郑州大学Sustainable Cities and Society新研究!将遥感数据与城市规划地图进行空间社会经济语义融合,以改进城市热环境表征

📘论文基本信息

城市热环境（Urban Thermal Environment, UTE）是城市气候变化研究中的核心议题，但长期以来相关研究主要聚焦于地表覆盖、植被、水体与建筑形态等物理—生态维度，而对城市内部真正驱动热环境差异的社会经济结构与土地利用功能关注不足。尤其在高密度建成区，传统“建成区/非建成区”的土地覆盖分类，难以解释同为建成区却呈现显著不同热响应的现实问题。

本文提出了一种融合遥感影像与城市规划图（Urban Planning Maps, UPMs）的空间—社会经济语义智能框架，通过GeoAI方法将规划图中隐含的土地利用功能与社会经济语义转化为连续概率型指标，并系统引入城市热环境建模中。研究以郑州为核心案例，并在开封市进行跨城市验证，结果表明该框架在不同季节、不同城市尺度下均表现出稳定且显著的性能优势。

文章最重要的贡献在于：首次定量证明“规划语义层面的社会经济信息”在城市热环境建模中的贡献可达 48.3%–54.6%，显著高于传统物理或生态指标。 研究不仅提升了LST模拟精度，更将热环境分析直接连接到城市规划调控与空间治理决策，实现了从“热环境解释”到“热风险干预”的方法升级。

在全球气候变化与快速城市化的双重驱动下，城市热岛与寒岛效应日益加剧，直接影响城市能源消耗、公共健康与气候韧性建设。现有城市热环境研究多以遥感反演的地表温度（LST）作为核心响应变量，并结合NDVI、不透水面比例、建筑密度等指标进行分析，但这些方法本质上仍停留在“物理表象层面”。

然而，城市并非单纯的物理系统，而是高度复杂的人—地耦合系统。土地利用功能、社会活动强度、管理与规划逻辑决定了建筑形态、绿地配置以及人类活动节律，从而深刻影响热环境的时空异质性。仅依赖夜间灯光或人口密度等传统社会经济代理变量，往往受限于分辨率粗、时效性差的问题，难以刻画城市内部精细尺度的热环境差异。

在这一背景下，城市规划图作为官方、系统、语义明确的土地利用表达载体，蕴含着丰富但长期未被充分挖掘的社会经济信息。本文正是从这一关键缺口出发，尝试回答一个核心问题：能否将规划语义转化为可计算、可解释、可用于热环境建模的社会经济指标？

🌍研究目标与研究区

📌研究目标

本研究旨在构建一个面向城市热环境表征的空间—社会经济语义融合框架，系统解决传统UTE研究中社会经济信息缺失、尺度不匹配以及规划指导性不足的问题。具体而言，研究目标包括：构建融合遥感与规划语义的UTE指标体系；实现高精度、空间连续的季节尺度LST模拟；识别不同季节下主导城市热环境变化的关键社会经济驱动因子；并最终服务于城市尺度与街区尺度的热风险治理。

📌研究区

研究区选取中国中部典型快速城市化城市——郑州。郑州地处暖温带季风气候区，季节差异显著，同时城市扩张迅速、土地利用类型复杂，是研究城市热环境季节性差异与人类活动影响的理想样区。研究以城市中心为圆心，构建30 km缓冲区，覆盖核心城区及其周边区域。

为验证方法的空间可推广性，研究进一步选取与郑州毗邻的开封市作为外部验证区，在不同城市规划背景与土地利用结构下，系统检验模型的稳定性与泛化能力。

🖼️ 图 1. 研究区域。图 2b指的是以核心城区为地理参考的 UPM。图 2d指的是街区级城市肌理。图 2e指的是适用于当地土地利用/土地覆盖系统的动态世界土地利用/土地覆盖模型（Brown 等，2022）。

