基于随机森林算法的城市形态对热环境影响作用研究

张立君 李津莉 王琦 杨艳 王海涛 周庆

摘 要：近年来，已有研究表明城市形态对热环境的影响作用较为显著，但从城市空间结构角度进行讨论的研究较少。为评估城市形态特征对地表温度的相对重要性和相互影响作用，以广州中心地区为研究范围，划分为500 m及1000 m边长网格基本单元，采用随机森林回归模型在不同的网格尺度上对10种影响因子进行量化，深度分析水体、绿地和建筑等指标对城市热环境的影响作用规律。结果表明，城市形态指标对地表温度的影响大小和方向随着季节和观测尺度的变化而变化。建筑密度、单位水体面积、单位植被面积、建筑平均高度是4个最重要的影响因素。建筑形态、水体和绿地对地表温度变化具有主导性影响。建筑密度对地表温度有明显的正向作用，建筑平均高度与地表温度呈波动相关。城市绿地和水体表现出较强的冷却效果，这一特点在夏季尤为明显。

关键词：城市形态；地表温度；OLS线性回归模型；随机森林回归模型

中图分类号：X16 文献标志码：A 文章编号：1673-9655（2023）02-00-08

0  引言

城市热岛（Urban Heat Island，UHI）是世界上大多数城市中出现的气候变化之一。与周围郊野相比，城市地区的温度升高不但影响城市环境质量，还增加了城市居民的健康风险，影响到城市居民的心理健康和城市的宜居性[1]。尽管UHI的发现距今将近两个世纪，但它仍然是各个研究领域的重要研究课题之一。在城市生态规划领域，如何缓解UHI仍然是颇受关注的问题[2]。已有的研究表明，城市物理形态对城市热环境的影响作用较为显著[3]。因此，了解城市形态特征与地表温度（LST）之间的内在联系对于缓解UHI和指导环境友好型城市规划意义重大。

城市形态是非抽象的，是一种庞杂的城市经济、文化、社会现象和过程。它是在特定的地理环境和经济社会发展阶段中，各种人类活动与自然环境因素相互作用的综合结果[4]。当前，关于城市形态与热环境之间的复杂关系，国内外已有研究围绕着土地利用构成[5]、景观格局指数[6]、建筑特征参数[7]等城市地表特征进行指标要素与LST关系的分析。总体而言，研究内容多是围绕以下城市特征进行分析：

（1）土地利用构成。许多研究已经量化了不同土地类型与LST之间的关系，并表明这些变量与LST之间存在显著的相关性[8]。研究表明，绿地和水体的面积比与LST呈负相关[9]。然而，建筑物[10]和道路[11]等不透水表面的面积比与地表温度呈正相关。

（2）建筑特征参数。研究显示城市形态在二维和三维的各项指标与地表温度之间存在着紧密联系。在不同尺度的单元网格上量化开发强度对热岛效应的影响，发现建筑密度、容积率与地表温度呈正相关[12]。近年来，研究者们越来越关注三维城市形态，包括建筑高度（BH）[13]、天空视角因子（SVF）[14]和建筑体积密度（BVD）[15]等。

城市中心地区土地构成多样，剖面形态变化复杂，形成了城市峡谷。城市峡谷是以街道切割周围稠密的建筑街区而形成的人造峡谷。除了少数公园和水体外，大部分城市地区由建筑物和这些城市峡谷组成。这种三维表面形态创造了一个复杂的热环境，具有辐射捕获和阴影等效果[16]。随着建筑高度的上升，街道变窄增加了辐射捕获，并提高了城市峡谷的温度； 同时，随着建筑高度的升高，阴影面积增加，城市峡谷的温度降低。由此可见，城市形态特征对LST的影响并不总是线性的。

研究表明，随机森林回归模型的结果可用于对每个因素的重要性进行排序，并且通过使用偏依赖图（PDP），能够可视化单个变量在LST上的独立和非线性相关模式[17]。因此，为了评估各种影响变量对LST的综合和非线性影响，可以采用随机森林算法（RF）[18]。

