摘要：城市热岛（UHI）效应和细颗粒物（PM₂.₅）已成为城市环境管理中的两大主要挑战，其相互作用进一步加剧了对全球公共健康的威胁。然而，目前针对这两大挑战的协同管理策略仍然有限。为填补这一空白，我们提出了一个融合时间与空间维度的协同管理新框架，并在粤港澳大湾区（G

题目： Seasonal synergistic management of urban heat island effect and PM₂.₅ pollution: Insights from interpretable LightGBM-SHAP machine learning model

期刊： Environmental Impact Assessment Review volume

DOI： https://doi.org/10.1016/j.eiar.2025.108129

01

摘要

城市热岛（UHI）效应和细颗粒物（PM₂.₅）已成为城市环境管理中的两大主要挑战，其相互作用进一步加剧了对全球公共健康的威胁。然而，目前针对这两大挑战的协同管理策略仍然有限。为填补这一空白，我们提出了一个融合时间与空间维度的协同管理新框架，并在粤港澳大湾区（GBA）进行实证应用。我们分析了 UHI 效应的季节性空间分布及其对应的 PM₂.₅ 浓度，并通过双变量空间分析识别二者的空间协同关系。进一步地，我们应用可解释的 LightGBM-SHAP 机器学习模型，探索共同影响 UHI 与 PM₂.₅ 的关键驱动因素及潜在机制。结果显示，UHI 与 PM₂.₅ 的空间协同区域主要集中在大湾区中部和西北部，尤其是广州、佛山和肇庆。空间协同效应在夏季达到峰值，覆盖率为 73.73%，凸显了该季节优先干预的必要性；而在冬季则显著下降至 46.95%。在所有季节中，建筑密度（BD）和建筑形状指数（BSI）被识别为具有正向协同效应的关键驱动因素，而绿地比例（GSR）和年均降水量（MAP）则表现出负向协同效应。此外，夜间灯光（NL）、蓝色空间比例（BSR）、边缘密度（ED）以及建设用地比例（BLR）在特定季节中也展现出协同影响。本研究可为制定更加有针对性和季节适应性的城市热环境与空气质量协同管理策略提供科学支持。

Urban heat island (UHI) effect and fine particulate matter (PM2.5) have emerged as two major challenges in urban environmental management, with their interactions further exacerbating threats to global public health. However, strategies for the synergistic management of these two challenges remain limited. To address this gap, we proposed a new synergistic management framework incorporating temporal and spatial dimensions and empirically apply it to Guangdong-Hong Kong-Macao Greater Bay Area (GBA). We analyzed the seasonal spatial distribution of UHI effect and corresponding PM2.5 concentrations, identifying their spatial synergy using bivariate spatial analysis. Furthermore, an interpretable LightGBM-SHAP machine learning model was applied to explore the key driving factors and underlying mechanisms jointly influencing UHI and PM2.5. The results showed that spatially synergistic regions of UHI and PM2.5 were mainly concentrated in the central and northwestern parts of the GBA, particularly in Guangzhou, Foshan, and Zhaoqing. The spatial synergy peaked in summer with a coverage of 73.73 %, highlighting the need for prioritized intervention during this season, while it declined markedly to 46.95 % in winter. Across all seasons, building density (BD) and building shape index (BSI) were identified as key drivers with positive synergistic effects, whereas green space ratio (GSR) and mean annual precipitation (MAP) exhibited negative synergistic impacts. Additionally, factors such as nighttime light (NL), blue space ratio (BSR), edge density (ED), and built-up land ratio (BLR) showed synergistic influence in specific seasons. This study can provide support for the development of more targeted and seasonally adaptive strategies for the synergistic management of urban thermal environments and air quality.

02

研究背景

城市热岛（Urban Heat Island, UHI）效应和细颗粒物（PM₂.₅）空气污染已被确认为影响全球城市环境的两大主要挑战。城市化进程导致城市地区比周边乡村地区温度更高，从而形成了 UHI 效应。UHI 加剧了居民暴露于高温的风险，增加了与热应激相关的不良健康效应，例如疲劳、脱水和认知下降，在严重情况下甚至可能导致死亡。与此同时，城市中工业排放、机动车尾气以及建筑能耗的持续增长导致 PM₂.₅ 浓度不断升高。PM₂.₅ 指直径小于或等于 2.5 μm 的细颗粒物，它们可在空气中长时间悬浮并深入呼吸道。长期暴露于 PM₂.₅ 与呼吸系统疾病、心血管疾病以及哮喘的高发风险密切相关。UHI 与 PM₂.₅ 污染在城市环境中表现出空间耦合关系，形成高温与空气污染的复合暴露格局，对公众健康与城市可持续性构成重大威胁。因此，制定 UHI 与 PM₂.₅ 的协同缓解策略对于提升城市环境健康与促进可持续治理至关重要。

