基于机器学习的严寒地区滨水空间热舒适评价方法

本发明属于城市规划设计热舒适评价方法领域，具体涉及一种基于机器学习的严寒地区滨水空间热舒适评价方法，适用于快速有效地评价室外热舒适性。

背景技术：

1、城市滨水空间是一种室外城市空间，包含多样化的自然景观，可以舒缓心理压力，促进积极情绪，也能够促进室外体力活动，助益生理健康。随着人们健康意识的增强，滨水空间的热舒适性越来越受到人们的重视。既往的研究多侧重于滨水空间树水耦合作用下对夏季滨水空间的降温效应，然而严寒地区的热舒适需求主要以冬季保暖为主，严寒地区滨水热舒适的优化目标有很强的地域性特征。既往研究发现城市形态、植被分布、与水的距离等因素影响滨水空间的热舒适性，并从定性的角度提出了优化滨水空间热舒适的设计策略。然而这种方式特别依赖建筑师的个人经验，具有很强的主观性。同时如果在分析过程中采用了模拟的方法，则需要消耗大量的时间，对计算机的算力也有较高的要求。

2、高效、准确的城市高密度区室外热舒适评价对于城市规划和设计具有重要意义。然而，现有的评价方法存在一些问题，如建模效率低、容易丢失建筑周边环境信息以及对既有建筑改扩建情况更新不及时。并且，既有室外热舒适评价方法，较少考虑滨水空间的特殊性，没有系统考虑城市形态、植被分布、水体和朝向等多重要素的综合影响。实地调查消耗大量的人力物力，所能覆盖的范围有限。性能模拟对计算机算力有较高要求且花费大量时间。这两种方法无法满足真实滨水区城市设计时对方案热舒适性能快速评价的需求。这些问题影响了热舒适评价的精度和效率，限制了其在城市规划和设计中的应用。因此，需要进一步改进和完善评价方法，以提高评价的准确性和效率。

技术实现思路

1、本发明的目的是为了解决现有室外热舒适评价方法未考虑滨水空间的特殊性，室外热舒适评价准确性不足的问题，而提供一种基于机器学习的严寒地区滨水空间室外热舒适评价方法，以提高城市环境信息模型获取的精确性。

2、本发明基于机器学习的严寒地区滨水空间热舒适评价方法按照以下步骤实现：

3、步骤一、收集严寒地区滨水街区的气象信息，气象信息至少包括空气温度、相对湿度、日照、风向和风速信息；

4、步骤二、通过地理信息系统gis获取城市信息，从城市信息中提取街区建筑、绿地、水体的空间位置信息，基于高程信息生成三维街区，基于卫星地图设置树点位，根据树种和实际情况，设置树冠的形态、高度和间距，从而建立滨江街区三维形态模型；

5、步骤三、设置特征要素，特征要素为容积率(far)、开放空间比率(osr)、第一排建筑标准偏差(sdbh.fr)、建筑高度与河流和建筑之间的距离比(bhdr)、建筑朝向(bo)和植被集中度(vcon)；

6、所述容积率(far)是指建筑物每层地面总面积与建筑物所在地块总面积之间的关系，容积率的计算公式如下：

7、

8、其中ssite是街区用地面积，sf是每层地面面积总和；

9、所述开放空间比率(osr)是指开敞空间相对于建筑面积的百分比，开放空间比率的计算公式如下：

10、

11、其中li是建筑空隙的长度，ltotal是水岸线长度总和；

12、第一排建筑标准偏差(sdbh.fr)是用来量化邻近水体的第一排建筑高度变化或离散程度，第一排建筑标准偏差的计算公式如下：

13、

14、其中hi是第一排建筑中每个建筑的高度，是第一排建筑的平均高度，nf是第一排建筑数量；

15、建筑高度与河流和建筑之间的距离比(bhdr)是指第一排的建筑高度除以第一排不同建筑与水岸线之间的平均距离，建筑高度与河流和建筑之间的距离比的计算公式如下：

16、

17、其中di是每个街区第一排建筑和水岸线的平均距离，hi是第一排建筑的平均高度；

18、建筑朝向(bo)是指建筑街区整体的朝向，建筑街区沿水岸分布，建筑朝向的计算公式如下：

19、

20、其中αi是每个建筑指向水岸线的方向和北向的夹角，n是滨水街区内的建筑数量；

21、植被集中度(vcon)反映了植被位置的中心性，植被集中度的计算公式如下：

22、

23、其中ssite是所分析的滨水空间面积之和，sw是具体街区的滨水空间面积，dci是每个树冠中心和具体街区滨水空间面积的几何中心的距离，n′指具体街区的滨水空间内树木的数量；

