Использование моделей, основанных на данных, для прогнозирования интенсивности и продолжительности городских тепловых волн

Введение: Растущая угроза городских тепловых волн

Изменение климата приводит к резкому увеличению частоты, интенсивности и продолжительности тепловых волн во всем мире. В городских районах эта угроза усиливается эффектом городского теплового острова (UHI), когда населенных поверхностей поглощает и повторно излучает тепло, значительно повышая местные температуры, значительно превышающие температуры окружающих сельских зон. По мере роста городов и глобального повышения температуры необходимость в точных, действенных прогнозах городских событий тепловой волны никогда не была более актуальной. Модели, основанные на данных, - использование машинного обучения, больших данных и передовой статистики - становятся мощными инструментами для прогнозирования не только того, когда ударят волны тепла, но и того, насколько серьезными они будут и как долго они будут длиться. В этой статье исследуется механика, приложения и будущий потенциал этих моделей, предлагая техническое, но доступное руководство для градостроителей, должностных лиц общественного здравоохранения и исследователей.

Почему тепловые волны в городах разные и более опасные

Тепловые волны в городах представляют собой отдельный набор проблем. Эффект UHI означает, что общее предупреждение о тепловой волне для региона может недооценивать условия в плотных центрах города на 5-10 ° F (3-6 ° C). Эти локализованные риски для здоровья соединений усиления - тепловой удар, сердечно-сосудистый штамм и проблемы с дыханием - при напряжённости энергетических сетей и инфраструктуры. Уязвимые популяции, включая пожилых людей, домохозяйства с низким доходом без кондиционера и наружных работников, сталкиваются с непропорциональными последствиями. Поэтому инструменты прогнозирования должны захватывать микромасштабные городские переменные: геометрия здания, альбедо (отражательность), растительный покров, антропогенное тепло от транспортных средств и систем HVAC и метеорология пограничного слоя. Модели, управляемые данными, уникально подходят для интеграции этих гетерогенных входов.

Механизм городского острова тепла

Бетонные, асфальтовые и темные кровельные материалы имеют низкое альбедо и высокую тепловую массу. Они поглощают солнечную энергию в течение дня и медленно выделяют ее ночью, предотвращая естественное охлаждение, которое испытывают сельские районы. Кроме того, высокие здания могут улавливать тепло в уличных каньонах, ограничивать скорость ветра и уменьшать выход длинноволнового излучения. Ограниченные зеленые насаждения и водоемы уменьшают испарительное охлаждение. Деятельность человека - автомобили, кондиционеры, промышленные процессы - добавляют разумное тепло. Модель, основанная на данных, которая поглощает температуру поверхности земли (LST) со спутников, карты землепользования / сухопутного покрытия (LULC) и морфология здания могут изучить эти взаимодействия и генерировать прогнозы высокого разрешения.

Основные источники данных для прогнозирования тепловой волны в городах

Модели, управляемые данными, хороши только в той мере, в какой они потребляют данные. Необходим мульти-источник данных. Ключевые входы включают:

Сети датчиков и интеграция IoT

Для заполнения пробелов города развертывают сенсорные сети IoT, которые измеряют температуру, влажность, скорость ветра и солнечное излучение на уровне улиц. Эти недорогие датчики, часто краудсорсинговые, обеспечивают наблюдения высокой плотности, необходимые для обучения моделей, которые обобщают микроклиматы. Например, проект Array of Things в Чикаго и аналогичные инициативы в Барселоне и Сингапуре генерируют петабайты открытых городских экологических данных. Модели, которые включают эти потоки в реальном времени, могут адаптироваться к внезапным изменениям (например, проходящее облако или местная граница оттока грозы) и обновлять прогнозы почасово.

Архитектура машинного обучения для прогнозирования тепловых волн

Модели, основанные на данных, используют ряд подходов машинного обучения (ML). Выбор зависит от горизонта прогнозирования (краткосрочный против сезонного), пространственного масштаба и доступных функций.

Регрессионные и ансамблевые методы

Случайные леса, повышение градиента (XGBoost, LightGBM, CatBoost) и многовариантные адаптивные регрессионные сплины широко используются для прогнозирования суточной максимальной температуры, индекса тепла или классификации дня тепловой волны. Эти модели хорошо справляются с нелинейными отношениями и взаимодействиями с функциями, обеспечивают ранжирование важности функций и являются вычислительно эффективными. Они могут включать запаздывающие переменные (например, температуру от предыдущих трех дней) для захвата эффектов накопления тепла, характерных для тепловых волн.

Искусственные нейронные сети и глубокое обучение

Для более сложных пространственно-временных моделей сверточные нейронные сети (CNN) могут извлекать пространственные особенности из спутниковых и наземных сетей, в то время как рекуррентные нейронные сети (RNN) и сети с длинной кратковременной памятью (LSTM) захватывают временные последовательности. Гибридные модели CNN-LSTM использовались для прогнозирования городских температур путем изучения как пространственных окрестностей, так и суточных циклов. Архитектура U-Net, первоначально предназначенная для сегментации изображений, адаптирована для создания температурных карт высокого разрешения из грубых прогнозов - форма масштабирования или супер-разрешения.

