【论文分享】典型历史街区树荫效果评估及其更新策略：中国哈尔滨的案例研究

中国的快速城市化带来了历史街区与新区之间明显的城市形态差异。本次给大家带来一篇SCI论文的全文翻译！该论文研究采用天空视野因子（用于评估街道峡谷遮荫能力的指标）来分析树木的遮荫效率，并通过使用卷积神经网络（SegNet）对百度街景图像进行分析，以探索树荫的具体影响机制。

【论文题目】

Evaluation of Tree Shade Effectiveness and Its Renewal Strategy in Typical Historic Districts: A Case Study in Harbin, China

【题目翻译】

典型历史街区树荫效果评估及其更新策略：中国哈尔滨的案例研究

【期刊信息】

Urban Analytics and City Science Volume 49, Issue 30(0) 1–17 2021

【作者信息】

Guanghao Li , Nan He ,Changhong Zhan (zhan.changhong@hit.edu.cn)中国工业和信息化

【论文链接】

https://journals.sagepub.com/doi/abs/10.1177/23998083211029653

【关键词】

树荫效应，历史街区，空间自相关性，天空视野因子，百度街景分析, 决策树回归器

---

【摘要】

中国的快速城市化带来了历史街区与新区之间明显的城市形态差异。与新城区的现代规划不同，历史街区的热环境改善主要依靠调节街道峡谷的树木遮荫这一重要手段实现的，这种方式不会干扰到现有建筑的结构。本研究采用天空视野因子（用于评估街道峡谷遮荫能力的指标）来分析树木的遮荫效率，并通过使用卷积神经网络（SegNet）对百度街景图像进行分析，以探索树荫的具体影响机制。研究结果显示：（1）哈尔滨历史街区的树荫对街道峡谷的热环境有显著影响，平均遮荫效果为56.3%；（2）基于地理空间自相关分析和街道峡谷的类型学重构，研究表明历史街区的树荫在空间上呈现出明显的聚集特性。本文还提出了针对不同类型街道峡谷的树木规划和设计指南。该研究为优化中国东北地区城市历史街区的热环境提供了重要数据和战略支持

【前言】

邻里是城市空间结构的基本单元（Marzot, 2002）。其热环境质量直接影响市民的生活方式、身体行为和心理健康（Kantor et al., 2018）。改善城市邻里热环境质量的策略包括改变邻里形态、植栽、界面反射和水体降温（Bottyan & Unger, 2003; Lai et al., 2017）。众多研究表明，改变邻里的空间格局对热环境有最佳效果，能够将夏季的中位生理等效温度（PET）降低约18.0 K，气温降低约2.1 K。植栽对改善热环境有次要效果，可将夏季中位PET降低约13.0 K，气温降低约2.0 K。街道峡谷形态和树木种植共同通过改变太阳辐射、风速、湿度和峡谷内的温度等因素来改善热舒适度。其中，对太阳辐射的影响至关重要（Klemm et al., 2015）。

天空视野因子（SVF）、建筑高度（Giridharan et al., 2004）、街道峡谷高宽比以及其他街道形态参数通过减少太阳辐射来改变夏季街道峡谷的热环境。由于周围建筑的存在，树木可以通过改变峡谷内可见天空的比例，导致峡谷内短波辐射的吸收和反射，从而改变街道峡谷的热环境。众多研究表明，在街道树下的平均辐射温度（Tmrt）低于开放空间。Wang et al. (2015) 模拟显示，街道树冠覆盖面积增加10%可以导致Tmrt降低8.3 K。众多研究已经量化了树木遮荫效果，涉及树木形态元素如树高（Morakinyo et al., 2017）、叶面积密度（Gillner et al., 2015; Rodríguez Algeciras et al., 2016）及最优植被布局（Gillner et al., 2015; Shashua-Bar and Hoffman, 2000; Yang et al., 2018），并且准确评估树荫效果可以为提出树木更新策略提供研究基础。

SVF用于定义城市表面与天空之间太阳辐射交换的量化指标（Johnson and Watson, 1984; Oke, 1981），可以通过可见天空区域与总天空区域的比例来表达。它提供了可见天空区域与有遮荫的周围环境（包括建筑物或街道树）之间的关系。作为与城市整体形态相关的指标，SVF与气象数据的结合已成功用于分析微观城市冠层辐射配置（Carrasco-Hernandez et al., 2015）、地表温度（Chapman and Thornes, 2004; Chapman et al., 2001, 2007; Maimaitiyiming et al., 2014）、气温（Chen and Ng, 2011）和热舒适度预测（Lin et al., 2010）。Oke (1981) 表明，SVF是在不考虑建筑物热传导的情况下产生城市夜间热岛效应的重要因素。Svensson (2004) 在晴朗无云的夜晚使用经验方法发现，SVF与城市冠层温度显著相关。Chen et al. (2012) 使用三维建筑数据模拟了香港高密度邻里的SVF，并结合现场观测的气象数据进行回归分析，发现街道峡谷空间的平均SVF与白天的城市温差显著且负相关。

