城市熱島（UHI）是指城市區域溫度顯著高于周邊農村地區的現象（Q. Yang等人，2024年）。地表溫度（LST）常用于表征UHI強度與土地利用/土地覆蓋（LULC）之間的關系，其中土地利用類型在LST變化中起主導作用（Barat等人，2018年；H. Xu等人，2018年）。在快速城市化過程中，LULC的時空重構帶來了一系列環境挑戰，尤其是LST積累加劇、人為排放增加以及熱舒適度下降（Jiang等人，2025年；Patel等人，2024年）。城市地區受影響最為嚴重，經常面臨極端熱浪和局部熱量滯留，導致LST持續升高（Jang & Jung，2025年）。LST還受到多種城市因素的影響，包括LULC模式和城市空間形態（Tang等人，2025年）。因此，系統地識別和量化UHI效應的空間決定因素對于減少熱暴露和促進可持續城市發展至關重要。

城市空間主要由城市建成空間（UBS）、城市綠地（UGS）和城市藍空間（Wang等人，2024年）組成。作為塑造城市熱環境的核心要素之一，UBS在加劇UHI效應中起著重要作用。研究表明，UBS的形狀、布局、密度和建筑高度都是影響LST的主要因素（W. Chen等人，2022年）。在這些因素中，UBS的面積在城市化過程中對LST的影響最大。UBS的持續擴張不僅提高了周圍小范圍的LST，還削弱或掩蓋了UGS提供的降溫效果（Yuan等人，2021年）。關于3D建筑指標的研究進一步表明，低層高密度的UBS會增強熱量積聚并提高LST，而高層低密度的UBS則通過形成通風走廊來降低LST（J. Song等人，2020年；J. Yang等人，2018年）。

大量證據證實了UGS形態、面積和結構的顯著降溫效果。研究表明，每增加10%的綠地覆蓋率，LST平均降低約0.39°C（Tan等人，2021年）。歸一化植被指數（NDVI）和植被覆蓋比例（FVC）與LST顯著負相關（Alexander，2020年；Li等人，2020年）。UGS在大約200–500米的范圍內也具有顯著的降溫效果（Aram等人，2019年）。綠地的連通性、復雜性和破碎度與LST密切相關（Zhong等人，2025年）。值得注意的是，當植被高度和覆蓋率達到一定閾值后，垂直植被結構的降溫效果趨于穩定，表明僅增加植被高度無法完全滿足城市的大規模降溫需求（Alexander，2021年；P. Zeng等人，2022年）。研究還表明，在緩解LST方面，2D因素始終比3D因素更有效（Z. Zhou & Liu，2026年）。城市藍空間（如湖泊、水庫和河流）由于其較高的熱容量，在白天表現出較慢的升溫速率，從而產生局部降溫效果，但可能在夜間釋放儲存的熱量，造成升溫效應（X. Zeng等人，2026年）。然而，現有研究表明，與UGS相比，城市藍空間的降溫效果較弱，且主要在夏季高溫期間發揮作用（Bartesaghi Koc等人，2018年；Xue等人，2019年）。因此，在大多數城市規模的研究中，LST的空間差異仍主要由UBS–UGS的結構特征及其相互作用主導。

在高度異質的城市環境中，LST并非由單一因素以線性方式形成，而是由UBS–UGS通過復雜的物理和生態過程共同調節的結果。UBS通過不透水表面、建筑材料和密度加劇熱量儲存（Ramachandra等人，2025年），而UGS主要通過蒸散作用和遮蔭來降溫（Ma等人，2025年）。UBS–UGS的空間配置決定了熱量的積累和擴散方式，從而塑造整體城市熱模式（Jang & Jung，2025年）。UGS的降溫效應和UBS的升溫效應并非固定不變，而是嵌入在它們相互作用形成的復雜空間結構中（Q. Zhang等人，2022年）。因此，從單一因素角度分析LST的驅動因素可能會忽略UBS和UGS之間的相互制約和協同效應，增加解釋的不確定性。從空間角度來看，采用將UBS–UGS視為共同調節城市熱環境的集成系統的協同視角是必要的。同時，LST還受到季節性太陽輻射和植被特征的顯著影響（Fan等人，2015年）。因此，UBS–UGS的戰略配置應考慮空間協同性和時間異質性，以最大化整體降溫潛力并有效緩解UHI效應。

在方法論層面，使用FRAGSTATS計算的景觀指標被廣泛用于量化空間特征，包括面積和組成（例如景觀百分比（PLAND）、最大路徑指數（LPI））、結構和破碎度（例如斑塊數量（NP）、周長-面積比（PARA）以及聚合和連通性（例如聚集度指數（CLUMPY）、斑塊凝聚力指數（COHESION），以系統描述空間結構的組成和配置（Yao等人，2022年）。此外，基于數學形態學的形態空間模式分析（MSPA）可以將二值或分類柵格的空間結構分解為核心、邊緣、橋梁、島嶼、環路、分支和穿孔等單元，揭示空間形態和連通路徑（Lian & Feng，2022年）。簡而言之，景觀指標關注空間模式的定量強度（Rasoulzadeh等人，2023年），而MSPA則側重于空間形態和結構功能的識別（Soille & Vogt，2009年）。景觀指標和MSPA本質上是基于LULC柵格或分類圖像的處理方法，這兩種方法在解釋空間機制和模式類型差異方面具有顯著互補性（T. Zhang等人，2025年）。因此，在統一的分類框架下，這些方法可以應用于UBS–UGS的形態和景觀特征測量，為分析它們的空間耦合關系提供一致的定量基礎。

