《Building and Environment》：From explainable machine learning to spatial prioritization: A roof-greening tool for more effective urban heat mitigation
编辑推荐：
•RGP-Tool将屋顶绿化优先级从热状态转向降温效益。•GCR和RCR共同占总平均绝对SHAP值的41.7%。•CTD/ISP排名相比LST使受益者的平均降温提高9.4%（30%预算）。•改善程度随屋顶密度增加而增大，随预算扩大而减小。引言气候变化和城市化不断加剧城市热环境
- •
RGP-Tool将屋顶绿化优先级从热状态转向降温效益。
- •
GCR和RCR共同占总平均绝对SHAP值的41.7%。
- •
CTD/ISP排名相比LST使受益者的平均降温提高9.4%（30%预算）。
- •
改善程度随屋顶密度增加而增大，随预算扩大而减小。
引言
气候变化和城市化不断加剧城市热环境，地表温度预计在本世纪末之前将持续上升[1]。在密集建成区，建筑布局和地面绿地基本固定，大规模重构城市形态或增加地面绿化往往难以实现，因此缓解热浪的策略必须在现有城市肌理中运作。建筑屋顶覆盖大约20–25%的城市水平表面积[2]，且可在不重构城市结构的情况下进行改造，这使其成为高密度区域中最切实可行的高温缓解界面之一。
绿色屋顶的降温潜力在建筑尺度和街区尺度上已有充分记载[[3]、[4]、[5]]，但降温效率在很大程度上取决于屋顶的部署位置。Yang和Bou-Zeid [6]通过数值模拟表明，绿色屋顶和冷屋顶的效益因部署规模和空间配置而异，Bai等人[7]在全球尺度上确认了降温潜力在不同气候区和城市形态之间存在差异。在预算约束下，选择改造哪些建筑将决定总体降温回报，因此严格的优先级排序成为大规模部署以及规划和补贴政策的前提条件。
可解释机器学习为诊断城市形态如何驱动城市热环境开辟了新的途径。使用梯度提升结合SHAP（SHapley加性解释）的研究已在网格、街区和交通区域尺度上量化了形态特征对LST的非线性效应，并识别了响应阈值和交互结构[[8]、[9]、[10]]，为将温度变异分解为特征级贡献提供了方法学基础。然而，这种解释能力尚未被转化为能够指导建筑级屋顶绿化决策的工具。
当前的屋顶绿化优先级排序仍主要依据LST或相关热暴露指标进行排序[[11]、[12]、[13]]，隐含着最热的屋顶提供最大降温效益的假设。这一假设忽略了两个问题。首先，LST由建筑形态、土地覆被和人为热共同塑造，而屋顶绿化只能改变其中一部分，因此两个温度相似的屋顶可能携带截然不同的热驱动因素，从而产生截然不同的绿化后降温效果。其次，大多数归因研究在网格或交通区域尺度上运行，而非在实际做出屋顶绿化决策的单体建筑尺度上。将温度分解为特征级贡献的能力已经存在，但尚未被用于识别哪些建筑在绿化后能带来更大的降温效果。
缺失的第二个维度是单个屋顶干预对周边邻域的降温贡献。绿色屋顶的降温效果并不局限于被处理的建筑，而是以街区尺度向外扩散，随距离衰减但仍覆盖相当可观的邻域范围[14]。因此，一个自身温度仅中等的屋顶如果面积大且嵌于密集邻域中，可能比一个更热但孤立的屋顶产生更大的公共降温效益。然而，逐建筑量化这一贡献通常需要CFD或其他微气候模型，其计算成本与城市尺度上数万个屋顶的评估不相容，导致邻域溢出效应无法纳入常规优先级排序。
