面向气候响应型城市设计与规划的机器学习功能分类、方法约束与跨情境验证范围综述

《Sustainable Cities and Society》：Machine Learning for Climate-Responsive Urban Design and Planning: A Scoping Review

　　

• 机器学习（ML）支持关联与影响分析、聚类、数据增强与预测。
• 有限的跨情境验证制约模型可迁移性。
• 数据集覆盖不一致削弱模型鲁棒性。
• 简化预测变量无法完全表征三维城市形态。

该文发表于《Sustainable Cities and Society》，作者为 Naga Venkata Sai Kumar Manapragada、Aristotelis Vartholomaios 和 Jonathan Natanian。研究背景方面，城市气候评估日益影响建筑体量、街道配置、开放空间布局和热缓解策略。此类决策依赖热条件、遮阳、风暴露和能耗的局地变化，而这些变化源于建成形态、表面材料、植被结构以及辐射与空气动力交换的细尺度差异，传统建筑尺度或城市尺度模型难以充分捕捉。常用城市气候绩效指标依赖非线性的耦合环境过程，限制其比较设计评估的可靠性。研究人员因此常依赖简化代理或静态边界假设，低估局地变异，削弱城市气候知情决策的稳健性。城市表面能量平衡模型受尺度和数据需求约束；计算流体动力学（Computational Fluid Dynamics, CFD）模型虽可高保真解析气流、传热和污染物扩散，但几何输入和计算运行限制分析域；建筑与城市能耗模型较高效，却常简化室外边界并仅部分表征建筑与其城市气候背景反馈；遥感与原位测量对验证和空间表征不可或缺，但受空间分辨率、时间连续性和成本限制。机器学习（Machine Learning, ML）因此受到关注，但ML应用能否支持建筑、城市设计、规划和政策中的稳健空间决策尚不明确。已有综述多聚焦建筑能耗、室内环境、操作优化或城市尺度现象，且常按模型类型或空间尺度组织，忽略建模选择与微气候变量、空间单元和决策情境关系，使可比性、可迁移性和实践相关性未充分检验。该文以功能角色而非算法分类或尺度组织ML应用，分为关联与影响分析、分类与聚类、数据增强、预测或代理模拟四类，识别跨情境可迁移性实证测试有限、数据集多样性评估不足、简化预测变量编码限制环境可解释性等约束。

方法上，该研究为范围综述，遵循PRISMA扩展版（PRISMA-ScR）。检索Scopus和Web of Science Core Collection，检索词组合ML/AI与建筑设计、城市设计、城市规划及微气候/气候，限定2014年1月至2025年12月英文期刊、会议和书籍章节。初始492篇，去重后451篇，标题摘要筛选后274篇，全文确认后211篇纳入；其中42篇关联与影响分析，40篇分类与聚类，17篇数据增强，112篇预测与模拟。排除63篇，原因包括未将ML作为核心方法、缺乏建成环境气候应用或方法细节不足。编码由第一作者使用结构化表完成，合著者审查并共识解决不确定性，未计算评分者间信度，未开展正式偏倚风险评估。

关键技术方法（不超过250字）：该研究采用范围综述与PRISMA-ScR协议，检索Scopus和Web of Science Core Collection，以ML/AI、建筑设计/城市设计/城市规划、微气候/气候为检索词，限定2014—2025年英文文献；经去重、标题摘要筛选和全文审查，从492篇中纳入211篇；按ML功能角色分为关联与影响分析、分类与聚类、数据增强、预测与模拟四类；用结构化编码表记录研究情境、空间尺度、输入数据、算法、验证策略、性能指标和局限；无样本队列来源。

