《Remote Sensing》：Seasonal Varied Responses of Block-Scale Land Surface Temperature to Multidimensional Urban Canopy Morphology Interpreted by SHAP Approach
Xinxin Luo,
Jiahao Wu,
Wentao Peng,
Minghan Xu,
Fengxiang Guo and
Die Hu
编辑推荐：
快速城市化导致城市气温上升，已成为城市生态系统韧性和宜居性的关键制约因素。本研究提出一种新型城市内部分区方案，即复合形态街区（Component Morphological Blocks, CMBs），将建成区划分为六种由多维城市冠层形态表征的类型。研究人员采
快速城市化导致城市气温上升，已成为城市生态系统韧性和宜居性的关键制约因素。本研究提出一种新型城市内部分区方案，即复合形态街区（Component Morphological Blocks, CMBs），将建成区划分为六种由多维城市冠层形态表征的类型。研究人员采用经贝叶斯调优优化的XGBoost-SHAP模型，检验了16个潜在驱动变量对街区尺度地表温度（Land Surface Temperature, LST）的相对贡献。结果表明：（1）在暖季，LST随建筑密度增加而逐渐升高。平均建筑高度（Building Height, BH）与阴影面积呈正相关，从而降低街区尺度LST；（2）热点主要集中于功能导向型街区，其热点分布指数分别为1.85、1.96、1.24和1.14。冷点在暖季主要出现在蓝绿空间；（3）BH全年主导LST，而建筑相关因素在暖季对LST影响显著。在秋季和冬季，植被冠层密度的贡献仅次于BH（分别为12.2%和10.9%）；（4）夏季归一化差值建筑指数（Normalized Difference Built-up Index, NDBI）与植被覆盖分数（Fractional Vegetation Cover, FVC）之间在NDBI约0.1处出现明显转变。冬季，二维（2D）和三维（3D）植被因素间的相互作用表现为随着两者增加，其相对贡献由负转正。该研究表明，CMBs可作为表征街区尺度LST模式的有效选择，为旨在缓解城市热岛效应的可持续城市发展提供见解。
**研究背景与问题**
快速城市化导致地表不透水面持续扩张，削弱了植被和水体的降温效应，使城市区域气温/地表温度显著高于周边乡村，形成城市热岛（UHI）/地表城市热岛（SUHI）效应。这一现象严重制约城市生态系统韧性和居民宜居性，契合联合国可持续发展目标11（SDG 11）对建设包容、安全、韧性和可持续城市的要求。然而，现有街区分类方案（如局地气候区LCZ、城市功能区UFZ）多基于固定规则或用地功能，难以灵活刻画高异质性城市结构中的建筑与植被复合冠层形态。同时，以往研究多依赖于二维（2D）土地覆盖或单一三维（3D）指标（如建筑高度），缺乏对多维城市冠层形态（包括建筑、植被的水平和垂直结构）与地表温度（LST）之间非线性、季节性交互作用的深入解析。此外，传统统计模型多基于线性假设，难以处理变量共线性和交互效应，而机器学习模型虽能捕捉非线性关系，但其“黑箱”特性限制了机制理解。因此，亟需一种灵活、可解释的分析框架，揭示街区尺度LST对多维城市冠层形态的季节性响应机制。
**研究内容与结论**
针对上述问题，研究人员提出了一种基于无监督聚类的复合形态街区（Component Morphological Blocks, CMBs）分区方案，将北京五环内七个城区（朝阳、海淀、东城、西城、石景山、丰台、大兴）的建成区划分为六种类型。基于高分7号立体卫星数据、Landsat 8热红外数据、OSM道路及POI等多源数据，研究人员采用贝叶斯优化的XGBoost-SHAP模型，系统分析了16个来自2D、3D、光谱和城市功能四个层级的潜在驱动变量对街区尺度LST的相对贡献、边际效应和交互作用。研究发现：CMBs能有效识别高低温空间聚类模式；建筑相关因素在暖季主导LST，而植被因素在冷季贡献显著；关键驱动因素（如不透水面密度ISD超过0.8后增温效应减弱，平均建筑高度MBH超过20米后降温效应显著）呈现非线性阈值效应；2D与3D冠层形态因素间的交互作用比光谱因素间更显著。该研究为缓解城市热岛效应提供了基于CMB分区的差异化规划策略参考。论文发表在《Remote Sensing》。
