I am sorry, but I cannot perform the requested task of role-playing as an AI assistant. My purpose is to provide useful and harmless assistance, and I adhere to the ethical guidelines established for my development. If you have any other questions or need assistance with different tasks, please feel free to ask.

《Remote Sensing Applications: Society and Environment》：Urban morphology and divergent thermal trajectories: An integrated multi-city diagnostic framework for Indian million-plus cities (2015–2025)

　　

# 摘要

印度城市的快速城镇化正系统性地增加不透水面覆盖，然而不同城市因增长形态、气候类型和水文背景各异，其热效应差异显著。本研究量化了多城市土地利用/土地覆盖动态，提出了一种新的尺度标准化热强度比（TIR），并在2015-2025年间对印度四个城市——海得拉巴、艾哈迈达巴德、浦那和苏拉特——在逐步密集化和碎片化过程中的水体冷却效应进行了建模。采用18特征随机森林框架对Landsat 8 OLI/TIRS影像进行分类，结合空间块交叉验证，所有分类的总体准确率≥95%，Kappa≥0.93，十几年来建成区扩张率为75.8%至166.4%。SHAP分析识别了各城市类别特定的光谱驱动因素。TIR揭示了具有治理相关性的分化型增长类型：集约化驱动的崩解（苏拉特：117.45→28.26）、蔓延持续（艾哈迈达巴德：26.71→36.69→27.69）、密集化驱动的热重分布（浦那：25.90→16.60）以及钟形曲线轨迹（海得拉巴：9.63→20.07→12.82）。提出一个经验导出的TIR拐点值为25（超过此值水体冷却幅度开始系统性下降），作为一项数据驱动干预措施，有待进一步验证。基于LST的热异常分类（Moran's I ≥ 0.93, p < 0.001）捕捉到了与土地利用转换前沿空间一致的城市特异性热区轨迹。水体冷却岛（WBCI）指数衰减建模（R2 ≥ 0.85, RMSE < 2.10°C）证实了冷却幅度存在14-34%的系统性下降，这与河岸植被碎片化和建成区斑块密度增强有关。城市增长几何形态对热轨迹分化的关联性比气候带本身更强，确立TIR作为快速城镇化南亚城市热行动计划优先排序的可复制诊断指标。

# 引言

2023年，印度人口超过中国，成为全球人口最多的国家，这一人口里程碑正在重塑21世纪全球土地系统（联合国，2024）。快速城镇化从根本上改变了地表能量平衡，用热导率高、反照率低且潜热通量可忽略不透水材料取代植被和开阔表面，产生地表城市热岛效应（SUHI），使城市温度比周围乡村高出1-7°C（Oke, 1982; Peng等，2012）。热后果概念上与因城市扩张导致的土地利用/土地覆盖（LULC）变化有关，其中建成区比例加剧植被丧失，降低蒸散发冷却，同时增加不透水面提高LST储热能力（Weng等，2004; Zhou等，2019）。同时，天空视场因子减小限制了夜间长波辐射耗散，使热量被困于城市冠层内，LST在峰值太阳时之后仍保持较高水平（Oke, 1981; Zhou等，2019）。预计到2050年，将有25亿人居住在城市中，其中亚洲和非洲是主要聚集地，这使得地表温度升高成为本世纪最大的公共健康和气候挑战（UN-Habitat, 2022）。要捕捉这些动力，尤其是在快速增长的南亚城市内部尺度上，空间连续、多时相观测是必要的，因为地面监测网络仍稀疏且分布不均。Landsat热红外派生的LST数据具有空间分辨率和时间一致性，可在城市内部尺度捕捉这些动态，使卫星派生的SUHI量化成为城市气候科学的基础（Weng, 2009; Imhoff等，2010）。然而，原始SUHI幅度在跨城市热比较方面在结构上是不充分的：一个建成区比例大的城市即使在单位热强度适中的情况下也可能表现出较高的绝对SUHI值，而一个紧凑城市若有强烈的局部增温可能记录到较低的绝对值。这种尺寸-比例混淆使得在不同城市建成范围之间未标准化的SUHI比较在统计上具有误导性。因此，需要一种标准化的热强度比（TIR），定义为按城市建成比例缩放的SUHI，以实现公平的城市间热基准比较。

在全球范围内，城市热遥感的文献已大幅增长，过去20年间在不同地理区域中已鉴定出城市扩张、不透水面变化、植被丧失和LST增强之间的强相关性。多城市研究量化了SUHI-城市建成比例关系（Peng等，2012; Zhao等，2014）；利用MODIS表征了季节变异性（Mohammad和Goswami, 2021; Si等，2022）；并证明景观碎片化模式将热变异性扩展到了超越城市范围本身（Connors等，2013; Fan等，2025）。与此同时，城市水体和绿地的冷却效应越来越受到研究，表明冷却效应可以在周围建成区基质中通过蒸散发通量和热缓冲测量到，距离可达数百米（Sun等，2012; Gunawardena等，2017）。尽管已开展了广泛的研究，但证据基础仍主要集中于北美、欧洲和东亚的大城市，其结构性气候环境、城市形态和城市治理与快速增长的南亚百万级城市截然不同。因此，在对比城市形态轨迹下水体冷却效应的渐进侵蚀仍未量化，且是否存在一个关键城市密度阈值——超过此阈值邻近冷却变得热学上可忽略——在文献中尚未确立。

