郑州市绿地结构对气候调节因子的影响及启示

王惠惠, 王亚茹, 王腾飞, 王军梦, 雷雅凯

郑州市绿地结构对气候调节因子的影响及启示

王惠惠, 王亚茹, 王腾飞, 王军梦, 雷雅凯*

河南农业大学风景园林与艺术学院, 郑州 450002

基于高精度遥感影像及夏秋季微气候数据, 应用相关分析、主成分分析、地理加权回归等方法研究了郑州市主城区绿地结构与微气候调节因子的相关关系空间分异特征。结果表明, 绿地斑块的分散程度、优势程度以及形状复杂程度在研究区大部分空间显著影响微气候调节功能。在研究区中, 西北、西南、中北、中南的绿地斑块的分散程度越小, 东北部优势绿地斑块的优势程度越大, 东北部、西部的绿地斑块的形状复杂程度越大, 则相应空间范围内夏季气温的降温效果越明显; 西北、南部绿地斑块的形状复杂程度越大, 东部优势绿地斑块的优势程度越小, 则相应空间范围内秋季空气比湿的增湿效果越明显; 西北、西南部绿地斑块的形状复杂程度越大, 南部、东部优势斑块的优势程度越小, 秋季风速的降速效果越明显, 反之, 则可以提高相应区域的风速。

城市生态系统服务; 绿地结构; 微气候; 调节功能

0 前言

中国城市化率从1978年的17.9%增加到2017年的58.5%[1], 城市化的发展对城市生态系统造成了严重的影响。郑州市正处于城市化快速发展阶段, 且又是我国中部地区重要中心城市的综合交通枢纽, 随着城市工业化的发展, 机动车辆增多, 郑州市空气质量明显降低, 雾霾天气不断增多, 城市热岛效应、大气颗粒物污染等问题日益突出。目前, 城市生态系统服务价值的研究热点主要集中于城市建设用地的土地利用与时空变化[2]、绿色基础设施[3]、城市生态网络的构建[4-5]、权衡与协同机制[6]、供需关系[7]等方面。现有的城市生态系统服务估算方法有谢高地[8-9]、Constanza[10]等的基于单位面积价值当量因子法的中国陆地生态系统服务价值的动态评估方法、李丽[11]等人的基于市场理论的价值评估法等, 这些方法都没有从城市绿地结构角度分析绿地空间结构对生态系统服务功能的贡献和影响。城市中的绿地面积增量受限, 因此存量绿地结构优化对于城市生态系统功能提升具有重要意义, 很多城市绿地系统规划实践和研究都比较重视绿地结构指标[12-13]。虽然有相关研究[14-16]表明城市绿地结构能够在一定程度上影响地表温度、降雨等微气候环境因子, 但是已有研究尺度相对较小, 且城区尺度上绿地的景观结构特征对气象环境因子空间分异的影响尚有待于深入研究。生态系统服务价值与绿地结构数据及微气候环境因子数据多具有空间自相关性和空间异质性, 而大多数方法对两者关系的研究多用传统统计学的方法[17-19], 忽略了数据的空间属性, 导致研究的结果不能完全准确反映城市绿地结构与微气候环境因子的关系。因此应加强基于空间统计学方法的主城区尺度绿地结构对微气候环境因子的影响研究, 系统准确地揭示城市绿地结构对其微气候环境因子的影响, 从而为进一步完善城市生态系统调节功能价值的准确估算提供依据。

本研究以郑州市主城区为例, 基于高精度遥感影像及夏秋季微气候环境因子空间栅格数据, 应用皮尔森相关分析、主成分分析、空间自相关分析、地理加权回归等方法研究郑州市主城区绿地结构对微气候调节因子的影响, 预期通过以上研究解决以下问题: (1)城市绿地结构是否能够显著影响微气候环境因子？(2)郑州市主城区绿地结构对微气候环境因子的影响规律及其空间分异特征。(3)基于微气候调节功能提升的郑州主城区绿地系统空间结构优化途径。