🌍 研究方法

· 数据与方法体系

研究提出了一个由三大模块构成的GeoAI智能分析框架：UTE指标体系构建、城市热环境模拟、以及基于街区的局地气候响应分析。首先，在指标构建层面，研究整合光谱、土地覆盖、物理形态与社会经济四类指标，其中社会经济指标通过CNN模型从城市规划图中自动提取，并以0–1的概率形式表达不同土地利用功能在空间上的语义强度。

在方法实现上，研究采用U-Net架构对规划图进行语义学习，将原本仅具视觉信息的规划图转化为高分辨率、空间连续的社会经济概率图层。这一过程避免了传统人工解译的高成本与主观性，同时实现了与遥感数据在空间尺度上的无缝对齐。

在城市热环境建模阶段，研究系统比较了RF、XGBoost、神经网络与CNN等多种模型，最终发现随机森林在融合社会经济语义后表现出最优且最稳定的LST模拟能力。进一步结合SHAP与特征重要性分析，研究揭示了不同指标在不同季节下对城市热环境的贡献机制。

🌍 研究结果

研究结果首先表明，引入社会经济语义后，城市热环境模拟精度显著提升。在郑州案例中，融合社会经济、土地覆盖与物理指标的模型测试集R²可达0.79，显著高于不包含社会经济信息的情景；在单一指标对比中，社会经济指标本身即表现出最高的解释能力。

🖼️ 图 4.研究区域的社会经济和传统 BP 指标描述。图 7(ak) 显示了根据郑州市总体规划的 UPM 提炼出的 11 项社会经济指标。图 7(l) 显示了来自全球动态世界土地利用/土地覆被数据集（Brown 等，2022）的粗略 BP 覆盖概率。

🖼️ 图 5. RF 、XGBoost、NN 和 CNN 在 LST 表示上的性能。R^2被用作描述UTE模型性能的关键参考，因为R^2MSE 和 MSE 呈现出相似的趋势。

从指标贡献角度看，社会经济指标在四个季节中的贡献率稳定在 48.3%–54.6%，远高于光谱、土地覆盖与物理形态指标。这一结果明确表明：城市热环境的形成并非仅由“地表是什么”决定，更深层次地受到“这里在做什么”的影响。

🖼️ 图 6. 2024年开封和郑州季节性地表温度模拟的验证结果。如郑州观测所示，2024 年春季和秋季的季节性地表温度模式与 2018 年有所不同。这种差异主要归因于 2024 年更丰富的地表温度数据，与 2018 年的 11 个每日地表温度观测值相比，2024 年增加了 22 个每日地表温度观测值。

🖼️ 图 7. UTE季节性的关键指标。RF 特征重要性反映了不同指标对 UTE 特征的贡献。

在季节尺度上，夏季城市热岛最为显著，高温区集中分布于商业、物流、居住等高强度功能区；而冬季则呈现明显寒岛效应，自然绿地与开放空间成为主要冷源。SHAP分析进一步揭示，不同功能用地对UHI与UCI的影响方向存在显著差异，例如物流与商业用地在夏季显著加剧热岛，而绿地与水体在夏冬两季均表现出稳定的调节效应。

🖼️ 图 9.  LCZ分析与制图。 (a) 物理形态 LCZ，显示建筑类型 (A01-A06) 和自然土地覆盖类型 (A11-A16)。(b) 社会经济语义 UFZ，代表功能性城市区域 (B01-B11)。(c) 社会经济复杂性 BFC 按人类活动强度分类 (C01-C05)。(d) 融合 DB 和 CH 指数的综合指标用于检验不同城市街区属性在解释 UTE 异质性方面的有效性。

