性关联与局地变异。主要结论如下：

• (1) PDI、FDI、Hazard与HRI的高值区均集中在连片建成区，但具体

CRediT作者贡献声明

刘道峰：方法学、调查研究、形式化分析、概念构思。王爱：方法学、形式化分析、概念构思。王怡欣：调查研究。张锐：验证。徐雨婷：项目管理。孔丽丽：方法学。

刘道峰|王爱|王怡欣|张锐|徐雨婷|孔丽丽