鉴于城市热问题的严重性，城市化与空气温度之间的关系已成为全球关注的关键问题。本次我们给大家带来一篇SCI论文的全文翻译。该论文提取了常见城市规划指标，这些指标通过卫星影像来确定城市发展的强度。该论文确定的关系可以帮助在城市化和植被平衡的决策过程中提供支持。
【论文题目】
Investigating the relationship between air temperature and the intensity of urban development using on-site measurement, satellite imagery and machine learning
【题目翻译】
采用现场测量、卫星影像和机器学习方法研究空气温度与城市发展强度之间的关系
【期刊信息】
Sustainable Cities and Society，Volume 100, January 2024, 104982
【作者信息】
Tsz-Kin Lau, 国立成功大学建筑系，台湾台南市东区大学路1号，邮政编码701
Tzu-Ping Lin，国立成功大学建筑系，台湾台南市东区大学路1号，邮政编码701，[email protected]
【论文链接】
https://doi.org/10.1016/j.scs.2023.104982
【关键词】
城市规划、卫星影像、机器学习、空气温度、城市气候
【本文亮点】
-
空气温度可以通过从卫星影像中提取的特征进行预测。
-
建筑覆盖率增加10%可能导致空气温度上升0.28°C。
-
绿化覆盖率增加10%可能在一个区域内产生良好的降温效果。
-
训练良好的机器学习模型可以帮助理解城市总体气候。
-
训练良好的神经网络可以帮助评估和绘制空气温度分布图。
【摘要】
鉴于城市热问题的严重性，城市化与空气温度之间的关系已成为全球关注的关键问题。在这项研究中，提取了包括建筑覆盖率（BCR）、建筑容积率（FAR）和植被覆盖率（FVC）等常见城市规划指标，这些指标通过卫星影像来确定城市发展的强度。通过现场测量和机器学习（ML），观察和分析了城市发展强度与空气温度之间的关系。根据现场测量结果，台北市中心的空气温度在植被覆盖率每增加10%时平均下降约0.32°C。然而，建筑覆盖率和建筑容积率每增加10%时，空气温度平均分别上升约0.28°C和0.03°C。机器学习模型的结果展示了相同的趋势，尽管与现场测量结果存在一些微小差异，但这些差异被认为是合理和可接受的。在这项研究中，提出了一种更便捷的方法来提取城市规划指标，描述区域内城市发展的强度，并有助于估计没有测量仪器的地区的空气温度。本研究确定的关系可以帮助在城市化和植被平衡的决策过程中提供支持。
【引言】
由于全球变暖问题的严重性，城市热岛效应的缓解已成为全球关注的关键问题。随着空气温度和城市化的增加，城市热岛效应也在加剧（Li et al., 2021; Zou et al., 2021）。高温增加了人类的发病率和死亡率（Singh et al., 2020），极端高温与多种健康问题有关，如心肺疾病、血管内脱水和电解质失衡（Kim et al., 2012; Osilla et al., 2018）。高温还会降低城市热舒适度。生理等效温度（PET）是用于确定微尺度户外热舒适度的指标；较高的空气温度通常与较高的PET值相关，这表明城市区域的生物气候条件恶化（Matzarakis & Amelung, 2008）。鉴于高温的影响，许多研究者试图明晰空气温度与城市环境之间的关系。在城市规划中，平衡土地利用/土地覆盖（LULC）和植被被认为是缓解城市热岛效应的最重要策略之一（Lin et al., 2017）。因此，研究空气温度与城市发展强度之间的关系对于缓解城市热岛效应并创造热舒适的环境至关重要。
遥感技术在城市研究和环境观测中得到了广泛应用。这项技术使得能够收集城市规划信息，如植被覆盖、水体位置和地表温度（LST）（Hsiao-Tung, 2014; Kaplan & Avdan, 2017; Avdan & Jovanovska, 2016）。卫星影像还提供了高分辨率的地表图像。例如，SPOT 6是一颗能够提供高分辨率地表图像的卫星，其成本较低（Kganyago et al., 2018）。该卫星提供1.5米分辨率的全色影像，能够获取全面的地表影像。同时，它还提供6米分辨率的多光谱影像，可以较好地描绘地表特征（Forsyth et al., 2014）。先前的城市研究已经使用SPOT 6来调查城市变化和分类土地利用/土地覆盖（Akay & Sertel, 2016; Gxumisa & Breytenbach, 2017）。除了平衡LULC和植被，控制建筑高度也可以用来缓解城市热岛效应。通过仔细控制场地覆盖率也可以缓解城市热岛效应（Yuan & Chen, 2011）。归一化数字表面模型（nDSM）是一种利用数字地形模型（DTM）和数字表面模型（DSM）之间的高程差异来计算建筑高度的模型（Beumier & Idrissa, 2016）。研究应用nDSM的城市研究集中在估计城市绿地体积、城市对象提取和LULC分类（Huang et al., 2013; Grigillo & Kanjir, 2012; Zhou, 2013）。根据遥感获得的结果，卫星影像被认为是城市研究的绝佳工具。
随着计算机技术的进步，机器学习（ML）已成为全球范围内流行的工具。这项技术通过基于经验的自动改进来帮助解决问题。许多研究者已在金融建模、医疗保健和市场营销等各种决策过程中使用了机器学习（Jordan & Mitchell, 2015）。机器学习算法也被应用于城市研究中，以预测城市建筑能源性能、促进城市规划决策、识别城市热岛效应的关键变量，并绘制城市空气温度图（Fathi et al., 2020; Koumetio et al., 2021; Yoo, 2018; Venter et al., 2020）。除了城市研究，机器学习还被广泛用于遥感中。例如，它被用来研究液化现象、解释遥感图像和表征岩石体（Lary et al., 2016）。这意味着机器学习适用于结合遥感和城市环境的研究。
从以往的研究来看，许多分析依赖于由政府或营利组织提供的官方城市数据集，这些数据集包括建筑、植被和人口信息。收集这些数据集需要大量的人力、技术和时间，使得城市研究变得更加具有挑战性。除了上述问题，我们还发现，大多数空气温度图是通过插值生成的，这种方法准确度较低，且高度依赖于测量点的密集分布。因此，提出了一种结合遥感和机器学习的方法，以提取详细的建筑信息，而不仅仅依赖于卫星图像的反射率计算。为了解决数据集收集问题，使用了相对经济的卫星影像来观察地表，并使用机器学习方法从卫星影像中提取特征，以帮助进一步的计算和分析。在空气温度映射方面，机器学习方法被用于分析空气温度与城市特征之间的关系，尤其是在夏季最热时段（下午1点）。利用这种关系，可以有效而准确地绘制出夏季下午1点的城市空气温度分布。虽然类似的研究已被进行，但本研究计算并应用了常见的城市规划指标，包括建筑覆盖率（BCR）、建筑容积率（FARa）近似值和植被覆盖率（FVC）。这些指标提供了更直观的见解，并为未来的城市规划工作提供了更大的便利。此外，与依赖插值绘制空气温度分布的先前研究不同，机器学习提供了一种更准确和高效的方法来绘制夏季下午1点的空气温度分布，考虑了城市发展强度，而不仅仅是统计空气温度数据。