从预测到干预：城市景观构成与三维形态对地表温度的季节性和昼夜性影响

《Sustainable Cities and Society》：From prediction to intervention: Seasonal and diurnal effects of urban landscape composition and three-dimensional form on land surface temperature

　　•该框架将预测重要性与因果干预效应区分开来。•在夏季，用水替代不透水覆盖物可使日间地表温度（LST）每增加1个单位降低0.041°C。•建筑占地面积的增加会升高日间LST，而树木高度的增加则会降低LST，这种影响在建成区更为明显。•草地和作物的影响在白天和夜晚以及不同城市环境中会有所不同。•海拔和夜间灯光对预测结果有显著影响，但它们并不表明具体的干预措施。

引言
热量是在局部感受到的，但其原因和后果远远超出了卫星图像上一个热点的范围。高城市温度增加了降温需求，缩短了户外工作的安全时间，并加剧了那些无法轻易避免暴露于高温环境的人的健康风险。这种能量不平衡的现象已经得到了充分证实：城市材料改变了辐射和热量储存方式，建筑形式改变了湍流交换，蒸散表面的减少降低了潜热通量（Oke, 1982）。如今，这些机制在城市中的作用比城市能量平衡框架最初提出时更加显著，因为现在的城市规模更大、人口更密集，且受到气候影响更为强烈。最近的死亡率和健康影响评估表明，城市温差具有可测量的社会成本，而绿化城市可以部分缓解这一负担（Huang et al., 2023; Iungman et al., 2023）。因此，热缓解已成为一个规划问题。相关的证据必须指出哪些景观变化可能会改变温度，何时这种变化会重要，以及同样的干预措施在不同地点可能会有不同的效果。在这一阶段，卫星地表温度（LST）特别有用，因为它可以观测到整个大区域内的屋顶、道路、土壤、植被和水的空间分布。虽然LST不是室内温度或生理热应激的直接指标，但它能识别出地表能量平衡发生改变的地方以及室外和建筑物的热负荷可能集中的区域。全球城市比较、能源评估和热健康研究越来越多地将这种表面模式与适应措施联系起来（X. Deng et al., 2024; Haddad et al., 2024; Huang et al., 2023）。政策难点在于如何从热点的地图过渡到关于如何改变这些热点的可靠结论。一个凉爽的森林高地和一个炎热的商业中心在海拔、降雨量、开发历史和形态上都有所不同；简单地比较它们的温度无法揭示在商业中心植树的效果。以干预措施为导向的研究需要在可能接受不同景观处理的不同地点之间进行更细致的比较。

大量研究已经解释了为什么植被、水和城市形态很重要。树木可以通过遮荫和蒸散发作用降低地表温度，其效果取决于气候、树冠特性和城市形态（He et al., 2024; H. Li et al., 2024）。相关的空气温度测量显示，树冠与不透水表面的相互作用随规模和一天中的时间而变化（Ziter et al., 2019）。蓝色基础设施可以通过蒸发和热对比来冷却周围的土地，尽管其影响范围受水体几何形状、风速和接收城市环境的制约（Kumar et al., 2024; Sun et al., 2025; Yang et al., 2025）。建筑物增加了储热表面并改变了通风方式，但高度及其变化也会产生阴影，因此两个具有相似建筑比例的地方在白天或夜晚的热响应可能不同（Li and Cheng, 2024; Lin et al., 2024; Q. Wang et al., 2024）。季节性物候、土壤湿度和太阳几何形状进一步影响了这些过程的平衡（Liu et al., 2024a; Naserikia et al., 2023; Yan et al., 2024）。从这些文献中得出的最强烈结论是条件性的而非普遍性的：一个景观元素的热效应并不独立于季节、一天中的时间、规模和环境背景。

