CN108427847A - 一种基于GIS-mapping的严寒地区城市室外温度预测方法 - Google Patents
一种基于GIS-mapping的严寒地区城市室外温度预测方法 Download PDFInfo
- Publication number
- CN108427847A CN108427847A CN201810218755.7A CN201810218755A CN108427847A CN 108427847 A CN108427847 A CN 108427847A CN 201810218755 A CN201810218755 A CN 201810218755A CN 108427847 A CN108427847 A CN 108427847A
- Authority
- CN
- China
- Prior art keywords
- area
- temperature
- data
- city
- severe cold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于GIS‑mapping的严寒地区城市室外温度预测方法,涉及一种室外温度预测方法,以解决现有的室外温度预测方法存在的预测结果准确率低、预测效率低、以及不适用于冬季冰雪下垫面影响下的温度预测的问题。本发明首先获取各测点的日照辐射量数据和温度数据,计算不同半径缓冲区内各测点的城市形态要素数据;然后分别确定日间温度Tmax、夜间温度Tmin、日平均温度Tavg的影响因子;利用Matlab的多重回归拟合功能,得到不同半径下的Matlab输出的多重回归拟合方程及相关性因子R2,将最大的相关性因子R2所对应的多重回归拟合方程作为严寒地区城市室外温度预测模型。本发明可以应用于严寒地区城市室外温度预测技术领域用。
Description
技术领域
本发明涉及一种基于GIS-mapping的严寒地区城市室外温度预测方法,属于室外温度预测技术领域。
背景技术
室外物理环境较差是严寒地区室外空间普遍存在的问题之一。在过去相当长的时间内,建筑布局混乱、空气质量恶劣和环境卫生状况不佳等问题在严寒地区的城市是极为普遍的。虽然合理的城市布局、绿化分布及下垫面比例能够有效地改善室外微气候环境,但目前基于改善局地微气候的规划设计往往缺乏数据基础,无依据可寻。既有的室外温度预测方法多基于热力学计算公式,未结合不同城市的形态特点,也未考虑严寒地区极端气候,因此,不能结合城市形态要素的变化对室外温度进行准确预测。而且既有室外温度预测方法应用的预测模拟软件主要包括Envi-met、Ecotect、Fluent和Steve Tool等,此类软件基于物理模拟过程,模拟耗时长,准确度低。主要的室外温度预测模型有CTTC和CAT等,此类模型基于温带的数据获取,不同区域的城市形态差异较大,尤其严寒地区气候基础与城市布局与其他地区相比具有差异性,此类模型在严寒地区并不能使用。
因此,现有室外温度预测方法主要存在三个方面的问题,首先,预测基于热力学方程迭代运算,未考虑城市形态要素的变化对于温度的影响,与实际测试温度仅分布趋势相同,但达不到定量研究的准确程度;其次,预测应用的软件基于复杂的数学迭代运算,模拟耗时长,准确度低;再次,预测方法不适用于严寒地区冬季冰雪下垫面影响下的温度预测。
发明内容
本发明的目的在于提供一种基于GIS-mapping的严寒地区城市室外温度预测方法,以解决现有的室外温度预测方法存在的未考虑城市形态要素的变化而导致预测结果准确率低、基于复杂的数学迭代运算过程导致的预测效率低、以及不适用于严寒地区冬季冰雪下垫面影响下的温度预测的问题。
本发明为解决上述技术问题采取的技术方案是:
步骤一、选取测试区域、获取测试区域内各测点的日照辐射量数据和温度数据;
步骤二、以各测点为圆心,分别选取不同的半径建立缓冲区,计算不同半径缓冲区内城市形态要素数据,所述城市形态要素数据包括建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据;
步骤三、通过GIS将日照辐射量数据、温度数据、建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据进行量化,以温度数据作为目标值,将太阳辐射强度、建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比作为敏感性分析指标,分别计算太阳辐射强度、建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比发生不同幅度的变动所导致的温度变动结果;
根据温度变动结果得出:将日间温度Tmax的影响因子确定为日照辐射强度、街道百分比、建筑覆盖率、建筑墙面面积以及天空开阔因子;将夜间温度Tmin的影响因子确定为街道百分比、植被绿化率、建筑覆盖率以及建筑墙面面积;将日平均温度Tavg的影响因子确定为日照辐射强度、街道百分比、植被绿化率、建筑覆盖率、建筑墙体面积以及天空开阔因子;