本文的目标包括以下三点：

（1）选取不同的季节和观测尺度，观察城市形态指标对LST变化的影响程度。

（2）比较两种回归方法的建模能力，普通最小二乘回归（OLS）与随机森林回归（RF）。

（3）评估可用于获得最佳解释和预测能力的最合适尺度，两种观测尺度网格单元大小分别为500 m和1000 m。

同时，二维和三维的变量都作为评估城市中心地区复杂的城市形态特征。RF回归模型用于检查这些影响因素的相对重要性以及重要变量的非线性边际效应。本研究将改善城市热环境的理论基础，并帮助城市规划者更好地了解如何利用规划技术来减缓城市热岛的影响。

1 研究地区与数据来源

1.1 研究区概况

广州位于珠江三角洲的中北部，濒临南海，是北江、西江、东江三江汇合之处。广州是首批沿海开放城市之一，也是中国通往世界的南大门。2018年，广州在人类发展指数测评中位居中国第一[19]。然而，过去几十年的城市化进程和高强度开发建设导致一些潜在的环境问题，目前的气候变化也大大增加了极端事件的风险。在本次研究中，重点关注广州城市中心，面积为100 km2（10 km×10 km），即三條河流交汇处。该区域是该市的中央商务区（CBD），涉及越秀区、海珠区、荔湾区、天河区四个区，聚集了众多商业、住宅和商务办公等高密度建筑。内部有公园，包括广州发展公园、沙面公园、广州文化公园等，有河流湖泊等水体，主要包括珠江、后航道等（图1）。研究地区既包含建成区也包含自然地貌，适合在城市气候带背景下探究地表温度分异规律。同时，该地区人口稠密，高速公路和建筑物广布，土地覆盖分布多样，适合定量分析。

广州的气候属于海洋性亚热带季风气候，由于地处亚热带沿海，夏季长、霜期短，光热充足、温暖多雨。2020年广州年平均气温、最低气温和最高气温的城市热岛强度分别为1.05℃、1.46℃和0.38℃，较2019年均有所下降。本次研究范围涉及到的越秀区、海珠区、荔湾区、天河区，这些区域热岛强度超过1℃，属于广州市热岛强度较强的区域，这些区域2020年平均气温热岛强度较2019年有所增强[20]（图2）。

1.2 指标选取

本研究将城市形态重新定义并分为四个方面，（A1）建筑形态，是城市形态的主要组成部分；（A2）交通系统，由不同层次的道路网络组成；（A3）公共基础设施，代表提供公共服务的单位；（A4）生态基础设施，指被植被和水体覆盖的城市公共开放空间。在遥感和空间分析技术的帮助下，大部分的城市形态指标可以被提取出来，并以二维和三维数据呈现[21]。在提出的城市形态分析框架中，本文选择了十个具有代表性的LST模型变量，具体内容参见表1。①建筑形态：建筑密度、建筑平均高度、建筑体积密度、归一化建筑指数；②交通系统：地铁密度、人行道密度；③公共基础设施：兴趣点（POI） 密度；④生态基础设施：植被面积、水体面积、归一化水体指数。

1.3 数据来源

用于测算城市地表温度（LST）的遥感影像数据来自地理空间数据云，为2019年12月及2020年8月广州市冬夏两季的Landsat 8（9个波段的空间分辨率为30 m）影像，选择大气校正法对该数据进行地表温度反演。

建筑物矢量轮廓和道路网络数据由BIGEMAP以ESRI shapefile格式获得。归一化建筑指数、植被面积、水体面积、归一化水体指数从地理空间数据云上2020年的Landsat 8影像中提取后分析得出。POI从高德地图开放平臺上的基于位置的服务中检索出来。使用ArcGIS Pro软件中的空间统计工具，将每个城市形态指标整合到两种观测尺度的网格中（图3）。

2 研究方法

2.1 LST温度反演和土地覆盖分类

目前在测量热岛效应强度的方法中，遥感反演分析覆盖范围较大、数据资源较多，较多地应用于热环境研究领域[22]。采用大气校正法进行地表温度反演，首先建立辐射传输方程：

式中：Lλ—卫星传感器接收到的热红外辐射亮度值（W×m-2 ×sr-1×μm-1）；ε—地表比辐射率（无量纲）；Ts—地表真实温度（K）；B（TS）—热辐射亮度（W×m-2 ×sr-1×μm-1）；τ—大气在热红外波段的透过率（无量纲）；L↓和L↑—大气向下和向上的辐射（W×m-2 ×sr-1×μm-1）。根据普朗克公式函数可得温度Ts为：

