利用机器学习方法探索气候变化条件下的土地利用城市热岛联系：基于遥感数据的时空分析

1 摘要

2 研究方法

这篇论文的研究方法主要包括以下几个步骤：

• 使用机器学习算法来预测土地利用类型 。采用了支持向量机（Support Vector Machine）算法进行分类任务。通过对已知土地利用类别的训练样本进行模型训练，根据遥感数据提取的特征来对其他未知区域进行分类。
• 在获取了土地利用类型的结果后，运用了温度遥感数据以及其他相关环境因素（例如海拔高度、植被覆盖等）来分析城市热岛效应。他们将不同土地利用类型区域内部和周边的温度差异作为评估指标，并结合时空信息进行进一步分析。
• 使用了大规模遥感图像数据集，包括卫星影像和数字高程模型等。这些数据集提供了广泛且连续覆盖范围内的观测值，使得能够更全面准确地描述城市热岛效应与土地利用之间的关系。通过将现有模型应用于未来气候变化情景下的预测，揭示可能的演变趋势。

3 研究结果

• 城市土地利用类型与城市热岛效应之间存在着密切的关联性。不同类型的土地利用会对城市温度产生显著影响。
• 在气候变化条件下，预测结果表明未来可能出现更严重的热岛效应。高温事件和极端天气事件可能增加，并进一步加剧城市内部不同区域之间的温差。
• 机器学习算法在解释和预测城市热岛效应方面具有很大潜力。特别是基于遥感数据提取出来的多种环境因素可以有效地用于构建模型并生成准确的预测结果。

研究区位置图

(a) LST；(b) NDVI；(c) NDWI；(d) NDBI；(e) NDBaI；(f) UTFVI；1991年、1997年、2003年、2009年、2015年和2021年和1097年的空间分布和时间动态，其中显示了1991年和2021年的空间分布图，并绘制了不同LST和指数范围下面积的时间动态图

(A)1994年和2017年的土地利用土地覆盖，(B)1994-2017年的时空变化动态

1991-2021年夏季UHI和非UHI分区的时空动态

1994-2017年伊莫拉岛SUHII 1型的时空动态

1991年至202年的土地利用指数、LST和UHI面积，其中LST阈值为1991年至2021年的平均LST。红星突出了相对于平均温度的极端炎热的年份

对1991-2021年确定的极热年份的模型精度和调整后的模型拟合。结果在0.05 alpha值时具有统计学意义

4 讨论与结论

该论文指出了土地利用与城市热岛效应之间紧密联系以及气候变化对城市热岛效应的潜在影响。同时，机器学习方法被证明是一种有效的工具，在分析和预测城市热岛效应方面具有广阔的应用前景。这些结论为理解和管理城市环境问题提供了重要参考依据，并为未来相关研究和政策制定提供了指导方向。

5 参考文献

Priyanka R,Patrizia T,Daniele T. Exploring the land-use urban heat island nexus under climate change conditions using machine learning approach: A spatio-temporal analysis of remotely sensed data[J]. Heliyon,2023,9(8).