可解释-因果学习框架用于识别地表城市热岛强度的驱动因素:来自中国527个城市集群的证据

《Ecological Indicators》:An interpretable–causal learning framework for identifying the drivers of surface urban Heat Island intensity: evidence from 527 urban clusters in China

【字体: 大 中 小 】 时间:2026年07月28日 来源:Ecological Indicators 8.7

编辑推荐:

  研究人员在全球化变暖和快速城市化的共同影响下,城市形态已成为通过影响地表物理特性和城市能量平衡而与地表城市热岛强度(SUHII)变化相关的重要因素。然而,现有研究主要依赖统计相关性分析,且通常缺乏参考区域的标准定义或对混杂变量的充分控制,从而难以区分环境干扰并

  
研究人员在全球化变暖和快速城市化的共同影响下,城市形态已成为通过影响地表物理特性和城市能量平衡而与地表城市热岛强度(SUHII)变化相关的重要因素。然而,现有研究主要依赖统计相关性分析,且通常缺乏参考区域的标准定义或对混杂变量的充分控制,从而难以区分环境干扰并识别SUHII的潜在驱动因素及其空间变异性。为解决这些局限性,本研究利用Google Earth Engine平台构建了一个多约束框架,用于量化中国527个城市集群的SUHII,并整合LightGBM-SHAP与双机器学习(DML)建立了一个结合相关性分析、因果推断和机制解释的分析框架。结果表明,中国夏季白天的SUHII呈现显著的空间异质性,东部和南部地区普遍高于西部和北部地区。相关性分析识别出不透水表面比例(ISF)和树冠覆盖率(PT)为主要统计预测因子。然而,因果推断表明,在全国尺度上,ISF(平均处理效应ATE=0.374)、最大斑块指数(LPI, ATE=0.253)和水体比例(PW, ATE=?0.240)在因果推断框架内表现出相对稳健的平均估计效应。相比之下,PT、建筑高度(BH)和斑块密度(PD)表现出显著的情境依赖性,其热调节效应在不同气候条件下变化,这可能解释了它们在因果框架内不一致的显著性。通过将基于相关性的识别与因果验证相结合,本研究有助于阐明城市形态对SUHII影响的范围和局限性,并为制定旨在提高气候适应性的差异化、循证城市规划策略提供科学支持。
**论文解读:基于可解释-因果学习框架的城市地表热岛强度驱动因素识别——来自中国527个城市集群的证据**

**一、研究背景、问题与意义**

在全球变暖和快速城市化背景下,自然地表被建筑和道路等不透水面取代,改变了地表辐射和能量平衡,导致城市吸收更多热量,加剧了城市热岛(UHI)效应。城市热岛效应已成为影响城市可持续发展的重要环境挑战,威胁人类健康、热舒适度,增加能源需求,并对空气质量和生态稳定性产生不利影响。联合国可持续发展目标(SDGs)中的“可持续城市与社区(SDG 11)”和“气候行动(SDG 13)”强调加强城市气候韧性和改善城市生态环境的重要性。因此,科学理解城市热岛效应及其潜在机制对于推进气候适应性城市发展和改善人居环境至关重要。

现有研究存在以下问题:首先,城市热岛强度(SUHII)的量化通常依赖静态几何方法(如固定距离缓冲区)定义非城市参考区域,难以考虑生态背景、热环境条件和土地覆盖特征的空间异质性,导致不同城市间SUHII估算的可比性受限。其次,城市形态表征已从简单土地覆盖组成发展为多维度指标体系,但变量间耦合关系和非线性交互作用复杂,准确识别多维城市形态变量对SUHII的相对贡献及其主导机制仍是重要挑战。第三,以往分析多采用统计相关性或机器学习方法,虽能识别统计关联和非线性特征,但难以区分统计关联与潜在因果关系,在复杂城市系统中可能高估或低估城市形态的影响。近年来因果推断方法为检验城市形态对SUHII的潜在效应提供了替代分析视角,但多数研究仍集中于单一分析范式,机器学习与因果推断框架的有效整合相对有限。

