精准城市形态对街道温度的影响测度与设计应对

叶宇 殷若晨 胡杨 方家

1 研究背景与问题

随着中国城镇化水平突破60%，城市建设已然进入“下半程”[1]。在城市化进程不断深入的大背景下，城市建设的关注点也逐渐从大尺度、大规模的扩张，转变为中小尺度的城市公共空间品质营造。同时，在绿色生态的时代背景下，气候适应性逐渐被视为可持续城市设计的第一原则[2]。但现有研究，要么从自上而下的宏观视角出发，关注传统城市形态对温度的影响；要么基于对小样本的实测与模拟，缺乏整体图解的解析。精准的城市形态与微气候的关联性的研究较少，难以对空间设计进行有效指导。

在此背景下，本研究以气候适应性为导向，以街道空间作为分析单元，基于新城市科学（The New Science of Cities）兴起所提供的多视角、多层次的精细化城市形态数据[3]，研究自上而下视角的高精度城市形态以及自下而上视角的人本尺度街道空间与街道温度的内在规律，以期塑造夏季温度更宜人的街道空间，助力于城市公共空间品质提升。

2 传统城市形态学与人本尺度城市形态概念解析

传统城市形态学研究关注的是城市物质空间形态特征及其演变过程，以及在此过程中城市物质空间形态与非物质形态的关联[4]。在分析单元上，主要包括街道、街区、地块、建筑及其开放空间等基础空间形态要素，通过抽象的形态来探究城市空间特征和历史演进；在分析视角上，往往基于自上而下的视角开展研判[5]。受制于基础数据和研究视角，传统城市形态学研究相对忽略了人本尺度的形态特征，未将人对城市形态的感知纳入研究。

近年来，新城市科学，即依托深入量化分析与数据计算途径来研究城市的学科模式[6]，催生了新数据、新技术，让人本尺度的分析日渐具有可操作性。人本尺度城市形态是指从人的空间感受和日常使用的角度出发，看得见、摸得着、感受得到的城市形态，是对目前网格、街区和地块尺度城市形态的深化与必要补充[7]。与传统自上而下的城市形态学研究不同，人本尺度的城市形态更加注重的是自下而上的人的空间使用及感受。因此，与传统城市形态学相对宏观的关注点不同，人本尺度城市形态更聚焦人可以直接感受到的微观层面，关注的是人在日常生活中频繁接触到的小尺度城市物质空间形态要素。其关注对象包括街道界面、绿视率、围合度、渗透率、多样性等一系列与市民生活和品质感受息息相关的小尺度要素。

简而言之，人本尺度街道空间的研究内容与传统城市形态学研究差异主要在2个方面。1）视角不同。前者更关注于自下而上的切身感受，而后者则更聚焦于自上而下的分析。2）研究精度不同。人本尺度的城市形态特征往往聚焦于米至数十米范围，与人的关系更紧密，相关方向的探索也能更好地支持气候适应性城市设计精细化的需求。

3 建成环境与街道温度的关联性

3.1 大尺度城市形态的温度影响

通过城市形态来调节微气候，进而助推气候适应性设计一直是近年来城市设计研究的热点。目前针对城市形态与温度的研究，主要是从自上而下的宏观城市形态视角出发，研究城市热岛效应[8]。既有研究发现热岛效应的构成原因一方面是城市下垫面的导热性和热容量远高于非城市地区[9]；另一方面则是城市中人口稠密，人类活动产生大量的人为热[10]。

近年来，随着热红外遥感（infrared remote sensing）技术的发展，城市形态对温度的影响已经得到充分证实。在研究路径上，既有研究大多基于热红外遥感影像反演获取地表温度，同时基于遥感影像分类技术获取地表信息，计算地表植被覆盖率[11]、建筑材质[12]、不透水地表面积[13]、城镇用地指数[14]、绿地[15]、水体[16]等要素。

但此类研究大多从自上而下的视角出发，分析地表温度与地表信息的关联性，缺少对精细化城市形态特征的深入探究。在城市建设精细化转型的当下，需要探讨的并非建设的必要性，而是应该以怎样的方式建设才能更好地控制热岛效应，提升市民舒适度。引入精准城市形态数据，从城市形态视角切入，才能更好地回答“以怎样的方式建设”的问题。