式中：Ts—陆地表面温度，单位为℃。大气剖面参数来自地理空间数据云（http：//www.gscloud.cn/search）。对于landsat 8 TIRS数据来说，参数K1=774.89 W/（m2?m·sr），K2=1 321.08 K，通过波段运算可得到Ts。

将广州市哨兵影像导入ArcgisPro，基于BOA Reflectance-10 m、BOA Reflectance-20 m影像图分别计算NDVI、NDBI、MNDWI，将栅格导入到ENVI软件中进行土地分类，最终得到建成区、水体、绿地、不透水面四类土地利用数据，如图3（c）。使用Sentinel-2卫星2019年12月28日的影像进行检验，精度＞ 80%。

2.2 随机森林回归模型

研究采用随机森林（RF）回归模型分析地表温度与各影响因素之间的关系。RF是Breiman在2001年提出的非线性机器学习算法[23]，目前应用于许多不同领域。RF模型可以揭示各因素的重要性，定量分析各因素对地表温度变化的影响，并通过偏相关图揭示各因素对地表温度变化的复杂相关模式。Logan的研究证明[24]，在各种机器学习算法中RF算法是最准确的。RF模型的基础是决策树，每个决策树通过建立随机选取的训练样本和预测变量，然后结合这些预测变量生成最终的预测值。

3  结果与分析

3.1 季节性和规模效应

在本研究中，定量分析的结果表明，城市形态指标与LST的相关性存在季节和规模效应。LST与城市形态指标的相关性表现出明显的季节性变化，夏季和冬季之间存在较大差异。在夏季，城市形态与LST的相关性比冬季更为密切。此外，夏季突出的LST变化与城市生态密切相关，而冬季的这些变化则与城市生态和建筑特征有关联[25]。作为一个亚热带沿海城市，广州冬季的气温波动更加极端，并受到许多其他因素的影响[26]。绿地和水体的降温效果在夏季要强得多。

研究区域全年温度较高，冬季不同区域之间温度相差较小，而夏季相差较大，温差在45℃左右，呈现出振幅较大的波线段[27]。表2和表3列出了夏季和冬季LST的描述性统计数据，在研究范围内，夏季的平均LST达到31.41℃，而冬季只有26.45℃。此外，夏季的LST标准偏差比冬季高，说明夏季的温度波动比冬季更剧烈。

此外，UHI效应及其影响因素总是对网格大小的变化很敏感。考虑到广州市的平均城市街区尺度，本研究选择了两种观测尺度。一般来说，基于500 m网格的OLS和RF回归分析的解释力要优于1000 m网格，且获得了更好的回归结果。由此可见，观测尺度接近于街区大小（网格大小为500m）更适合于探索城市形态对LST的影响。

3.2 城市形态对热环境的作用

从城市物理空间出发，研究将城市形态分解为四个方面，采用OLS和RF回归分析方法证明城市形态特征对夏季和冬季LST的不同影响[28]。模型输出系数表明，LST变化由生态基础设施和建筑组成主导，而其他城市形态指标，如交通系统和公共基础设施对LST变化的影响较小。其他城市的相关研究也有类似规律，如北京[29]、武汉[30]等。

研究结果显示，平均LST与植被和水体所占面积呈负相关，而LST与建筑形态指标之间关联性较为复杂，POI和道路网密度对LST的影响相对较弱[31]。

在生态方面，植被面积（VEG_A）、归一化水体指数（MNDWI）和水体面积（WATER_A）的部分相关性图都显示了LST下降的趋势（图4a、e、f和图5a、e、f）。在建筑形态指标方面，①归一化建筑指数（NDBI）对LST的影响作用在夏季与冬季的表现不同，夏季波动性强于冬季。如图4d和图5d，曲线走势在-0.3～0.1变化明显，夏季LST随着NDBI的增加呈先上升，到达NDBI数值为0时呈下降趋势；冬季LST随着NDBI的增加呈上升趋势。在夏季，NDBI与LST的相关性曲线变化波动性较大，在NDBI数值处于-0.3～-0.1时，曲线变化较为平缓，在-0.1～0.1时变化较为显著。②建筑密度（BD）对LST的影响作用呈现出先上升后下降的趋势（图4c和图5c）。在夏季，当BD数值在0～0.6时曲线变化明显，呈先上升后下降的趋势，在BD为0.2时达到峰值；而在冬季，曲线在BD数值介于0～0.25时上升，在BD数值处于0.25～0.6时下降，且变化速度明显高于夏季数值。③建筑体积密度（BVD）对LST的影响变化曲线在夏季时呈上升走势。但在冬季，LST随BVD数值的增加而下降。

