在传统的城市热环境成因研究工作中，人们往往会忽略对主控因素的有效空间表达。近日，城市生态与人居环境团队成员郭冠华副教授在景观生态学领域TOP期刊Landscape Ecology在线发表了“Location of greenspace matters: a new approach to investigating the effect of the greenspace spatial pattern on urban heat environment”一文，该研究综合了最佳子集回归、地理加权回归和层次分解方法，提出了一种用于城市热环境主控因素空间制图的新方法，有效解决了热环境主控因素的空间表达问题。
研究背景
高速城市化推进导致城市建设用地扩张，深刻地改变地表热量平衡，使得城市热环境不断恶化。遥感影像数据的广泛应用使得在不同空间尺度上进行城市热环境驱动机理研究成为可能。但是，过往的研究常常把城市视作均质的区域，分析得到的结果是单一一个主控因素，大大忽略了城市景观格局的高度异质性特征。因此，寻求简单高效的城市热环境主控因素空间制图方法，快速定位影响城市热环境的关键景观要素，对改善城市热环境和构建宜居城市有着重要的实践意义。
实现方法
地理加权回归（geographic weighted regression）是近年来提出的一种新的空间分析方法,它充分考虑了建模参数空间关系的非平稳性，将空间结构嵌入线性回归模型中，实现地理现象的高精度建模。地理加权回归模型提供了具有空间分布属性的Local R2结果参数，可以表征预测模型的局部拟合度。而层次分解（Hierarchical partitioning）算法是Chevan等人在1991提出的，该算法可用于计算各自变量对因变量的贡献百分比，目前已在生态学和环境科学领域得到广泛应用。如何耦合这两个模型，充分发挥地理加权回归在空间表达的优势和层次分解在贡献百分比挖掘的优势，是合理和准确地构建城市热环境主控因素空间制图方法的关键。
以分析城市地表温度对绿地格局的响应机制为例，该新方法的技术路线如图2所示。
图2 新方法技术路线图
步骤1：以广州市和深圳市为研究区域，利用常规的方法从航拍影像和TM5影像中分别提取城市的绿地信息和地表温度信息，然后利用GIS网格划分技术将绿地信息和地表温度信息统一到同样的空间尺度上（如本文使用的500m×500m）。
步骤2：计算出每个网格内所有的绿地格局指数及平均地表温度，首先使用逐步回归模型剔除不显著的格局指数，将剩下显著的多个重要指数代入最优子集回归模型中，通过观察调整R2随代入模型变化的曲线（图3），我们可以确定只使用4个格局指数就能较好地模拟出绿地格局对地表温度的影响。
图3 地表温度模型模拟精度对输入格局指数个数变化的响应曲线
步骤3：利用地理加权回归模型构建4个重要格局指数对地表温度的驱动模型，得到具有空间分布特征的R2（Local R2），将Local R2代入层次分解模型，得到每个网格内各景观格局指数的联合贡献和独立贡献，最后在每个网格内通过简单的独立贡献大小排序即可得到该网格位置的热环境主控格局指数。广州市和深圳市的热环境主控绿地格局指数如图4和图5所示。
图4 广州市热环境主控绿地格局指数及其独立贡献分布
图5 深圳市热环境主控绿地格局指数及其独立贡献分布
方法优点
（1）通过逐步回归和最优子集模型的不断筛选，客观地识别出了不同研究区内对热环境影响最为重要的因子，避免了以往主观的仅参考他人研究成果进行因子确定的方法；
（2）将热环境的驱动机制和主控因素落实到具体的空间位置上，可为具体到城市某个位置的空间规划和热环境改善措施提供有针对性的指导意见。
方法缺点
（1）该研究仅在500m×500m的空间尺度上开展分析，并没有开展空间尺度的敏感性分析；
（2）使用规则的网格仅方便了空间计算，但缺乏实际的城市规划与管理意义。
此外，该方法已于2019年5月申请了国家发明专利“一种城市热环境主控因素的空间制图方法、装置及介质”，专利公布号为CN110189617A。
图6 新方法申请的国家发明专利信息