03

主要内容

协同管理策略的制定有赖于对城市热岛（UHI）效应与 PM₂.₅ 污染之间相互关系及其潜在机制的深入理解。现有研究多采用数值模拟与统计分析方法探讨二者的相互作用，但大多数成果仍停留在相关性分析或单向效应评估层面，往往忽视了其在城市内部的空间异质性与耦合特征，从而限制了对空间关联机制的深入揭示。同时，虽然已有研究表明建筑形态、自然环境、社会经济条件及景观格局等多类驱动因素对 UHI 与 PM₂.₅ 的时空分布具有重要影响，但多数研究聚焦于单一维度，缺乏对其耦合机制的系统性探讨。实际上，这些驱动因素的作用往往具有多路径性、非线性和高度交互性，导致不同城市情境下的主导作用路径差异显著，即使在相似的驱动条件下，也可能产生截然不同的环境结果。对共同驱动机制的有限认知不仅削弱了研究结论的普适性，也制约了相关管理策略的有效性。进一步而言，现有研究对 UHI 与 PM₂.₅ 的季节性协同变化机制的揭示仍十分有限。尽管部分研究已注意到季节差异，但对空间协同响应模式、驱动因素的季节性演化以及潜在调控机制的深入探讨仍然匮乏。这一知识空白阻碍了科学合理、全年适用的缓解策略的制定。因此，构建一个全面的、兼顾季节性的 UHI 与 PM₂.₅ 协同管理框架已成为亟需解决的研究课题。基于此，本研究引入可解释性机器学习方法，旨在探索 UHI 效应与 PM₂.₅ 污染的协同管理策略。具体而言，研究将聚焦以下两个核心问题：1) UHI 效应与 PM₂.₅ 污染的季节性空间协同格局如何？2) 季节性驱动机制如何影响其协同管理？

研究从空间分布和影响机制两个角度探讨了城市热岛（UHI）效应与 PM₂.₅ 污染的协同管理。研究框架分为两个主要步骤（图 2）。第一步，利用遥感影像计算不同季节的 UHI 效应强度，并评估相应季节的 PM₂.₅ 浓度，随后采用双变量分析方法评估 UHI 与 PM₂.₅ 的季节性协同空间特征。第二步，构建 LightGBM 非线性机器学习模型，以分析影响 UHI 与 PM₂.₅ 季节性协同变化的关键驱动因素，并进一步探讨其潜在机制。随后，引入 SHAP 算法对 LightGBM 模型进行解释，评估各特征在 UHI 与 PM₂.₅ 变化中的重要性。通过对这些特征的分析，识别出共同影响 UHI 与 PM₂.₅ 的协同机制。这些分析加深了对 UHI 与 PM₂.₅ 之间复杂相互作用及其季节性变化的理解，有助于制定更有效的缓解热岛效应与空气污染的策略。

04

主要结论

城市热岛（UHI）效应与 PM₂.₅ 污染之间的相互作用，要求我们从传统的单一问题管理方式转向综合性的协同管理策略。然而，现有同时针对这两大挑战的策略仍然有限。为弥补这一不足，我们提出了一个协同管理框架，并以粤港澳大湾区（GBA）为案例进行了实证验证。在研究中，我们首先利用双变量空间分析识别了 UHI 与 PM₂.₅ 的空间协同区域。随后，应用可解释的 LightGBM-SHAP 机器学习模型，探索了共同影响二者的关键驱动因素及潜在机制。结果表明，UHI 与 PM₂.₅ 的空间协同主要集中在大湾区中部和西北部，尤其是佛山、广州和肇庆，提示这些地区应作为优先干预区域。在所有季节中，建筑密度（BD）和建筑形状指数（BSI）被识别为具有正向协同效应的关键驱动因素，而绿地比例（GSR）和年均降水量（MAP）则表现出负向协同效应。此外，夜间灯光（NL）、蓝色空间比例（BSR）、边缘密度（ED）以及建设用地比例（BLR）在特定季节也表现出协同影响。基于这些研究结果，提出了若干 UHI 与 PM₂.₅ 的协同管理策略，包括：通过在非核心城区将建筑密度控制在 30% 以下来降低建筑密度；优化建筑形态，限制复杂形状建筑的建设；提升绿地覆盖率，力争将城市街区的绿地比例提高到 40% 以上。这些策略有助于实现城市热环境与空气污染的协调缓解，并为制定更具针对性和季节适应性的城市环境管理政策提供理论支持与实践指导。

05

主要图表

Fig. 1. Location of GBA.

Fig. 2 . The synergistic management framework for UHI effect and PM2.5 pollution.

Fig. 3. Spatial distribution of LST across different seasons.

Fig.4. Seasonal spatial distribution of UHI effect intensity and corresponding statistics.

Fig. 5. Seasonal spatial distribution of PM2.5 pollution intensity and corresponding statistics.

Fig. 6. Bivariate spatial distribution of seasonal UHI and PM2.5.

Fig. 7. Absolute SHAP value and contribution degree of driving factors to UHI effect across differe nt seasons.

Fig. 8. Summary plot of SHAP values for driving factors influencing UHI effect across different seasons.

Fig. 9. Absolute SHAP value and contribution degree of driving factors to PM2.5 concentrations across different seasons.

Fig. 10. Summary plot of SHAP values for driving factors influencing PM2.5 concentrations across different seasons.

Fig. 11. Partial dependence plot of driving factors on UHI and PM2.5 across different seasons.

Fig. 12. Spatial distribution of seasonal management areas with targeted recommendations for cross-seasonal driving factors optimization.

来源：寂寞的咖啡