中国沿海特大城市群城市热岛效应动态的比较分析：一个涉及演变机制与异质性的研究框架

《Ecological Indicators》：Comparative analysis of urban heat Island dynamics in China's coastal megaregions: an evolution-mechanism-heterogeneity framework

　　周毅|潘瑞媛|陈嘉园|宁少威|郑子豪|王轩|周玉亮|耿军|张琳琳|Bhesh Raj Thapa
合肥工业大学土木工程学院，中国合肥230009

摘要
气候变化和快速城市化正在加剧城市热岛（UHI）效应，这对公共健康、能源系统和生态环境产生了严重影响。然而，跨多个国家级城市聚集区的比较分析仍然有限，现有的研究往往未能将自然因素和人为因素与UHI机制中的空间异质性结合起来。本研究采用了一个新颖的“演化-机制-异质性”框架，系统地分析了中国三大沿海城市聚集区——京津冀（BTH）、长江三角洲（YRD）和珠江三角洲（PRD）的UHI动态。研究使用了遥感数据（2013–2023年）、空间统计方法、机器学习算法（XGBoost、随机森林）、Shapley加性解释（SHAP）、GeoShapley分解和多尺度地理加权回归（MGWR）。结果表明，三个地区的UHI模式各不相同：京津冀地区的UHI主要受植被和海拔的影响，归一化植被指数（NDVI）和海拔（DEM）的联合贡献超过45%；长江三角洲地区的UHI具有与城市形态相关的网络特征，形状指数（SI）的贡献约为25%；珠江三角洲地区的UHI则与城市化进程密切相关，SI、归一化裸土指数（NDBSI）和夜间光照（NTL）的合计贡献约为50%。所有地区都发现了非线性阈值效应和显著的多因素交互作用。MGWR分析显示，因子影响存在显著的空间异质性，自然因素在京津冀地区较为局部化，而城市化因素在长江三角洲地区则具有区域一致性。这一框架创新性地将宏观演化与微观异质性联系起来，克服了传统单一尺度分析的局限性，为全球范围内的差异化UHI缓解策略提供了可扩展的范式。

1. 引言
气候变化和快速城市化正在共同重塑地表热环境；作为典型的城市气候问题，城市热岛效应持续加剧，对生态环境、公共健康和能源系统造成多重压力（Yang等人，2025年）。UHI的形成并非单一过程，而是自然因素和人为因素共同作用的结果：海拔、坡度和地形起伏通过影响辐射预算、冷空气输送和局部循环来调节热量积聚；水体和湿度条件通过蒸发冷却作用缓解温度升高（álvarez-Alonso等人，2026年）；同时，建成环境的扩展、地表不透水性增强、城市形态复杂化以及人类活动的加剧改变了地表性质，增加了人为热量排放并抑制了通风（Lefevre等人，2025年）。极端热事件的频繁发生进一步加剧了UHI问题，使其时空演化和传播过程及其影响机制成为城市气候学和可持续城市研究中的关键领域（Shen等人，2024年）。尽管在UHI研究方面取得了显著进展，但仍有一些关键问题亟需突破。首先，现有研究主要集中在单个城市或单个城市聚集区的静态分析上，缺乏跨多个国家级城市聚集区的对比研究，这使得难以揭示在不同城市化阶段、气候背景和政策导向下UHI演化模式的共性和差异（Deng等人，2025年）。其次，以往的研究往往强调单一因素的解释；虽然一些研究开始关注自然和人为活动的综合影响，但多因素耦合关系、相互作用机制及其区域差异的系统识别仍然不足，从而限制了对UHI形成机制的全面理解（Hoang和Nguyen，2025年；Ning等人，2024年）。第三，关于UHI空间动态的研究大多停留在宏观模式描述层面，未能充分揭示高强度UHI核心区域的迁移轨迹和扩展方向及其与城市扩张的耦合关系（Chen和Zhang，2022年）。在方法论上，尽管传统统计方法（如地理探测器）可以识别影响因素，但它们在描述复杂非线性关系和交互作用方面的能力有限。近年来，机器学习和可解释的人工智能方法（如Shapley加性解释）被用来揭示因素的重要性和阈值特征——例如，Wang等人（2025a）利用Shapley值解释了城市空间形态对地表温度的影响，Li等人（2025）结合XGBoost和SHAP来识别城市韧性对UHI的非线性影响——然而，大多数研究仍局限于全局贡献排名，难以有效区分主要效应和空间异质性效应，并且缺乏跨尺度验证，这使得它们无法充分揭示因素影响的尺度依赖性和地理背景变化（Kim和Brown，2021年）。

京津冀（BTH）、长江三角洲（YRD）和珠江三角洲（PRD）城市聚集区构成了中国沿海经济带的核心区域和主要的人口及工业中心。这些聚集区从北到南跨越温带、亚热带和热带季风气候带，形成了显著的气候梯度。这一梯度为探索在不同气候背景下城市化对热环境的影响提供了理想平台（Zhou等人，2024年）。近年来，随着快速的大规模城市化，这些地区的UHI效应加剧，极端热事件频繁发生，这对居民健康、能源消耗和生态安全构成了严重挑战（Galalizadeh等人，2024年；Herath等人，2024年）。因此，系统研究这三个主要城市聚集区UHI效应的时空变化和影响机制至关重要。这样的研究不仅能够揭示高强度人类活动与自然环境之间的相互作用模式，还为制定区域协同热缓解策略提供科学依据，对全球高度城市化地区的可持续发展具有重要的参考价值（Heo等人，2024年）。