除了实地测量和街道峡谷温度的外推以及与气象数据的结合使用外，天空视域因子（SVF）也广泛用于街道峡谷热环境的软件模拟中。Kruger等人（2011）使用了ENVI-met并发现，SVF与空气温度和平均辐射温度（Tmrt）显著相关。Zhang等人（2019）使用街景图像生成鱼眼图像，评估亚利桑那州凤凰城大都会区的白天和夜间地表温度（LST）变化，并使用最小二乘法和地理加权回归分析了LST与城市形态的关系。Lin等人（2010）使用现实世界和RayMan模拟方法发现，亚热带地区较大的SVF可能会导致夏季人类感到不适。Middel等人（2017）使用谷歌街景（GSV）获取SVF，并将其与使用谷歌地球3D模型模拟的SVF进行比较，用于模拟校园环境中的热舒适度。Li等人（2020）对哈尔滨典型街道峡谷进行了ENVI-met建模，发现随着街道峡谷中SVF的减小，温度和Tmrt先降低后增加，街道峡谷的纵横比为0.5。SVF与温度、相对湿度和Tmrt显著相关。

SVF的计算方法通常分为三个阶段，即现场测量计算、鱼眼测量与数字高程模型（DEM）数据模型模拟。它还将其计算从单一街道峡谷扩展到整个城市区域。近年来，随着街景图像和深度学习技术的帮助，SVF计算的准确性得到了极大的提高。卷积神经网络是深度学习的代表性算法之一。它通过采用多个方面的高级特征建立多层网络，以表示数据的抽象语义信息。卷积神经网络可用于通过不同颜色分离图像中不同类型的对象来分割图像。这可以用来快速识别街景图像中的天空、建筑物和树木等元素，从而实现对城市大面积区域SVF的快速计算。使用街景图像进行SVF计算现在是最新的方法。

随着研究的深入，最近的研究发现，基于不同城市背景，DEM模拟的SVF数据与基于街景图像方法计算的SVF数据之间存在一些差异，这种差异主要是由街道峡谷内的应力引起的。Liang等人（2017）比较了通过GSV图像获得的SVF和通过DSM模型及倾斜航空摄影法基于3D城市模型获得的SVF。结果显示两者具有良好的相关性（R²为0.863和0.987）。他们还将基于GSV的SVF计算方法应用于纽约市曼哈顿，获得了SVF分布图。Gong等人（2018）使用GSV研究了香港九龙街道峡谷的热环境影响因素，这是一个高密度城市，并计算了SVF、树视因子（TVF）和建筑视因子（BVF）。结果显示，基于3D地理信息系统（GIS）的SVF与基于GSV的SVF相关（R²= 0.40），两种方法之间SVF的平均差异为0.11。此外，当街道峡谷中树木较多时，两种SVF之间的差异更为显著。SVF与TVF的平均偏差的相关性更强（R² = 0.53）。因此，他们认为在计算香港或类似城市环境的SVF时应考虑街道峡谷树木的因素。Li等人（2018）使用GSV计算了波士顿市中心街道峡谷的SVF，并使用仅包含建筑条件的建筑DEM模型进行了街道峡谷的建模。正确地说，带树和不带树的街道峡谷被设为两个对照组。结果显示，在无树的街道峡谷中，基于GSV的SVF与基于DEM的SVF之间的相关性非常高（R² = 0.904），而带树的街道峡谷的SVF差异相对较大（R²= 0.684）。因此，他们提出了两种SVF差异（SVFd）是街道峡谷中树木的遮荫评估系数的概念。随后，Li和Ratti（2018）将这一概念应用于评估整个波士顿地区街道峡谷树木的遮荫，并提出了街道树木遮荫提供的空间分布图。