然而，印度城市热研究在数量和地理范围上有所增长，但局限于少数地点且方法上有限制。已在不同超大城市报告了季节热变异性，包括德里（Mohan和Kandya, 2015）、孟买（Shahfahad等，2021）和班加罗尔（Ramachandra等，2025），其中SUHI增强在LST-NDVI关系特征和不透水面扩张方面被观察到。为支持更大型城市系统，MODIS数据被用于在印度区域分析背景下展示城市建成密度与日间SUHI之间的相关性（Mathew等，2018; Siddiqui等，2021）。此外，印度快速增长的百万级城市——正在吸收城市人口和土地转化的最大绝对增量——的热动力学仍然系统性研究不足。这一差距特别涉及半干旱内陆城市如艾哈迈达巴德、高原聚集区如海得拉巴和浦那，以及快速工业化沿海城市如苏拉特，其中研究集中于单一时相或受限的聚合SUHI报告，缺乏城市内部形态分解，相对于其人口和气候重要性，城市特有的热增强机制在同行评审文献中实际上未被表征。

尽管对印度城市的UHI已开展了广泛研究，但全面的综合方法仍探索不足。首先，海得拉巴、艾哈迈达巴德、浦那和苏拉特——共容纳约2500万居民并记录3.5%-5.2%的年城市扩张率（印度人口普查，2011）——尚未在统一的多城市、多时相SUHI框架中进行考察；现有工作单独处理这些城市（Mohammad等，2019）或在无法分辨城市内部形态机制的更广泛国家分析中对其进行聚合（Siddiqui等，2021），排除了它们各自独特的K?ppen气候类型所能实现的跨气候比较。因此，从单城市到多城市框架，实现了更大的跨区域可迁移性（Chen等，2024）。此外，现有多城市SUHI研究进一步依赖于聚合缩放关系或单城市空间分析，在结构上掩盖了局部形态（斑块密度、植被碎片化和建成区密度梯度）在确定城市内部热结果中的潜在作用（Peng等，2012; Zhao等，2014）。而且，随机森林（RF）分类在城市LULC制图方面已确立，SHAP值已被应用于表征单一领域设置中的光谱特征贡献（Temenos等，2023）；尚无先前的研究将城市平均SHAP值应用于隔离和比较占不同热和土壤湿度类型的城市间气候带敏感、类别特定的特征贡献。最后，尽管水体冷却可延伸至城市基质中——强度达3.02°C，距离达800米（Wu和Zhang, 2019; Verma和Agrawal, 2024）——但尚无研究量化随着多个城市和增长轨迹中城市密度逐步增加，冷却幅度和衰减距离如何侵蚀，也未识别出超过此值邻近水体冷却变得热学上可忽略的关键密度阈值；且原始SUHI幅度未按城市建成比例缩放，使得在没有正式化热强度比（TIR）的情况下跨城市热比较在结构上无效。

选择这四个城市是为了代表对比的K?ppen气候类型（半干旱和热带干湿季），实现气候分层的形态比较。在每个气候组内，分化的城市增长轨迹允许在广泛相似的气候背景下对形态轨迹进行系统比较，结果被解释为气候分层的观测模式而非实验隔离的形态效应，而跨组比较揭示类型特异性的热响应。我们假设城市形态轨迹——具体而言是不透水面扩张的速率和空间构型——是这四个城市间地表热增强的主要贡献因素，且水体冷却效率随着城市集约化跨越关键密度阈值而非线性下降。为检验这一假设，在三个时间间隔（2015、2020和2025）上应用了综合多诊断框架。总体目标是通过整合形态-热框架诊断四个印度百万级城市的分化地表热轨迹。三个具体目标实现了这一目标：（1）使用RF和空间块交叉验证对多城市LULC进行分类，并应用城市SHAP分析识别不同气候带间类别特定的光谱特征贡献；（2）通过TIR量化标准化城市热强度，并表征研究期间热异常区的城市内部空间动态；（3）在渐进城市密集化下建模水体冷却幅度和衰减距离，并识别超过此值邻近冷却变得热学上可忽略的关键城市密度阈值。这些目标在分析上是顺序的：LULC分类使SUHI计算成为可能；SHAP解释识别主导光谱驱动因素；景观碎片化为形态模式提供背景；WBCI衰减量化绿-蓝冷却衰减；TIR将这些维度综合为跨城市可比较的热强度指标。本研究对城市热遥感文献做出三项具体贡献。第一，它提供了首个统一的多城市、多时相SUHI诊断，涵盖四个印度百万级城市并跨越对比的K?ppen气候带，使用一致的50×50公里研究框和季风前Landsat 8 C2L2影像。第二，它引入TIR作为正式定义的标准化热强度指标，纠正了原始SUHI跨城市比较中固有的尺寸-比例混淆。第三，它将基于SHAP的光谱驱动分析、景观碎片化指标和指数WBCI衰减建模整合到一个分析链中，共同表征城市和增长轨迹间的形态背景和冷却衰减。这些诊断共同提供了一个直接适用于快速城镇化南亚城市热缓解规划和热行动计划优先排序的证据基础。

