基于可解释机器学习的高校教室夏季热指标适用性研究

《BUILDING AND ENVIRONMENT》：Explainable machine learning-based study on the applicability of thermal indicators for university classrooms in summer

　　

高校教室在夏季自然通风状态下热环境存在显著差异，影响学生热舒适及热评价指标的适用性。然而，空间布局对热环境分布及热指标性能的影响尚不明确。本研究比较了阶梯教室（tiered lecture hall, TLH）与普通教室（conventional classroom, CC）的热环境特征、学生热感觉投票（thermal sensation vote, TSV）以及三种热指标（操作温度Operative temperature, T_op、新标准有效温度Standard Effective Temperature, SET*、新有效温度New Effective Temperature, ET*）的性能。研究采用多层统计评估框架，并运用可解释的XGBoost-SHAP机器学习方法量化关键物理因素对TSV的影响权重。结果表明，TLH较CC具有更高的温度和更强的热非均匀性，导致学生热不适感更强。SET*和ET*在相关性、拟合优度及个体预测方面均显著优于T_op；其中SET*在TLH中表现最佳（ρ = 0.584，R2 = 0.9109，OR = 3.538，AIC = 686.71，BIC = 705.10），而SET*与ET*在CC中表现相近。SHAP分析确定了影响热指标性能的主导因素，并揭示了不同因素间的交互作用，阐明了综合指标优于T_op的原因。本研究为热指标选择及自然通风教学环境的优化提供了定量支持。

本研究聚焦于高校教室夏季自然通风条件下的热环境与热舒适问题，旨在解决当前研究中关于空间布局对热环境分布及热指标适用性影响认识不足的缺陷，为自然通风高校教室的热舒适评价指标选择及热环境优化提供科学依据。研究背景涉及三个核心层面：其一，全球气候变暖背景下夏季热浪频发，自然通风作为经济可持续的被动式冷却方式在高校教室中仍广泛应用，但其热环境受气候条件、建筑设计及空间构造等多因素综合影响；其二，现有热舒适评价指标众多，从简单的物理指标到复杂的综合指标各具特点，但在动态复杂环境中的适用性存在显著差异，尤其缺乏针对教室特定场景的系统性比较研究；其三，机器学习技术为热舒适研究提供了新方法，但多数研究偏重预测性能而忽视了对热环境因素影响的机理解释。

目前存在的主要问题包括：第一，现有研究多关注外部气候、个体差异及运行模式等因素，尚未充分阐明不同教室类型（TLH与CC）如何影响室内热非均匀性及学生热感觉；第二，尽管综合热指标SET*和ET*在非均匀或动态环境中通常比T_op更具适用性，但缺乏关于该差异是否受教室空间布局影响以及这些指标在不同类型教室中适用程度的系统比较；第三，机器学习方法在热舒适预测中的应用虽日益增多，但多数研究聚焦模型预测性能，对不同热环境因素如何影响TSV的解释仍显不足。基于此，本研究以TLH和CC两种典型空间布局为对象，开展夏季自然通风条件下的热环境特征与学生热感觉差异分析，并系统评估T_op、SET*和ET*三种热指标的适用性，最终通过可解释机器学习方法揭示关键热环境变量的非线性贡献与交互作用机制。

研究人员在天津地区开展了实地测量与问卷调查相结合的研究工作。研究样本来源于两所大学的TLH和CC，测量期间室外天气以晴朗为主，紫外线强度最高达2.31 mw/cm²，气压通常在996-1007 mbar范围内。根据过去五年（2021-2025年）的气候数据，天津6-8月平均温度约为26°C，而研究测量期间平均温度为26.65°C，差异极小，表明测量期间的温度条件基本代表当地夏季典型状况。通过现场测量获取空气温度、黑球温度、相对湿度、气流速度等热环境参数，同时采用问卷调查收集学生的TSV数据。研究运用多层统计评估框架，从相关分析、回归拟合、累积概率分布及有序Logistic回归等层面评价热指标性能；并采用XGBoost-SHAP可解释机器学习方法，量化关键物理因素对TSV的影响权重，揭示因素间的交互作用机制。

研究主要结果如下：

**热环境分布特征与学生热感觉差异**

通过实地测量发现，TLH较CC表现出更高的温度和更强的热非均匀性。这种空间差异源于TLH特有的阶梯状座位布局和更大的空间尺度，导致室内气流组织不均和温度分层现象更为显著。受这些热环境特征影响，TLH中学生的热不适感明显强于CC。该部分研究基于现场实测数据与问卷调查结果，定量对比了两种教室类型的热环境参数分布及学生TSV分布特征。

**三种热指标适用性比较**

从相关性、拟合优度及个体预测能力三个维度系统比较后表明，SET*和ET*显著优于T_op。具体而言，SET*在TLH中表现最佳（ρ = 0.584，R2 = 0.9109，OR = 3.538，AIC = 686.71，BIC = 705.10），而SET*与ET*在CC中表现相近。T_op因未能充分考虑湿度与气流速度对热舒适的影响，在动态非均匀环境中适用性受限。该结论通过多层统计评估框架得出，包括Pearson相关分析、多元回归分析、累积概率分布比较以及有序Logistic回归等方法。

**XGBoost-SHAP机理解释**

通过XGBoost-SHAP可解释机器学习方法，研究确定了影响热指标性能的主导因素，并揭示了不同因素间的交互作用机制。SHAP（SHapley Additive exPlanations）分析从全局和局部两个尺度量化了各变量对模型输出的贡献，阐明了综合指标优于T_op的深层原因：SET*和ET*因整合了气流速度、相对湿度等多物理量参数，能够更准确地捕捉非均匀动态热环境中的人体热感觉响应。该部分研究建立了教室空间类型-热环境非均匀性-热指标适用性-可解释机理解释的完整分析框架。

研究讨论部分围绕以下核心科学问题展开：为何三种热指标在表征不同教室类型中人员TSV时表现出显著差异？以及教室空间构型（TLH与CC）如何影响这些指标的性能？研究人员运用可解释机器学习技术深入探究了这些现象的根本原因。研究发现，TLH的热环境非均匀性显著高于CC，这种由空间布局引起的物理环境差异直接影响了各热指标的适用性；SET*因综合了人体热调节模型，在模拟人体产热与散热动态平衡方面更为精细，故在非均匀性更强的TLH环境中优势更为突出。此外，SHAP分析揭示的关键物理因素及其交互作用，为理解热指标性能差异提供了机理解释，也为针对不同教室类型选择适宜的热舒适评价指标提供了理论依据。研究同时指出，未来可进一步扩展样本量并涵盖更多教室类型，以验证本研究结论的普适性。

研究结论部分指出：基于夏季自然通风条件下两种高校教室（TLH和CC）的实测与问卷数据，本研究比较了两种空间布局教室的热环境差异及学生热感觉差异，系统评价了T_op、SET*和ET*表征TSV的适用性，并利用XGBoost-SHAP进行了影响机制的定量解释。主要结论为：（1）TLH较CC具有更高的温度和更强的热非均匀性，导致学生热不适感更强；（2）SET*和ET*在相关性、拟合优度及个体预测方面均显著优于T_op，其中SET*在TLH中表现最佳，而SET*与ET*在CC中表现相近；（3）SHAP分析确定了影响热指标性能的主导因素，揭示了不同因素间的交互作用，阐明了综合指标优于T_op的原因。该研究成果发表于《BUILDING AND ENVIRONMENT》，为自然通风高校教室的热舒适评价指标选择及不同教室类型的热环境优化提供了科学参考和定量支持。