题目：A systematic map of machine learning for urban climate change mitigation

作者：Marie Josefine Hintz 1,2,3 , Nikola Milojevic-Dupont 3, Felix Creutzig 1,3, Tim Repke 3, Lynn H. Kaack 2

作者单位：1柏林工业大学, 2柏林赫尔梯行政学院, 3波茨坦气候影响研究所

期刊：Nature Cities

时间：2025

原文链接：

文章亮点

1. 首次采用系统性地图方法，整合WoS数据库与23个顶级机器学习（ML）会议论文，建立ML应用于城市气候减缓（UCCM）的全球性分析。

2. 揭示研究集中于数据富裕地区（东亚、北美和欧洲城市）的偏向性，发现了高减排潜力但研究不足的领域（如街道网络设计）与过度研究低潜力领域（如交通管理）的错配。

3. 将IPCC减排潜力分类与ML研究热点对比，建立气候行动优先级的量化匹配框架。

背景与目的

研究方法

本文采用系统性地图方法（systematic map），遵循环境证据协作组（Collaboration for Environmental Evidence）和ROSES报告指南，通过以下步骤展开研究：首先在Web of Science核心合集和23个主要机器学习会议论文集中执行五组结构化检索式（涵盖ML+城市+建筑/交通/形态/废物+气候关键词组合），并补充Climate Change AI研讨会论文；然后对11,215篇摘要进行人工和机器学习辅助的优先级筛选（使用NACSOS平台及微调ClimateBERT模型），最终纳入2,300篇相关文献，并按43个影响领域分类；最后，研究人员基于标题/摘要提取案例城市地理位置（Geotext工具）、计算文献年复合增长率（CAGR），并通过联合国M49标准进行区域聚类，结合IPCC减排潜力等级评估研究分布偏差。

研究结果

编者点评

本文通过系统映射方法全面梳理了机器学习（ML）在城市气候减缓（UCCM）中的应用，揭示了研究热点与地理偏差（如83%研究集中在东亚、北美和欧洲），并提出了八项推动实际部署的建议，为跨学科研究提供了结构化框架。

关键图表