中国城市城市植被物候对城市形态和气候的空间异质性响应

《Sustainable Cities and Society》：Spatially heterogeneous responses of urban vegetation phenology to urban morphology and climate in Chinese cities

　　

- 52%的城市SOS提前，67%的城市EOS推迟，66%的城市GSL延长。
- 协同的SOS–EOS延长在61.7%的城市中主导了GSL变化。
- GEO是主要贡献者，占SOS的48.2%和EOS的52.4%。
- 所有驱动因素在63.7%–94.3%的城市中均表现出GSL延长贡献。
- 气候相关信息流在45.8%的SOS城市和43.5%的EOS城市中发生。

## 引言

城市植被物候（UVP）是指年内周期性植被生命活动的时序动态，如萌芽、开花和落叶。它敏感地反映了植被对环境变化的响应，对碳-水循环、能量交换和生态系统功能具有重要意义（Chen等，2022；Piao等，2019）。城市化通过改变光照、热量和水等关键气候要素，显著改变了局部环境，形成了与自然系统明显不同的城市生态系统（Qian等，2022）。作为城市生态系统的重要组成部分，城市植被在缓解环境胁迫方面提供多种关键生态系统服务，包括栖息地保护、微气候调节、减轻城市热岛效应和空气污染、增强城市生物多样性，以及舒适性、美学和教育价值（Chen等，2025；Hu等，2025；Nagase等，2020；Zhang等，2024）。因此，在气候变化背景下，揭示UVP的变率特征和驱动机制对于构建可持续城市生态系统具有重要意义。

UVP通常包括生长季起始（SOS）、生长季终止（EOS）和生长季长度（GSL），其时空变率显著受气候因素（Kim等，2024；Zhang等，2022）影响。现有研究普遍认为，温度升高（Tmp）可以通过延长适宜生长条件促进春季植被返青提前和秋季落叶推迟，从而延长生长季。同时，降水和太阳辐射等气候因素也通过调节水分供给、光合作用和蒸散过程影响植被生长季动态（Huang等，2024；Ren等，2023；Shi等，2025）。在气候驱动分析中，部分研究采用固定季节窗口，如用春季（3月至5月）平均气候条件解释SOS变化，用夏秋季（9月至11月）气候条件解释EOS变化（Ji等，2023；Liu等，2025；Yin等，2025）。这些方法在大尺度研究中通常适用，但隐含了一个重要假设，即不同区域的植被物候时相相对一致。然而，由于气候梯度和生态环境差异，植被物候时相在不同区域往往表现出显著的空间异质性。若采用固定月份窗口计算气候指标，可能导致气候变量与物候事件之间发生时间不匹配，削弱气候-响应关系的真实性。此外，越来越多的研究表明，植被物候在响应气候变化时表现出显著的前季节效应和季节依赖性。具体而言，SOS不仅受当年春季增温影响，还受上年干旱遗留效应和土壤水分恢复过程影响（Shi等，2025；Wu等，2026）；EOS则更多地受到夏末至秋季温度、水分胁迫和辐射条件的共同影响（Liu等，2025；Yan等，2025；Zhang等，2025b）。因此，有必要采用动态月份窗口来准确刻画不同物候阶段对气候变化的实际响应过程。

城市化作为最具典型性的人为干扰过程之一（Elmqvist等，2021），通过人口集聚和土地利用改变地表结构和能量平衡，诱发城市热岛效应、空气污染和局地气候重组，从而直接或间接影响UVP（Blumstein等，2025；Wang等，2019）。现有城市植被物候与城市化关系研究主要从两个视角展开。第一，比较城乡梯度上的物候差异，发现城市植被通常表现出SOS提前和EOS相对推迟，从而延长GSL（Jia等，2025；Liu等，2023；Walker等，2015）。第二，利用不透水面比例、建成区面积、人口密度、GDP和夜间灯光等指标量化城市化水平，并研究其对物候变化的影响（Ji等，2023；Peng等，2024；Yin等，2024）。然而，大多数研究表明，在城市尺度上，UVP的平均变化通常主要由气候变化解释，其贡献一般大于城市化指标（Ji等，2023；Jia等，2025）。这一发现隐含一个关键问题：城市气候本身并非完全外生变量，而是受城市化过程影响。若仅将气候和城市化视为平行驱动因素，可能忽略城市形态改变局地气候并进一步影响UVP的过程。此外，现有城市化指标多聚焦于二维空间扩张或社会经济属性，而对三维城市形态特征关注不足。事实上，建筑物高度及其空间差异等三维形态特征，可能通过改变遮蔽模式、通风条件和辐射吸收过程重塑局地气候环境，进而影响UVP（Li等，2023；Yang等，2024a）。然而，关于三维城市形态、城市气候和UVP之间潜在传递路径的定量证据仍然有限。

