引言
高密度住宅环境已成为城市热胁迫的关键热点，近地表空气温度直接影响行人热舒适度、公共卫生（Cui, Zhou et al. 2026）（Yang, Siri et al. 2018）以及建筑能源性能（Wong, Cai et al. 2021, Rajagopal, Shanthi Priya et al. 2025）。在紧凑的城市肌理中，通风受限和热量过度蓄积往往导致住宅建筑群充当局部"热汇"（Lau, Tsai et al. 2024）。尽管国家议程——如中国的《2035年气候变化适应战略》——强调气候响应式城市更新，但实际落地仍存在显著缺口。这一缺口主要源于将复杂的热学证据转化为可操作的、尺度可适配的形态学参数方面的困难，而这些参数需要城市规划师能够直接应用于不同空间层面。因此，方法论上的局限性继续阻碍着定量热评估在住宅规划实践中的整合。
住宅形态长期以来被公认为是城市内部热异质性的根本驱动力（Li, Li et al. 2021）。建筑、街道、植被和开放空间的空间构型主导着太阳辐射交换、遮阳模式、通风效率和热蓄积能力，从而塑造了街区尺度的微气候（Yu and Pan 2026）。实证研究和基于模拟的研究表明，形态学指标——如天空可视因子（SVF）、建筑密度、绿地覆盖率（GCR）和街道几何形态——对住宅热强度具有可量化的影响（Han, An et al. 2022, Peng, Cao et al. 2024）。然而，这些影响通常呈非线性（Yang, Zhou et al. 2025）、尺度依赖（Lin, Gan et al. 2026），且强烈受当地气候和形态背景的制约（Marey, Zou et al. 2025）。传统统计方法，包括相关分析和线性回归，难以捕捉此类非线性和交互关系，尤其是在多个形态变量在不同空间尺度上同时作用的情况下（Hu, Tao et al. 2025, Zhao, Hu et al. 2025）。与此同时，基于物理过程的数值模型——如ENVI-met和计算流体动力学（CFD）——虽然能够提供过程层面的深入见解，但计算量巨大且对参数假设高度敏感（Sezer, Yoonus et al. 2023, Kim and Lee 2024），限制了其在大面积评估和迭代规划场景中的适用性。这些方法论约束凸显了对于高效、数据驱动方法的需求，这些方法既能表征复杂的住宅热响应，又能在规划应用中保持可解释性（Snaiki and Merabtine 2025）。
针对上述挑战，近期研究越来越多地采用可解释的机器学习框架来探索住宅形态与热环境之间的非线性和情境依赖关系，超越了纯粹的预测性"黑箱"模型（You, Huang et al. 2023, Feng, Ren et al. 2024, Liu, Hang et al. 2025）。特别是，基于树的算法和增强算法结合SHAP（SHapley Additive exPlanations）能够将模型输出分解为变量级别的贡献，从而便于识别主导驱动因素和非线性阈值效应（Hoang, Huynh et al. 2025）。此类方法已被应用于分析不同城市形态和气候背景下的城市热岛（UHI）或地表温度（LST）响应（You, Huang et al. 2023, Wang, Zhou et al. 2025），以及利用多源数据集估算近地表空气温度（Li, Wong et al. 2025）。为为这些方法论趋势提供背景支撑，本研究利用CiteSpace进行了关键词共现分析（图1），突出了城市形态、可解释机器学习和热环境研究的日益融合（Han, Du et al. 2025, Li, Cai et al. 2025, Liu, Hang et al. 2025）。然而，这一新兴研究领域也表明，主要的方法论瓶颈已从预测精度转向将模型证据转化为规划相关的阈值和空间构型规则（Liu, Hang et al. 2025），理想情况下应以近地表空气温度观测数据而非LST代理数据为支撑（Xiang, Zheng et al. 2023）。
尽管方法论取得了上述进展，可解释性与可操作性之间仍存在关键缺口：大多数现有研究强调模型验证，而非提取气候适应性设计所需的明确形态学阈值（Li, Wong et al. 2025）。这一缺口在中国北方紧凑型盆地城市尤为突出，如西安。西安位于关中盆地，以风力微弱和夏季强烈太阳辐射为特征，加剧了密集城市肌理中的热量积聚（Gao, Zhao et al. 2022）。尽管近期研究已认识到西安的过热风险，但其分析往往受限于缺乏高分辨率的行人尺度实地测量数据。此外，住宅形态构型与西安半干旱—半湿润气候背景之间的非线性交互关系尚未以规划相关阈值的形式得到系统量化。这些局限性阻碍了热学研究成果向可操作的住宅规划和设计指导的转化。
为弥补这些缺口，本研究开发了一种可解释的、数据驱动的分析流程，将行人尺度热感知与可解释机器学习相结合，以支持面向规划的住宅降温缓解。以西安作为内陆盆地城市的代表，本研究于2024年夏季在14个系统性选定的住宅片区中采集了118个监测点的近地表空气温度数据集，并将其与源自遥感和GIS数据集的住宅形态、土地利用覆盖和道路网络等多源指标进行了整合。本研究追求三个具体目标：
- (1)
利用优化的XGBoost模型结合基于SHAP的可解释性分析，量化住宅形态与城市热岛强度（UHII）之间的非线性关系；
- (2)
识别与关键降温和热量积聚响应相关的指示性、规划相关的形态学阈值；以及
- (3)
建立一个多尺度规划转化框架——从住宅片区热风险筛选到街区和网格尺度的探索性干预评估——将模型推导出的证据转化为差异化的规划策略。
如图2所示，所提出的流程包含三个相互关联的阶段：多源数据获取、可解释模型开发和基于情景的规划筛选。通过将分析建立在实地测量的热学数据基础上，并纳入不确定性、交互效应和空间尺度敏感性，本研究为西安及其他气候和形态条件相似的内陆城市提供了基于证据的气候适应性住宅设计的特定情境实证基础。
