编辑推荐：
本文针对高密度城市中，城市级、小时尺度热应力/热舒适时空格局难以精确表征的难题，提出了一种基于回归机器学习的创新框架。该研究以香港为案例，利用长期气象数据、详尽的地理、城市形态与景观构型指标，成功预测了以净有效温度(NET)表征的小时热应力。所构建的多层感知器人工神经网络(MLP-ANN)模型预测精度高(R2 = 0.97)，能捕捉显著的热应力日变化与季节模式，并能识别不同城市微气候下的关键驱动因子。该框架可生成全市范围的每小时NET地图，量化各驱动因素的相对贡献，为亚热带高密度城市的精准、基于自然的形态干预设计提供量化支持。
想象一下，在闷热的夏季午后，你走在高楼林立的城市街道上，热浪从四面八方袭来，体感温度远超天气预报的数值。而在寒冷的冬季夜晚，城市的风廊效应又可能让你感到刺骨的寒冷。这种因城市环境而被人所感知的“热”或“冷”，在学术上被称为“室外热应力”或“热舒适”，它深刻影响着居民的户外活动、健康乃至城市生活的品质。然而，尽管其重要性日益凸显，要在整个城市范围内精确描绘每小时变化的、高分辨率的室外热应力地图，尤其是在地形复杂、建筑密集的大都市，仍然是一个巨大的挑战。传统的评估方法各有局限：依靠固定气象站网络的测量空间分辨率不足，且站点分布不均；以ENVI-met为代表的数值模型虽然强大，但计算成本高昂，难以用于城市尺度的长期、高频次模拟；新兴的机器学习方法，又往往侧重于气象变量和粗放的土地覆盖类型，对城市三维形态和景观空间布局（例如形状、连续性、核心区等）等细节因素的利用不足，而这些因素恰恰是塑造城市微气候的关键。
面对这一系列挑战，由香港大学研究人员Siqi Jia、Cheolhee Yoo、Yifu Ou、Guangzhao Chen和Qunshan Zhao开展了一项开创性研究。他们以香港这座典型的高密度亚热带城市为案例，开发了一种基于回归的机器学习框架，旨在以低廉的计算成本预测每小时的城市级室外热应力。他们的研究论文《From Heat Maps to Cooling Actions: AI-Driven Citywide Hourly Mapping of Thermal Stress, Drivers, and Targeted Cooling》发表在《Sustainable Cities and Society》期刊上，为我们提供了一套从“看见”热应力，到“理解”其成因，再到“指导”精准降温行动的完整技术方案。
为攻克这一难题，研究者采用了多层感知器人工神经网络(MLP-ANN)作为核心模型。他们首先从香港天文台(HKO)的天气监测网络中筛选出40个具有完整连续小时数据的站点，计算得到净有效温度(NET)作为热应力的量化指标。接着，他们系统地构建了一个包含37个输入变量的特征集，涵盖了时间因子（日期、小时、太阳天顶角SZA和太阳方位角SAA）、地理因子（纬度LAT、经度LON、高程EL）、景观组分（包括归一化差值植被指数NDVI、归一化差值水体指数NDWI、归一化差值建筑指数NDBI、建筑密度BD、建筑高度BH、绿地高度GH、以及周边100米×100米范围内的绿地(Pgreen)、不透水面(Pimpervious)和水体(Pwater)覆盖率）、景观构型（基于局地气候区LCZ地图计算的12个景观指标，如形状指数SHAPE、面积AREA、周长PERIM、回转半径GYRATE、周长-面积比PARA、相关外接圆CIRCLE、连接性指数CONTIG、核心区CORE、分形维数指数FRAC等）以及气候条件（当前及过去24小时内每隔3小时的气温）。所有变量统一聚合至100米网格分辨率。模型以2019年6月1日至2020年5月31日期间各气象站点的每小时NET为训练目标，将数据集按7:3的比例划分为训练集和测试集，并最终将训练好的模型应用于整个香港地区，生成了覆盖全境的、每小时分辨率的NET地图。
