摘要：【目的】利用拐點(diǎn)法量化公園的降溫效應(yīng)，并確定具有高效降溫效應(yīng)的公園面積和周長閾值范圍，基于多源數(shù)據(jù)綜合考慮城市公園的內(nèi)部和外部特征對其降溫效應(yīng)的影響?！痉椒ā炕?019年9月13日Landsat-8遙感影像，采用輻射傳輸法反演地表溫度；基于高分二號遙感影像，采用隨機(jī)森林法進(jìn)行土地覆被分類；基于百度地圖興趣面（area of interest，AOI）獲取83個公園邊界。利用拐點(diǎn)法得到公園的降溫強(qiáng)度和降溫距離，利用相關(guān)性分析和SHAP分析，從公園內(nèi)景觀特征、公園內(nèi)環(huán)境特征和公園外環(huán)境特征3個方面探討影響因子與公園降溫效應(yīng)之間的關(guān)系?！窘Y(jié)果】①公園的降溫面積閾值為18～19 hm²，周長閾值在1.9～2.0 km。②公園內(nèi)部的建設(shè)用地高占比和較高的斑塊密度會削弱公園降溫效應(yīng)，而水體和綠地的占比則可增強(qiáng)公園降溫效應(yīng)；面積加權(quán)周長比越小的公園越有助于公園降溫效應(yīng)的發(fā)揮。③公園內(nèi)植被結(jié)構(gòu)參數(shù)和生理特征對降溫效應(yīng)有顯著影響，植被冠層越高、長勢越好，降溫距離越遠(yuǎn)；土壤含水量對降溫效應(yīng)至關(guān)重要。④公園外部較高的建筑高度和高道路密度會削弱公園降溫效應(yīng)。【結(jié)論】公園的降溫效應(yīng)受到公園內(nèi)外景觀特征和環(huán)境特征的影響?？梢酝ㄟ^提高公園景觀的完整性、合理配置綠地水體和培育優(yōu)質(zhì)植被等措施來改善公園降溫效應(yīng)，從而緩解城市熱島效應(yīng)。

關(guān)鍵詞：城市公園；城市熱島；冷島效應(yīng)；多源數(shù)據(jù)；拐點(diǎn)法；SHAP分析；南京

中圖分類號：TP79 文獻(xiàn)標(biāo)志碼：A開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

文章編號：1000-2006（2024）03-0285-10

Research on the cooling effect of parks in Nanjing based on multi-source data

ZHU Yunfeng¹， WANG Hong^1*， QIN Shuhong²， YANG Yi³， WANG Yicong⁴

（1. College of Geography and Remote Sensing， Hohai University， Nanjing 210098， China; 2. College of Earth Science and Engineering， Hohai University， Nanjing 210098， China; 3. China Water North Survey， Design and Research Co.， Ltd.， Tianjin 300222， China; 4. Zhejiang Provincial Water Resources and Hydropower Investigation and Design Institute Co.， Ltd.， Hangzhou 310002， China）

Abstract：【Objective】The study aimed to quantify the cooling effect of parks using the inflection point method， and to determine the area and perimeter thresholds of parks with an efficient cooling effect. The internal and external characteristics of urban parks and their influence on the cooling effect was analyzed based on multi-source data. 【Method】 The radiative transfer method was used to retrieve the surface temperature from Landsat-8 remote sensing images on September 13， 2019， and the land cover was classified using the random forest method based on Gaofen-2 remote sensing images. The area of interest （AOI） on the Baidu map was used to determine the boundaries of 83 parks. The inflection point method was used to determine the cooling intensity and cooling distances of parks. The relationship between the cooling effect of parks and three influencing factors， namely， features of the landscape， internal park environment， and external park environment， was determined by correlation analysis and the SHAP analysis. 【Result】 The cooling threshold of parks encompassed an area of 18-19 hm² with a perimeter of about 1.9-2.0 km. The results of feature indicator analysis revealed that the cooling effect of parks can be reduced by a high proportion of construction land and a high patch density within the parks， but enhanced by a high proportion of waterbodies and green spaces. Parks with a smaller area-weighted perimeter ratio had a higher cooling efficiency. The structural parameters and physiological characteristics of the vegetation had a significant influence on the cooling effect of parks. The cooling distances of parks increased was higher in the proportion of vegetation with better growth and greater canopy height. Soil moisture also played a crucial role in the cooling effect of parks. However， the cooling effect was weakened by the presence of surrounding buildings of greater height and a higher road density outside the parks. 【Conclusion】 The cooling effect of parks is influenced by internal and external landscape features and environmental characteristics. The cooling effect of parks can be enhanced by improving the integrity of the landscape， ensuring the distribution of green spaces and waterbodies， and cultivating high-quality vegetation， to mitigater the urban heat island effect.

Keywords：city parks; urban heat island; cold island effect; multi-source data; inflection point method; SHAP analysis; Nanjing City

隨著城市化加速和氣候變化加劇，現(xiàn)代城市環(huán)境面臨嚴(yán)峻挑戰(zhàn)，多數(shù)城市面臨城市熱島和熱浪的雙重威脅^[1]。因此，城市熱島效應(yīng)成為影響城市健康和可持續(xù)發(fā)展的主要因素，研究主題已經(jīng)從監(jiān)測其時(shí)空變化規(guī)律和驅(qū)動機(jī)制轉(zhuǎn)向如何去緩解城市熱島效應(yīng)的方向發(fā)展^[2]。盡管存在多種可能的緩解方案，但是增加城市綠地被廣泛認(rèn)為是改善城市熱島效應(yīng)最經(jīng)濟(jì)有效的措施^[3]。綠地能夠通過多種方式降低地表和周圍環(huán)境的溫度，維護(hù)大氣平衡并減緩熱島效應(yīng)的進(jìn)一步發(fā)展^[4]。

