基于机器学习与小波分析评估地表温度趋势及其与环境交互作用

准确的地表温度（LST）评估对于理解和减缓气候变化的影响以及认识土地利用演变至关重要。本研究提出了一种新方法，通过利用集成模型、高级相关性分析和趋势分析来探究其环境影响。研究采用Google Earth Engine（GEE）平台处理了2001–2023年巴基斯坦旁遮普省五大城市的Landsat-7和Landsat-8数据集。结果表明：城市变暖趋势显著，环境变量与LST之间存在强相关性。采用基于集成的三种机器学习模型，即极端梯度提升（XGBoost）、自适应提升（AdaBoost）和随机森林（RF），以提高LST评估精度。虽然XGBoost和AdaBoost达到了中等精度水平（R2值分别为0.767和0.706），但RF模型以0.796的R2值和0.47的均方根误差（RMSE）表现更优。此外，皮尔逊相关性分析显示，LST与归一化差异潜热指数（NDLI，r=−0.67）、归一化差异植被指数（NDVI，r=−0.6）以及改进的归一化差异水体指数（MNDWI，r=−0.57）均呈负相关。小波分析进一步表明，植被和水体可提供长达64个月的长期LST冷却效应，而建成区和裸土则会导致持续4–8个月的短期增温。潜热则表现出可变的冷却周期，在城市中超过60个月。这些发现深化了对LST变化机制及气候变化环境影响的理解。