Messung der Beziehungen zwischen verschiedenen städtischen Grünflächen und lokalen Klimazonen

Scientific Reports Band 13, Artikelnummer: 9799 (2023) Diesen Artikel zitieren

845 Zugriffe

3 Altmetrisch

Details zu den Metriken

Städtische Grünflächen (UGS) verbessern die Lebensbedingungen in Städten, indem sie den Urban Heat Island-Effekt abschwächen. Während der kühlende Effekt von UGS eindeutig zu sein scheint, ist der Zusammenhang zwischen den Arten von UGS und den Arten von Wohngebieten noch nicht ausreichend erforscht. In dieser Studie haben wir systematisch die Kühlwirkung von 71 UGS in Prag, einer mitteleuropäischen Stadt, auf Wohngebiete im Umkreis von 400 m um das UGS analysiert. Die UGS werden nach ihren räumlichen Merkmalen (Größe, Form und Baumdichte) und die Wohngebiete nach drei für europäische Städte typischen lokalen Klimazonen (LCZ 2, 5, 6) klassifiziert. Der Kühleffekt wird mithilfe eines Regressionsmodells der Landoberflächentemperatur (LST) in Wohngebieten je nach LCZ-Typ und Entfernung von den verschiedenen UGS bewertet. Die Ergebnisse zeigen, dass kompakte UGS von 10–25 ha mit dichtem Baumbestand den stärksten Kühleffekt haben. Dieser UGS-Typ war mit einem mittleren Rückgang der LST innerhalb von 400 m um 2,3 °C verbunden, verglichen mit dem am wenigsten wirksamen UGS-Typ (langer UGS-Typ mit spärlichen Bäumen) in allen LCZs. Die Ergebnisse der vorgestellten Studie können in der Stadtplanung und im Städtebau zur Verbesserung des Mikroklimas in Städten eingesetzt werden.

Planungsrichtlinien auf der ganzen Welt zielen darauf ab, nachhaltige, belastbare und gesunde Orte zum Leben zu schaffen. Mit der steigenden Bevölkerungszahl in Städten und der zunehmenden Häufigkeit extremer Hitzeereignisse1 gewinnen diese Ziele an Bedeutung. Städtische Grünflächen (UGS) gelten weithin als wirksame, naturbasierte Lösung für den städtischen Hitzeschutz, die Abkühlung der Temperatur und die Verbesserung des städtischen Mikroklimas in ihrer Umgebung, insbesondere bei trockeneren Klimabedingungen2,3,4. Der Kühleffekt von UGS könnte durch den Vorschlag von UGS mit geeigneten Eigenschaften weiter verstärkt werden5. Das Vorhandensein barrierefreier UGS bringt weitere positive Auswirkungen, insbesondere für Bewohner mit eingeschränkter Mobilität, wie zum Beispiel Kinder, ältere Menschen oder Menschen mit Herz-Kreislauf-Erkrankungen, deren Exposition gegenüber hohen Temperaturen mit größeren Gesundheitsrisiken verbunden ist6. Kurz gesagt, eine ausgewogene Verteilung von entsprechend konzipierten UGS in den Städten kann sowohl zur Vorbeugung verschiedener Krankheiten7 als auch als wirksame Eindämmungsmaßnahme gegen die Bildung städtischer Wärmeinseln (Urban Heat Islands, UHI) dienen.

Es wurde festgestellt, dass die Kühlwirkung von UGS erheblich ist, insbesondere unter trockenen europäischen Bedingungen2,3. Daher wurden die Merkmale von UGS im Hinblick auf die Maximierung der Minderungswirkung des UGS untersucht. Drei Merkmale der Kühlwirkung des UGS werden besonders häufig als die einflussreichsten genannt: Größe, Form und Baumdichte. Beginnend mit Letzterem stimmen die meisten Studien8,9,10,11 darin überein, dass Bäume eine höhere Kühleffizienz bieten als Gras. Beispielsweise wurde festgestellt, dass ein Park in der Nähe von Lissabon (Portugal), in dem Bäume vorherrschen, die Temperatur innerhalb von 60 m erheblich beeinflusst, während ein Park mit Grasvorkommen die LST nur innerhalb von 10 m beeinflusst9. Die maximale Abkühlungsentfernung für Wälder und Stadtparks in Leipzig (Deutschland) betrug 469 m bzw. 391 m11.

Es wurde festgestellt, dass UGS mit einer regelmäßigen und kompakten Form bei der Kühlung wirksamer sind als solche mit unregelmäßiger und länglicher Form10,12,13. Größere UGS kühlen effektiver als kleine10,14, viele Studien deuten jedoch darauf hin, dass es eine untere und obere Effizienzschwelle gibt. Der Wert der Schwellenwerte variiert jedoch zwischen den Städten. Beispielsweise wurde ein vernachlässigbarer Effekt für UGS kleiner als 5,6 ha in Leipzig11, 2–3 ha in London13 und 2 ha in Shanghai12 festgestellt. Im Gegensatz dazu milderte in Almada (Portugal) eine UGS von sogar 0,49 ha mit einer hohen Baumdichte die Temperatur um mindestens 1 °C9. Basierend auf einer umfassenden Literaturrecherche haben Aram et al. (2019) legten den unteren Grenzwert für UGS auf 10 ha fest, mit einem Einfluss von 1–2 °C auf umliegende Gebiete innerhalb von 350 m. Die obere Schwellengröße von 40 ha wurde in Shanghai gemessen15.