Du等人（2020年）使用SVF（Sky View Factor，天空视域因子）、TVF（Tree View Factor，树木视域因子）和BVF（Building View Factor，建筑视域因子）作为指标，研究了北京三环路内中低密度混合城市区域（包括故宫）的太阳辐射。该研究还利用GIS和百度街景图像（BSV）获取了SVF的差异，并分析了其与TVF的相关性。结果显示，它们的相关性相对较弱（R²= 0.12）。这一发现表明，与高密度城市区域（如香港）相比，使用街景图像计算SVF更适合于具有复杂城市区域的城市，如北京。目前使用上述方法的研究主要集中在如波士顿、纽约、北京和香港这样的大城市的高密度社区，但对中等规模城市的广泛适用性研究较少。这些研究的结论大多描述了城市中SVF的当前状态。

在中国快速城市化的背景下，新城区的快速建设和旧城区的环境再生（包括历史街区）正在同时进行，这两种城市形态之间存在二分法。与新城区的建筑和植被新规划相比，历史街区的环境再生更注重建筑的保护。在不改变街区建筑的情况下，调节街道峡谷中的树木种植是缓解街区热岛效应和优化街区微气候的有效策略。因此，使用SVF快速评估城市街道峡谷树木的遮荫效果可以提供数据支持树木再生策略。

作为城市发展的关键区域，对历史街区的研究可以为其他旧城区的更新提供重要参考。作为中国中等规模城市的代表，哈尔滨也是中国东北的重要城市，对哈尔滨历史街区的树木遮荫研究可以作为东北中国城市历史街区环境再生的样本。本研究有两个主要目标：（1）揭示街道峡谷中树木遮荫的效果及其影响机制；（2）基于多维数据分析，为哈尔滨历史街区的街道峡谷中准确的树木再生提出一种高效且经济的策略。

【研究材料与方法】

1.1 研究区域

哈尔滨位于中国东北部，东经125°42'至130°10'，北纬44°04'至46°40'之间。作为中国纬度最高、冬季气温最低的首府城市（补充材料中的图S2a），哈尔滨属于柯本气候分类系统中的Dwa气候区。在哈尔滨，冬季干冷，主要集中在11月至3月。特别是在1月，平均日最低气温可达-25°C。夏季炎热，主要集中在6月至8月，7月平均日最高气温可达20°C（CMA，http://www.cma.gov.cn/）。

哈尔滨是作为建设中东铁路的重要工程枢纽而形成的城市，该铁路于1898年在俄罗斯建设。中东铁路型号于1898年建成，穿越中国东北部，至今仍是东北地区铁路的核心结构。哈尔滨最初的历史街区是由于中东铁路的建设而形成的，这对哈尔滨现有的城市形态产生了深远的影响。

关于沿中东铁路城市的历史区域的研究主要集中在建筑历史和城市物理地理上。与此相反，目前尚未开展关于树木阴影及其对热环境的更新优化的研究。

因此，在城市发展的早期阶段，城市空间结构深受俄罗斯城市规划的影响。该城市毗邻松花江建设，结合中东铁路的建设和适应严寒气候的需求。因此，1913年的城市总体规划采用了自然地理条件和中东铁路的方向，总体上呈现为东北45°角的城市空间结构（补充材料中的图S2b）（https://www.antiquemapsandprints.com/harbin-antique-town-city-plan-heilongjiang-china-1913-old-map-chart-402977-p.asp）。在此基础上，规划并形成了三个主要的城市核心功能区：南岗区具有文化功能，道里区具有经济功能，道外区具有居住功能。在哈尔滨随后的城市发展过程中，以这些历史区域为核心，沿着中东铁路和松花江，适应了严寒气候，形成了独特的城市空间（补充材料中的图S1c），呈东北45°角。

本研究选择这三个核心历史区作为研究对象，具体边界范围如补充材料中的图S2所示。

这三个历史区域的面积大致相同，约为0.7-0.8平方公里（补充材料中的表S1；图S3）。该社区共有310条街道，其中东北-西南向街道占24.2%，东南-西北向街道占39.4%（补充材料中的表S1）。在道里区，一些街道垂直于松花江排列，街道方向为东北30度和西北30度。纵横比为0.2-1.2的街道数量在历史街区中最多（补充材料中的表S1）。

研究框架如下：（1）获取、清理和验证研究区域内BSV图像数据的准确性，为进一步计算SVF提供数据基础。（2）通过两种技术方法获取研究区域的SVF。通过计算两个SVF之间的差异获得SVFd。（3）对历史区域内的树荫量的空间分布特征进行数值分析，并研究峡谷方向、峡谷纵横比、平均建筑高度（ABH）以及峡谷类型对峡谷中树荫量的影响机制。（4）从空间自相关分析维度出发，使用GeoDa分析树荫的空间自相关性和空间聚类特征，并提出宏观树木更新策略。基于数值分析，重建哈尔滨街道峡谷并提出微观树木更新策略，如补充材料中的图S4所示。

