基于隨機(jī)森林算法的城市形態(tài)對(duì)熱環(huán)境影響作用研究

張立君 李津莉 王琦 楊艷 王海濤 周慶

摘 要：近年來(lái)，已有研究表明城市形態(tài)對(duì)熱環(huán)境的影響作用較為顯著，但從城市空間結(jié)構(gòu)角度進(jìn)行討論的研究較少。為評(píng)估城市形態(tài)特征對(duì)地表溫度的相對(duì)重要性和相互影響作用，以廣州中心地區(qū)為研究范圍，劃分為500 m及1000 m邊長(zhǎng)網(wǎng)格基本單元，采用隨機(jī)森林回歸模型在不同的網(wǎng)格尺度上對(duì)10種影響因子進(jìn)行量化，深度分析水體、綠地和建筑等指標(biāo)對(duì)城市熱環(huán)境的影響作用規(guī)律。結(jié)果表明，城市形態(tài)指標(biāo)對(duì)地表溫度的影響大小和方向隨著季節(jié)和觀測(cè)尺度的變化而變化。建筑密度、單位水體面積、單位植被面積、建筑平均高度是4個(gè)最重要的影響因素。建筑形態(tài)、水體和綠地對(duì)地表溫度變化具有主導(dǎo)性影響。建筑密度對(duì)地表溫度有明顯的正向作用，建筑平均高度與地表溫度呈波動(dòng)相關(guān)。城市綠地和水體表現(xiàn)出較強(qiáng)的冷卻效果，這一特點(diǎn)在夏季尤為明顯。

關(guān)鍵詞：城市形態(tài)；地表溫度；OLS線性回歸模型；隨機(jī)森林回歸模型

中圖分類號(hào)：X16 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-9655（2023）02-00-08

0? 引言

城市熱島（Urban Heat Island，UHI）是世界上大多數(shù)城市中出現(xiàn)的氣候變化之一。與周圍郊野相比，城市地區(qū)的溫度升高不但影響城市環(huán)境質(zhì)量，還增加了城市居民的健康風(fēng)險(xiǎn)，影響到城市居民的心理健康和城市的宜居性[1]。盡管UHI的發(fā)現(xiàn)距今將近兩個(gè)世紀(jì)，但它仍然是各個(gè)研究領(lǐng)域的重要研究課題之一。在城市生態(tài)規(guī)劃領(lǐng)域，如何緩解UHI仍然是頗受關(guān)注的問(wèn)題[2]。已有的研究表明，城市物理形態(tài)對(duì)城市熱環(huán)境的影響作用較為顯著[3]。因此，了解城市形態(tài)特征與地表溫度（LST）之間的內(nèi)在聯(lián)系對(duì)于緩解UHI和指導(dǎo)環(huán)境友好型城市規(guī)劃意義重大。

城市形態(tài)是非抽象的，是一種龐雜的城市經(jīng)濟(jì)、文化、社會(huì)現(xiàn)象和過(guò)程。它是在特定的地理環(huán)境和經(jīng)濟(jì)社會(huì)發(fā)展階段中，各種人類活動(dòng)與自然環(huán)境因素相互作用的綜合結(jié)果[4]。當(dāng)前，關(guān)于城市形態(tài)與熱環(huán)境之間的復(fù)雜關(guān)系，國(guó)內(nèi)外已有研究圍繞著土地利用構(gòu)成[5]、景觀格局指數(shù)[6]、建筑特征參數(shù)[7]等城市地表特征進(jìn)行指標(biāo)要素與LST關(guān)系的分析?？傮w而言，研究?jī)?nèi)容多是圍繞以下城市特征進(jìn)行分析：

（1）土地利用構(gòu)成。許多研究已經(jīng)量化了不同土地類型與LST之間的關(guān)系，并表明這些變量與LST之間存在顯著的相關(guān)性[8]。研究表明，綠地和水體的面積比與LST呈負(fù)相關(guān)[9]。然而，建筑物[10]和道路[11]等不透水表面的面積比與地表溫度呈正相關(guān)。