Insgesamt scheinen die kühlende Wirkung von UGS und die Rolle ihrer Größe, Form und Baumdichte eindeutig zu sein. Dennoch wurde die Beziehung zwischen verschiedenen Typen von UGS und den umgebenden städtischen Strukturen im Kontext der fußläufigen Entfernung nicht ausreichend untersucht. Viele UGS-Studien wurden ohne Berücksichtigung des umgebenden Kontexts durchgeführt9,10,13, obwohl die Auswirkungen der Stadtstruktur (auch Stadtmorphologie genannt) wohlbekannt sind16. Nur wenige Studien haben die Wirkung der UGS im Kontext der Stadtstruktur gemessen. Beispielsweise beschrieb eine chinesische Studie8 die Stadtstruktur anhand verschiedener Indizes, die die Größe des Gebiets, die Bevölkerungsdichte und die Intensität des Nachtlichts berücksichtigten. Obwohl die Einbeziehung der typomorphologischen Klassifizierung der Stadtstruktur in den Rahmen der lokalen Klimazone (LCZ)17 gut etabliert ist und zur Erfassung der Variationen verwendet wird, die das Mikroklima in der Nachbarschaft charakterisieren (und obwohl Demuzere et al.18 eine globale LCZ-Karte erstellt haben), Das LCZ-Framework wurde nur selten zur Untersuchung der Auswirkungen von UGS verwendet. Darüber hinaus wurden mehr als 60 % der LCZ-Studien in China durchgeführt, gefolgt von den Vereinigten Staaten. Bezogen auf die europäischen Länder stammen die meisten Studien zu diesem Thema aus Deutschland, aber dennoch wurden in den letzten zehn Jahren nur 17 % der Artikel zu LCZs in diesem Land verfasst, was auf den Mangel an Forschung zu diesem Thema in Europa hinweist Kontext19. Nach unserem besten Wissen wurden in Europa (in Deutschland) nur UGS innerhalb offener mittelhoher (LCZ 5) und kompakter mittelhoher (LCZ 2) Stadtstrukturen analysiert11.

In dieser Studie wollen wir der Empfehlung von Rakoto20 folgen und den Zusammenhang zwischen verschiedenen UGS (gekennzeichnet durch Größe, Form und Baumdichte) und der Temperatur in verschiedenen Wohngebieten (gekennzeichnet durch LCZ) in der zentral gelegenen Stadt Prag untersuchen Europa. Wir beabsichtigen, den Einfluss von UGS auf verschiedene LCZ-Einheiten innerhalb eines Umkreises von 400 m zu messen, einer Entfernung, die als Schwelle für die Begehbarkeit auf der ganzen Welt gilt21 und etwa einer Gehzeit von 5–10 Minuten entspricht22. Der Grundgedanke der Forschung besteht darin, zur Gestaltung und Planung von UGS beizutragen, die UHI in einer fußgängerfreundlichen Stadt mit einer ausgewogenen Verteilung von UGS effektiv mindern.

Der Artikel konzentriert sich hauptsächlich auf die Beziehung zwischen den Arten von UGS und LCZ auf einer Rasterskala. Zuerst mussten wir den Rastermaßstab der Studie definieren; Wir haben es auf einem LST-Gitter als Voraussetzung für die Abschätzung des UHI-Effekts basiert. Anschließend haben wir 71 UGS definiert und kategorisiert und Einheiten im Umkreis von 400 m um diese UGS ausgewählt, in denen die LST gemessen wurde. Für die Studie wurden Rasterquadrate von Wohngebieten im Umkreis von 400 m um UGS ausgewählt, die die Einschluss- und Ausschlusskriterien erfüllen, und auf der Grundlage von drei für die Stadt Prag typischen Typen von LCZs klassifiziert. Jedes dieser 90 × 90 m großen Gitterquadrate bildete dann eine individuelle Einheit für die weitere Auswertung. Abschließend wurden Analysen durchgeführt, um den Einfluss verschiedener Arten von UGS auf die LST in drei Arten von LCZ-Einheiten zu untersuchen. Nachfolgend werden die Methoden näher beschrieben.

Das Untersuchungsgebiet umfasst die Stadt Prag, die Hauptstadt der Tschechischen Republik (50°5′N, 14°25′E). Die Tschechische Republik hat ein gemäßigtes Klima und liegt an der Grenze des westlichen Ozeanklimas und des östlichen Kontinentalklimas mit dem typischen Muster von vier Jahreszeiten. Die Landoberflächentemperatur (LST) in Prag, eine Voraussetzung für die Quantifizierung des UHI-Effekts an der Oberfläche, wurde aus einem Bild berechnet, das am 26. Juni 2019 um 11:50 Uhr Ortszeit unter klaren atmosphärischen Bedingungen aufgenommen wurde, als die Lufttemperatur im Zentrum anstieg von Prag (Wetterstation Karlov) betrug 31,2 °C und die Windgeschwindigkeit betrug 1,8 ms−1. Das Bild wurde vom Satelliten Landsat-8 TIRS Band 10 mit einer Bodenauflösung von 100 m aufgenommen, neu abgetastet auf 90 m. Das 90 × 90 m-Raster entspricht der räumlichen Auflösung, bei der die kühlende Wirkung von Grünflächen in den Vereinigten Staaten und China als am stärksten ausgeprägt ist23,24. Der LST wurde mithilfe einer von Barsi et al.25,26 vorgeschlagenen Methode aus der Strahlungsdichte an der Spitze der Atmosphäre im Originalsatelliten ermittelt. Die Methode beinhaltete Folgendes: erstens die Umrechnung von digitalen Zahlen in die Strahldichtewerte; zweitens atmosphärische Korrektur von Strahlungswerten mithilfe von Parametern, die aus dem Atmospheric Correction Parameter Calculator (online verfügbar: https://atmcorr.gsfc.nasa.gov/) erhalten wurden; schließlich die Normalisierung des Emissionsvermögens der Strahldichtewerte gemäß einem von Van De Griend & Owe27 vorgeschlagenen Verfahren. Abschließend wurden die korrigierten Strahldichtewerte in °C umgerechnet. Die Daten liegen im Krovak-Ost-Nord-System (SJTSK) vor.

Zunächst wurden 71 UGS innerhalb der Prager Wohngebiete ausgewählt und nach ihrer Größe, Form und Baumdichte klassifiziert, basierend auf den Ergebnissen früherer Untersuchungen5,8,10,14,24,28. Die meisten ausgewählten UGS hatten eine kompakte Form (Abb. 1a, b); Diese wurden entsprechend ihrer Größe weiter in Klein (2–7 ha, 18 UGS), Mittel (10–25 ha, 16 UGS), Groß (50–95 ha, 14 UGS) und Extragroß (120–490 ha) unterteilt , 5 UGS). Wenn die Länge eines UGS seine Breite deutlich überstieg, wurde das UGS als lang bezeichnet (2–50 ha, 18 Parks; Abb. 1c, d). UGS mit weniger als 40 % Bäumen wurden als spärlich (30 Parks; Abb. 1b, d) und UGS mit einer Prävalenz von Bäumen (mehr als 60 %) als dicht (41 Parks; Abb. 1a, c) eingestuft. Alle extragroßen UGS waren UGS mit dichtem Baumbestand. Wir haben UGS, die nur mit Gras bedeckt sind, aus der Studie ausgeschlossen, da wir in Übereinstimmung mit früheren Studien davon ausgegangen sind, dass ihre Kühlwirkung vernachlässigbar ist3,8,20.