1.2 基于BSV的SVFp计算

1.2.1 获取BSV

使用ArcGIS 10.2在三个历史街区的住宅街道上（不包括城市快速路）每隔30米采样一次，共获得1504个样本点。补充材料中的图S5a显示了街道视图图像数据的样本分布。

随后，将BSV图像用作城市区域的数据空间载体（http://lbsyun.baidu.com/）。获取BSV图像的步骤如下：

1.将世界大地测量系统（WGS）大地坐标系转换为百度坐标系统Bd09，平行转换的URL如下：http://api.map.baidu.com/ag/coord/convert?from=0&to=4&x=X&y=Y，其中X和Y是测试点在大地坐标系中的经度和纬度。

2. 访问百度地图API获取BSV全景；URL如下：http://api.baidu.com/panorama/v2ak=AK&width=512&height=256&location=X,Y&fov=360，其中AK是用户的访问密钥，width和height代表图像的大小，location是前一步获取的经纬度值，视场（FOV）是街景全景的水平范围。当FOV为360时，可以显示整个全景（补充材料中的图S5b）。

收集的街景图像包括百度地图提供的2017年7月至8月的哈尔滨街景图像，图像像素大小为512x256。在删除无效图像和冬季拍摄的街景图像后，最终获得1441个有效的街景全景图。

1.2.2 基于SegNet的BSV图像语义分割

由剑桥大学开发的SegNet用于街景图像的语义像素分割（Badrinarayanan et al.,2017）。SegNet构建了一个编码器-解码器对称结构，实现端到端的像素级图像分割。编码器网络结构在拓扑上与VGG16网络中的13个卷积层相同。解码器的功能是将低分辨率的编码器特征图映射到完整的输入分辨率特征图，其网络结构在补充材料中的图S6中显示。

输入代表输入图像，输出代表分割后的输出图像；不同的颜色代表不同的类别。此外，分割图像包含八个类别。补充材料中的表S2显示了分割图像。

剑桥大学的研究团队使用不同的深度学习框架识别CamVid数据集中的道路场景（http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/）并与SegNet的测试结果进行比较。结果显示，在11个被识别的类别中（建筑物、树木、天空、标志、道路、行人、栅栏、路灯、人行道和自行车手），SegNet在8个类别中的准确率比其他深度学习框架更高。在这项研究中，SegNet在CamVid数据集上训练，使用配置了MVDIA GeForce 610 M的计算机，经过2000次迭代后达到了大约92%的准确率。因此，SegNet在识别城市街道场景以及街道图像特征提取方面具有高准确率和计算运行时间。

1.2.3 SVFp的计算

目前，将全景街景图像转换为鱼眼图像，然后对鱼眼图像进行图像处理，是计算街道峡谷SVF（天空视野因子）的主流方法（Carrasco-Hernandez et al.，2015；Gong et al，2018；Li et al, 2018；Liang et al，2017；Zeng et al，2018）。对于历史街区的SVF计算，首先，收集的圆柱投影街景图像需要通过方位投影转换为鱼眼图像，转换公式如下：

在街景图像中，宽度和高度分别为Ws和Hs的情况下，任何像素(xs, ys)相应地对应于鱼眼图像上的像素(xf, yf)。街景图像被转换为鱼眼图像，并且他们的SVF值被比较以验证数据的可靠性。实际测量的位置选在了公司街、归心街和邮政街，其纵横比分别为0.6、0.8和1.0，测量的组数为3组，共15幅鱼眼图像。每组的典型图像比较显示在补充材料中的图S7。

结果显示，公司街和归心街的SVF一致（公司街，均方根误差（RMSE）为0.064，R²为0.900；归心街，RMSE为0.045，R²为0.993）。邮政街的树荫最多，其RMSE为0.131，R²为0.691。通过比较和验证三条街道上的15组数据，测量的和街景图片的平均SVF RMSE为0.057，R²为0.725（补充材料中的图S8a）。结果表明，图像投影转换方法可以在此实验中使用，且使用BSV替代现场拍摄具有更高的准确性。

随后，验证了SegNet街景图像的语义分割准确性，特别是对天空像素的识别。验证过程通过在研究区域随机选择50个样本点，手动识别和计算SVF，然后与SegNet图像识别计算的SVF进行比较，以验证SegNet的准确性。补充材料中的图S8b显示，两组数据一致，R²值为0.903，RMSE值为0.051。SegNet街景图像语义分割技术能够准确获取历史街道的街谷特征。

