2021年，我国提出碳达峰、碳中和的双碳策略，对城市减排和碳汇增加提出更高要求。随着全球变暖和极端高温时间的频度和强度增加，居住和生产环境面临高温环境的脆弱性不断增加^[1]。城市人口集聚和社会经济快速发展，使城市热岛效应的影响范围和程度不断增加，极端条件下可造成城市短时急剧增温^[2]。城市热岛强度随不透水面比率增加而增强，距离城市中心区越近则越强^[3]。相反，城市绿地具有冷岛效应，通过调节通风和温度，可调节城市的微气候。城市的开发、建设和管理需要纳入热脆弱性这一因素，将改善热环境，增加通风隔热，调节区域微环境纳入规划，以减少能源投入，从而达到碳减排的目标。我国当前绿色建筑的发展趋势主要有以下几个方面：创造与自然和谐共生的建筑和城市社区^[4]，以公共交通为导向的开发模式(TOD)，引导人口和就业向轨道交通站点周边集中，提高绿色出行比例，从而减少碳排放^[5]。在低碳景观理念和实践方面，通过绿地空间优化及立体绿化，充分发挥植被的冷岛效应，减少建筑能耗的综合减碳作用，不断推进绿地“减源增汇”作用^[6]。

对城市环境热脆弱性进行量化评估，能够为城市建设开发提供决策依据，对于城市开发模式的确定、绿色空间的布局和建设技术的选择，以及重点区域的热环境改善有重要意义^[7-8]。杨林川等^[9]从高温暴露、敏感性和适应能力3个方面对城市热浪脆弱性进行研究，对“热舒适”空间规划和“热应对”策略提出建议，强调了空间利用和绿化覆盖的意义。

根据已有文献及实际观察调研，影响城市热脆弱性的因素包括许多方面，例如气象、微环境、城市用地、人口密度和人口构成。不仅温度、太阳辐射会直接影响城市热环境，通风、湿度也在一定程度上影响热量分布和人的热感知，建筑和人口密度大的区域，在夏季使用空调较为密集，会加剧城市热岛效应，增加热脆弱性。这些指标对于热脆弱性有正向影响，如温度、太阳辐射和城市密度，与热量呈现正相关^[10]。呈现负向影响的因素，能够减少热量汇集，减轻热脆弱性，如良好的通风，植被遮阴，屋顶和墙面绿化等^[11]。已有研究表明，城市化进程中人口数量、密度和城市建筑面积的增加是解释城市热岛强度的关键因素^[12]，具体因子包括人为热、太阳辐射、下垫面类型、土地开发强度和房屋建筑等。本研究从中筛选能够全面反映城市环境热脆弱性的指标，确定其影响方向，进行主成分分析和权重计算。

1 研究区域和评价体系 1.1 研究区概况

南京(31°14″—32°37″N，118°22″—119° 14″E) 地处中国东部、长江下游，属于低山、丘陵地带，两侧多是地势低平的河谷平原和滨湖平原，其海拔均＜10 m。作为江苏省的省会和长江三角洲的重要城市，南京随着城市化水平的提高和城镇范围的扩张，城市热岛效应不断增强，热岛范围逐渐扩大^[13]，由建成区中心地区逐步呈扩张趋势，而绿岛区则呈现不断减少的趋势^[14]。有研究表明，南京热岛效应的增强主要与建筑等不透水面的增加呈正相关，与水体和植被覆盖呈负相关^[15-19]。

南京主城区人口密度大，有众多绿地资源和相对较高的绿化覆盖率，但绿地分布不均匀，不同区域的建筑道路等不透水面占地比例相差较大，热环境情况差异也较大。人口和建筑密集的老城区以及新开发的地区，由于硬质化程度高或绿化不足等问题，在地表温度和环境舒适度方面呈现较突出的问题，为城市节能减排和碳中和带来一定的负效应。

本研究选取南京主城7区78个地块，对每个区块的热脆弱性进行评价。主城7区包括鼓楼区、玄武区、秦淮区、雨花台区、建邺区、栖霞区、江宁区(不包括对主城区热脆弱性影响较小的横溪和禄口2个地区)，研究区域示意见图 1。

