优化蓝绿空间结构以提高水资源短缺条件下的气候适应能力

《Journal of Environmental Management》：Optimizing blue–green spatial structure to enhance climate resilience under water scarcity

　　摘要
在干旱和半干旱的绿洲中，蓝绿空间能够调节当地的热条件，但其扩展受到严重水资源短缺的限制。因此，优化现有蓝绿空间的空间配置可能是一种提高气候适应能力的可行策略。本研究利用多源数据集（包括地表温度、土地覆盖类型、植被、反照率和地形信息），分析了中国西北部河西走廊的四个代表性绿洲群。通过构建基于地表温度-距离梯度的相对绿洲冷却强度指数，量化了在异质背景温度条件下的冷却效果。结合形态空间模式分析和CatBoost-SHAP方法，识别出关键的结构因素和非线性冷却响应。结果表明，冷却最大距离随绿洲面积的增加而显著增加（R2 = 0.86，P < 0.01）。景观-热关系表现出明显的尺度依赖性，1500米被确定为最佳分析尺度。NDVI是这四个绿洲群中冷却强度的主要预测指标，而MSPA核心类别是唯一对相对绿洲冷却强度有持续正向贡献的形态类别。相比之下，碎片化或孤立的组成部分（如孤岛、分支和环状结构）通常表现出弱或负向的贡献。在三个绿洲群中，当核心区域比例超过系统特定阈值（约40%-90%）后，其贡献呈现非线性增长；而酒泉绿洲组则表现出近似线性的正向响应。这些结果表明，植被密度提供了绿洲的基本冷却潜力，而空间完整性则提升了这种冷却功能的效率。这些发现为优化干旱地区的蓝绿空间结构并提高气候适应性提供了定量指导。

引言
干旱和半干旱地区占地球陆地表面的40%以上，是受气候变化和水资源短缺影响最严重的区域之一（Cui等人，2024；Lian等人，2021；Wang等人，2023）。干旱生态系统的特征是降水量低、蒸发需求高，并且对气候变化和人类活动非常敏感（Huang等人，2017）。在这样的地区，绿洲作为高度集中的社会生态单元，在水资源有限的情况下维持了农业生产、生物多样性保护和区域生态安全（Chen等人，2024）。然而，极端高温和干旱事件的频率增加加剧了对气候适应型绿洲管理的需求（D. Li等人，2026）。因此，了解绿洲如何调节局部热环境对于提高干旱地区的生态安全性和人类宜居性至关重要（Zhou等人，2022）。

绿洲的热调节功能通常被称为“绿洲冷岛效应”（OCIE），即灌溉农田、防风林、植被、河流以及其他植被覆盖或水体表面能够降低相对于周围沙漠或裸露地面的地表温度和近地表空气温度（Hao等人，2025）。全球干旱地区的研究通过实地观察、卫星遥感和数值模拟探讨了这一现象。来自塔里木盆地、张掖绿洲、黑河河流域以及以色列南部等极端干旱地区的证据表明，存在冷湿岛效应、风屏效应以及绿洲冷却的季节性和空间变异性（Liu等人，2020；Potchter等人，2008；Ruehr等人，2020；Zhou等人，2022）。这些研究进一步表明，绿洲冷却与土地利用构成、植被覆盖、景观配置、土壤湿度、蒸散作用和空气动力学条件密切相关。

蓝绿空间被广泛认为是在干旱和城市环境中缓解热应力的重要组成部分。它们的冷却效果主要通过两种途径实现：植被通过蒸散作用和遮荫减少了感热量，而水体则通过蒸发和热量储存-释放过程增强了局部冷却效果（Gobatti等人，2023；Li等人，2025；Sahani等人，2023）。因此，增加植被覆盖和扩大水面面积常被视为改善热环境的直接策略。然而，在干旱地区的绿洲中，这种扩展受到有限的水资源和生态承载能力的强烈制约（Wang等人，2023，2025）。大规模增加灌溉植被或开放水域可能会加剧水资源消耗，并加剧农业用水与生活用水之间的竞争。因此，在水资源稀缺的情况下，通过优化蓝绿空间的空间配置来提高其冷却效率可能比单纯增加总面积更为可行和可持续。

近年来，景观格局指数被广泛用于量化蓝绿空间配置与热环境之间的关系。大量研究表明，景观特征（如面积、斑块数量、密度、形状和聚集度）对地表温度有重要影响（He等人，2024；Maimaitiyiming等人，2014；Qu等人，2025；Yin等人，2019；Yu等人，2020）。较大的绿地斑块和较低的破碎度通常有利于增强绿地的冷却效果（Zhang等人，2025a，2025b）。传统的景观格局指数（如斑块密度（PD）、最大斑块指数（LPI）和景观形状指数（LSI）主要从斑块数量、面积和形状等方面描述景观结构，但它们在直接捕捉景观元素之间的结构连通性及其相关生态功能属性方面能力有限（Lin等人，2024；Xu等人，2025）。为了解决传统景观格局指数在描述空间结构方面的局限性，形态空间模式分析（MSPA）方法逐渐应用于热环境研究（Hong等人，2023；Lin等人，2023）。该方法基于数学形态学原理，对二值栅格数据进行处理，将目标景观元素分类为具有不同空间形态意义的类别，如核心、边缘、桥、孤岛和分支（Soille和Vogt，2009）。不同的MSPA类别表现出不同的形态特征，这些结构差异对应不同的热环境调节功能（J. Liu等人，2025）。现有实证研究表明，核心区域通常具有相对稳定的冷却效果，这可能是由于其较大的面积和内部完整性。孤岛斑块由于面积较小，更容易受到周围环境的热干扰（Zhao等人，2024；Zhong等人，2025）。然而，大多数基于MSPA的热环境研究集中在城市绿地系统上，对由植被和水体组成的绿洲蓝绿空间的空间结构关注不足。鉴于绿洲系统作为综合的社会生态单元，进一步研究其空间结构特征的功能意义是必要的。