机器学习有助于描述这种条件性。随机森林能够适应非线性响应表面和高阶交互作用，而无需强加一个全球性的斜率（Liu et al., 2024b; Wang et al., 2022）；图注意力网络则为建模土地利用与LST之间的空间关系提供了补充方法（Xu et al., 2025）。区域应用证实了这种描述能力：机器学习模型追踪了北京-天津-河北城市群的地表温度演变和热浪模式（Liu and Zhang, 2026），通过热场指数将城市扩张与季节性热环境变化联系起来（M. Zhang et al., 2024），并将季节性LST变化与更广泛的生态结果（如植被生产力）联系起来（A. Wang et al., 2024）。SHAP值可以将拟合预测分解为各个特征的作用，边际曲线则显示预测在不同观测范围内的变化（Li et al., 2026; Lundberg and Lee, 2017; Snaiki and Merabtine, 2025; Su et al., 2025; Tahooni et al., 2025）。这些工具对于绘图和诊断非常有用。它们可以揭示海拔在某个季节占主导地位，夜间灯光在日落后变得重要，或者响应在样本的某个部分发生变化。然而，这些工具的解释仅限于预测模型本身。一个特征可能因为代表了位置、开发历史或区域气候而在评估中排在高位；即使改变该特征也不会产生相同的温度响应，也可能出现平滑的SHAP模式。空间上的随机训练-测试分割使得问题复杂化，因为附近的观测值具有相似的环境历史，从而使得地理转移看起来比实际情况更容易（Roberts et al., 2017）。空间聚合和分析尺度也会影响景观与LST之间的关系（H. Deng et al., 2024; Zhang and Xia, 2024）。

干预措施的问题更为复杂。土地覆盖类别是组合性的，因此增加某一类别必然会取代另一个类别。许多类别还包含大量零值，这使得存在与否以及存在状态下的变化成为不同的估计对象。传统的回归方法和事后解释很少能同时说明这两种情况。因果森林通过结合正交化的结果模型和处理模型以及自适应的数据驱动邻域，从而在测量到的混杂因素和重叠假设下估计平均和处理效应（Athey et al., 2019; Chernozhukov et al., 2018; Wager and Athey, 2018）。这种方法虽然没有将观测数据变成实验，但它使比较变得更加明确，并能揭示证据薄弱的地方。城市热研究包括预测性的空间归因和交互作用分析（Ye et al., 2026; Zhang et al., 2026）、使用收敛交叉映射的因果归因（Rahmatollahi et al., 2026），以及使用广义随机森林估算景观替代效应（Q. Wang et al., 2026）。空间DML也已应用于绿化带来的经济协同效益，其中LST作为中介变量（Han and Wu, 2026）。在这里，我们比较了四个季节以及白天和夜晚的相同处理措施，并使用了一个固定的组合参考。关于草地和农田的证据特别容易产生歧义，因为这些类别与灌溉、物候、城市位置以及它们所替代的表面共同变化。解释这些效应时需要考虑三种类型的异质性：基线异质性意味着相同的土地覆盖变化发生在不同的气候、地形和城市强度下；处理异质性意味着一个标记的类别包含不同的物理形态，例如灌溉作物和自然生长的作物或成熟树木和幼树；效应异质性意味着热响应本身在这些基线和处理版本之间也会变化。区域平均值会掩盖这三者；一个灵活的预测模型可以描述它们的综合模式，但无法单独隔离某个干预措施。因此，在解释数值效应之前，必须明确处理单元、参考表面、符合条件的样本和调整集。这一要求也是防止结果偏向于某个理想冷却方向的保障：物理预期指导问题和诊断，但观察到的差异决定了最终的估计结果。

