CN116843193B - 一种基于通量观测数据的人为热通量估算方法及系统 - Google Patents
一种基于通量观测数据的人为热通量估算方法及系统 Download PDFInfo
- Publication number
- CN116843193B CN116843193B CN202310704715.4A CN202310704715A CN116843193B CN 116843193 B CN116843193 B CN 116843193B CN 202310704715 A CN202310704715 A CN 202310704715A CN 116843193 B CN116843193 B CN 116843193B
- Authority
- CN
- China
- Prior art keywords
- heat flux
- flux
- scintillator
- vorticity
- grid
- 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.)
- Active
Links
- 230000004907 flux Effects 0.000 title claims abstract description 702
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 106
- 238000012937 correction Methods 0.000 claims description 59
- 230000005855 radiation Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 21
- 239000002689 soil Substances 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Radiation (AREA)
Abstract
本申请涉及一种基于通量观测数据的人为热通量估算方法及系统，本申请结合大孔径闪烁仪和涡度相关仪对选定区域进行公里级的通量观测，所述方法包括对选定区域进行网格划分，获取选定区域内的建筑矢量、土地利用和仪器观测数据；通过地表通量计算模型和通量观测数据，计算并修正涡度相关仪通量源区中不同下垫面类型的显热通量和潜热通量；计算大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合地表能量平衡方程，进一步计算其通量源区内各网格的人为热通量的时空分布；基于卷积神经网络构建人为热通量估算模型，进而准确估算选定区域内各网格的人为热通量的时空分布。本申请具有提高人为热通量估算的时空分辨率和准确性的效果。
Description
技术领域
本发明涉及人为热通量估算的技术领域，尤其是涉及一种基于通量观测数据的人为热通量估算方法及系统。
背景技术
目前，在人类生产活动中持续产出的人为热通量呈不断增长的趋势，人为热通量是城市地表能量平衡的重要参考项目，在城市化的大背景下，人为热通量的准确评估对城市发展规划方案的制定具有重要意义。
现有的人为热通量评估方法通常通过清单法、建筑能源模型法和能量平衡余项法进行估算，清单法主要是在时间和空间维度上以公共部门发布的能耗统计数据进行估算，但是忽略了能耗与人为热通量之间的时间滞后性，建筑能源模型法通常需要对建筑能耗与热量排放之间的建模进行大量的数据计算，估算工作量较大，能量平衡余项法通过模型计算和涡度相关通量进行余项计算，从而根据地表能量平衡方程的余项作为人为热通量，但是人为热通量的计算结果受到各项能量偏差的累积影响，不同时间的气象条件和下垫面特征都会影响通量观测的源区范围。
综上所述，现有的人为热通量评估方法存在有难以直接地对区域尺度(百米级)的人为热通量的时间和空间分布进行准确估算的缺陷。
发明内容
为了提高对区域尺度内的人为热通量的估算准确性，本申请提供一种基于通量观测数据的人为热通量估算方法及系统。
本申请的上述发明目的一是通过以下技术方案得以实现的：
一种基于通量观测数据的人为热通量估算方法，包括：
对选定区域进行网格划分，并获取所述选定区域内的建筑矢量数据、土地利用数据和仪器观测数据，其中，所述仪器观测数据包括涡度相关仪观测数据、大孔径闪烁仪观测数据和无人机红外热像仪观测数据；
根据所述涡度相关仪观测数据确定涡度相关仪通量源区，结合所述建筑矢量数据、所述土地利用数据和所述仪器观测数据，得到所述涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值；
根据所述大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布；
根据所述大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算各网格对应的人为热通量的时空分布；
将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述人为热通量估算模型估算所述选定区域内各网格的人为热通量的时空分布。
通过采用上述技术方案，可实现百米级人为热通量的快速准确的估算。具体来说，对选定区域进行网格划分，并在选定区域布置涡度相关仪和大孔径闪烁仪和无人机红外热像仪，获取选定区域的实时通量观测数据，包括涡度相关仪观测数据、大孔径闪烁仪观测数据和无人机红外热像仪观测数据，同时解决了传统方法中的通量数据空白和数据有效性的问题；根据涡度相关仪通量观测结果等数据，计算并修正涡度相关仪通量源区内每种下垫面类型的显热通量和潜热通量，有助于提高传统地表通量计算结果的精度；结合大孔径闪烁仪的通量观测数据，计算大孔径闪烁仪通量源区内每个网格的显热通量和潜热通量的时空分布，进而计算大孔径闪烁仪通量源区内各网格的人为热通量，有助于提高人为热通量时空分布的分辨率(从公里级到百米级)；基于前述的计算结果构建数据集，并通过卷积神经网络构建人为热估算模型，可提高人为热通量的估算效率，不仅可实现选定区域内有通量观测区域的人为热通量的快速估算，也可实现选定区域内没有通量观测区域的人为热通量的快速估算。
本申请在一较佳示例中：所述根据涡度相关仪观测数据确定涡度相关仪通量源区，结合所述建筑矢量数据、所述土地利用数据和所述仪器观测数据，得到所述涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值的步骤中，包括：
将所述涡度相关仪观测数据，输入至预设的足迹模型中得到所述选定区域对应的涡度相关仪通量源区；
根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值；
根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的潜热通量计算值；
根据所述土地利用数据和所述涡度相关仪观测数据，对所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值和潜热通量计算值进行数据修正处理，得到涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值。
通过采用上述技术方案，可实现涡度相关仪通量源区内每种下垫面类型的显热通量和潜热通量的准确估算。具体来说，将涡度相关仪观测数据输入至足迹模型得到涡度相关仪通量源区，有助于衡量涡度相关仪观测结果的空间代表性；根据建筑矢量数据计算涡度相关仪通量源区内的平均建筑高度和平均植被高度，综合考虑建筑和植被对空气学阻抗的影响，同时结合涡度相关仪观测数据和无人机红外热像仪的平均表面温度数据，可提高每种下垫面类型的显热通量和潜热通量计算结果的准确度；根据土地利用数据计算每种下垫面类型的面积占比，同时结合涡度相关仪的实际观测值，对每种下垫面类型的显热通量和潜热通量进行修正，有效降低因涡度相关仪在非均质下垫面测量引起的误差，从而提高各类下垫面的显热通量和潜热通量的计算精度。