1.2 城市环境热脆弱性评价体系

为了客观全面地反映城市各个区域热脆弱性，以及各区域热环境对节能减排的负向影响，研究建立了城市环境热脆弱性评价体系(HVAF)。评价体系采用温度、湿度、太阳辐射、风速、降雨等气象和环境指标，植被覆盖度、归一化植被指数、叶面积指数等植被指标，以及建筑占地率、建筑高度、不透水面比率和人口密度等城市指标，运用主成分分析法(PCA)，对这些指标进行降维处理和权重计算。数据分析采用KMO检验和Bartlett球形检验测试数据的充分性，运用皮尔森(Pearson)相关性分析，对各指标之间的相关性进行计算分析，辅助解释各区域的热脆弱性(图 2)。

2 研究方法 2.1 评价指标选择

热环境与气温直接相关，但是相对于差异较小的区域气温，地表温度因下垫面情况和植被状况不同而差异较大^[20]。研究表明，对室内空调降温的需求更多取决于地表温度(体感温度)，因此气温和地表温度描述了环境温度的不同方面^[21]，将其均纳入指标体系。风速对于通风和热量消散有利^[22]，对于热脆弱性有负向影响。湿度高不利于人体散热，会导致体感不适，增加对空调的使用，增强热岛效应，被列为正向指标。降雨和地表太阳辐射分别为负向和正向指标。由于植被对于调节温度和风速有利^[23-24]，与植被相关的指标均为负向指标。城市的高密度建筑，尤其是高层建筑区，热岛效应明显，加上人口密度大，热脆弱性明显，各项城市指标均为正向指标。

本研究选取13个初始指标，其中气象和环境指标包括地表温度、气温、地表太阳辐射、风速、降雨和湿度；植被指标包括植被覆盖度、叶面积指数、归一化植被指数和绿地率；城市指标包括不透水面比率、建筑占地率、建筑高度和人口密度(表 1)。

尽管这些指标不能完全代表热脆弱性的所有方面，但是能够提供植被、环境和城市共同作用于热环境的量化评价依据，能够帮助理解最易于受到热量影响的区域和影响程度，从而有助于制定合理的对策以改善这些区域的热环境。

2.2 数据来源

气象和环境指标的气温、降水、风速、湿度和地表太阳辐射数据来源于国家青藏高原科学数据中心(https://data.tpdc.ac.cn/home)。地表温度使用美国地质调查局(USGS)的陆地卫星8号(Landsat 8)影像数据(https://earthexplorer.usgs.gov/)，通过地理信息系统(ArcGIS)计算反演获得^[25-26]。植被指标中的归一化植被指数来源于中科院资源环境科学与数据中心(https://www.resdc.cn/)，植被覆盖度和叶面积指数数据是通过归一化植被指数计算获得。以上所有指标数据均选取2022年夏季观察或者记录数据。城市指标数据来源于武汉大学发布的中国1990—2022连续30年的土地利用数据(CLCD)(http://irsip.whu.edu.cn/recent_achi/recent_show.php?16#)。

2.3 复合指标

本研究采用复合指标^[27-29]对城市热脆弱性进行评价，运用基于主成分分析法^[30]的加权方法进行数据计算。构建复合指标的过程包括6个步骤：变量选择，数据转换，多元统计分析，权重推导，指标复合，得到复合指标的描述性统计^[31-34]。本研究对热脆弱性的各个指标进行复合，形成热脆弱性指标(HVI)，对各研究地块和城区进行综合分析。

2.4 数据归一化和标准化处理

由于各指标的计量单位不同或无量纲，且数值大小差异较大，无法进行比较和整合。为了规范指标，采用Z-Score归一化方法，可以得到均值为0，标准差为1的统一标度，以消除量纲的影响。具体计算公式见式(1)。

$ Z=\left\{\begin{array}{l} \frac{x-\mu}{\sigma}, x \text { 是正向指标 } \\ \frac{\mu-x}{\sigma}, x \text { 是负向指标 } \end{array}\right. $

