研究进展 | 量化典型城市功能区主导因素对地表温度昼夜循环的主效应和交互效应

背景：城市热岛效应在白天和夜间均存在，并受到城市特征的影响，如城市形态（二维或三维）和社会经济因素。然而，目前对这些特征如何在昼夜周期中影响不同城市功能区（UFZs）的地表温度（LST）变化的定量理解仍然不足。

方法：本文以中国南京为例，结合梯度提升决策树（LightGBM）和解释机器学习模型：SHapley Additive exPlanations（SHAP），研究了不同UFZs的昼夜LST对2D/3D城市形态和社会经济变量的响应差异。

结果：白天，LST的主要驱动因子不仅与UFZs有关，还与观测时间有关；而夜间，不同UFZs的LST变化主要受三维城市形态和社会经济因素的控制；在10：37，当树木覆盖率(PER_Tree)超过一定阈值时，LST下降最快。住宅区、工业区、商业区和公共服务区的PER_Tree阈值分别为85%、70%、50%和60%。无论UFZs如何，只有当天空可视因子(SVF)超过0.8时，夜间才会出现降温效应；对于住宅区人口密度(Pop_Den)较高的位置，城市树木是否产生降温效应取决于白天的观测时间和PER_Tree；然而，较高的SVF倾向于导致夜间LST的增加。在公共服务区内，当Pop_Den>50时，高树对夜间LST降温有贡献，而低树则有增温效应。结果表明，三维城市形态和社会经济因素在夜间对所有UFZs的热岛效应缓解更为有效。因此，在制定城市降温策略时，应考虑昼夜地表温度的主要驱动因素之间的相互作用，以实现更有效的降温效果。

城市热岛效应（Urban Heat Island Effect, UHI）是人类活动引起的气候变化最明显的特征之一。考虑到城市热岛效应对人类健康和城市可持续发展造成的严重威胁，有必要了解城市热岛的时空变化特征，为更有效地缓解城市热岛效应提供定量指导。以往的研究不仅尝试用地表温度(LST)来描述地表城市热岛效应(SUHI)，还将LST与城市特征联系起来。城市特征大致包括以下三个方面：（1）二维城市形态变量，可以用景观构成和配置来表示。组成通常是指不同土地覆盖类型所占的百分比。（2）三维城市形态变量，垂直形态会影响阴影、地表太阳辐射通量和对流效率，并由于峡谷反射增加辐射滞留。通常用天空视角因子(SVF)、建筑高度和树木冠层高度等指标来代表三维城市形态。（3）社会经济因素，如夜间灯光(NTL)数据和人口密度已被公认为与SUHI相关的社会经济活动和人为热释放的代用指标。此外，反映车辆交通密度的道路密度具有解释SUHI变化的潜力。然而，有限的研究综合了二维、三维城市形态和社会经济变量的总体影响。此外，尚未有研究对地表温度变化的主要驱动因素之间的交互效应进行研究。

UHI在白天和夜间都存在。然而，由于太阳位置、蒸散和人类活动的时间差异，城市特征影响LST的机制在白天和黑夜之间差异很大。因此，要清楚地了解UHI的时间演变，需要全面分析城市特征在整个昼夜周期中对LST的影响。此外，为了提高地方尺度上SUHIs的普遍性和易于探索，已经开发了两种广为人知的基于气候的城市景观分类：地方气候区（LCZs）和城市功能区（UFZs）。而UFZs分类方案代表了具有相似物理特征和社会经济活动的不同土地覆盖对象，可以被视为城市规划的操作单位。因此，大量研究揭示了不同UFZs中LST对城市形态的可能反应。然而，不同UFZs中SUHI、2D、3D城市形态和社会经济学之间的因果关系仍然难以捉摸。因此，在解释这些因素如何影响整个昼夜周期中不同UFZs的LST变化方面存在基本知识空白。

本研究的目的是对不同UFZs的昼夜LST与城市综合特征之间的关系进行全面的综合。主要回答了以下问题：(1)不同UFZs在昼夜不同时刻的LST如何变化? (2)不同UFZs的昼夜LST对主导因素变化的响应特征是什么? (3)主要驱动因素的交互作用如何影响整个昼夜周期的LSTs，以及它们在不同UFZs中的差异?

