利用LST和可解释的地理机器学习技术解析昆明中心城区的季节性热环境 赵江琴、 李英云、 刘建宇、 范静、 周英辉、 李茂芬、 徐世光

《Remote Sensing》：Deciphering the Seasonal Thermal Environments in Kunming’s Central Urban Area Using LST and Interpretable Geo-Machine Learning Jiangqin Chao, Yingyun Li, Jianyu Liu, Jing Fan, Yinghui Zhou, Maofen Li and Shiguang Xu

　　**亮点**

**主要研究结果是什么？**
- 季节性地表温度（LST）显示了明显的季节性温度差异：城市核心区域夏季的极端城市热岛（UHI）现象与自然和植被景观中春季的异常高温现象形成对比。
- 地理机器学习揭示了温度驱动因素的季节性变化，表明建筑环境在夏季和秋季的升温中起主导作用，而自然和地形因素则影响春季和冬季的温度变化。

**这些主要研究结果的意义是什么？**
- 春季的温度异常表明，由干旱引起的植被压力以及城郊的温室农业是主要的局部热源。
- 温度驱动因素的显著空间非平稳性表明，相同的城市特征在不同地理位置的表现不同，这要求在高原-盆地城市中进行有针对性的气候适应性规划。

**摘要**

快速的城市化和复杂的地形复杂化了城市热岛（UHI）的时空动态。传统模型和低分辨率图像常常无法捕捉到精细的、空间非平稳的季节性驱动机制。本研究利用2018-2025年的季节性LST合成图像，研究了昆明（一个典型的低纬度高原城市）地表热动态的多维驱动因素。通过结合极端梯度提升（XGBoost）和可解释人工智能（XAI）模型，分解了这些驱动因素的非线性效应。研究结果揭示了季节性的温度差异：夏季表现出最强烈的UHI效应和极端的高温峰值，而春季则出现异常，自然和植被覆盖的局部气候区（LCZs）显示出明显的升温。Shapley加性解释（SHAP）分析确定了季节性的驱动因素转换：人为和结构因素在夏季和秋季的升温中起主导作用，而自然和地形因素则影响春季和冬季的温度变化。GeoShapley分析进一步证明了强烈的空间非平稳性，在通风不良的城市核心区域，建筑密度的升温效应被放大，而在夏季高峰期，零散植被的降温效应被人为热源所抵消。这项研究为高原城市中的城市热环境的季节性驱动因素提供了新的见解。

**1. 引言**

快速的城市化深刻改变了全球城市地表能量平衡，加剧了城市热岛效应[1,2,3,4,5]。早期理论工作建立了UHI形成的物理基础，强调了地表粗糙度改变和增强热储存能力在城市环境中的作用[6]。后续研究表明，将自然植被和透水土壤大规模替换为混凝土和沥青等不透水材料会改变地表辐射特性，减少蒸发蒸腾作用，并增加感热储存[7,8]。城市地区的地表温度（LST）通常显著高于周边农村地区。在全球气候变暖和城市扩张加速的双重压力下，升高的城市温度加剧了冷却需求[9]，加重了空气污染[10]，并增加了与热相关的疾病发病率和死亡率[11,12]。因此，理解城市内部热环境的空间分布、时间演变和驱动机制已成为可持续城市发展的关键研究前沿。

过去几十年中，利用卫星获取的地表温度（LST）产品，在表征城市热环境方面取得了实质性进展。中等分辨率的传感器（如MODIS）使得大规模城市间比较和全球评估成为可能[13]，而Landsat计划的高分辨率观测数据则促进了城市内部的详细研究[14,15]。众多研究表明，城市热模式受多维系统的调控，这些系统整合了二维（2D）地表生物物理特征（如植被覆盖和水体）、三维（3D）城市形态（如建筑密度、高度和天空视野因子）、地形变化以及社会经济活动[16,17,18]。为了更好地描述城市形态与热行为之间的关系，Stewart和Oke提出了局部气候区（LCZ）系统，该系统提供了在不同气候条件下将城市形态与热响应联系起来的标准化分类方案[19]。后续的实证研究表明，不同类型的LCZ和宏观气候背景下的加热和冷却贡献存在显著差异[20,21,22,23]，从而提高了不同城市间气候研究的可比性。

