⚡ 电气工程

Physics Guided AI for Urban Heat Mitigation Planning

本研究提出了一种针对奥斯陆的物理引导神经网络模型，该模型能够有效地在部分部署场景下筛选并比较绿屋顶干预策略，在实现地表温度预测高准确度的同时，证明了最优优先级排序取决于特定的时空条件，而非单一的基于距离的规则。

原作者： Abdul Ghafoor Nizamani, Dung Thi Vu, Rafeeque Ahmed Nizamani, Mostafa Aliyari, Cunrong Li

发布于 2026-10-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Abdul Ghafoor Nizamani, Dung Thi Vu, Rafeeque Ahmed Nizamani, Mostafa Aliyari, Cunrong Li

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

城市通常比周围的乡村更热，这种现象被称为城市热岛效应。这种额外的热量源于城市的建造方式：混凝土和沥青会吸收阳光并将其留存，而由于缺乏绿化，意味着通过植物蒸腾作用进行的自然冷却也随之减少。随着全球气温上升，城市规划者面临着一个艰难的挑战。他们知道增加绿化屋顶或公园可以降温，但他们很少有预算或空间去同时改造每一栋建筑。真正的问题在于策略：如果你只能处理少数几栋建筑，你应该选择哪些建筑来获得最大的降温效果？是针对最热的点位更好，还是靠近公园的区域更好，亦或是靠近铁路线的建筑更好？回答这个问题需要一种能够模拟如果特定建筑被植被覆盖后，城市的皮肤温度将如何变化的方法，而无需实际建造它们。

一个由挪威、越南和中国研究人员组成的团队通过创建一个挪威奥斯陆的“数字孪生”来解决这一问题，以测试不同的降温策略。他们没有依赖简单的猜测或纯粹的统计模式。相反，他们构建了一个既能从真实卫星图像中学习，又遵循热量如何在空气中和表面间移动的基本物理定律的模型。他们将三天的晴朗天气（晚春至初夏）的数据输入模型，结合了城市的表面温度卫星视图、天气记录以及建筑物、道路和公园位置的详细地图。该模型学会了高精度地预测城市的散热模式，与卫星观测值的误差仅在零点几摄氏度以内。这使得研究人员能够进行一系列“假设如果”的实验，在虚拟世界中为特定的建筑涂上绿色屋顶，并观察温度图的变化。

研究人员将重点放在城市最热的部分，识别出那15%显著高于其他区域的建筑像素。随后，他们通过改变模型的设置来模拟用绿色屋顶覆盖这些热点，反映植被的特性，例如其反射阳光的方式和向空气中释放水分的方式。当他们将这些变化应用于最热的单个建筑时，模型显示局部表面温度大幅下降，某些点位的降温幅度高达4.28摄氏度。然而，研究人员谨慎地指出，这种极端的降温仅发生在极小比例的区域内；大多数受影响的建筑显示的降温幅度要小得多，尽管仍是正向的。这种区别至关重要，因为它表明虽然存在降温的潜力，但整个社区的平均收益比最佳情况下的表现要温和得多。

随后，研究转向了实际的规划问题：如果你只能处理其中一小部分热点建筑，你该如何决定？团队测试了三种用于确定优先级的规则。第一种规则挑选了原本最热的建筑；第二种规则挑选了最靠近公园和水域的建筑；第三种规则挑选了最靠近铁路线的建筑。结果并不简单。在某些日子里，针对公园和水域附近的建筑效果最好；而在另一些日子里，针对铁路附近的建筑则产生了更好的平均降温效果。没有哪一种单一规则能完美适用于每种情况或每个日期。策略的有效性取决于当天的具体天气条件以及那一刻城市的布局。

这一发现挑战了存在一个普遍“最佳”绿化基础设施位置的观点。研究人员发现，当你只能修复少量建筑时看起来很棒的策略，如果你有预算修复更多建筑时，可能就不是最好的选择。随着绿色屋顶覆盖范围的扩大，优先处理哪些建筑的排名可能会完全改变。研究表明，城市规划者不应依赖于一份固定的优先位置清单。相反，他们需要考虑城市的当前热状态以及干预措施的具体目标。该模型作为一个筛选工具，有助于规划者在相同条件下比较不同的方案，但它无法在不考虑建筑结构、所有权和维护成本等因素的情况下，预测现实世界项目的确切结果。