3.2 小样本的街道空间特征与温度影响

除宏观、自上而下视角的研究之外，目前也有聚焦街道尺度开展的城市温度研究。城市街道层峡（urban street canyon）一直是城市微气候研究关注的重点空间，既有研究主要探讨城市空间的围合形态与街道空间设计对其中温度、日照、风环境的影响[17]。

目前针对街道温度的研究，以小样本的实测和模拟为主。往往通过对空间位置上相近的数条街道进行长时间的温度测量，深入研究街道空间形态特征对温度的影响。例如通过鱼眼相机拍摄全景图片，计算天空开阔度（sky view factor）[18]，比对不同高宽比、绿化覆盖率等因素对街道温度的影响[18-24]。基于计算流体力学（computational fluid dynamics,CFD）和热力学原理的软件开展模拟分析，探讨街道高宽比、行道树以及建筑材质对街道温度的影响[24-25]。

但此类研究调研烦琐，工作量大，往往仅能针对数条街道开展小样本分析，难以揭示全局图景。

3.3 当前研究局限与应对

如上所述，既有研究的局限往往是由两方面导致：1）兼具高精度与大规模的城市形态数据相对匮乏；2）难以大规模、批量化地获取精准的温度数据。针对城市形态数据，本研究尝试引入多源城市大数据与地理信息技术深化传统自上而下城市形态视角的研究，同时引入街景数据探讨自下而上视角人本尺度街道空间形态，共同开展精准城市形态分析。而针对温度数据，尝试引入Landsat 8遥感影像，将其与街道的空间属性匹配，反映街道温度。

4 研究设计

4.1 研究框架

基于以上建成环境与街道温度研究的空缺以及对气候适应性城市设计的需要，本研究不再以少数街道剖断面为研究样本，而是将研究对象拓展到近似全样本的街道空间，突破数据获取的局限。采用Landsat 8遥感影像数据以及多源城市数据，获取精细化、大范围的街道温度和精准城市形态，研究如何通过街道空间要素的改造来降低夏季街道温度。并提出以下研究问题：1）自上而下视角的高精度城市形态特征要素的纳入是否会提升整体形态与温度模型的解析度？2）自下而上人本尺度街道空间要素对于街道温度的影响相较于传统自上而下城市形态特征是否重要？3）不同属性街道空间的最佳降温设计策略是怎样的？

研究包括4个主要步骤：数据收集、关键特征提取、层次回归与设计策略（图1）。1）研究收集了建筑、用地类型、兴趣点、路网、街景图像等能够反映精准城市形态特征的多源数据，以及该空间范围内的热红外遥感图像。2）立足多源数据，将城市形态归纳为自上而下视角的高精度城市形态自变量以及自下而上视角的人本尺度街道空间自变量；通过热红外遥感图像计算得出街道温度数据集，作为街道温度因变量。3）通过层次回归，探讨2种视角的精准城市形态自变量对街道温度的影响。4）提取具有代表性的街道空间样本，根据街道的固有属性——空间位置、蓝绿空间、主导功能，制定差异化的气候适应性街道设计策略。

1 研究框架Research framework

4.2 研究区域概况

北京地处“京津冀”的中心，是中国重要的政治、文化、国际交往和科技创新中心。伴随着全球变暖，城市地区面临着更大的压力。“摊大饼式”快速建设以及高密度的人居环境，使得以北京为代表的超大城市不堪重负，城市热岛效应总体呈上升趋势，热岛强度平均为1.26 ℃[26]。本研究选取北京五环区域内的街道空间作为研究对象，面积约710 km2，共计114 330条街道（图2）。五环内承载着北京大部分的工作、文化娱乐活动等，因此，以北京市五环内作为研究范围具有一定代表性，研究结论具有一定的推广意义。

