面向印度大都市区可持续城市规划的长期地表温度日变化不对称性与热状况分类

《Remote Sensing Applications: Society and Environment》：Long-Term Diurnal Land Surface Temperature Asymmetry and Thermal Regime Classification for Sustainable Urban Planning Across Indian Metropolitan Regions

　　

摘要：城市热岛效应（UHI）具有显著的高时空变异性，然而在多城市比较研究中，长期按季节划分的陆表温度（LST）趋势差异尚未得到足够关注。本研究提出了一种融合遥感与机器学习的混合方法，对印度五大城市2001至2025年的长期LST变化进行了分析。该方法包括使用MODIS卫星影像进行数据采集，并结合多种补充数据集，如从Landsat影像中提取的生物物理数据、来自不同来源的气候数据、WorldPop人口数据以及地形高程数据。分析中采用了改进的Mann-Kendall趋势检验和Sen斜率估计器，同时使用随机森林（RF）模型对数据特征进行预测。为评估MODIS LST的长期趋势，分析了2001至2025年的平均温度。白天，班加罗尔（-0.07°C/年）、金奈（-0.02°C/年）和孟买（-0.05°C/年）的温度呈下降趋势，德里基本保持不变，而加尔各答则呈上升趋势（0.08°C/年）。然而，夜间班加罗尔、金奈、德里、加尔各答和孟买的温度均呈上升趋势。昼夜温差在班加罗尔（-0.12°C/年）、金奈（-0.07°C/年）、德里（-0.09°C/年）和孟买（-0.10°C/年）均呈下降趋势，唯独加尔各答上升了0.02°C/年。进一步使用SHAP进行的分析表明，不同城市的LST决定因素各异，这表明城市热演化因地理位置而异。因此，本文提出的框架为解释空间分异的热动态和具有情境特异性的城市规划提供了依据。

引言：城市化正快速改变城市的热环境，全球已有超过56%的人口居住在城市地区，预计这一比例到2050年将达到68%（联合国，2018年）。这一转变加剧了热压力，并对公众健康、能源需求、生态系统功能和城市宜居性产生重大影响（Arnfield, 2003; Manoli et al., 2019; Oke et al., 2017; Santamouris, 2020）。预计到本世纪中叶，极端城市热事件将增加2至3倍，而全球城市温度在过去30年中已上升约0.5°C/十年（Perkins-Kirkpatrick & Lewis, 2020; Zhao et al., 2021）。此外，与热岛效应相关的热暴露可能占脆弱城市人口热相关死亡的37%，可使制冷能源需求增加10%-25%，并使户外劳动生产率降低10%-15%（Kjellstrom et al., 2016; Santamouris et al., 2015; Vicedo-Cabrera et al., 2021）。然而，这些健康与热暴露结果与近地面大气条件及人体热指数的关联性更为直接，而非卫星反演的陆表温度（LST）。LST代表陆地表面的辐射温度，因此与近地面气温存在本质区别。文献中专门使用卫星反演的LST来表征城市地表热环境的时空动态，而非作为人体热暴露或热相关健康结果的直接度量指标。在此背景下，卫星反演的LST结合对地观测数据已成为衡量地表城市热动态的广泛使用指标，因其空间连续性和时间覆盖优势，支持对城市地表环境变化的空间显式评估（Weng, 2009; Zhou et al., 2018）。因此，理解城市地表热环境越来越多地要求超越瞬时热斑点的识别，转向评估城市地表热条件随时间的演变及其在不同城市环境中的差异。