城市公園作為城市綠地的核心組成部分，呈現(xiàn)出與城市熱島效應(yīng)相反的“公園冷島效應(yīng)”^[5]，即公園內(nèi)部的溫度通常低于其周圍環(huán)境。目前已經(jīng)開發(fā)了許多指標(biāo)來量化城市公園的降溫效應(yīng)，如降溫強(qiáng)度、降溫距離、降溫效率^[6]、降溫面積和降溫速率^[7]。為了準(zhǔn)確地界定周邊環(huán)境來測量降溫效應(yīng)，研究者們已經(jīng)開發(fā)了多種基于緩沖區(qū)分析的方法。例如Li等^[8]使用了固定半徑法，以500 m為半徑計(jì)算了鄭州市123個公園的降溫強(qiáng)度，但這種方法不能適應(yīng)不同尺度的公園；如Liao等^[9]采用了等半徑法和等面積法，考慮到公園面積的不同設(shè)置緩沖區(qū)，也將考慮范圍限定在公園面積。相比之下，拐點(diǎn)法通過設(shè)置一定大小的間隔創(chuàng)建多級緩沖區(qū)，每個緩沖區(qū)都有一個平均值，采用緩沖區(qū)內(nèi)第1個下降拐點(diǎn)的地表溫度與公園內(nèi)地表溫度的差值來量化降溫效應(yīng)^[10]，既考慮了公園大小也反映了公園周圍環(huán)境的影響，尤其在特大城市中有較好的適用性^[11]。其中，降溫距離和降溫強(qiáng)度影響著降溫效率、降溫面積和降溫速率。

無論采用何種量化方法，不同公園的降溫效應(yīng)都存在明顯差異，這種差異產(chǎn)生的原因一直是研究者們關(guān)注的重點(diǎn)。長期以來，公園降溫效應(yīng)與公園物理形態(tài)結(jié)構(gòu)的關(guān)系一直是城市規(guī)劃者和設(shè)計(jì)師關(guān)注的問題^[5]。這其中不僅涉及公園的基本物理形態(tài)結(jié)構(gòu)，如面積和周長^[12-16]，還包括比例關(guān)系，如周長與面積之比^[12]。同時(shí)，公園內(nèi)部的景觀構(gòu)成^[14-16]、歸一化植被指數(shù)^[14]和景觀格局指數(shù)^{[12-13，15]}也是決定降溫效應(yīng)的重要因素。但是，現(xiàn)有研究大多集中在這些公園物理形態(tài)和內(nèi)部特性上，很少關(guān)注公園的外部環(huán)境，特別是人為活動、交通運(yùn)輸對公園降溫效應(yīng)的影響。綠地作為公園內(nèi)的主要降溫來源，目前的研究主要關(guān)注植被指數(shù)與公園降溫效應(yīng)的關(guān)系，但較少考慮植被結(jié)構(gòu)參數(shù)和生理特征對于公園降溫效應(yīng)的影響，如樹冠高度、葉面積指數(shù)、葉綠素含量、植被冠層含水量和植被蒸騰等參數(shù)。因此，需要更全面分析涵蓋影響公園降溫效應(yīng)的多方面因素，從而為未來的城市規(guī)劃和環(huán)境優(yōu)化提供更為精準(zhǔn)和綜合的指導(dǎo)方針。

南京市地處長江下游，年均氣溫15.4 ℃，是長江三角洲地區(qū)的特大城市，由于人口密集、高樓林立，城市熱島效應(yīng)明顯。為了最大化綠地所帶來的生態(tài)益處，南京市政府正在努力優(yōu)化綠地空間結(jié)構(gòu)，規(guī)劃在建成區(qū)開發(fā)更多的城市公園，以滿足居民需求并緩解夏季高溫問題^[11]。然而，面對國內(nèi)“人多地少”的現(xiàn)實(shí)困境，城市綠地的規(guī)劃和建設(shè)受到了明顯的空間和財(cái)政限制。并且，綠地降溫效應(yīng)并非隨著綠化面積的無限增加而持續(xù)提高，而是在達(dá)到某一特定閾值后，降溫效應(yīng)的提升將逐漸減緩或趨于穩(wěn)定^[17]。因此，本研究以南京市為例，基于多源數(shù)據(jù)，包括遙感數(shù)據(jù)如高分二號影像、Landsat-8影像和哨兵二號影像，網(wǎng)絡(luò)數(shù)據(jù)如百度地圖興趣面（area of interest，AOI）數(shù)據(jù)和道路數(shù)據(jù)，以及產(chǎn)品數(shù)據(jù)如夜間燈光、人口數(shù)據(jù)、建筑物高度數(shù)據(jù)和森林冠層高度數(shù)據(jù)，通過①利用適合研究區(qū)的拐點(diǎn)法量化公園對環(huán)境的降溫效應(yīng)，并確定具有高效降溫效應(yīng)的公園面積和周長閾值；②不僅考慮公園物理形態(tài)結(jié)構(gòu)、景觀特征和植被指數(shù)，還考慮公園內(nèi)植被結(jié)構(gòu)參數(shù)、生理特征和公園外部環(huán)境特征對公園降溫效應(yīng)的影響，補(bǔ)充這方面的研究，以期為城市公園和綠地的規(guī)劃設(shè)計(jì)提供更加精細(xì)和全面的理論支持。