Трансформаторные модели

Последние достижения в трансформаторах временных рядов (например, Informer, Autoformer) показывают перспективность для многомерного прогнозирования длительных последовательностей. Они могут моделировать зависимости как по временным, так и по множественным входным переменным (например, температура, влажность, ветер, фракции землепользования) одновременно. В то время как вычислительно интенсивные модели трансформаторов изучаются для 10-14-дневных прогнозов тепловых волн, которые интегрируют субсезонные телесоединения (например, Тихоокеанско-североамериканский паттерн, Madden-Julian Oscillation).

Передача обучения и дефицит данных

Многие города не имеют десятилетий высококачественных местных данных. Обучение трансферу позволяет настроить модель, предварительно обученную на богатых данными городах (например, Лос-Анджелес, Лондон, Токио), с небольшим локальным набором данных. Этот метод особенно ценен для быстро урбанизирующихся регионов на Глобальном Юге, где риски тепловых волн часто самые высокие, а пробелы в данных самые большие.

Прогнозирование интенсивности и продолжительности: двухголовый подход

Модели, управляемые данными, могут быть структурированы для вывода двух ключевых показателей для данного теплового события:

Одна модель с несколькими выходами (например, нейронная сеть с двумя выходными нейронами) может совместно прогнозировать интенсивность и продолжительность, используя их корреляцию - более длинные волны тепла, как правило, имеют более высокие пиковые температуры при работе с постоянными системами высокого давления. Альтернативно, модель классификации может прогнозировать дискретные категории продолжительности (короткие: 2 дня; средние: 3-5 дней; длинные: 6 + дней) в сочетании с регрессией для интенсивности.

Операционные системы и тематические исследования

Ряд городов и учреждений начали развертывание систем прогнозирования тепловых волн, основанных на данных.

Схема приборной панели NOAA HeatHealth

Национальная метеорологическая служба NOAA объединяет вероятностные прогнозы тепла от Глобальной системы прогнозирования ансамблей (GEFS) с алгоритмом машинного обучения, который уменьшает масштабы до разрешения переписи трактов. Система выдает вероятности теплового риска на день 1 - день 7, включая исторические данные о тепловой смертности. Она использовалась в оперативном порядке в течение сезона тепловых волн 2024 года в нескольких городах США.

Умные города Европы: городской климат Барселоны

Барселона разработала цифровой двойник своей городской среды, питаемый более чем 200 датчиками IoT, спутниковыми данными и моделированием трафика. Случайная лесная модель, обученная за 15 лет исторических данных, прогнозирует температуру на уровне улиц за 72 часа. Система вызывает оповещения, когда прогнозируемый индекс тепла превышает порог здоровья человека, и рекомендует меры общественного здравоохранения, такие как открытие школьных гимназий в качестве центров охлаждения.

Глобальные Южные Приложения: Ахмедабад, Индия

План действий Ахмедабада по тепловой энергии, впервые разработанный в 2013 году, теперь включает в себя модель машинного обучения, которая использует прогнозы ECMWF и данные местных станций для прогнозирования интенсивности тепловой волны 5 дней. Модель - дерево с градиентным скачком - была разработана в партнерстве с Индийским институтом общественного здравоохранения. Она правильно предсказала экстремальное тепловое событие 2023 года, когда температура достигла 46 ° C, что позволило ранние предупреждения и сокращение рабочего времени на открытом воздухе.

Проблемы и ограничения моделей тепловых волн, управляемых данными

Несмотря на все свои обещания, эти модели сталкиваются с серьезными препятствиями:

Качество данных и нестационарность

Городские сети наблюдения часто неоднородны, с датчиками, размещенными на нестандартных высотах или в затененных местах. Отсутствие записей и дрейф датчиков ухудшают точность модели. Более фундаментально, изменение климата означает, что прошлые шаблоны (данные обучения) могут не представлять будущие условия - проблема нестационарности. Модель, обученная на записях с 1990-2010 годов, может потерпеть неудачу в сценариях 2050 года с более высокими базовыми температурами и измененными синоптическими моделями. Непрерывная переподготовка и проверка против независимых лет имеет важное значение.

Толкование vs Точность компромисс

Модели глубокого обучения могут достичь более высокого уровня квалификации, но предлагают ограниченную интерпретируемость. Городские лица, принимающие решения, часто требуют прозрачных рассуждений - почему волна тепла, по прогнозам, является серьезной? Какие факторы приводят к прогнозу? Пост-схемные методы объяснения (SHAP, LIME) могут помочь, но они добавляют сложность. Ансамбли моделей, такие как случайные леса, обеспечивают особенность важности, но им все еще не хватает причинного понимания, которое может предложить основанная на физике модель.

Вычислительные требования

Работа моделей глубокого обучения с высоким разрешением на основе ансамбля в городских сетях требует кластеров GPU или ресурсов облачных вычислений, которые могут быть недоступны в муниципалитетах с ограниченными ресурсами. Вывод в реальном времени на устройствах с краями IoT является активной областью исследований для снижения задержки и нагрузки на центральный сервер.

