费侯（Fei Hou）|努里阿蒂·泰布（Nooriati Taib）|马苏梅·赫达亚蒂·马尔兹巴利（Massoomeh Hedayati Marzbali）|阿尔德里恩·阿卜杜拉（Aldrin Abdullah）
城市热岛（UHI）是指城市区域温度显著高于周边农村地区的现象（Q. Yang等人，2024年）。地表温度（LST）常用于表征UHI强度与土地利用/土地覆盖（LULC）之间的关系，其中土地利用类型在LST变化中起主导作用（Barat等人，2018年；H. Xu等人，2018年）。在快速城市化过程中，LULC的时空重构带来了一系列环境挑战，尤其是LST积累加剧、人为排放增加以及热舒适度下降（Jiang等人，2025年；Patel等人，2024年）。城市地区受影响最为严重，经常面临极端热浪和局部热量滞留，导致LST持续升高（Jang & Jung，2025年）。LST还受到多种城市因素的影响，包括LULC模式和城市空间形态（Tang等人，2025年）。因此，系统地识别和量化UHI效应的空间决定因素对于减少热暴露和促进可持续城市发展至关重要。
城市空间主要由城市建成空间（UBS）、城市绿地（UGS）和城市蓝空间（Wang等人，2024年）组成。作为塑造城市热环境的核心要素之一，UBS在加剧UHI效应中起着重要作用。研究表明，UBS的形状、布局、密度和建筑高度都是影响LST的主要因素（W. Chen等人，2022年）。在这些因素中，UBS的面积在城市化过程中对LST的影响最大。UBS的持续扩张不仅提高了周围小范围的LST，还削弱或掩盖了UGS提供的降温效果（Yuan等人，2021年）。关于3D建筑指标的研究进一步表明，低层高密度的UBS会增强热量积聚并提高LST，而高层低密度的UBS则通过形成通风走廊来降低LST（J. Song等人，2020年；J. Yang等人，2018年）。
大量证据证实了UGS形态、面积和结构的显著降温效果。研究表明，每增加10%的绿地覆盖率，LST平均降低约0.39°C（Tan等人，2021年）。归一化植被指数（NDVI）和植被覆盖比例（FVC）与LST显著负相关（Alexander，2020年；Li等人，2020年）。UGS在大约200–500米的范围内也具有显著的降温效果（Aram等人，2019年）。绿地的连通性、复杂性和破碎度与LST密切相关（Zhong等人，2025年）。值得注意的是，当植被高度和覆盖率达到一定阈值后，垂直植被结构的降温效果趋于稳定，表明仅增加植被高度无法完全满足城市的大规模降温需求（Alexander，2021年；P. Zeng等人，2022年）。研究还表明，在缓解LST方面，2D因素始终比3D因素更有效（Z. Zhou & Liu，2026年）。城市蓝空间（如湖泊、水库和河流）由于其较高的热容量，在白天表现出较慢的升温速率，从而产生局部降温效果，但可能在夜间释放储存的热量，造成升温效应（X. Zeng等人，2026年）。然而，现有研究表明，与UGS相比，城市蓝空间的降温效果较弱，且主要在夏季高温期间发挥作用（Bartesaghi Koc等人，2018年；Xue等人，2019年）。因此，在大多数城市规模的研究中，LST的空间差异仍主要由UBS–UGS的结构特征及其相互作用主导。
在高度异质的城市环境中，LST并非由单一因素以线性方式形成，而是由UBS–UGS通过复杂的物理和生态过程共同调节的结果。UBS通过不透水表面、建筑材料和密度加剧热量储存（Ramachandra等人，2025年），而UGS主要通过蒸散作用和遮荫来降温（Ma等人，2025年）。UBS–UGS的空间配置决定了热量的积累和扩散方式，从而塑造整体城市热模式（Jang & Jung，2025年）。UGS的降温效应和UBS的升温效应并非固定不变，而是嵌入在它们相互作用形成的复杂空间结构中（Q. Zhang等人，2022年）。因此，从单一因素角度分析LST的驱动因素可能会忽略UBS和UGS之间的相互制约和协同效应，增加解释的不确定性。从空间角度来看，采用将UBS–UGS视为共同调节城市热环境的集成系统的协同视角是必要的。同时，LST还受到季节性太阳辐射和植被特征的显著影响（Fan等人，2015年）。因此，UBS–UGS的战略配置应考虑空间协同性和时间异质性，以最大化整体降温潜力并有效缓解UHI效应。
在方法论层面，使用FRAGSTATS计算的景观指标被广泛用于量化空间特征，包括面积和组成（例如景观百分比（PLAND）、最大路径指数（LPI））、结构和破碎度（例如斑块数量（NP）、周长-面积比（PARA）以及聚合和连通性（例如聚集度指数（CLUMPY）、斑块凝聚力指数（COHESION），以系统描述空间结构的组成和配置（Yao等人，2022年）。此外，基于数学形态学的形态空间模式分析（MSPA）可以将二值或分类栅格的空间结构分解为核心、边缘、桥梁、岛屿、环路、分支和穿孔等单元，揭示空间形态和连通路径（Lian & Feng，2022年）。简而言之，景观指标关注空间模式的定量强度（Rasoulzadeh等人，2023年），而MSPA则侧重于空间形态和结构功能的识别（Soille & Vogt，2009年）。景观指标和MSPA本质上是基于LULC栅格或分类图像的处理方法，这两种方法在解释空间机制和模式类型差异方面具有显著互补性（T. Zhang等人，2025年）。因此，在统一的分类框架下，这些方法可以应用于UBS–UGS的形态和景观特征测量，为分析它们的空间耦合关系提供一致的定量基础。
