基于隨機森林算法的城市形態對熱環境影響作用研究

張立君 李津莉 王琦 楊艷 王海濤 周慶

摘 要：近年來，已有研究表明城市形態對熱環境的影響作用較為顯著，但從城市空間結構角度進行討論的研究較少。為評估城市形態特征對地表溫度的相對重要性和相互影響作用，以廣州中心地區為研究范圍，劃分為500 m及1000 m邊長網格基本單元，采用隨機森林回歸模型在不同的網格尺度上對10種影響因子進行量化，深度分析水體、綠地和建筑等指標對城市熱環境的影響作用規律。結果表明，城市形態指標對地表溫度的影響大小和方向隨著季節和觀測尺度的變化而變化。建筑密度、單位水體面積、單位植被面積、建筑平均高度是4個最重要的影響因素。建筑形態、水體和綠地對地表溫度變化具有主導性影響。建筑密度對地表溫度有明顯的正向作用，建筑平均高度與地表溫度呈波動相關。城市綠地和水體表現出較強的冷卻效果，這一特點在夏季尤為明顯。

關鍵詞：城市形態；地表溫度；OLS線性回歸模型；隨機森林回歸模型

中圖分類號：X16 文獻標志碼：A 文章編號：1673-9655（2023）02-00-08

0? 引言

城市熱島（Urban Heat Island，UHI）是世界上大多數城市中出現的氣候變化之一。與周圍郊野相比，城市地區的溫度升高不但影響城市環境質量，還增加了城市居民的健康風險，影響到城市居民的心理健康和城市的宜居性[1]。盡管UHI的發現距今將近兩個世紀，但它仍然是各個研究領域的重要研究課題之一。在城市生態規劃領域，如何緩解UHI仍然是頗受關注的問題[2]。已有的研究表明，城市物理形態對城市熱環境的影響作用較為顯著[3]。因此，了解城市形態特征與地表溫度（LST）之間的內在聯系對于緩解UHI和指導環境友好型城市規劃意義重大。

城市形態是非抽象的，是一種龐雜的城市經濟、文化、社會現象和過程。它是在特定的地理環境和經濟社會發展階段中，各種人類活動與自然環境因素相互作用的綜合結果[4]。當前，關于城市形態與熱環境之間的復雜關系，國內外已有研究圍繞著土地利用構成[5]、景觀格局指數[6]、建筑特征參數[7]等城市地表特征進行指標要素與LST關系的分析。總體而言，研究內容多是圍繞以下城市特征進行分析：

（1）土地利用構成。許多研究已經量化了不同土地類型與LST之間的關系，并表明這些變量與LST之間存在顯著的相關性[8]。研究表明，綠地和水體的面積比與LST呈負相關[9]。然而，建筑物[10]和道路[11]等不透水表面的面積比與地表溫度呈正相關。

（2）建筑特征參數。研究顯示城市形態在二維和三維的各項指標與地表溫度之間存在著緊密聯系。在不同尺度的單元網格上量化開發強度對熱島效應的影響，發現建筑密度、容積率與地表溫度呈正相關[12]。近年來，研究者們越來越關注三維城市形態，包括建筑高度（BH）[13]、天空視角因子（SVF）[14]和建筑體積密度（BVD）[15]等。

城市中心地區土地構成多樣，剖面形態變化復雜，形成了城市峽谷。城市峽谷是以街道切割周圍稠密的建筑街區而形成的人造峽谷。除了少數公園和水體外，大部分城市地區由建筑物和這些城市峽谷組成。這種三維表面形態創造了一個復雜的熱環境，具有輻射捕獲和陰影等效果[16]。隨著建筑高度的上升，街道變窄增加了輻射捕獲，并提高了城市峽谷的溫度； 同時，隨著建筑高度的升高，陰影面積增加，城市峽谷的溫度降低。由此可見，城市形態特征對LST的影響并不總是線性的。

研究表明，隨機森林回歸模型的結果可用于對每個因素的重要性進行排序，并且通過使用偏依賴圖（PDP），能夠可視化單個變量在LST上的獨立和非線性相關模式[17]。因此，為了評估各種影響變量對LST的綜合和非線性影響，可以采用隨機森林算法（RF）[18]。

