【Sustainable Cities and Society】探索特大城市复合冷却网络的形成机制：来自最佳可解释机器学习的见解

点击蓝字关注我们哦~！

文章期刊：Sustainable Cities and Society
题目：探索特大城市复合冷却网络的形成机制：来自最佳可解释机器学习的见解
英文题目：Exploring the formation mechanisms of composite cooling networks in megacities: insights from optimal interpretable machine learning
投稿链接：https://www.editorialmanager.com/SCSI

投稿周期：Received 4 December 2024; Received in revised form 30 April 2025; Accepted 2 May 2025；Sustainable Cities and Society 127 (2025) 106425；Available online 11 May 2025
期刊级别：SCI-1Q
IF:10
年发文量：745篇
是否OA:否
原文链接：https://doi.org/10.1016/j.scs.2025.106425

ABSTRACT&

HIGHLIGHTS

1.Highlights

1. 确定CatBoost为构建整合冷却供需关系的复合网络的最优模型；

2.揭示了复合冷却网络的形成机制；

3.基于稳健性分析，提出分层实施措施；

4.构建了以 “社会需求 - 生态供应” 整合为核心的协同城市热管理系统；

2.Abstract

城市热岛效应严重威胁着人类的生命、健康和城市的可持续发展。从网络角度理解和解决城市热环境问题是当前研究的一个重要领域。然而，很少有研究关注网络形成背后的机制。在这种情况下，我们比较了Random Forest、XGBoost和CatBoost，以确定构建集成冷却供需关系的复合网络的最佳模型。

我们的目标是探索复合冷却网络的形成机制，并提出科学的减热建议。

研究发现：

(1)比较和选择最优的可解释机器学习模型，为不同区域制定有针对性的热缓解策略提供了准确的支持；

(2)人口密度和夜间光照指数驱动了冷却需求网络的形成，而植被和水体在形成冷却供应网络方面占主导地位。此外，建筑高度对供给和需求都有显著影响，高风速有助于降温，但加剧了人口稠密地区的热扩散。

(3)通过鲁棒性分析，我们设计了分层实施措施：针对冷却供应网络的“保护-扩展-培育”框架和针对冷却需求网络的“限制-隔离-消除”协议。

最后，提出了以“社会需求-生态供给”一体化为核心的协同城市热管理体系。

Introduction 总结

01 研究背景与问题提出

城市化的快速推进加剧了人口聚集和建设用地扩张，破坏了陆气热平衡，引发城市热岛效应，对高密度城区的影响尤为显著，热缓解需求迫切。尽管已有研究从网络视角探究城市热环境，但对网络形成机制的深入探索不足，限制了其实践解释力。

当前城市热环境研究形成了“冷/热源—廊道—瓶颈/障碍点”的框架，通过识别冷岛、热岛，分析其连接性，构建空间阻力面来建立网络并提出热缓解策略。然而，现有研究多聚焦网络的空间配置和演化，对形成机制关注有限，导致基于网络分析的热缓解策略与实际过程缺乏动态联系，削弱了其在热规划中的支持作用。

02 研究目标与价值

阻力面是探究网络形成机制的关键，传统方法选取多维度影响因子并通过熵权法等确定权重，但这些方法仅反映线性关系，难以应对影响城市地表温度因子间复杂的相互作用和非线性关系，导致阻力因子权重计算精度不足，影响网络形成机制的准确判定。

机器学习模型在揭示复杂非线性关系上具有优势，其中集成树模型能处理高维数据和复杂系统，结合SHAP解释工具可分析多因子间的非线性关系和交互作用。本研究采用阻力面视角，选取最优机器学习模型构建阻力面，进而构建复合冷却网络，分析其形成机制，并提出“网络构建—机制分析—规划响应”的三阶段研究范式，以北京六环内区域为案例展开研究。

03 研究方法与创新点

本研究结合景观生态学理论与计算机科学技术，揭示复合冷却网络的形成机制，深化对其原理的理解，提出基于“社会需求—生态供应”的城市热环境协同管理框架，研究成果可广泛应用于其他城市的热环境优化、环境保护和可持续发展领域。