(1)

式中：Z——标准化指标；x——原始输入指标；μ——x的算术平均值；σ——x的标准差。所有指标均进行数据标准化，采用SPSS Statistics 26统计软件进行统计处理。

2.5 利用主成分分析法对数据进行降维处理

主成分分析法是一种数据分析工具，用于降低大量相关变量的维数(变量数)，同时保留尽可能多的信息。在城市环境的热脆弱性研究中，需要对多变量数据进行分析，多变量之间可能存在相关性，从而增加了问题分析的复杂性。主成分分析法在减少需要分析的指标的同时，尽量减少原指标包含信息的损失，以达到对所收集数据进行全面客观分析的目的。本研究采用14个变量和78个地块的数据矩阵，对7个城区观测到的气候和环境、植被和城市因素的潜在因子进行了分类，即对高度相关的指标进行分组。同时通过主成分分析法的加权方法，对各个区域综合赋值，从而获得不同程度的受热量影响的脆弱区。

基于相关矩阵的主成分分析，本研究通过保留特征值＞1的主成分来选择显著轴(或维度)的个数。此外，为了便于解释这些成分，研究采用Kaiser方差最大化旋转。为了检验样本的充分性，采用了KMO检验和Bartlett球形检验。KMO指数在0~1之间变化，可以在0.90(出色)，0.80(优秀)，0.70(中等)，0.60(一般)，0.50(较差)和＜0.50(不可接受)之间进行评估^[35]。Bartlett球形检验主要是用于检验数据的分布，以及各个变量间的独立情况^[36]。主成分特征值及贡献率见表 2。

由表 2可见，KMO检验指数为0.808(＞0.80)且Bartlett球形检验p值＜0.001，因此数据集非常适合进行主成分分析。本研究将主成分分析应用于数据矩阵，提取特征值＞1的主成分(PC_j)。根据主成分分析结果，保留了4个主成分，它们解释了总方差的87.7%。旋转后主成分载荷矩阵能够更好地体现指标对各主成分的贡献值，旋转后的主成分载荷矩阵见表 3，突出显示了每个主成分中的显著值。

2.6 指标权重计算

由于研究中纳入了大量指标，每一个指标对最终维度或指标的贡献都可能受到冗余的影响。利用主成分分析法提取主成分后，就可以根据各指标对综合指标的贡献计算出各指标的权重。各主成分j对应的中间脆弱性指标(IVI_ji)通过对指标进行加权汇总计算得出，计算公式见式(2)。

$ \mathrm{IVI}_{j i}=\sum\limits_{k=1}^{k=n} w_{k j} I_{k i} $

(2)

式中：IVI_ji——主成分j和地块i的中间脆弱性指标；w_kj——主成分j中指标k的权重；I_ki——地块i归一化指标k。权重w_kj由上述因子载荷矩阵计算获得，计算公式见式(3)。

$ w_{k j}=\frac{\left(\text { factor_loading }_{k j}\right)^2}{\text { eigenvalue }_j} $

(3)

式中：factor_loading_kj——指标k在主成分j中的因子载荷值；eigenvalue_j——第j个主成分的特征值(表 2)。最后，热脆弱性指数(HVI_i)可以计算为中间脆弱性指标的加权集合，计算公式见式(4)。

$ \mathrm{HVI}_i=\sum\limits_{j=1}^{j=4} \alpha_j \mathrm{IVI}_{j i} $

(4)

式中：α_j——中间脆弱性指标j的权重，α_j计算公式见式(5)。

$ \alpha_j=\frac{\text { eigenvalue }_j}{\sum\limits_{j=1}^{j=4} \text { eigenvalue }_j} $

(5)