步骤四、利用Matlab的多重回归拟合功能,将各测点的温度数据作为参变量组、将太阳辐射强度数据、建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据作为自变量组进行多重回归拟合,得到不同半径下的Matlab输出的多重回归拟合方程及相关性因子R2,比较各半径下的相关性因子R2,将最大的相关性因子R2所对应的多重回归拟合方程作为严寒地区室外温度预测模型。
本发明的有益效果是:
本发明提出的基于GIS-mapping的严寒地区城市室外温度预测方法首先获取各测点的日照辐射量数据和温度数据,以各测点为圆心,分别选取不同的半径建立缓冲区,计算不同半径缓冲区内各测点的城市形态要素数据:建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比数据;将日间温度Tmax的影响因子确定为日照辐射强度、街道百分比、建筑覆盖率、建筑墙面面积以及天空开阔因子;将夜间温度Tmin的影响因子确定为街道百分比、植被绿化率、建筑覆盖率以及建筑墙面面积;将日平均温度Tavg的影响因子确定为日照辐射强度、街道百分比、植被绿化率、建筑覆盖率、建筑墙体面积以及天空开阔因子;利用Matlab的多重回归拟合功能,得到不同半径下的Matlab输出的多重回归拟合方程及相关性因子R2,将最大的相关性因子R2所对应的多重回归拟合方程作为严寒地区城市室外温度预测模型。
本发明建立的严寒地区城市室外温度预测模型考虑了城市形态要素对温度的影响,且本发明将城市郊区无建筑影响下的温度作为参考温度,对严寒地区城市内的建筑室外温度预测的准确率能够达到96%;而且本发明不需要基于复杂的数学迭代运算过程,使预测效率提升80%以上,能够准确地对严寒地区城市内的室外温度进行预测。
本发明基于GIS-mapping的严寒地区城市室外温度预测方法可以快速预测严寒地区的城市室外温度,同时,本发明的室外温度预测方法可以指导未来城市规划建设。
附图说明
图1是本发明的基于GIS-mapping的严寒地区城市室外温度预测方法的工作流程图;
图2为本发明实施例的参考温度为0℃以上时的预测温度的误差图;
图3为本发明实施例的参考温度为0℃以下时的预测温度的误差图;
图4为本发明的严寒地区城市室外温度预测方法应用于指导城市规划建设的示意图。
具体实施方式
具体实施方式一:如图1所示,本实施方式所述的一种基于GIS-mapping的严寒地区城市室外温度预测方法,具体是按照以下步骤进行的:
步骤一、选取测试区域、获取测试区域内各测点的日照辐射量数据和温度数据;
步骤二、以各测点为圆心,分别选取不同的半径建立缓冲区,计算不同半径缓冲区内城市形态要素数据,所述城市形态要素数据包括建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据;
步骤三、通过GIS将日照辐射量数据、温度数据、建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据进行量化,以温度数据作为目标值,将太阳辐射强度、建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比作为敏感性分析指标,分别计算太阳辐射强度、建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比发生不同幅度的变动所导致的温度变动结果;
根据温度变动结果得出:将日间温度Tmax的影响因子确定为日照辐射强度、街道百分比、建筑覆盖率、建筑墙面面积以及天空开阔因子;将夜间温度Tmin的影响因子确定为街道百分比、植被绿化率、建筑覆盖率以及建筑墙面面积;将日平均温度Tavg的影响因子确定为日照辐射强度、街道百分比、植被绿化率、建筑覆盖率、建筑墙体面积以及天空开阔因子;
步骤四、利用Matlab的多重回归拟合功能,将各测点的温度数据作为参变量组、将太阳辐射强度数据、建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据作为自变量组进行多重回归拟合,得到不同半径下的Matlab输出的多重回归拟合方程及相关性因子R2,比较各半径下的相关性因子R2,将最大的相关性因子R2所对应的多重回归拟合方程作为严寒地区城市室外温度预测模型。
本实施方式中的GIS-mapping是指基于地理信息系统软件GIS(GeographicInformation System)功能下,对温度图谱与城市形态图层叠加分析的一种处理方法(mapping)。多重回归拟合功能是Matlab软件自身带有的功能,我们将相关性因子R2最大时,所对应的多重回归拟合方程作为严寒地区城市室外温度的预测模型。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一中的测试区域选取为严寒地区城市的商业街区、住区、广场和城市公园四类功能区域,且每类功能区域各选取3块测试区域,每块测试区域均匀布置测点;