24、步骤四、采用rhino软件中的grasshopper平台，将步骤三中的特征要素的计算公式转化为电池组，将步骤一中的滨江街区三维形态模型输入grasshopper平台的电池组中，从而获得特征要素参数值；

25、步骤五、将步骤一中的气象信息导入计算热舒适utci环境模块中，获得热气候指数utci值，热气候指数utci的计算公式如下：

26、utci＝∫(ta；tmrt；v10；rh；met；clo)＝ta+offset(ta；tmrt；v10；rh；met；clo)

27、其中，ta指空气温度，tmrt指平均辐射温度，v10指10米高度处的空气流速，rh指相对湿度，met指新陈代谢率，clo指衣物隔热值；

28、由热气候指数utci值计算全年舒适时长指标u，全年舒适时长指标u的计算公式如下：

29、

30、其中，u为寒冷地区滨江空间的舒适度相对系数，n1为一天内进行的模拟次数，n1为总模拟天数，cui为一天内utci达到舒适范围的小时数；

31、步骤六、构建ann神经网络模型，以6个特征要素参数值作为输入层，设置三个隐藏层，每个隐藏层包含10～20个神经元，以热舒适指标u值为输出值，对ann神经网络模型进行训练，得到训练后的神经网络模型；

32、步骤七、将滨水街区的特征要素参数值输入训练后的神经网络模型中，从而获得严寒地区滨水空间的热舒适指标u值。

33、本发明实现了基于城市形态参数的滨水空间热舒适的量化评价，能够在滨水区城市设计与更新领域提供高效快捷的性能评价支持，结合遗传算法还能协助进行城市设计方案的优化，对于改善滨水区城市设计与优化城市滨水空间热舒适性具有重要的意义。

34、本发明考虑了城市形态、植被分布、水体和朝向等多重要素特征的综合影响，且实现了低成本的快速评价，对于辅助滨水区城市设计和管理具有重要意义。

技术特征：

1.基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于该严寒地区滨水空间热舒适评价方法按照以下步骤实现：

2.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤二中采用rhino软件建立滨江街区三维形态模型。

3.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤五中全年舒适时长指标u的计算公式中的n1取15，n1为365天。

4.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤五中空气温度和平均辐射温度通过当地气象年数据中获得。

5.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤五中所述的舒适范围温度为9℃～26℃。

6.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤六中每个隐藏层包含15个神经元。

7.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤六中ann神经网络模型中隐藏层采用tansig函数作为激活函数。

8.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤六中采用lavenberg-marquardt函数进行反向传播迭代训练神经网络。

9.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤六中调整神经网络的学习率为0.8，batchsize为10，epoch为85。

10.根据权利要求1所述的基于机器学习的严寒地区滨水空间热舒适评价方法，其特征在于步骤六在ann神经网络的基础上结合遗传算法建立优化模型进行迭代优化。

技术总结基于机器学习的严寒地区滨水空间热舒适评价方法，本发明是为了解决现有室外热舒适评价方法未考虑滨水空间的特殊性，室外热舒适评价准确性不足的问题。评价方法：一、收集严寒地区滨水街区的气象信息；二、建立滨江街区三维形态模型；三、设置特征要素，特征要素为容积率、开放空间比率、第一排建筑标准偏差、建筑高度与河流和建筑之间的距离比、建筑朝向和植被集中度；四、计算特征要素参数值；五、计算热气候指数UTCI值；六、构建ANN神经网络模型；七、将滨水街区的特征要素参数值输入训练后的神经网络模型中，计算热舒适指标U值。本发明考虑了城市形态、植被分布、水体和朝向等多重要素特征的综合影响，且实现了低成本的快速评价。技术研发人员：张睿南,许傲,王继先,洪阳,江家扬,王悦然,吴浩受保护的技术使用者：哈尔滨工业大学技术研发日：技术公布日：2024/7/29