本文的目標包括以下三點：

（1）選取不同的季節和觀測尺度，觀察城市形態指標對LST變化的影響程度。

（2）比較兩種回歸方法的建模能力，普通最小二乘回歸（OLS）與隨機森林回歸（RF）。

（3）評估可用于獲得最佳解釋和預測能力的最合適尺度，兩種觀測尺度網格單元大小分別為500 m和1000 m。

同時，二維和三維的變量都作為評估城市中心地區復雜的城市形態特征。RF回歸模型用于檢查這些影響因素的相對重要性以及重要變量的非線性邊際效應。本研究將改善城市熱環境的理論基礎，并幫助城市規劃者更好地了解如何利用規劃技術來減緩城市熱島的影響。

1 研究地區與數據來源

1.1 研究區概況

廣州位于珠江三角洲的中北部，瀕臨南海，是北江、西江、東江三江匯合之處。廣州是首批沿海開放城市之一，也是中國通往世界的南大門。2018年，廣州在人類發展指數測評中位居中國第一[19]。然而，過去幾十年的城市化進程和高強度開發建設導致一些潛在的環境問題，目前的氣候變化也大大增加了極端事件的風險。在本次研究中，重點關注廣州城市中心，面積為100 km2（10 km×10 km），即三條河流交匯處。該區域是該市的中央商務區（CBD），涉及越秀區、海珠區、荔灣區、天河區四個區，聚集了眾多商業、住宅和商務辦公等高密度建筑。內部有公園，包括廣州發展公園、沙面公園、廣州文化公園等，有河流湖泊等水體，主要包括珠江、后航道等（圖1）。研究地區既包含建成區也包含自然地貌，適合在城市氣候帶背景下探究地表溫度分異規律。同時，該地區人口稠密，高速公路和建筑物廣布，土地覆蓋分布多樣，適合定量分析。

廣州的氣候屬于海洋性亞熱帶季風氣候，由于地處亞熱帶沿海，夏季長、霜期短，光熱充足、溫暖多雨。2020年廣州年平均氣溫、最低氣溫和最高氣溫的城市熱島強度分別為1.05℃、1.46℃和0.38℃，較2019年均有所下降。本次研究范圍涉及到的越秀區、海珠區、荔灣區、天河區，這些區域熱島強度超過1℃，屬于廣州市熱島強度較強的區域，這些區域2020年平均氣溫熱島強度較2019年有所增強[20]（圖2）。

1.2 指標選取

本研究將城市形態重新定義并分為四個方面，（A1）建筑形態，是城市形態的主要組成部分；（A2）交通系統，由不同層次的道路網絡組成；（A3）公共基礎設施，代表提供公共服務的單位；（A4）生態基礎設施，指被植被和水體覆蓋的城市公共開放空間。在遙感和空間分析技術的幫助下，大部分的城市形態指標可以被提取出來，并以二維和三維數據呈現[21]。在提出的城市形態分析框架中，本文選擇了十個具有代表性的LST模型變量，具體內容參見表1。①建筑形態：建筑密度、建筑平均高度、建筑體積密度、歸一化建筑指數；②交通系統：地鐵密度、人行道密度；③公共基礎設施：興趣點（POI） 密度；④生態基礎設施：植被面積、水體面積、歸一化水體指數。

1.3 數據來源

用于測算城市地表溫度（LST）的遙感影像數據來自地理空間數據云，為2019年12月及2020年8月廣州市冬夏兩季的Landsat 8（9個波段的空間分辨率為30 m）影像，選擇大氣校正法對該數據進行地表溫度反演。

建筑物矢量輪廓和道路網絡數據由BIGEMAP以ESRI shapefile格式獲得。歸一化建筑指數、植被面積、水體面積、歸一化水體指數從地理空間數據云上2020年的Landsat 8影像中提取后分析得出。POI從高德地圖開放平臺上的基于位置的服務中檢索出來。使用ArcGIS Pro軟件中的空間統計工具，將每個城市形態指標整合到兩種觀測尺度的網格中（圖3）。

2 研究方法

2.1 LST溫度反演和土地覆蓋分類

目前在測量熱島效應強度的方法中，遙感反演分析覆蓋范圍較大、數據資源較多，較多地應用于熱環境研究領域[22]。采用大氣校正法進行地表溫度反演，首先建立輻射傳輸方程：

