这篇文档属于类型a，即报告了一项原创性研究的科学论文。以下是针对该研究的学术报告：

作者及机构
本研究由He Zhang、Rui Liu（通讯作者）、Zeren Dawa、Runcan Han和Qi Zhou共同完成，所有作者均来自中国成都理工大学地球物理学院。研究发表于期刊《Sustainable Cities and Society》2025年第132卷，文章编号106794。

学术背景
研究领域为城市气候与环境科学，聚焦地表温度（Land Surface Temperature, LST）的时空预测。选择中国四川-重庆地区作为研究对象，因其复杂地形（海拔67米至7000米）与快速城市化（过去20年城市化率增长186.58%）导致显著的热环境异质性。传统LST预测模型（如ARIMA、CNN或LSTM）在捕捉非线性时空依赖性和多因子交互作用时存在局限。因此，本研究旨在开发一种融合卷积长短期记忆网络（ConvLSTM）、Transformer架构和自回归积分滑动平均模型（ARIMA）的混合框架，以提升复杂环境下的LST预测精度，并为城市规划与气候适应提供科学依据。

研究流程与方法
1. 数据准备与预处理
- 数据来源：整合2001-2020年LST栅格数据（源自气象站插值，规避卫星数据因云层覆盖导致的缺失问题）及19种影响因子（如碳固定潜力CFP、热循环潜力TCP、夜间灯光热指数ALHI等）。
- 变量筛选：通过Spearman秩相关系数与冗余分析（RDA）筛选出11个关键驱动因子，包括植被生产力（GPP、NPP）、气象参数（风速WDSP、气压STP）及城市扩张指标（Urban_EX）。
- 空间对齐：所有栅格数据统一重采样至LST图层分辨率（未明确数值），采用双线性插值（连续变量）或最近邻插值（分类变量）。

1. 模型构建

   • 混合架构设计：
     
     • ConvLSTM模块：通过时间分布的CNN层（32和64个1×1卷积核）提取空间特征，再经两层ConvLSTM（32个滤波器）捕获时空依赖性。
       
     • Transformer模块：嵌入维度32，2个注意力头，增强长时序依赖建模。
       
     • ARIMA残差校正：对每个像素的预测残差应用固定阶数（1,1,1）的ARIMA模型，优化短期趋势。
       
   • 训练策略：使用7:3划分训练集与验证集，输入为3年连续多变量序列，目标为下一年LST。Adam优化器以MSE为损失函数，训练50个epoch。

2. 模型验证与解释

   • 评估指标：MAE、MSE、Pearson相关系数（r）和决定系数（R²）。
     
   • SHAP分析：量化各因子对LST预测的贡献，识别主导驱动因子。

主要结果
1. 模型性能
- 混合模型（CNN_TRLSTM+ARIMA）在测试集上R²达0.9054，较传统CNN或LSTM模型提升约10%，MAE稳定在0.790°C±0.008°C（95%置信区间）。
- 2021-2023年独立验证显示，预测与实测LST的Pearson相关系数均>0.9，但2022年MAE升至1.7784°C，归因于该年极端高温干旱事件超出训练数据范围。

1. 驱动因子解析

   • SHAP值表明，植被生产力（GPP、NPP）和风速（WDSP）为最显著降温因子，而人口热排放（PHE）和城市扩张（Urban_EX）加剧LST上升。例如，GPP的SHAP值最高，其强度阈值效应显示：当植被覆盖超过临界值时，降温效应非线性增强。

2. 空间预测效果

   • 模型在四川盆地中部（如成都周边）预测精度最高（误差±1°C内占比53.36%），但在西部高原和重庆东南部边缘区域误差较大，与地形复杂性和观测站点稀疏性相关。

结论与价值
1. 科学价值
- 首次实现ConvLSTM-Transformer-ARIMA的三元融合，解决了传统混合模型因架构不兼容导致的多模态数据整合难题。
- 揭示了植被生产力与城市形态对LST的阈值效应，为热环境调控提供理论依据。

1. 应用价值
   
   • 可指导四川-重庆地区的绿色基础设施布局（如优先在高PHE区域增植被），并为类似复杂地形城市的LST预测提供通用框架。
     
   • 模型模块化设计支持扩展至其他环境变量预测（如空气质量或能耗）。

研究亮点
1. 方法创新：
- 提出“时空特征提取-全局上下文建模-自适应时序聚焦”的递进式架构，通过Transformer注意力机制动态加权关键时间步。
- 开发像素级ARIMA残差校正策略，平衡计算效率与局部趋势捕捉。

1. 发现创新：
   
   • 证实夜间灯光热指数（ALHI）与LST呈显著负相关，暗示人工光源分布对城市热岛的潜在调控作用。
     
   • 识别出气象因子（如TCP）在山区微气候中的各向异性热扩散特征。

其他有价值内容
研究指出当前局限包括：单次训练未进行统计显著性检验、高海拔地区数据稀疏性偏差，并建议未来整合实时卫星数据流与物理约束模型以提升鲁棒性。