结合地表与冠层信号的综合城市热岛指标：来自 13 个日本城市的证据

《Sustainable Cities and Society》：An Integrated Urban Heat Island Metric Combining Surface and Canopy Signals: Evidence from 13 Japanese Cities

　　

# 基于贝叶斯层级模型整合SUHI与CUHI研究

**主要贡献：**
- 利用贝叶斯层级模型整合地表城市热岛（SUHI）与树冠层城市热岛（CUHI）
- 开发新的综合城市热岛指数（IUHI）
- 日本13个城市月度数据支持具有不确定性感知的IUHI估计
- IUHI在基于阈值的WBGT暴露比较中展现出最清晰的比较价值

## 引言

在全球变暖和快速城市化的背景下，城市热岛（UHI）效应已成为影响城市生态环境、居民健康与可持续发展的重要问题。现有研究通常使用两类指标来表征城市热岛现象：一类是树冠层城市热岛（CUHI），其来源于近地面气象观测；另一类是地表城市热岛（SUHI），基于地表温度（LST）反演。

CUHI概念源自经典城市气候学，其聚焦于城市区域近地面空气的增温现象。其核心在于刻画城市树冠层内气温相对于周边非城区的升高幅度；因此，CUHI能更直接地反映人类所经历的热环境与热暴露。随着城市化加速，研究者逐渐认识到，下垫面变化、城市几何形态强化、通风受限、人为热排放增加以及地表能量再分配等因素共同推动了城市近地面气温的上升，从而促进了CUHI概念的发展与完善。CUHI主要基于气象站的气温观测数据，能更直接地对应人类热暴露及热相关健康风险；因此，在公共卫生研究、高温预警系统及热舒适度评估中具有更强的解释力（Cleland et al., 2023）。然而，CUHI的局限性主要体现在观测系统方面：气象站通常空间稀疏，且不同地理环境中站点受局地环境影响显著，这在一定程度上挑战了城乡温差的计算精度。这一问题在构建城市层面面板数据时尤为突出，郊区参考站不足或站点分布不均是其常见问题（Wenqian et al., 2023; Du et al., 2026）。此外，不同数据来源在平滑程度和偏差结构上的差异，也可能进一步影响CUHI强度的可比性及其时空变化特征（Romero Rodríguez et al., 2020; Agrawal et al., 2026）。

与CUHI相比，SUHI的核心优势在于其空间连续性与可扩展性：卫星反演的LST可提供大范围一致的覆盖，使SUHI适用于跨城市、跨区域的比较及长期监测（Wang et al., 2025; Li et al., 2023）。同时，SUHI对下垫面形态与结构变化（如地表材料、植被和水体等）高度敏感，因此常被用于评估城市扩张、蓝绿基础设施配置及城市形态优化对热环境的影响（Zhang et al., 2025; He et al., 2023）。然而，SUHI的关键局限性也十分明确：它反映的是地表温度的差异，而非人们生活与活动高度处的空气温度差异，尤其在白天或建成区密集的区域更为明显（Naserikia et al., 2023; Schwarz et al., 2012）。此外，SUHI还面临方法论上的不确定性，包括卫星过境时间差异带来的误差、采样偏差，以及多云或阴雨区域因云量过大或数据质量控制程序导致的观测结构性缺失。这些问题可能在综合比较研究和跨城市模型中被放大，从而影响指标的可比性和归因分析的稳健性。研究表明，SUHI与CUHI在强度、日变化及驱动因素上可能存在显著差异。两者之间的差异并非仅由观测误差导致，也反映了物理过程与动态机制的差异。例如，局地空气平流可改变树冠层气温的热环境，而不一定同步改变地表温度分布，从而导致SUHI与CUHI在日变化动态和空间格局上出现显著差异（Wang et al., 2020）。大样本比较研究进一步表明，SUHI与CUHI之间的差异具有系统性：其强度差异、日变化特征及主导控制因素可能随背景气候、城市形态和下垫面条件而发生显著变化（Shen et al., 2024）。这意味着，仅依赖单一指标来量化城市热岛效应，很容易导致机制解释上的混乱，同时也可能导致仅针对单一指标制定的缓解策略无法有效减轻城市热岛现象。

近年来，CUHI的研究模型主要集中在体方案（Bulk schemes）、单层城市冠层模型（SLUCMs）以及多层城市冠层模型（Multi-layer UCMs）。体方案主要通过修改地表粗糙度、表征不同建筑材料与不透水面、调节地表反照率来模拟城市热效应（Jandaghian and Berardi, 2020; Ao et al., 2024）。Kusaka等人提出了用于城市热岛模拟的SLUCM，该模型简化了城市地表能量平衡框架，同时明确区分了屋顶、墙壁和道路等典型城市下垫面（Kusaka et al., 2001）。Jian Hang等人证明，修改城市几何形态可影响太阳辐射从而缓解CUHI（Hang et al., 2024; Xue et al., 2020）。Marcos等人通过将植被冠层整合进城市冠层模型，进一步纳入了蒸发、蒸腾、土壤湿度和树木遮阴效应，从而能够更真实地模拟行道树和绿地对局地热环境的调节作用（Morais et al., 2016）。多层城市冠层模型由Martilli等人提出，基于城市地表交换过程的参数化，进一步刻画了建筑物与大气边界层之间的垂直能量交换（An Urban Surface Exchange Parameterisation for Mesoscale Models）。