本研究回答了三个问题：首先，哪些景观和背景变量能够一致地组织季节性的日间和夜间LST表面，这些关联在空间验证下的稳定性如何？其次，用树木、草地、作物、裸地、水或建筑物覆盖替代不透水覆盖物，以及增加建筑占地面积、高度变化或树木高度的平均效应是什么？第三，这些效应在处理范围内以及建成区和自然区之间如何变化？我们使用全局随机森林、SHAP和LOWESS分析（经过方差膨胀筛查）来回答第一个问题；使用双重机器学习和因果森林来回答第二个和第三个问题。这两种分析共享数据和时间点，但解释结果不同。这种分离允许某个变量在预测上重要，而不必被描述为强烈的干预措施，并允许一个适度的区域平均值与局部有意义的效果共存。该分析区分了预测重要性、平均处理效应和跨季节-昼夜环境的处理效应异质性。固定的处理顺序、单位和面板几何形状使得符号变化变得可见，而不是让每个季节都突出不同的有利结果。我们检查了弱树木覆盖平均值以及正的日间草地或作物估计值，并考虑了它们与背景和数据支持的关系。这为从观察结果到规划提供了一个更清晰的路径：广泛的驱动因素描述了热量的分布情况，处理效应识别出得到支持的变化，而异质性则显示了需要调整的区域建议。

研究区域
广东-香港-澳门大湾区（GBA）位于珠江口周围，面积约为55,900平方公里，包括香港、澳门和广东省的九个市镇。其湿润的亚热带气候、漫长的温暖季节和季风降水造成了持续的热适应需求，而该地区的景观在一个相连的城市系统中提供了异常强烈的热对比。密集的大都市走廊贯穿广州、佛山、东莞和深圳。

方法论框架
工作流程在保持所有八个季节-昼夜环境下的证据基础不变的同时，区分了关联性和因果推断（图2）。在协调了LST、土地覆盖、三维形态、活动、人口、地形、降水和空间背景之后，关联分支使用了VIF筛选的全局随机森林、空间验证、SHAP和LOWESS来描述拟合的温度表面。因果分支则使用了双重机器学习和因果森林。

时空模式下的土地表面温度
季节循环主导了区域温度范围（图3）。平均日间LST从春季的29.36°C上升到夏季的37.43°C，秋季回到29.20°C，冬季降至22.12°C。夜间平均值遵循相同的顺序，但温暖季节的对比度较小：分别为24.78°C、28.74°C、21.83°C和13.53°C。夏季白天形成了最明显和最广泛的高温带，而冬季夜间则产生了最低的区域表面温度。

景观组成与替代效应的含义
水和建筑物覆盖产生了最稳定的日间替代效应。在一个单位的土地上增加水替代了一个单位的不透水表面，在夏季可使温度降低0.041°C；几乎整个样本中都出现了负的夏季日间CATE点估计值。关于绿色和蓝色基础设施的研究报告了依赖于具体环境的熱效应，包括白天的降温效果以及相邻建筑表面没有显著降温的情况（Kumar et al., 2024; S. Li et al., 2024）。

结论
在四个季节和两个观测期间，GBA的地表温度主要受海拔、夜间灯光、降水和建筑物覆盖的影响，但空间块验证显示预测强度在地理上并不均匀。因果估计为干预提供了更具体的依据：用水替代不透水覆盖物可以一致地降低日间LST，增加建筑占地面积会升高LST，树木覆盖有降温效果，而树木高度的估计...

CRediT作者贡献声明
XXX：概念化、方法论、软件、正式分析、可视化、撰写——原始草稿。XXX：概念化、监督、验证、撰写——审阅和编辑。

利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

数据和代码可用性
支持本研究发现的数据和代码可向 Corresponding Author 提供，如有合理请求。

未引用的参考文献
Li et al., 2024, Li et al., 2024, Wang et al., 2024, Wang, Wang, Fan and Wang, 2026, Wang et al., 2024, Deng, Liu, Feng and Xiong, 2024, Zhang, Tan, Zhang and Chen, 2024

CRediT作者贡献声明
Lingchao Meng：撰写——原始草稿，验证，正式分析，概念化。Haitao Wang：撰写——审阅与编辑，可视化，软件，方法论，概念化。

利益冲突声明
我已阅读并理解了您期刊的政策，并认为手稿和研究均没有违反任何一项政策。不存在需要声明的利益冲突。

致谢
本研究没有获得公共部门、商业部门或非营利部门的任何特定资助。