本申请在一较佳示例中：所述根据建筑矢量数据和仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值的步骤中，包括：
植被下垫面和不透水下垫面的显热通量计算如公式(1)所示：
其中，QH,si为涡度相关仪通量源区内i下垫面类型的显热通量计算值，ρ为空气密度，cp为定压比热，Tsi为i下垫面类型的平均表面温度，Ta为空气温度，ra为空气动力学阻抗，假设在同一区域内ra相等，通过公式(2)计算得到：
其中，zm是风速测量高度，zh是气温测量高度，d为零平面位移高度，z0m为动量粗糙度，z0h为热量粗糙度，z0h＝0.1z0m，k为冯·卡门常数，uz是风速，其中，d和z0m综合考虑涡度相关仪通量源区的平均建筑高度Hb和植被高度Hv。
水体下垫面的显热通量的计算如公式(3)所示：
其中，QH,sw为涡度相关仪通量源区内水体下垫面的显热通量计算值，Tsw为水体下垫面的平均表面温度。
通过采用上述技术方案，对涡度相关仪通量源区内不同类型下垫面的显热通量进行分类计算，并综合考虑建筑和植物对空气学阻抗的影响，可以提高显热通量计算值的精度。
本申请在一较佳示例中：所述根据建筑矢量数据和仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的潜热通量计算值的步骤中，包括：
每种下垫面类型表面接收到的净辐射通量通过公式(4)计算：
Rn＝(1-αi)SWin-σεiTsi 4+εiLWin (4)
其中，Rn通过为每种下垫面类型表面接收到的净辐射通量，SWin和LWin分别是太阳短波辐射和大气长波辐射，αi为各类型下垫面的表面反照率，σ为Stefan-Boltzmann常数，εi为各类型下垫面的表面发射率；
植被下垫面的潜热通量的计算如公式(5)所示：
其中，QE,sv为涡度相关仪通量源区内植被下垫面的潜热通量计算值，Δ为饱和水汽压曲线斜率，Rn,v为植被表面接收的净辐射通量，es为饱和水汽压，根据对应下垫面的平均表面温度计算得到，ea为实际水汽压，γ为干湿表常数，rs,v为植被表面水汽扩散阻抗，通过公式(6)计算得到：
其中，CL是单位叶面积的平均潜在气孔导度，m(Tmin)表示气温胁迫函数，m(VPD)表示水汽压胁迫函数，LAI是叶面积指数；
水体下垫面的潜热通量的计算如公式(7)所示：
其中，QE,sw为涡度相关仪通量源区内水体下垫面的潜热通量计算值，Rn,w为水体表面接收的净辐射通量，风函数f(u)＝(2.33+1.65u)L-0.1，L＝0.5(Awπ)0.5，Aw为水体面积；
不透水下垫面的潜热通量的计算如公式(8)所示：
其中，QE,si为涡度相关仪通量源区内不透水下垫面的潜热通量计算值，Rn,i为不透水表面接收的净辐射通量，rs,i为不透水表面水汽扩散阻抗，rs,i＝exp(8.206-4.225W)，W为不透水表面的湿润程度。
通过采用上述技术方案，对涡度相关仪通量源区内不同类型下垫面的净辐射通量进行分类计算，并通过水汽扩散阻抗对不同类型下垫面的潜热通量进行计算，可以提高潜热通量计算值的精度。
本申请在一较佳示例中：所述根据土地利用数据和涡度相关仪观测数据，对所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值和潜热通量计算值进行数据修正处理，得到涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值的步骤中，包括：
分别获取同时刻的每种下垫面类型的显热通量计算值以及涡度相关仪的显热通量观测值，根据每种下垫面类型的面积占比和显热通量观测值对显热通量计算值进行修正，并将滑动平均法得到的平均值作为该时刻每种下垫面类型的显热通量修正值，植被、水体和不透水下垫面对应的显热通量修正值分别通过公式(9)-(11)计算得到：
其中，n表示进行滑动平均计算所需要的观测时间窗口，QH,v_t、QH,w_t和QH,i_t分别是t时刻，植被、水体和不透水下垫面对应的显热通量修正值，QH,sv_τ、QH,sw_τ和QH,si_τ分别是第τ日t时刻，植被、水体、不透水下垫面对应的显热通量计算值，fv_τ、fw_τ和fi_τ分别是第τ日t时刻，涡度相关仪通量源区内的植被、水体和不透水面下垫面的面积占比，QH,so_t是第τ日t时刻，涡度相关仪的显热通量观测值；
分别获取同时刻的每种下垫面类型的潜热通量计算值以及涡度相关仪的潜热通量观测值，根据每种下垫面类型的面积占比和显热通量观测值对潜热通量计算值进行修正，并将滑动平均法得到的平均值作为该时刻每种下垫面类型的潜热通量修正值，植被、水体和不透水下垫面对应的潜热通量修正值分别通过公式(12)-(14)计算得到：
其中，QE,v_t、QE,w_t和QE,i_t分别是t时刻，植被、水体和不透水下垫面对应的潜热通量修正值，QE,sv_τ、QE,sw_τ和QE,si_τ分别是第τ日t时刻，植被、水体、不透水下垫面对应的潜热通量计算值，QE,so_t是第τ日t时刻，涡度相关仪的潜热通量观测值。
通过采用上述技术方案，可提高涡度相关仪通量源区内每种下垫面类型的显热通量和潜热通量的计算结果的精度。具体来说，基于显热通量和潜热通量观测值对显热通量和潜热通量计算值进行修正，可有效弥补的显热通量和潜热通量计算值与显热通量和潜热通量实际值的偏差；根据每种下垫面类型的面积占比作为修正系数，可有效提高每种下垫面类型的显热通量和潜热通量计算结果的精度；同时，引用滑动平均法对修正值进行平均，可减少异常值对结果的影响，从训练集的层面，增加了后续构建的人为热估算模型的鲁棒性。
本申请在一较佳示例中：所述根据大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布的步骤中，包括：
将所述大孔径闪烁仪观测数据，输入至预设的足迹模型中得到所述选定区域对应的大孔径闪烁仪通量源区；
基于所述每种下垫面类型的显热通量修正值与潜热通量修正值及对应的面积占比，分别计算所述大孔径闪烁仪通量源区内各网格在同一时刻的显热通量占比系数和潜热通量占比系数，所述显热通量占比系数和所述潜热通量占比系数分别通过公式(15)和(16)计算得到：
其中，表示t时刻j网格的显热通量占比系数，/>表示t时刻j网格的潜热通量占比系数，fj,v_t、fj,w_t和fj,i_t分别是t时刻j网格的植被、水体和不透水下垫面的面积占比，Fv_t、Fw_t和Fi_t分别是t时刻大孔径闪烁仪通量源区内的植被、水体和不透水下垫面的面积占比，QH,v_t、QH,w_t和QH,i_t分别是t时刻，植被、水体和不透水下垫面对应观测时刻的显热通量修正值，QE,v_t、QE,w_t和QE,i_t分别是t时刻，植被、水体和不透水下垫面对应观测时刻的潜热通量修正值；
根据所述显热通量占比系数和潜热通量占比系数，以及所述大孔径闪烁仪的显热通量观测值和潜热通量观测值，计算大孔径闪烁仪通量源区内各网格的显热通量和潜热通量，所述显热通量和潜热通量分别通过公式(17)和(18)计算得到：
其中，QH,j_t和QE,j_t分别表示t时刻大孔径闪烁仪通量源区内j网格的显热通量和潜热通量，QH,o_t和QE,o_t分别表示t时刻大孔径闪烁仪的显热通量观测值和潜热通量观测值。
通过采用上述技术方案，提高了所述大孔径闪烁仪通量源区内各网格显热通量和潜热通量的计算结果的精度和空间分辨率。具体来说，将大孔径闪烁仪观测数据输入至足迹模型得到大孔径闪烁仪通量源区，有助于衡量大孔径闪烁仪观测结果的空间代表性；基于所述每种下垫面类型的显热通量和潜热通量修正值及对应的面积占比，提出显热通量和潜热通量的占比系数，可有效提高各网格的显热通量和潜热通量计算结果的精度；结合大孔径闪烁仪的显热通量和潜热通量的观测值得到大孔径闪烁仪通量源区内各网格的显热通量和潜热通量结果，可以将大范围的观测通量结果科学有效地分配到各个网格，从而得到了大孔径闪烁仪通量源区内高时空分辨率的显热通量和潜热通量结果。
本申请在一较佳示例中：所述根据大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算所述各网格对应的人为热通量的时空分布的步骤中，包括：