🖼️ 图 10. 概率指标的物理意义。残差分析进一步证明了线性关系，且离散度窄，空间偏差小。

🖼️ 图 11. 蓝绿空间对城市热岛效应 (UHI) 和城市气候影响 (UCI) 的改善。(a) 蓝绿空间需求的空间分布。(b,c) 这些风险区域是通过综合风险图和城市热效应 (UTE) 来识别的，用于创建未来土地利用规划（包含水体、道路和建筑物，功能来自城市热岛效应区 (UFZ)）空间治理的潜在区块参考（第 4.2 节）。(d) 已识别的风险区块（521 个 UHI 区块和 562 个 UCI 区块）。(e) UHI/UCI 区块的面积分布（平方米）。(f) 蓝绿基础设施的需求区域，优先考虑热风险较高的 UHI 区块。(g) 分别从 UFZ 中提取的各项属性的 UHI 效应。(h) 从 UFZ 中提取的各项属性的 UCI 效应（附录 A S.15）。

🧩 讨论部分

从方法论角度看，本研究证明了规划语义可以作为一种高价值的社会经济代理变量，有效弥补传统社会经济数据在空间分辨率与可获取性上的不足。相比POI或夜间灯光数据，规划图具有官方权威性、语义完整性与空间连续性，使其成为城市尺度GeoAI研究中极具潜力的数据源。

从城市治理角度看，研究进一步发现，街区尺度的土地利用结构差异是解释局地热环境异质性的关键。即使在相同LCZ类型下，不同功能区因蓝绿空间比例不同，仍表现出显著不同的热响应。这一发现强调了精细化土地利用管理在城市热风险缓解中的核心地位。

当然，研究也存在一定局限性，例如规划图本身具有时间滞后性，不同城市规划标准存在差异。但这些问题并不削弱其方法价值，反而为未来构建跨城市、跨区域的规划语义GeoAI模型指明了方向。

🧩 研究结论

本研究提出了一种智能的城市空间经济特征（UTE）表征框架，该框架从城市空间形态模型（UPM）中提取社会经济指标。通过应用卷积神经网络（CNN），该框架生成空间连续的社会经济指标，以概率强度定量地表征土地利用功能。这种方法有效解决了UTE建模中长期存在的社会经济数据匮乏问题，从而能够精确地模拟城市社会经济与物理形态之间的相互作用。通过融合空间社会经济指标，该UTE建模框架的平均测试得分达到了0.69。2018年郑州人口稠密的大都市区平均测试值为0.65 2024年，开封地表温度（LST）模拟的验证结果也表明，2024年的模拟精度稳定在0.61。特征重要性分析表明，社会经济指标对四季城市热效应（UTE）建模的贡献率为48.3%至54.6%，显著高于传统指标。随机森林（RF）和SHAP的因果关系分析进一步揭示，物流和郊区相关的城市热加速效应分别导致气温升高高达16.42℃和12.32℃。相比之下，居住区和绿地则具有降温效应，分别使气温降低14.87℃和9.02℃。实际土地利用比例与模拟概率之间存在1.13至1.19的转换比，这反映了指导实际土地利用配置的物理意义。这些结果凸显了社会经济语义在弥合城市热效应建模中物理形态与社会经济状况之间差距的潜力。总体而言，所提出的框架提供了一个经济高效的智能流程，用于将社会经济指标整合到城市热岛效应（UTE）建模和风险分析中，从而为规划者和政策制定者提供可操作的见解，以量化城市气候影响（UCI）和城市热岛效应（UHI）。然而，这些社会经济指标仅来源于单一年份和单一规划地图类型，可能无法全面反映社会经济状况的时间动态变化。未来的研究应进一步将该框架扩展到区域或全球尺度的城市背景下，以训练可扩展至不同城市环境的基准模型。

🔖 引用文献格式

Yu Kang, Zhe Zhang, Jiating Li, Zongying Zhao, Dongxue Li, Jiahua Yu, Jingjing Zhang, Xinjia Zhang, Qiao Hu, Yixue Chen, Jiajing Chen, Lin Li. (2025). Spatial-socioeconomic semantic integration of remote sensing and urban planning maps for improved urban thermal environment characterization. Sustainable Cities and Society, 107205.