《Sustainable Cities and Society》：WRF-Based Hybrid Model for High-Resolution Prediction of Urban Thermal–Wind Environments Under Present and Future Climate Scenarios
编辑推荐：
准确高效模拟大尺度城市风热环境是关键挑战。本研究提出融合WRF中尺度气象模型与改进卷积神经网络（CNN）的混合建模方法，通过上海案例验证，有效预测当前及未来极端高温情景下的时空分布特征。温度预测RMSE<0.43°C，风速<0.24 m/s，计算效率较物理模型提升两个数量级，揭示非线性温度-风速关系，为高密度城区热风险防控提供工具。
谢鹏宇|李冠达|王家硕|马塔约斯·桑塔莫里斯|杜思宏|朱思杰|岳宏哲|冯冠丽|胡茂茂|史星
同济大学建筑与城市规划学院，上海，200092，中国
摘要
准确高效地模拟大规模城市风热环境仍然是一个重大挑战。本研究提出了一种快速的混合建模方法，该方法将能够捕捉中尺度气象过程的天气研究与预报（WRF）模型与改进的卷积神经网络（CNN）相结合，以实现快速的数据驱动预测。以高密度的上海为例，该模型能够有效预测典型夏季炎热周条件下当前和未来气候情景下的城市风速和温度的时空分布模式。这种混合框架能够有效捕捉中尺度物理机制和局部城市形态效应，并表现出强大的可解释性、准确性和计算效率。最佳情况下（滑动窗口预测），温度的均方根误差（RMSE）低于0.43°C，风速的RMSE低于0.24 m/s。由于其轻量级结构，该混合模型可以在有限的计算资源下进行训练和部署，相比基于物理的模拟速度提高了大约两个数量级。事后分析表明，WSR和SVF是影响温度的最重要因素，而GCR和BFR是影响风速的主要因素，且存在非线性效应。在2080年的高排放夏季情景下，与2019-2023年的基线相比，选定的夏季炎热周平均温度预计将上升约2.1-2.5°C，而风速的变化方向则因情景而异（范围从-0.15到+0.65 m/s）。这种非线性的温度-风速关系反映了复杂的城市热动态，表明密集城市区域的热风险增加。总体而言，所提出的混合模型为未来城市气候评估提供了一种高效、准确且可移植的工具，对建筑能耗模拟具有宝贵的支持。
引言
全球变暖对全球环境和人们的生活方式产生了深远影响。2015-2023年是有气象记录以来最温暖的九年（Copernicus 2026），2024年全球平均温度达到了前所未有的高度，首次超过了《巴黎协定》设定的1.5°C阈值（Bevacqua等人，2025年）。近几十年来，快速的全球城市化加速了这一趋势，全球约有一半的人口居住在城市，贡献了大约70%的温室气体排放（Overview 2026）。因此，城市既是气候变化的主要贡献者，也是实现碳中和的关键领域（Ulpiani等人，2025年）。为了应对长期的城市气候挑战，世界各国和地区，如美国（Alexander，2020年）、英国（Bowen和Rydge，2011年）以及欧盟（Rayner和Jordan，2016年），都推出了各种气候行动策略和碳减排计划。中国提出了其双碳目标，即到2030年达到碳排放峰值，并在2060年实现碳中和。
中国是一个对全球气候变化高度敏感且受其显著影响的地区，目前的城市化率已超过66%（Zhao等人，2024年，中国：2024年城市化率，Statista 2026）。与其他高密度地区一样，中国面临着许多城市挑战，如密集的城市能源消耗、高碳排放和复杂的微气候。在人口密集的城市和地区进行城市建成环境更新是提高城市宜居性和实现低碳发展的关键策略。实现这一目标的基本步骤是分析和研究当地城市气候。城市热风环境（UTWE）是城市局部气候系统的核心组成部分，直接或间接影响城市热岛（UHI）强度、城市通风、城市韧性和建筑能耗（Du等人，2022年；Chen等人，2024年）。受当地城市气候的影响，郊区建筑的供暖负荷比城市地区高出约30-50%（Santamouris等人，2001年），其对碳排放的贡献高达31.02%（Ye等人，2017年）。