Repräsentative Beispiele für UGS: Compact Dense (A), Compact Sparse (B), Long Dense (C), Long Sparse (D). Repräsentative Beispiele für LCZ: LCZ 2 (E), LCZ 5 (F) und LCZ 6 (G), angezeigt auf einem 90 × 90 m-Raster. Erstellt in ArcGIS PRO 3.129 basierend auf WMS-orthophoto (öffentlich verfügbar unter

Zweitens wurden Wohnstudiengebiete in der Nähe von UGS ausgewählt. Wir basierten diese Auswahl auf dem Raster von LCZs, die von Demuzere18 mithilfe des WGS84-Systems global definiert und zugänglich sind. Das Raster hat eine Auflösung von 100 m, was in etwa der 90 m-Auflösung der LST-Karte entspricht. Um das Raster mit unserem Raster vergleichbar zu machen, wurde es in das SJTSK-System umgewandelt und an ein 90 × 90-Raster angepasst. Drei Zonen waren in den Wohngebieten von Prag am häufigsten: kompaktes Mittelhaus (LCZ 2), offenes Mittelhaus (LCZ 5) und offenes Flachbau (LCZ 6), was mit den vorherrschenden Zonen in europäischen Städten übereinstimmt, d. h. Städte, die gemäß30 zum Cluster 3 gehören. Beim Vergleich des LCZ-Rasters mit der Orthofotokarte von Prag zeigten sich mehrere Unterschiede in der Stadtstruktur, die darauf zurückzuführen sind, dass die LCZ-Definition17 keine detaillierten morphologischen Parameter innerhalb von Stadtteilen widerspiegelt31. Um mögliche verwirrende Effekte aufgrund dieser Tatsache zu vermeiden, haben wir die Spezifikation der drei Zonen eingegrenzt. Als LCZ 2 galten nur 4- bis 6-geschossige Blockbauten (Abb. 1e), als LCZ 5 nur 6- bis 9-geschossige Wohnsiedlungen, die für die kommunistische Zeit typisch waren (Abb. 1f) und nur Ein- und Zweifamilienhäuser wurden als LCZ 6 betrachtet (Abb. 1g). Trotz dieser engeren Spezifikation verwenden wir in dieser Studie immer noch die ursprünglichen Bezeichnungen LCZ 2, 5 und 6.

In dieser Studie wollen wir insbesondere den Einfluss des UGS auf den Oberflächen-UHI-Effekt messen. Deshalb haben wir nur Einheiten ausgewählt, auf die ein möglichst minimaler Einfluss anderer Faktoren möglich ist. Erstens haben wir keine zentral zwischen mehreren UGS gelegenen Einheiten ausgewählt, um die vielfältigen Auswirkungen von Grünanlagen zu vermeiden11,14. Zweitens haben wir Gebiete im Umkreis von etwa 200 m um den Fluss und 100 m um Seen von der Auswahl ausgeschlossen, unter Berücksichtigung des Wasserkühlungseffekts3,32. Drittens haben wir uns unter Berücksichtigung räumlicher Autokorrelationsprobleme33 nur auf Gebiete konzentriert, die von einem einzigen LCZ-Typ umgeben sind. Andere wichtige Faktoren der Stadtmorphologie, wie etwa befestigte und bebaute Flächen, werden bereits in den Merkmalen einzelner LCZs berücksichtigt.

Zur weiteren Analyse wurden die bebauten Flächen der LCZs in der GIS-Umgebung entsprechend der geometrischen Struktur der LST-Daten in ein regelmäßiges 90 × 90 m großes Raster aufgeteilt. Jeder neu erstellten Zelle wurde ein LST-Wert zugewiesen. Anschließend wurde jede Zelle mithilfe des NNJoin-Tools in der QGIS-Umgebung mit den Attributen ihres nächstgelegenen UGS verknüpft – Typ, Größe und Abstand vom Schwerpunkt der Zelle zum nächstgelegenen UGS. Schließlich wurden für die weitere Analyse nur Zellen berücksichtigt, die sich innerhalb eines Puffers von 400 m von der UGS-Grenze entfernt befanden (dh der Abstand zwischen der Mitte der LCZ-Einheit und der Grenze). Die in die Analyse einbezogenen LCZ-Einheiten und ihre Position relativ zum UGS sind in Abb. 2 dargestellt. Daher wurden verarbeitete Daten als Eingabe für die statistische Analyse verwendet.

Die Karte der LCZ-Einheiten im Umkreis von 400 m um UGS (UGS werden mit Baumdichtekategorie angezeigt).

Zunächst wurde der Unterschied zwischen dem Mittelwert des LST in drei verschiedenen LCZ-Kategorien (Gruppen) analysiert. Dabei kamen sowohl visuelle Analysemethoden (Boxplot) als auch statistische Tests zum Einsatz. Normalerweise wird die Varianzanalyse (ANOVA34) verwendet, um Unterschiede zwischen Gruppen zu testen. Eine der Annahmen der ANOVA ist jedoch die Normalität der Datenverteilung (in unserem Fall LST) in jeder Gruppe. Daher wurde die Normalität mit dem Kolmogorov-Smirnov-Test35 getestet; es konnte keine normale Verteilung des LST innerhalb der Gruppen nachgewiesen werden. Im Anschluss an das Testergebnis wurde eine nichtparametrische Alternative der ANOVA, nämlich der Kruskal-Wallis-Test36, verwendet. Der Test bestätigte den Unterschied im LST zwischen den Gruppen. Zweitens wurde der statistisch signifikante Unterschied in den Mittelwerten des LST zwischen den Paargruppen durch die Durchführung des Nemenyi-Post-hoc-Tests ermittelt37.

