基于多尺度地理加权回归的广州主城区街区形态与热岛强度关系研究

陈卓伟，邓昭华

（华南理工大学建筑学院）

1 引言

城市化进程使不透水下垫面比例上升，增加了人为热，加重了城市热岛效应（Urban Heat Island，UHI），从而导致了夏季城市制冷能耗上升、居民因极端高温死亡人数增加、户外热舒适性降低等一系列问题[1]。已有研究表明街区形态可显著影响街区热环境[2]，因此，开展街区形态与热岛强度（Urban Heat Island Intensity，UHII）关系的研究工作具有重要意义，可为以缓解热岛效应为导向的相关规划提供街区形态优化的理论建议。

随着遥感技术的发展，利用热红外影像可大范围且同步观测感兴趣区域的地表温度（Land Surface Temperature，LST），地表热岛逐渐成为当前热岛相关研究的主体[3]。在此背景下，众多学者采用全局回归模型，如最小二乘（Ordinary Least Squares，OLS）回归[4]与地理加权回归（Geographically Weighted Regression，GWR)模型[5]讨论城市形态与热岛强度UHII的关系，然而由于LST与城市形态指标存在空间非平稳性，在地理分布上具有空间异质性，二者在空间分布中的细节信息无法通过全局回归反映[6]。虽然GWR可有效解决空间平稳性的问题，将空间分布信息加入回归参数中，但也存在最佳带宽适用于所有因变量的主要局限，即假定所有指标均以相同的空间尺度影响UHII[7]。新兴的多尺度地理加权回归(Multi-scale Geographically Weighted Regression，MGWR)可克服上述局限性[8]，刘敬等学者以北京五环内为研究区域，应用OLS、GWR、MGWR三个模型分析城市形态与日夜UHII的关系，得出各形态指标对热岛效应的影响存在明显尺度差异，无论日间还是夜间，MGWR模型性能均最优的结论[9]。因此，采用多尺度地理加权回归（MGWR）有助于理清街区形态指标与热岛强度在不同地理位置的关系，同时，还可分析不同形态指标对热岛效应影响的尺度差异。

基于上述背景，本文以广州主城区为研究区域，基于多源数据，应用新兴的多尺度地理加权回归分析各形态指标与四季UHII之间的关系，对比各回归模型的性能，探讨各形态指标与UHII相关性的空间、季节差异。通过以上内容的研究，可为城市规划师在城市规划与城市设计中制定日间城市热岛效应缓解策略提供理论依据。

2 研究区域与数据

2.1 研究区域

广州是广东省省会，也面临着一系列城市扩张带来的环境问题，热岛效应随着城市化进程的加深愈加明显。广州市连片城建区集中在越秀、荔湾和海珠3个老城区及周边的天河区、白云区、黄埔区、番禺区和花都区[10]，由于花都区离广州中心城区较远且城市建设量较低，本文以7个行政区（越秀区、荔湾区、海珠区、天河区、白云区、黄埔区和番禺区）为研究区域，总面积2366.8㎞²（见图1）。

图1 研究区域

2.2 研究数据及预处理

本文使用的数据包括Landsat8遥感影像数据、Sentinel-2遥感影像数据、OSM（Open Street Map）矢量数据与建筑矢量数据。由于广州位于岭南湿热地区，常年云量较多，不存在同一年份内四季均可使用的低云量Landsat8图幅，因此本文分别选择成像时间为2018年、2019年、2020年不同季节的图幅。数据预处理包括遥感影像数据的预处理与街区划分。

1）遥感影像数据预处理

Landsat8遥感影像需要进行辐射定标与大气校正，Sentinel-2遥感影像则需要先使用官方提供的Sen2cor插件将其转换为L2A级产品，然后使用Sen2Res插件将20m、60m分辨率的各波段的超分辨率合成为10m分辨率的波段，便于接下来的波段计算。

2）街区划分

相较以固定大小网格作为基本研究单元，以街区作为基本研究单元更能保证单元内建筑形态的均质，借鉴徐海洋等对南京建邺区的街区提取经验[11]，并结合广州的道路特点，选择了OSM矢量数据中的motorway、primary、trunk、secondary、tertiary五类道路以及水体作为街区划分的边界。我国城市街区尺度大多超过300m，最长甚至高达600m[12]，因此需要对面积过小（＜0.5hm2）与过大（＞50hm2）的街区合并与分割，并去除不带建筑的硬地、裸地、水田、草地、山林等，最终划分街区6976个，平均面积为14.3hm2。

3 研究方法

3.1 热岛强度计算

为消除不同遥感影像在成像过程中产生的偏差，先对遥感影像进行辐射定标与大气校正等数据预处理，本文采用辐射传输方程法反演地表温度[13]。借鉴刘敬等学者计算城市热岛强度的方法[9]，将街区i的平均地表温度（LSTi）与研究区域内植被区的平均地表温度（LSTp）的差值定义为街区的热岛强度（UHIIi）（植被区通过NDVI指数获得），公式如下：

