论文分享 | SCS |量化多尺度城市蓝绿空间对炎热潮湿气候区周围局部气候区的冷却效应

1）研究问题：在不同 LCZ 下，城市蓝绿空间（UBGS） 如何“降温”？

• 因变量（冷却效应三指标）：冷却强度 CI、冷却距离 CD、冷却梯度 CG
• 核心思路：先用回归模型预测冷却效应，再用可解释性方法拆解驱动因素，最后用优化算法给出“更优配置”。

2）论文的技术路线

2.1 模型 + 优化算法总览图（RFR + NSGA-II）

用于说明：

• 随机森林如何预测 CI/CD/CG
• NSGA-II 如何在多个目标间找到 Pareto 前沿，并输出最优解集

双约束机制：1）物理可行性约束：GAR + WAR + HR ≤ 1

2）性能阈值约束：仅保留满足 CD ≥ 100、CI ≥ 2、CG ≥ 1×10⁻² 的解输出方式：以 Pareto 解集的范围/中位数呈现冲突与协同；再用归一化百分比评分挑选 Top 解（前三名）

2.2 研究框架

1. 识别 UBGS（多尺度蓝绿空间对象）
2. 提取并计算 UBGS 特征参数（形态 + 生态）
3. 划定周边 LCZ 并计算其特征参数
4. 计算 UBGS 冷却效应参数（CI/CD/CG）
5. 用 BKA 优化的 RFR 建模 → SHAP 解释 → NSGA-II 优化配置

论文二｜城市形态与LST：多源指标体系 + 线性与机器学习对比 + SHAP

题目：Analyzing the impact of urban morphology on urban land surface temperature from the perspective of spatial configuration and explainable machine learning: A case study of seven cities从空间配置和可解释机器学习的角度分析城市形态对城市地表温度的影响：七个城市的案例研究

论文分享 | SCS| 从空间配置和可解释机器学习的角度分析城市形态对城市地表温度的影响：七个城市的案例研究

1）研究目标与方法

• 目标： 确定夏季 LST 与多维城市形态指标之间的关系
• 方法： 线性模型 + 机器学习模型并行建模，使用 SHAP 解释贡献与阈值

2）论文流程图

论文技术路线可拆成三阶段

阶段 1：研究区确定与数据采集

收集、清洗、预处理多源数据：遥感大气校正、投影变换、矢量裁剪等，并获取 LST。

阶段 2：构建城市形态指标体系

指标覆盖五个维度：

• 空间配置
• 建筑形态
• 城市功能
• 社会经济因素
• 蓝绿空间

阶段 3：建模与解释

• 建立 MLR 与多种 机器学习模型
• 比较模型性能与表征能力
• 用 SHAP 解释重要性与阈值
• 得到“跨城市的一致性/差异性”结论

论文三 | 昼夜 LST 驱动 + 交互 + 规划工具：XGBoost + SHAP + NSGA-III

题目：

Driving factors of summer diurnal land surface temperature in built-up blocks and planning support tool: A case from four Bohai Rim cities

建成区块夏季昼夜地表温度的驱动因素及规划支持工具：渤海四城（渤海四城：昼夜 LST 驱动因素与规划支持工具）的案例

论文分享 | SCS | 夏季昼夜地表温度的驱动因素及规划支持工具：以渤海边缘四个城市为例

1）研究对象与目标

• 自变量：POI、人口 POP、夜间灯光 NL、城市形态指标、距海岸线距离等
• 因变量： 昼夜 LST
• 目标： 用 XGBoost + SHAP 评估相对重要性、边际效应与交互效应;再用 NSGA-III 建立 MOO 框架，寻找平衡昼夜 LST 的形态最优解。

2）框架流程图

该论文的流程图包含四个核心模块：

1. 计算LST和街区环境特征
2. 建立并评估XGBoost模型
3. 分析街区环境特征如何影响LST：SHAP 总结图 + 依赖图（边际效应）+ 交互分析（解释耦合机制）
4. 建立NSGA-III