基于XGBoost-SHAP方法，研究城市形态在街区尺度及网格尺度上对地表温度的影响

《Environmental Modelling & Software》：Investigating the effect of urban form on land surface temperature at block and grid scales based on XGBoost-SHAP

本研究采用XGBoost-SHAP模型，分析沈阳四环内城市因子指标对地表温度（LST）的影响，揭示LST在季节和气候区（LCZ）中的异质性。结果显示：夏季和秋季市中心LST高于外围，而春冬季则相反；NDVI、SHDI、NDBI是主要驱动因子，SVF在块尺度抑制LST但网格尺度促进；不同季节UFIs影响显著（夏季>春>秋>冬），且存在阈值效应（如SHDI>0.65降温，BD>20%/40%升温）。

　　随着全球气温持续上升，城市热环境问题日益突出，成为影响人类健康和生态系统的重大挑战。根据《政府间气候变化专门委员会》第六次评估报告，全球平均气温已比工业化前水平高出1.1°C，这一变化对自然生态系统和人类健康产生了深远影响。特别是在极端天气事件频发和生物多样性下降的背景下，城市热环境的恶化可能进一步加剧这些负面影响。研究表明，65岁以上人群因高温相关死亡率自1990年以来增长了85%，凸显了城市热环境问题的紧迫性。因此，深入理解城市热环境的变化驱动因素，对于制定有效的缓解策略具有重要意义。

城市热环境主要通过地表温度（LST）来反映，而LST的变化受到多种城市因子指标（UFIs）的影响。这些指标包括人工因素和自然因素，它们共同作用于城市空间结构，从而影响热岛效应的强度和分布。传统研究多关注土地利用/覆盖（LUCC）对LST的影响，但城市空间形态的复杂性往往被忽视。为此，研究者引入了“局部气候区”（LCZ）分类方案，该方案通过三维空间整合地表特征，能够更准确地描述城市内部空间结构的差异，从而为LST变化的驱动因素提供新的分析视角。

LCZ分类方案不仅适用于城乡之间的比较，还能揭示城市内部不同区域之间的热环境差异。研究表明，LCZs在LST变化中表现出显著的异质性，其中归一化差异建成指数（NDBI）、归一化差异植被指数（NDVI）和香农多样性指数（SHDI）是主要的驱动因素。这些指标能够有效区分人工与自然地表，并反映植被类型和分布的多样性。此外，研究还发现，天空视角因子（SVF）对LST的影响具有尺度依赖性，它在街区尺度上抑制LST的上升，但在网格尺度上则可能促进LST的增加。这种尺度差异表明，不同空间分辨率下，城市因子对LST的影响机制可能存在显著不同。

为了更全面地分析LST的变化，研究采用了一种创新的方法，即将极端梯度提升（XGBoost）模型与SHapley Additive exPlanations（SHAP）方法相结合。XGBoost模型以其高效性和对缺失值的处理能力，被广泛应用于城市热环境研究中。然而，纯机器学习模型通常被视为“黑箱”，难以解释其内部机制。SHAP方法则提供了一种可解释性分析工具，能够量化不同因子对LST变化的具体贡献，并揭示因子之间的相互作用。通过这种结合，研究不仅能够识别主要的驱动因素，还能深入分析其在不同季节和不同空间尺度下的响应特征。

研究发现，LST的变化呈现出明显的季节性特征。在夏季和秋季，城市中心区域的LST普遍高于外围区域，而在春季和冬季则出现相反的趋势。这一现象可能与城市内部空间结构、植被覆盖以及人类活动的季节性变化有关。例如，夏季和秋季由于太阳辐射较强，城市建成区的热吸收能力增强，导致中心区域升温更为显著；而春季和冬季由于植被覆盖减少、太阳辐射较弱，城市中心区域的温度反而较低。此外，研究还发现，LST对不同因子的响应存在特定的阈值。当香农多样性指数（SHDI）超过0.65时，会表现出显著的降温效应；而当建筑密度超过20%（夏季和秋季）或40%（春季和冬季）时，则会产生明显的升温效应。这种阈值的存在表明，某些因子在特定条件下可能对热环境产生不同的影响，这为城市规划和管理提供了重要的参考依据。