Пространственные и временные несоответствия

Спутниковая LST доступна только при отсутствии облаков, создающих пробелы. Тепловые полосы на Landsat имеют 16-дневное время повторного посещения, недостаточное для ежедневного мониторинга. Геостационарные спутники, такие как GOES и Himawari, предлагают почасовые изображения, но при более грубом разрешении (2 км). Методы масштабирования должны сплавлять эти разрозненные источники, внося неопределенность. Аналогично, численные погодные модели инициализируются в синоптические часы, а не в конкретные города, что требует корректировок после обработки.

Городская неоднородность

Температура может варьироваться на 5°C или более между затененным парком и близлежащей асфальтированной парковкой. Модели, управляемые данными, обученные в среднем по сетке, могут пропустить эти микромасштабные тепловые острова. Модели с высоким разрешением (≤ 100 м) требуют соответствующих входных данных с высоким разрешением, что все еще редко встречается в большинстве городов.

Будущие направления: Прогнозирование следующего поколения

Несколько инноваций обещают преодолеть существующие ограничения и подтолкнуть прогнозирование тепловой волны в городах к новым уровням квалификации и полезности.

Физика-информированные нейронные сети (PINN)

ПИНН встраивают физические уравнения (например, баланс поверхностной энергии, Навье-Стокса для потока ветра) в функцию потерь нейронной сети. Это ограничивает модель подчиняться термодинамическим и гидродинамическим законам, улучшая обобщение невидимых климатических состояний и уменьшая потребность в огромных наборах данных обучения. Ранние исследования показывают, что ПИНН могут превосходить модели, основанные на данных, в сценариях экстремальной жары, которые отклоняются от исторических норм.

Цифровые близнецы и ассимиляция данных в реальном времени

Цифровые двойники целых городов — высокоточные интерактивные виртуальные копии — будут интегрировать каналы датчиков IoT, спутниковые данные и выходы динамических моделей. Компоненты, управляемые данными, будут ассимилировать наблюдения в режиме реального времени с использованием ансамблевых фильтров Калмана или генеративных состязательных сетей (GAN) для коррекции траектории модели. Результат: гиперлокальные, самообновляющиеся прогнозы тепловых волн, которые учитывают текущее строительство зданий, рост деревьев и структуру трафика. Инициативы, такие как проект Destination Earth ЕС, направлены на создание цифрового двойника климата Земли с вложенным городским модулем.

Вероятностное прогнозирование и триггеры действия в области тепло-здоровья

Одного "наилучшего предположения" прогнозов недостаточно для планирования чрезвычайных ситуаций. Модели, основанные на данных, все чаще основаны на ансамбле, выдавая распределение вероятностей по интенсивности и продолжительности. Город может действовать, когда вероятность "тяжелой жары" превышает 60%. Этот подход, основанный на оценке риска, согласуется с порогами принятия решений в области общественного здравоохранения и снижает ложные тревоги. Такие системы машинного обучения, как сети плотности смесей, могут выдавать функции полной плотности вероятности.

Интеграция с городским планированием и адаптацией к климату

Модели, основанные на данных, могут быть встроены в инструменты городского планирования для оценки эффектов зеленой инфраструктуры (зеленые крыши, проницаемые тротуары, древесные коридоры) при различных будущих климатических сценариях. Например, комитет по планированию может запросить: «Если мы увеличим покрытие городских древесных пологов на 15% и поднимем альбедо крыши до 0,6, сколько будет пиковых температур во время падения тепловой волны 2050 года?» Модель предоставляет доказательства для анализа затрат и выгод.

Открытые данные и платформы для совместной работы

Успех прогнозирования городской жары, основанного на данных, зависит от открытого доступа к высококачественным данным. Инициативы, такие как Портал данных о городских тепловых островах (НАСА и GHRC) и Магазин климатических данных Copernicus, обеспечивают спутниковые оценки температуры поверхности земли, излучательности и температуры воздуха. Совместные хранилища моделей на таких платформах, как Hugging Face или Kaggle, могут ускорить исследования и позволить городам обмениваться предварительно подготовленными моделями в соответствии с соглашениями о обмене данными. Стандартизированные форматы данных и протоколы метаданных необходимы для снижения барьеров.

Вывод: к устойчивым, с поддержкой данных городам

Модели, основанные на данных, представляют собой скачок вперед в нашей способности прогнозировать интенсивность и продолжительность городской жары с пространственной и временной детализацией, необходимой для эффективных ответов общественного здравоохранения и инфраструктуры. В то время как проблемы качества данных, интерпретируемости и нестационарности остаются, быстрые достижения в области машинного обучения, сенсорных сетей и цифровых двойных технологий закрывают эти пробелы. Интегрируя эти прогнозы в системы раннего предупреждения, решения городского планирования и охват сообщества, города могут снизить смертность, связанную с жарой, всплески спроса на энергию и экономические потрясения. Ключом является не просто лучшие прогнозы, но и практические прогнозы, основанные на надежных данных науки и глубокое понимание динамики городского климата. По мере роста городского населения и повышения температуры, инвестирование в эти модели не роскошь, а необходимость.

Внешние ссылки: