EN中文

Economic geography >

2026 , Vol. 46 >Issue 1: 108 - 118

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.01.011

Gradient Differences of Urban Development Regarding the Impact of Urban Spatial Form on the Intensity of the Urban Heat Island： A Case Study for Hefei City

  • WANG Li , 1 ,
  • CHENG Yujia 2
Expand
  • 1. School of Geographic Science， Nanjing University of Information Science & Technology， Nanjing 210044，JiangSu， China
  • 2. School of Teacher Education， Nanjing University of Information Science & Technology， Nanjing 210044，JiangSu， China

Received date: 2025-07-25

  Revised date: 2025-11-24

  Online published: 2026-02-12

Fold

Abstract

Focusing on Hefei's central urban area and based on the multi-source data such as Landsat data, NPP-VIIRS-like nighttime light data, land cover data, green space data, and building footprint data, this study systematically investigates the gradient differences and marginal effects of urban morphological indicators on heat island intensity using the DEMATEL-ISM model with GBRT (Gradient Boosted Regression Trees). Key findings reveal that: 1) Heat island intensity increased with urban expansion from 2006 to 2020, but decelerated over time. 2) Urban morphology indicators exhibit gradient-dependent impacts on urban heat island intensity. Critical optimization pathways vary across development gradients: land-use configuration dominates in high-development zones, while green space patterns are prioritized in low-development zones. 3) Marginal effects of morphological indicators show distinct gradient variations. The intensity and direction of key indicators' impacts shift with their values, accompanied by divergent thresholds and positive/negative critical points.

Key words： urban morphology; urban heat island; urban development gradient; construction land; green space system; architectural combination form; Hefei City

Cite this article

WANG Li , CHENG Yujia . Gradient Differences of Urban Development Regarding the Impact of Urban Spatial Form on the Intensity of the Urban Heat Island： A Case Study for Hefei City[J]. Economic geography, 2026 , 46(1) : 108 -118 . DOI: 10.15957/j.cnki.jjdl.2026.01.011

城市热岛（Urban Heat Island，UHI）是城市化进程中普遍存在的环境现象，其显著特征是城市区域气温持续高于周边郊区[1]。除此之外，城市扩张过程中绿地和水体面积的减少，也直接削弱了自然生态系统的蒸散发降温能力。该现象会加剧空气污染、形成局地降水异常、增加极端天气事件的发生概率和能源消耗，严重影响人们的健康和福祉，并可能导致一些疾病的发病率和死亡率增加，甚至导致城市地区的暴力事件[2]。这些影响相互叠加，不仅降低了城市宜居性，还通过改变局地气候特征，引发一系列环境问题，对城市生态安全和可持续发展构成了严峻挑战。因此，研究城市形态对热岛强度影响的城市发展梯度差异，对于制定有效的城市规划和管理策略，缓解城市热岛效应，提升城市居民的生活质量具有重要意义。
城市空间结构特点与热岛效应的空间异质性分析，一直是城市生态及城市规划领域的重要研究方向。针对城市形态与UHI的关联性已开展大量研究并取得显著进展，已有研究证实影响因子对UHI的影响具有空间异质性，地表城市热岛存在显著的空间自相关性，驱动因素对地表城市热岛强度的作用方向呈现结构性分异[3]。但城市发展梯度对热岛强度的影响机制复杂，梯度差异下的深入研究仍显不足，进一步探讨不同城市发展梯度内驱动因素的影响差异对优化细化城市发展策略意义深远。此外，在探讨热岛效应强度与影响因素之间的整体关联性方面[4-9]，影响因素对城市热环境的边际效应及作用路径的异质性讨论尚显不足，致使规划策略难以实现精准调控。
本文主要基于局部气候分区（LCZ）理论和景观生态学“格局—过程”理论的核心思想，尝试揭示不同城市地表结构如何通过改变地表能量平衡过程，如辐射吸收、热容量、通风效率而形成独特的局地气候。在此基础上，进一步提出城市形态指标的细微差异也会通过上述物理过程，对热岛强度产生显著影响，且这种影响机制会随城市发展梯度而变化。为验证这一理论假设，本文构建格局—过程—效应的分析框架，格局由16项城市形态指标量化，过程是地表能量平衡、通风效率等物理过程，效应即热岛强度（HI）。
本文选取合肥市中心城区为研究区域，整合多源遥感数据与经GBRT模型优化的DEMATEL-ISM组合模型，量化“格局”对“效应”的直接贡献，解析“格局”指标内部的因果网络，间接反演和揭示其中关键的“过程”机制，以探讨不同城市发展梯度下，城市形态对城市热岛效应的影响差异，同时分析关键影响因素的边际效应。理论层面，本文通过梯度回归树模型捕捉变量间非线性关系，突破了传统线性模型的局限；同时结合解释结构模型揭示多层级因果传导路径，构建层级递阶模型，为复杂城市系统的热环境机理研究提供了方法论。实践层面，本文提出梯度差异化的形态优化路径，为合肥市城市建设规划提供了细化到不同区域的优化策略指导，以期缓解城市热岛问题，同时对同类型城市缓解城市热岛效应、实现“双碳”目标下的可持续人居环境建设具有重要参考价值。