4.1. 开发每小时热应力数据集
模型的预测能力非常出色。MLP-ANN模型在整个数据集、训练集和测试集上的决定系数R2分别达到了0.969、0.970和0.968，均方根误差(RMSE)为1.1°C，显示出极高的预测准确性。即使在极端条件下，模型表现依然稳健。在炎热条件下（小时气温≥33°C），模型的R2为0.969，RMSE为0.5°C；在寒冷条件下（小时气温≤12°C），R2为0.943，RMSE为1.7°C。与香港天文台实测站点的数据对比验证也表明，模型在炎热和寒冷条件下的预测值与观测值均具有良好的一致性。
4.2. 炎热与寒冷条件下的热应力日变化
通过生成的全市NET地图，研究者清晰地揭示了热应力在时间和空间上的动态格局。在典型的炎热日（2019年8月9日），NET在下午3点左右达到峰值（30.29°C），在凌晨3点降至最低（21.76°C），昼夜温差达8.53°C。即使在夜间，平均NET仍处于“温暖”到“炎热”的区间，表明热不适感在夜间持续存在。在典型的寒冷日（2020年2月17日），日间NET在下午3点达到峰值（8.05°C），而夜间则降至0°C以下，甚至低至-4.02°C，由“寒冷”转变为“非常寒冷”。
空间分布上，较高的NET值集中在密集的城市和工业区。夏季的热点区域主要集中在香港国际机场、新界西北部及葵青货柜码头周边。而在冬季，工业区如观塘和葵青在夜间显示出较高的NET值比例。相比之下，植被覆盖的南部香港岛、北部的郊野公园以及东北部的湿地等地区，全年都保持着相对凉爽的微气候。
4.3. 城市微气候中的关键驱动因子
研究利用SHAP（沙普利加和解释）方法，深入量化了不同季节和昼夜条件下，各驱动因子对NET的贡献。研究发现，驱动因子的重要性存在显著的季节性和昼夜差异。无论是在夏季还是冬季的白天，近地表气温(Ta)都是影响NET的最强预测因子。在夏季白天，较高的不透水面比例(Pimpervious)、建筑指数NDBI以及反映形态紧凑程度的指标（如SHAPE, AREA）会显著增加热应力，而绿地比例(Pgreen)和植被指数NDVI则起到降温作用。在冬季白天，气温(Ta)仍是主导因素，但植被(Pgreen, NDVI)和水体相关指标(NDWI)的重要性显著上升，其影响也变得更为复杂。
在夜间，情况发生了转变。无论冬夏，反映景观构型的指标，如分形维数指数FRAC、连接性指数CONTIG、核心区CORE和回转半径GYRATE等，成为影响热应力的关键驱动因素。这表明，建成区和植被斑块的空间排列方式，深刻影响着夜间的热量储存与释放过程。此外，在冬季夜间，水体相关指标(NDWI, Pwater)的影响力也大幅增强，更高的地表湿度会促进辐射冷却，从而导致夜间NET降低。
这项研究成功构建了一个可扩展、高精度的城市级小时热应力预测框架。它不仅揭示了香港在不同季节和昼夜条件下热应力的动态时空格局，更重要的是，通过SHAP分析清晰地识别并量化了影响热应力的关键驱动因子。研究结论表明，缓解城市热应力需要采取季节适应性和昼夜差异化的策略。例如，在夏季白天，应重点通过增加遮荫、提升植被覆盖和优化城市形态来促进通风，以降低气温和减缓太阳辐射的影响；在冬季，则需要平衡大型开阔绿地的冷却效应与战略性布置的植被所带来的防风增温效益。对于机场、货柜码头等持久性热点区域，建议采取优化几何形态、减少不透水面、使用高反照率或透水铺装材料等综合措施。该研究提出的框架能够以极低的计算成本，为城市规划者提供精细化的热环境评估工具和基于证据的决策支持，有助于推动高密度亚热带城市向更具韧性、更健康、更可持续的方向发展。