本研究使用的方法处于复杂的物理模拟与简单的统计匹配之间的中间地带。通过将现实世界的观测与热量运动的物理学相结合，研究人员创建了一个足够强大的工具，可以在不需要了解城市能量平衡中每一个细节的情况下，对比不同的场景。他们明确表示，他们的模型并未模拟绿色屋顶的全部复杂性，例如土壤有多深或使用了多少灌溉用水。相反，它模拟的是改变建筑表面特性的直接影响。这种局限性是诚实且清晰的：结果展示的是模型的温度场如何响应变化，而不是对人类舒适度或空气温度的保证预测。

最终，这项工作为思考城市热缓解提供了一种更清晰的方式。它证实了虽然绿色屋顶可以显著降低特定热点的温度，但整体效益在很大程度上取决于它们的放置位置以及安装的数量。研究表明，最好的起点不是地图上的一个固定点，而是一个必须在特定语境下做出的决策。对于城市规划者而言，其启示是并不存在“一刀切”的解决方案。最有效的途径是使用此类工具，针对城市当时的特定热状况测试不同的策略，从而确保有限的资源能在那个特定时刻发挥最大的作用。

技术摘要：用于城市热缓解规划的物理引导人工智能

问题陈述
城市热缓解规划面临着一个关键挑战：当资源限制了干预措施（如绿化屋顶）只能部署在部分候选位置时，规划者必须确定最优的空间分配策略。现有的方法往往难以在不同的热状态和部分部署场景下比较干预位置。此外，虽然卫星衍生的地表温度（LST）能有效识别空间热异质性，但它与近地面气温或人体热舒适度是不同的。本研究旨在建立一个建模框架，用于筛选候选建筑像素、比较反事实的地表属性变化，并评估优先级策略，而不声称其能够模拟完整的、基于过程的绿化屋顶能量平衡。

研究方法
本研究以挪威奥斯陆为研究对象，利用了三次晴空条件下的 Landsat 8 获取数据（2025年5月19日、6月4日和6月20日）生成的 30 米网格数据。该方法在物理信息神经网络（PINN）框架内集成了卫星遥感、气象再分析和城市空间数据。

数据来源：
- 热力与地表数据： 使用 Landsat 8 第10波段获取 LST、归一化植被指数（NDVI）和地表发射率。
- 气象数据： 利用 ERA5 再分析数据提供 2 米气温（ $T2m$ ）、2 米露点温度（ $Td2m$ ）以及风分量（由 10 米高度转换为 2 米高度）。
- 城市形态： 使用 OpenStreetMap (OSM) 数据提供建筑物、道路、铁路、公园、水体和树木的二值掩膜。
物理引导模型 (PINN)：
- 训练了一个随时间变化的 PINN 来预测归一化 LST。网络架构包含七个隐藏层（15 输入 $\to$ 256 $\to$ 256 $\to$ 256 $\to$ 128 $\to$ 128 $\to$ 64 $\to$ 32 $\to$ 1 输出）。
- 损失函数： 训练目标是最小化复合损失（ $\mathcal{L}_{comp}$ $L_{co m p}$ ），该损失由以下部分组成：
  - 监督损失 ( $\mathcal{L}_{sup}$ )： 预测 LST 与观测 LST 之间的均方误差。
  - 物理损失 ( $\mathcal{L}_{phy}$ )： 基于平流-扩散方程的残差项（ $\frac{\partial \hat{T}}{\partial t} + \mathbf{u} \cdot \nabla \hat{T} - \alpha^* \nabla^2 \hat{T} - \frac{Q^*}{\rho c^*_p} = 0$ ）。此处 $\alpha^*$ 和 $\rho c^*_p$ 是根据 OSM 地表覆盖类别（例如建筑与水体）分配的相对系数。 $Q^*$ 是一个基于 OSM 特征（建筑密度、靠近公园/水体的程度等）并随时间调节的未校准空间源-汇指数。
  - 边界损失 ( $\mathcal{L}_{bnd}$ )： 应用于 5 像素周边的惩罚项，旨在将预测结果锚定到观测数据上。
- 输入变量： 模型摄取 15 个变量：归一化空间坐标、归一化获取时间、NDVI、发射率、六个城市特征掩膜、风分量、 $T2m$ 和 $Td2m$ 。
反事实分析：
- 热点识别： 为每个日期识别 LST 分布在前 15%（第 85 至 100 百分位数）的建筑像素。
- 干预场景： 对选定的候选像素进行预设的 NDVI 和发射率变化。测试了两种场景：将 NDVI 增加到 0.55 和 0.75。发射率根据新的 NDVI 进行计算，对于 NDVI $\ge$ 0.50 的情况，上限设定为 0.985。
- 优先级策略： 使用三种规则对候选对象进行排序：(i) 基准预测 LST（从高到低优先）；(ii) 靠近公园/水体；(iii) 靠近铁路。
- 部署水平： 在不同覆盖比例（15% 到 100%）的合格候选集中进行模拟。