式中：Lλ—衛星傳感器接收到的熱紅外輻射亮度值（W×m-2 ×sr-1×μm-1）；ε—地表比輻射率（無量綱）；Ts—地表真實溫度（K）；B（TS）—熱輻射亮度（W×m-2 ×sr-1×μm-1）；τ—大氣在熱紅外波段的透過率（無量綱）；L↓和L↑—大氣向下和向上的輻射（W×m-2 ×sr-1×μm-1）。根據普朗克公式函數可得溫度Ts為：

式中：Ts—陸地表面溫度，單位為℃。大氣剖面參數來自地理空間數據云（http：//www.gscloud.cn/search）。對于landsat 8 TIRS數據來說，參數K1=774.89 W/（m2?m·sr），K2=1 321.08 K，通過波段運算可得到Ts。

將廣州市哨兵影像導入ArcgisPro，基于BOA Reflectance-10 m、BOA Reflectance-20 m影像圖分別計算NDVI、NDBI、MNDWI，將柵格導入到ENVI軟件中進行土地分類，最終得到建成區、水體、綠地、不透水面四類土地利用數據，如圖3（c）。使用Sentinel-2衛星2019年12月28日的影像進行檢驗，精度＞ 80%。

2.2 隨機森林回歸模型

研究采用隨機森林（RF）回歸模型分析地表溫度與各影響因素之間的關系。RF是Breiman在2001年提出的非線性機器學習算法[23]，目前應用于許多不同領域。RF模型可以揭示各因素的重要性，定量分析各因素對地表溫度變化的影響，并通過偏相關圖揭示各因素對地表溫度變化的復雜相關模式。Logan的研究證明[24]，在各種機器學習算法中RF算法是最準確的。RF模型的基礎是決策樹，每個決策樹通過建立隨機選取的訓練樣本和預測變量，然后結合這些預測變量生成最終的預測值。

3? 結果與分析

3.1 季節性和規模效應

在本研究中，定量分析的結果表明，城市形態指標與LST的相關性存在季節和規模效應。LST與城市形態指標的相關性表現出明顯的季節性變化，夏季和冬季之間存在較大差異。在夏季，城市形態與LST的相關性比冬季更為密切。此外，夏季突出的LST變化與城市生態密切相關，而冬季的這些變化則與城市生態和建筑特征有關聯[25]。作為一個亞熱帶沿海城市，廣州冬季的氣溫波動更加極端，并受到許多其他因素的影響[26]。綠地和水體的降溫效果在夏季要強得多。

研究區域全年溫度較高，冬季不同區域之間溫度相差較小，而夏季相差較大，溫差在45℃左右，呈現出振幅較大的波線段[27]。表2和表3列出了夏季和冬季LST的描述性統計數據，在研究范圍內，夏季的平均LST達到31.41℃，而冬季只有26.45℃。此外，夏季的LST標準偏差比冬季高，說明夏季的溫度波動比冬季更劇烈。

此外，UHI效應及其影響因素總是對網格大小的變化很敏感。考慮到廣州市的平均城市街區尺度，本研究選擇了兩種觀測尺度。一般來說，基于500 m網格的OLS和RF回歸分析的解釋力要優于1000 m網格，且獲得了更好的回歸結果。由此可見，觀測尺度接近于街區大小（網格大小為500m）更適合于探索城市形態對LST的影響。

3.2 城市形態對熱環境的作用

從城市物理空間出發，研究將城市形態分解為四個方面，采用OLS和RF回歸分析方法證明城市形態特征對夏季和冬季LST的不同影響[28]。模型輸出系數表明，LST變化由生態基礎設施和建筑組成主導，而其他城市形態指標，如交通系統和公共基礎設施對LST變化的影響較小。其他城市的相關研究也有類似規律，如北京[29]、武漢[30]等。