SUHI源自LST反演，主要依赖遥感观测来捕捉城市区域与其周边区域之间的地表温度差异。由于其广阔的空间覆盖范围和良好的时空连续性，SUHI已被广泛应用于城市热模式识别、土地利用变化分析及区域尺度热风险评估。现有SUHI相关模型大致可分为五类。第一类是LST反演与热岛强度表征模型，基于Landsat和MODIS等遥感数据，这些模型首先反演LST，然后利用城乡温差或局地气候区间差异来定义SUHI强度（Han et al., 2023）。第二类是基于地表能量平衡的物理模型，这些模型将SUHI视为城市化导致的地表能量平衡变化的结果，重点关注净辐射、感热通量、潜热通量、热存储以及长波与短波辐射交换等过程（Friedl, 2002; Guo et al., 2024）。部分研究直接采用地表能量平衡框架来解释SUHI的形成，而另一些则采用双层能量平衡模型来刻画复杂的地表热过程，表明SUHI的物理本质在于城市地表能量的再分配。第三类是统计回归与经验模型，这些模型通常利用不透水面比例、植被指数、反照率、蒸散发、土地利用类型或城市化强度等变量，建立SUHI或LST与下垫面特征之间的统计关系。例如，一些研究以城乡梯度和不透水面面积作为解释变量，通过线性回归估计SUHI强度，而另一些则采用地理加权回归和多尺度回归来识别驱动因素的时空异质性（Shi et al., 2023）。第四类是多源数据融合与尺度转换模型，鉴于城市热环境的显著尺度敏感性，一些近期研究开始整合多源遥感数据、再分析产品和地理空间信息，并通过降尺度或层级方法来提高SUHI估计的精度（Zhang et al., 2023）。例如，近期研究提出了基于地表能量平衡的LST降尺度方法，以更好地捕捉城市环境中复杂的热过程。第五类是机器学习与预测模型，近期综述表明，SUHI研究正逐渐从传统的遥感识别与统计解释，扩展至基于机器学习和深度学习的预测与驱动因素分析，旨在提高热岛检测、制图和情景模拟能力（Ahmed et al., 2025）。

尽管SUHI与CUHI已被广泛用于表征城市热岛强度，但两者在垂直维度、时间响应和主导机制上存在系统性差异。因此，跨城市和跨区域比较中，同一城市的热岛强度估计值可能因所用指标不同而出现显著差异。UHI研究在数据来源、指标定义、城乡参考选取和分析方法上高度多样化。这种方法论上的异质性会显著影响UHI强度的估计和可比性，从而削弱结论的一致性和政策启示的可迁移性（Cheval et al., 2024）。

SUHI与CUHI之间的差异不仅体现在量级上，也反映在它们的时空变化模式中。图1展示了2022年长野（Nagano）CUHI与SUHI的月度变化趋势。针对大型城市样本的分析表明，SUHI与CUHI在夏冬季之间以及昼夜之间的相对大小和滞后特征可能表现出截然不同的甚至相反的变化轨迹（Zhu et al., 2025; Yao et al., 2021）。如果研究仅依赖单一指标，不仅可能导致城市间排名和趋势判断出现偏差，还可能对潜在机制和缓解策略的有效性产生误判（Anniballe et al., 2014; Haiyi et al., 2025）。因此，在以城市为分析单元、面向跨区域比较与机制解释的研究中，需要一种综合指标，能够在统一框架下表征城市热岛状况，同时明确量化不确定性。分别分析SUHI与CUHI可以保留各指标所承载的领域特定物理信息，但无法提供一个综合了地表层与树冠层信息的统一城乡热异常估计值。因此，本研究探讨SUHI与CUHI——两种物理上不同但概念上相关的城市热岛指标——是否能够在概率框架下联合表征，同时保留各自的领域特定信息。这种整合旨在提供一个补充性、综合性的指标，以满足需要统一表征城市热异常的应用需求。

基于上述研究，本研究将IUHI定义为一种潜在的综合城市热岛强度，它在统计上表征了SUHI与CUHI所反映的城乡热异常组分。前者对地表能量平衡和下垫面结构更为敏感，而后者与暴露人群所经历的空气热环境更为密切相关。通过采用层级贝叶斯建模框架，可以在统一指标定义的同时，明确刻画SUHI与CUHI的观测误差结构、数据缺失机制以及层级时空依赖性，从而得到IUHI的后验分布，包括其均值和可信区间。这种对SUHI与CUHI的统一处理增强了城市热岛效应在城市间的可比性。