2.7 热脆弱性分级

HVI的计算结果包括负值和正值，研究采用Jenks自然断点法^[37]对数值进行分级，通过ArcGIS进行空间可视化处理，使数据具有空间显式，便于观察和理解。地块级别的热脆弱性评估的5个等级分别为：低风险、中低风险、中风险、中高风险和高风险。此外，对城区级别的热脆弱性分析也进行了数据标准化和热脆弱性计算。在城区级别的热脆弱性分析中，本研究将4个主要维度进行分解并评分，以分析具体是哪些因素造成热脆弱性。这4个维度(或因素)是通过主成分分析的降维处理得到的。各城区热脆弱性分析结果采用雷达图，以直观地表明各因素的影响程度。

3 结果与分析 3.1 相关性分析

本研究对13个指标进行了皮尔森相关性分析，采用SPSS统计软件计算。热脆弱性指标相关性分析见图 3，显示了热脆弱性指标间成对相关系数以及带有拟合线的二元散点图。热脆弱性指标相关性聚类分析见图 4。由图 4可见，植被指标的绿地率、归一化植被指数和叶面积指数，相互之间呈正相关，显著性程度高。城市指标的不透水面比率、建筑占地率和人口密度，相互之间也呈现显著正相关。气象因素的气温、地表太阳辐射、风速和降雨指标也同样呈现显著正相关。植被、气象和城市这3个主要因素的各项指标呈聚类分布，具有显著的自相关特征。

但是一些指标与其他指标呈现出特殊的相关性。如地表温度与气象因素的各指标相关性弱，与植被和城市因素分别表现为显著的负相关和正相关。已有研究表明，地表温度与城市下垫面情况、植被覆盖情况等相关，不能单纯归为气象或城市因素^[10-11]。相关性分析也可看出，地表温度与不透水面比率和建筑占地率呈现显著正相关，与绿地率和各项植被指数呈现显著负相关，与降雨和湿度呈正相关，但与气象要素中的气温、地表太阳辐射和风速相关性不明显。

地表温度与人的身体感觉关系密切，与降雨和湿度呈正相关，而城市热岛效应研究表明，温度升高会带来更多降雨和更大湿度^[38]，湿度的增加带来人体体感不适，进而对空调使用的需求增加。本研究发现，降雨与不透水面比率、建筑占地率呈正相关，体现了城市的雨岛效应。因此湿度与不透水面比率、建筑占地率呈正相关，与植被因素呈负相关。而湿度和地表温度也呈显著正相关，这2个指标与植被、气象和城市因素不同，可单列为城市微环境指标。由此可以推断，调节地表温度，可以间接减少空调使用，达到节能减排的目的。

由于相关性较低的数据集不适合进行因子和成分分析^[39]，图 4表明指标之间存在显著相关的指标数量较多，且呈集聚形态，采用多变量方法减少数据是有效的^[40]，因此本研究适合采用主成分分析法。

3.2 主成分分析

对南京主城78个地块13个变量组成的数据矩阵进行主成分分析，提取的5个主成分解释了数据方差的94.0%，其中PC₁、PC₂、PC₃、PC₄分别占35.7%，20.1%，17.5%，14.4%，这4个主要成分解释了绝大多数的数据关系(87.7%)。

表 3中指标的共同度是某一原变量在所有公因子上载荷的平方和，表示各指标所含信息能被所提取主成分解释的程度。如果因素分析结果中大部分变量共同度都＞0.8，说明提取的公共因素已经反映了原变量80%以上的信息，是衡量因素分析效果的常用指标。本研究的热脆弱性指标共同度均＞0.8，最高3.0，表明主成分分析效果很好。其中气温、地表太阳辐射、湿度、绿地率、不透水面比率和建筑占地率指标的共同度分别为3.0，2.9，2.9，2.2，2.7和3.0，说明这些因子有较好的数据解释能力，对热脆弱性指数的影响较大。而风速、叶面积指数和归一化植被指数的共同度分别为1.0，1.2和1.2，对热脆弱性指数的影响相对较小。

在对主成分分析结果进行重新排序和组合后，4个主要成分被析出，13个指标被降为4个维度(表 4)，分别为植被因素、气象因素、环境因素和城市因素，对应的影响权重分别为0.255，0.283，0.198和0.264(图 5)。这4个维度在图 4相关性聚类分析中也可获得初步的分类汇总，通过主成分分析和相关性分析的相互验证，证明主成分分析在数据降维方面效果良好，计算结果统一，共同解释了影响城市热脆弱性的主要因素可以归纳为气象、植被、环境和城市4个方面。