3.3 随机森林回归模型分析

研究探索了每两种指标因素对LST变化的影响，并显示它们之间的相互作用。代表性结果显示在图6和图7。结果表明，城市生态基础设施指标和建筑特征指标是对研究区域LST变化影响力最大的变量[32]。而且，在较低的绿地和水体面积下，建筑密度对OLS变化的影响作用更大。当夏季气温较高时，研究区域LST变化受生态基础设施指标影响的可能性更大（图6）。在冬季，生态基础设施指标对LST的影响减弱，而建筑特征指标则转变为主导因素（图7）。

基于以上结果分析可以发现，城市物理表面的关键组成部分的规划和更新能够对LST产生更大的影响，如绿地、水体和建筑物。然而，交通系统和公共基础设施的布置可能对LST的变化影响较小[33]。因此，广州市的城市规划者和管理者应该更加关注城市中心的建筑布局和生态构成，以改善城市热环境，缓解UHI效应。

4 讨论

4.1 广州城市特征对LST的影响

研究采用RF技术，在2种网格尺度上研究了不同变量与地表温度的关系。在每个网格尺度上，计算并平均这些城市特征值以及LST。结果表明，景觀组成是影响广州LST分布的最重要因素，尤其是建筑密度（BD）、植被面积（VEG_A）和水体面积（WATER_A）。BD在两种网格尺度中都是最重要的因素。然而，另有研究发现，与建筑密度相比，建筑数量是最重要的组成部分[34]。这是由于不同的气候条件或模型中存在多重共线性。因此，虽然考虑的因素组合各不相同，但大多数研究得出了相同的结论：建筑信息是确定 LST 的最重要因素。

4.2 对城市景观管理的影响

研究揭示了影响因素与LST之间的非线性相关模式，据此可提出相应的解决方案来改善城市热环境。首先，根据研究，建筑密度与LST呈正相关，而水体面积和植物面积与LST 呈负相关。这表明降低城市建筑密度，加大道路绿化和公园建设，可以有效改善城市热环境。其次，建筑高度最初与LST呈正相关，在大约30 m时转为负相关。因此建议在同等人口容量的情况下，建造高层建筑以扩大阴影面积，改善局部通风条件，将保留的土地用于植物和水体。

4.3 研究局限与进一步创新

研究采用的RF分析方法对研究尺度比较敏感，网格划分的增加会导致完整景观被割裂和非核心要素增加。因此，采用RF分析城市形态特征时，选择合适的分析尺度非常重要。本次研究范围为广州中心地区，考虑到网格尺度的影响，经过多组实验，选择了500 m和1000 m网格尺度进行RF分析。未来针对不同地区的研究，需根据地区特点选择研究范围和网格尺度，将影响因素的多尺度稳定性和空间均匀性纳入考虑范围。

5 结论

本研究以广州中心地区为例，利用OLS和RF回归模型定量研究了城市形态指标对夏季和冬季LST变化的影响作用。首先，在充分考虑城市空间结构的基础上，将城市形态分解为四个方面。其次，根据空间数据的可用性原则，选择了10个城市形态指标。最后，对一个10 km×10 km的城市中心区域建立了OLS和RF回归模型，以区分各城市形态指标对LST模式的影响程度。具体的研究结论主要包括以下三个方面：

（1）相对OLS而言，RF回归模型能够显示出城市形态和LST变化之间的复杂非线性关系。在城市形态指标的四个方面中，生态基础设施是冷却效应的最主要影响因素，建筑形态其次。然而，交通系统和公共基础设施对LST的变化影响有限。

（2）城市形态指标对LST的影响显示出明显的季节性和观测尺度变化，且绿地和水体的降温效果在夏季更强。模型在500 m的网格中获得了最好的模拟结果，这也是探索城市中心地区LST和城市形态之间相关性的理想观测尺度[35]。

（3）生态基础设施和建筑形态的规划和更新会对LST的变化产生较强的影响，而交通建设、公共基础设施的布局可能对LST的影响较小。

参考文献：

[1] 可持续发展城市降温广州试点项目组， 许翔， 郭昊羽， 等. 聚焦城市降温关键问题的可持续发展解决方案--世界银行与广州的"清凉城市"试点实践[J]. 城市规划， 2021， 45（6）：52-62.

