字数：4992
阅读时间：18分钟
论文信息
标题：Impacts of urban block form on carbon and pollutant emissions from urban life in China from the perspective of regional differences
时间：2024.11.15
作者：Wei Wang, Wenshan Su
导读：这篇文章解决的问题是关于中国城市街区形式对碳和污染物排放的影响，特别是从区域差异的角度来看，着重讨论了碳排放的空间分配，并讨论了使用夜间照明数值进行空间分配的局限性。总体而言，该文章旨在提供关于中国城市地区碳和污染物排放的空间分布及其影响因素的见解。
研究摘要：
空气污染排放(PE)和碳排放(CE)对全球实现可持续发展目标(SDG)构成了重大挑战。城市街区发展的强度和空间形态会影响PE和CE之间的关系。
本研究使用空间统计和优化的随机森林模型分析了来自中国不同气候区的 11,228 个邻域样本，以检验块状空间形式对PE和CE的影响。研究结果表明：（1）华南地区非一线城市街区的PE-CE相关性强于华北地区。位于温带气候的城市社区的相关性最强。此外，北京和上海的PE-CE相关性最弱。（2）CE不同驱动因素的解释力变化比PE更明显，其中容积率 （PR） 、归一化差值植被指数 （NDVI） 和平均高度 （AH）成为最显著的因素。（3）当建筑密度（BD）在 20 %-30 % 范围内时，PE和CE之间的协同作用最强。同样，当PR在 2-3 范围内时，协同作用最强。（4）40 %-60 %范围内的 BD 在降低PE和CE方面最有效，40 %-50 %范围内有利于降低CE，50 %-60 %范围有利于减少 PE。
1. 研究背景
空气污染排放（PE）和碳排放（CE）对全球实现可持续发展目标（SDG）构成重大挑战。中国致力于减污减碳的双重目标，通过城市规划调整空间形态，减轻环境压力。然而，现有研究主要集中在宏观层面，较少涉及城市块状空间形式如何影响PE和CE的协同作用。因此，本研究旨在探讨中国不同气候带城市的块状空间形式对PE和CE的影响，提出更为细致的城市规划策略。
2. 方法
2.1. 研究样本
为了阐明城市街区形式对 PE-CE 在区域差异方面的影响模式，本研究以街区作为分析的基本单位。图 1 提供了研究样本的示意图，指出了它们所属的区域及其基本特征。对于每个样本，在计算每个指数时，都会记录气候带）、街区是否为工业区、城市名称及其所属地区等客观条件。该研究仅关注与住宅区城市生活相关的 CE 和 PE。
图 1.研究区域 11 城市属性及其邻域样本量
2.2. 数据来源
在这种情况下，社区被定义为由主要和次要道路包围本研究利用来自多个卫星平台的传感器观测和 GIS 监测数据。本研究中使用的所有数据集均来自 2020 年。
2.3. 流程和方法
2.3.1 方法论
首先，利用卫星平台数据和地面测绘，计算中国不同气候区城市街区的空间形态指数，得到这些街区相应的年度 PE 和 CE 数据。接下来，分析来自不同气候区的样本的 PE 和 CE 之间的相关性以及影响因素的显著性。在此过程中，根据中国建筑物的热分区对样本数据进行分类，从而可以探索不同气候区邻域空间形态在影响 PE-CE 中的重要性，并确定关键因素。最后，使用全局数据构建预测模型，并按区间分析关键因素。在不同的值区间内计算关键空间形态因素对 PE-CE 相互作用的影响，最终得出旨在减少 PE-CE 的最佳值区间（图 2）。
图 2.本研究的流程图
2.3.2.碳排放（CE）的空间分配
在这项研究中，使用 SNPP/VIIRS 夜间照明数据结合人口数据，基于 JPSS 卫星上的可见光和红外成像套件 （VIIRS） 昼夜波段，对明亮和黑暗区域进行分类。该研究采用 OTSU 二值化阈值方法来区分明亮和黑暗区域，分别计算每个区域的分布系数，然后使用由这些明亮区域和黑暗区域组成的网格执行空间分配。
