基于邻域效应的城市风环境评估与调控方法

《BUILDING AND ENVIRONMENT》：A neighborhood effect-based method for urban wind environment assessment and regulation

城市通风研究中的邻域效应与机器学习方法应用。提出基于邻域分析的解析方法（NBAM），构建1×1至7×7邻域尺度的建筑形态参数数据集，以中心网格风速为预测目标，对比MLR与XGBoost/RF/LGBM/SVR等模型的预测性能，并利用SHAP进行影响机制解析。研究表明：7×7邻域尺度可有效捕捉周边建筑对通风的影响，XGBoost模型R2达0.851，MAE降低至6.4%，SHAP方法成功实现"识别-诊断-调控"分析流程，为复杂城市通风评估提供新范式。

　　

刘晓琴|赵书良|黄翔|马玉清|朱春阳|傅宗琪

石河子大学城市与环境科学学院，中国石河子832003

摘要

城市通风在改善空气质量、缓解城市热岛效应以及提升城市宜居性方面发挥着关键作用。传统的模拟方法往往难以在计算效率和成本之间取得平衡。为了解决这一问题，本研究提出了一种基于邻域的分析方法（NBAM）。该方法构建了一个建筑形态指标的数据集，邻域范围从1×1到7×7，以中心网格处的风速作为目标变量。对比了多元线性回归（MLR）模型和四种机器学习算法（XGBoost、RF、LGBM和SVR）的预测性能，并使用SHAP方法对模型进行了解释。研究结果表明：（1）邻域效应对预测准确性至关重要。随着邻域范围的扩大，模型性能显著提升，7×7邻域能够有效捕捉周围建筑对目标区域风环境的影响；（2）XGBoost算法表现优异，模型最大R2值为0.851，平均绝对误差降低至6.4%；（3）SHAP方法可以应用于“识别-诊断-调节”分析过程，为城市风环境的精细调节提供数据驱动的决策支持工具。本研究不仅证实了邻域效应在城市风环境研究中的必要性，还为精确识别和调节城市风环境问题以及城市通风评估提供了新的方法。

引言

随着全球城市化进程的加快，城市地表粗糙度显著增加。这种变化减少了城市内部的空气流通，导致风速降低，进而影响污染物扩散、城市热环境以及人体热舒适度，最终影响公共健康和城市韧性[1,2]。同时，气候变化加剧了环境不稳定性，极端天气事件更加频繁，给城市系统带来了额外挑战。在气候变化和城市化的双重压力下，城市风环境研究变得日益紧迫。

城市风环境问题的日益突出吸引了城市政策制定者的关注，并推动了系统的研究和实践。德国斯图加特是最早开展城市通风研究的城市之一，并建立了相关模型[3]。随后日本也进行了局部探索[4]。此外，香港[5]、武汉[6]和深圳[7]等大城市也积极推动了相关研究和应用。城市风环境受到多种因素的影响，尤其是地形和建筑。这些因素通过动态和热效应改变城市风场[8]，产生诸如流分离和文丘里效应[9]等现象，最终改变风速和风向[10]。与相对稳定的地形相比，建筑对风条件的影响受到了更多关注。建筑形态、布局与气象条件之间的相互作用在决定城市通风性能方面起着关键作用[11]。通常情况下，建筑密度越高，内部通风效果越差[12,13]。Kubota等人[14]在日本居民区进行了风洞实验，发现较高的建筑密度显著降低了行人处的风速。Abd Razak等人[15]通过风洞测试和数值模拟也证明了建筑覆盖率的增加会导致地面附近风速明显下降。建筑高度的影响更为复杂。W. Feng等人[16]报告称，随着平均建筑高度的增加，行人处的平均风速比逐渐减小，20米的高度增加会导致风速比降低0.012。Chen L.等人[17]发现，虽然建筑高度的变化会增强高层建筑周围的水平和垂直风速，但会降低低层建筑附近的空气渗透性。Mittal等人[18]观察到，高层建筑由于强烈的下洗效应会增加最大风速比，将高空气流引向行人高度。建筑朝向和空间配置也会影响城市风环境[19]。Hanna等人[20]模拟了由简单立方体组成的障碍物阵列，发现方形布局加剧了街道峡谷效应。更密集的排列产生了更高的内部流速，但降低了平均风速。Gu等人[21]研究了非均匀街道峡谷中的气流，发现行人高度处的污染物浓度低于均匀布局的情况。这表明非均匀的建筑配置可以增强城市区域的污染物扩散。

