基于本地气候区框架量化城市形态对碳排放的非线性效应：来自中国广东省的证据

《Sustainable Cities and Society》：Quantifying Nonlinear Effects of Urban Morphology on Carbon Emissions Using the Local Climate Zone Framework: Evidence from Guangdong Province, China

　　

• 研究了融合本地气候区（LCZ）形态对碳排放的非线性影响。
• LCZ组成解释了72%的排放变化，其中低矮蔓延是最主要的驱动因素。
• 对紧凑建成区和景观聚集度量化了最佳排放阈值。
• 强凝聚-水文协同效应证实了连通性有助于蓝绿碳缓解。
• CO?排放与耦合的、依赖阈值的空间配置相关。

引言
城市承担了全球80%以上的二氧化碳（CO?）排放量和约84%的中国总能源消耗，使城市脱碳成为气候减缓战略的核心（Dhakal, 2009; Kennedy et al., 2009; Madlener and Sunak, 2011）。在此背景下，城市空间形态已成为能源使用和碳排放的关键影响因素，通过调节出行模式、建筑能源需求和热岛效应发挥作用（Iungman et al., 2024; Monteiro et al., 2024）。研究表明，城市CO?排放的相当大比例直接或间接受城市空间形态的影响（Christen et al., 2011）。基于情景的分析也表明，在理想化的城市转型条件下，优化的空间配置可实现50%至60%的能源消耗减少，但这些数字取决于基准条件、气候背景和开发阶段（Javadpoor et al., 2024; Zheng et al., 2022）。因此，研究城市形态与CO?排放之间的关系可以为推进低碳转型和可持续城市发展提供有价值的启示。

该领域的早期实证研究主要考察二维土地利用配置对碳排放的影响。例如，Ou等（2013）利用多时相土地利用数据和空间指标量化了中国四个主要城市的城市结构，发现不同的空间配置显著影响排放水平。Fang等（2015）采用十个景观指数表征了30个省会城市，并识别了土地利用结构对排放的定量影响。这些研究建立了基础相关性，但将形态视为二维镶嵌，忽视了三维建成形态的异质性。

事实上，城市空间形态是一个包含水平和垂直维度的复杂三维特征（Liu et al., 2017）。随着城市化的加速，全球城市不仅经历了连续的水平土地扩张，还通过增加建筑高度进行了渐进的垂直加密（Lin et al., 2014）。虽然垂直空间扩展提高了土地利用效率，但同时也改变了城市表面能量平衡过程和气流模式，改变了内部热环境，并加剧了城市热岛效应（Berardi, 2015）。因此，三维城市结构对城市环境和居民生活方式产生直接和间接影响，从而在城市能源消耗和碳排放中发挥重要作用（Wang et al., 2021; Y. Wang et al., 2024）。Xu等（2021）利用城市建筑数据开发了一套综合空间测量指标来量化三维城市结构，并随后考察其对碳排放的影响。此外，研究表明建筑的容积率（Huo等, 2020）、建筑的开放度（Dong等, 2023）和建筑高度的多样性（Shareef, 2021）对碳排放产生负面影响。然而，这些分析仅关注建筑特征，忽视了城市内的自然景观格局，阻碍了对城市空间碳动力学的综合理解。

为了支持对三维城市形态和景观更精确的表征，由Stewart和Oke（2012）提出的本地气候区（LCZ）框架已被越来越多的学者采用，作为一种捕捉城市形态复杂性的标准化方法。LCZ系统提供了一个通用分类，根据地表覆盖、空间结构、建筑材料和人类活动特征将城市和周边区域划分为10种建成类型（LCZ 1–10）和7种土地覆盖类型（LCZ A–G）（Lau et al., 2019）。该框架有效捕捉了二维空间格局，如土地利用组成和覆盖度，以及三维形态属性，包括建筑高度、密度和布局（Feng and Liu, 2022）。此外，LCZ分类反映了地表属性、城市结构配置和人为活动对城市热环境和相关碳排放的整合影响（R. Wang et al., 2024）。尽管具有潜在效用，但现有研究主要集中考察城市内单个LCZ类型之间的排放差异（Javadpoor et al., 2024; Xie et al., 2025）。例如，Wu等（2018）发现上海LCZ 1（紧凑高层）的单位面积CO?排放高于其他区域，而LCZ 9（稀疏建成）表现出更大的时间变异性。Khamchiangta和Yamagata（2024）确定LCZ 1和LCZ 10（重工业）是曼谷的排放最高区域。Chen等（2023）报告了长沙从LCZ 4到LCZ 6住宅排放呈下降趋势。这些现有研究局限于孤立的跨类型排放比较，无法揭示LCZ镶嵌的组成、配置、形状、连通性和多样性如何共同影响城市级碳动力学。与碎片化的单一类型LCZ比较不同，整体性LCZ方法可以考虑所有LCZ类别的组成、分布和相互作用，将三维建成形态与自然土地覆盖格局相整合，捕捉城市空间形态的全部复杂性。该方法降低了从单个区域分析中得出片面结论的风险，允许考察聚合形态模式如何影响城市尺度的排放动力学，例如LCZ多样性、优势度和空间聚集度。

