编辑推荐：
城市绿地（UGS）与地表温度（LST）的非线性关系及空间异质性研究，基于多维度系统评估框架，运用地理可解释AI（GeoShapley）方法揭示不同气候背景下UGS冷却效应的阈值与非线性行为差异，为精准城市增绿提供科学依据。
张新宇|胡金宇|夏天宇|毛宇恒|李欣|胡春光|张金光
同济大学建筑与城市规划学院，上海200092，中国
摘要
现有关于城市绿地（UGS）与地表温度（LST）之间关系的研究忽略了与多种UGS特征、不同气候背景以及特别是空间异质性相关的非线性机制。为了解决这些不足，我们建立了一个系统的UGS评估框架，整合了三个核心维度：UGS组成、配置和形态结构。利用地理可解释人工智能（即GeoShapley），我们量化了各种UGS指标及其在中国五个代表不同气候区域的城市中的空间异质性的非线性降温效应。结果表明：（1）UGS组成、配置和形态结构共同调节了降温效应，但它们的贡献程度、降温阈值和非线性响应在不同气候条件下存在显著差异。（2）GeoShapley量化了位置特征的作用，这些特征显著改变了UGS指标在降温中的重要性，并揭示了城市区域内UGS降温效应的明显空间异质性。（3）树木覆盖率高的UGS、连通性强且以大块绿地为主的区域通常表现出较强的降温效应，但在建筑密集区这些优势受到限制；相比之下，在热环境强烈且通风有限的地区，分布较为分散的小型和中型UGS斑块及其与草地和水域的边缘可以增强降温效率。这些发现为有针对性的城市绿化干预提供了特定于气候的空间明确指导，并推动了可持续的城市热缓解策略。方法上，本研究首次将地理可解释AI集成到城市热环境研究中，提供了一种新的方法来解开UGS降温效应中的复杂非线性和空间依赖关系。
引言
全球变暖和城市热岛效应导致城市温度上升，日益威胁全球城市可持续性（Manoli等人，2019年）。此外，快速城市化将大片土地转变为不透水表面（Foley等人，2005年），从而加剧了与热相关的风险。这些风险危及公共健康、阻碍发展、降低劳动生产率（Day等人，2019年）并损害经济表现（Di Blasi等人，2023年），同时增加发病率和死亡率（Ebi等人，2021年）。尽管如此，许多城市在城市规划系统中仍缺乏以降温为导向的指标、操作指标和监管措施。联合国采纳的可持续发展目标（SDGs）强调，城市绿地（UGS）是缓解当地城市热环境不利影响的关键组成部分（Guo等人，2022年；Li，2020年）。作为基于自然的解决方案，植被绿地通过植物蒸腾作用（Gago等人，2013年）和树冠遮荫（Chrysoulakis等人，2018年）来缓解城市热。因此，扩大UGS被广泛认为是实现气候适应和可持续城市发展的可行途径。
许多研究探讨了各种UGS特征与城市热环境之间的关系，强调了UGS景观组成、配置和形态结构在调节地表温度（LST）中的关键作用（Connors等人，2013年；Pramanik和Punia，2019年；Wan等人，2025年）。景观组成指的是土地覆盖特征的丰富性和多样性（Zhou等人，2011年）。不同类型的UGS组成具有不同的辐射、热和水文特性（Chrysoulakis等人，2018年）。研究表明，树木、灌木和草类能有效缓解城市热，其中城市森林通常被认为是最有效的（Han等人，2024年）。景观配置描述了土地覆盖特征的空间排列、形状、位置分布或几何复杂性。研究人员探索了调整UGS配置以影响斑块之间的水热交换路径，从而增强降温效应的空间扩散（Forman，1995年；Massaro等人，2023年）。以往的研究经常使用形状指数、斑块密度、边缘密度和聚合指标来量化景观配置（Du等人，2016年；Ke等人，2021年）。研究表明，面积较大且形状较为紧凑的UGS往往产生更强的降温效应（Han等人，2023年）。形态结构是通过形态空间模式分析（Soille和Vogt，2009年）识别的，指的是绿地的内部空间配置。这种方法识别了核心区域和边缘等基本组成部分，与传统景观模式指标相比提供了不同的视角，后者通常生成的聚合斑块指数缺乏空间明确信息。最近的研究表明，这些形态特征可以显著影响城市气候和环境条件（Lin等人，2023年；Lin等人，2024年；Zhong等人，2025年）。然而，同时结合这三个方面来评估UGS降温效应的研究仍然很少，导致对UGS降温机制的整体和局部机制理解不完整。
虽然以往的研究分析了各种UGS特征的降温效应，但它们的发现往往具有有限的普遍性，有时甚至相互矛盾（Li等人，2023年；Zhou等人，2023年）。例如，增加草地比例在许多情况下被报道可以降低LST；然而，在某些地区它也可能产生升温效应。同样，许多研究表明，在许多城市中，形状更规则和紧凑的绿地斑块往往与较低的地方LST相关，而在其他城市的研究中则呈现相反的模式。这可能源于UGS特征影响降温能力的复杂非线性关系，其中可能涉及阈值和边际效应的递减。鉴于这种复杂性，继续依赖简单的线性假设可能导致对降温机制的过度简化解释（Liu等人，2024b）。因此，近年来研究人员越来越多地使用可解释人工智能（XAI）技术进行建模任务，因为它们能够捕捉非线性关系（Islam等人，2024年）。