白天和夜间LST可能因地表—大气过程差异而呈现相反的轨迹。在此，昼夜LST不对称性定义为白天与夜间LST之差（ΔLST）；负值和正值趋势分别表示热对比度减弱和增强。尽管夜间近地面气温与热相关死亡密切相关，尤其是在人口稠密的城市地区（Baccini et al., 2011; Heaviside et al., 2017），但夜间LST通常被视为夜间地表热条件的指标。地表热储存和日落后延迟散热可导致持续的夜间地表热量留存（Chen et al., 2024; Elhabodi et al., 2023; Maria et al., 2013; Sarangi et al., 2021）。地表特征、大气条件、植被、水分和人为热之间的相互作用进一步产生了异质的日变化响应（Chen et al., 2024; Jiang et al., 2025; Xiong et al., 2026）。重要的是，城市化的增加并不必然导致白天LST均匀升温。白天冷却或稳定化可能出现在植被和地表水分变化增强蒸发冷却的区域、大气气溶胶负载改变入射太阳辐射的区域，或者城市形态和人为热通量改变地表—大气能量交换的区域。近期的全球和城市尺度证据进一步表明，城市LST的演变反映了土地利用构成、建设用地强度、植被、形态和局地环境条件的综合影响，而非仅仅由城市扩张驱动（A. Wang et al., 2026; Zhang, 2025）。来自不同环境背景的最新研究进一步表明，LST趋势受地形和土地利用特征的制约。Ghaderpour等（2026）利用2000—2025年阿尔卑斯针叶林和混交林生态区域的MODIS观测数据，报告白天和夜间LST均呈暖化趋势，其中夜间暖化的空间范围更为广泛。他们进一步发现LST与高程之间存在一致的负相关关系，并表明高程和土地利用共同影响了积雪—LST耦合关系。同样，Stamou等（2025）证明了塞萨洛尼基LST趋势与土地利用构成和植被状况之间存在显著关系，凸显了NDVI和不同土地利用类型在塑造空间LST变异性中的作用。在一项针对重庆的最新研究中，Wang等（2026）也发现夏季白天LST呈长期暖化趋势，并识别出植被相关变量和建设用地强度是反复出现的LST重要预测因子，进一步支持了需要综合考虑多种环境控制因素而非仅关注城市扩张的必要性。此外，与这一更广泛的认识相一致，证据越来越表明城市LST变化具有空间异质性。在511个城市的范围内，Li等（2023）发现城市暖化强烈依赖于城市化强度、生态背景和发展阶段。Wang等（2023）表明城市化改变了极端热事件的频率、持续时间和发生时间，Li等（2022）发现成熟城市核心区出现稳定或微弱冷却，而发展中的边缘地带持续暖化。在区域尺度上，Nayak等（2023）报告了广泛的夜间暖化但白天响应异质，包括南亚多个城市白天SUHI趋势为负值，而植被效应随环境背景而异（Smith et al., 2023），城市形态的变化进一步影响了LST轨迹的幅度和季节性（Liang et al., 2024）。然而，现有研究仍分散于不同城市、时间段、空间单元和热指标之中，对白天LST、夜间LST和昼夜LST差如何协同演变的长期理解仍然有限，以及它们的环境和人为控制因素如何在不同大都市环境中空间变化也缺乏充分认识。这一尚未解决的昼夜维度问题至关重要，因为白天冷却或稳定化与夜间暖化可能指示根本不同的热过程，因此具有不同的适应需求。

印度大都市地区为进行此类长期城市LST分析提供了特别合适的场所，因为快速城市化与显著的气候、环境和形态差异并存。印度的城市人口预计在2018至2050年间增长约4.16亿，而德里、孟买、加尔各答、班加罗尔和金奈正经历不同程度的建设用地扩张、植被丧失、人口增长和水文气候变异性（Bhatia et al., 2023; Chaudhuri et al., 2022; S. Das et al., 2022; Kanga et al., 2022; Kavathekar et al., 2024; Kundu et al., 2026; D. Mondal et al., 2026; Morya & Punia, 2021; Muthiah et al., 2022; Sarkar & Chakraborty, 2025; Sridhar & Sathyanathan, 2022; 联合国, 2018）。近期印度的证据证实了强烈的热异质性，表现为广泛的夜间暖化但白天SUHI轨迹各异（Nayak et al., 2023），而城市层面的研究将LST变化与建设用地强度、植被、土地利用配置和局地环境条件联系起来（Gupta et al., 2020; Khan et al., 2025; Mondal et al., 2021; Panigrahi & Sharma, 2025; Saini et al., 2025），这使得差异化评估与印度的气候韧性、城市绿化和可持续基础设施议程相关（MoHUA, 2022; NITI Aayog, 2022）。多项城市专项研究也已探讨了印度城市环境中白天和夜间LST的动态，为局地热变异性及其环境控制因素提供了重要证据。因此，尽管已经存在重要的城市层面证据，但关于白天LST、夜间LST和昼夜LST差如何协同演变，以及它们的主要环境和人为控制因素如何在不同大都市环境中变化的比较证据仍然有限。

