综述：机器学习技术在城市热岛应用中的最新进展与未来展望

《Sustainable Cities and Society》：Recent advances on machine learning techniques for urban heat island applications: a review and new horizons

本综述系统梳理了机器学习（ML）技术在城市热岛（UHI）效应研究中的前沿应用，涵盖数据感知、预测、优化控制及适应性管理等关键环节。文章深入分析了ML在整合多源数据（如遥感、移动监测、地面传感器网络）以提升UHI预测精度方面的潜力，并探讨了其在优化绿色基础设施、冷却材料、城市规划等 mitigation 策略中的创新作用。同时，综述指出了当前研究在数据质量、模型可解释性及跨尺度应用方面的挑战，并展望了物理信息机器学习（PIML）和数字孪生等未来方向，为构建气候适应性城市提供了重要参考。

　　

引言

城市热岛（UHI）效应是全球城市化进程中的突出环境挑战，其表现为城市区域气温显著高于周边乡村地区。这一现象由下垫面性质改变、人为热排放增加等多重因素驱动，导致热应激加剧、能源需求攀升及公共健康风险上升。传统上，UHI研究依赖于实地观测、实验测量和计算流体动力学（CFD）模拟等手段。近年来，随着机器学习（ML）技术的快速发展，其在处理复杂环境数据、揭示UHI形成机制及优化缓解策略方面展现出巨大潜力。本综述旨在系统评估ML在UHI研究中的应用现状，并展望其未来发展方向。

UHI效应概述

UHI效应主要表现为两种形式：冠层UHI（基于气温差异）和地表城市热岛（SUHI，基于遥感反演的地表温度LST）。地表城市热岛强度（SUHII）定义为城市与乡村LST之差（SUHII = LST_urban - LST_rural）。UHI的昼夜变化规律存在差异：冠层UHI通常在夜间静稳天气下最为显著，而SUHI则常在白天达到峰值。UHI的加剧主要归因于城市不透水表面（如道路和建筑）对太阳辐射的高吸收率和热存储能力、植被覆盖减少导致的蒸腾冷却作用减弱、密集人类活动（如交通、工业、空调使用）产生的人为热排放、城市几何形态（如街道峡谷）对通风的阻碍以及热辐射的滞留作用，以及城市空气污染物对长波辐射的吸收和再辐射。

UHI的影响

UHI效应加剧了环境、健康和经济负担。环境方面，降温需求增加导致电力消耗上升，进而推高温室气体排放和城市空气污染。UHI还可能通过促进近地面臭氧生成加剧光化学烟雾，并通过升高雨水和基流温度对受纳水体水质造成负面影响。社会与健康影响包括热衰竭和中暑风险增加，对老年人、有基础疾病者以及制冷资源有限的社区影响尤为显著。热不舒适还会降低居民福祉和劳动生产效率。经济上，UHI驱动的能源消耗增加了个人和企业的用电成本，峰值需求可能对能源基础设施构成压力。此外，极端高温可能损坏交通和能源系统，增加维护成本。热相关健康问题和劳动生产率下降的综合影响也可能对经济产出产生负面影响。

机器学习背景

机器学习（ML）作为人工智能的一个分支，致力于开发从数据中学习模式并进行预测的算法。在城市研究中，ML的应用经历了从传统统计方法和模拟模型到广泛采用ML算法的转变，这得益于大规模多样化数据集的可用性和计算能力的提升。在UHI研究中，ML已成为揭示城市形态、土地利用和微气候过程之间复杂相互作用的强大工具。来自卫星影像、原位传感器和模拟输出的大量数据使ML方法能够高精度地模拟城市温度的空间和时间变化。ML方法主要包括监督学习、无监督学习、半监督学习和强化学习等类别，每种方法都为当代UHI研究提供了独特的分析策略。

数据采集与分析

有效的UHI监测依赖于多种数据源，包括遥感、地面传感器网络和移动测试方法。遥感技术通过卫星观测提供城市区域LST、土地覆盖和植被指数（如NDVI、EVI）的宏观视角。地面传感器网络则提供气象参数（如温度、湿度、风速）的连续高分辨率测量。移动测试方法，如车载传感器和无人机热成像，能够动态捕捉高时空分辨率的城市温度变化。ML在数据分析中发挥关键作用，包括数据预处理（如缺失值插补、噪声过滤、几何和辐射校正）、数据融合（整合多源异构数据以生成更全面的城市热环境表征）以及特征提取与数据分析（从原始数据和衍生层中创建输入变量，如植被指数、建筑指数、城市密度指标等）。ML模型（如CNN、RF、SVM）能够自动识别城市热点和冷区，分析UHI效应的时空变化。

