SCS综述好文 | 机器学习技术在城市热岛效应应用中的前沿进展：综述与未来展望

研究背景

城市热岛效应的核心特征在于城市区域温度显著高于周边乡村地区。

城市热岛效应（UHI）表现为城市地区的气温高于农村地区，城市地表热岛强度（SUHII）定义为城乡LST的差异SUHII=LSTurban−LSTrural。

城市中不透水表面、有限的植被、城市活动产生的人为热源、城市几何结构、空气污染吸收并重新辐射长波辐射等因素显著加剧热量积累。加剧了环境、健康与经济负担。

历史上，UHI研究主要通过实验测量、实地观测和计算建模相结合进行。移动平台的现场测量捕捉了局部的热变化，高分辨率遥感技术提供了城市热模式的综合视角，流体力学模型（CFD）模拟了城市气流和热传递，阐明了密集城市环境中热积累的驱动因素。

作为人工智能的动态分支，机器学习（ML）通过开发算法从数据中学习模式并进行预测。对城市的分析最初依赖传统统计方法和模拟模型，如今因海量多元数据集日益普及及计算能力提升，已广泛采用机器学习算法，如今，机器学习已成为解析城市形态、土地利用与微气候过程复杂交互作用的强大工具。机器学习法涵盖数据采集、预处理、训练、评估及超参数调优的序列流程。模型性能取决于输入数据的质量与数量。

卷积神经网络（CNN）、随机森林（RF）、支持向量机（SVM）被用于预测城市热量模式和优化缓解策略，为解决城市热岛效应提供方案。相较于传统方法，机器学习具有处理大规模异构数据，捕捉非线性关系，支持预测、优化与实施决策等优势。

机器学习方法分为监督式、无监督式、半监督式和强化式学习。

监督学习利用标注数据集进行回归和分类等预测任务。在城市热岛研究中，前馈神经网络和深度神经网络等回归模型可预测地表温度变化。

无监督学习无需预先定义标签即可自动识别数据模式，在标注数据集有限时提供了替代方案。

半监督学习融合监督与无监督方法，利用少量标注数据与大量未标注数据集。该方法在城市热岛研究中具有优势。

强化学习可开发缓解城市热岛效应的自适应控制策略，例如优化绿地布局或反射表面配置。

研究目标

城市热岛效应（UHIs）已成为全球城市面临的重大挑战，其加剧热应激、增加能源需求并危害公众健康。本文通过融合感知、预测、优化、控制及适应性管理等视角，系统性地批判性分析了机器学习（ML）策略在缓解城市热岛效应中的应用。为解决城市热岛效应提供有效且科学的新路径。

研究方法

遵循结构化文献检索与证据合成工作流程，本论文通过结合城市热岛术语（如城市热岛、地表城市热岛、感知、预测/预报、优化、缓解、控制、适应）与机器学习术语（如机器学习、物理信息机器学习、深度学习、随机森林、卷积神经网络），并采用各数据库特有的检索语法，从Scopus、Web of Science和IEEE Xplore数据库中检索文献。

直接将机器学习应用于城市热岛问题并报告定量结果。纯概念性论文、涉及非城市热岛主题或讨论机器学习而无实际应用的文献虽不纳入核心分析，但可保留用于背景框架构建。检索共获得约350条记录，经去重处理后筛选标题与摘要，最终280篇全文进入评估环节。

全文评审后，187项研究符合纳入标准，构成综合分析的核心证据集；另有64篇文献保留用于背景/情境补充，合计引用文献251篇。

每项核心研究均被归入本综述的组织主题之一，这些主题与检测与数据分析（52篇），预测与预报（53篇）、优化与控制（59篇）及灵活适应对策（23篇）研究领域相对应

研究结果

数据获取：

1、遥感：遥感数据提供了城市视角的大量数据，包括地表温度LST、土地覆盖和植被指数等。中分辨率传感器（如Lansat）提供长期趋势分析，而高分辨率传感器（如Sentinel-2）则可以实现详细的测绘。

