基于多源地理空间数据与机器学习的城市近地表气温高分辨率动态建模及热岛效应缓解策略

这篇研究通过整合卫星遥感（LST）、物联网（IoT）传感器、城市形态与人为活动指标，构建了可扩展的机器学习（ML）框架，实现了近地表气温的高分辨率（R2=0.9939，RMSE=0.4363°C）动态预测。创新性引入空间滞后特征提升模型空间自相关性解析能力，为城市热岛（UHI）效应精准制图及气候适应性规划提供数据支撑。

　　

Highlight

本研究通过融合多源地理空间与气象数据，开发了面向城市近地表气温的高分辨率预测框架。创新性引入空间滞后特征（spatial lag features），显著提升模型对城市热场空间自相关性的捕捉能力。

Correlation Analysis

采用斯皮尔曼秩相关系数（Spearman's ρ）筛选预测变量，该非参数方法对异常值和非线性关系具有鲁棒性。ρ绝对值越大，变量与气温的关联性越强，为后续机器学习建模提供特征工程基础。

Discussion

横向对比显示：本研究随机森林+空间滞后模型夜间预测性能（RMSE=0.4363°C，R2=0.9939）优于同类研究均值（昼夜平均RMSE 0.86-1.75°C）。XGBoost模型日间预测同样表现优异（RMSE=0.78°C），证实多源数据融合策略的有效性。

Conclusions

所建框架通过整合LST、城市三维形态（如建筑高宽比H/W）及人为热排放指标，突破传统插值法对密集传感器网络的依赖。生成的高精度气温图谱（10-30米分辨率）可精准识别热风险热点，支持差异化UHI缓解策略制定。