? ? ?隨著城市化進(jìn)程以及氣候變化的加劇，城市正經(jīng)歷著頻率更高、強度更大、持續(xù)時間更長的熱浪天氣。目前學(xué)者提出許多研究不同尺度氣候問題的方法，其中最常用的是參數(shù)回歸方法，如最小二乘法回歸模型(OLS，ordinary least squares)。但是城市中的環(huán)境復(fù)雜，城市氣候與城市形態(tài)之間的關(guān)系不一定呈線性。因此，Zhongqi Yu等人在Sustainable cities and society上發(fā)表文章，運用隨機森林算法，在不預(yù)設(shè)關(guān)系模型的前提下，研究城市形態(tài)與戶外溫度之間的相關(guān)性。

研究方法

? ? ?研究地點選在新加坡國立大學(xué)Kent Ridge校區(qū)，在校園內(nèi)選擇15個樣點設(shè)置儀器收集數(shù)據(jù)。

? 1)采集2019年2月-7月間74個典型天氣的戶外溫度，進(jìn)一步計算其日平均最大、最小和平均溫度，白天和夜晚的平均溫度，對照點溫度，以及日平均太陽輻射和風(fēng)速；

? 2)建立學(xué)校的GIS地圖和3D模型，包含地形、建筑、道路和鋪裝等信息；

? 3)根據(jù)以往研究，認(rèn)為每個樣點的溫度受周圍50米范圍內(nèi)的城市形態(tài)影響更大；根據(jù)GIS地圖、3D模型和實地調(diào)研，選擇6個城市形態(tài)參數(shù)，分別為：樣點周邊50米范圍內(nèi)建筑和道路面積百分比、所有建筑外墻的面積、平均建筑高度與建筑面積的比值、天空可視因子、區(qū)域平均葉面積指數(shù)。

? 4)運用R軟件中的多重線性診斷(multicollinearity diagnostics)和最佳子集回歸(best subset regression)來選擇最優(yōu)的變量。

? 5)運用Python和開源機器學(xué)習(xí)圖書館Scikit-Learn訓(xùn)練和測試機器學(xué)習(xí)算法。本文選擇了四種算法：鄰近算法(k-nearest neighbours，KNN)，支持向量回歸(support vector regression，SVR)，決策樹(decision tree，DT)和隨機森林(random forests，RF)。對戶外溫度和城市形態(tài)參數(shù)分別進(jìn)行參數(shù)回歸*(線性回歸)和非參數(shù)回歸*(機器學(xué)習(xí))，并比較模型的預(yù)測效果。

? ? ? *參數(shù)回歸：給定目標(biāo)函數(shù)的形式，從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)目標(biāo)函數(shù)的參數(shù)，即在訓(xùn)練開始前便默認(rèn)數(shù)據(jù)遵循某個特定函數(shù)，如最常見的線性回歸。

? ? ? *非參數(shù)回歸：不對目標(biāo)函數(shù)的形式作出強烈假設(shè)，允許訓(xùn)練數(shù)據(jù)自由地選擇任何函數(shù)形式，如鄰近算法、決策樹、支持向量機、隨機森林算法等。

結(jié)果與討論

? ? ?本文提出用機器學(xué)習(xí)算法來預(yù)測戶外溫度，并比較了傳統(tǒng)線性回歸與機器學(xué)習(xí)算法的模型預(yù)測能力。結(jié)果表明非參數(shù)回歸在預(yù)測戶外溫度上更加可靠和精確；其中隨機森林算法的模型最優(yōu)，相比較線性回歸，隨機森林算法的RMSE值更低，兩者相差范圍可達(dá)10%-33%。

? ? ? 天空可視因子SVF、建筑外墻面積WALL、區(qū)域平均葉面積指數(shù)GnPR與溫度之間的關(guān)系為非線性。由于SVF和WALL參數(shù)的變化導(dǎo)致溫度的改變在夜間更為顯著。植被因為能夠遮擋太陽輻射，在溫度降低上發(fā)揮作用較大，但是在夜間，植物會阻擋地面長波輻射的釋放，因此隨著GnPR的增加，夜間溫度的降低程度較小；解決辦法是在保持SVF不變的情況下種植高度較低的灌木或草本。

編者認(rèn)為

? ? ?本文使用機器學(xué)習(xí)算法來研究城市形態(tài)與戶外溫度之間的關(guān)系，與以往使用線性回歸方法相比，在研究思路上更加嚴(yán)謹(jǐn)。而且結(jié)果表明，隨機森林算法比線性回歸模型的預(yù)測能力更好。通過分析最優(yōu)模型，可以總結(jié)出各類形態(tài)參數(shù)對溫度的影響機制不同，進(jìn)而有針對性的對各類形態(tài)參數(shù)進(jìn)行優(yōu)化設(shè)計，以達(dá)到更好的降溫效果。

? ? ? 機器學(xué)習(xí)算法是目前比較熱門的研究方法，能夠通過大量數(shù)據(jù)的訓(xùn)練來達(dá)到學(xué)習(xí)目的。對于城市規(guī)劃相關(guān)領(lǐng)域的研究人員來說，機器學(xué)習(xí)算法有助于更好地分析和理解數(shù)據(jù)。但是機器學(xué)習(xí)算法涉及概率論、統(tǒng)計學(xué)、算法復(fù)雜度理論等多門學(xué)科，欠缺一定的學(xué)科基礎(chǔ)可能會較難理解。因此未來需要進(jìn)一步促進(jìn)不同學(xué)科間的合作交流，增加對跨學(xué)科人才的培養(yǎng)，提高算法模型在城市規(guī)劃、風(fēng)景園林等專業(yè)領(lǐng)域的適用性。

封面圖片來源：http://travel.qunar.com/p-pl4742187

原文出處

Zhongqi Yu, Shisheng Chen, Nyuk Hien Wong, etc. Dependence between urban morphology and outdoor air temperature: A tropical campus study using random forests algorithm?[J]. Sustainable Cities and Society,? 2020(61): 1-12.

https://doi.org/10.1016/j.scs.2020.102200

點擊“閱讀原文” 查看文獻(xiàn)

UBES_China 提供城市生態(tài)系統(tǒng)服務(wù)和生物多樣性研究和管理的最新信息。歡迎大家分享相關(guān)信息。投稿郵箱：ubes_china@126.com

總結(jié)

以上是生活随笔為你收集整理的etc的常见算法_运用机器学习算法研究城市形态与户外温度之间的相关性的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。