【GeoAI文献日读|109】|中国矿业大学|Cities|全球人口在享受城市绿地降温方面存在不平等现象

📘论文基本信息

期刊：Cities

这篇论文关注的不是“绿地能不能降温”这一早已被大量研究证明的问题，而是更进一步提出了一个更贴近现实治理的问题：城市绿地产生的降温效益，究竟有没有真正覆盖到城市人口，并且这种覆盖是否公平？ 过去不少研究更多停留在绿地本身的降温强度评估，或者用绿地覆盖率、NDVI、固定缓冲区等方式去近似居民受益程度，但这些方法往往难以准确刻画绿地实际降温边界，也无法真正回答“有多少人享受到了降温服务”“不同城市之间差异有多大”这样更具政策意义的问题。正是在这个背景下，这篇论文把“降温效应”与“人口暴露”“分配公平”结合起来，构建了一个更完整的全球尺度分析框架。

这项研究的重要性在于，它把城市热环境研究从传统的“物理温度变化”推进到了“生态服务如何被人口共享”的层面。换句话说，论文并不满足于证明绿地能降温，而是试图回答：谁在受益，谁受益更多，谁又被排除在外。 这种研究视角实际上已经从单纯的热环境调节问题延伸到了城市治理、空间正义和环境公平议题。论文最终发现，全球主要地区在绿地降温收益的人口覆盖和公平分配上存在显著差异，其中中国城市整体绿地降温暴露水平明显低于欧洲和美国，而且不平等程度更高，这使得这篇论文具有很强的现实启发意义。

随着全球城市化推进，城市高温与热岛效应已经不再只是一个单纯的环境问题，而是直接关系到居民健康风险、能源消耗、生活舒适性乃至社会公平的重要议题。论文指出，城市高温暴露会显著增加呼吸系统和心血管疾病风险，而在城市空间发展不均衡的背景下，低收入群体和绿地资源不足地区往往更容易承受更高的热暴露，进而形成结构性的环境不公。因此，城市热环境研究不能只停留在温度格局识别上，更需要进一步关注不同人群获得生态降温服务的机会是否均等。

在这样的背景下，城市绿地作为典型的自然基础解决方案，因其遮阴和蒸腾作用，在缓解城市热环境方面受到广泛关注。论文系统梳理了已有研究后指出，当前研究虽已充分认识到绿地的降温能力，但大多数工作仍主要围绕单城市、单区域展开，缺乏长期、跨区域、全球尺度的系统比较。更关键的是，许多研究仍使用固定距离缓冲区或NDVI代理变量评估居民绿地受益情况，这种方式很难反映不同绿地之间真实降温范围的差异，也无法精准刻画居民究竟在多大程度上暴露于绿地降温效应之中。正因如此，论文提出必须建立一个基于绿地实际降温效果的人口暴露评估框架，从而更准确识别全球范围内城市居民享受绿地降温服务的空间格局及其不平等特征。

🌍研究目标与研究区

📌研究目标

这篇论文的研究目标非常明确，围绕三个层层递进的问题展开。第一，作者希望识别过去二十年中城市绿地降温效应在全球主要区域的时空分异格局；第二，希望进一步衡量居民对这种降温效应的人口暴露水平与公平性特征；第三，则试图从自然条件、社会经济和城市形态等多个维度解释，究竟是什么因素在驱动不同城市之间绿地降温人口暴露的差异。也就是说，这项研究并不是只做“现象描述”，而是试图从“降温效应—人口受益—驱动机制”构成一个完整的分析链条。

📌研究区

在研究区选择上，论文基于全球城市边界数据，从全球超过1000个潜在城市样本中筛选出 522个城市，覆盖 中国197个、欧洲140个、美国185个。这些区域之所以被选中，是因为它们在城市化进程、气候背景、城市绿地体系和规划治理模式上具有较强代表性，能够支撑对不同发展阶段和不同制度背景下绿地降温暴露特征的比较分析。论文还设置了较严格的数据质量控制条件，例如城市建成区面积阈值和Landsat影像云量控制，以确保跨城市比较的可靠性。

