《Applied Geography》：A novel GCN-based framework for uncovering diurnal patterns and drivers of the surface urban heat island (SUHI) in hyper-dense cities
编辑推荐：
在全球气候变化加速与快速城市化的背景下，地表城市热岛(Surface Urban Heat Island, SUHI)效应已成为超高密度城市(Ultra-dense Cities)热应激的重要诱因。然而，由于城市要素间存在显著的空间依赖性与非线性交互作用，准确
在全球气候变化加速与快速城市化的背景下，地表城市热岛(Surface Urban Heat Island, SUHI)效应已成为超高密度城市(Ultra-dense Cities)热应激的重要诱因。然而，由于城市要素间存在显著的空间依赖性与非线性交互作用，准确模拟SUHI仍具挑战。为此，研究人员提出一种基于图卷积网络(Graph Convolutional Network, GCN)的新框架，将SUHI数据集与城市建成(Built Urban Features, BUFs)及自然(Natural Urban Features, NUFs)特征相融合，对香港昼、夜SUHI进行预测。结果表明，GCN优于传统基线模型，日间测试R2达0.9173、夜间达0.8789。采用积分梯度(Integrated Gradients, IGs)的可解释性分析显示：归一化植被指数(Normalized Difference Vegetation Index, NDVI)主导日间降温（平均绝对IG为0.0987），而建筑密度(0.0331)与海岸邻近度(0.0217)在夜间影响更显著；上述效应在各行政区存在明显空间分异——密集城市核心区植被因观赏性种植形式及周边不透水面使其降温潜力受限，建成要素的影响则高度依赖局地形态学特征。此外，Friedman's H2交互作用分析表明：日间植被与密集建筑簇共存时降温效应最强(H2= 0.10)，夜间海岸邻近度可增强植被的降温作用(H2= 0.09)。综上，本研究强调了SUHI的时空异质性，指出需制定因地制宜的缓解策略，推进了可空间解释的人工智能应用于超高密度城市气候适应性的自适应规划。
论文解读：《Applied Geography》—基于GCN框架揭示超高密度城市SUHI昼夜模式及驱动因子
在全球气候变暖与快速城市化双重驱动下，地表城市热岛(Surface Urban Heat Island, SUHI)对超高密度城市的公共健康、能耗及热舒适度构成严峻威胁。现有SUHI模拟研究存在三方面不足：一是忽略空间依赖性，将各空间单元视为独立个体，掩盖了跨单元的热溢出效应并导致残差存在空间自相关；二是未充分刻画城市自然要素(Natural Urban Features, NUFs，如植被、水体、坡度)与建成要素(Built Urban Features, BUFs，如建筑密度、高度、路网、POI密度、土地利用混合度)间的非线性高阶交互作用；三是复杂机器学习模型缺乏可解释性，难以将预测归因至具体城市规划操作变量。传统地理加权回归(GWR)、多尺度GWR(MGWR)虽能捕捉局部差异但难处理非线性交互，微气候数值模拟(ENVI-met、WRF-BEP/BEM)计算成本高无法全市域推广，城市尺度模型(UrbClim)分辨率粗丢失街谷异质性。针对以上缺口，研究人员以香港——典型超高密度滨海山地城市为实证区，构建融入图结构学习的可解释图卷积网络(Graph Convolutional Network, GCN)框架，结合积分梯度(Integrated Gradients, IGs)与Friedman's H2统计量，定量解析昼/夜SUHI驱动因子及其空间非平稳性与两两交互效应，为分区分类的热缓解策略提供数据驱动依据。
主要关键技术方法：
研究人员以香港2018年MODIS衍生的300 m分辨率昼/夜SUHI栅格为因变量，以香港2021年人口普查大分区组(Large Subunit Groups, LSGs)为空间单元，筛选出987个重叠度≥80%的有效单元。自变量含6项NUFs（NDVI源自Sentinel-2；河渠覆盖率、公园覆盖率、距岸线距离取自OpenStreetMap；景观形状指数LSI、坡度源自香港政府DEM）与5项BUFs（建筑密度、平均高度、空间紧凑比取自Esri香港平台；道路密度、POI密度、距地铁站距离取自OpenStreetMap；土地利用混合度LUM基于香农熵由30类土地利用数据计算），各特征做z-score标准化。将LSGs按K最近邻(K-Nearest Neighbor, KNN)构建无向空间图（日间K=6，夜间K=4经敏感性测试选定），加入自环并对称归一化得到图传播矩阵。搭建三层GCN进行节点级回归，损失函数为均方误差(Mean Squared Error, MSE)、优化器为Adam(学习率0.01)、Dropout=0.5并以验证集早停，按7∶3划分训练—测试集分别拟合昼/夜模型。基准对照为随机森林(Random Forest, RF)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)和多层感知机(Multilayer Perceptron, MLP)。采用积分梯度(IGs)计算各特征全局平均绝对积分梯度(Mean Absolute Integrated Gradient, MAIG)及节点级归因值以识别驱动因子时空异质性与局地符号反转；采用Friedman's H2统计量量化特征对的非加性交互强度并结合二维偏依赖图(Partial Dependence Plot, PDP)判别协同/拮抗关系；用Global Moran's I检验测试集残差空间自相关性。