研究結果顯示，平均LST與植被和水體所占面積呈負相關，而LST與建筑形態指標之間關聯性較為復雜，POI和道路網密度對LST的影響相對較弱[31]。

在生態方面，植被面積（VEG_A）、歸一化水體指數（MNDWI）和水體面積（WATER_A）的部分相關性圖都顯示了LST下降的趨勢（圖4a、e、f和圖5a、e、f）。在建筑形態指標方面，①歸一化建筑指數（NDBI）對LST的影響作用在夏季與冬季的表現不同，夏季波動性強于冬季。如圖4d和圖5d，曲線走勢在-0.3～0.1變化明顯，夏季LST隨著NDBI的增加呈先上升，到達NDBI數值為0時呈下降趨勢；冬季LST隨著NDBI的增加呈上升趨勢。在夏季，NDBI與LST的相關性曲線變化波動性較大，在NDBI數值處于-0.3～-0.1時，曲線變化較為平緩，在-0.1～0.1時變化較為顯著。②建筑密度（BD）對LST的影響作用呈現出先上升后下降的趨勢（圖4c和圖5c）。在夏季，當BD數值在0～0.6時曲線變化明顯，呈先上升后下降的趨勢，在BD為0.2時達到峰值；而在冬季，曲線在BD數值介于0～0.25時上升，在BD數值處于0.25～0.6時下降，且變化速度明顯高于夏季數值。③建筑體積密度（BVD）對LST的影響變化曲線在夏季時呈上升走勢。但在冬季，LST隨BVD數值的增加而下降。

3.3 隨機森林回歸模型分析

研究探索了每兩種指標因素對LST變化的影響，并顯示它們之間的相互作用。代表性結果顯示在圖6和圖7。結果表明，城市生態基礎設施指標和建筑特征指標是對研究區域LST變化影響力最大的變量[32]。而且，在較低的綠地和水體面積下，建筑密度對OLS變化的影響作用更大。當夏季氣溫較高時，研究區域LST變化受生態基礎設施指標影響的可能性更大（圖6）。在冬季，生態基礎設施指標對LST的影響減弱，而建筑特征指標則轉變為主導因素（圖7）。

基于以上結果分析可以發現，城市物理表面的關鍵組成部分的規劃和更新能夠對LST產生更大的影響，如綠地、水體和建筑物。然而，交通系統和公共基礎設施的布置可能對LST的變化影響較小[33]。因此，廣州市的城市規劃者和管理者應該更加關注城市中心的建筑布局和生態構成，以改善城市熱環境，緩解UHI效應。

4 討論

4.1 廣州城市特征對LST的影響

研究采用RF技術，在2種網格尺度上研究了不同變量與地表溫度的關系。在每個網格尺度上，計算并平均這些城市特征值以及LST。結果表明，景觀組成是影響廣州LST分布的最重要因素，尤其是建筑密度（BD）、植被面積（VEG_A）和水體面積（WATER_A）。BD在兩種網格尺度中都是最重要的因素。然而，另有研究發現，與建筑密度相比，建筑數量是最重要的組成部分[34]。這是由于不同的氣候條件或模型中存在多重共線性。因此，雖然考慮的因素組合各不相同，但大多數研究得出了相同的結論：建筑信息是確定 LST 的最重要因素。

4.2 對城市景觀管理的影響

研究揭示了影響因素與LST之間的非線性相關模式，據此可提出相應的解決方案來改善城市熱環境。首先，根據研究，建筑密度與LST呈正相關，而水體面積和植物面積與LST 呈負相關。這表明降低城市建筑密度，加大道路綠化和公園建設，可以有效改善城市熱環境。其次，建筑高度最初與LST呈正相關，在大約30 m時轉為負相關。因此建議在同等人口容量的情況下，建造高層建筑以擴大陰影面積，改善局部通風條件，將保留的土地用于植物和水體。

4.3 研究局限與進一步創新

研究采用的RF分析方法對研究尺度比較敏感，網格劃分的增加會導致完整景觀被割裂和非核心要素增加。因此，采用RF分析城市形態特征時，選擇合適的分析尺度非常重要。本次研究范圍為廣州中心地區，考慮到網格尺度的影響，經過多組實驗，選擇了500 m和1000 m網格尺度進行RF分析。未來針對不同地區的研究，需根據地區特點選擇研究范圍和網格尺度，將影響因素的多尺度穩定性和空間均勻性納入考慮范圍。

5 結論

本研究以廣州中心地區為例，利用OLS和RF回歸模型定量研究了城市形態指標對夏季和冬季LST變化的影響作用。首先，在充分考慮城市空間結構的基礎上，將城市形態分解為四個方面。其次，根據空間數據的可用性原則，選擇了10個城市形態指標。最后，對一個10 km×10 km的城市中心區域建立了OLS和RF回歸模型，以區分各城市形態指標對LST模式的影響程度。具體的研究結論主要包括以下三個方面：

（1）相對OLS而言，RF回歸模型能夠顯示出城市形態和LST變化之間的復雜非線性關系。在城市形態指標的四個方面中，生態基礎設施是冷卻效應的最主要影響因素，建筑形態其次。然而，交通系統和公共基礎設施對LST的變化影響有限。

