我们使用 MODIS LST 产品计算了夏季各县的白天和夜间城市热岛强度（图1）。计算结果显示，城市热岛强度的空间模式在不同地区和时间上有所变化。我们识别出以下时空特征。(1) 白天城市热岛强度高的县主要集中在中国沿海地区，特别是在珠江和长江三角洲，表明了空间聚集效应。此外，西南和中部中国的城市群中散布着一些热点，例如成都-重庆和长江中游地区。值得注意的是，白天城市热岛强度在南北之间存在显著的区域差异。北方县在干燥和温暖气候下更容易降温，因为城市与乡村之间的差异导致更高的对流效率。(2) 城市热岛强度从白天到夜间显著下降。城市热岛强度的下降主要发生在中国南方的县，特别是在沿海和河流地区，这是由于水蒸发导致的热量散失。然而，华北平原的城市热岛强度保持在中等水平，这可能是由于干燥空气导致的蒸发冷却效果不佳。(3) 各县的城市热岛强度与人口规模呈正相关，全天均如此，尤其是在白天。在白天，特大县的平均城市热岛强度为 0.4∘C，高于小型县的水平。同样，特大县的平均夜间城市热岛强度从小型县的 0.41∘C 增加到 0.68∘C。可能的原因是较大建筑区域内的表面几何、人工热量和热特性的温暖效应。重要的是，不同规模县的城市热岛强度从白天到夜间显著下降。昼夜变化源于夜间太阳辐射减少、人工热量排放和城市结构中的热量存储。
图1 白天 （a） 和夜间 （b） SUHI 强度的分布
2.1模型比较
我们基于相同的数据集，使用三个统计指标（R平方、平均绝对误差和均方根误差）比较了两种GWR-RF模型与传统模型（OLS、GWR和RF）的全局性能。表1显示，GWR-RF模型在模型拟合方面表现优于其他模型，具有更高的R平方和更低的MAE和RMSE。因此，我们认为GWR-RF模型能够更好地解释城市形态与城市热岛效应之间的关系。
表1 OLS、GWR、RF 和 GWR-RF 模型的性能参数
2.2全局相对重要性
我们使用 mean |SHAP|值按降序排列（图 2的左侧）。我们在右侧显示了各个 SHAP 值，大于 0 的值表示积极影响，反之亦然。主要发现如下：（1） 在核心解释变量中，景观因素 （AWSI 和 AWCI） 对白天和夜间的 SUHI 有显著贡献。AWSI 是影响 SUHI 的最显著解释变量，平均值 |SHAP|值在白天为 0.076，在晚上为 0.035，紧随其后的是 AWCI 因子。这一发现表明，复杂和连续的城市形态加剧了 UHI 现象。相比之下，AWEI 对 SUHI 方差的影响相对较弱。（2） 在建筑环境因子中，BldDens 和 BldHt 对 SUHI 的相对重要性较高，而 BldHtVar 的贡献较低。这一发现反映了密集的高层建筑在城市尺度上对城市热环境产生了积极影响。BldDens 和 BldHt 的相对重要性在夜间降低，表明 SUHI 对建筑物散热的缓解。（3） 产业格局因素对县级 SUHI 的贡献相对较低。这一发现可能是由于工业因素在特定地点领域的高度重要性，特别是在几个工业集聚区中。此外，控制变量（例如，气候和人口）也强烈影响了 SUHI，与以前的研究保持一致。
图2 每个变量的 SHAP 值对 （a） 白天和 （b） 夜间 SUHI 的相对重要性
此外，我们将 GWR-RF-SHAP 模型结果与其他基线模型（包括 OLS、GWR 和 RF）进行了比较。总体而言，AWCI、AWSI 和 BldDens 在 GWR、RF 和 GWR-RF 模型中一致地影响了 SUHI。尽管存在细微差异，但这些模型揭示了城市形态变量对 SUHI 强度的相似影响。OLS 结果表明，GWR-RF 结果确定的一些关键因素，例如 AWSI 和 BldDens，对 SUHI 的影响不大，可能是由于它们的阈值效应。相反，GWR-RF 模型显示，像 AWEI 这样对 SUHI 贡献相对较低的因素似乎对 OLS 模型中的 SUHI 有显着影响，这可能是由于它们的近似线性效应。这种情况凸显了采用非线性模型来探索城市形态因素对 SUHI 的复杂影响的重要性。
2.3非线性效应
我们使用具有 SHAP 值的局部依赖图 （LDP） 来揭示城市形态变量对每个县 SUHI 的非线性和阈值效应（图3）。本地结果如下所示。
(1)景观结构。景观指标与 SUHI 之间的关联在白天和黑夜之间相似。较低的 AWCI 对 SUHI 的影响有限，其 SHAP 值接近于零。当 AWCI 超过 0.93 的阈值时，城市连续性对 SUHI 的影响由负转为正。更高的连续性加强了 SUHI，与之前的发现相呼应。一旦 AWSI 的值超过阈值 7，AWSI 的局部影响就会从负面变为正面。随着 AWSI 的不断上升，其局部效应在白天趋于稳定，在夜间趋于减弱，反映了城市形状复杂性的非线性影响。相比之下，AWEI 对 SUHI 产生了线性的正向影响，表明拉长的城市斑块会增强作用。城市伸长率越高，意味着城市的周长表面积比越大，可以减少市中心与郊区的线性距离，促进散热。