获取各测点的太阳辐射强度数据和温度数据,且测试的持续时间不低于70天,且测试时间均匀覆盖于一年四季,测得的数据应用于建构严寒地区室外温度预测模型。
具体实施方式三:本实施方式与具体实施方式一至二不同的是:步骤二中建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比的计算方法如下:
步骤二中建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比的计算方法如下:
建筑覆盖率计算
1)在GIS城市地图上建立缓冲区,使用GIS工具箱空间链接命令对缓冲区图层与城市地图图层进行连接,连接方式为一对多;
2)采用空间融合工具将两个图层字段进行融合,采用链接字段工具对两个图层字段进行合并,输入端为缓冲区图层,输出端为字段结合图层;
3)通过打开两图层结合后产生的新图层的建筑基准层面积字段属性,提取缓冲区范围内建筑图层的基底面积数值总和,所得面积数值总和除以缓冲区总面积得出该测点在选取半径内的建筑覆盖率数据;
植被绿化率计算
植被绿化率计算采用如下公式进行:
其中,GnPR为植被绿化率,Tree.No.是缓冲区内树木的数量,LAITree、LAIShrub和LAITurfing分别为树木、灌木和草地的叶脉指数,Rcrown为缓冲区内树木的平均树冠半径,AreaShrub和AreaTurfing分别为灌木和草地的面积;
天空开阔因子计算
通过鱼眼相机拍摄测点处全景照片,将全景照片进行去色处理,输入雷曼模型软件即可计算得出测点的天空开阔因子;
建筑墙面面积计算
1)在GIS城市地图上建立缓冲区,使用GIS工具箱空间链接命令对缓冲区图层与城市地图图层进行连接,连接方式为一对多;
2)采用空间融合工具将两个图层墙面面积字段进行融合,采用链接字段工具对两个图层墙面面积字段进行合并;
3)查阅连接后新产生的图层中建筑墙面面积字段,获取缓冲区内各建筑的墙面面积,对各建筑墙面的面积进行加和运算,得出缓冲区域内建筑墙面总面积;
街道百分比计算
1)在GIS城市地图上建立缓冲区,使用GIS工具箱空间链接命令对缓冲区图层与城市地图图层进行连接,连接方式为一对多;
2)采用空间融合工具将两个图层字段进行融合,采用链接字段工具对两个图层字段进行合并;
3)对融合图层道路字段进行加和处理,道路字段总和除以缓冲区总面积即为街道百分比。
本实施方式中的树木、灌木和草地的叶脉指数可以通过LAI-2000Plant CanopyAnalyzer仪器测试得出;灌木和草地的面积通过地理信息系统(GIS)提取植被面积获取。
具体实施方式四:本实施方式与具体实施方式一至三不同的是:步骤四中分别选取20m、50m、70m、100m、150m和200m六个半径建立缓冲区,计算结果显示当选取50m为半径建立缓冲区时,多重回归拟合方程的相关性因子R2最大。
本实施方式分别建立20m、50m、70m、100m、150m和200m六个半径的缓冲期,比较各个半径下的多重回归拟合方程的相关性因子,当以50m为半径建立缓冲区时,相关性因子做大,所以,将以50m为半径建立缓冲区时所对应的多重回归拟合方程作为严寒地区城市室外温度预测模型。
具体实施方式五:本实施方式与具体实施方式一至四不同的是:所述步骤四建立的严寒地区城市室外温度预测模型具体为:
选取城市郊区的实测温度作为参考温度,且参考温度为0℃以上时,严寒地区城市室外夜间温度Tmin的预测模型为:
Tmin=2.061+0.733RefTmin+0.012PAVE-0.334GnPR-0.031HBDG+2.339×10-6WALL
其中,室外夜间温度Tmin的单位是℃;RefTmin代表郊区无建筑影响下的参考点的室外夜间温度;PAVE代表街道百分比,HBDG代表建筑覆盖率,WALL代表缓冲区内建筑墙面总面积,单位是m2;GnPR代表植被绿化率;
各影响因子与温度的相关性因子R2、统计量值F、标准误差Std.Error、显著性指标Sig.值是评价室外温度预测模型的重要指标,在建立的预测模型中,相关性因子R2越大,表示各影响因子与温度的相关性越高;F值越大,表示数据量越大,模型更具有代表性;标准误差Std.Error越小代表模型拟合精度越高;当显著性指标Sig.小于0.01时,代表差异极显著,即数据拟合有效;
参考温度为0℃以上时,室外夜间温度Tmin预测模型的R2=0.97,F=1907.22,Std.Error=0.37,Sig.=0.00
严寒地区室外日平均温度Tavg的预测模型为:
Tavg=3.347+0.997RefTavg+4.799×10-5SOLARtotal+0.01PAVE
-0.04GnPR-0.025HBDG+2.121×10-5WALL+0.833SVF
其中,RefTavg代表郊区无建筑影响下的参考点的日平均温度;SOLARtotal代表日照辐射总量,单位是W/m2;SVF代表测点处天空开阔因子;