根据所述每种下垫面类型的面积及平均表面温度，计算所述大孔径闪烁仪通量源区内各网格的土壤热通量，所述土壤热通量通过公式(19)计算得到：
其中，QG,j_t为t时刻j网格的土壤热通量，i表示j网格第n个下垫面类型，Ai是j网格第i个下垫面的面积，Ci是j网格第i个下垫面的热容量，dTs/dt是给定时间内的平均表面温度变化，dV是所观测区域的下垫面的体积；
根据大孔径闪烁仪通量源区内各网格中每种下垫面类型面积占比以及涡度相关仪观测数据，计算所述各网格的净辐射通量，净辐射通量通过公式(20)计算得到；
Rn,j_t＝fv_tRn,v+fw_tRn,w+fi_tRn,i(20)
其中，Rn,j_t为t时刻j网格的净辐射通量；Rn,v、Rn,w、Rn,i分别是根据公式(4)计算的各类型下垫面的净辐射通量；fv_t、fw_t和fi_t分别是t时刻，j网格的植被、水体和不透水面下垫面类型面积占比；
根据所述大孔径闪烁仪通量源区内各网格对应的所述显热通量、所述潜热通量、所述土壤热通量和所述净辐射通量，计算所述网格的人为热通量的时空分布。
通过采用上述技术方案，可科学有效估算大孔径闪烁仪通量源区内各网格的人为热通量的时空分布。具体来说，根据无人机红外热像仪对每种下垫面类型的平均表面温度进行连续观测，并通过下垫面的物性参数得到大孔径闪烁仪通量源区内各网格的土壤热通量，该方法可快速准确的计算某一时段大面积区域的土壤热通量；结合每种下垫面类型的面积占比，对涡度相关仪测得的净辐射通量进行面积加权平均，可快速准确的计算某一时段大面积区域的净辐射通量；进一步地，结合能量平衡方程可得到人为热通量。
本申请在一较佳示例中：所述将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述人为热通量估算模型估算所述选定区域内各网格的人为热通量的时空分布的步骤中，包括：
将大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，其中，所述输入信息包括平均建筑高度、平均植被高度、每种下垫面类型的面积占比及对应的平均表面温度，以及大孔径闪烁仪观测得到的空气温度、长波辐射、短波辐射、风速、显热通量和潜热通量；
基于卷积神经网络算法，根据所述训练集和验证集，构建人为热估算模型；
通过所述人为热通量估算模型，输入选定区域内各网格的所述输入信息，可输出选定区域内全部网格的人为热通量的时空分布。
通过采用上述技术方案，不仅可以快速估算选定区域内各网格人为热通量，而且还可以得到该通量在时间和空间上的分布，有助于城市规划的相关研究。具体来说，将大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，可有效地确保了模型的训练和验证。这有助于避免过拟合和欠拟合的问题，从而提高模型的泛化能力；与时空克里金等传统插值技术相比，基于卷积神经网络方法构建的人为热估算模型，可以考虑更多的影响因素，并有效地捕获数据中的空间依赖关系，从而提高人为热结果在空间分布的精度；由于这个模型可以处理各种不同类型的输入信息(例如建筑形态数据、土地利用数据和其他气象数据)，因此，它可以快速应用于各种不同的地理环境和城市类型，使得本发明具有广泛的应用范围。
本申请的上述发明目的二是通过以下技术方案得以实现的：
一种基于通量观测数据的人为热通量估算系统，包括：
数据处理模块，用于对选定区域进行网格划分，并获取所述选定区域内的建筑矢量数据、土地利用数据和仪器观测数据，其中，所述仪器观测数据包括涡度相关仪观测数据、大孔径闪烁仪观测数据和无人机红外热像仪观测数据；
下垫面类型的显热和潜热通量计算模块，用于根据所述涡度相关仪观测数据确定涡度相关仪通量源区，结合所述建筑矢量数据、土地利用数据和仪器观测数据，得到所述涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值；
网格的显热和潜热通量计算模块，用于根据所述大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布；
网格的人为热通量计算模块，用于根据所述大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算所述各网格对应的人为热通量的时空分布；
人为热通量估算模块，用于将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述模型估算所述选定区域内各网格的人为热通量的时空分布。
综上所述，本申请包括以下至少一种有益技术效果：
1.数据限制少：所提出的方法依赖于多种数据源，包括仪器的观测数据，而不是仅仅依赖于公共部门发布的能耗数据，直接避免了能源消耗和人为热通量之间的时间滞后问题；同时，选用大孔径闪烁仪与涡度相关仪结合的方法进行观测，可有效地弥补涡度相关仪在观测范围和空间代表性的局限性；
2.计算复杂度低，精度可靠：通过使用地表能量平衡方程避免了建筑能耗和热量排放建模的复杂性，同时通过结合大孔径闪烁仪和涡动相关仪的观测数据，可以更准确地测量显热通量和潜热通量，从而更好地估算人为热通量；
3.计算效率高：基于高精度、高频率和大范围的人为热通量训练集，根据卷积神经网络构建人为热通量预测模型，可有效解决传统方法面临的空间不对称性和时间不重叠性，从而为选定区域提供了一种快速科学的人为热通量计算方法；
4.适用性和可扩展性广：所提出的方法可以适应各种城市环境和尺度，使其成为估算人为热通量的通用工具。这种适应性使研究人员和城市规划者能够更好地了解和解决与能源消耗、城市热岛效应和气候变化适应相关的挑战。
附图说明
图1是一种基于通量观测数据的人为热通量估算方法的实现流程图。
图2是一种基于通量观测数据的人为热通量估算系统的结构框图。
图3是本申请实施例中的通量观测仪器的布置及其通量源区示意图。
图4是本申请实施例中的各类型下垫面的分类图。
图5是本申请实施例中的涡度相关仪的通量观测数据在夏季和冬季的分布示意图。
图6是本申请实施例中的人为热通量估算模型的训练流程图。
图7是本申请实施例中的人为热通量的空间分布示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种基于通量观测数据的人为热通量估算方法，具体包括如下步骤：
S10：对选定区域进行网格划分，并获取所述选定区域内的建筑矢量数据、土地利用数据和仪器观测数据，其中，所述仪器观测数据包括涡度相关仪观测数据、大孔径闪烁仪观测数据和无人机红外热像仪观测数据。
具体地，步骤S10包括以下步骤：
根据研究需要对选定区域进行网格划分，在选定区域内架设大孔径闪烁仪和涡度相关仪对选定区域进行观测，本实施例中的选定区域的通量观测布置如图3所示，在选定区域的相对两侧分别架设大孔径闪烁仪的发射端和接收端，在选定区域的植被、水体和不透水下垫面类型分别架设涡度相关仪。其中，大孔径闪烁仪通过光闪烁法测量大范围内的非均质下垫面的显热通量和潜热通量，涡度相关仪测量小范围内的均质下垫面的显热通量和潜热通量。
通过公共数据收集并获取选定区域内的建筑矢量数据和土地利用数据。其中，通过所述建筑矢量数据可计算对应的平均建筑高度，根据所述土地利用数据可计算对应的每种下垫面类型的面积占比，根据所述仪器观测数据可得到对应的每种下垫面类型的温度、湿度、风速、风向、长波辐射、短波辐射和平均表面温度。
需要说明的是，本实施例中还按照数据的空间分布和时间序列，分别对建筑矢量数据、土地利用数据和仪器观测数据进行数据预处理，预处理过程包括对数据进行修正、剔除异常值、填补缺失值和转换数据格式以及合并数据集等。
S20：根据所述涡度相关仪观测数据确定涡度相关仪通量源区，结合所述建筑矢量数据、所述土地利用数据和所述仪器观测数据，得到所述涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值。
具体地，步骤S20包括以下步骤：
