面向半干旱城市热岛（UHI）缓解的可解释人工智能（XAI）绿色基础设施优先配置预测框架：地图补全R2=0.879、地理迁移R2=0.648与适用域检验

《Sustainable Cities and Society》：Explainable AI for Targeted Green Infrastructure Allocation: A Predictive Framework for Urban Heat Island Mitigation

　　

非热预测因子（non-thermal predictors）解释空间迁移下的半干旱城市地表热。单一模型：地图补全（map completion）的R²为0.879，地理迁移（geographic transfer）的R²为0.648。人为、邻近性与配置预测因子（anthropogenic, proximity and configuration predictors）在城市单元（city cells）中占主导，比例为81.4%。模型排序的选址（model-ranked siting）在7.6%的面积上覆盖42.5%的热热点（heat hotspots），为随机选址的5.6倍。全部15种绿化配置（greening configurations）均超过模型的适用域（area of applicability）界限。

该研究发表于《Sustainable Cities and Society》，由 Nima Mohammadi、Amir Reza Bakhshi Lomer、Aziz Azizpour、Mohsen Mirmohammadi 和 Soroush Abolfathi 完成，围绕半干旱城市热岛（Urban Heat Island, UHI）缓解与绿色基础设施优先配置，构建可解释人工智能（Explainable Artificial Intelligence, XAI）预测框架。研究背景在于，快速城市化以混凝土、沥青和密集建筑替代自然地表，改变城市地表能量平衡，增加吸热、降低蒸发蒸腾、限制自然通风并抑制冷却过程。半干旱城市蒸发冷却路径受限，土壤水分全年多数时间较低，植被冷却依赖灌溉供水；伊朗Shiraz为半干旱山间城市，夏季干热，传统花园、果园和农业区被住宅、商业和交通不透水面替代，热异质性增强。现有问题包括：传统统计与过程模型难以充分表达城市热系统的非线性、高维和交互特征；多数机器学习UHI研究为单城市，随机像素级验证测度的是相邻像元插值而非未见位置预测；绿化场景分析常未在解释预测前检验模型适用域（area of applicability）；半干旱城市研究相对不足。因此，研究人员以Shiraz为案例，整合多源地理空间数据，构建统一90 m网格，目标为局部地表热异常（local surface thermal anomaly，即每个分析单元地表温度减去2.5 km高斯加权局部均值），使用72个预测因子并排除绝对地表温度（Land Surface Temperature, LST）。研究采用直方图梯度提升回归器（histogram gradient-boosting regressor），在2 km块和2 km缓冲的空间块交叉验证下区分地图补全（map completion）与地理迁移（geographic transfer），并结合SHAP归因、分割保形预测（split-conformal prediction）区间、适用域检验和等面积绿化反事实（counterfactual）分析。结论表明，地理迁移水平由数据和验证设计决定而非学习器选择；人为、邻近和配置预测因子族主导归因；热点排序优于随机但非识别全部热点；所有15种绿化配置均超出模型适用域，故不报告冷却幅度。其意义在于提供半干旱城市针对性绿化优先排序工具，并通过适用域检验决定数据驱动城市热模型能否用于场景评价。

关键技术方法不超过250字：数据来源包括Landsat 8 OLI/TIRS Collection 2 Level-2（2013—2022年夏季，30 m反射、100 m热红外，90 m建模）、MODIS Terra MOD11A1、ASTER GDEM、GHSL、伊朗统计中心2016年人口、IRIMO台站（1956—2012年仅气候背景）、GADM边界及道路和河流遗留矢量。方法将多源数据统一至UTM 39N、90 m网格，构建局部地表热异常目标和72个预测因子；采用直方图梯度提升，比较随机森林（Random Forest, RF）、LightGBM、XGBoost、CatBoost、极端随机树、支持向量回归（support-vector regression, SVR）和人工神经网络（artificial neural network, ANN）；以2 km块和2 km缓冲进行空间块交叉验证（5个划分种子×10折）；使用SHAP、分割保形预测、适用域和等面积绿化反事实。