具体来说，第1个维度(PC₁)归纳为植被因素，体现城市的绿色空间占地比例、植被覆盖情况和生长状况对热脆弱性的影响，包含绿地率、植被覆盖度、归一化植被指数和叶面积指数4个指标。第2个维度(PC₂)归纳为气象因素，是气候条件对城市热环境的影响，包含气温、地表太阳辐射、降雨和风速4个指标。第3个维度(PC₃)归纳为环境因素，体现城市微气候环境对热脆弱性的影响，包含地表温度和湿度2个指标。第4个维度(PC₄)归纳为城市因素，体现城市建成环境和人口密集程度对热脆弱性的影响，包含不透水面比率、建筑占地率和人口密度3个指标。

3.3 热脆弱性复合指标加权分析

从主成分分析法推导出各指标的权重值，再根据热脆弱性复合指标计算公式，进行热脆弱性指标计算。其中，IVI表示各指标对HVI的权重，各指标IVI之和为1，而HVI是用于衡量一个地块或一个城区的热脆弱性。4个主要成分的IVI之和代表了4个维度对HVI的贡献。

每个地块的热脆弱性指标得分结合ArcGIS空间地理位置，生成热脆弱性分析图(图 6)。地块级别的热脆弱性采用Jenks自然断点法，将热脆弱性指标的数值分成5个等级，分别为低风险(-1.24 < HVI < -0.65)、中低风险(-0.65 < HVI < -0.17)、中风险(-0.17 < HVI < 0.21)、中高风险(0.21 < HVI < 0.66)和高风险(0.66 < HVI < 1.27)。由图 6可见，热脆弱性高风险区主要位于城市中心区，如新街口、夫子庙和鼓楼地区。这些区域有最高的建筑占地率、人口密度、不透水面比率，同时有最低的绿地率、植被覆盖率和较低的叶面积指数。气象和微气候环境方面，有最高的气温、地表温度，通风状况差、湿度大，城市热岛现象显著，各项指标都不利于环境降温和热量调节。尽管气象因素中风速和降水有一定的热量缓解作用，各项指标进行加权计算后，这些区域显示出最大的热脆弱性，热环境风险也最大。

热脆弱性中风险、中高风险区位于老城区外圈区域，包括玄武湖紫金山地区的外围周边、鼓楼区的大部分、建邺区的河西中央商务区(CBD)，以及夫子庙地区的外围地区等。这些地区的山林、水体和植被对于区域热量调节和热脆弱性风险降低有明显的正面影响，但是远离这些蓝绿空间(由河湖水系构成的蓝色空间和绿地系统构成的绿色空间)，调节作用就逐步减弱。这些地区虽靠近一些自然资源，但由于城市建设开发的强度较大，人口密度较高，自然因素对区域的影响小于城市因素，整体的热脆弱性相对较高，热环境风险问题也较大。

热脆弱性中低风险区基本上位于中风险区的外圈，如江宁区的麒麟街道和东山街道，栖霞区的燕子矶和仙林地区，建邺区的雨花经济开发区、板桥和西善桥地区。这些区域有一定的植被和山林或水体资源，同时也有一定的建成区，建筑占地率和人口密度相对较低，属于城市的新区或开发中的区域，整体热脆弱性相对较低，热风险较城市中心区明显降低。

热脆弱性低风险区主要位于主城区的外围区域以及植被水体资源丰富的自然区域，包括江宁区大部分区域、栖霞区的八卦洲、建邺区的江心洲，以及玄武区的玄武湖和紫金山地区。这些区域有丰富的植被资源和水体，对热环境有很好的降温和调节作用，同时不透水面比率、建筑占地率和人口密度都较低，地表温度明显低于建筑密集的城市中心和工业园。通过南京主城区地表温度分析发现，玄武湖、紫金山地区夏季地表温度约29 ℃，相比夫子庙地区的36 ℃，龙潭物流园的39 ℃，差异明显(图 7)。气象因素方面，尽管地表太阳辐射和气温均略高于北部的中心城区，但这些区域的风速和降水都相对较大，在很大程度上能够减轻环境热影响，降低环境的热风险和热脆弱性。