1 研究区概况

如图1所示, 郑州地处河南省中部偏北, 郑州市共分为惠济区、中原区、金水区、二七区以及管城回族区五部分。郑州市位于黄河中下游和伏牛山脉东北侧向黄淮平原过渡的交接地带, 西南部高、东北部低, 呈阶梯状下降, 陆地范围为东经112°42′—114°14′、北纬34°16′—34°58′, 是我国中部地区重要的国家中心城市, 市区总面积7446.2 km2。属北温带大陆性季风气候, 四季分明, 年平均温度为 14.4 ℃, 年平均降水量为640.9 mm[20]。位于西北部的惠济区是郑州市民饮用水水源的集中地, 位于西南部的二七区地势较高, 具有较多山丘、丘陵, 两者相较于其他地区, 较多的保留了当地的原始地貌环境, 具有丰富的绿地资源, 绿地结构也更为丰富; 位于中部、东部以及东北部多是平原地区, 城市生活场所主要集中于此, 各种建筑以及交通网络也汇聚于此, 因此该地区的绿地面积极大程度上受到限制。

2 研究方法

2.1 数据来源及预处理

本研究基于高分二号遥感影像(GF-2), 成像时间为2017年5月, 研究区影像包括两种数据类型, 一类为空间分辨率为4 m的多光谱影像, 包括蓝、绿、红、近红外等4个波段, 另一类为空间分辨率为0.8 m的全色影像。获取影像之后进行了大气辐射校正、几何校正, 并对影像数据进行了多波段融合、多分辨率数据融合, 从而获取0.8 m分辨率融合影像。基于融合影像, 应用Ecognition Developer 9.2进行绿地矢量信息提取, 制作郑州市主城区绿地分布矢量图及栅格图数据集。

气象因子数据主要来自国家气象科学数据中心。由于郑州地区的冬季和春季气温相对较低, 大部分植物处于落叶期, 绿地的气候调节功能相对较弱, 因此本研究主要选择了2017年夏季和秋季的地面气压、2 m空气比湿、2 m气温及10 m风速等天平均空间分布栅格数据, 数据的分辨率为6 km, 并整理成夏季平均数据集及秋季平均数据集, 之后在ArcGIS中对季节平均数据进行重采样, 形成分辨率为3 km的季节平均空间分布栅格数据集。

图1 研究区区位图

Figure 1 Study area map

2.2 实验设计及数据分析

对应于气象因子变量的空间分辨率, 本研究在ArcGIS中应用Fishnet工具对研究区进行网格划分, 郑州市主城区被分为121个3 km正方形网格单元。本研究旨在探索城区尺度上绿地结构特征对微气候调节功能的影响, 因此选取了在相似研究[21-22]中应用频率较高的6个景观结构指数, 分别是、、、、、等指数(详见表1)。基于网格划分单元, 应用FRAGSTATS 4.2计算每个3 km栅格单元的景观格局指数, 从而获取网格景观结构特征的空间分布矢量和栅格数据集。同时, 本研究基于郑州市的行政区划来进行分区研究, 可以直观的通过各个行政区的城市化发展程度以及各区域在整个郑州市中所起到的主要功能来解释不同的城市绿地空间结构对气候调节带来的影响。

在数据分析方面, 本研究主要选择了皮尔森相关分析、主成分分析及地理加权回归等空间统计学方法。首先将网格单元作为样本, 分别获取绿地景观结构数据集和夏、秋季节的平均气象因子数据集, 并对以上两个非空间数据集进行皮尔森相关分析。皮尔森相关分析结果可以反映两个正态连续变量之间的线性关系。然后, 对6个绿地结构指数变量进行KMO检验和Bartlett球形检验分析, 结果通过检验, 说明绿地结构变量数据适合进行主成分分析。因为6个绿地结构变量之间存在较强的共线性, 基于R中psych包进行主成分分析, 该结果能够反映绿地结构特征的相互关系及各主成分轴所代表的属性梯度, 在最大程度保留方差信息的同时, 达到降维与消除变量间共线性的作用。由于新的主成分变量能够满足地理加权回归模型的要求, 且前三个主成分轴能够解释97%以上的绿地结构数据集的方差, 将三个主成分轴对应网格样方的得分作为三个解释变量, 将夏季、秋季各四个气象因子作为因变量, 分别进行地理加权回归。

