基于无人机热成像和人工神经网络的微尺度城市气温预测

《BUILDING AND ENVIRONMENT》：Micro-scale Urban Air Temperature Prediction Using UAV Thermal Imaging and Artificial Neural Networks

　　摘要要点：- 利用无人机热成像和人工神经网络（ANN）预测场地尺度的城市空气温度。- 纳入无人机地表温度数据后，预测误差（MAE）最多可降低46%。- 在地表温度是继机场数据之后影响第二大的预测变量。- 一种低成本框架可利用可获取的数据复现微尺度温度。- 验证范围涵盖屋顶、沥青路面、草地及树荫等城市场地表类型。引言城市微气候日益被视为影响生活质量、建筑能效和城市环境韧性的关键因素[1]。在其各项参数中，室外空气温度（OAT）是最基础的变量之一，直接影响室外热舒适度（OTC）、影响采暖与制冷需求，并驱动城市热岛效应的强度[2]。OAT强烈依赖于局部城市形态，包括建筑布局、地表材料、植被分布和水域，从而在城市中产生高度异质的微气候条件[3]。随着全球城市化的持续进行，在多样化城市环境中估算高分辨率OAT的能力已成为推动气候适应性设计与政策策略的必需条件。除了理论意义之外，微气候信息也已在实际案例中证明了高分辨率数据的价值。例如，纽约高线公园的一项实地研究表明，沿步道的人体热舒适感差异显著，周边建筑和植被造成了热应激热点[4]。这种单一场地内部的气候差异无法通过参考气象站捕获，这凸显了高分辨率微气候数据的必要性。同样，东京2020年奥运会马拉松赛道的研究应用了移动微气候测量和人体热平衡模型，识别了观众和跑者面临的热应激热点[5,6]。这些案例强调了高分辨率微气候数据在评估室外舒适度和支持气候敏感型城市设计方面的重要性。然而，以可扩展和高效的方式为多样化城市空间获取如此详细的信息仍然是一个艰巨的挑战。现有的微气候数据生成方法大致可分为测量法和模拟法。实地测量，无论是通过固定监测站还是移动测量活动，都能提供准确可靠的数据，但受限于高昂成本、人力需求和低可扩展性，难以覆盖大面积城市区域。例如，自2019年以来，首尔市政府已在全城安装了超过1,100个环境传感器，记录空气温度、湿度及其他环境指标[7]。虽然此类网络显著提高了数据可用性，但即使是大规模部署也无法完全捕捉场地或街道尺度的微气候时空变异性。模拟方法可以生成空间连续的预测，但需要大量专业知识、计算资源和详细边界条件，且在复杂环境中往往精度有限。因此，单独使用任何一种方法都不足以捕捉局部城市场地微气候条件的小尺度变异性[8]。在此背景下，机器学习（ML）的近期进展为城市微气候分析提供了新的机遇。ML模型可以利用大规模多样化数据集来捕捉建成环境与OAT之间的复杂关系；然而，其应用于局部场地特定的微气候估算仍然有限。因此，本研究旨在开发并验证一种基于机器学习的框架，通过整合无人机（UAV）热成像数据与气象和城市化环境数据，实现场地特定微尺度空气温度估算。该方法通过结合无人机热成像与机器学习，为局部空气温度估算提供了一种实验性框架。本实验针对空气温度，该框架随后将扩展至热环境的其他变量。章节摘要室外热舒适度中的空气温度为评估OTC，已开发出多种基于微气候条件与人体热感知关系的热舒适指数[9]。在这些指数中，生理等效温度（PET）和通用热气候指数（UTCI）应用最为广泛。PET源自慕尼黑个体能量平衡模型，代表在标准化室内条件下产生相同热效应的等效空气温度方法本节概述了利用可获取数据集和机器学习技术预测微尺度城市空间空气温度的方法工作流程。同时介绍了用于验证该方法并展示其在克服前述章节所述局限性方面有效性的测试案例。基于机器学习的空气温度预测模型验证本节展示了本研究中开发的ANN模型性能。模型性能针对四个场地中的每一个使用三种标准统计指标进行了评估：决定系数（R2）、平均绝对误差（MAE）和均方误差（MSE），如表7所示。为评估地表温度的贡献，整个研究过程中比较了两种配置：一种包含地表温度（Surf-inc），另一种排除地表温度（Surf-exc）。总体而言讨论本研究开发并验证了一种基于机器学习的框架，通过整合无人机热成像、气象数据和形态参数（如SVF）及辐射参数（如反照率），预测微尺度室外空气温度。结果表明，将地表温度作为输入变量纳入可显著提高所有场地的ML模型精度和稳定性。仅使用气象参数不足以捕捉局部结论本研究开发并验证了一种基于机器学习的框架，通过整合无人机热成像、气象观测和城市化环境参数（如SVF和地表反照率），预测城市环境微尺度层面的室外空气温度。与传统实地测量或数值模拟方法不同，该方法提供了一种数据驱动的替代方案，能够利用可获取的数据捕捉城市微气候的空间异质性CRediT作者贡献声明Youha Hyun：撰写–初稿、可视化、验证、正式分析、数据管理。SeWoong Kim：撰写–审阅与编辑、撰写–初稿。Wonjae Yoo：撰写–初稿、验证、正式分析。Eujin Julia Kim：撰写–初稿、资源、数据管理。Hyoungsub Kim：撰写–审阅与编辑、撰写–初稿、可视化、验证、监督、资源、项目管理、方法学、调查、资金获取、正式