温室集聚与人类活动相互作用塑造了城乡过渡带的地表温度：不同城市间热响应的差异

《Sustainable Cities and Society》：Greenhouse Agglomeration and Urban Activity Interact to Shape Land Surface Temperature in Peri-Urban Transition Zones: Divergent Thermal Responses Across Cities

　　

# 摘要

温室聚集与城市活动的耦合重塑了郊区热环境，但其非线性效应及区域差异仍不明确。本研究利用U-Net提取的温室边界、温室核密度（GHD）和夜间灯光（NTL），结合空间自相关分析、地理探测器和XGBoost-SHAP，考察了中国四个城市（潍坊、聊城、北京、昆明）的这些交互作用。结果表明，高-高（HH）区仅占0.18%–2.10%；高-低（HL）区在聊城（13.87%）和潍坊（8.31%）更为广泛；低-高（LH）区在北京达到峰值（12.08%）。自然因子——NDVI、气温和风速——主导了地表温度（LST）的空间分异。然而，GHD在潍坊和聊城的影响更为显著，而NTL在北京和昆明的作用更为突出，超过74%的单元表现出交互增强效应。此外，XGBoost-SHAP揭示了强交互增强与净增温之间的区域不一致性。在HH区，热方向性受GHD控制：潍坊在GHD≈10–60范围内持续增温，超过≈60后增温减弱；北京在GHD≈7.5附近从增温转为净降温；聊城在GHD 0–30范围内持续降温，超过约40后降温减弱；昆明的热响应则较为微弱。在HL区，低密度温室通常产生降温效应；在高密度条件下，聊城和昆明仍维持净降温但强度减弱，而北京的降温衰减但未转为增温。在LH区，NTL驱动北京的增温，在聊城从路边温室产生局部热点，而在潍坊和昆明产生中性效应。总体而言，这些发现凸显了温室降温效应的语境依赖性，为郊区热规划提供了基于阈值的参考。

# 引言

设施农业，尤其是温室栽培，在全球范围内迅速扩展，以克服季节和气候限制、提高产量并增加收益（Yuan和Zhang, 2021; Liu和Xin, 2023; Van Delden等, 2021）。中国在全球温室总面积中排名第一，大型聚集区集中分布在城郊和主要农业区（Tong等, 2024; Chen等, 2025; Ou等, 2021）。这种格局形成了集约化温室农业与城市活动共存的地景，构成由改变的土地表面和人为热排放界定的复杂过渡带（Maraveas, 2019; Orzolek, 2017）。这些重叠布局产生了由农业塑料覆盖物和城市热共同驱动的复合热扰动，但其对局部热环境的净效应一直缺乏量化。

温室通过高短波透过率和强长波保持能力改变了地表能量平衡，通过抑制蒸散发和改变热通量升高局部温度（Zhang等, 2021; Li等, 2024; Kim等, 2022; Li等, 2022）。与此同时，城市活动通过能源使用、交通运输、工业生产和人体代谢释放大量人为热（Rizwan等, 2008; Wang和Meng, 2013; Sailor, 2011）。两者在郊区带的同时出现产生了超越单一因子分析的线性叠加效应。阐明其联合热响应可为加速土地竞争背景下的城郊热调控和农业空间优化提供理论支持（Chen等, 2021; Ma等, 2021）。

大量研究已证实，城市化通过土地利用变化和人为热排放改变了局部热环境（Weng, 2009; Oke, 1982; Oke等, 2017）。早期研究聚焦于土地利用构成，指出不透水面——具有低反照率、高热容量和减少的蒸散发冷却——在白天吸收并储存太阳辐射，夜间释放热量，对城市热岛效应（UHI）有所贡献（Taha, 1997; Mohajerani等, 2017; Kuang等, 2013）。相反，植被和水体通过蒸散发和遮荫产生降温效应，充当城市的"冷岛"（Bowler等, 2010; Gunawardena等, 2017; Zhou等, 2011）。

后续研究认识到，仅土地利用构成无法完全解释城市热环境的空间异质性（Buyantuyev和Wu, 2010; Chen, 2024）；社会经济活动——通过能源使用、交通运输和工业生产产生人为热——发挥了同等重要的作用（Pan和Du, 2017; Song等, 2023）。这一认识使研究重心从物理土地利用分析转向人类活动指标的整合。