1 研究区与数据

1.1 研究区概况

合肥是安徽省省会，为长三角地区重要的中心城市，总面积11445 km2。本文选取合肥市中心城区为研究对象，包括庐阳区、蜀山区、瑶海区和包河区4个市辖区，总面积约1320 km2。
作为华东地区的重要枢纽城市，合肥市不仅承载着皖江经济带核心增长极的战略定位，更作为省会都市圈核心引擎和长三角一体化副中心构建起国家级综合交通枢纽与数字信息通信枢纽的立体网络，其城镇化水平位居安徽省第一位[10]。据统计，合肥市城镇化率从2000年的43.96%提升至2024年的86.38%，建成区面积由125 km2扩张至514.80 km2，城镇化发展迅速，城市化水平显著提升。但是，合肥当前的快速城市化也引起了一系列城市热环境问题，影响了城市生态环境和人居环境，其多次入选全国火炉型重点城市名单。

1.2 研究数据

1.2.1 地表温度数据

由于Landsat数据可获得性有限及2006年合肥市进入“十一五”规划期，城镇化加速，热岛效应凸显，本文选择合肥市2006、2011、2016和2020年4个年份夏季成像时间接近、云量小于10%、成像条件较好的地表温度影像数据[12]进行研究，数据来源于地理空间数据云（http://www.gsclould.cn/）的空间分辨率为30 m的Landsat5/8遥感影像[11-12]，条带号和行编号为121/38。气象站点温度来源于环境气象数据服务平台（http://eia-data.com/）中的全球逐日气象站点数据，选择“合肥市”气象站点获取。

1.2.2 夜间灯光数据

2020年合肥市夜间灯光数据来源于国家科技基础条件平台—国家地球系统科学数据中心[14]（http://www.geodata.cn），是和NPP-VIIRS夜间灯光数据具有一致的参数属性及数据质量的“类NPP-VIIRS”数据，分辨率为500 m。

2 研究方法

2.1 地表温度反演

本文选用大气校正法，由于自2024年1月开始NASA网站不再提供大气剖面参数查询服务，本文使用Landsat 5 TM collection 2 level 2和Landsat 8 OLI_TIRS collection 2 level 2遥感影像。计算公式如下：
$T={b}_{1}·0.00341802+149-273.15$
式中：b1为ST_B10或ST_B6；T为地表温度。本文采用城市热场变异系数（HI）定量分析城市热岛强度[15]。HI的计算公式如下：
$HI=\frac{{T}_{n}-{T}_{mean}}{{T}_{mean}}$
式中：Tn表示第n个网格内的地表温度；Tmean表示研究区域的平均地表温度。

2.2 城市形态指标的确定

城市形态对城市热岛强度影响的探讨有助于指导城市规划，通过形态优化策略提升城市人居环境的可持续性。基于相关研究和研究区的实际情况，从二三维2个维度选取了16项具有代表性的城市形态指标（表1），包括建设用地格局指标、绿地体系布局指标、建筑组合形态指标[16]。
表1 城市形态指标及说明

Tab.1 Indicator and explanation of urban morphology

类别 指标 简写 意义
建设用地格局 斑块面积百分比 Pland 表征网格内的建设用地占比，量化建设用地在局域范围内的扩张程度
斑块密度 PD 网格内的斑块数量
边缘密度 ED 网格内建设用地斑块的边缘总长度，反映景观破碎化程度
最大斑块指数 LPI 建设用地斑块占网格的比例
斑块形状指标 LSI 表征建设用地斑块形状的复杂程度，量化斑块形状的复杂性和不规则性
聚合度 AI 建设用地斑块聚集与连接的程度
绿地体系布局 植被归一化指数 NDVI 量化植被生长状态和覆盖度等植被信息
绿地率 GSR 表征在城市建成区内各类绿化用地的总面积占城市建成区总用地面积的比例
绿地周长面积分维数 GSI 表征绿地斑块形状的复杂程度
建筑组合形态 最高建筑高度 MH 网格内建筑的最大高度
平均建筑高度 AH 网格内建筑的平均高度
建筑起伏度 AM 网格内建筑最高点与最低点的高差
建筑密度 BD 网格内建筑物的基底面积总和占总用地面积的比例，表征建筑物的覆盖率
容积率 FAR 网格内总建筑面积与用地面积的比例
建筑结构指数 BSI 网格内建筑占地面积与建筑高度的比值，表征建筑物的建筑结构特征
天空开阔度 SVF 网格内天空面积与地面面积比值
上述指标的数据来源及处理过程如下：建设用地格局指标通过Fragstats 4.0软件对2020年合肥市地表覆盖数据处理计算得到，地表覆盖数据分辨率是30 m，来源于GlobeLand30（http://globallandcover.com/），基于Landsat TM5、ETM+、OLI多光谱影像、HJ-1、GF-1多光谱影像生成。绿地体系布局指标使用来源于OpenStreetMap地图的2020年合肥市公园绿地数据计算得到。建筑组合形态指标使用合肥市2020年建筑轮廓数据计算获得，其源于Zenodo数据库[17]（https://doi.org/10.5281/zenodo.11397015），包括建筑占地面积和建筑高度等属性。