S201：将所述涡度相关仪观测数据，输入至预设的足迹模型中得到所述选定区域对应的涡度相关仪通量源区。
具体地，获取选定区域内表面粗糙度以及涡度相关仪的测量高度和观测时间段内的风速、风向和大气稳定度数据，将这些信息输入至FREddyPro软件中预设的足迹模型中进行计算，得到所述选定区域对应的涡度相关仪通量源区。本实施例中，足迹模型选用Kljun模型。
S202：根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值。
具体地，步骤S202包括以下步骤：
获取涡度相关仪通量源区内的下垫面类型数据，包括植被、不透水和水体等下垫面类型，本实施例中的下垫面分类情况如图4所示，根据公式(1)和公式(3)对涡度相关仪通量源区中每种下垫面类型的显热通量分别进行计算。
植被和不透水下垫面的显热通量的计算如公式(1)所示：
其中，QH,si为涡度相关仪通量源区内计算的i下垫面类型的显热通量；ρ为空气密度；cp为定压比热；Tsi为i下垫面类型的平均表面温度；Ta为空气温度；ra为空气动力学阻抗，假设在同一区域内ra相等，按公式(2)计算：
其中，zm是风速测量高度；zh是气温测量高度；d为零平面位移高度；z0m为动量粗糙度；zh为热量粗糙度，zh＝0.1z0m；k为冯·卡门常数，本实施例中k取值0.41；uz是当前风速，其中，d和z0m综合考虑涡度相关仪通量源区的平均建筑高度和植被高度，d按公式(21)计算：
其中，常数α为4.43；Hav为粗糙元平均高度(如Hb或Hv)；λp为粗糙度元与涡度相关仪通量源区的面积占比。
本实施例中，z0m按公式(22)计算：
其中，β为阻力校正系数，本实施例中β的取值为1，也可以根据实际需要选择其他取值；CDb为建筑的阻力系数，本实施例中CDb的取值为1.2；Afb为建筑的迎风面面积指数；Afv为植被的迎风面面积指数；Pv为植被阻力系数与建筑阻力系数之比，按公式(23)计算：
其中，P3D为植被的孔隙率，CDv为植被阻力系数。
水体下垫面的显热通量的计算如公式(3)所示：
其中，QH,sw为涡度相关仪通量源区内计算得到的水体下垫面的显热通量，Tsw为水体的平均表面温度。
在一实施例中，为了对空气动力学阻抗ra进行准确计算，步骤S202还包括：
根据建筑矢量数据，计算涡度相关仪通量源区的建筑面积和平均建筑高度等形态特征参数，从而通过公式(24)计算得到涡度相关仪通量源区内的平均建筑高度Hb。
其中，Hb表示涡度相关仪通量源区内的平均建筑高度，i表示涡度相关仪通量源区内第i栋建筑，n表示涡度相关仪通量源区内的所有建筑数量，ai表示涡度相关仪通量源区内第i栋建筑的基底面积，hi表示涡度相关仪通量源区内第i栋建筑的建筑高度，Ab表示涡度相关仪通量源区内建筑总基底面积。
根据涡度相关仪观测的年平均降雨量数据，通过公式(25)计算得到涡度相关仪通量源区内的平均植被高度Hv。
其中，Hv表示涡度相关仪通量源区内的植被高度，P表示年平均降雨量。需要说明的是，在无法获取到选定区域内的年均降雨量时，也可以通过选定区域的临近气象站点的年均降雨量进行替代计算，不局限于本实施例中的一种计算方式。
S203：根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的潜热通量计算值。
具体地，步骤S203包括以下步骤：
每种类型的表面接收到的净辐射通量按公式(4)计算：
Rn＝(1-αi)SWin-σεiTsi 4+εiLWin (4)
其中，Rn通过为每种下垫面类型表面接收到的净辐射通量，SWin和LWin分别是太阳短波辐射和大气长波辐射，αi为各类型下垫面的表面反照率，σ为Stefan□Boltzmann常数，εi为各类型下垫面的表面发射率。
根据下垫面类型，对不同类型的下垫面分别进行潜热通量计算，其中，植被下垫面的潜热通量的计算如公式(5)所示：
其中，QE,sv为涡度相关仪通量源区内计算的植被下垫面的潜热通量；Δ为饱和水汽压曲线斜率；Rn,v为植被表面接收的净辐射通量；es为饱和水汽压，根据对应下垫面的平均表面温度计算得到；ea为实际水汽压；γ为干湿表常数；rs,v为植被表面水汽扩散阻抗，通过公式(6)计算得到：
其中，CL是单位叶面积的平均潜在气孔导度；LAI是叶面积指数；m(Tmin)表示气温胁迫函数，通过公式(26)计算得到；m(VPD)表示水汽压胁迫函数，通过公式(27)计算得到：
水体下垫面的潜热通量的计算如公式(7)所示：
其中，QE,sw为涡度相关仪通量源区内计算的水体下垫面的潜热通量；Rn,w为水体表面接收的净辐射通量；风函数f(u)＝(2.33+1.65u)L-0.1，L＝0.5(Awπ)0.5，Aw为水体面积。
不透水下垫面的潜热通量的计算如公式(8)所示：
其中，QE,si为涡度相关仪通量源区内计算的不透水下垫面的潜热通量；Rn,i为不透水表面接收的净辐射通量；rs,i为不透水表面水汽扩散阻抗，rs,i＝exp(8.206-4.225W)，W为不透水下垫面的湿润程度。
S204：根据所述土地利用数据和所述涡度相关仪观测数据，对所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值和潜热通量计算值进行数据修正处理，得到每种下垫面类型的显热通量修正值与潜热通量修正值。
具体地，步骤S204包括以下步骤：
分别获取同时刻的每种下垫面类型的显热通量计算值以及涡度相关仪的显热通量观测值，根据每种下垫面类型的面积占比和显热通量观测值对显热通量计算值进行修正，并将滑动平均法得到的平均值作为该时刻每种下垫面类型的显热通量修正值，植被、水体和不透水下垫面对应的显热通量修正值分别通过公式(9)-(11)计算得到：
其中，n表示进行滑动平均计算所需要的观测时间窗口，QH,v_t、QH,w_t和QH,i_t分别是t时刻，植被、水体和不透水下垫面对应的显热通量修正值，QH,sv_τ、QH,sw_τ和QH,si_τ分别是第τ日t时刻，植被、水体、不透水下垫面对应的显热通量计算值，fv_τ、fw_τ和fi_τ分别是第τ日t时刻，涡度相关仪通量源区内的植被、水体和不透水面下垫面的面积占比，QH,so_t是第τ日t时刻，涡度相关仪的显热通量观测值。需要说明是，本实施例中选择5天为一个窗口周期进行滑动平均，因此需要保证观测的周期大于5天。
分别获取同时刻的每种下垫面类型的潜热通量计算值以及涡度相关仪的潜热通量观测值，根据每种下垫面类型的面积占比和显热通量观测值对潜热通量计算值进行修正，并将滑动平均法得到的平均值作为该时刻每种下垫面类型的潜热通量修正值，植被、水体和不透水下垫面对应的潜热通量修正值分别通过公式(12)-(14)计算得到：
其中，n表示进行滑动平均计算所需要的观测时间窗口，QE,v_t、QE,w_t和QE,i_t分别是t时刻，植被、水体和不透水下垫面对应的潜热通量修正值，QE,sv_τ、QE,sw_τ和QE,si_τ分别是第τ日t时刻，植被、水体、不透水下垫面对应的潜热通量计算值，QE,so_t是第τ日t时刻，涡度相关仪的潜热通量观测值。
本实施例中架设在水体下垫面的涡度相关仪，其在夏季(7月28日)和冬季(2月2日的)的显热通量观测值和潜热通量观测值的数据分布如图5所示。
S30：根据所述大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布。
具体地，步骤S30包括以下步骤：
S301：将所述大孔径闪烁仪观测数据，输入至预设的足迹模型中得到所述选定区域对应的大孔径闪烁仪通量源区。
具体地，获取选定区域内表面粗糙度以及大孔径闪烁仪的测量高度和观测时间段内的风速、风向和大气稳定度数据，将这些信息输入至FREddyPro软件中预设的足迹模型中进行计算，得到所述选定区域对应的大孔径闪烁仪通量源区。本实施例中，足迹模型选用Kljun模型。
S302：基于所述每种下垫面类型的显热通量修正值与潜热通量修正值及对应的面积占比，分别计算所述大孔径闪烁仪通量源区内各网格在同一时刻的显热通量占比系数和潜热通量占比系数。
具体地，所述显热通量占比系数和所述潜热通量占比系数分别通过公式(15)和(16)计算得到：
