《Sustainable Cities and Society》：Nonlinear drivers of canopy and surface urban heat islands across China’s climate zones: marginal and interaction effects from explainable machine learning
编辑推荐：
城市热岛效应时空异质性及非线性驱动机制研究。通过整合300个中国多气候区城市的气象观测、地表温度及再分析数据，运用可解释机器学习框架，系统比较了冠层与地表热岛强度（CUHII和SUHII）的时空特征、驱动因素及交互效应。研究发现CUHII多集中于0-1℃区间，而SUHII强度更大且时空变异性显著，尤其在温带城市夏季白天SUHII峰值达5℃。驱动机制呈现非线性特征，气象与地表生物物理因素主导CUHII，而城市形态对SUHII影响更显著。多因素存在阈值效应，SUHII对交互作用更敏感，且同气候区不同城市的主驱动组合存在差异。研究结果为制定气候区特异性热岛缓解策略提供了定量依据。
作者列表：孔文（Cong Wen）、阿里·马姆蒂明（Ali Mamtimin）、王海涛（Haitao Wang）、王宇（Yu Wang）、刘浩通（Haotong Liu）、哈吉古尔·赛义特（Hajigul Sayit）、宋美琪（Meiqi Song）、高家成（Jiacheng Gao）、艾利雅尔·艾海提（Ailiyaer Aihaiti）、伊西拉穆·乌拉英（Yisilamu Wulayin）、范阳（Fan Yang）、周成龙（Chenglong Zhou）、霍华（Wen Huo）
中国气象局沙漠气象研究所，乌鲁木齐 830002
摘要
随着城市化的加速，城市热岛效应已成为城市环境和可持续性的关键挑战。然而，关于冠层城市热岛（CUHI）和地表城市热岛（SUHI）的非线性驱动因素的跨气候区系统比较仍然有限。本研究在中国主要气候区的300个城市中整合了包括气象观测、地表温度和再分析产品在内的多源数据集。我们汇编了描述气象、地表生物物理、社会经济、景观格局指标和城市形态的因素，并应用了可解释的机器学习框架来比较CUHI和SUHI的时空模式、驱动因素、边际效应和相互作用机制。研究发现：（1）大多数城市的CUHI强度（CUHII）集中在0-1°C范围内，而SUHI强度（SUHII）更强且变化更大。在温带城市中，夏季白天的平均SUHII接近5°C，SUHII的日变化和季节变化明显大于CUHII。（2）CUHII主要受气象和地表生物物理因素影响，社会经济变量的影响在夜间和冬季增强。相比之下，SUHII在各种情况下都受地表属性主导，对城市形态更敏感。（3）多个因素表现出阈值和“升温/降温平台”，SUHII对相互作用效应比CUHII更敏感。在同一气候区内，城市热岛（UHI）驱动因素的组合具有总体共性，但其相对贡献因城市规模和发展强度等当地条件而异。我们的发现为制定针对不同气候区的精细城市热岛缓解和气候适应策略提供了关键的定量证据。
引言
城市热岛（UHI）是指城市地区比周边农村地区温度更高的现象，通常通过城市站点与附近农村参考区域之间的温差来量化（Arnfield, 2003; Oke, 1982; Voogt & Oke, 2003a）。随着全球城市化的加速和人口持续向城市集中，UHI已成为限制城市气候安全、公共健康和能源系统稳定运行的重要环境问题（Cheval et al., 2024; Cleland et al., 2023; Zhao et al., 2018）。一方面，城市热岛效应提高了近地表温度，并在静止天气条件下通过改变边界层混合和通风促进光化学污染物（如臭氧）的积累（Ulpiani, 2021; An et al., 2023; Du et al., 2024; Zeng et al., 2024）。另一方面，城市热岛效应引起的持续温度上升增加了基础热暴露（Li, Schubert et al., 2020），这已被证明与更高的热相关心血管疾病发病率和死亡率相关（Ho et al., 2023）。当城市热岛效应与极端热事件同时发生时，这些风险进一步加剧，加剧了健康不平等和气候风险（Gao et al., 2024）。因此，系统研究UHI已成为城市气候学和可持续城市发展的核心课题。