1 材料與方法

1.1 研究區(qū)概況

南京市（118°22′～119°14′E，31°14′～32°37′N）位于東部沿海經(jīng)濟(jì)帶和長江經(jīng)濟(jì)帶戰(zhàn)略交匯點(diǎn)，屬于亞熱帶季風(fēng)性氣候，素有“火爐”之稱。氣象數(shù)據(jù)顯示，1951—2007年南京市累計(jì)有837個氣溫超過35 ℃的高溫天^[18]。近年來，南京市高溫日明顯增加，對社會公共基礎(chǔ)設(shè)施和居民的身體健康造成嚴(yán)重影響，緩解城市熱島效應(yīng)迫在眉睫。為應(yīng)對這一挑戰(zhàn)，本研究以南京市中心區(qū)為研究對象，包括鼓樓區(qū)、建鄴區(qū)、玄武區(qū)、秦淮區(qū)、雨花臺區(qū)、棲霞區(qū)、浦口區(qū)、江寧區(qū)和溧水區(qū)。

1.2 數(shù)據(jù)來源

1.2.1 溫度數(shù)據(jù)

本研究用于地表溫度反演的遙感數(shù)據(jù)是來自地理空間數(shù)據(jù)平臺（https：//www.gscloud.cn/search）的Landsat-8影像。影像成像時(shí)間為2019年9月13日，行列號120/38，云量為1.13%，有少量朵狀云，全色波段，多光譜波段和熱紅外波段的空間分辨率分別是15、30、100 m。遙感影像的預(yù)處理需要在ArcMap 10.8中進(jìn)行掩膜去云處理，在ENVI 5.3中進(jìn)行輻射定標(biāo)和大氣校正。

1.2.2 土地覆蓋數(shù)據(jù)

本研究用于土地覆蓋分類的遙感影像是來自陸地觀測衛(wèi)星數(shù)據(jù)服務(wù)平臺（https：//data.cresda.cn/）的高分二號數(shù)據(jù)，高分二號數(shù)據(jù)包含空間分辨率為0.8 m的全色波段和3.2 m的多光譜波段，在ENVI 5.3中經(jīng)過正射校正、輻射定標(biāo)、大氣校正、圖像融合和鑲嵌，最后得到1 m分辨率的多光譜數(shù)據(jù)。

1.2.3 公園邊界數(shù)據(jù)

本研究所用的公園邊界數(shù)據(jù)來自百度地圖的API（https：//lbsyun.baidu.com/），爬取AOI的類型為公園綠地，公園目錄同時(shí)也參考了《南京綠地系統(tǒng)規(guī)劃（2013—2020年）》，參考已有研究的篩選規(guī)則^[6，9]，得到83個公園，篩選條件：①面積小于0.5 hm²的公園，減少由于Landsat-8數(shù)據(jù)分辨率引起的實(shí)驗(yàn)誤差；②在大型公園內(nèi)被綠地包圍的小型公園；③鄰近大型河流的公園，靠近大型山脈綠地的公園，被農(nóng)田或者綠地包圍的公園，減少由地理位置帶來的大型水體綠地對公園降溫效應(yīng)的影響。

1.2.4 其他數(shù)據(jù)

本研究采用歐空局（https：//scihub.copernicus.eu/dhus/#/home）2019年9月19日的哨兵二號2A級數(shù)據(jù)計(jì)算植被結(jié)構(gòu)和生理特征參數(shù)，本研究在計(jì)算公園外部環(huán)境影響因子涉及多種數(shù)據(jù)來源，道路數(shù)據(jù)取自O(shè)penStreetMap網(wǎng)站（https：//www.openstreetmap.org），夜間燈光數(shù)據(jù)由湖北省數(shù)據(jù)應(yīng)用中心高分辨率地球觀測系統(tǒng)（http：//59.175.109.173：8888/app/login.html）提供，建筑物高度數(shù)據(jù)來自復(fù)旦大學(xué)生命科學(xué)學(xué)院GC3S團(tuán)隊(duì)研究開發(fā)的中國10 m建筑物高度CNBH數(shù)據(jù)集（https：//zenodo.org/record/706-4268#.ZEQM-vxByUm），人口數(shù)據(jù)由南安普頓大學(xué)生產(chǎn)的worldpop項(xiàng)目（https：//hub.worldpop.org/）生成，而森林冠層高度數(shù)據(jù)則來自馬里蘭大學(xué)地理科學(xué)系的全球土地分析和發(fā)現(xiàn)實(shí)驗(yàn)室（https：//glad.umd.edu/）。

1.3 研究方法

1.3.1 基礎(chǔ)數(shù)據(jù)的獲取

1）地表溫度的反演。本研究采用輻射傳輸方程法反演地表溫度^[19]。其基本原理為，先估計(jì)大氣對地表熱輻射的影響，然后從衛(wèi)星傳感器所觀測到的總熱輻射中減去這部分的影響，以得到地表熱輻射強(qiáng)度，最后將其轉(zhuǎn)化為對應(yīng)的地表溫度。用公式表達(dá)為：

L_λ=[εB（T_s）+（1-ε）L_↓]τ+L_↑。（1）

式中：L_λ為衛(wèi)星傳感器接收到的熱紅外輻射亮度值；L_↑為大氣向上輻射亮度；L_↓為大氣向下輻射到達(dá)地面后反射的能量；B（T_s）為黑體熱輻射亮度；τ為大氣在熱紅外波段的透過率。L_↑、L_↓、τ在NASA（http：//atmcorr.gsfc.nasa.gov/）網(wǎng)站上獲取。ε為地表比輻射率，其計(jì)算采用Sobrino提出的NDVI閾值法^[20]。T_s為地表真實(shí)溫度，可以通過普朗克公式的函數(shù)獲得：

