用于快速预测多尺度城市热环境的线性温度模型，以助力构建气候适应型城市

《Energy and Buildings》：Linear temperature model for rapid prediction of multi-scale urban thermal environments towards climate-resilient city design

针对城市热岛效应加剧的问题，研究提出基于CFD预计算贡献的线性温度模型（LTM），通过线性叠加实现高效预测，验证显示其在不同尺度的MAE、RMSE等指标均优于传统CFD方法，为气候适应型城市设计提供工具。

　　

陈仁|朱浩成|曹世杰

东南大学建筑学院，南京210096，中国

摘要

由于全球气候变化和快速城市化，城市热岛（UHI）效应加剧，导致城市空气温度显著升高。这一现象导致建筑能耗大幅增加，城市碳排放加剧，在极端高温下还增加了公共健康风险。面对这些多方面的挑战，迫切需要开发准确高效的工具来预测不均匀的城市热环境，以支持朝向气候适应性城市设计的UHI缓解措施。高分辨率计算流体动力学（CFD）在实际应用中需要大量费用，这促使人们探索机器学习等替代方法。然而，这些数据驱动的方法仍然面临训练数据需求量大和物理解释性有限的挑战。为了解决这些问题，本研究开发了一种线性温度模型（LTM），通过线性叠加预先计算的热源贡献来快速预测城市温度分布。该预测模型在三个代表性的测试案例中进行了系统验证，分别涵盖了单个建筑、社区和实际街块三个不同的城市尺度。与CFD模拟相比，LTM在平均绝对误差（MAE）、均方根误差（RMSE）和平均相对误差（MRE）方面取得了更高的预测精度（建筑尺度：MAE = 0.11°C，RMSE = 0.22°C，MRE = 0.28%；社区尺度：MAE = 0.12°C，RMSE = 0.17°C，MRE = 0.31%；街块尺度：MAE = 0.29°C，RMSE = 0.41°C，MRE = 0.84%）。该模型可以为城市设计师和政策制定者提供快速的热评估工具，以指导气候适应性发展策略。

引言

在全球气候变化和快速城市化的双重影响下，城市空气温度正在上升，城市热岛（UHI）效应也在加剧[1]，这对城市可持续性、能源安全和公共健康构成了严重挑战[2]、[3]、[4]、[5]。研究表明，UHI可使建筑系统的能耗增加10%-120%[6]，加剧污染（如PM_2.5）的积累[7]、[8]，并增加碳排放[9]。此外，在极端高温条件下，城市居民中与热应激相关的疾病（如中暑和热痉挛）的发病率和死亡率正在上升[10]，尤其是对老年人和儿童等脆弱人群的影响更为显著[11]。因此，开展关于如何缓解高温灾害和UHI效应的综合性研究对于制定有效策略以应对这些挑战和提高城市气候适应性至关重要。

理解由多种热源、气流和热传递过程塑造的城市热环境的复杂且不均匀的空间分布，是制定有效缓解城市过热策略的关键前提。现有研究主要依赖于两种技术方法：现场测量和数值模拟。在测量技术方面，Ren等人在北京的一个特定区域布置了20个监测点，并在冬季和夏季连续一个月内进行空气温度测量，以评估该地区的UHI强度[12]。Hayder等人使用手持设备在墨尔本的27个公园内进行空气温度测量（每个横截面4-13次监测），以研究城市公园对周围热环境的冷却效果[13]。Francois等人使用移动监测方法测量了城市区域内的13个局部气候区（LCZ）的空气温度数据，随后讨论了温度的异质性特征[14]。基于现场数据，Chen等人[15]、[16]进一步结合了机器学习等数据驱动技术和聚类分析来构建时空数据集，揭示了在不同天气条件下的城市形态参数与温度之间的关系，从而开发了先进的热环境评估模型和缓解指南。值得注意的是，这些研究采用了不同的时间策略，从短期移动监测到长期固定站测量。其中，短期测量可能捕捉到白天或夜间的峰值条件，而长期数据集对于理解季节性趋势至关重要。这些现场测量可以提供真实可靠的一手数据，揭示当地环境的热特性。基于对时间尺度的细致考虑的实证数据对于校准和验证数值模型也是不可或缺的，从而确保模拟结果的物理可靠性。然而，这些方法通常涉及较高的监测设备部署成本，并且提供的空气温度分布数据的空间覆盖范围有限[17]，可能难以捕捉高分辨率的温度场并有效指导城市热环境问题的缓解。

与现场测量相比，数值模拟具有成本较低和在多种场景下具有广泛预测能力的优势。特别是计算流体动力学（CFD）作为一种强大的工具，可用于研究UHI的形成机制并评估缓解措施的有效性，因为它可以在不同的城市尺度上解析物理场（如气流、温度）并处理多种热源场景[18]。例如，Christopher等人使用ENVI-met模型研究了各种植被和水体对缓解UHI效应的影响[19]。Amir模拟了四种不同道路方向下具有不同植被覆盖面积的空气温度，进一步确定了提高热性能的最佳植被配置[20]。Bai等人使用CFD方法识别了中国东北部城市的UHI热点，然后评估了绿化干预措施的UHI缓解潜力，展示了绿色屋顶在高密度城市热环境中的冷却效果[21]。然而，尽管CFD方法在研究中得到了广泛应用，但高保真度的CFD模拟通常需要大量的计算资源，并涉及复杂的几何模型/网格设置过程，计算成本高且耗时，这可能限制了这种方法的实际应用效果。

