时态加权地表温度：从多年观测到目标年参考热表面

《ISPRS International Journal of Geo-Information》：Temporally Weighted Land Surface Temperature: From Multiyear Observations to a Target-Year-Referenced Thermal Surface

　　

精确表征地表温度（LST）对于城市热环境分析至关重要。然而，常用的LST表征存在固有局限性。例如，单一年份LST可能受到特定年份异常的影响，而多年平均值可能掩盖近期变化。这两种表征都没有解决如何在单个空间LST表面内平衡目标年相关性和持续历史信息的问题。因此，本研究提出了一种时态加权地表温度（TWLST）方法，该方法使用时间衰减权重和半衰期参数来实现上述平衡，并生成用于空间分析的连续LST表面。该框架分别在京津冀区域和北京城市尺度上应用，以检验其适用性。在两次应用中，TWLST高温（HT）区域与参考LST HT区域的空间重叠范围分别为0.577至0.733和0.666至0.863。TWLST特有HT区域的历史年LST异常高于目标年特有HT区域，中位配对差异分别为1.16°C和2.49°C。这些结果表明，TWLST优先识别持续温暖的位置，同时保留主要的高温模式。建模和解释分析进一步表明，LST表征的变化可能影响模型性能和解释变量的相对重要性。

论文解读：时态加权地表温度方法及其在热环境分析中的应用

《ISPRS International Journal of Geo-Information》近期发表了一篇题为《Temporally Weighted Land Surface Temperature: From Multiyear Observations to a Target-Year-Referenced Thermal Surface》的研究论文。该研究聚焦于城市热环境分析中地表温度表征的局限性，提出了一种创新的时态加权方法，以平衡目标年相关性与历史热背景信息，为空间热环境研究提供了新的技术手段。

**研究背景与问题**

随着全球气候变暖，极端高温事件频发，城市热岛效应加剧，对人体健康和居住舒适度造成显著影响。精准刻画城市热环境的空间特征，对于热风险评估、暴露分析和缓解规划至关重要。卫星遥感反演的地表温度（LST）能够提供高空间分辨率的反复观测数据，成为热环境分析的主要数据源。然而，现有的LST表征方式存在固有缺陷：单一年份LST易受年际气候异常和观测条件波动影响，难以反映长期热背景；多年平均值虽能平滑年际波动，但会掩盖近期变化趋势。这两种方法均无法在单一空间LST表面上同时兼顾目标年相关性与历史持久性信息。因此，研究人员亟需开发一种能够整合多年观测数据、并以目标年为参考的连续热表面构建方法。

**研究目的与意义**

本研究旨在提出时态加权地表温度（TWLST）方法，通过引入时间衰减权重和半衰期参数，实现从多年LST观测到目标年参考热表面的聚合。TWLST保留了原始LST单位，可直接用于空间分析，如高温区域识别、热岛强度分级及驱动因子建模。该方法在区域和城市尺度上分别以京津冀地区和北京为例进行验证，评估其适用性。研究的重要意义在于，TWLST不仅降低了单年年际变率的影响，还使目标年参考的高温模式能够反映历史持久性，为热环境分析提供了更稳健的空间表征。

**关键技术与方法概述**

研究人员采用的主要关键技术包括：1）基于指数衰减函数构建时态权重，并引入半衰期参数（λ）控制历史信息保留量，λ=5年作为主设置，同时测试λ=3年进行敏感性分析；2）利用MOD11A2（2002–2024年，1 km分辨率）和Landsat 8 Collection 2 Tier 1 Level-2（2013–2024年，30 m分辨率）遥感数据，分别生成区域和城市尺度的年夏季LST；3）采用均值-标准差法进行热岛强度分级；4）使用XGBoost结合SHAP解释模型，评估LST表征变化对驱动因子相对重要性的影响。所有分析均在Python 3.11.5中完成，使用xgboost 3.2.0和shap 0.51.0包。数据来源包括数字高程模型（DEM）、夜间灯光（NL）、人口密度（POP）、归一化植被指数（NDVI）、增强型植被指数（EVI）、改进归一化水体指数（MNDWI）和归一化建筑指数（NDBI）等空间解释变量。