（2）城市形態指標對LST的影響顯示出明顯的季節性和觀測尺度變化，且綠地和水體的降溫效果在夏季更強。模型在500 m的網格中獲得了最好的模擬結果，這也是探索城市中心地區LST和城市形態之間相關性的理想觀測尺度[35]。

（3）生態基礎設施和建筑形態的規劃和更新會對LST的變化產生較強的影響，而交通建設、公共基礎設施的布局可能對LST的影響較小。

參考文獻：

[1] 可持續發展城市降溫廣州試點項目組， 許翔， 郭昊羽， 等. 聚焦城市降溫關鍵問題的可持續發展解決方案--世界銀行與廣州的"清涼城市"試點實踐[J]. 城市規劃， 2021， 45（6）：52-62.

[2] 付含聰， 鄧帆， 楊歡， 等. 基于遙感的長江中下游城市群高溫熱浪風險評估[J]. 長江流域資源與環境， 2020， 29（5）：9.

[3] Merckx T， Souffreau C， Kaiser A， et al. Body-size shifts in aquatic and terrestrial urban communities[J]. Nature， 2018， 558（7708）.

[4] 本書編寫組. 城市規劃原理[M]. 北京： 中國建筑工業出版社， 2010.

[5] 劉詩喆， 謝苗苗， 武蓉蓉， 等. 地理單元劃分對城市熱環境響應規律的影響——以北京為例[J]. 地理科學進展， 2021， 40（6）：11.

[6] 陳愛蓮， 孫然好， 陳利頂. 基于景觀格局的城市熱島研究進展[J]. 生態學報， 2012， 32（14）：13.

[7] 鄔尚霖， 孫一民. 城市設計要素對熱島效應的影響分析——廣州地區案例研究[J]. 建筑學報， 2015 （10）： 79-82.

[8] Alavipanah， S.， Wegmann， M.， Qureshi， S.， Weng， Q.， & Koellner， T. The role of vegetation in mitigating urban land surface temperatures： A case study of Munich， Germany during the warm season[J]. Sustainability， 2015 （7）：4689-4706.

[9] Soydan， O. Effects of landscape composition and patterns on land surface temperature： Urban heat island case study for Nigde， Turkey[J]. Urban Climate， 2020 （34）：100688.

[10] Lan， Y.， & Zhan， Q. How do urban buildings impact summer air temperature？ The effects of building configurations in space and time[J]. Building and Environment， 2017 （125）： 88-98.

[11] Mathew， A.， Sreekumar， S.， Khandelwal， S.， Kaul， N.， & Kumar， R. Prediction of surface temperatures for the assessment of urban heat island effect over Ahmedabad city using linear time series model[J]. Energy and Buildings， 2016 （128）： 605-616.

[12] 蔡智， 韓貴鋒. 山地城市空間形態的地表熱環境效應——基于LCZ的視角[J]. 山地學報， 2018， 36（4）：11.

[13] Guo， J.， Han， G.， Xie， Y.， Cai， Z.， & Zhao， Y. Exploring the relationships between urban spatial form factors and land surface temperature in mountainous area： A case study in Chongqing city[J]. China Sustainable Cities and Society， 2020 （61）：102286.

[14] Liu， H.， Zhan， Q.， Gao， S.， & Yang， C. Seasonal variation of the spatially nonstationary association between land surface temperature and urban landscape[J]. Remote Sensing， 2019 （11）：1016.

[15] Sun， F.， Liu， M.， Wang， Y.[Yuncai]， Wang， H. J.， & Che， Y. The effects of 3D architectural patterns on the urban surface temperature at a neighborhood scale： Relative contributions and marginal effects[J]. Journal of Cleaner Production， 2020 （258）： 120706.

[16] Oke， T. R.， Mills， G.， Christen， A.， & Voogt， J. A. Urban climates[J]. Cambridge University Press， 2017.

[17] Belgiu， M.， & Dragut?， L. Random forest in remote sensing： A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2016（114）： 24-31.

[18] Wang，? Q.， Wang，? X.， Zhou，? Y.， Liu，? D.， & Wang，? H. The dominant factors and influence of urban characteristics on land surface temperature using random forest algorithm[J]. Sustainable Cities and Society， 2022（79）：103722.

[19] 諸大建， 何芳， 霍佳震. 中國城市可持續發展綠皮書[M].上海： 同濟大學出版社， 2013.