为了解决这些研究空白，本研究构建了一个三维的“演化-机制-异质性”分析框架，系统地回答三个相互关联的核心问题：UHI模式如何演化，哪些关键机制影响了它们，以及它们在不同区域的表现有何差异。在“演化”维度上，本研究利用遥感数据和空间统计方法，结合标准偏差椭圆和重心迁移来识别高强度UHI的时空扩展和方向变化（Zheng等人，2023年；Gong等人，2024年），并引入了一种UHI传播链模型来揭示城市聚集区内沿城市网络的热环境传输过程特征（Lee等人，2024年）。在“机制”维度上，为了解决传统方法在描述复杂非线性关系方面的困难，本研究采用机器学习模型和SHAP方法来识别自然因素和人为因素的贡献排名、阈值响应和交互作用，从而揭示UHI形成的关键影响路径（Luo等人，2025年；Qian等人，2023年；Xu等人，2024a）。在“异质性”维度上，本研究进一步引入了GeoShapley和多尺度地理加权回归（MGWR），从空间贡献分解和多尺度局部回归的角度来表征因素影响的地理背景依赖性和空间非平稳性，以识别不同因素的作用位置及其作用尺度的变化（Wang等人，2024年）。基于此，本研究的目标是比较三个主要城市聚集区UHI时空演化模式的区域差异，识别每个区域的主要耦合机制及其非线性响应特征，并揭示因素影响的空间异质性及其治理意义，这对应于本研究结论中的三个主要方面：演化差异、机制识别和异质性表征。

本研究的创新性和研究意义主要体现在三个方面。首先，在理论层面，本研究突破了传统研究中“单区域、单尺度、静态分析”的局限性，将UHI研究从模式描述推进到“演化过程-影响机制-空间异质性”的综合分析，通过对多个城市聚集区的比较研究，扩展了对区域热环境差异及其形成逻辑的理解（Luo等人，2025年）。其次，在方法论层面，本研究有机整合了时间序列遥感数据、空间统计、网络分析、机器学习、可解释的人工智能和空间异质性模型，不仅关注UHI模式是什么，还进一步探讨了“为什么它会形成”以及“它在何处表现不同”，从而增强了对复杂热环境过程的解释深度和尺度识别能力。与现有研究相比，本研究不仅简单叠加了多种方法，而是将研究问题作为主线，将每种方法嵌入三维框架的不同部分，实现了从宏观演化识别到微观空间解释的逻辑闭环。第三，在实践层面，本研究为不同类型的城市聚集区提供了差异化的治理基础：在地形约束显著的地区强调生态恢复和通风优化，在网络扩展显著的地区加强水体缓冲和空间协同，在高密度聚集区重点进行微气候干预和区域联合预防，从而为避免UHI共振风险和增强区域气候韧性提供决策支持（Kabisch等人，2023年）。因此，本研究构建的“演化-机制-异质性”框架不仅为中国沿海城市聚集区的热环境治理提供了科学基础，还为全球城市化地区的热环境治理提供了一个可扩展的系统分析工具和理论参考，符合气候适应、低碳转型和可持续发展的目标（Issa Zadeh和Garay-Rondero，2023年；Si等人，2023年；Wan等人，2021年）。

2. 研究区域和数据
2.1. 研究区域
本研究以中国东海岸的三大主要城市聚集区——京津冀（BTH）、长江三角洲（YRD）和珠江三角洲（PRD）作为研究对象（它们的基本地理位置和气候特征见表1和图1）。尽管这些地区经历了高强度的发展，但也面临着严重的生态挑战，如城市化引发的强烈热岛效应，对区域可持续发展和公共安全构成了复合威胁。

表1. 三大主要城市聚集区的主要特征
| 研究区域 | 特征 |
|---------|------------------|
| BTH | 36°N – 42°N, 113°E - 119°E |
| YRD | 27°N – 34°N, 116°E - 123°E |
| PRD | 21°N – 24°N, 111°E - 115°E |
| | |
| | |
| 气候 | 温带季风 | |
| | 亚热带季风 | |
| | 热带/亚热带季风 | |
| 核心城市 | 北京、天津 | |
| | 上海、南京、杭州 | |
| | 广州、深圳 | |
| | |
| 气候特征 | 夏季炎热多雨，冬季寒冷干燥，季节明显 | |
| | 季节分明，夏季高温多雨，冬季温和湿润 | |
| | 全年温暖湿润，夏季漫长降雨量充沛 | |
| | | |
| 主要地形 | 西北部山地和高原地区，东南部平原 | |
| | 主要为YRD冲积平原 | |
| | 主要为PRD冲积平原 | |
| 城市形态 | 以北京为中心的单核辐射结构 | |
| | 以上海为主导，南京和杭州为次中心 | |
| | 多个大都市圈紧密相连，形成高密度城市聚集区 | |
| 自然生态 | 相对脆弱的生态，植被覆盖具有明显季节性 | |
| | 自然条件优越，河流和湖泊系统发达，植被生长季节长 | |
| | 水资源和热条件优越，全年植被茂盛 | |
| 社会经济 | 中国的政治和文化中心，经济结构向高端发展转型 | |
| | 中国的经济增长极，经济体系完整多元化 | |
| | 中国的改革开放先驱区，以出口导向的经济 | |
| | | |
| 下载：下载高分辨率图像（764KB） | |
| 下载：下载全尺寸图像 | |
图1. 三大主要城市聚集区的地理位置和土地利用类型。

2.2. 数据
本研究基于2013至2023年的夏季地表温度数据，将热岛等级作为因变量，从三个维度（物理地理、城市形态和社会经济）选取了15个自变量，构建了多源地理空间数据集。所有数据都进行了必要的预处理，包括异常值识别和清洗、时间插值（Qin等人，2024年）、云污染去除、重采样、裁剪和空间对齐（Xi等人，2024年）。研究统一采用了1公里的空间分辨率，该尺度能够相对准确地描述三个研究区域的环境模式的空间分布特征，同时有效揭示了区域尺度的环境差异规律（Chen等人，2022年）。所有数据处理都在Google Earth Engine（GEE）平台上完成（https://earthengine.google.com），其中地形数据使用了2020年的基线数据，其他数据使用了11年的平均值，以确保时空一致性（Xi等人，2024年），并增强了它们反映区域背景特征的能力，相应的数据验证和结果校准提高了分析结果的可靠性。本节介绍了数据来源、预处理程序和变量系统，第3节描述了分析方法。

