基于时序特征的多维数据融合方法用于番茄地上部生物量估算

《Sensors》：A Multidimensional Data Fusion Method Incorporating a Temporal Feature for Estimating Tomato Aboveground Biomass

　　

摘要专业翻译 城市热暴露是城市地区气候变化中最关键且迅速加剧的影响之一。可靠测量室外热舒适度不仅对长期气候适应规划至关重要，对实时热风险管理的意义同样重大。然而，测量通用热气候指数（UTCI）的传统方法要么依赖计算密集型的辐射模型，要么依赖密集的现场监测网络，这两种方式都限制了其在城市尺度上的可扩展性和业务化部署。本研究提出了一种创新的数据驱动框架，仅利用开放获取的再分析数据和实时气象数据即可实现城市尺度的平均辐射温度（tr）和UTCI测量。研究人员训练了一个有监督的多层感知器（MLP）模型来估算tr，无需详细的城市场态输入或高要求的辐射测量仪器。该框架实现了较高的预测性能（tr的R2 = 0.99；RMSE = 1.4 °C），且计算效率足以满足实时应用需求。本研究的另一关键创新在于舒适度–脆弱性整合。研究人员将估算的室外热舒适度（即UTCI）与社会人口脆弱性测量指标整合到统一的 Urban Heat Risk Index（UHRI）中。将该框架应用于巴塞罗那的Besòs区，识别出热应激与社会脆弱性叠加的热点区域，为城市韧性和适应策略提供支撑。蒙特卡洛敏感性和不确定性传播分析进一步表明，该框架中的误差传播有限，基于MLP的tr标准不确定度为0.88 °C，UTCI为0.67 °C，UHRI为0.017。

论文解读文章

一、研究背景与问题

城市正日益面临气候变化带来的严峻挑战，城市热应激已成为当代城市环境最关键的挑战之一。全球变暖与快速城市化深刻改变了城市热条件，极端高温事件的强度和频率显著增加。IPCC报告指出，全球地表温度已比工业化前水平上升约1.1 °C，在高排放情景下，本世纪末全球平均温度可能达到2.7至4.4 °C以上。在城市尺度，全球变暖的影响被局地气候调节因子进一步放大，其中最显著的是城市热岛效应。密集的建筑表面、有限的植被覆盖和受限的通风增强了热量储存和再辐射，导致城市温度系统性地高于周边乡村地区。

在此背景下，室外热舒适度的评估已成为气候响应型城市规划和公共卫生策略的核心组成部分。通用热气候指数（UTCI）是基于空气温度（T_a）、平均辐射温度（t_r）、风速（v）和湿度（RH）四种环境变量建立的广泛使用的室外热应激度量指标。其中，t_r被一致认定为室外城市环境中感知热应激的主导驱动因素。在阳光暴露的城市环境中，t_r可超过空气温度数十摄氏度，因此其准确估算对真实室外舒适度评估至关重要。

然而，在复杂城市环境中获取时空一致的t_r数据仍是重大方法学挑战。传统方法分为现场测量技术和计算建模方法：现场测量（如黑球温度计法、多方向辐射测量法）需要专用仪器且空间覆盖有限；计算建模方法（如SOLWEIG、RayMan、ENVI-met）虽然能估算t_r，但计算需求高（ENVI-met模拟典型需要8–20小时），且t_r估算存在较大误差（无遮蔽条件下RMSE可达约13 °C）。基于物理的辐射模型和密集现场监测网络均限制了城市尺度的可扩展性和业务化部署。

近年来，数据驱动的t_r估算方法日益受到关注。已有研究表明，基于人工智能和机器学习的方法可以在验证中达到较高预测精度（RMSE约3 °C，R² = 0.92），同时大幅降低计算成本。然而，现有研究仍存在若干局限：大型测量活动受后勤负担和气候特异性限制；许多快速模拟方法依赖模拟生成的标签和简化几何构型；部分最强的业务化示范来自室内或受控环境，而非空间异质的室外城市环境。此外，目前仍缺乏能够仅依赖开放数据源、在城市尺度实时提供热舒适信息且可跨城市情境迁移的规模化框架。很少有研究将基于机器学习的t_r估算、UTCI计算和社会人口脆弱性评估整合到统一的业务化框架中，同时适用于战略城市规划和实时热浪管理。

二、研究目的与意义

针对上述空白，本研究提出了一种有监督的机器学习框架，用于城市尺度和业务化的t_r测量，仅使用来自哥白尼气候数据存储库（ERA5、ERA5 Land和ERA HEAT）的开放获取再分析产品。研究人员训练了一个多层感知器（MLP）模型，利用热力学、辐射和动态预测因子（包括近地表大气变量和太阳几何特征）来准确复现t_r，无需详细的城市场态或密集辐射监测。所得t_r场随后用于计算UTCI，实现城市尺度室外热应激的时空连续和实时测量。另一关键创新是将UTCI与社会人口脆弱性指标整合到统一的Urban Heat Risk Index（UHRI）中，支持风险热点识别，为长期气候适应规划和实时热浪准备与响应提供可操作输出。该技术应用于西班牙巴塞罗那市的真实城市案例，属于Horizon Europe项目CLIMRES（Grant Agreement No. 101147777）的框架内工作。

