《Frontiers in Environmental Science》：Assessing the effects of urbanization and vegetation on land surface temperature using machine learning and GIS-based approach in Abu Dhabi, UAE
编辑推荐：
摘要
引言：阿布扎比近几十年来经历了快速的城市增长，这引发了对其超干旱环境中地表温度（LST）变化的关注。本研究评估了城市扩张和植被增长随时间对LST的影响，并考察了土地覆被转变在塑造局部热状况中的作用。
方法：研究人员利用机器学习和基于GIS的方法分析了
摘要
引言：阿布扎比近几十年来经历了快速的城市增长，这引发了对其超干旱环境中地表温度（LST）变化的关注。本研究评估了城市扩张和植被增长随时间对LST的影响，并考察了土地覆被转变在塑造局部热状况中的作用。
方法：研究人员利用机器学习和基于GIS的方法分析了2001年至2019年的Landsat 7卫星影像。使用QGIS和Google Colab进行监督分类，以绘制城市、植被、沙/沙漠和水体类别。利用精度指标评估分类性能，同时使用线性回归量化土地覆被组成与平均LST之间的关系。
结果：平均LST从2001年的45.3 °C降至2019年的39.4 °C。同期，沙/沙漠覆被减少了9%，而城市和植被覆被分别增加了93%和68%。回归分析确定植被是LST降低的最强预测因子，植被占比每增加一个百分点，平均LST估计降低6.92 °C。在考虑了植被以及沙/沙漠覆被的同时减少之后，城市覆被显示出较弱且统计上不显著的关系。
讨论：研究结果表明，观测到的温度降低与局部适应策略密切相关，特别是植被扩展和裸露沙漠表面的减少。这种土地覆被转变为指导超干旱环境中气候韧性的未来决策提供了有价值的证据。
《Frontiers in Environmental Science》论文解读：基于机器学习与GIS的阿布扎比城市化、植被与地表温度关联研究
一、研究背景与问题
阿拉伯联合酋长国（UAE）自20世纪60年代发现石油以来，人口呈指数级增长，城市化进程显著加速。这一发展在带动经济多元化的同时，也引发了地表温度（LST）上升等环境问题。阿布扎比地处干旱至超干旱气候区，夏季极端高温、太阳辐射强烈、土壤水分稀缺，导致潜热通量受到抑制，地表储存大量热量。在灌溉区之外，植被覆盖稀疏，缺乏阴影和蒸腾冷却效应，进一步加剧了白天地表升温。尽管全球范围内已有大量研究探讨城市化与LST的关系，但在阿布扎比这一超干旱沙漠城市中，植被扩展和沙地覆被减少对LST的协同影响尚未被充分量化。既有研究多集中于少数基准年份或宏观土地覆被比较，缺少对植被增加、沙地减少与城市扩张同步变化的长期定量评估。为此，研究人员利用2001—2019年的Landsat 7卫星影像，结合机器学习和GIS方法，系统分析了土地覆被转变对阿布扎比白天LST的影响，旨在为超干旱环境的可持续城市规划与气候适应提供基于本地的证据。
二、研究内容与主要结论
研究人员以阿布扎比主城区为研究区，该区域面积约5,402.58 km2，地处阿拉伯海湾沿岸，涵盖沙/沙漠、城市、植被和水体四类主要土地覆被。研究采用监督分类方法提取逐年土地覆被信息，并通过普通最小二乘（OLS）回归量化各覆被类型占比与平均LST的关系。结果发现，2001年至2019年间，研究区平均LST从45.3 °C降至39.4 °C，降幅约13%。同期，沙/沙漠覆被面积减少9%，植被覆被增加68%，城市覆被增加93%。回归分析显示，植被占比每增加一个百分点，平均LST下降6.92 °C，而城市占比与LST的关系在控制植被和沙地变化后不显著。进一步分析表明，各土地覆被类别的LST均呈下降趋势，但城市类别的降温速率低于沙地和植被类别。研究认为，植被扩展和裸露沙地减少是驱动阿布扎比白天降温的主要土地覆被因素，这一发现为超干旱城市的绿色基础设施建设提供了科学依据。
三、主要关键技术方法