在现有研究中，UHI可以分为两种类型：冠层城市热岛（CUHI）（Levermore et al., 2018）和地表城市热岛（SUHI）（Manoli et al., 2020）。尽管它们相关，但在定义和物理机制上存在系统差异。SUHI使用卫星获取的地表温度进行测量，反映了地表能量平衡过程和底层表面的热属性。相比之下，CUHI使用地面气象观测数据进行测量，更直接地表征了城市冠层层对人类活动和建筑环境的热响应（Yunfei Li et al., 2020; Pena Acosta et al., 2023）。先前的研究表明，SUHI和CUHI在强度、日变化和季节变化以及对驱动因素的响应方面存在差异：在大多数城市中，SUHI通常比CUHI更强，且它们的峰值时间不一定一致（Zhao et al., 2014a）。最近对中国城市聚集区的研究表明，夏季和冬季SUHI和CUHI之间的差异显著（Shen et al., 2024a）。然而，全国范围内这两种类型热岛的跨气候区比较仍然有限。
中国拥有明显的多气候区特征，从东部的湿润季风区，到中部的半湿润和半干旱地区，再到西北部的干旱和半干旱地区以及高原和山区（Deng et al., 2022; Ge et al., 2013）。不同气候区的城市在降水量、近地表风场、植被覆盖、不透水面比例和城市形态方面存在显著差异。先前的研究表明，区域气候背景可以强烈影响城市热岛效应的强度和时空模式，甚至可以重塑某些城市的日变化结构和季节性峰值（Yuan et al., 2025）。然而，中国现有的城市热岛研究主要集中在少数城市聚集区，如京津冀、长江三角洲和珠江三角洲，或个别代表性城市（Fu et al., 2025）。大多数研究仅考察了SUHI（Chang et al., 2023; Lee, 2024; Shi et al., 2024; H. Yang et al., 2024）。因此，仍然缺乏统一比较，特别是关于SUHI和CUHI的强度及其时空模式如何随气候区变化，以及它们对多源驱动因素的敏感性是否不同。这一差距限制了从国家多气候区视角制定广泛适用的城市热岛缓解策略的发展（Kumar et al., 2024; Li et al., 2024; Massaro et al., 2023）。
城市热岛的形成受到多种因素的共同影响。这些因素大致可以分为五类：气象、地表生物物理变量、社会经济因素、景观格局和城市形态。来自不同地区和城市的证据表明，这些因素对城市热岛强度（UHII）及其变化性有重要影响。（1）气象因素，如温度、风速和风向，调节城市能量平衡，并影响湍流交换和热量传输（Dewan et al., 2021; Mohammad & Goswami, 2021）。（2）地表生物物理变量，如地表反照率（ALB）、归一化植被指数（NDVI）和归一化建筑指数（NDBI），直接决定了地表能量平衡（Liu et al., 2024）。（3）社会经济变量，如人口和国内生产总值（GDP）也很重要。在人口众多和能源需求高的城市地区，人为热排放会显著提高近地表空气温度并加剧夜间热岛效应（Liu et al., 2023）。（4）景观格局指标，如LPI和LSI，量化了植被/开放空间的布局，这会影响遮荫和蒸散冷却的空间连续性以及与对流交换相关的蓝绿/开放空间的开放性和连通性（Ren et al., 2018）。（5）城市形态，包括建筑高度和建筑密度，可以通过重塑辐射平衡和湍流通风系统性地影响近地表升温（Dirksen et al., 2019; Wang et al., 2023）。
在UHI驱动因素的研究中，早期工作通常依赖皮尔逊相关性和多元线性回归来建立UHII与潜在影响因素之间的线性关系（Ahmad et al., 2024; Bokaie et al., 2016）。然而，越来越多的证据表明这些关系很少是纯粹线性的。非线性边际效应和阈值行为普遍存在。例如，增加绿地或水体在一定范围内可以产生明显的降温效果，但超过特定阈值后，边际效益往往会趋于平稳甚至逆转（Chen et al., 2021）。此外，各种因素可以以复杂的方式相互作用。例如，地表生物物理变量和城市形态共同调节感热和潜热的分配。大尺度气象背景可以进一步放大或减弱地表对比对UHI的影响（Cheung et al., 2021; Ibsen et al., 2024）。这些非线性和相互作用通常随季节、昼夜阶段和气候区而显著变化。在这种背景下，机器学习提供了新的工具来表征支撑UHI驱动因素的复杂非线性关系（Breiman, 2001; Friedman, 2001）。