成果分享|缓解工业城市极端城市热岛效应的结构指标协同效应——基于机器学习的模拟与验证

在全球范围内，城市化和工业化正在以前所未有的速度将农业主导的社会转变为工业主导的社会。然而工业区排放大量的极高温度，城市内最热的区域主要分布在工矿企业，这加剧了极端城市热岛效应（E-UHI），已成为世界范围内不可忽视的环境问题。由于矿石冶炼和金属锻造都需要高温环境，工业工厂尤其是钢铁厂用地具有主动产热特性。工业活动的环境恶化可能会使缓解这一问题的投入翻倍。从环境的角度来看，政府和学术界必须关注工业用地的E-UHI。因此，有必要在对现象进行定义的基础上，阐明E-UHI的详细内涵、形成过程和缓解途径。本研究基于热特性和人类热感知，在更精细的尺度上定义了E-UHI效应，并提出了一种基于机器学习的多指标方法来量化内部原因和协同缓解措施。

为了更有效地缓解工业城市E-UHI，论文以中国典型工业城市武安的32个工业用地区域为样本进行研究。考虑到工业用地结构因素在E-UHIs的形成中起着什么协同作用以及如何量化有效的E-UHI缓解措施等问题，统筹人工神经网络在多维特征识别和模拟方面的优势，本研究建立了一个神经网络模型，揭示了工业用地的供暖特征以及地表温度与工厂结构之间的客观关系，进而辅助模拟和缓解E-UHI效应。以工业用地开发的E-UHI为重点，（1）量化地表温度（LST）对工业用地内部结构的响应；（2） 揭示了内部结构协同作用对E-UHI形成的影响；以及（3）基于这种协同作用制定有针对性的E-UHI缓解路径。对于工业城市而言，本研究为降低E-UHI效应的产业内部布局提供了有效的理论指导。

Fig. 1. Study framework.

各工业用地的平均地表温度呈正分布（μ=39.73℃，δ=1.56℃），主要分布在36.65℃~43.58℃之间。地表温度在38.17℃~41.29℃之间的概率为68.26%。超过90%的地表温度在38℃~42℃之间（图第3（a）段）。所有工业用地样本的平均极端热岛强度（ΔLST）为5.83℃，主要在3.35℃-8.43℃之间。根据第2.3节中的解释符号，每个工业用地的内部结构分为三个功能区（生产区域：PS、转运与存储区域：STS、绿色空间：GS）。不同产业功能区ΔLST差异明显（图3）。PS是工业用地内部温度过高的原因。GS是一个具有明显冷却效果的小区域。GS的ΔLST（3.95℃）明显小于全厂的ΔLST（5.83℃），对E-UHI具有降温作用。

Fig. 2. Spatial distribution of E-UHI and industrial land in Wu’an.

Fig. 3. Statistical characteristics of LST in different components.

根据建立的神经网络，预测的模拟表面温度（SST）与实际LST一致（图4）。两者之间的相关性为0.999。假设拟合曲线经过（0,0）点，拟合线的斜率非常接近1（1.005±0.004，R2=0.999）。此外，平均模拟误差小于0.59%，最大误差仅为4.41%。基于神经网络的SST模拟效果是可行的。类似地，模拟表面温度升高（ΔSST）的预测值与实际LST一致（图第8（c-d）段）。两者之间的相关性为0.997。假设拟合曲线经过（0,0）点，拟合线的斜率非常接近1（0.967±0.020，R2=0.994）。此外，平均模拟误差小于0.16℃，最大误差仅为0.89℃。基于神经网络的E-UHI模拟效果是可行的。

Fig. 4. Machine learning simulation results.

利用学习的人工神经网络，模拟了不同内部结构的E-UHI的变化。GS和PS之间的协同作用决定了E-UHI的发展。根据LST对结构协同作用的响应特征，划分了高LST区域和低LST区域（图5）。同样，ΔLST高和低的区域也被划分。从低GS高PS到高GS低PS，SST越来越低。根据SST模拟结果，定义了高SST组合和低SST组合之间的边界。分界线左上区和右下区的内部结构组合分为高SST组合与低SST组合。当PS低于50%时，PS越低，SST就越低。随着GS的增加，SST越来越低，这也证明了GS具有明显的冷却作用。然而，当PS高于50%时，工业用地的SST非常高，GS的冷却效果不明显。