解码美国不同气候区城市形态、植被覆盖与地表温度之间的非线性相互作用

《Sustainable Cities and Society》：Decoding Climate-Zone-Specific Nonlinear Interactions Between Urban Morphology, Vegetated Coverage, and Land Surface Temperature for the United States

城市热岛效应的形态学缓解策略研究利用LightGBM和SHAP框架分析美国三大气候区2,690个县的数据，发现平均建筑高度（ABH）与地表温度（LST）呈正相关，而植被覆盖指数（EVI）的冷却效应存在气候阈值，干旱区EVI＞0.52时效果显著减弱，温带区EVI＞0.65时边际效益递减。空间偏导分析表明低EVI区域植被增量最有效缓解高温。建筑密度（BA）的升温效应在超密集区（BD＞3.5）最为突出。研究证实气候适应性规划需平衡建筑强度与生态效益。

　　

郭聪|孙新源|万文清|乔仁路|吴志强

北京工业大学建筑与城市规划学院，中国北京

摘要

城市热岛（UHI）效应对城市可持续性和公共健康构成了严峻挑战，因此需要寻找基于形态的有效缓解策略。虽然已知城市形态和植被覆盖率能够调节地表温度（LST），但很少有研究在多种气候区域范围内全面分析它们之间的非线性相互作用。为了解决这一空白，我们提出了一个可解释的机器学习框架，该框架在处理城市复杂性方面优于传统的回归方法。本研究量化了城市形态（2D/3D建筑形态指标）和植被覆盖率（通过增强植被指数（EVI）量化）对美国本土LST的影响。结果表明，尽管平均建筑高度（ABH）与LST呈正相关，但植被覆盖率通常具有降温效果。关键的是，这些影响存在明显的气候阈值：在干旱地区，有效的降温效果限于EVI范围为0–0.52；而在冷温带地区，其边际效用逐渐减弱，在EVI为0.65时达到峰值。空间偏导数分析进一步表明，在低EVI区域增加植被可以最快地降低LST，尤其是在暖温带地区。相比之下，建筑面积（BA）的升温影响在已经高密度的地区最为显著。这些发现突显了统一策略的局限性，并强调了制定气候敏感型规划的必要性，以平衡发展强度与生态可持续性。

引言

城市热岛（UHI）效应——由城市化和自然景观被吸热表面取代所驱动（Cartwright, 2024; Raj et al., 2025; Y. Zhang et al., 2025）——已成为城市地区的一个关键环境挑战，加剧了人类健康、能源消耗和空气污染的风险，从而威胁到城市可持续性（Cartwright, 2024; Cheval et al., 2024; Guo et al., 2025; Lin et al., 2025; Liu et al., 2025; P. Zhang et al., 2025）。人口快速增长、经济发展和城市密集化进一步加剧了人为热排放（Ochi & Saidi, 2024; Chuan Wang et al., 2024）。这些趋势，加上热浪（HWs）频率和强度的上升，凸显了在研究和政策制定中解决UHI影响的紧迫性（Dezs? et al., 2024; Cui et al., 2023; Kong et al., 2023; Chen et al., 2023）。特别是，UHI的加剧提高了城市人口在长时间和严重热浪中的热应激脆弱性（Santamouris et al., 2015; Cao et al., 2016; Ho et al., 2023; Chen et al., 2024）。最近的研究强调了基于城市形态的缓解策略，突出了城市化和植被在调节UHI方面的不同作用。例如，地表温度（LST）与归一化差异建筑指数（NDBI）之间的正相关反映了城市化对UHI的贡献，而LST与归一化差异植被指数（NDVI）之间的负相关则证实了植被的降温潜力（Kimothi et al., 2023; Shen et al., 2024; Yang et al., 2025）。目前关于UHI效应的研究大致分为大气研究和基于表面的研究（Wang et al., 2017; Tang et al., 2024）。鉴于LST提供了对全面城市气候分析至关重要的空间连续和高分辨率数据，本研究采用LST作为量化UHI效应的指标（Berger et al., 2017; Taloor et al., 2024）。

