植被及其冠层的多维特征对城市热环境的调节：重要性、非线性效应、临界阈值及相互作用

《Sustainable Cities and Society》：Regulation of the urban thermal environment by multidimensional features of vegetation and its canopy: Importance, nonlinear effects, critical thresholds, and interactions

　　

摘要城市植被的热调节作用，尤其是其树冠，已得到广泛认可，但其多维特征的复杂非线性影响需要深入调查。本研究整合了植被、背景气候和其他城市环境因素，构建了一个可解释的 XGBoost-SHAP 机器学习框架，以北京市建成区为例，系统揭示这些模式。植被是主导的热解释因子（总体贡献率为 45.7%）。在植被维度中，数量对植被总贡献的贡献最大（55.0%）。树冠结构次之（45.0%），其中水平结构（40.6%）大于垂直结构（4.4%）。个别特征如 LAI（20.2%）、C_ED（20.1%）、CC（19.7%）、FVC（15.1%）和 C_LSI（11.6%）具有主要影响。非线性分析确定了关键阈值；例如，当植被覆盖度（FVC）和树冠覆盖度（CC）分别超过约 45% 和 26% 时，冷却潜力能得到更好地释放。在涉及植被特征的相互作用中，FVC 和 LAI 显示出最强的交互效应，且树冠特征的热调节严重依赖于与其他植被特征的协同作用。城市热调节应优先考虑充足的植被覆盖度和绿量。通过构建避免过度破碎化、保持适度复杂性、确保连续聚集并保持孔隙率的水平格局；创建具有错落高度和简化分层结构的垂直形态；以及加强多维特征之间的协同配置，可以更好地支持植被冷却。结合城市热岛格局，我们识别了空间分异的植被缺陷，以提出特定地点的缓解策略。这些发现为增强北京及类似城市的气候韧性和可持续热管理提供了科学见解和规划参考。

引言随着全球城市化的推进和气候变化的加剧，与城市热环境相关的问题给可持续发展和公共健康带来了主要挑战（Deniz Adiguzel 等，2026；Z. Gao 等，2019；Tuholske 等，2021）。为了缓解这一问题，现有研究已从多个视角广泛探索了相应的缓解策略，如城市形态（Yuan 等，2020）、绿地（Xi 等，2023）和土地覆盖（M. Yang 等，2024）。在这些缓解策略中，城市植被的利用作为一种有效的基于自然的解决方案，能够减轻热危害并改善微气候（Bowler 等，2010；Schwaab 等，2021）。

然而，植被是通过外部环境因素（Manoli 等，2019；Shao 等，2023）及其自身多维特征（H. Li 等，2024）的综合影响来调节热环境的，而不是简单的直接效应。相关研究表明，植被的群落结构和空间分布受气候条件和土地利用的影响和制约，并与周围环境表现出复杂的相互作用（Iqbal 等，2026；Liang 等，2026）。这也导致其热调节能力在不同环境背景下存在变化（Schwaab 等，2021）。此外，研究指出，在极端高温或干旱等外部环境压力下，植被的冷却效率不仅可能减弱，还可能表现出增温效应（Z. Guo 等，2026；J. Zhao 等，2023）。

在植被本身的组成部分中，植被树冠作为植被与地表和大气交换能量的关键界面，在城市热环境中发挥着重要的调节作用（J. Chen 等，2020；Elmes 等，2017；Meili 等，2021）。先前的研究大多侧重于覆盖度或空间格局等特定的树冠维度来评估冷却效益（Alonzo 等，2021；J. Wang, Zhou, Li, et al., 2024），而许多其他研究则侧重于探索其细尺度的三维结构或生理热力学机制（Benson 等，2025；Meili 等，2021；L. Song 等，2025）。这些多视角研究表明，城市植被的热调节不仅依赖于植被整体（Rakoto 等，2021；C. Yang 等，2025；Q. Yu 等，2018），更精确地依赖于树冠的多维特征（J. Wang 等，2023；S.-Q. Zhou 等，2025）。

尽管先前的研究广泛认可植被树冠通过遮阴和蒸腾作用对城市热环境施加显著的调节影响（Rahman 等，2017；B. Zhang & Brookhouse, 2025；Zheng 等，2021），但探索城市热影响因素的研究往往依赖植被指数或总体覆盖度等综合指标来表示植被的整体状态（Al-Saadi 等，2020；M. Zhang 等，2026），而分离和量化多维特征（尤其是植被树冠）的相对贡献仍需进一步深入研究。同时，先前的树冠研究往往面临平衡尺度和维度的困难：空间范围较广的研究往往有不同的侧重点（J. Wang 等，2023；Q. Yu 等，2018），由于获取细尺度数据的困难，多维植被和树冠特征的描述仍需改进；虽然一些相关研究提供了相对详细的树冠特征和热力学过程描述（L. Song 等，2025；S.-Q. Zhou 等，2025），但这些研究大多在特定的细街道或地块尺度上进行，相关的城市尺度研究仍相对稀缺。因此，从广泛的城市范围视角出发，在相对细的空间尺度上构建植被及其树冠的综合多维指标系统，进行深入研究具有重要意义。

