《BUILDING AND ENVIRONMENT》：Visual determinants of outdoor thermal comfort: integrating explainable AI and perceptual assessments
编辑推荐：
本研究针对传统热指标（如UTCI、PET）无法全面反映感知热舒适的问题，创新性地融合计算机视觉、可解释机器学习与感知评估，系统探究街道景观视觉要素对热感知的影响。通过多模型图像筛选、户外问卷调查（获2,854份有效响应）及SHAP模型解析，发现洋红色（magenta）为最显著视觉预测因子，而绿化虽受偏好却与热感知相关性较弱。该研究为气候响应型城市设计提供了数据驱动框架，发表于《BUILDING AND ENVIRONMENT》。
随着全球变暖效应加剧，户外环境的热舒适性已成为影响城市空间品质的关键因素。尽管研究领域已开发出多种热指标，例如通用热气候指数（UTCI）和生理等效温度（PET），但这些指标未能完全捕捉人们感知到的热舒适度。除了环境和生理因素，近期研究表明，视觉元素显著驱动户外热感知。这引出了一个核心问题：我们看到的景象如何影响我们对冷热的感受？传统研究多聚焦于单一视觉参数或简化指标，难以应对真实户外环境的视觉复杂性，也缺乏将客观视觉测量与主观感知有效联结的方法。
为了回答这些问题，研究人员开展了一项主题为“户外热舒适的视觉决定因素：整合可解释AI与感知评估”的研究。该研究旨在通过一种综合方法，揭示多种视觉特征如何共同影响户外热感知，挑战关于视觉-热舒适关系的传统假设，并为气候响应型城市设计提供证据支持的见解。
本研究采用了六阶段的综合方法论。首先，在新加坡国立大学（NUS）校园内进行了系统的现场数据采集，捕获了多样化的户外环境。其次，利用三种先进的计算机视觉模型（Segment Anything Model, ResNet-50, Vision Transformer）和最大团（Maximum Clique）算法，从初始的135张照片中筛选出50张最具视觉代表性的图像，每张都配有同步拍摄的热成像图像。第三，从选定的图像中提取并量化了34个视觉参数，涵盖色调、光强、色调对比度、分割对象、表面温度和表面材料六大类别。一个关键的创新参数是HotZone%，定义为热成像中表面温度超过30°C的区域比例。第四，进行了一项基于网络的户外问卷调查，共有317名学生在户外环境下参与，提供了热感觉投票（TSV）、热舒适投票（TCV）和元素偏好数据，共收集到2,854份有效回复。为了对比，研究还在室内展览环境中复制了相同的调查。第五，系统评估了多种机器学习模型（包括回归和分类方法），最终选择随机森林分类器（Random Forest Classifier）作为最优模型。最后，应用SHAP（Shapley Additive Explanations）分析、相关性分析和统计检验来确定视觉特征对热感知的相对重要性和方向性影响。
3.1. 代表性图像的选择
通过三种计算机视觉模型计算图像间的余弦相似度，并设定模型特定的相似度阈值（SAM: 0.40, ResNet-50: 0.33, ViT: 0.45）。应用最大团算法后，最终选定了50张独特的图像，确保了校园环境视觉多样性的全面覆盖。
3.2. 提取的视觉参数
研究提取了34个视觉参数，并将其归类。这些参数构成了后续机器学习分析的输入特征。
3.3. 热感觉与热舒适投票分析
TSV和TCV之间存在强烈的负相关关系（r = -0.97, p < 0.001），表明感觉越热，舒适度越低。对排名最热和最冷的图像进行定性视觉检查发现，热图像通常具有较大的天空暴露度、高色彩对比度和最小的遮荫；而感觉较冷的图像通常具有茂密的植被和可见的遮荫结构。
3.4. 模型训练与最优模型选择
回归模型的决定系数（R2）均低于0.4，表现不佳。而分类模型的平均准确率超过0.6。其中，随机森林分类器（n_estimators = 150, max_depth = 8）表现最佳，预测TSV和TCV的准确率分别达到70%和68%。
3.5. 模型结果解释与特征重要性
SHAP分析显示，色调（Hue）和图像分割（Segmentation）是整体上最具影响力的特征类别。具体而言，洋红色（Magenta）是预测热感觉和热舒适的最具影响力的视觉特征，其含量增加预示着更凉爽和更舒适的感觉。相反，与蓝色相关的特征（Blue, bMean, bStdDev）以及天空暴露度（Sky(SEG)%）和HotZone%的增加，则与更热、更不舒适的感觉相关。表面温度（Surface Temperature）和表面材料（Surface Material）类别的影响最小。
3.6. 元素偏好与热投票
天空可见度（Sky(SEG)%）与热感知的统计相关性最强，但与热感知的统计相关性最强，参与者却对其作为降温策略的偏好相对较低。相反，绿化尽管统计相关性较弱，却获得了压倒性的公众支持，这反映了人们普遍相信其物理降温效益。
3.7. 调查组别比较
将户外学生组（Group A）与室内公众展览组（Group B）的TCV结果进行比较发现，室内组的TCV方差更大，且通常报告更高的舒适度。值得注意的是，户外组中一些因具有遮荫、低天空暴露度等特征而被认为更舒适的图像，在室内组中舒适度评分反而较低。这表明调查环境影响了参与者的热舒适投票，户外环境收集的数据更能代表图像所描绘的真实环境背景。
研究结论与讨论部分强调了本研究的多个重要意义。首先，研究发现洋红色在户外热感知中扮演了出乎意料的重要角色，而蓝色则与室内研究的结论相反，与更热的感觉相关，这突显了户外视觉环境的独特性。其次，尽管绿化是参与者最偏好的降温元素，但其在模型中的预测能力弱于某些颜色特征，揭示了公众认知与视觉要素实际影响力之间可能存在的差距。这提示城市热舒适设计需要综合考虑物理环境性能和感知心理结果。
该研究成功开发了一个整合计算机视觉、标准化感知测量和可解释机器学习的框架。该方法具有可扩展性，可适应不同的地理或文化背景，只需用目标环境和人群的代表性图像和调查数据重新训练模型即可。这为未来利用街景图像等众包数据进行更大规模的城市分析提供了潜力。总之，这项研究通过数据驱动的方法，为理解户外热感知提供了新视角，并为创建视觉上舒适、 thermally宜人且符合人类感知的城市空间提供了科学依据和实用工具。