（2）建筑特征參數(shù)。研究顯示城市形態(tài)在二維和三維的各項(xiàng)指標(biāo)與地表溫度之間存在著緊密聯(lián)系。在不同尺度的單元網(wǎng)格上量化開發(fā)強(qiáng)度對(duì)熱島效應(yīng)的影響，發(fā)現(xiàn)建筑密度、容積率與地表溫度呈正相關(guān)[12]。近年來(lái)，研究者們?cè)絹?lái)越關(guān)注三維城市形態(tài)，包括建筑高度（BH）[13]、天空視角因子（SVF）[14]和建筑體積密度（BVD）[15]等。

城市中心地區(qū)土地構(gòu)成多樣，剖面形態(tài)變化復(fù)雜，形成了城市峽谷。城市峽谷是以街道切割周圍稠密的建筑街區(qū)而形成的人造峽谷。除了少數(shù)公園和水體外，大部分城市地區(qū)由建筑物和這些城市峽谷組成。這種三維表面形態(tài)創(chuàng)造了一個(gè)復(fù)雜的熱環(huán)境，具有輻射捕獲和陰影等效果[16]。隨著建筑高度的上升，街道變窄增加了輻射捕獲，并提高了城市峽谷的溫度； 同時(shí)，隨著建筑高度的升高，陰影面積增加，城市峽谷的溫度降低。由此可見，城市形態(tài)特征對(duì)LST的影響并不總是線性的。

研究表明，隨機(jī)森林回歸模型的結(jié)果可用于對(duì)每個(gè)因素的重要性進(jìn)行排序，并且通過(guò)使用偏依賴圖（PDP），能夠可視化單個(gè)變量在LST上的獨(dú)立和非線性相關(guān)模式[17]。因此，為了評(píng)估各種影響變量對(duì)LST的綜合和非線性影響，可以采用隨機(jī)森林算法（RF）[18]。

本文的目標(biāo)包括以下三點(diǎn)：

（1）選取不同的季節(jié)和觀測(cè)尺度，觀察城市形態(tài)指標(biāo)對(duì)LST變化的影響程度。

（2）比較兩種回歸方法的建模能力，普通最小二乘回歸（OLS）與隨機(jī)森林回歸（RF）。

（3）評(píng)估可用于獲得最佳解釋和預(yù)測(cè)能力的最合適尺度，兩種觀測(cè)尺度網(wǎng)格單元大小分別為500 m和1000 m。

同時(shí)，二維和三維的變量都作為評(píng)估城市中心地區(qū)復(fù)雜的城市形態(tài)特征。RF回歸模型用于檢查這些影響因素的相對(duì)重要性以及重要變量的非線性邊際效應(yīng)。本研究將改善城市熱環(huán)境的理論基礎(chǔ)，并幫助城市規(guī)劃者更好地了解如何利用規(guī)劃技術(shù)來(lái)減緩城市熱島的影響。

1 研究地區(qū)與數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

廣州位于珠江三角洲的中北部，瀕臨南海，是北江、西江、東江三江匯合之處。廣州是首批沿海開放城市之一，也是中國(guó)通往世界的南大門。2018年，廣州在人類發(fā)展指數(shù)測(cè)評(píng)中位居中國(guó)第一[19]。然而，過(guò)去幾十年的城市化進(jìn)程和高強(qiáng)度開發(fā)建設(shè)導(dǎo)致一些潛在的環(huán)境問(wèn)題，目前的氣候變化也大大增加了極端事件的風(fēng)險(xiǎn)。在本次研究中，重點(diǎn)關(guān)注廣州城市中心，面積為100 km2（10 km×10 km），即三條河流交匯處。該區(qū)域是該市的中央商務(wù)區(qū)（CBD），涉及越秀區(qū)、海珠區(qū)、荔灣區(qū)、天河區(qū)四個(gè)區(qū)，聚集了眾多商業(yè)、住宅和商務(wù)辦公等高密度建筑。內(nèi)部有公園，包括廣州發(fā)展公園、沙面公園、廣州文化公園等，有河流湖泊等水體，主要包括珠江、后航道等（圖1）。研究地區(qū)既包含建成區(qū)也包含自然地貌，適合在城市氣候帶背景下探究地表溫度分異規(guī)律。同時(shí)，該地區(qū)人口稠密，高速公路和建筑物廣布，土地覆蓋分布多樣，適合定量分析。