表2.影响因素数据列表

| 影响因素全名 | 缩写 | 单位 | 数据来源 |
|------------|--------------|-------------|------------|
| 海拔 | DEM | NASA DEM (NASA Earthdata) | https://www.earthdata.nasa.gov |
| 坡度 | Slope | ° | 从NASA DEM导出 |
| 朝向 | Aspect | ° | 从NASA DEM导出 |
| 归一化差异植被指数 | NDVI | / | 基于Landsat 8数据通过GEE计算 |
| 叶面积指数 | LAI | / | 从Landsat 8数据使用基于GEE的半经验模型获取 |
| 地表反照率 | Albedo | / | 基于Landsat 8数据通过GEE计算 |
| 湿度 | WET | / | 基于Landsat 8/9数据通过GEE计算 |
| 修改后的归一化差异水指数 | MNDWI | / | 基于Landsat 5/7/8/9数据通过GEE计算 |
| 降水量 | PRE | / | 通过GEI从CHIRPS数据集获取 |
| 归一化差异累积指数 | NDBI | / | 基于Landsat 8/9数据通过GEE计算 |
| 归一化差异裸土指数 | NDBSI | / | 基于MODIS数据通过GEE计算 |
| 形状指数 | SI | / | 从ESA WorldCover数据获取 |
| 人口密度 | POP | 人/平方公里 | WorldPop人口数据集（https://www.worldpop.org） |
| 夜间光照 | NTL | W/cm2/sr | VIIRS夜间光照数据（NOAA） |
| 国内生产总值 | GDP | 元/平方公里 | 资源与环境科学数据中心，CAS（http://www.resdc.cn/） |

2.2.1. 热岛目标变量
热岛等级是量化城市热环境空间异质性的核心指标。基于MODIS/061/MOD11A2数据产品（MODIS 6.1版8天组合地表温度/发射率产品，空间分辨率为1公里）（Rousta等人，2021年），本研究提取了2013年至2023年每年夏季（6月至8月）的地表温度数据，并采用标准差分类方法（Nath等人，2024年）将温度分为五个等级（表3），以区域平均温度为中心，使用0.5σ和1.5σ作为分类阈值。其中0.5σ用于区分围绕平均值的过渡热区，而1.5σ用于识别相对于区域平均值温度显著较高或较低的区域，从而更有效地区分冷岛区域、一般过渡区和高温核心区。2013年至2023年每个研究区域的热岛等级分布见补充材料S1.1。该方法客观地描述了温度的相对空间分布，有效避免了主观阈值设置的偏差，并准确识别了热岛核心区和冷岛区。

表3. UHI强度的分类标准

| 等级 | 描述 | 分类标准 |
|-------------|--------------------|--------------------------|
| 1 | 低温区 | LST ≤ (μ - 1.5σ) |
| 2 | 亚低温区 | (μ – 1.5σ) < LST ≤ (μ - 0.5σ) |
| 3 | 中温区 | (μ - 0.5σ) < LST ≤ (μ + 0.5σ) |
| 4 | 亚高温区 | (μ + 0.5σ) < LST ≤ (μ + 1.5σ) |
| 5 | 高温区 | (μ + 1.5σ) < LST |

2.2.2. 热岛影响因素
本研究从自然地理、城市形态和社会经济的三个维度选择了15个独立变量，系统地揭示热岛效应的形成机制（图2）。这15个变量的选择遵循了机制相关性、指标代表性和数据可用性的综合原则，分别对应于UHI形成的主要途径——地形背景、水热和植被调节、建成环境形态以及人类活动强度，从而系统地描述了区域热环境的自然-人为复合影响机制（Chen等人，2024年；Fernandes等人，2022年；Han等人，2025年）。在自然地理方面，选择了DEM、坡度和朝向来描述地形对空气温度的调节作用；PRE、WET和MNDWI反映了水文因素的蒸发冷却效应；NDVI、LAI和反照率反映了植被覆盖和地表反照率的冷却效应，其空间异质性构成了热岛模式的基础（Qin等人，2024年）。在城市形态方面，NDBI、NDBSI和SI分别量化了建筑密度、不透水面和空间形态复杂性对热量积聚和循环的影响（Yuan等人，2024年）。在社会经济维度，NTL、POP和GDP作为人类活动强度的代理指标，通过人为热排放和能源消耗间接影响热岛强度（Liu等人，2022年）。每个因素的详细信息见补充材料S1.2-S1.4。

下载：下载高分辨率图像（2MB）
下载：下载全尺寸图像

图2. 11年平均影响因素的空间分布

3. 方法论
基于上述研究区域和数据集，采用了以下方法来分析UHI的时空演变、影响机制和空间异质性。本研究的主要工作流程如图3所示。

下载：下载高分辨率图像（973KB）
下载：下载全尺寸图像

图3. 技术工作流程图

3.1. 标准差椭圆
为了从演变维度分析热岛效应的宏观时空模式，采用了标准差椭圆（SDE）方法来量化高强度热岛的空间分布、方向和集中趋势（Wu和Wu，2023年）。基于热岛等级数据，提取了高强度像素点集，并计算其平均值作为分布重心。通过协方差矩阵的特征分解确定椭圆的主轴方向和轴长，以表征热岛扩展的主要方向和范围。通过重心、方向角和轴长等参数，该方法有效揭示了热岛空间模式的聚集或分散趋势（Zhao等人，2024年），为时空演变分析提供了基础。

