图不是一种画法，而是一种关系假设
同一座城市可以按道路连通、建筑邻近、空气流向、热交换或传感器通信构成不同的图。节点与边的定义决定模型能够看见什么，也决定它会忽略什么。
关键问题不是“使用哪一种 GNN”，而是“哪些对象通过哪些关系影响哪些结果”。
建筑节点图
把建筑视为节点，用距离、方位、遮挡或上下风关系连接。适合研究建筑群形态与局部风热响应。
街道与空间网络
交叉口、街段或空间单元构成网络，用于连通性、中心性、可达性以及通风廊道分析。
网格与测点图
把 CFD 网格单元、表面面片或采样点转为节点，让局部邻接承担物理量传播与场重构。
异构多尺度图
同时保留建筑、街区、传感器与边界条件等不同节点，通过分层和汇聚连接局部机制与区域尺度。
从拓扑问题到可学习的城市关系
下面选取图论、网络科学、城市空间分析与图学习中的若干关键节点。它们并非一条单线演进史，而是多条研究传统在关系建模、城市数据与科学计算问题上的逐步汇合。
欧拉与七桥问题
把土地抽象为顶点、桥抽象为边，说明问题的关键是连接结构而非几何外观。[1]
基尔霍夫定律与网络守恒
电路被表示为由节点和支路组成的网络，流量与势差受到守恒定律约束。这一传统说明，图不仅描述连接，也能承载物理量和控制方程。
空间句法与城市空间配置
空间句法把可达、相邻和视线等配置关系转化为可计算结构，使城市空间研究能够讨论连通、整合与使用模式之间的关系。它提供的是分析框架，并不等同于后来用于预测的 GNN。[9]
现代网络科学形成
小世界网络与无标度网络研究推动了对聚类、路径长度、度分布和网络生长机制的系统讨论。城市网络由此获得一组可比较的结构指标，但这些指标本身不自动给出环境机制。
图神经网络模型成形
GNN 被明确提出用于直接处理有向、无向、循环等图结构数据。
城市时空图预测形成示范
交通预测研究把道路传感器及其连通关系构成时空图，联合建模空间相关与时间演化。它展示了城市基础设施数据如何从固定表格转为关系驱动的预测问题。[15]
几何深度学习与网格模拟
几何深度学习把图、网格、流形和集合置于共同的非欧几里得学习框架中；MeshGraphNets 展示了图网络处理网格物理模拟的路径。它们为不规则城市环境场提供方法启发，但仍需要领域边界条件和独立验证。
结构：哪些对象通过哪些路径相连
图论提供路径、连通、中心性与网络结构语言；空间网络进一步加入距离、嵌入位置和边成本。它适合回答结构问题，但单独的拓扑指标不能替代环境机理。
[1][10][14]配置：城市形态如何成为可计算关系
空间句法、街道网络和城市形态分析把可达、相邻、视线及路网中心性转为可比较结构。这里的图首先是分析对象，并不天然意味着需要监督式 GNN。
[2][3][9]学习：让邻域与边属性参与预测
现代 GNN 通过消息构造、聚合、更新与读出学习节点、边或整图表示。模型效果取决于图构建、任务和数据，而不是“用了 GNN”这一标签本身。
[4][6][7][12]约束：数据代理如何面对物理与不确定性
网格图和物理信息学习把控制方程、守恒约束或数值模拟数据引入模型。它们可以改善样本效率和一致性，但不能免除边界条件、数值误差、外部验证与失效区间报告。
[8][16][17]V 是节点，E 是边，X 是节点属性，A 表示连接。城市研究还常加入边属性 eij、图级边界条件 u 与时间 t。
相邻对象之间的信息由节点状态、距离、方位、遮挡、边界条件等共同决定。
求和、均值、最大值或注意力聚合必须对邻居顺序保持合理不变，同时允许不同邻居产生不同影响。
节点输出可预测测点风速、表面温度或风险等级；图级输出可评估整个街区的通风潜力或热环境性能。
建筑与城市环境 × GNN 的主要交叉版图
GNN 并不只服务于微气候预测。凡是对象之间的连接、邻近、流动、依赖或层级关系会改变结果，都可能形成图学习问题。下面按研究机制整理主要方向，再聚焦本项目的风热环境研究。
城市网络与流动
把道路、轨道、街段与活动单元构成时空图，研究交通状态、可达性、出行需求和人群流动。交通预测是城市系统中较早形成清晰图学习范式的方向之一。[15]
建筑性能与运行
以房间、设备、建筑或园区为节点，表达热区耦合、能流和控制依赖，用于负荷、能耗和运行异常分析；城市尺度研究也开始利用建筑间空间关系估计分区能耗。[21]
结构、材料与工程系统
将构件、有限元单元或材料微结构表示为图，学习受力传递、损伤演化、响应预测和拓扑关系。
环境场与微气候
通过建筑、网格、表面或测点图学习空气、水、热、辐射与污染物在空间中的传播和局部响应。图可以承载空间邻接、传感器网络或数值网格，但物理有效性仍由数据、边界与验证共同决定。[16][17][20]
基础设施与城市韧性
电力、供水、排水、道路和应急设施天然构成网络，可用于状态估计、故障传播、灾害影响和恢复策略。
遥感、形态与城市识别
把像素区域、地块、建筑与街区关系显式化，用于土地利用、LCZ、形态类型、变化检测和跨区域迁移。
传感器网络与数字孪生
将传感器、BIM/GIS 对象和时间状态连接为动态图，支持缺失数据重构、异常检测、状态更新与预测性维护。