NDVI作为衡量植被覆盖的重要指标，其对LST的影响尤为显著。只有当NDVI超过0.4时，才会出现显著的降温效果，但NDVI在所有季节中普遍较低，除了夏季。这可能与城市内部植被分布的不均衡性有关，特别是在城市化进程中，自然植被的减少使得NDVI难以达到较高的阈值。因此，提高植被覆盖率成为缓解城市热环境的重要手段之一。此外，研究还指出，高贡献的UFIs通常与人工因子指标之间存在较强的交互作用，这表明在城市规划中，需要综合考虑人工与自然因素的协同效应，以实现更有效的热环境调控。

在研究方法上，本文采用了多尺度分析策略，既关注街区尺度，也探讨了100米×100米网格尺度下的LST变化。街区尺度因其客观边界，能够更好地与城市管理体系对接，弥补网格尺度在空间划分和实际应用中的不足。然而，单一尺度的分析可能存在一定的局限性，因此需要将街区与网格尺度的研究结果进行整合，以减少因尺度不同而带来的不确定性。这种多尺度分析方法不仅有助于更全面地理解LST的变化规律，还能为不同区域制定差异化调控策略提供科学依据。

本文的研究区域选择具有代表性，位于中国沈阳市第四环路以内的城市中心区域，涵盖了多个行政辖区，总人口约为575万。该区域具有典型的温带大陆性气候，冬季寒冷、夏季炎热，这使得LST的变化呈现出明显的季节性特征。通过对该区域的LST变化进行深入分析，研究揭示了不同LCZs在热环境中的表现差异，以及各因子在不同季节和不同空间尺度下的作用机制。这种基于具体区域的研究方法，不仅能够提供针对性的政策建议，还能为其他类似城市区域的热环境管理提供借鉴。

研究还发现，城市空间形态的复杂性对LST的影响具有多维度特征。人工因素如建筑密度、建筑高度和天空视角因子，通过吸收和释放热量影响城市热环境。自然因素如植被覆盖率和多样性，则通过调节能量循环和水分蒸发过程，对LST产生缓解作用。因此，在城市规划中，需要在人工与自然因素之间寻求平衡，以实现热环境的优化。例如，通过增加绿地面积、优化建筑布局和提升建筑高度，可以有效降低LST的上升幅度，从而改善城市的热环境。

此外，研究还强调了因子间相互作用的重要性。某些因子在特定条件下可能增强或削弱其他因子对LST的影响，这种交互效应在传统分析方法中往往被忽视。通过引入XGBoost与SHAP的结合方法，研究能够更准确地识别这些交互效应，并为不同区域制定针对性的调控措施提供支持。例如，在某些LCZs中，高建筑密度可能与低植被覆盖率相互作用，导致LST的显著上升，而在其他LCZs中，高植被覆盖率可能与低建筑密度相互作用，产生明显的降温效果。因此，城市规划者在制定政策时，需要综合考虑多种因子的协同作用，以实现最佳的热环境调控效果。

综上所述，本文通过整合XGBoost与SHAP方法，系统分析了城市因子指标对地表温度的影响机制，并揭示了不同空间尺度和季节条件下LST的变化特征。研究结果表明，LST的变化受到多种因素的共同影响，其中人工与自然因子的相互作用尤为关键。通过定量描述城市空间形态，并将其转化为具体的可控制因子指标，研究不仅为城市热环境的管理提供了科学依据，也为未来城市规划和建设提供了新的思路。在实际应用中，应结合不同区域的气候特征和空间结构，制定差异化的热环境调控策略，以实现可持续的城市发展。