研究城市复杂风环境的方法主要包括现场测量[22]、风洞实验[23]和数值模拟[24]。现场测量可以在实际气象条件下提供真实的风场数据，但其代表性受到测量点稀疏性和数据空间覆盖范围的限制[25]。风洞实验在受控环境中模拟建筑和邻域尺度上的气流，能够精确捕捉局部风速和流动模式，但实验条件无法完全再现真实城市环境的复杂性，尤其是在大规模城市区域[26]。计算流体动力学（CFD）模拟提供了一种高效且系统的方法来模拟大范围的风环境。然而，它们涉及较高的计算成本，在应用于大型复杂城市场景时仍面临效率挑战[27],[28],[29]。因此，数据驱动的方法受到了越来越多的关注。

数据驱动的方法结合了遥感技术[30]和人工智能[31]，通过探索形态参数与风环境之间的复杂关系来构建评估模型。这些方法显著提高了大规模风环境评估的效率和灵活性[32],[33],[34]。目前，城市风环境研究中的数据驱动方法主要分为两类。第一类是建立建筑形态参数与风速数据之间的相关模型以预测风速。Guo等人[35]结合CFD、GIS和随机森林方法研究了建筑形态对城市通风的影响。W. Wang等人[36]使用大涡模拟（LES）和多元回归方法建立了线性回归模型，将站点平均风速比与建筑形态参数联系起来，有助于评估各因素在行人水平通风中的重要性。Baitureyeva等人[37]基于100个假设建筑的CFD模拟，生成了包含300个案例研究的数据集，然后使用随机森林算法构建了一个多输出回归模型，能够快速预测风速、湍流强度和污染物扩散。第二类是结合图像样本数据和深度学习算法进行快速风场预测。C. Huang等人[38]改进了基于生成对抗网络（GANs）的CycleGAN和Pix2pix模型，实现了从图像快速预测风环境。Shao等人[39]提出了一种基于CFD模拟数据的新型深度图神经网络，能够在非结构化网格上快速准确地预测连续城市风场。

在现有研究中，基于形态参数的数据驱动方法主要关注使用目标区域的建筑形态和风场特征来评估风环境。然而，它们常常忽视了邻近区域建筑布局对目标区域风环境的潜在影响。这一局限性导致当前预测模型存在偏差，难以准确反映复杂城市环境中的通风潜力，也限制了这些模型在不同空间尺度和城市结构中的适用性和泛化能力。

本研究以区域年平均风速为目标变量，以目标区域及其周边邻域的建筑形态参数为特征变量。使用机器学习方法构建预测模型，并应用SHAP方法解释这些特征变量对目标变量的影响。本研究的具体目标是：（1）基于邻域分析方法（NBAM）开发风环境预测模型；（2）探索NBAM在模型构建中的有效性；（3）评估该方法的适用性。

研究区域

石河子市位于中国新疆维吾尔自治区北部，地处天山山脉北麓中部与准噶尔盆地南缘的过渡地带。该市的地理坐标介于东经84°58′至86°24′、北纬43°26′至45°20′之间，总面积约为460平方公里。城市地形相对平坦。本研究聚焦于石河子的中心城区。

相关性分析

斯皮尔曼相关性分析显示，所有特征变量之间的相关系数均小于0.8，VIF值低于10，表明特征变量之间不存在显著的多重共线性问题。相关结果详见补充文件1。对于不同的邻域范围，建筑形态指标与WS_(0,0)之间的相关性结果显示BCR（图7a）具有显著负相关，而其他指标具有显著正相关

FAI的适用性

由于FAI的相关性较弱且不稳定（可能与其网格大小、建筑布局及其综合效应有关），本研究将其排除在外。本研究使用的网格尺寸为50米×50米，可能无法有效捕捉建筑布局对FAI的贡献[64]。此外，研究区域的建筑布局高度较为均匀，大多数建筑呈东西向分布（图3），这可能使得FAI难以揭示差异

结论

本研究提出了一种基于NBAM的方法，以WS_(0,0)为目标变量，以邻域范围内的建筑形态参数为特征变量，构建了城市风环境预测模型。使用SHAP可解释性技术分析了该方法的适用性。主要结论如下：首先，邻域效应是决定城市风环境预测准确性的关键因素。与仅考虑局部因素的模型相比

CRediT作者贡献声明

刘晓琴：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件开发、调查、形式分析、数据整理。赵书良：可视化、验证、监督、软件开发、调查。黄翔：撰写 – 审稿与编辑、监督。马玉清：可视化、软件开发。朱春阳：撰写 – 审稿与编辑。傅宗琪：撰写 – 审稿与编辑、监督、资金获取、概念构思。