[2] 付含聪， 邓帆， 杨欢， 等. 基于遥感的长江中下游城市群高温热浪风险评估[J]. 长江流域资源与环境， 2020， 29（5）：9.

[3] Merckx T， Souffreau C， Kaiser A， et al. Body-size shifts in aquatic and terrestrial urban communities[J]. Nature， 2018， 558（7708）.

[4] 本书编写组. 城市规划原理[M]. 北京： 中国建筑工业出版社， 2010.

[5] 刘诗喆， 谢苗苗， 武蓉蓉， 等. 地理单元划分对城市热环境响应规律的影响——以北京为例[J]. 地理科学进展， 2021， 40（6）：11.

[6] 陈爱莲， 孙然好， 陈利顶. 基于景观格局的城市热岛研究进展[J]. 生态学报， 2012， 32（14）：13.

[7] 邬尚霖， 孙一民. 城市设计要素对热岛效应的影响分析——广州地区案例研究[J]. 建筑学报， 2015 （10）： 79-82.

[8] Alavipanah， S.， Wegmann， M.， Qureshi， S.， Weng， Q.， & Koellner， T. The role of vegetation in mitigating urban land surface temperatures： A case study of Munich， Germany during the warm season[J]. Sustainability， 2015 （7）：4689-4706.

[9] Soydan， O. Effects of landscape composition and patterns on land surface temperature： Urban heat island case study for Nigde， Turkey[J]. Urban Climate， 2020 （34）：100688.

[10] Lan， Y.， & Zhan， Q. How do urban buildings impact summer air temperature？ The effects of building configurations in space and time[J]. Building and Environment， 2017 （125）： 88-98.

[11] Mathew， A.， Sreekumar， S.， Khandelwal， S.， Kaul， N.， & Kumar， R. Prediction of surface temperatures for the assessment of urban heat island effect over Ahmedabad city using linear time series model[J]. Energy and Buildings， 2016 （128）： 605-616.

[12] 蔡智， 韩贵锋. 山地城市空间形态的地表热环境效应——基于LCZ的视角[J]. 山地学报， 2018， 36（4）：11.

[13] Guo， J.， Han， G.， Xie， Y.， Cai， Z.， & Zhao， Y. Exploring the relationships between urban spatial form factors and land surface temperature in mountainous area： A case study in Chongqing city[J]. China Sustainable Cities and Society， 2020 （61）：102286.

[14] Liu， H.， Zhan， Q.， Gao， S.， & Yang， C. Seasonal variation of the spatially nonstationary association between land surface temperature and urban landscape[J]. Remote Sensing， 2019 （11）：1016.

[15] Sun， F.， Liu， M.， Wang， Y.[Yuncai]， Wang， H. J.， & Che， Y. The effects of 3D architectural patterns on the urban surface temperature at a neighborhood scale： Relative contributions and marginal effects[J]. Journal of Cleaner Production， 2020 （258）： 120706.

[16] Oke， T. R.， Mills， G.， Christen， A.， & Voogt， J. A. Urban climates[J]. Cambridge University Press， 2017.

[17] Belgiu， M.， & Dragut?， L. Random forest in remote sensing： A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2016（114）： 24-31.

[18] Wang，  Q.， Wang，  X.， Zhou，  Y.， Liu，  D.， & Wang，  H. The dominant factors and influence of urban characteristics on land surface temperature using random forest algorithm[J]. Sustainable Cities and Society， 2022（79）：103722.

[19] 諸大建， 何芳， 霍佳震. 中国城市可持续发展绿皮书[M].上海： 同济大学出版社， 2013.

[20] 游晓婕， 李琼， 孟庆林. 城市热岛空间格局及形态差异化调控策略研究——以广州市中心城区为例[J]. 风景园林， 2021， 28（5）：6.