与传统的线性回归相比，随机森林（RF）（Oukawa et al., 2022）、XGBoost（He et al., 2024）、Extra Trees（He et al., 2025）等模型在捕捉非线性响应和变量相互作用方面表现出明显优势。此外，可解释的机器学习方法，包括Shapley加性解释（SHAP）和部分依赖图（PDP），能够定量评估单个特征和特征组合的重要性。它们还描述了UHI的非线性边际效应，并识别了关键的相互作用结构。尽管这些方法在城市热环境研究中显示出巨大潜力，但大多数现有工作仅关注单个城市或单个气候区，以及最常见的SUHI指标（Apley & Zhu, 2020; Goldstein et al., 2015; Lundberg & Lee, 2017）。系统比较中国多个气候区SUHI和CUHI的非线性驱动机制的研究仍然很少。
基于上述背景和差距，本研究旨在解决两个关键科学问题：（1）在中国多气候区的背景下，冠层城市热岛强度（CUHII）和地表城市热岛强度（SUHII）及其日变化、季节变化和空间模式如何演变？（2）多源因素对CUHII和SUHII的主要贡献、非线性阈值和相互作用在不同气候区和情景中如何变化，它们能为特定气候区的UHI缓解和适应提供哪些定量证据？为回答这些问题，我们进行了三项任务：（1）利用气象观测的冠层空气温度和遥感地表温度（LST），我们检查了SUHII和CUHII在日变化、季节变化和空间维度上的强度和分布，并识别了不同气候区之间的差异。（2）我们整合了多源驱动因素，包括气象、地表生物物理、社会经济、景观格局和城市形态因素。然后我们构建了可解释的机器学习模型，以量化这些因素对CUHII和SUHII的相对贡献，以及这些贡献在不同气候区和情景中的变化。（3）我们描述了关键因素的非线性边际效应和相互作用，并识别了升温和降温平台。这为支持中国特定气候区的UHI缓解和气候适应性城市规划提供了可操作的定量证据。
中国位于东亚，东西跨度73°40’-135°05’，南北跨度3°51’-53°33’，总面积约为9.6×10^6平方公里（Liu et al., 2021）。强烈的纬度和经度梯度、陆地与海洋的对比以及复杂的地形共同塑造了中国的气候。从内陆西北部到东南沿海，气候条件从干旱和半干旱转变为温暖和湿润的季风气候。这导致了明显的空间异质性。
为了系统地描述中国城市热岛效应的时空变化，我们量化了300个城市在夏季和冬季以及白天和夜间条件下的CUHI和SUHI（图3，图4）。结果显示，CUHI在季节和日变化尺度上都存在明显的空间对比。总体而言，在夏季和冬季，大多数城市的白天和夜间CUHI都集中在0-1°C范围内。较高的值出现在内陆西南部和东部沿海部分地区。
本研究系统地调查了中国多个气候区城市尺度上CUHII和SUHII的非线性驱动因素。使用可解释的机器学习框架，我们全面评估了不同季节和日变化情景下CUHII和SUHII的时空差异和关键驱动因素。我们还展示了气象条件、城市形态和社会经济因素如何影响CUHII和SUHII之间的差异及其边际效应。
我们专注于中国主要气候区的300个城市，开发了一个结合RF与SHAP和PDP的可解释机器学习框架。我们对夏季和冬季以及白天和夜间情景下CUHII和SUHII的时空模式、主要驱动因素、非线性边际效应和相互作用机制进行了系统比较。主要结论如下：
- (1)
时空模式存在显著差异。大多数城市的CUHII集中在0-1°C范围内，
孔文（Cong Wen）：撰写——原始草稿、可视化、方法论、数据分析、概念化。阿里·马姆蒂明（Ali Mamtimin）：撰写——审阅与编辑、监督、项目管理、资金获取、概念化。王海涛（Haitao Wang）：监督、方法论。王宇（Yu Wang）：数据分析。刘浩通（Haotong Liu）：数据分析。哈吉古尔·赛义特（Hajigul Sayit）：调查、数据分析。宋美琪（Meiqi Song）：可视化。高家成（Jiacheng Gao）：可视化。艾利雅尔·艾海提（Ailiyaer Aihaiti）：调查、数据分析。伊西拉穆·乌拉英（Yisilamu Wulayin）：形式化
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
本研究由科技创新团队（天山创新团队）项目资助：2022TSYCTD0007；新疆沙漠气象与沙尘暴重点实验室资助：2023-38；CAMS的S&T发展基金：2021KJ034；中国气象局青年创新团队：CMA2024QN13。
