一种 SHAP 增强的物理信息神经网络，用于街区热环境的可解释和高精度预测

《Sustainable Cities and Society》：A SHAP-enhanced physics-informed neural network for interpretable and high accuracy prediction of neighborhood thermal environments

　　

• •
  提出了一种可解释的街区热环境预测方法。
• •
  定量刻画了形态指标对气温的影响。
• •
  所提出的模型可将预测误差降低多达50.93%。
• •
  所提出的模型可实现高温区域的快速识别。

章节摘要

缩略语

AD	自动微分	MLR	多元线性回归
BD	建筑密度	MRE	平均相对误差
BH	建筑高度	MRT	平均辐射温度
CFD	计算流体力学	PDE	偏微分方程
CNN	卷积神经网络	PINN	物理信息神经网络
FAR	容积率	R2	决定系数
FNN	前馈神经网络	RAD	根面积密度
GCR	绿化覆盖率	RANS	雷诺平均Navier-Stokes方程
LAD	叶面积密度	RMSE	均方根误差
LCZ	局地气候区	SEM

方法

总体研究流程如图1所示。首先，利用经实测校准的数值模型生成高分辨率气温场，并推导出五个关键街区形态指标：建筑密度（BD）、建筑高度（BH）、容积率（FAR）、绿化覆盖率（GCR）和天空视因子（SVF）。其次，通过将数据驱动学习与热传导控制方程相结合，开发了基线PINN模型。在PINN模型中引入了SHAP可解释性分析。

形态指标对气温的影响程度

结构方程模型（SEM）结果表明，街区形态指标对气温的影响存在显著差异（图10）。需要注意的是，这些SEM结果代表的是线性路径关联，而非严格的因果关系。天空视因子（SVF）与气温呈正相关，而建筑密度（BD）和绿化覆盖率（GCR）则呈负相关。形态因素与生态因素共同塑造了街区尺度的热环境。天空视因子（SVF）对气温产生最显著的正向影响。

结论

为了评估形态指标对气温的影响并实现街区尺度温度场的快速预测，本研究以广州某典型街区为案例开展了研究。通过整合现场实测数据与数值模拟，构建了高分辨率时空数据集。在PINN框架内引入SHAP解释性分析，开发了S-PINN模型。在不同时段比较了五种模型，以评估预测性能。

CRediT作者贡献声明

He Huihui：撰写—审稿与编辑，撰写—初稿撰写，可视化，验证，方法论。Cui Yongbo：可视化，监督，软件，调查，数据整理。Fan Chengliang：撰写—审稿与编辑，方法论，资助获取。Zhou Xiaoqing：可视化，验证，方法论，资助获取。

利益冲突声明

作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究获得国家自然科学基金（编号：52500247；编号：52470209）、广东省基础与应用基础研究（编号：2024A1515510001）和广州市哲学社会科学规划项目（编号：2025GZQN38）的资助。

He Huihui｜Cui Yongbo｜Fan Chengliang｜Zhou Xiaoqing