研究结果
4.1. Comparing the GCN with traditional models in SUHI prediction（GCN与传统模型SUHI预测性能比较）
三层GCN（KNN邻接，日间K=6/夜间K=4）取得日间测试R2=0.9173、夜间R2=0.8789，MSE、RMSE、MAE均为最低；RF与XGBoost训练R2>0.90但测试R2仅约0.47（昼）与0.40（夜），严重过拟合；MLP表现最差（测试R2昼0.4424/夜0.3451）。GCN测试残差Global Moran's I日间0.1995（不显著）、夜间0.2812（p<0.05），显著低于基线模型（均>0.49且p<0.001），表明GCN有效吸收了空间依赖信息、残差无明显空间聚类，证实图结构学习提升预测精度与泛化能力。
4.2. SUHI drivers: natural and built urban factors（SUHI驱动因子：自然与建成城市要素）
全局IG归因显示：日间NDVI居首（MAIG=0.0987），其次为建筑密度、建筑高度、土地利用混合度LUM、道路密度、公园覆盖率等，说明白天主要靠植被遮荫与蒸散降温，高层建筑自遮荫亦有贡献；夜间建筑密度略超NDVI（MAIG分别为0.0331与0.0330），距岸线距离与景观形状指数LSI重要性上升，反映夜间热储与海风通风作用凸显，道路密度与建筑高度贡献下降。
4.3. Spatial variations of SUHI drivers across subunits（SUHI驱动因子在空间单元上的变异）
节点级IG揭示显著空间异质性：①NDVI在一般区域呈负关联（降温），但在深水埗、油尖旺、中环、湾仔等密市区呈正关联——观赏性低冠灌乔木+周边高热容不透水面削弱蒸散甚至阻通风；②景观形状指数LSI在沿海九龙及港岛为负关联（边缘促海风与蒸散），在新界内陆（屯门、元朗、石岗）日间正关联（破碎化削弱蒸散增短波吸收）、夜间负关联（粗糙面与多样边缘助散热）；③距岸线距离在核心滨水区（中环、尖沙咀、铜锣湾）呈正关联——高层阻挡海风且填海不透水滨水蓄热抵消海洋调节；④建筑密度整体正关联（阻通风增储热），但在旺角、深水埗、将军澳呈负关联——建筑互遮减少直射及竖向风道促夜间散热；⑤LUM在旺角、观塘、葵涌正关联（高强度人为热），在铜锣湾、中环、元朗、石岗负关联（均衡用地伴更多绿地或通风布局）；⑥道路密度多数城区正关联（不透水面吸热），郊区（屯门、将军澳、元朗）夜间逆转为负（交通少且街道峡谷助湍流换热）。
4.4. Interaction effects among key drivers of SUHI（SUHI关键驱动因子间交互效应）
Friedman's H2及二维PDP表明：日间NDVI×建筑高度交互最强(H2=0.10, p<0.01)，二者协同降低SUHI——高植被与高楼共位时遮荫+蒸降效应放大；NDVI×建筑密度亦呈协同降温；LUM×NDVI(H2=0.07, p<0.05)为拮抗——高功能混合度致人为热与绿地破碎削弱植被冷却。夜间最强交互为NDVI×距岸线距离(H2=0.09, p<0.001)（轻微拮抗：植被降温效随入内陆减弱，近岸植被与海风协同增效），NDVI×建筑密度仍呈协同降温。
讨论与结论总结（翻译浓缩）：
研究表明GCN通过图结构嵌入空间邻接关系可有效捕获SUHI的空间溢出与跨邻域交互，克服传统模型忽略空间依赖与非线性交互之局限；结合IGs与Friedman's H2使"黑箱"深度学习具备要素贡献归因与交互量化能力，揭示NUFs与BUFs对SUHI影响存在昼夜分异——日间以NDVI主导蒸散遮荫降温、夜间建筑密度与海岸邻近度主导热储与通风调控，且各因子效应具明显空间非平稳性与符号反转。植被在高密度建成簇中与建筑高度/密度具协同降温，但受高土地利用混合度削弱；近岸植被在夜间获海风增益。研究强调超高密度城市SUHI缓解需昼夜差异化与分区定制：日间宜连片树冠而非点缀装饰绿化、保护绿廊连通性；夜间须保障风廊、优化街谷高宽比、建海岸—内陆绿色风廊以放大植被与海风协同。旧城区推功能性口袋公园与立体蒸发降温；滨水核心区保留顺海风向绿廊、打断连续裙楼、改造透水高反射滨水铺装；新市镇加强路边遮荫与透水铺装、夜间交通管控与开敞风道维护。本GCN框架具空间显式与可解释性，亦可拓展至土地利用变化、绿基设施配置等城市环境议题。局限含SUHI数据为2018年、MODIS分辨率较粗、LST proxy与人体感热有差异及单案例验证，未来拟用更高时—空分辨率热红外/ECOSTRESS及冠层气温指标、多城市对比以提升普适性。