同时，越来越多的证据表明城市热过程本质上是动态的，并会受到季节性调节。例如，植被引起的降温效应与蒸发蒸腾强度和植被物候密切相关[8,13]，而水体可能会根据背景气候条件和热容量差异表现出季节性的温度变化[24]。由于太阳辐射和大气湿度的变化，LST的主要驱动因素在夏季和冬季之间可能会发生转变[25]。在季风影响地区，强烈的年际气候变异性可能会进一步重塑季节性的热模式[5]。这些发现表明，仅通过单日期或单季节分析无法完全理解城市热现象。虽然高分辨率卫星图像可以帮助详细观察城市热模式，但另一个主要的研究方向是识别和量化城市热模式背后的驱动机制。机器学习模型也被广泛用于分析LST与植被、城市形态、地形和社会经济活动等多维环境因素之间的关系[26]。然而，尽管机器学习模型具有很高的预测准确性，但它们本质上是黑盒模型，难以解释不同驱动因素的相对重要性和空间变异性。为克服这一限制，最近将可解释人工智能（XAI）技术引入环境建模中。特别是Shapley加性解释（SHAP）框架基于合作博弈论提供了一个理论基础，用于量化特征对模型预测的贡献。GeoShapley将经典SHAP理论扩展到空间分析中，明确纳入地理背景[18,27]，通过将模型预测分解为内在特征贡献和空间交互作用成分，实现对控制城市热环境的非线性和空间非平稳机制的地理明确解释。

在这项研究中，我们分析了2018-2025年间昆明中心城区的季节性热环境。首先，计算了Landsat 30米分辨率的季节性LST合成图像，以表征城市热模式的时空演变，有效克服了季风季节持续的云层污染问题。其次，应用了极端梯度提升（XGBoost）归因模型结合XAI技术来解释LST变化的驱动机制。SHAP用于量化形态、地形和社会经济因素的非线性贡献，而GeoShapley进一步分解了这些效应，揭示了它们在季节间的空间异质性。通过将高分辨率热图与空间明确的解释性分析相结合，本研究旨在深入理解高原城市的季节性城市热机制，并为气候适应性城市规划提供科学依据。

**2. 材料与方法**

**2.1. 研究区域**

研究区域集中在中国西南部云南省的省会昆明市中心城区（图1）。作为典型的低纬度高原城市，昆明海拔约为1900米，是研究复杂城市热动态的典型案例[28,29]。先前的研究记录了云南省内各城市之间的宏观气候依赖性热差异[30]，强调了高原环境对城市热的独特影响，这与典型的低地大都市不同。

**2.2. 数据**

为了捕捉昆明中心城区的季节性热动态，本研究利用了在Google Earth Engine（GEE）云计算平台上处理的多源遥感数据集。首先对Landsat-8/9 LST和Sentinel-2 MSI地表反射率数据进行了去云处理，并提取了相关的生物物理指数。然后为每个气象季节（春季：3月至5月；夏季：6月至8月；秋季：9月至11月；冬季：12月至2月）生成了逐像素的季节性LST合成图像（2018-2025年）。这种方法减少了极端天气或持续云层覆盖造成的偏差，为后续的季节性归因分析提供了可靠的基础。表1显示了本研究中使用的数据详情。

**2.2.1. 遥感数据集**

初始LST观测数据来自美国地质调查局（USGS）和NASA提供的Landsat-8和Landsat-9 OLI/TIRS Collection 2 Level-2 Science Products（M9.1），这些数据提供了经过大气校正的表面温度测量，分辨率为30米[34]。同时，还使用了来自欧洲航天局（ESA）的Sentinel-2 MSI Level-2A地表反射率产品，以提取光谱生物物理指数[35]。

为了捕捉多维地表特征，推导出了动态指数来表示瞬时地表状态：归一化植被指数（NDVI）用于植被绿色度，归一化建筑指数（NDBI）用于城市不透水表面，归一化水体指数（NDWI）用于地表水体，宽带地表反照率用于捕捉整体地表反射率[36,37,38,39,40]。为了提供多年季节性归因的稳定表征，这些动态指数被聚合为2018-2025年的季节平均值。还纳入了增强植被指数（EVI）和修正归一化水体指数（MNDWI），以更好地描述复杂高原-盆地条件下的植被活力和水体[41,42]。所得到的增强植被指数（EVI）和归一化建筑指数（NDBI）代表了它们各自瞬时指数的多年季节平均值，提供了城市形态和生物物理背景的稳定表征。