其中，表示t时刻j网格的显热通量占比系数，/>表示t时刻j网格的潜热通量占比系数，fj,v_t、fj,w_t和fj,i_t分别是t时刻j网格的植被、水体和不透水下垫面的面积占比，Fv_t、Fw_t和Fi_t分别是t时刻大孔径闪烁仪通量源区内的植被、水体和不透水下垫面的面积占比，QH,v_t、QH,w_t和QH,i_t分别是t时刻，植被、水体和不透水下垫面对应观测时刻的显热通量修正值，QE,v_t、QE,w_t和QE,i_t分别是t时刻，植被、水体和不透水下垫面对应观测时刻的潜热通量修正值。
S303：根据所述显热通量占比系数和潜热通量占比系数，以及所述大孔径闪烁仪的显热通量观测值和潜热通量观测值，计算大孔径闪烁仪通量源区内各网格的显热通量和潜热通量。
具体地，所述显热通量和潜热通量分别通过公式(17)和(18)计算得到：
其中，QH,j_t和QE,j_t分别表示t时刻大孔径闪烁仪通量源区内j网格的显热通量和潜热通量，QH,o_t和QE,o_t分别表示t时刻大孔径闪烁仪的显热通量观测值和潜热通量观测值。
需要说明的是，本实施例中，大孔径闪烁仪通量源区内的网格为通量源区占网格面积占比大于50％的网格。
S40：根据所述大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算各网格对应的人为热通量的时空分布。
具体地，步骤S40包括以下步骤：
S401：根据所述每种下垫面类型的面积及平均表面温度，计算所述大孔径闪烁仪通量源区内各网格的土壤热通量。
具体地，根据无人机热成像仪获取选定区域的平均表面温度，结合每种类型的下垫面的面积和热容量参数，对网格的土壤热通量进行计算，所述土壤热通量通过公式(19)计算得到：
/>
其中，QG,j_t为t时刻j网格的土壤热通量，i表示j网格第n个下垫面类型，Ai是j网格第i个下垫面的面积，Ci是j网格第i个下垫面的热容量，dTs/dt是给定时间内的平均表面温度变化，dV是所观测区域的下垫面的体积。
S402：根据每种下垫面类型的面积占比以及所述仪器观测数据，计算所述大孔径闪烁仪通量源区内各网格的净辐射通量。
具体地，获取涡度相关仪观测的辐射数据，结合每种类型的下垫面在当前j网格中的面积占比和公式(4)，对网格的净辐射通量进行计算，所述网格净辐射通量通过公式(20)计算得到：
Rn,j_t＝fv_tRn,v+fw_tRn,w+fii_tRn,i (20)
其中，Rn,j_t为t时刻j网格的净辐射通量；Rn,v、Rn,w、Rn,i分别是根据公式(4)计算的各类型下垫面的净辐射通量；fv_t、fw_t和fi_t分别是t时刻，j网格的植被、水体和不透水面下垫面类型面积占比。
S403：根据所述大孔径闪烁仪通量源区内各网格对应的所述显热通量、所述潜热通量、所述土壤热通量和所述净辐射通量，计算所述各网格的人为热通量的时空分布。
具体地，计算t时刻j网格的显热通量、潜热通量、土壤热通量和净辐射通量，之间的总热量，结合地表能量平衡公式计算t时刻j网格的人为热通量，所述网格的人为热通量通过公式(28)计算得到：
Qj,A_t＝Qj,H_t+Qj,E_t+Qj,G_t-Rn,j_t (28)
其中，Qj,H_t、Qj,E_t、Qj,G_t分别为t时刻j网格的显热通量、潜热通量和土壤热通量，Rn,j_t为t时刻j网格的净辐射通量。
S50：将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述人为热通量估算模型估算所述选定区域内各网格的人为热通量的时空分布。
具体地，步骤S50包括以下步骤：
S501：将大孔径闪烁仪通量源区内各网格的输入信息和人为热通量经过数据预处理组成数据集，并将数据集按7:3的比例划分为训练集和验证集。
具体地，所述输入信息包括平均建筑高度、平均植被高度、每种下垫面类型的面积占比及其平均表面温度，以及大孔径闪烁仪观测得到的空气温度、相对湿度、长波辐射、短波辐射、风速、风向、显热通量和潜热通量；预处理过程包括重复性检验、数据格式转化和归一化处理。
S502：基于卷积神经网络算法，根据训练集和验证集，构建人为热通量估算模型。
具体地，基于卷积神经网络算法构建人为热通量估算模型框架，其中，本发明通过实验得出了一个较优的模型超参数方案可作为所述人为热通量估算模型超参数的初始值：输入节点数为16，输出节点数为1，三个二维卷积层卷积核数量分别为64、128和256，每个卷积核尺寸为3×3，激活函数为ReLU，损失函数为均方差损失函数，梯度下降方法为随机梯度下降法，学习率为0.002，迭代次数为2000。
通过输入所述训练集训练所述人为热通量估算模型，训练过程如图6所示，并根据所述模型在所述验证集上的估算偏差调整模型的超参数，重复步骤直至预测偏差满足要求。在本实施例中，估算偏差采用偏差率表示，e设置为10％。
S503：通过所述的人为热通量估算模型，估算选定区域内各网格的人为热通量。
具体地，通过所述人为热通量估算模型，输入选定区域内各网格的平均建筑高度、平均植被高度、每种下垫面类型的面积占比及其平均表面温度，以及大孔径闪烁仪观测得到的气温、长波辐射、短波辐射、风速、显热通量和潜热通量，可输出选定区域内各网格的人为热通量，选定区域某时刻的人为热通量分布如图7所示。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种基于通量观测数据的人为热通量估算系统，该基于通量观测数据的人为热通量估算系统与上述实施例中基于通量观测数据的人为热通量估算方法一一对应。如图2所示，该基于通量观测数据的人为热通量估算系统包括数据处理模块、下垫面类型的显热和潜热通量计算模块、网格的显热和潜热通量计算模块、网格的人为热通量计算模块和人为热通量估算模块。各功能模块详细说明如下：
数据处理模块，用于对选定区域进行网格划分，并获取所述选定区域内的建筑矢量数据、土地利用数据和仪器观测数据，其中，所述仪器观测数据包括涡度相关仪观测数据、大孔径闪烁仪观测数据和无人机红外热像仪观测数据；
下垫面类型的显热和潜热通量计算模块，用于根据所述涡度相关仪观测数据确定涡度相关仪通量源区，结合所述建筑矢量数据、土地利用数据和仪器观测数据，得到所述涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值；
网格的显热和潜热通量计算模块，用于根据所述大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布；
网格的人为热通量计算模块，用于根据所述大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算所述各网格对应的人为热通量的时空分布；
人为热通量估算模块，用于将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述模型估算所述选定区域内各网格的人为热通量的时空分布。
关于基于通量观测数据的人为热通量估算系统的具体限定可以参见上文中对于基于通量观测数据的人为热通量估算方法的限定，在此不再赘述。上述基于通量观测数据的人为热通量估算系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于通量观测数据的人为热通量估算方法，其特征在于，包括：
对选定区域进行网格划分，并获取所述选定区域内的建筑矢量数据、土地利用数据和仪器观测数据，其中，所述仪器观测数据包括涡度相关仪观测数据、大孔径闪烁仪观测数据和无人机红外热像仪观测数据；
根据所述涡度相关仪观测数据确定涡度相关仪通量源区，结合所述建筑矢量数据、所述土地利用数据和所述仪器观测数据，得到所述涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值，具体包括将所述涡度相关仪观测数据，输入至预设的足迹模型中得到所述选定区域对应的涡度相关仪通量源区，根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值，根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的潜热通量计算值，根据所述土地利用数据和所述涡度相关仪观测数据，对所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值和潜热通量计算值进行数据修正处理，得到每种下垫面类型的显热通量修正值与潜热通量修正值；
