面向严寒地区城市气候适应的高分辨率城市气温制图与可解释多尺度建成环境分析

《BUILDING AND ENVIRONMENT》：High-resolution urban air temperature mapping and interpretable multi-scale built-environment analysis for climate adaptation in a severe cold-region city

　　

摘要

在严寒地区城市，近地表气温（SAT）的高分辨率制图仍然困难，因为观测点稀疏，且城市热相关性随空间尺度和季节变化而不同。本研究开发了一个集成且经过空间验证的XGBoost-SHAP框架，该框架整合了单个参考站及多源地形空间与时序数据，包括ERA5再分析数据、地表温度、局地气候区和多尺度城市特征，以在中国哈尔滨重建100米分辨率的小时级SAT。全特征XGBoost模型用于SAT重建，而经过尺度筛选和共线性筛选的模型则用于支持TreeSHAP和偏依赖分析。全特征模型的站点分组五折交叉验证展示了高预测性能，白天R2值为0.976，夜间为0.963。重建的SAT场在极端气候事件中捕获了显著的城市内部热异质性，热浪期间空间SAT差异达5.81°C，冷浪期间达8.93°C。SHAP分析揭示了影响预测因子在空间尺度和类型上的明显昼夜转换。白天SAT主要与100–500米尺度的细到中等尺度不透水面和建筑密度相关，而夜间SAT与500–1000米尺度的更广泛景观多样性、地表反照率和建筑形态更密切相关。基于事件的PDP显示，在极端高温条件下，当不透水面比例超过约0.15时，SAT出现急剧上升。总体而言，本研究为城市SAT制图和模型特定解释提供了一个可扩展且可解释的框架，并为严寒地区城市的热风险分区、更新优先级排序和气候适应性城市规划提供了实用见解。

引言

气候变化和快速城市化正在共同重塑全球城市的热环境[1,2]。在全球变暖的背景下，城市扩张通过土地利用的显著变化、人为热排放的增加以及地表-大气能量交换的改变，进一步加剧了局地升温的积累，从而加剧了城市热胁迫并放大了城市热岛（UHI）效应[3,4]。这些过程不仅会增加与热相关的健康风险并降低热舒适度和劳动生产率[5]，还会改变局地空气质量[6]并增加建筑能源需求[7,8]。

地表温度（LST）和近地表气温（SAT）是评估UHI最常用的两个指标[9]。随着热遥感的不断发展，卫星获取的LST已被广泛用于评估城市热环境和UHI效应[10,11]。基于LST的研究表明，城市区域通常比其周边农村地区更温暖，但城市内部也存在显著的热变异性[12,13]。然而，由于LST代表的是下垫面的辐射温度而非近地表大气热状况，其空间异质性无法完全表征城市居民直接经历的热环境[14]。与LST相比，SAT更直接地反映了近地表城市热状况，与城市气候、人类热暴露[15]以及建筑能源需求[16]更密切相关。然而，气象站在城市区域内数量有限且分布不均，限制了其在精细尺度城市热研究中的应用[[17], [18], [19], [20]]。因此，与LST异质性的大量证据相比，SAT的城市内部精细尺度变异性仍然缺乏充分理解。

在严寒地区城市，对精细尺度SAT变异性认识的不足尤为关键。漫长的冬季、高昂的取暖需求以及面向冬季的城市设计传统上主导了这些城市的热环境研究，使得夏季热风险和城市内部SAT异质性相比之下探索不足[21]。然而，在全球变暖加速的背景下，严寒地区城市正日益面临更频繁和更强烈的夏季热浪，凸显了理解跨季节精细尺度SAT变异性的必要性[22]。此外，与取暖相关的人为能源使用和季节性地表动态可能共同塑造了与温暖城市显著不同的热格局，但驱动这种异质性的机制仍未得到充分量化[23]。最近的高分辨率制图研究也表明，街区尺度的UHI和热浪暴露差异可能对建筑性能和城市韧性产生不均衡的影响[24]。因此，在严寒地区城市进行高分辨率SAT制图对于评估UHI效应和人类热暴露、优化建筑能效以及支持气候韧性城市规划至关重要[25,26]。

