一种用于模拟城市土地利用变化热效应的因果深度学习框架
《Sustainable Cities and Society》:A Causal Deep Learning Framework for Simulating the Thermal Impact of Urban Land Use Changes
【字体:
大
中
小
】
时间:2026年06月28日
来源:Sustainable Cities and Society 13.3
编辑推荐:
卢卡斯·吉多·希洪·范·林登 | 谢一春
东密歇根大学生物系,马克·杰斐逊楼,密歇根州伊普西兰蒂,48197
**摘要**
随着气候变化和城市化加剧城市热岛效应,规划者缺乏可扩展的工具来预测特定景观干预措施带来的热效应。本研究提出了一种基于因果关系的深度学习框架,用
卢卡斯·吉多·希洪·范·林登 | 谢一春
东密歇根大学生物系,马克·杰斐逊楼,密歇根州伊普西兰蒂,48197
**摘要**
随着气候变化和城市化加剧城市热岛效应,规划者缺乏可扩展的工具来预测特定景观干预措施带来的热效应。本研究提出了一种基于因果关系的深度学习框架,用于模拟城市土地利用变化可能带来的热效应差异。以密歇根州底特律为案例,研究团队开发了一种U-Net卷积神经网络,通过整合多光谱指数、反照率及建筑密度等二维空间参数来估算地表温度。通过差异对比法开展一系列“自然实验”,将模拟结果与2019年至2025年间实际发生的土地利用变化进行对比,验证了该模型的性能。实验结果表明,该模型具有很高的事后预测精度(R2值为0.95 ± 0.005,平均绝对误差为0.404 ± 0.030开尔文,均方根误差为0.509 ± 0.025开尔文),且在所有测试案例中都能几乎100%准确预测热量变化的方向。通过积分梯度方法进行的物理可解释性分析表明,该框架能够识别出合理的非线性关系,如植被的降温阈值以及城市峡谷的遮荫效应。为使该模型成为有效的规划工具,研究团队还建立了经过实证校准的处理库。在针对九项历史干预措施的“盲测”模拟中,该框架在100%的案例中准确预测了热量变化的方向,平均绝对误差仅为0.619开尔文,为政策制定者提供了高度精确的“假设情景”模拟工具。尽管该模型能够有效区分由景观变化引起的热效应,但在人为热源占主导地位的工业区,其预测结果存在一定保守偏差。总体而言,这一高效的数据处理框架为城市提供了可全局推广的解决方案,有助于城市主动评估规划方案并推动气候公平目标的实现。
**引言**
人为引发的气候变化正在加剧城市环境的热动态变化,导致全球范围内热浪出现频率更高、持续时间更长、强度更大(Kornhuber等人,2024;Quilcaille等人,2025)。城市热岛效应进一步放大了这一现象:天然植被被不透水表面取代、城市材料具有较高的热储存能力、密集的城市结构会阻碍辐射散失,再加上人为产生的废热,使得城市比周边农村地区保留更多的热量(Garuma,2022;Jiang等人,2019;Vujovic等人,2021;Zhao等人,2018)。这些因素相互作用,形成了更为严重的危害——研究表明,在热浪期间,城市热岛效应的强度往往会进一步加剧,从而在最危险的时刻放大城市升温效应(Kong等人,2021;Ramamurthy和Bou-Zeid,2017)。
城市热岛效应带来的后果十分严重。高强度的城市热岛效应会导致建筑物能耗大幅上升(Su等人,2021),并对城市的关键基础设施构成严重威胁(Dwivedi和Soni,2024)。最为关键的是,它对公共健康构成了日益严重的威胁,在人口密集的城市地区,与高温相关的疾病发病率和死亡率呈上升趋势(Tong等人,2021)。这些影响并非均匀分布,极端城市热环境的暴露风险往往集中在弱势群体中,这凸显了在城市热岛效应缓解工作中考虑环境公平问题的重要性(Hsu等人,2021)。
缓解城市热岛效应不仅是必要的,而且其原理也已得到充分理解。诸如建设绿色基础设施(Balany等人,2020;Kumar等人,2024)以及使用高反照率的“冷却型”铺装材料(Vujovic等人,2021)等措施已被证明可以有效降低地表温度。不过,尽管这些措施的有效性已有充分文献支持(Leal Filho等人,2021),但如何在城市范围内统筹实施这些措施仍是一项重大挑战。为了确保措施真正发挥作用,政策制定者需要超越简单的关联分析,即不能仅仅观察到绿地温度更低,而要能够预测具体措施所带来的效果。最终目标是要开发出能够在城市范围内精准识别各类景观改造所带来热效应的工具。