Um die Auswirkung von UGS auf die Temperatur des bebauten Gebiets zu modellieren, wurde ein beschreibendes lineares Modell mit quantitativen und qualitativen Prädiktoren erstellt:

wie von James et al.38 vorgeschlagen, wobei \(Y\) die abhängige Variable ist, \({\beta }_{0}\) der Achsenabschnitt ist, \({X}_{1}\dots {X} _{p}\) stellen Prädiktormatrizen dar, \({\beta }_{1}\dots {\beta }_{p}\) sind ihre Koeffizienten und \(\varepsilon \) ist der Vektor zufälliger Fehler. Der quantitative Prädiktorabstand drückt den Abstand der beobachteten Entwicklungseinheit vom nächstgelegenen UGS aus; Als qualitative Prädiktoren dienten die LCZ-Kategorie, die UGS-Größe und der UGS-Typ. Aus diesem Grund wurde der Ansatz von Dummy-Variablen unter Verwendung der Variablen UGS-Größe (mit den Stufen „Klein“, „Mittel“, „Lang“, „Groß“ oder „Extragroß“), Parktyp (dicht oder spärlich) und LCZ (LZC 2, LZC 5 oder LZC 6). Die Ebenen Extra-Large, Sparse und LZC 2 wurden als Basis für die UGS-Größe, den UGS-Typ bzw. LCZ angesehen. Bei der Interpretation qualitativer Prädiktoren werden die Koeffizienten bestimmter Ebenen mit der Basislinie verglichen, um die Bewertung der Unterschiede zwischen den Ebenen einzelner qualitativer Prädiktoren zu ermöglichen.

Der LST wurde in 2.036 LCZ-Einheiten gemessen, die sich im Umkreis von 400 m um 71 UGS befanden. Die Einheiten wurden in drei Kategorien (LCZ 2, 5 und 6) mit 487, 848 bzw. 701 Gittern eingeteilt. Die Unterschiede im Mittelwert des LST in drei LCZ-Kategorien wurden mit dem Kruskal-Wallis-Test analysiert. Die Nullhypothese, die besagt, dass die Mediane der Gruppen gleich sind, wurde auf dem Signifikanzniveau \(\alpha =0,01\) abgelehnt. Der anschließende Post-hoc-Nemenyi-Test zeigte einen statistisch signifikanten Unterschied zwischen allen Gruppenpaaren. Die LST in 3 LCZs sind in Abb. 3a als Boxplot dargestellt. Der höchste LST wurde in LCZ 2 beobachtet, gefolgt von LCZ 5 und LCZ 6, mit durchschnittlichen LSTs von 44,71 °C (± 2,66), 40,69 °C (± 2,04) bzw. 38,57 °C (± 1,27).

Vergleich zwischen LST in 3 Kategorien von LCZs im Allgemeinen (a) und nach Baumdichte und UGS-Typ (b).

Komplexere Ergebnisse, klassifiziert nach Baumdichte und UGS-Typ, sind in Abb. 3b dargestellt. Obwohl die Wirkung des LCZ noch gut erkennbar ist, können wir auch Unterschiede basierend auf dem UGS-Typ erkennen. Außergewöhnlich hohe LSTs können in LCZ 2 in der Nähe von Long Sparse UGS beobachtet werden. Eine höhere LST ist auch rund um die Small Sparse UGS in LCZ 5 und 6 zu verzeichnen. Eine detailliertere Analyse wird unten vorgestellt.

Um den LST in LCZ-Einheiten vorherzusagen, wurde ein Regressionsmodell erstellt, das den UGS-Typ, die UGS-Baumdichte, die LCZ-Einheitskategorie und seinen Abstand vom UGS umfasst. Als kategoriale Prädiktorvariablen wurden die LCZ-Kategorie, die Art des UGS und die Baumdichte im UGS verwendet. LCZ 2, Extra Large UGS und Dense UGS galten als Basiswerte, mit denen die anderen Kategorien verglichen wurden. Das Modell verwendet Dummy-Codierung für die Berechnung des durchschnittlichen geschätzten LST für jede Kombination von Prädiktoren. Das Regressionsmodell ist in Tabelle 1 dargestellt, die Dummy-Kodierung im Online-Anhang 1. Alle Ebenen der betrachteten qualitativen Variablen erwiesen sich als statistisch signifikant auf dem Signifikanzniveau \(\alpha =0,01\), mit Ausnahme des großen UGS. Die Wirkung war vergleichbar mit der von Extra Large UGS.

Dieses Modell erklärte 63 % der Datenvariabilität. Durch die Interpretation der Basisvariablen schätzte das Modell, dass die LST in LCZ 2 alle 100 m vom extragroßen dichten UGS um 0,5 °C ansteigen würde. Der durchschnittliche LST in LCZ 5 war 3,46 °C niedriger als in LCZ 2, und der LST in LCZ 6 war 1,90 °C niedriger als in LCZ 5. Die mit den übrigen kategorialen Prädiktoren verbundenen Unterschiede im LST sind nicht so groß wie im vorliegenden Fall von LCZ-Prädiktoren. Die LST in Einheiten, die an spärliche UGS angrenzen, ist im Durchschnitt 0,84 °C höher als in Einheiten in der Nähe von dichten UGS. Der LST um große UGS unterscheidet sich nicht wesentlich von dem um extragroße UGS (p > 0,05). Bei den anderen UGS-Typen, d. h. langen, mittleren und kleinen UGS, wurde die LST in ihrer Umgebung um + 0,90, − 0,55 bzw. + 0,50 °C im Vergleich zu extra großen UGS beeinflusst.

Abbildung 4 zeigt die einzelnen Einheitentypen in der Reihenfolge steigender LST. Es ist offensichtlich, dass die LST im Allgemeinen von LCZ 6 auf LCZ 5 und wieder auf LCZ 2 ansteigt, unabhängig von der Baumdichte und dem UGS-Typ. Innerhalb jeder LCZ wurden die höchsten LSTs in der Nähe von Long Sparse UGS beobachtet. LCZ 6-Einheiten in der Nähe dieser UGS-Art sind sogar noch wärmer als LCZ 5-Gebiete neben UGS mit mittlerer Dichte. Der zweithöchste LST wird in der Nähe von Small Sparse UGS beobachtet, gefolgt von Long Dense und Large Sparse UGS in allen LCZ. Die weitere Reihenfolge variiert geringfügig zwischen LCZ. Die LSTs in der Nähe von extragroßen dichten UGS und großen dichten UGS unterscheiden sich nicht wesentlich voneinander (beachten Sie, dass es in der Nähe von LCZ 2 keine extragroßen UGS gab). Kurz gesagt, unabhängig von der Baumdichte und der LCZ zeigen die mittleren UGS immer den höchsten Kühleffekt, gefolgt in der gleichen (absteigenden) Reihenfolge: große, extra große, kleine und lange UGS.

Das Diagramm des geschätzten LST. Farben: Gelb = LCZ 6, Orange = LCZ 5, Braun = LCZ 2.