在异质城市环境中获取连续、高分辨率的SAT数据仍然具有挑战性。传统测量方法依赖于固定气象站或移动观测设备[27]。尽管这些方法能够提供详细的时间变化和高质量的局地SAT记录，但站点分布稀疏往往导致空间覆盖不足，限制了捕获复杂城市冠层中SAT变化的能力[28,29]。

为改善空间覆盖，回归克里金[30]和反距离加权[31]等插值方法被广泛使用。然而，其性能取决于站点密度和空间分布，在异质城市环境中往往导致较大误差[32,33]。数值模型，包括中尺度模拟和计算流体动力学模型，能够显式表示物理过程[34]，但其高计算成本和大量输入数据需求限制了其广泛应用[35,36]。同样，基于数字高程模型和环境降率的 方法主要反映静态地形的影响，不足以捕获城市化驱动的动态时空波动[37]。

近年来，机器学习方法，包括随机森林[[38], [39], [40]]、支持向量机[41]、神经网络[39]和深度学习[42]，因其能够以高计算效率建模非线性关系，被广泛用于高分辨率城市SAT估计[40,43]。以往研究已证明，机器学习能够在观测稀疏的情况下产生高分辨率SAT图，为城市气候适应提供了有价值的支持[44]。然而，大多数应用侧重于LST、LCZ或静态形态代理变量，对动态气象强迫关注不足[[45], [46], [47], [48]]。鉴于SAT是由大气强迫与局地地表-大气能量交换之间的复杂相互作用所塑造的[49,50]，整合气象、时间和地理空间预测因子对于稳健的小时级制图至关重要。

SAT建模中另一个关键挑战涉及空间尺度依赖性。城市SAT显著受到街区效应的影响，因为热平流、湍流和周围地表覆盖创造了连续的空间溢出效应[[51], [52], [53]]。然而，大多数现有研究在单一固定空间缓冲区内汇总城市特征[54]。这种静态方法无法捕获热调节的动态性质，因为建筑形态、水体和道路网络等不同特征的有效影响范围在不同空间尺度和时间条件下差异显著[55]。因此，从固定尺度建模向多尺度分析框架的转变对于表征尺度依赖的热机制以及提高预测精度和物理可解释性至关重要。

此外，大多数现有SAT研究主要集中在热带[56,57]和温带城市[17,18,58]，而严寒地区探索相对较少[[59], [60], [61], [62]]。严寒气候城市的特点是长期低温、季节性积雪覆盖以及来自集中供暖系统的强烈人为热排放[63]。这些条件改变了城市能量平衡，产生了与温暖地区观测到的显著不同的热格局。同时，严酷的冬季环境阻碍了密集传感器网络的部署并限制了众包气象观测的可用性，进一步加剧了SAT数据的稀缺性[64,65]。此外，尽管高精度机器学习模型的应用日益增多，但其有限的可解释性仍然限制了潜在物理机制的识别，降低了其在气候适应规划中的实用性[66,67]。

为解决上述缺口，本研究开发了一个在严寒地区城市进行SAT重建和多尺度模型分析的高分辨率且可解释的框架。以哈尔滨为案例，该框架将参考气象站与ERA5再分析、LST、LCZ、时间预测因子以及城市形态、土地利用、景观格局和社会经济指标的多尺度指标相结合。方法学贡献是一个整合且可重复的工作流程，结合了空间独立验证、带有自助法稳定性评估的经验尺度选择、冗余和共线性筛选、极端梯度提升（XGBoost）训练以及折外Shapley加性解释（SHAP）与条件偏依赖（PDP）分析。全特征模型用于100米SAT重建，而筛选后的模型用于更稳健的模型特定解释。据此，本研究旨在：

