A machine learning framework for predicting potential urban cool island locations using Landsat 9 data: a case study of Oued Zenati, Algeria
Amina Naidja · Dalal FARID · Djamal Bengusmia 等 7 人
用遥感与可解释机器学习预测阿尔及利亚半干旱城市潜在城市冷岛位置。
Landsat 9、Google Earth Engine、GIS与四种机器学习
梯度提升树判别最优（AUC=0.916），冷岛潜力集中于植被与农业区，海拔为最关键预测因子。
可迁移至其他半干旱城市，并引入时序遥感与实地冷岛观测验证，提升模型泛化性。
方法新颖、结论可靠的城市冷岛遥感预测研究，对农业信息化与气候适应型规划有参考价值，但属区域案例、影响范围有限。
摘要 在半干旱地中海城镇，城市热胁迫日益加剧，因此识别城市冷岛（Urban Cool Island, UCI）格局对于气候适应性城市规划至关重要。本研究开发了一个集成遥感、GIS和可解释机器学习的框架，利用Landsat 9影像和在Google Earth Engine中处理的地理空间环境变量，绘制了阿尔及利亚东北部Oued Zenati潜在UCI位置图。使用ArcGIS Desktop 10.8进行最终制图布局和地图生成。预测变量包括地表温度、反照率、高程、坡度、距道路距离、距河流距离和人口密度。由于缺乏UCI的实地观测数据，研究从植被、湿度和建成区指标生成了代理参考样本。在半干旱条件下，研究区NDWI值均低于−0.06，因此所有冷区参考样本均基于植被标准（NDVI ≥ 0.20）提取。采用70/30的训练-测试划分和独立验证，评估了四种机器学习算法（随机森林、梯度树提升、CART和MaxEnt）。梯度树提升取得了最高的判别能力（ROC-AUC = 0.916），而随机森林在阈值依赖性能方面表现最佳，准确率为0.900，Kappa为0.800，精确率为0.929，F1分数为0.897。敏感性图显示，降温潜力集中在植被和农业区域，而建成区和裸地表面的降温潜力较低。SHAP分析表明，高程是最具影响力的预测变量，其次是坡度、反照率和地表温度，而距道路距离、距河流距离和人口密度的影响相对较弱。所提出的框架为城市冷岛敏感性制图提供了一种稳健、可解释且可迁移的方法，可支持半干旱城市的气候适应、绿色基础设施规划和可持续城市发展。