换一批基于XGBoost-SHAP可解释机器学习模型的城市形态与地表温度的关系
Relationship between urban form and surface temperature based on XGBoost SHAP interpretable machine learning model
摘要随着全球大城市中高层建筑的增多,探讨城市二维(2D)和三维(3D)形态对地表温度(LST)的影响,已成为缓解城市热环境和优化城市规划的关键.本研究以长沙市三环以内地区为例,基于2020年多源遥感数据提取了 13项城市2D/3D特征因子,通过Pearson相关性分析探讨LST与各特征因子的线性关系,并引入XGBoost模型和SHAP方法揭示其非线性影响和贡献.结果表明:2020年,高温区域主要分布在长沙市中心的建筑密集区,低温区域主要分布在长沙市西部和东北部的森林公园以及湘江沿岸.归一化建筑指数(NDBI)、夜间灯光(NTL)和建设用地比例(PCL)与LST呈显著正相关关系,相关系数分别为0.592、0.537和0.446,表明城市化进程加剧了地表升温;归一化植被指数(NDVI)、天空视角系数(SVF)与LST呈显著负相关关系,相关系数分别为-0.316和-0.200,体现了绿地和开阔空间对缓解城市热岛的重要作用.NDBI、NTL、NDVI和高程(DEM)对LST的影响最大,总贡献度达60.9％;这些2D/3D形态特征因子对LST的影响呈现复杂的非线性特征,其中,NDBI在0～0.2时,对LST提升最显著;NTL超过40后的增温效应趋于饱和;NDVI超过0.5时,降温效果显著增强;DEM在50～150 m对LST的降温效果最突出.本研究验证了 XG-Boost-SHAP 模型揭示城市2D/3D特征因子对LST的非线性影响机制的有效性,并可为城市热环境治理与缓解,以及绿色、低碳、宜居的新型城镇化建设提供科学依据.
更多相关知识
关键词
城市2D/3D形态热岛效应可解释机器学习XGBoost-SHAP模型urban 2D/3D formurban heat island effectexplainable machine learningXGBoost-SHAP model
栏目名称
DOI
10.13287/j.1001-9332.202503.025
发布时间
2025-05-06（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览21
- 被引5
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
