超越地表温度：基于可解释空间机器学习揭示城市形态对人体中心热应激的影响
机器学习
2026-04-27 v1
摘要
热暴露连接建成环境与公共健康，直接塑造城市地点的可达性与可持续性。理解热暴露的空间异质性及其驱动因素对于气候适应性城市规划至关重要。然而，大多数以规划为导向的研究依赖于地表温度 (Land Surface Temperature, LST)，是否充分反映人类热暴露以及其如何不同于生理学相关的热应激仍不充分考察。本研究在新加坡采用从 Landsat 获取的 30m 分辨率的 LST 和 GPU 加速的 1m 分辨率的普遍热气候指数 (Universal Thermal Climate Index, UTCI)，构建了综合的 "建模-比较-评估" 框架，系统评估这两种指标之间的空间与机制性差异。进一步利用新颖的地理加权 XGBoost (GW-XGBoost) 和广义可加模型 (GAM) 工作流程，探讨这两种指标与城市因素之间的显著非平稳和阈值定量关系。我们的结果显示，LST 和 UTCI 的空间模式存在显著差异，以及 2D 和 3D 城市因素对这两种热指标产生显著的空间异质性影响，这一点由可解释的 GW-XGBoost 模型揭示 (LST 的全局 out-of-bag R2 为 0.855，UTCI 的全局 out-of-bag R2 为 0.905)。关键在于，空间显式的 SHAP 解释表明，天空视因子 (sky view factor) 在解释 UTCI 变异方面起核心作用，但对 LST 的独立贡献相对较小，表明 LST 不足以捕捉支撑实际人类热应激的阴影驱动和辐射过程。值得注意的是，SHAP-GAM 分析表明，更高的散射系数 (albedo) 与更高的 UTCI 相关联。这一新发现为将生理学相关的热指数整合到以针对性热风险管理和气候适应性城市规划中提供了证据。
引用
@article{arxiv.2604.22433,
title = {Beyond Land Surface Temperature: Explainable Spatial Machine Learning Reveals Urban Morphology Effects on Human-Centric Heat Stress},
author = {Yuan Wang and Shengao Yi and Xiaojiang Li and Pengyuan Liu and Zhiwei Yang and Ronita Bardhan and Rudi Stouffs},
journal= {arXiv preprint arXiv:2604.22433},
year = {2026}
}