影响城市街区热舒适度的因素：基于SHAP方法对心理因素、环境感知及微气候因素的解析

《Energy and Buildings》：Drivers of urban street blocks thermal pleasure: SHAP interpretation of psychological, environmental perception, and microclimate factors

冬季城市街区 thermal pleasure 机制研究：基于心理感知、微气候参数与SHAP方法的多维度协同分析框架

　　

宣晓东|刘茹|张子旭|杨黎明|郑毅和|刘永健

中国合肥工业大学建筑与艺术学院

摘要

在城市户外空间中感知热舒适度对于提升冬季宜居性至关重要。然而，现有研究主要集中在生理热舒适度上，尚未明确环境因素如何影响热舒适度的机制。关于心理感知和环境感知的作用，仍缺乏系统的分析。本研究提出了一个多维协同框架——“街区建成环境-微气候-心理感知”，以阐明冬季城市街区中热舒适度的非线性驱动机制，并结合了Shapley Additive exPlanations（SHAP）方法进行建模。利用来自合肥六个街区的1140份问卷数据集和同时测量的微气候参数（温度Ta、相对湿度RH、风速Va、风速SR），训练并比较了九种机器学习（ML）模型。最终选择Extra Trees（ET）模型作为最优模型（AUC = 0.968，平均F1分数 = 87%）用于结果解释。主要发现包括：心理感知（如偏好程度、整体满意度）对热舒适度的贡献显著高于微气候参数和建成环境感知。确定了冬季微气候的阈值区间：风速SR（164.29–568.61 W/m2）、温度Ta（2–7.70°C）、风速Va（<0.69 m/s）和相对湿度RH（32.66–58.08%）能提升热舒适度，而极端值则会引起不适。建成环境的愉悦度受“愉悦阈值效应”调控。具体而言，建成环境要素（包括服务设施和绿化覆盖）只有在达到心理愉悦阈值后，才能进一步提升愉悦度，从而增强热舒适体验。本研究创新性地构建了以人为中心的热舒适度理论，为强化冬季街区的心理感知、优化微气候和设计空间形态提供了定量决策支持。

引言

城市化和气候变化的加剧已成为21世纪的一个紧迫全球性问题[1]、[2]。在极端天气事件日益频繁的背景下，创造舒适宜人的城市户外环境已成为2030年可持续发展目标（SDGs）的核心目标[3]。随着城市人口的持续增长，城市开放空间的重要性显著增加[4]。极端气候条件对居民健康构成严重威胁[5]，而城市温度上升和工作压力进一步加剧了这一问题。这些因素共同导致了城市居民更加久坐和倾向于室内活动的生活方式[6]、[7]。因此，需要更深入地了解户外热舒适度，以改善户外热环境，鼓励市民更多时间在户外活动，从而提升他们的健康和福祉。

传统的热舒适度研究基于稳态生理热平衡模型，依赖于预测平均投票（PMV）、生理等效温度（PET）[8]和通用热气候指数（UTCI）[9]、[10]等指标。尽管这些指标很有价值，但在动态复杂的户外环境中存在显著局限性，因为它们常常忽略了心理适应和短暂的情感反应。因此，最近的研究将热舒适度的范围扩展到包括心理、感知和情境因素[11]。心理感知是指个体主动解释和评估环境刺激并产生情感反应的内部过程，是驱动热舒适度的关键机制[12]。情境因素指的是不直接属于物理环境或即时心理状态但系统调节最终热体验的背景变量，例如个体的热适应状态或自我报告的热敏感性[13]、[14]。虽然心理感知直接受物理环境影响，但也受到情境因素的显著调节。例如，对冷风高度敏感的个体即使在微风中也可能报告较低的热舒适度。如果不控制这些情境因素，由个人特征引起的体验差异可能会被错误地归因于环境变量，导致有偏或错误的结论。因此，将情境因素纳入分析对于准确识别物理环境和心理感知对热舒适度的真实影响至关重要。

在这种扩展的范式中，热舒适度成为一个关键维度。与“舒适度”的整体评估不同，热舒适度描述了对热刺激的即时情感反应（愉悦或不愉悦）[15]、[16]。它是环境偏好和行为动机的关键驱动因素。值得注意的是，在各种感官输入中，热感知在预测户外空间的主观情感状态方面表现出很强的有效性[15]，凸显了其独特的重要性。

尽管热舒适度具有重要意义，但其背后的机制尚未完全理解。其形成涉及心理预期和环境参数的复杂相互作用，表现出明显的非线性特征，这对传统建模方法构成了挑战。同时，利用机器学习的现有热环境研究主要集中在稳态或准稳态条件下识别和预测热舒适度感知[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]。虽然这类研究在提高预测准确性方面取得了显著进展，但其理论框架尚未完全超越“舒适度”的经典范式，从而未能系统地捕捉和量化在动态户外环境中可能出现的积极情感体验（热舒适度）。

为了解决这一空白，本研究提出了一个新框架，将主观感知（心理、建成环境、热环境）与客观微气候参数相结合，以研究街区尺度上的热舒适度。利用机器学习的非线性映射和高维特征提取能力，结合可解释的ML工具（如SHAP），本研究旨在：（1）开发一个稳健的热舒适度预测模型。（2）阐明多维特征的相对重要性和非线性影响。（3）识别关键微气候参数的潜在阈值效应。预期研究结果将为优化城市街区设计、推进气候适应策略提供量化的、以人为中心的见解，超越传统的舒适度指标。

本研究旨在探讨以下核心问题：

Q1：心理感知、建成环境感知、热环境感知和微气候参数如何共同影响热舒适度？

Q2：在影响热舒适度的因素中，心理感知是否起主导作用？

Q3：心理感知、建成环境感知和热环境感知在影响热舒适度方面是否存在交互效应？

Q4：是否存在能提升热舒适度的微气候参数的最佳范围？

研究方法

研究方法包括五个主要阶段：（1）数据收集，（2）数据处理，（3）模型训练，（4）模型优化，（5）模型解释，如图1所示的研究框架所示。首先，根据研究目标并结合文献回顾，数据收集集中在中国的合肥街区案例研究上，包括现场测量的微气候数据和主观评估问卷的响应。

受访者信息

如表7所示，本研究共获得了1140份有效调查问卷。其中，S1A有290份，S1B有255份，S2A有149份，S2B有152份，S3A有148份，S3B有146份。关于受访者的年龄结构，最大比例（约47%）在“18–25岁”年龄段。这可以归因于合肥拥有大量高等院校，以及该城市的街区吸引了大量活跃的年轻人。

结论

本研究创新性地整合了心理感知、建成环境感知、热环境感知和微气候参数。首次在热舒适度领域引入了SHAP方法，通过基于ML模型得出的SHAP值解释，研究了多维特征如何影响冬季城市街区中的热舒适度感知的非线性机制。通过综合主观和

未引用的参考文献

[84]。

CRediT作者贡献声明

宣晓东：撰写 – 审稿与编辑、验证、监督、资源获取、方法论、资金申请、正式分析、概念化。刘茹：撰写 – 初稿撰写、可视化、验证、软件开发、方法论、调查、正式分析。张子旭：撰写 – 审稿与编辑、可视化、软件开发、调查。杨黎明：调查、数据整理。郑毅和：监督、调查。刘永健：监督、调查。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。