Анализ эффекта городского теплового острова и экономического эффекта на основе данных с использованием машинного обучения и вейвлет-когерентности

Конфигурация городской инфраструктуры, зеленых зон и растительности имеет решающее значение для смягчения последствий эффекта городского теплового острова (SUHI). В данном исследовании изучалась пространственно-временная динамика воздействия SUHI в Сиалкоте с 2001 по 2023 год с использованием данных Landsat. Модифицированный тест тренда Манна-Кендалла показал стабильный, но несколько снижающийся тренд SUHI, а также снижение индекса IBI и повышение индекса NDVI. Анализ вейвлет-когерентности и скользящей корреляции продемонстрировал сложные краткосрочные и сезонные эффекты растительности на интенсивность SUHI. Модель XGBoost показала существенную точность прогнозирования (R2 = 0,86, RMSE = 0,18), при этом температура поверхности земли была признана основным определяющим фактором. Результаты подчеркивают важную роль зеленой инфраструктуры в смягчении последствий SUHI, указывая на эффективность пакистанских программ по озеленению. Данное исследование подчеркивает важность машинного обучения в экологических исследованиях и предоставляет важные сведения для устойчивого городского планирования и разработки политики.

Data-Driven Analysis of Urban Heat Island Effect And Economic Effect Based on Machine Learning And Wavelet Coherence

The configuration of urban infrastructure, green spaces, and vegetation is crucial in alleviating the impacts of the surface urban heat island (SUHI) effect. This study examined the spatiotemporal dynamics of the SUHI impact in Sialkot from 2001 to 2023, employing Landsat data. The Modified Mann–Kendall trend test indicated a stable but somewhat declining SUHI trend, along with a reduction in the IBI and an elevation in the NDVI. Wavelet coherence and rolling correlation analyses demonstrated complex short-term and seasonal effects of vegetation on SUHI intensity. The XGBoost model exhibited substantial predictive accuracy (R2 = 0.86, RMSE = 0.18), with Land Surface Temperature recognized as the primary determinant. The findings highlight the essential function of green infrastructure in mitigating SUHI effects, indicating the efficacy of Pakistan's green programs. This research highlights the importance of machine learning in environmental studies and provides critical insights for sustainable urban design and policy formulation.