设计生成、评价与优化
把空间单元、设计约束和性能反馈组织成图，用于布局生成、方案排序、多目标优化和设计规则学习。
BIM、点云与空间语义
将构件、房间、表面和三维点云转为关系图，用于语义分割、对象识别、空间关系推断与模型补全。
建造过程与全生命周期
把任务、资源、人员、构件和风险依赖表示为图，用于进度推演、供应链分析、现场安全和运维决策。
社会空间系统与城市治理
连接社区、设施、人口、活动与服务网络，研究公共服务可达性、空间公平、功能互动和城市活力。
知识组织与决策支持
用知识图谱连接规范、案例、论文、设计对象和证据；GNN 可进一步用于关系补全、推荐与图上推断，但两者并非同一概念。
这是一张按关系机制组织的主要领域地图，而非封闭的穷举清单。研究知识图谱可以为这些方向组织文献与证据，但知识图谱本身不等同于 GNN。
城市风环境
以建筑、测点、网格和风向条件构成多尺度图，重点研究空间遮挡、通道加速、尾流传播以及 coarse-to-fine CFD 修正。
- 风速比、压力与湍流量预测
- CFD 代理与多保真残差校正
- 行人高度风险排序
- AIJ benchmark 到真实场地迁移
城市热环境
连接城市形态、材料、植被、辐射、气象与观测节点，研究温度和热舒适的空间异质性及跨尺度影响。
- 地表温度与空气温度估计
- 热舒适指标与暴露评估
- 形态、绿化和材料效应
- 跨街区与跨城市迁移
非结构网格上的快速风场代理
PIGNN-CFD 把城市 CFD 非结构网格直接表示为图，并以数值模拟和 AIJ 基准进行验证，说明网格图可用于不规则风场代理；其精度仍受训练分布与 CFD 设置约束。
[17]稀疏观测驱动的风场重构
图辅助自编码方法利用有限传感器与物理信息重构城市风场，提示图关系可连接局部观测与全场估计；这类结果不应被外推为任意场地上的普适精度。
[18]面向城市尺度的子图计算
记忆可扩展的图网络通过子图划分降低城市尺度风场学习的计算压力。它解决的是规模与内存问题，不自动解决跨城市泛化或标签可信度问题。
[19]城市气温观测网络的短时预测
城市内部气温站点可构成时空图，以联合学习局地站点关联和时间演化。该路径适合观测网络预测，但与表面温度遥感或 CFD 热场任务并非同一问题。
[20]图模型研究的三项核对
图模型的可信度主要取决于关系假设、证据来源和验证边界。这里保留三项必要核对，不把它们包装成固定的研究流程。
关系假设是否明确
节点、边、尺度和图级条件应对应可说明的研究对象与相互作用。图构建本身是一项待检验的建模假设，而不是中性的预处理。
核对：边定义、尺度敏感性与去边消融证据与基线是否对齐
CFD、风洞、实测与遥感并非同等级真值；来源、边界条件和质量标记应随样本保留。模型还应与合理的非图基线比较，以判断关系建模是否真正增加信息。
核对：证据等级、数据划分与基线阶梯泛化检验与解释边界
应按地点、形态、风向或时间检验分布外表现并报告失败区间。GNN 预测和 XAI 归因只能支持模型关联、敏感性或内部依赖的讨论；因果主张需要额外的因果识别设计、干预或独立实验。
核对：外部分割、失败区间与主张等级如果移除或扰动边以后模型表现几乎不变，应重新检查图方法的必要性和当前边定义是否表达了有效关系。
图方法何时有价值，何时不应强行使用
图是一种归纳偏置：它把“关系重要”写进模型。只有当这种假设与问题机制一致，图方法才可能带来优势。
适合使用图结构
- 对象数量与排列不固定
- 邻近、方向或连通关系决定作用
- 需要跨建筑、街区或网格传递信息
- 希望把几何、物理和证据关系显式编码
需要谨慎或换用其他表示
- 规则栅格中的局部纹理是主要信息时，CNN 可能更直接
- 边的定义缺乏物理或经验依据时，GNN 只会学习人为连接
- 训练数据不足或分布外场景过多时，关系模型同样会失效
- GNN 不能自动替代 CFD、风洞、实测或专业审定
知识图谱不等于 GNN
知识图谱组织实体、关系与证据；GNN 是在图结构上学习表示的模型。它们可以协作，但功能不同。
图结构不自动保证物理正确
消息传递与局部相互作用相似，并不意味着模型满足守恒律；物理一致性仍需显式约束与验证。[16]
不存在唯一正确的城市图
距离图、可见图、风向有向图和网格图回答不同问题。图构建是可检验的研究假设，而不是一次性预处理。
一条可执行的学习路线
先学会提出关系问题，再学习模型。每一步都对应一个可以独立检验的产物。
读懂图
掌握节点、边、度、路径、连通分量、中心性和有向/异构图。
构造城市图
为一个场地明确节点、边、属性、尺度和边界条件，并解释每项选择。
建立基线
先与线性模型、树模型、kNN、图平滑或 CNN 比较，再判断 GNN 是否必要。
验证与解释
用空间外推、尺度迁移、消融实验和证据等级检验模型，而非只报告单一误差。
基础阅读与原始来源
阅读顺序可分为三层：先理解图论与城市空间网络，再掌握消息传递与几何深度学习，最后阅读风、热及建筑性能中的领域研究。页面只概括文献直接支持的范围；完整证据关系可继续进入两个交互知识图谱检索。