三、关键技术方法

研究人员采用的主要技术方法包括：第一，通过Copernicus数据库（ERA5、ERA5-Land、ERA-HEAT）和PVlib Python库获取数据，并利用Open-Meteo API获取实时气象数据；第二，数据处理阶段采用双线性重网格化实现时空协调，并通过去累积过程获得太阳辐射等变量的瞬时值；第三，基于相关性的特征选择方法构建输入数据集，确保特征与目标值（t_r）相关且彼此间低互相关；第四，训练了随机森林、梯度提升和多层感知器三种有监督回归模型，通过网格搜索和交叉验证确定超参数，最终选定MLP作为最优模型；第五，利用pythermalcomfort库计算UTCI，并通过反距离加权方法将UTCI聚合至行政单元；第六，采用蒙特卡洛方法进行不确定性和敏感性分析，传播输入变量不确定性至t_r、UTCI和UHRI。案例研究区域为巴塞罗那Sant Martì区（El Besòs y el Maresme区域），覆盖约1.27 km2，人口约22,600人，建筑存量约90%建于1980年前，热性能较差。模型使用2023年全年逐时数据进行训练和验证（12个网格单元，3×4空间网格，约84,000和21,000个观测值分别用于训练和验证），并使用2024年8月独立数据集进行测试。

四、研究结果

4.1 t_r与UTCI测量结果

MLP模型在训练和内部验证中与再分析参考值高度一致，MAE为1.1 °C，RMSE为1.4 °C，NRMSE为1.9%，R² = 0.99。基于预测t_r计算的UTCI与ERA5 HEAT参考值相比，MAE为1.2 °C，RMSE为1.6 °C，R² = 0.99。在2024年8月独立测试数据集上，t_r估算误差适度增加（MAE = 1.9 °C，RMSE = 2.6 °C），但R²保持0.99。值得注意的是，UTCI在测试阶段的性能未出现同等退化，反而误差略有降低（MAE从1.2 °C降至0.9 °C，RMSE从1.6 °C降至1.2 °C），这可能与2024年8月特定的气象条件组合限制了t_r误差对UTCI的影响有关。空间分布图显示，在01:00时t_r和UTCI达到夜间最小值，沿海地区因海洋热惯性略高；09:00时太阳辐射增强使两指数上升；13:00时达到日最大值，内陆和中心城区热应激最强，沿海地区受海风调节保持较低水平。

4.2 舒适度–脆弱性整合

UHRI的空间分布显示，大都市区存在显著梯度，中心及半中心区域指数值较高，被归入橙色和红色类别，表明持续热应激和较高比例65岁以上居民同时存在。Gràcia、Sants-Montju?c、Eixample和Ciutat Vella等社区被识别为潜在优先区域，与其密集城市形态和老龄化人口结构一致。沿海地区和植被覆盖较高的区域主要归入较低UHRI类别，与海洋和绿色环境的缓解作用一致。

4.3 实时热舒适度结果

将训练好的MLP模型与实时气象数据流集成，可业务化生成研究域内的实时t_r和UTCI估算。预测值再现了t_r的预期日动态：日出后快速上升，正午前后达到峰值，下午和傍晚逐渐下降。UTCI与32 °C和38 °C预警阈值比较，可识别可能构成显著健康风险的关键时间窗口。敏感性分析显示，UTCI权重α对指数变异性影响最大（S₁ = S_T = 0.60），其次是人口脆弱性权重γ（S₁ = 0.37），持续性权重β影响较小（S₁ = S_T = 0.03）。

4.4 蒙特卡洛不确定性分析结果

基于10⁶次实现的蒙特卡洛分析表明：在单变量扰动中，高植被叶面积指数（LAI）产生最大的t_r标准差，其次是相对湿度和低植被LAI，太阳天顶角和方位角影响有限，所有单变量扰动的t_r平均标准差均低于0.5 °C。所有不确定输入变量同时扰动时，t_r传播标准不确定度增至0.88 °C。在第二阶段，t_r预测不确定性通过下游计算链传播，采用覆盖因子k = 2时，UTCI的传播不确定度为0.67 °C，持续性为0.34小时，最终UHRI为0.017。这表明不确定性沿建模链传播但逐渐减小，最终归一化热风险指标受MLP估算不确定性影响有限。

五、讨论与结论

本研究验证了一种新颖的数据驱动框架，用于城市尺度t_r测量，支持室外热舒适度计算，并将其与社会人口脆弱性整合生成业务化UHRI。该框架适合作为城市尺度的空间和时间热舒适度及热风险筛查工具，使决策者能够识别热应激、持续暴露和人口脆弱性叠加的区域，并优先安排监测、预防措施和热缓解适应规划。

研究结论可概括为：有监督机器学习方法结合空间协调的开放获取再分析数据，能够以高精度估算城市室外辐射动态，同时保持计算可扩展性和实时适用性。MLP模型在训练和验证中达到R² = 0.99、RMSE = 1.4 °C、MAE = 1.1 °C，在独立时间段测试中R²保持0.99，RMSE = 2.7 °C、MAE = 1.9 °C。与已有文献相比，本研究在R²方面优于Jia等人报告的深度神经网络性能（R² ≈ 0.88，RMSE约1.9–2.0 °C），但需注意本研究在再分析产品空间分辨率下运行，参考目标不同。与Xie等人报告的较低RMSE（约0.49 °C）相比，本研究使用真实复杂城市区域的再分析t_r数据，略高的RMSE值与真实世界条件一致。从业务角度看，该量级误差低于改变大多数UTCI应用中应激类别分类的阈值。蒙特卡洛分析表明框架对不确定性源保持相对稳定响应，t_r预测阶段引入的不确定性对最终归一化UHRI影响有限。研究也指出，UTCI估算在分类阈值（如26 °C、32 °C、38 °C）附近±0.67 °C范围内可能存在跨类别的不确定性，未来可扩展蒙特卡洛框架以评估临界阈值附近的分类稳健性。