基于时间序列数据集的用于预测城市地区地表温度的LSTM-EGAN框架

《Sustainable Cities and Society》:A LSTM-EGAN framework for forecasting land surface temperature in urban areas based on time-series datasets

【字体: 大 中 小 】 时间:2026年08月12日 来源:Sustainable Cities and Society 13.3

编辑推荐:

  摘要 地表温度是理解城市热环境的关键参数,其变化深受历史与当前城市土地利用模式的影响。因此,结合过去的土地利用趋势与当前的规划方案,对于把握城市形态与地表温度之间的时空关系、预测未来发展带来的热效应至关重要。本文提出一种基于长短期记忆增强生成对抗网络的时空预测框架,能够利用城

  摘要
地表温度是理解城市热环境的关键参数,其变化深受历史与当前城市土地利用模式的影响。因此,结合过去的土地利用趋势与当前的规划方案,对于把握城市形态与地表温度之间的时空关系、预测未来发展带来的热效应至关重要。本文提出一种基于长短期记忆增强生成对抗网络的时空预测框架,能够利用城市规划数据及历史热力图生成高精度的地表温度预测结果。以伊斯坦布尔为例,我们利用包含1600组配对样本的10年历史数据集进行模型训练,这些数据来自土地利用图、卫星影像和地表温度数据。在完成定量精度评估后,我们通过情景模拟探讨了有助于缓解城市热问题的规划原则。此外,我们还为后续项目开发了交互式用户界面应用。该研究提出的框架与应用有望为应对日益严重的热压力提供数据驱动的城市规划与设计支持。

引言
随着全球各地的城市越来越频繁地遭遇极端高温和热浪,这类极端天气事件已引起全球广泛关注。在全球范围内,面临热相关危害的地区数量及其风险严重程度都在迅速上升。考虑到近几十年乃至未来城市人口的持续增长与集中趋势,预测并缓解过热问题以应对热相关挑战已成为城市地区的当务之急。解决这些问题对于保障城市居民的能源安全、生活质量及公共健康具有重要意义。

地表温度是了解表面热状况的关键参数。基于卫星数据的地表温度产品是一种广泛用于量化表面温度的方法,而且这类产品与实际地表特征及人类热舒适度之间存在较强的正相关关系。地表温度已被广泛应用于诸多领域,如城市热舒适度研究、城乡地表温度差异分析以及城市热岛效应的表征等。同时,也有许多研究对区域地表温度进行了长期监测与分析。此外,地表温度还被用于研究城市内部的热不平等空间分布特征。

通常认为,城市地表形态与地表温度密切相关。大量研究表明,不同的规划与设计策略会影响地表温度的空间分布。例如,从土地利用与土地覆盖的角度来看,全球绿地具有显著的降温作用;城市水体也能降低周边区域的表面温度;而不透水表面和建筑结构则可能根据其设计方式加剧或缓解地表温度升高。另有研究指出,合理的街道、绿地及建筑规划有助于在城市内部实现局部自然冷却。总之,鉴于城市地表形态与地表温度的紧密关联,科学的设计策略可通过自然冷却有效缓解热应力。

由于地表温度作为关键参数的重要性及其与城市形态的关联,众多研究试图开发能够定量模拟形态因素影响的预测模型。传统线性方法依赖线性回归来预测地表温度,其中多元线性回归和普通最小二乘法是最常用的两种方法。随着人们对地表温度变化复杂性认识的提高,非线性回归方法也被引入以提升预测精度。由于传统线性模型在捕捉空间依赖性方面存在局限,空间回归框架逐渐被用来分析地表温度与土地利用/覆盖之间的空间关系,各类空间回归模型被应用于生成更具空间针对性的预测结果。随着计算技术的进步,机器学习方法也被广泛用于地表温度预测,包括支持向量机、随机森林、人工神经网络、XGBoost等多种模型。随着深度学习的快速发展,卷积神经网络、长短期记忆网络、循环神经网络以及生成对抗网络等模型也被越来越多地应用于地表温度预测。以往的研究强调,机器学习模型在进行地表温度预测时需要依赖历史土地利用/覆盖数据,而早期研究多使用历史地表温度数据来预测未来的地表温度变化。尽管这些研究使用了历史数据,但其时间跨度或空间尺度往往仅限于城市规划或设计的需求。在许多城市,由于项目流程的复杂性,基础设施建设往往需要多年时间完成,仅依靠几个月或几个季度的数据难以准确反映由这些长期项目带来的土地利用变化。因此,了解城市形态因素在较长时间尺度上对热状况的影响至关重要,这样才能更有效地应对长期的热效应。