2 研究范围Research scope

4.3 技术路径

4.3.1 温度反演

由于个体对温度的感受存在较大差异，热感觉难以实现大规模的空间化[27]。但既有研究显示，地表温度与近地面空气温度存在非常显著的线性关系，可有效反映近地面空气温度的变化趋势[28]，而空气温度又与体感温度有一定的相关性[27]。因此通过热红外遥感影像反演得到地表温度，可以从一定程度上反映出个体的热感受。此外基于热红外遥感技术反演所获得的地表温度，精度为30 m。根据扬·盖尔在《交往与空间》所指出的，可互动、可交往场所的尺度一般不超过30～40 m。在这一尺度下，人可以有效交流与互动，是人可以感受得到的空间尺度[29]，因此认为反演获取的温度数据能够在一定程度上体现人本尺度。

本研究选取2017年9月28日，条带和行列号为123/31的Landsat 8 OLI_TIRS卫星遥感影像，研究范围内云量为0%，成像质量较好，适合用于地表温度反演。根据辐射传输方程法，计算地表热辐射强度并将其反演为地表温度[30]，具体流程如下。

先通过大气校正，计算黑体辐射亮度B(Ts)[29]：

式中，Lλ是卫星传感器接收到的热红外辐射亮度值，L↑和L↓分别为大气上行辐射和下行辐射，τ为大气透过率，可通过成影时间以及中心经纬度获取NASA对大气剖面参数的监测（http://atmcorr.gsfc.nasa.gov/）；地表比辐射率ɛ需结合归一化植被指数阈值法获得[31]。

再利用普朗克公式，计算地表真实温度Ts：

式中，K1和K2为Landsat 8传感器特定的定标常数，从元文件获取K1=774.89 W/（m2·sr·μm），K2=1 321.08K[32]。

4.3.2 高精度城市形态指标的选取与计算

以往研究主要考虑城市下垫面对温度的影响，以宏观城市形态为主要研究对象[17]，使用建筑密度、建筑容积率等建筑指数开展分析[33]。本研究在此基础上结合城市设计要素，进一步纳入了路网、蓝绿空间以及人的使用因素。在多源数据的背景下，利用具有空间属性的精准城市形态数据以及兴趣点数据开展分析，具体指标包括建筑密度、建筑容积率、路网密度、可达性、空间位置、功能混合度以及与蓝绿空间的距离。

在指标计算上，基于地理信息系统（GIS）平台，利用栅格计算、空间连接、计算几何等分析方法，将街景采样点与地表温度采样点一一匹配，并基于街道空间位置求取街景数据与地表温度数据的平均值；并结合多源数据，进行相关指标计算（表1），计算结果作为自上而下视角的高精度城市形态自变量。而街道空间位置、蓝绿空间、主导功能作为街道的固有属性筛选典型街道样本，以便后续开展设计应对探讨。

表1 GIS空间与统计分析数据Tab. 1 GIS spatial and statistical analysis data

4.3.3 人本尺度街道空间形态指标的选取与计算

街道是重要的人本尺度城市形态的研究对象，以往研究侧重于天顶视角的空间形态特征，如天空开阔度、行道树以及建筑的遮阴效果[22]，与居民对街道整体的空间形态感知相脱离。基于人本尺度城市形态研究指标选取的原则[35]，本研究以街景图片作为主要数据源，从中提取的天空、绿化、建筑、门窗、地形、街道设施、车行道、人行道要素作为街道空间构成要素，同时基于街景图片计算建筑色彩丰富度以及街道评分，量化街道空间品质。并且利用精细化的城市形态数据，划分街道的道路等级——快速路、主干路、次干路、支路、等外道路。

指标的计算基于街景图片的获取与处理，在北京五环区域内以40 m的采样间距开展街景图像数据的抓取，分别抓取采样点前后两方向的视角（图3）。共抓取街景图像1 818 756张。由于研究更聚焦于夏季街道温度的调控，因此街景数据也选取夏季街景开展分析。

3 街景图像获取与视角校正Street view image acquisition and perspective correction

运用深度学习平台（TensorFlow）和语义分割工具（DeepLab）对街景要素进行图像识别（图4），分别测度天空、绿化、建筑、门窗、地形、街道设施、车行道、人行道8种要素在街景图片中的占比。

4 街景要素提取示意Schematic street view element extraction

基于以上对街道空间要素的识别，在建筑的像素点中，提取颜色及其构成比例。具体操作按照色卡表和HSV颜色模型来开展，H、S、V分别代表色调（hue）、饱和度（saturation）、明度（value）3个维度，将多样且分散的颜色按照色卡表进行归并[36]。之后再根据香农多样性指数，进行界面色彩丰富度计算。