为填补上述研究空白,本研究对中国527个城市集群进行系统性全国分析,采用统一数据集和分析框架。首先,通过整合植被动态与热岛足迹分析,开发了一种多约束方法划定非城市参考区域,实现全国尺度夏季白天SUHII的一致量化和表征。其次,结合机器学习与因果推断技术,检验城市形态指标与SUHII的非线性关系,并评估其潜在因果效应和空间异质性。第三,整合相关性分析、因果推断和机制解释,建立“相关性-因果性-机制”的综合分析框架,将分析从相关性描述扩展到潜在因果关系的系统检验。本研究有助于提高SUHII量化的可靠性和驱动机制识别的准确性,为制定差异化的城市热环境调控策略和气候适应性城市规划提供科学支持,并为落实联合国可持续发展目标(SDG 11和SDG 13)提供理论参考。论文发表在《Ecological Indicators》。

**二、主要技术方法**

本研究采用以下关键技术方法:(1)基于Google Earth Engine(GEE)云平台,整合MODIS地表温度(LST)、ESA-CCI土地覆盖、DEM、NDVI等多源遥感数据,构建多约束框架量化SUHII。样本来源为中国527个城市集群,基于城市聚类算法(CCA)识别建成区边界,通过多约束筛选(排除水体、高UDI区域、高程差异>±50 m区域、植被变化显著区域及邻近城市热岛足迹区域)划定非城市参考区域。(2)采用LightGBM进行回归分析,并通过SHAP(SHapley Additive exPlanations)解释变量贡献和非线性响应模式。(3)引入双机器学习(DML)框架进行因果推断,使用LinearDML估计平均处理效应(ATE),使用CausalForestDML估计条件平均处理效应(CATE),并进行安慰剂检验验证稳健性。

**三、研究结果**

**3.1 SUHII的空间异质性与区域聚类**
通过多约束框架量化全国527个城市集群的夏季白天SUHII,发现空间分布呈现东部和南部高、西部和北部低的特征。高强度热岛区域主要集中于华北平原、长三角、长江中游和珠三角等高度城市化区域,峰值SUHII超过3.5°C。西部和高海拔地区城市集群SUHII较低,干旱西北地区和青藏高原多数城市集群SUHII低于0.5°C。亚热带气候区(尤其是中、北亚热带)超过60%的城市集群SUHII超过2.0°C,温带气候区集中在1.0–2.0°C,高原气候区以低值为主。全局Moran's I分析显示显著正空间自相关(Moran's I=0.372,z-score=32.16,p<0.001),表明高-高和低-低SUHII城市集群均呈现空间聚类。

**3.2 城市形态的非线性效应与特征贡献**
**3.2.1 SHAP汇总图与特征贡献排序**
基于LightGBM-SHAP分析,不同城市形态指标对SUHII的解释存在层次性。不透水表面比例(ISF)表现出最一致的正向关联,SHAP值主要分布于正值范围,尤其是高值样本。树冠覆盖率(PT)的SHAP值集中于负值范围,且冷却效应随PT增加而增强。斑块密度(PD)和建筑高度(BH)呈现双向非线性响应,PD的SHAP值跨越正负范围,BH的SHAP值近似对称分布。最大斑块指数(LPI)和水体比例(PW)贡献相对较小,SHAP值集中于零附近。总体表明地表特征起主导作用,空间配置和景观格局变量提供补充性、情境依赖的影响。

**3.2.2 不同气候区的特征贡献差异**
分气候区分析显示,城市形态变量的贡献呈现显著情境依赖性。从温带向暖湿低纬度地区过渡时,变量效应的幅度和离散度均增加。ISF在所有气候区保持稳定正向关联,高值样本(SHAP>0.3)在暖温带和亚热带(如NSTZ和MSTZ)更集中。PW和PT的冷却相关关联在亚热带更明显,温带较弱。BH和PD在所有气候区均呈现双向SHAP分布,PD在低纬度地区负值比例略高。LPI贡献相对有限且稳定。

**3.3 城市形态对SUHII的因果效应**
**3.3.1 平均因果效应**
基于LinearDML估计的平均处理效应(ATE)显示,ISF具有最强的正向估计效应(ATE=0.374,95% CI: [0.241, 0.507]),表明不透水面增加与热岛效应增强强相关。LPI也表现出显著正向效应(ATE=0.253),表明大型连续建成区可能强化热积累。PW呈现稳定负向效应(ATE=?0.240),表明水体比例增加与城市热强度降低相关。PT(ATE=?0.130)、PD(ATE=?0.150)和BH(ATE=0.013)的置信区间均包含零,表明其平均效应不显著,存在显著空间异质性。