近年来，机器学习方法越来越多地应用于物候研究，为多变量生态数据处理和预测精度提升提供了新的技术路径（Jia等，2025；Terasaki Hart等，2025）。随机森林（RF）和极端梯度提升等模型在生态与环境变化研究中被广泛使用，并在复杂系统预测中展现出较高灵活性（Celis-Hernandez等，2022）。然而，普通机器学习模型通常将样本视为相互独立的观测单元。即使包含经纬度变量，在训练过程中也不会显式考虑地理邻近关系和空间依赖结构，难以充分刻画UVP响应的空间异质性。地理加权XGBoost（G-XGBoost）（Grekousis，2025）和地理随机森林（Zhang等，2025c）将地理加权思想引入机器学习框架，通过增强邻近样本对局部预测的影响，使模型更适合具有空间差异的地理过程。尽管这类空间机器学习方法可以提高预测适应性，但模型精度本身不能完全解释驱动因素运作的空间机制。虽然传统Shapley加性解释（SHAP）方法常与机器学习模型结合以识别变量贡献，但其主要关注变量的总体效应，难以区分地理位置所代表的空间背景效应与变量效应在不同地理位置变化所形成的空间交互效应。GeoShapley将地理位置（GEO）作为集成空间单元纳入Shapley分解框架，可同时识别变量主效应、纯空间位置效应和GEO × 变量交互效应（Li，2024）。因此，G-XGBoost与GeoShapley的组合有助于揭示UVP响应中的空间背景效应和驱动因素的空间异质性效应，但其在UVP研究中的应用仍然有限。

UVP的驱动机制较为复杂。气候因素和城市化因素可能直接影响SOS和EOS，也可能通过间接路径协同调节物候过程（Jia等，2025）。结构方程模型（SEM）常被用于刻画直接和间接效应，为复杂系统提供机制性解释框架（Shen等，2024）。然而，SEM路径设定通常依赖于先验假设，难以直接量化变量间信息传递的方向和强度。在多变量耦合和潜在反馈共存的语境下，仅基于回归系数的路径显著性仍可能面临等价模型和混杂解释的问题（Davvetas等，2020）。Liang-Kleeman信息流（L-KIF）基于系统动力学框架，通过量化一个变量对另一个变量信息熵变化的贡献来识别变量间信息传递的方向和强度（Liang，2014, 2016；Liang，2018）。该方法可刻画时间序列变量间的方向性信息传递关系，但其在UVP驱动机制研究中的应用仍有限，特别是对于"城市形态-气候-UVP"联系的方向性路径系统考察方面。

