基于WRF与AutoML融合的创新框架提升城市热应力评估精度及其对公共健康的影响研究

《Sustainable Cities and Society》：A novel “WRF+AutoML” framework for enhanced heat estimation in urban environments

本研究创新性地提出“WRF+AutoML”混合框架，通过将气象数值模型（WRF）与自动化机器学习（AutoML）技术相结合，显著提升城市热应力指数的估算精度。该框架直接估算热应力指数可使RMSE降低67.3%–82.6%，并有效优化特征选择，为城市热风险管理和公共健康防护提供可靠技术支撑。

　　

亮点

本研究开发了整合天气研究与预报（WRF）模型与自动化机器学习（AutoML）的创新框架，旨在提升城市环境中热应力估算的准确性与效率。该框架针对五种热应力指数开展系统评估，并探索了特征优化与轻量化建模策略。

AutoML的性能表现

图3对比了四种方法（包括随机森林RF、AutoGluon、FLAML和混合密度网络MDN）在基于WRF-Urban模拟变量估算三个基础气象变量（气温T₂、风速WIND、相对湿度RH）方面的表现。在T₂估算中，RF准确度最低，而AutoGluon总体略优，FLAML则取得最高的R²，MDN则在某些指标上表现最佳。

模型估算准确度的不同评估方法

为进一步验证“WRF+AutoML”框架的稳健性，我们从时间和空间两个维度进行了补充验证。时间验证按日期分组样本，空间验证则基于气象站点分布进行分组，以检验该框架在不同验证策略下对热应力指数的估算效能。

结论

通过将WRF-Urban模型与多种机器学习算法相融合，本研究构建的“WRF+ML”框架显著提高了热应力估算的精度。主要发现包括：

1）机器学习算法能够有效捕捉观测数据与WRF模拟输出之间的关系，其中AutoML表现最优；

2）无论是直接还是间接估算热应力，该框架均表现出优越性能，且直接估算策略在绝大多数指数上误差降幅显著。