极端高温会抑制城市蓝绿空间的降温效应吗？——以长江三角洲城市群为例

《BUILDING AND ENVIRONMENT》：Will extreme heat inhibit the cooling effects of urban blue-green spaces? Case study of the Yangtze River Delta urban agglomeration

　　

摘要

现有城市蓝绿空间冷却效应研究缺乏对其在季节性极端高温背景下协同冷却性能稳定性的定量分析。本研究以长三角城市群为例，将冷却强度 (CI)、冷却效率 (CE) 和冷却面积 (CA) 整合为一个数据驱动的综合协同冷却指数 (CSCI)。以 XGBoost 为基础框架，建立了蓝绿空间协同冷却预测模型，并开发了协同冷却抑制指数 (SCSI)。该研究分析了其时空特征，并利用 SHAP（沙普利加法解释）进行了驱动因子分析，以确定极端高温下不同特征的阈值。结果表明：(1) 季节性极端高温并不会均匀削弱蓝绿空间冷却效应的所有维度。在极端高温年份，CI 较高，而 CA、CE 和 CSCI 呈下降趋势。(2) 极端高温年份的平均协同冷却抑制指数 (SCSI) 为 0.017，并表现出显著的空间异质性，不同特征对协同冷却抑制指数 (SCSI) 的贡献水平和阈值也存在显著差异。(3) SHAP 分析进一步表明，蒸气压差 (VPD)、风速和土壤湿度是与冷却抑制相关的主导因子。这些发现为季节性极端高温条件下的城市热韧性规划提供了依据。

引言

全球变暖、人为排放和快速城市化改变了地表能量平衡，导致城市温度显著高于周边郊区。这加剧了城市热岛效应，并增加了城市复合极端天气事件的风险，给公共健康和经济造成巨大损失 [15,35,39]。近年来，全球极端高温事件的发生频率、强度和持续时间均呈显著增加趋势 [2,25]。热带和亚热带地区面临的来自热胁迫的挑战尤为严峻。位于印度东北部的阿萨姆邦由于频繁的极端天气事件，拥有该国最高的综合脆弱性指数 [13]。在提兹普尔镇，气温上升增加了空气湿度，从而加剧了登革热和地方性疟疾等疾病爆发的风险 [12]。2022 年夏季，北半球许多地区，如东欧和美国西部，遭受了前所未有且持续时间长的极端热浪 [23]。中国长三角地区经历了特别持久的极端高温，对城市能源供应、公共健康以及城市和区域的可持续发展构成了严重威胁 [21,50]。因此，如何通过科学规划增强城市热环境的韧性已成为学术界和规划部门关注的焦点。

作为基于自然的解决方案的核心组成部分 [27]，城市蓝绿空间 (UBGS) 提供蒸散和遮阴，并已被广泛证明能有效缓解城市热岛效应 [32]。以往研究采用缓冲区分析和斑块分析等方法，计算了一系列蓝绿空间冷却指标，包括冷却强度 (CI)、冷却效率 (CE)、冷却面积 (CA)、冷却阈值 (CT) 等，揭示了景观格局与冷却能力之间的线性或非线性关系，并分析了影响蓝绿空间冷却效应的主要驱动因子 [45,47,54]。然而，蓝绿空间提供的冷却调节并非无限的；其有效性受生物机制的约束。研究表明，在极端高温或干旱胁迫下，蒸气压差 (VPD) 增加会降低植被的气孔导度和光合作用，甚至可能导致植被死亡，从而削弱潜热通量转化。此外，水体在持续高温下可能达到热容量饱和，可能抑制蓝绿空间的冷却功能 [4,6,10]。尽管这一机制在生物学上已得到确立，但现有城市尺度的研究主要关注正常气候条件下的静态冷却特征，从时空视角量化极端高温背景下蓝绿空间冷却效应稳定性的研究较少。