在研究城市形态指标（UMIs）与LST之间的关系方面已经取得了显著进展，涵盖了微观、中观和宏观三个不同的尺度（Yelixiati et al., 2024）。例如，Kim和Brown（2021a）进行了一项系统文献综述，发现像街道宽度与高度比和天空视野因子（SVF）这样的城市形态指标通过改善通风和限制太阳辐射显著降低了UHI强度。在中观尺度上，利用局部气候区（LCZ）的研究表明，植被和水体以及关键指标如建筑面积比（FAR）和平均建筑高度（ABH）显著缓解了UHI效应（He et al., 2019; Yang et al., 2021; M. Zhou et al., 2024）。然而，在宏观尺度上，关注点转向了整体城市结构和开发模式。Qiao等人（2024）发现，虽然绿蓝空间增强了城市的热韧性，但密集的城市形态往往抑制了这种韧性，其效果在干旱区和热带区之间存在显著差异。为了填补宏观尺度分析的研究空白，本研究专门关注这一层次的城市形态。

城市形态的空间变化通过表面属性、建筑几何形状和植被分布的差异产生了不同的微气候——这些因素共同改变了能量平衡和热调节（M. Zhou et al., 2024）。关于2D和3D城市形态指标（UMIs）（如建筑面积（BA）、建筑密度（BD）、ABH和FAR）与植被覆盖率对LST的影响的讨论仍然存在争议。例如，Yi等人（2025）强调了评估“植被覆盖率”和“城市形态”的不同影响以准确捕捉热暴露风险的必要性。Yin等人（2018）和J. Yang等人（2018）指出，3D形态（如BD、ABH、FAR）通过太阳辐射遮荫和空气循环显著调节LST，尤其是在高密度区域。相反，Xu和Rui（2024）发现，较高的BD破坏了植被覆盖率和LST之间的协调，加剧了UHI效应。显然，要全面理解LST的驱动因素，需要进一步探索2D和3D环境的综合效应。气候异质性显著影响了城市形态与UHI效应之间的关系，需要进行特定情境的分析。先前的研究表明，城市形态结构在不同气候区域表现出显著的热差异（Hong et al., 2024; Yi et al., 2025）。然而，现有研究主要集中在个别城市或特定区域，缺乏涵盖多种气候条件的综合数据，从而限制了对动态UHI变化的彻底分析（Su et al., 2021; Wu et al., 2025a）。为了填补这一空白，我们的研究选择了美国本土的三个不同气候区域，在县级层面提取数据，以阐明城市内部LST的驱动机制，同时考虑气候异质性。

基于城市形态的UHI缓解策略已经得到了广泛研究，涵盖了多尺度的LST分析和LST与自然-社会经济因素之间的线性/非线性相互作用（He et al., 2023）。由于不同表面类型的辐射、热和湿度特性不同，土地覆盖组成对热环境有重要影响（Du et al., 2016）。尽管线性回归，特别是普通最小二乘法（OLS），仍然是UHI研究中广泛使用的工具（Yin et al., 2018; P. Luo et al., 2023），但在捕捉UMI-LST动态中的非线性关系和复杂空间依赖性方面存在挑战。此外，线性回归模型容易过拟合，对异常值敏感，且常常难以处理城市热环境中的非线性（Liu et al., 2025）。先进的空间回归技术，如地理加权回归（GWR），解决了空间非平稳性问题，并常用于LST研究（Kim & Brown, 2021b）。虽然地理加权回归（GWR）通过解决空间非平稳性问题改进了全局模型，但其假设了局部线性且计算需求较高（Comber, 2018; Kim & Brown, 2021b）。为了克服这些限制，越来越多地采用机器学习（ML）技术——如随机森林（RF）、梯度提升决策树（GBDT）、支持向量机（SVM）和XGBoost——来模拟复杂的非线性UMI-LST关系（Equere et al., 2020; Ganjirad et al., 2025）。最近，生成模型如生成对抗网络（GANs）也为主动缓解策略带来了希望（Zhou et al., 2025）。在这方面，LightGBM因其计算效率和可扩展性而脱颖而出。当与SHapley加性解释（SHAP）结合使用时，它为解释不同尺度上UHI效应的复杂非线性驱动因素提供了强大的框架。