2.3.3.空气污染物 （PE） 的空间分布
本研究重点关注高排放城市中普遍存在的污染物，包括PM2.5 (µg/m³), PM10 (µg/m³), SO2 (µg/m³), NO2 (µg/m³), and O3 (µg/m³)。公式如下：
在本研究中, Pollution (µg/m³) 指表示 PE 的栅格数据像素值, including PM2.5, PM10, SO2, NO2, and O3。系数a, b, c, d, and e 对应于五种主要空气污染物，每种污染物的重要性相同，系数值为 0.2。
2.3.4.城市空间格局
研究选择了与排放相关的六个空间形态指标，包括容积率、建筑密度、植被指数、分散程度、平均建筑高度以及周围主次道路。这些指标反映了街区内的人类活动、经济状况、土地利用效率、热环境和道路排放情况。研究使用了通过深度学习和语义分割技术获得的CNBH-10米建筑高度栅格数据和建筑屋顶数据来计算空间形态影响因素，使用道路矢量数据划定了街区单元，并为选定的街区构建了两个层次的指标：平面指标（街区面积、建筑密度、容积率）和空间指标（归一化植被指数、建筑异质性、平均高度）。
图 3.不同尺度下的建筑物等高和建筑物高度数据
图 3 以北京为例，说明了不同空间类型的区块。北京金融街附近的街区主要是高层、低密度的街区，其特点是 AH 较高，BD 较低（图 3a）。故宫博物院周围区域以低层、低密度的街区为主，BD 和 AH 均较低（图 3b）。前门公园周围的街区主要由古老的北京胡同组成，那里的空间呈现出低层、高密度的形式。在这些地区，BD 较高，但 AH 较低（图 3c）。天坛及其附近的街区是低层、低密度的区域，绿地比例很高。这些区块的 BD 和 AH 都较低，但 NDVI 较高（图 3d）。
2.3.5. CE 和 PE 浓度之间的关系
本研究采用了Spearman测试来评估相关性分析的结果，其中较高的相关性值表明CE和PE之间的关系越强。
在相关性分析中，使用 Python 对清理后的数据进行归一化。然后按块类型划分数据集，并使用最小-最大方法将原始数据线性映射到0-1区间。归一化公式如下：
其中 X 表示规范化值;x 是 PE 和 CE 的原始值;xmax和xmin分别是原始数据的最大值和最小值。
2.3.6. 重要性识别
通过随机森林模型，分析了街区空间形式对PE和CE的影响，确定了各因素的重要性。随机森林模型表现出较高的预测准确性，能够识别不同气候带下关键空间因素对PE-CE的相对贡献。
2.3.7. 随机森林模型的预测和验证
使用随机森林模型，对街区内关键空间形态指标进行不同值区间的预测，分析PR（容积率）和BD（建筑密度）在不同值范围内对PE和CE的影响，得出最有效降低PE-CE的空间形式建议。模型的高预测准确性验证了这些结果的可靠性。
3. 结果
3.1. PE 和 CE 之间的相关性分析
在本研究选择的 11 个城市中，昆明、贵阳、成都、广州和佛山的城市街区在 CE 和 PE 之间表现出显著的相关性，相关系数超过 0.5（图 4a-e），位于温热地区的昆明和贵阳的相关系数超过 0.7。另一方面，沈阳、西安、银川和深圳的相关系数相对较低（相关范围为 0.3 到 0.5）。沈阳、西安和银川都是中国北方的城市，而深圳是珠江三角洲地区的新兴城市（图 4f-i）。北京和上海城市街区的 PE 和 CE 之间的相关性不显著（图 4j 和 4k）。
图 4.每个城市的 PE-CE 的 Spearman 相关性（（a）-（e） 相关性大于 0.5 的城市，（f）-（i） 相关性大于 0.3 且小于 0.5 的城市，（j）-（k） 相关性不显著的城市） 。
历史悠久的北京和西安的拥有相似的城市结构，空间中心也是其文化中心，其特点是低层、高密度的空间形态，城市中心有网格状的道路网络（图 5b、5c、5e、5f、5h、5i）。其街道都位于寒冷地区，PE-CE 相关性较低。但首都北京在城市发展进程中走得更远，仍能保持较低的其 PE-CE 相关性，表明城市建设中实施的可持续战略有效地促进了能源消耗和 PE 的空间脱钩（图 5）。