**研究结果**

**4.1 时态权重特征与半衰期敏感性**
通过比较指数、截断线性、高斯和双曲四种权重函数，研究者发现指数函数在近期五年累积权重（52.15%）与远期历史信息保留（21.77%）之间取得平衡，时态质心为5.74年，因此被选为TWLST的主权重函数。半衰期从5年改为3年时，京津冀区域Spearman秩相关系数为0.9988，高温区域Jaccard指数为0.9459；北京对应值分别为0.9989和0.9628，表明TWLST空间格局对参数设置稳健。

**4.2 TWLST空间格局**
在京津冀区域，TWLST显示自西北向东南的梯度，高温集中在主要城市中心，区域均值32.62°C（SD=3.43°C），热岛阈值为34.34°C，非热岛面积占67.55%，低级热岛（1–2级）占25.86%，高级热岛（3–4级）占6.59%。在北京，TWLST呈现西北低、东南高的格局，城市均值32.66°C（SD=4.17°C），热岛阈值34.74°C，非热岛面积59.42%，1级热岛为主导（29.01%），高级热岛仅占2.65%。两应用均显示热岛以低级强度为主，高级强度局限在城市核心区。

**4.3 TWLST评估结果**
空间一致性评估：以10%高温区域阈值，TWLST与2024年LST、近期五年均值LST、多年均值LST的Jaccard指数在京津冀分别为0.58、0.73、0.69；在北京分别为0.67、0.80、0.86。使用公共温度阈值时，排名不变。表明TWLST保留了主要高温模式，但重叠排名因应用而异，可能与观测序列长度有关（北京系列较短，多年均值权重衰减较小）。历史持久性评估：通过叠加TWLST和2024年LST的高温区域，得到重叠区、TWLST特有区和2024年LST特有区。TWLST特有区的历史年LST异常中位数在京津冀为3.75°C，2024年LST特有区为2.50°C，中位配对差异1.16°C（p<0.001）；北京分别为6.39°C和3.78°C，差异2.49°C（p<0.001）。表明TWLST优先识别历史持续温暖的区域，而非仅目标年突出的位置。

**4.4 不同LST表征下的解释建模结果**
分别以TWLST和2024年LST作为响应变量，使用相同解释变量构建XGBoost模型。TWLST模型在两地均表现更优：京津冀R²=0.86 vs 0.84，RMSE=1.29 vs 1.39；北京R²=0.88 vs 0.83，RMSE=1.47 vs 1.84。SHAP分析显示，DEM在两地均为最重要预测因子，但MNDWI在京津冀TWLST模型中重要性上升，NDVI在两地TWLST模型中重要性下降。表明LST时态表征的变化不仅影响模型性能，还改变了解释变量的相对重要性排序。

**讨论与结论**

讨论部分指出，TWLST将多年时间信息聚合为单一年份参考热表面，有助于直接纳入目标年空间分析。与以往的长时序LST研究不同，TWLST更注重整合时间序列中的信息分布，而非仅讨论趋势。TWLST特有区域的历史持续性优于目标年LST特有区域，验证了方法在突出持久热斑方面的优势。两应用间高温重叠排名的差异可能与观测序列长度有关。TWLST模型性能提升归因于其更稳定地反映持久空间温度梯度，而驱动因子重要性变化则表明热环境分析结论不仅依赖于预测变量选择，还受响应变量时态表征的影响。研究局限性包括：仅涵盖北方城市、两应用间多个因素同时变化、仅考虑暖季白天LST、解释变量与TWLST时间不完全对齐等，未来需拓展至不同气候区、夜间应用、全天空产品及更长半衰期设置。

研究结论翻译如下：本研究提出了一种以目标年参考的时态加权框架，其中指数时间衰减用于对历史观测进行加权，半衰期参数提供了对保留历史信息量的明确控制。在京津冀和北京的应用表明，TWLST保留了主要的高温空间结构，并在所测试的半衰期设置和高温区域阈值下保持稳定。与2024年LST相比，TWLST特有区域表现出更高且更持久的历史热强度，表明TWLST更突出持续高温的位置。两应用间高温区域与参考LST表面重叠的排名存在差异，表明TWLST空间格局也受可用观测记录时态结构的影响。总体而言，TWLST提供了一种可解释且可调节的方法，用于将多年LST观测聚合为可直接应用于空间分析的热表面。