Die vorgestellte Studie bewertet die Hauptbeziehungen zwischen dem LST, städtischen Strukturen (dargestellt durch 3 LCZs mit detaillierter Strukturspezifikation) und UGS-Eigenschaften (definierte Größe, Baumdichte und Form des UGS) in Einheiten, die sich innerhalb von 400 m von 71 UGS befinden Prag. Die folgende Diskussion soll zur Anwendung unserer Ergebnisse in der Stadtplanung beitragen, gleichzeitig aber auch die Grenzen der Studie berücksichtigen und weitere Forschungsrichtungen skizzieren. Insgesamt bestätigen unsere Ergebnisse, dass der LST sowohl von den Grundstücken der UGS als auch von den städtischen Merkmalen des jeweiligen Standorts beeinflusst wird15, wobei die städtischen Merkmale (in dieser Studie durch LCZ dargestellt) einen größeren Einfluss haben als die von Grünflächen.

Die Blockstrukturen in LCZ 2 wurden als die wärmste der drei gemessenen Zonen identifiziert, was mit Erkenntnissen aus anderen europäischen Städten (Prag, Brünn, Novi Sad – Serbien und Szeged – Ungarn) sowie aus der halbfeuchten, warmen Zone übereinstimmt und gemäßigtes kontinentales Monsunklima in China39,40,41. Wenn man bedenkt, dass die LCZ 2 auch in der Nähe von UGS unterschiedlicher Größe und Dichte die wärmste Zone bleibt, scheint die LCZ 2 die Zone mit dem dringendsten Bedarf an UHI-Minderung zu sein. Durch die Integration geeigneter UGS in den Bereich kann die LST um bis zu 2,3 °C gesenkt werden. Allerdings scheint selbst diese Reduzierung unzureichend zu sein und erfordert eine deutlichere LST-Reduzierung in dieser Zone. Daher schlagen wir vor, die UGS-Bildung mit anderen Minderungsmaßnahmen zu kombinieren, einschließlich der Integration anderer Arten von Grünflächen (z. B. Gründächer, Fassadenbegrünungen) oder Gewässer, durchlässiger Oberflächen, der Verwendung von Baumaterialien mit geringer Albedo oder der Berücksichtigung der Schattenwirkung von Gebäuden mit unterschiedlichen Höhen.

Im Einklang mit früheren Untersuchungen39 sind 40 Einfamilienhäuser in LCZ 6 etwas kühler als Wohnsiedlungen in LCZ 5. Während die Unterschiede in der LST zwischen LCZ 5 und 6 relativ gering sind (2,12 °C ± 1,66) im Vergleich zu den Unterschieden zwischen LCZ 2 und 5 (4,02 °C ± 2,35) ist der Unterschied in der Wohndichte zwischen den beiden Zonen enorm. In Prag beträgt die Bevölkerungsdichte in Blockstrukturen (LCZ 2) und Wohnsiedlungen (LCZ 5) etwa 170–190 Einwohner pro Hektar, während sie in den Zonen mit Einfamilienhäusern (LCZ 6) auf etwa 30–40 Einwohner pro Hektar sinkt42 . Angesichts der Effizienz der Landnutzung in Kombination mit dem Temperaturkomfort erscheint die Wohnsiedlung in LCZ 5 daher als geeigneter Kompromiss. Da die versiegelte Fläche (einschließlich der bebauten Fläche) in der LCZ 5 deutlich kleiner ist als in der LCZ 2, wird die Integration relevanter UGS in die bestehende Struktur einfacher sein als in der LCZ 2. Die Bildung relevanter UGS (mittelgroß mit dichtem Baumbestand). ) könnte die LST im Sommer in Prag auf das Niveau von LCZ 6 (siehe Abb. 4) senken, d. gilt nicht als stadtbildende Struktur)39.

Basierend auf unseren Ergebnissen können wir nicht vollständig bestätigen, dass größere UGS einen größeren Kühleffekt haben als kleinere, wie in früheren Studien15,20,33 berichtet. Der größte Kühleffekt wurde bei kompakten UGS von 10–25 ha (mittlere UGS) beobachtet. In unserer Studie nahm der Effekt mit zunehmender Größe eines UGS sogar ab; Große UGS (50–95 ha) hatten eine geringere Kühlwirkung als mittlere UGS. Der geringste Rückgang des LST wurde in der Nähe kleiner UGS (2–7 ha) festgestellt; Unter der Annahme einer linearen Temperaturänderung mit der Entfernung wächst der LST in LCZ 2 um 0,3 °C pro 100 m von der Grenze des Small Dense UGS. Ein etwas höherer Kühleffekt wurde in London43 festgestellt, wo die 3–5 ha große UGS das Gebiet innerhalb von 100–150 m um 0,7 °C abkühlte. Der Kühleffekt wurde jedoch nachts gemessen und berücksichtigte nicht die umgebende Struktur. Insgesamt können wir den Schluss ziehen, dass in Wohngebieten der LCZ 2, 5 und 6 die Kühlwirkung der UGS mit deren Größe zunimmt, bis zu einem Schwellenwert von etwa 25 bis 50 ha, was dem gemeldeten Schwellenwert von 40 ha entspricht in Shanghai15.

LCZ-Einheiten im Umkreis von 400 m um das UGS Long Sparse waren durchweg die wärmsten in jedem LCZ, wobei Long Dense etwas besser abschnitt. Auch in London erwies sich die längliche Form als weniger wirksam bei der Kühlung13. Die wahrscheinlichste Erklärung liegt in der Tatsache, dass ihre geringe Breite die Bildung eines inneren Mikroklimas nicht unterstützt10. Dennoch haben die Long UGS immer noch einen unveränderlichen Platz innerhalb der städtischen Struktur; Sie verbinden städtische Räume und verbessern die Zugänglichkeit innerhalb der Stadt. Einige Studien28,33 berichteten auch, dass die Kühlwirkung der UGS zunimmt, wenn sie miteinander verbunden sind, was als eine wichtige Funktion der Long UGS angesehen werden kann. Abschließend sollte ein langer UGS mit dichtem Baumbestand vorgeschlagen werden, der grüne Verbindungen zwischen verschiedenen Räumen schafft.

