在城市树冠覆盖范围扩大后,哪些地区在模型预测中的夏季制冷能耗需求会降低?以公平性为考量因素的华盛顿特区可解释机器学习分析框架
《Sustainable Cities and Society》:Where Could Urban Tree Canopy Expansion Lower Modeled Summer Cooling-Energy Demand? An Equity-Informed Explainable Machine-Learning Framework for Washington, DC
【字体:
大
中
小
】
时间:2026年07月22日
来源:Sustainable Cities and Society 13.3
编辑推荐:
摘要:城市热岛效应以及日益增长的夏季制冷需求已成为美国城市中重要的公平性问题,但目前关于城市绿化在哪些区域能够降低夏季制冷能耗的详细证据仍然有限。本研究以华盛顿特区的普查区块组为研究对象,分析其夏季制冷能耗的模型预测值,重点探讨影响社区层面制冷需求的各类环境与社会因素,以及有针对
摘要:城市热岛效应以及日益增长的夏季制冷需求已成为美国城市中重要的公平性问题,但目前关于城市绿化在哪些区域能够降低夏季制冷能耗的详细证据仍然有限。本研究以华盛顿特区的普查区块组为研究对象,分析其夏季制冷能耗的模型预测值,重点探讨影响社区层面制冷需求的各类环境与社会因素,以及有针对性地扩大树冠覆盖所可能发挥的作用。研究整合了树冠覆盖率、不透水表面比例、植树条件以及社区贫困程度等指标。通过采用空间交叉验证的XGBoost模型、基于SHAP值的解释方法、阈值确定技术以及反事实树冠情景分析,确定了最有可能从树冠干预中获益的区域。研究结果显示,模型预测的制冷需求主要集中在7区和8区,这些区域贫困程度较高、树冠覆盖率较低,且建筑环境条件较差。相比之下,3区的贫困程度最低、树冠覆盖率最高,预测的制冷需求也最低。仅考虑不透水表面比例无法完全解释制冷需求的变化——有些地区的不透水表面比例很高,但制冷需求却相对较低,这表明住房质量及更广泛的社会经济优势也可能影响热量暴露带来的能源消耗情况。树冠覆盖率较低的地区往往具有更高的制冷需求,不过这一趋势会因周边环境及建筑条件的不同而有所差异。在7区和8区,模型得出的树冠覆盖率基准值约为21%,这意味着低于该基准值的低树冠覆盖率社区最有可能获得显著的制冷效益。在这两个区中,约有64%的普查区块组低于这一阈值。植树条件被证明是影响绿化实施效果的最重要因素。总体而言,这些研究结果为通过城市绿化降低制冷能耗、推动气候适应工作提供了以公平性为核心的规划框架。
引言:美国各地的城市正面临着日益严重的夏季高温压力、不断上升的制冷用电需求,以及日益扩大的热量暴露程度和应对能力方面的不平等现象(Romitti等人,2022;Maxim和Grubert,2022)。随着气温的升高,维持室内舒适温度已成为日益重要的城市能源与公共卫生挑战(Hampo等人,2024)。而这些挑战并非均匀分布。在许多城市中,那些缺乏环境设施、存在更多吸热表面且社会条件较差的社区,更容易遭受极端夏季天气的影响,同时也更难以应对这些状况(Harlan等人,2006;Hsu等人,2021;Li等人,2022)。因此,制冷能耗问题不仅是一个与电力消耗相关的技术问题,更是关乎气候正义、能源可负担性以及社区抵御能力不平衡的问题。越来越多的研究表明,美国各城市的城市热岛效应及相关制冷需求受建筑环境的空间结构影响(Hoffman等人,2020;Hsu等人,2021;Romitti等人,2022;Ibebuchi和Nyamekye,2026)。较高的不透水表面比例、密集的开发格局以及较少的植被通常会导致局部温度上升,而城市树冠则可通过遮荫和蒸散作用降低气温(Chakraborty等人,2019;Tieskens等人,2022)。