热脆弱性指标分析见图 8(a)—(l)。由图 8可见，各指标的空间分布呈现出较大的差异性。气象因素中太阳辐射受纬度影响，呈现北低南高的特征。气温受太阳辐射影响，总体呈北低南高的特征，但城市中心区由于热岛效应，气温明显高于周边地区。地表温度则与城市下垫面情况直接相关，建筑占地率和不透水面比率的分布明显影响着地表温度的空间分布。风速和降雨有相似的空间布局，这2个气象因素与城市布局的相关性不大。但是湿度受城市下垫面和建筑密度等城市因素的影响较大，与地表温度的分布较为接近，都属于微气候因素。各个绿地指标的空间分布比较相似，一些重要绿地资源的植被覆盖度和叶面积指数数值都较高。城市因素的各个指标也具有明显的相关性，城市中心区不透水面比率、建筑占地率和人口密度都较高，且都从中心区向外逐渐降低。

3.4 城区层面热脆弱性加权分析

南京城区层面热脆弱性分析见图 9。由图 9可见，城区的热脆弱性指标值的范围为-0.78~0.71，由于平均了各城区内每个地块的每项指标，城区热脆弱性值出现扁平化，其数值范围小于地块的热脆弱性值范围(-1.2~1.27)。分级依然采用Jenks自然断点法，将城区热脆弱性指标的数值分成5个等级，代表 5个风险级别：低风险(HVI＜-0.78)、中低风险(-0.77 < HVI < -0.29)、中风险(-0.28 < HVI < -0.19)、中高风险(-0.18 < HVI < 0.01)和高风险(0.02 < HVI < 0.71)。

南京主城区土地利用及土地覆盖示意见图 10。由图 9和图 10可见，最易受到环境热量影响的城区是秦淮区和鼓楼区。这2个城区是老城区，人口密度和建筑占地率都相对较大，具有更高的空调使用强度和碳排放量；不透水面比率高，有较高的地表温度，较大的环境湿度；绿地率较低，在与临近区域相似的气象条件下，更容易发生热灾害，具有较高的热脆弱性。

建邺区由于较高的人口密度和建筑占地率，以及较高的不透水面比率和相对较低的绿地率，较易发生热灾害。但是建邺区有一些集中的绿地植被资源，如绿博园、青奥公园、河西生态公园等，可以调节环境热量。但这些绿地多位于沿长江一带，且植被覆盖率和归一化植被指数较低，对城区内热环境的调节功能有限，因此仍然有较高的热脆弱性。

玄武区、栖霞区和雨花台区也属于主城的重要组成部分，热脆弱性中等或偏低。其中，玄武区人口密度和建筑占地率都较高，但是由于区域内有玄武湖和紫金山蓝绿空间的调节作用，绿地周边的热脆弱性大大减少，整体而言，玄武区热脆弱性为中等偏低。栖霞区人口密度较低，但建筑占地率相对较高，由于具有较多的产业园和交通枢纽，虽然有幕燕滨江绿带和栖霞山风景区，但整体而言不透水面比率偏高，而绿地率偏低。在硬质环境为主的工业园区和交通用地，较易发生热灾害。在滨江带和绿地条件好的部分区域，如仙林大学城，热灾害风险较低。整体而言，栖霞区的热脆弱性中等偏高。雨花台区与栖霞区情况接近，但区域内雨花台风景区、将军山风景区和分散分布的绿地空间，很好地调节了温度、湿度和区域热量分配，总体热脆弱性中等偏低。

而最不易受到环境热量影响的是江宁区。江宁区在东、南、西三面环抱南京中心城区，虽然发展为人口和建筑密集的新城区，但也保留了众多绿地和水体资源。大量且均衡分布的植被和水体，对温度起到很好的调节作用，总体而言热脆弱性较低。但是由于江宁区面积大，高密度城市区和低密度郊野带的差异平均后被弱化，无法精准地反映出江宁区内部各个地区的热脆弱性。