廣州的氣候?qū)儆诤Ｑ笮詠啛釒Ъ撅L(fēng)氣候，由于地處亞熱帶沿海，夏季長(zhǎng)、霜期短，光熱充足、溫暖多雨。2020年廣州年平均氣溫、最低氣溫和最高氣溫的城市熱島強(qiáng)度分別為1.05℃、1.46℃和0.38℃，較2019年均有所下降。本次研究范圍涉及到的越秀區(qū)、海珠區(qū)、荔灣區(qū)、天河區(qū)，這些區(qū)域熱島強(qiáng)度超過(guò)1℃，屬于廣州市熱島強(qiáng)度較強(qiáng)的區(qū)域，這些區(qū)域2020年平均氣溫?zé)釐u強(qiáng)度較2019年有所增強(qiáng)[20]（圖2）。

1.2 指標(biāo)選取

本研究將城市形態(tài)重新定義并分為四個(gè)方面，（A1）建筑形態(tài)，是城市形態(tài)的主要組成部分；（A2）交通系統(tǒng)，由不同層次的道路網(wǎng)絡(luò)組成；（A3）公共基礎(chǔ)設(shè)施，代表提供公共服務(wù)的單位；（A4）生態(tài)基礎(chǔ)設(shè)施，指被植被和水體覆蓋的城市公共開放空間。在遙感和空間分析技術(shù)的幫助下，大部分的城市形態(tài)指標(biāo)可以被提取出來(lái)，并以二維和三維數(shù)據(jù)呈現(xiàn)[21]。在提出的城市形態(tài)分析框架中，本文選擇了十個(gè)具有代表性的LST模型變量，具體內(nèi)容參見表1。①建筑形態(tài)：建筑密度、建筑平均高度、建筑體積密度、歸一化建筑指數(shù)；②交通系統(tǒng)：地鐵密度、人行道密度；③公共基礎(chǔ)設(shè)施：興趣點(diǎn)（POI） 密度；④生態(tài)基礎(chǔ)設(shè)施：植被面積、水體面積、歸一化水體指數(shù)。

1.3 數(shù)據(jù)來(lái)源

用于測(cè)算城市地表溫度（LST）的遙感影像數(shù)據(jù)來(lái)自地理空間數(shù)據(jù)云，為2019年12月及2020年8月廣州市冬夏兩季的Landsat 8（9個(gè)波段的空間分辨率為30 m）影像，選擇大氣校正法對(duì)該數(shù)據(jù)進(jìn)行地表溫度反演。

建筑物矢量輪廓和道路網(wǎng)絡(luò)數(shù)據(jù)由BIGEMAP以ESRI shapefile格式獲得。歸一化建筑指數(shù)、植被面積、水體面積、歸一化水體指數(shù)從地理空間數(shù)據(jù)云上2020年的Landsat 8影像中提取后分析得出。POI從高德地圖開放平臺(tái)上的基于位置的服務(wù)中檢索出來(lái)。使用ArcGIS Pro軟件中的空間統(tǒng)計(jì)工具，將每個(gè)城市形態(tài)指標(biāo)整合到兩種觀測(cè)尺度的網(wǎng)格中（圖3）。

2 研究方法

2.1 LST溫度反演和土地覆蓋分類

目前在測(cè)量熱島效應(yīng)強(qiáng)度的方法中，遙感反演分析覆蓋范圍較大、數(shù)據(jù)資源較多，較多地應(yīng)用于熱環(huán)境研究領(lǐng)域[22]。采用大氣校正法進(jìn)行地表溫度反演，首先建立輻射傳輸方程：

式中：Lλ—衛(wèi)星傳感器接收到的熱紅外輻射亮度值（W×m-2 ×sr-1×μm-1）；ε—地表比輻射率（無(wú)量綱）；Ts—地表真實(shí)溫度（K）；B（TS）—熱輻射亮度（W×m-2 ×sr-1×μm-1）；τ—大氣在熱紅外波段的透過(guò)率（無(wú)量綱）；L↓和L↑—大氣向下和向上的輻射（W×m-2 ×sr-1×μm-1）。根據(jù)普朗克公式函數(shù)可得溫度Ts為：

式中：Ts—陸地表面溫度，單位為℃。大氣剖面參數(shù)來(lái)自地理空間數(shù)據(jù)云（http：//www.gscloud.cn/search）。對(duì)于landsat 8 TIRS數(shù)據(jù)來(lái)說(shuō)，參數(shù)K1=774.89 W/（m2?m·sr），K2=1 321.08 K，通過(guò)波段運(yùn)算可得到Ts。