参考温度为0℃以上时,室外日平均温度Tavg预测模型的R2=0.92,F=2170.49,Std.Error=0.27,Sig.=0.00;
严寒地区室外日间温度Tmax的预测模型为:
Tmax=8.542+0.774RefTmax+0.002SOLARmax+0.015PAVE-0.026HBDG+8.123×10- 6WALL
+1.462SVF
其中,RefTmax代表郊区无建筑影响下的参考点的日间温度;SOLARmax代表日最大日照辐射量,单位是W/m2;
参考温度为0℃以上时,室外日间温度Tmin预测模型的R2=0.94,F=1241.92,Std.Error=0.39,Sig.=0.00;
当参考温度为0℃以下时,室外夜间温度Tmin的预测模型为:
Tmin=4.061+0.839RefTmin+0.004PAVE+0.001GnPR+0.994HBDG+5.339×10-6WALL
参考温度为0℃以下时,室外夜间温度Tmin预测模型的R2=0.79,F=994.45,Std.Error=0.47,Sig.=0.00;
室外日平均温度Tavg的预测模型为:
Tavg=2.421+0.997RefTvag+5.786×10-5SOLARtotal+0.007PAVE
+0.06GnPR+0.095HBDG+2.311×10-5WALL+1.337SVF
参考温度为0℃以下时,室外日平均温度Tavg预测模型的R2=0.90,F=1413.22,Std.Error=0.27,Sig.=0.00;
室外日间温度Tmax的预测模型为:
参考温度为0℃以下时,室外日间温度Tmin预测模型的R2=0.88,F=1100.92,Std.Error=0.59,Sig.=0.00。
本实施方式以城市郊区的实测温度作为参考温度,并针对参考温度为0℃以上和0℃以下分别建立预测模型,这样,本发明所建立的预测模型可以应用于春、夏、秋、冬四季,应用范围更广。
应用本实施方式的预测模型对温度进行预测,可以很大程度上提高预测效率,预测效率提高80%以上。
实施例
测试区域选取严寒地区典型城市哈尔滨的四种城市功能区域:商业街区,住区,广场,城市公园。每类功能区各选取3块测试区域。每个区域均匀布置测点,总计布置测点131个。测试数据主要为日照辐射量数据和温度数据。同时,计算各城市形态要素数据。
测试时间为2015年至2017年内的70天昼夜,将测得的70天的数据和计算的各城市形态要素数据代入建立好的严寒地区室外温度预测模型。数据获取日期覆盖不同天气情况。
测试数据所用仪器及参数如表1所示;
表1
采用标准均方根误差来表示实际测试值与代入预测模型后所得预测温度值的偏差:
其中,NRMSE代表标准均方根误差,Tmea,i(j)是测点j在第i天的实际测量温度,i的取值范围是1,2,…,Nd,Nd为用来验证的测量天数,j的取值范围是1,2,…,Ns,Ns为用来验证的测点数;Test,i(j)是测点j在第i天的预测温度,Tref,i为城市郊区在第i天的实测温度。
当参考温度高于0℃时,Tmin,Tmax,Tavg的标准均方根误差值分别为:0.82,0.76,0.69;当参考温度低于0℃时,Tmin,Tmax,Tavg的标准均方根误差值分别为:0.36,0.42,0.57;验证结果均小于1,意味着预测模型能够精准的预测实际温度。
如图2所示,当参考温度为0℃以上时,预测温度与实测温度的误差范围在±1℃内的情况占总预测结果的96%(图中浅灰色部分),误差范围在±0.5℃内的情况占总预测结果的54%(图中深灰色部分);如图3所示,当参考温度为0℃以下时,预测温度与实测温度的误差范围在±1℃内的情况占总预测结果的85%(图中浅灰色部分),误差范围在±0.5℃内的情况占总预测结果的41%(图中深灰色部分);
本发明的严寒地区室外温度预测方法不仅可以预测温度,而且可以指导实际的城市规划建设,如图4所示,在现有的城市规划建设的基础上,我们可以预测实际的日间温度、夜间温度和日平均温度,当预测的结果为人们日常生活可接受,且较为舒适的温度时,不需要进行规划调整;当预测的温度为不可接受时,可以对应影响因子,提出缓解措施,这样就可以指导城市规划调整和建设。
在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种基于GIS-mapping的严寒地区城市室外温度预测方法,其特征在于,所述基于GIS-mapping的严寒地区室外温度预测方法具体是按照以下步骤进行的:
步骤一、选取测试区域、获取测试区域内各测点的日照辐射量数据和温度数据;
步骤二、以各测点为圆心,分别选取不同的半径建立缓冲区,计算不同半径缓冲区内城市形态要素数据,所述城市形态要素数据包括建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据;
