利用集成机器学习和GeoShapley方法将城市热岛效应归因于城市土地利用模式

《Sustainable Cities and Society》：Attributing the urban heat island effect to urban land use patterns with integrated machine learning and GeoShapley method

　　

叶芳正|王少然|李欣

中国矿业大学公共管理学院，徐州221116，中国

摘要

城市土地利用模式与城市热岛（UHI）效应密切相关。然而，传统模型难以捕捉土地利用布局与地表温度（LST）之间的复杂非线性关系和空间异质性。本研究利用高分辨率土地利用数据和结合机器学习与GeoShapley方法的空间可解释框架来描述这些关系。为确保方法论的稳健性，采用了空间块交叉验证（SBCV）策略。布局特征从四个维度进行了量化：覆盖度、连通性、复杂性和聚合性。主要发现包括：(1) 在排除地理位置的背景热效应后，绿地和农业用地被确定为缓解热岛效应的最佳土地利用类型，而工业用地则是加剧热岛效应的主要因素。在土地利用布局方面，覆盖度和连通性对热环境的影响显著大于聚合性和复杂性。(2) 住宅区和绿地覆盖度与热岛效应呈单调关联；相比之下，农业用地和工业用地的覆盖度表现出明显的阈值效应，即达到特定水平后其影响趋于稳定。(3) 土地利用对热岛效应的贡献存在显著的空间异质性，尤其是在绿地覆盖度方面，其在高密度建成区的冷却效率明显减弱。(4) 不同土地利用组合对热岛效应的影响差异显著，有些组合产生协同效应，而有些则表现出空间替代效应。通过识别主导土地利用类型和敏感的布局区间，本研究加深了对城市气候机制的理解，并为制定精确的热环境管理策略提供了科学依据。

引言

在快速城市化和全球气候变化的背景下，城市地区的温度普遍高于周边农村地区——这种现象被称为城市热岛（UHI）效应（Gago等人，2013年；Zhao等人，2017年）。这种局部热积累对公共卫生、经济稳定和社会公平构成严重挑战（He，2018年）。从地表过程的角度来看，城市土地利用模式通过改变地表能量平衡与UHI强度及其空间分布密切相关（Jamei等人，2016年；Zhao等人，2024年）。不同土地利用类型的热贡献存在显著差异：不透水表面是主要的热源（Aflaki等人，2017年；Zhang等人，2022年），而城市蓝绿空间通过蒸散作用和遮阳等机制缓解热量（Lin等人，2017年；Sun等人，2025年）。尽管土地利用比例的热影响已有充分记录，但空间配置对地表温度（LST）变化的独立贡献程度尚未得到充分量化。将这些与配置相关的效应与简单的组成变化区分开来对于制定精确的城市设计干预措施至关重要。因此，从土地利用布局的角度探索与各种城市土地利用类别的空间特征相关的差异化UHI效应是必要的。

现有研究从多个维度探讨了城市热岛（UHI）效应的影响因素，包括自然条件、土壤类型和人为活动，建立了社会生态耦合的初步理论框架（Jayasooriya和Adams，2024年；Shi等人，2025年）。作为基本的生态组成部分，城市蓝绿空间通过蒸散作用、遮阳和土壤热调节等机制缓解热量。它们的冷却效果与斑块大小、空间连通性和组成配置密切相关（Liu等人，2024年；Tan等人，2021年）。例如，树木蒸腾作用显著降低了街道环境的温度，但这种效果的强度因物种而异（Sun等人，2025年）；同样，地形变化也导致了城市热环境的显著空间异质性（Amini等人，2022年；Liu等人，2024年）。此外，城市扩张驱动了季节性的UHI波动（Zhang等人，2024年），其中绿色基础设施起着关键作用（Kabano等人，2021年；Li等人，2023年；Tan等人，2016年）。建筑形态通过调节太阳辐射和通风影响局部温度（Li等人，2019年；Yang等人，2019年），而灰色基础设施的布局也是热环境的关键调节因素（Zhang等人，2024年）。然而，当前研究往往孤立地关注个别因素。实际上，城市是一个复杂的系统，自然和社会经济元素相互交织，具有明显的功能土地利用差异。多样的土地利用类型及其空间排列可以促进或阻碍热量积聚或扩散，从而导致地表温度（LST）的异质性响应。值得注意的是，即使土地利用比例相同，空间配置的不同也会导致截然不同的热结果。因此，本研究采用土地利用布局的角度来探索与各种城市土地利用类别的布局特征相关的差异化UHI效应。

