面向凉爽城市的规划：基于多模态AI的超局部时空城市热应力预测与缓解框架

《Urban Forestry & Urban Greening》：Planning for cooler cities: A multimodal AI framework for hyperlocal spatio-temporal urban heat stress prediction and mitigation

本研究针对极端高温事件加剧背景下城市户外热应力精准预测与缓解策略制定的难题，提出了一种名为GSM-UTCI的多模态深度学习框架。该框架融合地表形态、高分辨率土地覆盖和逐时气象数据，通过特征线性调制（FiLM）架构，实现了对1米超局部分辨率日间平均及逐时通用热气候指数（UTCI）的高精度预测（日平均R2 = 0.9151，MAE = 0.41 °C），并将城市尺度的推理时间从天级缩短至5分钟以内。研究进一步应用该框架于费城系统性景观改造情景模拟，结果表明将不透水表面转化为树冠能带来最显著的公共健康效益，可使暴露于强热应力（UTCI > 32 °C）的居民减少超过37.4万。该研究为城市气候适应提供了可扩展的决策支持工具。

　　

随着气候变化和城市化进程的加剧，全球范围内的城市正面临着日益频繁和强烈的极端高温事件挑战。城市区域由于其独特的下垫面性质，往往表现出比周边乡村更高的温度，这种现象被称为城市热岛效应。热岛效应不仅加剧了人体的热不适感，还推高了能源需求，并显著增加了健康风险，尤其对低收入和脆弱人群的影响更为突出。户外热应力，作为衡量人体在户外环境中感受到的热负荷和不适感的综合指标，已成为城市规划、公平性和可持续性议程的前沿议题。

尽管对城市热风险的认识不断提高，但规划者和研究人员可用于模拟户外热舒适度的工具在可扩展性和实用性方面仍然有限。传统的物理模型，如SOLWEIG和ENVI-met，能够提供辐射交换、阴影和能量平衡的详细模拟，但其计算强度使得它们难以在城市尺度上应用。相反，统计和经验方法虽然提供了更快的速度和灵活性，但通常牺牲了空间保真度和普适性。近年来，人工智能和地理空间数据可用性的进步为模拟城市热环境开辟了新方向，但现有的大多数AI模型往往预测的是粗尺度的地表温度而非人体感知的热应力指标，且很少整合多模态的时空数据，通常也不支持基于情景的土地利用或景观变化模拟。

为了应对这些挑战，一项发表在《Urban Forestry & Urban Greening》上的研究提出了一种名为GSM-UTCI的创新多模态深度学习框架。该研究旨在开发一个能够快速、准确预测城市尺度高分辨率户外热应力的工具，并支持规划者评估不同景观干预措施的热缓解效果。

研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，利用高分辨率激光雷达（LiDAR）点云数据生成归一化数字表面模型（nDSM）和土地覆盖分类图，作为表征城市三维形态和地表属性的空间输入。其次，收集了来自美国国家太阳能辐射数据库（NSRDB）的逐时气象数据，包括气温、湿度、太阳辐射组分等。然后，采用经过GPU加速的SOLWEIG物理模型，基于上述输入数据，计算生成费城范围内1米分辨率的逐时通用热气候指数（UTCI）地图，作为深度学习模型的训练标签。最后，构建了GSM-UTCI深度学习架构，该架构包含三个并行的编码器（几何编码器处理nDSM，语义编码器处理土地覆盖图，气象编码器处理气象时间序列），并通过特征线性调制（FiLM）机制动态地将时空特征融合，最终输出高分辨率的UTCI预测图。模型训练和验证基于费城2020年夏季的数据集。

研究结果

4.1. 时空分布与格局

研究首先展示了费城8月份逐时（上午8点至下午6点）UTCI的1米分辨率空间分布图。结果揭示了清晰的热量积累和消散的日变化模式，UTCI值从早晨到午后稳步上升，在下午1至3点达到峰值，随后在傍晚逐渐下降。空间上，缺乏遮荫或植被的不透水闲置土地表现出最高的UTCI值，而尽管开发强度高，但中心城区和大学城等区域由于高层建筑遮荫和较高树冠覆盖率，显示出相对较低的UTCI值，凸显了城市形态、植被和太阳几何之间复杂的相互作用。

4.2. 模型性能与比较

通过消融实验和模型对比，GSM-UTCI模型在日平均UTCI预测上取得了最佳性能（R² = 0.9151， MAE = 0.41 °C）。结果表明，同时整合几何（nDSM）和语义（土地覆盖）信息，并通过FiLM机制与气象条件动态融合，对于实现高精度预测至关重要。视觉对比显示，GSM-UTCI能更好地保留热梯度的细节，如树木阴影和街道级遮荫效果。此外，模型计算效率极高，生成整个城市的UTCI图仅需约5分钟，较传统物理模型有数量级的提升。

4.3. 系统性土地覆盖模拟

研究模拟了三种土地覆盖转换情景（裸地→树冠、草地→树冠、不透水表面→树冠）的热缓解效果。定量分析表明，将不透水表面转化为树冠能带来最显著的公共健康效益，可使暴露于强热应力（UTCI > 32 °C）的居民减少超过37.4万人，同时平均降温达4.18 °C。尽管裸地→树冠的单元面积降温效应最强（-4.87 °C），但其有限的空间覆盖范围导致受保护人口相对较少。分区（Tract-level）分析进一步显示，降温潜力与初始土地覆盖比例存在强相关性，强调了基于空间异质性进行针对性干预的重要性。

4.4. 逐时预测性能

扩展的GSM-UTCI模型在11个日间小时的UTCI预测中也表现出稳健的性能（整体R² = 0.8044， MAE = 0.64 °C）。模型在正午时分（太阳辐射最强，热分异最明显）的预测精度最高。这种精细的时间分辨率增强了模型在动态风险评估和实时微气候适应规划中的应用潜力。

结论与意义

本研究成功开发了GSM-UTCI这一多模态深度学习框架，实现了对城市户外热应力（UTCI）的高分辨率、高效率预测和模拟。该框架不仅准确模拟了物理模型的结果，更将计算时间从天级缩短至分钟级，为大规模城市规划应用提供了可行性。

研究的核心意义在于其强大的情景模拟能力。通过系统性的土地覆盖转换分析，研究定量化地揭示了不同景观干预策略（尤其是增加城市森林覆盖率）在缓解热应力方面的巨大潜力，并将降温效果与人口暴露风险直接关联，为制定基于证据的、具有明确公共健康导向的气候适应规划提供了科学依据。研究结果强调了针对不同城市形态和地表特征进行差异化干预的必要性，支持了精准规划和资源优化配置的理念。

尽管存在对静态单季数据的依赖、在复杂形态中可能存在的物理机制简化以及尚未在其他气候区进行广泛验证等局限性，但GSM-UTCI框架无疑代表了城市气候建模方向上的一个重要进展。未来通过整合多季节数据、实时传感器网络、不确定性量化以及更逼真的干预情景（如考虑可种植空间、树木生长模型），该框架的实用性和鲁棒性将得到进一步提升。总之，这项工作为构建更具韧性、更加公平和适宜居住的凉爽城市提供了强有力的技术支持和决策工具。