《City and Environment Interactions》：How urban surface and morphological features shape air and surface temperatures disparities: a spatiotemporal investigation in Hong Kong
编辑推荐：
近地表空气温度（Ta）是城市热岛（UHI）研究的重要指标，但连续的高分辨率Ta数据仍然稀缺。地表温度（LST）经常被用作Ta的替代指标，但其时空差异很少被评估。研究人员调查了2018–2023年香港夏季和冬季时间对齐的Ta和LST的时空异质性、非线性相关性及影
近地表空气温度（Ta）是城市热岛（UHI）研究的重要指标，但连续的高分辨率Ta数据仍然稀缺。地表温度（LST）经常被用作Ta的替代指标，但其时空差异很少被评估。研究人员调查了2018–2023年香港夏季和冬季时间对齐的Ta和LST的时空异质性、非线性相关性及影响因素。整合气象站数据和卫星影像，采用机器学习（ML）框架和SHapley Additive exPlanations（SHAP）分析评估了十九个气象、城市形态、地形、景观和人为因素的贡献。两个温度指标在昼夜和季节背景下均表现出异质性。对齐的Ta-LST对呈正相关，但拟合结果因局地气候区而异，限制了LST到Ta线性转换的准确性，尤其是在夏季。ML模型对Ta（RMSE：0.53–1.14 °C）和LST（RMSE：1.08–2.70 °C）的估算表现出可接受的精度。时空SHAP分解发现，粗分辨率再分析变量在预测能力上几乎全部贡献于时间信号而非空间梯度。目标去均值归因分离了空间驱动因素：建筑高度（BH）是夜间Ta的主要贡献因素；不透水面比例影响白天LST。SHAP分析反映了多项发现：白天阴影抑制地表增温，而夜间深峡谷内的辐射截留维持Ta偏高。留一站交叉验证确认了模型的空间泛化能力。这些结果表明，当针对每个指标分别制定策略时，UHI缓解最为有效。如果控制城市空气温度的3D形态和空气动力学过程未被解决，仅降低LST可能对缓解环境热应激收效甚微。
**论文解读：基于可解释机器学习与SHAP分析的城市地表与形态特征对香港空气温度与地表温度差异的时空影响研究**
**一、研究背景与研究意义**
城市化的快速推进导致自然地表被建筑物和不透水面取代，改变了城市地表能量平衡，进而形成独特的城市气候。城市热岛（UHI）效应作为城市化进程中的典型气候现象，表现为城市地区气温高于周边乡村地区。日益恶化的热环境已成为能源消耗增加、空气污染加剧和公共健康风险升高等多重城市问题的重要驱动因素。在高密度亚热带城市如香港，全球变暖与局地极端高温的叠加进一步放大了这些压力。
在城市热岛监测与缓解策略设计中，学界主要依赖两种温度指标：近地表空气温度（Ta）和地表温度（LST）。尽管二者常被互换使用，但它们在物理本质和热力学过程上存在根本差异。Ta是反映人体实际感受的空气体积热状态的空气动力学属性，而LST则依赖于太阳辐射条件和不同地表物理性质如发射率、反照率和含水量。卫星遥感虽能提供具有空间连续性的LST数据，但Ta与LST的时空差异及其在不同城市环境中的定量关系尚未被系统评估。此外，城市热环境由多种复杂非线性因素共同塑造，传统线性回归方法难以捕捉这些交互作用。因此，阐明Ta与LST的时空异质性、量化不同影响因素对二者的差异化作用，对于制定精准有效的热缓解策略具有重要的科学意义和实践价值。
**二、研究数据与关键方法**
该研究以香港为案例区域，整合了2018–2023年五个夏冬季节的气象站实测数据和MODIS卫星遥感数据。具体数据来源包括：香港天文台（HKO）和社区天气信息网络（Co-WIN）共59个气象站的逐小时Ta记录；MODIS Aqua（白天约13:30）和Terra（夜间约22:30）的LST产品；以及由Demuzere等人基于WUDAPT框架生成的100米分辨率局地气候区（LCZ）地图。研究采用的主要关键技术方法包括：(1) 使用随机森林（RF）、梯度提升决策树（GBDT）、XGBoost、LightGBM和CatBoost五种机器学习（ML）模型估算Ta和LST；(2) 运用SHapley Additive exPlanations（SHAP）方法量化各影响因素的贡献；(3) 采用时空SHAP分解区分时间与空间预测信号；(4) 目标去均值分析分离空间驱动因素；(5) 留一站交叉验证（LOSO）评估空间泛化能力。研究选取了19个影响因素，涵盖气象背景（??
??）、地形（??
??）、自然景观（??
??）、城市结构（??
??）和人为因素（??