根据所述大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布；
根据所述大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算各网格对应的人为热通量的时空分布；
将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述人为热通量估算模型估算所述选定区域内各网格的人为热通量的时空分布。
2.根据权利要求1所述的基于通量观测数据的人为热通量估算方法，其特征在于，所述根据所述建筑矢量数据和所述仪器观测数据，分别计算所述涡度相关仪通量源区对应的每种下垫面类型的显热通量，具体包括：
植被下垫面和不透水下垫面的显热通量计算如公式(1)所示：
其中，QH,si为涡度相关仪通量源区内i下垫面类型的显热通量计算值，ρ为空气密度，cp为定压比热，Tsi为i下垫面类型的平均表面温度，Ta为空气温度，ra为空气动力学阻抗，假设在同一区域内ra相等，通过公式(2)计算得到：
其中，zm是风速测量高度，zh是气温测量高度，d为零平面位移高度，z0m为动量粗糙度，z0h为热量粗糙度，z0h＝0.1z0m，k为冯·卡门常数，uz是风速，其中，d和z0m综合考虑涡度相关仪通量源区的平均建筑高度Hb和植被高度Hv；
水体下垫面的显热通量的计算如公式(3)所示：
其中，QH,sw为涡度相关仪通量源区内水体下垫面的显热通量计算值，Tsw为水体下垫面的平均表面温度。
3.根据权利要求2所述的基于通量观测数据的人为热通量估算方法，其特征在于，所述根据所述建筑矢量数据和所述仪器观测数据，分别计算所述涡度相关仪通量源区对应的每种下垫面类型的潜热通量，具体包括：
每种下垫面类型表面接收到的净辐射通量通过公式(4)计算：
Rn＝(1-αi)SWin-σεiTsi 4+εiLWin (4)
其中，Rn通过为每种下垫面类型表面接收到的净辐射通量，SWin和LWin分别是太阳短波辐射和大气长波辐射，αi为各类型下垫面的表面反照率，σ为Stefan-Boltzmann常数，εi为各类型下垫面的表面发射率；
植被下垫面的潜热通量的计算如公式(5)所示：
其中，QE,sv为涡度相关仪通量源区内植被下垫面的潜热通量计算值，Δ为饱和水汽压曲线斜率，Rn,v为植被表面接收的净辐射通量，es为饱和水汽压，根据对应下垫面的平均表面温度计算得到，ea为实际水汽压，γ为干湿表常数，rs,v为植被表面水汽扩散阻抗，通过公式(6)计算得到：
其中，CL是单位叶面积的平均潜在气孔导度，m(Tmin)表示气温胁迫函数，m(VPD)表示水汽压胁迫函数，LAI是叶面积指数；
水体下垫面的潜热通量的计算如公式(7)所示：
其中，QE,sw为涡度相关仪通量源区内水体下垫面的潜热通量计算值，Rn,w为水体表面接收的净辐射通量，风函数f(u)＝(2.33+1.65u)L-0.1，L＝0.5(Awπ)0.5，Aw为水体面积；
不透水下垫面的潜热通量的计算如公式(8)所示：
其中，QE,si为涡度相关仪通量源区内不透水下垫面的潜热通量计算值，Rn,i为不透水表面接收的净辐射通量，rs,i为不透水表面水汽扩散阻抗，rs,i＝exp(8.206-4.225W)，W为不透水表面的湿润程度。
4.根据权利要求1所述的基于通量观测数据的人为热通量估算方法，其特征在于，所述根据所述土地利用数据和所述涡度相关仪观测数据，对所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值和潜热通量计算值进行数据修正处理，得到每种下垫面类型的显热通量修正值与潜热通量修正值，具体包括：
分别获取同一时刻每种下垫面类型的显热通量计算值以及涡度相关仪的显热通量观测值，根据每种下垫面类型的面积占比和显热通量观测值对显热通量计算值进行修正，并将滑动平均法得到的平均值作为该时刻每种下垫面类型的显热通量修正值，植被、水体和不透水下垫面对应的显热通量修正值分别通过公式(9)-(11)计算得到：
其中，n表示进行滑动平均计算所需要的观测时间窗口，QH,v_t、QH,w_t和QH,i_t分别是t时刻，植被、水体和不透水下垫面对应的显热通量修正值，QH,sv_τ、QH,sw_τ和QH,si_τ分别是第τ日t时刻，植被、水体、不透水下垫面对应的显热通量计算值，fv_τ、fw_τ和fi_τ分别是第τ日t时刻，涡度相关仪通量源区内的植被、水体和不透水面下垫面的面积占比，QH,so_t是第τ日t时刻，涡度相关仪的显热通量观测值；
分别获取同时刻的每种下垫面类型的潜热通量计算值以及涡度相关仪的潜热通量观测值，根据每种下垫面类型的面积占比和潜热通量观测值对潜热通量计算值进行修正，并将滑动平均法得到的平均值作为该时刻每种下垫面类型的潜热通量修正值，植被、水体和不透水下垫面对应的潜热通量修正值分别通过公式(12)-(14)计算得到：
其中，QE,v_t、QE,w_t和QE,i_t分别是t时刻，植被、水体和不透水下垫面对应的潜热通量修正值，QE,sv_τ、QE,sw_τ和QE,si_τ分别是第τ日t时刻，植被、水体、不透水下垫面对应的潜热通量计算值，QE,so_t是第τ日t时刻，涡度相关仪的潜热通量观测值。
5.根据权利要求1所述的基于通量观测数据的人为热通量估算方法，其特征在于，所述根据所述大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布，具体包括：
将所述大孔径闪烁仪观测数据，输入至预设的足迹模型中得到所述选定区域对应的大孔径闪烁仪通量源区；
基于所述每种下垫面类型的显热通量修正值与潜热通量修正值及对应的面积占比，分别计算所述大孔径闪烁仪通量源区内各网格在同一时刻的显热通量占比系数和潜热通量占比系数，所述显热通量占比系数和所述潜热通量占比系数分别通过公式(15)和(16)计算得到：
其中，表示t时刻j网格的显热通量占比系数，/>表示t时刻j网格的潜热通量占比系数，fj,v_t、fj,w_t和fj,i_t分别是t时刻j网格的植被、水体和不透水下垫面的面积占比，Fv_t、Fw_t和Fi_t分别是t时刻大孔径闪烁仪通量源区内的植被、水体和不透水下垫面的面积占比，QH,v_t、QH,w_t和QH,i_t分别是t时刻，植被、水体和不透水下垫面对应观测时刻的显热通量修正值，QE,v_t、QE,w_t和QE,i_t分别是t时刻，植被、水体和不透水下垫面对应观测时刻的潜热通量修正值；
根据所述显热通量占比系数和潜热通量占比系数，以及所述大孔径闪烁仪的显热通量观测值和潜热通量观测值，计算大孔径闪烁仪通量源区内各网格的显热通量和潜热通量，所述显热通量和潜热通量分别通过公式(17)和(18)计算得到：
其中，QH,j_t和QE,j_t分别表示t时刻大孔径闪烁仪通量源区内j网格的显热通量和潜热通量，QH,o_t和QE,o_t分别表示t时刻大孔径闪烁仪的显热通量观测值和潜热通量观测值。
6.根据权利要求2所述的基于通量观测数据的人为热通量估算方法，其特征在于，所述根据所述大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算所述各网格对应的人为热通量的时空分布，具体包括：
根据所述每种下垫面类型的面积及平均表面温度，计算所述大孔径闪烁仪通量源区内各网格的土壤热通量，所述土壤热通量通过公式(19)计算得到：
其中，QG,j_t为t时刻j网格的土壤热通量，i表示j网格第n个下垫面类型，Ai是j网格第i个下垫面的面积，Ci是j网格第i个下垫面的热容量，dTs/dt是给定时间内的平均表面温度变化，dV是所观测区域的下垫面的体积；