夜间灯光（NTL）数据作为城市活动强度的有力替代指标，实现了人类活动模式的像元级分析（Zhao等, 2019; Levin等, 2020; Liu, 2023; Amaral等, 2006），这基于其与人口密度、能源消耗和人为热通量之间的强空间相关性（Peng等, 2019; Zhang和Seto, 2011; Zhou等, 2015）。与行政单位聚合统计数据相比，NTL数据具有更细的空间分辨率和更好的时间一致性，便于与遥感环境数据进行无缝整合（Zhou等, 2018）。

NTL数据支持了多尺度热分析。在宏观尺度上，研究揭示了城市扩张与热响应之间的强时空关联，随着城市增长UHI效向外扩展（Shi, 2019; Chen等, 2012; Zhao等, 2014; He等, 2024; Hong等, 2025）。在微观尺度上，非线性建模发现LST与活动强度之间呈非线性关系，表现出阈值效应，超过阈值后边际增温减弱或趋于稳定（Liu等, 2026; Wang等, 2025; Zhang等, 2023; Li等, 2009），这归因于建筑物遮荫、街谷通风和能量平衡约束（Aslam和Rana, 2022; Campra等, 2008; Chen等, 2025）。然而，现有UHI研究仅聚焦于建成区，忽略了城郊温室聚集带中的交互热过程（Xiao等, 2011）。

温室作为一种独特的农业土地覆盖，具有使其区别于自然植被或裸地的独特物理特性（Xu等, 2013; Steinmetz等, 2016）。其透明覆盖物允许短波辐射进入同时截留内部长波辐射，产生温室效应，升高内部和近地表温度（Jiménez-Lao等, 2022; Novelli等, 2016; Baglivo等, 2020）。与开放田地相比，塑料覆盖物限制了水分交换，从而降低了蒸散发，进一步放大了这一效应（Zhang等, 2022; Baneshi等, 2020）。

除其直接影响范围外，大规模温室聚集还被发现通过改变地表反照率、感热和潜热通量来影响区域能量收支（Al-Helal等, 2022; Lu等, 2014; Niu等, 2025）。实证研究记录了因气候、覆盖材料和管理方式不同而呈现对比性热响应。在中国北方，高密度温室区引起冬季增温，LST显著高于周边农田（Liu, 2023; Fan等, 2015; Lin等, 2024）——这一效应归因于辐射截留和隔热减少夜间冷却（Coslu等, 2016）。相反，西班牙东南部的研究发现，反射性白色覆盖物可增加反照率，导致夏季局部降温（Campra等, 2008）。这些发现表明存在强区域异质性，但跨城市证据仍然缺乏。

遥感实现了大规模温室制图。早期光谱指数——如塑料温室指数——利用可见光和近红外波段的高反射率特征（Yang等, 2017; Kittas等, 2012; Agüera等, 2006）。虽然计算效率高，但它们面临与地膜覆盖、建筑物屋顶和其他人工表面的光谱混淆问题（González-Yebra等, 2018; Sun等, 2025）。基于对象的方法通过引入纹理和形状特征，改善了空间一致性和边界划定（Agüera等, 2008; Blaschke, 2010; Myint等, 2011）。

深度学习革命性地改变了遥感影像中的温室制图。卷积神经网络，尤其是U-Net架构，从高分辨率影像中学习层次化特征，在复杂环境中实现了更高的精度（Zhang等, 2022; Ronneberger等, 2015; Shelhamer等, 2017; Chen等, 2018）。这些模型已成功应用于国家和全球尺度，为大规模环境评估提供空间数据（Niu等, 2026; Bai等, 2021）。然而，先前的温室热研究很少在温室-城市耦合扰动下量化跨城市的交互LST响应（Zhang等, 2025; Xiao, 2023）。

从文献中识别出三个知识缺口：（1）在交织区域中，城市活动与设施农业对LST的独立贡献尚未量化；（2）它们的交互效应——协同或拮抗——仍不明确；（3）不同气候和社会经济背景下区域差异的研究尚不充分。

为弥补这些缺口，提出三个研究问题：
**RQ1**：在不同关联类型中，自然因子、温室聚集和城市活动对LST空间分异的相对贡献各是多少？
**RQ2**：温室聚集和城市活动对LST是否表现出交互增强效应，这些效应是线性的还是非线性的？
**RQ3**：不同城农耦合背景下，这些贡献和交互作用如何随城市变化？