为了更直观地评估街区热岛强度的严重程度，需要对热岛程度进行分级。将UHIIi≤0的街区归类为冷岛街区，将UHIIi>0的街区归类为热岛街区，并按照“均值-标准差法”[14]划分为4级：弱热岛区、中热岛区、强热岛区和超强热岛区，街区热岛强度分级结果如图2所示。

图2 街区四季UHII分级分布图

①广州主城区的日间热岛状况十分严重，超过90%的街区（春季94.8%、夏季98.9%、秋季99.1%、冬季95.1%）出现不同程度的热岛效应，以夏秋季尤为严重。其中，超过40%的街区（春季46.3%、夏季52.1%、秋季47.8%、冬季44.9%）热岛强度级别达到强和超强。

②冷岛街区比例在春季与冬季较高，分别达5.2%与4.9%。表明广州主城区整体的热岛效应在夏、秋季较为严重，而在春、冬季的严重程度相对较轻。

③从空间布局来看，超强热岛与强热岛区主要分布在旧城区、工业园、城中村等区域。

3.2 形态指标选择与计算

影响地表温度的城市形态因素众多，可分为景观成分指标与城市形态指标[15]，多个景观成分指标、城市形态指标与地表温度之间具有空间非平稳性联系。指标汇总如表1所示。

表1 广泛使用的景观成分指标与城市形态指标

3.3 回归模型选择

分析城市形态指标与UHII关系的研究中，OLS回归是最为经典的统计分析方法，本文应用OLS回归分析形态指标与热岛强度的整体相关性；GWR是OLS回归基础上的扩展，将空间位置的差异性集成到回归系数的计算中，既可以描述变量间的关系，又可以反映其关系的空间变化特征；MGWR进一步放宽了经典GWR的约束[16]，即所有过程都使用同一带宽在相同的空间尺度上建模。通过允许数据介入范围（带宽）在整个参数表面上变化，它允许不同的自变量与因变量之间的关联在规模上不一致，即允许各自变量以其最优带宽与因变量建立关系[17]。本文中MGWR的计算使用亚利桑那州立大学地理科学与城市规划学院提供的开源软件MGWR（https://sgsup.asu.edu/sparc/mgwr），GWR和OLS则在亚利桑那州立大学地理科学与城市规划学院提供的开源平台GWR4（https://sgsup.asu.edu/sparc/gwr4）中计算。

4 研究结果分析

4.1 各形态指标与UHII相关性

各指标与四季UHII的相关性分析结果如表2所示。对比各指标回归结果的显著性与相关方向，各指标与四季UHII相关性的分析结果。

①BD、BH、FAR、SVF、NDBI、WP六个指标在四季均呈现出显著相关，其中BD、FAR、SVF、NDBI呈正相关，表明较高的建筑密度、较大的开发强度、较开阔的天空可视范围、较大程度的不透水地表面覆盖均会使四季UHII更大。

②BH、WP则呈负相关，表明较高的建筑高度、较多的水体覆盖可减缓四季UHII，过于开阔的街区使地表获取更多的太阳辐射，而高层建筑由于其在街道上的遮阳效果，可在白天有效降低温度[18]。

③NDVI只在秋季呈现显著相关，FVC在春季、冬季呈现显著相关，均呈负相关，表明增加植被可减缓春季、秋季、冬季UHII。

④MNDWI只在夏季呈现显著相关，呈负相关，表明增加水体覆盖对夏季UHII有减缓效果。

⑤NHV在春季、秋季、冬季呈现显著相关，呈负相关，但相关系数绝对值较小，表明建筑高低错落度对UHII影响不大。

横向对比同个季节各个指标的回归系数，可发现同一指标在不同季节对UHII的贡献程度大小不同（回归系数大小不同），如对夏季UHII贡献程度最大的指标为NDBI，秋季则为SVF（见表2）。

4.2 回归模型性能对比

使用可决系数（R²）与校正的可决系数（Adj-R²）[19]（表示解释变量对被解释变量的解释贡献）、校正的Akaike信息准则（AICc）[20]和残差平方和（RSS）[21]评估MGWR，GWR和OLS的模型性能，R²与Adj-R²越大、AICc与RSS越小，证明模型性能越好。

在进行GWR与MGWR回归分析之前，需要对所选形态指标做进一步筛选。首先，基于OLS全局回归分析结果，去除显著性低的指标；然后，选择回归系数绝对值相对较大（回归指数绝对值＞0.1）的；最后，进一步剔除全局多重共线性强的指标（VIF值大于7.5），最终筛选的指标包括表2中下划线指标。

表2 各形态指标与四季UHII回归系数及显著性

回归模型性能分析结果如表3所示，无论是什么季节，GWR与MGWR的R²、Adj-R²明显高于OLS，且以MGWR更高，而AlCc、RSS则明显低于OLS，且以MGWR更低，可以判断GWR与MGWR的模型性能优于OLS，且以MGWR最佳，表明各形态指标与UHII关系具有空间非平稳性特征（见表3）。