(2)建筑环境。当 BldDens 的值达到 0.17 左右的转折点时，BldDens 的局部效应从负变为正。当超过阈值时，BldDens 对 SUHI 产生了显著的积极影响，表明密集建筑物的影响正在加剧。值得注意的是，BldDens 的增强效果在夜间减弱。BldHt 对 SUHI 有明显影响：值太低或太高都有负面影响，而 12 到 16 左右的中等值有积极影响。这一发现可以用与低层建筑相关的弱效应以及与高层建筑相关的遮阳和冷却效应来解释。因此，高层建筑的遮阳效果在夜间减弱，导致 SHAP 值随着建筑高度的增加而增加。此外，BldHtVar 对 SUHI 的影响微不足道，与以前的研究不同 。
(3)工业模式。IndDens 通常对白天的 SUHI 有积极影响，一些高于 45 的异常值反映了工业热排放的变暖效应。到了晚上，IndDens 的局部影响变得负面，与白天形成鲜明对比。夜间工业热排放的急剧减少可能解释了 LDP 曲线的变化。SHDI 表现出与 IndDens 相似的 LDP 模式，反映了不同工业活动的变暖效应。与白天 NNI 的不显著影响相比，较高的 NNI 在夜间对 SUHI 呈正向影响，表明紧凑工业分布的增强效应有限。
3.1 在局部尺度上确定的主要影响因素
我们根据当地的相对重要性确定了影响每个县 SUHI 的主要因素（图4）。我们发现 SUHI 的影响因素存在显著的空间异质性。包括 AWCI 和 AWSI 在内的景观因素被确定为影响南部县白天 SUHI 的主要因素。干旱显著影响了陕西、河南和山西省许多北部内陆县的 SUHI 强度，尤其是那些城市植被广泛种植的县。相比之下，在环渤海和东北沿海县域，景观结构和建筑环境因子发挥的作用更为突出，超过了干旱条件对 SUHI 的影响。与干旱的解释力下降相比，AWCI 和 AWSI 对夜间 SUHI 的影响在大多数县变得更加明显。建筑环境因素，如 BldHt，在塑造东北部县的 SUHI 变化中起主导作用。考虑到全球相对重要性较低，工业因素仅在少数县是影响 SUHI 的主要因素。
图4 白天 （a） 和夜间 （b） SUHI 的主要指标
我们统计了按县大小分组的本地 SHAP 值（图5）。白天的 SUHI 方差与景观结构因素密切相关，包括城市形状和连续性。建筑环境因素对大型和超大型县的 SUHI 来说变得越来越重要。对于夜间，AWSI 和 AWCI 是所有县的关键因素，它们的平均值 |SHAP|值随着县的规模而增长。景观结构因素主要影响大型和大型县在白天和夜间的 SUHI 强度，而建筑环境因素在解释白天的 SUHI 变化方面比在夜间更突出。
3.2. 随空间和时间变化的主要因素的局部影响
我们主要关注影响 SUHI 的 4 个高级因素的 SHAP 值，包括 AWCI、AWSI、BldDens 和 BldHt （图6）。（1） AWCI 对大多数县的白天 SUHI 产生了积极影响，反映了城市连续性的关键作用。中心和郊区之间的通风阻力在更连续的城市地区增加，从而产生更强的 SUHI 效应。在夜间，高 AWCI 对华北平原的 SUHI 产生了积极影响。（2） AWSI 在白天对南部县的 SUHI 产生了积极影响，反映了城市形状复杂性对起伏地形的关键作用。高 AWSI 意味着城市边缘地区的表面空气动力学粗糙度增加。晚上，AWSI 也对北部县的 SUHI 产生了积极影响。（3） BldDens 对大县的白天 SUHI 产生显著的正向影响，尤其是在京津冀城市群。这种现象可能是由于建筑物的高度集中，这些建筑物可以比自然覆盖物更有效地吸收和保持热量，从而加剧了 SUHI 效应。（4） BldHt 对东部县的白天 SUHI 产生了积极影响，尤其是在长三角地区。BldHt 在东北部各县的夜间 SUHI 中产生了影响力。较高的建筑物在白天吸收和储存更多的热量，在晚上释放得更慢，从而延长了夜间的 SUHI。
图6 每个县影响 SUHI 的四个主要因素的 SHAP 值
我们还对按县大小分组的四个主要因素的 SHAP 值进行了直方图统计（图7）。我们发现，这四个因素的平均 SHAP 值随着县级城市建成区规模的增加而增长，表明城市形态因素对规模较大的县的影响更显着。尽管相似，但不同的因素在各县之间表现出明显的差异。具体来说，AWSI 对中小型县的 SUHI 产生了负面影响，而对大型或大型县的 SUHI 产生了积极影响。可能的原因可能是形态复杂且面积较大的县的散热率低。同样，由于高层建筑的气流阻塞，BldHt 的平均 SHAP 值在大型和大型县变得明显更高。关于昼夜差异，AWCI 和 AWSI 显示出类似的模式，而 BldDens 和 BldHt 在所有大小的县的夜间对 SUHI 的重要性降低。
图7 按县大小对四个主要因素的 SHAP 值进行分组统计
