基于可解释时空图神经网络的城市地表温度预测与热热点分析

《Buildings》：Explainable Spatio-Temporal Graph Neural Network for Urban Land Surface Temperature Prediction and Thermal Hotspot Assessment

　　土地利用覆盖、植被、城市形态与大气之间的关系在塑造城市地表温度方面起着重要作用。精确预测热模式的这种时空变化对于评估健康风险和规划城市气候韧性至关重要。本研究提出了一种新颖的可解释时空图神经网络（X-STGNN），用于预测印度三个城市——金奈、海得拉巴和新德里的地表温度（LST），并进行热热点分析。该框架结合了遥感环境指标、局地气候区（LCZ）数据、城市形态特征和气象数据，以捕捉城市热环境的时空异质性。城市单元之间的空间关系通过图卷积学习表示，时间关系通过长短期记忆（LSTM）学习表示，随后进行特征融合并应用时间注意力机制进行预测。实验数据涵盖2018年至2023年期间，共270个时间观测值，时间间隔为8天。所提出的模型在预定义评估集上实现了均方根误差（RMSE）为0.82°C、平均绝对误差（MAE）为0.61°C、R2为0.96的性能。该模型在性能上超越了表现最佳的对比模型DCRNN，其RMSE为0.82°C，而DCRNN的RMSE为0.97°C。消融实验还突显了空间图学习、时间学习、LCZ信息、遥感指数和气象变量的重要性。LOCO评估的平均RMSE为0.87±0.03°C，表明具有有益的城市间可迁移性，但也展示了地理领域差异的影响。模型预测结果通过SHAP进行解释，其中NDVI、NDBI和LCZ是最重要的影响因素之一。结果表明，所提出的结构作为可解释方法，在城市热评估中提供预测性决策支持方面具有潜力。