3.2. 热岛传播链
在演变维度，虽然SDE分析了研究区域内热岛的整体迁移变化，但本研究构建了一个热岛传播链，深入探讨了城市聚集体内的热岛效应网络化过程。该方法整合了时间序列遥感数据、空间邻近关系和城市规模属性：首先，基于时间滞后相关性分析（Ghanghermeh等人，2024年）识别了城市间热岛传播的领先-滞后关系，筛选出重要传播路径；随后，通过融合高斯距离衰减函数（Zhang和Chen，2024年）与城市规模增强系数来量化传播强度；最后，构建了一个有向加权网络，并使用自然断裂方法（Lu等人，2022年）对传播强度进行分类，以评估每个节点的传播能力和接收能力，识别关键路径和核心节点，并通过综合考虑每个城市的外向传播和内向接收效应，系统地揭示跨区域热岛传播的时空规律，加深对“演变”维度动态过程的理解。

3.3. 空间自相关分析
为了为后续的机制和异质性维度分析提供空间统计基础，本研究使用了全局和局部Moran's I来评估热环境的空间依赖性和异质性（详见补充材料S2.1）。通过构建高斯核函数空间权重矩阵量化了总体空间聚集趋势，并使用排列检验评估显著性（Chen，2013年）。局部Moran's I进一步在像素尺度上识别了四种类型的空间关联模式：高-高聚集、低-低聚集、高-低异常值和低-高异常值（Huang等人，2024年）。

3.4. 机器学习模型选择
为了确保机制维度中影响因素分析的准确性，本研究采用了两阶段集成机器学习框架来选择最优模型，详细步骤见补充材料S2.2。本研究选择了XGBoost、Random Forest、CatBoost、LightGBM和AdaBoost作为候选模型。具体来说，XGBoost具有强大的正则化和特征学习能力，能够有效捕捉UHI影响因素与目标变量之间的复杂非线性关系；Random Forest通过多决策树集成有效降低了过拟合风险，并对高维特征和噪声数据表现出良好的鲁棒性；CatBoost在处理分类特征和抑制预测偏差方面具有优势，有助于提高模型的泛化性能；LightGBM具有高训练效率和低计算开销，适用于多源、大样本地理数据的快速建模；AdaBoost在通过逐步强化弱学习器对难以分类样本的关注度方面具有一定的优势。这五种集成学习模型结合了非线性拟合能力、变量交互识别能力和良好的鲁棒性，能够很好地适应多源地理数据中的复杂空间异质性和特征耦合关系；同时，它们与SHAP解释框架的高度兼容性为后续的贡献分解、阈值识别和机制解释提供了可靠的支持。与传统的线性回归、普通地质统计模型或单一决策树等方法相比，这些模型能够更有效地识别复杂的非线性关系、交互效应和高维特征信息。通过比较五种算法的性能，选择了最佳预测模型（Qian等人，2023年；Xu等人，2024a）。为了提高模型可靠性，引入了贝叶斯优化自动搜索最优超参数组合（Lai，2024年），并采用了空间分组交叉验证来确保训练集和测试集之间的空间独立性，从而克服了由空间自相关性引起的性能过高估计问题（de Bruin等人，2022年）。这种方法的组合确保了模型评估的无偏性和泛化能力，使整个过程符合空间统计原则。

3.5. 可解释的人工智能
为了深入分析热岛影响因素在机制维度中的作用，本研究采用了基于博弈论的SHAP框架来解释机器学习预测机制，并评估每个特征对预测结果的贡献（Dong等人，2023年；Li等人，2024年）。详细信息见补充材料S2.3。通过使用SHAP摘要图、部分依赖图和交互图的三级分析，分别揭示了因素的全局重要性、非线性响应和交互效应。在此基础上，引入了GeoShapley方法来量化地理背景在异质性维度中的调节效应。该方法将纬度和经度结合成一个组合空间特征（GEO），实现了预测结果的主效应、空间交互效应和纯空间效应的三元分解（Luo等人，2025年），从而识别了因素影响的地理异质性模式。通过空间明确的贡献分解，该方法为揭示区域差异化的影响机制提供了定量基础。

3.6. 多尺度地理加权回归
为了量化影响因素的空间非平稳性和异质性维度中因素效应的局部异质性，本研究采用了MGWR模型（Fotheringham等人，2017年）。MGWR的关键创新在于允许每个独立变量有一个独立的带宽，该带宽由最近邻样本点的数量表示；带宽大小直接反映了变量影响的空间范围，并作为确定其作用范围和空间异质性程度的关键基础，从而更精确地捕捉不同变量影响的局部变化特征（Oshan和Kang，2024年）。其公式详见补充材料S2.4；核心算法通过迭代过程估计最优带宽，以识别全局和局部变量，并量化它们在区域尺度上的差异化效应。该方法有效解决了传统地理加权回归（GWR）中可能的过拟合和尺度误导问题，提供了更稳健的空间参数估计，并为理解热岛机制的空间异质性和制定有针对性的政策提供了有力工具（Fan等人，2023年）。

