SCI期刊：Sustainable Cities and Society
英文题目： Spatial-socioeconomic semantic integration of remote sensing and urban planning maps for improved urban thermal environment characterization
中文题目： 融合遥感与城市规划地图的空间-社会经济语义集成方法用于城市热环境精细化表征
发表时间： 2026年2月2日
文章链接：https://doi.org/10.1016/j.scs.2026.107205
🌍 研究背景
随着全球气候变暖和城市化进程的加速，城市热环境问题日益突出。我们熟知的城市热岛效应，不仅让夏季的市中心像个“火炉”，增加能源消耗，还会威胁居民健康。传统的研究大多关注地表覆盖（如绿地、水泥地）和城市物理形态（如建筑高度、密度），却往往忽略了隐藏在背后的社会经济因素。比如，一个商业区和一个住宅区，即便建筑密度相似，由于人流、能耗、活动模式的差异，其热环境也可能大相径庭。如何将这些无形的社会经济特征纳入分析，成为了精准刻画城市热环境的关键挑战。
🎯 研究意义
社会经济数据通常难以获取，且空间分辨率粗糙，难以与高精度的遥感影像结合。本研究创新性地从公开的城市规划图中，利用人工智能技术“读懂”并量化了城市的社会经济功能。这就像给城市热环境研究装上了一副“社会经济眼镜”，让我们能更全面、更精细地理解人类活动与热环境之间的复杂关系，为制定科学有效的城市降温策略提供了全新的视角和数据支撑。
📌 研究目的
本研究旨在开发一个智能化的分析框架，主要目标有：
融合多源数据：建立一套整合了光谱、物理、土地覆盖，特别是从规划图中提取的社会经济指标的综合指标体系。
精准模拟：利用机器学习模型，填补卫星热红外数据的缺失，生成高空间分辨率、空间连续的地表温度数据，用于表征城市热环境的季节变化。
揭示机制：识别影响城市热环境的关键因子，尤其是社会经济指标的作用，并为城市空间治理提供量化依据。
🔍 研究内容
本研究的技术路线清晰，主要由四个核心模块构成：
指标构建：利用卷积神经网络从城市总体规划图中提取了11类社会经济指标（如居住、商业、工业等），并与光谱、物理、土地覆盖指标共同构成了综合指标体系。
热环境模拟：以随机森林模型为核心，融合上述多源指标，对卫星获取的地表温度数据进行降尺度与缺值填补，生成逐日的、高精度的地表温度数据。
关键因子分析：通过特征重要性分析和SHAP值等方法，量化各项指标对地表温度的影响，揭示不同季节的热环境主导驱动因子。
街区尺度策略：将研究结果下沉到由道路围合的街区单元，识别高风险区域，并提出具体的蓝绿空间优化策略。
📍 研究区概况
研究选取了中国河南省的省会城市——郑州作为主要研究对象。郑州是典型的温带大陆性季风气候区，四季分明，人口超千万，城市热岛效应显著。为了验证框架的普适性，研究还选取了其邻近城市开封进行验证，确保了方法的稳健性。
📊 数据概况
本研究使用了多种公开数据源，并在Google Earth Engine平台上进行处理，统一为10米空间分辨率：
遥感影像：用于提取光谱指标的Sentinel-2卫星数据；用于生成土地覆盖概率的动态世界数据集；用于提取物理形态的建筑、道路、高程等数据。
热环境响应：用于模拟目标的地表温度，来自Landsat 8-9卫星。
社会经济核心：用于提取11类社会经济指标的郑州及开封城市总体规划图。
辅助数据：用于生成街区单元的OpenStreetMap路网和建筑数据，以及用于验证街区功能的POI数据。
⚙️ 研究方法
CNN智能模拟：利用U-Net等卷积神经网络，一方面从规划图中“学习”不同功能用地的空间模式，生成0-1概率分布的连续型社会经济指标；另一方面，对夜间灯光、建筑形态等粗分辨率数据进行降尺度，统一到10米分辨率。