长期LST轨迹趋势估计需要能够容纳非正态性、极端观测值和时序变异性的方法。因此，非参数Mann-Kendall检验和Sen斜率适合在不依赖分布假设的情况下识别单调变化（Mann, 1945; Sen, 1968）。然而，仅凭趋势检测无法解释热变化的空间差异。近期的LST研究越来越多地将遥感与机器学习（ML）相结合，以捕捉热、植被、水和建设用地条件之间的非线性关系（Ali et al., 2026; Liu et al., 2026; Zafar et al., 2025），而SHapley加性解释（SHAP）通过量化预测因子贡献的幅度和方向来提高可解释性（Lundberg & Lee, 2017）。据此，本研究将趋势估计、基于机器学习的驱动因素建模和SHAP归因相结合，在统一的空间显式跨城市框架内考察长期白天、夜间和昼夜LST轨迹，并将所得到的驱动特征综合为可比的热过程机制，而非提出新算法。因此，主要贡献是一个从轨迹到机制的框架，将长期白天、夜间和昼夜LST变化与空间变化的驱动特征联系起来，并将其综合为可比的热过程机制。本研究以班加罗尔、金奈、德里、加尔各答和孟买2001—2025年为案例，旨在：
i. 量化和比较印度五大都市地区白天LST、夜间LST及昼夜LST差的长期空间显式趋势；
ii. 识别和归因这些LST趋势的主要环境和人为驱动因素；以及
iii. 推导空间一致的城市热机制类型学，为不同大都市背景下主要城市热过程提供具有物理可解释性和可操作性的特征描述。

研究区域：本研究基于印度五大主要都市地区，即德里、孟买、加尔各答、班加罗尔和金奈（图1）。这些城市分布于不同的气候条件、城市形态、社会经济特征和生态背景之下，使其适合研究快速城市化环境中白天和夜间LST的长期动态。这些城市总人口超过6700万，是重要的经济活动中心。

印度大都市地区白天和夜间LST的长期动态及分布特征：五大都市地区白天和夜间LST呈现截然不同的长期轨迹（图3A1–A2）。白天LST在班加罗尔、金奈和孟买总体上呈下降趋势，而加尔各答表现出持续暖化趋势，德里则相对稳定，年际变幅较小。相比之下，夜间LST在所有城市中均持续上升，其中孟买和加尔各答的暖化最为显著。班加罗尔和金奈也经历了逐步的……

讨论：本研究考察了印度五大主要大都市地区白天、夜间和昼夜LST的动态。研究包含三个主要方面：趋势分析、可解释机器学习和基于SHAP的LST热机制分类。结果表明，生物物理、气候和人为变量在主要大都市地区与热趋势之间存在不同的统计关系。夜间LST在所有五个……

结论：本研究建立了一个综合框架，利用非参数趋势分析、可解释机器学习和基于SHAP的热机制分类，评估印度五大主要大都市地区白天、夜间和昼夜LST的长期动态。主要发现是显著的白天—夜间分化。白天LST在班加罗尔、金奈和孟买呈下降趋势，在德里相对稳定，在加尔各答呈上升趋势，而夜间LST在……

作者贡献声明（CRediT）：Anirban Kundu：原创草稿撰写、可视化、验证、软件、方法论、调查研究、形式化分析、数据整理、概念设计。Sreya Mukherjee：原创草稿撰写、可视化、验证、软件、方法论、调查研究、形式化分析、数据整理。Sayani Mukhopadhyay：审阅与编辑、验证、监督、调查研究

未引用参考文献：Chen et al., 2024; Liu et al., 2021; Wang et al., 2022

人类/动物研究声明：本研究未涉及人类参与者或动物的研究。

因此，伦理审批和知情同意不适用。利益冲突声明? 作者声明，他们没有已知的竞争性经济利益或可能影响本文所报告工作的个人关系。Anirban Kundu | Sreya Mukherjee | Sayani Mukhopadhyay，印度西孟加拉邦加尔各答Shyama Prasad Mukherjee路92号Asutosh College地理系，邮编：700026。