近期，我院杜银副教授团队与江苏省气候中心谢志清研究员(通讯作者)团队合作，利用机器学习方法量化空间规模超过城市建成区面积的区域性热岛强度和空间尺度。目前，许多城市群正在经历快速城市化、新型工业化和快速物流发展。区域性热岛对热环境的影响很大，威胁区域环境可持续性，生物多样性，以及资源和能源消耗。因此，区域性热岛问题越来越受到居民、城市气候研究人员和政府决策者的关注。准确度量城市群热岛信息，包括热岛强度、空间型态和规模及其时空变化，对城市规划和环境管理具有实际意义，有利于缓解与热相关的健康风险，改善人类生活的舒适度。
实际上，城市热岛可延伸到城市边界之外，在一定程度上会出现超过城市群建成区面积，形成连片的区域性热岛。基于城乡温差的传统方法难以识别城市群区域性热岛，不能准确量化城市热岛的强度、空间模型和空间尺度，以及哪些地区易受到城市热岛的影响。利用地表热环境相似性指数，提出了一种基于机器学习算法的解决方案。用Terra和Aqua遥感资料度量出长江三角洲城市群热岛规模分别为42328 km2和38884 km2。将城市热岛定义为实测温度值与群气候背景之差，采用随机森林算法估算城市建成区内的气候背景温度，并进一步估算城市热岛区内每个网格点上的热岛强度，还给出了每个网格点被判定为属于热岛效应影响区的统计学显著性检验信度。该方法在城市规划和智慧园林城市评估方面具有良好的应用前景。
Figure 1. The MCD12Q1 land-cover types in 2020 (a) and long-term mean land surface temperature (LST) annual cycles (lines) during the day and at night for croplands, forests, and medium-size and large cities and LST differences between large cities and cropland (red bars) and between cropland and forests (green bars) for Terra (b, d) and Aqua data (c, e) in 2015–2020.
Figure 2. Framework for characterizing the SUHI spatial pattern and scale and intensity in urban agglomerations.
文章信息：
Du Y, Xie Z Q*, Zhang L L, et al., 2024. Machine-learning-assisted Characterization of Regional Heat Islands with a Spatial Extent Larger than the Urban Size. Remote Sens., 16, 599. https://doi.org/10.3390/rs16030599