4. 结果
4.1. 三大城市聚集区热岛强度的时空演变特征
根据2013年至2023年的夏季UHI结果（图4），三大城市聚集区的热岛空间模式表现出显著的区域差异。北京（BTH）总体上呈现“梯度马赛克”特征，北部山区以低温水平为主，平原地区逐渐过渡到中高温度区域，北京、天津及其周边形成了多个高温核心区；其中4级占比最高（38.5%），而5级仅占2.8%，表明高温区域分布广泛但极端高温区域相对集中。上海（YRD）呈现出明显的“网络化”特征，高温区域从上海核心沿城市发展轴向外扩展，表现出最强的区域连通性；其中3级占比最高（43.9%），平均温度为30.9°C，是三个区域中最高的，表明整体热环境相对较强且连续性强。珠三角（PRD）呈现出“核心聚集”特征，广州、佛山、深圳和东莞形成了连续的高温集群，2级和3级合计占73.4%，反映了高度集中的UHI分布和强烈的空间同质性。总体而言，这三个区域分别对应于由地形梯度、城市网络扩展和高密度聚集主导的热环境空间模式。详细分布见补充材料S3.1。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图4.三大主要城市聚集区的热岛空间分布：(A)(D)(G)显示了三大主要城市聚集区的平均热岛分布；(B)(E)(H)显示了三大主要城市聚集区中热岛级别的比例；(C)(F)(I)显示了三大主要城市聚集区的温度分布直方图。4.2. 高强度热岛的空间分布和重心迁移轨迹：根据标准偏差椭圆和重心迁移的结果（图5），三大主要城市聚集区的高强度UHI的空间演变路径显示出显著差异。BTH整体上呈现先收缩后稳定的模式，椭圆范围从初期向外扩展转变为后期集中，UHI的重心总体上向北移动，表明高温核心区域的空间组织逐渐从传统的平原聚集区向北部节点加强和扩展。YRD则表现出更明显的外向扩展特征，椭圆范围不断增大，重心迁移方向明确，表明高强度UHI已从局部核心聚集区演变为沿区域连接轴扩展的网络状模式。相比之下，PRD的椭圆形态和重心位置在不同时期的变化较小，保持了总体稳定的空间结构，高强度UHI长期锁定在核心城市的连续区域内，表现出强烈的连续性和成熟特征。总体而言，这三个区域分别对应于调整-扩散、扩展-重组和稳定-聚集的演变路径。详细变化见补充材料S3.2。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像

图5. 三大主要城市聚集区的标准偏差椭圆结果。

4.3. 热岛效应的多城市传播链：基于UHI传播网络模型（图6），三大主要城市聚集区的UHI效应跨城市传播链存在显著差异。BTH通常呈现“核心辐射-轴向扩展”结构，传播路径主要依赖于北京-天津-河北的核心城市及其发展轴，该网络具有强烈的方向性和层次结构；其中，天津、保定和北京在综合传播影响力方面排名较高，表明它们在跨城市UHI传输中具有更为关键的网络位置。YRD则呈现明显的“多中心网络”特征，以上海、南京和杭州等节点为中心，多个传播链交织重叠，形成覆盖范围更广、连接性更高的区域传播模式；南京、上海和常州的综合传播影响力相对较高，进一步反映了核心节点在区域网络组织中的主导作用。相比之下，PRD更明显地呈现“核心聚集”模式，广州、深圳、佛山和东莞之间的联系最为紧密，传播链高度重叠，广州、深圳和佛山在综合传播影响力方面处于领先地位，表明UHI效应在高密度城市带内表现出更强的集中传输和叠加扩散特征。详见补充材料S3.3。下载：下载高分辨率图像（797KB）下载：下载全尺寸图像

图6. 左图显示了三大主要城市聚集区的UHI传播链；右图显示了UHI传播网络中各城市的综合传播影响力排名。

4.4. 热岛空间自相关的全球和局部评估：空间自相关分析确认，尽管所有三个城市聚集区的UHI强度存在显著的全球正空间相关性，但它们的局部空间结构存在显著差异（图7）。这为后续的多因素影响机制分析提供了重要的空间结构背景。详细的Moran's I分析结果见补充材料S3.4。下载：下载高分辨率图像（910KB）下载：下载全尺寸图像

图7. 左列：局部Moran's I分布图；中列：局部空间自相关簇图；右列：全球Moran's I散点图。

4.5. 机器学习模型性能比较和最优模型选择：本研究系统评估了五种主流机器学习算法在分类和回归任务上的性能（详细性能比较结果见补充材料S3.5）。基于系统模型评估结果，XGBoost在预测三大主要城市聚集区的UHI强度任务中表现出了最佳的整体性能。

4.6. 基于可解释AI的热岛影响机制分析：4.6.1. 可解释AI SHAP分析：图8全面展示了三大主要城市聚集区中每个影响因素的两种类型信息：一种是因素重要性排名以及通过SHAP总结图反映的正面和负面影响分布，另一种是通过玫瑰图反映的每个因素的相对贡献结构。比较结果表明，在BTH中，贡献较高的变量主要集中在自然地理维度，其中NDVI和DEM合计占比超过45%，前者总体上表现出负面效应，后者显示出明显的双向差异；在YRD中，SI的相对贡献最高，紧接着是WET和NTL，表明其热环境变化受到城市形态、湿度条件和人类活动强度的共同影响；在PRD中，SI、NDBSI和NTL排名靠前，贡献结构更为集中，表明高密度建成环境和人类活动变量在该地区具有更强的解释力。详见补充材料S3.6.1。本研究使用平均|SHAP|值来比较各因素的总体贡献大小，并将正负SHAP值解释为升温效应和降温效应，以确保三个地区的结果具有统一的比较标准。

图8. （a）–（c）三大主要城市聚集区的SHAP总结图（特征全球重要性排名和beeswarm图）；（d）–（f）三大主要城市聚集区的Nightingale玫瑰图（显示15个影响因素在三大主要城市聚集区的贡献比例）。基于依赖性（图9）和交互图分析（图10），本研究揭示了关键影响因素的非线性阈值行为和协同机制。依赖性图结果显示，所有三个城市聚集区的主导因素都表现出明显的响应阈值。在BTH中，自然因素起着重要作用。NDVI在0.59时从加剧效应转变为缓解效应。DEM在553米时也表现出类似的转变，提供持续的缓解效应。YRD表现出复杂的响应：城市形态因素SI在18.84时改变其效应方向。WET在0.47时从加剧效应转变为缓解效应。社会经济因素NTL在1.61阈值后表现出增强的加剧效应。PRD突出高城市化特征：SI在18.15时反转其效应。NDBSI在0.36阈值后呈现“S”形增长。NTL在4.77时改变方向，但增长速率放缓。