將廣州市哨兵影像導(dǎo)入ArcgisPro，基于BOA Reflectance-10 m、BOA Reflectance-20 m影像圖分別計(jì)算NDVI、NDBI、MNDWI，將柵格導(dǎo)入到ENVI軟件中進(jìn)行土地分類，最終得到建成區(qū)、水體、綠地、不透水面四類土地利用數(shù)據(jù)，如圖3（c）。使用Sentinel-2衛(wèi)星2019年12月28日的影像進(jìn)行檢驗(yàn)，精度＞ 80%。

2.2 隨機(jī)森林回歸模型

研究采用隨機(jī)森林（RF）回歸模型分析地表溫度與各影響因素之間的關(guān)系。RF是Breiman在2001年提出的非線性機(jī)器學(xué)習(xí)算法[23]，目前應(yīng)用于許多不同領(lǐng)域。RF模型可以揭示各因素的重要性，定量分析各因素對(duì)地表溫度變化的影響，并通過(guò)偏相關(guān)圖揭示各因素對(duì)地表溫度變化的復(fù)雜相關(guān)模式。Logan的研究證明[24]，在各種機(jī)器學(xué)習(xí)算法中RF算法是最準(zhǔn)確的。RF模型的基礎(chǔ)是決策樹，每個(gè)決策樹通過(guò)建立隨機(jī)選取的訓(xùn)練樣本和預(yù)測(cè)變量，然后結(jié)合這些預(yù)測(cè)變量生成最終的預(yù)測(cè)值。

3? 結(jié)果與分析

3.1 季節(jié)性和規(guī)模效應(yīng)

在本研究中，定量分析的結(jié)果表明，城市形態(tài)指標(biāo)與LST的相關(guān)性存在季節(jié)和規(guī)模效應(yīng)。LST與城市形態(tài)指標(biāo)的相關(guān)性表現(xiàn)出明顯的季節(jié)性變化，夏季和冬季之間存在較大差異。在夏季，城市形態(tài)與LST的相關(guān)性比冬季更為密切。此外，夏季突出的LST變化與城市生態(tài)密切相關(guān)，而冬季的這些變化則與城市生態(tài)和建筑特征有關(guān)聯(lián)[25]。作為一個(gè)亞熱帶沿海城市，廣州冬季的氣溫波動(dòng)更加極端，并受到許多其他因素的影響[26]。綠地和水體的降溫效果在夏季要強(qiáng)得多。

研究區(qū)域全年溫度較高，冬季不同區(qū)域之間溫度相差較小，而夏季相差較大，溫差在45℃左右，呈現(xiàn)出振幅較大的波線段[27]。表2和表3列出了夏季和冬季LST的描述性統(tǒng)計(jì)數(shù)據(jù)，在研究范圍內(nèi)，夏季的平均LST達(dá)到31.41℃，而冬季只有26.45℃。此外，夏季的LST標(biāo)準(zhǔn)偏差比冬季高，說(shuō)明夏季的溫度波動(dòng)比冬季更劇烈。

此外，UHI效應(yīng)及其影響因素總是對(duì)網(wǎng)格大小的變化很敏感。考慮到廣州市的平均城市街區(qū)尺度，本研究選擇了兩種觀測(cè)尺度。一般來(lái)說(shuō)，基于500 m網(wǎng)格的OLS和RF回歸分析的解釋力要優(yōu)于1000 m網(wǎng)格，且獲得了更好的回歸結(jié)果。由此可見，觀測(cè)尺度接近于街區(qū)大小（網(wǎng)格大小為500m）更適合于探索城市形態(tài)對(duì)LST的影響。

3.2 城市形態(tài)對(duì)熱環(huán)境的作用

從城市物理空間出發(fā)，研究將城市形態(tài)分解為四個(gè)方面，采用OLS和RF回歸分析方法證明城市形態(tài)特征對(duì)夏季和冬季LST的不同影響[28]。模型輸出系數(shù)表明，LST變化由生態(tài)基礎(chǔ)設(shè)施和建筑組成主導(dǎo)，而其他城市形態(tài)指標(biāo)，如交通系統(tǒng)和公共基礎(chǔ)設(shè)施對(duì)LST變化的影響較小。其他城市的相關(guān)研究也有類似規(guī)律，如北京[29]、武漢[30]等。