因此，基于热状态的优先级排序既不能区分高屋顶温度的可改变因素与不可改变因素，也不能捕捉邻域降温效应，最热的屋顶并不一定是绿化后降温潜力最大的屋顶。由此产生了两个具体问题。第一，是否能将逐建筑归因转化为一种排名信号，使其不仅解释温度差异，还能区分高高温度的可改变原因与不可改变原因，从而将绿化资源引导至干预机制与归因热因相匹配的屋顶。第二，是否能以城市尺度量化改造单个屋顶所产生的邻域降温外部性，将其转变为可排序的逐建筑参数。基于这两个问题，我们开发了屋顶绿化优先级工具（RGP-Tool），将可解释机器学习的形态归因转化为面向效益的空间决策排名指标，并在中国天津市中心的63,561个建筑屋顶上对该工具进行了评估。本研究的贡献有三。第一，我们将逐建筑归因转化为可区分高屋顶温度可改变原因与不可改变原因的排名指标，从而使绿化资源能够引导至干预机制与归因热因相匹配的屋顶。第二，我们以城市尺度量化了改造单个屋顶所产生的邻域降温外部性，将其重新构建为可排序的逐建筑参数，为城市尺度评估提供了一条计算高效的途径。第三，通过全域特征更新模拟，测试了组合策略相对于仅LST基线的降温增益，并识别了该策略最为关键预算和邻域密度条件，提供了一个可基于本地数据重新校准、并直接对接密集城市分阶段规划和补贴政策的决策框架。
章节摘要
研究区域
案例研究区域为中国天津市中心城区（图1）。天津位于华北平原，属暖温带半湿润季风气候，每年6月至8月为炎热潮湿的夏季。中心城区面积约194平方公里。土地开发强度接近饱和，邻域景观格局基本固定；建筑密集、地面绿地有限以及显著的城市热岛效应使得建筑屋顶成为最切实可行的
方法
RGP-Tool包含三个模块，即归因建模、优先级指标构建和策略评估（图2）。归因建模将屋顶温度分解为特征级贡献，并为下游提供参数化输入；优先级指标从该归因中提取与屋顶绿化直接相关的信息，捕捉每栋建筑的CTD和ISP；策略评估则测试CTD和ISP相对于仅LST排名的降温增益
模型性能与空间鲁棒性
CatBoost模型在独立测试集（n = 12,713）上达到R2 = 0.570，RMSE = 1.44°C，MAE = 1.13°C。五折随机交叉验证产生了几乎相同的R2 = 0.569 ± 0.003（图3a）。训练集的R2（0.71）高于独立测试集的值，表明存在一定的泛化损失；随机交叉验证的稳定性本身无法排除过拟合或空间依赖性。部分未解释的测试集方差也可能来自
从归因解释到面向效益的优先级工具
RGP-Tool的贡献在于方法学而非预测性。它将可解释机器学习的归因转化为屋顶绿化选址的建筑级排名工具。现有的热缓解研究可以识别热区或在不同绿化方案下估计总体降温效果，但在预算约束下，实际决策在于建筑改造的排序，因为相同的投资在不同排序下会产生不同的降温效果。RGP-Tool
结论
本研究开发了RGP-Tool，一个用于屋顶绿化优先级排序的城市热环境工具，并在中国天津市中心的63,561栋建筑上进行了应用，整合了归因建模、优先级指标构建和策略模拟。结论如下。
第一，邻域覆被特征主导了屋顶温度差异。GCR和RCR是模型中最大的两个贡献因素，共同占总平均绝对SHAP值的41.7%；它们也是两种覆被
CRediT作者贡献声明
Chen Li：概念化、方法学、形式分析、撰写——初稿。
Jin Zuo：监督、概念化、撰写——审阅与编辑、项目管理、经费获取。
Tao Lin：方法学、监督、撰写——审阅与编辑。
Wei Su：方法学、调查、数据管理、验证。
Xiao Wang：可视化、软件、数据管理。
资金支持
本工作得到了中国国家重点研发计划[资助编号2022YFF1301300]的支持。
数据可用性
本研究使用的天津中心城区建筑足迹数据集（n = 63,561）源自授权的第三方来源，根据使用条款无法重新分发。基于Landsat的地表温度检索遵循标准USGS产品，可使用第2.2节所述流程从公共Landsat存档中重现
撰写过程中生成式AI和AI辅助技术的声明
在准备本工作的过程中，作者使用了生成式AI工具辅助翻译、语言编辑、可读性改善和稿件一致性检查。作者已审阅、验证并编辑了所有内容，并对发表内容承担全部责任。
CRediT作者贡献声明
Chen Li：撰写——初稿、方法学、形式分析、概念化。Jin Zuo：撰写——审阅与编辑、监督、项目管理、经费获取、概念化。Tao Lin：撰写——审阅与编辑、监督、方法学。Wei Su：验证、方法学、调查、数据管理。Xiao Wang：可视化、软件、数据管理。
Chen Li|Jin Zuo|Tao Lin|Wei Su|Xiao Wang