**2.2.2. 城市形态和地形数据**

对于城市形态，使用了高分辨率（100米）的全球局部气候区（LCZ）地图[43]。该数据基于标准的WUDAPT协议和基础的LCZ分类法[19]，作为城市3D结构、建筑密度和空气动力学粗糙度的整体分类代理。鉴于昆明复杂的山盆地形，还利用了12.5米分辨率的ALOS PALSAR数字高程模型（DEM）获得了高精度地形控制数据。提取的关键变量包括绝对海拔（DEM）、坡度、朝向和地形位置指数（TPI）。TPI特别用于区分通风良好的山脊和容易积聚冷空气的封闭山谷。

**2.2.3. 社会经济数据**

为了在空间归因建模阶段充分量化局部人为热排放和人类干扰，结合了两个宏观层面的社会经济数据集。从WorldPop数据库获取了高分辨率（100米）的网格化人口密度（POP数据），反映了人类活动的强度和住宅能源消耗。此外，夜间光照（NTL）数据作为城市化强度和商业能源支出的稳健空间代理，来自Raytheon公司制造的NPP-VIIRS（可见红外成像辐射计套件）传感器，该传感器安装在Ball Aerospace & Technologies Corp.开发的Suomi National Polar-orbiting Partnership（Suomi NPP）卫星平台上，数据由美国国家海洋和大气管理局（NOAA）分发。

**2.2.4. 蒸发蒸腾（ET）数据**

为了定量研究水文因素对区域热环境的影响，从MOD16A2 Version 6.1产品中获取了蒸发蒸腾（ET）数据。为了确保时间上的严格一致性和方法论上的连贯性，ET时间序列数据经过了相同的时间聚合处理。具体来说，2018年至2025年的ET观测数据按气象季节进行了分组，并计算了逐像素的中值。

