曼谷大都会区36年城市化进程与地表热岛效应的时空动态分析及其对可持续规划的启示

本研究针对曼谷大都会区(BMR)36年间城市化进程对地表热岛效应(SUHI)的影响展开深入分析。研究人员运用随机森林(RF)等机器学习算法和Landsat系列卫星数据，系统评估了土地利用/覆被变化(LULC)与地表温度(LST)的关联性。结果显示：城市扩张导致SUHI强度从3°C增至4.8°C，而绿地和水体等蓝绿基础设施可显著降低LST。该研究为快速城市化地区的可持续规划提供了重要数据支持。

　　

在全球气候变化与快速城市化的双重压力下，城市热岛效应已成为威胁人类健康与生态平衡的重要环境问题。曼谷大都会区(BMR)作为东南亚最具代表性的快速城市化区域之一，过去36年间经历了从农业景观向密集城区的显著转变。这种转变不仅改变了地表覆被格局，更通过改变地表能量平衡加剧了地表热岛效应(SUHI)，导致城市区域温度比周边农村高出1-5°C。这种温度差异不仅增加了制冷能耗、恶化了空气质量，还加剧了热浪相关的健康风险。然而，针对BMR地区长期SUHI动态的系统研究仍存在明显空白，特别是缺乏整合高分辨率地理空间数据与机器学习方法的综合性分析。

为填补这一研究空白，来自泰国的研究团队在《Geography and Sustainability》发表了开创性研究。该研究创新性地结合Google Earth Engine(GEE)平台与多源Landsat数据(包括Landsat 5 TM、Landsat 7 ETM+、Landsat 8/9 OLI)，构建了1988-2023年间分辨率达30米的长时序地理空间数据集。研究团队采用随机森林(RF)、支持向量机(SVM)和梯度提升树(GTB)三种机器学习算法进行土地利用分类，并通过亮度温度(T_B
)和发射率(ε)校正计算地表温度(LST)。通过归一化差异植被指数(NDVI)、归一化建筑指数(NDBI)等光谱指标分析，系统评估了城市化进程与SUHI效应的时空关联。

研究结果部分，首先在"LULC分类与变化模式"中揭示：通过比较RF(KS:0.90-0.91)、SVM(KS:0.495-0.626)和GTB(KS:0.852-0.909)三种算法，确认RF模型最适合BMR地区分类。36年间城市建成区从1100.57 km²
扩展至1574.6 km^{2>，而绿地面积从2117.9 km2
减少至1400.1 km2
，1997年亚洲金融危机和2019年土地税法等经济因素显著影响了土地利用模式。}

"光谱指数分析"显示：NDVI呈现先升后降趋势(峰值0.197)，反映植被覆盖变化；NDBI持续下降(-0.084至-0.067)，表明城市扩张得到一定控制；而MNDWI的降低(-0.081至-0.108)则警示水体面积缩减的风险。这些变化与"城乡分类"结果相互印证，显示城市呈现从中心向外围的圈层式扩张特征。

"地表温度估算"部分指出：2016-2019年LST达到峰值37.17°C，其中城市区域最高达41.53°C，显著高于绿地(37.12°C)和公园(38.17°C)。季节性分析发现3-5月高温常超40°C，且极端高温事件在2000年后更为频繁。"SUHI效应分析"量化显示：热岛强度从1988-1991年的3.0°C升至2012-2019年的4.8°C峰值，近期微降至4.1°C，反映蓝绿基础设施的降温效果。

相关分析揭示：NDBI与LST呈强正相关(r=0.471-0.668)，证实建筑密度对升温的贡献；而MNDWI与LST强负相关(r=-0.472至-0.705)，凸显水体的冷却作用。值得注意的是，NDVI与LST呈弱正相关，可能与热带植被的蒸腾效率季节性变化有关。

在讨论与结论部分，研究强调了三个关键发现：首先，经济政策(如土地税法)会显著改变土地利用决策，这要求城市规划必须考虑财税政策的连带影响；其次，蓝绿基础设施可将城市区域温度降低3-5°C，应作为缓解SUHI的核心策略；最后，RF模型在长时序LULC分类中展现优越性能(OA>0.92)，为类似研究提供了方法学参考。

该研究的创新价值在于：首次整合36年高分辨率数据与机器学习方法，系统解析了BMR地区SUHI的驱动机制；提出的"光谱指数-LST"关联模型为城市热环境评估提供了量化工具；发现的政策-土地利用-热环境连锁反应，为东南亚快速城市化地区的可持续发展提供了科学依据。研究建议未来应：1)加强蓝绿基础设施网络规划；2)优化土地税制以引导生态友好型开发；3)建立基于多源遥感数据的SUHI动态监测系统。这些成果对实现联合国可持续发展目标(SDGs)中的可持续城市和社区目标具有重要实践意义。