基于深度学习的美国34城市亚米级地表反照率数据集构建及其对城市热岛效应的调控机制研究

本研究针对城市热岛效应(UHI)研究中高分辨率地表反照率数据缺失的难题，利用U-Net深度学习模型整合NAIP影像、Sentinel-2等多源遥感数据，首次构建了34个美国城市的亚米级分辨率地表反照率数据集。模型验证显示不透水面(ISA)和透水面(PSA)反照率预测的R2分别达0.9028和0.9538，为微气候建模和可持续城市规划提供了关键数据支撑。

　　

随着全球城市化进程加速，城市热岛效应(UHI)已成为威胁公共健康和生态环境的突出问题。地表反照率(Surface Albedo)作为衡量地表反射太阳辐射能力的关键参数，直接影响城市能量平衡和热环境。传统反照率数据集如MODIS(30-m)和Sentinel-2(10-m)分辨率不足，难以捕捉城市表面异质性，制约了微尺度气候模拟精度。美国宾夕法尼亚大学Shengao Yi团队在《Scientific Data》发表的研究，通过融合深度学习与多源遥感技术，首次构建了覆盖34个美国主要城市的亚米级(0.3-1m)分辨率地表反照率数据集，为精准评估城市热环境提供了革命性工具。

研究采用U-Net深度学习架构，整合国家农业影像计划(NAIP)亚米级影像、伯克利实验室屋顶反照率数据、微软建筑足迹等多源数据。关键技术包括：1)基于洛杉矶城市土地覆盖数据训练不透水面分类模型；2)利用Sentinel-2窄带反射率通过查找表(LUT)方法估算透水面反照率；3)采用512×512像素图像块与256像素缓冲区的处理策略消除边缘效应。研究区域涵盖美国四大地理区域的34个城市，包括洛杉矶、纽约等典型热岛高发区。

【Methods】
通过构建不透水面分类(UIS)、不透水面反照率(ISA)和透水面反照率(PSA)三个U-Net模型，研究实现了城市地表的高精度分类与反照率预测。其中UIS模型整体准确率(OA)达0.9208，ISA和PSA模型的R²分别达到0.9028和0.9538，MAE低于0.006。

【Data Records】
公开数据集包含34个城市的GEOTIFF格式反照率地图，空间分辨率最高达0.3米。数据显示拉斯维加斯平均反照率最高(0.199)，西雅图最低(0.099)，反映了不同气候区城市表面特性的显著差异。

【Technical Validation】
模型验证表明，U-Net架构在反照率预测中显著优于传统FCN和CNN方法。以洛杉矶为例，U-Net的ISA预测R²(0.8762)较FCN(0.4728)提升85%，MAE降低77%。不透水面分类中结合微软建筑足迹数据后，精确度提升至0.9222。

【Usage Notes】
数据集揭示了美国城市反照率的空间分异规律，如旧金山不透水面占比达64%而纳什维尔仅15%，为针对性热缓解策略提供依据。但研究未考虑雪盖和城市峡谷阴影效应，冬季应用可能存在局限。

该研究通过突破性的亚米级分辨率，使城市微气候模拟精度提升至建筑单体尺度。公开数据集支持SOLWEIG等辐射模型精准输入，对优化冷屋顶(Cool Roof)策略、评估热暴露风险具有重要价值。未来可扩展至动态反照率监测，为应对气候变化下的城市韧性建设提供科学基础。