《Cleaner and Responsible Consumption》：Spatial-temporal evolution of land surface temperature and influencing factors: Case of the Pearl River Delta urban agglomeration in China
编辑推荐：
全球变暖和快速城市化加剧了城市热环境的恶化，尤其是在城市群中。评估城市群内地表温度（LST）的时空趋势对于优化和缓解变暖至关重要。本研究调查了珠江三角洲（PRD）城市群2002年至2022年LST的时空趋势，并识别了其主导驱动因素。通过整合机器学习技术——特别
全球变暖和快速城市化加剧了城市热环境的恶化，尤其是在城市群中。评估城市群内地表温度（LST）的时空趋势对于优化和缓解变暖至关重要。本研究调查了珠江三角洲（PRD）城市群2002年至2022年LST的时空趋势，并识别了其主导驱动因素。通过整合机器学习技术——特别是SHAP和XGBoost——本研究不仅提高了LST预测的准确性，还量化了每个影响因素的贡献和相对重要性，从而弥补了现有关于未来LST预测和主导控制因素理解的空白。主要发现揭示：（1）PRD的20年平均LST呈上升趋势，夜间增温速率高于白天。（2）空间上，33.66%和43.49%的区域分别表现出白天和夜间LST增加趋势。预测模型表明，0.82%的区域（白天）和0.23%的区域（夜间）预计将经历显著增加。（3）土地覆盖、气候、社会经济和地形因素与LST显著相关，且主导因素在不同城市间存在异质性。总体而言，本研究支持了PRD城市热环境演化模型的开发。多源（区域和城市间）分析为气候适应性城市规划和长期热环境管理提供了可操作的见解。
**论文解读**
**研究背景、存在问题与研究动机**
全球变暖与快速城市化进程加剧了城市热环境的恶化，尤其在城市群中表现更为显著。地表温度（Land Surface Temperature, LST）作为地表能量交换的关键参数，深刻影响城市生态系统与气候过程。然而，当前研究对于城市群尺度下LST长期演变趋势及其空间异质性的量化仍不充分，尤其是未来LST变化的持续性缺乏系统评估。此外，尽管已有研究识别了土地覆盖、气候、社会经济和地形等因素对LST的影响，但各驱动因素的相对贡献及其在城际间的差异尚未得到充分解析。传统统计方法难以捕捉非线性交互作用，限制了热环境预测与缓解策略的精准制定。因此，为填补上述空白，研究人员开展本研究，旨在系统揭示珠三角（PRD）城市群LST的时空演变规律、未来趋势及主导驱动因素，以支持气候适应性城市规划和热环境管理。该论文发表在《Cleaner and Responsible Consumption》。
**研究内容与主要结论**
本研究利用2002–2022年MODIS遥感数据，结合Savitzky–Golay（SG）平滑、Sen斜率估计、Mann–Kendall（M–K）检验和Hurst指数，分析了PRD城市群LST的时空动态及未来趋势；并集成XGBoost与SHAP框架，量化了10个影响因素的贡献与相对重要性。主要结论包括：（1）LST在20年间总体上升，夜间增温速率（0.0215°C yr
-1）显著高于白天（0.0069°C yr
-1）；（2）空间上，33.66%（白天）和43.49%（夜间）的区域呈现增温趋势，而未来持续显著增温区域仅占0.82%（白天）和0.23%（夜间）；（3）土地覆盖、气候、社会经济和地形因素与LST显著相关，主导因素在不同城市间存在明显异质性。该研究为PRD城市热环境演化模型提供了实证基础，多源分析为区域和城市间气候适应性规划提供了可操作见解。