T_s=K₂/ln[K₁/B（T_s）+1]。（2）

對于Landsat-8，K₁=774.89 W/（m²·sr·μm），K₂=1 321.08 K。

2）土地覆蓋的分類。為探究南京市地表溫度與土地覆蓋分類的關(guān)系，本研究根據(jù)《城市用地分類與規(guī)劃建設(shè)用地標(biāo)準(zhǔn)》（GB 50137—2011）及研究需求，將研究區(qū)分為5類：建設(shè)用地、綠地、農(nóng)業(yè)用地、水域和裸地。考慮到隨機(jī)森林在土地覆蓋分類中具有高精度、自動特征選擇、抗噪性強(qiáng)和并行化處理等優(yōu)點(diǎn)^[21]，因此選擇該方法來獲得南京市的土地覆蓋信息。從高分二號數(shù)據(jù)、DEM數(shù)據(jù)和夜間燈光數(shù)據(jù)中提取分類特征，選取的特征包括光譜特征、紋理特征、地形特征和夜間燈光特征。每一土地類別分別有200個訓(xùn)練樣本和100個驗(yàn)證樣本，精度驗(yàn)證結(jié)果顯示總體精度在88.85%以上，Kappa系數(shù)大于0.86，滿足研究需要。

1.3.2 公園降溫效應(yīng)的量化

本研究將公園降溫效應(yīng)描述為城市公園內(nèi)部溫度與周圍環(huán)境溫度的差異^[9]，并采用基于緩沖區(qū)分析的拐點(diǎn)法來量化周圍環(huán)境溫度。首先，以公園為中心30 m為間隔創(chuàng)建了總長為1 200 m的多級緩沖區(qū)（圖1中的黃色部分），則每個緩沖區(qū)環(huán)都有一個平均地表溫度；然后將每個緩沖區(qū)的半徑作為X軸，對應(yīng)的緩沖區(qū)環(huán)內(nèi)平均地表溫度作為Y軸，進(jìn)行繪制。最后，可以從圖中直觀地識別出第1個下降拐點(diǎn)，將拐點(diǎn)到公園邊界的距離^[12]定義為公園降溫距離（park cooling distance，PCD），拐點(diǎn)處平均地表溫度和公園內(nèi)部平均溫度的差值^[9]定義為公園降溫強(qiáng)度（park cooling intensity，PCI）。PCD數(shù)值越大表明公園的降溫效應(yīng)在周圍環(huán)境中覆蓋的范圍越廣，PCI數(shù)值越大表明公園內(nèi)部相對于公園周圍環(huán)境來說，溫度下降得越明顯。

1.3.3 影響公園降溫效應(yīng)的因素

從空間位置的角度來看，公園的降溫效應(yīng)不僅與內(nèi)部因素有關(guān)，還受到外部因素的影響^[15]。已有研究表明，公園降溫效應(yīng)與公園內(nèi)景觀特征存在相關(guān)性^{[13，22]}，本研究使用 Fragstats 4.2從公園面積和邊緣、形狀、多樣性和聚集度4個方面來計(jì)算景觀指標(biāo)（表1）。此外，由于公園降溫效應(yīng)與公園內(nèi)植被結(jié)構(gòu)參數(shù)和生理特征、公園外建筑高度和人類活動等外部環(huán)境特征之間的關(guān)系尚未得到充分研究，因此本研究從3個方面來綜合考慮公園降溫效應(yīng)的潛在影響因子，具體的因子列表可見表1。

其中，在計(jì)算植被結(jié)構(gòu)和生理特征參數(shù)時(shí)，本研究利用SNAP中的生物物理處理模塊計(jì)算植被覆蓋度、葉面積指數(shù)、葉綠素含量、冠層水分含量和有效光合吸收輻射度，只需要輸入重采樣后的哨兵數(shù)據(jù)即可完成計(jì)算。研究表明，該模塊適用于生物物理變量的反演，在反演重要綠色植被方面具有優(yōu)勢^[23]。該模塊是利用PROSAIL模型生成的冠層反射率和相應(yīng)的生物物理變量組成了訓(xùn)練數(shù)據(jù)庫，PROSAIL模型是PROSPECT模型和SAIL模型的耦合模型。它通過將PROSPECT模型輸出的葉片反射率和透射率輸入到SAIL模型中，并輸入冠層結(jié)構(gòu)參數(shù)、觀測幾何參數(shù)和土壤反射率，從而模擬得到冠層光譜反射率。然后根據(jù)訓(xùn)練數(shù)據(jù)庫訓(xùn)練神經(jīng)網(wǎng)絡(luò)以根據(jù)影像的冠層頂部反射率和相應(yīng)的角度來估計(jì)冠層特征^[24]。

1.3.4 重要性排序和相關(guān)性分析

Lundberg等^[25]在解釋模型預(yù)測的統(tǒng)一方法中，提出了SHAP（Shapley additive exPlanations）方法，這是一種解釋機(jī)器學(xué)習(xí)模型預(yù)測的方法，提供了高水平的可解釋性。該方法基于經(jīng)濟(jì)學(xué)家Shapley^[26]提出的博弈論中的Shapley值。在博弈論中，“博弈”是指有多個個體，每個個體都想將自己的收益最大化。而Shapley值通過計(jì)算每個個體在所有可能的合作組合中的平均貢獻(xiàn)來確定其重要程度。這種方法解決了多重共線性問題，不僅考慮單個變量的影響，而且考慮變量之間的協(xié)同效應(yīng)。本研究主要使用了全局可解釋性，計(jì)算所得的值可以顯示每個影響因子對目標(biāo)變量的積極或消極貢獻(xiàn)。同時(shí)利用SPSS 26.0，采用皮爾遜相關(guān)系數(shù)研究不同影響因素與降溫效應(yīng)的關(guān)系^[27]。

2 結(jié)果與分析

2.1 城市公園的降溫閾值與降溫效應(yīng)的評價(jià)結(jié)果

研究區(qū)2019年9月13日地表溫度及土地覆蓋的空間分布見圖2。市中心的地表溫度高于郊區(qū)，顯現(xiàn)出明顯的城市熱島效應(yīng)，圖2c則顯示城市公園形成了與之相反的冷島現(xiàn)象。