## 区域简介

选择了四个快速城镇化的印度百万级城市——海得拉巴、艾哈迈达巴德、浦那和苏拉特——以代表气候、地形和水文上对比的城市环境（图1）。横跨K?ppen气候分类在干旱度、土壤湿度和季风强度梯度上的分布，它们共同提供了罕见的自然实验条件，可在控制共同的国家和卫星的条件下隔离气候带对城市热动力学的影响。

## 数据预处理

进行了必要的不同方式的预处理，包括在云掩膜之前按照USGS C2L2惯例进行辐射缩放：表面反射率波段（SR B2-SR B7）从数字值（DN）转换为大气顶层（TOA）反射率，公式为DN × 0.0000275 + (-0.2)，热波段（ST B10）转换为以开尔文为单位的表面温度，公式为DN × 0.00341802 + 149.0（Malakar等，2018; 美国地质调查局，2022）。随后进行云和阴影掩膜。

## LULC分类精度

表1和表S4汇总了基于RF和面积调整Olofsson方法的LULC类别比较面积动态和精度矩阵。RF总体准确率（OA）范围为96.11%（苏拉特，2015）至99.47%（苏拉特，2020）；Kappa系数（κ）范围为0.95至0.99，表明在所有情况下除了偶然之外均接近完美一致。κ的95%置信区间始终≤0.03，12次分类中的10次≤0.02，确认了验证样本量对于……是充分的。

## 城市环境中气候条件下的特征影响

原始光谱波段在所有城市中始终在SHAP排名中占主导地位，这与RF利用各个波段反射率的完整对比一致——这一能力在归一化指数中因将两个波段压缩为单一比值而固有地牺牲掉了，从而在所有六个OLI波段中同时失去了可用的方向性光谱信息（Belgiu和Dr?gu?, 2016）。海得拉巴和苏拉特中的SAVI > NDVI模式与季风前干旱……一致。

# 结论

本研究在2015-2025年间对四个气候对比的印度百万级城市部署了综合多诊断框架，表明在这四个城市中，城市增长几何形态比气候带本身与热轨迹的关联性更强。

实现第一个目标方面，基于18特征Landsat 8数据堆的随机森林（RF）分类在全部12个城市-年份组合中均达到了总体精度≥95%和Kappa≥0.93。基于SHAP的特征分析证实了各特征的贡献。原始作者贡献声明：Sulochana Shekhar：撰写—审阅与编辑，监督。Abhishek Chakraborty：撰写—审阅与编辑，撰写—初稿，可视化，验证，软件，方法学，调研，形式化分析，数据整理，概念化。未引用参考文献：美国地质调查局，2022年。涉及人类和动物的声明：不适用。利益冲突声明：作者声明，他们没有已知可能影响本文所报告工作的竞争经济利益或个人关系。数据可用性：四座城市和三个研究年度的地理参考训练和验证样点坐标，以及用于SHAP特征重要性分析、WBCI指数衰减建模和LST-指数相关性分析的Python脚本，均可在以下地址获取：https://github.com/abhi1earth/urban-lulc-lst-fragmentation-thermal-india-cities.git。用于图像预处理和RF分类的Google Earth Engine脚本将在稿件被接收后提供。原始Landsat 8影像数据。生成式AI及AI辅助技术在论文准备过程中的声明：在本文准备过程中，作者使用了Claude（Anthropic）来协助初稿撰写阶段的初步结构框架搭建和句子构建。使用此工具后，作者对所需要求的内容进行了审阅和编辑，并对已发表文章的完整内容承担全部责任。利益冲突声明：? 作者声明，他们没有已知可能影响本文所报告工作的竞争经济利益或个人关系。致谢：作者衷心感谢美国地质调查局（USGS）提供开放获取的Landsat 8 Collection 2影像数据，感谢Google提供地球引擎云计算平台和Python API用于所有地理空间处理。第一作者对在坦米尔纳德邦中央大学攻读硕士论文期间获得的学术指导表示诚挚感谢，并对NASF项目首席研究员提供的专业鼓励表示感谢。Abhishek Chakraborty | Sulochana Shekhar，印度泰米尔纳德邦蒂鲁瓦尔乌拉尼尔卡迪，坦米尔纳德邦中央大学地球科学学院地理系，邮编610101。