《Remote Sensing》：Daytime–Nighttime Contrasts in Morphology–LST Associations Across Urban Functional Zones Under Heatwave Conditions: Evidence from Beijing and Nanjing, China
编辑推荐：
极端热浪加剧了城市热岛效应，并对城市可持续发展和人类健康构成日益严重的风险。然而，城市形态与昼间和夜间地表温度（land surface temperature, LST）在不同城市功能区（urban functional zones, UFZs）之间的关联，
极端热浪加剧了城市热岛效应，并对城市可持续发展和人类健康构成日益严重的风险。然而，城市形态与昼间和夜间地表温度（land surface temperature, LST）在不同城市功能区（urban functional zones, UFZs）之间的关联，尤其是在热浪条件下的关联，仍未被充分理解。为弥补这一空白，该研究整合了源自SDGSAT-1的昼间和夜间LST数据、多维度城市形态指标以及两种可解释集成模型（XGBoost和GWRF），以探究中国北京和南京城市形态与LST之间的总体样本级非线性模型关联，并探索局部预测因子重要性的空间变化。由于昼间和夜间影像并非总是在同一次热浪事件中成对获取，因此分析聚焦于选定的热浪条件观测。结果显示，在选定的昼间和夜间观测之间，UFZ层面的热力格局存在显著差异。工业区通常表现出最高的昼间LST，而居住区表现出最高的夜间LST。建筑密度被识别为两个城市昼间LST的主要模型预测因子，尽管其与LST的关联呈非线性且随密度区间而变化。相比之下，夜间LST的预测因子关联更为异质，涉及植被结构、天空开阔度、建筑形态、人为活动指标和材料相关变量，其相对重要性因城市和UFZ类型而异。局部预测因子重要性模式也随街区、城市和观测时间而变化，表明模型识别的局部重要预测因子在每个城市内部并非空间均匀。这些发现凸显了SDGSAT-1昼间和夜间热红外观测与可解释机器学习在热浪条件下筛选候选局部热优先区域和关键形态相关因素方面的潜力。
该论文发表于《Remote Sensing》。全球城市化已使过半人口居住在城市，深刻改变了地表覆盖和生态过程，破坏了地表能量平衡，加剧了城市热岛（UHI）效应和极端热浪的影响。世界卫生组织估计2000—2019年间每年约48.9万人死于高温相关因素。已有卫星热红外数据存在时空分辨率矛盾：MODIS虽有昼夜观测但1 km分辨率过粗；Landsat有较高分辨率但缺夜间热观测；ECOSTRESS过境时间不规则，观测日期常不一致。SDGSAT-1提供30 m昼/夜LST，但尚未充分用于热浪下的形态-温度关联分析。此外，以往研究多聚焦二维平面指标，较少整合三维形态、材料与植被；城市-乡村二分法忽视内部异质性；局部气候分区（LCZ）缺乏社会经济功能信息；而城市功能区（UFZ）能更好表征人为热和社会经济异质性。形态-LST关联多为非线性、尺度依赖和空间变化，线性模型解释力有限，XGBoost等黑箱模型需结合SHAP和GWRF进行可解释与局部空间分析。为此，研究人员在北京和南京开展研究，以探究热浪条件下UFZ尺度昼夜LST格局、形态-LST非线性关联及局部预测因子重要性空间变化。
研究人员基于SDGSAT-1的昼/夜LST、多源数据构建30 m分辨率多维指标体系，采用XGBoost-SHAP量化非线性关联与相对重要性，用GWRF绘制局部预测因子重要性空间格局。结果显示：在UFZ尺度，工业区昼间LST最高，居住区夜间LST最高；建筑密度是昼间LST的首要模型预测因子，呈S形非线性关联；夜间LST的预测因子更混杂，涉及植被、天空开阔度、建筑形态、人为活动和材料变量；局部重要性格局随街区、城市和昼夜而变化。意义在于高分辨率昼夜热观测结合可解释机器学习可为热浪下的精细尺度城市热监测和局部优先区筛选提供支持，并服务于SDG 11和SDG 13。
主要技术方法方面，研究区域为中国北京和南京，分别划分为1565和1213个城市街区；UFZ分类基于OSM路网和POI核密度估计，并用Google Earth影像人工修正。LST由SDGSAT-1 TIS 30 m热红外波段经广义分裂窗算法反演，大气水汽来自ERA5。形态指标包括2D/3D建筑、植被结构、人为活动和材料存量等候选变量，经Pearson相关和方差膨胀因子（VIF）筛除共线性变量。建模采用XGBoost-SHAP和GWRF，并使用基于空间分组的交叉验证评估泛化性能。