表1 景观格局指标含义及单位

对于非空间数据多变量之间的关系研究, 通常应用相关性分析、回归分析等方法, 这些均属于全局分析[23], 忽略了研究范围内各研究单元的地理位置变化, 因此本文采用地理加权回归方法(GWR)。公式1中y为响应变量,x为样点的解释变量,β为x的拟合系数, (u,v)是样本的地理空间位置,ε是第个区域的高斯随机误差。模型的带宽采用自适应空间核与赤池信息量准则(Akaike Information Criterion, AIC)的空间权重计算。研究中分别以地面气压、2 m 空气比湿、2 m 气温及10 m 风速为因变量构建四个GWR回归模型, 而自变量选择代表绿地结构信息的前三个主成分。

在GWR4.0软件进行模型运算后, 通过调整R与以探究四个模型的拟合效果是否优良[24]。此外, 对GWR模型的标准化残差进行空间自相关性检验, 残差处于统计学上的显著聚类时, 表明错误地指定了 GWR 模型[25], 当标准化残差处于随机状分布时, 模型通过检验。最后, 将获取的四个模型中具有地理变化的预测系数及值结果进行可视化显示, 并分析各气象要素模型中的影响因子预测系数的空间特征。

3 结果分析

3.1 绿地结构景观指数与气象因子皮尔森相关分析

如图2所示, 6个绿地结构指标与夏秋季节的微气候环境因子之间的大部分相关关系显著。其中斑块的凝聚度、最大斑块所占面积比例以及聚合度分别与夏秋季节的气象因子总体上呈负相关关系, 说明了在郑州市3 km尺度上, 当绿地斑块的凝聚度和聚合度较大、存在一个或多个面积较大的绿地斑块时, 绿地斑块对该区域的微气候环境因子有显著调节作用; 而斑块的密度、分裂指数以及形状指数分别与夏秋季节的气象因子总体上呈正相关关系, 说明了在郑州市3 km尺度上, 当绿地斑块越密集或斑块越分散、斑块的形状越复杂时, 绿地斑块对该区域的微气候环境因子有显著调节作用。夏秋两季的地面气压与、极显著相关; 夏季2 m空气比湿与6个绿地结构指标都呈极显著相关, 其中与、、为正相关, 与、、为负相关, 秋季2 m空气比湿与、、呈极显著相关; 夏秋季平均2 m气温与绿地结构指标呈现出与夏秋季2 m空气比湿一样的极显著性及正负相关关系; 夏季平均10 m风速与、、呈极显著相关关系, 与、呈显著相关关系, 秋季平均10 m风速与、、、呈极显著相关关系, 其中与呈负相关, 其余为正相关关系。

注: **表示p<0.01,*表示p<0.05。根据皮尔森相关分析所得的图, 图中圆圈颜色饱和度和大小表示相关系数绝对值的大小, 蓝色表示正相关, 红色表示负相关。

Figure 2 Correlation between greenland structure index and meteorological factors

3.2 绿地结构景观指数的主成分分析

对6个景观指数进行主成分分析, 第一主成分能够解释总方差的64%, 第二主成分能够解释总方差的24%, 第三主成分能够解释主成分的9%, 前三轴能够解释总方差的97%, 保留了几乎全部变量信息。如表2所示, 第一主成分主要代表、的信息, 与为正相关关系, 与呈负相关关系, 因此第一主成分从小到大代表了城市绿地斑块的分散程度的增加梯度; 第二主成分与、的相关性较强, 与呈正相关关系, 而与呈负相关关系, 该主成分从小到大代表了绿地斑块面积分布的不均衡性或者优势斑块的优势程度的增加梯度; 第三主成分与、的负相关关系较强, 主成分从大到小主要代表了绿地斑块的形状复杂程度的增加梯度。由此可见, 6个景观指数主要代表了城市绿地斑块的分散程度、优势斑块的优势程度、形状复杂程度三个方面信息。

表2 绿地结构指标与各主成分相关系数

3.3 地理加权回归分析

如表3所示, 所有因变量和对自变量空间自相关检验均具有显著的空间自相关性, 说明以上所有变量包括气象调节因子、景观指数等, 均具有空间非平稳性, 适合进行地理加权回归分析。