在以地表温度作为城市热岛效应缓解的核心指标时,必须区分白天的地表温度与夜间树冠层带来的城市热岛效应。虽然城市热岛效应的强度通常在夜间最为明显,但城市的热循环实际上是由白天的能量积累所驱动的(Oke,1982;Voogt & Oke,2003)。白天,不透水材料会吸收短波太阳辐射,从而导致地表温度急剧上升。夜间,这些储存的热量会以长波辐射的形式缓慢释放。这一冷却过程受到土地覆盖类型和地形结构的显著影响。例如,干燥的裸土和沥青在白天的地表温度可能都很高,但由于土壤的热惯性较低,其在日落后会更快降温(Zhao等人,2018)。此外,那些天空视野受限的密集城市峡谷会阻碍热辐射的散失,进一步加剧夜间热量积累(Oke,1982;Jamei等人,2016)。尽管夜间城市热岛效应十分严重,但对于城市规划者而言,模拟白天的地表温度仍然是一项至关重要的任务。白天的地表温度决定了城市整体储存的感热量,影响着建筑物的最大制冷需求(Su等人,2021),同时也决定了人们在高峰活动时段所面临的户外热环境。因此,通过增加反照率或利用树冠遮荫等景观干预措施来降低白天的地表温度,是减少后续夜间城市热岛效应所需总热量的重要手段(Jiang等人,2019)。
近期的研究,尤其是《可持续城市与社会杂志》上发表的文章,显示出研究方向正在从对土地利用/土地覆盖变化引发的城市热岛效应的描述性分析,向更为复杂的基于场景的预测模型转变。人们已经明确认识到,用不透水表面替代植被会改变地表的反照率、蒸发蒸腾量以及城市地形结构,进而从根本上改变地表能量平衡,加剧热量积累(Oukawa等人,2024)。然而,这些变化的影响程度存在显著的空间异质性,且极易受当地气候条件及城市几何结构的影响(Zhou等人,2024)。为了解析这些复杂的动态变化,地表温度的遥感监测以及基于GIS的空间分析已成为不可或缺的工具(Patle & Ghuge,2025)。在这些数据的基础上,越来越多的研究者开始运用机器学习技术和混合仿真模型,整合气象、土地利用以及社会环境等多方面的变量(Kim等人,2022)。这类方法相比传统模型具有更强的预测能力,目前已被广泛用于评估城市绿化、反光材料等缓解措施的效果,从而将理论模型转化为可行的政策建议(Kim等人,2025)。
然而,尽管取得了这些进展,仍存在一个关键缺陷。目前的模型虽然在宏观预测和场景模拟方面表现优异,但却缺乏真正的因果推断能力,而这种能力对于准确识别特定城市规划措施所带来的真实热效应至关重要。现有的工具尚未能有效填补这一空白。虽然基于物理原理的微观气候模型,如ENVI-met,或在数字孪生技术方面具有很高的精度,但它们在计算成本和数据需求方面存在较大缺陷(Schneider等人,2023)。相反,虽然关联式机器学习已能夠高精度地根据地理空间数据预测地表温度(Hoang和Nguyen,2025;Kaloop等人,2022;Mansourmoghaddam等人,2024),但仍然存在明确的识别问题。大多数机器学习研究都致力于最小化那些仅反映平均预测误差的标准指标,如平均绝对误差和均方根误差,而非确保模型能够可靠地模拟各种假设场景。在复杂的城市环境中,因果效应常常会被空间混淆因素所掩盖,形成所谓的“后门路径”。例如,一个关联式学习模型可能会发现位于河流附近的公园温度异常低,但它却无法区分这是树木带来的局部降温效应,还是水体带来的区域性降温效应。如果城市规划者仅依据这种纯粹的关联模型来规划在内陆新建公园,那么该模型就会因为学习了河流影响的“后门路径”而过高估计其降温效果。因此,亟需评估机器学习模型是否能够超越单纯的关联分析,真正成为用于因果发现的可靠工具(Syeda等人,2025;Varentsov等人,2023)。
本文正是为了解决这一难题,通过开发并验证一种基于卷积神经网络的框架,将其作为一种因果推断工具。该框架采用U-Net架构,并通过多种遥感数据训练,能够以计算方式模拟各种理论上的城市规划方案所带来的热效应。我们没有仅仅依赖简单的关联关系,而是将城市热环境视为一个因果系统。所提出的框架通过其空间结构和验证逻辑,有效地阻断了那些非因果的“后门路径”。从结构上看,U-Net架构能够分析更广阔的感知范围,而不仅仅是单个像素,这使得模型能够了解并数学上控制背景环境因素的影响。在方法论上,我们采用了差异对比法来评估该模型:通过分析由实际土地利用变化带来的温度变化,可以数学上剔除那些不受时间影响的空间混淆因素,比如某地点到河流的距离。为确保该框架能够为未来的决策提供可靠依据,我们将研究分为两个阶段。