图 5.北京、西安和上海部分指标的空间分布
广州、佛山和深圳都位于夏季炎热、冬季温暖的地区。在深圳，PE 和 CE 之间的相关性较弱，两个因素接近脱钩，这可能是由于在该市快速城市发展期间实施了有效的 PE-CE 控制措施。对于佛山来说，与广州相似的强 PE-CE 相关性可能归因于其与广州的地理接近产生的空间溢出效应以及“广佛”地区的一体化发展模式（图 6）。
图 6.珠三角广州、佛山、深圳部分指标空间分布
在本研究涵盖的 11 个城市中，除中国的 4 个一线城市外，北方城市街区的 PE-CE 相关性通常低于南方。这表明，南部城市街区，尤其是非一线城市的省会城市，比北部城市街区具有更大的 PE-CE 合作治理潜力。
3.2. 指标重要性的比较
如图 7 所示，使用 11 个城市的整体数据构建的随机森林模型的解释精度相对较高，。然而，基于样本区气候区的模型的解释结果差异很大，表明气候区对 PE-CE 指标的重要性有重大影响。The R2、RMSE 和 MAE这些模型的值如图 7 所示。
图7.模型测试集准确率 （a） PE 模型的全局性能和每个分区的性能 （b） CE 模型的全局性能和每个分区的性能
块状空间形式因子对 PE-CE 的重要性因气候区而异。
对于 CE，PR 和 AH 在严寒和寒冷地区的城市街区更为重要。在位于夏季炎热和冬季寒冷地区的城市街区，NDVI 和 PR 是最重要的指标。在温热地区，所有因素的重要性相对较小，但 AH 和 BD 更为显著。在炎热的夏季和温暖的冬季地区，PR 和 BA 更为重要（图8a）。
对于 PE 而言，位于严寒地区的城市街区最重要的因素是 NDVI 和 AH。在寒冷地区，BD 和 NDVI 是 PE 的最重要指标。在夏季炎热和冬季寒冷的地区，NDVI 和 AH 再次成为最关键的因素。在温热地区，NDVI 和 PR 对城市街区的 PE 最为重要。最后，在炎热的夏季和温暖的冬季地区，BD和NDVI被确定为关键指标（图8b）。
图 8..随机森林模型输出结果。（为了进行比较，每行数据的结果都进行了规范化。上面是每个因素的重要性，下面是模型的性能。（a）. 每个因素对 PE 的重要性。（b）. 每个因素对 CE 的重要性
在严寒地区，AH 是影响块状 PE-CE 的关键因素。在炎热的夏季和寒冷的冬季地区，NDVI 起着重要作用，对不同气候区的 PE 有很大影响，对这些地区的 CE 尤为重要。BO 对所有气候区的 PE-CE 影响最小。此外，在不冷不热的地区，NDVI 对 PE 至关重要，而 BD 对 CE 至关重要（图 9a 和 9b）。
被确定为关键因素的空间形态指标的频率，按降序排列为 NDVI、PR、AH、BD、BA 和 BO（图 9c）。
图 9.不同气候区城市街区空间形态因素的重要性。（a） 各种因素对 PE 的影响 （b） 各种因素对 CE 的影响 （c） CE-PE 和频率
3.3基于随机森林的不同区域间空间模式的 CE 预测
本文以 PR 和 BD 为例，分析 PE 与 CE 之间的相互作用。预测 PE-CE 值的回归线斜率 （k） 最初随着 PR 的增加而增加，然后减小。研究发现容积率（PR）在2-3范围内时，PE和CE之间的协同作用最强，建筑密度（BD）在20%-30%的区间内也显示出最高的PE-CE协同效应（图 10）。
图 10.不同值区间和回归线 k 斜率的 BD 和 PR 之间的 PE-CE 相关性
在不同区间取平均值的预测结果表明，CE 和 PE 的值随着 PR 的增加而呈单调增加的趋势。具体来说，PE-CE 值在 0-3 的 PR 范围内显着上升，然后趋于平稳（图 11a）。BD 调整导致的 CE 降低在 40 %−50 % 范围内最为显著，PE在 0–20 % 范围内增加，在 20 %−70 % 范围内减少（图 11b）。
