利用可解释深度学习(Explainable Deep Learning)解码街区尺度季节性城市热动态以支持气候适应性、数字孪生(Digital Twin)就绪的绿地规划
《Science of The Total Environment》:Decoding seasonal urban heat dynamics at neighborhood-scale using explainable deep learning for climate-resilient, digital twin-ready green planning
编辑推荐:
摘要:理解城市地表温度(Land Surface Temperature, LST)的时空动态对于在热胁迫加剧和快速土地利用变化背景下制定气候适应性绿地规划至关重要。本研究以意大利密集城市化且形态多样的城市——博洛尼亚(Bologna)为对象,在微观分析分辨率
摘要:理解城市地表温度(Land Surface Temperature, LST)的时空动态对于在热胁迫加剧和快速土地利用变化背景下制定气候适应性绿地规划至关重要。本研究以意大利密集城市化且形态多样的城市——博洛尼亚(Bologna)为对象,在微观分析分辨率(200×200 m)下调查季节性热行为。卫星反演的LST经统计降尺度至10 m分辨率后聚合至200 m网格,并与城市形态及社会经济变量(包括建筑表面比例、树木覆盖度、人口密度、土地利用类别及聚落形态分区(Morphological Settlement Zones, MSZ))进行整合。研究人员采用双重方法:(1)无监督k-means聚类按季节识别热特征簇,揭示树木主导区持续偏凉、致密城市核持续偏热的稳定空间格局;(2)基于卷积神经网络(Convolutional Neural Network, CNN)的可解释深度学习模型,结合置换特征重要性(Permutation-based Feature Importance)量化变量贡献,并与支持向量机(Support Vector Machine, SVM)、随机森林(Random Forest, RF)及XGBoost模型进行基准比较,模型性能差异采用配对统计检验并在公认显著性水平下评估。CNN表现出有竞争力的性能,有效捕捉数据中的非线性关系,并结合后续分析提供特征相关性洞察。建筑表面(Built Surface)是所有季节中最具影响力的驱动因子(贡献>37%),而树木覆盖度(7%–11%)和人口密度(5%–35%)呈现显著的季节性变异,反映植被活性和能源需求的季节变化。该集成化、可解释的建模框架为构建街区尺度城市气候数字孪生(Digital Twin)奠定基础,能够将多源数据关联以模拟和解释年内地表热动态。研究结果为自适应、精细尺度的热减缓及气候韧性城市绿地规划提供关键依据。
论文解读——《Decoding seasonal urban heat dynamics at neighborhood-scale using explainable deep learning for climate-resilient, digital twin-ready green planning》
该论文发表于《Science of The Total Environment》,研究对象为意大利艾米利亚-罗马涅大区博洛尼亚市(Bologna)。既有研究普遍认为城市化改变城市物理和热特征,不透水面替代自然地表加剧城市热岛(Urban Heat Island, UHI)效应,且地表温度(Land Surface Temperature, LST)受温度、城市形态与植被覆盖交互作用影响显著。然而传统统计方法难以刻画这些关系的非线性特征,大多数现有模型可解释性不足,限制其在城市规划工作流中的直接应用;此外,Landsat反演的LST原生空间分辨率为30 m,模糊了微观尺度的热信号,且已有研究较少从多季节视角系统探讨LST驱动因子的季节性变异及其在城市环境中的差异化影响。因此,研究人员开展了此项研究,旨在街区(neighborhood-scale)尺度上通过无监督聚类与可解释深度学习(Explainable AI, XAI)相结合的方式,解析博洛尼亚市季节性地表热动态的时空分异规律及各驱动因子的季节性贡献,为气候韧性城市绿地规划和未来城市气候数字孪生(Urban Climate Digital Twin)构建方法论基础。研究结论表明:建筑表面比例全年为LST最主要的正向驱动因子(>37%),树木覆盖度和人口密度的影响呈显著季节性波动;k-means聚类识别出四类热力学—环境特征簇且具季节稳定性与过渡性;所提出的CNN+Transformer模型在捕捉多预测变量非线性交互方面优于传统机器学习方法。该研究的意义在于提供了微观尺度、多季节、可解释的LST驱动因子量化框架,可直接支撑分季节、分片区的城市热减缓策略制定,并为数字孪生兼容的分析组件奠定概念基础。
主要关键技术方法:
研究人员选取博洛尼亚市为研究区,建立200×200 m规则格网分析框架。Landsat 8 Collection 2 Level-2产品反演2021年四季LST(原始30 m),以归一化植被指数(Normalized Difference Vegetation Index, NDVI)、归一化建筑指数(Normalized Difference Built-up Index, NDBI)和归一化水体指数(Normalized Difference Water Index, NDWI)为辅助变量,采用梯度树提升(Gradient Tree Boost, GTB)回归将LST降尺度至10 m后聚合至格网。预测变量包括:哥白尼土地监测服务(Copernicus Land Monitoring Services, CLMS)提供的10 m分辨率树木覆盖度(ESA WorldCover 2020)、全球人类聚居层(Global Human Settlement Layer, GHSL)的10 m建筑表面比例(2018)和100 m人口密度(2020)、欧盟Urban Atlas 2018土地利用类别及GHSL形态聚落分区(Morphological Settlement Zone, MSZ)。连续变量标准化,分类变量序数编码后MinMax归一化。首先对四季格网内LST与建面、树冠、人口密度做z-score标准化后进行PCA降维,依肘部法则和轮廓系数确定k=4的k-means无监督聚类分别按季划分热环境类型,并以调整兰德指数(Adjusted Rand Index, ARI)评估纳入LST与否对聚类结果的影响。随后分别以支持向量机(SVM)、随机森林(RF)、XGBoost、一维卷积神经网络(1D-CNN)及研究者自建的CNN拼接Transformer(含多头注意力机制)回归模型预测格网季节中位LST,数据集按9:1划分训练测试集,以决定系数(R2)、均方根误差(Root Mean Square Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)评价性能,并采用置换特征重要性量化各预测变量对LST的季节性相对贡献。