步骤三、通过GIS将日照辐射量数据、温度数据、建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据进行量化,以温度数据作为目标值,将太阳辐射强度、建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比作为敏感性分析指标,分别计算太阳辐射强度、建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比发生不同幅度的变动所导致的温度变动结果;
根据温度变动结果得出:将日间温度Tmax的影响因子确定为日照辐射强度、街道百分比、建筑覆盖率、建筑墙面面积以及天空开阔因子;将夜间温度Tmin的影响因子确定为街道百分比、植被绿化率、建筑覆盖率以及建筑墙面面积;将日平均温度Tavg的影响因子确定为日照辐射强度、街道百分比、植被绿化率、建筑覆盖率、建筑墙体面积以及天空开阔因子;
步骤四、利用Matlab的多重回归拟合功能,将各测点的温度数据作为参变量组、将太阳辐射强度数据、建筑覆盖率数据、植被绿化率数据、天空开阔因子数据、建筑墙面面积数据和街道百分比数据作为自变量组进行多重回归拟合,得到不同半径下的Matlab输出的多重回归拟合方程及相关性因子R2,比较各半径下的相关性因子R2,将最大的相关性因子R2所对应的多重回归拟合方程作为严寒地区城市室外温度预测模型。
2.根据权利要求1所述的基于GIS-mapping的严寒地区城市室外温度预测方法,其特征在于:步骤一中的测试区域选取为严寒地区城市的商业街区、住区、广场和城市公园四类功能区域,且每类功能区域各选取3块测试区域,每块测试区域均匀布置测点;
获取各测点的太阳辐射强度数据和温度数据,且测试的持续时间不低于70天,且测试时间均匀覆盖于一年四季,测得的数据应用于建构严寒地区室外温度预测模型。
3.根据权利要求2所述的基于GIS-mapping的严寒地区城市室外温度预测方法,其特征在于:步骤二中建筑覆盖率、植被绿化率、天空开阔因子、建筑墙面面积和街道百分比的计算方法如下:
建筑覆盖率计算
1)在GIS城市地图上建立缓冲区,使用GIS工具箱空间链接命令对缓冲区图层与城市地图图层进行连接,连接方式为一对多;
2)采用空间融合工具将两个图层字段进行融合,采用链接字段工具对两个图层字段进行合并,输入端为缓冲区图层,输出端为字段结合图层;
3)通过打开两图层结合后产生的新图层的建筑基准层面积字段属性,提取缓冲区范围内建筑图层的基底面积数值总和,所得面积数值总和除以缓冲区总面积得出该测点在选取半径内的建筑覆盖率数据;
植被绿化率计算
植被绿化率计算采用如下公式进行:
其中,GnPR为植被绿化率,Tree.No.是缓冲区内树木的数量,LAITree、LAIShrub和LAITurfing分别为树木、灌木和草地的叶脉指数,Rcrown为缓冲区内树木的平均树冠半径,AreaShrub和AreaTurfing分别为灌木和草地的面积;
天空开阔因子计算
通过鱼眼相机拍摄测点处全景照片,将全景照片进行去色处理,输入雷曼模型软件即可计算得出测点的天空开阔因子;
建筑墙面面积计算
1)在GIS城市地图上建立缓冲区,使用GIS工具箱空间链接命令对缓冲区图层与城市地图图层进行连接,连接方式为一对多;
2)采用空间融合工具将两个图层墙面面积字段进行融合,采用链接字段工具对两个图层墙面面积字段进行合并;
3)查阅连接后新产生的图层中建筑墙面面积字段,获取缓冲区内各建筑的墙面面积,对各建筑墙面的面积进行加和运算,得出缓冲区域内建筑墙面总面积;
街道百分比计算
1)在GIS城市地图上建立缓冲区,使用GIS工具箱空间链接命令对缓冲区图层与城市地图图层进行连接,连接方式为一对多;
2)采用空间融合工具将两个图层字段进行融合,采用链接字段工具对两个图层字段进行合并;
3)对融合图层道路字段进行加和处理,道路字段总和除以缓冲区总面积即为街道百分比。
4.根据权利要求3所述的基于GIS-mapping的严寒地区城市室外温度预测方法,其特征在于:步骤四中分别选取20m、50m、70m、100m、150m和200m六个半径建立缓冲区,计算结果显示当选取50m为半径建立缓冲区时,多重回归拟合方程的相关性因子R2最大。
5.根据权利要求4所述的基于GIS-mapping的严寒地区城市室外温度预测方法,其特征在于:所述步骤四建立的严寒地区城市室外温度预测模型具体为:
选取城市郊区的实测温度作为参考温度,且参考温度为0℃以上时,严寒地区室外夜间温度Tmin的预测模型为:
Tmin=2.061+0.733RefTmin+0.012PAVE-0.334GnPR-0.031HBDG+2.339×10-6WALL
其中,室外夜间温度Tmin的单位是℃;RefTmin代表郊区无建筑影响下的参考点的室外夜间温度;PAVE代表街道百分比,HBDG代表建筑覆盖率,WALL代表缓冲区内建筑墙面总面积,单位是m2;GnPR代表植被绿化率;
严寒地区室外日平均温度Tavg的预测模型为:
Tavg=3.347+0.997RefTavg+4.799×10-5SOLARtotal+0.01PAVE