正因如此,越来越多的研究将城市绿化,尤其是植树造林,视为缓解热岛效应和推动社区层面气候适应的有效策略(Werbin等人,2020;Wong等人,2021;Jiang等人,2025)。同时,也有研究指出,城市绿化的效益在不同区域并不一致(Alonzo等人,2021)。树冠的降温效果取决于树木的分布位置、现有的树冠覆盖率、周边城市形态,以及受热量影响人群的社会与住房条件(Banerjee,2023)。从这个意义上说,树冠对制冷能耗的影响往往是特定条件下的,而非普遍适用的。在方法论上,以往关于城市制冷的研究可归纳为四种主要流派。第一种是卫星遥感与空间统计方法,这类方法利用地表温度、土地覆盖指标以及机器学习技术,识别导致城市热岛效应的主要物理因素(Wang等人,2022;Lin等人,2023)。第二种是微观气候与数据驱动研究,这类研究通过比较地表与树冠层的温度分布,分析城市形态如何影响当地的降温效果(Acosta等人,2023)。第三种是建筑能耗模拟研究,这类研究旨在评估在不同场景下,树木遮荫、城市形态以及建筑物特征对制冷负荷的影响(Czekajlo等人,2023;Meili等人,2025)。第四种是优化与决策支持方法,这类方法运用人工智能、空间适宜性分析以及多准则决策方法,为绿色基础设施的布局提供指导(Shaamala等人,2024)。最近的研究还发现,植被的降温效率会因社会经济背景、气候条件以及城市形态的不同而有所差异(Lin等人,2023;Ibsen等人,2024)。然而,这些不同的研究方法往往被单独应用,导致目前尚缺乏将模型预测的制冷需求、树冠覆盖率阈值、社会脆弱性以及植树可行性整合到同一社区层面规划框架中的有效证据。综合现有研究可知,城市热岛效应的应对措施应超越单纯的暴露程度分析,建立能够综合考虑环境条件、模型预测的制冷能耗以及结构性不平等因素的决策框架。目前仍存在三个实际层面的不足。首先,许多研究虽然识别出了热量暴露问题,但并未将其转化为社区层面的制冷能耗模型预测值。其次,城市绿化研究很少将植树可行性和社会脆弱性纳入同一优先级评估体系。第三,能够用于指导社区优先级确定的、针对具体背景的树冠覆盖率基准值仍然较为罕见。这些局限性限制了城市从单纯识别热岛风险向实施公平且可行的干预措施迈进的进程。华盛顿特区为解决这些问题提供了良好的研究案例,因为该地区存在树冠覆盖率不均、开发密度高、社会经济不平等现象严重,同时也在推动公平的气候适应行动方面有着强烈的政策意愿(Schwarz等人,2015;Alonzo等人,2021)。尤其是7区和8区,由于相比城市其他区域存在更为严重的环境与社会经济劣势,因此被反复认定为需要重点关注的区域(哥伦比亚特区人民法律顾问办公室,2022)。正因如此,华盛顿特区成为检验是否可以将基于树冠覆盖的干预规划与环境暴露程度、模型预测的夏季制冷能耗、贫困程度以及实际的植树条件相结合的理想场所。本研究通过分析华盛顿特区各普查区块组的夏季制冷能耗模型预测值,构建了一个以公平性为导向的框架,用于确定那些存在社会脆弱性和空间不平等问题的社区中应优先扩大树冠覆盖的区域。首先,研究在适合本地干预工作的社区层面分析制冷需求模型预测值,而不仅仅依赖整体的行政统计数据。其次,研究运用可解释机器学习技术,确定与较低制冷需求模型预测值相对应的树冠覆盖率基准值。最后,研究通过阈值分析、基于情景的建模、贫困程度指标以及植树可行性分析,确定哪些区域通过扩大树冠覆盖能够获得最大的模型预测效益。通过这些分析,研究将问题从“树木是否有作用”转变为“在何种条件下、在哪些地点、以及在多大程度上,增加树冠覆盖能够帮助降低社区层面的制冷能耗”。本研究围绕三个相关问题展开。首先,华盛顿特区各普查区块组的夏季制冷能耗模型预测值是如何分布的?这种分布在不同环境与社会经济条件的社区之间又存在怎样的差异?其次,树冠覆盖率、不透水表面比例、植树条件以及贫困程度在解释制冷需求模型预测值的空间差异中起着怎样的作用?第三,能否确定一个基于模型的树冠覆盖率基准值以及相应的干预优先级框架,从而为植树工作提供指导,尤其是在7区和8区这类需求较高的区域?总体而言,本研究旨在通过将模型预测的制冷需求、公平性需求以及植树可行性相互关联,建立一种筛选流程,以便在资源有限的情况下确定植树工作的优先顺序,同时提供一种可重复使用的分析流程,其输入参数、树冠覆盖率基准值、可行性标准以及优先级权重都需要根据不同的城市背景进行重新调整。
