全球城市化的快速推进导致自然地表持续被人造表面所替代,是引发全球气候变化的主要原因之一。从城市尺度来看,城市化导致了局部变暖(Local Warming)现象,给城市居民健康、生物多样性以及城市可持续发展造成了巨大的威胁。城市地表温度(LST,land surface temperature),是探究城市化对城市地表热环境影响的关键指标。从LST入手,运用定量手段摸清城市热环境的周期与过程等机理,是指导城市规划更科学地应对温度问题的重要途径。但是无论是LST现象本身,还是影响它的地表要素,在时间维度上都不是恒定,即具备时间非平稳性(Temporal Non-stationarity)。因此,针对城市热环境的研究,需要在现有空间分析主导的状态下,增加时间维度上的模式挖掘与机制变化分析,避免单一时间片段下存在的偶然性,以获取更综合、更稳健、更有效的城市热环境相关知识,为城市规划与管理提供更科学的决策支撑。同时,城市热环境研究与城市规划管理之间如何实现有效衔接,也是需要重点考虑的一个问题。事实上,提供规划与管理在应对城市温度问题上可以直接运用的有效知识,尤其是通过对地表指标的直接调控,本就是城市热环境研究的终极目标。本文立足于城市尺度,在关注于城市内部异质性的基础上,将传统城市热环境静态研究框架向时空动态方向进行了一定的拓展。研究以具备亚热带季风性气候的武汉市为例,对LST的时空模式进行了挖掘,并分析了LST机制在季节上的变化,最后基于城市尺度与局部尺度,针对具体温度问题提出了相应的规划与管理建议。一方面,为充分顾及LST现象与机制层面在时间维度的非平稳性,研究引入了数据科学领域的多种研究方法以挖掘相应的时空模式与机制。另一方面,为充分探究热环境空间异质性并通过其实现与城市规划与管理的衔接,研究在时序LST现象层面进行了分区。具体研究内容包括:(1)引入了机器学习领域的时序聚类(Time Series Clustering)方法,以实现LST在现象层面的分区,并基于分区结果,运用数字信号处理领域的集合经验模态分解(EEMD,the ensemble empirical mode decomposition)挖掘了不同区在不同时间尺度下的时序规律,以及城市化进程对这些模式与规律的影响。其中,不同类的长期趋势规律受局部尺度下不同程度的城市化、植树造林以及循环经济发展的影响,呈现出了显著的空间异质性。(2)考虑到时序聚类在LST时空模式挖掘中的重大应用潜力,研究进一步基于LST潜在模式与形态指标,针对短时间序列LST数据选择并评估了多种时序聚类算法,以寻求最优方法。研究结果表明,武汉市2002/2003-2017年LST时序聚类在不同时间分辨率下的最佳聚类数均为17。事实上,这种基于LST现象层面的分区,也是对城市环境功能分区的一种补充。(3)对于LST时空动态特征的过程机制挖掘而言,研究在充分考虑地表指标与LST关系的空间非平稳性(Spatial Non-stationrity)基础上,分析了这种关系在季节上的变化。其中,多尺度地理加权回归(MGWR,the Multi-scale Geographically Weighted Regression)模型的引入,有助于突破传统的全局平稳假设(全局回归模型)与过程尺度一致假设(传统GWR(Geographically Weighted Regression)模型),更科学地分析LST机制。基于该模型所得的局部回归系数,也能更有效地支撑城市规划与管理部门针对局部具体温度问题而因地制宜地实施相关策略与措施。研究结果表明LST机制在季节上存在显著差异,因此无论是针对温度问题的改善,还是气候类建模,都需要将这种季节性变化考虑进来。最后,研究基于时空模式分析结果对优化武汉市城市热环境格局提出了相应的规划建议,并针对对人体舒适度与健康以及能源消耗影响最显著的夏季,基于前述回归分析结果,进一步分析了不同指标对LST的影响情况,并选择局部高温区域,因地制宜地提出了热环境缓解与优化的规划管理建议。总的来说,本研究一方面有助于我们更好地理解时空动态条件下人与自然的交互原理,另一方面通过瞄准城市内部异质性,所产生的热环境相关知识将有助于规划师的吸收与理解,进而运用到城市具体区域的气候适应性规划与管理当中。