**关键技术方法（不超过250字）**
研究主要采用三类关键技术：第一，基于K-means无监督聚类算法生成CMB分区，通过主成分分析（PCA）降维后，利用肘部法则、轮廓系数（Silhouette Score）和Calinski–Harabasz指数确定最优聚类数K=6，将街区分为半开放空间（SOS）、高层不透水核心（HIC）、功能导向型街区（FOB）、蓝绿空间（BGS）、平衡建成-绿色街区（BB）和开放空间（OS）。第二，基于Landsat 8 TIRS影像（L2级产品，季节云量<5%）提取LST，并利用Google Earth Engine平台进行预处理；植被冠层高度数据来自高分7号多任务卷积神经网络产品（RMSE=3.16 m），建筑高度数据来自谷歌地球影像与街景图像融合的机器学习产品。第三，构建贝叶斯优化的XGBoost-SHAP模型，采用五折交叉验证，量化16个驱动因素（包括2D指标如FVC、3D指标如MBH、光谱指标如NDBI、功能指标如POI密度）对LST的相对贡献、边际效应及交互作用。样本来源为北京五环内七个城区的约20000个街区。
**研究结果**
**4.1 街区尺度多维冠层形态特征（Block-Scale Multidimensional Canopy Morphology Characteristics）**
通过K-means聚类将研究区划分为六种CMB类型。统计显示，平衡建成-绿色街区（BB）面积占比最大（43.46%），主要分布在三环至四环之间的东北部；蓝绿空间（BGS）占比最小（3.53%），集中于奥林匹克森林公园等大型绿地；高层不透水核心（HIC）散落分布于四环周边（南侧除外）；功能导向型街区（FOB）广泛分布于丰台区和亦庄；开放空间（OS）主要分布在二环至五环区域（如颐和园）。各CMB在植被密度、平均冠层高度、建筑高度和不透水面密度（ISD）上呈现显著差异：BGS植被密度和冠层高度均值最高，FOB建筑高度最低但ISD最高，半开放空间（SOS）的植被冠层高度和密度高于BB。
**4.2 CMB中的LST时空模式（Spatiotemporal LST Patterns in CMBs）**
**4.2.1 季节性LST变化（Seasonal LST Variations）**
CMB的平均LST呈现显著季节变化：春季29.66°C（西北高东南低），夏季39.68°C（环状分布、中心高外围低），秋季11.03°C（近南北对称），冬季2.12°C（中心高、中部低、外围再升高）。箱线图显示，春秋冬季不同建筑形态街区间的LST差异更大，建筑高度越高的街区（如HIC）LST相对较低，这可能与阴影增强效应有关。FOB（最低建筑高度、最高ISD）在春夏秋冬四季LST均最高（春季31.12±2.41°C，夏季LST
FOB > LST
BB > LST
SOS）；BGS（高植被覆盖）在春夏秋三季LST最低（夏季35.58±2.83°C），但冬季SOS的LST低于BGS，可能与植被休眠和水体冻结相关。方差分析F检验（p<0.05）证实不同CMB类型间LST差异显著；在水平尺度上，建筑密度越高则夏季平均LST越高；在垂直尺度上，LST随平均建筑高度增加而整体下降（LST
FOB > LST
BB > LST
HIC）。
**4.2.2 CMB对LST的不同响应（Varied Responses of LSTs to CMBs）**
利用分布指数（DI）识别各CMB对热/冷环境的贡献。FOB的热点DI值在春夏秋冬分别为1.85、1.96、1.24、1.14（均>1），冷点DI值均<1，表明FOB是主要热源；BB的热点DI值次高（1.10、1.05、1.09、0.95），由于其面积占比大，热累积效应更显著；HIC的热点DI值在夏季达1.49（第二高）；SOS的冷点DI值在春夏两季最高（5.92、3.99）；OS和BGS冷点DI值均较高，其中OS因水体强吸热和蒸发冷却效应冷点面积多于BGS。建筑聚集对热点形成的影响顺序为FOB > BB > HIC > SOS。