3.5 热脆弱性主要因素影响力的分解

南京7个城区4个主要影响因素热脆弱性分解值见表 5。主成分分析降维后各主要因素影响分析见图 11。

由图 11可见，影响鼓楼区和秦淮区热脆弱性的主要因素是植被、城市和环境因素，即绿地空间有限、硬质城市比例大、微环境的地表温度和湿地增加了密集城区的热岛效应，都增加了这2个城区的热风险。然而气象因素由于每个区域差异不大，不是热脆弱性的主导要素。相反，影响江宁区热环境的主要影响因素是气象，因为区域尺度大，自然资源丰富，气象调节的差异也较大，而其他3个因素的影响力都相对较小。玄武区热环境的主要影响因素是城市、气象和微环境，如建筑占地率、人口密度、地表温度等；相反，良好的植物资源起到很好的热量调节作用。而建邺区、栖霞区和雨花台区，4个方面的影响比较均等，如建邺区每个因素的影响都较大，雨花台区每个因素的影响都中等，进而汇总后的热脆弱性值也位于中等。

4 结论与建议 4.1 结论

城市热脆弱性是一个涉及多因素的环境问题，需要系统评估各因素的综合影响。本研究采用多因子和复合指标评价方法，通过主成分分析，将大量指标简化为几个主要维度，对南京城市环境热脆弱性进行评价，并分析影响因素，得出结论如下。

(1) 主成分分析法提取了影响热脆弱性的4个主要因素，分别归纳为植被、气象、环境和城市因素。4个因素接近均等地作用于城市热环境，但是由于环境因素中的地表温度和湿度直接受到植被和硬质下垫面的影响，因此综合而言，植被覆盖度和绿地率对热脆弱性是至关重要的影响因子。

(2) 南京主城区热脆弱性的空间格局表现为从中心城区到周边城区呈梯度下降趋势，热脆弱性最高的区域集中在老城区，新开发但绿地生态效益没有充分发挥的区域，以及工业、交通和物流园区等。

(3) 影响各区域热脆弱性的主导因素各不相同。中心城区或老城区，由于长久的建设发展，人口密度和建筑占地率大，植被资源有限且分散；气象上，气温高且降雨多、风速低且通风差，都加剧了区域的热岛效应和雨岛效应；微环境上，较高的地表温度和较大的空气湿度，都不利于热量消散，导致了很高的热脆弱性。因此导致鼓楼区、秦淮区和玄武区热脆弱性高的因素主要是城市因素，其次是植被、环境和气象因素。建邺区、栖霞区和雨花台区的4个影响因素相对平均。江宁区热脆弱性的主导因素主要是气象因素，其次是环境和城市因素。

4.2 建议

热脆弱性评价框架可作为持续监测的工具和决策支持系统，帮助理解和管理城市热环境，并且更好地应对环境热风险。环境热脆弱性研究对城市规划和绿地建设也具有积极的指导意义。由于植被覆盖度与地表温度、湿度等环境指标高度相关，直接影响城市微环境的热脆弱性，因此城市绿地系统规划可对绿地空间分布进行合理化配置来改善热环境。如在绿地率有限的中心城区增加植被覆盖率，通过乔木树冠、屋面和墙面的立体绿化进行覆盖遮阴，增加对太阳辐射的吸收，降低地表温度，调节环境湿度，直接或间接地减少环境热量。对于正在改造的街区，应通过更新和置换，增加集中绿地，同时充分利用城市边角地、畸零地和荒弃地进行覆绿，鼓励采用透水铺装来减少不透水面和建筑对环境热量的影响。对于开发中的新城区，应通过合理规划，提高绿地率，创造通风廊道，增加联通水体，来减轻城市热岛效应。通过植被覆盖和蓝绿空间的完善，不仅能够改善区域热环境、降低热脆弱性，还可以增加植物碳汇、减少碳排放，从“源”和“汇”2个方向达到增汇减排的作用。