🖼️ 图 1.  城市绿地降温效应示意图。

🌍 研究方法

· 数据与方法体系

在数据层面，这篇论文使用了多源遥感与空间数据综合分析框架。核心数据包括 Landsat 5/8 影像、WorldPop人口数据、树冠高度、建筑高度、DEM、夜间灯光、降水和气候数据等。作者依托 Google Earth Engine 完成全球尺度的大规模数据筛选、影像预处理、LST反演与绿地缓冲分析，并结合 Python 和 R 进行后续统计建模与驱动因素分析。这个方法体系的优势在于，它同时兼顾了全球尺度的数据一致性、空间分析效率以及多维驱动解析能力。

在绿地降温效应测算上，论文没有简单使用绿地内部与外部温差，而是采用更精细的等距缓冲区温度梯度分析方法。作者以每个绿地样本为中心，在周边构建20个30米间隔的缓冲圈，一直扩展到600米范围，并通过LST随距离变化的三次多项式曲线来识别温度变化的第一个拐点。基于这个拐点，论文进一步提取了绿地的最大降温强度、累积降温强度和降温范围。其中，最大降温强度表示拐点温度与绿地内部温度的差值，累积降温强度则反映降温面积内总体冷却贡献，降温范围则为后续人口暴露估算提供空间边界。论文还特别处理了相邻绿地缓冲重叠、小绿地剔除、非目标植被遮蔽等问题，使降温测度更接近真实的绿地影响范围。

在“人口是否真正享受到降温效益”这一关键问题上，作者构建了一个人口加权的绿地降温暴露指标 GCE。该指标将每个绿地降温范围内的人口数量与其累积降温强度结合，再以城市总人口进行归一化，从而刻画一个城市居民整体享受绿地降温服务的程度。进一步地，论文通过标准差、变异系数、Gini系数和 Theil指数 衡量不同城市间暴露水平的差异与不平等程度。最后，在驱动机制部分，作者先通过 Spearman 相关分析和 VIF 剔除高共线性变量，再采用 Boosted Regression Tree（BRT） 模型识别关键驱动因子，并分析各因素与暴露水平之间的非线性响应关系。整个方法框架从遥感反演、空间暴露计算到不平等测度和机器学习解释，形成了较完整的技术闭环。

🌍 研究结果

论文首先发现，城市绿地降温效应本身就具有显著的空间异质性。无论是最大降温强度还是累积降温强度，在中国和美国都呈现出较明显的高值集聚区，尤其集中在东部沿海和经济较发达区域；欧洲的高值则更多分布于法国、德国、意大利等发达国家的城市。时间变化上，2000—2020年间，中国城市绿地最大降温强度总体持续增强，平均值由 2.27°C 增加到 3.39°C；相比之下，美国则进入相对稳定甚至略有下降的阶段，但整体最大降温强度仍保持较高水平。这说明，从物理降温能力来看，全球不同区域的城市绿地并不是“均质”的，其降温能力本身就深受区域发展和空间环境影响。

但更值得注意的是，绿地降温效应强，并不等于人口暴露水平高。论文指出，人口暴露格局与降温效应分布总体相关，但并不完全一致。美国东部高城市化地区因为人口集中且绿地降温服务覆盖相对较好，因此高暴露城市占比很高；欧洲次之，表现为以中欧发达地区为核心向外扩散的格局。中国则呈现出更明显的“降温效应存在，但人口受益不足”的特征：尽管中国不少城市绿地本身具有较高降温强度，但平均人口暴露水平仅为0.38，显著低于欧洲的0.78和美国的0.86，且只有约19.35%的中国城市冷却暴露指数超过0.6。这说明，中国城市绿地降温服务与人口分布之间存在明显错配，绿地所提供的热缓解收益尚未充分转化为更广泛的人口受益。

从时间演变看，2000—2020年中国城市人口对绿地降温效应的暴露水平还呈下降趋势，从0.45降至0.33。论文认为，这很可能与快速城市化过程中人口增长速度快于绿地服务覆盖扩张有关，即城市人口持续集聚，但绿地的布局与配置没有同步优化，导致绿地降温服务在空间上越来越难以覆盖更多居民。相比之下，欧洲和美国则表现出不同阶段性特征，说明人口受益水平不仅取决于绿地本身，也高度受到城市扩张模式和空间规划质量影响。

