Современные тенденции урбанизации и изменения климата ставят перед ландшафтной архитектурой задачу создания не только эстетически выразительных, но и комфортных для человека объектов. Микроклиматические параметры территории (температурный, влажностный и ветровой режимы) напрямую влияют на рекреационную привлекательность объектов ландшафтной архитектуры. Однако до настоящего времени оценка их комфортности часто носит описательный, экспертный характер, что недостаточно для объективного проектирования. В этой связи возрастает потребность в систематизации и обобщении существующих количественных методов анализа микроклимата. Особый интерес представляет применение биоклиматических коэффициентов комфортности, позволяющих оценить тепловые ощущения человека, а также использование статистического анализа для выявления достоверных закономерностей влияние ландшафтных компонентов на микроклимат. Обзор и теоретическое осмысление данных подходов является важным шагом к внедрению научно обоснованных критериев комфортности в практику ландшафтного планирования.
На протяжении последних 100 лет было проведено большое количество исследований направленных на выявление закономерных микроклиматических процессов среды, а также их взаимосвязь с комфортом человека, потенциального пользователя среды. Тепловой комфорт — это состояние сознания, выражающее удовлетворенность тепловой средой, он оценивается субъективно [1]. Субъективный фактор и индивидуальность восприятия комфортного состояния являются главными причинами погрешностей.
На данный момент в мире разработано более 150 различных индексов и коэффициентов для оценки микроклиматических показателей. Более ранние индексы были разработаны в основном для отраслей промышленности и военных, где условия микроклимата, в том числе помещений, могли негативно сказываться на эффективности работы сотрудников. Впоследствии исследования масштабировались до условий городской среды и их влияния на качество жизни в крупных городах [2].
Уже во второй половине XX-ого века ставилось под сомнение такое большое количество индексов, потому что некоторые дублировали друг друга или были слишком узкими. К настоящему моменту, самыми распространенными являются следующие индексы: PET — индекс эквивалентно-физиологической температуры; UTCI — универсальный тепловой климатический индекс; SET — стандартная эффективная температура; PMV — прогнозируемая средняя оценка. Далее каждый из этих индексов рассмотрен более подробно.
Зона комфорта по метеорологическим условиям не стандартна для всех людей и зависит от ряда условий (времени года, климатического пояса, возраста человека и так далее). Эквивалентно-физиологическая температура (PET) является универсальным индексом и может быть использована для разных типов климата как для каждого индивидуума в отдельности, так и для среднестатистического человека. Его ключевая особенность заключается в том, что помимо микроклиматических условий, он учитывает такие параметры как деятельность (по степени активности) и одежду человека (по крупным категориям) [3].
Концепция теплового комфорта тесно связана с тепловым стрессом. Она пытается предсказать воздействие солнечного излучения, движения воздуха и влажности на людей в экстремальных климатических условиях, или ведущих активную деятельность (физический труд спорт и пр.) на открытом воздухе в жаркое время года. Значения выражаются в виде температуры влажного термометра или индекса дискомфорта [4].
Универсальный тепловой климатический индекс (UTCI) — это один из самых современных и комплексных индексов. Он определяется как эквивалентная температура воздуха (в °C) в стандартных условиях, при которой физиологическая реакция организма (дрожь, потоотделение) была бы такой же, как в реальной обстановке [5]. UTCI построен на продвинутой многоузловой модели теплообмена человека Fiala и учитывает температуру воздуха, влажность, скорость ветра и солнечную радиацию [6]. Он считается эталоном для оценки термического стресса на открытом воздухе в различных климатических зонах.
Индекс стандартной эффективной температуры (SET) был разработан на основе двухузловой модели Гэгге (Gagge). Он показывает, какую температуру воздуха (при стандартной влажности 50 % и в условиях «покоя») человек субъективно ощущал бы так же, как в текущей сложной среде [6]. Он широко применяется как в помещениях, так и на открытом воздухе, особенно для оценки физиологического стресса в жарких условиях. Однако, согласно некоторым исследованиям, его прогностическая способность на открытом воздухе может уступать UTCI [6].
Индекс прогнозируемой средней оценки (PMV) изначально создавался для оценки комфорта в закрытых помещениях с умеренным климатом [6]. PMV прогнозирует среднюю оценку тепловых ощущений человека по 7-балльной шкале (от -3 «холодно» до +3 «жарко») на основе уравнения теплового баланса [6]. Хотя он стандартизирован (ISO 7730), при применении на открытом воздухе его результаты часто требуют корректировки, так как он может переоценивать дискомфорт в жаркую погоду.