1.3 基于DEM的SVF模拟

道路和建筑数据是从百度地图获取的，通过自定义地图样式提取道路元素，通过地图瓦片提取建筑轮廓和高度，数据收集于2019年1月。数据格式为单通道标签图像文件格式（TIFF）整数光栅，光栅值为建筑高度（以米为单位），数据坐标系统为EPSG:3857。通过与实地调查的比较和验证，也对建筑光栅数据和城市街道数据进行了验证。三个研究区域被划分为300×300米的网格，每个网格中选取一个建筑（总共190座建筑）进行实际测量（补充材料中的图S9a）。建筑的几何信息使用激光测距仪测量（补充材料中的表S3）。从模拟分析中，我们发现，当街道沿线的建筑高度分别增加2米、3米、4米和5米时，街谷的SVF分别增加了0.005、0.02、0.1和0.3。当建筑高度增加2米时，街谷SVF的增长率仅为0.5%。因此，测量与生成的建筑高度网格数据之间的差异误差在2米以内，可以忽略不计。此外，测量的建筑数据与获取的建筑光栅数据的比较显示，DEM数据的精度为94.5%（补充材料中的图S9b）。

在本研究中，我们使用Python中的OSGeo库来实现建筑的DEM模型的模拟，以获得每个测试点建筑对街谷空间天空的遮挡（高某等，2018年；李某与拉蒂，2018年；梁某等，2017年），称为SVFs。对于哈尔滨中等规模的低密度历史区，高宽比几乎在0.2到1.2之间，街谷中的建筑高度较低且相对平均。为了提高模拟的准确性和适应性，本文用于大规模城市研究的模拟方法进行了修改：（1）将模拟搜索步长从1度调整为0.5度，使模拟值更精确；（2）将观察点高度从2.5米调整为1.8米，以适应行人的实际视线高度；（3）测试半径从500米调整为300米，以更好地匹配中等规模城市环境的实际条件，同时有效地提高了计算速度。公式如下：

其中β是方位角，任何建筑物b与测试点的距离是r，建筑物b的高度是h。

1.4 树木的遮荫量

根据Li等人（2018）的研究，使用建筑DEM数据获得的基于模拟的SVFs只包含建筑对天空的遮挡。在街道全景处理后获得的基于摄影的SVFp包括街道峡谷中各种空间元素（包括树木和建筑物）对天空的遮挡。在本研究中，SVFs和SVFp之间的差异是SVFd，这是街道峡谷树木遮荫的评估指标。数据清理后，最终获得1386个有效测试点。

通过与街道峡谷形态指标（方向、宽高比和ABH）的相关性分析，我们可以快速准确地评估与哈尔滨历史区域遮荫相关的影响因素。

【研究结果及分析】

2.1 历史区域的SVF空间分布

补充材料中的图S10和S11显示了哈尔滨历史街道在区域尺度上的街道峡谷SVFp值（从包含树木的BSV图像计算得出）和街道峡谷SVF值（通过不包含树木的DEM数据模拟得出）的空间分布。

在SVFp值介于0.2至0.4之间的点数量最多（N=1100），占79.4%（补充材料中的图S13）。具有较大SVFd值的点主要集中在交通和商业街区，如火车站、大学、博物馆、城市广场、松花江（补充材料中的图S10）等城市基础设施。此外，SVFp的低值范围在0.05至0.2之间，占总测试点数的10.5%，主要集中在城市的地理边界（如城市内河）以及远离主街的居住街区。

SVFs的高值较多，低值较少，值在0.6至0.9之间的点数最多（N=1191），占85.9%（补充材料中的图S13）。此外，SVFs的高值相对集中，呈现聚集趋势。这一趋势在南岗区明显，道里区相对较弱。只有通往松花江的三条街道和由垂直街道形成的矩形区域网格显示出高值聚集的趋势。在道外区，这一趋势最弱，SVF值普遍较高，呈现离散状态分布（补充材料中的图S11）。