UHI的预测与预报

准确的UHI强度和时空分布预测对于制定主动的缓解和适应策略至关重要。ML预测框架通过建立城市特征（以LST为主要目标变量）与环境决定因素（如气象因子、土地覆盖变化、人为影响）之间的函数关系来实现预测。多种ML和深度学习算法已被应用于模拟这些复杂关系，包括多层感知器（MLP）、决策树（DT）、随机森林（RF）、支持向量机（SVM）、XGBoost回归（XGB）和AdaBoost等。深度学习模型，特别是卷积神经网络（CNN），通过有效建模非线性关系和利用高维遥感数据，进一步提升了LST预测的精度。高分辨率遥感数据（如Landsat、Sentinel、LiDAR）与ML模型的结合，使得能够在精细空间尺度上观测温度变化，甚至细化到单个建筑。结合高分辨率LST数据和城市特征细节（如绿地、建筑材料、街道设计）可显著提高预测准确性。整合时间动态对于捕捉城市热量的变化特性也至关重要，包括日变化、季节变化和年际变化。此外，ML模型还需考虑正反馈机制，例如空调使用产生的废热会加剧近地表环境升温。

UHI缓解策略的优化

UHI缓解策略主要包括绿色基础设施（如城市公园、街道树木、绿色屋顶和墙壁、透水铺装）、冷却材料（如高反照率屋顶和路面）、城市规划与设计（优化建筑和街道布局以促进自然通风）、城市水体（如池塘、湖泊、河流）以及区域供冷系统等。ML技术在优化这些策略方面发挥着越来越重要的作用。ML可以辅助绿色基础设施的选址、规模确定和管理，例如通过GIS集成ML评估城市再生项目对植被覆盖和SUHII的影响。对于冷却材料，ML模型可以关联光谱和热学属性与表面和空气温度响应，识别最小化热吸收和最大化冷却效益的属性和配置。在城市水体的应用中，ML可以支持选址和设计，通过树状学习器（如RF）捕捉水体存在与LST之间的关系，预测冷却效果。ML还广泛应用于优化城市规划与设计，例如通过数字孪生整合三维城市模型和实时数据，预测不同规划方案下的冷却效果。此外，ML支持从静态缓解转向适应性控制，例如基于实时数据和短期预报动态调整冷却系统运行、交通管理等。

适应性UHI缓解

传统的UHI缓解策略通常依赖于静态干预措施。然而，有效的UHI管理需要能够动态调整以适应不断变化的气候条件和城市发展模式的长期规划和灵活适应策略。适应性措施包括部署智能材料（如可根据环境温度动态调整热性能的材料、相变材料PCMs、热致变色涂层等）、模块化绿色空间以及可随城市增长和风场演变而调整的通风廊道。ML在实现这些灵活适应策略中扮演着重要角色，例如通过分析传感器网络数据和天气预报来预测极端高温事件，触发脆弱社区的应急响应；优化自适应冷却系统的性能；以及通过建模不同气候变化情景和城市增长预测，为设计能够适应未来条件的灵活基础设施和绿色空间提供信息。

挑战与展望

尽管ML在UHI研究中取得了显著进展，但仍面临数据获取与质量（如观测异构性、多尺度数据整合、长期记录缺乏）、ML算法应用（如复杂非线性动态建模、对标记数据的依赖、模型可解释性、不确定性量化）等方面的挑战。未来研究方向包括提升UHI数据质量（如利用新一代卫星平台、低成本传感器网络）、开发更先进的ML算法（如图神经网络、Transformer网络、物理信息机器学习PIML）、将物理原理嵌入ML模型以提升预测的物理一致性和可解释性，以及加强跨学科合作（整合社会行为数据，开发用户友好的ML工具，关注数据隐私和算法公平性等伦理问题）。通过解决这些挑战并把握新兴机遇，ML方法有望在应对快速城市化和气候变化影响的背景下，为构建可持续、具有韧性和热舒适的城市环境发挥关键作用。