研究结果保留原文小标题。3.1 Predictive performance under two estimands：在随机十折重采样下，保留模型达到R²=0.879（RMSE 1.08°C，MAE 0.83°C）；在2 km块、2 km缓冲的空间块交叉验证下，达到R²=0.648（RMSE 1.76°C，MAE 1.38°C），两者相差0.231，匹配训练量诊断表明训练集减少仅贡献总差异约3%，主要来自测试区地理分离和排除邻近像元；参考值显示土地覆盖类均值R²=0.325、仅坐标R²=-0.519、四象限迁移R²=0.602，加入绝对LST会使中间配置转移R²从0.556升至0.786。结论是地图补全与地理迁移回答不同问题。3.2 Model families, configuration and modelling support：五种树集成在相同50折上R²为0.640—0.649，差异很小；随机森林为0.643，SVR在中间配置为0.463，ANN在地理迁移下不收敛；配置比较中30 m基线为0.566，90 m块平均为0.599，全72预测因子90 m为0.648。结论是转移水平由数据和验证设计决定。3.3 Predictor attribution：SHAP显示裸地类比例和人口密度平均绝对SHAP最大，族层面人为、邻近和景观配置预测因子族份额0.355，并在81.4%城市单元中局部主导；植被族0.208，建成和不透水族0.179，光谱0.105，地形0.091，三维建筑0.061；份额空间异质，不报告规划阈值。结论为归因是拟合模型内关联而非因果。3.4 Hotspot detection at equal treated area：热点定义为热异常上十分位，地理迁移下精确率-召回率AUC为0.489，地图补全为0.801；等面积处理下，处理7.6%面积可召回42.5%热点，为随机选址5.6倍，精确率0.613、F1为0.374。结论是排序可用于有限预算优先化，但不能识别全部热点。3.5 Prediction intervals and the area of applicability：空间留块分割保形预测的90%区间覆盖0.874，平均宽度5.79°C；地图补全覆盖0.902，宽度3.56°C；适用域阈值差异指数为0.128，99.1%观测城市单元位于域内，域外交叉验证单元RMSE为2.08°C，域内为1.71°C。结论是单胞预测约±3°C，适用域可追踪误差。3.6 Greening counterfactuals and the applicability test：将900个单元（7.29 km²，占8,998个合格单元的10%）转为植被，在五种分配策略和三种转换强度下，15种组合均超过10%适用域限，域外比例14.8%—97.9%，故不报告预测冷却；68.3%的差异来自更新规则保持固定的预测因子；选址比较中，暴露感知策略比热点目标策略平均低0.267°C，但达到其23.5倍人口密度，二者共享532个单元；水耗为每季1.66—8.29百万m³，占城市再生水分配5.6%—28.1%。结论是在该预算和更新规则下模型不能用于预测这些绿化场景的冷却。

讨论部分总结为：同一模型在随机验证与空间迁移验证下差异显著，后者才对应优先排序工具的未训练位置预测问题；目标衍生预测因子会显著高估环境预测因子的解释力。归因说明模型使用何种预测因子，而非因果机制；半干旱城市植被关联同时包含灌溉关联，向未灌溉单元转移正是适用域检验所检测的外推。适用域检验改变机器学习绿化场景分析可声称的内容，任何数据驱动反事实均假设受干预单元类似训练单元。绿化还带来水成本，种植规格和灌溉方式影响显著。规划可用输出包括优先排序面、给定预算下热点召回和等面积策略比较。限制包括90 m支持、局部异常无法表示空间溢出、三维建筑描述符粗糙、无热舒适或公共健康结果、单一年份土地覆盖和人口层、日间夏季目标、仅以MODIS佐证、迁移估计为有界量、单城市和单预算及单更新规则。

研究结论部分翻译：本研究开发了一个可解释机器学习框架，用于半干旱城市绿化优先排序。目标为Shiraz局部地表热异常，基于十年夏季Landsat Collection 2 Level-2地表温度并以90 m支持构建，由72个预测因子预测，且因目标由绝对地表温度导出而排除绝对地表温度。两个结果界定框架用途：随机重采样下保留的梯度提升模型达到R²=0.879；在2 km块和2 km缓冲的空间块交叉验证下达到0.648（RMSE 1.76°C），五种测试树集成共享该水平，匹配训练量诊断表明训练集耗竭仅贡献差异的小部分。两个数值均报告，因为它们回答不同问题，第二个描述向模型未见城市部分的迁移。归因识别裸地比例和人口密度为领先预测因子，族层面人为、邻近和景观配置预测因子为领先关联，其后为植被和建成预测因子，份额空间变化且无因果解释。等面积处理下热点检测恢复42.5%上十分位单元，为随机选址5.6倍；约±3°C的保形预测区间覆盖0.874保留单元，名义水平为0.90。研究人员未报告任何绿化反事实的冷却幅度；在解释任何预测响应前应用适用域检验，显示在测试的预测因子更新规则下，15种策略-强度组合均使15%—98%处理单元位于模型适用域外。该分析支持基于观测标准的行动排序，并显示热目标和暴露目标在等面积处理下选择不同地点。因此，本工作贡献为半干旱城市针对性绿化优先排序工具，以及决定数据驱动城市热模型能否用于评价场景的适用域检验。未来工作应获取土地覆盖独立参考样本、同期气温记录和建筑级形态，在其他城市重复缓冲空间设计后再断言向Shiraz以外迁移，并将优先排序面与可回答统计模型不能回答问题的过程冷却模型及半干旱绿化灌溉需求耦合。