如表4所示, 以春秋季8个气象环境因子作为因变量的地理加权回归模型中, 调整R值都比较高, 模型拟合精度较高。对GWR模型标准化残差结果进行空间自相关检验, 结果如表5所示, 夏季气温、秋季空气比湿、风速等指标与绿地结构指标前三个主成分的模型标准残差呈现出随机分布特征(>0.05), 以上三个模型均通过了残差检验, 其模型是可信的。因此, 郑州市主城区绿地结构能够显著影响夏季主城区地表2 m高度的气温、秋季主城区2 m高度的空气比湿及秋季主城区10 m高度的风速。

表3 自变量及因变量Moran’s I空间相关检验

表4 夏季及秋季模型拟合度调整R2及AICc表

表5 GWR模型残差Moran’s I空间自相关检验

如图3、图4所示, 由绿色到红色表示回归系数由负至正,值空间分布图中红色及蓝色区域均为95%置信区间, 说明在红色和蓝色区域, 绿地结构指标与气象因子呈显著相关关系。郑州市夏季地表2 m高度的气温与绿地斑块分散程度的相关关系在城市西北和西南部分主要呈现出正相关关系, 在东北小部分和东南大部分区域呈现出负相关关系, 其中西北和西南部的绿地斑块分散程度具有显著增温作用(图3A、a); 郑州西北部和西南部的气温与绿地优势斑块的优势程度呈正相关关系, 在其余区域呈负相关关系, 其中在西北部呈显著正相关, 而在东北部呈显著负相关(图3B、b); 绿地结构第三主成分主要代表了绿地斑块的形状复杂程度递减梯度, 在郑州市的东北部、中部和西部绿地斑块的形状复杂程度与夏季气温呈现出显著正相关关系(图3C、c)。

从图4(A)和(a)中可以看出, 西北、西南及中部地区的空气比湿与主成分1之间的关系值值为正值, 而在东北部、东部、东南部值为负值。表明在郑州市西北、西南部和中部区域绿地斑块的分散程度与空气比湿呈显著正相关关系, 东北部、东部、东南部呈现负相关关系; 同理分析图4其它部分可知, 郑州市整个东部区域绿地优势斑块的优势程度与空气比湿显著负相关, 而西部区域与空气比湿成正相关关系(图4B、b); 在郑州主城区的中部偏东区域, 绿地斑块的形状复杂程度与空气比湿显著负相关, 而在主城区西北部和南部边缘区两者的关系呈显著正相关(图4C、c)。郑州市西北和西南区域绿地斑块的分散程度与10 m风速呈显著负相关关系(图4D、d); 郑州市东部及南部区域绿地优势斑块的优势程度与空气比湿显著正相关(图4E、e); 在郑州主城区的中部偏东区域, 绿地斑块的形状复杂程度与风速显著正相关, 而在主城区西北部和西南部边缘区两者的关系显著负相关关系(图4F、f)。

4 讨论

研究结果表明, 郑州市主城区绿地结构显著影响了城市夏秋季生态系统的气候调节功能。主城区范围内夏季气温受到绿地优势斑块的优势程度、斑块形状复杂程度以及分散程度的显著影响, 即绿地优势斑块的优势程度越大, 斑块形状复杂程度越大, 夏季气温的降温效果越明显, 而斑块的分散程度越大, 夏季气温的升温效果越明显。绿地通过树冠的遮蔽来减少太阳的直接辐射和植物的蒸腾冷却, 从而实现调节气候的作用, 形成降温效应。在夏季, 绿地中的树木枝繁叶茂, 既能阻挡太阳的直接辐射, 也能阻挡来自墙面及其他相邻物体的反射热, 使得地面的长波辐射热减少, 同时, 夏季植物的蒸腾作用较为强烈, 可以消耗大部分的太阳直接辐射能量。因此, 当绿地优势斑块的优势程度越大、斑块形状复杂程度越大、斑块的分散程度越小时, 绿地中树木的结构层次越复杂, 优势树木数量越多, 能够增加绿地斑块与周边城市环境的能量、物质交换, 更容易产生“冷岛效应”, 从而对该地区的夏季气温有显著的调节作用。相关研究也表明植被空间越复杂, 降温效果越明显[15], 绿地斑块密度越大, 降温效果越显著[17]; 绿地斑块的尺度、形状复杂程度、聚集度以及连通性等结构特征具有降温效果[26-27], 这些研究结果跟本研究基本一致。主城区部分空间秋季空气比湿、风速受到绿地优势斑块的优势程度、斑块形状复杂程度以及分散程度的显著影响, 即绿地优势斑块的优势程度越大, 分散程度越低, 斑块形状复杂程度越大, 秋季空气比湿的增湿效果越明显, 秋季风速的降速效果越显著。植物调节空气比湿的原因主要有两方面: 一方面是由于植物的遮挡作用降低了局部温度, 使其饱和水汽压降低, 从而提高了空气比湿; 另一方面是由于植物蒸腾作用产生了大量水汽, 使得局部空气中的水汽含量增多, 从而提高了空气比湿。绿地优势斑块的优势程度越大, 绿地斑块分散程度越低, 绿地中的优势树木越多且分布更集中, 使得该地区的风速降低, 植物蒸腾作用产生水分的聚集效应越明显, 从而影响了该地区的空气比湿和风速; 单位面积上绿地斑块形状复杂程度越大, 植被与周围城市空间的接触面积越大, 与周围气体交换地越频繁, 从而进一步调节了空气比湿。YU[28]、OISHI[29]等人通过相关研究也得出绿地与风速、空气比湿之间的关系, 且与本研究的结果大致相似。