研究结果如下。3 关联与影响分析：42篇中33篇显示ML揭示传统技术常遗漏的交互模式，26篇强调ML可同时分析相互关联变量和情境因素。3.1 关注领域：14篇研究城市热岛与冷岛（Urban Heat and Cold Island, UHCI）与城市形态关联，涉及建筑高度、密度、朝向及植被和绿色基础设施；其他研究将城市形态、发展指标与建筑能耗、室外热舒适、可再生能源潜力和洪水风险联系，少数关注立面尺度。3.2 输入特征与输出变量：UHCI研究识别17个关键绩效指标，地表温度（Land Surface Temperature, LST）为主，另有城市热岛半径和最大冷岛距离；数据来自卫星影像、EnergyPlus、ENVI-met、公共数据库和实地测量；建成形态用58个特征描述，常见天空视域因子、平均建筑高度、表面反照率、不透水面比例和城市密度；植被特征包括归一化植被指数（Normalized Difference Vegetation Index, NDVI）、冠层覆盖和植被比例。3.3 机器学习算法与模型评估：监督ML和深度学习（Deep Learning, DL）为主，极端梯度提升（Extreme Gradient Boosting, XGBoost）最常见，随机森林（Random Forest, RF）广泛使用；20篇使用SHapley加性解释（SHapley Additive exPlanations, SHAP）；多数用k折交叉验证，以决定系数（R²）和均方根误差（Root Mean Square Error, RMSE）比较性能；人工神经网络（Artificial Neural Network, ANN）和卷积神经网络（Convolutional Neural Network, CNN）用于高维或空间分布数据。4 分类与聚类：传统规则或阈值法用于小数据集，ML聚类用k-means、高斯混合模型、自组织映射和密度聚类从数据识别模式。4.1 关注领域：31篇分类研究中22篇用于土地利用/土地覆盖（Land Use and Land Cover, LULC）和局地气候区（Local Climate Zone, LCZ）；LULC用于热保持、反照率和蒸散，LCZ强调形态与热属性，服务城市热岛评估和气候适应规划；另有建筑、道路、屋顶、水体等无监督标注，支持隐含碳和局部排放评估；9篇聚类按热行为、能耗或形态属性分组，4篇在城市或建筑尺度识别热区和微气候变异，1篇聚类建筑立面热性能。4.2 标注与聚类的输入变量：输入分影像、坐标与GIS、气象、光谱指数、表面属性、人口社会经济、形态数据七类；组件级分类常用表面可观测输入，需与物理或模拟模型整合。4.3 机器学习算法与模型评估：LULC和LCZ分类用支持向量机（Support Vector Machine, SVM）、RF及DeepLabV3+、U-Net、ResNet-50等DL，Vision Transformer、注意力与知识引导网络提升性能；组件级用Swin Transformer、ResNet-50、U-Net和轻量网络；训练验证测试划分常为80-10-10或70-20-10；9篇聚类中7篇用k-means，其他用高斯混合模型、层次聚类、自组织映射、MeanShift和加权核k-means；评估用肘部法、轮廓系数、Davies-Bouldin指数、贝叶斯信息准则、赤池信息准则和动态有效性指数。5 数据增强：ML用于数据稀疏、尺度或计算成本受限时增强气候数据；跨地理区域应用取决于输入表示、训练数据多样性和验证策略；非线性多变量方法整合遥感、原位和模拟输出；物理信息或混合建模嵌入物理约束，贝叶斯学习量化预测不确定性。5.1 关注领域：八类，包括数据校正、数据融合、缺口填充、缺失数据插值、空间插值、空间分辨率增强、合成样本生成和时间分辨率增强；过半研究关注空间分辨率增强。5.2 输入特征与输出变量：增强对象包括LST、地表反照率、城市洪水图、土壤湿度、地下水位、天气数据和人均收入降尺度；输入多为影像、空间坐标、气象和光谱指数。5.3 机器学习算法与模型评估：DL如多分支CNN、U-Net用于空间分辨率增强和数据融合；结构化输入用RF和XGBoost；生成对抗网络（Generative Adversarial Network, GAN）生成合成样本；评价用RMSE、平均绝对误差（Mean Absolute Error, MAE）、R²、结构相似性指数（Structural Similarity Index, SSIM）、峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、准确率和F1分数。6 预测与模拟：ML建模动态、非线性和异质过程，处理多变量、缺失数据和噪声，整合结构化与非结构化数据，处理时序数据并减少计算时间。6.1 关注领域：6.1.1 预测涵盖未来天气数据、LULC、灾害、碳排放、建筑材料需求、建筑能耗和住房价格七域；6.1.2 模拟作为EnergyPlus、ENVI-met和CFD的快速代理，用于建筑能耗、围护优化、被动设计、区域改造、排放、洪水滑坡、室内外舒适和可再生能源规划；应用分为环境与风险、资源与基础设施、舒适与性能三簇。6.2 输入特征与输出变量：预测输出包括小时温度降水、LULC转移、LST、UHI强度、洪水滑坡风险、空气质量指数（Air Quality Index, AQI）、碳排放、材料需求、建筑能耗和房价；模拟输出包括PM_2.5、CO、NO_x、AQI、车辆排放、能源使用强度（Energy Use Intensity, EUI）、供暖制冷负荷、零能耗潜力、生命周期碳、隐含碳、年CO₂、淹没深度、危险区、易发性、预测均值投票（Predicted Mean Vote, PMV）、预测不满意百分比（Predicted Percentage of Dissatisfied, PPD）、过热时长、空间日光自主性（spatial Daylight Autonomy, sDA）、热通量（W/m²）、表面温度、通用热气候指数（Universal Thermal Climate Index, UTCI）、生理等效温度（Physiological Equivalent Temperature, PET）、LST、UHI强度、风速和太阳辐射。6.3 机器学习算法与模型评估：6.3.1 预测常用RF、梯度提升、长短期记忆网络（Long Short-Term Memory, LSTM），验证用时间留出、空间块验证和长期测试窗口，指标含RMSE、MAE、均方误差（Mean Squared Error, MSE）、R²、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）、准确率、F1、受试者工作特征曲线下面积（ROC-AUC）、SSIM、PSNR和切片Wasserstein距离；6.3.2 模拟常用RF、梯度提升、支持向量回归、CNN、U-Net、GAN和时间卷积模型，训练测试验证数据通常由物理模拟工具生成。