补充材料中的图S12显示了以SVFd为评估指标的哈尔滨历史区域街道峡谷树荫量的空间分布图。总体而言，街道峡谷的树荫量对哈尔滨历史区域的热环境具有主导作用。1112个点的SVFd值集中在0.25至0.55之间，占总点数的80.2%（补充材料中的图S13）。历史区域的树荫效果平均为56.3%，其中南岗、道里和道外区的树荫效率分别为58.4%、57.3%和49.7%。具体来说，南岗区的街道树覆盖度和秩序度高，与街道峡谷形态密切相关。道里区的树荫状态相对有所不同。只有由三条通往松花江的商业街峡谷及其连接的街道峡谷形成的网格具有高SVFd值。此外，其他区域的树荫显著减少。道外区的树荫量最低。高值SVFd聚集区的秩序性弱，与街道的空间形态关联性弱，呈现随机分布。

2.2 街谷形态对SVFd的影响

街谷方向对SVFd的影响。哈尔滨历史区的街谷中，有最大比例的点（占79.3%）集中在三个方向的街谷中，这些街谷面向东北-西南（N=397）、西北-东南（N=327）以及北偏东30度（N=323），这是由于城市空间结构的特殊性，具有45度的角度。面向东西（N=99）、南北（N=142）以及西北偏北30度（N=99）的街道点较少。街谷方向的多样性和特殊性对街谷的热环境有不同程度的影响（补充材料中的图S14）。

具有最多测试点的三个方向的街谷的SVFd值、离散值和平均树荫效率率相似（东北-西南街：0.426、0.126和55.8%；西北-东南街：0.419、0.132和56.1%；北偏东30度街：0.400、0.135和56.4%）。测试点最少的三个方向的街谷的SVFd值分布在两个水平上。其中，东西向街谷的平均SVFd（0.490）最大，树荫的有效率（62.9%）也最高。道里区的SVFd值最低（0.376），其树荫效率（54.2%）也较低。然而，南北向街谷的SVFd值（0.422）居中，树荫效率为54.8%。

2.3 街谷宽高比对SVFd的影响。

根据李等人（2020年）对哈尔滨市主城区街道几何形状的GIS统计，2414个街谷中，宽高比在0.2至0.7之间的街谷占50.83%（N=1227）。宽高比在0.7至1.2之间的街谷占25.27%（N=610），表明哈尔滨市主城区街谷的主要宽高比为0.2至1.2（总共占76.1%）。基于研究结果，哈尔滨历史区被划分为五个部分，以研究街谷宽高比对树荫的影响。

补充材料中的图S15显示，三个历史区的SVFd随着街道宽高比的增加呈阶梯式线性下降，平均下降31.6%。道里区的SVFd降低最为明显，下降了35.8%；道外区下降了31.2%，南岗区下降了27.8%。

随着宽高比的逐步增加，三个历史街区的平均SVFd值依次下降了13.1%、6.6%、10.1%和6.2%。街谷宽高比增加也使得树荫效果线性降低，其效果分别为60.3%、56.3%、53.8%和53.6%。

2.4 建筑物高度（ABH）对街道树木遮荫度的影响

本文研究了建筑物高度对街道峡谷树荫度（SVFd）的影响。采用测试点两侧以及测试点40米、50米和60米缓冲半径内的建筑物高度（ABH）作为建筑高度指标。通过Pearson相关性分析和建筑高度与SVFd的数值特征来评估建筑高度对区域尺度树荫的影响。

补充材料中的表S4显示，SVFd与ABH呈负相关（r = -0.400）。当缓冲区为40米时，相关性最强（r = -0.417），表明道路两侧及周围建筑物正在遮挡街道峡谷。随着缓冲距离的增加，SVFd与ABH的Pearson系数呈线性略微下降，与Li和Ratti（2018）在波士顿的研究结论一致。随着缓冲距离的增加（Li等，2015），周围建筑的遮阴影响减少。当建筑物提供的遮阴量高于街道峡谷树木时，树木的遮阴效果开始减弱，且当建筑物更高时，SVFd下降得更快。在三个历史区域中，随着缓冲区距离的增加，相关性降低的幅度相似。与建筑高度相关性最强的是道里区（r = -0.466），这是一个商业密集的城市。

补充材料中的图S16显示了三个历史区域中40米缓冲区ABH与SVFd的数值统计特征。Tableau的箱形图数据分析显示，绝大多数SVFd观测值集中在10米<ABH<40米范围内，共有1203个观测点，占总观测点的86.9%，中位数SVFd在0.2至0.6之间，表明对于低密度历史区，树木的遮阴效果显著。在10米<ABH<40米的范围内，随着建筑高度的增加，SVFd显示出0.1至0.8的线性下降趋势。随着建筑高度梯度的增加，街道树木的遮阴效果减弱，平均降低3%（效率分别为60.9%、58.1%、54.7%、52.2%和48.9%）。