根据大孔径闪烁仪通量源区内各网格中每种下垫面类型面积占比以及涡度相关仪观测数据，计算所述各网格的净辐射通量，净辐射通量通过公式(20)计算得到；
Rn,j_t＝fv_tRn,v+fw_tRn,w+fi_tRn,i (20)
其中，Rn,j_t为t时刻j网格的净辐射通量，Rn,v、Rn,w、Rn,i分别是根据公式(4)计算的各类型下垫面的净辐射通量，fv_t、fw_t和fi_t分别是t时刻，j网格的植被、水体和不透水面下垫面类型面积占比；
根据所述大孔径闪烁仪通量源区内各网格对应的所述显热通量、所述潜热通量、所述土壤热通量和所述净辐射通量，计算所述各网格的人为热通量的时空分布。
7.根据权利要求1所述的基于通量观测数据的人为热通量估算方法，其特征在于，所述将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述人为热通量估算模型估算所述选定区域内各网格的人为热通量的时空分布，具体包括：
将大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，其中，所述输入信息包括平均建筑高度、平均植被高度、每种下垫面类型的面积占比及对应的平均表面温度，以及大孔径闪烁仪观测得到的空气温度、长波辐射、短波辐射、风速、显热通量和潜热通量；
基于卷积神经网络算法，根据所述训练集和验证集，构建人为热估算模型；
通过所述人为热通量估算模型，输入选定区域内各网格的所述输入信息，可输出选定区域内全部网格的人为热通量的时空分布。
8.一种基于通量观测数据的人为热通量估算系统，其特征在于，包括：
数据处理模块，用于对选定区域进行网格划分，并获取所述选定区域内的建筑矢量数据、土地利用数据和仪器观测数据，其中，所述仪器观测数据包括涡度相关仪观测数据、大孔径闪烁仪观测数据和无人机红外热像仪观测数据；
下垫面类型的显热和潜热通量计算模块，用于根据所述涡度相关仪观测数据确定涡度相关仪通量源区，结合所述建筑矢量数据、土地利用数据和仪器观测数据，得到所述涡度相关仪通量源区内每种下垫面类型的显热通量修正值与潜热通量修正值，具体包括将所述涡度相关仪观测数据，输入至预设的足迹模型中得到所述选定区域对应的涡度相关仪通量源区，根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值，根据所述建筑矢量数据和所述仪器观测数据，分别计算得到所述涡度相关仪通量源区对应的每种下垫面类型的潜热通量计算值，根据所述土地利用数据和所述涡度相关仪观测数据，对所述涡度相关仪通量源区对应的每种下垫面类型的显热通量计算值和潜热通量计算值进行数据修正处理，得到每种下垫面类型的显热通量修正值与潜热通量修正值；
网格的显热和潜热通量计算模块，用于根据所述大孔径闪烁仪观测数据确定大孔径闪烁仪通量源区，基于每种下垫面类型的显热通量修正值与潜热通量修正值及每种下垫面类型的面积占比，结合所述大孔径闪烁仪观测数据，计算所述大孔径闪烁仪通量源区内各网格的显热通量与潜热通量的时空分布；
网格的人为热通量计算模块，用于根据所述大孔径闪烁仪通量源区内各网格的显热通量和潜热通量的时空分布，结合所述仪器观测数据，计算所述各网格对应的人为热通量的时空分布；
人为热通量估算模块，用于将所述大孔径闪烁仪通量源区内各网格的输入信息和人为热通量按照一定比例划分为训练集和验证集，通过卷积神经网络算法构建人为热通量估算模型，并通过所述模型估算所述选定区域内各网格的人为热通量的时空分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704715.4A CN116843193B (zh) | 2023-06-14 | 2023-06-14 | 一种基于通量观测数据的人为热通量估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704715.4A CN116843193B (zh) | 2023-06-14 | 2023-06-14 | 一种基于通量观测数据的人为热通量估算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116843193A CN116843193A (zh) | 2023-10-03 |
| CN116843193B true CN116843193B (zh) | 2024-02-20 |
Family
ID=88171671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310704715.4A Active CN116843193B (zh) | 2023-06-14 | 2023-06-14 | 一种基于通量观测数据的人为热通量估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843193B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111366195A (zh) * | 2020-03-27 | 2020-07-03 | 北京师范大学 | 一种地表水热通量的多尺度观测方法 |
| CN111881407A (zh) * | 2020-07-30 | 2020-11-03 | 中国科学院地理科学与资源研究所 | 一种基于遥感信息的地表水、热和碳通量耦合估算方法 |
| CN113139273A (zh) * | 2021-01-14 | 2021-07-20 | 中国水利水电科学研究院 | 基于热平流对非均匀下垫面蒸散发的计算方法、系统及应用 |
| CN113156542A (zh) * | 2021-03-12 | 2021-07-23 | 中国气象局气象探测中心 | 一种基于闪烁法测量区域蒸散总水量的方法 |
| CN115204691A (zh) * | 2022-07-13 | 2022-10-18 | 中国科学院地理科学与资源研究所 | 基于机器学习和遥感技术的城市人为热排放量估算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113987779A (zh) * | 2021-10-22 | 2022-01-28 | 中国建筑科学研究院有限公司 | 一种基于热带海岛气候特征的城市冠层模型建立方法 |
-
2023
- 2023-06-14 CN CN202310704715.4A patent/CN116843193B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111366195A (zh) * | 2020-03-27 | 2020-07-03 | 北京师范大学 | 一种地表水热通量的多尺度观测方法 |
| CN111881407A (zh) * | 2020-07-30 | 2020-11-03 | 中国科学院地理科学与资源研究所 | 一种基于遥感信息的地表水、热和碳通量耦合估算方法 |
| CN113139273A (zh) * | 2021-01-14 | 2021-07-20 | 中国水利水电科学研究院 | 基于热平流对非均匀下垫面蒸散发的计算方法、系统及应用 |
| CN113156542A (zh) * | 2021-03-12 | 2021-07-23 | 中国气象局气象探测中心 | 一种基于闪烁法测量区域蒸散总水量的方法 |
| CN115204691A (zh) * | 2022-07-13 | 2022-10-18 | 中国科学院地理科学与资源研究所 | 基于机器学习和遥感技术的城市人为热排放量估算方法 |
Non-Patent Citations (7)
| Title |
|---|
| Effect of moisture on the thermal performance of exterior walls in the tropical islands of the South China Sea;Fuxiang Li等;《Applied Thermal Engineering》;全文 * |