同时，为了获取街道空间的主观感知，运用人工神经网络（artificial neural network,ANN）模型进行分析，邀请规划领域专家及专业学生对街景进行打分，训练自动化的品质评价模型[37]，得出街道的综合评分（图5）。

5 ANN街景品质评价模型ANN street view quality evaluation model

街景要素、建筑色彩、街道评分共同作为自下而上视角人本尺度街道空间自变量。

5 结果与分析

5.1 街道温度的空间分布规律

研究范围内地表温度总体分布呈现“南高北低”（图6-1）。西北部为北京市的生态涵养区，为整个城市建成区调节温度。同时，基本能够分辨出北京的环状路网结构，例如沿北三环路建设的元大都遗址公园，街道温度低于周边环境。

6 研究范围温度Temperature within the research range6-1 地表温度Surface temperature6-2 街道温度Street temperature

街道温度与总体地表温度的分布规律基本一致（图6-2）。由于周围较好的绿地建设，快速路的机场高速路路段温度较低；主干路的蓝靛厂南路，因沿京密引水渠，故有较低的街道温度。本研究共得出72 785条有效街道样本，占五环内道路的64.6%。街道温度的最小值为27.43 ℃，最大值为39.03 ℃，平均值为32.64 ℃，街道温度略高于五环范围内的均值32.24 ℃。样本总体呈正态分布，50%街道样本的温度在31.54～33.76 ℃之间。

5.2 人本尺度城市形态对街道温度影响机制的测度

本研究构建多元线性层次回归（hierarchical regression）模型，逐步引入自上而下视角的高精度城市形态自变量以及自下而上视角人本尺度的街道空间形态自变量，模型的R2从0.392提升到0.470，均在0.001水平上通过显著性检验（表2）。

表2 基于层次回归模型的精准城市形态对街道温度的影响Tab. 2 The effect of fine-scale urban form on street temperature based on hierarchical regression model

从自上而下视角的高精度城市形态来看，街道周围的城市形态是影响街道温度的重要因素，模型的拟合优度为0.392，考虑街道的空间位置、周围建筑开发强度、路网建设水平、兴趣点多样性以及蓝绿空间对街道温度的影响。从空间位置来看，越靠近城区外围温度越低，与热岛效应的趋势一致；从街道周围的建筑开发强度指标来看，建筑密度和容积率呈现出对街道温度相反的作用，建筑密度越低，容积率越高，对街道降温越有利；而路网密度越高，可达性越好，街道温度越高；依据兴趣点计算的功能混合度越高，街道温度越高；靠近蓝绿空间的街道温度越低。

从自下而上人本尺度的街道空间形态来看，模型在加入街道空间自变量后，考虑街道空间的绿化水平、街道围合程度以及街道品质等要素，模型的R2提高到0.470，天空开阔度以及道路等级（支路）因未通过共线性检测被排除。道路等级对街道温度的影响较低，高等级街道温度略高。从街道空间设计有关的因素可知，绿视率越高、建筑界面可见度越高，对街道的遮阴效果越强，街道温度越低；地形可见度越高，街道温度越低；车行道可见度越高，人行道可见度越低，街道越宽阔，街道温度越低。而街道设施和街道品质评价与街道温度的关系不显著。

引入人本尺度的街道空间形态特征后，能够有效提升整体形态与温度模型的解析度，但提升较少，模型R2仅从0.392提升到0.470。其中的绿视率要素对街道温度的降低作用明显，而其他要素影响均较低。传统城市形态要素不能改变街道空间，但能够改变街道周边区域的整体热环境，从而对街道温度产生较大的影响。

6 讨论与结论

6.1 研究结论：影响测度以及设计策略

城市形态对微气候的影响是城市设计领域关注的核心议题之一，城市的大规模扩张导致城市热岛效应、气候变暖日益严峻，气候适宜性设计在调节城市温度中的作用被愈加重视。本研究从街道空间入手，借助新数据、新技术，覆盖北京五环内近乎全部街道，整合各类精准城市形态数据，探究其对街道温度的影响，结果如下。