研究結(jié)果顯示，平均LST與植被和水體所占面積呈負(fù)相關(guān)，而LST與建筑形態(tài)指標(biāo)之間關(guān)聯(lián)性較為復(fù)雜，POI和道路網(wǎng)密度對(duì)LST的影響相對(duì)較弱[31]。

在生態(tài)方面，植被面積（VEG_A）、歸一化水體指數(shù)（MNDWI）和水體面積（WATER_A）的部分相關(guān)性圖都顯示了LST下降的趨勢(shì)（圖4a、e、f和圖5a、e、f）。在建筑形態(tài)指標(biāo)方面，①歸一化建筑指數(shù)（NDBI）對(duì)LST的影響作用在夏季與冬季的表現(xiàn)不同，夏季波動(dòng)性強(qiáng)于冬季。如圖4d和圖5d，曲線走勢(shì)在-0.3～0.1變化明顯，夏季LST隨著NDBI的增加呈先上升，到達(dá)NDBI數(shù)值為0時(shí)呈下降趨勢(shì)；冬季LST隨著NDBI的增加呈上升趨勢(shì)。在夏季，NDBI與LST的相關(guān)性曲線變化波動(dòng)性較大，在NDBI數(shù)值處于-0.3～-0.1時(shí)，曲線變化較為平緩，在-0.1～0.1時(shí)變化較為顯著。②建筑密度（BD）對(duì)LST的影響作用呈現(xiàn)出先上升后下降的趨勢(shì)（圖4c和圖5c）。在夏季，當(dāng)BD數(shù)值在0～0.6時(shí)曲線變化明顯，呈先上升后下降的趨勢(shì)，在BD為0.2時(shí)達(dá)到峰值；而在冬季，曲線在BD數(shù)值介于0～0.25時(shí)上升，在BD數(shù)值處于0.25～0.6時(shí)下降，且變化速度明顯高于夏季數(shù)值。③建筑體積密度（BVD）對(duì)LST的影響變化曲線在夏季時(shí)呈上升走勢(shì)。但在冬季，LST隨BVD數(shù)值的增加而下降。

3.3 隨機(jī)森林回歸模型分析

研究探索了每?jī)煞N指標(biāo)因素對(duì)LST變化的影響，并顯示它們之間的相互作用。代表性結(jié)果顯示在圖6和圖7。結(jié)果表明，城市生態(tài)基礎(chǔ)設(shè)施指標(biāo)和建筑特征指標(biāo)是對(duì)研究區(qū)域LST變化影響力最大的變量[32]。而且，在較低的綠地和水體面積下，建筑密度對(duì)OLS變化的影響作用更大。當(dāng)夏季氣溫較高時(shí)，研究區(qū)域LST變化受生態(tài)基礎(chǔ)設(shè)施指標(biāo)影響的可能性更大（圖6）。在冬季，生態(tài)基礎(chǔ)設(shè)施指標(biāo)對(duì)LST的影響減弱，而建筑特征指標(biāo)則轉(zhuǎn)變?yōu)橹鲗?dǎo)因素（圖7）。

基于以上結(jié)果分析可以發(fā)現(xiàn)，城市物理表面的關(guān)鍵組成部分的規(guī)劃和更新能夠?qū)ST產(chǎn)生更大的影響，如綠地、水體和建筑物。然而，交通系統(tǒng)和公共基礎(chǔ)設(shè)施的布置可能對(duì)LST的變化影響較小[33]。因此，廣州市的城市規(guī)劃者和管理者應(yīng)該更加關(guān)注城市中心的建筑布局和生態(tài)構(gòu)成，以改善城市熱環(huán)境，緩解UHI效應(yīng)。

4 討論

4.1 廣州城市特征對(duì)LST的影響

研究采用RF技術(shù)，在2種網(wǎng)格尺度上研究了不同變量與地表溫度的關(guān)系。在每個(gè)網(wǎng)格尺度上，計(jì)算并平均這些城市特征值以及LST。結(jié)果表明，景觀組成是影響廣州LST分布的最重要因素，尤其是建筑密度（BD）、植被面積（VEG_A）和水體面積（WATER_A）。BD在兩種網(wǎng)格尺度中都是最重要的因素。然而，另有研究發(fā)現(xiàn)，與建筑密度相比，建筑數(shù)量是最重要的組成部分[34]。這是由于不同的氣候條件或模型中存在多重共線性。因此，雖然考慮的因素組合各不相同，但大多數(shù)研究得出了相同的結(jié)論：建筑信息是確定 LST 的最重要因素。