Im Einklang mit anderen Studien bestätigen wir, dass der Kühleffekt mit der Baumdichte zunimmt9,10,11,23,28. Die Ergebnisse zeigten eine sehr klare Reihenfolge der Art von UGS (bei getrennter Betrachtung von Dense und Sparse). Die Kühleffizienz von UGS beträgt (in absteigender Reihenfolge): Mittel, Groß + Extragroß, Klein und Lang, unabhängig von der Stadtstruktur. Bei der Kombination der Baumdichte mit dem UGS-Typ ändert sich die Reihenfolge etwas. Beispielsweise sind Small Dense UGS effizienter als Large Sparse UGS und Long Dense UGS sind effizienter als Small Sparse UGS. In diesen Fällen ist die Baumdichte wichtiger als die Größe und Form des UGS. Allerdings ist die Größe entscheidend, wenn man die mittelgroßen und kleinen UGS vergleicht: Mittelgroße, spärliche UGS kühlen die Umgebung effizienter als kleine, dichte UGS. Dennoch sind mittlere und große dichte UGS immer am kühlsten und lange und kleine spärliche UGS immer am wärmsten. Alle diese Beziehungen sind für alle gemessenen LCZs relevant. Ähnliche Schlussfolgerungen wurden in Almada (Portugal) gezogen, wo eine erhöhte Baumdichte in Small UGS die Temperatur um 1–3 °C senkte9 und in London, wo Small UGS die Temperatur innerhalb von 440 m um 1,1 °C senkte13. Unsere Ergebnisse stimmen auch mit den Schlussfolgerungen von Aram et al.44 überein, die einen deutlichen Kühleffekt auf Flächen im Umkreis von 350 m um UGS mit einer Größe von mehr als 10 ha feststellten. Insgesamt zeigen unsere Ergebnisse, dass die Auswirkungen der Baumdichte, -größe und -form von UGS eine Rolle bei der LST-Kühlung spielen und alle diese Faktoren zusammen mit der umgebenden Stadtstruktur berücksichtigt werden müssen, um eine wirksame UHI-Abschwächung zu erreichen.

Ziel unserer Forschung war es nicht, einen genauen Schwellenwert für die UGS-Größe mit der besten Leistung für die Kühlung der Umgebung zu ermitteln. Dafür gab es zwei Gründe: (1) Es war notwendig, die UGS zu kategorisieren, um eine ausreichende Anzahl von UGS für die Forschung zu erhalten, und (2) in unserer Studie stellen wir keinen kontinuierlichen Bereich von UGS-Größen zur Verfügung. Weitere Untersuchungen könnten die geeigneten Bereiche verfeinern. Aus Sicht der praktischen Raumplanung, die mit begrenzten, für die Errichtung von UGS vorgesehenen Flächen arbeitet, dürfte jedoch die Feststellung, dass der untere Schwellenwert für eine effiziente Kühlung bei 10 ha liegt, ausreichend sein. Weitere Forschung sollte sich eher auf die Steigerung der Effizienz von kleinen, mittleren und großen dichten UGS in den LCZ 2 und 5 konzentrieren, während sowohl strukturelle als auch funktionelle Aspekte der Vegetation in diese Forschung einbezogen werden könnten – einschließlich der Fähigkeit der Vegetation, der zunehmenden klimabedingten Hitze standzuhalten ändern. Es wäre auch von Vorteil, diese Studie für andere Köppen-Klimaklassifikationstypen sowie für verschiedene lokale Klimazonen zu wiederholen.

Unsere Forschung berücksichtigte nur Gebiete im Umkreis von 400 m um UGS, wodurch die Ergebnisse für die Planung und Gestaltung von Wohnbebauung auf lokaler Ebene anwendbar sind. Um die Ergebnisse auf größere Planungen (z. B. städtebauliche Planungen) übertragen zu können, wäre ein größeres Untersuchungsgebiet erforderlich. In ähnlicher Weise wirkt sich neben der Größe, Baumdichte und Form auch die räumliche Konfiguration von UGS (d. h. ihre Lage innerhalb der Stadt) auf die LST28,33 aus und sollte daher im größeren Maßstab, insbesondere in Europa, weiter untersucht werden Bedingungen.

Der UHI-Effekt erfordert, dass Städte bei der Planung und Gestaltung von Wohngebieten stärker auf Abhilfemaßnahmen achten. Diese Studie konzentriert sich auf UGS als wirksame Maßnahme zur Kühlung der städtischen Umwelt. Wir untersuchten die Beziehung zwischen LST in verschiedenen LCZs in der Nähe von UGS in Prag (Mitteleuropa). Die Ergebnisse tragen wie folgt zur Stadtplanung und -planung bei:

Die LST innerhalb von 400 m um UGS hängt mehr von der Art der LCZ als von der Art des UGS ab. LCZ 2 ist die heißeste LCZ, gefolgt von LCZ 5 und LCZ 6, mit einer mittleren Gesamtdifferenz von 6,1 °C. Innerhalb jeder LCZ unterscheidet sich die LST um 2,3 °C. Dieser Wert gibt daher die LST-Verbesserung an, die durch Vorschlag der geeigneten Größe, Form und Baumdichte von UGS erreichbar ist.

Kompakte UGS mittlerer Größe (d. h. 10–25 ha) kühlen die Umgebung am effizientesten. Bei einer Vergrößerung der UGS auf mehr als 50 ha nimmt die Kühlwirkung ab. Der Kühleffekt kann durch eine Erhöhung der Baumdichte auf über 60 % gesteigert werden.

Lange UGS, gefolgt von kleinen kompakten UGS (2–7 ha), die überwiegend mit Gras bedeckt sind, sind bei der Kühlung ihrer Nachbarschaft am wenigsten wirksam. Lange UGS sollten vorzugsweise als dichte Begrünung gestaltet und mit anderen Grünflächen verbunden werden. Durch die Erhöhung der Baumdichte auf mehr als 60 % wird die kleine UGS bei der Kühlung effizienter als die große UGS, die überwiegend mit Gras bedeckt ist, und die lange UGS wird effizienter als die kleine UGS, die überwiegend mit Gras bedeckt ist.

Die oben genannten Prinzipien sollten vorrangig in LCZ 2 und LCZ 5 integriert werden. In LCZ 2 müssen die definierten Prinzipien jedoch mit anderen Minderungsmaßnahmen kombiniert werden, um eine ausreichende LST-Reduktion zu erreichen.

Diese Studie verbessert unser Verständnis darüber, wie UGS die Umgebung beeinflussen. Stadtplaner und Architekten können auf die Schlussfolgerungen zurückgreifen, um das städtische Mikroklima zu verbessern und so ein angenehmes Wohnumfeld zu schaffen.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten.

