高级地理视觉Transformer在半干旱地区城市热岛预测与缓解中的应用

《City and Environment Interactions》:Advanced geo-vision transformer for prediction and mitigation of urban heat islands in semi-arid regions

【字体: 大 中 小 】 时间:2026年07月08日 来源:City and Environment Interactions 5.3

编辑推荐:

  城市热岛(Urban Heat Islands, UHIs)构成显著的环境健康挑战,尤其在半干旱地区,快速城市化加剧了热应力。传统城市热岛研究通常缺乏预测能力和深入的空间分析。因此,当前研究探索利用现有地理空间人工智能(Geospatial Artificia

  
城市热岛(Urban Heat Islands, UHIs)构成显著的环境健康挑战,尤其在半干旱地区,快速城市化加剧了热应力。传统城市热岛研究通常缺乏预测能力和深入的空间分析。因此,当前研究探索利用现有地理空间人工智能(Geospatial Artificial Intelligence, GeoAI)开发一个地理视觉Transformer(Geospatial Vision Transformer, GeoViT)模型,用于预测阿拉伯联合酋长国(UAE)沙迦大学(University of Sharjah, UOS)的地表温度(Land Surface Temperature, LST)。本研究开发了一个预测性GeoViT框架,用于估算LST并识别UHI热点,生成高分辨率剖面图。分析的主要目标如下:利用Landsat-8/9和原位数据绘制LST并检测UHI区域,同时进行夏季与冬季的比较;通过考虑环境因素及其对LST的加权贡献,识别主要因素;利用Landsat 8/Sentinel-2进行超像素分析(一种将相邻像素合并为同质区域的图像分割技术),以理解降噪LST(最小化不确定性的LST)与城市特征之间的差异;分析LST与土地覆盖/土地利用(LULC)趋势在UHI强度中的关系;并生成UHI强度模式。该模型包含13个变量,包括反照率、天空视域因子(Sky View Factor, SVF)和建筑高度,以提高预测精度。模型的预测精度(83%、85%)通过精确率(0.62、0.73)、召回率(0.83、0.60)和F1分数(0.71、0.66)衡量,证明了其在沙迦大学夏季和冬季LST估算中的支持能力。此外,研究基于GeoViT模型预测识别出的空间模式和驱动因素,提出了缓解策略,包括优化绿地、减少吸热表面以及增加反射表面的使用。结果表明,Landsat-8衍生的LST估算值(冬季39–56 °C;夏季48–65 °C)和模型预测的LST值(冬季45–57 °C;夏季44–65 °C)与原位数据一致,展现出高度一致性。2025年预测的UHI强度显示,产热量最高的区域是机场和裸地,夏季占比72%,冬季占比70%。
**研究背景、问题与意义**
城市热岛(Urban Heat Islands, UHIs)在半干旱地区构成严峻的环境健康挑战,快速城市化导致热应力加剧,而传统研究缺乏预测能力与深度空间分析。现有机器学习模型难以捕捉城市环境中固有的非线性关系与空间交互,限制了地表温度(Land Surface Temperature, LST)预测的准确性。为此,研究人员旨在开发基于地理空间人工智能(Geospatial Artificial Intelligence, GeoAI)的地理视觉Transformer(Geospatial Vision Transformer, GeoViT)模型,用于预测LST并识别UHI热点,以支持半干旱地区的缓解策略。论文发表在《City and Environment Interactions》。

**主要关键技术方法**
研究整合多源卫星数据(Landsat 8/9、MODIS、Sentinel-2、ERA5、ALOS-PALSAR)与数字高程模型(SRTM),并布设了三处地面气象站(沙迦大学校园内)获取原位观测数据作为验证。核心方法包括:(1)GeoViT模型:基于图像补丁(patch)的Transformer架构,融合13个变量(如归一化植被指数NDVI、归一化建筑指数NDBI、反照率、天空视域因子SVF、建筑高度等)进行LST预测;(2)超像素分析(SLIC算法):对Landsat 8/Sentinel-2影像进行图像分割,以降低噪声并识别热热点;(3)可解释人工智能(XAI):基于注意力响应提取特征重要性权重。

