多源数据融合的高分辨率气温建模：城市热岛缓解策略的预测性洞察

本文提出了一种融合卫星遥感（LST）、物联网（IoT）传感器与城市形态数据的机器学习框架（R2=0.9939，RMSE=0.4363°C），突破传统插值法局限，实现高精度城市近地表气温预测。该模型通过空间滞后特征捕捉热岛（UHI）时空异质性，为气候适应性规划提供靶向干预依据，助力低碳城市发展。

　　

Highlight

为解析城市热环境时空异质性，本研究创新性地整合多源地理空间数据与机器学习技术，构建了高分辨率气温预测框架。

Material and method

通过Spearman秩相关分析（ρ绝对值越大关联性越强）筛选预测因子，结合随机森林与XGBoost算法，引入空间滞后特征增强模型空间自相关性捕捉能力。

Correlation analysis

采用抗异常值的非参数统计方法，揭示地表温度（LST）、建筑高度比（H/W）等变量与气温的非线性关系，为模型输入提供科学依据。

Discussion

相比既往研究（平均RMSE 0.88±0.77°C），本模型日间XGBoost预测误差仅0.78°C（R2=0.9810），夜间随机森林+空间滞后特征组合更将精度提升至RMSE 0.4363°C，显著优于传统插值法。

Conclusions

该框架通过多源数据协同实现了亚公里级气温动态模拟，其空间显式预测能力可精准识别热风险热点，为海绵城市建设和绿色基础设施布局提供量化决策支持。