过去几十年里，全球城市化的进程显著加快[1]。在中国，城市化率在过去20年里从40%上升到了66%，并且仍在持续增加[2]。一方面，随着城市化的推进，人口持续增长加剧了人为热排放[3,7]；另一方面，大量的自然表面被不透水的人造表面所取代[4,8]。特别是道路和建筑物的扩张持续进行，而对这些生态健康至关重要的蓝色和绿色空间却显著减少[5,9]。在这些因素的共同作用下，城市地区的温度明显高于周边农村地区，从而产生了城市热岛（UHI）效应[6]。城市表面组成的变化在塑造城市生态和气象条件方面起着关键作用。城市化本质上是对城市表面元素的大规模重新配置，进而导致城市热环境和生态条件的显著改变[10]。从2004年到2018年，随着城市开发区域的不断扩大，成都受UHI效应影响的土地比例从44%增加到了48%，强热岛区域也明显扩大[11]。过去二十年里，全球范围内都观察到了UHI的扩张，特别是在亚洲城市中这一趋势尤为明显[12]。这一现象具有多方面和深远的影响，显著增加了对冷却能源的需求，每升高1°C，电力消耗量就会增加2-4%，在极端高温期间加剧了公共卫生风险，并进一步恶化了城市空气和水质[13]。因此，缓解UHI效应已成为城市规划研究的核心焦点[14,15]。
先前的研究表明，城市绿地（UGS）有助于降低城市温度[[16], [17], [18], [19]]；然而，其效果在不同的气候条件和景观指标的大小及配置下差异很大[20]。在多种国家和气候条件下，UGS始终表现出显著的冷却效果[21]。例如，在印度班加罗尔的研究表明，UGS可以在大约347米的范围内降低周围温度，且随着距离植被的增加，这种效果会减弱[22]。Estoque、Murayama和Myint[23]研究了东南亚的主要大都市区，包括曼谷（泰国）、雅加达（印度尼西亚）和马尼拉（菲律宾），并证明UGS的扩展可以显著缓解UHI效应。他们还报告说，UGS内的平均温度比周围不透水城市表面低约3°C。此外，Xu、Chen、Huang、Su、Rong、Yue和Haase[24]指出，在中国亚热带城市东莞，UGS的分布和连通性对其冷却性能有影响，并进一步建议改善UGS的空间分布均衡性有助于减少地表温度（LST）的聚集。因此，应战略性地规划和布置城市绿地，以最大化其冷却效果。
景观指标被广泛用于定量描述UGS的空间特征，并作为理解植被结构和生态功能的重要工具[25]。作为评估UGS空间配置和结构的关键指标，景观指标有效地捕捉了各种景观元素的分布、形态属性、尺度特征及其相互作用[26]。现有研究主要集中在景观指标与UHI效应之间的关系上[27]，部分研究还评估了特定指标在缓解UHI效应中的相对重要性[28]。尽管对协同效应的探索日益受到关注[29]，但在不同城市背景下，不同指标在驱动UHI强度方面的相对重要性和非线性相互作用仍不完全清楚。
在某些情况下，通过线性回归模型研究了UGS的冷却效果及其与UHI之间的关系[30]。然而，这些方法在捕捉变量之间的复杂非线性相互作用方面存在局限性。最近，由于机器学习方法在模拟非线性关系和泛化性能方面的出色能力，它们已成为城市热环境研究中的强大工具[31]。传统的机器学习算法，如随机森林和LightGBM，已被广泛用于研究UGS与UHI之间的关系，比传统统计方法具有更高的预测准确性和稳定性[28]。此外，深度学习模型在预测性能方面也显示出巨大潜力[33]。然而，当应用于相同任务时，不同的深度学习模型可能会产生显著差异，这突显了模型选择在研究结果中的关键作用[34]。幸运的是，深度学习的进步表明，输入特征的选择和预处理可以显著影响模型性能和研究结果的可靠性[35]。尽管机器学习在UGS冷却研究中的应用日益广泛，但如表1所示，仍存在两个关键的研究空白。首先，现有模型主要依赖于原始或简化的景观指标，未能考虑决定冷却强度的多源特征之间的高维非线性相互作用。其次，现有的CNN或基本Transformer架构缺乏明确识别和优先考虑UGS冷却研究中影响因素景观指标的能力，导致细节信息和因果关系的丢失。
为了解决传统模型在捕捉UGS冷却分析中的非线性空间特征方面的局限性，本研究提出了一种基于关键点信息的Transformer深度学习框架，并结合了特征工程（FE-KFormer模型）。具体来说，(i) 开发的FE-KFormer模型引入了一种新的特征生成和压缩机制，能够在有效消除冗余信息的同时对原始输入特征进行深度优化；(ii) 设计并集成可学习的关节点检测器到基于Transformer的模型中，以捕捉和分析不同景观指标之间的协同关系及其对UGS冷却效果的贡献；(iii) FE-KFormer模型能够在不同的景观指标配置下预测UGS的冷却效果。以广州为例，本研究使用Landsat和MODIS的融合遥感图像来获取LST数据，以评估UGS的冷却性能。因此，本研究的主要贡献不仅在于提出了一种新的预测工具，还在于开发了一种专门针对UGS冷却分析和预测的新型模型，为城市规划者提供了一种更强大且具有通用性的方法，以优化旨在调节微气候的绿地设计。
本文的结构如下：第2节介绍了方法论，包括研究框架、数据获取和开发的FE-KFormer模型。第3节提供了案例描述。第4节展示了模型评估结果和带有定量分析的UGS冷却预测。第5节总结了研究内容。
