城市热岛效应的季节性驱动因素及其对可持续空间规划的影响：以印度东部一个快速发展中的城市为例

城市热岛效应驱动机制及空间异质性研究——以印度新城镇区为例。通过集成遥感数据、可解释机器学习（LightGBM/CatBoost）和空间聚类方法，揭示夏季道路网络与裸露地表主导的LST升高（+1.5℃异常区），冬季裸土指数（贡献率80%）主导的辐射-反照率耦合效应，并建立气候响应型城市规划框架。

阿尼尔班·昆杜（Anirban Kundu）| 斯雷亚·穆克吉（Sreya Mukherjee）| 萨亚尼·穆克霍帕德哈伊（Sayani Mukhopadhyay）

地理系，阿苏托什学院（Asutosh College），地址：92号Shyama Prasad Mukherjee路，加尔各答（Kolkata），西孟加拉邦（West Bengal），邮编700026，印度

摘要

全球南方快速的城郊扩张加剧了地表温度（LST）的异质性，然而这种温度变化的季节性驱动因素和空间逻辑仍不甚明了。本研究通过整合遥感技术、可解释机器学习（explainable machine learning）和空间聚类方法，探讨了印度拉贾拉特（Rajarhat，简称NTR）新城区地表温度的季节性控制因素。地表温度数据来自Landsat卫星图像，并使用多种机器学习算法进行建模，其中LightGBM和CatBoost模型的预测能力最强（夏季R²值高达0.99，冬季为0.96）。Shapley Additive Explanations（SHAP）方法被用来量化各个预测因素的影响方向和程度，这些因素包括道路网络距离、建筑形态、地表裸露程度、植被覆盖、湿度以及人口密度。研究结果表明，温度控制因素存在明显的季节性变化：夏季地表温度主要受主要道路和次要道路的影响，距离主要道路50米以内的区域由于辐射和对流效应的叠加，温度异常值超过1.5°C；而冬季地表温度则主要受地表物质特性的影响，其中裸土指数占比接近80%，反映了在光照减少条件下的辐射率和反照率作用。基于SHAP的聚类分析进一步揭示了城郊地区的不同热环境特征，凸显了裸露建筑热点区域与受湿度调节的冷却区域之间的共存现象。这些发现表明，城郊地区的热环境是由多种过程驱动的，具有季节性适应性，并且存在空间异质性，而非单纯依赖于人口密度。该研究为快速城市化地区的季节性城市热岛缓解措施和气候适应性规划提供了一个可复制、可解释的框架。

引言

城市热应激日益被视为21世纪最重要的环境问题之一，这与快速城市化和全球气候变化的综合影响密切相关（Li等人，2022年；Salamanca-Palou等人，2025年）。目前全球超过56%的人口居住在城市地区，预计到2050年这一比例将上升至68%（Kookana等人，2020年）。与此同时，全球平均地表温度相比工业化前已经上升了约1.1°C。城市化进程的加快进一步加剧了这一问题，因为城市地区由于土地利用/土地覆盖（LULC）模式的变化、人为热量的排放以及可渗透表面的快速转变为不可渗透表面，导致温度升高（Verichev等人，2024年）。来自北京、东京或纽约等大都市的大量证据表明，植被覆盖的郊区与人口密集的城市区域之间的地表温度差异可超过6-8°C（Chao等人，2020年；Yin & Zhao，2024年）。人们也越来越意识到城市形态特征（尤其是建筑结构和道路基础设施）与这些温度差异之间的密切关联。靠近交通基础设施的区域由于反照率较低、热质量较高以及人为活动较多，温度通常更高（Elmarakby & Elkadi，2023年；Mirabi & Davies，2024年；Vujovic等人，2021年）。尽管近年来在精确估算地表温度方面取得了进展，但目前大多数方法仍缺乏足够的季节敏感性，尤其是在快速发展的全球南方大都市地区（Han等人，2025年；Snaiki & Merabtine，2025年；Wang等人，2023年）。

印度目前正在经历快速的城市化进程，这对城市形态和热环境产生了深远影响（Chatterjee & Majumdar，2021年；A. Das等人，2024年）。预计到2036年，印度城市人口将超过6亿，2001年至2011年间城市人口增长了31.8%（Keshav & Bala Komaraiah，2015年；Punyamurthy & Bheenaveni，2023年）。过去几年中，德里、艾哈迈达巴德和那格浦尔等主要城市的夏季地表温度经常超过45°C，显示出日益严重的热应激（Mandvikar等人，2024年；Ravindra等人，2024年）。在海得拉巴和孟买等城市，由于城市热岛效应（UHI），热应激强度达到了4-7°C（Islam等人，2024年）。然而，许多关于印度全国地表温度的研究仍依赖于月度和年度平均值，忽略了季节性差异、道路距离以及其他微观层面的差异（B. Das等人，2025年；Saxena & Agrawal，2023年；Shahfahad等人，2024年）。由于缺乏气候响应性的设计以及快速的土地利用变化，城郊地区成为热环境变化最显著的区域之一，但它们却未得到足够重视。此外，印度政策中的“智慧城市”概念不仅包括技术干预，还涵盖了可持续性、气候适应性和基于数据的空间规划。根据印度政府的定义，智慧城市不仅指数字基础设施和治理平台，还体现在其通过数据驱动的决策来提升环境绩效、宜居性和资源效率的能力上。然而，最近的分析指出，智慧城市建设与气候敏感型城市结构之间存在日益明显的差异，特别是在城市热岛缓解方面。位于西孟加拉邦的加尔各答新城区（NTR）就是一个典型案例。NTR被规划为一个智能卫星城镇，根据不同的城市化阶段划分为四个行动区（I-IV）（D. Mitra & Banerji，2018年；S. Mitra等人，2025年）。该地区行政单元内部以及气候区域的显著差异（夏季炎热、冬季相对温和）使其成为评估道路距离、地表类型（植被、水域、裸露地面）和土地利用/土地覆盖模式对地表温度空间和季节性变化影响的理想场所（Barman等人，2025年；Engel等人，2023年；Kundu & Mukhopadhyay，2023年；Mahata等人，2024年；Manapragada等人，2025年；Meng等人，2022年；Naserikia，2025年；M. Das & Das，2020年；Mandal等人，2021年）。因此，本研究通过提供一个空间详细、基于可解释机器学习的模型，为快速城市化的地区（如NTR）诊断季节性城市热源并制定可行的气候适应性规划策略提供了支持。