近年来，遥感和人工智能技术的进步为解决城市形态特征对热暴露的复杂影响提供了新方法（Han等人，2025年）。机器学习模型，如XGBoost、LightGBM和CatBoost，在建模非线性空间关系和特征交互方面表现出色（Hoang等人，2025年）。此外，可解释的机器学习（EML），包括Shapley加性解释（SHAP）、偏依赖图（PDP）和交互效应分析，使研究人员能够以前所未有的清晰度可视化变量重要性和量化阈值响应。Tahooni等人（2025年）比较了随机森林、支持向量回归和XGBoost在模拟不同土地覆盖类型下的主要城市热模式方面的表现，并结合SHAP来解释预测结果并测量关键环境变量对LST变化的贡献。然而，将EML整合到统一UBS–UGS的多维空间框架中进行综合分析的研究仍不完善。
总之，尽管现有研究揭示了LST与城市空间形态之间的关系，但对UBS–UGS在季节性昼夜间的耦合机制及其协同效应的系统分析仍有限。同时，EML主要应用于单变量解释。鉴于这些局限性，本研究构建了八个UBS–UGS综合指数，包括覆盖强度、破碎度复杂性、聚合连通性和形态结构，通过整合多季节的ECOSTRESS LST数据并对比多种机器学习模型。确定CatBoost为最佳模型。然后使用SHAP、PDP和交互效应分析来量化相对重要性、检测非线性阈值并揭示耦合机制。本研究旨在：（1）探讨UBS–UGS的形态和景观指标如何共同影响季节性昼夜LST；（2）识别控制城市升温与降温转换的关键阈值和交互效应；（3）为大城市制定精细化的UBS–UGS耦合策略以缓解LST。该研究对理论和实践都有贡献。理论上，本研究建立了可解释的机器学习框架，以量化UBS–UGS交互背后的非线性和阈值驱动机制。实践中，研究结果为城市规划者提供了可操作的见解，表明协调优化UBS–UGS可以有效缓解UHI效应。
材料与方法
整体研究框架如图1所示。本研究遵循四个主要步骤：（1）收集2024年上海的LULC和LST数据；（2）使用ArcGIS 10.8.1中的create fishnet工具生成1公里×1公里的网格，并将其裁剪到上海边界；然后在GUIDOS Toolbox 3.2中进行MSPA，提取核心、岛屿和穿孔等空间模式类型并计算其比例。
上海的LST在季节性和昼夜尺度上表现出明显的时间和空间差异（图5）。就时间特征而言，夏季LST最高（38.30°C）（图5 (c, d)），其次是春季（27.34°C）和秋季（26.41°C）（图5 (a, b, e, f)，最低温度出现在冬季（13.03°C）（图5 (g, h)）。白天的LST始终高于夜间的LST。
UBS和UGS对LST的影响机制
城市空间是一个由多个子系统组成的庞大系统，UBS和UGS对LST的调节机制非常复杂。一般来说，UBS倾向于引发升温，而UGS提供降温效果（Arshad等人，2022年；Q. Zhang等人，2022年），这不仅受到表面物理特性和生物过程的影响，还受到空间格局导致的微气候变化的影响（Hu等人，2022年；Wei & Wang，2022年）。
结论
本研究利用多源数据系统量化了UBS–UGS对上海季节性昼夜LST时空动态的影响。通过整合八个综合指数和EML（CatBoost–SHAP/PDP），我们揭示了城市形态调节LST的非线性交互机制。结果表明，白天的LST主要受UBS指数影响，尤其是BCI和BMSF，它们通过不透水性和结构连续性共同增强了加热效应。
作者贡献声明
费侯（Fei Hou）：写作 - 审稿与编辑；原始草稿撰写；概念化；方法论；软件；形式分析；调查；可视化；数据管理。
马苏梅·赫达亚蒂·马尔兹巴利（Massoomeh Hedayati Marzbali）：写作-审稿与编辑；概念化；方法论；资源；监督。
努里阿蒂·泰布（Nooriati Taib）：写作-审稿与编辑；资源；监督。
阿尔德里恩·阿卜杜拉（Aldrin Abdullah）：写作-审稿与编辑；资源；监督。
数据可用性
数据可应要求提供。
作者贡献声明
费侯（Fei Hou）：写作 – 审稿与编辑，原始草稿撰写，软件开发，方法论设计，数据管理，概念化。
努里阿蒂·泰布（Nooriati Taib）：写作 – 审稿与编辑，监督，资源管理。
马苏梅·赫达亚蒂·马尔兹巴利（Massoomeh Hedayati Marzbali）：写作 – 审稿与编辑，监督，资源管理，方法论设计，概念化。
阿尔德里恩·阿卜杜拉（Aldrin Abdullah）：写作 – 审稿与编辑，监督，资源管理。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