研究區(qū)內(nèi)公園面積和周長與平均地表溫度及降溫強(qiáng)度的非線性對數(shù)關(guān)系（圖3），符合邊際效用遞減定律^[9]。圖3a中當(dāng)公園面積從0.63 hm²增加到18.75 hm²時(shí)，地表溫度顯著下降了約3 ℃；當(dāng)公園面積繼續(xù)增加到67.97 hm²時(shí)，公園內(nèi)平均地表溫度的下降幅度逐漸減弱，額外增加近50 hm²卻使溫度下降約0.5 ℃，顯示出溫度下降的閾值效應(yīng)，周長也具有相同的閾值效應(yīng)。這與已有研究結(jié)果類似，關(guān)于常州的研究中建議26 hm²為面積閾值^[28]。相較之下，本研究基于南京市的研究推薦面積18～19 hm²和周長1.9～2.0 km為最佳降溫閾值，并且研究表明不同計(jì)算方法得到的閾值都是有效的^[9]。因此，在城市用地緊張的情況下，為了在有限的土地面積和資源投入下獲得較好的降溫效應(yīng)，可以將公園面積控制在18～19 hm²之間，周長控制在1.9～2.0 km，以實(shí)現(xiàn)投入產(chǎn)出的平衡。

降溫距離與降溫強(qiáng)度呈顯著正相關(guān)，公園的降溫能力越強(qiáng)，覆蓋的范圍就越大（圖4）。本研究中公園的降溫距離在30～390 m之間，平均降溫距離接近150 m。其中，在83個公園中，有52個公園的降溫距離在30～150 m，只有4個公園的降溫距離在300～400 m。公園的降溫強(qiáng)度范圍為0.06～5.79 ℃，平均降溫強(qiáng)度為2.21 ℃。其中，51個公園的降溫強(qiáng)度小于2.5 ℃，只有2個公園的降溫強(qiáng)度超過了5 ℃。當(dāng)公園面積為18.75 hm²時(shí)，降溫強(qiáng)度為2.67 ℃，降溫距離為150 m，可見閾值的降溫強(qiáng)度超過了平均水平。

2.2 公園降溫效應(yīng)影響因素的重要性排序

分別計(jì)算影響因子對PCI和PCD的重要性排序，圖5展示了前30位影響因子對PCI和PCD的全局影響。對PCI來說，所有景觀指標(biāo)的65%在前30，外部環(huán)境特征100%影響著PCI，而僅有30%的內(nèi)部環(huán)境特征。前10位更是有7個影響因子是景觀特征，為DIVISION_building、PD、PLAND_building、MESH、PLAND_green、LPI_building和LPI_water，可見景觀配置和景觀破碎度對PCI影響顯著。對PCD來說，外部環(huán)境特征和內(nèi)部景觀特征仍具有顯著影響，而內(nèi)部環(huán)境特征的影響顯著上升，70%的影響因子在前30。前10位中有6個環(huán)境影響因子，2個外部環(huán)境特征Buffer_road和Buffer_pop，4個內(nèi)部環(huán)境特征TVDI、LAI_cw、LAI_cab和Ec，可見公園外部環(huán)境、植被結(jié)構(gòu)和生理特征對PCD影響顯著。

2.3 景觀特征對公園降溫效應(yīng)的影響

PLAND_building低值對PCI和PCD有正面影響（圖5）。PCI和PCD與PLAND_building的相關(guān)系數(shù)為-0.655和-0.393（Plt;0.01），而與LPI_building的相關(guān)系數(shù)更加表明了公園內(nèi)建設(shè)用地面積的增加會削弱PCI和PCD（表2）。PD、ED、MESH和AI與景觀破碎度有關(guān)，其中MESH_water和AI_green高值有正向影響?？傮w上，高斑塊密度會增加公園內(nèi)的破碎度和邊緣效應(yīng)，景觀元素的不連續(xù)性可能導(dǎo)致空氣流通受阻，局部熱氣滯留，地表溫度升高，降溫效應(yīng)減弱。而水體和綠地的聚集性有助于改善降溫強(qiáng)度和降溫距離。

LPI_water高值對PCI有正向影響，而LPI_green高值對PCD有正向影響，表明當(dāng)公園內(nèi)有優(yōu)勢水體斑塊時(shí)，PCI越大；有優(yōu)勢綠地斑塊時(shí)，PCD越大。關(guān)于PLAND_green對PCI的影響，負(fù)向影響以中低值為主，高值為正向影響，但部分低值也有正向影響，這也許與公園內(nèi)水體占比有關(guān)。有研究表明，在公園面積相似的情況下往往綠地和水體混合配置比單一綠地配置有更好的降溫效應(yīng)^[7，22]。有水公園（PLAND_watergt;5）的降溫效應(yīng)明顯高于無水公園（PLAND_waterlt;1），水體在蒸發(fā)、反射太陽輻射、改變空氣流動等方面具有降溫協(xié)同作用（表3），故PLAND_green較小的公園也具有較高的PCI。

較高的PARA_AM和NLSI表明景觀單元的形狀復(fù)雜，PARA_AM與PCI、PCD和LST的相關(guān)系數(shù)為-0.640、-0.337、0.631。本研究發(fā)現(xiàn)，簡單規(guī)則的公園形狀有助于降低溫度。這與已有研究相符，圓形或正方形的緊湊綠色斑塊具有最高的降溫效率，形狀越復(fù)雜，降溫效率越低^{[7，9，13，22]}，簡單規(guī)則的公園邊界有助于提供更好的自然通風(fēng)，通過風(fēng)的循環(huán)作用，熱量能夠更加有效地被帶走，達(dá)到降溫的效果。但也有研究表明形狀更復(fù)雜的綠色空間內(nèi)溫度較低^[16]，說明這方面的關(guān)系還存在不確定性^[29]。從土地覆蓋類型來看，NLSI_building低值對PCI有正向影響；而NLSI_green低值對PCI有負(fù)向影響，對PCD有正向影響；PARA_AM_water低值對PCI和PCD都有正向影響，表明公園內(nèi)建設(shè)用地形狀越規(guī)則，降溫強(qiáng)度越大，而水體形狀越規(guī)則，公園的降溫強(qiáng)度和降溫距離都會增加，但當(dāng)綠地的形狀越規(guī)則時(shí)降溫距離會變大，而降溫強(qiáng)度會變小。