1）自上而下视角的精细化城市形态要素对街道温度的影响显著，模型解析度达到0.392。其中建筑密度和容积率的影响较大，建筑密度越低，容积率越高，街道温度越低，同时蓝绿空间也能带来明显的效果，合理的开发模式能够在保持一定开发强度的同时降低街道温度。

2）自下而上视角的人本尺度街道空间形态要素也能对街道温度产生直接影响，且以绿视率为代表的部分特征要素具有较强的显著性。而人本尺度街道空间形态的整体影响较低，模型解析度提升到0.470，但对于已建设完成的街道而言，人本尺度街道空间形态要素在城市设计与微更新中更具可操作性。

6.2 设计应对：不同街道属性的降温设计策略

街道固有属性（空间位置、蓝绿空间、主导功能和道路等级）的不同，会使得街道温度有所差异。由于道路等级对街道温度的影响较弱，且本研究主要针对人行活动丰富的低等级街道，故不将道路等级的差异考虑在内。本研究尝试通过提取典型的街道空间特征，量化不同属性街道的精准城市形态差异，提出与街道属性相对应的气候适宜性设计策略。

根据已有结论可知，在城市形态要素中，降低建筑密度，增加容积率，增加蓝绿空间，在街道空间要素中增加绿视率，能够有效降低街道温度，这4个要素的标准化系数绝对值均大于0.1，对街道温度影响较大。而城市形态中的可达性以及建筑界面渗透率要素的提高，虽然会少量增加街道温度，但能够让更多人享受到舒适丰富的街道生活，增加街道活力。

6.2.1 街道空间位置属性

从空间位置上看，随着空间位置上环数的增加，远离城市中心的街道具有更低的温度，不同空间位置的城市形态和街道空间形态的差异明显（图7-1）。

二环范围内的街道，不仅街道温度相对较高，而且人本尺度城市形态数据类似。从城市形态上看，建筑密度高且容积率低，路网可达性较高，距蓝绿空间均较远；从街道形态上看，街道建筑界面可见度高且丰富，街道设施较差，车行道、人行道的可见度较差。再加上城市中心区的热岛效应，这些因素都导致了更高的街道温度。而北京二环范围内，高密度低容积率的历史建筑群以及北京传统的胡同式建筑（砖瓦房具有更高的温度[12]），也塑造了北京老城区独特的城市肌理。建筑及道路相关因素难以改变，建议通过增加蓝绿空间的形式降低街道温度。

而四环—五环范围的街道温度虽然低，但是从城市形态上看，主要得益于较低的开发强度，较多的自然地形，以及远离城市中心的空间位置，其街道空间的营造并不完善。随着城市的不断扩张，热岛效应的影响范围将越来越广，提高城市边缘区域街道本身的降温能力是十分必要的。五环范围未来的建设，可以采用低建筑密度、高容积率、重点街道高贴线率的开发模式，降低街道温度的同时营造街道围合感。

6.2.2 街道蓝绿空间属性

选取距离公园、森林、水面、河流500 m范围内的街道作为分析样本，街道温度明显低于均值。其中水面对周围街道降温效益的提高最有效、森林次之、公园和河流最弱，河流具有水体的特性但由于蜿蜒曲折，带来的降温效益并不突出。蓝绿空间带来的降温效益能够超出边界，为周围一定范围带来影响[38]，增加蓝绿空间是降低温度的有效手段（图7-2）。

7 不同属性街道温度与精准城市形态差异Difference of street temperature and fine-scale urban form with different street attributes7-1 空间位置属性Spatial location attribute7-2 蓝绿空间属性Blue-green space attribute7-3 主导功能属性Main function attribute

通过人本尺度城市形态数据的分析，具有蓝绿空间属性的街道差异不大，街道绿视率较高，而周围建筑量较少，气候舒适、景色宜人的街道却很少被使用。公园综合体将蓝绿空间与城市空间有机结合，同时提高城市的生态环境和公共服务能力[39]，也有利于充分发挥蓝绿空间的降温效益。

6.2.3 街道主导功能属性

基于兴趣点分析，识别出具有主导功能的8类典型街道作为分析样本，以餐饮、公共设施、购物为主导功能的街道居民活动强度高，具有更高的街道温度；而风景、交通、科教、生活、体育为主导功能的街道，活动强度低，街道温度也较低（图7-3）。