在公平性方面，论文给出了非常有冲击力的结果。中国城市绿地降温人口暴露的 Gini系数达到0.56，明显高于欧洲的 0.20 和美国的 0.22。论文进一步指出，这意味着中国城市之间在绿地降温收益分配上存在更显著的结构性失衡，而这种不平等很可能会进一步加剧高温风险在不同社会群体之间的不均衡暴露。换言之，问题并不只是“有些城市绿地不够多”，而是“绿地降温收益在城市体系内被分配得很不均匀”。

在驱动机制上，论文识别出几个最关键的因素：城市建成区规模、绿地树冠高度以及绿地周边建筑高度。作者认为，建成区规模越大，往往意味着人口集聚更强、空间开发更密集，绿地降温服务更容易在覆盖效率上受限；而树冠高度提升通常意味着绿地结构更成熟、遮阴与蒸腾能力更强，更有利于形成实际降温服务；此外，周边建筑高度及其配置会影响局地微气候环境和人口聚集方式，从而间接塑造居民对绿地降温效应的实际暴露水平。论文因此强调，绿地降温人口受益并非只由“绿地面积”决定，而是受到绿地品质、城市形态和人口空间组织共同作用。

🖼️ 图 2. 城市绿地降温效应模式。（a和b分别代表欧洲、中国和美国不同时期城市绿地最大降温强度和累积降温强度的平均值；c展示了各区域最大降温强度和累积降温强度的时间统计数据。）。

🖼️ 图 3. 城市绿地降温效应对人口的影响。（a 和 b 分别显示了欧洲、中国和美国城市人口平均降温效应；c 展示了不同时间段降温效应的统计分析。）。

🖼️ 图 4. 城市绿地降温效应的人口暴露不均。（a 显示了不均指标，其中 SD、CV、Gini 和 Theil 分别代表标准差、变异系数、基尼系数和泰尔指数；b、c 和 d 分别显示了欧洲、中国和美国人口暴露的洛伦兹曲线。）。

🖼️ 图 5. 影响人口接触城市绿地降温效应的因素。（a 显示相关矩阵，b 显示各因素的相对重要性，c 显示各因素与人口接触降温效应之间的非线性关系。）。

🧩 讨论部分

这篇论文讨论部分最核心的贡献，在于它强调：仅仅评估绿地面积暴露，并不足以代表居民真正获得的生态福利。 论文指出，不同地区绿地面积暴露与降温暴露之间虽普遍存在正相关，但这种相关性的强弱并不一致。尤其在中国，绿地面积暴露与降温暴露的相关性较高，说明绿地数量在很大程度上仍然决定居民是否能获得降温效益；而在欧美，这种相关性相对较弱，说明除了绿地面积之外，绿地品质、树冠结构、城市形态和空间配置等因素对居民实际受益同样关键。这一判断非常重要，因为它提醒我们：未来城市绿化不应只追求“有绿”，还必须追求“有效绿”“可达绿”和“可受益绿”。

论文还进一步将研究发现引向环境公平与城市治理层面。作者认为，中国城市绿地降温暴露低且不平等程度高，背后反映的是快速城市化过程中绿地建设与人口扩张不同步、绿地配置与人口密度错位、建成区扩张过快等深层结构问题。这种格局不仅削弱了绿地作为自然基础解决方案的热缓解潜力，也会在高温风险持续加剧的背景下，进一步放大不同区域和不同群体之间的热暴露差异。因此，论文建议把绿地降温服务纳入更加明确的公平治理框架之中，例如在未来城市更新和空间重构中强化“15分钟绿色生活圈”等理念，使绿地不只是景观资源，而是真正成为普惠性的生态基础设施。

同时，论文的讨论也显示出一个值得关注的研究转向：城市热环境治理正在从“降多少温”逐步迈向“谁真正受益”。这种视角转换意味着，未来相关研究不仅需要识别绿地降温强度，还要进一步纳入人口分布、社会脆弱性、可达性和空间公平等因素，推动城市热环境研究与公共健康、环境正义和国土空间规划更深融合。就这一点而言，这篇论文的意义不仅在于揭示全球格局，更在于为热环境公平治理提供了可量化、可比较的分析范式。

