基于机器学习和局地气候区探索中国4个城市地表热岛强度影响因子特征及缓解对策

来源：环境科学杂志2025年第1期北京时间：

作者：王伟武,汪思远,陈欢,何杰,毛璐颖

单位：浙江大学建筑工程学院, 杭州 310058,浙江大学建筑工程学院, 杭州 310058,浙江大学建筑工程学院, 杭州 310058,浙江大学建筑工程学院, 杭州 310058,浙江大学建筑工程学院, 杭州 310058

摘要：随着全球城市化的加速，城市热岛（UHI）效应愈发显著，对极端高温事件期间的城市人口健康构成了严重威胁. 但受制于城乡二分法的局限性，多城市UHI效应的比较研究存在较大的不确定性，亟须深入分析其影响因素特征并探索热缓解策略. 基于主流的局地气候区（LCZ）识别指标体系，增加了容积率、街谷高宽比和夜间灯光指数这3个指标并利用多源数据生成了中国杭州、南京、合肥和上海这4个城市的高精度LCZ地图. 采用基于LCZ量化UHI强度的热分布指数（TDI）和多种机器学习算法测度中国4个城市夏冬两季的地表热岛强度（SUHII），揭示和量化了4个城市热环境的主要影响因素差异并提出热缓解对策. 结果表明，这4个城市LCZ分类结果的平均总体精度超过80%. 夏季杭州的SUHII最高（TDI=1.37），冬季南京的SUHII最高（TDI=1.12）， LCZ1~LCZ6在夏季4个城市中通常表现为降温作用，而LCZ8和LCZ10具有最显著的加热效应. 同时，机器学习算法XGBoost和AdaBoost在4个城市的SUHII和11个影响因素拟合过程中表现最佳. 此外，透水面比率（PSF）、归一化植被指数（NDVI）和归一化水体指数（MNDWI）是影响SUHII最为突出的因子，但在不同城市中具有不同的冷却性能. 以上发现不仅能为缓解中国城市热岛效应提供科学支撑，更有利于构建更具韧性的城市，以便更好地应对气候变化的挑战.

关键词：局地气候区（LCZ）,城市热岛（UHI）,地表热岛强度（SUHII）,机器学习,影响因素,