Štěpánek, P. et al. in Erwartete klimatische Bedingungen in der Tschechischen Republik. https://faktaoklimatu.cz/studie/2019-klimaticke-podminky-cr-1 (2019).

Manoli, G. et al. Das Ausmaß städtischer Wärmeinseln lässt sich größtenteils durch Klima und Bevölkerung erklären. Natur 573, 55–60 (2019).

Artikel ADS CAS PubMed Google Scholar

Kirschner, V., Moravec, D. & Macků, K. Grüne oder blaue Körper zur Abmilderung der städtischen Hitzeinsel? Der Fall einer kompakten europäischen Stadt. PREPRINT (Version 1) verfügbar bei Research Square [https://doi.org/10.21203/rs.3.rs-2542018/v1]. (2023).https://doi.org/10.21203/rs.3.rs-2542018.

Dumitru, A., Frantzeskaki, N. & Collier, M. Ermittlung von Prinzipien für die Gestaltung robuster Wirkungsbewertungsrahmen für naturbasierte Lösungen in Städten. Umgebung. Wissenschaft. Richtlinie 112, 107–116 (2020).

Artikel Google Scholar

Aram, F., HiguerasGarcía, E., Solgi, E. & Mansournia, S. Kühlwirkung städtischer Grünflächen in Städten. Heliyon 5, e01339 (2019).

Artikel PubMed PubMed Central Google Scholar

Patino, JE et al. Bebaute Umwelt und Sterblichkeitsrisiko durch Herz-Kreislauf-Erkrankungen und Diabetes in Medellín, Kolumbien: Eine ökologische Studie. Landsk. Stadtplan. 213, 104126 (2021).

Artikel Google Scholar

Cirino, DW, Tambosi, LR, Mauad, T., de Freitas, SR & Metzger, JP Eine ausgewogene räumliche Verteilung der Grünflächen schafft gesündere Stadtlandschaften. J. Appl. Ökologisch. 59, 1884–1896 (2022).

Artikel Google Scholar

Liang, Z. et al. Der Zusammenhang zwischen Stadtform und Wärmeinselintensität entlang der Stadtentwicklungsgradienten. Wissenschaft. Gesamtumgebung. 708, 135011 (2020).

Artikel ADS CAS PubMed Google Scholar

Grilo, F. et al. Mit Grün das Grau abkühlen: Modellierung der Kühlwirkung von Grünflächen mit hoher räumlicher Auflösung. Wissenschaft. Gesamtumgebung. 724, 138182 (2020).

Artikel ADS CAS PubMed Google Scholar

Qiu, K. & Jia, B. Die Rolle der Landschaft sowohl innerhalb des Parks als auch in der Umgebung bei der Parkkühlungswirkung. Aufrechterhalten. Städte Soc. 52, 101864 (2020).

Artikel Google Scholar

Jaganmohan, M., Knapp, S., Buchmann, CM & Schwarz, N. Je größer, desto besser? Der Einfluss städtischer Grünraumgestaltung auf die Kühlwirkung von Wohngebieten. J. Umgebung. Qual. 45, 134–145 (2016).

Artikel CAS PubMed Google Scholar

Zhou, W., Cao, F. & Wang, G. Auswirkungen des räumlichen Musters der Waldvegetation auf die städtische Kühlung in einer kompakten Megacity. Wälder 10, 17–20 (2019).

Artikel Google Scholar

Doick, KJ, Peace, A. & Hutchings, TR Die Rolle einer großen Grünfläche bei der Abmilderung der nächtlichen städtischen Hitzeinsel Londons. Wissenschaft. Gesamtumgebung. 493, 662–671 (2014).

Artikel ADS CAS PubMed Google Scholar

Straub, A. et al. Statistische Modellierung räumlicher Muster der städtischen Wärmeinselintensität im städtischen Umfeld von Augsburg, Deutschland. Urban Clim 29, 100491 (2019).

Artikel Google Scholar

Du, H. et al. Quantifizierung der Kühlinseleffekte städtischer Grünflächen mithilfe von Fernerkundungsdaten. Städtisch für. Urban Green 27, 24–31 (2017).

Artikel Google Scholar

Gunawardena, KR, Wells, MJ & Kershaw, T. Nutzung von Grün- und Blauflächen, um die Intensität städtischer Wärmeinseln zu mildern. Wissenschaft. Gesamtumgebung. 584–585, 1040–1055 (2017).

Artikel ADS PubMed Google Scholar

Stewart, ID & Oke, TR Lokale Klimazonen für städtische Temperaturstudien. Stier. Bin. Meteorol. Soc. 93, 1879–1900 (2012).

Artikel ADS Google Scholar

Demuzere, M. et al. Eine globale Karte lokaler Klimazonen zur Unterstützung der Modellierung des Erdsystems und der Umweltwissenschaft im städtischen Maßstab. Erdsystem. Wissenschaft. Daten 14, 3835–3873 (2022).

Artikel ADS Google Scholar

Feng, W. & Liu, J. Eine Literaturübersicht zur Klassifizierung lokaler Klimazonen: Status, Anwendung und Aussicht. Gebäude 12, 1693 (2022).

Artikel Google Scholar

Rakoto, PY, Deilami, K., Hurley, J., Amati, M. & Sun, QC Überprüfung der kühlenden Wirkung städtischer Begrünung: Planungseinflüsse von Vegetationstypen und räumlicher Konfiguration. Städtisch für. Urban Green 64, 127266 (2021).

Artikel Google Scholar

Unterrichten von Stadtmorphologie. (Springer, 2018).

Næss, P. Stadtform, Nachhaltigkeit und Gesundheit: Der Fall des Großraums Oslo. EUR. Planen. Zucht. 22, 1524–1543 (2014).

Artikel Google Scholar

Ziter, CD, Pedersen, EJ, Kucharik, CJ & Turner, MG Skalenabhängige Wechselwirkungen zwischen Baumkronenbedeckung und undurchlässigen Oberflächen reduzieren die städtische Hitze tagsüber im Sommer. Proz. Natl. Acad. Wissenschaft. USA 116, 7575–7580 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Yang, Q., Huang, X. & Tang, Q. Der Fußabdruck des städtischen Wärmeinseleffekts in 302 chinesischen Städten: Zeitliche Trends und damit verbundene Faktoren. Wissenschaft. Gesamtumgebung. 655, 652–662 (2019).