图3 夏季气温GWR模型回归系数及t值空间分布

Figure 3 Regression coefficient and-value spatial distribution of summer temperature GWR model

图4 秋季比湿、风速GWR模型回归系数及t值空间分布

Figure 4 Regression coefficient and spatial distribution of-value of GWR model for specific humidity and wind speed in autumn

从图3(a、b、c)反映的结果, 可以得出以下绿地布局优化途径: 降低图3a中红色区域(西北、西南、中北和中南)的绿地斑块的分散程度、提高图3b中蓝色地区(东北)优势绿地斑块的优势程度和图3c中蓝色区域(东北、西部)绿地斑块的形状复杂程度, 可以有效降低对应区域的夏季气温; 郑州市地处北方, 秋季气候比较干燥, 秋季空气比湿越大, 人居环境舒适度越高, 为改善秋季气候, 增加秋季空气比湿, 应提高图4a中红色区域(西北、西南、中北和中南)绿地斑块的分散程度和图4c中红色区域(西北、南部)绿地斑块的形状复杂程度、降低图4b蓝色地区(东部)优势斑块的优势程度; 增加图4d中蓝色地区(西北、西南、中部)绿地斑块的分散程度和图4f中蓝色地区(西北、西南)绿地斑块的形状复杂程度、降低图4e中红色地区(南部、东部)优势斑块的优势程度, 可以有效降低对应区域的风速, 反之, 则可以提高相应区域的风速。

5 结论

本文以郑州市主城区为例, 基于高精度遥感影像及夏秋季微气候调节因子空间栅格数据, 应用皮尔森相关分析、主成分分析、空间自相关分析、地理加权回归等方法, 研究郑州市主城区绿地结构对微气候环境因子的影响, 为城市绿地结构的生态系统调节功能价值估算思路提供依据。结论如下: (1)郑州市主城区绿地结构包括绿地斑块的分散程度、优势绿地斑块的优势程度、绿地斑块的形状复杂程度等, 能够显著影响夏季地表平均2 m气温、秋季主城区平均2 m空气比湿及平均10 m风速, 因此对于城市生态系统服务价值的估算不能忽视绿地结构的微气候调节功能。(2)降低研究区西北、西南、中北和中南的绿地斑块的分散程度, 提高东北部优势绿地斑块的优势程度和东北部、西部的绿地斑块的形状复杂程度, 可以有效降低对应区域夏季气温。(3)为改善秋季气候, 增加秋季空气比湿, 应提高研究区西北、南部绿地斑块的形状复杂程度, 降低东部优势绿地斑块的优势程度。(4)增加研究区西北、西南部绿地斑块的形状复杂程度, 降低南部、东部优势斑块的优势程度, 可以有效降低对应区域的风速, 反之, 则可以提高相应区域的风速。

本研究系统揭示了郑州市主城区整体及局部空间上绿地结构对风、温、湿气象因子的影响, 并且研究了绿地结构对气象因子影响特征的空间分布规律, 明确了局部显著影响的范围, 能够更加直观的为郑州市的绿地结构优化提供科学依据, 同时郑州作为典型的北方城市, 该研究思路及结论对我国其他北方城市的绿地布局优化具有一定的借鉴意义。

[1] 世界银行, 国务院发展研究中心课题组. 2030年的中国: 建设现代、和谐、有创造力的高收入社会[M]. 北京: 中国财政经济出版社, 2013.

