基于机器学习优化城市关键绿地开发
机器学习
2025-05-15 v1 计算机视觉与模式识别
摘要
本文提出一种新框架，用于基于多样化的社会经济、环境与灵敏度指数，对 Tehran 城市绿地开发进行优先级排序。这些指数来源于包括 Google Earth Engine、空气污染测量、市政报告以及气象研究与预测（WRF）模型等多个数据源。WRF 模型用于以 1 km 空间分辨率估算空气温度，由于气象站点不足，得到 RMSE 为 0.96°C、MAE 为 0.92°C。数据准备完成后，使用多种机器学习模型进行二元植被覆盖分类，包括 XGBoost、LightGBM、随机森林（RF）与 Extra Trees。RF实现了在整体准确率、召回率和 F1 分数上的 94% 以上表现。随后，评估缺乏植被覆盖区域的概率，基于社会经济、环境与灵敏度指数。这一过程使得 RF 生成了城市绿地开发优先级图。特征重要性分析揭示，最重要的指数为夜间地表温度（LST）与敏感人群。最后，通过绿屋技术在关键区域进行 before-after 微气候仿真验证了框架性能，仿真显示在关键区域应用绿屋后，空气温度可降低最高 0.67°C。因此，该框架为城市规划师提供了开发绿地的有价值工具。
引用
@article{arxiv.2505.09175,
title = {Optimizing Urban Critical Green Space Development Using Machine Learning},
author = {Mohammad Ganjirad and Mahmoud Reza Delavar and Hossein Bagheri and Mohammad Mehdi Azizi},
journal= {arXiv preprint arXiv:2505.09175},
year = {2025}
}