混合人工智能-物理建模框架用于城市尺度热应激评估

《Frontiers in Environmental Science》:A hybrid AI-physical modelling framework for city-wide heat stress assessment

【字体: 大 中 小 】 时间:2026年07月31日 来源:Frontiers in Environmental Science 4.4

编辑推荐:

  城市化和气候变化正在加剧城市户外热应激,然而街区尺度制图仍然受到解决平均辐射温度(Tmrt)——人类热应激的关键驱动因素——在异质城市形态中的高计算成本的限制。研究人员提出一个三阶段建模框架,利用人工智能模拟高分辨率辐射过程,以实现快速的城市尺度热应激评估。首

  
城市化和气候变化正在加剧城市户外热应激,然而街区尺度制图仍然受到解决平均辐射温度(Tmrt)——人类热应激的关键驱动因素——在异质城市形态中的高计算成本的限制。研究人员提出一个三阶段建模框架,利用人工智能模拟高分辨率辐射过程,以实现快速的城市尺度热应激评估。首先,研究人员使用SOLWEIG模拟生成了一个大训练数据集,覆盖局地气候区(LCZ)原型,这些原型跨越了城市形态和植被的真实范围,由建筑高度、建筑和不透水比例、峡谷高宽比、天空视域因子以及透水、树木、草地比例描述。然后训练深度神经网络,根据形态、气象和太阳位置预测因子预测这些Tmrt百分位数。在两个代表性地点,针对独立的高分辨率SOLWEIG模拟进行验证,平均绝对误差分别为2.59°C(LCZ06)和3.28°C(LCZ02),捕捉了日循环动态。最后,研究人员将模拟器部署在100米六边形网格上,使用逐小时ERA5作为气象强迫,生成了2022年7月西班牙桑坦德热浪期间的逐小时Tmrt和通用热气候指数(UTCI)场。生成的图揭示了强烈的城市内部对比,白天热点出现在更开阔/低层区域,而夜间应激在紧凑中高层区域更高,强调了遮阳和长波捕获的作用。该框架弥合了物理真实性和操作可扩展性之间的差距,支持快速识别热风险热点和城市适应措施的情景测试。
论文解读文章

研究背景、现有问题与开展研究的必要性
城市化和气候变化正在加剧城市户外热应激,但街区尺度的热应激制图受限于高计算成本,特别是解决平均辐射温度(Tmrt)——人类热应激的关键驱动因素——在异质城市形态中的计算。现有方法中,基于物理的辐射模型(如SOLWEIG)能精确模拟Tmrt,但计算资源需求随空间域和时间分辨率急剧增加,难以快速应用于城市尺度。中尺度数值天气预报模型(如WRF)虽然能提供气象场,但空间分辨率较粗,且无法显式解析单个建筑形态。同时,现有热应激指数(如通用热气候指数UTCI)依赖Tmrt,而Tmrt在复杂城市环境中空间变化剧烈。因此,需要一种既能保持物理真实性又能实现操作可扩展性的方法。本研究旨在开发一个混合人工智能-物理建模框架,通过AI模拟器替代昂贵的辐射计算,实现快速的城市尺度热应激评估。

研究人员开展的研究、结论及意义
研究人员提出三阶段混合框架:第一阶段,基于局地气候区(LCZ)原型,使用SOLWEIG模拟生成大量Tmrt训练数据集,并训练深度神经网络(DNN)预测Tmrt百分位数(p10、p50、p90);第二阶段,在两个代表性地点(LCZ06和LCZ02)对AI模型进行独立验证;第三阶段,将训练好的模拟器部署在100米六边形网格上,结合ERA5气象强迫,计算2022年7月西班牙桑坦德热浪期间逐小时Tmrt和UTCI。验证结果显示,AI模型在LCZ06和LCZ02的MAE分别为2.59°C和3.28°C,日循环动态吻合良好。热应激制图揭示了强烈的城市内部对比:白天热点出现在开阔低层区域,夜间应激在紧凑中高层区域更高,凸显了遮阳和长波捕获的作用。该框架弥合了物理真实性和操作可扩展性,支持快速识别热风险热点和城市适应措施的情景测试。论文发表在《Frontiers in Environmental Science》。

