利用广义随机森林估算景观干预对城市热环境的因果效应

《Sustainable Cities and Society》：Estimating the causal effects of landscape interventions on urban thermal environments using generalized random forests

　　摘要：机器学习模型以及事后解释工具，如XGBoost和SHAP，已被广泛用于研究城市景观与热环境之间的复杂关联。然而，这些方法主要是为了解释预测模型，因此不足以直接回答反事实问题。为弥补这一缺陷，本研究以北京为例，应用基于广义随机森林的因果推断框架，来评估景观干预对地表温度的影响。通过使用自适应局部权重，广义随机森林可以直接比较相似的城市街区，以物理单位估算剂量-反应效应及其空间差异。研究结果表明，用水体、树木或耕地替代1个百分点的不透水表面覆盖，可分别使地表温度降低0.050 ± 0.023℃、0.042 ± 0.011℃和0.034 ± 0.012℃，而用建筑覆盖替代则会使地表温度上升0.022 ± 0.014℃。建筑高度、建筑高度变化以及表面反照率也能产生显著的降温效果，而在考虑了土地覆盖组成后，其他所有景观配置指标均无显著影响。此外，研究还发现了强烈的非线性及空间异质性效应：植被、水体和反照率干预的边际降温效果通常会逐渐减弱，而树木、建筑高度变化和反照率的降温效果在高度城市化或城市中心区域最为显著。总体而言，所提出的框架为不同地方条件下的城市热岛缓解提供了定量依据。

引言：全球变暖引发了气候系统的前所未有的变化，极大地加剧了极端热事件的频率和强度（Calvin等人，2023年）。这种气候威胁，再加上快速城市化带来的城市热岛效应，使得城市环境面临严重的过热风险（Santamouris，2020年）。城市过热不仅会增加建筑制冷能耗，还会对公共健康构成直接威胁，加重与热相关的疾病和死亡人数（Matthews等人，2025年；Wu等人，2025年）。在各种缓解策略中，改变城市景观特征被认为是最有效的途径之一。这些主要决定因素包括景观组成（如土地覆盖比例）、景观配置、三维形态以及表面反射率（Logan等人，2020年；Peng等人，2018年；Wang等人，2024年）。

评估景观干预的核心挑战在于分离特定设计变更对温度的因果效应。原则上，随机对照试验是识别此类效应的金标准：理想情况下，应保持各城市街区的所有条件不变，引入单一变化（如建筑密度增加1%），然后观察随后的温度变化。然而，在真实城市中进行此类实验几乎是不可能的，因为改变真实城市形态成本高昂且受到伦理限制。因此，对城市热干预的评估主要依赖于观测数据（R. Zhang等人，2026年）。

现有的城市热研究通常将随机森林、极端梯度提升算法和光梯度提升机等预测模型，与部分依赖图和Shapley加性解释等事后可解释人工智能工具相结合，用以研究景观与温度之间的关系（Guan等人，2025年；Logan等人，2020年；Wang等人，2023年；Zeng等人，2025年）。这些方法能够识别非线性关联和交互效应，但其事后输出结果只是解释了已拟合预测模型学到的模式，而非直接估算干预效应。因此，部分依赖图和Shapley曲线主要显示的是模型预测如何随某一特征变化，其本身不应被解读为因干预该特征而导致的温度变化（Lundberg等人，2020年）。

为解决这一问题，我们在因果推断框架内应用广义随机森林来估算景观干预对城市热环境的影响。与传统随机森林不同，后者是将多个决策树的预测结果汇总起来，而广义随机森林则将森林视为局部加权估计器（Athey等人，2019年），具体内容见第3.5节及公式（4）–（5）。通过为具有相似特征的城市街区分配数据自适应权重，广义随机森林可根据它们观测到的处理水平差异来估算局部处理效应，从而更贴近随机对照试验的比较逻辑，而非像预测型机器学习那样解释拟合预测值的变化。估算效应的可信度并非通过R2等预测精度来评估，而是通过Neyman正交置信区间、安慰剂检验、随机共同原因敏感性检验以及数据子集稳健性检验来确定（Athey等人，2019年）。

我们并未使用一个同时包含所有景观变量的综合预测模型，而是在广义随机森林框架下为每种景观干预分别构建独立的双重机器学习因果森林模型。每个模型仅使用存在处理措施的街区，以及针对该处理措施定制的基于有向无环图的协变量集。这种针对特定处理的设计避免了处理措施稀少时统一为零的局部比较问题，同时排除了下游中介变量和其他不良控制因素（Cinelli等人，2024年）。对于土地覆盖处理而言，不透水表面被定义为替代基准，因此每个估算的效应都代表一种特定的替代方式，这与那些仅改变一种土地覆盖成分而不明确其替代对象的边际预测解释有所不同。这些设计选择解决了第2.2节中讨论的稀缺性偏差、组成偏差以及非物理反事实问题。