图9. 三大城市聚集区的关键因素依赖性图。

图10. 三大主要城市聚集区中选定因素对的交互依赖性图。交互分析进一步阐明了多因素的协同机制。在BTH中，自然因素之间的交互作用显著。NDVI和DEM表现出地形差异：在低海拔地区，随着NDVI的增加，效应从缓解转变为加剧；在高海拔地区，效应从加剧转变为缓解。在YRD中，城市形态和社会经济因素紧密耦合，如SI和NTL的交互所示。在高复杂度的城市形态下，效应迅速从加剧转变为缓解；而在低复杂度下，变化较慢。在PRD中，建成环境因素的交互作用显著，SI和NDBSI反映了密度依赖性。在低城市复杂性下，效应从平衡点上升至加剧；在高复杂性下，效应迅速从加剧转变为缓解。详见补充材料S3.6.2-S3.6.3。

4.6.2. 空间效应分解和地理背景依赖性特征：图11进一步从空间分解的角度展示了每个因素影响的地理背景依赖性，即根据GeoShapley方法将预测贡献划分为主要效应、与地理空间的交互效应和纯空间效应。结果显示，与自然地理相关的变量及其空间交互项在BTH中更为突出，特别是NDVI、DEM及其与地理背景的耦合项排名较高，表明该地区的热环境对地形-生态空间差异更为敏感；在YRD中，WET、SI、NTL及相关空间交互项相对显著，表明湿度条件、城市形态和人类活动的影响在不同地点存在明显差异；在PRD中，SI、NDBSI、NTL及其空间交互项占据较高位置，某些交互项的方向与主要效应不一致，反映了高密度建成环境的影响在不同地理背景下的更强依赖性。详见补充材料S3.6.4。同时，所有三个地区都存在稳定的纯空间效应，表明除了显性变量外，地理背景本身也对UHI模式具有基本的调节作用。

图11. 左图：三大城市聚集区的geoshapley swarm图；右图：三大城市聚集区的因素贡献差异条形图。

4.7. 在构建MGWR模型之前，本研究使用Pearson相关性分析、Spearman相关性分析和方差膨胀因子（VIF）测试对三大城市聚集区的解释变量进行了多共线性诊断（Asuero等人，2006；Akinwande等人，2015）。结果显示，尽管所有地区都存在显著的共线性问题（详细结果见补充材料S3.7），但其结构和强度存在明显差异。BTH和YRD各自识别出5对高度相关的变量，而PRD的问题最为严重（13对），为后续的差异化变量选择提供了关键依据。MGWR结果（图13、图14、图15）进一步表明，关键因素的作用方向、强度和空间分布在三大主要城市聚集区之间存在明显差异。BTH整体上表现出强烈的局部异质性，自然地理因素的分布最为复杂，其中NDVI的带宽较窄（52），在大多数地区表现出冷却效应，但在核心城市周围出现了相反的斑块；DEM表现出显著的双向调节，WET、PRE和Albedo也呈现出明显的不规则分布。在YRD中，不同因素的空间差异更多地表现为“局部差异与区域连续性的共存”，其中NTL和DEM的带宽较小（DEM为43），局部变化更为明显；SI的带宽较大（434），在大多数地区保持一致的方向，而NDBSI和PRE在沿海地区、北部地区和核心城市周围表现出明显的变化。PRD表现出更强的区域整合特征，SI的带宽最大（2254），在整个地区方向相对一致；NTL的带宽较小（46），且在核心城市带的敏感性最强，NDBSI和NTL在核心城市带的影响更为显著。详见补充材料S3.8。总体而言，MGWR揭示了三大地区UHI影响因素在作用规模、空间连续性和局部敏感区域方面的显著差异。

图12. 三大主要城市聚集区的影响因素的Pearson和相关性分析以及方差膨胀因子（VIF）共线性测试。

图13. BTH地区选定因素对热岛效应的空间异质性。

图14. YRD地区选定因素对热岛效应的空间异质性。

图15. PRD地区选定因素对热岛效应的空间异质性。

5. 讨论：5.1.对热岛的时空演变和传播机制的深入理解
从进化的角度来看，三大城市聚集区的热岛（UHI）的时空演变不仅仅表现为形态差异，而是反映了在地理约束、空间扩张路径和城市连接结构共同作用下的区域热环境的重组。北京-天津-河北（BTH）地区表现出“梯度镶嵌”模式，表明UHI强度并非均匀扩散，而是在山-平原过渡带显示出明显的分层现象（Li等人，2018年），而北方燕山-太行山脉形成的地形屏障改变了气流传输和热量交换条件，从而加剧了南北之间的热环境差异（Brandi等人，2024年）。同时，UHI重心的持续向北移动表明高温核心区域的空间方位已逐渐从传统核心城市的边缘转移到新的增长区域；这不仅反映了建筑活动和空间发展重点变化对热环境格局的重塑（Wang等人，2023年），也表明区域政策过程可以通过改变城市空间组织间接影响UHI的演变（Zhou等人，2021年）。长三角（YRD）地区的“网络化”特征表明，UHI已从单中心聚集转变为沿发展轴线的区域协同趋势，上海与周边高端城市之间的强空间联系使得热环境变化能够通过基础设施和连续的城市区域向内陆传递，突显了城市网络结构在塑造区域UHI连续性中的关键作用（Javanroodi等人，2023年；Shi等人，2025年）。相比之下，珠三角（PRD）地区的“核心聚集”模式更为稳定，广州、佛山、深圳和东莞等核心区域形成了连续的高温带，表明在高度密集的建筑、紧凑的空间形态和高度整合的城市带背景下，UHI更有可能保持连续分布并形成强烈的空间锁定效应（Feng等人，2025年）。总体而言，这项研究表明地理环境决定了UHI格局的基本框架（Fan等人，2024年），城市化进程和政策导向影响了其演变方向，而城市网络和基础设施连接则进一步加剧了跨城市的热环境扩散和耦合，这为多个城市聚集区的比较研究提供了更加层次化的解释框架（Zhang等人，2022年）。