**2.3. 方法**

图2展示了本研究的技术方法。首先，通过计算多年季节性LST来分析昆明中心城区的季节性热模式，以提供跨季节的热模式稳定表示。最后，应用SHAP和GeoShapley来量化和空间分解形态、地形和社会经济因素的贡献。图2. 整合季节性合成和空间归因分析的分析工作流程。2.3.1. 生物物理指数的计算为了捕捉多维表面特征，我们推导出动态指数来表示瞬时表面状态。我们使用归一化植被指数（NDVI）和增强植被指数（EVI）来表征植被的绿色度和活力。归一化差异建筑指数（NDBI）用于表示城市不透水面，而修改后的归一化差异水指数（MNDWI）则用于准确划分表面水体。此外，还推导出宽带表面反照率来捕捉整体表面反射率。为了提供多年季节性归因的稳定表征，这些动态指数在2018-2025年期间被聚合成季节平均值。基本的光谱指数是使用标准公式[37,38,39,40]计算的：(1) (2) 其中ρBlue、ρGreen、ρRed、ρNIR、ρSWIR1分别代表Sentinel-2影像中蓝光、绿光、红光、近红外和短波红外波段的表面反射率。在空间归因阶段，为了更准确地划分水体和复杂的城市阴影，并更稳健地量化植被活力，引入了MNDWI[42]和EVI[41]：(3) (4) 为了进行多年季节性分析，动态瞬时指数被时间聚合。具体来说，归因模型中使用的EVI和NDBI代表其各自瞬时对应值的多年季节平均值，确保了城市形态背景的稳定表征。最后，宽带表面反照率是使用专门为Sentinel-2多光谱仪器优化的从窄带到宽带转换算法得出的[36]。该公式将反照率计算为六个光谱带的加权线性组合：(5) 其中ρSWIR2代表Sentinel-2的第二短波红外波段（第12波段）的表面反射率，系数反映了每个光谱区域对总太阳辐射的相对贡献。2.3.2. 季节性LST合成和LCZ分析为了表征季节性热模式，将2018-2025年的Landsat LST地图按气象季节（春、夏、秋、冬）分组，并计算所有年份的像素平均值以构建多年季节平均LST地图。然后将这些季节性合成图像与100米分辨率的局部气候区（LCZ）分类（建筑类型为LCZ 1-10；自然土地覆盖为LCZ A-G）[19]叠加，并计算每种LCZ类型的平均LST。这一程序使得能够从形态学角度评估季节性城市热效应。2.3.3. 相关性分析和非线性XGBoost建模为了分析季节性城市热模式的驱动因素，所有季节性LST合成图像及其对应的多维因素（多年平均动态指数、静态LCZ类型、POP、NTL和TPI）使用区统计数据重采样到统一的30米网格，以将宏观社会经济数据与微观生物物理特征对齐。在建模之前，进行了相关性分析，计算皮尔逊相关系数（r > 0.8）以识别和筛选高度相关的预测因子，确保后续的XAI分析的可解释性。然后分别训练了四个独立的基于网格的XGBoost模型，每个季节一个。模型超参数（例如learning_rate、max_depth、subsample）使用Optuna框架自动优化，该框架迭代探索超参数空间以最大化预测性能，同时防止空间过拟合[45]。2.3.4. 通过SHAP和GeoShapley进行全球和空间归因虽然基于网格的XGBoost模型能够准确捕捉多维因素对LST的协同作用，但其固有的“黑箱”性质掩盖了这些物理过程的地理解释。为了克服这种可解释性不足，本研究采用了基于合作博弈论的SHAP框架[46]。标准SHAP有效地将全球预测分解为可加的特征归因，量化了每个形态驱动因素的总体重要性。然而，标准SHAP忽略了空间非平稳性——即相同的生物物理因素（例如植被）根据其地理位置（例如在山谷内还是在山脊上）可能产生截然不同的冷却效率。因此，本研究通过引入GeoShapley框架[18,47]来推进分析。在SHAP的基础上，GeoShapley明确将空间坐标和地理背景纳入归因分解：(6) 其中 是全球基线预测，M是驱动因素的数量，表示在第i个特定地理位置j-th特征的确切边际归因值（以°C为单位）。正值表示局部加热效应，而负值表示冷却效应。通过提取和绘制这些边际归因，GeoShapley超越了传统的非空间XAI，能够精确地诊断特定形态或地形因素在不同季节中对局部城市微气候的影响程度和范围。2.3.5. LST和ET的季节性耦合分析为了实证验证不同季节表面湿度和热行为之间的热力学耦合，进行了像素级的双变量相关性分析。将8年的季节性中位LST与相应的8年季节性中位ET合成图像进行空间交叉。为了确保统计稳健性，提取了两个数据集中都包含有限值的有效像素，并对每个季节进行了全面的散点分析。线性回归模型被拟合到这些提取的点云上，以计算皮尔逊相关系数和斜率，从而量化昆明盆地潜在热通量冷却效率的季节性变化。3. 结果 3.1. 昆明季节性LST和LCZ的热力学响应昆明季节性LST地图（图3）直观显示了复杂的季节性热二分法。地图显示的不是简单的线性升温趋势，而是两种截然不同的热模式。在季风前的春季，整个区域呈现普遍的热异常现象。与高度局部化的热点不同，包括广阔的城郊和农村地区在内的整个区域背景都被升高到一个普遍的温暖状态。夏季，热强度高度聚集，峰值温度经常超过35°C（深红色），集中在特定的北部和东部建筑环境中，与Dianchi湖和周围山脉的较凉爽的“蓝色/黄色”区域形成鲜明对比。相比之下，春季则呈现普遍的热异常。重要的是，春夏差异图捕捉到了这种不同的热轨迹：由于季风驱动的蒸发蒸腾作用（ET）的冷却效应，自然山区表现出最小的升温（白色/浅蓝色），而人工和受ET抑制的表面则经历急剧的温度升高（深红色）。秋季反映了逐渐降温的阶段，而冬季则表现出最低的整体LST，大部分地区的温度降至15°C以下。图3. 昆明中心城区春季、夏季、秋季和冬季的多年季节平均LST的空间分布，以及季节温差图（夏季减去春季，秋季减去夏季）。