2.3 城市发展梯度划分

通过划分城市发展梯度，系统解析城市空间结构与热岛效应强度的空间分异关联，揭示不同发展梯度下城市热环境驱动机制的区域差异性特征。既有研究利用城市环路的建设划分城市梯度，分别划分为中心城区、发达城区、发展中城区、郊区和农村地区[18]，也有基于土地利用现状与人口密度利用空间聚类分析划分城市梯度为城区、城郊结合部和郊区[19]，以及引入综合夜间灯光指数（Compounded Night Light Index，CNLI）表征城市化水平和人类活动强度以划分城市发展梯度[16]。综合夜间灯光指数（CNLI）是一个综合、全面反映区域城市化水平且具有较高可比性的灯光指数，已广泛应用于城市扩张、城市经济活动强度等研究[20]，本文采用此方法将合肥市中心城区划分为600 m×600 m的网格，计算每个网格内的CNLI。计算公式如下：
$CNLI=\frac{Are{a}_{light}}{Area}·MLI$
式中：Arealight为网格内灯光面积，通过ENVI对夜间灯光数据进行迭代二值化操作划分灯光区和非灯光区后统计灯光面积[21]；Area为网格面积；MLI为网格内的平均灯光强度。
以往研究从多个视角对城镇化阶段进行了划分，本文参考已有研究成果[22-23]和研究区城镇化发展情况，将合肥市中心城区划分为6个城市发展梯度（图1），并基于此研究城市空间形态对城市发展梯度影响的空间异质性。
图1 合肥市中心城区城市发展梯度划分

Fig.1 Gradient division of urban development in the central urban area of Hefei City

2.4 GBRT模型构建

GBRT（Gradient Boosted Regression Trees）梯度提升回归树模型是Friedman提出的一种集成学习方法，其核心思想是通过迭代地添加弱预测器来构建强预测模型，最小化损失函数。该算法结合了回归树鲁棒性优势和提升方法的优化能力，具有能处理复杂非线性关系和高精度等优点[24]。
本文以网格为单元，以斑块面积百分比（Pland）、斑块密度（PD）、边缘密度（ED）、最大斑块指数（LPI）、斑块形状指标（LSI）、聚合度（AI）、植被归一化指数（NDVI）、绿地率（GSR）、绿地周长面积分维数（GSI）、最高建筑高度（MH）、平均建筑高度（AH）、建筑起伏度（AM）、建筑密度（BD）、容积率（FAR）、建筑结构指数（BSI）、天空开阔度（SVF）这16项城市形态指标为自变量，以热岛强度（HI）为因变量，通过R软件中的“gbm”“pdp”“ggplot2”“dplyr”等包进行建模、数据处理、数据可视化操作，训练GBRT模型和绘制边际效应曲线，参考以往研究参数设置和研究区城市形态、数据特征等设定参数：distribution=“gaussian”，interaction.depth（树深度）=10，n.minobsinnode（叶子结点最小样本数）=5，n.trees（迭代次数）=6000，shrinkage（学习率）=0.005，bag.fraction（子采样率）=0.45[16]。该模型量化了各变量对HI的解释权重，得到了各变量对HI的贡献度，基于此可以得到不同变量之间的相互作用程度以替代传统DEMATEL方法中的专家打分，解释变量间的因果关系。同时，通过绘制的边际效应曲线解析关键指标的单一变量对热岛强度的独立影响，纵坐标>0表明该变量对热岛强度为正向影响，即对热岛效应起促进作用，纵坐标<0表明该变量对热岛强度为负向影响，起抑制作用；斜率变化反映边际效应的强度变化，斜率绝对值较大表示该变量的微小变化对热岛强度可产生显著影响，反之表示边际效应递减。