近年來，遙感和人工智能技術的進步為解決城市形態特征對熱暴露的復雜影響提供了新方法（Han等人，2025年）。機器學習模型，如XGBoost、LightGBM和CatBoost，在建模非線性空間關系和特征交互方面表現出色（Hoang等人，2025年）。此外，可解釋的機器學習（EML），包括Shapley加性解釋（SHAP）、偏依賴圖（PDP）和交互效應分析，使研究人員能夠以前所未有的清晰度可視化變量重要性和量化閾值響應。Tahooni等人（2025年）比較了隨機森林、支持向量回歸和XGBoost在模擬不同土地覆蓋類型下的主要城市熱模式方面的表現，并結合SHAP來解釋預測結果并測量關鍵環境變量對LST變化的貢獻。然而，將EML整合到統一UBS–UGS的多維空間框架中進行綜合分析的研究仍不完善。

總之，盡管現有研究揭示了LST與城市空間形態之間的關系，但對UBS–UGS在季節性晝夜間的耦合機制及其協同效應的系統分析仍有限。同時，EML主要應用于單變量解釋。鑒于這些局限性，本研究構建了八個UBS–UGS綜合指數，包括覆蓋強度、破碎度復雜性、聚合連通性和形態結構，通過整合多季節的ECOSTRESS LST數據并對比多種機器學習模型。確定CatBoost為最佳模型。然后使用SHAP、PDP和交互效應分析來量化相對重要性、檢測非線性閾值并揭示耦合機制。本研究旨在：（1）探討UBS–UGS的形態和景觀指標如何共同影響季節性晝夜LST；（2）識別控制城市升溫與降溫轉換的關鍵閾值和交互效應；（3）為大城市制定精細化的UBS–UGS耦合策略以緩解LST。該研究對理論和實踐都有貢獻。理論上，本研究建立了可解釋的機器學習框架，以量化UBS–UGS交互背后的非線性和閾值驅動機制。實踐中，研究結果為城市規劃者提供了可操作的見解，表明協調優化UBS–UGS可以有效緩解UHI效應。

上海的LST在季節性和晝夜尺度上表現出明顯的時間和空間差異（圖5）。就時間特征而言，夏季LST最高（38.30°C）（圖5 (c, d)），其次是春季（27.34°C）和秋季（26.41°C）（圖5 (a, b, e, f)，最低溫度出現在冬季（13.03°C）（圖5 (g, h)）。白天的LST始終高于夜間的LST。

UBS和UGS對LST的影響機制

城市空間是一個由多個子系統組成的龐大系統，UBS和UGS對LST的調節機制非常復雜。一般來說，UBS傾向于引發升溫，而UGS提供降溫效果（Arshad等人，2022年；Q. Zhang等人，2022年），這不僅受到表面物理特性和生物過程的影響，還受到空間格局導致的微氣候變化的影響（Hu等人，2022年；Wei & Wang，2022年）。

結論

本研究利用多源數據系統量化了UBS–UGS對上海季節性晝夜LST時空動態的影響。通過整合八個綜合指數和EML（CatBoost–SHAP/PDP），我們揭示了城市形態調節LST的非線性交互機制。結果表明，白天的LST主要受UBS指數影響，尤其是BCI和BMSF，它們通過不透水性和結構連續性共同增強了加熱效應。

作者貢獻聲明

費侯（Fei Hou）：寫作 - 審稿與編輯；原始草稿撰寫；概念化；方法論；軟件；形式分析；調查；可視化；數據管理。

馬蘇梅·赫達亞蒂·馬爾茲巴利（Massoomeh Hedayati Marzbali）：寫作-審稿與編輯；概念化；方法論；資源；監督。

努里阿蒂·泰布（Nooriati Taib）：寫作-審稿與編輯；資源；監督。

阿爾德里恩·阿卜杜拉（Aldrin Abdullah）：寫作-審稿與編輯；資源；監督。

數據可用性

數據可應要求提供。

作者貢獻聲明

費侯（Fei Hou）：寫作 – 審稿與編輯，原始草稿撰寫，軟件開發，方法論設計，數據管理，概念化。

努里阿蒂·泰布（Nooriati Taib）：寫作 – 審稿與編輯，監督，資源管理。

馬蘇梅·赫達亞蒂·馬爾茲巴利（Massoomeh Hedayati Marzbali）：寫作 – 審稿與編輯，監督，資源管理，方法論設計，概念化。

阿爾德里恩·阿卜杜拉（Aldrin Abdullah）：寫作 – 審稿與編輯，監督，資源管理。

利益沖突聲明

作者聲明沒有已知的財務利益或個人關系可能影響本文的研究結果。