4.2 對(duì)城市景觀管理的影響

研究揭示了影響因素與LST之間的非線性相關(guān)模式，據(jù)此可提出相應(yīng)的解決方案來(lái)改善城市熱環(huán)境。首先，根據(jù)研究，建筑密度與LST呈正相關(guān)，而水體面積和植物面積與LST 呈負(fù)相關(guān)。這表明降低城市建筑密度，加大道路綠化和公園建設(shè)，可以有效改善城市熱環(huán)境。其次，建筑高度最初與LST呈正相關(guān)，在大約30 m時(shí)轉(zhuǎn)為負(fù)相關(guān)。因此建議在同等人口容量的情況下，建造高層建筑以擴(kuò)大陰影面積，改善局部通風(fēng)條件，將保留的土地用于植物和水體。

4.3 研究局限與進(jìn)一步創(chuàng)新

研究采用的RF分析方法對(duì)研究尺度比較敏感，網(wǎng)格劃分的增加會(huì)導(dǎo)致完整景觀被割裂和非核心要素增加。因此，采用RF分析城市形態(tài)特征時(shí)，選擇合適的分析尺度非常重要。本次研究范圍為廣州中心地區(qū)，考慮到網(wǎng)格尺度的影響，經(jīng)過(guò)多組實(shí)驗(yàn)，選擇了500 m和1000 m網(wǎng)格尺度進(jìn)行RF分析。未來(lái)針對(duì)不同地區(qū)的研究，需根據(jù)地區(qū)特點(diǎn)選擇研究范圍和網(wǎng)格尺度，將影響因素的多尺度穩(wěn)定性和空間均勻性納入考慮范圍。

5 結(jié)論

本研究以廣州中心地區(qū)為例，利用OLS和RF回歸模型定量研究了城市形態(tài)指標(biāo)對(duì)夏季和冬季LST變化的影響作用。首先，在充分考慮城市空間結(jié)構(gòu)的基礎(chǔ)上，將城市形態(tài)分解為四個(gè)方面。其次，根據(jù)空間數(shù)據(jù)的可用性原則，選擇了10個(gè)城市形態(tài)指標(biāo)。最后，對(duì)一個(gè)10 km×10 km的城市中心區(qū)域建立了OLS和RF回歸模型，以區(qū)分各城市形態(tài)指標(biāo)對(duì)LST模式的影響程度。具體的研究結(jié)論主要包括以下三個(gè)方面：

（1）相對(duì)OLS而言，RF回歸模型能夠顯示出城市形態(tài)和LST變化之間的復(fù)雜非線性關(guān)系。在城市形態(tài)指標(biāo)的四個(gè)方面中，生態(tài)基礎(chǔ)設(shè)施是冷卻效應(yīng)的最主要影響因素，建筑形態(tài)其次。然而，交通系統(tǒng)和公共基礎(chǔ)設(shè)施對(duì)LST的變化影響有限。

（2）城市形態(tài)指標(biāo)對(duì)LST的影響顯示出明顯的季節(jié)性和觀測(cè)尺度變化，且綠地和水體的降溫效果在夏季更強(qiáng)。模型在500 m的網(wǎng)格中獲得了最好的模擬結(jié)果，這也是探索城市中心地區(qū)LST和城市形態(tài)之間相關(guān)性的理想觀測(cè)尺度[35]。

（3）生態(tài)基礎(chǔ)設(shè)施和建筑形態(tài)的規(guī)劃和更新會(huì)對(duì)LST的變化產(chǎn)生較強(qiáng)的影響，而交通建設(shè)、公共基礎(chǔ)設(shè)施的布局可能對(duì)LST的影響較小。

參考文獻(xiàn)：

[1] 可持續(xù)發(fā)展城市降溫廣州試點(diǎn)項(xiàng)目組， 許翔， 郭昊羽， 等. 聚焦城市降溫關(guān)鍵問(wèn)題的可持續(xù)發(fā)展解決方案--世界銀行與廣州的"清涼城市"試點(diǎn)實(shí)踐[J]. 城市規(guī)劃， 2021， 45（6）：52-62.

[2] 付含聰， 鄧帆， 楊歡， 等. 基于遙感的長(zhǎng)江中下游城市群高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估[J]. 長(zhǎng)江流域資源與環(huán)境， 2020， 29（5）：9.