【讨论与反思】

3.1 哈尔滨典型历史区树荫评估

在中国快速城市化的背景下，新城区的快速发展与老城区的环境再生（代表为历史区）正在同时进行。由于历史区的热环境改善不能通过改变建筑或增加水体来实现，因此历史区再生的策略与新城市建设有所不同。改变街道峡谷的形态通过种植树木是改善历史区热环境的有效方法，这反过来又影响了街道峡谷的太阳辐射。因此，对街道峡谷中的SVF（天空视野因子）和树荫进行快速而准确的评估至关重要。本文使用BSV作为街道峡谷的空间数据载体，并用SVFd作为树荫的评估指标，来量化哈尔滨典型历史区310个街道峡谷中1386个测试点的树荫效果。

研究结果显示，哈尔滨作为一个中等城市，在其典型历史区的街道峡谷中，树木在热环境中的主导作用比如波士顿（Li等，2018；Li和Ratti，2018）、纽约（Liang等，2017）和北京（Du等，2020）等大城市更为突出，其树荫效果是波士顿的2.3倍，达到56.64%。同时，与香港（Gong等，2018）相反，在那里建筑高度是热环境的绝对主导因素，哈尔滨历史区的热环境则由建筑和峡谷树木共同主导，两者的平均遮荫效果接近（建筑43.36%，树木56.64%）。

目前在纽约、北京和香港的研究描述了SVF分布的当前状态和在太阳小时模拟中使用SVF的情况。关于使用SVF进行树荫研究的文献较少，也很少有基于当前SVF状态提出的针对特定城市的树木再生策略（补充材料中的表S5）。

因此，对哈尔滨历史区树荫效果的快速定量评估对于通过街景和深度学习技术方法在中等城市进一步实践树荫效果评估具有重要的方法论意义。值得进一步研究，从设计师的角度出发，运用树荫结论于本地街道峡谷树木设计。

3.2 历史区域的树木更新策略

本章的目的是基于前一部分获得的SVF值，为哈尔滨历史区提出一种准确的树木更新策略。

在宏观层面，通过地理空间自相关分析获得树荫分布的总体趋势，优先为邻里中热环境问题最严重的关键区域提供解决方案，并将热环境优化的权重和策略划分为不同的类别，从而使更新过程更加高效，对市民生活的影响更小。

在微观层面，首次以树荫的有效性（SVFd）为基准值，对街谷进行类型学重建，从而为每个街谷测试地点的树木再生提出精确的规划和设计指导方针。这样可以在实施过程中更有效地使用树木分级和分类规划方法和框架，避免耗时且体力要求高的现场调查，大大提高树木再生的经济效益。

3.3 空间自相关分析。

根据Tobler的地理学第一定律（Tobler, 1970），在地理空间中，相同属性的观测值之间可能存在相关性，且它们的距离越近，相关性越强，这种潜在的相互关联产生聚集的离散或随机空间分布模式。树荫的空间自相关分析可以揭示峡谷中不同位置的树荫是否相关以及树荫效果高/低的区域的空间分布模式，从而为历史区域整体树木更新提供战略支持。

补充材料中的图S17显示了基于空间自相关分析软件GeoDa（Anselin等，2006）对SVFd的全球空间自相关分析，采用K最近邻方式加权。结果显示，SVFd的相关指数Moran’I = 0.487（p = 0.01，z = 27.23），表明整体街谷的树荫显示出显著的空间自相关特征。

补充材料中的图S18显示了对三个历史区域中每一个区域SVFd的局部空间自相关分析，包括Moran散点图、LISA空间分布图（Anselin，1995）和方向分布（标准偏差椭圆）分析（https://desktop.arcgis.com/en/arcmap/latest/tools/spatial-statistics-toolbox/directional-distribution.htm）。LISA揭示了高/低树荫的区域，也称为“热点”/“冷点”，并显示了它们周围树荫的逐年变化。标准偏差椭圆的空间聚类趋势分析进一步量化了区域尺度上树荫的宏观趋势。它预测了未来可能成为新的“热点”/“冷点”的区域和方向，从而为政府根据每个历史区域的不同趋势提出更有针对性的树木更新策略提供了分析数据支持。

