《BUILDING AND ENVIRONMENT》：Monitoring and analysis of heritage inner surface temperatures using infrared thermal imaging and interpretable machine learning
编辑推荐：
表面温度监测与机器学习模型在龙门石窟的应用研究。该研究构建了红外热成像、现场校准与可解释机器学习结合的监测框架，通过20个监测点的聚类分析发现四个温度响应区，揭示季节变化和洞内温度是主导因素。随机森林模型结合SHAP分析量化了环境因子贡献度，提出优先调控季节性温度的预防性保护策略，为大型不可移动文化遗产监测提供可复制方法。
张铎|严增峰|倪平安|马超龙|李帆|姚珊珊|王江莉|岳英军|雷汉月|杨晨雪|雷福明|李浩
西安建筑科技大学建筑学院，中国西安，710055
摘要
全球变暖加剧了极端天气现象，这些天气现象的长期影响加速了大型不可移动文化遗产遗址的表面退化。尽管监测技术有所进步，但诸如难以到达、空间异质性以及遗产表面不可逆性等挑战仍然严重阻碍了有效的保护工作。本研究提出了一个用于龙门石窟表面温度监测和分析的框架，该框架结合了红外热成像、现场校准和可解释的机器学习方法，以实现精确的温度监测。通过热电偶的验证，实现了准确的温度反演。对20个监测点进行的聚类分析识别出四个不同的热响应区域，突出了季节性动态变化。基于多样环境数据训练的随机森林回归模型能够有效捕捉这些复杂的热模式。SHAP分析表明，季节性变化和洞穴内部温度是驱动表面温度变化的主要因素，而外部因素如太阳辐射、风和降雨由于洞穴的半开放结构和热惯性而具有次要影响。这些发现表明，在管理季节性温度变化方面应优先于针对日间温度变化的干预措施，重点应放在洞穴内部的热特性上，而不是太阳辐射的直接影响。本研究为文化遗产遗址的预防性保护提供了一个可复制且可扩展的框架，并支持从被动管理向基于证据的主动保护决策的转变。
引言
在长期内部演变、局部气候和人类活动的共同影响下，大型不可移动的文化遗产遗址形成了具有显著时空异质性的表面温度场[1]。这种异质性已成为导致裂缝扩展、风化碎裂和剥落等退化过程的关键外部驱动因素[2]。全球变暖引起的温度波动加速了物理和化学风化过程，例如冻融循环、干湿循环和水盐循环[3]。过去半个世纪的研究表明，石制文物的表面温度变化显著影响了它们的结构稳定性和耐久性，成为触发岩石风化的重要外部力量[4]。剧烈的温度波动导致石材材料的膨胀和收缩[5]，在昼夜或季节性的热循环下，岩石容易发生亚临界裂缝扩展[6]。温暖潮湿的环境进一步增加了裂缝出现的频率和速度。因此，对石制文物表面温度的高精度监测和分析对于评估其保护状况和实现预防性保护至关重要。
尽管表面温度动态的重要性得到了广泛认可，现有的分析方法仍难以充分描述其时空复杂性，并且缺乏一个可靠的、基于模型的归因框架来定量区分和排序多种耦合环境和时间预测因素对观察到的温度变化的相对贡献[7]。近年来，机器学习方法逐渐被引入文化遗产环境研究，旨在克服传统方法的局限性，特别是在处理复杂环境因素和温度变化模式方面。然而，许多机器学习应用仍处于早期阶段，尚未被充分用于实际环境数据的综合分析[8]。机器学习建模的结果很少通过表面退化的空间分布进行交叉验证，这导致缺乏可解释性。因此，决策过程仍然主要依赖于“黑箱”模型[9]。此外，尽管已经关注了各种环境因素在耦合条件下的定量贡献，但它们之间的相互作用尚未被完全理解[10]。这些方法论上的局限性限制了我们对表面风化特征的空间异质性及其与微地形相互作用的深入分析。更重要的是，由多领域耦合驱动的风化过程表现出显著的非线性和路径依赖性，这对传统建模框架提出了新的挑战。
无损检测技术（NDT）在文物保护中发挥着关键作用[11]，允许实时获取文物的状态信息而不会损坏文物本身[12]。这些技术包括红外热成像（IRT）[13]、时域反射测量（TDR）[14]、地面穿透雷达（GPR）[15]、超声计算机断层扫描（UCT）[16]和高光谱成像（HSI）[17]，它们提供了关于文物表面和内部状况的宝贵见解。通过利用不同的原理，NDT有助于识别退化情况并辅助文物的预防性保护[18]。附表1总结了各种NDT技术在文物退化监测中的应用。在这些方法中，IRT特别具有优势，因为它具有广泛的观测范围、高空间分辨率和收集时间序列数据的能力。然而，较大的像素覆盖范围和表面温度场的连续性导致相邻像素之间的高相关性，这在高密度采样中产生了显著的冗余。这种冗余增加了计算负担，并可能掩盖关键的温度变化，使得难以识别遗产表面的关键区域。
