量化城市形态与生态基础设施对地表温度的空间拮抗作用：一种带有空间滞后的可解释机器学习方法

《Buildings》：Quantifying the Spatial Antagonism Between Urban Morphology and Ecological Infrastructure on Land Surface Temperature: An Explainable Machine Learning Approach with Spatial Lags Huitong Liu, Rihan Hai, Quanyi Zheng and Mengxiao Jin

　　

快速城市化显著加剧了高密度特大城市的城市热岛效应（Urban Heat Island, UHI），这是由建成形态与自然冷却基础设施之间日益激烈的竞争所驱动的。然而，当前的研究往往无法准确预测地表温度（Land Surface Temperature, LST），因为传统模型经常忽视城市环境中固有的复杂空间依赖性和邻域溢出效应。现有研究常常忽略热传递的空间依赖性。本研究提出了一种可解释的机器学习框架，该框架结合了空间滞后变量以捕获来自相邻邻域背景的热溢出——例如绿地冷却扩散或建成区热量积累——这在传统模型中常被视为噪声。以深圳为案例，研究人员整合了多源数据（Landsat 8、建筑矢量数据、数字高程模型Digital Elevation Model, DEM），并开发了一个XGBoost（eXtreme Gradient Boosting）回归模型（R² = 0.806），辅以SHAP（Shapley Additive exPlanations）来量化局部和背景特征的贡献。结果显示：(1) 非线性阈值：植被冷却表现出饱和效应，在归一化植被指数（Normalized Difference Vegetation Index, NDVI）0.2–0.4范围内边际效益最高，而建筑增温效应由于相互遮蔽在高密度时趋于收敛；(2) 邻域溢出：空间交互分析确认了显著的冷岛协同效应（聚集的绿地提供放大的冷却）和热岛集聚效应——例如，被高生态背景包围的绿地提供放大的冷却效益；(3) 空间拮抗：基于博弈论SHAP贡献构建了一种新型相互作用平衡指数（Interaction Balance Index, IBI），用于绘制源-汇竞争模式，识别出明显的热主导区（西部）和冷主导区（东部）。与传统的面积加权源-汇景观指标不同，IBI实现了增温和冷却因子的像素级加性分解，量化了局部形态和邻域溢出的净热结果。通过将空间背景明确编码到非线性建模中，本研究提供了对城市热环境更机械论上稳健的理解。识别出的阈值和主导驱动因子地图为城市气候适应性规划和生态修复提供了精确的空间差异化指导。

**论文解读：量化城市形态与生态基础设施对地表温度的空间拮抗作用——基于可解释机器学习与空间滞后方法**

**研究背景与问题**
随着全球快速城市化，高密度大城市中不透水面取代自然植被，加上复杂建筑几何，显著改变了地表反照率、热容量和空气动力学粗糙度，加剧了城市热岛效应（Urban Heat Island, UHI）。尤其在亚热带地区，持续高温增加冷却负荷和碳排放，恶化户外热舒适并带来健康风险，使“热公平”成为城市规划的关键议题。从地表能量平衡角度看，城市热环境的空间异质性是增温与冷却机制复杂相互作用的结果：密集的城市形态通过增加感热通量、减少潜热通量形成“热阱”；而生态基础设施（绿地、水体、透水面）通过蒸散发和遮荫起到“热汇”作用。然而，传统线性模型（如普通最小二乘法OLS、地理加权回归GWR）难以捕捉非线性阈值效应（如植被冷却饱和、高密度建筑相互遮蔽），且常忽视托布勒地理学第一定律强调的空间依赖性——即邻域背景的热溢出效应（如绿地的冷却扩散或建成区的热量积累）。现有研究要么忽略空间滞后，要么未能将黑箱机器学习模型的结果转化为可操作的规划策略。为此，本研究选取中国深圳市——一个典型的高密度发展与丰富生态资产并存的超大城市——作为案例，旨在通过引入空间滞后变量和可解释机器学习，定量剥离局部属性与邻域背景对地表温度（Land Surface Temperature, LST）的贡献，并识别非线性阈值与空间拮抗模式。

**主要技术方法**
研究整合多源空间数据：Landsat 8 OLI/TIRS影像（2022年9月15日，云量<10%）反演LST和计算NDVI；OpenStreetMap（OSM）建筑矢量计算建筑覆盖率（Building Coverage Ratio, BCR）；SRTM DEM（30m分辨率）提取地形；OSM道路网络计算距道路距离（Dist_Road）。以500m×500m规则网格为分析单元，排除水体和高边界不完整的网格后共19,548个有效样本。通过3×3像元（90m×90m）移动窗口构建四个空间滞后变量（BCR_Lag、NDVI_Lag、DEM_Lag、Dist_Road_Lag），编码邻域背景。采用XGBoost回归模型，通过网格搜索与10折交叉验证优化超参数，并用TreeSHAP（Shapley Additive exPlanations）进行可解释性归因。进一步提出相互作用平衡指数（Interaction Balance Index, IBI），基于SHAP贡献值（增温因子总和减去冷却因子绝对值总和）绘制空间拮抗图，将统计输出映射回地理空间。

