基于机器学习和SHAP的高分辨率城市地表温度降尺度研究——以快速城市化半干旱区为例

本研究创新性地集成随机森林（RF）、支持向量回归（SVR）和XGBoost等机器学习（ML）模型与SHAP可解释性人工智能（XAI）方法，成功实现了半干旱复杂地形城市（伊朗大不里士）的Landsat-5地表温度（LST）高精度降尺度。结果表明调参后RF模型性能最优（R2=0.8163，RMSE=1.18°C），SHAP分析进一步揭示NDBI和UI是城市热岛（UHI）效应的关键驱动因子，为气候适应性城市规划提供了可解释的决策支持。

　　

研究概述与背景

准确评估城市热岛（UHI）效应对于减轻其对人类健康、生态系统和能源需求的负面影响至关重要。地表温度（LST）降尺度技术能够提升粗糙的卫星热红外数据的分辨率，从而实现更精细尺度的UHI分析，并为数据驱动的城市规划（例如战略性绿化、凉爽屋顶和通风改善）提供支持，以优先保护热脆弱社区并提高能源效率。

结论

在快速城市化的半干旱地区，城市热岛（UHI）效应对可持续发展构成了重大挑战。本研究通过应用机器学习方法对LST进行降尺度，克服了Landsat数据分辨率较粗的限制，生成了对于针对性UHI缓解至关重要的高分辨率地图。

在所测试的算法（RF、SVR、XGBoost）中，经过超参数调优的随机森林（RF）取得了最佳性能（在360米分辨率下，R2 ≈ 0.82，RMSE = 1.18°C）。SHAP分析突显了建筑形态指数（如NDBI和UI）在城市密集核心区的增温主导作用，而植被指数（NDVI）和水体指数（MNDWI）则在植被覆盖区和滨水区表现出更强的冷却效应。这些发现揭示了城市热环境驱动因素的空间异质性，强调了在UHI缓解策略中需要考虑环境公平性。

本研究的主要贡献在于将超参数调优、基于SHAP的模型可解释性以及系统的噪声剔除鲁棒性分析相结合。该框架计算效率高、可重复性强，易于资源有限城市的规划者采用。未来的工作应纳入三维城市形态、季节性动态和集成建模，以进一步增强决策支持能力。