为了解决这一挑战，提出了几种聚类分析方法，包括基于密度的空间聚类[19]、层次聚类[20]和模糊聚类[21]。在这些方法中，K-Means聚类更受青睐，因为它结合了参数初始化、使用复合有效性指标（肘部法则、轮廓系数、DBI、CHI）的自适应聚类以及多次重启以选择稳定性[22]。此外，研究表明，随着数据规模的增加，K-Means的执行时间增长速度较其他方法慢，即使面对大型数据集也能保持相对较高的效率[23]。这种方法为划分和识别大型不可移动遗产遗址表面的温度变化提供了机会，这些遗址的表面温度分布受到建筑材料、地形、地貌、太阳辐射和自阴影等因素的影响。K-Means聚类的适应性使其能够处理这些因素引入的复杂性，使其成为分析这些表面温度动态的强大工具。
机器学习技术为分析表面温度数据提供了新的机会，增强了基于实时监测的温度响应建模能力。诸如监督学习、时间序列分析和深度学习等技术已广泛应用于热湿控制、风险预测和结构健康监测等关键任务，使得保护工作从被动修复转向了主动的预防性保护。例如，在文物保护的温湿度控制方面，谭等人使用深度学习模型预测了古墓内的热湿条件，为灾害预防和保护提供了数据驱动的解决方案[25]。在预测遗产风险方面，Fiorucci等人利用逻辑回归和人工神经网络结合屋顶设计、降雨量和温度等变量，预测了英国教堂的功能寿命，准确率超过92%[26]。在文物表面和内部结构的健康监测领域，赵等人使用机器学习模型预测了文化遗产壁画中的剥落损伤[27]。通过整合红外技术和传感器数据，他们有效识别了受影响区域并提供了文化遗产修复的早期预警[28]。刘等人基于XGBoost等模型预测了石制文物修复材料的颜色参数，提高了修复效率和视觉一致性[28]。这些应用展示了机器学习在模拟复杂环境响应方面的强大能力。
尽管IRT、聚类和机器学习的结合具有很大的潜力，但在大型不可移动的半暴露石质遗产遗址上的实际应用中，仍有有限的强有力的证据支持。主要挑战不在于算法的复杂性，而在于开发一个完整的工作流程，该流程整合了多种监测来源，应用适当的校准方法，使用彻底的验证策略，并将多时相和空间数据转化为可操作的保护信息。通过实际案例研究来弥合这一差距对于推进IRT和机器学习的实际应用至关重要，从理论演示转向有效的预防性保护。
本研究的主要创新和贡献如下：
- (1)
开发了一个将IRT与机器学习结合的创新框架，用于大型户外遗产遗址。该框架结合了现场参数校准，有效表征了表面温度的多尺度异质性和季节性变化。
- (2)
提出了一种新的可解释机器学习模型，用于分析高精度监测数据，捕捉环境因素之间的非线性关系，并评估它们对表面温度变化的相对贡献。
研究框架
研究框架
本研究的目标是建立一个更高效、全面和前瞻性的系统，用于大型不可移动石制文物的表面温度监测、特征分类和机器学习分析。该系统为科学保护提供了必要的数据支持和决策依据。该框架由四个主要部分组成（图1）：
第1部分：大型遗产遗址的3D建模和无损监测系统。 对研究区域进行高精度3D建模
表面温度的时空异质性分析
图6和图7显示了最冷月份（1月）和最热月份（7月）的每日最高、平均和最低墙表面温度时间序列，灰色阴影表示1月份低于0°C的时期。
如图6所示，二十个监测点的温度范围在-10°C到10°C之间，整体趋势随时间逐渐升高。监测点P18、P19和P20显示出相同的趋势，但温度波动更大，而P11...
研究进展声明
本研究开发了一个集成框架，将非接触式、大范围和可追溯时间的IRT观测与回归分析相结合，为大型不可移动遗产遗址的表面温度场的系统表征和定量评估提供了一种新的技术方法。对于大型固定遗址，特别是边界条件高度动态的半开放洞穴环境，以往的研究主要依赖于模拟假设或短期观测
结论
本研究聚焦于龙门石窟的北窟，开发了一个用于高精度表面温度监测、多维分析和基于回归的建模的工作流程，并具有可解释性。该框架展示了这种半开放洞穴中表面温度的时空特征，并证明了其在预防性保护决策支持方面的实用性。具体结论如下：
未引用的参考文献
[[76], [77], [78]]
CRediT作者贡献声明
张铎：撰写——原始草案、方法论、数据整理、概念化。严增峰：撰写——审稿与编辑、监督、资金获取、正式分析。倪平安：软件开发、调查、数据整理、概念化。马超龙：项目管理、调查、资金获取。李帆：调查、资金获取。姚珊珊：调查、资金获取。王江莉：调查、资金获取。岳英军：验证、软件开发，