首先，以往的研究往往通过主要关注二维指标来简化城市形态，实际上将复杂的3D结构投影到水平平面上（H. Li et al., 2021）。尽管Yin等人（2018）和Luo等人（2023）的研究确定了BD、ABH和FAR等关键3D因素作为通过太阳遮荫和空气循环调节LST的关键因素，但这些多维相互作用在更广泛的背景下仍被探索不足。其次，方法论上的限制仍然存在。正如J. Yang等人（2018）所指出的，城市环境的空间异质性使得传统的线性模型（如OLS、SEM）不足以捕捉复杂的非线性相互作用。这需要采用先进的方法，如机器学习技术，这些技术更适合量化这些复杂动态（Peng et al., 2021）。最后，当前研究的范围通常局限于个别城市或特定区域。这种缺乏全面的多区域数据限制了对气候异质性和空间形态如何相互作用以驱动不同尺度上UHI效应动态变化的理解（Su et al., 2021; Wu et al., 2025a）。

在这种背景下，采用了一种集成机器学习框架来模拟UHI模式。此外，还利用SHAP算法来阐明各种2D和3D UMIs的非线性影响和阈值效应。本研究旨在提供对调节UHI效应因素的全面理解，从而为可持续城市规划提供信息。

研究区域和数据来源

美国从大西洋海岸到太平洋海岸大约延伸4,500公里，纬度范围从24°33′N到49°23′N，经度范围从66°57′W到124°44′W。本研究关注的是大陆上的2,690个县，这些县以北纬49度线（加拿大边界）和里奥格兰德河（与墨西哥的边界）为界，如图1所示。这些县具有支持多种热制度的纬度和地形梯度。

LST、EVI和UMIs的空间分布

利用2015年至2019年的遥感数据，我们绘制了LST、EVI和UMIs的空间分布图。这项分析揭示了东北部和西南部地区之间LST的显著空间异质性（见图3），其特征是干旱的西南盆地极端热积累，而东北部冷温带地区则具有较凉爽的热制度。干旱地区的LST值最高，平均为27.80°C，亚利桑那州的尤马县观察到了极端温度。

讨论

先前的研究充分表明，城市热环境受到自然景观和建筑结构之间复杂相互作用的影响，这些因素通过改变表面结构和风模式显著影响LST（X. Liu et al., 2024）。然而，将这些不同的驱动因素混为一谈可能会掩盖它们的具体作用，因此系统地研究它们的非线性机制至关重要（Shi & Zhang, 2022）。因此，本研究采用了一个双驱动框架来

结论

本研究使用LightGBM和SHAP框架系统地研究了美国各气候区域中EVI、UMIs和LST之间的复杂关系，揭示了非线性相互作用和区域异质性。关键发现强调了气候背景在调节城市化热影响中的关键作用。EVI与LST始终呈负相关，表明植被通过蒸散作用和遮荫具有缓解UHI的能力，尤其是在暖温带地区。

资助声明

本研究未获得公共部门、商业部门或非营利部门的任何特定资助。

未引用的参考文献

Liu, Wang and Bai, 2024, Luo et al., 2024, Mallick and Alqadhi, 2025, Yu et al., 2024, Zhao, Li and Wang, 2024, Zhong, 2025, Zhou et al., 2024

CRediT作者贡献声明

郭聪：写作——审阅与编辑，撰写——初稿，概念化。孙新源：写作——审阅与编辑，调查，正式分析，数据管理。万文清：写作——审阅与编辑，调查。乔仁路：写作——审阅与编辑，方法论，概念化。吴志强：写作——审阅与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

无。