将建筑群高度分布图与基于风向的深度迁移学习神经网络相结合，以评估城市的微气候

《BUILDING AND ENVIRONMENT》：Integrating graphic building group height distribution grids to assess city’s microclimate with wind-direction-dependent deep transfer learning neural networks

准确评估建筑能耗对城市可持续发展至关重要，但传统方法使用统一气象数据忽略微气候差异。本研究通过构建8方向建筑高度分布矩阵，结合动态风环境数据与深度迁移学习神经网络，实现了微气候条件的高精度预测。实验表明该方法较传统模型温度预测误差降低23%，湿度误差降低42%，有效解决了城市尺度建筑能耗评估中的数据同质化问题。

　　

李琦|王伟|马睿|陈嘉宇|罗晓伟

香港特别行政区九龙香港城市大学建筑与土木工程系；中国深圳香港城市大学深圳研究院建筑信息学与智慧城市中心

摘要

准确评估建筑能耗对于推动城市可持续发展和建设低排放城市至关重要。建筑能耗受到当地天气条件的强烈影响。大多数城市规模研究中的建筑能耗模拟工具采用典型气象年（Typical Meteorological Year, TMY）天气文件，该文件在整个城市范围内是统一的。然而，当地环境与人工结构之间的复杂相互作用形成了城市内部独特的微气候条件。本研究通过开发八个方向上的建筑高度分布矩阵，来探讨建筑形态与风环境之间的相互作用。设计了深度迁移学习神经网络，利用从这些矩阵中提取的风向依赖性建筑形态来预测微气候条件。在东南大学通过部署无线传感器网络进行了验证实验，实验结果证明了所提出方法的有效性。与传统仅考虑形态因素的模型相比，温度和相对湿度的预测误差分别降低了23%和42%。

章节摘录

引言

在全球气候危机的背景下，减少温室气体（GHG）排放的必要性在多个领域得到了强调[[1], [2], [3]]。城市拥有世界上大部分人口，约占全球能源消耗和二氧化碳（CO₂）排放量的70%[4]。为了实现碳中和目标，由于建筑的高能耗，城市建筑受到了越来越多的关注[5,6]。国际能源署的报告指出...

建筑对城市微气候的风屏蔽效应

微气候通常定义为建筑物周围1公里范围内的局部气候条件，空气温度、相对湿度、风速和太阳辐射是量化微气候效应的常用参数[21]。城市环境中的建筑会影响微气候条件的不均匀分布。一个典型的例子是高建筑密度区域由于风阻效应而产生的强烈城市热岛（UHI）现象。

风向依赖性形态深度迁移学习神经网络

周围建筑的不同形态所引发的风屏蔽效应被认为是形成独特区域气候条件的重要因素。受此启发，本研究旨在通过结合风向与建筑形态之间的相互作用，设计双分支深度迁移学习神经网络来改进微气候预测。通过选择2D矩阵中的有效片段，提取出风向依赖性的形态特征。

实验地点及微气候数据收集

为了验证所提出的方法，本研究在位于中国江苏省南京市玄武区的东南大学四牌楼校区（经度：118.80，纬度：32.06）进行了验证实验。该实验地点具有典型的湿润亚热带季风气候，年降水量充足（1200毫米），四季分明。年平均气温为15.4°C，年极端气温最高可达39.7°C，最低...

温度预测结果

在比较LSTM、LSTM-M和LSTM-WD模型之前，首先基于站点1的数据对LSTM-WD模型进行了预实验，比较了三种不同矩阵尺寸（50米×50米、100米×100米、150米×150米）下的温度预测性能。如表A2所示，100米×100米的矩阵尺寸获得了最低的测试均方根误差（RMSE），表明在捕捉相关形态特征与避免空间冗余方面取得了最佳平衡。这一发现支持了我们的选择...

讨论

本研究开发了一种2D网格化方法，用于计算不同方向上的建筑高度分布矩阵。与传统2D/3D形态因素不同，这些矩阵与动态风环境相关联，并选择面向来风方向的矩阵作为有效片段，以量化建筑部分与气流之间的相互作用。该矩阵被传递给深度学习网络以提取与风相关的形态特征。

结论

高精度的天气数据对于在城市尺度上进行可靠的建筑能耗评估至关重要。然而，传统的建筑模拟工具对城市中的所有建筑使用相同的TMY文件，忽略了城市内多样的微气候条件。本研究开发了一种2D网格化方法，绘制八个方向上的建筑高度分布矩阵，以克服这一限制。通过选择适当的矩阵，捕捉到了建筑的风屏蔽效应。

CRediT作者贡献声明

李琦：撰写——原始草稿、可视化、验证、软件开发、方法论设计、数据整理、概念构建。王伟：撰写——审稿与编辑、数据整理。马睿：撰写——审稿与编辑、可视化、数据分析。陈嘉宇：撰写——审稿与编辑、指导工作。罗晓伟：撰写——审稿与编辑、项目管理、方法论设计、资金筹措、概念构建。