优化城市绿色空间格局以降低地表温度：一种基于贪心的自适应策略

《Sustainable Cities and Society》：Optimizing urban green space spatial pattern to reduce land surface temperature: A greedy-based adaptive strategy

　　

城市绿色空间（urban green space, UGS）规划通常依赖空间格局与地表温度（land surface temperature, LST）之间的平均关系，而分阶段干预要求针对特定位置和景观状态做出选择。本研究在费城比较了三种预定义绿化规则与一种基于贪心的自适应策略（adaptive strategy, AS）。CNN-XGBoost模型提供了共同的场景评估引擎；自适应决策程序在每个规划单元和轮次中从集中式、不规则式和分散式规则中进行选择。原始420米分组划分得到的测试R²为0.909。一项排除重叠预测器窗口的附加验证得到平均R²为0.886，提供了对城市内预测更为保守的评估。在所述情景假设下，AS实现了最大的累计预测降温效果和最高的平均降温效率，即每增加一个百分点UGS覆盖率降温0.159°C。该效率分别超过不规则式、分散式、随机切换和集中式策略12.0%、14.4%、25.2%和57.4%。在参考分配中，72%的规划单元在四轮中至少改变一次所选规则。重复性和敏感性分析支持AS在测试环境中的比较优势。研究结果支持随着当地条件和实施阶段的变化重新评估一组确定的绿化备选方案，为分阶段城市绿化中的自适应情景比较提供了实用框架。

全球城市扩张加剧了城市热岛效应，城市绿色空间（UGS）被广泛视为缓解城市热的自然解决方案。现有研究大多基于空间格局与地表温度（LST）之间的平均关系，难以直接回答特定位置和规划阶段应选择何种干预。为弥补这一缺口，研究人员以费城为案例，提出一种基于贪心的自适应策略（AS），在相同绿化预算下比较三种预定义空间规则，并与固定规则和随机切换基线对照，该研究发表于《Sustainable Cities and Society》。

研究人员使用的主要技术方法包括：利用ESA WorldCover、Sentinel-2 NDVI、Landsat 8 LST及费城开放数据构建10米分辨率精细土地覆盖与建筑形态输入；建立CNN-XGBoost集成模型，以7通道32×32像素空间斑块预测中心30米LST；设计集中式、不规则式、分散式三种显式规则生成候选绿化方案；基于贪心算法在每个420米规划单元和四轮约5%增量的情景中选择预测降温最大的规则，并设置随机切换基线重复50次；通过敏感性分析检验规划单元尺度（120–640米）、增量比例和NDVI假设的影响，同时采用重叠控制验证、重复试验和场景支持诊断评估稳健性。

研究结果部分：

3.1 LST预测模型精度。通过原始分组划分和排除重叠预测器窗口的附加验证，CNN-XGBoost模型在原始测试集上R²=0.909，RMSE=1.35°C；在更严格的重叠控制验证下平均R²=0.886，RMSE=1.51°C，表明模型在城市内比较中具备可靠预测能力；残差空间分析仍检测到可聚类的空间依赖（Moran's I=0.166）。

3.2 不同规则策略的降温效应曲线。通过四轮模拟比较，AS在参考路径上实现最大累计降温，四轮后平均LST降至43.47°C；其平均降温效率为每增加1%UGS覆盖降低0.159°C，分别比不规则式、分散式、随机切换和集中式策略高12.0%、14.4%、25.2%和57.4%。尽管AS在最后两轮的单位效率略低于不规则式，但其全周期累计效果最优，且始终优于随机切换，说明依据模型预测进行知情选择优于盲目切换。

3.3 不同策略下UGS的空间格局。通过计算景观格局指数（LPI、LSI、PD），集中式策略使最大斑块指数增加142.2%，不规则式使景观形状指数增加130.5%，分散式使斑块密度增加186.2%，均与规则设计目标一致；AS的格局指数变化更为均衡，综合了三种规则的特征。

3.4 基于贪心的自适应策略的决策方向。通过决策地图和频率统计，AS在第一轮对59%的单元选择分散式，第四轮不规则式占38%；72%的规划单元在四轮中至少改变一次所选规则，说明最优规则随位置和阶段变化，而非固定不变。

讨论部分指出，UGS数量通常比格局更重要，但在本研究中，当新增UGS数量相等时，空间配置造成显著差异：第一轮集中式策略降温0.39°C，而AS降温0.92°C，前者仅为后者的42.4%。AS早期偏好分散式、后期偏好不规则式和集中式的结果，支持在分阶段规划中重新评估备选方案。CNN-XGBoost作为场景评估引擎能够直接比较完整栅格配置，自适应框架将规划问题从“哪种格局平均最佳”转向“当前状态下某位置应选择哪条规则”，为异质性城市提供了可操作的情景比较流程。

研究结论翻译如下：本研究在费城比较了三种预定义UGS分配规则、一种随机切换基线和一种基于贪心的自适应策略。在测试规则中，具有最大预测收益的选项因规划单元和阶段而异。自适应组件在于为当前景观状态反复选择行动；CNN-XGBoost提供热评估。在所设定的白天LST情景下，AS实现了最大的累计降温效果，平均效率为每增加一个百分点UGS覆盖降低0.159°C。这分别比不规则式、分散式、随机切换和集中式策略高12.0%、14.4%、25.2%和57.4%。在参考路径中，72%的单元至少改变一次所选规则。附加验证和敏感性分析支持AS在测试环境中的比较优势。该研究的景观生态学贡献在于将空间异质性和连续景观变化与绿化配置的重复比较联系起来。该框架通过随当地条件变化更新分配选择，使这种比较具有可操作性。城市内结果为检验自适应UGS规划提供了基础，独立干预观测和其他城市背景的测试将推动更广泛应用。