规划师、建筑师及其他利益相关方通常需要高精度的信息来支撑他们的项目。这意味着基于历史数据的分析也应包含高分辨率的历史土地利用/覆盖信息。然而,许多基于时间序列的研究并未使用高分辨率的长期土地利用/覆盖数据,这限制了它们为规划师、建筑师等提供有效决策支持的能力。虽然我们之前的研究已经实现了高精度地表温度预测,但这些研究大多依赖于单一年份或单一静态时间点的数据。因此,有必要将高分辨率尺度与长期特征相结合到历史土地利用/覆盖数据中,从而实现更精准的地表温度预测。这样的方法能为规划师和建筑师提供兼具时间背景的地表温度预测结果。

由于规划行动和建筑设计往往依赖于人类的创造力,并且涉及以视觉为导向的工作流程,如基于蓝图或手绘的设计,用户通常需要能够根据其他用户或模型的反馈来优化解决方案的交互式数字工具。尽管已有部分研究开始关注这一问题,但早期的研究往往忽视了用户交互性。目前还没有现有的研究能够提供一种用户友好、便于使用的应用程序来为用户提供支持。因此,开发一种易于使用且具备可视化功能的界面,以促进用户的有效参与,是十分必要的。

研究框架
为克服上述局限,本文提出的LSTM-EGAN方法整合了我们在先前研究中取得的的高精度预测能力,同时引入了长期土地利用/覆盖时间序列以考虑时间维度,并开发了用户友好的交互式界面以便实际应用。此外,还通过消融实验和对比分析进一步研究了该框架的性能。

数据收集与预处理
我们利用GLC_FCS30D-2020中的土地利用/覆盖和全球土地覆盖数据集的边界信息,借助Python 3.12、rasterio库和geopandas库,批量提取边界内的土地利用/覆盖数据,并根据GLC_FCS30D-2020中的分类颜色标签,将其以GEOTIFF格式批量导出。按照GLC_FCS30D-2020的处理流程,提取了2013年至2022年伊斯坦布尔的年度土地利用/覆盖数据,并将其转换为10张相同尺寸的PNG格式图像。

数据处理与映射
根据第3.1节所述流程,导出了土地利用/覆盖图和地表温度图。从2022年的土地利用/覆盖图和地表温度图中选取了160对图像组作为测试数据集;而从2013年至2021年的相应数据中选取了1440对图像组作为模型训练的历史训练数据集。表1展示了输入数据集、输出数据集及历史输入数据集的特征。

系统级对比结果
本研究中所使用的模型

讨论
基于上述实验,所提出的模型在利用历史和当前土地利用信息预测高精度地表温度分布方面表现出优异的性能。与我们在纽约的研究不同,本研究除了使用当年的土地利用/覆盖和地表温度数据外,还纳入了多年的历史土地利用/覆盖数据。我们还开发了相应的软件实现及前端界面,以便实际应用。

局限性与未来工作
尽管改进后的LSTM-EGAN模型在整合时间序列土地利用信息方面的能力有所提升,但它仍未能考虑与地表温度相关的其他因素,如气候变量、建筑占地面积数据以及制冷设施或热电厂等人类活动指标。这些遗漏主要是由于数据获取的局限性所致。未来可通过不断改进算法和数据来源来解决这一问题。

结论
随着全球城市中极端高温和热浪事件的频发,制定有效的土地利用规划策略以缓解城市热风险已变得比以往任何时候都更为紧迫。准确描述历史和当前的土地利用模式,以预测未来的地表温度分布,对于帮助相关方预判拟建项目可能带来的热效应并主动调整应对措施至关重要。本研究提出的LSTM–EGAN框架CRediT作者贡献声明:陈俊派:撰写——初稿、可视化、验证、软件、资源、方法论、调查、正式分析、数据整理、概念设计;黄硕之:撰写——审阅与编辑、方法论;郑浩:撰写——审阅与编辑、监督、项目管理、资金筹措。利益冲突声明:作者们声明自己没有已知的可能会影响本文所述工作的财务利益或个人关系。陈俊派|黄硕之|郑浩中国科学院大学资源与环境学院,北京,中国
相关新闻
生物通微信公众号
微信
新浪微博

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