🧩 研究结论

本研究利用遥感云平台的Landsat影像和WorldPop数据，构建了城市绿地降温暴露的人口加权模型，首次评估了欧洲、美国和中国大陆城市的暴露水平及其分布公平性。结果表明，美国44.86%的城市暴露水平较高（高于0.9），主要集中在东部沿海地区；欧洲31.43%的城市超过该阈值，呈现出从中欧向外辐射的空间分布格局。相比之下，中国城市的平均暴露水平显著较低（0.38），远低于欧洲（0.78）和美国（0.86），仅有19.35%的城市超过0.9的阈值，主要分布在南部季风区和内陆西北地区。此外，中国城市人口暴露变异系数在所有观测时间点均大于1，2020年达到1.34，是欧洲（0.36）的3.7倍，是美国（0.38）的3.5倍，表明城市间存在显著差异。另外，2020年中国城市的基尼系数（0.56）和泰尔指数（0.58）也显著高于欧洲（基尼系数：0.20，泰尔指数：0.07）和美国（基尼系数：0.22，泰尔指数：0.08），凸显了绿地降温效益分配的严重不公平。

重要的是，建成区面积（BUA）、绿地高度（GS_H）和绿地面积（BA）被确定为影响人口绿地降温暴露的关键驱动因素。其中，绿地高度和归一化植被指数（NDVI）在所有研究区域均表现出显著的正向边际效应，凸显了高大茂密的植被在提升城市降温性能方面的决定性作用。相比之下，随着城市规模的扩大，建成区面积和人口建成区面积（POP_BUA）的相关性均趋于由正相关转为负相关。当建成区面积相对较小时，降温暴露与建成区面积之间存在显著的正相关关系，表明高密度城市环境中的居民能够更有效地受益于绿色基础设施的降温效应。总体而言，本研究揭示了全球主要区域城市绿地降温服务公平性方面存在的显著空间差异，为优化绿地配置和促进公平导向的城市规划提供了坚实的科学依据。城市规划应特别优先考虑增加高大、结构复杂的植被比例，尤其是在高密度建成区和降温暴露有限的区域，以最大限度地通过遮荫和蒸腾作用降低温度。与此同时，需要制定更精细的管理策略，以遏制无序的城市扩张，并通过屋顶绿化和垂直绿化等方式，提升空间受限环境下的绿化效果。更重要的是，政策制定者应系统地将公平原则融入城市绿地的规划和分配中，优先为社会经济弱势群体和高风险热岛地区提供高质量的绿色基础设施。这些努力将有助于在全球范围内推进环境正义，并增强城市应对气候变化的能力。

🛰️🌆GeoAI 星球 · 洞见时刻

从 GeoAI 的视角看，这篇论文的价值不仅在于研究结论本身，更在于它展示了一种非常典型的“多源遥感 + 人口数据 + 云平台计算 + 机器学习解释”的综合研究范式。作者借助 GEE 实现大范围绿地识别与LST反演，再把人口数据、绿地结构、建筑形态和社会经济变量整合进来，最后通过 BRT 模型识别关键驱动因素，这实际上体现了 GeoAI 在城市生态服务评估中的典型能力：既能处理跨区域、多时相、大样本数据，又能把复杂空间现象转化为可解释、可比较、可服务治理的问题框架。

🔖 引用文献格式

Guo, A., He, T., Yue, W., Yan, Q., Li, M., Zhang, Z., ... & Chen, Y. (2026). Global inequalities in population exposure to urban green space cooling. Cities, 174, 107045.

📢 声明

本文内容基于作者对论文的个人阅读与理解，难免存在疏漏或不当之处，仅供学习交流使用，不构成任何学术结论或商业性引用。若文中对原文理解不准确，或涉及版权问题，欢迎及时联系指正，我将第一时间进行修改或删除。感谢理解与支持！

🛰️ 未来本账号将持续更新 GIS、遥感、城市研究相关的数据、工具与教程。如果你对某类数据、某种研究主题或某项技术分享感兴趣，欢迎在评论区留言或私信告诉我们。