植被及其树冠的热调节涉及复杂的非线性效应和多因素相互作用。早期研究通常依赖普通最小二乘法（OLS）或地理加权回归（GWR）等常规模型来量化独立的线性效应（Deilami 等，2018；Y. Gao 等，2022），但此类线性方法无法捕捉变量之间的非线性关系和交互效应。最近，能够拟合复杂非线性关系的机器学习算法（如随机森林、支持向量机、极端梯度提升（XGBoost））已被越来越多地采用（H. Li 等，2026；J. Li 等，2025；J. Li & Stouffs, 2025）。然而，传统的机器学习模型通常作为“黑箱”运行；尽管它们在拟合复杂的非线性关系方面表现出色，但难以直观地量化每个特征的独立贡献，也无法深入提取特定的非线性模式、阈值效应和多因素交互。与此同时，为了克服复杂模型的“黑箱”局限性，事后解释技术已逐渐引入，如局部可解释模型无关解释（LIME）、偏依赖图（PDP）和 SHapley 加性解释（SHAP），这些技术通常与预测模型结合使用（Lundberg & Lee, 2017；Schiller 等，2025）。在这些方法中，耦合的 XGBoost-SHAP 框架在处理复杂多维城市数据方面显示出特定优势：XGBoost 的正则化机制和基于树的结构使模型对指标间的多重共线性具有高度鲁棒性，从而确保稳定的预测性能（T. Chen & Guestrin, 2016）；同时，SHAP 方法弥补了当特征高度相关时 PDP 等方法产生的偏差，能够在确保全局一致性的同时进行精确的特征归因（Lundberg 等，2020）。目前，该框架已被作为有效方法应用于多维城市元素的环境效应等相关领域（M. Zhang 等，2026；K. Zhou, Huang, Chao, et al., 2026）。

虽然先前的研究初步揭示了某些植被特征在调节城市热环境中的非线性趋势（Dai 等，2025；Y. Li 等，2023；Z. Yu 等，2020），但进一步系统地识别多维特征调节效益的关键阈值，并分析复杂城市环境中的多因素交互效应仍然必要。同时，需要将现有数据结果转化为规划实践，特别是在识别详细的植被配置要求以进一步指导城市绿地规划方面需要加强。

鉴于此，考虑到背景气候和其他城市环境因素的影响，本研究重点关注城市植被，尤其是植被树冠，构建了城市热影响因素的综合多维指标系统，并采用可解释的 XGBoost-SHAP 机器学习方法进行非线性建模和解释。我们的研究旨在进一步揭示植被及其树冠的各种特征在城市热调节中的相对重要性和影响模式，为城市植被的合理配置和组合提供定量参考和科学见解。同时，识别热调节植被需求的变化和空间分异将指导城市绿地规划和可持续热管理。

具体而言，本研究解决了以下四个问题：
（1）在复杂城市环境中，植被及其树冠的多维特征在调节热环境中的相对贡献和重要性是什么？
（2）植被及其树冠的各种特征在对城市热环境的影响中表现出怎样的非线性模式和阈值效应？
（3）植被的多维特征之间，以及这些特征与其他城市环境因素之间可以识别出怎样的交互模式？
（4）城市内植被配置存在哪些缺陷，热调节的差异化植被需求是什么，因此，应提供哪些针对性的空间规划指南？

章节片段

研究区
北京，中国的首都，是一个高度发达的经济、政治和文化中心，具有高水平的城市化和高密度生活环境。该市具有典型的暖温带半湿润大陆性季风气候，四季分明，夏季降雨。年平均气温为 11–13 °C。夏季极端高温经常达到 35–40 °C。随着强烈的城市化，北京显示出明显的城市热岛（UHI）现象。在闷热期间...

研究框架
我们构建了一个以 XGBoost-SHAP 为核心的可解释机器学习框架（图 2）。它系统地分析了植被及其树冠的多维特征对城市热环境的影响模式，并基于模型结果提供空间规划参考。具体的研究过程分为以下四个部分。
（1）数据准备和指标构建：在确定研究区后，我们检索了地表温度（LST）数据和...

城市热环境的空间格局与 UHI 分布
UHI 分类显示，整体 UHI 呈现出中南集聚连续和北部破碎化的空间格局。高强度 UHI 区（5–7 级）集中在城市中心（东城、西城、海淀南部、朝阳南部、石景山南部、丰台东部），连续延伸至东南和南部郊区（房山东部、大兴、通州），形成跨区域高温核心。相反，北部的 UHI 效应...

植被在城市热环境调节中的主导作用及其多维特征的相对贡献
本研究采用城市整体视角，比局部尺度分析更全面地捕捉植被及其树冠的热影响模式。与先前的研究一致（Deilami 等，2018；H. Li 等，2024；Shao 等，2023），我们的发现表明，植被、背景气候和其他复杂的城市因素与热环境的空间变化密切相关。我们的多维指标系统进一步量化了它们的相对...

结论
本研究建立了一个涵盖植被、背景气候和其他城市环境因素的综合特征系统，并构建了基于 XGBoost-SHAP 的可解释机器学习框架，在模型解释框架内，系统地分析了复杂城市环境中植被及其树冠的多维特征对热环境的非线性影响模式。模型结果、相关理论解释和支持...

资金
本研究由中国国家重点研发计划“城市生态空间管控与布局优化技术”（2022YFC3800203）支持。

未引用参考文献
Wang 等，2025，Wang 等，2023，Wei 等，2025，Zhang 等，2026，Zhao 等，2023，Guo 等，2026，Li 等，2026，Li 等，2026，Li 等，2020，Liu 等，2025，Ma 等，2025

CRediT 作者贡献声明
Jingnan Wang：写作 - 审阅与编辑，写作 - 原稿，可视化，验证，软件，方法论，调查，形式分析，数据整理，概念化。Shoubang Huang：写作 - 审阅与编辑，写作 - 原稿，验证，监督，项目管理，方法论，形式分析，概念化。Jingyi Han：写作 - 审阅与编辑，方法论，形式分析，概念化。Shunhan Zhang：写作 - 审阅与编辑，调查，

竞争利益声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本论文报告的工作。

Jingnan Wang|Shoubang Huang|Jingyi Han|Shunhan Zhang|Shiyang Zhang|Qing Lin|Xiangrong Wang
北京林业大学园林学院，中国北京，100083