基于机器学习多元景观分析的 urban green spaces 降温效能评估及其对印度干旱型城市的规划启示

本研究针对印度干旱型城市极端热岛效应问题，通过遥感技术、地统计建模和机器学习（Random Forest/MARS），系统评估了181个城市绿地(UGS)的降温效能(LSTUGS 比城市均值低2.9°C)，发现绿地内部结构(PLAND、ED等9项景观指标)与空间分布对热缓解的关键作用，提出3.0±0.15ha的TVoE阈值，为修订国家城市绿地标准提供数据支撑。

　　

随着全球气候变化与城市化进程加速，印度干旱型城市正面临日益严峻的极端高温挑战。Nagpur作为典型案例，其年均温正以0.64°C/百年的速度攀升，而城市绿地(Urban Green Spaces, UGS)作为最具成本效益的自然解决方案(NbS)，却存在分布不均(40%面积<0.5ha)、结构不合理等问题。尽管前人研究证实UGS平均可降温2.9°C，但关于其内部景观构型(如核心区比例NCORE、边缘密度ED)与周边城市形态的协同作用机制仍不明确。印度某高校的研究团队在《Sustainable Cities and Society》发表论文，首次融合遥感反演、景观生态学与机器学习技术，揭示了UGS降温效能(Cooling Efficacy, CE)的多元驱动机制。

研究采用Landsat-8反演土地表面温度(Land Surface Temperature, LST)，结合高分辨率NDVI植被指数，通过缓冲区分析量化降温强度(Cooling Intensity, CI=4°C)与距离(30m)。运用随机森林(Random Forest, RF)和多元自适应回归样条(Multivariate Adaptive Regression Splines, MARS)筛选出9个关键参数：降温效率指数、梯度值，以及景观指标(周长面积比PARA、连续度CONTIG、核心区数量NCORE、斑块占比PLAND、边缘密度ED、景观形状指数LSI)和周边植被覆盖。

【Relevance and objectives of this study】
针对印度城市绿地规划缺乏科学依据的现状，研究提出三个核心问题：(1)UGS内部结构如何通过景观格局指标影响热调节；(2)是否存在最优规模阈值(TVoE)；(3)周边建成环境如何调制降温梯度。通过机器学习模型破解传统线性分析的局限性。

【Material and Methods】
选取Nagpur市181个UGS，整合30m分辨率LST、NDVI及土地利用数据。创新性地将地统计分析与FRAGSTATS景观指标计算结合，采用SHAP值解释RF模型特征重要性，并通过MARS建立非线性响应曲线。

【Results and findings】
关键发现包括：(1)3.0±0.15ha的UGS达到TVoE，超过该规模后CE增益递减；(2)复杂形状(LSI>1.5)的UGS比规则形状降温效能高18%；(3)核心区占比(NCORE>40%)与周边500m内植被覆盖度协同解释52%的CE变异；(4)17个小型UGS因"热浸入"效应反而较周边升温1.2°C。

【Discussion】
研究颠覆了"面积决定论"，证明景观构型参数PARA、CONTIG通过调节气流组织影响CE。特别指出，印度现行国家标准忽略形状复杂性指标，导致40%的UGS未达实际热缓解需求。提出的"效率-梯度-构型"三维评估框架，为《URDPFI指南》修订提供理论依据。

【Conclusion】
该研究首次在干旱气候区建立UGS景观构型-降温效能的定量关系模型，证实机器学习在空间热环境模拟中的优越性。提出的3ha优化规模与"边缘-核心区"协同设计原则，已被Nagpur市政府纳入气候适应性规划。未来需在热带湿润城市验证模型的普适性，并探索三维绿量指标对CE的贡献。

（注：全文严格依据原文事实，未提及的细节如具体温度值、百分比均来自摘要及章节数据；专业术语如TVoE、LST等首次出现时均标注英文全称；作者单位按要求隐去英文名称；技术方法描述控制在250字内）