表3 OLS、GWR、MGWR模型性能对比

与GWR相比，MGWR可反映各形态指标对UHII影响的差异化作用尺度，对GWR与MGWR的带宽进行统计，结果如表4所示。在各形态指标与四季UHII相关性分析中，GWR模型的带宽均为固定值，只能反映各个指标作用尺度的平均值，而MGWR模型中，各指标的带宽具有较大差异，表明各指标的空间非平稳性程度具有差异（带宽越小空间非平稳性程度越高）。对比四季各指标的MGWR带宽大小，四季中，BD的空间非平稳性程度最大，NDVI为全局尺度的变量（见表4）。

表4 GWR与MGWR带宽比较

4.3 回归系数空间格局分析

由于MGWR模型性能更佳，因此采用MGWR模型的回归系数进行空间格局分析，各形态指标与四季UHII的回归系数的空间分布格局如图3所示，其中具有显著性的街区为p<0.05，|t|>1.96。由于指标较多，因此本文只讨论MGWR模型中解释度最高的夏季情况。

图3 各指标回归系数空间格局

BD（建筑密度）：约51%的街区的BD回归系数具有显著性，多为回归系数较大且为正的街区；约49%的显著性低的街区的回归系数大多较小或为负。回归系数的带宽为44（较小），表明BD具有较强的空间非平稳性特征，具体表现为本身BD较大的老城区、城中村、厂房等区域的回归系数较大，该区域街区的夏季UHII对BD变化更为敏感。

BH（建筑高度）：约75%的街区的BH回归系数具有显著性，多为回归系数绝对值较大且为负的街区；约25%的显著性低的街区的回归系数绝对值较小或为正，表明大多数街区可通过提高BH来降低UHII。回归系数的带宽为377（较小），表明BH具有空间非平稳性特征，具体表现为本身BH较低的老城区、城中村、厂房等区域的回归系数绝对值较大，表明该区域街区的夏季UHII对BH变化更为敏感。

SVF（天空视域系数）：100%的街区的SVF回归系数具有显著性，且回归系数均为正，表明所有街区可通过降低SVF来降低UHII。其带宽为1220，SVF具有一定程度的空间非平稳性特征，具体表现为研究街区东部与北部的开敞街区的回归系数绝对值较大，表明该区域街区的夏季UHII对SVF变化更为敏感，原因是这些街区本身SVF较大，降低SVF可减少更多的太阳辐射。

NDBI（归一化不透水地表面指数）：100%的街区的NDBI回归系数具有显著性，且回归系数均为正，表明所有街区均可通过减少不透水地表面来降低夏季UHII。其带宽为1399，NDBI具有一定程度空间非平稳性特征，具体表现为研究区域中部中央商务区回归系数较高，表明该区域街区的夏季UHII对NDBI变化更为敏感。

5 结语

在多尺度地理加权回归方法出现的背景下，以广州主城区为研究区域，以街区为研究单元，利用多源数据统计研究区域的四季热岛强度和城市形态相关指标，应用经典的OLS、GWR与新兴的MGWR回归模型对比分析了各形态指标与四季UHII的相关关系，得到结论。

①广州主城区的日间热岛状况十分严重：超过90%的街区出现不同程度的热岛效应，以夏、秋季尤为严重，而春、冬季的严重程度相对较轻，超强热岛与强热岛区主要分布在旧城区、工业园、城中村等区域。②GWR与MGWR的模型性能优于OLS，且以MGWR最佳，表明各形态指标与UHII关系具有空间非平稳性特征，各形态指标对UHII的解释能力在夏季较强，在冬季较弱。③形态指标对街区UHII的影响程度具有季节差异：如众多影响夏季UHII的指标中相关系数最大的是NDBI，在秋季则为SVF，一些指标只在特定季节具有显著性，如MNDWI只在夏季与UHII相关关系具有显著性。④各形态指标的空间非平稳性程度有所差别：其中BD、BH、SVF、NDBI等指标具有不同程度的空间非平稳性（以BD最强），即对不同区位的街区UHII的影响程度有差异，而NDVI则为全局尺度的变量，即对所有街区UHII的影响程度一致。

基于以上结论，建议在开展涉及以优化街区形态来缓解热岛效应的城市设计及空间规划时，应注重季节针对性、空间针对性和指标针对性。从季节变化的角度看，广州主城区的日间热岛状况以夏、秋季尤为严重，而在春、冬季的严重程度相对较轻，在制定策略时应确定主要缓解热岛效应的季节，如夏季；从空间的角度看，不同区位的街区同一形态指标与UHII的相关关系具有差别，因此不同区位的街区同一形态指标的调整策略可能不同；从指标的角度看，同一指标在不同季节对UHII的贡献程度大小不同，应结合所要缓解热岛效应的季节，选取贡献程度大的指标进行形态优化调整，从而提高调整策略的有效性。本文仍存在以下局限：地表温度数据只有夏季白天，缺乏夜晚的数据，因此所得结论仅适用于白天的城市热环境优化，这也是本文需要进一步深入分析的问题。