2.5 改进并构建DEMATEL-ISM模型

DEMATEL-ISM方法有机整合了DEMATEL和ISM两种方法的互补优势，其中DEMATEL是一种多准则决策方法，通过矩阵运算构建因果关系网络，定量化表征复杂系统中各因素之间的交互影响程度，利于分析复杂问题中因果关系的强度和方向，揭示复杂问题中的关键影响因素及影响程度，帮助决策者理解和排序问题的各个方面，但该方法无法有效识别系统中因素的层级结构，本文借助GBRT模型改进DEMATEL方法中的构建直接影响矩阵这一步，以此为基础计算综合影响矩阵和各要素的影响度、被影响度、中心度和原因度；而ISM（Interpretative Structural Modelling Method）解释结构模型法则是基于DEMATEL的因果分析结果，通过计算整体影响矩阵和可达矩阵建立层级递阶模型进一步描述和分析影响因素间因果关系的层次结构。这种耦合方法既能帮助厘清因果关系，又能通过层级划分可视化影响因素之间的优先级和依赖关系，以及系统中的关键因素[25]。
传统的DEMATEL方法主要通过专家给具体影响因素之间的相关关系打分构建直接影响矩阵，但是专家打分的方式往往依赖于专家的个人主观评判，这对于复杂的决策问题是不够的[26]，因此本文融合王森、周振国等的方法[16,25]，引用GBRT模型对直接影响矩阵改进，构建DEMATEL-ISM模型。该模型具体包括：①构建直接影响矩阵；②计算综合影响矩阵；③计算各要素的影响度、被影响度、中心度和原因度；④计算整体影响矩阵和可达矩阵；⑤构建多级递阶结构模型，最终绘制ISM模型图。

3 结果与分析

3.1 城市发展梯度与热岛强度

图2展示了合肥市中心城区的热岛效应在不同时间段内呈现出显著的时空分布特征。从中看出，2006—2020年热岛强度在中心城区逐渐增强，且极强热岛的分布范围有所扩大。具体而言，极强热岛多集中在蜀山区、庐阳区和瑶海区，呈点状分布，这些区域的城市化程度较高，建设用地密集，热岛效应更为显著。随着时间的推移，极强热岛的比例逐年增加，且分布范围逐渐向外围扩展，蜀山区最为突出，极强热岛出现最早，面积最大。
图2 合肥市中心城区热岛强度空间分布演变

Fig.2 Spatiotemporal distribution of heat island intensity in the central urban area of Hefei City from 2006 to 2020

从热岛强度HI的最大值、最小值和平均值的年际变化来看，2006—2020年热岛强度HI的平均值随城市发展强度的提升而增加，但这种增长趋势在不同阶段表现出差异（图3）。具体而言，平均值拟合曲线的斜率变化大体反映了城市发展强度对热岛强度HI有促进作用，2006年尤为突出，而近年来这种促进作用有所减弱。此外，热岛强度HI的最大值和最小值的变化也呈现出一定的规律性。最大值随着城市发展建设逐渐增大，在近年来T5、T6梯度下最大值、最小值出现明显的两极分化。
图3 合肥市中心城区热岛强度随城市发展梯度变化

Fig.3 Change of heat island intensity with urban development gradients in the central urban area of Hefei City from 2006 to 2020

3.2 城市形态对热岛效应影响的梯度差异

3.2.1 影响程度的梯度差异

由图4可知，合肥市中心城区城市空间形态指标对热岛强度的影响具有显著的梯度差异性。在6个梯度内，绿地布局指标植被归一化指数NDVI始终占据主导地位。此外，在某些梯度内建筑组合形态指标相对重要性仅次于NDVI，是影响热岛强度的重要变量。T1和T2是高度城镇化地区。
图4 合肥市不同发展梯度区的城市热岛差异

Fig.4 Differences in urban heat island effect in different development gradient zones in Hefei City