本研究聚焦于中国南京地区，该地区是长三角城市群的核心城市。根据2020年人口普查，南京人口超过900万。地处亚热带季风气候区，夏季经历了较长时间的湿热条件。选取南京市中心城区作为研究区域，其面积为690，主要有两个原因。一方面，大部分人口生活在这一地区；另一方面，该区域具有较高的城市开发强度和多样的城市功能分区(图1)。

利用Landsat-8 OLI TIR数据获取了10：37时的地表温度。通过辐射传输方程(RTE)方法反演LST。该方法包括以下步骤。首先，根据公式1计算传感器处的辐射亮度(())。

式中：DN为TIR波段的数字编号。增益和偏置分别表示增益(值=0.0003342)和偏置(值=0.1)系数。

利用公式2计算离面辐亮度():

其中和分别为大气上行辐射和下行辐射，为大气透过率，为地表比辐射率。

其次，假设地球表面为黑体，将光谱辐射亮度转换为亮温：

式中：=774.89 ())，=1321.08。

最后，通过校正不同土地覆盖特征的地表发射率来反演LST：

其中��为辐射波长( Landsat-8 OLI波段10=10.9)，。

以90 m×90 m的栅格单元作为基本统计单元，计算LST影响因子。本研究中考虑的LST影响因素分为三组：2D城市形态、3D城市形态和社会经济（图2）。二维城市形态的特征可以通过景观格局来描述，包括景观组成和配置。根据指标对LST的可解释性和潜在相关性，我们选择了四个配置指标来量化建筑物和树木的空间排列：边缘密度(ED)、斑块密度(PD)、平均形状指数(MSI)和平均斑块大小(MPS)。建筑物、树木、草地和OISA的面积百分比也被选为影响LST变化的组成因素。

三维城市形态指标包括建筑高度和树木冠层高度的平均值和变化量，以及树木体积与建筑体积的比值。此外，计算了通过太阳辐射和通风影响LST的SVF。本研究中的SVF表示建筑物对天空的遮挡。对于每个分析单元，SVF由城市多尺度环境预测模型计算，DSM包含地面和建筑物高度信息。

社会经济指标包括人口密度(Pop_Den)、道路密度(Road_Den)和夜间灯光密度(NTL_Den)。夜间灯光数据可以揭示城市化强度的城市内部变化，并与社会经济变量表现出非常强的相关性。因此，本研究将NTL_Den作为人类活动的代理变量来代表社会经济。NTL_Den计算为2018年6-9月获得的NTL数据的平均值。

2.4.1 LightGBM模型

对于每个分析单元，将一天中不同时刻的平均LST作为响应变量。自变量为每个分析单元的2D、3D城市形态和社会经济因素的平均值。LightGBM是一种高效的梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法，适用于大规模高维数据集，用于探索不同UFZs下LST与影响因素之间的关系。由于LightGBM的性能与众多超参数相关，因此需要对其进行优化。在这项研究中，随机选择整个数据集的80%来优化每个UFZs的所有超参数，而剩下的20%被用作测试集。此外，我们使用GridSearchCV通过枚举每个LighGBM模型预先指定的参数值的所有组合来调整这些超参数。采用五折交叉验证法优化每个LightGBM模型的超参数。通过训练集和测试集的均方根误差(RMSE)来评估LightGBM模型的性能。

其中，表示模型输出的基准值，N为所有输入解释变量的个数，为二元变量，表示第j个预测变量存在()或不存在()。是样本x中预测变量j的特征归因（即SHAP值），它是针对特征子集的所有可能组合计算的。

其中，S表示输入解释变量的子集，和分别是有特征j和没有特征j的预测值

变量的特征重要性通过其在所有实例中的平均绝对SHAP值来衡量，可以表示为如下形式：

除了单个变量的影响外，还引入了SHAP交互值来量化成对影响因素之间的成对交互作用。

其中，.

由于特征j和k的SHAP交互值被等分为和，因此总的交互作用为和之和。每个变量的主要影响是通过从SHAP值中减去SHAP相互作用值来确定的。

为了进一步了解不同UFZs的热特征的日变化，采用自然间断点( Jenks )方法将" LST与平均值的差异"分为四个等级：高、次高、次低和低。城市热水平的时空演变对不同的UFZs表现出不同的规律（图3）。在白天，08：18时工业区的主导热水平为高和次高，其他3个UFZs的主导热水平为高和次高。然而，在09：51和10：37，所有UFZs都以高和次高热等级为主。在夜间，基于LST的热水平比例在所有观测时间的商业区和住宅区之间显示出相似的配置，高和次高的LST是主导。在19：38至23：45期间，无论UFZs如何，高和次高热水平的区域均呈减少趋势。在09：51、10：37和19：38时，公共服务区出现了较大比例的高水平LST。此外，我们还发现了热水平百分比配置的时间演变存在显著变化。例如，尽管公共服务区内10：37和19：38的高温区比例相同，但19：38的高温区主要由10：37的次高温区转化而来，其次是高温区和次低温区。

首先在不同观测时间对LST的主要驱动因素进行了研究。白天LST变化的主要决定因素不仅在不同的典型UFZs之间，而且在昼夜周期内的不同观测时间之间也有所不同（图4）。在白天，树木覆盖率（PER_Tree）对10：37时不同UFZs的LST变化贡献最大，这与之前从相似时间段得出的研究结果一致。这主要是由于较高的温度引起的蒸汽压亏缺增加，导致树木蒸腾量较大。然而，影响LST的最重要变量在不同的UFZs和一天中的不同观测时间有所不同。例如，在08：18时，Pop_Den和SVF分别是影响公共服务区和商业区LST变化的最主要因素。此外，SVF被发现是白天商业区三维城市形态指标中最重要的驱动因素，这与之前的研究一致。这可能是因为商业区通常是由于高层和高密度建筑而具有相当有限的可视开阔天空，这将影响整个阴影和散热的LST。然而，我们观察到随着SVF的增加，SVF对LST的SHAP主效应由正变负。这主要是因为SVF的增加是否会导致LST的增加或减少，主要取决于入射太阳辐射的增加和对流效率降低的净影响。