此外，越来越多的研究认识到城市空间结构与碳排放之间的关系复杂且具有内在的非线性，而非遵循简单的线性模式（Ding et al., 2022; Jamali et al., 2025; Wu et al., 2023）。阈值效应和协同相互作用被广泛认为是这种非线性的关键驱动因素。一旦跨越关键的形态阈值，排放水平可能出现阶梯式转变或边际收益递减，人为活动、能源消耗模式和城市热环境的耦合效应进一步放大了这些非线性联系（Yu et al., 2026）。例如，Huang等（2025）利用随机森林模型和部分依赖图揭示了建筑形态指标与城市碳排放之间的非线性阈值效应；Yao等（2021）识别了城市化与CO?排放之间的非线性、基于阈值的关联；Chen等（2023）进一步报告了碳排放与城市化强度之间的倒U型关系。然而，大多数现有非线性分析围绕常规指标，如城市化率、建筑密度或一般土地利用指标构建。基于全面的LCZ衍生形态指标系统对非线性阈值效应和相互作用机制的系统调查仍然明显有限。关键问题依然存在：基于LCZ的多维空间特征（组成、破碎度、形状、聚集度和多样性）如何对碳排放产生非线性影响？何种LCZ空间配置对应最佳排放结果？这些问题对城市决策者和规划者具有重要启示，但当前文献中针对性的实证证据仍然稀缺。

因此，三个具体的研究空白推动本研究开展。第一，现有LCZ-碳研究仍然碎片化，比较单个区域类型的排放而非将LCZ类别视为一个整合的形态系统，其总组成和空间配置支配排放动力学。第二，虽然已使用常规指标记录了非线性的形态-排放关系，但整体性LCZ空间指标的阈值依赖效应尚未被系统量化。第三，多维LCZ指标之间的协同相互作用，特别是建成形态组成与景观配置指标之间的相互作用，尚未被实证检验。

为了填补这些实证空白，本研究利用可解释的机器学习方法调查基于LCZ的城市空间结构与碳排放之间的非线性阈值效应。研究聚焦于中国广东省2000年至2020年期间的21个地级市，围绕三个关键分析步骤展开。首先，构建了一套定量指标以捕捉基于LCZ框架的城市空间形态的五个核心维度：形态组成、景观破碎度、形状复杂度、聚集与连通性、以及多样性。其次，训练一个先进的机器学习模型来建模这些基于LCZ的形态指标与碳排放之间的复杂关系。最后，利用SHAP（Shapley Additive exPlanations）可解释性方法来阐明模型内嵌的具体非线性模式和阈值效应。本研究旨在回答三个核心科学问题：（1）基于LCZ的形态指标与碳排放之间存在何种非线性关系？（2）何种阈值效应支配不同基于LCZ的空间配置对排放结果的影响？（3）基于LCZ的形态指标之间如何相互作用共同影响碳排放？本研究的发现为基于科学的低碳转型和可持续城市发展城市规划政策提供了有针对性的、可操作的见解。

研究区域片段
本研究在广东省开展，这是一个主要的沿海经济强省和中国南方开放的前沿地区（图1）。受益于毗邻港澳、完善的工业体系和充满活力的市场经济，广东是全国经济增长的核心引擎。2020年，其GDP超过11万亿元，常住人口1.26亿，城镇化率为74.15%，排名全国前列。

方法
如图3所示，本研究采用的方法包括四个主要阶段。首先，通过重投影、裁剪、重采样、集成和插值等标准GIS预处理步骤准备空间数据集，包括LCZ分类数据和碳排放数据。其次，计算了一套全面的空间指标以量化基于LCZ的城市形态，涵盖城市破碎度、聚集与连通性、景观形状等。

基于LCZ的城市形态时空动态
基于17个空间指标，系统表征了2000年至2020年广东省基于LCZ的城市形态时空动态，结果如图4所示。结果表明，在20年的研究期内，广东省城市建成用地发生了剧烈且持续的扩张。具体而言，紧凑建成区（A_CB）、开放建成区（A_OB）、低矮稀疏建成区（A_LS）和工业用地（A_IN）的面积均表现出一致的增长趋势。

结论
本研究以2000年至2020年广东省21个地级市为样本，开发了基于本地气候区（LCZ）分类的多维城市形态指标系统，并应用整合SHAP值分解的XGBoost机器学习模型来检验城市形态对碳排放的非线性阈值和协同相互作用效应。得出三个核心发现。首先，LCZ形态组成……

作者贡献声明
Lin Su：方法论、形式分析、可视化、撰写——原稿、撰写——审阅与编辑。Jinbo Qi：可视化、撰写——原稿、撰写——审阅与编辑。Le Wang：数据整理、可视化、撰写——原稿。Jiashuai Wang：数据整理、撰写——原稿。Hua Liu：撰写——审阅与编辑。Jinpei Ou：概念化、验证、方法论、可视化、形式分析、撰写——原稿。

未引用参考文献
Lau, 2019, Liu et al., 2026, Chen et al., 2023, Quan et al., 2025, Wang et al., 2024, Yu et al., 2009

作者贡献声明
Lin Su：撰写——原稿、可视化、验证、软件、方法论、形式分析。Jinbo Qi：资源、方法论、数据整理。Le Wang：可视化、形式分析、数据整理。Jiashuai Wang：方法论、数据整理。Hua Liu：撰写——审阅与编辑。Jinpei Ou：撰写——审阅与编辑、验证、监督、形式分析、概念化。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些利益关系或个人关系可能影响了本论文所报告的工作。

致谢
本研究由国家自然科学基金资助（项目编号：42571478）。

Lin Su | Jinbo Qi | Le Wang | Jiashuai Wang | Hua Liu | Jinpei Ou