同时，冷却强度的准确估计取决于背景温度的定义。在以往关于绿地和绿洲冷岛的研究中，通常使用固定的缓冲区或预定义的参考区来表示计算冷却强度的热背景（Xiao等人，2023；Hao和Li，2016）。虽然这种方法操作方便，但在应用于不同规模和周围土地覆盖条件下的多个绿洲时可能会引入不确定性。在干旱和半干旱地区，这一问题尤为重要，因为绿洲与周围沙漠之间的温差在绿洲-沙漠过渡带可能存在显著差异（Gao等人，2004；Wu和Chen，2024）。较大的绿洲可能产生更广泛的冷却范围，而较小或碎片化的绿洲可能具有较短的冷却距离。因此，使用统一的缓冲距离可能会低估或高估实际的冷却效果，从而降低不同绿洲系统之间冷却强度的可比性。为了解决这一局限性，确定每个绿洲的冷却范围或最大冷却距离可以为确定背景温度和计算相对冷却强度提供更灵活的基础（Wu和Chen，2024；Xiao等人，2023）。

蓝绿空间配置对冷却强度的影响往往是非线性的，可能涉及非线性转换和饱和效应。传统的线性模型在捕捉这种复杂关系方面存在局限性。因此，机器学习模型（如随机森林、XGBoost和CatBoost）在地表温度和热环境研究中被越来越多地使用（Q. Liu等人，2025；Zhong等人，2025）。然而，这些模型的可解释性有限，可能限制了对其机制的理解。Shapley加性解释（SHAP）可以量化每个变量的边际贡献并揭示非线性响应模式。因此，将CatBoost与SHAP结合使用，使本研究能够识别影响ROCI的关键结构因素并描述其非线性效应。

为了解决这些问题，本研究聚焦于中国西北部河西走廊的四个典型绿洲群，并应用形态空间模式分析（MSPA）来描述绿洲蓝绿空间的结构特征。利用2019-2021年Landsat影像获取的夏季地表温度数据，采用带有地形校正的动态径向距离方法估算背景温度。随后开发了一个CatBoost集成学习模型，并整合了Shapley加性解释（SHAP）框架，以量化不同形态因素对相对绿洲冷却强度（ROCI）的边际贡献和非线性效应。本研究实现了三个具体目标：（1）量化典型绿洲组的冷却强度，并建立用于ROCI估算的地形校正背景温度；（2）揭示影响ROCI强度的关键MSPA形态类别的非线性响应特征；（3）得出空间优化见解，为资源受限的绿洲系统的生态系统管理和气候适应策略提供参考。

**研究框架**
图1展示了本研究的总体框架。整合了多源数据集（包括地表温度（LST）、Landsat 8影像、数字高程模型（DEM）和2020年土地利用/土地覆盖（LULC）数据，以支持热环境和景观分析。相对绿洲冷却强度（ROCI）被定义为因变量（Y）。以敦煌绿洲为典型案例，建立了LST-距离梯度，并定义了冷却边界。

**背景温度的确定**
如图3所示，六个典型绿洲周围裸露地的地表温度（LST）起初随距离增加而升高，随后趋于稳定或波动。第一个转折点的LST被定义为背景陆地表面温度（Bg LST），表示绿洲冷却效应显著减弱的阈值。相应的径向距离被定义为最大冷却距离（MCD）。误差条表示有效背景温度选择的不确定性范围。

**动态背景温度选择的有效性和尺度效应**
在地形复杂且绿洲-沙漠对比明显的干旱地区，不同绿洲之间的冷却范围差异很大。因此，传统的固定缓冲区方法可能不足以定义多个绿洲系统的背景热条件。在本研究中，首先排除了水体和海拔差异较大的区域，以减少水冷和地形效应的干扰。然后采用了动态径向距离梯度方法。

**结论**
通过结合MSPA分析和可解释的机器学习方法，本研究量化了蓝绿空间结构对干旱绿洲冷却的影响。结果表明，以NDVI表示的植被密度是所有绿洲冷却效果的基础因素，构成了它们的冷却潜力。然而，空间配置，特别是核心区域的比例，在调节冷却效率方面起着重要作用。

**作者贡献声明**
黄向翔：撰写——初稿、方法论、调查、正式分析、概念化；别强：撰写——审稿与编辑、资金获取、概念化；梁华军：数据管理；张宏伟：数据管理；林超：数据管理。

**利益冲突声明**
作者声明不存在可能影响本文工作的已知财务利益或个人关系。

**致谢**
本研究得到了国家自然科学基金（NSFC）（42130113，42101096）和中国科学院西部之光基金（25JR6KA004）的支持。

**作者信息**
黄向翔 | 别强 | 梁华军 | 张宏伟 | 林超
兰州交通大学测绘学院，中国甘肃省兰州市，730070