[2] 王军, 顿耀龙. 土地利用变化对生态系统服务的影响研究综述[J]. 长江流域资源与环境, 2015, 24(5): 798– 808.

[3] 王云才, 申佳可, 彭震伟, 等. 适应城市增长的绿色基础设施生态系统服务优化[J]. 中国园林, 2018, 34(10): 45–49.

[4] 吕东, 王云才, 彭震伟. 基于适宜性评价的快速城市化地区生态网络格局规划以吉林长白朝鲜族自治县为例[J]. 风景园林, 2013(2): 54–59.

[5] CHEN Chundi, WANG Yuncai, JIA Junsong. Public perceptions of ecosystem services and preferences for design scenarios of the flooded bank along the Three Gorges Reservoir: implications for sustainable management of novel ecosystems[J]. Urban Forestry & Urban Greening, 2018, 34(1): 196–204.

[6] 戴尔阜, 王晓莉, 朱健佳, 等. 生态系统服务权衡: 方法、模型与研究框架[J]. 地理研究, 2016, 35(6): 1005– 1016.

[7] 彭建, 杨旸, 谢盼, 等．基于生态系统服务供需的广东省绿地生态网络建设分区[J]. 生态学报, 2017, 37(13): 4562–4572.

[8] 谢高地, 甄霖, 鲁春霞, 等. 一个基于专家知识的生态系统服务价值化方法[J]. 自然资源学报, 2008, 23(5): 911– 919.

[9] 谢高地, 张彩霞, 张雷明, 等．基于单位面积价值当量因子的生态系统服务价值化方法改进[J]. 自然资源学报, 2015, 30(8): 1243–1254．

[10] COSTANZA R, DE GROOT R, SUTTON P, et al. Changes in the global value of ecosystem services[J]. Global Environmental Change-human and Policy Dimen­sions, 2014, 26(1): 152–158.

[11] 李丽, 王心源, 骆磊, 等. 生态系统服务价值评估方法综述[J]. 生态学杂志, 2018, 37(4): 1233–1245.

[12] 谢念斯, 刘胜华. 广州市城市绿地空间格局及其关联性分析[J]. 生态科学, 2019(3): 55–63.

[13] 杨学成, 林云, 邱巧玲. 城市开敞空间规划基本生态原理的应用实践——江门市城市绿地系统规划研究[J]. 中国园林, 2003(3): 69–72.

[14] 赵晓龙, 李国杰, 高天宇. 哈尔滨典型行道树夏季热舒适效应及形态特征调节机理[J]. 风景园林, 2016(12): 74– 80.

[15] 刘滨谊, 林俊. 城市滨水带环境小气候与空间断面关系研究以上海苏州河滨水带为例[J]. 风景园林, 2015(6): 46–54.

[16] 董芦笛, 樊亚妮, 李冬至, 等. 西安城市街道单拱封闭型林荫空间夏季小气候测试分析[J]. 中国园林, 2016, 32(1): 10–17.

[17] 李英汉, 王俊坚, 陈雪, 等. 深圳市居住区绿地植物冠层格局对微气候的影响[J]. 应用生态学报, 2011, 22(2): 343–349.

[18] 邱玲, 刘芳, 张祥, 等. 城市公园不同植被结构绿地削减空气颗粒物浓度研究[J]. 环境科学研究, 2018, 31(10): 1685–1694.

[19] 李锋, 王如松. 城市绿地系统的生态服务功能评价、规划与预测研究——以扬州市为例[J]. 生态学报, 2003, 23(9): 1929–1936.

[20] ZHAO Hongbo, ZHANG Hao, MIAO Changhong, et al. Linking heat source–sink landscape patterns with analysis of urban heat islands: Study on the fast-growing Zhengzhou City in Central China[J]. Remote Sense. 2018, 10(8), 1268– 1269.