主要关键的技术方法(不超过250字)
本研究采用以下关键技术方法:1)基于SOLWEIG模型生成理想化LCZ原型的Tmrt训练数据集,覆盖8种LCZ类型及三种绿色覆盖水平(灰、中、绿),共24个原型,使用2022年桑坦德ERA5逐小时气象数据驱动;2)构建深度神经网络(DNN),输入14个变量(8个城市形态参数、4个气象参数、2个太阳位置参数),通过共享层和并行层确保p10
研究结果
3.1 Training of tmrt urban AI model
通过SOLWEIG模拟24种LCZ原型,得到覆盖2022年全年逐小时的Tmrt栅格,计算p10、p50、p90百分位数构成训练集(70%)和测试集(30%)。经400个训练周期后,模型收敛,训练集和测试集的Huber损失分别为0.389和0.424;MAE在p10为0.58°C和0.59°C,p50为0.77°C和0.80°C,p90为0.71°C和0.73°C。AI模型成功复现了SOLWEIG模拟的Tmrt日循环和LCZ间差异:白天开阔低层(LCZ06、LCZ08)Tmrt最高,紧凑高层(LCZ01、LCZ02)最低;夜间则相反。特征重要性分析显示,建筑平均高度(ZH)、峡谷高宽比(λS)和天空视域因子(SVF)是最重要的形态变量。

3.2 Model validation in santander
在桑坦德选定两个典型验证站点(ID 1865为LCZ06,ID 5748为LCZ02),使用SOLWEIG进行2022年7月9–26日热浪期间的高分辨率模拟(2.5m),与AI模型预测的Tmrt百分位数对比。结果表明,AI模型有效捕捉了Tmrt的时间演变:LCZ02站点MAE为3.28°C(Tmrt范围13.5–64.0°C),主要由于轻微高估最低值;LCZ06站点MAE为2.59°C(Tmrt范围11.8–70.6°C),主要由于轻微低估最高值。敏感性分析显示,Tmrt变化3.28°C对UTCI的影响约为0.94°C,表明AI模型误差在可接受范围内。

3.3 Heat stress mapping in santander
将AI模型应用于桑坦德100米六边形网格,使用ERA5气象场(统一应用,未降尺度),模拟2022年7月9–26日热浪期间逐小时Tmrt。结果显示,白天Tmrt最高值出现在LCZ08、LCZ05、LCZ06和LCZ09区域,夜间则反转,LCZ02、LCZ01、LCZ04和LCZ03区域Tmrt最高。空间分布图表明,高建筑密度区域(高ZH、高λS、低SVF)白天因遮阳Tmrt较低,但夜间因长波辐射捕获Tmrt较高。基于UTCI(≥32°C定义为强热应激)的统计显示,部分网格在热浪期间累积超过60小时强热应激,LCZ08、LCZ04、LCZ05、LCZ06和LCZ09平均强热应激小时数最高。

讨论与结论
讨论部分强调,本研究的贡献在于与ERA5-HEAT对比,揭示了再分析数据无法解析城市形态导致的局部热梯度低估,耦合气象数据与辐射建模的必要性。AI模拟器的高效性和泛化能力是一大进步,通过训练集涵盖多样太阳几何、天空条件、季节和LCZ,实现了无需重新训练即可推广。验证结果表明AI模型可靠,且与先前微尺度研究一致:白天低密度区域热应激高,夜间高密度区域热应激高,这与城市热岛效应(UHI)夜间峰值一致。与仅使用气温或地表温度(LST)的研究对比,发现仅用气温或LST可能误导热应激空间格局,因为UTCI整合了多种变量。框架支持快速评估干预措施(如增加植被覆盖),计算效率高(18天热浪在100m分辨率上仅需30秒)。局限性包括:训练数据来自单一城市和一年气象条件,可能影响泛化性;未考虑强局地环流(如海岸、山地)导致的降尺度需求;仅关注户外热应激,未考虑室内和人类行为。未来工作应扩展多城市训练、降尺度气象场、评估模型鲁棒性。

研究结论部分翻译如下:本研究提出了一种新颖、可扩展的城市户外人体热应激评估框架,基于深度学习的Tmrt模型(训练于SOLWEIG模拟),生成城市尺度的UTCI场。该方法成功模拟了不同形态城市区域的辐射行为。结果表明,该框架能够高效、物理一致且空间详细地绘制街区尺度热应激图,无需全物理辐射建模的计算负担。这些发现凸显了城市形态在塑造热环境中的关键作用,并为城市规划和气候适应提供了可操作的见解。总之,本研究弥合了城市热应激制图与敏捷性之间的差距,开发了一种实用、可扩展的工具,用于热应激评估和循证城市规划。该框架实现了城市尺度的UTCI制图,具有街区尺度细节,允许理解、可视化和应对城市热应激,同时显著降低计算需求。结果强调了城市形态在塑造热环境中的重要性,以及绿色基础设施缓解热应激(尤其是夜间)的潜力。然而,局限性——特别是气象强迫和训练数据的代表性——必须仔细考虑并进一步研究。未来工作应聚焦于这些局限性,以构建更健康、更具韧性和适应气候变化的城市的综合工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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