热带高密度城市中基于高分辨率的行人水平气温评估——运用机器学习和点状形态学方法

《BUILDING AND ENVIRONMENT》：High-Resolution Pedestrian-Level Air Temperature Evaluation in Tropical High-Density Cities -Using Machine Learning and Point?Based Morphology

本研究针对热带高密度城市行人级空气温度预测问题，开发了基于公开气象数据与GIS形态指标的高分辨率快速模型。通过引入周围建筑高度与距离比（H/D）等点状指标，结合随机森林算法，构建了分昼夜周期的动态模型，在新加坡验证中表现出R2=0.99的高精度，为城市热规划提供数据支持。

　　

罗一璐|杜芳通布伊|赵元

新加坡国立大学建筑系，117566，新加坡

摘要

快速的城市化和气候变化加剧了高密度热带城市的热应力，行人处的空气温度受到大气条件和三维城市形态的影响。本研究开发了一个高分辨率、快速且具有普遍适用性的模型，仅使用公开可获取的气象数据和GIS衍生的形态指标来估算行人处的空气温度。为了捕捉细尺度的空间变化，引入了一种新的基于点的指标——周边建筑高度与距离比（H/D），并将其与传统的站点平均指标结合使用。以新加坡为代表热带城市，对六种机器学习算法进行了基准测试，以确定最佳方法。随后比较了两种建模策略：全年模型和按季风季节及昼夜周期分层的微气候特定模型。结果表明，夜间模型（基于晚上7点到早上7点的数据训练）的准确性最高，其次是全年模型（基于全年数据训练），而白天模型（早上7点到晚上7点）的泛化能力稍弱。因此，最终框架在晚上7点到早上7点使用夜间模型，在早上7点到晚上7点使用全年模型，其中昼夜变化的影响远大于季节性季风差异。最终模型的R2值为0.99，MSE值为0.23°C2，典型评估误差低于1°C。SHAP分析突显了形态与气象之间的强烈相互作用，并表明基于点的指标在塑造局部空气温度方面优于站点平均指标。实际上，这种1米、分钟级别的模型能够快速生成连续的热图，捕捉到城市中的细微异质性。将其集成到微气候数字平台中，可以实现按需的行人温度预测，为热带高密度城市的实时热评估和热韧性规划提供可扩展且数据效率高的工具。

引言

快速的城市化和气候变化给城市热环境、能源消耗和公共卫生带来了前所未有的挑战[1,2]。其中一个表现是城市热岛（UHI）效应，即建成区比周边农村地区明显更热[3]。在密集的城市环境中，吸热表面和复杂的建筑形态加剧了这一现象：紧密排列的高层建筑和不透水材料在白天吸收和储存太阳能，然后在夜间缓慢释放热量，这意味着狭窄的街道峡谷和有限的天空暴露阻碍了冷却。结果是夜间温度升高，城市中的热舒适度降低。温度上升也给能源消耗带来了挑战[4]。温度每升高1°C，峰值电力负荷可能增加4.6%，总电力消耗估计增加8.5%[5]。重要的是，过度的城市热量对健康有严重影响：热应力已经是与天气相关的死亡的主要原因，并加剧了心血管、呼吸系统等疾病[6]，尤其是在炎热气候中的脆弱人群中。

这些问题在高密度热带和亚热带城市尤为严重。在像香港这样的亚热带高密度城市中，日平均温度每升高1°C，与热相关的死亡率就会增加1.8%[7]。在热带地区，新加坡全年温度和湿度都很高，使其城市环境极易受到热应力的影响。该城市紧凑的城市形态，以大量的高层建筑和不透水表面为特征，导致大量热量滞留，限制了自然通风[8]。这导致行人处的空气温度升高，并使建成区在夜间保持显著较高的温度[9]。相比之下，布局更开放或有更多植被的区域则更为凉爽[10]，这突显了城市形态对空气温度的影响[11]。