2.4 環(huán)境特征對公園降溫效應(yīng)的影響

2.4.1 公園內(nèi)部環(huán)境特征

DEM與LST顯著負(fù)相關(guān)，與PCI、PCD正相關(guān)，這與常識相符，較高海拔的區(qū)域往往擁有較低的氣溫和更涼爽的氣候。FVC表示了水平方向上地表被植被遮蔽的比例（表4），F(xiàn)VC高值對PCI有正向影響，表明公園內(nèi)植被覆蓋度越高，降溫強(qiáng)度越大。LAI反映了植被生物量在垂直方向上的分布密度和葉片的覆蓋程度，LAI與PCI和PCD顯著正相關(guān)，表明公園內(nèi)植被的葉面積指數(shù)越高，公園的降溫效應(yīng)越顯著（圖5）。FH高值對PCD有正向影響，表明公園內(nèi)植被冠層越高，公園的降溫距離越遠(yuǎn)。這里體現(xiàn)了植被的遮陰作用對公園的降溫效應(yīng)，較高的植被垂直展張和水平覆蓋程度會提供更多的遮陰，減少太陽光的照射，降低地表的溫度。

LAI_cw和LAI_cab顯著影響著PCD，其與LST的相關(guān)系數(shù)為-0.425和-0.615（Plt;0.01），表明較高的葉綠素含量和冠層含水量會擴(kuò)大公園的降溫距離。主要是因?yàn)槿~綠素是植物中的主要光合色素，它可以吸收太陽輻射能量并轉(zhuǎn)化為化學(xué)能，而水具有較高的熱容量，可以吸收和儲存更多的熱量。TVDI對PCI和PCD都十分重要，TVDI能夠反映地表土壤水分狀況^[30]，常被用于評估植被水分狀況和干旱程度^[31]，TVDI越小，土壤濕度越高。TVDI低值對PCI和PCD都有明顯的正向影響，相關(guān)系數(shù)為-0.716和-0.508（Plt;0.01），表明濕潤的土壤會帶來較低的地表溫度和較好的降溫效應(yīng)。Ec高值對PCD有正向影響，而Es高值對PCD有負(fù)向影響，這表明較強(qiáng)的植被蒸騰作用會降低公園的地表溫度，擴(kuò)大降溫距離，而較強(qiáng)的土壤蒸發(fā)會增加公園的地表溫度，減小降溫范圍（圖5）。

2.4.2 公園外部環(huán)境特征

較高的Buffer_cnbh對PCI和PCD產(chǎn)生負(fù)面影響，表明公園周圍建筑越高，降溫強(qiáng)度和距離會減弱（圖5）。高建筑物表面積大，能吸收儲存更多熱量，且照明、人類活動和設(shè)備使用也會產(chǎn)生熱量。此外，高建筑物可能阻擋氣流，減弱公園通風(fēng)和空氣流動，使熱量和濕度在公園內(nèi)停留時(shí)間增加，從而削弱降溫效應(yīng)。不同用地類型對公園降溫效應(yīng)產(chǎn)生不同影響。居民區(qū)因生活、工作消耗能源產(chǎn)生較高熱量，但綠化和通風(fēng)設(shè)計(jì)可減輕負(fù)面影響。工廠用地因工業(yè)生產(chǎn)需大量能源，產(chǎn)生更高熱量及廢熱、廢氣，對降溫效應(yīng)產(chǎn)生更大負(fù)面影響。商業(yè)區(qū)熱量排放相對較少，主要來自照明、空調(diào)等能源消耗（表5）。

已有研究表明，更高的道路密度意味著更繁忙的交通和更多的人為熱量釋放，這可能會影響公園的降溫效應(yīng)^[15]，本研究也得出相似結(jié)論，即低道路密度有助于擴(kuò)大降溫距離并增強(qiáng)降溫強(qiáng)度。圖5中Buffer_pop對PCD也有重要影響，少量高值對PCD產(chǎn)生正向影響，表明產(chǎn)生較大降溫距離的公園周圍人口密度較大；Buffer_luojia高值對PCI和PCD都產(chǎn)生正向影響，這表明在燈光密度較大區(qū)域的公園所產(chǎn)生的降溫效應(yīng)越好，這也許是因?yàn)榻禍匦?yīng)較好的公園更吸引人口居住和經(jīng)濟(jì)建設(shè)，如莫愁湖公園的降溫效應(yīng)好于求雨山文化公園，其周圍的人口密度和燈光亮度密度也大于求雨山文化公園。從土地覆被類型來看，Buffer_building高值對PCI和PCD有正向影響，這是因?yàn)楫?dāng)公園修建在人口密度較高、經(jīng)濟(jì)較為繁榮的區(qū)域時(shí)，公園周圍的建設(shè)用地占比必定相對較高，城市熱島效應(yīng)較為明顯，這與公園的低溫內(nèi)部形成強(qiáng)烈溫差，從而出現(xiàn)較高的降溫強(qiáng)度。表5中Buffer_green、Buffer_water和Buffer_building與LST的相關(guān)系數(shù)表明在降溫距離內(nèi)增加綠地和水體的占比，可能會產(chǎn)生降溫協(xié)同作用，從而降低公園內(nèi)部的溫度。