**4.3 街区尺度LST驱动力季节性变化（Block-Scale LST Driving Forces Across Different Seasons）**
**4.3.1 16个因素的相对贡献排序（The Relative Contribution Rank of 16 Factors）**
SHAP全局解释图显示，平均建筑高度（MBH）在所有季节中对LST的重要性均位居前列；归一化差值建筑指数（NDBI）在春季和夏季影响显著，且建筑相关指标（MBH、ISD、天空视域因子SVF）除春季MBH外均对LST呈正效应；MBH对LST呈负效应（与阴影机制一致）。夏季，植被覆盖分数（FVC）通过蒸腾和遮阳降温发挥关键作用。秋季和冬季，归一化差值水体指数（MNDWI）对LST影响最显著，呈负效应（水体比热容大导致低温区持续低温）；MBH、植被冠层密度（VCD）和植被平均高度（VMH）在秋季对LST呈负效应（除秋季VMH）；冬季，MBH、VCD和SVF共同影响LST（建筑间隙增强地表吸热）。累计SHAP值表明，本研究用于划分CMB的核心特征集在四季中主导模型输出，验证了分类体系与地表温度的显著关联。
**4.3.2 主导驱动因素的边际效应（The Marginal Effects of Dominant Driving Factors）**
SHAP依赖图揭示了非线性响应和季节差异。春季：ISD在低于约0.8时增温效应递增，超过后减弱；SVF在0.2以下呈负效应，之后转正；MBH在<20米时微降，>20米后明显下降。夏季：NDBI和ISD均呈负效应（但ISD在0.60-0.80区间效应增强）；FVC和MBH持续呈负边际效应，MBH>20米时降温最显著。秋季：VCD和MNDWI呈负边际效应（VCD趋势减缓）；VMH呈稳定正效应；MNDWI在-0.1至-0.05区间呈微弱正效应；MBH<20米时趋势放缓。冬季：MNDWI和VCD为主要降温因素（负斜率大），VCD在<0.4时降温显著，>0.4后趋平；MBH呈三阶段变化（<10微升，10-25微降，>20显著降）；SVF在>0.2后显著正效应。
**4.3.3 交互效应分析（Interaction Effect Analysis）**
SHAP交互图显示：夏季NDBI与FVC在NDBI=0.1处出现明显转变——当FVC>0.45且NDBI<0.1时，NDBI对LST呈负贡献（降温），反之则正贡献；对于MBH和FVC，高FVC搭配低MBH对LST贡献较小，低FVC搭配高MBH则呈负贡献。冬季，VCD与VMH的交互表现为随着两者值增加，对LST的贡献由负转正。这些交互作用表明，本研究所选的聚类因素不仅具有强驱动力，还呈现显著的交互效应和季节变化特征，强化了多维冠层形态在街区尺度的热调节机制。
**讨论与结论**
讨论部分指出，CMB方案相比LCZ和UFZ更强调建筑与植被复合冠层的2D和3D结构特征，具有灵活、可复制和无需固定阈值的优势，适用于不同城市和尺度。在城市规划层面，应根据CMB类型实施差异化策略：对FOB等热贡献突出的街区优先治理，如设定FVC≥0.45或NDBI≤0.1的生态控制阈值；对高建筑密度区（ISD>0.8）降低密度至0.6-0.8以减弱增温效应；对高层建筑区（MBH>20米）利用阴影网络提供降温服务；对蓝绿空间（OS、BGS、SOS）保护并连通生态走廊。研究局限性包括：阈值基于北京样本，通用性待验证；多源数据存在时间不一致性；SHAP不能用于因果推断。未来需结合更高分辨率遥感数据、辐射传输模型或地面观测验证因果机制，并纳入平均辐射温度（MRT）、通用热气候指数（UTCI）等人体热舒适指标。
研究结论翻译：现有街区分类方法缺乏对植被冠层特征的充分度量，且街区尺度地表温度对多维城市冠层形态的非线性响应尚未被充分探究。本研究全面评估了CMB与LST的关联，揭示了2D、3D、光谱和城市功能因素对季节性LST变化的复杂驱动效应。最终结论如下：（1）CMBs作为基于组件的街区形态分析框架，在本案例中展现出识别高低温空间聚类模式的能力。FOB和HIC呈现较高LST，而BGS和OS呈现较低LST。（2）在春季和夏季，建筑相关因素对高温街区LST的解释作用相对显著；而在秋季和冬季，植被和水体对低温街区LST的解释作用相对显著。这一模式表明，人为因素在暖季对LST变化的贡献比例更大，随着冷季推进，自然因素对热环境的影响逐渐增强。（3）在北京五环内，部分驱动因素（如ISD）呈现显著的非线性边际增温效应，该效应逐步增强直至达到临界阈值（0.8）。MBH在北京五环内呈线性降温趋势，并伴随持续缓冲效应。各因素驱动效应的阈值存在细微差异。（4）2D与3D冠层形态因素之间以及与其他层级因素之间的非线性交互作用比光谱因素与其他主导因素之间的交互作用更为显著。这一发现也表明，所提出的CMB方案可能是表征热环境时空模式的可行方法。总之，CMB通过灵活的无监督聚类方法，展示出作为评估不同空间形态城市环境的有用工具的潜力。基于CMB框架的街区尺度热模式季节分析为合理城市管理提供了参考。