基于上述分析，现有研究存在以下问题：

**问题一：** 现有研究通常依赖单一UHI指标来表征城市热岛效应。然而，不同指标在物理意义、观测尺度及影响因素敏感性上存在差异。在缺乏统一统计建模框架的情况下，依赖单一指标可能引入系统偏差，从而扭曲对热岛形成机制和缓解措施有效性的解释。

**问题二：** 多城市及跨区域研究需要一致且可比较的方法来表征城市热岛效应。然而，现有研究在指标选择、城乡参考定义、采样时间和数据来源上存在显著差异，使得不同研究之间的城市排名和趋势相关结论难以协调一致。

因此，在保留并分别报告作为具有不同物理意义指标的 SUHI 和 CUHI 的同时，整合二者信息的统一统计框架能够为传统单指标方法提供有价值的表征补充。

问题 3：SUHI 和 CUHI 均不可避免地受到观测误差、缺失数据和指标异质性的影响。现有研究大多停留在点估计层面，缺乏对不确定性的系统量化，难以有效评估推断结论的稳健性与可信度。因此，需要一种既能提供点估计及其对应可信区间的城市热岛表征方法。

基于上述问题，本研究的主要贡献如下：
(1) 针对现有研究依赖单一 UHI 指标且未能联合考虑城市间异质性和观测误差的局限性，本研究开发了一个层次贝叶斯模型。在统一统计框架内，提出的模型表征了不同城市、指标和观测水平之间的关系，从而为城市热岛强度的稳健估计提供了方法学基础。在此基础上，构建了一个新的城市热岛指标。
(2) 基于日本 13 个城市的数据，本研究开发了一个贝叶斯层次模型，其中 SUHI 和 CUHI 被建模为两个具有不同物理意义但均代表城乡温差并链接到潜在 IUHI 的观测通道。独立的观测方程考虑了两种指标在尺度、因子载荷和残差不确定性方面的差异，同时纳入了与城市、月份和环境协变量相关的层次效应。所得到的 IUHI 为城市热岛评估及相关应用提供了补充性的综合表征。
(3) 针对 SUHI 和 CUHI 均不可避免地受到观测误差、缺失数据和指标异质性影响的事实，本研究不仅提供了 IUHI 的点估计，还推导了其可信区间。这使得估计不确定性得以显式量化，并为城市间差异比较及结论的稳健性评估提供了依据。

根据上述研究内容，本研究分为四个阶段，如图 2 所示。首先，收集冠层气温和 LST 数据以计算 CUHI 和 SUHI。此外，其他多源数据，包括时间、地理坐标、风速、湿度和下垫面特征被汇编并进行初步筛选和预处理。最后，构建层次贝叶斯模型以整合 SUHI 和 CUHI，并开发一个新指标，即 IUHI。

章节片段

模型开发
综合城市热岛（IUHI）指数的开发采用贝叶斯层次建模（BHM）方法进行。利用不同城市 SUHI 和 CUHI 的时空变化，辅以相关协变量，以提高 IUHI 的估计精度。尽管日本这 13 个城市在地理分布和经济水平上存在差异，但 SUHI 和 CUHI 之间的耦合机制作为整体

数据收集
研究区域包括 13 个具有代表性的日本城市，跨越显著纬度梯度。提出的指数表征每个城市相对于其周围非城市背景的综合城市热岛强度。鉴于 Landsat 8/9 2 级遥感产品自 2013 年 3 月以来可用，研究期确定为 2013 年 3 月至 2025 年 11 月，时间分辨率为月度。

SUHI 与 CUHI 之间的关系
图 5 显示了 SUHI 和 CUHI 关系中存在显著的城市和季节特异性异质性。当汇总所有观测到的城市 - 月份时，在整个研究期内这两个指标表现出弱正相关。皮尔逊相关系数为 0.20，而斯皮尔曼相关系数为 0.24。在全部四个季节中也发现了正汇总相关性。最强的关系出现在夏季，当时皮尔逊和斯皮尔曼相关系数

结论
本研究整合 SUHI 和 CUHI 开发了综合 IUHI 指数。利用 BHM 框架，我们建立了 IUHI 的驱动力分析模型，将时空因素、气象变量和下垫面特性作为解释协变量纳入。本研究的主要发现总结如下：
(1) 本研究开发了一个三层贝叶斯层次模型，将标准化 SUHI 和 CUHI 整合为两个不同的观测通道

CRediT 作者贡献声明
Xiangquan Wang：写作 – 初稿。Wanxiang Yao：方法论，概念构思。Long Zhou：调查。Huajie Yang：数据管理。Ya'ou Zhang：项目管理。Weijun Gao：监督。

利益冲突声明
作者声明没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢
作者衷心感谢国家自然科学基金（项目编号：52478091）、山东省自然科学基金（项目编号：ZR2025MS924 和 ZR2025QC562）、青岛市级园区培育项目（项目编号：26-1-1-gigg-101-qy）、河北省自然科学基金（项目编号：E2026404007）以及山东省泰山学者青年专家（项目编号：tsqn202306236）的支持。

Xiangquan Wang|Wanxiang Yao|Long Zhou|Huajie Yang|Ya'ou Zhang|Weijun Gao