Methodology 总结

01 数据来源与处理

以北京六环内区域（面积2267km²）为研究区，该区域热岛效应显著，气温常比郊区高4-6℃，是城市开发密集、热量集中的区域，其土地覆盖以不透水面（44.9%）和森林（49.2%）为主，为热环境研究提供了典型空间基础。

数据来源与处理数据来源：包括Landsat 8 OLI/TIRS C2L2数据（用于提取地表温度LST、NDVI、NDWI）、OpenStreetMap的道路数据、2022年北京统计年鉴的人口数据、地球观测组的夜间灯光数据、中国建筑高度数据集、地理空间数据云的DEM数据、气象站的风速数据等。

数据处理：将所有数据集投影至WGS 1984 UTM Zone 50N坐标系，采用双线性插值法重采样至30米空间分辨率，确保数据可整合用于空间分析。

02 冷却供需节点识别

LST计算与分类：利用Landsat 8数据计算地表温度，采用均值-标准差法将研究区划分为5个温度区，其中低温区和次低温区为冷岛（CIs），高温区和次高温区为热岛（HIs）。

MSPA分析：以冷岛和热岛为前景，其他景观类型为背景，采用八邻域分析法提取核心区域，作为潜在的冷却供应节点（CSN）和需求节点（CDN）。

连通性筛选：通过Conefor 2.6工具计算核心区域的连通性概率（PC）和整体连通性指数（IIC），筛选出面积大于1.5km² 且PC、IIC值大于0.3的核心区域作为最终的CSN和CDN。

03 阻力面构建

阻力因子选取：选择4个自然因子（NDVI、NDWI、DEM、WIND）和4个社会经济因子（RD、POP、NL、BH）作为阻力因子，通过方差膨胀因子（VIF）检验确认无多重共线性（VIF<5）。

模型比较与选择：对比Random Forest、XGBoost、CatBoost三种机器学习模型，以R²、MAE、RMSE为评价指标，确定CatBoost为最优模型（测试集 R²=0.8490，MAE=0.0508，RMSE=0.0387）。

权重确定：采用SHAP方法计算各阻力因子的绝对SHAP值作为权重，构建冷却供应网络和需求网络的阻力面。

复合冷却网络构建

利Linkage Mapper工具中的“Build Network and Map Linkages”功能，基于阻力面构建网络：

冷却供应网络：连接“CSN–CSN” 和 “CSN–CDN”。

冷却需求网络：连接“CDN–CDN”。

04 形成机制与稳健性分析

形成机制分析：结合SHAP方法，量化各阻力因子对网络形成的贡献，分析因子间的交互作用（如NDVI与NDWI的协同冷却效应、人口密度与风速的密度依赖性交互等）。

稳健性分析：采用全局效率（GE）和最大连通分量（LCC）作为指标，模拟随机攻击和蓄意攻击下节点与廊道失效对网络稳定性的影响，识别关键节点和廊道。

主要结论

01模型选择与应用价值

对比随机森林、XGBoost和CatBoost三种机器学习模型后，确定CatBoost为最优模型，其在测试集上的R²达0.8490，能精准捕捉阻力因子间的复杂非线性关系；结合SHAP解释工具，为针对性热缓解策略的制定提供了准确支持，且该方法具有可推广性，能为其他城市匹配适合的建模工具。

02 复合冷却网络形成机制

人口密度和夜间灯光指数是冷却需求网络形成的主要驱动因素；植被（NDVI）和水体（NDWI）在冷却供应网络形成中占主导地位；建筑高度对供需网络均有显著影响；高风速虽有冷却作用，但在人口密集区域会加剧热扩散。

分层热缓解策略

基于稳健性分析，针对冷却供应网络提出“保护-扩展-培育”框架，即保护关键节点、扩展次级廊道、培育潜在节点；针对冷却需求网络提出“限制-隔离-消除”协议，即限制核心节点扩张、隔离次级节点连接、消除三级节点。

03 协同管理框架构建

建立了以“社会需求-生态供应”整合为核心的协同城市热管理系统，通过复合冷却网络的构建与机制分析，为特大城市热环境优化、环境保护和可持续发展提供了科学的理论基础和实践参考。

。

图文分享

END

点分享

点收藏

点在看

点点赞

城市生态日记

URBAN ECOSYSTEM RECORDS