基于SHAP技术的比较：韩国首尔街道层面与屋顶层面的城市热岛效应

《Building and Environment》：SHAP-based comparisons between the street- and roof-level urban heat islands in Seoul, Republic of Korea

城市热岛效应（CUHI）在首尔不同季节和时段下街道与屋顶高度观测的驱动因素分析，基于随机森林模型和SHAP解释方法，发现屋顶高度CUHI主要受气象因素（73%）主导，街道高度（40%）则更依赖城市形态变量（如建筑覆盖率、绿地率），且存在非线性阈值效应，建议结合地形与气象条件制定差异化减排策略。

　　

Tageui Hong | Gigih R. Setyantho | Yeonsook Heo

韩国大学土木、环境与建筑工程学院，韩国首尔城北区Anam-ro 145号，邮编02841

摘要

城市热岛（CUHI）的形成既受大气条件影响，也受城市形态影响，而这些因素对CUHI的影响会因观测高度的不同而有所差异。本研究探讨了在四种不同情景下（夏季白天、夏季夜晚、冬季白天和冬季夜晚），气象因素与城市因素如何影响首尔街道层面（平均高度3.6米）和屋顶层面（平均高度34米）的UHI强度。我们建立了八个随机森林回归模型，并应用SHAP方法来（1）确定各预测因子的相对重要性；（2）评估群体层面（气象因素与城市因素）和单个变量的贡献；（3）分析城市预测因子的非线性关系及阈值效应。研究结果表明，屋顶层面的UHI主要受气象因素影响，这些因素平均占总SHAP值的约73%，其中风速是最具影响力的变量。相比之下，街道层面的UHI更受城市因素影响（约占40%，而屋顶层面则约为25%），其中建筑覆盖率和绿地比例是影响最大的城市因素。这种基于高度的差异在夏季最为明显，且城市因素在夜间表现得更为显著。土地覆盖变量表现出类似的非线性模式和阈值范围，而与高度相关的形态变量（如建筑高度和峡谷比率）在街道层面和屋顶层面表现出相反的方向性效应。这些发现表明，变量重要性和效应方向会随观测高度的变化而变化，因此应采取基于具体情境的策略来缓解UHI问题，选择最适合当地形态和土地覆盖条件的干预措施。

引言

城市化加剧了城市热岛（UHI）现象，因为土地覆盖变化、城市形态改变、人为热源以及空气污染是其主要驱动因素。这些因素增加了冷却需求[[1], [2], [3]]，降低了热舒适度[4,5]，并增加了健康风险[6,7]。UHI分析的研究主要分为两类：一类利用卫星获取的地表温度（LST）来估算地表UHI（SUHI）；另一类则利用地面传感器网络来分析冠层UHI（CUHI）[[8], [9], [10]]。SUHI强烈受到地表辐射特性和大气背景条件的影响[9,10]。CUHI是指城市冠层层（UCL；从地面到平均建筑高度）内的近地表空气温度差异，因此与人为热源排放[10]和人体热暴露[12,13]有更直接的联系。比较研究表明，SUHI和CUHI的主要影响因素不同，这意味着缓解措施的选择取决于所使用的热指数[[14], [15], [16]]。

对于CUHI而言，UCL内的物理过程涉及能量和动量交换，这些过程通过短波遮荫、长波捕获、热量储存与释放以及剪切驱动的混合作用，将建筑表面、气流和上层城市大气联系起来[17,18]。这些过程产生了温度和湍流的垂直梯度：例如，街道附近的状况受天空视野因素（SVF）减弱、墙面长波不对称性以及通风不良的影响；而屋顶层面的空气则更直接受到混合良好的大气和天空条件的影响[19,20]。在深峡谷或高宽比峡谷中，尽管通风较弱，但白天的遮荫和辐射捕获仍能缓解地表加热；而在夜间，墙体释放的热量以及有限的湍流混合作用会维持较高的街道温度[[21], [22], [23]]。相反，在开阔或低宽比峡谷中，白天可以吸收更多太阳辐射，而夜间则具有更强的辐射冷却效果[24,25]。这些过程受峡谷几何形状的影响，导致街道层面和屋顶层面的热效应方向相反[26]。研究表明，变量重要性和效应方向会随观测高度的变化而变化，因此缓解UHI应采取基于具体情境的策略，选择最适合当地形态和土地覆盖条件的干预措施组合。

引言（续）

城市化加剧了城市热岛（UHI）现象，其原因包括土地覆盖变化、城市形态改变、人为热源以及空气污染。这些因素增加了冷却需求[[1], [2], [3]]，降低了热舒适度[4,5]，并增加了健康风险[6,7]。UHI分析的研究主要分为两类：一类利用卫星获取的地表温度（LST）来估算地表UHI（SUHI）；另一类利用地面传感器网络来分析冠层UHI（CUHI）[[8], [9], [10]]。SUHI受地表辐射特性和大气背景条件的影响较大[9,10]。CUHI则由城市冠层层（UCL；从地面到平均建筑高度）内的近地表空气温度差异定义，因此与人为热源排放[10]和人体热暴露[12,13]有更直接的联系。比较研究表明，SUHI和CUHI的主要影响因素不同，这意味着缓解措施的选择取决于所使用的热指数[[14], [15], [16]]。