讨论部分总结：第7节说明四类ML模型为建筑师、景观设计师、城市设计师、规划师和政策制定者提供不同评估支持；关联影响支持立面围护、植被冷却、城市形态与热舒适和洪水风险；分类聚类支持构件分类、热区识别、LULC/LCZ和脆弱性聚类；数据增强提高数据质量、分辨率和融合；预测模拟支持未来风险和替代情景评估。可靠性取决于跨训练情境验证和输入特征与可操作设计参数对应程度；ML主要用于比较评估和早期筛选，规定性决策有限。建模方法区别包括：数据收集以测量数据和模拟输出为主，模拟输出可用于代理但训练条件外可靠性未充分检验；预测变量分聚合标量特征与编码空间表示，后者保留空间结构但降低透明性；算法选择由输入维度和输出类型决定，但数据组成和特征表示影响更强；验证多限于训练情境，跨城市或跨气候验证不常见。挑战包括有限外部验证、数据覆盖和代表性不一致、城市形态简化表示。地理上，211篇中119篇位于东亚、欧洲或北美，62篇在中国，33篇位于非洲、南亚、东南亚或拉丁美洲。总体评估认为ML擅长模式检测、代理建模和情景比较，但作为规定性设计指导的独立依据不可靠，应与物理模型和领域知识结合。未来展望提出范围敏感验证框架六项：代表元数据和情境概况、空间留出协议、时间性、可迁移性范围、量化不确定性、操作限制。

研究结论翻译：该范围综述考察机器学习（ML）如何用于城市微气候研究，并将文献归为四个广泛角色：关联与影响分析、分类与聚类、数据增强、预测或代理模拟。该结构表明，研究之间主要差异不仅在于算法选择或空间尺度，还在于每个模型所解决的问题类型。综述还识别出技术模型性能与实践有用性之间反复出现的差距。许多研究在特定案例中报告有前景结果，但提供有限证据表明相同关联在其他城市或气候环境中成立。三个反复出现的问题突出。第一，可迁移性常被假设而非检验，难以确定研究结果能否为原研究区以外决策提供信息。第二，许多论文未足够清楚描述数据集覆盖和代表性。气候、城市形态、季节和当地条件变化常留在研究背景中，而未作为模型有效性一部分被检验。第三，城市形态描述常过于简单，难以用于设计。标量指标和图像输入可能支持预测，但关于规划者或设计师在真实场所干预所需物理特征，提供信息有限。为应对这些约束并增强ML研究的国际相关性，研究人员提出未来研究采用跨情境验证框架。该框架通过六个组成部分使验证要求与应用预期范围一致：（1）代表元数据；（2）在声称可迁移性时进行空间和形态留出测试；（3）与模型预期应用匹配的时间验证；（4）明确定义并在适当情况下测试可迁移性边界；（5）报告预测不确定性；（6）定义模型操作限制。对设计师和规划者而言，主要教训直接。当完整模拟或密集测量不可行时，ML支持快速筛选、模式发现和代理评估。然而，当研究局限于一个情境或使用薄弱城市形态描述时，它对于广泛设计指导仍不太可靠。有用下一步涉及在多种环境中测试模型、更清楚描述数据，并将模型输入与实践可操作的物理特征联系起来。