[3] Merckx T， Souffreau C， Kaiser A， et al. Body-size shifts in aquatic and terrestrial urban communities[J]. Nature， 2018， 558（7708）.

[4] 本書編寫組. 城市規(guī)劃原理[M]. 北京： 中國(guó)建筑工業(yè)出版社， 2010.

[5] 劉詩(shī)喆， 謝苗苗， 武蓉蓉， 等. 地理單元?jiǎng)澐謱?duì)城市熱環(huán)境響應(yīng)規(guī)律的影響——以北京為例[J]. 地理科學(xué)進(jìn)展， 2021， 40（6）：11.

[6] 陳愛蓮， 孫然好， 陳利頂. 基于景觀格局的城市熱島研究進(jìn)展[J]. 生態(tài)學(xué)報(bào)， 2012， 32（14）：13.

[7] 鄔尚霖， 孫一民. 城市設(shè)計(jì)要素對(duì)熱島效應(yīng)的影響分析——廣州地區(qū)案例研究[J]. 建筑學(xué)報(bào)， 2015 （10）： 79-82.

[8] Alavipanah， S.， Wegmann， M.， Qureshi， S.， Weng， Q.， & Koellner， T. The role of vegetation in mitigating urban land surface temperatures： A case study of Munich， Germany during the warm season[J]. Sustainability， 2015 （7）：4689-4706.

[9] Soydan， O. Effects of landscape composition and patterns on land surface temperature： Urban heat island case study for Nigde， Turkey[J]. Urban Climate， 2020 （34）：100688.

[10] Lan， Y.， & Zhan， Q. How do urban buildings impact summer air temperature？ The effects of building configurations in space and time[J]. Building and Environment， 2017 （125）： 88-98.

[11] Mathew， A.， Sreekumar， S.， Khandelwal， S.， Kaul， N.， & Kumar， R. Prediction of surface temperatures for the assessment of urban heat island effect over Ahmedabad city using linear time series model[J]. Energy and Buildings， 2016 （128）： 605-616.

[12] 蔡智， 韓貴鋒. 山地城市空間形態(tài)的地表熱環(huán)境效應(yīng)——基于LCZ的視角[J]. 山地學(xué)報(bào)， 2018， 36（4）：11.

[13] Guo， J.， Han， G.， Xie， Y.， Cai， Z.， & Zhao， Y. Exploring the relationships between urban spatial form factors and land surface temperature in mountainous area： A case study in Chongqing city[J]. China Sustainable Cities and Society， 2020 （61）：102286.

[14] Liu， H.， Zhan， Q.， Gao， S.， & Yang， C. Seasonal variation of the spatially nonstationary association between land surface temperature and urban landscape[J]. Remote Sensing， 2019 （11）：1016.

[15] Sun， F.， Liu， M.， Wang， Y.[Yuncai]， Wang， H. J.， & Che， Y. The effects of 3D architectural patterns on the urban surface temperature at a neighborhood scale： Relative contributions and marginal effects[J]. Journal of Cleaner Production， 2020 （258）： 120706.

[16] Oke， T. R.， Mills， G.， Christen， A.， & Voogt， J. A. Urban climates[J]. Cambridge University Press， 2017.

[17] Belgiu， M.， & Dragut?， L. Random forest in remote sensing： A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2016（114）： 24-31.

[18] Wang，? Q.， Wang，? X.， Zhou，? Y.， Liu，? D.， & Wang，? H. The dominant factors and influence of urban characteristics on land surface temperature using random forest algorithm[J]. Sustainable Cities and Society， 2022（79）：103722.

[19] 諸大建， 何芳， 霍佳震. 中國(guó)城市可持續(xù)發(fā)展綠皮書[M].上海： 同濟(jì)大學(xué)出版社， 2013.

[20] 游曉婕， 李瓊， 孟慶林. 城市熱島空間格局及形態(tài)差異化調(diào)控策略研究——以廣州市中心城區(qū)為例[J]. 風(fēng)景園林， 2021， 28（5）：6.

[21] Sya B， Zcc D， Bya B， et al. Exploring the relationship between 2D/3D landscape pattern and land surface temperature based on explainable eXtreme Gradient Boosting tree： A case study of Shanghai[J]. China – Science Direct. Science of The Total Environment， 2020（725）.