在CUHI中，UCL内的物理过程包括能量和动量交换，这些过程通过短波遮荫、长波捕获、热量储存与释放以及剪切驱动的混合作用，将建筑表面、气流和上层城市大气联系起来[17,18]。这些过程导致温度和湍流的垂直梯度：例如，街道附近的状况受天空视野因素（SVF）减弱、墙面长波不对称性以及通风不良的影响；而屋顶层面的空气则更直接受到混合良好的大气和天空条件的影响[19,20]。在深峡谷或高宽比峡谷中，白天的遮荫和辐射捕获可以缓解地表加热，尽管通风较弱；而在夜间，墙体释放的热量以及有限的湍流混合作用会维持较高的街道温度[[21], [22], [23]]。相反，在开阔或低宽比峡谷中，白天可以吸收更多太阳辐射，而夜间则具有更强的辐射冷却效果[24,25]。这些过程受峡谷几何形状的影响，导致街道层面和屋顶层面的热效应不同[26]。白天，高宽比峡谷会减少地面附近的直射太阳辐射并限制通风；而屋顶层面的空气则与上层气流混合更充分[[26], [27], [28]]。夜间，墙体释放储存的热量，峡谷内的湍流较弱，因此街道附近的温度较高；而在开阔天空下，屋顶层面的空气冷却得更快[[26,29]]。在屋顶上方也可能形成一个较浅的、水平延伸的空气层，这一层受城市大气环境的影响较大，从而减弱了屋顶层面与行人层面之间的联系[[29,30]]。因此，建筑高度、峡谷几何形状和城市密度决定了UCL内的循环、湍流生成和标量传输，从而在街道层面和屋顶层面产生不同的UHI响应[[31], [32], [33]]。

在实际测量实验中，尽管街道层面和屋顶层面的观测位于同一UCL内，但温度差异始终存在。在意大利罗马，一个15米高的城市峡谷中，安装在屋顶上方2.5米和街道上方3米处的温度传感器在大部分时间记录的温度几乎相同；但在2023年7月至2025年3月的观测数据显示，中午时分峡谷内的温度比屋顶高约1°C[[34]]。在意大利特伦托，一个17米高、20米宽的街道峡谷中的测量结果显示，在晴朗的夏季，峡谷内的空气温度通常比屋顶高2–2.5°C（偶尔高达3–3.5°C）；而在冬季和多云条件下，温差较小但持续存在[[35]]。即使在冬季，当太阳辐射较弱时，峡谷内的温度也普遍高于屋顶，温差约为0.5°C，这可能与空间加热释放有关[[35]]。近年来，由国家机构和研究团队运营的密集街道层面传感器网络已成为长期城市微气候监测的关键资源。例如，台湾的HighDensity Street-Level Air Temperature Observation Network (HiSAN)和首尔的Smart Seoul Data of Things (S-DoT)传感器提供了多年的街道层面空气温度记录[[13,36,37]]。在首尔，街道层面的传感器(S-DoT)在天气晴朗的月份记录的空气温度通常比国家自动气象站(AWS)或自动天气观测系统(ASOS)的参考值高1.0至1.15°C，这反映了观测高度和当地地形的影响[[36]]。因此，由于UHI本质上依赖于高度，评估UHI时应明确观测高度及其相关热环境。

最近，来自AWSs、实地考察和密集城市传感器网络的观测数据的扩展使得UHI变异性分析更加系统化[[16,38,39]]。基于这些数据集，许多实证研究确定了几个关键的城市因素及其对UHI的影响。植被和水体通过蒸散作用和遮荫作用缓解白天的热量，冷却强度与植被密度和地表绿化程度成正比[[13,40,41]]。相反，密集的建筑覆盖率和较高的不透水面覆盖率会增强夜间的热量释放并延长温暖状态[[10,42,43]]。城市形态因素（如峡谷宽高比(H/W)和天空视野因素(SVF)通过影响辐射捕获和通风效率来影响昼夜UHI[[33,44,45]]。建筑高度通过峡谷遮荫和长波屏蔽作用影响街道层面的空气温度；在屋顶层面，较高的平均建筑使屋顶位于更开阔的天空下，障碍物较少，因此白天接收更多的直射太阳辐射，夜间则更直接暴露在开阔的天空下[[23,46,47]]。此外，人为热源（尤其是来自车辆和建筑能源使用）会增加白天和夜间的UHI强度[[18,48,49]]。