季节性平均LST的定量分析进一步证实了这种热二分法，揭示了各种LCZ热行为的显著和反直觉的时间变化（图4）。总体而言，绝对最高温度出现在夏季；然而，这些温度并不是由紧凑的建筑核心区域驱动的。相反，农业和低植物覆盖类型——特别是LCZ D（温室，32.7°C）和LCZ C（灌木/草本，32.4°C）——主导了区域热峰。同时，春季表现出广泛的热应激，这在非城市表面上尤为明显，为夏季的热差异奠定了基础。图4. 昆明不同LCZ的平均季节性LST。关于不同LCZ类型的热响应，水体（LCZ G）在整个四个季节中始终保持最低温度（冬季为16.7°C，夏季为28.4°C），显示出最稳定和稳健的“冷却岛”效应。相反，自然和农业覆盖类型，特别是LCZ D（低植物），在春季的相对冷却能力显著减弱。LCZ D在春季的平均温度升高到30.6°C，显著超过了高密度紧凑建筑区（如LCZ 1）的27.8°C。虽然夏季的绝对LST普遍上升，但UHI效应的空间 inverted现象明显出现。密集的城市核心（LCZ 1）的平均LST显著降低到26.8°C，突出了30米分辨率下的“城市峡谷阴影效应”。相比之下，连续的、无阴影的LCZ D形态，加上其严重的ET抑制作用，保持了32.7°C的持续热缓冲，成为区域日间热量积累的主要驱动因素。3.2. 热环境中的线性驱动因素和多重共线性初步的探索性分析使用皮尔逊相关矩阵来量化四个季节中不同城市形态、生物物理和地形指标与LST之间的线性关系（图5）。结果显示，城市化指标对热升高的影响始终具有强烈的一致性和主导性。具体来说，NDBI在所有季节中都与LST表现出最强的正相关性，夏季（r = 0.77）和春季（r = 0.76）达到峰值。此外，宽带表面反照率也与LST表现出强正相关性，特别是在春季（r = 0.71）和冬季（r = 0.56）。这强调了人造低反照率材料和密集城市结构在吸收和保留太阳辐射中的基本作用。此外，作为人为热排放和社会经济密度代理的NTL也始终与LST表现出中等到强的正相关性，特别是在夏季（r = 0.68）和秋季（r = 0.59）。图5. 春季、夏季、秋季和冬季LST与多维驱动因素（生物物理、形态和地形）之间的季节性皮尔逊相关矩阵。相反，自然生物物理因素表现出更复杂的线性关系。虽然MNDWI全年都与LST保持稳健且稳定的负相关性（春季达到r = ?0.64），突显了城市水体的持续冷却能力，但NDVI显示出意外的弱甚至反直觉的线性相关性。例如，NDVI在春季显示出轻微的正相关性（r = 0.18），而在夏季显示出最小的负相关性（r = ?0.16）。这表明在昆明这种高海拔、低纬度的气候条件下，植被的冷却机制高度非线性，并可能受到背景土壤湿度和干旱季节城市热量捕获的掩盖或混淆。重要的是，相关矩阵暴露了独立变量之间的显著多重共线性。例如，MNDWI和NDVI高度负相关（夏季r = ?0.81），反照率与MNDWI也表现出强烈的反相关（夏季r = ?0.68）。这种内在的共线性限制了传统逐步多元线性回归（SMLR）模型的解释能力和可靠性。例如，增加建筑密度会同时减少植被覆盖并改变局部空气动力学。这种复杂的物理相互作用需要使用先进的非线性机器学习模型来准确分离它们对热环境的个别贡献。3.3. 非线性建模性能和SHAP全球归因为了克服线性框架的局限性，部署了XGBoost机器学习模型，在所有时间场景中都取得了出色的预测准确性。该模型成功捕捉了昆明城市热岛的复杂非线性动态，春季、夏季、秋季和冬季的R2得分分别为0.88、0.87、0.83和0.79（图6）。相应的RMSE保持在较低水平，范围在1.39°C至1.69°C之间。预测LST与观测LST的散点图沿1:1参考线显示密集、对称的聚类，确认XGBoost架构有效地减轻了过拟合，同时捕捉了2D景观模式、3D建筑形态和地形的协同效应。然而，仔细检查散点图会发现少数预测偏差较大的异常点，主要分布在极端温度区域。模型偶尔会低估极端峰值温度（即观测LST显著超过预测LST的情况），这些情况在地理上对应于具有低热惯性的工业设施或特定城郊农业温室等局部微环境。相反，中等至较低温度范围内的预测偏差通常位于复杂的形态边界，如陆地-水域交界处或受短暂3D遮荫影响的密集城市峡谷边缘。此外，夏季的一些异常点可能是原始Landsat影像中残余薄云污染的伪影，这会在局部降低传感器记录的LST。图6. 显示四个季节中XGBoost模型性能的散点图，以及相应的R2和RMSE值。SHAP摘要图提供了特征重要性的可量化层次结构，揭示了热环境主要驱动因素的显著季节性变化（图7）。在夏季和秋季，人为和结构性城市特征起到了决定性作用。NTL、NDBI和LCZ成为升温的主要贡献者。SHAP颜色梯度清晰地表明，这些特征的较高值（红色点）系统性地推动模型输出向更高的温度方向发展。这表明在高太阳辐射期间，城市核心的物理体积和物质组成成为主要的的热源。图7中的SHAP汇总图展示了四个季节中城市驱动因素对模型输出的全球特征重要性及其方向性影响（升温或降温）。有趣的是，驱动机制在春季和冬季发生了显著变化。在春季，自然因素（特别是NDVI、MNDWI和反照率）的全球重要性超过了城市结构指标。SHAP图显示，较低的NDVI和MNDWI值（蓝色点）会导致升温，而较高的值（红色点）则会产生明显的降温效果。此外，数字高程模型（DEM）在所有季节中都是一种持续的主要驱动因素。较高的海拔高度始终产生负的SHAP值（降温效应），证实了昆明高原盆地地形对当地气候的调节作用。SHAP分析明确证明了昆明的城市热岛（UHI）驱动因素并非静态的；相反，它们在湿润温暖的季节表现为人为热捕获，在干燥寒冷的季节则表现为生物物理和地形调节。