T1梯度内，植被归一化指数NDVI的相对重要性达到29.3%，显著高于其他指标；T2梯度内，NDVI的相对重要性进一步提升至45.6%，绿地率GSR和绿地周长面积分维数GSI两项绿地体系布局的贡献度较其他梯度更大，显示出绿地覆盖度对缓解热岛效应的关键作用，也表明在高度城镇化区域，绿地体系布局对热岛强度的抑制作用尤为突出。同时，T1内建设用地格局指标和建筑组合形态指标交叉作用，共同影响热岛效应；T2内建筑组合形态指标相对重要性逐渐占优，3种类型的指标相对重要性大小大体上是：绿地体系布局指标>建筑组合形态指标>建设用地格局指标。
T3和T4是城市发展建设的过渡地带。建筑组合形态指标中建筑密度BD和建筑结构指数BSI起显著作用，BSI在T4梯度超过NDVI的相对重要性达到了27.2%，除斑块面积百分比PLAND（4.1%）外，容积率FAR和平均建筑高度AH指标的相对重要性也高于所有建设用地格局指标，显示出建筑密度、建筑高度和建筑结构通过影响通风效率和热量散发，从而促进或缓解热岛效应。
T5和T6梯度是开发建设程度相对较低的区域。T5梯度内，相对重要性前7项中有6项均为建筑组合形态指标（BD=17.6%，BSI=10.1%，AH=7.7%，FAR=6.7%，MH=5.4%，SVF=4.3%），表明在该城市发展水平下，三维城市形态指标如建筑密度和建筑结构对热岛强度仍有显著影响。T6梯度下由于建筑密度BD（2.4%）显著降低，最高建筑高度MH（31.2%）对区域内的阴影效应更强，对地表温度的降温作用更为显著。除此之外，建设用地格局指标的贡献率上升，建设用地斑块的破碎性和复杂性可能会增加其与周边绿地、水体等冷源的接触面积，从而更好地发挥生态冷源的降温作用。
由图5可知，合肥市中心城区城市空间形态指标对热岛强度的相对重要性在不同梯度内呈现出显著的差异性，整体呈现出“U”形、倒“U”形、“N”形、倒“N”形和“L”形等变化趋势。具体来说，NDVI在大部分城市发展梯度内均为首要影响因素，影响程度从T1梯度到T6梯度虽有波动，但都保持在20%以上。相比之下，绿地体系布局指标中的绿地率GSI和绿地周长面积分维数GSR贡献度就低得多，GSR在各梯度变化平缓，GSI的相对重要性在T1梯度较高，但随着梯度的增加，其影响作用出现13.2%的降低，这表明区域城镇化水平降低，绿地的分布和质量对热岛强度的影响也逐渐减弱。
图5 城市空间形态指标对不同梯度区的热岛强度影响

Fig.5 Gradient effect of urban morphology indicators on the heat island intensity in different gradient zones

进一步分析发现，建设用地格局指标的影响在不同梯度内表现出一定的波动性，斑块面积百分比Pland、聚合度AI和最大斑块指数LPI变化趋势相近，在T2和T5梯度内出现双波谷，Pland在不同梯度下的相对重要性差异更为显著。建设用地格局指标中最高建筑高度MH在T6梯度内的相对重要性显著上升，达到31.2%，显示出低开发强度的区域建筑高度对热岛强度的影响相对其他梯度更为显著。建筑组合形态指标中建筑结构指数BSI（25.6%）和最高建筑高度MH（29.4%）的波动较大，建筑起伏度AM变化相对平缓，在T1和T6梯度显著降低，建筑密度BD（17.5%）、平均建筑高度AH（7.7%）、容积率FAR（6.7%）均在T5梯度内发挥其对热环境的最大效用。

3.2.2 影响层次的梯度差异

以GBRT模型求得的相对重要性为基础，本文通过DEMATEL算法计算得到各梯度16项指标的原因度和中心度。在6个梯度内，NDVI均为直接影响因素，建筑密度BD和建筑结构指数BSI在T2~T5梯度内作为直接影响因素，建设用地格局指标多充当中间传导角色，绿地率GSR和斑块形状指标LSI在6个梯度内均为结果因素。各个梯度内中心度最高的都是结果因素，是缓解热岛效应需要关注的关键因素。
图6为基于6个梯度的层级递阶图。从中看出，除了T2和T3梯度呈现更为复杂的四级三阶的递阶结构模型，其他梯度均呈现三级二阶递阶结构模型，第一层级中的指标属于表层致因阶，即直接影响因素，T1、T4~T6梯度第二层级中的指标属于过渡致因阶，即间接影响因素，第三层级中的指标属于根源致因阶，即根源影响因素，T2、T3梯度中二三层级均为过渡致因阶，第四层级为根源致因阶。这种层级结构的梯度差异性，体现了城市空间形态指标在不同梯度上的作用机制转换。
图6 合肥市城市形态指标对不同梯度区热岛影响

Fig.6 Impact of urban spatial morphology indicators on the heat island intensity in different gradient zones

