在全球气候变化和快速城市化双重压力下，极端热事件在全球范围内发生的频率越来越高[1]。这一趋势加剧了城市热岛（UHI）效应[2]，使其在城市中变得越来越严重[3,4]。城市热环境的恶化已成为对公共卫生、能源安全和社会公平的重大威胁[[5], [6], [7]]。因此，城市居民，尤其是老年人和有基础疾病的人群，患热相关疾病和死亡的风险增加了[8]。随着城市人口的持续增长，减轻城市热效应已成为建设气候韧性城市的迫切任务。
有效的热缓解措施需要对热量在城市内部如何以及在哪里积累有清晰的了解。关于空气温度的高分辨率空间信息是决定户外热舒适度的关键因素，对于识别热热点和指导有针对性的干预措施至关重要[9]。然而，获取此类详细数据仍然具有挑战性。城市热环境受到建筑物[10]、植被和气象条件之间复杂相互作用的影响，表现出强烈的非线性、空间异质性和动态变化性[3,11]。这些特性构成了一个多尺度、多物理系统的环境，阻碍了高分辨率时空数据的有效获取[12]，从而阻碍了基于证据的缓解策略的实施。因此，迫切需要能够高效生成高分辨率城市热环境地图的方法。
计算流体动力学（CFD）已被广泛采用为获取高分辨率城市热环境数据的标准方法[13]。通过数值求解质量、动量和能量的控制方程，CFD能够详细模拟城市冠层内的风和热过程。在过去十年中，CFD方法已被应用于各种城市场景，从住宅区[14]和高密度社区[14]到城市规模的热韧性评估[15,16]，证明了其捕捉特定位置微气候特征的高保真度。尽管CFD的准确性和适用性得到了证明，但其计算要求仍然很高。预处理阶段需要构建详细的三维城市模型并生成高质量网格，通常需要在建筑物和植被周围进行局部细化[17]。求解阶段还需要小的时间步长和大量迭代以确保数值稳定性和收敛。这种巨大的计算负担在模拟精度和实际效率之间造成了明显的权衡，限制了CFD在需要快速设计迭代或实时决策支持场景中的应用。有必要开发可以在保持高分辨率输出的同时显著提高计算效率的替代方法。
随着人工智能[18]的迅速发展，机器学习（ML）已成为克服基于物理的模拟计算效率瓶颈的有希望的途径[19]。当前在城市热环境中的ML应用可以大致分为两种方法。第一种是基于点的预测，它依赖于来自气象站[20,21]、移动传感器或卫星观测[22,23]的历史监测数据。采用这种方法的研究，如预测不同土地覆盖类型的地表温度[24]、绘制高分辨率城市气候分布[25]或从气象站网络估计空气温度[26]，展示了ML在捕捉时间模式和非线性关系方面的优势。然而，这些模型的输出本质上仅限于离散位置，无法生成覆盖整个研究区域的空间连续、高分辨率场。第二种方法是基于预计算模拟库的场预测。在此方法中，研究人员构建包含多种设计场景及其对应高分辨率热场的数据集，然后训练ML模型来学习从设计参数到完整空间输出的映射[[27], [28], [29]]。虽然这种方法旨在实现空间连续性，但它面临着维数灾难，即直接从高维输出空间（例如数千个网格点）学习需要庞大的训练数据集，常常导致详细模式的重建不尽理想[30]。因此，尽管ML具有潜力，但同时实现快速预测和全高分辨率空间重建仍然是一个未解决的挑战。
为了解决这一差距，本研究旨在开发一种新的混合框架，将主成分分析（PCA）与人造神经网络（ANN）相结合，用于快速和高分辨率地预测城市热环境。作为一种基本的统计技术，PCA将高维数据集线性转换为紧凑的低维正交变量空间，捕捉原始数据的最大方差。在建筑环境和建筑能源领域，PCA已被广泛且成功地应用于建筑能源性能基准测试、传感器网络优化和室内气流特征提取等任务[31,32]。尽管存在许多降维技术，但由于PCA在数学上等同于适当的正交分解（这是流体动力学中减少空间排序的标准方法），因此我们明确选择了PCA而不是非线性方法。这种选择保证了数学上最优的线性压缩、更高的计算效率以及明确的方差可解释性，有效地避免了深度学习基降维方法常用的“黑箱”特性和大量的超参数调整。
本文的目标有两个：（1）建立一种降维-重建范式，能够高效地将设计参数映射到复杂的空间微气候，同时克服维数灾难；（2）通过优化不同建筑高度社区中的树木-绿化面积比例（TAR）来展示该框架的实际价值，平衡环境效益与维护成本。这项工作为其他复杂物理场的有效预测建立了一种可转移的方法，为实现数据驱动、适应气候的城市设计提供了可扩展的途径。