[22] 李瑩瑩， 鄧雅云， 陳永生， 等. 基于衛(wèi)星遙感的合肥城市綠色空間對(duì)熱環(huán)境的影響評(píng)估[J]. 生態(tài)環(huán)境學(xué)報(bào)， 2018， 27（7）：10.

[23] Wu， H.， Ruan， W.， Wang， J.， Zheng， D.， Liu， B.， Geng， Y.， & Helal， S. Interpretable machine learning for covid-19： An empirical study on severity prediction task[M]. IEEE Transactions on Artificial Intelligence， 2021.

[24] Logan， T. M.， Zaitchik， B.， Guikema， S.， & Nisbet， A. Night and day： The influence and relative importance of urban characteristics on remotely sensed land surface temperature[J]. Remote Sensing of Environment， 2020 （247）：111861.

[25] 葛靜茹， 王海軍， 賀三維， 等. 武漢市都市發(fā)展區(qū)地表溫度季節(jié)性空間分布與驅(qū)動(dòng)力分析[J]. 長(zhǎng)江流域資源與環(huán)境， 2021， 30（2）：10.

[26] 包小鳳. 空間馬爾科夫鏈在城市蔓延時(shí)空特征分析與預(yù)測(cè)中的應(yīng)用——以廣州市為例[D]. 廣州： 華南師范大學(xué)， 2014.

[27] Breiman， L. Random forests[J]. Machine Learning， 2001 （45）：5-32.

[28] Sun， Dao-de， Department， et al. Selection of the Linear Regression Model According to the Parameter Estimation[J]. Wuhan University Journal of Natural Sciences， 2000.

[29] 孫喆. 高密度城區(qū)形態(tài)要素對(duì)熱環(huán)境的影響作用——以北京市五環(huán)內(nèi)區(qū)域?yàn)槔齕J]. 生態(tài)環(huán)境學(xué)報(bào)， 2020， 29（10）：8.

[30] 謝啟姣， 段呂晗， 汪正祥. 夏季城市景觀格局對(duì)熱場(chǎng)空間分布的影響——以武漢為例[J]. 長(zhǎng)江流域資源與環(huán)境， 2018， 27（8）：10.

[31] 楊曉峰. 基于遙感技術(shù)下廣州市城市熱島效應(yīng)研究[D]. 南京： 南京信息工程大學(xué)， 2008.

[32] Sun Y， Gao C， Li J， et al. Quantifying the Effects of Urban Form on Land Surface Temperature in Subtropical High-Density Urban Areas Using Machine Learning[J]. Remote Sensing， 2019， 11（8）.

[33] X? Zhu， Li Y， X Wang. Machine learning prediction of biochar yield and carbon contents in biochar based on biomass characteristics and pyrolysis conditions[J]. Bioresource Technology， 2019（288）：121527.

[34] Guo， F.， Wu， Q.， & Schlink， U. 3D building configuration as the driver of diurnal and nocturnal land surface temperatures： Application in Beijings old city[J]. Building and Environment， 2021 （206）： 108354.

[35] Peng J， Qiao R， Liu Y， et al. A wavelet coherence approach to prioritizing influencing factors of land surface temperature and associated research scales[J]. Remote Sensing of Environment， 2020（246）：111866.

Abstract： In recent years， some studies have shown that the influence of urban form on the thermal environment was more significant， but there were few studies that discussed it from the perspective of urban spatial structure. In order to evaluate the relative importance and mutual influence of urban morphological characteristics on surface temperature， this paper took the central area of Guangzhou as the research area， and selected the central 10 km area to divide it into basic units of different side length grids. The random forest regression model was used in different grids. Ten influencing factors were quantified on the grid scale， and the influence laws of water bodies， green spaces and buildings on the urban thermal environment were analyzed in depth. The results showed that the magnitude and direction of the impact of urban morphology indicators on surface temperature varied with seasons and observational scales. Building density， unit water area， unit vegetation area， and average building height were the 4 most important influencing factors， while factors such as sidewalk density and points of interest were less correlated with changes in surface temperature. Building form， water body and green space have dominant influences on surface temperature changes. Building density had an obvious positive effect on surface temperature， and the average height of buildings fluctuates with surface temperature. Urban green spaces and water bodies indicated a strong cooling effect， especially in summer.

Key words： urban form; land surface temperature; Ordinary Least Square regression model; Random forest regression model