ReCliDaR:一种基于机器学习的开源工具,用于识别城市环境建模的代表性气候日

《BUILDING AND ENVIRONMENT》:ReCliDaR: An open-source ML-based tool to identify representative climate days for urban environmental modeling

【字体: 大 中 小 】 时间:2026年07月15日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  建筑能量建模(Building Energy Modeling, BEM)和基于计算流体动力学(Computational Fluid Dynamics, CFD)的城市气候建模(Urban Climate Modeling, UCM)工具是设计师做出知情、气

  
建筑能量建模(Building Energy Modeling, BEM)和基于计算流体动力学(Computational Fluid Dynamics, CFD)的城市气候建模(Urban Climate Modeling, UCM)工具是设计师做出知情、气候响应设计决策的重要环境建模工具。然而,这些工具计算密集,尤其是在大空间尺度或优化工作流中应用时。传统方法,如模拟夏至、春分秋分或峰值冷却日,往往无法捕捉气候条件的多样性,可能导致高估或低估城市环境性能。代表性气候日识别器(Representative Climate Days Recognizer, ReCliDaR)工具通过利用无监督机器学习识别代表性气候日,将典型气象年(Typical Meteorological Year, TMY)压缩为可管理的24小时剖面子集,弥补了这一差距。该工具框架在执行使用k均值(k-means)、高斯混合(Gaussian Mixture, GM)和层次凝聚聚类(Hierarchical Agglomerative Clustering, HAC)的比较聚类分析之前,自动完成数据预处理、特征缩放和降维。对跨越11个ASHRAE气候区的108个全球城市的评估表明,k均值算法提供了最稳健的性能,在大多数地区实现了近乎100%的季节连续性率,同时最小化了数据丢失。结果表明,尽管温带和高纬度气候通常遵循二元季节结构,但热带环境往往表现出由季风循环驱动的复杂三元模式。通过提供一个经过验证、用户友好的界面来提取基于质心(medoid)的代表性日,ReCliDaR工具使研究人员和实践者能够进行准确、长期的环境评估。该工具及其源代码已在GitHub上公开,以支持气候响应城市设计和节能建筑性能的可重复研究。
随着城市化进程加剧,城市正面临城市气候变化(Urban Climate Change, UCC),表现为局地气温升高、热岛效应增强等问题。建筑能耗增长与制冷系统排放形成恶性循环,亟需气候响应型设计。建筑能量建模(Building Energy Modeling, BEM)和基于计算流体动力学(Computational Fluid Dynamics, CFD)的城市气候建模(Urban Climate Modeling, UCM)是评估环境性能的关键工具,但其计算强度极高,尤其在大型空间尺度或优化工作流中,模拟全年8,760小时往往不切实际。传统简化方法(如仅模拟夏至、冬至或峰值冷却日)无法捕捉全年气候多样性,易导致性能高估或低估。因此,研究人员需一种高效方法,在保留统计和物理有效性的前提下,将全年气象数据压缩为可管理的代表性日。该研究开发了开源工具ReCliDaR(Representative Climate Days Recognizer),发表于《BUILDING AND ENVIRONMENT》,旨在通过无监督机器学习自动识别代表性气候日,弥合计算效率与长期准确性之间的鸿沟。此举对推动气候响应式城市设计、节能建筑性能评估具有重要实践意义。

研究人员为开展研究,主要采用以下关键技术方法:首先,从典型气象年(Typical Meteorological Year, TMY)文件中提取包含干球温度、相对湿度、风速等8个变量的逐时数据,并转为逐日24小时剖面;随后进行特征缩放(标准化)和主成分分析(Principal Component Analysis, PCA)降维(保留95%累积方差);接着,通过轮廓分数(Silhouette Score)和贝叶斯信息准则(Bayesian Information Criterion, BIC)自动调优超参数,对k均值(k-means)、高斯混合(Gaussian Mixture, GM)和层次凝聚聚类(Hierarchical Agglomerative Clustering, HAC)三种无监督模型进行聚类;最终选取每个簇的质心(medoid)作为代表性日。样本来源为108个全球城市(随机选自开源TMY数据库),涵盖11个ASHRAE气候区。

研究结果如下:

**3.1. 城市在气候区间的分布**
通过分析108个城市的ASHRAE气候区归属,发现样本集中在高湿高温区域——类别1A(极热-潮湿)占比最高(26个城市),其次为3A(温暖-潮湿,17个)和4A(混合-潮湿,15个);干燥“B”型和海洋“C”型亚类较少,其中3C类仅2例。样本分布反映了TMY数据库可用城市的地理不均匀性,为评估工具提供跨气候多样性,但小样本类别(如3C、7区)的结果应视为指示性而非统计泛化。

