Spectral index and machine learning-based evaluation of coastal urban thermal dynamics using google earth engine

摘要 本研究提出了一种基于云的地理空间与机器学习框架，用于评估印度南部Thoothukudi沿海地区的沿海城市热岛（UHI）动态。研究使用Google Earth Engine（GEE）处理了12期季节性Landsat合成影像（2010–2025年）。季节划分遵循印度气象局的定义：夏季（3–6月）、东北季风季（10–11月）和冬季（12–2月）。多传感器Landsat Collection 2 Tier 1 Level-2数据包括Landsat 5/7（2010年）、Landsat 8（2015年）和Landsat 8/9（2020年、2025年）。地表温度（LST）采用USGS Collection 2比例因子协议反演，并限定在0–65 °C以抑制受云污染的像元。在计算城市热岛强度（UHI = LST − P₂₅(LST)）和城市热场变异指数（UTFVI）的同时，还计算了四个光谱指数（NDVI、NDBI、NDWI、NDMI）。在四个观测年份中的三年，夏季均为最热季节（平均LST：38.69–48.67 °C）。2020年东北季风季合成影像因云污染而被排除。平均UHI强度范围为2.03至5.17 °C。Pearson相关分析证实，NDBI是LST最强的正向预测因子（r = 0.30–0.60），而NDMI则呈相反的镜像关系。随机森林和梯度树提升模型基于七个预测因子进行训练，并采用双重验证（70/30划分和2 km空间块交叉验证）。模型性能为R² 0.301–0.476，RMSE为2.74–6.23 °C，数值具有物理合理性。GTB置换特征重要性识别出NDBI和SWIR1为主导预测因子。2030年和2050年的集合情景示意以线性外推而非气候模型预测的形式呈现，表明工业和港口区域将持续存在热胁迫，并明确给出了不确定性量化（± 2.75至± 8.61 °C）。研究表明，经过严格验证的Landsat时间序列分析可为与可持续发展目标11、13和3相一致的高温适应规划提供可操作的沿海城市热环境情报。该框架在此作为Thoothukudi海岸首个四期、按IMD季节解析的热特征刻画而应用，2030年和2050年的输出旨在支持持续热点的空间定位，而非预测未来绝对温度。