5.2. 多因素影响机制的非线性和空间非平稳性
从机制和异质性的角度来看，三大城市聚集区的UHI形成并非由单一因素决定，而是在气候背景、地表特征和人类活动的共同作用下表现为非线性响应和空间非平稳性（Wu等人，2023年）。在BTH地区，归一化差异植被指数（NDVI）和数字高程模型（DEM）的相对较高贡献比例表明，在温带半干旱背景下，地形-生态条件决定了热环境调节的基本框架（Crétat等人，2024年）；这一特征并不意味着自然因素的作用更为“单一”，而是表明它们的影响更容易通过地形起伏、植被破碎化和局部微气候差异而放大。在YRD地区，地表温度（SI）、湿度（WET）和夜间温度（NTL）同时处于领先位置，表明湿润平原地区的热环境变化更多地受到城市形态、人类活动和水热条件的复杂耦合的影响，而不仅仅是建成环境的积累（Wu等人，2023年）。在PRD地区，SI、NDBSI、NTL及其空间交互项更为集中，反映出在高密度建成环境的影响下，随着地理环境的变化，形成了区域一致性和局部敏感性共存的模式（Hong等人，2023年）。GeoShapley结果进一步表明，在BTH地区，NDVI、DEM及其与地理背景的耦合项更为显著，表明复杂地形区域中的植被冷却效应具有更强的空间依赖性（Brown等人，2018年）；WET×GEO在YRD地区的显著表现表明，沿海湿度效应会随着位置的变化而发生功能转变（Rahman等人，2024年）；PRD地区某些交互项与主要效应方向的一致性不一致，表明在高密度发展条件下建成环境的影响表现出明显的环境依赖性。MGWR结果进一步验证了这种差异：BTH地区NDVI的窄带宽和DEM的双向调节表明自然因素的影响更为局部化，这与复杂地形下的热环境调节理解一致（Deng等人，2025年）；YRD地区SI的宽带宽以及更加局部化的DEM和NTL表明，连续的区域发展和局部敏感区域共存，与Peng和Watanabe的发现一致（2025年）；PRD地区SI的区域一致性，与NTL的窄带宽形成对比，揭示了夜间经济和功能布局对局部热环境的微尺度扰动（Yang等人，2023年），表明这种空间差异可能与区域整合程度和工业组织模式有关（Bai等人，2024年）。

5.3. 单因素非线性响应和多因素交互机制
从机制维度来看，这项研究表明UHI的形成并非各个因素效果的线性叠加，而是在阈值转换、边际效应变化和多因素耦合下的持续重组（Yang等人，2024年；Bansal和Quan，2024年）。单因素响应结果显示，尽管三大主要城市聚集区都存在明显的非线性特征，但由阈值反映的机制焦点有所不同：一类主要体现生态-地形条件对热环境调节能力的释放，另一类主要反映一旦建成环境的复杂性和人类活动强度达到一定水平时热量积累的放大。以BTH为例，NDVI、DEM和WET都表现出明显的转折点，表明植被连续性、地形起伏和水热平衡共同决定了热环境的敏感区间；值得注意的是，当NDVI超过0.59时，冷却效应显著增强，表明生态元素只有在达到一定规模后才能形成稳定的调节作用（Kim和Kim，2024年；Yu等人，2020年）。相比之下，YRD地区SI和NTL的阈值更好地捕捉了城市扩张和夜间活动对热环境的持续塑造，而NDVI和PRE的双重阈值表明水热条件并未停止发挥作用，而是与城市化进程并行影响热环境。PRD地区在高强度发展下表现出更显著的加速响应，其中SI的效果在超过18.15后迅速增强，而NDVI的波动表明在高度城市化的空间中，绿地的冷却效应更明显受到破碎化和湿度条件的限制（Zhang和Yang，2020年）。多因素交互进一步表明，UHI的形成并非简单的“单因素主导加其他因素补充”结构，而是在特定空间背景下由不同因素产生的协同或拮抗效应（Mehare和Joshi，2022年）。在BTH地区，NDVI和DEM之间的交互表现出显著的海拔差异，表明地形通过微气候条件改变了植被冷却效率；DEM和WET的耦合进一步表明复杂的底层表面增强了热和水分过程之间的联系。在YRD地区，NTL和SI之间的关系表明城市形态并不总是单向增强UHI；在某些条件下，它也可能通过通风组织改变局部热量积累；SI和MNDWI之间的交互表明水体的冷却效应受到周围空间结构的限制（Deng等人，2026年）。在PRD地区，NDBSI和SI之间的交互更类似于“共振型”关系，意味着在高密度建成环境中的不同元素可能相互增强，使得局部热风险更容易持续累积。综上所述，三个地区之间的差异不仅仅是“强烈自然因素”或“强烈城市化因素”的问题，而是表现为不同地区主导耦合关系的变化：BTH更倾向于自然因素之间的情境调节，YRD反映了人类活动和自然条件的复杂耦合，PRD则更容易在高密度发展下形成交互放大效应，这也表明UHI的缓解应从单因素优化转向多因素协同干预（Zhao等人，2025年）。