以餐饮、公共设施、购物为主导功能的居民活动强度高的街道有类似的形态特征：较高的建筑密度和较低的容积率可能是导致这类街道温度较高的原因；建筑界面的可见度较高，再加上建筑界面的渗透率较高，促进行人与建筑产生互动，形成宜人的商业界面，而绿视率和地形可见度这类自然要素占比较低。建议该类街道，提高街道绿化水平，增加自然界面，在保持较高贴线率的同时，适当降低建筑密度。

以生活为主导功能的街道居民活动强度同样较高，而街道温度较低，通过分析可发现其降温效益主要得益于较低的建筑密度和较高的容积率。生活类街道应该继续保持该开发模式，同时维持与周围蓝绿空间的关系以及保持街道绿视率。

以交通为主导功能的街道，以车辆为主，街道功能单一，城市形态数据较为适中，较低的街道温度以及较宽阔的道路能够形成良好的城市通风廊道。该类街道需要结合城市主导风向和城市风廊道规划布局[40]，减少行人对交通的干扰以及居民活动对街道热环境的影响。

以科教、体育为主导功能的街道温度较低，主要因为街道周围的建筑开发强度较低，但距蓝绿空间较远。该类设施应为居民使用较为频繁的设施，因较低的建筑界面渗透率，居民很难与沿街设施发生互动。建议该类街道，提高沿街界面贴线率，提高建筑渗透率，营造高围合度的街道空间，吸引居民使用，同时提高周围蓝绿空间水平。

以风景为主导功能的街道本身就具有较高的绿视率和地形可见度，同时建筑开发量较少，需要提高道路可达性，方便居民使用，同时保持高自然要素、低人工要素的特征，充分发挥该类街道的高降温效益。

6.3 研究展望：人本尺度街道空间在微气候研究中的应用

本研究评估了人本尺度城市形态要素对街道温度的影响，是人本尺度城市形态研究在城市微气候方向上的一个尝试。以人为本一直是城市规划的核心关注点，人与街道是2个不可忽略的主题，人本视角的融入能够针对性地对街道空间给出数值测度和直观的可视化展示[34]，同时该尺度上的城市形态测度能够给予街道空间设计最直接的指导。此外，在新城市科学的背景下，新技术和新数据支持城市尺度上的高精度数据获取，实现了大尺度全范围的高精度分析[6]，有望揭示以往受制于分析尺度的城市微气候研究未能发现的潜在规律。

6.4 研究局限与下一步工作

本研究通过热红外遥感数据反演计算街道温度，从而结合多源城市数据开展兼具大尺度与高精度特征的城市形态与街道温度的影响分析，研究设计的优点在于实现了大尺度全范围的高精度分析，但研究局限也较为明显，遥感数据分辨率为30 m栅格，在表征人本尺度特征上存在一定不足。后续研究计划加入城市传感器，开展长时间实测，采集更详细准确的街道温度监测数据，进一步推动相关方向的深入研究。

本研究采用的街景数据（行人角度）与传统街道微气候使用鱼眼相机拍摄的角度[20]有一定相关性，但依然有所差异。街景数据更加注重人本视角的街道感受，有利于街道空间的营造，但难以直接量化街道要素的遮阴效果。后续研究可加入天顶视角的街景数据，分析其与行人视角的差异，同时与传统基于天空开阔度、街道高宽比的微气候研究相互验证。同时后续研究可以针对性地对典型街道样本进行建模，与目前基于CFD模型的街道微气候研究相比较，在空间尺度上对已有研究进行扩充。

然而街道作为城市重要的开放空间，其中的温度受到多方影响，本研究采用的精准城市形态特征要素，依然难以将影响因素全面纳入。随着新城市科学的不断发展，将能够更精细化地提取城市形态数据，如街道的绿化类型、道路材质、建筑材质等，可支持后续的进一步研究。

致谢(Acknowledgments)：

感谢同济大学黄鎔、韩赟同学与南京师范大学周子皓同学作为研究助理在研究开展上的帮助。

图表来源(Sources of Figures and Tables)：

图3～5图片来源于百度街景，图6底图来源于mapbox，其余图表均为作者绘制。