主要结果

模型性能： 全量 PINN 与拟合的 Landsat 场景具有高度一致性， $R^2$ 值在 0.9638 至 0.9676 之间，RMSE 值在 0.2549 至 0.3959 °C 之间。然而，纯数据驱动模型（特别是 XGBoost 和 ConvLSTM）实现了更低的拟合误差（例如，XGBoost 的 RMSE 约为 0.012–0.018 °C）。保留 PINN 并非因为其具有更优的拟合精度，而是为了提供一个一致的、物理引导的表示来比较不同场景。
消融实验： 移除风平流或气象输入（ $T2m$ , $Td2m$ ）会导致 RMSE 增加，证实了它们的重要性。相反，移除显式的源-汇项（ $Q^*$ ）会降低 RMSE 并提高 $R^2$ ，这表明引入 $Q^*$ 是为了物理约束而非为了最小化拟合误差。
热响应：
- 在热点像素处设定更高的 NDVI 和发射率，导致局部最大模拟 LST 下降了 3.49–4.28 °C，尽管大多数受影响像素的响应较小。
- 在部分部署（15% 覆盖率）情况下，平均温度降幅 ( $\Delta T$ ) 随日期、空间组和优先级策略的变化而显著不同。
- 无统一规则： 没有单一的基于距离的规则（公园/水体 vs 铁路）能在所有条件下都产生最大的负向平均 $\Delta T$ 。例如，在靠近铁路的组别之外，靠近公园/水体的策略更为有效；而在靠近铁路的组别之内，靠近铁路的策略则更为有效。最优排序策略取决于特定的获取日期和特定的候选子集。
- 在 100% 覆盖率下，所有的基于距离的排序方式都收敛到了相同的平均响应，因为整个合格集合都被纳入了考虑。

意义与主张
本文将自身的贡献定位为一种比较性热环境筛查工具，而非用于预测完整的绿化屋顶性能或人类热风险的模型。

规划效用： 研究表明，当干预覆盖范围有限时，选择顺序（优先级策略）会显著影响热响应。然而，这种关系并非静态的，它取决于城市的特定热状态（获取日期）和候选集的空间配置。
模型角色： PINN 作为一个“共同的热表示”来测试反事实的地表属性变化。作者明确指出，该模型的价值在于其能够在统一的物理框架下比较不同场景，即使数据驱动模型在拟合历史数据方面表现得更紧密。
局限性与范围： 作者保持了审慎的范围，承认了以下几点：
- 场景仅代表地表属性（NDVI/发射率）的变化，而非完整的绿化屋顶能量平衡（忽略了基质深度、灌溉和潜热反馈）。
- LST 被用作衡量地表异质性的筛查变量，而非作为人类热暴露或气温的直接指标。
- 时间约束（三个位于春末夏初的日期）限制了优先级规则对其他季节或年份的普适性。
- 源-汇项 $Q^*$ 是一个未校准的空间指数，而非测量的能量通量。

总之，本分析支持使用物理引导的人工智能来评估部分部署策略在城市热缓解中的权衡，同时对固定的空间优先级规则提出了警示，并强调了干预效果具有上下文依赖性。

技术摘要：用于城市热缓解规划的物理引导人工智能

类似论文