为了克服CFD模拟的局限性并实现对复杂城市热环境的预测，现有研究探索了各种优化方法来提高计算性能。Xi等人提出了一种基于K均值聚类和图像识别的低维方法，简化并重建了城市建筑的几何模型，从而提高了热环境的模拟效率[22]。Yasuda等人提出了一种基于卷积神经网络的超分辨率模型，并将其应用于城市区域的近地表温度预测，使用了超过100个大涡模拟案例，将低分辨率和高分辨率图像集配对用于模型学习[23]。Ghorbany等人[24]的最新综合综述系统地调查了城市热研究中的新兴技术和机器学习方法，进一步强调了数据驱动分析在可持续城市气候设计中的作用。然而，尽管计算效率有所提高，但基于几何简化的方法（如低维建模技术）仍可能损害部分城市形态细节的真实性，导致对细尺度热环境的预测不准确。相反，数据驱动方法（如人工神经网络）通常依赖于大量高质量的训练数据，其获取需要大量的准备工作，而且潜在的“黑箱”特性也可能掩盖预测结果的物理可解释性。这些固有的局限性，无论是来自简化的几何形状还是数据依赖性和不透明度，都可能限制这些工具在快速、可靠和透明的热环境预测和评估方面的实际应用。

从现场测量到CFD模拟，再到更先进的数据驱动神经网络，上述挑战凸显了城市热环境领域一个关键的研究空白，即迫切需要一个能够兼顾计算效率和物理真实性的预测建模框架。这样的框架应保留真实的几何表示（如建筑物、街道），以保持基本的物理可解释性，包括热源变化性、空气动力学相互作用和热传递机制。同时，它应以显著降低的计算成本运行，能够在不耗费过多资源的情况下获取高分辨率的空气温度场。实现这些目标可以提供一种更可行的工具，用于快速热环境评估，从而推动UHI的快速缓解和热适应性的提升。

为此，本研究旨在开发一种线性温度模型（LTM），用于预测高保真度的热环境，该模型明确保持了热源、风流动态和热扩散模式的物理可解释性，并基于相对较高的计算效率。所提出的LTM基于线性叠加原理和从CFD模拟中得出的预计算贡献比率，能够在三个代表性案例中快速预测不同尺度的空气温度场，即单个建筑、社区和实际街块尺度。通过建立现实热源配置与空气温度分布之间的直接映射，无需简化建筑几何模型或大量训练数据，该模型代表了一种方法创新，弥合了预测精度和效率之间的差距。该预测模型将为城市规划者和决策者提供有效的工具，以便在早期阶段快速评估不同设计方案的热影响，从而支持气候适应性城市的科学设计。

方法部分

本研究使用基于计算流体动力学（CFD）模拟的线性温度模型（LTM）来预测不同测试案例中的空气温度分布场（包括建筑、社区和街块三种情况）。CFD方法也被用来验证LTM的可靠性。图1展示了本研究的流程图，包括CFD模型建立、LTM开发和模型验证阶段。

不同热源情景下的模拟结果

图8显示了在垂直（z = 2 m）和水平（y = 0 m）平面上，不同热源强度下建筑物周围的风速和空气温度场分布。如图8（a）所示，在迎风侧出现了一个明显的流动停滞区，风速降至接近零。由于流线压缩，在建筑物的两侧形成了风速加速区。在背风侧，形成了一个以

讨论

本研究提出并验证了一种基于线性温度模型（LTM）的快速预测方法框架，用于在动态交通热源的影响下高效预测城市环境中的温度分布场。LTM基于热源基线情景引起的空气温度场的线性叠加原理开发，利用了从CFD模拟中预先计算出的贡献比率。该模型的性能得到了系统评估

结论

本研究通过开发LTM建立了一个计算效率高且物理真实性高的框架，用于快速预测城市热环境。其稳健性在三个不同的城市尺度上得到了严格评估。可以从本研究的主要发现中得出以下结论：

•

LTM在建筑尺度上展示了高效和准确的温度预测。通过应用预先计算出的贡献的线性叠加，它可靠地捕捉到了热

作者贡献声明

陈仁：撰写——原始草稿、验证、软件、方法论、资金获取。朱浩成：撰写——审阅与编辑、可视化、形式分析。曹世杰：撰写——审阅与编辑、监督、项目管理、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢国家自然科学基金（编号52400235）、国家杰出青年科学基金（编号52225005）和江苏省优秀博士后人才资助计划（编号2024ZB187）的支持。