研究数据来源于美国地质调查局（USGS）Landsat 7 Level 2、Collection 2、Tier 1产品，通过Google Earth Engine（GEE）获取2001—2019年影像，覆盖阿布扎比主城区。方法包括：利用QGIS绘制训练多边形并生成人工分类验证影像（2005年）；在Google Colab环境中构建决策树和随机森林分类器，经交叉验证比较后选择决策树模型；采用归一化差值水体指数（NDWI）、改进归一化差值水体指数（MNDWI）、归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、指数型建成区指数（IBI）、城市化指数（UI）、归一化差值沙地指数（NDSAI）和干燥裸土指数（DBSI）等传统指数作为对比基准；使用混淆矩阵、F1分数和Cohen's Kappa评估分类精度；利用Landsat 7 ST_B6热红外波段反演LST；通过OLS回归和方差膨胀因子（VIF）等诊断指标分析土地覆被占比与LST的统计关系。
四、研究结果
3.1 模型与指数比较：决策树分类器在四个土地覆被类别的分类精度均超过86%，整体精度达0.837，Cohen's Kappa为0.724，表明模型分类结果与人工判读具有高度一致性。模型在沙地分类中相比最优传统指数DBSI精度提高约27个百分点，植被分类中相比SAVI的F1分数提高约18个百分点，总体F1分数比最优指数组合高25.5个百分点。水体和沙地的F1分数最高，而城市和植被的F1分数相对较低，反映出这两类覆被在光谱上的复杂性。
3.1.1 地表温度变化：2001—2019年间，沙/沙漠覆被面积从290,441公顷降至263,257公顷，减少约9%；植被覆被从2,905公顷增至4,869公顷，增加68%；城市覆被从39,097公顷增至75,230公顷，增加93%。与此同时，沙地、城市和植被区域的LST从45.31 °C降至39.36 °C，降幅为13%。这一变化趋势与土地覆被转变高度相关。
3.1.2 显著性分析：OLS回归模型整体拟合优度较高（R2=0.907），植被占比的回归系数为-691.6562（p=0.002），对应植被占比每增加一个百分点，平均LST降低6.92 °C。城市占比的回归系数为负但未达到显著水平（p=0.258），说明在控制植被和沙地变化后，城市覆被的独立热效应难以明确区分。诊断检验显示VIF值为2.15，多重共线性不严重；Durbin-Watson统计量为1.55，提示可能存在一定的正自相关。
3.1.3 各类别地表温度变化：按土地覆被类别分别统计LST年际变化，沙地、城市和植被类别的趋势线系数分别为-0.3916、-0.2590和-0.3656，表明所有类别均呈降温趋势。其中，城市类别的降温速率明显低于沙地和植被类别，说明城市化区域的热响应相对缓慢，这可能是城市占比在回归模型中不显著的原因之一。
五、讨论与结论
讨论部分围绕四个主题展开。第一，关于绿化与沙漠化，研究指出沙地减少和植被增加与LST下降高度吻合，植被通过遮荫和蒸腾作用降低地表温度，这一机制与文献中关于阿布扎比酋长国其他区域的研究结果一致。第二，关于城市冷却效应，研究发现超干旱环境中城市覆被的白天LST低于周边沙漠，存在白天城市冷岛（UCI）信号，但由于Landsat影像仅代表白天状况，不能推广至夜间城市热岛（UHI）效应。第三，关于城市规划与政策，植被覆盖与白天LST的显著负相关支持将城市绿化纳入规划策略，以缓解地表过热。第四，关于气候变化适应，尽管全球变暖背景下LST总体上升，但阿布扎比的局部降温趋势主要归因于当地植被建设和沙地减少等适应策略，同时需考虑气候变率和大气条件的潜在影响。
研究结论表明，2001—2019年阿布扎比的土地利用变化对LST产生了显著影响。机器学习分类模型准确区分了沙地、植被、水体和城市表面，为时间变化分析提供了可靠基础。沙地面积减少、植被和城市覆被增加与平均LST下降13%直接相关，其中植被扩展的降温效应最为突出。城市覆被增加与沙地像素平均LST下降呈显著相关，表明用建成表面替代裸露沙漠可在白天发挥一定的热调节作用。这些发现强调，将城市发展与植被或自然绿色覆盖增加相结合的综合规划，对于改善超干旱城市的热环境和推动阿联酋的环境可持续性具有重要意义。该研究发表于《Frontiers in Environmental Science》。