В рамках теоретического обзора рассмотрены возможности применения методов статистического анализа для обработки микроклиматических данных на объектах ландшафтной архитектуры. Установлено, что статистические методы позволяют перейти от разрозненных натурных измерений к выявлению объективных закономерностей и количественной оценке влияния ландшафтных компонентов на формирование микроклимата.
Корреляционный анализ применяется для выявления и оценки связи между различными микроклиматическими параметрами, а также между этими параметрами и характеристиками среды [7]. Корреляционный анализ позволяет определить степень влияния зеленых насаждений на снижение температуры воздуха, повышению относительной влажности воздуха и уменьшению скорости ветра, устанавливая, как правило, отрицательную корреляцию [8]. С его помощью можно также установить зависимость между площадью водного объекта и повышением влажности воздуха, где наблюдается положительная корреляция [9].
Коэффициент корреляции Пирсона позволяет количественно измерить силу этих связей. При этом коэффициент детерминации, рассчитываемый как квадрат коэффициента корреляции, показывает долю вариации зависимой переменной, которая объясняется влиянием независимой переменной [10]. Например, если в качестве зависимой переменной выступает температура воздуха, а независимой сомкнутость крон, то коэффициент детерминации позволяет оценить, насколько точно данный фактор прогнозирует изменение микроклиматического параметра.
Корреляционный анализ дает возможность не просто констатировать наличие связей между компонентами ландшафта и микроклиматом, но и измерить их силу, что принципиально важно для перехода от описательных характеристик к качественным параметрам, выраженным в конкретных единицах измерения [11]. Особую ценность представляет коэффициент детерминации (
Однако важно отметить, что корреляция не означает причинно-следственной связи, и выявленные зависимости требуют дальнейшей интерпретации с учетом ландшафтного контекста. Даже высокий коэффициент детерминации не гарантирует, что учтены все значимые факторы, и за внешне прямой зависимостью могут скрываться более сложные опосредствованные связи [12].
Для сравнения средних значений микроклиматических параметров между двумя группами наблюдений применяется t-критерий Стьюдента, который позволяет сравнивать среднюю температуру воздуха на открытом участке и под пологом леса [13], сопоставить уровень влажности в прибрежной зоне и на удалении от водоема [14], а также проверить, значимо ли отличаются значения микроклиматических параметров в разных типах ландшафта.
При этом корректное применение t-критерия требует предварительной проверки соблюдения необходимых статистический предположений: нормальности распределения данных с помощью теста Шапиро-Уилка и гомогенности дисперсий с использованием теста Левена. В частности, при исследовании микроклиматических различий под пологом леса и на открытых участках исследователи используют t-критерий для сравнения максимальных и минимальных температур, предварительно убедившись в выполнении указанных условий [13]. Показательным примером служит исследование в Турции, где с помощью t-тестов сравнивались средние значения влажности между прибрежной зоной и внутренними территориями, что позволило выявить статистически значимые различия не в отдельные моменты времени, а на протяжении всего суточного цикла, давая более полное представление о влиянии водных объектов на микроклимат прилегающих ландшафтов [14].
В случаях, когда требуется сравнение более чем двух групп, используется дисперсионный анализ, который позволяет оценить достоверность различий между несколькими вариантами озеленения [15], дать оценку различиям температуры воздуха и относительной влажности под деревьями разных видов [16] и влияния структуры насаждений на микроклиматические показатели [17]. Применение однофакторного и многофакторного дисперсионного анализа ( ANOVA, MANOVA ) позволяет учитывать одновременное влияние нескольких факторов на формирование микроклимата, что особенно важно на сложных объектах, где зеленые насаждения, рельеф, водные объекты и плотная городская застройка действуют не изолированно, а в тесном взаимодействии [18].
Показательным примером применения дисперсионного анализа в микроклиматических исследованиях служит работа, выполненная на городской площади университета в Хух-Хото. В нем с помощью однофакторного дисперсионного анализа ( ANOVA ) с последующем расчетом F-критериев и p-value оценивалось влияние трех факторов (схемы озеленения, типа растений и альбедо покрытий) на температуру в разные сезоны года. Полученные статистические оценки позволили не только выявить значимость каждого из факторов, но и количественно обосновать рекомендации по подбору ассортимента древесно-кустарниковых насаждений и материалов покрытий для обеспечения комфортных условий пребывания людей в различные сезоны [15]. Также есть примеры эффективности дисперсионного анализа при изучении 128 лесных участков Центральной Европы, где данный метод в сочетании с регрессионными моделями использовался для оценки вклада характеристик древостоя (плотность, разновозрастность, открытость полога) в вариацию суточного температурного диапазона [17]. В 15 парках города Сучжоу исследователи применяли ANOVA и множественную регрессию для оценки того, как плотность древесных насаждений, а также наличие и размер водоемов влияют на охлаждающий и увлажняющий эффект зеленых зон [19].
