基于可解释空间机器学习的伊斯坦布尔夏季地表温度空间变化及其驱动因素分析

《ISPRS International Journal of Geo-Information》：Understanding Land Surface Temperature Patterns in Istanbul: The Role of Blue–Green and Built-Environment Predictors Using Explainable Machine Learning

　　摘要快速城市化以及植被表面被不透水材料取代可以显著改变城市热环境，而水体、地形和沿海环境可能会进一步修改这些模式。了解这些因素如何影响地表温度（LST），特别是在大型且地理异质性的城市中，对于空间针对性的热缓解具有重要意义。本研究利用结合卫星观测与蓝绿、建成环境、地形和沿海变量的可解释地理空间机器学习框架，探讨了土耳其伊斯坦布尔夏季地表温度的空间变化。2020年至2025年6月至8月的Landsat 8/9观测数据与多源土地覆盖、不透水性、地形和海岸线数据整合于共同的500米网格中。在预测变量筛选并比较五种基于树的算法后，XGBoost被应用于整个研究区域，并通过嵌套空间分块交叉验证进行评估。该模型在嵌套空间交叉验证的五个外部折中平均R2为0.9531 ± 0.0083，均方根误差（RMSE）为1.0616 ± 0.0293 °C，平均绝对误差（MAE）为0.7734 ± 0.0201 °C。在更大的20公里分块配置下，预测性能有所下降，表明对验证空间尺度的敏感性。SHapley加性解释（SHAP）识别出归一化差异植被指数（NDVI）——在此作为植被绿度的光谱代理指标，而非植被覆盖面积的直接测量——为拟合模型的最大贡献者，其次是不透水性、水体覆盖和草地。水体覆盖的重要性对沿海网格几何形状敏感，当排除低陆地区沿海单元时，其重要性显著降低。由于植被相关信息也用于Landsat二级地表温度产品的发射率调整，NDVI归因的幅度被解释为基于模型的，而非植被冷却的独立估计。排除NDVI的敏感性模型仍保持了相当的预测性能（R2 = 0.8063），其中不透水性成为主要预测因子。用独立获得的树木覆盖百分比替换NDVI的敏感性分析导致模型性能降低（R2 = 0.9160）。依赖分析揭示了主要预测因子与LST之间的非线性关系。空间SHAP映射进一步显示，尽管在伊斯坦布尔大部分地区NDVI具有最大的局部SHAP归因，但水体相关、沿海和地形因素在特定地理条件下变得局部重要。这些发现展示了空间显式可解释机器学习在识别与城市地表温度相关的城市和局部因素方面的价值。