|LUP|空间优化的绿地以提高城市热缓解效益：基于可解释机器学习的区域冷却异质性研究

本推文来源：AIGeoSCI

摘要

“城市绿地（UGS）在缓解城市热暴露、推动可持续发展目标中日益受到重视。然而，对绿地冷却效应的空间异质性理解有限，阻碍了其效益的优化。此外，多数研究仅关注关系探索，缺乏面向实际决策的全面评估框架。本研究提出一个数据驱动框架，将机器学习与局部可解释性及效益评估相结合，以分析空间异质性、指导空间决策，并评估决策的冷却效益（以减少人口暴露于地表温度极端值为度量）。以北京为例，我们研究了UGS冷却效应的非线性影响和空间异质性，并验证了整合此类异质性的空间决策的有效性。研究发现：（1）除绿地覆盖率外，UGS的空间配置和形态对缓解城市热暴露具有显著作用；（2）所有UGS景观指标均呈现非线性和阈值效应，其冷却效率因与区域环境因素的相互作用而异；（3）冷却效益的空间不平等性超过了UGS指标分布的不平等性；（4）整合冷却效益的区域异质性以优先优化关键区域，可使缓解效益翻倍以上（当仅有10%的区域可被优化时）。与传统随机方法相比，所提框架仅需优化40%的区域即可实现同等效益。本研究推动了对绿地效益的理解，从分布异质性扩展到冷却效应异质性。这些见解强调了在城市空间规划中考虑区域异质性的重要性，为通过UGS提升城市可持续性和居民福祉提供了理论与实用支持。”

研究方法

研究方法框架图

1.数据量化与指标构建

量化城市热指标（日/夜UHEI、UPHE）、绿地形态指标（覆盖率GAC、最大斑块指数GLPI、有效网格大小GEMS、景观形状指数GLSI、邻近距离GDmean）及城市形态指标（建筑覆盖、高度、街道形态等）。

研究区域（北京及中国）的位置

研究使用的数据：(a) 白天的城市热事件强度，(b) 夜间的城市热事件强度，(c) 道路与建筑数据，(d) 绿地与水体数据

本研究中选用的城市形态指标描述

2.可解释机器学习建模

使用CatBoost模型（梯度提升决策树）建模UHEI与多变量关系。采用部分依赖图和个体条件期望曲线可视化全局与局部关系，揭示UGS指标对UHEI影响的区域变异。

3.空间异质性分析与效益潜力评估

计算各交通分析区在UGS指标单位变化下的UPHE减少量（冷却效益）。使用基尼系数评估效益潜力的空间不平等性。

4.基于情景的优化模拟与评估

验证决策框架的有效性。设计两种情景：

情景A（固定资源）：优化10%的TAZ，比较三种策略（随机、人口优先、综合效益优先）的累积效益。

情景B（固定目标）：以达到随机策略的累积效益为目标，比较各策略所需的TAZ数量。

研究结果

1.模型性能： CatBoost模型在预测日/夜UHEI上表现最佳（平均R²=0.79，MAPE=11.98%），显著优于线性模型。

不同模型预测日间和夜间UHEI的性能比较

2.关系模式： UGS指标与UHEI呈非线性关系，存在阈值效应（如GAC在0.2–0.4时冷却效率最高）。GAC和GEMS对UHEI影响最大。

按要素类型分组（由不同颜色表示）的城市因子重要性排序

3.空间异质性： ICE曲线显示，相同UGS指标变化在不同TAZ中产生的冷却效益差异显著，证实了强烈的区域异质性。

城市绿地指标与平均城市热事件强度之间的关系

UGS指标发生0.6单位变化对各个TAZ的UPHE减少量的影响。
(a1-e1) 展示每个UGS指标下UPHE减少量在TAZ间分布的直方图。
(a2-e2) UPHE减少效益的空间分布，根据每个UGS指标的平均值分为高效益组和低效益组。蓝色表示增加该指标可减少UPHE的区域，红色表示减少该指标可减少UPHE的区域。
(a3-e3) 各环线区域分享的UPHE减少效益比例。

4.优化潜力不平等：各UGS指标优化潜力的基尼系数均约0.5，表明效益潜力的空间不平等远大于UGS现状分布的不平等。

交通分析区的区域差异：当前绿地状况与优化潜力

5.优化策略比较：

综合效益优先策略在情景A中，比随机策略提升效益185%–300%；在情景B中，仅需随机策略约30%的TAZ数量即可达成相同效益。

人口优先策略虽优于随机策略，但效率仍低于综合效益优先策略。

情景A下三种优化策略的对比。(a)-(e) 分别代表绿地面积覆盖率、绿地最大斑块指数、绿地有效网格大小、绿地景观形状指数和绿地间平均邻近距离。

情景B下三种优化策略的对比。(a)-(e) 分别代表绿地面积覆盖率、绿地最大斑块指数、绿地有效网格大小、绿地景观形状指数和绿地间平均邻近距离。

研究结论

UGS的空间配置与形态与覆盖率同等重要，共同影响冷却效益。
UGS的冷却效应具有强烈的非线性和区域异质性，受本地环境背景调节。
当前UGS的效益分布不均比其物理分布不均更为严重。
提出的数据驱动框架能够有效识别高潜力优化区域，在资源严格受限的情况下（仅优化10%区域）实现效益倍增，为精准、高效的城市绿地规划提供了可操作的路径。

文献信息

题名：Spatially-optimized greenspace for more effective urban heat mitigation: Insights from regional cooling heterogeneity via explainable machine learning

作者：Shuliang Ren, Zhou Huang, Gannim Yin, Xiaoqin Yan, Quanhua Dong, Junnan Qi, Jiangpeng Zheng, Yi Bao, Shiyi Zhang
来源：Landscape and Urban Planning
日期：2025
DOI：10.1016/j.landurbplan.2025.105296