[21] MATOS F R, MAGNAGO L F S, GASTAUER M, et al. Effects of landscape configuration and composition on phylogenetic diversity of trees in a highly fragmented tropical forest[J]. Journal of Ecology, 2017, 105(1): 265–276.

[22] MASOUDI M, TAN P Y, LIEW S C. Multi-city comparison of the relationships between spatial pattern and cooling effect of urban green spaces in four major Asian cities[J]. Ecological Indicators, 2019, 98: 200–213.

[23] 许凯, 余添添, 孙姣姣, 等. 顾及尺度效应的多源遥感数据“源”“汇”景观的大气霾效应[J]. 环境科学, 2017, 38(12): 4905–4912.

[24] 程小丹. 基于GWR的共享单车出行特征及影响因素空间异质性研究[D]. 西安: 长安大学, 2019: 49–62.

[25] 赵严. 基于GWR模型的洞庭湖生态经济区耕地数量时空变化及其驱动因素研究[D]. 湘潭: 湖南科技大学, 2016: 52–63.

[26] FAN H, YU Z, YANG G, et al. How to cool hot-humid (Asian) cities with urban trees? An optimal landscape size perspective[J]. Agricultural and Forest Meteorology, 2019, 265(1): 338–348.

[27] MASOUDI M, TAN P Y. Multi-year comparison of the effects of spatial pattern of urban green spaces on urban land surface temperature[J]. Landscape and Urban Planning, 2019, 184(1): 44–58.

[28] YU Deyong, LI XiaoYuan, CAO Qian, et al. Impacts of climate variability and landscape pattern change on evapotranspiration in a grassland landscape mosaic[J]. Hydrological Processes, 2019, 34(4): 1035–1051.

[29] OISHI Y. Urban heat island effects on moss gardens in Kyoto, Japan[J]. Landscape and Ecological Engineering, 2019, 15(2): 177–184.

The influence and enlightenment of the green space structure of Zhengzhou City on the climate regulation factors

WANG Huihui, WANG Yaru, WANG Tengfei, WANG Junmeng, LEI Yakai*

College of Landscape Architecture and Art, Henan Agricultural University, Zhengzhou 450002, China

Based on the GF-2 remote sensing image and the microclimate date in summer and autumn, the correlation analysis, principal component analysis and geographical weighted regression were used to investigate the spatial differentiation characteristics of the relationship between green space structure and microclimate adjustment factors in built-up area of Zhengzhou. The results showed that the microclimate adjustment function was significantly affected by the degree of dispersion, dominance, and the complexity of green patch shape in most areas. In the study area, the smaller the degree of dispersion of green patches in the northwest, southwest, north central and south-central regions, the greater the dominance of the dominant green patches in the northeast, the greater the complexity of the shape of green patches in the northeast and west, the more obvious the cooling effect of the summer temperature in the corresponding space range. The greater the complexity of the shape of the green patches in the northwest and south, and the smaller the dominance of the dominant green patches in the east, the more obvious the effect of autumn air specific humidity in the corresponding space range. The greater the complexity of the shape of the green patches in the northwest and southwest, the smaller the dominance of the dominant patches in the south and east, and the more obvious the effect of reducing the wind speed in autumn. Conversely, the wind speed in the corresponding area could be increased.

urban ecosystem services; green space structure; microclimate; regulatory function

王惠惠, 王亚茹, 王腾飞,等. 郑州市绿地结构对气候调节因子的影响及启示[J]. 生态科学, 2022, 41(3): 98–106.

WANG Huihui, WANG Yaru, WANG Tengfei, et al. The influence and enlightenment of the green space structure of Zhengzhou City on the climate regulation factors[J]. Ecological Science, 2022, 41(3): 98–106.

10.14108/j.cnki.1008-8873.2022.03.011

TU986

A

1008-8873(2022)03-098-09

2020-07-08;

2020-08-15

国家自然科学基金项目(31600579); 河南省科研攻关项目 (162102310093)

王惠惠(1997—), 女, 河南郑州人, 硕士研究生, 主要从事风景园林规划与设计方面的研究, E-mail: whhjjzgb@163.com

雷雅凯, 男, 河南宝丰人, 博士, 副教授, 主要从事风景园林规划与设计、风景园林与公共健康方面的研究, E-mail: lykfjyl@163.com