[20] 游曉婕， 李瓊， 孟慶林. 城市熱島空間格局及形態差異化調控策略研究——以廣州市中心城區為例[J]. 風景園林， 2021， 28（5）：6.

[21] Sya B， Zcc D， Bya B， et al. Exploring the relationship between 2D/3D landscape pattern and land surface temperature based on explainable eXtreme Gradient Boosting tree： A case study of Shanghai[J]. China – Science Direct. Science of The Total Environment， 2020（725）.

[22] 李瑩瑩， 鄧雅云， 陳永生， 等. 基于衛星遙感的合肥城市綠色空間對熱環境的影響評估[J]. 生態環境學報， 2018， 27（7）：10.

[23] Wu， H.， Ruan， W.， Wang， J.， Zheng， D.， Liu， B.， Geng， Y.， & Helal， S. Interpretable machine learning for covid-19： An empirical study on severity prediction task[M]. IEEE Transactions on Artificial Intelligence， 2021.

[24] Logan， T. M.， Zaitchik， B.， Guikema， S.， & Nisbet， A. Night and day： The influence and relative importance of urban characteristics on remotely sensed land surface temperature[J]. Remote Sensing of Environment， 2020 （247）：111861.

[25] 葛靜茹， 王海軍， 賀三維， 等. 武漢市都市發展區地表溫度季節性空間分布與驅動力分析[J]. 長江流域資源與環境， 2021， 30（2）：10.

[26] 包小鳳. 空間馬爾科夫鏈在城市蔓延時空特征分析與預測中的應用——以廣州市為例[D]. 廣州： 華南師范大學， 2014.

[27] Breiman， L. Random forests[J]. Machine Learning， 2001 （45）：5-32.

[28] Sun， Dao-de， Department， et al. Selection of the Linear Regression Model According to the Parameter Estimation[J]. Wuhan University Journal of Natural Sciences， 2000.

[29] 孫喆. 高密度城區形態要素對熱環境的影響作用——以北京市五環內區域為例[J]. 生態環境學報， 2020， 29（10）：8.

[30] 謝啟姣， 段呂晗， 汪正祥. 夏季城市景觀格局對熱場空間分布的影響——以武漢為例[J]. 長江流域資源與環境， 2018， 27（8）：10.

[31] 楊曉峰. 基于遙感技術下廣州市城市熱島效應研究[D]. 南京： 南京信息工程大學， 2008.

[32] Sun Y， Gao C， Li J， et al. Quantifying the Effects of Urban Form on Land Surface Temperature in Subtropical High-Density Urban Areas Using Machine Learning[J]. Remote Sensing， 2019， 11（8）.

[33] X? Zhu， Li Y， X Wang. Machine learning prediction of biochar yield and carbon contents in biochar based on biomass characteristics and pyrolysis conditions[J]. Bioresource Technology， 2019（288）：121527.

[34] Guo， F.， Wu， Q.， & Schlink， U. 3D building configuration as the driver of diurnal and nocturnal land surface temperatures： Application in Beijings old city[J]. Building and Environment， 2021 （206）： 108354.

[35] Peng J， Qiao R， Liu Y， et al. A wavelet coherence approach to prioritizing influencing factors of land surface temperature and associated research scales[J]. Remote Sensing of Environment， 2020（246）：111866.

Abstract： In recent years， some studies have shown that the influence of urban form on the thermal environment was more significant， but there were few studies that discussed it from the perspective of urban spatial structure. In order to evaluate the relative importance and mutual influence of urban morphological characteristics on surface temperature， this paper took the central area of Guangzhou as the research area， and selected the central 10 km area to divide it into basic units of different side length grids. The random forest regression model was used in different grids. Ten influencing factors were quantified on the grid scale， and the influence laws of water bodies， green spaces and buildings on the urban thermal environment were analyzed in depth. The results showed that the magnitude and direction of the impact of urban morphology indicators on surface temperature varied with seasons and observational scales. Building density， unit water area， unit vegetation area， and average building height were the 4 most important influencing factors， while factors such as sidewalk density and points of interest were less correlated with changes in surface temperature. Building form， water body and green space have dominant influences on surface temperature changes. Building density had an obvious positive effect on surface temperature， and the average height of buildings fluctuates with surface temperature. Urban green spaces and water bodies indicated a strong cooling effect， especially in summer.

Key words： urban form; land surface temperature; Ordinary Least Square regression model; Random forest regression model