摘要
城市空间结构是影响城市热环境的基本因素；然而，不同地方气候区（LCZs）及其空间范围对热环境的非线性响应尚未得到充分理解。本研究以中国青岛市中心城区为重点，通过结合基于遥感的分类方法、WRF–SLUCM数值模拟和可解释的机器学习技术，建立了一个用于分析城市热环境的综合框架。利用2016年、2020年和2025年获取的10米分辨率Sentinel-2A卫星图像，通过Google Earth Engine（GEE）平台和改进的随机森林算法，开发了一个包含17个地类级别的LCZ分类系统。据此生成的LCZ地图被纳入WRF 4.7–SLUCM模型中，该模型采用四级嵌套配置，能够以0.333公里的最精细空间分辨率模拟24小时近地面气象条件，并据此计算出湿球黑球温度（WBGT）。此外，还使用了LightGBM模型结合SHAP解释方法，定量分析了LCZ面积与WBGT之间的非线性统计关系，并识别出相关的关键特征尺度。三年研究期间，LCZ地图的整体分类准确率在74.4%到75.0%之间，Kappa系数介于0.7333至0.7446之间。SHAP分析揭示了四种响应模式：负面转为正面、正面转为负面、持续负面以及持续正面。不同类型的LCZ表现出不同的面积阈值，某些类型在超过某个关键尺度后其热环境响应会发生反转。这些结果表明，LCZ与WBGT之间的关系并非简单的线性关系，而是一种受土地覆盖类型和斑块大小共同影响的、依赖于尺度的非线性统计关联。本研究为沿海丘陵城市热环境的定量和细尺度分析提供了方法论支持。