在夜间，LST的变化主要受社会经济和三维城市形态因素的控制（图5）。这可能是因为夜间LST的变化可以看作是地面热通量和人为热共同作用的结果。在这项研究中，SVF对夜间LST响应的阈值效应在不同的UFZs中被确定（图6，7，9）。住宅区、工业区和商业区的SVF阈值分别约为0.7、0.8和0.7；在这些阈值之上，SVF对夜间地表温度表现出负向影响。这种模式是意料之中的，因为较高的SVF可以改善通风并减少长波滞留。在社会经济因素方面，较高的夜间灯光密度和人口密度通常预示着较大的人为热释放。与先前研究发现人口密度(即Pop_Den)与LST呈正相关不同，本研究表明Pop_Den对LST的影响在夜间不同UFZs之间具有时间依赖性。例如，在住宅和商业区中，高Pop_Den在19：38时对LST产生负面影响，而在22：15和23：45时观察到正面影响。这可能是商业和住宅建筑在傍晚时分释放大量的热量，因为大多数人从工作返回家中。

使用SHAP交互作用图来量化影响LST变化的主导因素之间的交互效应。白天，根据住宅区和公共服务区Pop_Den与PER_Tree的交互作用模式，当Pop_Den较高时，PER_Tree较高样本的交互作用值在08：18时比较低PER_Tree样本的交互作用值更正。这一发现支持了稠密的树木在人口密集地区引起的地表温度增加大于零散树木引起的地表温度增加；然而，在10：37观察到相反的关系。这种现象可能是由于密集的树木由于08：18的反照率较低而吸收了更多的短波辐射，从而导致变暖效应。与此相反，茂密的树木表现出降温效应，在10：37时发生较高的蒸散量。在商业区，当SVF较低时，高Pop_Den对白天LSTs有正影响(图8)，而低Pop_Den对白天LSTs有负贡献。这与先前研究的结果一致，因为更大的人口规模导致人为热通量增加。晚上，我们发现当Pop_Den超过100时，较高的SVF更可能导致住宅区的LST增加（图10），这与之前几项研究的结果相反。这一发现的一个原因可能是，地表可以接收到更多的太阳辐射，从而储存更多的热能。

此外，高树有助于公共服务区的LST冷却。然而，当Pop_Den大于50时，矮树会观察到变暖效应（图11）。可以合理地假设，树高的增加会提高对流效率并增加冷却。相反，低矮树木对辐射捕获的影响更为显著，并减少了长波辐射损失。

(1) 影响LST昼夜变化的主导因素在不同UFZs和观测时段存在差异。在白天，主要的驱动因素是未知的，但在夜间，所有典型UFZs的LST变化主要受三维城市形态和社会经济因素的影响。

(2) 主导因素对不同UFZs地表温度日变化的影响存在明显的阈值效应。尽管在10：37时，树木覆盖率(PER_Tree)在所有UFZs中对地表温度的贡献最大，但PER_Tree仅在超过一定阈值时才表现出降温效应：住宅和公共服务区为25%，工业区和商业区为20%。夜间，无论是住宅区还是商业区，SVF均存在一个临界阈值0.7，超过该阈值，SVF对地表温度的影响由增温转为降温。

(3) 本研究揭示了不同UFZs中LST的主要驱动因素之间的复杂交互效应。在人口密集的住宅区，较高的树木覆盖率与08：18和09：51的LST增加有关，而在10：37观察到相反的模式。此外，公共服务区内树高与人口密度的交互作用(Pop_Den)表明，当Pop_Den超过50时，树木高度较高有助于LST降温。

总而言之，本研究为理解城市昼夜热环境对不同UFZs城市形态和社会经济的响应奠定了基础。我们的研究结果支持社会经济管理是降低夜间增温的有效手段。然而，由于与不同UFZs有关的不确定的主导因素，旨在减少白天变暖的策略仍然是一个挑战。此外，我们强调需要更好地揭示影响因素之间的相互作用对地表温度的影响。

本文编辑 | 胡瑾瑜 复旦大学环境科学与工程系

本公众号由复旦城市生态与暴露生态学研究组(Urban Ecology and Exposure Ecology Lab, UEEE)运营维护，发布相关研究成果，更传播城市生态与暴露生态学最新研究与实践。欢迎专家学者将研究成果在此发布（发送邮件:zhaowu_yu@fudan.edu.cn），让更多人了解您的研究及工作。