机器学习回归：采用随机森林模型，以综合指标体系为输入，以地表温度为输出，进行训练和预测。该方法能够处理复杂的非线性关系，并对不同输入组合的模拟精度进行对比。
可解释性分析：运用随机森林特征重要性和SHAP（沙普利加性解释）方法，揭示每个指标对地表温度贡献的大小及其影响方向（是升温还是降温）。
街区聚类与验证：生成街区单元，并基于物理形态、社会经济功能、POI功能复杂度进行聚类，通过Calinski-Harabasz和Davies-Bouldin指数评估不同分类体系对热环境异质性的解释能力。
📈 研究结果
社会经济指标模拟效果好：CNN从规划图中提取的11类社会经济指标，在郑州和开封的测试精度都达到了96%以上，证明了方法的有效性。
加入社会经济指标，模型精度显著提升：在模拟地表温度的模型中，同时使用土地覆盖、物理形态和社会经济指标时，模型在测试集上的R²达到0.793。与未使用社会经济指标的模型相比，精度最高提升了16%。这充分说明，社会经济因素在塑造城市热环境中扮演着关键角色。
关键指标与因果关联：特征重要性分析表明，社会经济指标对热环境模拟的总贡献度在48.3%到54.6%之间。具体来看，物流仓储区和城郊区域具有显著的升温效应，最高可使温度上升16.42℃；而居住区和绿地区则有明显的降温效应，分别降温14.87℃和9.02℃。
概率指标与物理空间存在线性关系：研究证实，由CNN模拟出的社会经济指标概率值，与街区单元内该类用地的实际面积占比呈稳定的线性关系（转换因子在1.13到1.19之间）。这意味着，AI模拟的“概率”可以直接转化为指导规划的“面积”。
💬 主要讨论
为什么规划图有用？ 城市规划图是官方认可的、具有法律效力的土地利用蓝图，它直接反映了政府对城市功能区的规划意图，是社会经济活动空间投影的最高质量数据源之一。
概率指标有什么好处？ 与传统离散的分类图不同，0-1的概率指标能更精细地表达城市功能的混合程度和“软边界”，更符合现实世界，也更便于与连续型的地理数据融合。
如何指导空间治理？ 研究发现，即使是同一类型的功能区（如居住区），热环境差异也很大，而这主要由其内部的蓝绿空间占比决定。研究提出了一个量化的策略：对于UHI高风险街区，其绿色空间概率应至少提升至全市平均水平（约0.04）。这可以指导规划师在具体地块上“补绿”，而非仅仅进行宏观指引。
💡 创新点
视角创新：首次系统性地将城市规划图中蕴含的、精细化的社会经济功能语义，以连续概率的形式，成功融入城市热环境的建模与分析中，打通了物理环境与社会经济之间的壁垒。
方法创新：构建了一个基于GeoAI的智能框架，能够同步实现“指标提取-热环境模拟-机制解析-策略生成”的全链条分析，具有高度的集成性和可迁移性。
应用创新：建立了AI模拟概率与物理空间比例的量化转换关系，为街区尺度的热风险诊断和蓝绿空间优化提供了可量化的、操作性强的最优解，推动了城市空间治理从“定性”走向“定量”。
⚠️ 不足与展望
数据依赖：研究依赖于特定年份的规划图，可能无法完全反映社会经济形态的动态演变。未来可结合多时相规划图，开展时序分析。
空间局限：模型目前需要针对城市进行单独训练，泛化能力有待提升。未来可收集多城市数据，训练一个适用于全球或区域尺度的基准模型。
空间依赖性：当前的分析模型（随机森林）未能充分考虑空间自相关，可能导致结果有偏。未来可引入GeoRF、GeoSHAP等空间显式模型，进行更稳健的因果推断。
✅ 总结
本研究成功地将看似无关的城市规划图，转化为刻画城市热环境的关键“情报”。通过构建一个智能化的分析框架，证明了社会经济因素在理解城市热岛效应中具有举足轻重的地位。该框架不仅能够精准诊断城市热风险，还能将诊断结果直接转化为街区尺度的、量化的空间优化策略，为规划师和决策者提供了一款强大的数据驱动工具。这项研究为构建更健康、更舒适、更具气候韧性的未来城市，开辟了一条新路。