3.3 基于梯度差异的城市形态优化策略

3.3.1 关键优化路径

结合城市形态对热岛强度影响的ISM结构模型，根据各城市形态指标的中心度m，分析归纳得到各城市发展梯度内城市形态指标的关键优化路径。具体来说，T1的关键优化路径：GSR→LSI→NDVI和ED→NDVI；T2的关键优化路径：LPI→PD→GSI→NDVI；T3的关键优化路径：ED→Pland→FAR→NDVI和PD→AM→NDVI；T4的关键优化路径：GSI→PD→BSI；T5的关键优化路径：GSR→SVF→NDVI；T6的关键优化路径：GSR→AM→NDVI。6个梯度的关键优化路径均涉及绿地体系布局指标的优化，多个梯度通过调整建筑密度、建筑高度或建筑布局等建筑组合形态改善热环境，这表明无论城市发展阶段如何，缓解热岛效应都需同时关注生态的修复与空间形态的优化。
如图7所示，对于高发展水平的T1区域，绿地率GSR和斑块形状指标LSI是关键因素。GSR通过调节太阳辐射直接影响温度，但LSI会减弱绿地降温效果。边缘密度ED过高会阻碍空气流通。次高发展的T2区域中，最大斑块指数LPI导致绿地分布不均，斑块密度PD升高加剧景观破碎化，绿地形状不规则降低生态效率。由于T1、T2梯度城市发展水平较高，对建设用地形态的调整较难实施，为尽快缓解城市热岛效应，应从根源层GSR和表层NDVI着手调整优化。中等发展的T3区域受建设用地ED和高覆盖率Pland限制，容积率FAR过高，减少太阳反射，斑块密度PD与建筑起伏度AM协同作用导致热量堆积，降低NDVI。T4区域中，绿地体系布局指标绿地周长面积分维数GSI与建筑组合形态指标建筑结构指数BSI协同加剧热辐射。T3、T4梯度城市开发建设水平适中，虽侧重不同指标，但均需通过优化空间形态的完整性和功能效率缓解热环境问题。T5和T6梯度城市发展水平较低，不同于高梯度区域的生态修复和形态优化，更偏向于物理环境的改造，如城市三维空间形态的调整，提升天空开阔度SVF和建筑起伏度AM以提高散热效率。
图7 城市形态关键指标边际效应曲线

Fig.7 Marginal differences of urban morphology indicators on the heat island intensity

3.3.2 关键指标的边际效应

城市形态对热岛强度影响的边际效应如图7所示。
绿地体系布局指标NDVI和GSR以及建设用地格局指标LSI对城市热岛效应起抑制作用。在T6梯度中，NDVI值高，LSI值也高，协同作用缓解城市热岛效应。T2~T5梯度内NDVI对城市热岛强度的影响出现了促进作用，分别在0.091、0.092、0.106出现了“正—负”关系的拐点。
除此之外，其他关键指标均对城市热岛起到促进作用，但各指标的作用效果存在不同程度和方向的波动。边缘密度ED在T1梯度内为中间因素，呈现先增加后降低的趋势，超过14.485后促进作用显著增强，达到18.756后开始减弱，ED在T3梯度中为根本因素，呈现降低—增加—降低的波动。聚合度AI在T2和T4梯度中为中间因素，总体上呈现平稳—增加的趋势，分别在值为95和97后促进作用明显增强。最大斑块指数LPI在T2梯度内为根本因素，对HI的促进作用大体上呈现平稳—降低—增加—降低—增加的上下波动的趋势，在LPI达到75.010时出现显著提升。斑块密度PD在T3内作为中间因素中的深层因素呈现出降低—增加后平稳的变化趋势，在PD值为1.175时促进作用达到最低。绿地周长面积分维数GSI在T4作为根本因素和作为直接因素的建筑结构指数BSI呈现相反的变化趋势，表现为先降低后平稳，在GSI值为1.500时促进作用降到最低且开始保持平稳，BSI达到6804.158后对热岛效应的促进作用趋缓。