**主要关键技术方法**
本研究主要采用以下关键技术方法：（1）基于Google Earth Engine（GEE）平台，融合MODIS遥感数据与多源影响因子（包括LULC、NDVI、NDBSI、降水、AOD、NTL、GDP、人口密度、DEM和坡度），数据来源包括GEE、https://zenodo.org、https://www.geodata.cn、https://www.resdc.cn等公开数据库，研究区域覆盖PRD城市群41,194个网格。（2）采用Sen斜率估计与M–K检验评估LST趋势的显著性，并结合Hurst指数预测未来变化持续性。（3）构建XGBoost回归模型（参数：树深度4、学习率0.05、迭代次数150、L1和L2正则化系数0.1），以LST为响应变量，10个空间形态指标为预测变量，并应用SHAP（Shapley Additive Explanations）解释各特征贡献，量化驱动因素相对重要性。
**研究结果**
**4.1 LST空间分布**：通过标准差分级法将LST分为五级。白天LST范围17.61–30.60°C，高温区占34.77%，集中于广州、佛山、中山、东莞、深圳；夜间LST范围11.63–22.60°C，高温区占31.96%，集中于佛山、中山、珠海、深圳。夜间极端温度区（含高低极端）比例从白天的17.30%增至26.77%，表明夜间热极端空间范围更广。
**4.2 年均LST变化趋势**：基于Savitzky–Golay平滑分析，2002–2022年PRD年均LST呈波动上升趋势，夜间增温速率（0.0215°C yr
-1）远高于白天（0.0069°C yr
-1）。白天LST在2005–2009年和2012–2015年出现下降，夜间LST在2002–2009年持续下降后回升。
**4.3 LST趋势变化**：基于Sen斜率与M–K检验，白天LST整体呈微弱降温趋势（区域均值–0.001°C yr
-1），降温区占59.77%，增温区占33.66%集中于中部城市；夜间LST整体增温（均值0.004°C yr
-1），增温区占43.49%，主要分布于珠江口沿岸。城际差异显著：广州、佛山、东莞白天增温显著；江门白天降温显著；佛山夜间降温最强。
**4.4 未来LST趋势**：基于Hurst指数分析，PRD区域未来LST变化以非持续性为主（白天89.19%，夜间90.19%）。整合Sen斜率与M–K检验，未来持续显著增温区白天占0.82%（集中于广州），夜间占0.43%（集中于中山）。大部分区域未来变化不显著。
**4.5 LST XGBoost与SHAP影响分析**：基于SHAP值，白天主导驱动因素在城际间存在异质性：NTL在东莞、佛山、珠海、中山为第一重要变量，DEM在广州、惠州、江门、肇庆为第一重要变量。夜间，DEM在东莞、珠海、中山最突出，POP在佛山、NDBSI在广州、NDVI在江门、NTL在惠州和深圳、GDP在肇庆。高NDVI常对应负SHAP值，高NTL、POP、NDBSI常对应正SHAP值。
**讨论与结论**
讨论部分指出，LST时空演变受城市扩张、工业转移政策、气溶胶光学厚度（AOD）及海陆风环流等多因素交互影响。深圳表现出“高城市化–低热岛”模式，归因于生态绿地网络、沿海气候调节及气候适应性规划。地形因素对LST的影响在北部山区强于南部沿海，且白天效应强于夜间。研究局限包括需更高时间分辨率分析、跨气候区比较及整合空间计量方法。结论部分翻译如下：本研究调查了PRD城市群LST的时空演变及城际差异。主要结论如下：（1）2002–2022年LST显著上升，夜间增温强于白天；中部高城市化城市LST增幅突出，而深圳呈现“高城市化–低热岛”模式，昼夜均无显著LST增长。（2）LST空间分布存在明显昼夜差异：白天以中温区和高温区为主，高温区相对集中；夜间以低温和中温区为主，高温区较分散。内陆经济发达城市（广州、佛山、东莞）形成主要高温及极高温度区。总体夜间LST增速快于白天，而白天极端显著增减区域更突出。内陆城市呈现典型白天热岛特征，但夜间趋向冷岛效应并向沿海延伸。（3）驱动因素对LST的影响在九城市间差异显著：LULC、NTL、GDP、AOD、POP与LST多呈正相关，NDVI、NDBSI、降水、DEM、坡度多呈负相关。主导驱动因素因城而异，表明城市热环境形成机制具有强空间异质性。江门、广州、惠州在优化PRD热环境中作用相对重要，而中山、珠海缓解区域LST的效果较弱。基于上述空间异质性和主导驱动因素，建议采取差异化热缓解策略：增强基于自然的解决方案（如蓝绿基础设施）；针对工业化城市（佛山、东莞）加速工业脱碳；推广高反照率材料与通风导向设计以减少建筑蓄热。
