《Buildings》：Seasonal Contrasts of Heat and Cold Exposure in Urban Functional Zones: A Machine-Learning and GeoDetector Approach
编辑推荐：
频繁的极端气候事件对人类健康构成严重威胁。现有研究主要关注夏季热环境，而鲜有从城市功能区（UFZ）视角比较夏季与冬季极端气候风险。本研究利用机器学习方法更精确地分类了UFZ，并构建了热暴露与冷暴露指标。采用地理探测器（GeoDetector）分析了两种暴露类型
频繁的极端气候事件对人类健康构成严重威胁。现有研究主要关注夏季热环境，而鲜有从城市功能区（UFZ）视角比较夏季与冬季极端气候风险。本研究利用机器学习方法更精确地分类了UFZ，并构建了热暴露与冷暴露指标。采用地理探测器（GeoDetector）分析了两种暴露类型在各类UFZ中的驱动因素及交互作用。结果表明：UFZ分类总体精度达81.8%，Kappa系数为0.75；高热暴露集中在核心公共区、居住区和商业区，而高冷暴露则出现在外围工业区和绿地；双高暴露区位于三环与五环之间；工业区对两种暴露均呈正向贡献，而商业区、公共区和居住区对热暴露呈正向、对冷暴露呈负向贡献，绿地则呈现相反效应；弱势人口比例具有强解释力；热暴露交互作用以弱势人口、建筑形态和景观格局为主导，而冷暴露还受设施集聚程度和人类活动的影响，且在不同UFZ中机制各异。本研究将单季节热环境研究推进至多季节暴露与分区治理，以支持气候适应性更新。
本研究以频繁极端气候事件对人类健康的威胁为背景，指出现有研究多聚焦夏季热环境，缺乏从城市功能区（UFZ）视角对夏冬两季极端气候风险的系统对比。研究以北京五环内为案例区，利用多源数据（包括遥感影像、兴趣点（POI）、人口热力图、建筑形态及夜光数据），采用随机森林算法进行更精细的UFZ分类，并基于地表温度（LST）与人口数据构建热暴露与冷暴露指标。通过地理探测器（GeoDetector）分析各UFZ内驱动因素及其交互作用，并纳入儿童比例、老年比例及女性比例等弱势人口指标。研究旨在揭示大城市UFZ间热暴露与冷暴露的差异与关联，量化建筑形态、土地覆盖、景观格局、人类活动及弱势人口结构的影响，并探讨弱势人口与建成环境的交互效应。论文发表在《Buildings》。
关键技术方法方面，研究人员从五种多源大数据中提取84个特征：多光谱遥感数据计算各波段均值、标准差及归一化植被指数（NDVI）、归一化建筑指数（NDBI）、归一化水指数（NDWI）的均值和标准差；POI数据经重分类后提取频率特征（17个）和基于Word2vec模型的空间特征（10个）；人口热力图选取2022年9月26日（周一）24小时逐时均值；建筑形态数据计算容积率、建筑高度、建筑密度等指标；夜光数据取均值。分类使用随机森林模型，基于手动分类的739个样本（266个居住区、110个商业区、37个工业区、138个公共区、188个绿地），以80%训练、20%测试，参数设置n_estimators=200、min_samples_leaf=2。暴露估算将夏季和冬季LST标准化（冬季反向标准化）后与标准化人口相乘。空间自相关采用全局Moran’s I和局部Moran’s I识别高-高（HH）与低-低（LL）集聚区。高风险贡献指数（HCI）量化各类UFZ对高暴露的贡献。地理探测器分别运行三次取均值q值。驱动因素按建筑形态、土地覆盖、景观格局、人类活动与弱势人口结构分组，共22个指标。
研究结果如下。
**3.1 各UFZ的热暴露与冷暴露空间分布**：UFZ分类总体精度达81.8%，Kappa系数0.75。精度、召回率、F1分数及混淆矩阵显示模型对居住区、绿地和公共区分类良好，工业区因样本量少存在混淆但经校正后可靠（校正比例8.72%）。最终分类图（图3）用于分析。热暴露五级分类后，公共区、居住区和商业区高热暴露比例高，集中于核心城区和西北部；工业区位于四环与五环之间，因人口密度低，高热暴露比例并非最高；绿地低热暴露比例最大，分布于五环边缘和西部山区。冷暴露方面，工业区整体冷暴露最高，其次是绿地；四环外这两类区域多为高至极高冷暴露；居住区、商业区和公共区冷暴露较低，极低冷暴露集中于三环内。