研究结果
3.1 超分辨率地表温度(Super-resolved Land Surface Temperature, LST):
GTB降尺度模型校验显示预测LST与原Landsat LST呈显著正相关(R=0.73,R2=0.53,p<0.05),平均偏差?0.38 ℃,四季平均误差介于0.32–1.41 ℃。降尺度后LST图较30 m原图呈现明显更精细的热纹理,可满足街区尺度分析需求,但需注意验证非完全独立,存在由同源Landsat引入的不确定性。
3.2 城市变量分布(Urban variables distribution):
Urban Atlas显示连续城市建成区、工业/商业区集中于市中心,农用地集中于外围。MSZ主导类别为6–15 m住宅建成区(Class 13)及高植被开放空间(Class 3)。树木覆盖度格网内多介于0%–20%,市中心及工业区极低,绿廊及住区局部较高。建筑表面比例市中心高、外围低,格网内多介于0%–20%(因含道路院落等透水组分)。人口密度呈中心高、外围低梯度,Cramér's V=0.35表明Urban Atlas与MSZ中度关联而非共线,各预测变量方差膨胀因子(Variance Inflation Factor, VIF)<10,模型稳定性可接受。
3.3 城市地表特征跨季节k-means聚类(K-means clustering of urban surface characteristics across seasons):
四季k-means各分出4簇(Cluster 0:低建面农业/工业混合外围;Cluster 1:建面/树冠中等混合过渡区;Cluster 2:高树冠低建面绿地/林地;Cluster 3:高建面高人口高密度城市核),含LST与不含LST的聚类方案ARI为春0.574、夏0.738、秋0.705、冬0.760,说明LST主要起细化边界作用,基本形态聚类结构稳定。Cluster 3(热岛核)空间位置四季稳定居中,Cluster 2(冷岛)稳定分布于绿带/外围,Cluster 0与1随季节发生较多网格重分配(桑基图显示春→夏大量Cluster 1转入Cluster 2,反映植被生长引起的热特征变化)。
3.3.1 城市簇的跨季节时空动态(Spatiotemporal dynamics of urban clusters across seasons):
同上,强调Cluster 2与3热力身份全年固定,Cluster 0与1流动性强,春季热态对聚类划分影响相对最大。
3.3.2 簇特征跨季节统计比较(Statistical comparison of cluster characteristics across seasons):
四季箱线图与堆叠柱状图显示:Cluster 3始终具最高季节LST、最高建面比与人口密度;Cluster 2最低LST、最高树冠、最低建面与人口;Cluster 0以农用地为主、中等LST、低树冠;Cluster 1为混合功能中间态。LST簇间差值春夏大、秋冬小,土地覆被与形态类别组成跨季基本不变。
3.4 城市变量对LST季节性影响的比较分析(Comparative analysis of seasonal variable influence on LST):
CNN+Transformer模型R2=0.57、RMSE=0.10、MAE=0.08,与XGBoost相当或更优(RMSE及MAE更低),且能均衡分配特征重要性而非过度集中于单一变量。置换重要性结果表明:建面比例全年最重要(春38.8%、夏37.7%、秋39.7%、冬41.4%);人口密度贡献春最小(5.5%)、夏升至19.6%、秋15.6%、冬达峰值35.0%;Urban Atlas用地类别春(8.2%)、冬(8.6%)低,夏(18.5%)、秋(20.3%)高;树冠覆盖春(9.6%)、夏(11.5%)较明显,秋略降(11.2%),冬最低(6.8%);MSZ春贡献高达37.9%(与建面相当),夏(12.7%)、秋(13.1%)、冬(8.1%)降低,说明建成形态分区在过渡季对地表热差异解释力更强。
讨论与结论总结(翻译结论部分):
总体而言,本研究通过对博洛尼亚市街区尺度季节性地表热动态的微观和季节明确表征,推进了对城市热行为的科学认识。基于融合卫星反演LST、城市形态及社会经济要素的格网框架开展微尺度分析,兼顾空间与季节动态,结果为制定地理靶向性热减缓策略提供基础,可支撑可持续城市规划与气候韧性建设。无监督聚类与基于深度学习的可解释性分析共同揭示了LST中稳定的空间格局与显著的季节转换,印证了建成形态、植被和人类活动的联合影响。聚类结果识别出四类热力学和环境特征明确且主题一致但空间随季节偏移的景观类别;致密建成区持续表现热凸显、树木覆盖区具持续降温作用,再次确认地表特征对城市热暴露的关键塑造作用。观测到的季节转换进一步证明热环境具时间动态性,强调规划响应须适应年内变化。深度学习模型性能优于传统回归器,并能季节量化变量贡献——确认建面比例为主导驱动因子,植被、土地利用类型和人口密度的角色存在有意义的季节波动,提示减缓策略须具季节针对性而非全年划一。尽管存在遥感数据源局限(无法完全捕捉冠层结构、灌溉植被或屋顶绿化,社会经济仅以人口密度简化,预测因子与LST年份存在轻微时差,降尺度LST以同源Landsat校验而非独立地面测量),本框架代表数字孪生兼容的分析组件,待耦合动态数据同化与实时更新机制后可贡献于城市数字孪生架构发展。