全球一半以上的人口居住在城市地区，人口密集的城市往往位于特定的气候风险地点[1]。城市热岛效应对城市环境造成不可忽视的持续性压力，引发了频繁的极端天气事件，对城市居民的健康构成一定威胁。学术界近年来将如何精确识别城市热岛效应的空间特征，并基于此探索以缓解该效应的方法[2]。城市热岛的生成涉及原因复杂，其中局地气候和城市化因素共同作用。城市化因素主要涵盖城市建筑材质、地表覆盖分布、建筑的三维几何结构以及人为热排放等方面。地表覆盖分布状况和建筑的三维几何结构属于城市空间形态研究的范畴。城市建成环境的恶化不仅会加剧气候灾害，还将给城市系统带来极大的压力。随着城市化进程在亚热带湿热地区的不断推进，植被绿化覆盖率下降、透水表面积减小、混凝土材质吸收了大量太阳辐射等因素导致城市地表无法有效散热。有学者对建筑高度[3]、不透水表面分数[4]、城市形态等单一要素在城市热岛形成中的影响进行了研究，却缺乏对二维和三维建成环境综合影响城市热岛的研究以及对两者之间空间相互作用关系的深入探讨。1研究场地概况与数据1.1研究区概况珠江新城总面积较大，是一个综合性的商务、文化、居住区域。在广州珠江新城，高楼大厦、大面积的硬质表面、有限的绿化空间以及强烈的人为活动，都促成了城市热岛现象的发生，使夏季温度上升，能量积聚，形成一个相对独立的热区。城市形态合理布局的影响成为缓解珠江新城城市热岛效应的关键因素。1.2数据来源与处理1.2.1高温强度数据本研究利用中国青藏高原国家数据中心的高精度LST数据，揭示热岛强度的空间特征。该数据利用一种新的经验反演方法，可以同时考虑地形、地表覆盖、太阳辐射和大气条件的复杂影响。基于地理加权回归将结果降至0.01°空间分辨率。将数据集中在夏季进行研究，因为研究区域的热岛效应在夏季最严重，且晴朗无云条件最适合分析。为了减少时间变化的影响，根据之前的研究计算了5年夏季的城市热岛效应的强度[5]，计算公式为：高温强度=（LSTGrid-LSTRural）/LSTRural （1）式中：LSTGrid——每个网格内的平均温度；LSTRural——乡镇地区的平均温度。实验中将高温强度作为因变量。1.2.2解释性因素基于地理信息系统的规划信息，开发了一套城市形态分析地图。根据灵敏度测试，地图遵循默认的、原始的光栅框架，分辨率为300 m。城市形态分析图包括建筑高度、建筑表面分数、天视系数和建筑高宽比、透水地表分数和不透水面分数、街道宽度的街道几何参数、植被覆盖度[6]。综合城市形态分析图集为城市规划决策提供了可视化参考，通过GIS技术的运用，也为进一步的空间数据分析和模拟提供了坚实的基础。2XGBOOST算法2.1XGBoost模型的基本结构XGBoost是一个功能强大的工具，具有很强的适应性、对非线性的免疫力以及快速识别隐含变量重要性的能力，同时还具有较高的预测准确性和可解释性。为了评估模型达到较高的预测精度和可解释性，本文选择了XGBoost算法拟合和城市热岛与城市形态变量之间错综复杂的关系，其XGBoost模型表示为：y^i=∑k=1Kfkxi,fk∈F （2）式中：fk——回归树；F——回归树的集合空间；y^i——模型的预测结果；yi——训练集中记录的样本真实值。XGBoost模型的目标函数定义为：Lt=∑i=1nlyi,y^i+∑k=1KΩfk （3）Ωfk=ΥT+12λω2 （4）为了提高预测精度，应尽量减少样本真实值yi和预测结果y^i的训练损失，该损失通常由均方根误差RMSE定义。在XGBoost的回归数模型中，第k次迭代时的每个fk都由一个独立的树表示，该树将Rm空间划分为T个不相交区域。