基于遥感的体育设施环境监测机器学习框架：用于评估可持续性并促进气候行动

《Frontiers in Environmental Science》：Machine learning framework for remote sensing-based environmental monitoring of sports facilities to assess sustainability and promote climate action

　　

摘要：引言：体育设施中对可持续实践的日益重视，凸显了环境监测与可持续性评估先进方法学的需求。本研究提出了一个机器学习框架EnviroNet，专门用于基于遥感的环境监测，以评估可持续性并支持气候行动。方法：EnviroNet通过模块化架构整合空间、时间和辅助数据，该架构由空间特征提取模块（Spatial Feature Extraction Module，SFEM）、时间动态分析模块（Temporal Dynamics Analysis Module，TDAM）和可持续性评估模块（Sustainability Assessment Module，SAM）构成。该框架通过采用多模态融合策略（Multi-modal Fusion Strategy，MFS）和自适应优化策略（Adaptive Optimization Strategy，AOS），应对多模态数据集成、动态环境条件以及异质数据分布等挑战。借助先进的特征提取、联合特征表示学习和自适应优化，EnviroNet能够针对可持续性度量提供精确且可操作的洞见。结果与讨论：实验结果表明，该模型在Remote Sensing Sports Facility Dataset上取得了88.45%的F1-score，在Environmental Impact Monitoring Dataset上取得了89.34%的准确率，显著优于当前最先进基线方法。该框架能够提供可操作的洞见，以支持气候行动和可持续发展目标。

这篇发表于《Frontiers in Environmental Science》的论文围绕体育设施可持续性评估中的环境监测难题展开，研究背景十分明确：大型体育设施通常伴随较高的能源消耗、水资源使用和碳排放，其建设与运营还会影响周边植被、土地利用和热环境，因此需要形成兼顾生态、资源与管理效能的综合评估体系。既有环境监测方法往往依赖单一模态数据或人工设定规则，虽然能够分析局部指标，但难以同时处理遥感影像中的空间信息、环境指标中的时间变化信息以及设施属性等辅助信息，也难以适应不同区域、不同设施类型和复杂环境条件下的数据异质性。研究人员因此开展了基于多模态机器学习的框架研究，希望通过统一建模空间、时间与辅助信息，提升体育设施环境监测的准确性、可扩展性与可解释性，并为气候行动与可持续发展管理提供数据驱动支持。

从研究设计看，论文提出了名为EnviroNet的模块化机器学习框架，核心由空间特征提取模块（SFEM，负责从遥感影像中提取空间表征）、时间动态分析模块（TDAM，负责建模时间序列环境指标的变化规律）以及可持续性评估模块（SAM，负责融合多源信息并输出可持续性评估结果）构成。在此基础上，研究人员进一步设计了多模态融合策略（MFS）与自适应优化策略（AOS），用于解决多源数据联合表示、不同模态贡献权重动态调整、损失平衡、过拟合控制及模型收敛稳定性等问题。整篇论文的主要结论是：EnviroNet能够在多个与体育设施、环境影响、可持续基础设施和气候行动相关的数据集上稳定获得优于现有方法的性能，说明多模态联合建模对于体育设施可持续性监测具有明显优势。其重要意义在于，研究不仅提出了适用于体育设施环境评估的技术路线，也展示了遥感与机器学习结合在支持气候行动、资源优化配置和可持续治理方面的应用潜力。

在技术方法上，研究主要使用了四类关键方法。第一，利用遥感影像进行空间信息建模，以ResNet-50为骨干网络的SFEM从224×224像素输入中提取256维空间特征。第二，利用3层时间卷积网络（Temporal Convolutional Network，TCN）构建TDAM，对环境监测时间序列进行动态分析。第三，通过SAM和联合特征表示学习整合设施类型、位置和运行属性等辅助数据。第四，采用MFS和AOS实现多模态加权融合、损失函数自适应调整、稀疏正则化和学习率衰减。实验使用的样本来源包括Remote Sensing Sports Facility Dataset、Environmental Impact Monitoring Dataset、Sustainable Sports Infrastructure Dataset和Climate Action Assessment Dataset。

在研究结果部分，论文按照不同模块与实验环节系统展示了EnviroNet的构建逻辑和性能表现。

Overview：本节概述了整体方法框架。研究人员将问题形式化为基于空间输入数据X_v、时间输入数据X_t和辅助输入数据X_a学习可持续性输出H的映射过程。通过这一总体框架，论文明确了环境监测并非单一分类任务，而是一个整合遥感空间信息、时间动态和设施背景信息的综合评估问题，为后续各模块设计奠定了方法基础。

