《Sustainable Cities and Society》：Investigating the Nonlinear and Spatially Heterogeneous Impacts of Urban Form on Land Surface Temperature Using Geographic Explainable Artificial Intelligence
编辑推荐：
•我们利用地理时空加权随机森林–GeoShapley方法，捕捉了城市形态与地表温度（LST）之间非线性和时空异质性的关系。•建成区密度和城市紧凑度对建成区地表温度表现出日益增强的正向贡献。•研究结果支持因地制宜的城市热缓解和韧性规划策略。引言快速城市化显著改变了土地利用模式和
- •
我们利用地理时空加权随机森林–GeoShapley方法，捕捉了城市形态与地表温度（LST）之间非线性和时空异质性的关系。
- •
建成区密度和城市紧凑度对建成区地表温度表现出日益增强的正向贡献。
- •
研究结果支持因地制宜的城市热缓解和韧性规划策略。
引言
快速城市化显著改变了土地利用模式和空间结构，加剧了局部热环境（Fan等，2024）：自然地表转变为不透水材料、植被减少以及空间重组，通过改变辐射特性和能量交换使地表温度（LST）升高（Zeng等，2025），加剧了城市热胁迫，对快速城市化地区的公共健康、能源需求和生态可持续性构成重大挑战（Pramanik等，2022）。作为城市热环境的核心指标，LST反映了土地利用构成、城市形态与大气因素之间的复杂相互作用；土地利用变化，尤其是植被地被转变为建成表面，是该时空变异性的重要驱动因素（Tanoori等，2024）。城市形态，特别是紧凑度，发挥着关键作用：高密度、低植被区域通过减少通风和增加人为热排放而加剧热效应（H. Liu等，2021），而碎片化或多中心发展则分散了热积聚，产生相对较低的局部热胁迫（J. Yang等，2025）。早期全球或线性模型未能捕捉这种空间异质性。地理加权回归（GWR）及其时空扩展（GTWR）通过揭示空间异质性和非平稳的热过程，实现了更精确的时空特异性建模（Y. Lu等，2021）。然而，线性模型在捕捉城市形态对LST的非线性效应和阈值效应方面仍可能受限，而机器学习与可解释人工智能方法已越来越多地识别出这些效应（Feng等，2024；Wang等，2026）。同时，机器学习（ML）技术因建模复杂非线性关系和交互作用的能力而备受关注，但传统全局机器学习模型未明确考虑空间非平稳性，且往往提供有限的地理可解释性，限制了其刻画空间异质城市系统的能力（Ming等，2024；Wang等，2025）。因此，一个关键挑战依然存在：开发能够同时揭示城市形态因子在何处产生不同热影响以及这些关系如何随时间变化的分析方法。
为应对这一挑战，本研究开发了一种地理可解释人工智能（Geo-XAI）框架，整合了基于GTWR的时空建模、基于随机森林（RF）的非线性学习以及基于GeoShapley的归因解释。该框架的设计目的是刻画空间变化和时空演化的城市形态–LST关系，而非将这种整合本身作为主要贡献。混合空间–机器学习–可解释人工智能方法最近已在城市热研究中涌现（Ming等，2024；Wang等，2025），但大多数将SHAP或类似归因方法应用于本身不编码显式时空权重的模型，因此空间上下文是事后推断而非结构性嵌入。在本框架中，时空上下文通过局部加权的GTWRF预测器引入。由此模型得出的归因值因此继承了该上下文，同时GeoShapley被用来使位置相关贡献和特征–位置交互作用变得显式且可分离。这使能够识别局部化的热关系、非线性转变模式和地理上变化的城市形态因子贡献。核心目标是刻画时空非平稳性、非线性关系和局部特征贡献，以探究城市形态–LST关系如何在空间和时间上变化。具体目标包括：（i）探索LST的空间分布及其与关键城市形态指标的关联；（ii）利用GTWRF框架考察空间异质性和非平稳性；以及（iii）通过基于GeoShapley的可解释性刻画非线性和阈值敏感响应模式。贡献有三方面：首先，提供了城市形态–LST关系如何随空间和时间变化而非均匀变化的实证证据；其次，识别了非线性响应模式和依赖环境的转变点，这些是传统线性或空间平均方法无法充分捕捉的；第三，对城市形态贡献进行了地理显式的解释，为因地制宜的热缓解策略提供了可解释的见解。通过将时空建模、非线性学习和可解释分析相结合，该框架推进了对城市热动力学的理解。