土地覆盖、地形和人为热源对UHI强度的影响取决于同时发生的气象条件，这些条件可能会在不同季节和时间段内放大或减弱城市热响应。例如，公园凉岛的强度和空间范围也会随周围土地覆盖配置和背景气象条件而变化[[50], [51], [52]]。在全球范围内，Manoli等人[[53]]发现，如绿化扩展和反照率提升等城市缓解策略的有效性取决于背景水文气候条件，植被冷却的效率受区域蒸散作用的影响。在街道尺度上，Song等人[[54]]也发现，城市形态因素与空气温度之间的关系对同时发生的气象条件非常敏感，城市效应在不同的太阳辐射和风速条件下会有所不同。这些发现表明，城市因素与气象因素之间的相互作用不可忽视，因为它们不仅存在于每个因素组内，也存在于两个因素组之间[[55]]。因此，综合考虑城市和气象因素有助于在每个城市的具体气象和空间背景下解释城市特征对热环境的影响。

城市热环境和UHI是由复杂的多变量关系决定的[[56]]，研究人员利用数据驱动的建模来捕捉这些相互作用。建筑高度、峡谷比率、建筑覆盖率和绿地比率等城市变量之间存在强相关性[[57,58]]，这些相关性可能会放大或抑制单个变量的效应。这种耦合效应通常会导致预测因子之间的非线性响应和依赖性，而在多重共线性情况下，线性和平均效应模型往往难以准确预测[[14,59,60]]。因此，许多研究使用随机森林(RF)结合SHAP(Shapley Additive Explanations)方法来分析特征重要性并解释因变量与预测因子之间的关系[[61], [62], [63]]。最近使用密集街道层面传感器网络的UHI研究揭示了气象因素和城市因素联合效应的非线性和阈值[[64,55,65]]。此外，我们之前的工作[[55]]也表明，城市变量在SHAP分析中表现出强烈的交互效应，支持SHAP总效应作为一种捕捉UHI非线性和阈值响应的稳健方法。

为了构建研究框架，我们将分析围绕三个研究问题展开。我们重点比较不同观测高度下的UHI，并研究气象因素和城市因素的影响。

• •
  RQ1：气象因素和城市因素在街道层面和屋顶层面的相对重要性及其对UHI的贡献（基于SHAP）有何不同？
• •
  RQ2：季节性和昼夜条件如何影响这些高度特定的贡献差异？
• •
  RQ3：不同观测高度下城市形态/土地覆盖变量的非线性关系和阈值有何差异？这些趋势在不同季节和时间段内的稳定性如何？

为了解决这些研究问题，我们提出了一个统一的UHI框架，用于比较不同观测高度、季节和时间段的结果。街道层面和屋顶层面的UHI强度数据来自街道层面的传感器和屋顶层面的AWSs，并使用相同的预测因子和相同的RF建模结合SHAP进行评估。UHI强度的影响在两个层面进行量化：单个变量和群体层面（气象因素、城市因素）。最后，通过SHAP值分布识别出非线性和阈值范围。该框架产生了三个主要结果：按观测高度可比的变量重要性、变量和群体层面的贡献总结，以及支持UHI缓解的非线性关系和阈值。

研究框架

研究框架

示意图（图1）展示了从数据预处理到建模和解释的研究过程。在本研究中，我们应用了一个结构化的框架来分析首尔不同观测高度下的UHI强度，使用了随机森林回归模型结合SHAP方法。

研究区域和观测网络

首尔是韩国的首都，是一个人口密集的大都市。该市面积为605平方公里，拥有960万居民，是世界上最城市化程度最高的城市之一。首尔包括低层和高层住宅区、集中的商业区以及各种开放空间，体现了其城市特征的显著空间和垂直异质性。首尔周围环绕着低山和高山，汉江流经市中心。

UHI随机森林模型性能

为了分析UHI强度与预测因子之间的关系，我们为每种由观测高度、季节和时间段定义的情景分别训练了独立的RF模型。所有模型都基于相同的十一个预测因子进行训练，并且超参数在所有情况下保持不变，以区分数据驱动的差异而非模型规格的变化。这产生了八个特定于情景的模型，具有统一的模型设置，从而可以进行基于SHAP的解释。

结论

本研究使用RF模型结合SHAP解释方法，分析了首尔不同季节和时间段内的UHI强度。通过分离街道层面和屋顶层面的UHI，我们利用568个街道层面传感器和221个屋顶层面传感器的密集观测数据，识别了各自的驱动因素和非线性关系。

作者贡献声明

Tageui Hong：撰写——原始草稿、可视化、软件开发、资源收集、方法论设计、调查实施、数据分析、概念化。

Gigih R. Setyantho：撰写——审稿与编辑、可视化、验证。

Yeonsook Heo：撰写——审稿与编辑、验证、项目监督、方法论设计、资金筹措、概念化。