**研究结果**
**5.1 地面传感器数据统计分析**:通过四个年份(2020–2024)的地面温度月平均趋势发现,沥青和沙地表面温度最高(夏季约37–45 °C),植被区域温度最低,证实不透水面加剧UHI效应。
**5.2 温度(LST)与土地覆盖/土地利用(LULC)趋势分析**:Landsat 8/9与Sentinel-2影像分类显示,建成区LST最高(50–65 °C),植被与砖面最低(24–28 °C);城市化导致LST上升4–6 °C,不透水面扩张与植被减少是主因。
**5.3 深度学习模型LST预测与UHI模式**:GeoViT模型预测的LST值(夏季44–65 °C,冬季45–57 °C)与Landsat观测值(夏季48–65 °C,冬季39–56 °C)高度吻合,均方根误差(RMSE)<0.41,证实模型泛化能力。
**5.4 影响UHI的主要因素及其加权贡献**:基于XAI的特征重要性分析显示,夏季NDBI(19.63%)、LULC(16.46%)、反照率(15.84%)、NDWI(12.27%)和NDVI(10.94%)为关键驱动因子,不透水面与低反照率表面主导增温。
**5.5 UHI区域检测与制图**:Landsat衍生UHI强度夏季2–14 °C、冬季2–11 °C;预测UHI强度夏季0.5–4 °C、冬季2–8 °C,反映了模型平滑行为,且机场与裸地热点突出(2025年夏季72%,冬季70%)。
**5.6 超像素分析**:SLIC分割技术将相邻像素合并为同质区域,有效降低了Landsat/Sentinel-2数据噪声,精准识别了高温热点与植被冷却区。
**5.7 精度评估**:混淆矩阵显示夏季总体精度83%、冬季85%;冬季高UHI类别的精确率0.62、召回率0.83、F1分数0.71,夏季低UHI类别精确率0.88、召回率0.92、F1分数0.90。

**讨论与结论**
讨论部分指出:GeoViT模型通过融合多源数据与补丁式空间编码,克服了传统ML模型在捕捉非线性空间依赖上的局限,其预测的LST分辨率从100米提升至30米,优于卫星直达观测(受云、大气等限制)。预测的UHI强度范围较窄源于模型对极端值的平滑处理,但热点空间分布与卫星观测一致。缓解策略应优先针对高NDBI、低植被区域,如优化建筑间距、使用高反照率材料、增加耐旱植被等。结论部分翻译如下:
本研究成功利用集成GeoViT模型、卫星衍生的LST与原位LST观测估算了沙迦大学的UHI区域,揭示了季节性和白天的时空变化。结果表明,GeoViT模型预测的LST值(冬季45–57 °C;夏季44–65 °C)与原位观测一致,展示了一致性分析。相比之下,UHI剖面显示温度变化较小,UHI强度夏季0.5–4 °C、冬季2–8 °C。2025年预测的UHI强度表明,产热量最高的区域是机场和裸地,夏季占72%,冬季占70%。分析绘制了LST预测并预测了UHI强度剖面,强调了气候和LULC因子的重要性,尤其是沥青和混凝土等不透水面。研究指出,绿色植被在预测LST和制图UHI区域中发挥了重要作用。尽管地形和地质因子贡献较小,但天空视域因子和反照率显示出一定影响。基于高分辨率Landsat-8与Sentinel-2影像的超像素分析增强了UHI模式的表征,识别了温度热点和主要冷却区。LULC与LST相关性分析表明,城市化对LST的影响凸显了绿色基础设施、NDBI和天空视域因子在增强UHI效应中的作用。开发的GeoAI模型,利用GeoViT架构,展示了通过理解UHI环境因子而带来的强大预测能力,从而为UHI制图和未来城市规划提供了宝贵工具。总之,本研究提出了一种集成多源数据、先进图像分割与GeoViT模型的综合方法,提供了关于UHI动态的综合结果。未来研究可利用这些发现,结合生成式AI技术,为沙迦市及类似干旱环境制定可持续城市发展战略,从而减少吸热并提升城市宜居性。
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