尽管现有研究已取得实质性进展，但仍存在四点局限。第一，常采用固定气候窗口，难以匹配不同城市SOS和EOS的实际发生时间，可能导致气候指标与物候阶段不匹配。第二，城市化特征刻画不够全面，对建筑物高度及其变化等三维城市形态关注不足。第三，虽然普通机器学习模型可以提高UVP预测精度，但通常不考虑空间权重，且传统解释方法难以区分变量的地理空间背景效应和空间交互效应。第四，仍缺乏对城市形态是否通过局地气候影响UVP、其作用方向及信息传递强度的系统量化。中国是世界上最大的发展中国家，过去二十年来经历了快速且不均衡的城市化过程（He等，2024），城市空间形态发生显著变化，包括建成区面积扩张、建筑物高度增加和空间结构三维化（Gu等，2025）。这为研究城市形态演变及其生态效应提供了独特背景。基于此，本研究以中国内地城市为研究对象，整合多源遥感、气候和城市形态数据，应用Theil-Sen趋势分析、G-XGBoost、GeoShapley和L-KIF方法回答三个科学问题：(1) 2001至2020年间中国城市的SOS、EOS和GSL时空特征如何，其趋势在不同城市规模和气候带间是否存在差异？(2) 在考虑空间权重的预测框架下，G-XGBoost和GeoShapley能否揭示城市形态和气候因素对UVP的贡献差异、空间背景效应以及GEO × 变量交互效应？(3) 城市形态是否通过调节局地微气候条件进一步影响UVP，城市形态指标与气候因素之间是否存在可识别的方向性信息传递路径。

### 研究区

中国国土辽阔，城市类型多样，跨越从寒温带至热带、从湿润至干旱等多个气候带，为比较不同气候背景下城市形态、气候因素与UVP的交互作用提供了理想的实验场。基于此，本研究选取中国内地面积大于10 km2的875个地级和县级行政单元作为研究对象（图1；城市植被物候的空间格局）。

### 城市植被物候的空间格局

中国UVP表现出显著的空间异质性，主要特征为SOS自南向北逐渐推迟、EOS自南向北逐渐提前，导致GSL呈现自南向北递减的梯度格局。多年平均SOS范围从第57天至第165天，时间跨度为108天。约38.56%的城市SOS集中在第75天至第90天，对应3月中旬至下旬。空间上，SOS总体呈现……

### EOS的可解释性低于SOS

G-XGBoost模型结果表明，EOS的模型解释力低于SOS，表明秋季物候变化可能受更复杂的环境过程共同影响。在8变量模型中，SOS模型在测试集上达到R2 = 0.889，RMSE和MAE分别为8.900和6.631（图12a）。相比之下，EOS模型测试集R2为0.826，RMSE和MAE分别为6.933和5.269（图12c）。尽管两个模型……

### 结论

本研究从"城市形态-局地气候-物候端点"框架出发，探讨了中国UVP变化的空间异质性和潜在路径。总体而言，SOS和EOS呈现相反的纬度格局，共同塑造了GSL的空间分布。在过去二十年间，SOS提前和EOS推迟导致了广泛的GSL延长。

基于SOS-EOS的GSL分类进一步揭示了生长季的变化。

CRediT作者贡献声明

Fanyayu：撰写–初稿、可视化、验证、软件、方法学、调查研究、形式分析、数据整理、概念构思。ZhengJianghua：撰写–审阅与编辑、监督、资源、项目管理、经费获取、概念构思。LiJianhao：撰写–审阅与编辑、方法学、数据整理。LuBinbin：撰写–审阅与编辑、方法学。HanChuqiao：撰写–审阅与编辑。MaYunfei：验证。

数据可用性

数据将根据要求提供。

CRediT作者贡献声明

Fanyayu：撰写–初稿、可视化、验证、软件、方法学、调查研究、形式分析、数据整理、概念构思。ZhengJianghua：撰写–审阅与编辑、监督、资源、项目管理、经费获取、概念构思。LiJianhao：撰写–审阅与编辑、方法学、数据整理。LuBinbin：撰写–审阅与编辑、方法学。HanChuqiao：撰写–审阅与编辑。MaYunfei：验证。

利益冲突声明

作者声明他们不存在任何已知的竞争性经济利益或个人关系，这些情况可能影响本文所报告的工作。

致谢

本研究得到了新疆"天山英才"培养计划（项目编号2023SNGGGGCC004）和新疆重点生态系统保护与修复重大工程项目（2021-2035）的资助，该工程为中科院新疆生态与地理研究所的委托项目（202005140014）。我们感谢欧洲航天局和欧盟委员会联合研究中心提供免费开源的全球人类居住层数据。

Fanyayu | ZhengJianghua | LiJianhao | LuBinbin | HanChuqiao | MaYunfei