利用可解释的机器学习和多目标优化技术，实现城市闲置土地绿化带来的最佳降温效果

《Urban Forestry & Urban Greening》：Achieving optimal cooling effects from urban vacant land re-greening using interpretable machine learning and multi-objective optimization

城市热岛效应与极端高温事件严重威胁城市可持续发展。本研究基于北京五环区域，构建了包含机理分析、潜力评估与多目标优化的三阶段框架，科学指导闲置土地再绿化。通过可解释机器学习揭示建筑高度（BH）和覆盖率（BCR）是LST空间分异的主因，并发现高热暴露集群（HHEC）存在降温效果抑制与升温效应放大现象。评估表明，再绿化地块边际降温贡献达0.445℃，前5%高潜力地块贡献超0.862℃，但HHEC区域整体降温潜力低于城市边缘区。基于NSGA-II算法优化，形成平衡效率（提升12.9%）、公平（HHEC降温增64.8%）与生态连通性的三种战略模式。研究为精准气候适应策略提供量化决策工具。

　　

陈玉佳|顾阳|罗俊杰|曹磊

天津大学建筑学院，中国天津

摘要

城市热岛（UHI）效应和极端热事件对城市可持续性构成了严重威胁。重新绿化城市闲置土地（UVL）是缓解这一问题的关键途径；然而，其降温效果在很大程度上取决于科学的空间规划。这项基于北京的研究开发了一个三阶段框架，该框架整合了机制分析、潜力评估和多目标优化，以科学地指导UVL的重新绿化并最大化其城市降温效益。研究首先使用由XAI解释的CatBoost模型来揭示地表温度（LST）的驱动机制，然后量化了UVL重新绿化的降温潜力。最后，NSGA-II算法通过在整个降温（效率）、目标HHEC降温（公平性）和生态连通性（生态）之间进行权衡来优化空间重新绿化方案。主要研究结果如下：（1）UGS的降温效果是复杂的，受到非线性饱和效应和阈值效应的影响。在高热暴露集群（HHECs）中，降温效果被抑制而升温效果被放大。此外，研究还确认建筑高度（BH）和建筑覆盖率（BCR）是LST空间差异的主要驱动因素。（2）UVL重新绿化的降温潜力表现出高度的空间异质性。在斑块层面，平均边际降温贡献为0.445°C，高潜力斑块（前5%）的降温贡献超过0.862°C。在交通分析区（TAZ）层面，HHEC TAZ的降温潜力明显低于边缘TAZ。（3）多目标优化结果显示，生态连通性与整体降温（r = -0.95）和目标HHEC降温（r = -0.40）之间存在显著权衡，确定了三种战略原型：平衡型、降温优先型和连通性优先型。与随机分配相比，战略规划可以将整体降温效果提高12.9%，目标HHEC降温效果提高64.8%，生态连通性提高3.1%。总之，本研究为优化UVL重新绿化提供了一个系统的分析框架。其数据驱动的决策方案为城市管理者提供了在效率、公平性和生态目标之间进行权衡的量化途径。

引言

城市绿地（UGS）被广泛认为是一种有效的生态策略，可以通过植被蒸散作用、树冠遮荫和调节地表能量平衡来缓解城市热岛效应（Dutta等人，2020年；李和刘，2025年；Wong等人，2021年；赵等人，2025年）。然而，全球城市化的快速进程显著加剧了城市热岛效应和极端热浪的频率和强度，对城市能源消耗、公共健康和生态系统构成了严重威胁（Argüeso等人，2014年；Chapman等人，2017年）。这种加剧的热量在城市中并不均匀分布。特定的土地使用方式、建筑形式和人类活动导致某些地区的地表温度（LST）或热暴露风险明显高于周围地区（Coutts等人，2016年；Guerri等人，2022年）。例如，商业区往往成为高热暴露风险区（Huang等人，2024b）；快速扩张的社区显示出更强的UHI效应（Gao等人，2025年）；而工业区倾向于形成白天的热点，而密集的中高层住宅区则容易在夜间成为热点（Liu等人，2025a）。城市热环境的复杂空间异质性使得通用绿化策略效率低下，迫切需要精确的、基于上下文的规划干预（Genovese等人，2025年；Zhang等人，2025a）。

在这种背景下，大量的城市闲置土地（UVL）——快速城市化和更新的副产品——为重新绿化干预提供了绝佳机会（Newman等人，2016年；Song等人，2020年；Tu等人，2024年）。据统计，UVL占美国总面积的约16.7%（Newman等人，2016年），而中国36个主要城市的建成区平均UVL比例为4.9%（Mao等人，2022年）。认识到这一潜力，费城和芝加哥等城市通过“清洁与绿色”和“大块土地”等项目成功将UVL转化为绿色资产（Gobster等人，2020年；Pearsall，2017年）。同样，中国的政策如“科学绿化指导意见”鼓励振兴现有土地资源以增加城市绿地（中华人民共和国国务院办公厅，2021年）。先前的研究表明，将UVL转化为绿地可以有效缓解UHI效应。具体来说，Cady等人（2020年）通过数值模拟证明，重新绿化带来的增加的蒸散作用是降低LST的关键因素；Pearsall（2017年）强调了在闲置土地上增加树荫的降温作用；Kim（2018年）表明，用植被替换不透水表面可以改变地块的热力学特性，带来多重社区效益。因此，将UVL战略性地整合到城市规划中对于精确的热量调节和气候适应至关重要。然而，文献中对UVL的定义各不相同，有些关注土地所有权和规划状态（Gobster等人，2020年；Pearsall，2017年），有些则强调物理表面覆盖（Song等人，2020年；Tu等人，2024年）。为了准确评估UGS的物理降温潜力，本研究将UVL定义为在物理状态下处于闲置、废弃或未使用的城市地块。

