基于景观格局、土地利用与光谱指数的城市地表温度多尺度季节性预测模型

本研究创新性地采用XGBoost（极端梯度提升）、RF（随机森林）和SVM（支持向量机）算法，基于Landsat 8 OLI_TIRS数据构建了跨季节（春/夏/秋/冬）、多尺度（50-250m）的城市地表温度（LST）预测模型。研究发现XGBoost模型在150-250m尺度表现最优（R2>0.91），夏季预测精度最高（R2=0.95），并通过SHAP（沙普利加性解释）和VIF（方差膨胀因子）分析揭示了遥感光谱指数对LST预测的关键贡献，为高时空分辨率地表温度数据获取提供了新范式。

　　

研究亮点

本研究首次系统验证了机器学习模型在预测地表温度（LST）时的跨季节、跨尺度稳定性。XGBoost模型展现出"尺度适应性"——当空间尺度增至150-250米时，决定系数（R2）稳定在0.91以上，就像精准的"温度显微镜"能自动调节观测精度。

模型表现

三大模型（XGBoost/RF/SVM）在五个空间尺度（50/100/150/200/250米）展开较量，结果如同"四季温度擂台赛"：XGBoost夏季夺冠（R2=0.95），春季（R2=0.94）和秋季（R2=0.93）紧随其后，冬季稍逊（R2=0.90）。有趣的是，模型精度会随尺度增大而提升，就像用"放大镜"观察城市热场时，150米成为关键转折点。

关键驱动因子

SHAP分析揭示了"温度指挥家"们的贡献排序：NDVI（归一化植被指数）和NDBI（建筑用地指数）常年占据C位，而某些景观指标像"季节性舞者"，贡献度会随气候变换。通过VIF筛选的5个核心变量组合，既保持了模型预测的"温度嗅觉灵敏度"，又显著提升了运算效率。

结论

这项研究构建的"智能温度测绘仪"突破了传统遥感数据时空分辨率的限制，其创新之处在于：1）首次实现"四季通用"的LST预测；2）发现150米是模型性能的"黄金尺度"；3）通过SHAP-VIF双引擎驱动，既解析了温度形成机制，又优化了模型工程应用性。