在长期内部演变、局部气候和人类活动的共同影响下，大型不可移动的文化遗产遗址形成了具有显著时空异质性的表面温度场[1]。这种异质性已成为导致裂缝扩展、风化碎裂和剥落等退化过程的关键外部驱动因素[2]。全球变暖引起的温度波动加速了物理和化学风化过程，例如冻融循环、干湿循环和水盐循环[3]。过去半个世纪的研究表明，石制文物的表面温度变化显著影响了它们的结构稳定性和耐久性，成为触发岩石风化的重要外部力量[4]。剧烈的温度波动导致石材材料的膨胀和收缩[5]，在昼夜或季节性的热循环下，岩石容易发生亚临界裂缝扩展[6]。温暖潮湿的环境进一步增加了裂缝出现的频率和速度。因此，对石制文物表面温度的高精度监测和分析对于评估其保护状况和实现预防性保护至关重要。
尽管表面温度动态的重要性得到了广泛认可，现有的分析方法仍难以充分描述其时空复杂性，并且缺乏一个可靠的、基于模型的归因框架来定量区分和排序多种耦合环境和时间预测因素对观察到的温度变化的相对贡献[7]。近年来，机器学习方法逐渐被引入文化遗产环境研究，旨在克服传统方法的局限性，特别是在处理复杂环境因素和温度变化模式方面。然而，许多机器学习应用仍处于早期阶段，尚未被充分用于实际环境数据的综合分析[8]。机器学习建模的结果很少通过表面退化的空间分布进行交叉验证，这导致缺乏可解释性。因此，决策过程仍然主要依赖于“黑箱”模型[9]。此外，尽管已经关注了各种环境因素在耦合条件下的定量贡献，但它们之间的相互作用尚未被完全理解[10]。这些方法论上的局限性限制了我们对表面风化特征的空间异质性及其与微地形相互作用的深入分析。更重要的是，由多领域耦合驱动的风化过程表现出显著的非线性和路径依赖性，这对传统建模框架提出了新的挑战。
无损检测技术（NDT）在文物保护中发挥着关键作用[11]，允许实时获取文物的状态信息而不会损坏文物本身[12]。这些技术包括红外热成像（IRT）[13]、时域反射测量（TDR）[14]、地面穿透雷达（GPR）[15]、超声计算机断层扫描（UCT）[16]和高光谱成像（HSI）[17]，它们提供了关于文物表面和内部状况的宝贵见解。通过利用不同的原理，NDT有助于识别退化情况并辅助文物的预防性保护[18]。附表1总结了各种NDT技术在文物退化监测中的应用。在这些方法中，IRT特别具有优势，因为它具有广泛的观测范围、高空间分辨率和收集时间序列数据的能力。然而，较大的像素覆盖范围和表面温度场的连续性导致相邻像素之间的高相关性，这在高密度采样中产生了显著的冗余。这种冗余增加了计算负担，并可能掩盖关键的温度变化，使得难以识别遗产表面的关键区域。
为了解决这一挑战，提出了几种聚类分析方法，包括基于密度的空间聚类[19]、层次聚类[20]和模糊聚类[21]。在这些方法中，K-Means聚类更受青睐，因为它结合了参数初始化、使用复合有效性指标（肘部法则、轮廓系数、DBI、CHI）的自适应聚类以及多次重启以选择稳定性[22]。此外，研究表明，随着数据规模的增加，K-Means的执行时间增长速度较其他方法慢，即使面对大型数据集也能保持相对较高的效率[23]。这种方法为划分和识别大型不可移动遗产遗址表面的温度变化提供了机会，这些遗址的表面温度分布受到建筑材料、地形、地貌、太阳辐射和自阴影等因素的影响。K-Means聚类的适应性使其能够处理这些因素引入的复杂性，使其成为分析这些表面温度动态的强大工具。
机器学习技术为分析表面温度数据提供了新的机会，增强了基于实时监测的温度响应建模能力。诸如监督学习、时间序列分析和深度学习等技术已广泛应用于热湿控制、风险预测和结构健康监测等关键任务，使得保护工作从被动修复转向了主动的预防性保护。例如，在文物保护的温湿度控制方面，谭等人使用深度学习模型预测了古墓内的热湿条件，为灾害预防和保护提供了数据驱动的解决方案[25]。在预测遗产风险方面，Fiorucci等人利用逻辑回归和人工神经网络结合屋顶设计、降雨量和温度等变量，预测了英国教堂的功能寿命，准确率超过92%[26]。在文物表面和内部结构的健康监测领域，赵等人使用机器学习模型预测了文化遗产壁画中的剥落损伤[27]。通过整合红外技术和传感器数据，他们有效识别了受影响区域并提供了文化遗产修复的早期预警[28]。刘等人基于XGBoost等模型预测了石制文物修复材料的颜色参数，提高了修复效率和视觉一致性[28]。这些应用展示了机器学习在模拟复杂环境响应方面的强大能力。
尽管IRT、聚类和机器学习的结合具有很大的潜力，但在大型不可移动的半暴露石质遗产遗址上的实际应用中，仍有有限的强有力的证据支持。主要挑战不在于算法的复杂性，而在于开发一个完整的工作流程，该流程整合了多种监测来源，应用适当的校准方法，使用彻底的验证策略，并将多时相和空间数据转化为可操作的保护信息。通过实际案例研究来弥合这一差距对于推进IRT和机器学习的实际应用至关重要，从理论演示转向有效的预防性保护。
本研究的主要创新和贡献如下：
- (1)
开发了一个将IRT与机器学习结合的创新框架，用于大型户外遗产遗址。该框架结合了现场参数校准，有效表征了表面温度的多尺度异质性和季节性变化。
- (2)
提出了一种新的可解释机器学习模型，用于分析高精度监测数据，捕捉环境因素之间的非线性关系，并评估它们对表面温度变化的相对贡献。