尽管大量研究已经证实UGS的降温能力与其内在属性（如面积、形状、植被质量）和外部环境（Bansal和Quan，2024年；Liu等人，2025c；Zhao等人，2025年）密切相关，但将这些研究成果转化为有效的城市规划实践，特别是如何利用分散的UVL进行重新绿化以实现最大的热环境效益，仍受到三个关键研究缺口的阻碍。首先，在降温机制方面，从“通用原则”到“上下文依赖性”的转变还不够充分。尽管现有研究提供了通用的绿化建议（Bowler等人，2010年），但在不同热暴露风险背景下UGS降温效果的差异表现仍需进一步探索。高热暴露集群（HHECs）作为城市热环境的关键脆弱点（Chen等人，2022a；Liu等人，2024年），具有复杂的局部条件，这可能改变基于绿化的降温潜力和途径（Yuan和Bo，2022年；Zhang等人，2025b）。因此，揭示UGS降温效果的上下文依赖性是制定公平和有效策略的前提。其次，在UVL降温潜力评估方面，缺乏细粒度的优先级工具。现有研究通常依赖于宏观统计关系或简化模型（Cady等人，2020年；Chen和Hashimoto，2025年；Sanches和Pellegrino，2016年；Tu等人，2024年），使得难以量化单个重新绿化UVL的边际降温贡献或多个重新绿化UVL的累积降温效果。因此，城市管理者缺乏科学、量化的工具来识别和排名能够实现最大效益的高潜力地块（Korkou等人，2023年；Mu?oz和Duarte，2025年）。最后，在规划和决策中，定量多目标优化（MOO）在UVL重新绿化中的应用有限（Lin等人，2025年）。UVL重新绿化决策涉及复杂的多目标权衡过程（Chen等人，2024年；Hou等人，2021年），但目前的方法仍依赖于定性判断或单一目标分析。因此，如何应用MOO方法来解决UVL重新绿化的选址和配置问题，以平衡效率、公平性和生态韧性，仍然是一个紧迫的挑战。

为了解决上述挑战，本研究以北京五环路作为案例研究，旨在实现以下三个目标：（1）使用可解释的机器学习来建模和揭示LST与各种城市环境因素之间的复杂非线性关系，特别关注HHECs中UGS的差异化降温效果；（2）开发一种从斑块到区域尺度的评估方法，量化单个UVL斑块的边际降温潜力，并构建交通分析区（TAZ）尺度的累积降温潜力曲线；（3）应用MOO算法来识别平衡三个核心规划支柱的最佳重新绿化方案组合，这些支柱分别代表：最大化整体降温（效率）、最大化目标HHECs的降温（公平性）和最大化生态连通性（生态韧性）。

本研究的一个主要贡献是从评估UGS降温效果转向优化UVL重新绿化的空间布局。理论上，该研究构建了一个涵盖机制分析、潜力评估和优化决策全过程的集成框架。这一框架旨在通过结合可解释的UGS降温机制和量化的潜力评估，为多目标优化提供更科学的输入。实际上，这种整合旨在提供一个可操作的决策支持工具。它使管理者能够超越通用的绿化策略，而是基于实证数据在效率、公平性和生态韧性之间进行权衡和决策。

研究区域

研究区域

北京是中国的首都，拥有超过2000万居民，面临着严重的城市热岛（UHI）效应和极端热事件（Wu等人，2025年）。为了关注城市热环境问题最为突出的核心建成区，本研究选择了北京五环路内的区域作为研究区域（图1）。

从地理上看，研究区域位于华北平原的西北边缘，地形总体平坦

关键的地表温度驱动因素

本研究使用的CatBoost模型表现出强大的预测性能（5折交叉验证：R2 = 0.752，RMSE = 0.655°C，MAE = 0.523°C）。然后使用SHAP分析来揭示每个驱动因素对LST预测的贡献和影响方向。

分析表明，建成环境的物理形态是LST空间差异的主要因素（图4）。具体来说，建筑高度（BH）（平均|SHAP| = 0.379）和建筑覆盖率（BCR）（平均|SHAP| = 0.360）被确定为

UGS的非线性和阈值效应

通过利用可解释的机器学习，本研究揭示了城市环境与LST之间的复杂非线性关系。这些发现为从“定量扩展”转向以效率和优化为中心的“智能绿化”提供了新的实证基础。

我们对核心量度指标（G_LPI和G_PLAND）的“饱和效应”的验证与先前的研究结果一致。研究发现，在某个点之后，边际

结论

本研究开发并应用了一个集成框架，结合了机制分析、潜力评估和优化决策，通过科学地重新绿化闲置土地来应对城市热挑战。研究得出了三个主要结论：

(1)

揭示了复杂、非线性和上下文依赖性的LST驱动机制。建筑形式，特别是建筑高度（BH）和建筑覆盖率（BCR），被确定为LST空间差异的主要驱动因素。更重要的是，本研究

CRediT作者贡献声明

陈玉佳：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论，调查，正式分析，数据整理，概念化。顾阳：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论，调查，概念化。罗俊杰：撰写 – 审稿与编辑，验证，监督，软件，项目管理，正式分析，数据整理。曹磊：撰写 – 审稿与编辑，

资助

本工作得到了国家自然科学基金（项目编号51838003）的支持。

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报告的工作。