《ISPRS International Journal of Geo-Information》:Geospatial Prediction of Surface Urban Heat Island Intensity Using an Integrated Remote Sensing–Machine Learning Framework: A Case Study in Hue City, Vietnam
编辑推荐:
地表城市热岛(SUHI)效应由快速城市化与全球气候变化共同驱动,已成为城市环境,尤其是热带沿海城市中备受关注的关键问题。这一日益严峻的挑战要求建立稳健的评估与预测方法,以支持有效的减缓策略与城市规划。本研究提出一种集成遥感与机器学习框架,用于建模并预测SUHI
地表城市热岛(SUHI)效应由快速城市化与全球气候变化共同驱动,已成为城市环境,尤其是热带沿海城市中备受关注的关键问题。这一日益严峻的挑战要求建立稳健的评估与预测方法,以支持有效的减缓策略与城市规划。本研究提出一种集成遥感与机器学习框架,用于建模并预测SUHI强度。研究采用极端梯度提升(XGBoost)模型量化SUHI强度及其与多种条件因子之间的关系,这些因子包括地形变量、土地利用/土地覆盖(LULC)、地表特征(裸地、建成区、树冠及低矮植被密度)以及邻近性变量(距道路、河流、湖泊及海岸线的距离)。研究选取越南顺化市沿海城市核心区作为案例,对2025年旱季的SUHI强度进行建模。基于集成元胞自动机–马尔可夫链–人工神经网络框架生成2035年预测LULC格局,从而在预期城市增长情景下预测SUHI强度。预测结果表明,最大SUHI强度预计将从2025年的12.74 °C上升至2035年的13.55 °C。SUHI强度图有助于识别遭受严重地表热应激的城市内部热岛热点区域。值得注意的是,2035年暴露于强SUHI强度(约大于6 °C)的区域面积预计将较2025年增加10%。上述发现强调了开展针对性SUHI减缓措施的紧迫性,并为研究区域的气候适应性城市规划提供了科学依据。
一、研究背景与研究问题
全球城市化进程在过去数十年持续加速,预计到2050年城市人口占比将接近70%。越南同样经历了由工业化、基础设施建设和农村人口迁移驱动的快速城市扩张,城市人口比例从1990年的约20%上升至2021年的38%以上。顺化市作为越南中北部沿海城市,正处于快速空间扩展之中。快速城市化以不透水面替代自然地表,显著改变局地能量平衡,引发城市热岛(UHI)现象。当通过遥感地表温度(LST)评估时,该热对比被称为地表城市热岛(SUHI)。全球范围内SUHI极端强度已超过16 K,2000至2015年间全球均值增长约10%,对城市居住条件产生严重影响。
现有研究存在以下不足:其一,多数基于卫星的SUHI研究聚焦于北美、欧洲和东亚的特大城市,热带发展中地区的中小沿海城市研究不足;其二,顺化市快速城市化导致LULC剧烈变化,但缺乏将LULC动态与SUHI演变相联系的城市场数据驱动框架;其三,先进机器学习算法与元胞自动机模型在中小型热带城市中心未来SUHI热点预测中的集成应用仍较为有限。
二、研究内容与意义
研究人员以越南顺化市沿海城市核心区为案例,构建集成遥感与机器学习框架,对2025年旱季SUHI强度进行30×30 m分辨率的空间建模,并基于CA–Markov–ANN框架预测2035年LULC格局,进而预测未来SUHI强度分布。研究意义在于:为热带中小沿海城市提供SUHI建模的方法参考,识别城市内部热应激热点,为气候适应性城市规划提供数据驱动的决策依据。
三、主要技术方法
研究人员采用以下关键技术方法:利用Landsat 8 Collection 2 Level-2产品反演LST,以邻近农村参考区(Binh Dien Commune)的LST均值(29.63 °C)为基准计算SUHI强度;融合Sentinel-1 SAR与Sentinel-2多光谱影像,通过随机森林分类器(30棵决策树,测试总体精度0.92)构建2020年和2025年LULC图;采用XGBoost回归器(450次提升迭代,学习率0.12,最大树深7,L1正则化0.01,L2正则化1)建模SUHI强度与地形、LULC、城市形态密度及邻近性因子的非线性关系;运用SHAP(TreeSHAP)量化各预测因子的贡献;集成CA–Markov–ANN框架(ANN为两层隐藏层各32神经元,Adam优化,学习率0.001,3000次迭代)学习2020–2025年LULC转移规律并预测2035年LULC格局。样本方面,SUHI建模使用100,000个随机采样点(70%训练/30%测试),LULC适宜性建模同样使用100,000个采样点。
