Novel Use of Local Climate Zones: Urban Form-based Method for Carbon Sink Assessment using Convolutional Neural Network
本研究提出了一种通过将局部气候区（LCZ）地图与卷积神经网络（CNN）模型相结合，来估算城市碳汇的新型城市形态化方法，并证明了低强度建筑环境（LCZ 5、6 和 9）具有更大的碳封存潜力，同时尽管对 LCZ 地图的精度具有敏感性，该方法仍实现了极高的估算精度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
城市不断变化，随着更多人口的迁入，城市变得越来越高、越来越密集。这种扩张往往会挤压出那些能自然净化空气的绿地，从而产生了一个迫切的需求：了解这些城市环境仍能吸收多少碳。为了解决这个问题，科学家们开发了一种方法，根据建筑物和土地的排列方式，将城市的物理形状划分为不同的街区。他们称这些类别为“局部气候区”（Local Climate Zones），这是一个根据高度、密度和表面材料对区域进行分组的系统，范围从紧凑的高层建筑区到开阔的低层建筑区以及茂密的森林。与此同时，“碳汇”（carbon sink）的概念是指植被（如树木和草地）从大气中吸收二氧化碳并将其储存起来的自然能力。随着城市努力实现减少温室气体的全球目标，精确计算其剩余绿地能捕捉多少碳，已成为城市规划者和环保人士的一项至关重要的任务。
一支研究团队最近致力于寻找一种更快、更简单的方法，来测量复杂城市景观中的这种碳捕捉潜力。他们没有依赖于对每一棵树进行缓慢且详细的调查，而是将城市分区图与一种被称为“卷积神经网络”的计算机程序相结合。可以将这个程序想象成一只经过高度训练的眼睛，它能够观察城市区域的地图，并能瞬间识别模式以预测正在储存多少碳。研究小组在两个截然不同的台湾城市测试了这种方法：一个是拥有高密度高层建筑的繁华大都市台北；另一个是拥有高、中层建筑混合结构的较小城市嘉义。他们首先创建了详细的地图，展示了这两个城市中树木和绿地的分布情况，并计算了每个区域可以吸收的碳量。然后，他们将这些地图输入到计算机模型中，教导它将城市区域的视觉模式与碳数据联系起来。
结果揭示了城市形态与其储碳能力之间一种清晰且有些令人惊讶的联系。研究发现，最有效的碳汇并不总是最茂密的森林，也包括特定类型的建成区。特别是，具有较低建筑高度和更多开阔空间的社区，例如那些拥有零散低层建筑或建筑稀疏的区域，表现出了极高的储碳潜力。这表明，当城市开发程度较低时，会有更多的空间让植被生长和繁茂，从而使树木和灌木能够捕捉更多碳。该计算机模型在台北的表现非常成功，它能够高精度地预测碳水平，与现实世界的数据高度吻合。然而，当应用于嘉义时，该模型却遇到了困难，很大程度上是因为用于描述该城市区域的地图包含了错误。在嘉义，一些自然区域被错误地标记为建成区，这误导了计算机，导致了不准确的预测。
这种不匹配凸显了一个关键教训：这种新方法的成功完全取决于底层城市地图的准确性。如果地图显示一片森林是一个停车场，计算机就会做出错误的判断。尽管存在这一局限性，该研究仍证明了将这些分区图与智能计算机算法相结合，是估算整个城市碳汇的一种强大且具有成本效益的工具。研究人员得出结论，虽然该方法在城市数据精确时效果最好，但它提供了一种比传统、耗时且费力的测量技术更简单的替代方案。通过了解哪些城市形态支持更多的绿色生长，城市规划者可以做出更好的决策，以保护或创造有助于对抗气候变化的空间，确保城市在不断增长的同时，依然能为地球呼吸。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。