2、地面传感器：地面传感网络提供连续的高分辨率气象参数。传统气象站提供温度、湿度、风速和太阳辐射等长期分析所需要的数据，但是数据精度有限。

3、移动测试：包括车载传感器和基于无人机的热成像技术，能够以高空间和时间分辨率动态捕捉城市温度变化。但是其限制在于无人机飞行时间有限、空间覆盖范围有限以及处理复杂数据集时需要大量计算资源。

数据分析：

1、数据预处理：UHI数据集常存在缺失值，例如云层阻挡或传感器故障。机器学习技术如K最近邻（KNN）可以归因缺失值，高斯滤波或中位数滤波等可以去除噪声和偏离值。归一化，即将数据扩展到共同范围，对于遥感影像等数据需要特定的归一化策略。几何校正，利用地面控制点来纠正卫星、无人机和地面传感器遥感图像的空间畸变。放射性校正，规范传感器在平台和时间上的输出，确保温度测量的一致性。

2、数据融合：整合来自多个异构来源的数据，以获得更全面、更准确的信息。该方法利用多种数据采集技术，结合卫星影响、无人机调查、地面传感器和网络等来源数据，创建统一的城市热环境表示。

3、特征提取与数据分析：将处理后的数据转化为可用于城市热岛研究的模型预测，常见特征包括植被指数（如NDVI）、建成指数（NDBI）土地覆盖等。提取特征后使用机器学习模型进行分析。CNN通过监测卫星图像中的建筑足迹，展示城市形态如何影响热量分布，深度学习模型能自动识别城市热点和冷区，时间序列可以揭示UHI随时间的变化，聚类算法可以为城市热环境分类。

预测与预报：

1、基于机器学习的预测框架：建立城市特征（LST为主要目标变量）与气象因素、土地覆盖变化、人为影响等因素之间的功能关系。通过多层感知器、决策树DT、随机森林RF、支持向量机SVM、XGBoost回归XGB及AdaBoost等机器学习算法和CNN、自适应增强技术等深度学习算法来建模这些关系，实现更精确和可靠的UHI预测。

2、高分辨率数据与时间动力学整合：使用高分辨率遥感数据（如Landsat、Sentinel、LiDAR）利用机器学习模型进行更准确的LST预测。例如，结合激光雷达（LiDAR）的三维指标与射频技术，能够准确预测温度变化；天气驱动的短期变化可以用时间序列方法和RNN/LSTM模型分析，而与城市化相关的长期趋势和气候变化则更适合通过纳入社会经济驱动因素和气候预测的模型来捕捉。兼顾高空间分辨率与时间动态特性，可实现空间精准、时间稳健的预测，为实时热应激响应和长期城市规划提供支持。

3、正反馈建模：如更高的温度增加了制冷需求，空调系统（AC）产生的废热又提高了地表温度，通过估算这种人为热通量（AHF），揭示与AC-UHI反馈一致的非线性关系，而SHAP等可解释学习则量化了人类驱动因素与城市形态之间的相互作用效应，为可预测性城市热岛或郊区热岛框架提供了可操作的数据驱动反馈放大加热机制。

4、模型验证不确定性分析：模型验证常用方法包括将数据拆分为训练集和测试集以及交叉验证。不确定性分析方法包括识别输入参数如何影响模型输出的敏感性分析、量化置信水平及潜在误差范围的蒙特卡洛模拟和贝叶斯推断。机器学习模型在UHI预测中常见性能指标包括平均绝对误差（MAE）、均方根误差（RMSE）和R2，高R2和低MAE、RMSE值表明模型性能较好。这些实践确保机器学习模型能可靠捕捉城市热力动态，揭示模型局限性并指导改进。最终，通过全面验证与不确定性分析，可获得可信且可操作的预测洞见，为有效的城市规划与热缓解策略提供依据。

缓解与优化：

1、绿色基础设施：机器学习为绿色基础设施的选址、规模和管理提供指导。相较于XGBoost，随机森林RF有更高速度的同时保证了预测的准确度。在东京，基于机器学习的情景评估显示，地表绿化及相关措施能降低室外温度及高温相关死亡率。

