利用可解释机器学习分析城市局部冷空气动力

华南理工等《Sustain. Cities Soc》最新发文！利用可解释机器学习分析城市局部冷空气动力学和气候功能区 建成区热环境的恶化对人类健康、舒适度和城市基础设施构成了严重威胁，同时还增加了能源消耗和碳排放。这凸显了优化风环境作为城市地区减缓策略的关键性。本文从局地通风系统的角度分析了人类活动和自然因素对广州市天河区局地冷空气的影响。使用KLAM_21模型（Kaltluft Abfluss Modell）模拟了局地冷空气流动并划定了气候功能区。通过SHapley Additive exPlanation（SHAP）方法解释的随机森林模型评估了各种因素对局地冷空气动态的影响。研究发现：(1) 北部山区是重要的冷源；(2) 建成环境中的一些开放空间未能有效地发挥局地冷空气走廊的功能；(3) 高强度的城市开发阻碍了局地冷空气的传输；(4) 水体在收集和传输局地冷空气方面比绿地更有效。该研究为识别气候功能区和理解局地冷空气动态提供了技术方法，并为城市地区局地通风系统的建设提供了理论支持。 尽管已有大量研究，但仍存在几个主要的研究空白。首先，现有研究主要关注城市下垫面的物理特性，缺乏对人类活动和自然因素影响的研究。其次，许多研究并未具体探讨Kress局地环流理论中描述的三类气候功能区的独特特征，而是将研究区域作为一个整体进行分析。最后，目前的研究主要使用描述性统计和线性回归方法，这些方法不足以准确描述变量之间复杂的非线性关系。因此，需要更多解释性的数据分析模型来全面分析城市环境因素对局地冷空气的影响。为了解决这些研究空白，本研究开发了一个方法框架，使用KLAM_21模型和可解释的机器学习来分析广州市天河区的局地冷空气动态（图2）。研究旨在回答以下问题：(1) 如何有效利用KLAM_21模拟局地冷空气流动并识别气候功能区？(2) 人类活动因素和自然因素对不同气候功能区的局地冷空气有何影响？(3) 如何使用SHAP解释随机森林模型的结果，以理解这些因素的影响？