现有文献中关于UHI效应的研究主要依赖于传统的线性方法，如普通最小二乘法（OLS）和地理加权回归（GWR）（Deilami等人，2016年；Wang等人，2021年）。虽然这些方法考虑了空间依赖性，但往往无法充分描述土地利用与LST之间的复杂非线性关系（Chen等人，2025a）。最近，机器学习（ML）算法（包括随机森林（RF）和XGBoost）因其强大的预测能力而受到关注（Liu等人，2024年）。然而，这些模型固有的“黑箱”特性通常将其输出限制在全球重要性排名上，无法揭示具体的影响方向或空间上的边际效应（Dos Santos，2020年）。为了弥补这一不足，GeoShapley模型作为一种基于博弈论Shapley值的新空间分析框架应运而生（LI，2024年）。与传统将坐标视为独立特征的SHAP模型不同，GeoShapley将地理位置作为一个联合参与者，有效分离了空间和非空间效应。该框架的理论贡献在于其能够提供“净化”的归因。通过隔离内在的位置效应，该框架能够量化土地利用布局指标的“净贡献”——这是传统模型无法实现的。这为理解局部地理环境如何调节特定城市冷却/加热元素的性能提供了新的概念视角。

因此，本研究通过结合机器学习和GeoShapley方法开发了一个综合的空间归因框架，系统地分离了UHI效应的贡献因素。该框架通过覆盖度、连通性、复杂性和聚合性等指标来描述城市土地利用布局的多维属性。通过利用优化的机器学习算法，我们捕捉了这些布局特征与地表温度（LST）之间的复杂非线性关系。本研究的核心是应用GeoShapley来精确识别边际贡献和空间异质性响应，区分土地利用布局指标的特定影响与地理位置的更广泛背景效应。最终，本研究旨在通过揭示传统模型中隐藏的关键非线性阈值和空间协同效应，为城市热环境缓解提供坚实的科学基础。

章节片段

研究区域概述

徐州位于中国江苏省西北部，是淮海经济区的重要城市，也是重要的国家级资源型工业基地。作为典型的老工业城市，其经济发展长期以来与煤炭资源紧密相关，形成了以能源和重化学产业为主的工业格局。在快速城市化的过程中，该市的土地利用结构发生了深刻变化。

方法

本研究的研究框架如图2所示，包括五个主要步骤：首先，通过GEE平台获取平均地表温度（LST）作为因变量。其次，使用Fragstats 4.3量化八个土地利用类别的空间布局特征作为自变量。同时，纳入了天空视野因子（SVF）、数字高程模型（DEM）、到水体的距离（DTW）和到绿地的距离（DTG）等参数。

模型和尺度选择

对随机森林（RF）、XGBoost和支持向量机（SVM）的性能指标进行比较评估（图4）发现，这些算法在预测城市热岛（UHI）效应方面的能力存在显著差异。在所有模型都经过超参数优化以确保最佳性能的情况下（表S1），RF在所有三个调查尺度上都表现出卓越的模拟效果和泛化能力。

结论

不同土地利用类型的布局特征与城市热岛（UHI）效应之间的关联存在显著差异。在所有调查的因素中，绿地覆盖度被确定为缓解UHI的关键因素。从土地利用的角度来看，绿地和农业用地是主要的冷源，而工业用地是加剧热岛效应的主要因素。关于布局维度，覆盖度的潜在影响...

未引用的参考文献

Liu等人，2024年；Zhang等人，2024年；Zhang等人，2022年；Zhao等人，2024年

CRediT作者贡献声明

叶芳正：撰写——初稿、可视化、软件、方法论、形式分析、概念化。王少然：撰写——审阅与编辑、验证、调查、数据管理。李欣：撰写——审阅与编辑、监督、资源协调、项目管理、资金筹集、概念化。

利益冲突声明

我们声明与可能不当影响我们工作的其他人或组织没有财务和个人关系，对任何产品、服务和/或公司没有专业或其他性质的个人利益，这些利益可能会影响题为“…”的手稿中的观点或评审。