所有五类功能区均存在夏冬双高暴露区，分布在三环与五环之间的西南和东南区域，靠近郊区，表现为混合建筑密度和形态、高不透水面比例及裸地、大型工厂和仓库。
**3.2 热暴露与冷暴露的空间集聚格局及不同UFZ的影响**：热暴露HH集聚区主要分布在西城区、海淀区东南部和丰台区北部；冷暴露HH集聚区几乎全部位于四环外。HCI分析识别出三种模式：工业区对热和冷暴露的HCI均大于1（正贡献）；商业、公共和居住区对热暴露HCI大于1、对冷暴露小于1；绿地则相反（热暴露HCI小于1、冷暴露大于1）。
**3.3 关键因子对热暴露与冷暴露的空间影响差异及主效应**：因子探测器结果显示，在显著性水平0.05下，各因子q值在不同UFZ间差异显著。在五类功能区中，人口结构（儿童比例CR、老年比例ER、女性比例FR）对热暴露和冷暴露的解释力均较强，表明弱势人口与高暴露地块存在空间重叠。在商业区，建筑形态与活动强度因子（容积率FAR、建筑高度BH、建筑密度HBR、夜光强度NTL）对冷暴露的解释力高于热暴露。在绿地，景观多样性（SHDI）和蓝色-绿色空间比例（PLAND）对热暴露解释力高；冷暴露则由周围建筑密度（BD）、建筑体积（AV）、FAR、天空开阔度因子（SVF）、建筑孔隙度（BP）及POI密度共同驱动。工业区内儿童和老年比例q值高，归因于混合居住用地和邻近的生活服务建筑。公共区和居住区中，BP和空间聚集度（SCD）对热暴露解释力高，而BD、POI和BP对冷暴露解释力高。交互作用检测显示，热暴露高值交互组合以FR、ER、CR为核心，叠加建筑形态与景观因子；冷暴露高值交互组合多为CR和ER与BD、POI、BP、NTL、斑块密度（PD）、斑块形状指数（BSC）及AV的叠加，尤其突出于工业区、绿地和居住区。
**4. 讨论**部分回顾了特征类别对UFZ分类精度的影响，指出建筑形态、遥感波段、POI频率和空间特征最关键，而人口热力图和夜光特征重要性最低。讨论了热暴露与冷暴露在不同UFZ中分布差异的机制，强调功能区划分相比局地气候区（LCZ）更契合城市管理实践，且人口暴露分析需纳入弱势人群以增强社会公平性解读。此外，指出本研究仅基于LST和人口数据的静态暴露，未纳入气温、湿度、风、太阳辐射等气象因素及生理等效温度（PET）或通用热气候指数（UTCI）等热舒适指标，可能产生偏差，但所构建的指标在大尺度区域映射中具备可重复性和标准化优势。同时讨论了功能区导向的规划建议：绿地区应注重季节性适应设计；居住区应优化建筑间距与通风路径；商业区需控制人流与停留时间；工业区需提升工人及周边居民的热冷防护能力；公共区需关注弱势人群聚集节点的精细化改造。
**5. 结论**翻译如下：
本研究利用地表温度（LST）和总人口数据构建了热暴露与冷暴露指标，并结合随机森林模型得出的城市功能区（UFZ）分类结果，详细调查了不同功能区热暴露与冷暴露的分布格局和空间集聚模式，并检验了各自的驱动因素及交互效应。结果揭示了以下发现：
（1）UFZ分类获得了满意的精度，总体精度为81.8%，Kappa系数为0.75。高热暴露区域集中在核心城区的公共区、居住区和商业区。高冷暴露区域主要分布于外围工业区和绿地。所有功能区中均存在一小部分夏季和冬季双高暴露区，主要集中于西南和东南区域。
（2）夏季热暴露的高-高（HH）集聚区分布于西城区、海淀区东南部和丰台区北部。冬季冷暴露的HH集聚区几乎完全位于四环以外。高风险贡献指数（HCI）分析表明，工业区对热暴露和冷暴露均呈正贡献。商业区、公共区和居住区对热暴露呈正贡献，对冷暴露呈负贡献。绿地对热暴露呈负贡献，对冷暴露呈正贡献。
（3）弱势人口比例在所有功能区中均表现出高解释力。儿童和老年人等弱势群体所在的空间环境进一步放大了暴露。热暴露的高值交互主要由弱势人口、建筑形态和景观格局的叠加形成。冷暴露的高值交互更全面地由弱势人口、建筑密度、设施密度和活动强度驱动。不同功能区的热暴露与冷暴露机制各异。
总体而言，本研究的核心贡献在于将热冷环境研究从单一温度水平分析推进到基于精确功能区的多季节人口暴露识别和差异化治理，为未来城市更新和气候适应性建设提供了规划导向参考。