4 结论与建议

4.1 主要结论

本文探讨了合肥市中心城区城市空间形态在不同发展梯度下对城市热岛效应影响的异质性，并借助层级递阶模型从不同指标对热岛强度的作用机制分析着手，为城市规划和形态优化提供了精细化的建议。主要结论如下：①合肥市中心城区热岛强度随城市的开发建设而逐步提高，在近些年间逐渐放缓。在T1和T2梯度，城市热岛强度出现明显的两极分化，这主要与工业区集中分布和绿化与生态修复政策的实施有关。②城市形态指标在不同城市发展梯度的区域对城市热岛强度的影响方向和程度存在差异。植被归一化指数NDVI在各城市发展梯度下都具有较强的降温效应，植被通过蒸腾作用、遮荫和降低地表反照率等方式，降低城市温度，但在中高发展梯度下出现NDVI值高，HI值也高的情况，基于“冷岛—热岛耦合效应”理论，这种现象的出现可能是因为人为热输入超过植被降温能力，抵消了植被的降温效应，致使热岛效应加剧。低发展梯度下，建设用地斑块形状复杂、边缘曲折，与周边接触边界更长，同时形成小型通风廊道增加空气流动，NDVI和斑块形状指标LSI两者相互作用，共同起到缓解城市热岛效应的作用。最大斑块指数LPI在较高发展梯度内呈现的波动源于大型斑块如工业区短期内释放大量人为热，但随着绿色基础设施的引入，热辐射被部分抵消。同样反映城市形态复杂结构和功能属性拮抗作用的还有绿地体系布局指标GSI和建筑组合形态指标BSI，其中GSI通过边缘蒸腾降温，BSI蓄热效应显著，二者竞争主导热岛强度变化，应避免单一指标优化引发系统失衡。聚合度AI在中高强度建设区内的升温作用逐渐增加，低聚集阶段热岛效应由分散热源主导，促进作用变化平缓，高聚集阶段因通风受阻和人为热排放的叠加，促进作用增强。③城市形态各指标对HI影响的边际效应具有明显的梯度差异。其中NDVI和GSR对HI的影响在促进和抑制两种作用间转换。高强度建设区内除NDVI外其他指标对HI的影响均为促进作用；低强度建设区内GSR、LSI和NDVI这3项指标均呈现降温效应。这些结果可为分析城市形态在不同城市发展梯度内热岛强度影响的差异性提供参考，能够帮助城市规划者优化城市形态，实现城市热环境的可持续管理。

4.2 对策建议

城市热岛治理需摒弃“一刀切”模式，通过城市梯度划分和影响因素层级划分，归纳不同发展阶段的热岛治理逻辑差异，实现精准调控。以层级递阶模型为参照，确定城市形态调整的先后次序，并结合研究区域的实际情况，通过多层次指标联动给出城市热岛效应缓解的关键优化路径实现系统性治理，并通过边际效益曲线，为城市规划提供指标的阈值加以控制，制定合理的优化方案。
①NDVI对热岛强度虽均能表现出降温效应，但在一定情况下会被人为热排放抵消，所以需要在其他城市形态指标的配合下提高降温效应，如降低边缘密度ED、斑块密度PD，提高天空开阔度SVF，更好地发挥NDVI的热汇作用。
②发挥绿地形状指数（GSI）与建筑结构指数（BSI）协同作用，规定GSI≥1.5，BSI≤6804，设计锯齿状或楔形绿地嵌入建筑群，而非简单的方形草坪，以此增加绿地与硬质界面的接触长度，通过锯齿状绿地嵌入建筑群，抵消建筑用地产生的热效应。最大化其“边缘效应”和生态降温能力。
③在高发展梯度地区，限制单一建设用地斑块占比LPI<75%，推动工业＋绿地混合布局，同时划定“通风廊道”，要求建筑高度设计，满足一定的SVF，减少热量的堆积与滞留。在合肥老城区，新增地面绿地空间极其有限，应重点推行立体绿化。例如，在长江路、金寨路等主干道沿线鼓励屋顶绿化和垂直绿化；借鉴淮河路步行街改造经验，在商业街区见缝插针地建设类似于逍遥津公园的“口袋公园”。
④构建“边际效应—热岛强度”的响应模型，实时监测关键指标的阈值和“正—负”临界值，基于此，进行规划建设。处于低发展梯度的巢湖沿岸是合肥最重要的生态屏障，其开发建设必须遵循《合肥市“十四五”巢湖综合治理规划》。坚决维护董铺水库、大房郢水库水源保护区的现状低开发强度，推进环湖湿地生态修复。充分利用自然水体和林地的降温效应，任何项目的新建都必须进行严格审批论证，优先保障天空开阔度，避免房地产项目过度入侵而形成新的“热源”。
⑤除层级递阶图中显示的关键指标，也可以通过调整其他指标缓解热岛效应，如结合建筑起伏度AM错落布局建筑，提升通风潜力，或限制AM，鼓励采用组团式、错落有致的建筑布局以促进通风散热，减少涡流热滞留。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Voogt J A, Oke T R. Thermal remote sensing of urban climates[J]. Remote Sensing of Environment, 2003, 86(3):370-384.

DOI

[2]
Tomlinson C J, Chapman L, Thornes J E, et al. Including the urban heat island in spatial heat health risk assessment strategies:A case study for Birmingham,UK[J]. International Journal of Health Geographics, 2011, 10:42.

DOI PMID

[3]
牛陆, 张正峰, 彭中, 等. 中国地表城市热岛驱动因素及其空间异质性[J]. 中国环境科学, 2022, 42(2):945-953.

[4]
宋鑫博, 黄鹤, 郭军, 等. 城市形态对夏季热环境影响研究——以天津中心城区为例[J]. 生态环境学报, 2021, 30(11):2165-2174.

DOI

[5]
Lin J Y, Qiu S X, Tan X J, et al. Measuring the relationship between morphological spatial pattern of green space and urban heat island using machine learning methods[J]. Building and Environment, 2023, 228:109910.

