论文标题：Machine Learning Prediction of Urban Heat Island Severity in the Midwestern United States

论文链接：http://www.mdpi.com/2071-1050/17/13/6193

期刊名：Sustainability

期刊主页：https://www.mdpi.com/journal/sustainability

一、引言

人口快速增长和城市化进程对环境产生了巨大影响，导致城市气温急剧上升，这种现象被称为城市热岛效应。以往的研究多聚焦于土地利用对城市热岛效应的影响，而非其对社区人口结构和城市热岛强度的影响。此外，以往的研究大多集中于特定地点，环境数据的同质化限制了我们对不同区域差异性的研究。来自密歇根理工大学的Abdolmajid Erfani副教授及其团队在Sustainability发表了文章。该研究基于美国中西部地区的人口统计、气象条件及土地利用/覆被数据，开发集成学习模型以预测城市热岛强度。该研究为城市规划者和决策部门提供了一个稳健的大规模预测模型，协助他们识别影响城市热岛效应的关键驱动因素，并制定针对性的缓解策略。

图1 城市热岛强度预测框架

二、研究过程与结果

该研究的城市热岛强度预测方法主要包括如下步骤：①数据收集：该研究团队收集了2020年度城市人口普查区69个指标的数据，分为三大类：城市热岛强度数据集（城市热岛强度值、归一化植被指数等）、社会人口数据集（人口特征、社会经济状况、住房条件等）、非结构化数据集/ArcGIS空间数据（海岸距离、建筑总面积、年均温度与降雨量等）。②数据预处理：该研究团队进行了数据的整合和处理，通过数据清洗和筛选、数据离散化、缺失数据插补，最终建立了包含11,972条记录的数据集。③预测模型构建以及模型评估：该研究团队采用了两种典型的集成学习方法：随机森林和XGBoost，运用K折交叉验证评估模型性能，使用Optuna框架实现超参数优化。

从数据空间分布上看，伊利诺伊州、俄亥俄州和密歇根州的数据点占比最高，反映其高度城市化特征；而南达科他州、内布拉斯加州和北达科他州的数据点占比最小，印证其较低的城市化水平。与此同时，美国各州的城市热岛强度存在明显地域差异：内布拉斯加州和堪萨斯州平均强度最低（约1℃），威斯康星州、密歇根州和伊利诺伊州最高（约2.3℃）。大部分城市普查区的城市热岛强度集中在0-3℃区间，但分析结果存在延伸至4-7℃的长尾分布，说明部分城市普查区遭受着严重的城市热岛效应（均值=1.93℃，标准差=1.59℃）。

根据集成学习模型分析（准确率0.76），土地利用/覆被特征（尤其是城乡植被指数差值、不透水地表）是影响城市热岛强度的首要驱动因子，社会人口因素（如人口密度与建筑高度）也是重要的正向驱动因子，而气象因素的影响较弱。该研究成果为缓解城市热岛强度提供了可靠依据：一方面可以从可干预措施入手，增加植被覆盖，如建设公园绿地和推行屋顶绿化；另一方面，可以制定因地制宜的城乡规划方案，在美国中西部地区主要依靠恢复植被的蒸散冷却来缓解城市热岛效应，而在美国西南部等干旱地区则优先考率采用具备反射性的“降温”建筑材料来提升地表反射率，缓解城市热岛效应。

图2 美国中西部各州城市人口普查区的空间分布

三、研究总结

该研究验证了集成学习技术在预测美国中西部城市热岛强度和识别其关键驱动因子中的有效性。研究成果既适用于现有城市热岛效应重灾区的治理，也可以作为指导新兴城市区域预防城市热岛效应的前瞻性规划。该研究也存在局限性，比如现有的预测模型可能未完全覆盖所有与城市热岛强度相关的驱动要素。后续研究可以纳入城市形态指标和时序变量，深化情景适用性研究，最终争取将预测模型直接嵌入政策模拟工具，实现从技术分析到政策执行的跨越。

期刊介绍

主编：Prof. Dr. Steve W. Lyon, Ohio State University, USA

期刊涉及人类的环境、文化、经济和社会可持续性，为有关可持续性和可持续发展的研究提供了一个高级论坛。目前期刊已被 SCIE, SSCI (Web of Science) 和 Scopus 等数据库收录。

2024 Impact Factor: 3.3

2024 CiteScore: 7.7

Time to First Decision: 19.3 Days

Acceptance to Publication: 3.4 Days