高分辨率的UTWE数据是评估和改进城市建成环境的基础，同时也为分析建筑能耗和碳排放提供了必要的边界条件。目前，在建成环境优化的不同阶段，通常采用数值模拟方法来获取UTWE数据，以评估设计方案的有效性。然而，典型气象年（TMY）文件在各种研究和工程应用中广泛使用，因为它们方便，但会平滑极端值并忽略城市尺度的空间变化，因此无法充分捕捉当地气候特征（Evola等人，2021年）。基于CFD的工具（如ENVI-met）在应用于城市尺度时也遇到计算限制（Banerjee等人，2024年）。近年来，许多研究人员采用了深度学习和其他技术来开发替代模型，显著提高了模拟速度（Kastner和Dogan，2023年）。尽管如此，这些替代模型往往未能充分考虑高密度城市形态和多种物理机制，导致不确定性较大且可解释性有限（Mondal等人，2024年）。
目前，仍存在一个关键缺口，即缺乏能够在城市尺度上高效准确捕捉UTWE的方法或工具。受城市形态、城市冠层热交换和大规模气象条件的影响，局部城市热风环境表现出复杂的变化。因此，获得高精度的UTWE数据已成为城市规划和设计的重要组成部分，对低碳和节能城市发展具有重要意义（Zheng和Lu，2024年）。研究表明，缓解城市过热可以显著减少冷却能耗（Haddad等人，2024年）。此外，根据未来气候情景，预计城市夜间最低温度将上升多达4°C（Zhao等人，2021年），这突显了未来气候条件的重要性。这些问题凸显了准确获取和预测UTWE的紧迫性，从而解决了时空分辨率与计算效率之间的当前瓶颈。
方法概述
本研究提出了一个完整的框架，用于构建一个结合WRF和深度学习技术的快速混合模型。该框架通过案例研究进行了验证，包括四个主要组成部分：（1）降尺度处理热风环境并构建数据集；（2）针对数据集训练深度学习模型；（3）开发混合预测模型；（4）使用该模型预测当前和未来的气候条件。整个工作流程如图所示
利用WRF模拟风热环境的验证
本研究通过研究团队在上海各个LCZ区域部署的气象站，对WRF模型的温度进行了验证。如图4所示，WRF在所有LCZ区域合理地再现了观测到的近地面空气温度，R2值在0.50到0.69之间，平均绝对误差（MAE）在1.19到1.47°C之间。RMSE始终在1.46到1.86°C之间，表明大多数每小时误差都在±2°C范围内。在LCZ2和LCZ4中的吻合度最高
与同类模型的性能比较
为了应对气候变化和极端天气对城市的日益影响，城市气候建模现在面临着新的挑战，包括空间覆盖范围、准确性和及时性（Carmeliet和Derome，2024年）。随着人工智能的发展，过去与计算能力和模型设计相关的某些限制正在逐渐消除。在城市气候研究中，数值模拟仍然是决策、情景分析和方案比较的基本工具。
结论
本研究通过开发一种基于WRF的混合模型解决了大规模城市气候预测的关键问题，该模型结合了WRF来捕捉中尺度气象过程，并使用了改进的1D-CNN进行快速的数据驱动预测。以上海为例，该模型被应用于快速预测大范围城市区域的城市风热环境，包括当前条件和未来的极端高温气候情景。混合框架能够捕捉中尺度物理现象
作者贡献声明
谢鹏宇：撰写 – 审稿与编辑、数据管理、初稿撰写、可视化、方法论、概念化。李冠达：撰写 – 审稿与编辑、数据管理。王家硕：撰写 – 审稿与编辑、方法论。马塔约斯·桑塔莫里斯：撰写 – 审稿与编辑、概念化、方法论。杜思宏：撰写 – 审稿与编辑、监督。朱思杰：撰写 – 审稿与编辑。岳宏哲：撰写 – 审稿与编辑。冯冠丽：撰写 – 审稿与编辑。胡茂茂
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的研究工作。
致谢
作者感谢国家自然科学基金（编号：52478031）、新加坡国立大学启动基金（编号：A-0009876-00-00）、新加坡教育部学术研究基金第一层级（编号：A-8003235-00-00）以及中国留学基金委的支持。
