先前的研究表明，在城市化过程中，各种土地利用模式的转变对城市生态系统产生了显著影响（Lambin和Meyfroidt，2010年）。在这些影响中，城市热岛（UHI）效应尤为突出，城市地区的温度明显高于相邻的农村地区，这主要是由于与城市扩张相关的不透水表面的增加（Phelan等人，2015年）。UHI对城市基础设施和居民都产生了多种负面影响。具体来说，它们可以通过改变降水模式（Collier，2006年）、加剧空气污染（Xu等人，2014年）和恶化水质（Hester和Bauman，2013年）来降低生活质量。其中，最直接和严重的威胁是人类健康，主要是由于高温的直接暴露，在热浪期间这一问题变得更加关键。大量研究表明，长期暴露在极端高温下会导致疾病发病率增加、死亡率上升和癌症风险提高（Baccini等人，2008年；Basu，2009年；Gasparrini等人，2015年）。因此，减少UHI强度已成为当务之急。现有研究表明，通过实施适当的政策干预可以缓解UHI的影响（Peng等人，2020年）。
目前，许多关于UHI的研究依赖于遥感（RS）图像来利用反演算法获取地表温度（LST），然后用来计算UHI强度（Li等人，2023年）。随着RS技术的不断改进，UHI领域的研究也不断发展，主要集中在两个主要研究方向：分析UHI形成的机制（Guo等人，2021年；Zhou和Chen，2018年）和模拟UHI分布的空间模式（Li等人，2024年；Zhao等人，2025a,b）。
在机制研究方面，现有研究探讨了影响UHI强度的各种自然和人为因素。其中一些研究采用了传统的统计模型，如普通最小二乘（OLS）回归（Hu等人，2021年；Wang等人，2018a,b）、空间自回归（SAR）模型和拉格朗日乘数检验（Zhou等人，2017年）。这些方法具有内在的可解释性，能够明确说明变量与UHI强度之间的关系。此外，还可以应用方差分解等技术来通过量化不同影响因素的相对贡献来进一步增强其空间解释能力（Li等人，2016年）。
除了这些全局统计方法外，地理加权回归（GWR）及其变体也被广泛用于通过捕捉UHI-土地利用关系中的空间异质性来提高可解释性（Gao等人，2022年）。然而，它们在多尺度环境中的解释能力仍然有限。由于GWR模型依赖于固定或自适应的核带宽，因此假设了一个单一的特征空间尺度，它们难以表示在社区和城市范围内同时发生的尺度依赖性相互作用（Fotheringham等人，2017年）。其他研究还采用了机器学习方法，例如随机森林和XGBoost，来揭示驱动因素与UHI空间模式之间的复杂和非线性关联（Hajihosseinlou等人，2024年；Han，2023年；Ma等人，2024年）。然而，尽管许多机器学习模型在提高模型拟合性能方面有效，但它们作为黑箱模型缺乏足够的可解释性，这阻碍了对UHI形成机制的深入理解。
除了对UHI效应驱动机制的研究外，大量研究还关注不同空间尺度上的土地利用模式和城市形态如何影响UHI强度（Al-Khafaji等人，2025年；Kadhim和Salih，2025年；Kitjarak等人，2025年）。这些研究强调，土地利用的空间配置，包括不透水表面、植被和水体的布局、连续性和破碎化，可以显著影响城市内的热模式（Liu等人，2025年；Sun等人，2020年；Zhou等人，2011年）。基于这些发现，研究人员强调适当的空间配置和规划策略可以有效缓解UHI的负面影响（Zhang等人，2013年）。
关于UHI效应的另一个重要研究方向是对其空间分布的模拟（Liu等人，2024年；Zhao等人，2025a,b）。随着高分辨率土地利用数据集在各种分类框架下的可获得性增加（Potapov等人，2022年；Yang和Huang，2021a），以及描述建筑结构和密度的全球尺度城市形态数据集（Liao等人，2024年），许多研究探讨了不同土地利用类型如何影响UHI强度（Du等人，2016年；Tran等人，2017年）。此外，先前研究已经充分证明了UHI机器学习模型的时间可转移性。大量实证分析表明，控制城市热环境的统计关系在多十年期间保持足够稳定，使得基于历史土地利用和地表温度模式训练的模型可以可靠地扩展到未来情景（Chakraborty等人，2019年；Li等人，2011年）。与这些发展并行的是，城市模型的进步，包括FLUS模型（Liu等人，2017年）、PLUS模型（Liang等人，2021b）和MCCA模型（Liang等人，2021a），使研究人员能够模拟未来的土地利用变化并预测UHI的空间模式演变。例如，PLUS模型已被用于通过模拟未来的土地利用情景和评估空间连通性来研究UHI的缓解策略（Zhao等人，2025a,b），以及探索土地利用动态对UHI演变的更广泛影响（Li等人，2024年）。同样，MCCA模型也被用来通过预测多种发展路径下的土地利用动态来模拟未来的UHI模式（Liang等人，2024年）。
尽管在这些领域取得了显著进展，但仍存在一些挑战。与传统的统计方法相比，大多数机器学习模型缺乏足够的可解释性，限制了它们揭示因果机制的能力。同样，尽管PLUS和MCCA等模型可以有效地预测未来的土地利用转变和UHI模式，但它们有限的解释能力经常导致模拟的空间结果与生成这些结果的潜在过程之间存在脱节。这种薄弱的理论基础限制了它们在机制导向分析和政策设计中的实用性。因此，将高分辨率模拟模型与多尺度、可解释的分析框架相结合的研究仍然相对较少。
为了填补这些空白，本研究旨在开发一个集成的多源数据融合框架，将PLUS模型与多尺度SHAP可解释性分析相结合，以模拟未来的UHI动态并评估未来的人口热暴露风险。通过结合SHAP，我们弥补了GWR的局限性，使得模型能够一致地解释土地利用变量之间的非线性和交互效应，从而提供核基单尺度回归框架无法轻易捕捉的机制洞察。SHAP与PLUS模型的结合有效地弥合了模拟和解释之间的差距，解决了UHI研究中长期存在的空间模式投影与因果理解之间的脱节问题。通过应用多尺度滑动窗口方法，我们量化了不同空间尺度上土地利用对UHI强度的影响，同时预测未来的UHI动态并以30米的分辨率评估人口热暴露风险。以湖北省武汉市为例，我们模拟了2022年至2040年三种发展情景下的UHI模式，并通过双变量等值线图可视化了人口热暴露情况，覆盖了一个包含大量城市转型的长时间间隔。所得到的洞察为改进未来的土地利用规划和制定政策干预措施以缓解快速城市化地区的UHI效应提供了科学基础。
本文的其余部分结构如下。第2节描述研究区域和数据集，第3节概述方法论，第4节报告结果，第5节提供讨论，第6节总结研究。