研究结果如下。3.1 热浪条件下昼/夜LST分布格局：基于SDGSAT-1 LST制图和UFZ分层统计，两城市昼间LST呈局地化高温斑块，夜间LST在建成区呈连续暖带。北京工业区昼间LST最高（35.19±1.6 °C），南京工业区亦最高（34.13±1.2 °C）；夜间两城市居住区最高（北京27.27±0.4 °C，南京25.83±0.5 °C）。3.2 城市形态与LST的模型关联：基于XGBoost-SHAP的独立空间测试集SHAP值，昼间建筑密度（BD）在两个城市均为最重要变量，较高BD对应较高预测LST；建筑高度（BH）、容积率（FAR）、FA等三维建筑指标多与较低昼间LST关联；树木相关指标（TD）表现为降温关联。夜间特征重要性结构改变：北京以TD、天空开阔度（SVF）、BD为主，南京以BD、SVF、FA、NL为主；SVF越高夜间LST越低；TD由昼间降温转为夜间增温；BD在夜间呈倒S形。SHAP依赖图显示BD与昼间LST呈S形，0.25—0.5区间急剧上升；BH在约15—25 m处由正转负；TD约0.2处由正转负；夜间BH在约15 m以上转为正关联。3.2.2 不同UFZ中城市形态的相对贡献：按UFZ分层解释全局模型后，居住区主要与BD、TD关联；商业区中BH等三维建筑特征相对重要；工业区在南京出现更多材料相关和人为活动指标（如Timber、Steel、Brick、POP、NL），北京工业区Timber在昼夜均居首位；公共服务区日间以BD、BH为主，夜间涉及TD、SVF、BD及人为/材料变量。说明形态-LST关联因UFZ类型和城市而异。3.3 局部预测因子重要性的空间格局：GWRF用于局部重要性制图。北京昼间BD、BH高值集中于老城核心和过渡区；夜间TD大面积高值，SVF、BH局部重要。南京昼间BD、TD、FAR、BH围绕老城核心和邻近建成区；夜间BD、SVF、FA、NL的高值斑块更分散。从主导预测因子频率看，北京昼间BD/BH主导街区广泛分布；北京夜间TD在591个街区成为最频繁主导因子；南京昼夜均更多样。残差莫兰指数（Moran's I）显示空间自相关仍显著，故局部FI图应视为描述性空间模式。
讨论部分首先通过与MODIS Terra的分布一致性诊断（中位数平移后直方图重叠度提升）说明SDGSAT-1 LST在热浪条件下具有总体分布一致性，但存在系统性偏移，不能视为绝对精度验证。其次解释昼夜关联差异的机制：昼间高密度建筑通过蓄热和抑制蒸发增温，三维形态遮荫可降温；夜间热储存释放和低天空开阔度限制长波辐射损失导致增温；植被白天通过遮荫和蒸腾降温，夜间因气孔关闭和长波辐射阻挡而呈现增温关联。第三，UFZ和局地异质性表明工业区与材料/人为活动相关，商业区与三维形态相关，居住和公共服务区与BD/TD相关；老城核心局部重要性较连续，新建区较破碎。规划启示强调需兼顾白天降温和夜间散热，分区制定策略。局限性包括昼夜影像非同一热浪事件成对、材料数据分辨率粗、LST主要反映水平表面辐射、残差空间自相关仍显著等。
结论部分翻译：该研究提供了热浪条件下城市形态-LST非线性关联和局部预测因子重要性空间变化的基于模型的评估。利用可解释机器学习框架和SDGSAT-1昼夜过境观测，研究人员考察了北京和南京UFZ间的形态-LST对比关联。由于昼夜影像并非总在同一热浪事件中成对获取，这些结果应解释为选定热浪条件观测之间的对比。主要发现如下：第一，在热浪条件下，北京和南京UFZ热力格局在选定的昼间和夜间观测之间存在差异：工业区昼间LST最高，居住区夜间LST最高，表明UFZ尺度热力排序随昼夜影像而不同。第二，城市形态在选定的昼夜观测之间表现出相反的模型关联：建筑密度通常与较高昼间LST相关，而一些三维建筑形态和植被指标通常与较低昼间LST相关，但与较高夜间LST相关；SHAP依赖图还提示近似模型指示的非线性模式，如BD与昼间LST的S形关联。第三，探索性局部FI图表明，局部重要预测因子在不同城市内部街区、城市和观测时间之间变化；建筑相关预测因子在许多昼间街区更突出，而夜间模式更空间多样，主要涉及植被、天空开阔度、建筑形态和人为活动；老城核心往往呈现相对连贯的重要性模式，而周边建成区和扩展区更破碎。总体而言，这些结果支持采用分区且形态知情的策略来筛选候选热缓解优先事项并支持气候韧性城市规划，与SDG 11和SDG 13一致。更广泛地，该研究凸显了将高分辨率昼夜卫星热观测与可解释机器学习相结合以考察热浪条件下精细尺度城市热模式的价值。
