使用可解释的空间机器学习揭示城市形态对地表城市热岛的非线性和空间非平稳影响
城市热岛效应（UHI）是最近的全球现象，指的是城市地区的温度比周围的农村地区更热。在夏季热浪期间，UHI 对城市社会产生多种不利影响。现有研究广泛调查了与空气温度相关的空气 UHI （AUHI） 或与地表温度 （LST） 相关的表面 UHI （SUHI）。这些研究中的大多数利用回归模型来探索基于线性或对数线性假设的城市形态因素与 SUHI 的关联，例如普通最小二乘法 （OLS） 模型和地理加权回归（GWR）。然而，传统的线性模型无法捕捉城市形态因素对 SUHI 的非线性影响。在这样的背景下，机器学习 （ML） 方法，如随机森林 （RF） 和极限梯度提升 （XGBoost），已被引入来揭示非线性关系。与线性模型不同，ML 方法更加灵活，无需预定义关系。尽管取得了积极进展，但在对复杂关联进行建模方面仍然存在研究差距。首先，如果不考虑空间非平稳效应，传统的 ML 方法可能会导致有偏差的结果。传统的 ML 模型仅提供全局结果，而无法检查地理空间变量的聚类效应及其跨空间的自相关。考虑到 SUHI 的空间异质性及其影响因素的存在，像 GWR 这样的空间模型可以检测局部影响。然而，传统的空间模型是基于线性假设进行的。解决此问题的一种可能方法是引入空间 ML 方法，例如集成的 GWR 和 RF 模型 （GWR-RF）。GWR-RF 可以同时捕获变量的空间异质性和非线性关系。尽管如此，很少有研究采用 GWR-RF 方法来研究城市形态对 SUHI 的非线性和异质性影响。
本研究同时考察了 SUHI 与中国 2321 个县的城市形态因素（例如，景观结构、建筑环境和工业模式）之间的非线性和空间非平稳关联。采用一种可解释的空间机器学习方法，结合了地理加权回归、随机森林和 Shapley 加法解释模型，来处理建模的非线性、空间非平稳性和可解释性。结果表明，城市形态因素与 SUHI 之间的关系存在显著的空间差异。景观结构在南部县份贡献最大，而建筑环境在东北部县份更为重要。建筑密度和建筑高度的影响随着县城面积的增加而增加，成为特大县城市供热的主要驱动因素。大多数城市外形因素对 SUHI 表现出非线性影响。例如，城市连续性对 SUHI 的影响超过 0.93 阈值，而建筑密度在 0.17 时则对 SUHI 产生显著影响。相比之下，形状复杂度的影响在 7 以上保持稳定。工业密度和多样性等因素在白天和夜间对 SUHI 的影响各不相同。局部解释和非线性效应的结果为城市热提供了有针对性的区域缓解策略。
(1) 数据来源
首先，我们使用 Google Earth Engine （GEE） 平台 （https://code.earthengine.google.com/） 收集了无云的 Landsat/Sentinel 图像、归一化差值植被指数 （NDVI） 和归一化差值建筑指数 （NDBI），用于城市建成区分类。我们从美国国家航空航天局 （NASA：https://www.nasa.gov/） 获得了数字高程模型 （DEM） 作为辅助数据。 LST、土地覆被、建筑物覆盖、道路、兴趣点、降水和人口数据等来源如下图：
(2) 研究方法
首先，根据遥感数据提取了连续的城市建成区。其次，我们计算了提取的城市建成区内的 SUHI 强度和城市形态变量。第三，我们运行 GWR-RF 和 SHAP 模型来分析变量与 SUHI 强度之间的非线性和空间关系。
我们在县级探索了城市形态因素与 SUHI 之间的非线性和空间非平稳关联，整合了 GWR-RF 和 SHAP 模型以提供全局和局部解释。我们观察到主要城市群内大型和特大县的白天 SUHI 突出，平均值超过 0.6 °C，从白天到晚上急剧下降。
全局结果表明，包括 AWCI （面积加权邻接指数）和 AWSI（面积加权形状指数） 在内的景观结构因素对 SUHI 的贡献最大，白天的平均 SHAP 值大于 0.076，夜间的平均 SHAP 值大于 0.035，紧随其后的是建筑密度。工业模式因素更多地解释了白天而不是黑夜的 SUHI 变化。非线性效应表明，当 AWCI 超过 0.93 时，AWCI 驱动 SUHI，而建筑密度与 0.17 的 SUHI 呈正相关。相比之下，当 AWSI 和建筑物高度的值分别超过 7 和 16 时，它们对 SUHI 的显著性降低。
局部结果表明，AWCI 和 AWSI 是影响南部县 SUHI 的主要因素，而 BldDens（建筑密度）和 BldHt（平均建筑物高度）在东北部县发挥主导作用。四个主要因素的局部影响随空间和时间而变化。随着县规模的增加，他们对 SUHI 变得越来越重要。这些非线性发现和局部解释提供了对城市形态和 SUHI 关联的深入理解，这有利于采取有针对性的措施来缓解 SUHI。
该文章题目为“Unraveling nonlinear and spatial non-stationary effects of urban form on surface urban heat islands using explainable spatial machine learning”，于2024年发表在《Computers, Environment and Urban Systems》，IF=7.1。
引用：Ming Y ,Liu Y ,Li Y , et al.Unraveling nonlinear and spatial non-stationary effects of urban form on surface urban heat islands using explainable spatial machine learning[J].Computers, Environment and Urban Systems,2024,114102200-102200.
欢迎转载、转发本号发布的内容，可留言或后台联系小编进行授权。未经授权允许的，请勿在其他渠道或平台转载转发。文中部分来源于网络的图片，以及转述他人的内容，如涉及作品版权和其他问题，请留言联系小编处理。
本期编辑：邬欣阳
本期文案：邬欣阳