超参数设置是XGBoost模型训练的关键步骤，超参数是机器学习模型中固有的一种参数，控制模型在训练过程中并行任务数量、拟合梯度等。2.2解释性分析鉴于风险指数数据普遍呈现非正态和离散特征，本研究选用斯皮尔曼相关分析作为常见技术，用以确定两个变量之间的关联，以考虑这些数据的线性关联性。此外，为了增强XGBoost模型的可解释性，使用方差膨胀因子（VIF）识别并消除了自变量之间复杂的共线性。为了提高XGBoost模型的可解释性，需要在自变量间排除多重共线性。VIF小于10、公差大于0.1表示自变量之间没有共线性。SHAP分析是一个面向python的软件包，设计用于解释机器学习模型的结果。方法包括一个附加的解释模型，将所有特征视为“贡献者”，是一个受合作博弈论启发的概念[7]。部分依赖图（PDP）解释的工作原理是通过可视化展示了一个或两个特征对模型预测结果的边际影响。其操作机制在于维持其他特征的数值稳定，逐步变动目标特征的数值，根据模型算法依序调整，从而获取相应的预测值[7]。3实验结果与分析3.1城市热岛贡献值分析应用SHAP分析每个因素的特征重要性，为了解导致城市热岛的致灾因子提供了关键的见解。研究结果强调了建筑表面分数、建筑高度、植被覆盖度和天视系数在城市热岛方面的重要性。建议城市规划者和决策者在制定预防城市热岛策略时应纳入上述因素[8]。因此，在预防和缓解城市热岛的策略中，综合考虑和平衡因素的关系至关重要。研究结果为实施可持续城市规划和建设提供了科学依据，并呼吁决策者在政策制定和城市发展中重视减轻城市热岛效应的措施。SHAP正值表示促进城市热岛，SHAP负值则表示抑制城市热岛，基于SHAP值的XGBoost模型中特征的总结和重要性如图1所示。10.19301/j.cnki.zncs.2024.01.016.F001图1基于SHAP值的XGBoost模型中特征的总结和重要性3.2显性双因素协同优化的区间分析优化城市形态空间是城市热岛管理的重要部分。关键因素之间的合作优化区间，可以对指导城市形态的空间构型优化，PDP交互分析证明有助于识别风险诱发指标之间的最优解区域。建筑表面分数、建筑高度和植被覆盖度的交互作用如图2所示。10.19301/j.cnki.zncs.2024.01.016.F002图2建筑表面分数、建筑高度和植被覆盖度的交互作用交互分析包括建筑表面分数、建筑高度和植被覆盖度。研究发现，建筑表面分数、建筑高度和植被覆盖度是最具影响性的因素，且建筑指标建筑表面分数和建筑高度则作为抑制作用因素。对建筑表面分数的综合分析表明，其保持在3%以下，植被覆盖度大于22%，建筑高度低于6 m可导致最佳的相互作用，显著改善城市热岛风险管理。本研究强调了在未来城市建设中，在合适的区域抑制建筑高度和建筑表面分数最大值的必要性，同时也强调了重要因素的合作优化区间对城市热岛管理的重要性。4结语本研究采用创新的XGBoost-SHAP模型，探讨城市形态元素对城市热岛敏感性的影响，为指导未来城市发展和风险缓解提供见解。通过SHAP值，本研究明确了建筑表面分数、建筑高度和植被覆盖度在城市热岛形成中的显著性。通过部分依赖图（PDP）分析，确定了关键变量的临界阈值，有效管理关键变量可显著减轻城市热岛的不利影响。研究结果强调了将未来气候预测纳入城市恢复力计划的紧迫性。通过在城市规划中同时考虑二维和三维建筑维度，可以更全面地理解城市形态对热岛效应的影响，为创造更具可持续性、韧性的城市环境奠定坚实基础。本研究在理论层面深化了对城市热岛现象的认识，在实践层面为城市规划者和决策者提供了实用性建议，推动未来城市发展走向更为可持续的方向。