3.4. GeoShapley空间分解与异质性
虽然全球SHAP汇总图（图8）建立了各种热源的总体层次重要性，但像素级别的GeoShapley分析进一步揭示了昆明城市热环境的显著非均匀性。由此产生的空间SHAP地图精确地展示了地理位置如何在四个季节中放大或减弱特定的升温或降温贡献。图8中的GeoShapley空间分布图显示了各个驱动因素在四个季节中对热环境的空间非均匀性和交互作用。

3.4.1. 建筑环境的空间放大效应
人为和形态因素的空间分布图，特别是NTL、NDBI和LCZ分类，显示出明显的空间聚集效应。在所有季节中，这些特征都呈现出一个巨大的、“红色区域”（表明强烈的升温贡献），这与昆明密集的城市核心完全一致。这种空间模式表明：建筑环境的升温影响高度依赖于地理位置。在中央商务区（CBD）和高密度居住区，这些指标的升温潜力大大增强。相反，当这些相同的NDBI或LCZ值延伸到城市边缘和山区郊区时，它们的空间SHAP值转变为浅红色甚至蓝色。这种空间差异表明，在靠近开阔的农村或生态景观时，相同的建筑密度或不透水表面比例对局部地表温度（LST）的贡献显著减少。

3.4.2. 蓝绿基础设施的时空动态
GeoShapley分析阐明了自然地表的复杂且位置依赖的降温效率。关于水体（MNDWI），其空间分布呈现出一种异常稳定的、视觉上清晰的降温模式，在所有季节中，西南象限都有一个巨大的、持续存在的“蓝色集群”，完美地勾勒出了滇池盆地。然而，这种降温效应的空间范围表现出季节性变化：夏季时，降温梯度向内陆延伸得更远；而在冬季，负的SHAP值严格限制在河岸带。与水体的相对稳定性形成鲜明对比的是，植被的降温效率（由NDVI和EVI表示）表现出极端的空间和季节性波动性。在冬季，NDVI作为一种广泛的降温剂，在非城市化边缘地区有广泛的蓝色分布。然而，春季NDVI的GeoShapley地图显示出一个高度碎片化的热景观，即使在非城市化区域也有蓝色和浅红色像素的混乱混合，这证实了初始全球分析中观察到的异常正线性相关（r = 0.17）。

在夏季，NDVI的空间地图显示了城市核心内部的进一步异质性，其中孤立的绿色斑块反而显示出轻微的正（红色）SHAP值，表明局部的升温贡献。相反，只有当NDVI位于大型连续的郊区或沿山区边缘时，才会持续显示强烈的深蓝色负SHAP值，强调了绿色基础设施的降温潜力严格受其空间环境的影响。

3.4.3. 高原盆地的地形效应
地形因素的GeoShapley地图显示了持续存在的、顶级空间驱动因素，具有明显的二元表现。在所有四个季节中，DEM始终在中央盆地内呈现出广泛的升温效应（正的红色SHAP值），而周围的高海拔山区则始终呈现出强烈的降温效应（深蓝色）。此外，地形位置指数（TPI）突出了微地形的影响，其中城市结构中的局部凹陷区域始终显示出较高的正SHAP值，而局部山脊区域则显示出较低的SHAP值。