DOI

[6]
Han D, An H, Wang F, et al. Understanding seasonal contributions of urban morphology to thermal environment based on boosted regression tree approach[J]. Building and Environment, 2022, 226:4-5.

[7]
Cao S S, Weng Q H, Lu L L. Distinctive roles of two-and three-dimensional urban structures in surface urban heat islands over the conterminous United States[J]. Urban Climate, 2022, 44:3-6.

[8]
Hoffmann P, Krueger O, Schlünzen K H. A statistical model for the urban heat island and its application to a climate change scenario[J]. International Journal of Climatology, 2012, 32(8):1238-1248.

DOI

[9]
梁洪武, 阿里木江·卡斯木, 赵禾苗, 等. 基于地理探测器的乌鲁木齐市主城区地表温度及其影响因素[J]. 兰州大学学报(自然科学版), 2022, 58(3):356-363,371.

[10]
邸俊楠. 合肥市热岛“源—汇”景观时空特征及驱动因素研究[D]. 淮南: 安徽理工大学, 2024.

[11]
Earth Resources Observation and Science Center. Landsat 8-9 Operational Land Imager/Thermal Infrared Sensor Level-2,Collection 2[DB/OL]. Reston: U.S. Geological Survey, 2020.

[12]
Earth Resources Observation and Science Center. Landsat 4-5 Thematic Mapper Level-2,Collection 2[DB/OL]. Reston: U.S. Geological Survey, 2020.

[13]
熊鹰, 章芳. 基于多源数据的长沙市人居热环境效应及其影响因素分析[J]. 地理学报, 2020, 75(11):2443-2458.

DOI

[14]
Chen Z, Yu B, Yang C, et al. An extended time series (2000-2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration[J]. Earth System Science Data,2021, 3(13):889-906.

[15]
李军, 赵彤, 朱维, 等. 基于Landsat8的重庆主城区城市热岛效应研究[J]. 山地学报, 2018, 36(3):452-461.

[16]
王森, 曾穗平, 卢鋆镆, 等. 郑州城市形态对热岛强度影响的城市发展梯度差异[J]. 环境科学, 2024, 46(3):1924-1936.

[17]
Che Y, Li X, Liu X, et al. 3D-GloBFP:The first global three-dimensional building footprint dataset[J]. Earth System Science Data, 2024, 16(11):5357-5374.

DOI

[18]
申杰, 张维维, 韩继刚. 城市化梯度下上海公园土壤微生物群落分布特征及关键驱动因素[J]. 生态学杂志, 2025, 44(10):3169-3177.

[19]
孙洋洋, 沈泽琦, 黄乐妍, 等. 不同城市绿地类型碳源/汇的城乡梯度格局——以杭州市为例[J]. 生态学报, 2024, 44(3):930-943.

[20]
陈晋, 卓莉, 史培军, 等. 基于DMSP/OLS数据的中国城市化过程研究——反映区域城市化水平的灯光指数的构建[J]. 遥感学报, 2003, 7(3):168-175.

[21]
杨柳, 梁俊红, 丁凯焱, 等. 从夜间灯光数据中提取城市建成区的改进方法[J]. 地理空间信息, 2024, 22(1):24-28.

[22]
陈彦光, 周一星. 城市化Logistic过程的阶段划分及其空间解释——对Northam曲线的修正与发展[J]. 经济地理, 2005, 25(6):817-822.

[23]
高珮义. 中外城市化比较分析[J]. 天津社会科学, 1990, 4(1):68-74.

[24]
Friedman J H. Greedy function approximation:A gradient boosting machine[J]. The Annals of Statistics, 2001, 29(5):1189-1232.

DOI

[25]
周振国, 孔洁. 基于DEMATEL-ISM的商业建筑节能减排影响因素分析[J]. 工程管理学报, 2024, 38(4):66-70.

[26]
孔造杰, 赵啸天, 李斌, 等. 考虑不同专家偏好的区间粗糙数DEMATEL决策方法[J]. 制造业自动化, 2019, 41(5):66-69.

[27]
解云舒, 祝连波. 基于DEMATEL-ISM的旅游城市防霾建设韧性评价关键指标识别研究[J]. 上海节能, 2024, 1(12):1906-1915.

[28]
Stewart I D, Oke T R. Local climate zones for urban temperature studies[J]. Bulletin of the American Meteorological Society, 2012, 93(12):1879-1900.

DOI

[29]
陈为公, 张娜, 张友森, 等. 基于DEMATEL-ISM的城市灾害韧性影响因素研究[J]. 灾害学, 2021, 36(1):1-6,17.

Options
Outlines

/

〈 〉