各章节摘要
城市形态与地表温度的关系
城市形态与LST之间的关系因其对城市气候调节的影响而受到广泛关注。在该文献中，三种模式表现出较为一致的规律：建成区密度（BUD）和紧凑度几乎普遍与升温相关，植被则与降温相关，且这两种关系随本地环境显著变化（Raj & Yun，2025）。分歧更多集中在函数形式和量级上，而非方向上，一些研究报告了近似线性的关系。
研究区域
本研究聚焦于也门首都萨那，不包括其东北部地区（图1）。选择该区域作为研究区主要有两个原因。第一，在过去三十年中，土地利用变化，尤其是植被和耕地的转变为不透水表面，与LST升高相关。第二，由于该市缺乏系统的气候监测基础设施，卫星存档是重建长期LST的主要且最可靠的来源。
方法
分析流程包含三个不同组成部分：GTWR作为局部线性基准，GTWRF作为以时空加权邻域训练的非线性预测器，以及GeoShapley作为事后归因程序（图2）。该框架分为四个阶段进行。首先，从多源地理空间数据（包括土地利用分类和辅助数据集）中推导城市形态指标，生成按网格组织的五因子LST驱动框架面板数据集。
模型的评估与验证
使用相同的留出空间块框架对GTWR、全局RF和GTWRF进行了比较评估（表2）。报告的值代表样本外测试性能，而非局部拟合统计量。GTWRF的R2 = 0.94，RMSE = 1.32°C，而GTWR的R2 = 0.89，RMSE = 1.56°C，全局RF的R2 = 0.69，RMSE = 2.67°C，分别对应RMSE降低15.4%和50.6%。全局RF将所有观测值合并为单一响应。
空间异质的城市形态–LST关系
热演化反映了两个并发过程：既有城市核心的热效应加剧以及向过渡发展区的外扩。从2005年到2025年，LST高于25°C的区域面积从22%增加到47%，高于32°C的区域从5%增加到17%，建设用地的比例从25.6%增加到38.4%。重要的是，热负担与建成环境归因并未按相同比例变化，这与城市形态贡献随本地空间环境变化的证据一致。
结论
本研究在2005年、2015年和2025年利用整合的GTWR、局部RF、GTWRF和GeoShapley框架考察了萨那的城市形态–LST关系。在此期间，研究区域中LST高于25°C的比例从22%增加到47%，建设用地的比例从25.6%扩大到38.4%。以建成环境指标为主的网格单元从约28%增加到50%。NDBI的平均绝对GeoShapley贡献从0.52上升到0.60，COMPACT从0.40上升到0.50。
未引用参考文献
Gao等，2026；Ji等，2026；Ma等，2025；Dammag等，2023。
资金
作者未从任何组织获得本研究提交工作的资金支持。
CRediT作者贡献声明
Abdulkarem Qasem Dammag：撰写——初稿、可视化、方法、调查、形式化分析、数据整理、概念化。Zhou Xingang：撰写——审稿与编辑、监督、资源、方法、资金获取、概念化。Gao Sihang：撰写——审稿与编辑。Basema Qasim Derhem Dammag：撰写——审稿与编辑、形式化分析、数据整理。
利益冲突声明
作者声明不存在可能影响研究结果客观性或完整性的财务利益冲突或个人关系。
Abdulkarem Qasem Dammag|Zhou Xingang|Gao Sihang|Basema Qasim Derhem Dammag