Preliminaries：本节给出了严格的数学表述。研究人员分别定义了空间特征F_v、时间特征F_t和辅助特征F_a，并用联合特征表示F_joint描述三种模态信息的融合结果，再通过预测函数得到输出H。通过公式化表达，论文说明EnviroNet的本质在于学习从多模态输入到可持续性评估输出的统一映射，这一过程由特征提取、特征融合和结果预测三部分组成。该节得出的结论是，统一的联合表征是实现综合可持续性评估的核心机制。

EnviroNet: a novel machine learning framework：本节详细介绍了EnviroNet主体架构。研究人员指出，SFEM负责从遥感图像中识别植被、基础设施、土地利用等空间特征；TDAM负责建模空气质量、能耗、水资源利用等环境指标随时间的变化趋势；SAM则进一步处理辅助信息并输出最终可持续性评分。具体实现中，SFEM采用ResNet-50骨干网络，TDAM采用具有不同膨胀率的3层TCN，SAM采用2层全连接网络和softmax分类器。通过这一模块化架构，研究得出结论：将空间、时间和辅助信息分工处理并协同融合，能够形成更全面的体育设施环境表征，从而提高预测准确性与场景适应性。

Multimodal Encoder Architecture：围绕特征提取过程，研究人员分别用函数?_v、?_t和?_a表示三类模态的编码过程。通过对不同模态的独立编码，模型能够针对遥感图像、时间序列和元数据保留各自最有信息量的结构特征。该部分表明，多模态编码是后续高质量融合的前提，没有有效的单模态特征提取，就难以支撑综合性的可持续性判断。

Graphical Propagation Layer：本节说明了联合特征表示F_joint的学习方式。研究人员采用图传播（graphical propagation）与迭代更新机制，使空间、时间和辅助特征之间的关系得到持续优化。通过这种方式，模型并非简单拼接不同来源的数据，而是试图显式捕捉它们之间的依赖关系和互补信息。该节得出的结论是，图传播式融合有助于增强多模态特征交互能力，从而提升复杂环境监测任务中的识别与评估效果。

Predictive Sustainability Assessment：在这一部分，论文介绍了如何基于F_joint进行最终可持续性评估。研究人员利用预测函数?_predict生成输出H，并通过损失函数L最小化真实值与预测值之间的误差。结果表明，融合后的联合表征能够支持稳定的可持续性评分预测，说明模型输出不仅具有分类性能优势，也具备面向管理决策的应用价值。

Adaptive optimization strategy (AOS)：本节是论文方法创新的重要部分。研究人员提出AOS以解决多模态数据质量不一致、环境条件动态变化以及训练稳定性问题。首先，通过可学习权重α_v、α_t和α_a实现空间、时间和辅助特征的动态加权融合，并满足α_v+α_t+α_a=1。其次，通过自适应损失系数λ_v、λ_t和λ_a平衡不同模态在优化过程中的贡献。再次，引入L₁型稀疏正则约束以防止模型过度依赖单一模态，并通过学习率衰减机制提升训练收敛稳定性。最后，研究人员还利用梯度归因方法计算I_v、I_t和I_a以分析各模态对输出的贡献，并通过反馈回路进一步更新融合权重和损失权重。该节表明，AOS不仅提升了模型鲁棒性，也增强了结果解释性与情景适应能力。

Dataset：在数据部分，论文介绍了四个实验数据集的功能定位。Remote Sensing Sports Facility Dataset主要提供多类型体育设施的高分辨率遥感影像，适合空间识别任务；Environmental Impact Monitoring Dataset提供多年时间序列环境数据，适于分析环境变化；Sustainable Sports Infrastructure Dataset聚焦可持续型体育基础设施及其元数据；Climate Action Assessment Dataset则结合遥感观测和气候指标，用于评估区域气候行动成效。通过这四类数据，研究构建了覆盖设施识别、环境影响分析、可持续基础设施评估和气候行动评价的多层次实验体系。

Experimental details：本节说明了训练与评估设置。研究人员在NVIDIA A100 GPU和Intel Xeon处理器环境中，基于PyTorch完成实验；采用Adam优化器，初始学习率为0.001，权重衰减为1×10^?4，训练100个epoch，并引入余弦退火、早停、梯度裁剪、dropout和数据增强等策略。评价指标包括准确率、精确率、召回率和F1-score，且所有实验重复三次并报告平均值。这部分说明论文的实验流程具有较清晰的复现路径。

