SCS丨绘制数据匮乏的全球南方城市昼夜城市热动态图：基于机器学习的诊断框架在喀布尔的应用

在全球南方国家，城市化正以前所未有的速度发展，这加剧了城市居民，特别是在数据稀缺地区，面临地表城市热岛（SUHI）效应的脆弱性。现有研究往往受限于缺乏长期的、邻里尺度的、高分辨率的地面监测数据，难以对城市热环境的昼夜动态及其内部差异进行系统性诊断。尤其是在那些经历了快速、非均衡且以非正规聚落扩张为主的城市，理解不同聚落类型（如正规与非正规社区）的热力行为差异至关重要，但这方面的研究仍存在明显空白。本文以阿富汗喀布尔——一个高海拔、半干旱、城市化进程复杂的典型数据稀缺城市为例，旨在通过一个可复制的诊断框架，填补这一研究空白，深入揭示其二十年来的城市热环境昼夜时空演变规律，为类似城市制定具有针对性的气候适应策略提供科学依据。

研究构建并应用了一个集成了多源遥感数据、地理空间分析与机器学习技术的可扩展诊断框架，旨在对数据稀缺城市的热环境进行长时序、高精度的动态分析。该框架的实施流程（图2）逻辑清晰，主要包含以下四个核心步骤：

图 2.研究框架整合了数据降尺度、类型学映射和空间统计建模，用于对全球南方数据匮乏的城市进行城市热分析

数据的协调与降尺度：研究的核心挑战在于如何在缺乏地面实测数据的情况下，生成长时间序列（2000-2020年）、高空间分辨率（30米）且包含昼夜两个时相的地表温度（LST）图谱。为实现这一目标，研究首先选取了五个关键时间节点（2000、2005、2010、2015、2020年）作为分析的锚定年份。接着，在谷歌地球引擎（GEE）平台上，采用随机森林（Random Forest）回归模型，将每日一次、空间分辨率为1公里的MODIS LST数据进行统计降尺度。该模型以同一时期、分辨率为30米的Landsat影像所衍生的多个地表光谱指数（如归一化植被指数NDVI、归一化差异水体指数NDWI、归一化差异建筑指数NDBI和地表反照率Albedo）作为高分辨率的预测变量。通过这种方法，不仅将LST的空间细节提升至30米，还巧妙地利用MODIS数据在时间上的一致性，确保了长达二十年昼夜数据的可比性。

城市聚落类型整合：为了分析不同城市肌理下的热环境差异，研究引入了全球城市-乡村地表（GURS）数据集，该数据集提供了标准化的城乡范围划分。在此基础上，研究团队进一步结合喀布尔本地的规划图纸和地籍数据，对城市内部进行了精细的聚落类型划分，明确界定了“正规聚落”（Formal Settlements）和“非正规聚落”（Informal Settlements）。所有分类信息最终被栅格化为30米分辨率的图层，与降尺度后的LST数据在空间上精确对应，从而为后续的分类比较分析奠定了坚实的数据基础。

空间与统计建模分析：在生成了高分辨率的LST和聚落类型图谱后，研究采用了一系列先进的空间统计与机器学习模型进行深度挖掘。

空间自相关分析：利用全局莫兰指数（Global Moran's I）和Getis-Ord Gi*热点分析，识别地表温度在空间上的聚集模式，即在城市尺度上定位出显著的“热点”和“冷点”区域。

非线性关系建模：应用梯度提升回归（Gradient Boosting Regression, GBR）模型来预测和解释LST的时空动态，并利用分位数回归（Quantile Regression, QR）深入探究在不同温度水平（尤其是极端高温）下，正规与非正规聚落间的LST差异，从而揭示平均值分析所无法体现的非对称热暴露风险。

时序轨迹聚类：采用K-均值聚类（K-Means Clustering）算法，对每个像元在2000-2020年间的LST变化轨迹进行无监督分类，旨在识别出城市中主导性的热环境演变模式。

结果的可视化与解读：最后，将所有模型分析的结果进行整合，并通过地图、图表等多种可视化形式进行呈现。这些可解释的输出，如昼夜热力不对称图、聚落类型热力差距图、边缘梯度分析和持续性热点图等，为城市规划者和决策者提供了直观且有力的科学证据，以支持制定更具针对性和有效性的城市热环境缓解策略。

通过对喀布尔市2000年至2020年地表热环境的系统分析，本研究揭示了其在快速城市化背景下深刻的昼夜时空演变规律及其内部的结构性差异。

城市整体热环境的昼夜重构：在过去二十年间，喀布尔的城市热环境经历了一场显著的“昼夜重构”。城市日间与夜间的平均温差从2000年的约25℃显著收缩至2020年的约17℃。具体表现为，白天的地表温度呈现出缓和趋势，而夜间的温度则持续保持温暖（图3，表2）。这一变化表明，随着城市建筑密度增加和不透水面的扩张，喀布尔的城市结构正从一个白天快速升温、夜间快速降温的模式，转变为一个热量储存能力更强、夜间散热更慢的“热容”主导型气候系统。

