追逐热量:通过移动传感和机器学习解开城市超局部空气温度映射

科学领域:

• 环境科学 环境科学
• 城市气候学 城市气候学
• 地理空间分析的研究.

背景情况:

• 城市经历气温上升和极端高温事件,造成严重的健康风险,如热中风和脱水.
• 准确地绘制城市近地表空气温度 (Tair) 是了解热量暴露和制定气候变化适应策略的关键.
• 使用卫星陆地表面温度 (LST) 和固定监测器的现有方法缺乏用于超局部Tair绘图所需的高时空分辨率.

研究的目的:

• 优化移动传感策略,用于收集高分辨率的城市环境数据.
• 开发和验证一个时空数据融合模型,用于生成超局部Tair地图.
• 加强对热暴露的评估,并为城市热浪缓解策略提供信息.

主要方法:

• 采用了优化的移动传感方案,使用配备环境和图像传感器的电动自行车.
• 集成了深度学习技术,以捕捉影响温度的当地城市因素.
• 开发了一个新的时空数据融合模型,结合了时间趋势,局部和邻近效应分析.

主要成果:

• 开发的框架成功生成了高精度的超局部Tair地图,在北京达到0.02°C的平均绝对误差 (MAE).
• 优化的数据收集和融合模型在精确的温度预测和热暴露评估方面表现出有效性.
• 提出了一种增强的传感策略,提高城市环境监测数据采集的效率.

结论:

• 该研究成功地展示了一种用于使用移动传感和深度学习准确,超局部城市空气温度绘制的新方法.
• 了解当地规模的因素和时空依赖关系对于有效的热浪管理和城市环境中的气候变化适应至关重要.
• 拟议的框架为城市规划者和研究人员提供了一种有价值的工具,以评估和减轻城市热岛和气候变化的影响.