-0.04GnPR-0.025HBDG+2.121×10-5WALL+0.833SVF
其中,RefTavg代表郊区无建筑影响下的参考点的日平均温度;SOLARtotal代表日照辐射总量,单位是W/m2;SVF代表测点处天空开阔因子;
严寒地区室外日间温度Tmax的预测模型为:
Tmax=8.542+0.774RefTmax+0.002SOLARmax+0.015PAVE-0.026HBDG+8.123×10-6WALL
+1.462SVF
其中,RefTmax代表郊区无建筑影响下的参考点的日间温度;SOLARmax代表日最大日照辐射量,单位是W/m2;
当参考温度为0℃以下时,室外夜间温度Tmin的预测模型为:
Tmin=4.061+0.839RefTmin+0.004PAVE+0.001GnPR+0.994HBDG+5.339×10-6WALL
室外日平均温度Tavg的预测模型为:
Tavg=2.421+0.997RefTvag+5.786×10-5SOLARtotal+0.007PAVE
+0.06GnPR+0.095HBDG+2.311×10-5WALL+1.337SVF室外日间温度Tmax的预测模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810218755.7A CN108427847A (zh) | 2018-03-16 | 2018-03-16 | 一种基于GIS-mapping的严寒地区城市室外温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810218755.7A CN108427847A (zh) | 2018-03-16 | 2018-03-16 | 一种基于GIS-mapping的严寒地区城市室外温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108427847A true CN108427847A (zh) | 2018-08-21 |
Family
ID=63158353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810218755.7A Pending CN108427847A (zh) | 2018-03-16 | 2018-03-16 | 一种基于GIS-mapping的严寒地区城市室外温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427847A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765289A (zh) * | 2020-11-30 | 2021-05-07 | 哈尔滨工业大学 | 一种基于能耗指标的空温式气化器气候分区方法 |
CN114021078A (zh) * | 2021-10-15 | 2022-02-08 | 三峡大学 | 一种大坝监测量最佳统计模型优选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102235911A (zh) * | 2010-04-20 | 2011-11-09 | 北京师范大学 | 一种城市目标热辐射方向性的检测方法 |
WO2013136100A2 (en) * | 2012-03-14 | 2013-09-19 | Budapesti Müszaki És Gazdaságtudományi Egyetem | Measuring apparatus and measuring system for measuring and processing environmental conditions of a given region |
CN104133938A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于采暖能耗考虑的严寒地区办公建筑外窗几何参数优化方法 |
CN105868393A (zh) * | 2016-04-18 | 2016-08-17 | 东南大学 | 一种城市中心微热岛数字地图的制作和显示方法 |
CN106354912A (zh) * | 2016-08-24 | 2017-01-25 | 西北农林科技大学 | 基于三维数字化虚拟植物的冠层整体光合和蒸腾建模方法 |
-
2018
- 2018-03-16 CN CN201810218755.7A patent/CN108427847A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102235911A (zh) * | 2010-04-20 | 2011-11-09 | 北京师范大学 | 一种城市目标热辐射方向性的检测方法 |
WO2013136100A2 (en) * | 2012-03-14 | 2013-09-19 | Budapesti Müszaki És Gazdaságtudományi Egyetem | Measuring apparatus and measuring system for measuring and processing environmental conditions of a given region |
CN104133938A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于采暖能耗考虑的严寒地区办公建筑外窗几何参数优化方法 |
CN105868393A (zh) * | 2016-04-18 | 2016-08-17 | 东南大学 | 一种城市中心微热岛数字地图的制作和显示方法 |
CN106354912A (zh) * | 2016-08-24 | 2017-01-25 | 西北农林科技大学 | 基于三维数字化虚拟植物的冠层整体光合和蒸腾建模方法 |
Non-Patent Citations (2)
Title |
---|
HONG JIN 等: "Assessing the Effects of Urban Morphology Parameters on Microclimate in Singapore to Control the Urban Heat Island Effect", 《SUSTAINABILITY》 * |
金虹 等: "严寒地区广场微气候舒适度与参与人数相关性研究", 《建筑科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765289A (zh) * | 2020-11-30 | 2021-05-07 | 哈尔滨工业大学 | 一种基于能耗指标的空温式气化器气候分区方法 |
CN112765289B (zh) * | 2020-11-30 | 2023-11-17 | 哈尔滨工业大学 | 一种基于能耗指标的空温式气化器气候分区方法 |
CN114021078A (zh) * | 2021-10-15 | 2022-02-08 | 三峡大学 | 一种大坝监测量最佳统计模型优选方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Crop evapotranspiration prediction by considering dynamic change of crop coefficient and the precipitation effect in back-propagation neural network model | |
Kim et al. | Urban heat island (UHI) variations within a city boundary: A systematic literature review | |
Tong et al. | Study on correlation between air temperature and urban morphology parameters in built environment in northern China | |
Qaid et al. | Urban heat island and thermal comfort conditions at micro-climate scale in a tropical planned city | |
Emmanuel et al. | Green infrastructure as an adaptation approach to tackling urban overheating in the Glasgow Clyde Valley Region, UK | |
Srivanit et al. | Evaluating the cooling effects of greening for improving the outdoor thermal environment at an institutional campus in the summer | |
Kershaw et al. | Estimation of the urban heat island for UK climate change projections | |
Kolokotroni et al. | A validated methodology for the prediction of heating and cooling energy demand for buildings within the Urban Heat Island: Case-study of London | |
Bottyán et al. | A multiple linear statistical model for estimating the mean maximum urban heat island | |
Balázs et al. | Simulation of the mean urban heat island using 2D surface parameters: empirical modelling, verification and extension | |
Yang et al. | Developing a thermal atlas for climate-responsive urban design based on empirical modeling and urban morphological analysis | |
Dobrovolný et al. | The spatial variability of air temperature and nocturnal urban heat island intensity in the city of Brno, Czech Republic | |
Xu et al. | Temporal and spatial variations of urban climate and derivation of an urban climate map for Xi'an, China | |
Zhang et al. | Tree crowns and their associated summertime microclimatic adjustment and thermal comfort improvement in urban parks in a subtropical city of China | |
Zhang et al. | A study of tree crown characteristics and their cooling effects in a subtropical city of Australia | |
Yang et al. | Evaluation of a diagnostic equation for the daily maximum urban heat island intensity and its application to building energy simulations | |
Aghamolaei et al. | A tempo-spatial modelling framework to assess outdoor thermal comfort of complex urban neighbourhoods | |
Liu et al. | Investigation on the distribution patterns and predictive model of solar radiation in urban street canyons with panorama images | |
Wang et al. | Tree crown geometry and its performances on human thermal comfort adjustment | |
Middel et al. | Daytime cooling efficiency and diurnal energy balance in Phoenix, Arizona, USA | |
Jamei et al. | Verification of a bioclimatic modeling system in a growing suburb in Melbourne | |
Kaplan et al. | Predicting air temperature simultaneously for multiple locations in an urban environment: A bottom up approach | |
CN108427847A (zh) | 一种基于GIS-mapping的严寒地区城市室外温度预测方法 | |
Li et al. | Evaluation and analysis of the impact of coastal urban impervious surfaces on ecological environments | |
Nunes et al. | Sensitivity of runoff and soil erosion to climate change in two Mediterranean watersheds. Part I: model parameterization and evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180821 |