[论文分享]Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking
📃 基本信息
[论文标题] 《城市区域太阳辐射预测：基于人工神经网络的数据驱动分析用于可持续城市规划》
[期刊信息] Sustainable Cities and Society (2024) | DOI: 10.1016/j.scs.2023.105042 | 作者: Alireza Attarhay Tehrani, Omid Veisi, Bahereh Vojdani Fakhr, Delong Du
📌 一句话概括
本研究开发了一种基于人工神经网络的数据驱动模型，用于预测城市区域的年均太阳辐射，以优化城市规划并促进可持续发展。
📚 深度总结
本研究旨在通过数据驱动的方法，利用人工神经网络（ANN）模型预测城市区域的太阳辐射水平，以应对城市化对环境日益增长的影响以及城市高能耗的问题，并为可持续城市规划提供支持。研究背景强调了准确预测太阳辐射对于优化城市设计、减少对化石燃料的依赖、缓解城市热岛效应以及应对气候变化的重要性。
在研究方法上，作者首先使用参数化设计（通过Rhino-Grasshopper平台的Elk插件）和遥感技术（如OpenStreetMap和SRTM DEM数据）生成了一个庞大的数据集。该数据集包含了全球16个代表性城市（包括卡萨布兰卡、阿布扎比、开普敦、都柏林等）的城市属性，如坐标（X, Y, Z）、平均建筑高度、已占用区域和未占用区域，以及方位角。通过Ladybug和Honeybee插件进行太阳辐射模拟，生成了包含1,012,798行和8列的综合数据集。随后，研究团队构建了一个包含8个隐层的多层感知器ANN模型进行太阳辐射预测，并采用PReLU激活函数。数据集被分为60%训练集、20%验证集和20%测试集，其中测试集使用了北京、塔那那利佛、里斯本和巴黎这四个训练数据集中未包含的城市。
关键发现显示，所构建的ANN模型在预测年均太阳辐射方面表现出高精度和良好的泛化能力，其测试损失为0.0189，均方误差（MSE）为0.01，R平方值为85%，表明模型有效避免了过拟合。研究发现，建筑高度是影响城市太阳辐射的重要变量，两者呈负相关关系，即高层建筑因阴影遮挡会降低区域的太阳辐射水平。同时，未占用区域与太阳辐射呈正相关，表明开放空间能够增加太阳光照。SHAP特征重要性分析进一步揭示，Y坐标是影响太阳辐射最显著的因素，其次是X坐标、已占用/未占用区域和方位角，而Z坐标和平均高度的影响相对较小。研究还结合EPW气象数据，分析了特黑兰、多伦多、都柏林和圣保罗等城市在1960-2050年间的太阳辐射和平均温度变化趋势，预测未来太阳辐射量将普遍增加，进一步凸显了预测模型对未来城市规划的价值。
本研究的实际应用价值在于能够为城市规划师和设计师提供一个快速、准确的太阳辐射预测工具，从而优化建筑和公共空间设计，最大限度地利用太阳能，减少环境影响。研究局限性包括：计算资源的限制；模型仅关注太阳辐射，未涵盖其他能源输出；缺乏2023年以后年份的EPW气象数据，从而限制了对长期气候变化影响的全面预测；以及未充分考虑动态气象条件、季节变化和用户行为等因素。未来的研究可探索更先进的神经网络建筑、整合室内设计数据以及与气象组织合作获取更全面的未来气象数据。
本速览仅作研究参考，不替代原文阅读。如需引用，请参考原论文。
🔍 要点追溯
- 研究方法: 参数化建模与生成、遥感数据采集、人工神经网络（ANN）预测
- 适用范围: 全球多气候区城市建成环境的太阳辐射预测与可持续城市规划
- 使用工具: Rhino-Grasshopper (Elk plugin, Lunchbox module), Ladybug and Honeybee plugins, OpenStreetMap, SRTM DEM (EarthExplorer)
- 数据来源: 通过参数化建模与遥感技术生成的包含16个城市城市属性及太阳辐射数据（1,012,798行 x 8列）