基于多模态物理信息神经网络的平均辐射温度建模方法
计算机视觉与模式识别
2025-03-12 v1 神经与进化计算
摘要
户外热舒适是城市宜居性的关键决定因素，特别是在极端高温对公共健康、能源消耗和城市规划构成挑战的炎热沙漠气候中。平均辐射温度 (T_{mrt}) 是评估户外热舒适的关键参数，尤其是在辐射动力学对人类热暴露产生显著影响的城市环境中。传统估计 T_{mrt} 的方法依赖于现场测量和计算模拟，两者都很耗时。本研究提出了一种物理信息神经网络 (PINN) 方法，将短波和长波辐射建模与深度学习技术相结合。通过利用包含气象数据、建筑环境特征和鱼眼图像推导遮荫信息的多模态数据集，我们的模型在保持物理一致性的同时提升了预测精度。实验结果表明，所提出的 PINN 框架优于传统深度学习模型，性能最优配置的 RMSE 为 3.50，R^2 为 0.88。这一方法展示了物理信息机器学习在弥合计算建模与现实应用之间差距方面的潜力，为城市热舒适评估提供了可扩展且可解释的解决方案。
引用
@article{arxiv.2503.08482,
title = {A Multimodal Physics-Informed Neural Network Approach for Mean Radiant Temperature Modeling},
author = {Pouya Shaeri and Saud AlKhaled and Ariane Middel},
journal= {arXiv preprint arXiv:2503.08482},
year = {2025}
}