Artikel ADS CAS PubMed Google Scholar

Barsi, JA, Barker, JL & Schott, JR Ein atmosphärischer Korrekturparameterrechner für ein einzelnes Wärmeband-Erdmessinstrument. IEEE Int. Geosci. Remote Sens. Symp. 5, 3014–3016 (2003).

Google Scholar

Barsi, JA, Schott, JR, Palluconi, FD & Hook, SJ Validierung eines webbasierten atmosphärischen Korrekturtools für einzelne Wärmebandinstrumente. In: SPIE (Hrsg. Butler, JJ) 58820E (2005).

van de Griend, AA & Owe, M. Zur Beziehung zwischen thermischem Emissionsgrad und dem normalisierten Differenzvegetationsindex für natürliche Oberflächen. Int. J. Remote Sens. 14, 1119–1131 (1993).

Artikel Google Scholar

Lin, J., Qiu, S., Tan, X. & Zhuang, Y. Messung der Beziehung zwischen morphologischen räumlichen Mustern von Grünflächen und städtischer Wärmeinsel mithilfe von Methoden des maschinellen Lernens. Bauen. Umgebung. 228, 109910 (2023).

Artikel Google Scholar

Esri Inc. ArcGIS Pro (Version 3.0). Vorabdruck unter https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview (2022).

Taubenböck, H. et al. Sieben Stadttypen, die morphologische Konfigurationen von Städten auf der ganzen Welt darstellen. Städte 105, 102814 (2020).

Artikel Google Scholar

Wu, Y. et al. Typologien hitzegefährdeter Stadtteile europäischer Städte mit gemäßigtem Klima. Aufrechterhalten. Städte Soc. 87, 104174 (2022).

Artikel Google Scholar

Zawadzka, JE, Harris, JA & Corstanje, R. Die Bedeutung der räumlichen Konfiguration der benachbarten Landbedeckung für die Erklärung der Oberflächentemperatur einzelner Flecken in Stadtlandschaften. Landsk. Ökologisch. 36, 3117–3136 (2021).

Artikel Google Scholar

Masoudi, M., Tan, PY & Liew, SC Multistädtischer Vergleich der Beziehungen zwischen räumlichem Muster und Kühleffekt städtischer Grünflächen in vier großen asiatischen Städten. Ökologisch. Indik. 98, 200–213 (2019).

Artikel Google Scholar

Kaufmann, J. & Schering, AG Varianzanalyse ANOVA. In Wiley StatsRef: Statistics Reference Online (2014). https://doi.org/10.1002/9781118445112.stat06938

Berger, VW & Zhou, Y. Kolmogorov-Smirnov-Test: Überblick. In Wiley StatsRef: Statistics Reference Online 283–287 (2014). https://doi.org/10.1002/9781118445112.stat06558.

Kruskal, WH & Wallis, WA Verwendung von Rängen in der Einkriterium-Varianzanalyse. Marmelade. Stat. Assoc. 47, 583–621 (1952).

Artikel MATH Google Scholar

Nemenyi, PB Verteilungsfreie Mehrfachvergleiche (Princeton University, 1963).

Google Scholar

James, G., Witten, D., Hastie, T. & Tibshirani, R. Eine Einführung in das statistische Lernen (Springer, 2014). https://doi.org/10.1007/978-1-4614-7138-7.

Buchen Sie MATH Google Scholar

Geletič, J., Lehnert, M., Savić, S. & Milošević, D. Inter-/intrazonale saisonale Variabilität der städtischen Oberflächenwärmeinsel basierend auf lokalen Klimazonen in drei mitteleuropäischen Städten. Bauen. Umgebung. 156, 21–32 (2019).

Artikel Google Scholar

Fricke, AC, Pongrácz, BR & Unger, AJ Vergleich täglicher und monatlicher innerstädtischer thermischer Reaktionen basierend auf der LCZ-Klassifizierung unter Verwendung von Oberflächen- und Lufttemperaturdaten. Geographica Pannonica 26, 1–11 (2022).

Artikel Google Scholar

Zhou, L. et al. Verständnis der Auswirkungen der 2D/3D-Stadtmorphologie auf die Landoberflächentemperatur basierend auf lokalen Klimazonen. Bauen. Umgebung. 208, 108578 (2022).

Artikel Google Scholar

Hudecek, T. et al. in Dichte und Stadtökonomie. (2018).

Vaz Monteiro, M., Doick, KJ, Handley, P. & Peace, A. Der Einfluss der Grünflächengröße auf das Ausmaß der lokalen nächtlichen Lufttemperaturabkühlung in London. Städtisch für. Urban Green 16, 160–169 (2016).

Artikel Google Scholar

Aram, F., HiguerasGarcía, E., Solgi, E., Mansournia, S. & García, EH Kühlwirkung städtischer Grünflächen in Städten. Kühlende Grünflächen in Städten. Heliyon 5, 1339 (2019).

Artikel Google Scholar

Referenzen herunterladen

Die Finanzierung erfolgte durch das Erasmus+-Programm der Europäischen Union, Jean-Monnet-Modul (Projekt-Nr. 620791-EPP-1-2020-1-CZ-EPPJMO-MODULE, UrbanDM).

Abteilung für Landschafts- und Stadtplanung, Fakultät für Umweltwissenschaften, Tschechische Universität für Biowissenschaften Prag, 16500, Prag, Tschechische Republik

Vladika Kirschner & Jan Maňas

Abteilung für Geoinformatik, Palacký-Universität in Olomouc, Olomouc, Tschechische Republik

Karel Macků

Abteilung für Raumwissenschaften, Fakultät für Umweltwissenschaften, Tschechische Universität für Biowissenschaften Prag, 16500, Prag, Tschechische Republik

David Moravec

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben zur Konzeption und Gestaltung der Studie beigetragen. Die Datenerhebung und -aufbereitung erfolgte durch DM und VK, die Analyse durch KM, die Zahlen durch JM. Der erste Entwurf des Manuskripts wurde von VK verfasst und alle Autoren kommentierten frühere Versionen des Manuskripts. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Vladika Kirschner.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kirschner, V., Macků, K., Moravec, D. et al. Messung der Beziehungen zwischen verschiedenen städtischen Grünflächen und lokalen Klimazonen. Sci Rep 13, 9799 (2023). https://doi.org/10.1038/s41598-023-36850-6

Zitat herunterladen

Eingegangen: 16. April 2023

Angenommen: 11. Juni 2023

Veröffentlicht: 16. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36850-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht

Messung der Beziehungen zwischen verschiedenen städtischen Grünflächen und lokalen Klimazonen