利用图神经网络预测城市地表温度的开源项目

本文介绍的开源项目是由Liborio Román Montes（LiboRom）于2026年6月4日在GitHub发布的urban-lst-prediction-gnn（链接：https://github.com/LiboRom/urban-lst-prediction-gnn）。该项目基于图卷积网络（GCN）构建城市地表温度（LST）时空预测系统，整合卫星遥感、气象数据和城市形态指标，为城市热环境监测提供创新解决方案，核心目标是提升城市热岛效应相关问题的预测精度与应用价值。

随着全球城市化加速，城市热岛效应已成为影响居民生活质量和可持续发展的关键环境问题。准确预测LST对城市规划、能源管理和公共健康意义重大。传统气象预测方法难以捕捉城市内部复杂微气候特征，而机器学习技术为解决此问题提供新思路。本项目是塞维利亚大学人工智能硕士Liborio Román Montes的硕士论文核心成果，创新性地将图神经网络（GNN）应用于LST时空预测，通过多源数据整合构建高精度预测系统。

多源数据融合

项目整合多种异构数据源：

• 卫星遥感：Landsat 8/9（提供LST、NDVI等，来自Google Earth Engine）、Sentinel-3（用于降尺度实验，来自Copernicus Data Space Ecosystem）；
• 气象数据：ERA5-Land再分析数据集（气温、湿度、太阳辐射等，来自ECMWF）；
• 城市形态数据：CNIG的DEM和城市形态变量、OpenStreetMap的建筑物指标与几何描述符。

图结构建模

研究区域（塞维利亚市区）被离散为规则空间网格，每个节点代表城市位置，边连接相邻节点，使GCN能有效利用空间依赖性，捕捉城市热环境的邻域效应。

核心模型架构

项目实现并对比多种模型：

• GNN模型：GCN（谱域卷积聚合邻域信息）、GCN+GRU（时空结合）、GraphSAGE（归纳式推理）；
• 传统深度学习基线：LSTM、GRU；
• 机器学习基线：XGBoost。

评估指标

采用RMSE（均方根误差）、MAE（平均绝对误差）、R²（决定系数）、MAPE（平均绝对百分比误差）评估模型性能。

代码结构

• TFM_LIBORIO_v2.ipynb：主笔记本，涵盖数据获取预处理、图构建、Sentinel-3降尺度、模型实现与评估；
• training_automatization.ipynb：自动化实验笔记本，支持超参数研究、消融实验、多随机种子评估与模型对比。

依赖环境

Python3.x，主要依赖包括PyTorch/TensorFlow、PyTorch Geometric/DGL（GNN库）、Google Earth Engine API、XGBoost、NumPy/Pandas/Scikit-learn等。

外部服务集成

需接入Google Earth Engine、Copernicus Data Space Ecosystem、ERA5-Land档案（CDS API）、CNIG服务获取数据。

学术贡献

创新性将GNN引入城市气候建模，显式编码城市空间单元间的相互影响，实验表明GCN及其变体在捕捉局部热环境特征上优势显著。

实际应用

• 城市规划：识别热岛高风险区域，指导绿地布局与建筑设计；
• 能源管理：预测制冷需求峰值，优化电网调度；
• 公共健康：预警极端高温事件，保护脆弱人群；
• 气候变化研究：评估城市热环境对气候变化的响应。

方法论启示

展示多源数据融合与跨学科方法（遥感、气象学、机器学习）在环境科学中的潜力，为城市气候科学开辟新方向。

当前局限

• 数据依赖：复现需Google Earth Engine、Copernicus等外部服务访问权限；
• 计算资源：大规模GNN训练需较高计算资源；
• 地理局限：仅针对塞维利亚市区，泛化至其他气候区待验证。

未来方向

• 引入注意力机制（GAT）增强关键空间关系建模；
• 探索时空图卷积网络（ST-GCN）等先进架构；
• 扩展至更多城市，构建通用预测框架；
• 结合物理约束，开发物理信息神经网络（PINN）版本。

本项目是GNN在城市环境科学中的成功应用，通过创新数据融合策略与严谨模型对比，不仅提供高精度预测工具，也为后续研究奠定方法论基础。随着城市气候挑战加剧，该开源项目将为全球研究者与城市规划者提供宝贵技术资源。