《Sustain. Cities Soc》发文！基于机器学习模型预测城市环境中的地表干旱

期刊：Sustainable Cities and Society

DOI：https://doi.org/10.1016/j.scs.2024.106048

城市干旱是社会经济干旱的一个亚型，与其他类型相比，它受到的关注有限。鉴于全球气候变化和持续的城市化导致水资源供应模式的转变，理解和预测城市设计如何影响干旱对于可持续的人类居住地至关重要。以往的研究主要集中在大规模的预测建模上，这使得建筑师和城市设计师难以应对潜在的干旱风险。本研究通过提出一个基于生成对抗网络的城市规划预测模型来解决这一问题，该模型整合了温度植被干旱指数（TVDI）地图。模型使用广州作为案例研究，训练相关数据集，包括土地覆盖、地表温度和归一化植被指数数据。基于城市规划参数，从未经训练的图像对生成TVDI地图。进行模型验证，包括准确性分析和情景模拟，以评估模型预测城市规划变化导致的地表干旱的能力。这种方法突出了其预测和揭示长期或逐渐展开的干旱趋势的前瞻能力，为城市设计和规划提供了有效的工具。

作为长期事件，预测干旱需要提前考虑不断演变的环境因素，以减轻不可控趋势的影响。尽管有研究主张关注城市微气象因素（如城市热岛效应UHI）对当地干旱影响的重点，规划师和设计师在辨别土地利用/土地覆盖（LULC）提案中的干旱含义时仍面临挑战。这一挑战源于缺乏研究动态环境因素的研究。虽然少数研究采用人工神经网络（ANNs）或混合机器学习模型来捕捉非线性关系，但大多数温度植被干旱指数（TVDI）的预测仍然依赖于从历史数据中得出的模式。此外，农业干旱的研究往往优先考虑土壤湿度或气象数据集，而不是TVDI模型，使得当前方法不适用于涉及人类规划或设计行为的环境因素的应用。

迫切需要一种可行的方法来预测由于环境因素变化导致的TVDI波动。先前的研究主要关注大规模、粗粒度的分析，忽视了城市地区局部干旱现象。由于土壤湿度，如TVDI所示，取决于地形、景观、气候和应用规模等因素，准确的预测对于探索城市内部元素以制定干旱预测和缓解策略至关重要。然而，规划师和建筑师所使用的干预尺度之间仍存在显著差距。因此，主流预测方法往往无法在更细的尺度上提供可操作的干旱信息，或有效地融入规划和设计工作流程。随着干旱威胁在人口密集地区的加剧，微级别实施方法——例如情景分析，以检查LULC变化对水资源的影响——变得至关重要。如果规划师和设计师能够通过机器学习和深度学习（ML和DL）模型理解植被生长速率、组成和建筑覆盖率（BCR）等环境因素如何影响当地干旱条件，他们可以采取前瞻性方法来减轻甚至减少干旱频率。然而，包括TVDI在内的现有干旱预测方法需要在交互性和设计工作流程整合方面进行改进。

现有的干旱预测方法，以温度植被干旱指数（TVDI）为例，可以从交互性和整合到设计工作流程的进步中获益。与其他学科的工作流程不同，建筑和景观设计的设计过程依赖于迭代、动态的构思来完善可持续性提案。这个过程包括概念化、草图、起草和基于工作室的活动，旨在实现功能或美学目标。当前的工作流程通常使用用户计算机交互、反馈和模拟软件或虚拟现实（VR）技术来优化提案，模拟各种城市参数，如当地气候和热适应性。然而，将干旱趋势预测整合到这些过程中的迭代、互操作和便捷方法仍然缺乏。因此，将TVDI预测模型，通过ML/DL方法增强，整合到现有工作流程是必要的，因为它将使规划师和设计师能够评估他们的提案对土壤湿度和干旱趋势的影响。

本研究提出的模型框架遵循线性工作流程，如图1所示。首先，收集并处理了广州的原始数据，包括具有20米分辨率的地表温度（LST）和归一化植被指数（NDVI）数据，使用ENVI 5.6软件计算2022年的平均TVDI水平。接着，收集并处理了激光雷达（LiDAR）数据和卫星图像，使用ESRI ArcGIS Pro软件。将建筑物足迹和其他城市环境形态特征叠加成一张具有精细5米分辨率的城市环境地图。然后，将TVDI地图和环境特征图分割以训练生成对抗网络（GAN）模型。在此之后，进行准确性分析，选择性能可接受的模型作为实验模型。随后，设计师和其他领域专家使用该模型和输入地图进行基于情景的实验。最后，输入修改后的土地利用/土地覆盖（LULC）情景结果，由模型生成的TVDI预测结果被重新计算，以通知更好的城市规划方案和设计策略。

在气候变化和极端高温事件的背景下，解决城市地区的地表干旱和热问题变得越来越紧迫。准确预测未来的干旱情景是规划者面临的主要挑战之一；因此，在城市设计的早期阶段提供预测工具对于减轻和监测城市地表干旱趋势至关重要。温度植被干旱指数（TVDI）在土壤湿度预测中被广泛使用，可以有效预测城市地表干旱水平，帮助识别在复杂的城市水文系统中可能被忽视的城市干旱趋势，例如人工水库和管道网络。

基于本研究中进行的模型训练和实验设计，我们开发了一个利用生成对抗网络（GANs）预测TVDI值的框架。该模型旨在通过预测提议的城市设计中的干旱水平来缓解当前的城市地表干旱趋势。在未来的研究中，我们计划通过引入多模态模型和精细化方法来增强我们的方法，以探索城市地表干旱与城市形态因素之间的关系。尽管承认现有方法的局限性，但擅长拟合人造环境特征和自然观测数据的技术的普遍适用性使得这个框架有效地通知城市规划者和设计者关于人为干预的影响。这有助于预测城市干旱现象和事件。从这个角度来看，当前方法的多功能性可以扩展到涉及城市形态因素的其他研究领域。这包括基于替代自然观测指数（例如，NDVI和标准化降水指数）的多样化预测，以及与人类活动交织的城市地区数据相关的预测（例如，公共卫生事件的分布、犯罪率和兴趣点）。