Ключевое преимущество t-критерия и дисперсионного анализа заключается в возможности проверки статистических гипотез, при этом t-критерий удобен для парных сравнений по принципу “до и после” или “контроль-эксперимент” [20], тогда как дисперсионный анализ позволяет одновременно сравнивать несколько групп и оценивать взаимодействие факторов. В контексте ландшафтной архитектуры это означает, что проектировщик или исследователь может получить обоснованный ответ на вопрос, действительно ли создание лесного массива или пруда приводит к значимому изменению микроклимата, или же наблюдаемые различия находятся в пределах естественной изменчивости. T-критерий и дисперсионный анализ позволяют отделить систематические эффекты от случайных, что существенно повышает надежность выводов и обоснованность рекомендаций для ландшафтного проектирования.
Дополнительные возможности для анализа микроклиматических данных открывает применение кластерного анализа, который позволяет классифицировать точки наблюдений или целые участки ландшафтного объекта на основе сходства их микроклиматических характеристик. В отличие от дисперсионного анализа, где группы задаются априорно исследователем, кластерный анализ самостоятельно выявляет естественные группировки в данных, что особенно ценно на начальных этапах изучения территорий. С его помощью можно выделить зоны со сходным температурно-влажностным режимом, объединить точки наблюдений по комплексу параметров и типологизировать ландшафтные объекты по степени их микроклиматического влияния на окружающую среду [21]. Иерархические методы кластеризации позволяют визуализировать структуру сходства между различными участками в виде дендрограмм, тогда как итеративные методы, такие как алгоритм k-средних, дают возможность получить четкое разбиение территории на однородные по микроклимату зоны, что имеет непосредственное практическое значение для функционального зонирования рекреационных пространств и планирования озеленения [22] [23].
В ряде исследований применяется более сложный двухэтапный подход, сочетающий преимущества обоих методов: сначала иерархический кластерный анализ используется для оптимального числа и структуры групп, после чего метод k-средних применяется для получения устойчивого итоговое разбиения. Такой комбинированный подход зарекомендовал себя как эффективный инструмент агроклиматического районирования территорий разного масштаба. В частности, он был использован при детальном изучении микроклимата Колумбии, позволив выделить 17 отчетливых микроклиматических зон [22]. Аналогичная методология применялась при микрорайонировании острова Реюньон, где благодаря двухэтапной кластеризации удалось не только определить главные климатические зоны, но и выявить внутри них более мелкие субзоны [24]. Эффективность данного подхода подтверждается также его успешным применением при зонировании офисных зданий в Китае для оптимизации систем управления микроклиматом и в исследованиях энергоэффективности зданий, где кластеризация позволяет группировать помещения со сходными тепловыми нагрузками и режимами эксплуатации [25].
Общим требованием для всех рассмотренных методов является оценка статистической значимости полученных результатов, для чего используется уровень зависимости p-value, показывающий вероятность того, что наблюдаемые различия или связи обусловлены случайными факторами, а не закономерным влиянием ландшафтных компонентов. В научных исследованиях, посвященных микроклимату ландшафтных объектов, традиционно используется пороговое значение p < 0.05, что соответствует 95 % доверительной вероятности выводов. Оценка статистической значимости через p-value является необходимым условием для признания выводов обоснованными, и в рассматриваемых исследованиях порог p < 0.05 выступает общепринятым критерием: если p ниже этого значения, различия или связи считаются значимыми и заслуживающими внимания при проектировании [26]. Вместе с тем важно понимать, что p-value не является абсолютной мерой истинности, поскольку он зависит от выборки и может быть значимым даже при несущественных с практической точки зрения различия, поэтому статистическую значимость следует интерпретировать в связке с величиной эффекта, выраженной, например, разницей средних или силой корреляции [27]. В ряде работ предлагается снижать его до 0.005 или делать гибким, зависящим от задачи [28]; [29].