为了量化极端高温下蓝绿空间冷却效应的稳定性，简单地比较正常年份和极端高温年份的冷却指标是不够的。这是因为城市景观格局内植被的生长状态存在年际波动，土地覆盖变化也可能因长期趋势而有所不同。为了分离由极端高温引起的热环境变化，本研究提出以下问题：在正常气候条件下，当前的蓝绿空间格局应具备什么样的冷却能力？近年来，诸如 XGBoost [55] 和 LightGBM [31] 等机器学习算法由于具备处理非线性关系的强大能力，为构建联系蓝绿空间景观格局与热环境的基线模型提供了有力支持。例如，一项研究使用水平城市热岛模型模拟了热浪期间树冠覆盖率增加的三种情景，量化了不同冠层增加条件下对极端高温的响应：冠层覆盖率增加 10% 可降低气温 0.8°C，增加 20% 降低 1.1°C，增加 30% 降低 1.5°C [49]。因此，本研究使用正常年份数据训练一个基线机器学习模型，然后使用它来预测极端年份的理论冷却能力。通过将这些预测值与极端年份的实际值进行比较，可以开发一个新的指标来量化极端高温对蓝绿空间冷却能力的抑制作用。与直接比较极端高温年份与正常年份冷却效应的指标不同，本研究提出的指标的优势在于能够通过滤除年际景观变化和城市化趋势的干扰，将极端高温的影响与多因素的耦合作用分离开来，从而更准确地识别极端高温对冷却功能的净抑制效应，尽管这种间接方法不可避免地会引入一些模型不确定性。

本研究聚焦于中国长三角城市群。作为中国城市化水平最高的地区之一，同时也是受副热带高压系统强烈影响的地区，长三角城市群是研究极端高温与城市生态系统相互作用的典型区域。因此，本文利用了 2016 年至 2020 年及 2022 年至 2025 年的多源遥感数据。通过结合空间分析和机器学习预测框架，本研究构建了一个新指标来衡量蓝绿空间对极端高温的韧性，并量化极端高温抑制其冷却能力的程度。研究旨在回答以下问题：(1) 极端高温是否抑制了蓝绿空间的冷却能力？(2) 如果蓝绿空间的冷却能力受到抑制，这种抑制在空间上是如何分布的？主要影响因素是什么？(3) 哪种类型的蓝绿空间格局在极端高温下表现出更稳定的冷却能力？本研究试图将视角从传统的冷却量级转移到冷却韧性，旨在为气候韧性城市规划及蓝绿空间的优化布局提供科学依据。

章节片段

研究区

长三角城市群（图 1）位于中国东部沿海地区 (114°54′E–122°12′E, 27°12′N–35°20′N)。该地区具有亚热带季风气候，特点是四季分明、雨热同期。长三角地区以上海、江苏、浙江和安徽四省市的 27 个城市为中心，人口稠密、交通便利且经济发达。截至 2025 年，该地区的经济总产出达到 34.66 万亿元

方法论

图 3 展示了本研究在八年间检验长三角城市群蓝绿空间协同冷却效应所采用的数据处理和分析工作流程。首先，确定气候背景，提取蓝绿空间信息，获取地表温度 (LST)，并计算四个协同冷却指标。其次，从四个维度中选择了 14 个特征变量。正常年份的数据

蓝绿空间信息提取和地表温度获取结果

本研究使用 DeepLabv3 模型提取了 2016 年至 2019 年及 2022 年至 2025 年长三角地区的城市蓝绿空间 (UBGS) 信息（图 4(a)）。本文使用的数据集 (UBG_C-10m) 的精度为 85.11%（表 2），表明提取性能良好，尽管略低于 Shi [30] (87.56%) 和 Xu [44] (91.2%) 报道的结果。本研究中绿地的交并比 (IoU) 值为 82.42%，表明具有高度

双变量依赖分析

从结果中提取的单变量阈值揭示了协同冷却抑制指数 (SCSI) 主要因子的阈值，然而，城市冷却系统是一个多变量耦合系统。SHAP 交互矩阵（图 12）也证实了这一点：蒸气压差、风速和土壤湿度的交互值较高，PLAND 和蒸气压差的交互值较高，NDBI 和风速的交互值较高，以及 LSI 和

结论

以长三角城市群为例，本文构建了四个冷却指数，并研究了极端高温和正常温度条件下蓝绿空间协同冷却效应的演变。主要结论如下：

• 1)
  通过建立蓝绿空间综合协同冷却指数 (CSCI) 的预测模型，开发了协同冷却抑制指数 (SCSI)。一项驱动因子分析和

生成式人工智能及使用过程中的人工智能辅助技术声明

在本工作准备期间，作者使用 DeepSeek 总结文献，并使用 DeepL 润色语言。使用这些工具后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。

数据可用性

数据可供请求提供。

未引用参考文献

[33,38,40]

CRediT 作者贡献声明

Jing Chen: 撰写——初稿，可视化，验证，项目管理，方法论，调查，数据整理。Li Feng: 撰写——审阅与编辑，可视化，监督，资金获取，形式分析，概念化。Fan Huang: 撰写——审阅与编辑，调查，数据整理。Hairong Feng: 验证，调查。Yueyi Chen: 验证，调查。

Jing Chen|Li Feng|Fan Huang|Hairong Feng|Yueyi Chen

中国江苏南京 河海大学