基于机器学习与SD-PLUS模型的山地特大城市热岛效应与热风险多情景模拟研究

《Sustainable Cities and Society》：Future Urban Heat Island Effect and Heat Risk in Mountainous Megacity: Multi-Scenario Simulations Using Machine Learning Model and the SD-PLUS Model

本文创新性地融合XGBoost机器学习算法与SD-PLUS耦合模型，模拟SSP-RCP多情景下山地特大城市地表温度（LST）、热岛强度（UHI）及热风险（UHR）的时空演变。研究发现重庆中心城区热岛效应持续加剧，2050年高风险区面积将达2020年的1.9-2.6倍，为山地城市气候适应性规划提供了量化依据。

　　

¹2000-2020年LST与UHI指数的时空演变

图5展示了2000-2020年地表温度（LST）的时空分布与演变规律。图6(a)-(c)呈现了三个历史时期热岛指数（UHI）的空间格局。西北部地区LST较高且随时间持续上升，而南部武陵山区和东北部大巴山区LST较低并呈现下降趋势。图6(d)显示过去20年间整体UHI强度显著增强，平均UHI指数持续攀升。

²基于SHAP模型的因子贡献度解析

采用SHAP模型对XGBoost模型中9个驱动因子进行量化归因分析。如图11(a)所示，气温、建设用地占比、草地占比和农田占比对LST呈正向驱动，而数字高程模型（DEM）和水域占比则呈现负向抑制。值得注意的是，气温因子的影响幅度最大，其次是建设用地占比（P_construction）等空间结构指标。

³研究结论

本研究通过SD-PLUS耦合模型与XGBoost机器学习算法构建了创新性分析框架，建立了LST回归预测模型，在多SSP-RCP情景下模拟了UHI指数与热风险（UHR）的时空演化规律。研究发现：（1）2020-2050年间高热岛指数与热风险值集中分布于四川盆地内的城市核心区；（2）不同情景下建设用地扩张程度差异显著，SSP585情景表现最为突出；（3）热风险高值区范围呈倍数增长，凸显山地特大城市气候适应的紧迫性。