Важно подчеркнуть, что рассмотренные статистические методы не исключают, а дополняют друг друга. Корреляция показывает силу связи между переменными, а коэффициент детерминации оценить ее реальный вклад. T-критерий позволяет сравнивать две группы, дисперсионный анализ несколько групп и факторов, кластерный анализ помогает выявлять естественные группировки в данных без априорных предположений, а p-value служит единым способом оценки надежности этих сравнений. В сочетании с биоклиматическими коэффициентами комфортности статистические методы образуют единую методологическую базу для оценки микроклимата, где сначала с помощью биоклиматических индексов оценивает уровень комфортности в разных точках объекта ландшафтной архитектуры, затем с помощью t-критерия или дисперсионного анализа проверяется значимость различий в комфортности между функциональными зонами, корреляционный анализ и коэффициент детерминации выявляет, какие именно ландшафтные компоненты и в какой мере вносят вклад в эти различия, а кластерный анализ позволяет выделить однородные по микроклиматическим условиям участки для более обоснованного функционального зонирования территории.
Описанные выше биоклиматические индексы теплового комфорта, а также другие методы анализа микроклиматических условий среды позволяют комплексно оценивать и прогнозировать микроклимат на объектах ландшафтной архитектуры, а также его воздействие на потенциальных пользователей (посетителей). В статье раскрыты особенности каждого из подходов качественной оценки микроклиматических показателей, которые могут использоваться как индивидуально для определенных узконаправленных задач, так и комплексно для составления целостной оценки.
Литература:
1. ANSI/ASHRAE Standard 55–2013, Thermal Environmental Conditions for Human Occupancy
2. Potchter O., Cohen P., Lin T. P., Matzarakis A. Outdoor Human Thermal Perception in Various Climates: A Comprehensive Review of Approaches, Methods and Limitations // Atmospheric Research. — 2018. — Vol. 207. — P. 1–19.
3. Емелина С. В., Константинов П. И., Малинина Е. П., Рубинштейн К. Г. Оценка информативности некоторых биометеорологических индексов для разных районов России // Метеорология и гидрология. — 2014. — № 7. — С. 25–37.
4. Fanger P. O. Thermal Comfort: Analysis and Applications in Environmental Engineering. — Copenhagen: Danish Technical Press, 1970
5. Błażejczyk K., Jendritzky G., Bröde P., et al. An introduction to the Universal Thermal Climate Index (UTCI) [Electronic resource] // Geographia Polonica: journal. — 2013. — Vol. 86, No. 1. — P. 5–10. — URL: https://www.researchgate.net/publication/239525964_An_introduction_to_the_Universal_Thermal_Climate_Index_UTCI
6. Li K, Liu X and Bao Y Evaluating the performance of different thermal indices on quantifying outdoor thermal sensation in humid subtropical residential areas of China. Front. Environ. Sci. 10:1071668. URL: https://www.frontiersin.org/journals/environmental-science/articles/10.3389/fenvs.2022.1071668/full#B10
7. Гржибовский А. М. Корреляционный анализ // Экология человека. 2008. № 9. URL: https://cyberleninka.ru/article/n/korrelyatsionnyy-analiz (дата обращения: 28.02.2026).
8. Li, W., Pan, P., Fang, D., & Guo, C. (2025). Effects of Plant Communities in Urban Green Spaces on Microclimate and Thermal Comfort. Forests. https://doi.org/10.3390/f16050799.
9. Lingyan Zhao, Tingting Li, Arkadiusz Przybysz, Han Liu, Bingjie Zhang, Wenyu An, Chunyang Zhu. Effects of urban lakes and neighbouring green spaces on air temperature and humidity and seasonal variabilities.URL: https://www.sciencedirect.com/science/article/abs/pii/S2210670723000495?via %3Dihub
10. Саадалов Т., Мырзаибраимов Р., Абдуллаева Ж. Д. Методика расчета коэффициента корреляции Фехнера и Пирсона и их области применения // Бюллетень науки и практики. 2021. № 10. URL: https://cyberleninka.ru/article/n/metodika-rascheta-koeffitsienta-korrelyatsii-fehnera-i-pirsona-i-ih-oblasti-primeneniya (дата обращения: 28.02.2026).
11. Cong, Y., Zhu, R., Yang, L., Zhang, X., Liu, Y., Meng, X., & Gao, W. (2022). Correlation Analysis of Thermal Comfort and Landscape Characteristics: A Case Study of the Coastal Greenway in Qingdao, China. Buildings. https://doi.org/10.3390/buildings12050541.