**3.2. 工具性能**
**3.2.1. 总体性能**
通过对比三种模型的季节连续性率和噪声天数,发现k均值在11个气候区中有8个达到100%季节连续性,优于高斯混合(GM,部分区为0%)和层次凝聚聚类(HAC,中等表现)。k均值噪声去除最少(部分区为0天),而GM和HAC最多剔除36天。研究表明,k均值因依赖欧氏距离和质心划分,能有效捕捉标准化气候变量中的球状簇,而GM的概率密度估计和HAC的链式效应在气候突变时易导致不稳定。

**3.2.2. 城市层面的代表性气候簇与日**
聚类分析揭示了从热带到高纬度的季节结构转变。在ASHRAE 1区(热带),k均值识别出二元和三元模式:大多数城市为干季和雨季两簇,但班加罗尔、新德里等城市因季风循环出现第三个簇(梅雨季)。进入温带和地中海区(2、3区),气候转为稳定二元结构(夏季与冬季),仅希腊塞萨洛尼基出现例外(三元)。在高纬冷区(4–7区),二元结构同样稳健,但冬季簇随纬度升高占据年度更大比例,如7区以亚北极冬季为主。结论表明,k均值能有效捕获不同气候区的核心环境状态。

**3.2.3. 代表性气候日的识别**
基于k均值结果,通过质心距离提取每个簇的真实历史日作为代表性气候日,确保选取的日期是实际记录而非理论平均值。这些日提供了各气候区最典型的气象条件,为后续模拟提供降维输入。

**3.2.4. 挑战与局限性**
在部分稳定性高的气候区(如1A、2A、5A区),k均值遇到主导簇覆盖全年近12个月而第二簇仅零星出现的挑战。例如,内罗毕(2A)的簇2从4月到12月几乎始终存在,拉巴斯(5A)的簇2仅在4-6月散见。这表明这些边缘簇可能源自极端天气事件或TMY数据集构建问题,而非可预测的季节转换。此外,特拉维夫(2A)虽识别出两簇,但未能区分冬季内的季风期,因其降水和温度同步分布导致特征空间重叠。相比之下,塞萨洛尼基的成功表明当气候变量统计分离度更高时,模型能捕捉嵌套季节。

**总结讨论与结论翻译**
该研究讨论部分指出,k均值稳健性源于其对标准化气候数据的球状簇划分能力,但需结合领域知识解释高稳定气候区的统计过分割问题。未来工作将集成自动聚类至标准建筑模拟工作流(如作为Rhinoceros 3D插件),并支持用户自定义每簇多日选择及直接验证BEM/ENVI-met模拟精度。

研究结论:该研究引入了ReCliDaR(代表性气候日识别器)——一个开源、免编码的工具,旨在弥合大规模城市气候建模(UCM)与年度性能评估计算可行性之间的鸿沟。通过利用无监督机器学习识别代表性气候日,该框架使研究人员能够绕过全年建筑能量建模(BEM)和城市建筑能量建模(Urban Building Energy Modeling, UBEM)工具模拟中高昂的时间成本,同时不损害气候边界条件的统计完整性。基于机器学习的ReCliDaR工具直接解决了环境设计中的系统性瓶颈——高分辨率空间数据的需求往往与长期时间准确性的必要性相冲突。对108个全球城市的跨气候评估表明,k均值算法是该应用中最稳健的模型,在大多数ASHRAE气候区实现了近乎100%的季节连续性率,在稳定性和数据保留方面显著优于高斯混合和层次凝聚模型。分析表明,热带地区常因季风循环和水分波动表现出复杂的三元模式,而温带和高纬度地区最适合由基于热极值的二元季节结构表示。这些结果强调了选择与气象变量几何和物理分布相一致的聚类逻辑的重要性。然而,该研究还识别出在高气候稳定性区域的临界限制——缺乏明显的季节转换可能导致统计过分割。在这些情况下,第二簇的出现可能代表随机天气事件或典型气象年(TMY)数据集中的异常值,而非可预测的季节变化。这些结果强调,尽管ReCliDaR有效自动化了无监督学习的技术复杂性(如特征缩放和超参数调优),但最终输出必须利用领域知识进行解释,以确保统计簇与物理气象现实一致。通过提供经过验证、可获取且可重复的提取代表性气候日路径,ReCliDaR工具使建筑环境领域的实践者和研究人员能够进行更频繁、更准确的气候响应城市设计评估。该工具映射时间分布和验证季节一致性的能力确保了所得边界条件对不同城市肌理既在统计上稳健,又在物理上有效。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号