??）五大类别。
**三、主要研究结果**
**3.1 Ta和LST的异质性分析**
研究通过热冷点分析和LCZ分类对比揭示了Ta和LST的时空分布差异。夏季Ta在各站点间的差异显著，平均Ta最大差值达7.11°C，平均最高Ta差值达9.7°C。LST在白天表现出比Ta更大的空间变幅（夏季温差13.59°C vs. 8.66°C），而夜间情况相反。热冷点分析表明，LST的热点主要聚集在城市化的九龙和北新界区域，而Ta的热点在夏季白天分布于城市化区域但夜间不明显。LCZ分析显示，建成区类型的Ta和LST中位值普遍高于植被覆盖类型，但不同LCZ类型在不同昼夜条件下的温度表现存在明显差异。
**3.2 Ta与LST的关系分析**
通过对齐时间后的Ta-LST配对数据进行最小二乘（OLS）线性回归发现，二者总体呈正相关，但决定系数R2较低，尤其夏季拟合效果不佳。将站点分为建成区和土地覆盖两类分别回归后，土地覆盖类站点（LCZ-A、B、G）的R2值显著高于建成区站点，表明Ta-LST关系在不同LCZ类型间存在显著差异，并非简单的线性转换函数，而是受季节能量背景和城市-乡村地表/大气混合对比共同影响的非线性复杂过程。
**3.3 Ta和LST的估算建模**
五种ML模型在各昼夜和季节场景下均表现出可接受的估算精度。夏季白天Ta的最佳模型为GBDT（RMSE=0.90°C），夏季夜间Ta的LightGBM模型达到所有场景中最佳预测性能（RMSE=0.53°C）。夏季白天LST的估算性能较差（RMSE=2.70°C），而冬季各类场景的估算精度较为稳定。总体而言，ML模型能够成功捕捉Ta和LST的时空变异性，为后续SHAP解释提供了坚实基础。按LCZ分组的性能评估表明，在采样充足的LCZ类型（LCZ-1、2、4和A）中模型表现一致且可解释。
**3.4 Ta和LST建模影响因素的异质性**
SHAP分析揭示了Ta和LST模型的不同驱动机制。ERA5再分析变量和DOY在所有场景中均排名靠前，但贡献主要来自时间信号。地形因素（如海拔）对Ta预测的影响大于对LST预测的影响。LST估算对不透水面、NDVI等土地覆盖指标响应更强烈，而3D城市形态因素中BH对夜间Ta建模表现出较高的重要性。在夏季夜间Ta场景中，BH排名第4位，符合城市峡谷辐射截留机制。冬季模型更多受大尺度宏观气候因素主导，而夏季模型在多个因素类别间分布更为均衡。交叉验证折叠稳定性检验表明，排名总体稳定，冬季场景最稳定。
**3.5 估算模型与因素的解释性分析**
时空SHAP分解显示，在32个ERA5变量-场景组合中，30个属于时间主导型（日空间均值贡献超过50%），证实粗分辨率再分析变量的预测能力几乎全部来自时间序列信号。目标去均值SHAP分析在去除时间信号后，ERA5变量退出前列排名，不透水面比例成为夏季白天LST的首要空间因素，BH成为夏季和冬季夜间Ta的重要空间预测因子，海拔在两种季节的Ta估算中均排名首位。BH和SVF的SHAP依赖图分析证实了城市峡谷的双重作用：夏季白天高BH和低SVF地区表现出净冷却效应，而夜间则表现为正贡献，反映了遮阳降温和辐射截留的昼夜差异。LOSO交叉验证中，七个场景的RMSE较随机分割有所上升，其中夏季夜间Ta从0.53°C升至1.13°C，但R2值介于0.58–0.84之间，确认了模型在未见过站点的预测能力，SHAP识别的空间信号并非过度拟合的产物。
**四、讨论与结论**
本研究表明，高密度亚热带城市中地表和冠层热环境存在基本的热力学解耦。LST的空间变幅大于Ta，尤其在白天，这与LST响应太阳辐射和地表材料热属性而Ta作为空气动力学变量受感热通量混合、平流和湍流输送影响的物理理解一致。Ta-LST关系的非线性特征随季节和LCZ背景变化，排除了二者的简单线性转换。
SHAP分析确认了城区峡谷的昼夜双重作用。白天阴影减少太阳辐射到达地表从而降低LST，但Ta受机械湍流夹带、周边日照表面感热释放及建筑材料蓄热释放等稀释过程影响，其冷却效应相对减弱。夜间高建筑密度区域的辐射截留和通风受限使Ta升高。Ta和LST模型的不同特征重要性模式提示，形态和土地覆盖变量通过不同途径影响两种温度指标。
研究亦存在数据源局限，包括MODIS 1km像素内的LCZ混合影响LST反演精度、夏季云层导致样本量偏少、形态数据为2020年静态快照等。但LOSO验证和LCZ分组一致性分析均支持模型泛化能力和结论稳健性。
研究结论指出，UHI缓解需针对具体温度指标分别制定策略。反射材料和扩展植被可有效降低地表温度，但缓解行人高度热应激需要结合改善通风、遮阴和夜间热量截留条件的形态学调整。城市规划应将背景气候因素与城市物理特征相结合，制定昼夜和季节特定策略。未来需整合高分辨率观测网络、多时相形态数据和计算流体力学（CFD）模拟，进一步验证形态干预对热舒适的量化效益，并在垂直高密度建设与热舒适之间寻求平衡。