尽管存在这些严重问题，许多城市仍缺乏适当的热缓解设计。在城市规划阶段优化城市形态对于缓解和适应气候变化至关重要[8]。大多数先前的研究使用传统方法评估城市环境中的行人温度，包括现场测量、数值模拟和物理或受控实验[1]。尽管这些方法对该领域至关重要，但它们存在显著局限性。例如，现场测量往往受到有限的气象站数量和不可公开数据的影响。数值模拟高度依赖于输入数据的准确性，并且计算量较大。此外，物理或受控实验通常耗时、成本高昂且难以推广。这些局限性限制了传统方法全面捕捉城市热环境的时空异质性和复杂非线性相互作用的能力。此外，现有的城市热研究主要使用基于站点平均形态指标的粗略模型[[12],[13],[14]]，无法解决行人级别的细尺度空气温度变化。

因此，迫切需要具有数据可访问性和普遍适用性的高分辨率工具。这样的工具应能够准确高效地量化当地城市形态对行人处空气温度的影响，从而支持高密度地区的气候敏感规划和热缓解策略。

研究部分

影响城市空气温度的关键因素

城市空气温度由环境和人为因素的复杂相互作用决定。关键因素包括城市形态[11]、表面材料特性[15]、植被[16]、水体覆盖[17]、人类活动[1]、空气污染物[3]和当地天气条件[18]。在高密度城市中，城市形态被认为是导致城市热的主要因素[11]，其与空气温度变化的密切关系已被广泛报道[10],[19],[20],[21],[22]]。

研究目标

基于上述发现的研究空白，本研究旨在开发一种基于公开可获取数据的高分辨率、快速且具有普遍适用性的工具，用于评估热带高密度城市环境中的行人温度。我们希望阐明细尺度的三维城市形态如何影响人类尺度上的空气温度。该建模框架将地理定位衍生的形态指标与国家气象观测数据相结合，并利用机器学习

研究框架

为了实现上述目标，本研究提出了一个包含四个相互关联阶段的研究框架，如图1所示。

第一阶段涉及准备用于训练基于机器学习的空气温度评估模型的输入数据，包括气候和城市建成环境参数。在气象数据方面，数据集整合了来自新加坡国家环境局（NEA）的公开可获取的区域级观测数据，包括每分钟的空气温度

城市形态指标

研究人员开发了基于城市微气候物理的定量形态指标。主要指标包括天空视野因子[19]、街道峡谷纵横比[73]、正面面积密度[74]、平均建筑高度等[10]。虽然传统的城市气候研究广泛采用了街道峡谷纵横比（建筑高度与街道宽度的比率，H/W）来表征城市形态和开放度[73]，但它仅提供了简化的二维描述

机器学习模型构建

为了使用气象和形态变量评估行人处的空气温度，本研究评估了多种监督式机器学习算法。模型选择、训练、验证、泛化和解释通过四个阶段的过程实施，以确保计算效率和模型稳健性。

基于位置和公开数据的空气温度评估

开发的基于随机森林（RF）的框架能够对新加坡任何位置的行人处每分钟的空气温度进行评估。这种方法的一个关键优势是它完全依赖于公开可获取的NEA气象数据和地理定位衍生的城市形态。实际上，一旦知道用户的位置，就可以将相应的形态指标与来自最近两个NEA站点的气象输入结合输入模型，以生成现场评估结果

结论与未来工作

本研究开发了一种基于公开可获取数据的高分辨率、快速且具有普遍适用性的行人温度评估模型，适用于热带高密度城市，为热带城市环境中的更具有韧性和气候响应性的设计提供了途径。主要结论如下：

•

随机森林在新加坡的行人尺度空气温度预测方面略优于其他机器学习算法。

•

夜间模型

CRediT作者贡献声明

罗一璐：撰写——原始草稿、可视化、软件、方法论。杜芳通布伊：可视化、软件。赵元：撰写——审稿与编辑、监督、资源提供。