研究区域与分析空间单元:本研究以华盛顿特区的7区和8区为研究对象,这两个区域的家庭能源成本负担较重,树冠覆盖率较低,且相比城市其他区域存在更为严重的环境与社会经济劣势。所选择的分析空间单元为普查区块组,因为这一尺度能够提供精细的社区级地理信息,既便于开展环境建模,也有助于制定实施计划。这一尺度非常适合将模型预测的夏季制冷能耗与具体的社区特征联系起来。
模型预测的夏季制冷能耗空间分布:图2显示,模型预测的夏季制冷能耗在哥伦比亚特区内部分布不均,在各种建模情景下都集中在7区和8区。这两个区域的高需求普查区块组占比最高,因此被选为实施干预措施的核心区域。这一分布模式与更广泛的结构性劣势相吻合——7区和8区的贫困程度更高、树冠覆盖率更低,建筑环境条件也较差,相较于城市其他区域更为不利。
讨论:本研究的贡献不仅在于采用了可解释机器学习技术。首先,它明确了公平的树冠覆盖规划所涉及的三个相互关联但不可互换的维度:哪些地方增加树冠覆盖能够降低制冷能耗模型预测值,哪些地方的社会需求最为迫切,以及哪些地方具备实际的植树条件。其次,研究阐明了每个维度的具体作用:树冠覆盖状况和建筑环境条件决定了制冷效果的优劣,而贫困程度则会影响……
局限性与未来研究方向:需要指出的是,本研究存在若干局限性。首先,制冷需求的数据是通过模型预测得到的,并非直接观测值。由于在普查区块组层面无法获取详细的电力计量数据,因此分析过程依赖于美国社区调查局提供的电力消费数据、住房结构相关变量、电力价格假设、空调使用饱和度假设以及季节性制冷比例等数据。尽管通过多种情景组合和整体校准降低了对于单一参数集的依赖,但依然存在一定的局限性。
结论:研究表明,华盛顿特区的夏季制冷能耗模型预测值在各个社区之间的分布并不均匀,且呈现出明显的社会环境差异规律。制冷需求较高的区域往往位于贫困程度更高、树冠覆盖率更低的地区,尤其是7区和8区;而像3区这样的低需求区域,则具有较高的树冠覆盖率、较低的贫困程度以及更为有利的社区条件。通过结合空间分析、可解释机器学习等技术,本研究为……提供了理论支撑。
资金支持:本研究得到了本田公司的资助,该资助属于2026–2027年度的资助项目,项目名称为“华盛顿特区树冠覆盖与碳正义计划:在7区和8区开展基于人工智能的植树造林及青少年能源公平培训”,资助方为摩根州立大学基金会。
未引用参考文献:Kind和Buckingham,2018年4月,2026年版本。
CRediT作者贡献说明:Chibuike Chiedozie Ibebuchi:写作——审稿与编辑、写作——初稿撰写、可视化、验证、监督、软件使用、资源协调、项目管理、方法设计、研究实施、资金申请、正式分析、数据整理、概念构思。Itohan-Osa Abu:写作——审稿与编辑。
利益冲突声明:作者声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。
致谢:作者衷心感谢本田公司以及摩根州立大学基金会对“华盛顿特区树冠覆盖与碳正义计划:在7区和8区开展基于人工智能的植树造林及青少年能源公平培训”项目的支持。同时,作者也感谢那些提供开放数据集的公共机构与数据提供者,其中包括美国人口普查局、美国能源信息署、国家土地覆盖数据库项目以及社区地图/区域贫困指数团队。
Chibuike Chiedozie Ibebuchi | Itohan-Osa Abu
美国马里兰州巴尔的摩市,摩根州立大学数学系
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号