基于LCZ与可解释机器学习的高密度城市热舒适空间异质性研究：机制解析与精细化规划启示

本研究创新性地将局部气候分区（LCZ）框架与LightGBM-SHAP可解释机器学习相结合，通过融合多维2D/3D指标，在高密度城市环境中实现了通用热气候指数（UTCI）的精细化网格尺度（100m）模拟（R2=0.926）。研究揭示了LCZ类型特异性驱动机制，发现建筑体量（如ME>10m可显著缓解UTCI）与社会经济因子（GDP贡献率达1/4）的关键作用，为气候适应性城市规划提供了量化依据。

　　

Section snippets

研究区域

广州作为广东省省会，坐落于珠江三角洲北部，属于湿润的亚热带季风气候区。年平均气温在21.7°C至23.1°C之间，七月是最热的月份（平均28.7°C），历史极端高温可达39.1°C；相对湿度经常超过80%，形成了显著的湿热环境。本研究聚焦于广州市中心城区（图1），包括天河、白云等区域。

LCZ分布特征

广州市中心城区的LCZ图谱（图4a）揭示了明显的城市形态核心-边缘模式。紧凑高层类型（LCZ1-3）密集聚集在越秀、天河及海珠部分区域，形成了绿化覆盖极少的密集城市核心。围绕该核心，中层及低层紧凑区域（LCZ4-6）沿着主要交通干道和商业节点延伸，反映了过渡性的建筑形态强度。在此之外，开放低层（LCZ8-10）及重工业区域则构成了城市边缘地带。

跨LCZ的UTCI空间分布

UTCI在广州各LCZ间的空间分布揭示了城市形态与热环境的显著耦合关系，这既呼应了经典的城市热岛理论，也反映了本地环境因素的影响。天河和海珠的紧凑中层及高层区域（LCZ1-3）表现出最强的热应激，UTCI值超过38°C，这可能归因于高比例的不透水表面、受限的天空可视度以及强烈的人为热释放。

结论

在LCZ框架内，本研究实施了贝叶斯优化的LightGBM模型并结合SHAP方法，分析了25个多源2D和3D指标，取得了强大的预测性能（R2 = 0.926，RMSE = 0.153），并在全市范围和关键LCZ（LCZ 2, 4, 6, 8）内解析了特征效应。具体而言，研究在精细网格尺度（100m）上绘制了UTCI图谱，以揭示广州市中心城区的热应激空间集群；应用可解释机器学习来量化多维驱动因素对热舒适的影响；并确定了关键形态指标的有效干预阈值。研究结果强调了社会经济因素（GDP和人口）对热应激的显著贡献（超过模型解释力的四分之一），并揭示了不同LCZ类型中主导驱动因素的差异：在紧凑中层建筑区，经济集聚加剧了热应激；在开放高层建筑区，建筑体量和质量对热环境有显著影响；而在低层建筑区，道路密度的影响明显大于其他LCZ类型。这些发现为针对特定形态的、数据驱动的热缓解策略提供了科学依据，推动了高密度城市环境下气候适应性规划的发展。