3.4.4. 主导因素的季节性变化
通过GeoShapley追踪四个季节中的单一因素，可以发现动态的空间足迹。例如，NTL（人为强度）在春季的空间升温足迹相对较小，且严格限制在商业中心。然而，在夏季，NTL的空间升温效应显著扩大，表现为一个巨大的、强烈的红色集群，主导着城市核心。到了秋季，这种空间强度减弱；到了冬季，高正SHAP值又退回到中央商务区。类似地，表面反照率在夏季表现出独特且反直觉的空间模式。与其冷却周边地区相比，反照率在城市核心内显示出集中的降温效应（深蓝色）。这表明，高反照率的人工表面（例如混凝土、反射性屋顶）在密集的城市中心提供了相对的热缓冲效应。然而，在春季，这种空间降温足迹大部分消失，转变为弱而普遍的升温效应。

总的来说，GeoShapley分解明确证明了昆明的热环境特征是多变的季节性驱动因素层次结构。绝对的地理坐标极大地调节了物理特征是作为热负担（正SHAP值）还是生态资产（负SHAP值），这严重依赖于其相对于盆地核心和山区边缘的相对位置。

4. 讨论
4.1. 植被物候与干旱效应
春季观察到的异常现象，即自然和植被LCZs表现出普遍的热应力和严重的冷却能力丧失，很可能是西南高原季风气候区宏观气候背景与植被物候之间耦合效应的深刻反映。这一机制通过季节性的LST-ET耦合分析（图9）得到了定量证实。在典型的极端干燥季节（春季），LST和ET之间出现了强烈的负相关性（R = ?0.67）。自然植被处于生长初期，冠层未闭合，导致严重的物理遮荫不足。同时，极端干旱和水资源短缺严重限制了气孔导度和蒸腾作用[48]。正如春季散点图中最低的ET值所证明的那样，这种潜热通量的停滞导致大量的短波太阳辐射直接转化为表面感热，危险地缩小了农村景观与城市核心之间的热差距。相比之下，夏季季风期间的充沛降雨预计会促进植物快速生长；由此导致的冠层密度和叶面积指数（LAI）峰值增强了物理遮荫和强烈的蒸散作用，有效地恢复了自然LCZs的热缓冲效果，但也加剧了相对城市热岛的强度[48]。

4.2. 温室农业的热效应
重要的是，LCZ D在春季的异常热特征，达到了与高密度建筑区相当的平均温度，这被认为与昆明独特的农业土地利用模式密切相关。在昆明的城郊地区，LCZ D主要由蔬菜和花卉温室种植区组成，这些区域通常由塑料薄膜覆盖的种植园组成[30]。这些温室覆盖物的存在被假设从根本上改变了自然地表的热动力特性。温室的塑料材料可能减少了垂直热交换，并增加了局部的大气反照，提供了非常有效的热绝缘效果[49]。在春季强烈的太阳辐射下，热量在温室内部和表面上迅速积累，可能导致其卫星检索到的LST显著高于传统自然低植被。确实，由于这种独特的热特征，之前的形态学研究甚至将农业温室定义为昆明的一个独立类别（LCZ H）[30]。随着夏季降雨量的增加、云层覆盖的增加以及温室内部可能的人工降温干预（例如机械通风和遮荫），其表面温度有所下降。总体而言，昆明的特征性温室农业在干旱季节构成了城郊地区不可忽视的“热源”，显著提高了区域背景热基线。

4.3. 空间非均匀性与微气候机制
GeoShapley空间分解清楚地表明，昆明的热环境受季节性层次结构的变化影响，地理环境决定了物理特征是作为热负担还是生态资产。昆明密集城市核心（LCZs 1–3）中的升温效应明显空间放大，主要与城市峡谷效应有关。在这些高密度中心区域，重叠的人为热排放和严重受限的空气动力学通风显著增强了不透水表面的 básico升温潜力[6,50]。相比之下，类似的建筑密度在通风良好的山区边缘时产生的热影响要弱得多，表明城市几何形状和通风条件比表面材料本身更强烈地调节热量保持。蓝绿基础设施的降温效率表现出强烈的空间和季节性变化[51]。滇池盆地持续的降温足迹反映了大型水体的稳定热缓冲能力，但其内陆影响随季节变化：夏季时由于湖泊风增强而扩大，冬季时则限制在河岸带。植被降温也显示出明显的空间阈值。在春季干燥季节，稀疏的冠层和延迟的物候减弱了蒸散能力，产生了GeoShapley图中观察到的混合升温-降温模式。即使在夏季，密集城市核心内的小片绿色空间也可能被周围的不透水表面和人为热源所淹没，支持了之前的研究发现，即植被降温效果强烈依赖于空间配置和连通性[52]。