图11.指数变化对不同区间 PE-CE 值的影响
4. 结论
4.1.重采样方法和数据分辨率的影响
研究中使用了重采样技术来提升数据的空间分辨率，确保分析单位的准确性。尽管重采样可能引入一些不确定性，但使用空间统计方法和平均值计算保证了研究结果的稳定性。不同城市的空间样本在模型中的贡献存在波动，但总体效果是可靠的。
4.2.减少 PE-CE 的规划策略
不同气候带的城市街区在降低碳排放（CE）和空气污染物排放（PE）时的规划策略应该有所区别。例如，在寒冷地区减少建筑高度（AH）更为有效，而在炎热地区应优先考虑增加植被覆盖（NDVI）。此外，合理分配建筑密度（BD）和容积率（PR）可以显著影响PE和CE的减少效果。
4.3. 城市建筑间效应对 PE–CE 的影响
建筑物高度和密度对街区的碳排放和空气污染物扩散有重要影响。高层建筑容易吸收更多热量，从而增加冷却能耗，同时也阻碍污染物的扩散。在设计街区时，适当调整建筑布局，减少高度差异，能够降低能耗和污染物排放，尤其是在高密度区域。
5. 结论与展望
5.1. 结论
(1)对城市街区 PE-CE 相关性的分析表明，与北部城市街区相比，非一线城市街区的相关性更强。昆明市和贵阳市之间的 PE-CE 相关性特别强。相比之下，北京和上海等一线城市的 PE 和 CE 之间的相关性最弱。
(2)重要性分析结果表明，驱动因素对不同气候区城市街区 CE 的解释作用比 PE 更明显。容积率 （PR） 、归一化差值植被指数 （NDVI） 和平均高度 （AH） 被确定为最常见的重要因素。AH 和建筑他者性 （BO） 对 PE-CE 差异的贡献主要来自建筑间效应。
(3)采用随机森林模型预测容积率 （PR） 和建筑密度 （BD） 不同区间的 PE-CE 值。结果表明，PE 和 CE 之间的协同作用在 PR 在 2-3 范围内的区块中最强。同样，BD 在 20 %−30 % 范围内的区块在 PE 和 CE 之间表现出最强的协同作用。
(4)容积率 （PR） 的增加导致 PE-CE 的增加，但一旦 PR 达到 3，生长速率就会减慢。建筑密度 （BD） 可以更有效地将 PE–CE 降低在 40 %−60 % 范围内。具体来说，将 BD 控制在 40 %−50 % 范围内对降低 CE 更有效，而 50 %−60 % 范围内更有利于降低 PE。
5.2.展望
明确城市发展强度对 CE 和空气污染物的影响机制非常重要。本研究建立了建设区开发强度指数的理想化模型，得到以降低PE和CE为指导的不同气候区街区的关键空间形态指数，对这些关键指标在最优区间内的差异化建筑布局的研究是后续研究的重点。此外，随着未来人类遥感观测和解释技术的不断改进，对该研究框架的分析得出的结论将更加贴近城市规划设计实践。
原文链接：
https://doi.org/10.1016/j.scs.2024.105849
Wei Wang, and Wenshan Su. "Impacts of urban block form on carbon and pollutant emissions from urban life in China from the perspective of regional differences." Sustainable Cities and Society (Volume 115, 15 November 2024, 105849).
本文编辑 |
王颢儒 伦敦大学学院 全球自然资源管理专业
李红杰 沈阳建筑大学风景园林硕士
关于我们
本公众号由复旦城市生态与暴露生态学研究组(Urban Ecology and Exposure Ecology Lab, UEEE)运营维护，发布相关研究成果，更传播城市生态与暴露生态学最新研究与实践。欢迎专家学者将研究成果在此发布（发送邮件:zhaowu_yu@fudan.edu.cn），让更多人了解您的研究及工作。