更重要的是，UGS特征的非线性降温效应表现出显著的空间变异。这些效应在不同气候背景下甚至在相同气候背景下的不同地理位置之间存在显著差异。这种变异是因为关键气候因素（如降雨和太阳辐射）在不同区域之间存在显著差异。这些因素塑造了局部的水热条件，进而调节了绿地中的蒸散和遮荫效应强度，从而改变了它们的降温效率（Liu等人，2021年；Yang等人，2024年）。然而，大多数现有研究仅关注单个城市或局部区域，没有系统地考虑气候背景带来的差异（Zhou等人，2023年）。由于城市地表温度（LST）受多种因素影响，包括表面结构、土地覆盖和人类活动（Hu和Zeng，2025年），UGS降温效应的决定因素和程度即使在同一城市的不同区域也可能有所不同。使用忽略空间异质性的全球模型可能会掩盖这些差异。然而，研究人员常用的统计和机器学习模型主要是全局性的，产生整个数据集的平均参数估计（Ming等人，2024年）。这种忽视空间依赖性的做法可能会引入模型偏差并掩盖局部重要信息。
由于城市间UGS降温效应的不一致性可能源于潜在的非线性降温效应、空间异质性和气候背景的差异，因此有必要在系统分析框架内重新思考这些关系。尽管一些现有研究分别考察了UGS特征与LST之间关系的非线性和空间异质性（Gao等人，2022年；Islam等人，2024年），但同时考虑非线性响应如何在空间上变化以及位置如何与UGS特征相互作用的方法仍然很少。GeoShapley解释器是一种地理可解释人工智能，擅长通过结合地理坐标及其与其他变量的相互作用来评估变量的非线性贡献，从而量化空间位置和特征之间的协同作用（Li，2024年）。GeoShapley方法已在各种复杂的城市研究领域展示了其解释能力（Foroutan等人，2025年；Ke等人，2025年；Peng等人，2025年）。因此，将GeoShapley方法应用于城市热环境研究具有重要意义，因为它解决了全球模型的空间局限性，同时克服了线性模型中对非线性响应的忽视。实际上，GeoShapley方法能够空间明确地诊断UGS特征在哪里产生降温效应，并量化其贡献程度。GeoShapley在方法上优于传统的SHAP，因为它将地理位置作为联合特征，并量化了其与其他预测因子的协同作用。这有助于更精确地建模和解释UGS特征对降温的影响，并支持更有针对性的规划干预。
为了解决上述问题，我们利用地理可解释AI来回答以下科学问题：（1）UGS特征在组成、配置和形态结构这三个维度与LST之间的关系有何差异？（2）在不同气候背景下，哪些关键的UGS特征驱动了降温效应？（3）UGS特征的降温贡献是否表现出空间异质性？从城市规划实践的角度来看，这项工作提炼了UGS降温效应的一般模式和独特特征，最终为在不同气候背景下缓解城市热环境问题提供了科学依据。
研究区域
核心城市化区域是城市功能和人口活动最集中的空间单位，也是城市发展和功能扩展最密集规划的场所。该区域通常表现出最高的夏季地表温度（LST）和最严重的城市热环境问题。因此，我们选择了五个中国城市在夏季（6月至8月）的核心城市化区域作为研究区域：乌鲁木齐、北京、杭州、拉萨和海口。
描述性统计
图1(b)展示了五个城市的LST空间分布，突出了地理差异。总体而言，城市建成区通常是研究区域内LST较高的区域，而LST较低的区域主要位于绿地（UGS）密集的区域，这些区域的树木覆盖广泛。与乌鲁木齐和拉萨相比，北京、杭州和海口的LST较高区域更为集中。
多维UGS特征及其在不同气候背景下的降温效应及其阈值
与以往仅关注绿地规模的研究不同，本研究全面考察了城市绿地（UGS）在三个维度上的降温效应：UGS组成、配置和形态结构。结果表明，不同UGS特征的影响存在显著差异。它们对降温效应的贡献表现出非线性和阈值效应，这些非线性阈值模式在不同气候条件下有所不同
结论
本研究开创了将地理可解释AI应用于城市热环境研究的先河，整合了空间交互特征，阐明了气候和位置如何协同影响城市绿地（UGS）的降温效应。具体而言，使用XGBoost和GeoShapley（地理可解释人工智能）框架，我们证明了UGS组成、配置和形态结构与地表温度之间存在非线性关系
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金（编号：32572120；32301649）和教育部人文社会科学青年基金（编号：22YJCZH237）的资助。作者感谢Tianshun Gu和Entong Ke在数据预处理阶段的贡献。