昆明的高原盆地地形进一步加强了这种空间差异。盆地地形倾向于捕获热量并限制大气循环，加剧了中心低海拔区域的热积累。局部的微地形凹陷也可以作为热沉，促进了TPI空间SHAP图中观察到的热点分布。

4.4. 限制与未来展望
尽管本研究基于高分辨率观测提供了昆明季节性热环境的稳健空间分解，但仍存在一些限制需要关注。夏季精度下降和偶尔出现的异常值反映了复杂地形中的固有挑战，其中强烈的太阳辐射、密集建筑物的3D阴影、不透水表面的快速热吸收以及植被和水体的局部降温产生了巨大的微尺度热梯度，再加上LCZ边界处的混合像素效应，导致了低分辨率和高分辨率观测之间的差异。此外，依赖光学和热红外图像（Landsat、Sentinel-2）引入了晴空偏差；尽管多年的季节性合成图像减轻了严重的云层污染，但在多云或多雨季节，剩余的薄云和气溶胶仍然会导致平均热动态的代表性不足[53]。这种季风引起的数据限制也反映在辅助的蒸散（ET）产品中。正如夏季LST-ET散点图所观察到的，潮湿季节持续的云层覆盖严重干扰了ET的光学/热检索算法，导致数据缺口、插值异常（垂直聚集）以及LST-ET耦合的破坏。分析还受到卫星过境时间（约上午10:30）的限制，忽略了城市热岛效应的日内变化以及水体降温效率或建筑物热保留等特征的重要性的变化[25]。最后，尽管生物物理、形态学和地形驱动因素得到了有效分离，但在容易形成逆温层的高原盆地地形中，大气相互作用仍然未被解决。未来研究中结合LST与气溶胶光学深度（AOD）和人为气溶胶动态可以阐明热烟雾相互作用，并支持全面的城市气候缓解策略[54]。**结论**
在本研究中，我们通过计算多年的Landsat 30米地表温度（LST）合成图像，并将其与多种环境和人为因素相结合，探讨了昆明地区的季节性热动态变化。我们采用了SHAP和像素级别的GeoShapley方法来量化各特征对热动态的贡献，并解释空间异质性，从而实现对城市热效应的稳健且可解释的分析。
XBoost模型在所有季节中都表现出较高的预测准确性，有效捕捉了异质城市景观中的复杂非线性热动态变化。多年季节性分析揭示了一个显著异常现象：夏季建筑密集区出现极端高温，而春季自然和植被覆盖区域则普遍受到热应力影响，导致区域背景温度显著升高。这一春季异常可能与干旱导致的植被压力、蒸发蒸腾作用受限以及城郊地区温室农业的局部影响有关。
季节性驱动因素分析表明，不同季节的主要影响因素存在明显变化。在湿润的夏季和秋季，人为因素和建成环境因素（如城市密度、不透水表面和夜间光照强度）是热效应增加的主要驱动因素；而在干燥的春季和冬季，自然生物物理因素（如植被覆盖、水体和地形）的作用更为显著，这突显了气候背景在调节城市热岛效应中的重要性。
像素级别的GeoShapley分析进一步表明，城市特征的热效应存在强烈的空间非平稳性。高密度建成环境的增温效应在通风不良的城市中心区域更为明显，而在周边或通风良好的区域，相同因素带来的增温效应较弱。同样，植被斑块和水体的降温效果也高度依赖于具体环境，在连续分布或位于通风良好的郊区区域效果最佳，但在拥挤的城市中心区域则常被周围的人为热源所抵消。
总体而言，这些研究结果为高原盆地城市的气候适应性规划提供了实证依据，强调了在空间上有针对性地部署绿色基础设施、进行战略性城市设计以及管理局部热源的必要性，以缓解城市中心和城郊地区的极端热应力。