编辑推荐：
热舒适模型在传统地下Shavadan空间与地面住宅中的夏冬季节对比研究，采用机器学习算法（SVM-RBF、随机森林等）与PMV模型进行预测，发现模型性能显著受季节和空间环境影响，夏季地面空间机器学习准确率达0.89，而地下空间因热响应聚类较弱准确率仅0.69，冬季多模型准确率0.75-0.77且存在少数类判别困难，特征分析显示温度是主要影响因素。
Faezeh Babaee | Shahin Heidari | Andreas Matzarakis
德黑兰大学建筑学院，伊朗德黑兰1415564583
摘要
本研究在炎热半湿润气候条件下，对传统地下Shavadan空间与地面住宅环境在夏季和冬季的热舒适度进行了数据驱动的比较。在伊朗Dezful进行的实地调查结合了基于ASHRAE的热感受评分以及对环境和个人参数的测量。研究人员建立了四个代表季节性和空间条件的数据集，并使用Optuna优化了六种机器学习模型（SVM-RBF、随机森林、XGBoost、LightGBM、AdaBoost和反向传播神经网络），并通过五折分层交叉验证进行了评估。结果表明，模型性能在很大程度上取决于季节和空间背景。在夏季的地面空间中，集成提升模型达到了最高的预测准确性（ACC约为0.89）。相比之下，在热稳定性较高的夏季Shavadan空间中，预测性能较低（最大ACC约为0.69），此时非线性分类器（如SVM-RBF）表现最佳，因为热响应在中性附近聚集。在冬季的地面空间中，几种模型的准确性相当（ACC约为0.75–0.77），而不平衡感知指标揭示了在少数类识别方面的持续挑战。在所有冬季场景中，传统的PMV模型与观察到的热感受结果一致性较弱。特征重要性和部分依赖性分析一致认为空气温度是影响热感知的主要因素，而其他变量在冬季条件下起次要作用。总体而言，这些发现突显了静态舒适度指标的局限性，并强调了需要基于数据的、特定于情境的热舒适度建模方法，同时也证实了地下Shavadan空间在极端夏季条件下调节热应力的有效性。
引言
Shavadan是伊朗胡齐斯坦省Dezful及其他北部城市地方建筑中的典型地下空间。这些空间旨在为该地区极其炎热的夏季提供热舒适度，同时也用于食物储存。这些城市下方的岩层地质构造提供了稳定且适合使用的基底。通过利用相对恒定的地温，Shavadan代表了早期适应当地气候条件的被动冷却建筑的例子。如图1所示，典型的Shavadan包括一个阶梯式入口、一个主室（Sahn）和一个通风井（Drizeh）[1]。
随着机械冷却系统的广泛采用，对这类被动设计的依赖程度有所降低。然而，在炎热半湿润地区，地下空间能够有效调节室内温度波动，提供热稳定性环境[2]。因此，了解它们的热行为和舒适性能对于评估其在极端气候条件下减少热应力和改善室内环境质量的潜在作用至关重要。
热舒适度作为室内环境质量的关键指标，是由气候、建筑和行为因素之间的复杂相互作用决定的[3]。影响热感受的主要物理变量包括空气温度、平均辐射温度、湿度和空气流速，而服装隔热和代谢率则代表个人因素[4]。目前有两种主要方法用于评估热舒适度：预测平均评分-预测不满意百分比（PMV-PPD）模型和自适应舒适度模型。PMV-PPD模型由Fanger提出，假设人体与其周围环境处于稳态热平衡。尽管该模型被广泛使用[5][6][7]，但多项研究表明其在动态实际条件下的准确性有限[8][9]。相比之下，自适应模型利用实地数据将热感受与室外空气温度联系起来，但倾向于简化复杂的人与环境互动[10]。
机器学习（ML）的最新进展引入了无需依赖固定物理假设的数据驱动工具来建模热舒适度。通过直接从实地数据中学习，ML算法可以捕捉环境和个人变量之间的非线性关系，自动识别主导因素，并适应特定于情境的人与环境互动。这种能力使得基于ML的方法特别适合评估地下空间等复杂和非标准环境中的热舒适度[11][12]。
对中国洞穴住宅的研究表明，尽管这种地方建筑形式简单，但仍能提供良好的热性能，并在没有机械系统的情况下确保居住者的热舒适度。Ma等人[13]报告称，农村居民的中性温度约为16.5°C PET，表明他们比城市居民更能耐受寒冷条件。类似地，Zhu等人[14]和Zhao等人[15]证明，这些住宅的厚土墙和半地下结构有助于热稳定性和降低空气温度波动，而Wang等人[16]强调了朝南的缓冲空间（如日光室和半封闭庭院）在提升室内舒适度方面的重要性。
作者之前在伊朗Dezful的Shavadan空间进行的实地研究表明，在深度超过5-7米的情况下，夏季室内空气温度保持在热舒适范围内，中性温度约为24.5°C。基于这一实证基础，本研究采用数据驱动的机器学习框架，对夏季和冬季条件下的Shavadan空间的热行为和自适应舒适度进行了更全面的评估。与主要依赖描述性或统计分析的早期研究不同，本研究系统地比较了多种机器学习算法与PMV模型，明确纳入了居住者的热感受评分，并应用了排列重要性和部分依赖性图等模型可解释性技术。因此，本文的贡献在于其方法论的进步和综合分析方法，而不仅仅是复制先前报告的热性能观察结果。
因此，本研究使用传统的PMV-PPD指标和多种机器学习算法，分析和比较了夏季和冬季Shavadan空间与地面住宅环境的热舒适度条件。研究目标是：(i) 评估不同热背景下传统和数据驱动舒适度模型的预测性能；(ii) 确定影响居住者热感受的主要环境和个人因素；(iii) 检视地下空间在调节季节性热应力方面的适应性作用。研究结果为评估基于机器学习的热舒适度框架在炎热半湿润气候条件下的被动和低能耗建筑设计中的适用性提供了定量见解。
方法论
本研究的方法论框架建立在[17]提出的比较方法基础上，并通过纳入空间和季节维度进行了扩展。具体而言，评估了夏季和冬季条件下地下Shavadan空间及其地面住宅对应物的热舒适度性能。这种双季节、双类型的设计算法使得能够在对比不同气候条件下系统地研究热行为和自适应舒适度。
热环境
如图8所示，夏季Shavadan的室内空气温度范围为23.5至28.9°C，明显低于室外空气温度（34–45°C）和未使用冷却设备的地面房间温度。冬季，Shavadan的温度保持在18.5至23.3°C之间，比室外环境（13–20°C）更温暖且更稳定。夏季Shavadan内的相对湿度范围为32%至53%，冬季为42%至52%
Shavadan与地面空间的热行为比较
作者在Dezful的Shavadan空间进行的先前实地测量表明，在深度约5-7米以下，空气温度和相对湿度变化很小，反映了高度稳定的热环境（Author等人，2025年）。基于这些发现，本研究将深层Shavadan区域的测量数据视为整体Shavadan热条件的代表。
为了定量支持深层测量数据的代表性，
结论
本研究通过实地测量、PMV指数和机器学习模型，考察了夏季和冬季地面住宅空间和传统地下Shavadan环境的热舒适度。结果表明，热舒适度和模型性能在很大程度上取决于季节和空间背景，且机器学习的性能始终优于PMV模型。
在所有数据集中，空气温度被确定为影响热舒适度的最关键因素
CRediT作者贡献声明
Faezeh Babaee：撰写——原始草稿、可视化、方法论、概念化。Shahin Heidari：监督、概念化。Andreas Matzarakis：撰写——审稿与编辑、监督。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