3.4 街道峡谷类型重建。

根据“热点”和“冷点”的空间自相关分析，当SVFd ≤0.3时，测试点可能成为“热点”；否则，它可能成为“冷点”。因此，在本研究中，根据建筑的遮荫评估指标SVFs与街道峡谷中树木的遮荫评估指标SVFd的数值关系，将典型区域内的所有街道峡谷划分为六个峡谷空间级别。SVFd的影响从弱到强分为1-6级。树木更新策略如补充材料中的图S19所示，通过重建街道类型，建立了树木遮荫量、区域热环境和街道峡谷空间级别之间的精确类型关系。这可以使政府决策者更精确地找到需要更新的关键区域，并为基于热环境优化的树木更新提供可靠的基础数据。

3.5 局限性和未来研究

哈尔滨历史区域的树荫和热环境优化已经进行了研究，但该研究仍存在一些局限性。首先，本研究仅关注夏秋两季中树木对街道峡谷热环境的显著影响。在未来的研究中，应进一步考虑春季和冬季的条件，以及影响街道峡谷热环境的其他因素，如风速、空气温度和湿度。其次，包括市民上传的街景图像在内的多家街景图像公司，也可以用来研究不同季节街道峡谷中的SVF。目前的BSV数据是在特定时间点获取的，并未能完全访问历史数据；未来，随着历史数据的开放访问，可以对不同时间点的街道峡谷内的街景图像进行分割，以探索街道峡谷中树荫的时间变化。

街道峡谷中的树木通过影响峡谷的封闭程度和颜色，影响行人对街道峡谷的感知，进而影响身心健康和犯罪率（Astell-Burt et al., 2014; Mennis et al., 2021; Olszewska et al., 2018; Taylor et al., 2015）。社区人均收入和景观偏好可以决定在街道峡谷种植的树木的数量和质量（Lin et al., 2021; Wang et al., 2021）。在未来的研究中，可以使用街景图像评估街道峡谷中树荫的数量和质量。进一步的数值和空间分析可以用来确定街道树木如何影响居民的身心健康和犯罪率，然后揭示它们之间的空间关系，并提出可行的解决方案。

关于优化特定研究对象的图像语义分割深度学习框架的准确性和效率，未来的研究可以使用最新的全景分割深度学习框架，以获得街景图像中更详细和准确的空间元素。此外，还应进一步研究街道峡谷树木对热环境的影响机制。

【研究结论】

中国的快速和显著城市化导致了历史区域与新城区的城市形态之间的二元性。与新城区建筑和植被的新规划相比，历史区域的环境再生更注重建筑的保护。为了优化城市历史区域的热环境，调节街道峡谷中的树荫是一种重要方式，而不改变建筑的现状。本研究以哈尔滨的典型历史区为研究对象，采用SVF作为街道峡谷中树荫量的评估指标，通过SegNet处理BSV来计算树木的遮荫量，并揭示其与街道峡谷形态指数的相关机制。同时，为了提高树荫性能的评估和提出树木更新策略，本文首次在邻域尺度引入空间自相关分析，扩展了树荫量化分析的重要维度。结果显示，在区域尺度上树荫存在明显的空间依赖性和显著的空间聚集。此外，本文提出了一种基于多维数据分析的精准、经济的街道峡谷树木再生策略，适用于哈尔滨历史区：

• 哈尔滨历史区街道峡谷的热环境显著受到街道树的影响，树荫的平均有效性为56.3%，南岗、道外和道里区的有效率分别为58.4%、49.7%和57.3%。
•  对于哈尔滨历史区独特的45度方向区域形态，树荫的有效率、SVFd值和SVFd离散值在东北-西南（55.8%、0.426和0.126）、西北-东南（56.1%、0.419和0.132）和东北30度（56.4%、0.400和0.135）方向上相似。
• 随着街道峡谷的纵横比增加，树荫量呈阶梯状线性下降（树荫量分别为13.1%、6.6%、10.1%和6.2%），平均SVFd总体下降31.6%。树荫的有效性一般下降6.7%（有效性分别为60.3%、56.3%、53.8%和53.6%）。
• 树荫量与ABH之间的Pearson负相关在40米缓冲距离内最强（r = –0.417）。在10米< ABH < 30米区域内，测试点最多（N = 1079，占77.8%）。街道峡谷树荫的有效性分别为60.9%、58.1%、54.7%、52.2%和48.9%，总体下降了12%。
• 通过地理空间自相关分析获得了树荫分布的总体趋势，并确定了邻域中热环境问题最严重的关键区域，南岗为南北聚集、道里和道外为30度方向。为了在每个街道峡谷测试站点提出精确的规划和设计指导方针，本研究使用树荫的有效性（SVFd）作为基准值来重构街道峡谷。SVFd的影响被划分为从弱到强的1-6级别，每种街道峡谷都有特定的树木更新策略。