3 結(jié) 論

本研究利用地表溫度的差異揭示了城市公園具有降溫效應(yīng)。然后，利用拐點(diǎn)法計(jì)算得到降溫強(qiáng)度和降溫距離，并通過回歸分析得到了降溫閾值，發(fā)現(xiàn)在面積受限時(shí)，面積維持在18～19 hm²、周長控制在1.9～2.0 km可實(shí)現(xiàn)最佳降溫效應(yīng)。最后，采用相關(guān)性分析和SHAP分析公園特征與降溫效應(yīng)的關(guān)系，分析結(jié)果表明：一方面，景觀特征對降溫強(qiáng)度具有顯著影響，保持公園景觀的完整性以及水體和綠地的合理配置對公園降溫效應(yīng)的改善十分重要；另一方面，環(huán)境特征對降溫距離的影響也十分顯著，特別是公園外道路密度和公園內(nèi)土壤含水量，同時(shí)植被冠層含水量和葉綠素含量等植被結(jié)構(gòu)參數(shù)通過光合作用和植被蒸騰影響著公園降溫距離，可見公園內(nèi)植被的優(yōu)質(zhì)培育對擴(kuò)大降溫距離至關(guān)重要，同時(shí)應(yīng)盡可能地減輕周圍環(huán)境的負(fù)面影響。本研究未考慮不同類型和種類的植被對降溫效應(yīng)的具體影響，以及使用的Landsat-8數(shù)據(jù)分辨率相對較低，未來可采用更高分辨率的熱紅外數(shù)據(jù)研究不同類型植被的降溫效應(yīng)。

參考文獻(xiàn)（reference）：

[1]STEWART I D，OKE T R．Local climate zones for urban temperature studies[J]．Bull Am Meteor Soc，2012，93（12）：1879-1900．DOI： 10.1175/bams-d-11-00019.1.

[2]胡欣雨.南陽市主城區(qū)熱島效應(yīng)及綠地降溫作用研究[D]. 福州：福建農(nóng)林大學(xué)，2022. HU X Y. Study on the heat island effect and the cooling effect of green space in the main urban area of Nanyang City[D]. Fuzhou：Fujian Agriculture and Forestry University，2022. DOI： 10.27018/d.cnki.gfjnu.2022.000129.

[3]CUI Y P，XIAO X M，DOUGHTY R B，et al．The relationships between urban-rural temperature difference and vegetation in eight cities of the Great Plains[J]. Front Earth Sci，2019，13（2）：290-302．DOI： 10.1007/s11707-018-0729-5.

[4]倪黎，沈守云，黃培森．園林綠化對降低城市熱島效應(yīng)的作用[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2007，27（2）：36-43．NI L，SHEN S Y，HUANG P S．Research on city gardening to reduce the urban heat island effect of Changsha City[J]. J Cent South Univ For Technol，2007，27（2）：36-43．DOI： 10.3969/j.issn.1673-923X.2007.02.007.

[5]QIU K B，JIA B Q．The roles of landscape both inside the park and the surroundings in park cooling effect[J]. Sustain Cities Soc，2020，52：101864．DOI： 10.1016/j.scs.2019.101864.

[6]YANG G Y，YU Z W，J?RGENSEN G，et al．How can urban blue-green space be planned for climate adaption in high-latitude cities：a seasonal perspective[J]. Sustain Cities Soc，2020，53：101932．DOI： 10.1016/j.scs.2019.101932.

[7]趙海月，胡淼，朱建寧，等．高密度中心城區(qū)藍(lán)綠空間冷島效應(yīng)及其影響因素：以北京五環(huán)路以內(nèi)地區(qū)為例[J]. 生態(tài)學(xué)報(bào)，2023，43（12）：4904-4919．ZHAO H Y，HU M，ZHU J N，et al．Blue-green space cooling effect and its influencing factors in metropolitan area：a case study on the area within the Fifth Ring Road in Beijing[J]. Acta Ecol Sin，2023，43（12）：4904-4919．DOI： 10.5846/stxb202205251482.

[8]LI H W，WANG G F，TIAN G H，et al．Mapping and analyzing the park cooling effect on urban heat island in an expanding city：a case study in Zhengzhou City，China[J]. Land，2020，9（2）：57．DOI： 10.3390/land9020057.

[9]LIAO W，CAI Z W，F(xiàn)ENG Y，et al．A simple and easy method to quantify the cool island intensity of urban greenspace[J]. Urban For Urban Green，2021，62：127173．DOI： 10.1016/j.ufug.2021.127173.

[10]YU Z W，GUO X Y，J?RGENSEN G，et al．How can urban green spaces be planned for climate adaptation in subtropical cities？[J]. Ecol Indic，2017，82：152-162．DOI： 10.1016/j.ecolind.2017.07.002.

[11]XIAO Y，PIAO Y，PAN C，et al．Using buffer analysis to determine urban park cooling intensity：five estimation methods for Nanjing，China[J]. Sci Total Environ，2023，868：161463．DOI： 10.1016/j.scitotenv.2023.161463.

[12]GAO Y，PAN H F，TIAN L．Analysis of the spillover characteristics of cooling effect in an urban park：a case study in Zhengzhou City[J]. Front Earth Sci，2023，11：1133901．DOI： 10.3389/feart.2023.1133901.

[13]TAN X Y，SUN X，HUANG C D，et al．Comparison of cooling effect between green space and water body[J]. Sustain Cities Soc，2021，67：102711．DOI： 10.1016/j.scs.2021.102711.

[14]GAO Z，ZAITCHIK B F，HOU Y，et al．Toward park design optimization to mitigate the urban heat island：assessment of the cooling effect in five U．S． cities[J]. Sustain Cities Soc，2022，81：103870．DOI： 10.1016/j.scs.2022.103870.