**研究结果**
3.1 **统计相关性与模型性能**：Pearson相关分析显示LST与BCR显著正相关（r=0.56）、与NDVI显著负相关（r=-0.40），且原始变量与滞后变量间高度共线（如BCR与BCR_Lag r=0.85）。XGBoost模型在独立测试集上表现优异，R²=0.806，均方根误差（Root Mean Square Error, RMSE）=3.995°C，表明模型能准确再现深圳从低温山区到高温建成区的空间分异。

3.2 **环境驱动因子的相对重要性**：基于增益（Gain）的特征重要性排序显示，NDVI以0.411居首，BCR以0.304次之，两者共同贡献超过70%的预测能力，揭示“生态基础设施（冷源）”与“不透水建筑表面（热源）”的空间对抗是热环境的核心机制。空间滞后变量NDVI_Lag（0.081）和DEM_Lag（0.061）的重要性超过传统局部变量Dist_Road（0.050）和DEM（0.045），证实邻域环境背景的显著影响。

3.3 **非线性响应与阈值效应**：SHAP依赖图显示：(1) NDVI呈“倒S形”关系：NDVI<0.2时主要增温，0.2–0.4区间边际冷却效益最大（每单位NDVI增加使SHAP值降低约12.5°C），超过0.4后冷却效率进入饱和区；(2) BCR在低密度区间（0–0.3）快速增温，高密度区间（>0.4）增长趋势收敛，推测源于高密度建筑间的相互遮蔽；(3) DEM呈稳定负线性相关，符合气温垂直递减率；(4) Dist_Road在0–2000m内显著增温，超过3000m后趋于零左右。

3.4 **空间背景的调节作用**：SHAP交互分析揭示：(1) 热岛集聚效应：相同BCR下，若位于高BCR_Lag背景（密集建筑簇），SHAP值显著更高，因城市峡谷阻碍通风和长波辐射散逸；(2) 冷岛协同效应：相同NDVI下，若位于高NDVI_Lag背景（连续森林或大型公园），冷却效应放大，而孤立绿地的冷却被周围热环境侵蚀；(3) 交通-形态协同：近道路且高BCR_Lag区域增温效应更强，因高密度形式阻留交通废热；(4) 地形调节：同海拔下，高DEM_Lag背景（整体高地）维持更稳定低温。

3.5 **空间拮抗模式与主导因子归因**：IBI空间分布呈现“西热东冷”的双核结构：热主导区（IBI>0）集中于南山、福田、罗湖等西部高密度建成区及宝安、龙华工业带；冷主导区（IBI<0）分布在东部大鹏半岛和中部梧桐山-阳台山生态走廊；过渡区（|IBI|≤0.5°C）位于建成区与生态控制线交界。SHAP空间映射进一步明确：建筑热效应（φ_BCR）高值区与城市核心区重合，植被冷却效应（φ_NDVI）高值区与生态基底严格对应。

3.6 **SHAP归因稳定性**：多尺度敏感性分析（3×3、5×5、7×7窗口）表明，模型R²稳定在0.5719–0.5442，特征重要性层级和方向性影响保持稳健，排除因多重共线性导致的归因随机性。

**讨论与结论**
讨论部分强调：(1) 识别出的NDVI 0.2–0.4生态阈值挑战了“线性冷却”范式，指出植被冷却需达到临界质量才能克服周围感热通量，体现“绿洲效应”；(2) BCR>0.4的热饱和现象揭示了高密度环境中的自遮蔽机制，表明超高层建筑群的热环境受体积热容与几何阴影的微妙平衡；(3) 空间滞后变量的引入使预测精度提升约13.2%，并修正了非空间模型对孤立绿地冷却能力的高估（15–20%），证实冷岛协同效应；(4) IBI基于功能而非结构映射，识别了临界过渡区（IBI≈0），为规划提供成本效益最高的干预靶点。局限性包括：仅基于白天Landsat数据、未纳入三维形态指标（如天空视域因子SVF）、高共线性对归因需谨慎解释。

**研究结论**（翻译自原文5. Conclusions）：在快速城市化进程中，城市形态扩张与生态基础设施衰退之间的空间竞争构成了热环境的核心驱动力。本研究创新性地构建了包含空间滞后变量的可解释机器学习框架（XGBoost-SHAP），量化了“邻域效应”的调节作用。结果表明，空间滞后变量的引入显著增强了模型的物理可解释性和预测精度（R²=0.806），识别出NDVI和BCR为主导因素，并呈现显著的非线性阈值（如NDVI 0.2–0.4范围提供最佳边际冷却）。总之，本研究证明LST受空间背景调节的复杂源-汇拮抗作用所控制。通过识别这些非线性阈值并绘制相互作用平衡指数（IBI），为城市气候韧性提供了靶向的循证策略：(1)“源”区（热主导区）亟需形态优化，如控制建筑密度、增加后退距离和应用高反射率冷却材料以削弱热生成；(2)“汇”区（冷主导区）需要严格生态保护，维护蓝绿基础设施连通性以保持其冷却扩散能力。这一可解释的空间框架为特大城市的适应性规划提供了可复制的路径。然而，进一步探索多季节动态、夜间热模式和三维城市冠层结构的影响将增强框架的普适性。总体而言，这些发现为在快速演变的亚热带地区平衡高密度城市发展与热舒适保护提供了稳健的科学基础。该论文发表在《Buildings》期刊。