[21] Sya B， Zcc D， Bya B， et al. Exploring the relationship between 2D/3D landscape pattern and land surface temperature based on explainable eXtreme Gradient Boosting tree： A case study of Shanghai[J]. China – Science Direct. Science of The Total Environment， 2020（725）.

[22] 李莹莹， 邓雅云， 陈永生， 等. 基于卫星遥感的合肥城市绿色空间对热环境的影响评估[J]. 生态环境学报， 2018， 27（7）：10.

[23] Wu， H.， Ruan， W.， Wang， J.， Zheng， D.， Liu， B.， Geng， Y.， & Helal， S. Interpretable machine learning for covid-19： An empirical study on severity prediction task[M]. IEEE Transactions on Artificial Intelligence， 2021.

[24] Logan， T. M.， Zaitchik， B.， Guikema， S.， & Nisbet， A. Night and day： The influence and relative importance of urban characteristics on remotely sensed land surface temperature[J]. Remote Sensing of Environment， 2020 （247）：111861.

[25] 葛靜茹， 王海军， 贺三维， 等. 武汉市都市发展区地表温度季节性空间分布与驱动力分析[J]. 长江流域资源与环境， 2021， 30（2）：10.

[26] 包小凤. 空间马尔科夫链在城市蔓延时空特征分析与预测中的应用——以广州市为例[D]. 广州： 华南师范大学， 2014.

[27] Breiman， L. Random forests[J]. Machine Learning， 2001 （45）：5-32.

[28] Sun， Dao-de， Department， et al. Selection of the Linear Regression Model According to the Parameter Estimation[J]. Wuhan University Journal of Natural Sciences， 2000.

[29] 孙喆. 高密度城区形态要素对热环境的影响作用——以北京市五环内区域为例[J]. 生态环境学报， 2020， 29（10）：8.

[30] 谢启姣， 段吕晗， 汪正祥. 夏季城市景观格局对热场空间分布的影响——以武汉为例[J]. 长江流域资源与环境， 2018， 27（8）：10.

[31] 杨晓峰. 基于遥感技术下广州市城市热岛效应研究[D]. 南京： 南京信息工程大学， 2008.

[32] Sun Y， Gao C， Li J， et al. Quantifying the Effects of Urban Form on Land Surface Temperature in Subtropical High-Density Urban Areas Using Machine Learning[J]. Remote Sensing， 2019， 11（8）.

[33] X  Zhu， Li Y， X Wang. Machine learning prediction of biochar yield and carbon contents in biochar based on biomass characteristics and pyrolysis conditions[J]. Bioresource Technology， 2019（288）：121527.

[34] Guo， F.， Wu， Q.， & Schlink， U. 3D building configuration as the driver of diurnal and nocturnal land surface temperatures： Application in Beijings old city[J]. Building and Environment， 2021 （206）： 108354.

[35] Peng J， Qiao R， Liu Y， et al. A wavelet coherence approach to prioritizing influencing factors of land surface temperature and associated research scales[J]. Remote Sensing of Environment， 2020（246）：111866.

Abstract： In recent years， some studies have shown that the influence of urban form on the thermal environment was more significant， but there were few studies that discussed it from the perspective of urban spatial structure. In order to evaluate the relative importance and mutual influence of urban morphological characteristics on surface temperature， this paper took the central area of Guangzhou as the research area， and selected the central 10 km area to divide it into basic units of different side length grids. The random forest regression model was used in different grids. Ten influencing factors were quantified on the grid scale， and the influence laws of water bodies， green spaces and buildings on the urban thermal environment were analyzed in depth. The results showed that the magnitude and direction of the impact of urban morphology indicators on surface temperature varied with seasons and observational scales. Building density， unit water area， unit vegetation area， and average building height were the 4 most important influencing factors， while factors such as sidewalk density and points of interest were less correlated with changes in surface temperature. Building form， water body and green space have dominant influences on surface temperature changes. Building density had an obvious positive effect on surface temperature， and the average height of buildings fluctuates with surface temperature. Urban green spaces and water bodies indicated a strong cooling effect， especially in summer.

Key words： urban form; land surface temperature; Ordinary Least Square regression model; Random forest regression model