Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation
作者: Shengao Yi, Xiaojiang Li, Wei Tu, Tianhong Zhao
分类: cs.LG, cs.CV
发布日期: 2025-07-30
💡 一句话要点
提出GSM-UTCI多模态AI框架，预测并缓解城市热应力，助力城市景观改造规划。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 城市热岛效应 多模态学习 深度学习 城市规划 热应力预测
📋 核心要点
- 传统物理模型如SOLWEIG和ENVI-met计算量大，难以扩展到城市范围的热应力评估和规划。
- GSM-UTCI框架融合地表形态、土地覆盖和气象数据，利用深度学习预测高分辨率UTCI，实现快速城市级热应力评估。
- 实验表明，GSM-UTCI在精度接近物理模型的同时，显著降低了计算时间，并可用于模拟城市绿化策略的效果。
📝 摘要（中文）
本研究针对气候变化和城市化加剧导致极端高温事件频发，城市缓解室外热应力面临日益严峻挑战的问题，提出了GSM-UTCI，一种多模态深度学习框架，旨在以1米超局部高分辨率预测日间平均通用热气候指数（UTCI）。该模型融合了地表形态（nDSM）、高分辨率土地覆盖数据和小时气象条件，利用特征线性调制（FiLM）架构，动态地根据大气环境调整空间特征。GSM-UTCI在SOLWEIG导出的UTCI地图上训练，实现了接近物理模型的精度，R2为0.9151，平均绝对误差（MAE）为0.41°C，同时将整个城市的推理时间从数小时缩短到五分钟以内。为了展示其规划相关性，我们将GSM-UTCI应用于费城，模拟系统的景观改造方案，用树冠替换裸土、草地和不透水表面。结果显示出空间异质但持续强劲的降温效果，其中不透水表面到树木的转换产生了最高的综合效益（在270.7平方公里范围内UTCI平均变化为-4.18°C）。地块级别的双变量分析进一步揭示了热量减少潜力与土地覆盖比例之间的强一致性。这些发现强调了GSM-UTCI作为一种可扩展的、细粒度的城市气候适应决策支持工具的效用，能够对不同城市环境中的绿化策略进行基于情景的评估。
🔬 方法详解
问题定义：论文旨在解决城市热岛效应日益严重的问题，现有物理模型（如SOLWEIG、ENVI-met）虽然能提供详细的热环境评估，但计算复杂度高，难以应用于大规模城市规划和快速方案评估。因此，需要一种既能保证精度，又能显著提高计算效率的方法来预测城市热环境。
核心思路：论文的核心思路是利用多模态深度学习，将地表形态、土地覆盖和气象条件等多种数据源融合，训练一个能够快速且准确预测城市热环境指标（UTCI）的模型。通过学习物理模型的结果，GSM-UTCI能够模拟物理过程，同时避免了复杂的物理计算。
技术框架：GSM-UTCI框架主要包含以下几个模块：1) 数据输入模块：接收地表形态（nDSM）、高分辨率土地覆盖数据和小时气象条件；2) 特征提取模块：对不同模态的数据进行特征提取；3) 特征融合模块：使用Feature-wise Linear Modulation (FiLM) 架构，将气象条件作为调节因子，动态调整空间特征；4) UTCI预测模块：基于融合后的特征，预测高分辨率的UTCI值。
关键创新：该论文的关键创新在于：1) 提出了GSM-UTCI多模态深度学习框架，能够有效融合不同来源的数据，提高预测精度；2) 使用FiLM架构，动态地将气象条件融入空间特征，增强了模型的适应性；3) 通过学习物理模型的结果，实现了接近物理模型的精度，同时显著降低了计算时间。
关键设计：在网络结构方面，使用了FiLM层来实现特征融合，该层可以根据气象条件动态调整空间特征的权重和偏置。在训练过程中，使用了SOLWEIG模型生成的UTCI地图作为训练数据，并采用了合适的损失函数（未知）来优化模型参数。具体的网络结构细节（如卷积层数、滤波器大小等）和超参数设置（如学习率、batch size等）在论文中可能有所描述，但摘要中未提及。
🖼️ 关键图片
📊 实验亮点
GSM-UTCI在费城数据集上进行了验证，结果表明，该模型能够以较高的精度预测UTCI值（R2=0.9151，MAE=0.41°C）。与传统的物理模型相比，GSM-UTCI在保证精度的同时，将整个城市的推理时间从数小时缩短到五分钟以内。通过模拟不同的景观改造方案，发现将不透水表面转换为树木可以显著降低城市热应力（UTCI平均变化为-4.18°C）。
🎯 应用场景
GSM-UTCI可应用于城市规划、城市气候适应性评估、绿化策略优化等领域。城市规划者可以利用该模型快速评估不同景观改造方案对城市热环境的影响，从而制定更科学合理的城市规划方案。此外，该模型还可以用于评估极端高温事件对城市居民健康的影响，为制定应急预案提供支持。
📄 摘要（原文）
As extreme heat events intensify due to climate change and urbanization, cities face increasing challenges in mitigating outdoor heat stress. While traditional physical models such as SOLWEIG and ENVI-met provide detailed assessments of human-perceived heat exposure, their computational demands limit scalability for city-wide planning. In this study, we propose GSM-UTCI, a multimodal deep learning framework designed to predict daytime average Universal Thermal Climate Index (UTCI) at 1-meter hyperlocal resolution. The model fuses surface morphology (nDSM), high-resolution land cover data, and hourly meteorological conditions using a feature-wise linear modulation (FiLM) architecture that dynamically conditions spatial features on atmospheric context. Trained on SOLWEIG-derived UTCI maps, GSM-UTCI achieves near-physical accuracy, with an R2 of 0.9151 and a mean absolute error (MAE) of 0.41°C, while reducing inference time from hours to under five minutes for an entire city. To demonstrate its planning relevance, we apply GSM-UTCI to simulate systematic landscape transformation scenarios in Philadelphia, replacing bare earth, grass, and impervious surfaces with tree canopy. Results show spatially heterogeneous but consistently strong cooling effects, with impervious-to-tree conversion producing the highest aggregated benefit (-4.18°C average change in UTCI across 270.7 km2). Tract-level bivariate analysis further reveals strong alignment between thermal reduction potential and land cover proportions. These findings underscore the utility of GSM-UTCI as a scalable, fine-grained decision support tool for urban climate adaptation, enabling scenario-based evaluation of greening strategies across diverse urban environments.