(1)通过整合参考气象观测与多源时空数据，开发并验证一种100米空间分辨率的高分辨率小时级SAT制图方法。

(2)表征SAT在昼夜循环和极端气候场景中的时空异质性，识别城市内部热格局以及热斑和冷斑。

(3)量化建成环境因子与SAT之间的尺度依赖相关性，并表征与城市气候适应相关的非线性模型响应和转折点。

本研究为数据稀缺的城市气候开发了一个预测-解释框架。该框架评估了空间可迁移性到未见站点的能力，评估了模型性能对预测因子筛选和空间分组的敏感性，并将年度和极端条件下的SAT格局与尺度特定的模型响应联系起来。研究结果支持严寒地区城市的热风险分区和季节性差异化适应。

研究区

哈尔滨（125°42′–130°10′ E, 44°04′–46°40′ N），中国东北黑龙江省省会，被选为代表性严寒地区城市。该市面积约53,000平方公里，人口超过1000万[68]。哈尔滨以漫长严寒的冬季、短暂炎热的夏季和强烈季节性温度变化为特征，年均气温约4.3°C，冬季最低温度达-44.1°C。

总体框架

本研究开发了一个100米分辨率下小时级SAT重建和模型解释的集成框架。该工作流程由四个顺序组件组成。首先，站点观测和气象、遥感、时间以及多尺度建成环境预测因子被协调为共同的空间和时间定义。其次，训练白天和夜间XGBoost模型以预测SAT相对于参考站50953的偏差，并使用空间五折交叉验证进行评估。

尺度选择与共线性筛选

尺度选择与共线性筛选确定了不同的白天和夜间预测因子集，如图6、图7所示。为26个白天和25个夜间多尺度指标组各选择一个代表性半径。白天选择分布在100米（9个指标）、300米（8个）、500米（3个）和1000米（6个）。13个白天选择满足60%自助法稳定性标准。稳定的局部尺度选择包括AR、BSI、FAR、HRE、ISF、透水面等。

模型预测的精度与空间泛化

采用基于参考站的ΔT建模策略，本研究开发了一个整合ERA5、LST、LCZ和多尺度城市特征的小时级SAT制图框架。空间五折交叉验证的R2值为0.976和0.963，与或高于若干已有经过空间验证的小时级气温模型所报告的值[110,111]。然而，相应的RMSE值分别为2.40和2.85°C，相对较高。这一差异部分可归因于…

结论

本研究为哈尔滨开发了一个100米分辨率下小时级SAT重建和模型解释的集成框架。该框架结合了参考站ΔT建模、用于空间重建的全特征XGBoost模型、用于解释的尺度筛选与共线性筛选模型、空间独立验证、折外TreeSHAP以及事件条件PDP分析。全特征模型的站点分组验证的R2值分别为0.976和0.963，且…

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知经济利益竞争或个人关系。

数据可用性声明

本研究中使用的气象观测数据受数据提供方限制，如有合理请求并经相关机构许可，可从通讯作者处获取。本研究中使用的地理空间数据集可从以下来源公开获取：ERA5气候数据来自哥白尼气候数据存储（https://cds.climate.copernicus.eu/）；卫星和地理空间数据集通过谷歌地球引擎访问和处理（//earthengine.google.com/）。

资金来源

本工作由香港理工大学与顶尖大学联合博士培养计划资助（项目编号：G-SB7V）。

CRediT作者贡献声明

贾奇：写作——初稿、方法论、概念化。谢婧思：形式分析。曾凡宇：软件。韩东亮：可视化。李素灵：资源。张敏：资源。张天天：写作——审阅与编辑、监督。卢琳：监督、资金获取。

贾奇 | 谢婧思 | 曾凡宇 | 韩东亮 | 李素灵 | 张敏 | 张天天 | 卢琳
哈尔滨工业大学建筑与设计学院，工业和信息化部寒冷地区城乡人居环境科学与技术重点实验室，哈尔滨 150090，中国