[15]GENG X L，YU Z W，ZHANG D，et al．The influence of local background climate on the dominant factors and threshold-size of the cooling effect of urban parks[J]. Sci Total Environ，2022，823：153806．DOI： 10.1016/j.scitotenv.2022.153806.

[16]PENG J，DAN Y Z，QIAO R L，et al．How to quantify the cooling effect of urban parks？Linking maximum and accumulation perspectives[J]. Remote Sens Environ，2021，252：112135．DOI： 10.1016/j.rse.2020.112135.

[17]FAN H Y，YU Z W，YANG G Y，et al．How to cool hot-humid （Asian） cities with urban trees？An optimal landscape size perspective[J]. Agric For Meteor，2019，265：338-348．DOI： 10.1016/j.agrformet.2018.11.027.

[18]孫燕，濮梅娟，張備，等．南京夏季高溫日數(shù)異常的分析[J]. 氣象科學(xué)，2010，30（2）：279-284．SUN Y，PU M J，ZHANG B，et al．Analysis of high temperature days anomaly in Nanjing[J]. Sci Meteor Sin，2010，30（2）：279-284．DOI： 10.3969/j.issn.1009-0827.2010.02.022.

[19]YU X L，GUO X L，WU Z C．Land surface temperature retrieval from landsat 8 TIRS：comparison between radiative transfer equation-based method，split window algorithm and single channel method[J]. Remote Sens，2014，6（10）：9829-9852．DOI： 10.3390/rs6109829.

[20]SOBRINO J A，JIMéNEZ-MUOZ J C，PAOLINI L．Land surface temperature retrieval from LANDSAT TM 5[J]. Remote Sens Environ，2004，90（4）：434-440．DOI： 10.1016/j.rse.2004.02.003.

[21]FERNNDEZ-DELGADO M，CERNADAS E，BARRO S，et al．Do we need hundreds of classifiers to solve real world classification problems？[J]. J Mach Learn Res，2014，15：3133-3181．

[22]趙芮，申鑫杰，田國行，等．鄭州市公園綠地景觀特征對公園冷島效應(yīng)的影響[J]. 生態(tài)學(xué)報(bào)，2020，40（9）：2886-2894．ZHAO R，SHEN X J，TIAN G X，et al．The influence of landscape characteristics of a park green space on the park cool island effect in Zhengzhou City[J]. Acta Ecol Sin，2020，40（9）：2886-2894．DOI： 10.5846/stxb201904230827.

[23]DANNER M，BERGER K，WOCHER M，et al．Efficient RTM-based training of machine learning regression algorithms to quantify biophysical amp; biochemical traits of agricultural crops[J]. ISPRS J Photogramm Remote Sens，2021，173：278-296．DOI： 10.1016/j.isprsjprs.2021.01.017.

[24]江海英，柴琳娜，賈坤，等．聯(lián)合PROSAIL模型和植被水分指數(shù)的低矮植被含水量估算[J]. 遙感學(xué)報(bào)，2021，25（4）：1025-1036．JIANG H Y，CHAI L N，JIA K，et al．Estimation of water content for short vegetation based on PROSAIL model and vegetation water indices[J]. Natl Remote Sens Bull，2021，25（4）：1025-1036．

[25]LUNDBERG S M，LEE S I．A unified approach to interpreting model predictions[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems．December 4-9，2017，Long Beach，California，USA：ACM，2017：4768-4777．DOI： 10.5555/3295222.3295230.

[26]SHAPLEY L S．17．A value for n-person games[M]//Contributions to the Theory of Games （AM-28），Volume II．Princeton. New Jersey， USA：Princeton University Press，1953：307-318．DOI： 10.1515/9781400881970-018.

[27]韓煜娜，左德鵬，王國慶，等．變化環(huán)境下青藏高原陸地水儲量演變格局及歸因[J]．水資源保護(hù)，2023，39（2）：199-207，214．HAN Y N，ZUO D P，WANG G Q，et al．Evolution pattern and attribution analysis of terrestrial water storage in Tibetan Plateau under changing environment[J]．Water Resour Prot，2023，39（2）：199-207，214．DOI： 10.3880/j.issn.1004-6933.2023.02.024.

[28]王新軍，馮星瑩，陳凱莉，等．城市公園的冷島效應(yīng)研究：以常州市為例[J]. 中國環(huán)境科學(xué)，2021，41（9）：4245-4252．WANG X J，F(xiàn)ENG X Y，CHEN K L，et al．Study on the cooling effect of urban parks base on the case of Changzhou，Jiangsu，China[J]. China Environ Sci，2021，41（9）：4245-4252．DOI： 10.19674/j.cnki.issn1000-6923.20210603.002.

[29]YU Z W，YANG G Y，ZUO S D，et al．Critical review on the cooling effect of urban blue-green space：a threshold-size perspective[J]. Urban For Urban Green，2020，49：126630．DOI： 10.1016/j.ufug.2020.126630.

[30]姚春生，張?jiān)鱿?，汪瀟．使用溫度植被干旱指數(shù)法（TVDI）反演新疆土壤濕度[J]. 遙感技術(shù)與應(yīng)用，2004，19（6）：473-478．YAO C S，ZHANG Z X，WANG X．Evaluating soil moisture status in Xinjiang using the temperature vegetation dryness index （TVDI）[J]. Remote Sens Technol Appl，2004，19（6）：473-478．DOI： 10.3969/j.issn.1004-0323.2004.06.008.

[31]SANDHOLT I，RASMUSSEN K，ANDERSEN J．A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sens Environ，2002，79（2/3）：213-224．DOI： 10.1016/s0034-4257（01）00274-7.

（責(zé)任編輯 孟苗婧 鄭琰燚）