**3.3.2 不同气候区的异质性因果效应**
基于CausalForestDML估计的条件平均处理效应(CATE)并结合气候分区分析,变量可分为两类:稳定型(ISF、LPI、PW)和环境敏感型(PT、BH、PD)。稳定型变量效应方向基本一致,但幅度随水热条件变化。ISF正向效应从温带向亚热带逐渐增强,在北亚热带(NSTZ)达到最高(0.547)。LPI类似。PW在所有气候区保持负向效应,暖湿区域冷却效应更强。环境敏感型变量呈现显著区域分化。PT在暖湿区域(MSTZ和SSTZ)偏向正向效应,显示植被-热环境关系非单向。BH在南亚热带(SSTZ)呈冷却效应,在北亚热带(NSTZ)转为弱增温效应,表明遮阳与街谷几何的相互作用随气候差异。PD在北亚热带(NSTZ)冷却效应最强,表明景观破碎度与热环境关系高度情境依赖。

**3.3.3 安慰剂检验**
通过随机置换处理变量构建零效应分布,安慰剂检验显示ISF、PW和LPI的真实效应显著偏离安慰剂分布,支持这些估计效应的稳健性。PT和BH的效应与安慰剂分布相当,表明缺乏稳健的全国尺度平均效应,与CATE分析揭示的异质性一致。

**四、讨论与结论**

**讨论部分总结**:本研究通过整合相关性分析与因果推断,从统计关联推进到潜在机制检验。LightGBM-SHAP分析识别出ISF和PT为重要关联因子,但DML因果推断显示,在控制气候和社会经济混杂因素后,仅ISF、LPI和PW保持稳健估计效应,而PT、BH和PD的效应显著减弱,表明其与SUHII的关系受环境背景强烈影响,呈现空间异质性。PT的冷却效应高度依赖气候背景、植被蒸腾效率和城市空间配置,因此在全国尺度上平均效应不显著。BH和PD的效应同样具有情境依赖性,与街谷几何、通风条件和景观组织有关。此外,因果效应的空间异质性表明,城市形态与SUHII的关系受到气候条件调节,ISF和LPI在暖湿地区热积累效应更强,PW在蒸发潜力高的区域冷却效应更显著。基于此,研究提出差异化城市热环境调控策略:对于稳定型变量(ISF、LPI),应限制不透水面扩张和连续高密度建成区形成,推广透水铺装、冷屋顶技术;对于PW,应加强蓝绿基础设施保护;对于环境敏感型变量(PT、BH、PD),应根据气候条件调整规划,如在暖湿区域注重绿色基础设施与通风廊道协同设计,在干冷或过渡气候区注重绿地配置效率和生态适宜性。研究还指出低收入或高密度社区可能面临更大热暴露脆弱性,气候适应政策应关注蓝绿基础设施公平分配。局限性包括:1 km分辨率数据难以捕捉城市内部微尺度特征;未包含街谷形态、建筑材料热属性等微尺度变量;仅关注夏季白天热岛特征,未来需整合多时相遥感、实时监测和AI辅助数字孪生技术。

**研究结论翻译**:本研究考察了中国527个城市集群,采用多约束方法划定非城市参考区域,实现了全国尺度夏季白天SUHII的一致量化。此外,开发了整合“相关性、因果性和机制”的综合分析框架,系统检验了城市形态与城市热环境之间的关系。结果表明,中国夏季白天SUHII呈现清晰的空间格局,东部和南部相对较高,西部和北部较低。城市形态与SUHII的关系并非简单线性响应,而是涉及显著的非线性特征和空间异质性,嵌入更广泛的区域模式中。通过整合LightGBM-SHAP关联分析与DML因果推断方法,本研究将统计关系分析和因果效应估计纳入统一框架,为评估复杂环境背景下城市形态变量的相对贡献提供了更系统的证据。在机制层面,研究识别出ISF、LPI和PW为在全国尺度上与SUHII关系相对稳健的变量。ISF增加和建成区空间连续性增大一致与更强的城市热岛强度相关,而PW在不同区域表现出相对稳定的冷却关联。相比之下,PT、BH和PD的估计效应表现出显著的气候和情境依赖性,其热调节关系在不同环境条件下差异显著。基于这些发现,城市热环境管理可能更应注重限制不透水面扩张和过度连续的高密度开发,同时整合透水铺装、蓝绿基础设施和优化通风廊道等措施,以支持跨气候区的差异化热环境调控策略。总体而言,本研究为检验城市形态与城市热环境之间的关系提供了一个综合分析框架,并为不同气候区域制定差异化城市降温策略、蓝绿基础设施规划和气候韧性热环境管理提供了证据支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号