文献来源：
Wan, Y., Du, H., Yuan, L., Xu, X., Tang, H., & Zhang, J. (2024). Exploring the influence of block environmental characteristics on land surface temperature and its spatial heterogeneity for a high-density city.Sustainable Cities and Society, 105973.https://doi.org/10.1016/j.scs.2024.105973
文章速览
MGWR和XGBoost模型的预测效果明显优于MLR模型。 森林覆盖率、平均海拔、NDVI、额叶面积指数和建筑物高度标准差是决定LST的主要因素，这些因素对LST分布的解释率达52%以上 大多数景观格局、建筑形态和街景指标对 LST 的影响表现出空间异质性 这些指标还表现出非线性模式和对 LST 的阈值效应
确定影响LST分布的最关键因素对于高密度城市的可持续城市规划至关重要。该研究涵盖了更全面的环境特征，并包涵了三维城市空间的考虑，形成了更优的指标体系 分析LST影响因素的常用的统计方法（例如多元线性回归、机器学习模型、空间回归模型等）欠缺对空间自相关和异质性的考虑，可能导致建模偏差和局部信息的隐藏。该研究构建了包括局部回归模型在内的多组数理统计模型以识别关键因素并分析各指标的空间影响程度。
研究区域：深圳6808个街区空间
2. 地表温度：Landsat 8 OLI/TIRS C2 L1；2022年9月3日10:52:22和2022年9月12日10:46:17；采用辐射传输方程（RTE）反演；通过“栅格转点”和“空间连接”命令确定各街区空间的LST，排除空值和极端异常值
3. 44个环境特征：
① 建筑矢量数据来自深圳市规划和自然资源局
* 计算了两个来自气象学和空气动力学领域的指标λF和Hm。λF表示16个风向建筑物迎风面积与所在街区面积比值的加权平均值，Hm是障碍物粗糙度的描述参数，对城市平均风速有影响。二者均被认为是一个地块城市通风状况的风向相关量度。
基于C++与ArcGIS Engine二次开发接口，设计了单一风向下建筑投影平面宽度计算程序，并利用该程序得到各建筑的λ F值。该程序的基本原理为：将矢量格式文件中的建筑物元素以北方向为1号，遍历各16个风向（N：0°，NNE：22.5°，NE：45°，ENE：67.5°，E：90°，…，NW：315°，NNW：337.5°）按顺时针方向排列，分别计算各风向投影面的宽度（w 1，w 2，w 3，…，w 16），并将宽度与建筑物高度的乘积即为锋面面积，填入相应图层的属性表中，再结合深圳市风频数据和各风向锋面面积指数，对λF进行加权平均值计算。
② 景观格局类别变量使用 ESA WorldCover 2020 数据（10m）计算 https://worldcover2020.esa.int/。选择了树木覆盖、灌木丛、草地、农田、建筑区和永久水体进行计算。
③ 百度街景。2021年8月，92,391个带有街景图像的采样点，90,588幅全景街景图像
④ 30m高程数字模型
https://earthdata.nasa.gov/esdscompetitiveprograms/measures/nasadem
⑤ 100m人口栅格数据 https://www.worldpop.org/
⑥ 2022年OSM道路 https://www.openstreetmap.org/
⑦ 研究区域热源（汽车尾气和大型工业区等）、冷源（城市绿地和大型水体）矢量点坐标
数据预处理：
正态性分析：观察到 14 个独立变量，包括 H std，λF、BV ave、PC _for、ED _for、MPS _for、ED _bui、MPS _bui、ED _cro、Roa _den、Dis _bui、Dis _gre、POI _ind和 POI _sho偏离正态分布。
数据标准化：这些变量被对数变换。采用z分数法对所有独立变量进行标准化。
特征选择：皮尔逊相关系数。剔除与地表温度不显著相关的变量，同类变量中相关系数超过0.7的任意两个变量，仅保留与地表温度强相关的变量。
研究方法：
空间自相关：Moran's I。验表明，全局的Moran's I为0.338，在0.001水平上统计显著。此外，z得分为142.587，表明存在空间自相关性。可以通过构建空间模型进一步分析。
多元线性回归（MLR）：对经过预处理的自变量采用AIC规则按正序逐步筛选，并要求模型中的所有自变量均通过显著性检验（p < 0.05）。为防止自变量间存在多重共线性，剔除VIF > 7.5的自变量。最终保留在MLR模型中的自变量后续将用于XGBoost和MGWR建模。
XGBoost + SHAP
MGWR
为了评估模型的性能，采用判定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为指标。
结论
1. 模型比较
2. 非线性关联解释
街区环境指标对LST的贡献 （XGBoost + SHAP）
非线性关联性分析 （SHAP依赖性）
（2）景观格局类别指标对LST的影响大于建筑物形态和街景类别，其中ln(PC _for )、Ele _ave、NDVI、ln( λF )和ln( Hstd )是影响LST的主要指标，其解释贡献分别为14.8%、12.3%、9.2%、8.5%和7.7%。此外，除NDVI、ln(Roa _den )、Dis _int 、ln(Dis _bui )、ln(Dis _gre )、Ele _ave外，其余指标对LST的影响均表现出空间异质性。
（3）为了减轻炎热地区的城市热岛效应，可以实施多种措施，包括增加树木覆盖率和多样化建筑体量。考虑到每个指标对 LST 的非线性和阈值效应，建议保持以下阈值以确保降温效果：ln(PC _for ) > 0、NDVI > 0、ln( λ F ) > 0.2 和 ln(H std ) > 0.5。