5.4. 实际意义和政策洞察
基于这些研究结果，我们提出以下实际意义和政策洞察，强调了“演变-机制-异质性”框架在指导精准政策实施中的价值（图16）。BTH地区应充分利用其自然地形和生态资源，包括保护北部山区的植被覆盖以增强生态屏障功能（Xu等人，2025年），优化南部平原的城市空间结构以避免连续高温区的形成，并利用地形通风走廊促进热量散发（Gu等人，2020年）。YRD地区必须解决城市网络带来的热环境挑战，包括控制上海和苏州等核心城市的UHI强度以防止其向内陆扩散，利用杭州湾和太湖等水体的冷却效应构建生态缓冲区（Lin等人，2023年），并协调区域城市发展的步伐。PRD地区应对其高密度连续UHI采取具体措施，包括在广州-佛山和深圳-东莞等核心聚集区之间规划生态隔离带，利用高反射率材料和绿色屋顶等技术降低局部UHI强度（Wang等人，2022年），并加强区域协调以避免冷却措施引发的新问题（Fang等人，2024年）。本研究构建的“演变-机制-异质性”综合分析框架不仅精确分析了三大城市聚集区的UHI效应，还为全球城市热环境治理和可持续发展提供了可扩展的范式。该框架的方法论系统能够有效处理高维非线性地理数据，系统地揭示了从宏观演变到微观异质性的完整因果链，从而克服了传统方法的局限性（Lin等人，2024年；Liu，2024年）。这一范式的强大分析能力和广泛应用性在本研究中得到了验证。它同样适用于全球其他快速城市化或欠发达地区的UHI研究，能够有效捕捉不同发展阶段城市聚集区的UHI特征差异，并为制定区域差异化的热缓解策略提供通用的科学分析路径（Qiao等人，2024年）。研究结果表明，将UHI治理从单纯的冷却技术应用提升为基于系统性的“演变-机制-异质性”认知的精准空间治理，是应对气候变化、促进碳中和目标和实现联合国可持续发展目标的关键。随着全球城市化的推进，该框架可以为发展中国家提供前瞻性的科学基础，帮助他们避免“先污染后治理”的陷阱，最终促进气候适应性城市的建设和提高全球人类福祉（Khаmdаmov和Usmanov，2024年）。

下载：下载高分辨率图像（328KB）
下载：下载全尺寸图像
图16. 不同城市聚集区缓解城市热岛效应的政策影响概念图

5.5. 局限性和前景
尽管本研究取得了一定的进展，但仍存在一些局限性。首先，由于遥感数据的分辨率限制，难以完全表征微观尺度的UHI现象；未来的研究可以整合更高分辨率的数据以提高识别精度（Wang等人，2025b）。其次，在方法论层面，如SHAP和GeoShapley等可解释的人工智能方法在处理大规模地理数据时计算成本较高，尤其是GeoShapley的空间分解进一步增加了计算负担；因此，迫切需要引入更高效的算法或分布式计算框架（Hu和Wang，2023年）。此外，模型复杂性也可能限制其在实际场景中的广泛应用。未来的研究可以从多源数据融合、算法优化和模型简化等方面深化机制分析和预测能力，并进一步验证该框架在更广泛城市环境中的适用性（Xi等人，2024年）。**结论**

基于“演化-机制-异质性”三位一体分析框架，本研究系统揭示了中国三大沿海城市聚集体中城市热岛效应（UHI）的时空演化模式、关键影响机制以及空间非平稳特性，进一步拓展了人们对区域热环境差异及其形成逻辑的理解。研究结果表明：

在演化维度上，北部沿海地区（BTH）呈现出受地形显著制约的“梯度镶嵌”格局；珠江三角洲地区（YRD）沿城市联系轴线扩展的“网络化”格局；长江三角洲地区（PRD）则形成了高密度的连续“核心聚集”格局，这反映了在不同地理背景和城市化路径下热环境组织模式的显著差异。在机制维度上，三个地区均存在明显的非线性阈值和交互效应，但主导的耦合关系各不相同：在BTH中，归一化植被指数（NDVI）和数字高程模型（DEM）共同贡献了超过45%的影响；在YRD中，土壤湿度指数（SI）贡献了约25%；而在PRD中，SI、归一化植被湿度指数（NDBSI）和夜间温度湿度指数（NTL）合计贡献了近50%。这说明UHI的形成并非单一因素的累积结果，而是自然条件、建成环境与人类活动相互作用的结果。

在异质性维度上，GeoShapley和MGWR分析表明各因素效应具有显著的地理依赖性和多尺度特征：BTH地区的自然因素更为局部化，YRD地区的建成环境影响范围更广，而PRD地区则同时表现出较强的区域一致性和局部敏感性。据此，BTH地区应重视地形引导下的生态修复和通风走廊优化；YRD地区需加强水体缓冲和网络化扩张控制；PRD地区则应重点关注微气候干预和 hochdichten建成区域的区域合作治理。

尽管存在数据分辨率和模型计算成本的局限，本研究构建的“演化-机制-异质性”框架仍为区域可持续发展提供了科学依据，同时也为全球城市化地区的热环境治理提供了系统的分析工具和决策参考，对推动韧性城市建设及实现可持续发展目标具有重要的理论和实践意义。

**关于科学写作中生成式AI的声明**

在撰写本文过程中，作者仅使用ChatGPT协助将部分中文文本翻译为英文，并提升语言表达的清晰度。作者对ChatGPT生成的内容进行了仔细审核和修改，并对最终发布的成果内容负全部责任。

**作者贡献声明**

邹毅：撰写——原始稿件、方法论设计
潘瑞媛：数据可视化、数据整理
陈佳媛：数据可视化、形式化分析
宁少伟：撰写审核与编辑、监督、概念框架构建
郑子豪：数据调查
王轩：形式化分析、数据整理
周玉良：资金筹集、形式化分析
耿俊：数据调查
张琳琳：数据验证、软件开发
Bhesh Raj Thapa：撰写审核与编辑

**资金支持**

本研究得到了国家级大学生创新创业培训计划（项目编号：S202510359348）和中国国家自然科学基金（项目编号：52379006）的支持。