提出三个可检验假设：
**H1（自然主导）**：自然因子（NDVI、气温、风速、DEM）主导了所有关联类型中的LST空间变率，基于其在以往研究中一致展现的对地表能量平衡的根本控制作用（Oke等, 2017; Buyantuyev和Wu, 2010; Xiao等, 2011）。
**H2（交互增强）**：温室聚集和城市活动对LST表现出交互增强效应，在高-高区（两因子同时达到高值）增强效应更强，因为蒸散发抑制与人为热增加的联合作用超越了线性叠加。
**H3（区域分异）**：两个驱动因子的相对重要性存在区域差异：在温室密集型城市（潍坊、聊城）中温室贡献占主导，而在温室分散分布的超大城市中（北京、昆明）城市活动贡献占主导，反映了当地土地利用构成对驱动因子的调节作用。

本研究交付了三项主要创新。第一，通过耦合U-Net语义分割、双变量空间自相关、优化参数的地理探测器和XGBoost-SHAP，在统一框架内同时解析了温室聚集和城市活动的独立、交互及非线性边际热效应。第二，开展了跨城市比较，涵盖三种典型城农耦合系统——农业平原城市、超大城市和高原城市。第三，推导了各城市特定的热阈值，以支持分区治理。为此，追求四个目标：（1）通过U-Net制图温室分布；（2）通过双变量局部Moran's I划定耦合区；（3）通过优化参数地理探测器量化驱动因子的解释力和交互强度；（4）通过可解释的XGBoost-SHAP揭示两个因子的非线性边际热响应。

## 研究区

选取中国四个城市代表对比性城农耦合背景（图1），基于四项标准：（1）存在大规模温室农业；（2）温室与城市区域在空间上邻近或交织；（3）气候和地形条件多样；（4）可用的高质量遥感数据。

潍坊（36.7°N, 119.1°E）位于华北平原，属暖温带季风气候（年均温12.5°C，年降水量600毫米）。

## 卷积神经网络

卷积神经网络（CNN）构成了现代深度学习图像分析的基础（Lecun等, 2015）。它们通过交替的卷积层和池化层提取层次化特征。卷积层应用可学习滤波器检测局部模式——边缘、纹理和形状——而池化层通过下采样降低空间维度，减少计算复杂度并提供平移不变性。这种层次化结构使模型能够……

## 温室空间分布

采用ResNet34的U-Net模型取得了82.19%的总体F1分数（精确率：83.04%，召回率：83.17%），在不同地景背景下表现良好，能准确划定温室边界并将其与光谱相似的特征（如建筑物屋顶、地膜覆盖）区分开来。温室的空间分布表现出显著的区域差异（图2）。

潍坊呈现单核连片高密度格局，温室集中在北部（寿光）……

## 自然因子的主导控制作用

研究结果一致表明，自然因子——尤其是NDVI、气温、风速和DEM——在所有城市和关联类型中主导了LST的空间变率。这一发现支持了H1，并与气候、植被和地形在控制地表能量平衡中的根本作用一致（Weng, 2009; Oke等, 2017）。NDVI的高解释力反映了植被通过蒸散发和遮荫的降温作用（Bowler等, 2010; Zhou等, 2011）。

## 结论

本研究探讨了中国四个城郊过渡带中温室聚集和城市活动对地表温度的交互热效应。结合U-Net温室提取、双变量空间自相关、优化地理探测器和XGBoost-SHAP，本研究量化了农业和城市人为驱动因子对LST的独立贡献。主要结论总结如下：

（1）温室与城市活动的空间耦合格局：
……

## 未被引用的参考文献
（Campra和Millstein, 2013）

## CRediT作者贡献声明

- **王丽萍**：撰写初稿、概念构思
- **邱云新**：方法论、数据整理
- **魏兴华**：调查研究、形式分析
- **许东政**：软件开发
- **颜羽飞**：验证
- **宋兵生**：调查研究
- **王晓蕊**：调查研究
- **许占鹏**：项目管理
- **李国强**：资源获取
- **于翔**：撰写、审阅与编辑

Man Haoran：撰写——审阅与编辑。
利益冲突声明
作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本工作得到国家重点研发计划项目（资助号：42330406）、国家自然科学基金（资助号：42271266）以及鲁东大学研究生创新项目（资助号：IPGS2026-057）的支持。
Liping Wang｜Yunxin Qiu｜Xinghua Wei｜Dongzheng Xu｜Yufei Yan｜Bingsheng Song｜Xiaorui Wang｜Zhanpeng Xu｜Guoqing Li｜Xiang Yu｜Haoran Man
中国山东省烟台市264025，鲁东大学河口海岸与核环境山东省重点实验室