2、冷却材料：机器学习通过将光谱和热特性（如反照率和热发射）与不同城市条件下的表面和空气温度响应联系起来，支持冷材料的设计和部署。如随机森林地表变化分析报告指出，适度的反照率增加（约3.09%）能够降低城市表面热岛强度。

3、监测和管理城市水体：城市蓝绿空间通过减少LST来缓解城市热热岛效应。随机森林模型能够捕捉水体与LST之间的关系，从而实现城市尺度的冷却效应预测。此外，机器学习技术应用于遥感和原位网络，支持对水体的持续监测和自适应管理，实现更高效的城市水体利用。

4、城市规划：机器学习在缓解城市热岛效应和决策设计中发挥重要作用。例如，数字孪生技术集成了三维城市模型，并结合了综合实时数据和积极学习方法，为预测和可视化降温效应提供实用平台。

5、城市热岛控制：机器学习通过实时数据实现从静态控制转换为灵活调控。例如，移动性分析使用机器学习实时重新分配交通流量，在街道级别缓解拥堵热点和相关的人为热排放。

灵活适应对策：

传统的城市热岛缓解策略通常依赖于静态干预措施，例如固定式凉爽屋顶、预先规划的绿地以及永久性城市布局。

然而，缓解城市热岛效应不仅需要即时干预措施，更需结合长期规划与灵活适应策略，以动态调整和演进的方式应对不断变化的气候条件和城市发展模式。适应性措施提供动态应对方案，使城市能够实时响应环境波动。与旨在消除UHI根源的缓解策略不同，适应策略侧重于调整以应对城市高温效应，从而最大限度地减少负面影响。

机器学习在实现这些灵活的城市热岛适应策略中发挥着日益重要的作用。机器学习算法能处理城市环境中来自传感器、卫星和物联网设备的海量实时数据，识别新兴热浪模式、预测短期温度波动，并确定启动适应性制冷系统的最佳时机。基于机器学习的仿真技术还能协助城市规划者制定适应性规划与设计方案。此外，机器学习可基于年龄、收入和健康状况等因素识别城市中的脆弱群体，从而针对其特定需求定制适应策略。最后，机器学习可用于增强城市基础设施抵御极端高温的能力。通过分析热浪期间基础设施故障的历史数据并结合气候预测，机器学习模型能预判未来高温事件对道路、电网等关键系统的潜在影响。这些信息可指导开发耐热材料及制定主动维护策略。

研究结论

本论文揭示了机器学习方法在理解、预测、缓解及适应城市热岛效应策略中的核心作用日益凸显。通过协同整合多元数据流、精密分析技术与先进建模工具，为应对这一复杂多维的城市挑战开辟了全新路径。本节将系统梳理综述核心发现，批判性评估机器学习方法在此领域的潜力与固有局限，并为未来研究提出具有前景的发展方向。

但就本论文而言，识别出了有关机器学习在城市分析领域的关键挑战与研究空白。

在数据层面，多源数据尺度不一致（时空分辨率差异大）、长时间序列不足、社会经济数据缺失或难以获取以及传感基础设施的密度不足与布局策略造成的制约；

在模型层面，“黑箱”问题突出，可解释性不足、泛化能力有限，模型难以跨城市迁移、不确定性量化（UQ）研究不足、处理训练模型所需的大量计算资源成本以及数据驱动方法有时可能识别出虚假关联；

在应用层面，研究成果难以直接服务规划与政策、缺乏对公平性与社会脆弱性的系统考虑、

城乡与区域尺度研究不足。

因此，在未来，应推动机器学习进一步融合物理机制与数据驱动，在保证预测精度的同时，强化模型的可解释性，实现从“精度优先”向“精度与解释并重”的转变。同时，需着力提升模型的泛化能力与跨城市适用性，引入不确定性分析和风险表达机制，增强模型的稳健性与可信度。此外，还应融合社会经济维度与公平性考量，使技术不仅服务于效率提升，也促进社会公正。最终，推动该领域从纯技术研究转向与政策支持相结合，形成科学、可信且具有实际应用价值的支撑体系。

原文链接：https://doi.org/10.1016/j.scs.2025.106943