首先,通过事后评估来验证该卷积神经网络作为因果推断工具的能力。我们选择2019年作为处理前的基准年份,2025年作为处理后的观测年份。选择2019年是因为那是高分辨率ECOSTRESS热传感器获得稳定数据的首个完整夏季,而2025年则足够长,足以让许多重大城市基础设施项目完成建设。利用这两个时间点,我们开展了一系列“自然实验”,以证明该模型能够准确反映历史上土地利用变化所带来的实际热效应。这种差异对比法确保了模型能够成功地将物理变化带来的热效应与背景气候变异性区分开来。其次,在证明了该模型在热力学方面的准确性之后,我们将其作为一种事前模拟工具加以应用。通过结合实证处理库与亚像素级混合运算技术,我们展示了决策者如何在建设开始之前,就能模拟并量化各种假设性“假如”情景下的局部热效应。重要的是,为确保该工具能够为政策制定者提供可靠依据,除了传统的误差指标之外,还必须验证其预测假设结果的能力。除了预测性能之外,我们还利用基于梯度的特征归因方法——积分梯度,来确认该模型确实学习了符合物理规律的关系(Sundararajan等人,2017)。此外,我们还通过横断面分析来验证该模型能否准确解析在土地利用边界处出现的细微城市温度梯度。通过将纵向自然实验与这些可解释性方法相结合,我们为验证深度学习作为城市气候规划中可靠因果推断工具的可行性,提供了一个坚实的框架。
**章节节选**
**因果概念框架**
为超越单纯的关联式机器学习,我们将城市热环境视为一个由有向无环图表示的因果系统(图1)。在该图中,土地利用/土地覆盖被视为处理变量,而地表温度则被视为结果变量。评估这一系统的核心挑战在于,如何在复杂的环境混淆因素中,识别出诸如新公园带来的降温效应之类的局部处理效应。我们的框架通过其空间结构,明确阻断了这些非因果的路径。
**模型预测性能**
U-Net模型在预测底特律研究区域的地表温度分布方面表现出极高的精度。经过5折交叉验证后,该模型的R2值为0.95 ± 0.005,平均绝对误差为0.404 ± 0.030开尔文,均方根误差为0.509 ± 0.025开尔文。如此小的置信区间表明,无论使用哪组训练数据,该模型的预测性能都十分稳定。预测误差的空间分布也显示出一些细微的特征。
**核心发现:卷积神经网络作为因果推断工具**
本研究的主要贡献在于,验证了一种深度学习框架,该框架能够超越单纯的热关联分析,进而模拟城市土地利用干预措施所带来的热效应。虽然之前的研究已经成功运用机器学习技术高精度地预测地表温度(Hoang & Nguyen,2025;Mansourmoghaddam等人,2024),但本研究表明,如果在使用时融入反事实逻辑,这类模型完全可以充当因果模拟工具。
**结论**
本研究通过开发并验证一种深度学习框架,填补了城市气候规划领域的这一空白。该框架能够超越单纯的热关联分析,从而实现针对景观干预措施的因果推断,为城市规划提供了有力的技术支撑。通过将U-Net CNN与差异差异法(DiD)验证逻辑相结合,我们的框架成功地将特定土地利用变化带来的热处理效应与复杂的背景气候变异因素区分开来。该框架已在九个现实世界的“自然实验”中得到验证,相关参考文献包括Abadi等人2015年的研究、Mansouri和Erfani 2025年的研究、McFeeters 1996年的研究、Wang等人2024年的研究、Yang等人2024年的研究以及Boyer等人2025年的研究。支持本研究结果的原始地理空间数据可从公共领域资源中获取。ECOSTRESS提供的热辐射和反照率数据可通过Earthdata搜索门户(https://search.earthdata.nasa.gov/)从NASA土地过程分布式主动档案中心(LP DAAC)获得。Sentinel-2光学影像则可通过Copernicus数据空间生态系统(https://dataspace.copernicus.eu/)获取。美国地质调查局还提供了年度NLCD不透水表面数据。本研究未获得公共部门、商业机构或非营利组织任何资助机构的专项拨款。作者贡献说明:Lucas Guido Gijón Van Linden负责撰写初稿、数据可视化、验证、软件开发、方法设计、研究实施、正式分析及概念构建;Yichun Xie负责审稿与编辑、验证工作以及项目监督。作者声明不存在可能影响本文研究结果的已知财务利益或个人关系。
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