图 3.喀布尔地表温度图——2000 年、2005 年、2010 年、2015 年和 2020 年的白天（左）和夜晚（右）

聚落类型间的热力不平等现象日益突出：研究发现，不同聚落类型的热环境演变路径存在显著差异，形成了明显的“热力不平等”。非正规聚落的日间地表温度持续升高，尤其是在2010年之后，其日间温度显著高于正规聚落，且在极端高温天气下（如温度分布的90%分位数）这种差异尤为突出（图5，图11）。这主要归因于非正规聚落中建筑密集、植被稀少、以及大量使用低反照率的建筑材料。与此相反，正规聚落虽然日间温度相对较低，但由于其建筑体量更大、材料热容更高，表现出更强的夜间热量滞留能力。这种昼夜交错的风险模式意味着，非正规聚落的居民在白天承受着更严酷的热暴露，而正规聚落的居民则在夜间面临更持久的热压力。

图 5.类型对比和城市内部差异

图 11.日间和夜间地表温度的 QR 系数（非正式区域 - 正式区域）（2000–2020 年）

城市热岛空间格局的演变：从空间组织形式上看，喀布尔的城市热岛格局经历了一个从“单中心”向“多中心、碎片化”的转变。全局莫兰指数分析显示，尽管地表温度的整体空间聚集性依然很强，但其强度在2010年后有所减弱（图6a）。热点分析（图6b）进一步揭示，2000年时热点主要集中在历史悠久的城市核心区，而到了2020年，夜间热点虽然仍在市中心和东部发展走廊地带持续存在，但整个城市的热力景观变得更加斑驳，形成了多个离散的热核心。这反映了城市无序扩张和形态多样化对热力分布的深刻影响。

图 6.喀布尔地表温度 (LST) 的全局和局部空间聚类（2000–2020 年）

热点持续性与边界效应：对热点持续性的分析表明，夜间高温具有很强的空间粘性，一旦形成就很难消退，尤其是在城市核心区和主要交通走廊沿线（图7c）。而城市边界梯度分析则发现，夜间增温现象向城市内部显著增强，尤其是在非正规聚落区域，离城市边缘越远，温度上升越剧烈（图9，表3）。这证实了城市内部的建成环境（如建筑密度、街道峡谷效应）是塑造夜间热环境的关键驱动力，而非仅仅是城市扩张的边缘效应。

图 7.喀布尔2000–2020 年热力演变

图 9. ΔLST （2020–2000）相对于 2020 年城市边界的边缘效应梯度，按聚落类型和一天中的时间分层

首创了一个集成了遥感降尺度、机器学习和聚落类型学的可复制诊断框架，专为全球南方数据稀缺城市设计。

首次对一个经历复杂城市化过程的城市，进行了长达二十年的、区分正规与非正规聚落的昼夜热环境动态分析。

揭示了城市热岛从“单中心”向“多中心”演变的空间规律，并量化了不同社会空间单元间的“热力不平等”现象。

研究是一项基于遥感数据和计算模型的分析性研究，其技术壁垒和难度主要体现在数据处理和建模的复杂性上，而非传统的实体仪器操作。

具体技术与壁垒门槛：

多源遥感数据融合与降尺度：本研究最大的技术难点在于如何将两种不同时空分辨率的卫星数据（MODIS和Landsat）进行有效融合，以生成一套长时序、高精度、且包含昼夜信息的LST数据集。这需要研究者具备扎实的遥感物理知识和高级编程能力，以构建和验证可靠的统计降尺度模型（如本研究中的随机森林模型）。

机器学习模型的应用与解释：研究中使用了多种机器学习模型（GBR, QR, K-Means），其门槛不仅在于模型的实现，更在于如何科学地设计模型、选择参数，并对模型结果进行合理的地学和城市科学解释，避免“黑箱”操作。

大规模地理数据处理能力： 整个研究过程涉及对跨越20年、覆盖整个城市区域的多时相、多波段影像数据进行处理和分析，数据量巨大。

所用“仪器”及其型号和价位：

卫星传感器（数据源）：本研究使用的“仪器”是搭载在卫星上的遥感传感器，主要包括：

MODIS（中分辨率成像光谱仪）：搭载于美国NASA的Terra和Aqua卫星上。

Landsat TM/ETM+/OLI传感器：搭载于Landsat 5, 7, 8号卫星上。

这些卫星数据对于科研用户是免费开放获取的，这是本研究能够在“数据稀缺”地区开展的基础。

计算平台（处理工具）：

谷歌地球引擎（Google Earth Engine, GEE）：这是一个云端地理空间分析平台，集成了海量的遥感数据档案和强大的并行计算能力。它是本研究的核心处理工具，允许研究者在无需下载海量数据和配置高性能本地服务器的情况下完成所有复杂的空间计算。GEE对于科研和教育用途是免费的。

分析软件：

Python：使用其科学计算库（如Scikit-Learn, Statsmodels, PySAL）进行统计建模和数据可视化，同样是开源免费的软件。

Hussainzad, E. A., & Gou, Z. (2026). Mapping diurnal urban heat dynamics in data-scarce global south cities: A machine learning-enabled diagnostic framework applied to Kabul. Sustainable Cities and Society, 107312.

https://doi.org/10.1016/j.scs.2026.107312