最终得到的条件平均处理效应是在城市街区层面估算的，并以物理单位表示，例如每增加一定程度的景观处理，地表温度的变化量（比如建筑高度每增加1米或树木覆盖度每增加1个百分点，地表温度相应变化0.03 ± 0.01℃），而非模型依赖的重要性得分。Shapley值虽也可以温度单位表示，比如树木覆盖对模型预测的贡献为0.3℃，但它并不能表明如果树木覆盖增加1个单位，温度会有多大变化。因此，条件平均处理效应解决了基于Shapley的重要性排序中的单位模糊性问题。由于条件平均处理效应是针对特定街区的，其在不同城市环境和地理位置上的差异还能进一步揭示景观效应的异质性。从这个意义上说，所提出的框架保留了部分依赖图、地理加权回归和Geo-SHAP的探索性优势，同时将结果建立在与干预相关的因果量之上。

在本研究中，我们试图回答以下问题：哪些景观干预措施能够降低温度？每单位能降低多少？其剂量-反应关系和空间异质性如何？以北京为研究区域，我们在广义随机森林框架下采用双重机器学习因果森林方法，估算了城市街区尺度上景观干预对地表温度的条件平均处理效应。首先，我们估算平均处理效应，以量化整体的降温效果，然后利用条件平均处理效应来分析剂量-反应模式和空间异质性。由于条件平均处理效应以物理单位表示，因此其结果更便于规划比较，也能为后续的成本效益分析提供依据。通过这种方式，本研究将城市热环境分析从预测性解释转向干预效应估算，为城市气候适应和规划提供了更为详细的证据。

章节摘录：

预测方法：城市热研究运用统计学、空间分析和机器学习方法来研究景观特征与温度之间的关系。传统研究通常通过统计相关性来探讨景观因素与城市温度之间的关系。早期研究主要依靠简单线性回归（Li等人，2011年；Zhou等人，2011年）。然而，由于城市街区的基础条件往往存在差异，双变量……

研究区域：北京位于华北平原的西北部，属于典型的季风性大陆气候，夏季炎热潮湿，冬季寒冷干燥。作为中国的全球性大都市和政治中心，北京经历了前所未有的城市化进程，这加剧了城市热岛效应以及极端热事件的频率。在2023年创纪录的热浪期间，这些热风险的危害表现得尤为严重，当时北京的热相关死亡人数大幅上升……

平均处理效应：图3展示了利用双重机器学习因果森林模型估算的、基于街区层面的城市形态对地表温度的因果效应，即平均处理效应。在北京的夏季，大多数土地覆盖类型都表现出显著的热影响（图3a）。具体而言，用树木、农作物和水体替代1个百分点的不透水表面，分别可使地表温度降低0.042 ± 0.011℃、0.034 ± 0.012℃和0.050 ± 0.023℃。相反地……

景观干预的平均效应：本研究估算了经过混杂因素调整后的、景观干预对地表温度的剂量-反应处理效应。在北京的街区层面，我们发现土地覆盖组成、三维建筑形态以及表面反照率对地表温度具有显著的因果影响。我们的平均处理效应结果（图3a、b）符合城市气候学的基本原理：蓝绿色空间和高反照率表面可通过蒸发冷却和减少辐射吸收来缓解热量（Taha，1997年）。就三维形态而言，更高的……

结论：本研究应用双重机器学习因果森林框架，估算了北京城市街区尺度上景观干预对地表温度的影响。该框架通过估算平均处理效应和特定街区的条件平均处理效应，并以物理上可理解的单位表示，从而补充了传统的预测性解释方法。研究结果表明，用树木、耕地和水体替代不透水表面可以降低地表温度，而用不透水表面替代其他物质则不会产生同样的效果……

致谢：作者声明没有已知的财务利益或个人关系可能影响本文的研究工作。

资金支持：本研究得到了河北省自然科学基金[项目编号D2025204001]、河北省教育厅科学研究项目[项目编号QN2025433]以及河北省属高校基础科学研究项目[项目编号KY2025013]的支持。

作者简介：
Qi Wang：写作——审稿与编辑、写作——初稿撰写、验证、软件应用、资金筹集、正式分析、数据整理。
Haitao Wang：写作——审稿与编辑、监督、项目管理、方法论、概念设计。
Hao Fan：写作——审稿与编辑、调查研究、数据整理。
Xiaona Wang：写作——审稿与编辑、资源协调、资金筹集。

代码提供：用于景观因子量化以及构建双重机器学习因果森林的代码可应要求提供。

利益冲突声明：作者声明没有已知的可能影响本文研究的财务利益或个人关系。

致谢：本研究得到了河北省自然科学基金[项目编号D2025204001]、河北省教育厅科学研究项目[项目编号QN2025433]以及河北省属高校基础科学研究项目[项目编号KY2025013]的支持。