四、研究结果
4.1 XGBoost模型预测SUHI强度的性能
通过五折交叉验证确定超参数后,XGBoost在训练阶段取得低预测误差(RMSE = 0.777,MAE = 0.570,R2 = 0.961),测试阶段保持良好泛化能力(RMSE = 1.091,MAE = 0.791,R2 = 0.924),可解释约92.4%的SUHI强度方差。
4.2 SHAP分析SUHI条件因子
SHAP分析显示,建成区密度是SUHI强度最具影响力的预测因子,其次为距海岸线距离、裸地密度、距湖泊距离和距河流距离。高程、低植被密度和距道路距离影响中等,而LULC、树冠密度、坡度和坡向贡献相对较小。高建成区密度和裸地密度与正向SHAP值一致关联,表明其加剧SUHI;短距河流距离和高低植被密度对应负向SHAP值,体现河流与植被的降温效应。
4.3 LULC模拟与2035年SUHI预测
ANN模型在LULC适宜性预测中训练和测试总体精度分别为0.77和0.76,Cohen's kappa均为0.68;2025年LULC模拟验证总体精度73.65%,加权F1-score 0.73,Kappa系数0.65。预测显示,建成区面积将从2025年的52.66 km2增至2035年的57.59 km2,水体从41.05 km2扩至50.10 km2,树冠基本稳定(89.72 km2至89.21 km2),裸地从24.82 km2降至18.63 km2,低植被从115.73 km2降至108.45 km2。2035年SUHI强度预计介于?9.45 °C至13.55 °C之间。强SUHI区域占比从2025年的11.61%升至2035年的12.80%,中度SUHI区域从22.09%降至20.75%,中性至弱SUHI区域从24.44%降至22.59%。
五、讨论与结论
讨论部分指出,XGBoost的L1/L2正则化有效缓解了高维GIS数据的过拟合问题,模型性能与既往UHI和LST建模研究一致。随机采样可能因空间自相关导致性能指标略有高估,但鉴于研究聚焦于单一紧凑城市核心的局地SUHI变化,该设计仍能有效识别SUHI强度与影响因子的函数关系。约6 °C的强SUHI阈值可作为局地热点识别和公共卫生监测的基准。研究建议将建筑密度管控作为首要规划目标,促进裸地向绿色或蓝色空间转化,并优先保护河岸廊道以最大化水体降温潜力。研究同时指出六项局限性,包括30 m分辨率限制微尺度热异质性探测、LULC分类与预测的不确定性传播、未纳入人口密度等人口统计变量、未进行空间交叉验证、CA–Markov–ANN假设转移概率平稳性以及城市核心与农村参考区之间的地形差异可能引入局地偏差。
研究结论为:XGBoost回归器准确捕捉了SUHI强度与其条件因子之间的复杂非线性关系;SHAP分析识别出建成区密度为首要驱动因子;集成CA–Markov–ANN框架模拟了土地利用转变并生成2035年预测LULC格局;耦合预测LULC与训练好的XGBoost模型实现了未来SUHI强度分布的空间预测。模型预测建成区面积从2025年的52.66 km2增至2035年的57.59 km2,强SUHI覆盖比例从11.61%升至12.80%。这些空间预测为城市规划者识别未来城市热热点和实施针对性减缓策略提供了定量基线。未来研究方向包括采用高分辨率热红外遥感数据、集成社会经济因素、探索先进遥感技术与机器学习模型、开展空间分块交叉验证、将社会经济变化与区域基础设施发展纳入CA–Markov–ANN框架、制定热点区域针对性减缓策略、探索替代性农村基线选择策略(如整合多个参考区或采用等高程空间采样方案),以及将框架扩展至多年代历史SUHI重建以揭示长期微气候演变趋势。