《Energy and Buildings》：A data-driven comparison of thermal comfort in underground and aboveground residential spaces in a hot and semi-humid climate
編輯推薦：
熱舒適模型在傳統地下Shavadan空間與地面住宅中的夏冬季節對比研究，采用機器學習算法（SVM-RBF、隨機森林等）與PMV模型進行預測，發現模型性能顯著受季節和空間環境影響，夏季地面空間機器學習準確率達0.89，而地下空間因熱響應聚類較弱準確率僅0.69，冬季多模型準確率0.75-0.77且存在少數類判別困難，特征分析顯示溫度是主要影響因素。
Faezeh Babaee | Shahin Heidari | Andreas Matzarakis
德黑蘭大學建筑學院，伊朗德黑蘭1415564583
摘要
本研究在炎熱半濕潤氣候條件下，對傳統地下Shavadan空間與地面住宅環境在夏季和冬季的熱舒適度進行了數據驅動的比較。在伊朗Dezful進行的實地調查結合了基于ASHRAE的熱感受評分以及對環境和個人參數的測量。研究人員建立了四個代表季節性和空間條件的數據集，并使用Optuna優化了六種機器學習模型（SVM-RBF、隨機森林、XGBoost、LightGBM、AdaBoost和反向傳播神經網絡），并通過五折分層交叉驗證進行了評估。結果表明，模型性能在很大程度上取決于季節和空間背景。在夏季的地面空間中，集成提升模型達到了最高的預測準確性（ACC約為0.89）。相比之下，在熱穩定性較高的夏季Shavadan空間中，預測性能較低（最大ACC約為0.69），此時非線性分類器（如SVM-RBF）表現最佳，因為熱響應在中性附近聚集。在冬季的地面空間中，幾種模型的準確性相當（ACC約為0.75–0.77），而不平衡感知指標揭示了在少數類識別方面的持續挑戰。在所有冬季場景中，傳統的PMV模型與觀察到的熱感受結果一致性較弱。特征重要性和部分依賴性分析一致認為空氣溫度是影響熱感知的主要因素，而其他變量在冬季條件下起次要作用�？傮w而言，這些發現突顯了靜態舒適度指標的局限性，并強調了需要基于數據的、特定于情境的熱舒適度建模方法，同時也證實了地下Shavadan空間在極端夏季條件下調節熱應力的有效性。
引言
Shavadan是伊朗胡齊斯坦省Dezful及其他北部城市地方建筑中的典型地下空間。這些空間旨在為該地區極其炎熱的夏季提供熱舒適度，同時也用于食物儲存。這些城市下方的巖層地質構造提供了穩定且適合使用的基底。通過利用相對恒定的地溫，Shavadan代表了早期適應當地氣候條件的被動冷卻建筑的例子。如圖1所示，典型的Shavadan包括一個階梯式入口、一個主室（Sahn）和一個通風井（Drizeh）[1]。
隨著機械冷卻系統的廣泛采用，對這類被動設計的依賴程度有所降低。然而，在炎熱半濕潤地區，地下空間能夠有效調節室內溫度波動，提供熱穩定性環境[2]。因此，了解它們的熱行為和舒適性能對于評估其在極端氣候條件下減少熱應力和改善室內環境質量的潛在作用至關重要。
熱舒適度作為室內環境質量的關鍵指標，是由氣候、建筑和行為因素之間的復雜相互作用決定的[3]。影響熱感受的主要物理變量包括空氣溫度、平均輻射溫度、濕度和空氣流速，而服裝隔熱和代謝率則代表個人因素[4]。目前有兩種主要方法用于評估熱舒適度：預測平均評分-預測不滿意百分比（PMV-PPD）模型和自適應舒適度模型。PMV-PPD模型由Fanger提出，假設人體與其周圍環境處于穩態熱平衡。盡管該模型被廣泛使用[5][6][7]，但多項研究表明其在動態實際條件下的準確性有限[8][9]。相比之下，自適應模型利用實地數據將熱感受與室外空氣溫度聯系起來，但傾向于簡化復雜的人與環境互動[10]。
機器學習（ML）的最新進展引入了無需依賴固定物理假設的數據驅動工具來建模熱舒適度。通過直接從實地數據中學習，ML算法可以捕捉環境和個人變量之間的非線性關系，自動識別主導因素，并適應特定于情境的人與環境互動。這種能力使得基于ML的方法特別適合評估地下空間等復雜和非標準環境中的熱舒適度[11][12]。
對中國洞穴住宅的研究表明，盡管這種地方建筑形式簡單，但仍能提供良好的熱性能，并在沒有機械系統的情況下確保居住者的熱舒適度。Ma等人[13]報告稱，農村居民的中性溫度約為16.5°C PET，表明他們比城市居民更能耐受寒冷條件。類似地，Zhu等人[14]和Zhao等人[15]證明，這些住宅的厚土墻和半地下結構有助于熱穩定性和降低空氣溫度波動，而Wang等人[16]強調了朝南的緩沖空間（如日光室和半封閉庭院）在提升室內舒適度方面的重要性。
作者之前在伊朗Dezful的Shavadan空間進行的實地研究表明，在深度超過5-7米的情況下，夏季室內空氣溫度保持在熱舒適范圍內，中性溫度約為24.5°C�；谶@一實證基礎，本研究采用數據驅動的機器學習框架，對夏季和冬季條件下的Shavadan空間的熱行為和自適應舒適度進行了更全面的評估。與主要依賴描述性或統計分析的早期研究不同，本研究系統地比較了多種機器學習算法與PMV模型，明確納入了居住者的熱感受評分，并應用了排列重要性和部分依賴性圖等模型可解釋性技術。因此，本文的貢獻在于其方法論的進步和綜合分析方法，而不僅僅是復制先前報告的熱性能觀察結果。
因此，本研究使用傳統的PMV-PPD指標和多種機器學習算法，分析和比較了夏季和冬季Shavadan空間與地面住宅環境的熱舒適度條件。研究目標是：(i) 評估不同熱背景下傳統和數據驅動舒適度模型的預測性能；(ii) 確定影響居住者熱感受的主要環境和個人因素；(iii) 檢視地下空間在調節季節性熱應力方面的適應性作用。研究結果為評估基于機器學習的熱舒適度框架在炎熱半濕潤氣候條件下的被動和低能耗建筑設計中的適用性提供了定量見解。
方法論
本研究的方法論框架建立在[17]提出的比較方法基礎上，并通過納入空間和季節維度進行了擴展。具體而言，評估了夏季和冬季條件下地下Shavadan空間及其地面住宅對應物的熱舒適度性能。這種雙季節、雙類型的設計算法使得能夠在對比不同氣候條件下系統地研究熱行為和自適應舒適度。
熱環境
如圖8所示，夏季Shavadan的室內空氣溫度范圍為23.5至28.9°C，明顯低于室外空氣溫度（34–45°C）和未使用冷卻設備的地面房間溫度。冬季，Shavadan的溫度保持在18.5至23.3°C之間，比室外環境（13–20°C）更溫暖且更穩定。夏季Shavadan內的相對濕度范圍為32%至53%，冬季為42%至52%
Shavadan與地面空間的熱行為比較
作者在Dezful的Shavadan空間進行的先前實地測量表明，在深度約5-7米以下，空氣溫度和相對濕度變化很小，反映了高度穩定的熱環境（Author等人，2025年）�；谶@些發現，本研究將深層Shavadan區域的測量數據視為整體Shavadan熱條件的代表。
為了定量支持深層測量數據的代表性，
結論
本研究通過實地測量、PMV指數和機器學習模型，考察了夏季和冬季地面住宅空間和傳統地下Shavadan環境的熱舒適度。結果表明，熱舒適度和模型性能在很大程度上取決于季節和空間背景，且機器學習的性能始終優于PMV模型。
在所有數據集中，空氣溫度被確定為影響熱舒適度的最關鍵因素
CRediT作者貢獻聲明
Faezeh Babaee：撰寫——原始草稿、可視化、方法論、概念化。Shahin Heidari：監督、概念化。Andreas Matzarakis：撰寫——審稿與編輯、監督。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文所述的工作。