尽管近年来关于城市地表温度的研究范围有所扩大，但现有知识体系中仍存在一些重要空白。首先，仅依赖单时间序列数据的方法、简单的指数-温度关系或线性回归模型往往无法揭示季风气候区域中热因素的强烈季节性变化（Azmi等人，2021年；Chhuanga等人，2025年；Guha & Govil，2021年；Lian等人，2017年；Mathew等人，2022年）。其次，线性建模方法不适合捕捉地表温度研究中变量之间的非线性关系，例如城市密度、道路网络层次结构和植被密度（Dev Roy等人，2025年；He等人，2025年；Soltani等人，2026年；Song等人，2025年；Xie等人，2025年）。第三，当前研究中往往忽略城市环境中的自然热异质性，因为通常假设城市区域是一个均匀的热体（Hu等人，2024年；Wu等人，2021年；Zhang等人，2025年）。最后，机器学习算法的解释能力不足限制了其在城市规划中的应用，因为它们的输出结果无法充分解释地表温度变化的主要驱动因素（Linardatos等人，2021年；Tahooni等人，2025年）。

从理论角度来看，气候敏感的空间规划框架应将城市热应激视为城市形态、基础设施、地表和季节性气候动态相互作用的结果。在实践中，将其转化为操作工具和方法需要分析工具能够执行复杂的非线性分析，同时确保决策过程的可解释性。因此，本研究采用了一种针对特定季节的分析策略，综合考虑了生物物理和城市环境因素。主要研究问题包括：

i.

NTR地区夏季和冬季地表温度变化的主要空间决定因素是什么？

ii.

不同的地表温度控制因素如何影响地表温度的空间分布变化？

iii.

可解释机器学习结果的聚类如何帮助识别NTR地区适合气候适应性规划的热敏感区域？

研究区域

研究区域

NTR是位于西孟加拉邦加尔各答东部边缘的一个快速发展的规划城镇，纬度范围为22.58°N–22.63°N，经度范围为88.45°E–88.49°E。NTR作为一个智能卫星城镇进行开发，其发展规划和土地利用分区具有明确的结构，由西孟加拉住房基础设施开发公司（WBHIDCO）负责实施。本文中提到的“智能发展城市”概念

NTR地区的地表温度季节性和空间差异

NTR地区的地表温度空间和季节性变化（图3）显示了城市内部的温差以及冬季和夏季地表温度的加剧。冬季地表温度范围从低于21.22°C到最高27.51°C。AAI和AAII区域以较低至中等温度为主，高温度区域较少。相比之下，AAIII区域面积较大，高温度现象更为普遍。

讨论

本研究表明，NTR地区的地表温度具有明显的季节性特征，并且在不同地表材料、交通基础设施、建筑形态和蒸发条件的影响下表现出空间异质性。通过结合可解释机器学习和空间聚类方法，研究结果超越了简单的归因分析，揭示了不同驱动因素如何在季节和城郊梯度上产生不同的热环境。这与以往的地表温度研究有所不同

结论

本研究通过应用可解释机器学习和地理空间聚类技术，对NTR地区的地表温度进行了深入分析，涵盖了该地区的多种特征。研究结果表明，NTR地区的地表温度空间和季节性变化源于地表材料、交通基础设施距离和湿度条件的不同组合。主要预测因素在不同季节之间存在明显的转变

资金支持

本研究未获得公共部门、商业机构或非营利组织的任何特定资助。

数据和材料的可用性

本研究使用的数据来源于公开渠道。研究过程中生成的处理后的数据集和中间结果可向相应作者索取。

未引用的参考文献

Alam和Banerjee，2023年；Haq，2011年；K S和Mathew，2024年；Kustura，Conti，Sammer和Riffler，2025年；Roy，Majumder，Bose和Roy Chowdhury，2024年；Vahid和Aly，2025年

作者贡献声明

阿尼尔班·昆杜（Anirban Kundu）：负责撰写初稿、数据可视化、软件开发、方法论设计、调查实施、数据分析、概念构建。斯雷亚·穆克吉（Sreya Mukherjee）：负责撰写初稿、数据可视化、软件开发、方法论设计、数据分析。萨亚尼·穆克霍帕德哈伊（Sayani Mukhopadhyay）：负责审稿与编辑、数据可视化、项目监督、数据管理。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。同时，作者也没有可能被视为潜在利益冲突的财务利益或个人关系。