Comparison with SOTA methods：这是验证模型有效性的核心结果部分。研究人员将EnviroNet与ViT、EfficientNet、DenseNet、ResNet、MobileNet和ShuffleNet等方法进行比较。结果显示，在Remote Sensing Sports Facility Dataset上，EnviroNet取得89.34%的准确率和88.45%的F1-score；在Environmental Impact Monitoring Dataset上取得90.12%的准确率和89.34%的F1-score；在Sustainable Sports Infrastructure Dataset上取得89.23%的准确率和88.39%的F1-score；在Climate Action Assessment Dataset上取得90.12%的准确率和89.28%的F1-score。论文据此得出结论：EnviroNet在不同任务、不同数据复杂度和不同应用目标下均优于现有基线，体现出较强的泛化能力与稳健性。

Comparison of computational efficiency among models：除预测性能外，研究人员还比较了推理时间、参数量和显存占用。结果表明，EnviroNet推理时间为44.1 ms，参数量为58.7 M，显存占用为1,132 MB，均优于所比较的ViT、EfficientNet、DenseNet和ResNet模型。由此可见，该框架在保持高性能的同时兼顾了计算效率，具备面向资源受限场景部署的潜力。

Ablation study：消融实验进一步验证了各模块的贡献。无论在Remote Sensing Sports Facility Dataset和Environmental Impact Monitoring Dataset，还是在Sustainable Sports Infrastructure Dataset和Climate Action Assessment Dataset上，移除SFEM、TDAM或SAM都会导致准确率、精确率、召回率和F1-score下降。其中，完整模型始终获得最优结果，说明空间特征提取、时间动态分析和可持续性评估三个模块具有协同增益作用。论文由此证明，EnviroNet的性能提升并非来自单一组件，而是源于整体架构设计及多模态协同机制。

讨论部分主要围绕方法优势、适用价值与局限性展开。研究人员认为，EnviroNet的主要贡献在于将遥感空间分析、时间序列建模和辅助语境信息整合到统一框架中，并借助MFS与AOS提升对复杂异质环境数据的适应能力，因此能够为体育设施的环境绩效评估提供更精确、可解释且可操作的结果。从应用层面看，该框架可为设施管理者、规划者和政策制定者提供支持，使其能够依据监测结果优化资源利用、识别环境风险并推进气候行动。与此同时，论文也明确指出其局限性：模型性能仍受遥感数据质量和可获取性影响，在卫星覆盖不足或采集不稳定地区适用性可能受限；此外，多模态融合与自适应优化带来的计算复杂度，可能限制其实时应用和大规模部署。未来工作将考虑引入地面传感器或众包数据，并进一步优化轻量化设计和计算效率。

研究结论部分可译为：本研究提出了EnviroNet，这是一个用于基于遥感的体育设施环境监测的机器学习框架，旨在评估可持续性并促进气候行动。该框架通过其模块化架构整合空间、时间和辅助数据，架构包括空间特征提取模块（SFEM）、时间动态分析模块（TDAM）和可持续性评估模块（SAM）。通过采用多模态融合策略（MFS）和自适应优化策略（AOS）等创新方法，EnviroNet有效应对了多模态数据集成、动态环境条件和异质数据分布等相关挑战。实验结果表明，该框架能够在多样化环境背景和不同体育设施类型中，对可持续性指标提供准确且可操作的洞见。这些发现凸显了EnviroNet通过支持体育设施管理中的数据驱动决策，服务可持续发展目标和气候行动倡议的潜力。尽管该框架表现出较好结果，但仍存在一些值得进一步研究的局限。首先，尽管EnviroNet在多种环境背景下表现出稳健性，但其性能可能受到遥感数据质量和可获得性的影响，尤其是在卫星覆盖有限或数据采集不一致的地区。未来研究可探索整合地面传感器或众包数据等替代性数据源，以增强该框架在数据稀缺地区的适用性。其次，该框架在多模态融合和自适应优化过程中的计算复杂度，可能对实时应用或大规模部署构成挑战。针对这些过程进行计算效率优化并探索轻量化模型架构，可能有助于解决这一局限。总体而言，EnviroNet代表了环境监测和可持续性评估领域的一项重要进展，但仍需进一步提升其可扩展性、可及性和实际应用能力。