| Peijie Tang等.Field assessments of mean radiant temperature estimation methods at beach areas: A case study of Hailing Island,China.《BuildingandEnvironment》.2023,全文. * |
| 基于Landsat 8 OLI/TIRS的合肥市人为热通量遥感估算研究;王耀杰等;《地球科学进展》;全文 * |
| 基于多源遥感与再分析资料的塔克拉玛干沙漠地表能量通量反演研究;刘凯露;《中国优秀硕士论文 基础科学》;全文 * |
| 基于星地观测的徐州地区地表能量通量研究;陈琦;《中国优秀硕士论文 基础科学》;全文 * |
| 蒸渗仪法和涡度相关法测定蒸散的比较;王韦娜等;《生态学杂志》;全文 * |
| 西安市主城区人为热的时空分布特征研究;景晨思;《中国优秀硕士论文 工程科技Ⅰ辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116843193A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bengtsson et al. | The need for a dynamical climate reanalysis | |
| Yao et al. | New decomposition models to estimate hourly global solar radiation from the daily value | |
| Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
| Shi et al. | Parameter estimation of a physically based land surface hydrologic model using the ensemble Kalman filter: A synthetic experiment | |
| Luo et al. | Estimation of total cloud cover from solar radiation observations at Lake Rotorua, New Zealand | |
| Xu et al. | Estimating turbulent fluxes through assimilation of geostationary operational environmental satellites data using ensemble Kalman filter | |
| Tang et al. | Development of a 50-year daily surface solar radiation dataset over China | |
| CN112559958B (zh) | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 | |
| CN114417646B (zh) | 一种高维异构降水数据融合方法及系统 | |
| Xie et al. | A backpropagation neural network improved by a genetic algorithm for predicting the mean radiant temperature around buildings within the long-term period of the near future | |
| Tang et al. | First effort for constructing a direct solar radiation data set in China for solar energy applications | |
| Hu et al. | Optical-based and thermal-based surface conductance and actual evapotranspiration estimation, an evaluation study in the North China Plain | |
| CN115795399A (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
| Wu et al. | A fast and accurate mean radiant temperature model for courtyards: Evidence from the Keyuan Garden in central Guangdong, China | |
| Dou et al. | Improved flood forecasting in basins with no precipitation stations: Constrained runoff correction using multiple satellite precipitation products | |
| Zhu et al. | A coalescent grid model of weighted mean temperature for China region based on feedforward neural network algorithm | |
| Ohunakin et al. | Solar radiation variability in Nigeria based on multiyear RegCM3 simulations | |
| CN116843193B (zh) | 一种基于通量观测数据的人为热通量估算方法及系统 | |
| Zhou et al. | An assimilating model using broad learning system for incorporating multi‐source precipitation data with environmental factors over southeast China | |
| Katiyar et al. | Correlation for estimation of hourly solar radiation | |
| Zaiani et al. | New approach to establish a clear sky global solar irradiance model | |
| Liu et al. | ENVI-met model performance evaluation for courtyard simulations in hot-humid climates | |
| CN114037901A (zh) | 光伏发电预测导向的实时卫星近红外图像推算方法 | |
| Chen et al. | Coupling meteorological variables with moderate resolution imaging spectroradiometer atmospheric products for estimating global solar radiation | |
| Jiang et al. | Surface global and diffuse solar radiation over China acquired from geostationary Multi-functional Transport Satellite data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |