在“双碳”目标和建筑节能需求日益迫切的背景下，如何在降低空调能耗的同时保障室内人员热舒适，已成为建筑环境领域的重要研究课题。传统热舒适评估方法多面向单一室内工况，且通常依赖主观问卷或固定传感器，存在实时性不足、个体适应差异难以刻画等局限。尽管基于穿戴式生理监测的热舒适预测具有较高精度，但其侵入性较强，限制了实际推广应用。
近日，深圳大学建筑与城市规划学院袁磊教授团队在国际期刊 Building and Environment 发表题为 Non-invasive thermal sensation prediction using infrared thermography under fan-assisted air conditioning and natural ventilation 的研究论文。该研究系统探讨了在风扇辅助的空调与自然通风两类典型混合工况下，结合红外热成像与机器学习方法开展非接触式人体热感觉预测的可行性与适用性。该研究为建筑环境领域实现“以人为本”的智慧运维提供了非侵入式技术路径。未来，随着IoT多源感知与边缘计算技术的进一步融合，基于热成像的实时热舒适预测有望应用于办公、居住等多种场景，在保障人员舒适与健康的同时，进一步释放风扇辅助通风的节能潜力。
研究内容
多工况人体热感觉实验：在深圳夏季典型气候条件下，构建风扇辅助空调与自然通风两类室内混合工况，设置低、中、高三档风速以及静坐、站立两种活动水平，覆盖6种不同操作温度的空调工况及多时段自然通风工况。实验过程中，同步采集室内环境参数、受试者红外热成像与可见光图像，以及主观热感觉投票（TSV）数据，为后续模型构建提供基础数据支撑。
皮肤温度自动提取：提出结合OpenPose人体姿态估计与图像配准的自动化处理流程，实现从热像图中对面部、手部、前臂等人体关键点及感兴趣区域（ROI）皮肤温度的自动识别与提取，提高了热成像数据处理的效率与稳定性。
热感觉机器学习预测：基于提取的皮肤温度特征，构建并比较逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、XGBoost和多层感知机（MLP）五类模型在不同工况下的热感觉预测能力，系统评估非接触式皮肤温度信息用于热感觉预测的有效性。
可解释性分析：引入SHAP可解释性分析方法，量化不同工况下各人体关键部位皮肤温度对热感觉预测结果的贡献，并分析关键特征之间的交互效应，揭示不同环境条件下人体热调节响应与热感觉形成机制的差异。
研究创新
系统对比了风扇辅助空调与自然通风两种复杂热环境中，基于热成像进行热感觉预测的适用性，揭示了不同工况下人体热调节响应差异对模型性能的影响。
针对热成像中皮肤温度识别问题，提出“RGB图像人体关键点检测—RGB与热成像仿射变换配准—热成像皮肤温度映射”的技术路径，提升了人体关键点皮肤温度批量提取的效率与准确性。
基于SHAP可解释性分析，定量比较了两类混合工况下环境参数与皮肤温度特征对热感觉的影响程度，为不同通风空调策略下的个体热舒适调控提供依据。
核心结论
XGBoost表现最优：在基于皮肤温度的热感觉预测中，XGBoost模型表现最佳。在风扇辅助空调环境下，其预测准确率达到78.5%；在自然通风环境下达到75.8%，整体性能显著优于传统PMV模型及LR、RF等方法。
主导因子具有工况依赖性：空气流速和代谢率是两类工况下影响热感觉的核心特征。对于空调工况，手指和脸颊皮肤温度是重要影响因素；对于自然通风工况，眼部温度和前臂温度则表现出更高的重要性。
工况差异影响模型预测性能：由于自然通风工况下环境波动更强，且人员适应性行为更为复杂，其热感觉预测模型性能略低于风扇辅助空调工况。
原文链接：
https://www.sciencedirect.com/science/article/pii/S036013232600404X可点击左下角“阅读原文”跳转至原文链接