12. Li, H., Wu, J. Use and misuse of landscape indices. Landscape Ecol 19, 389–399 (2004). https://doi.org/10.1023/B:LAND.0000030441.15628.d6
13. Vasconcelos, V. V., & Sacht, H. M. (2020). Influence of Canopy Cover on Surface Temperature. Revista Brasileira De Geografia Física, 13(07), 3275–3286. https://doi.org/10.26848/rbgf.v13.07.p3275–3286
14. Istem Koymen Keser. (2014). Comparing two mean humidity curves using functiona t-tests: Turkey Case. DOI Code: 10.1285/i20705948v7n2p254
15. Tao, Z., Xu, G., Li, G., Zhao, X., Gao, Z., & Shen, X. (2025). Influence and Optimization of Landscape Elements on Outdoor Thermal Comfort in University Plazas in Severely Cold Regions. Plants, 14. https://doi.org/10.3390/plants14142228.
16. Feng, X., Wen, H., He, M., & Xiao, Y. (2023). Microclimate effects and influential mechanisms of four urban tree species underneath the canopy in hot and humid areas., 11. https://doi.org/10.3389/fenvs.2023.1108002.
17. Martin Ehbrecht a, Peter Schall a, Christian Ammer a, Markus Fischer b, Dominik Seide. (2018). Effects of structural heterogeneity on the diurnal temperature range in temperate forest ecosystems. https://doi.org/10.1016/j.foreco.2018.10.008
18. Din, I., & Hayat, Y. (2021). ANOVA or MANOVA for Correlated Traits in Agricultural Experiments. Sarhad Journal of Agriculture. https://doi.org/10.17582/journal.sja/2021/37.4.1250.1259
19. Xiao, X., Zhang, L., Xiong, Y., Jiang, J., & Xu, A. (2022). Influence of spatial characteristics of green spaces on microclimate in Suzhou Industrial Park of China. Scientific Reports, 12. https://doi.org/10.1038/s41598–022–13108–1.
20. Mishra, Prabhaker; Singh, Uttam; Pandey, Chandra M; Mishra, Priyadarshni1; Pandey, Gaurav2. Application of Student's t-test, Analysis of Variance, and Covariance. Annals of Cardiac Anaesthesia 22(4):p 407–411, Oct–Dec 2019. | DOI: 10.4103/aca.ACA_94_19
21. Martínez, L., & Pérez, J. (2017). Climatic analysis linked to land vegetation cover of Mexico by applying multivariate statistical and clustering analysis. Atmosfera, 30, 233–242. https://doi.org/10.20937/atm.2017.30.03.04.
22. Mejía-Parada, C., Mora-Ruiz, V., Soto-Paz, J., Parra-Orobio, B., & Attia, S. (2024). Microclimate Zoning Based on Double Clustering Method for Humid Climates with Altitudinal Gradient Variations: A Case Study in Colombia. Atmosphere. https://doi.org/10.3390/atmos15060709.
23. Xiang Deng a b, Zijing Tan a, Meijing Tan c, Wenjing Chen. (2021). A clustering-based climatic zoning method for office buildings in China. https://doi.org/10.1016/j.jobe.2021.102778
24. Davidson, A., Malet-Damour, B., & Praene, J. (2023). A new microclimate zoning method based on multivariate statistics: The case of Reunion Island. Urban Climate. https://doi.org/10.1016/j.uclim.2023.101687.
25. Angélica Walsh a, Daniel Cóstola b, Lucila Chebel Labaki. (2022). Performance-based climatic zoning method for building energy efficiency applications using cluster analysis. https://doi.org/10.1016/j.energy.2022.124477
26. Di Leo, G., Sardanelli, F. Statistical significance: p value, 0.05 threshold, and applications to radiomics—reasons for a conservative approach. Eur Radiol Exp 4, 18 (2020). https://doi.org/10.1186/s41747–020–0145-y
27. Andrade C. The P Value and Statistical Significance: Misunderstandings, explanations, challenges, and alternatives. Indian J Psychol Med 2019;41:210–5.
28. Di Leo, G., & Sardanelli, F. (2020). Statistical significance: p value, 0.05 threshold, and applications to radiomics—reasons for a conservative approach. European Radiology Experimental, 4. https://doi.org/10.1186/s41747–020–0145-y.
29. Habibzadeh, F. (2024). On the use of receiver operating characteristic curve analysis to determine the most appropriate p value significance threshold. Journal of Translational Medicine, 22. https://doi.org/10.1186/s12967–023–04827–8.
