基于机器学习和局地气候区类型的西安市最佳热缓解空间形态因子

摘要

【目的】深入剖析城市空间形态因子对地表温度的驱动机制，为精准制定不同城市形态区域热缓解策略提供有力支撑。【方法】基于LCZ框架，集成多源遥感数据与地理大数据，对西安市LST的空间分异规律展开探究，借助机器学习模型与SHAP方法，深入解析城市空间形态因子对LST的贡献及其非线性关系。【结果】1)建筑类型LCZ的LST高于自然类型LCZ,LCZC温度最低，LCZ2温度最高；2)随着建筑高度增加，ISF、DEM对地表温度的贡献率逐渐降低，而FVC、MBH的贡献比例则呈上升趋势；3)在城市规划方面，针对建筑类型(LCZ1～7)应采用差异化的植被恢复策略，同时建议控制平均树高小于2.5 m、LCZ2建筑密度小于56%,高层建筑高度大于75 m,低层建筑高度小于9 m。【结论】城市形态因子对LST的贡献度受到LCZ类型的影响，且城市形态因子与LST之间存在明显的非线性阈值效应。未来应通过参数化的气候适宜性城市设计实现热缓解目标。

关键词

局地气候区(LCZ) / 地表温度(LST) / CatBoost模型 / SHAP框架 / 城市热岛效应