EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 1: 37 - 44

DOI: https://doi.org/10.3724/SP.J.1047.2015.00037

基于空间插值的风场模拟方法比较分析

  • 董志南 , 1 ,
  • 郑拴宁 1 ,
  • 赵会兵 1 ,
  • 董仁才 , 1, 2, *
展开
  • 1. 中国科学院城市环境研究所 城市环境与健康重点实验室,厦门 361021
  • 2. 中国科学院生态环境研究中心 城市与区域生态国家重点实验室,北京 100085
*通讯作者：董仁才(1971-),男,博士,副研究员,研究方向为区域生态系统管理、环境物联网。E-mail:

作者简介：董志南(1987-),男,河北邯郸人,硕士生,主要从事数字城市环境管理方面的研究。E-mail:

收稿日期: 2013-10-30

  要求修回日期: 2013-12-11

  网络出版日期: 2015-01-05

基金资助

中国科学院知识创新工程重要方向项目“数字城市环境网络建设与示范”(KZCX2-YW-453)

国家自然科学基金青年科学基金项目(41301167)

收起

Comparative Analysis of Methods of Wind Field Simulation Based on Spatial Interpolation

  • DONG Zhinan , 1 ,
  • ZHENG Shuanning 1 ,
  • ZHAO Huibing 1 ,
  • DONG Rencai , 1, 2, *
Expand
  • 1. Key Laboratory of Urban Environment and Health, Institute of Urban Environment, CAS, Xiamen 361021, China
  • 2. State Key Laboratory of Urban and Regional Ecology, Research Center for Eco-Environmental Sciences, CAS, Beijing 100085, China
*Corresponding author: DONG Rencai, E-mail:

Received date: 2013-10-30

  Request revised date: 2013-12-11

  Online published: 2015-01-05

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

计算流体动力学方法是目前风场空间格局模拟的主要方法之一,该方法由于受到软硬件局限,多应用于小尺度的风场模拟及分析。该方法精确程度极大地依赖于3D建模的精细程度和迭代计算模型的准确程度,与现实风场的发育过程存在明显差异。而随着物联网技术的发展,我们可通过大量的现场传感器进行风场数据的实时采集,为风场动态实时化模拟提供精确的参数。为了确定风场动态实时化模拟的最佳方法,本文以中国科学院城市环境研究所园区内32个风场传感器的月平均风速数据为研究案例,综合分析了反距离权重插值、全局多项式插值、局域多项式插值、径向基函数插值、最近邻域法插值、普通克里格插值6种空间插值方法,并采用交叉验证的方法对插值结果进行比较。结果表明,反距离权重插值在模拟的误差范围、模拟的准确度、反映极值的能力上优于其他5种方法,为1:500尺度的风场空间格局模拟提供了参考。

关键词： 风环境; 物联网; 空间插值

本文引用格式

董志南 , 郑拴宁 , 赵会兵 , 董仁才 . 基于空间插值的风场模拟方法比较分析[J]. 地球信息科学学报, 2015 , 17(1) : 37 -44 . DOI: 10.3724/SP.J.1047.2015.00037

Abstract

The computational fluid dynamics (CFD) method is one of the major ways of wind fields patial pattern simulation at present. This method is more often applied to wind field simulations and analyses on small scales because of the limitations of the hardware and software. Meanwhile, the precision and accuracy of this method depends on the precision of 3D building model sand the accuracy of iterated computation models, and there are significant differences existing between the simulation results and the real wind field situation. With the development of Internet of Things (IoT) technology, we can provide precise parameters to real-time simulation of regional wind fields pace distribution, by using a large number of real-time field sensor nodes. Spatial interpolation can be used to simulate the spatial distribution of all the regional environment factors. In order to determine the optimal method for real-time wind fields imulation, this research took the monthly average wind speed data of November, 2011, which are collected from 32 wind speed sensors in Institute of Urban Environment, CAS, as the example. Then, we make a comprehensive analysis of Inverse Distance Weight method, Global Polynomial method, Local Polynomial method, Radial Basis Function method, Nearest Neighbor method and Ordinary Kriging method, and compare the results of the six different methods by Cross-Validation. The result shows that the Inverse Distance Weight method is better than the other methods in the simulation error range, the simulation accuracy and the ability to reflect extreme value, which provides a reference for wind field simulation on small scales.

Key words： wind field; Internet of Things; spatial interpolation

1 引言

随着我国城市住宅区高层住宅的不断涌现,规划不够合理的建筑布局常常导致建筑结构性风灾[1]。例如,城市高楼间的狭窄地带形成的“狭管效应”常常使得近地面出现局地性大风,既影响通行安全,又容易引发高空坠物的危险[1]。良好的城市风环境可以提升室内外自然通风效率,降低室内温度,减少人们机械通风、降温、除湿、换气的次数,进而降低建筑能耗[2]。为了营造健康舒适的城市风环境,开展多种尺度的风环境综合研究很有必要。
近年来,随着计算机和通信技术的不断发展与革新,传统的以人力实地测勘为主的环境监测模式不再符合全天候、多要素、实时性的监测需求,先进的数字化、自动化环境监测模式层出不穷。环境物联网以布设在监测区域的传感器为核心[3],通过无线传输的方式将传感器获取的环境要素数据实时传输至主控室并存储于目标数据库中,以实现多环境要素的全天候实时动态监测与管理,为满足当今社会对于环境要素实时动态模拟、管理和发布的需求具有重要意义。
在实践中,环境监测设备的布设受地形、人力、财力等因素的限制,直接观测数据无法精确地表达环境要素的时空分布,一般通过数学模型或空间插值的方法进行模拟,以获取整个区域内环境要素的总体分布情况。Bussires等在日降雨量的插值研究中针对克里格插值法、泰森多边形法和反距离权重法进行比较,结果表明,克里格插值在日累计降水量研究中要优于泰森多边形法和反距离权重法[4];Willmott通过交叉验证,提出气候辅助的年平均温度反距离权重插值方法（CAI）,并利用高分辨率气候站点多年平均数据生成全球0.5°×0.5°年平均温度数据集[5]。我国的专家学者针对环境要素空间分布的插值模拟开展了很多的研究工作。白玉艳基于DEM数据提取研究区域的主风向效应指数,采用三阶趋势面插值、反距离权重插值和规则样条插值分别探讨不同的风向影响因子和风速分布之间的关系,结果表明反距离权重插值和规则样条插值能部分反映迎风坡、背风坡的风速差异,以及海拔对风速的影响,风速随海拔增加而增大[6-7]。Tang和Su等人则提出基于聚类辅助的回归方法（CAR）,结合梯度距离平方反比（GIDS）和基于聚类辅助的回归方法（CAR）对719个国家气象站的数据计算处月平均温度和月降水量,并插值得出整个中国尺度的、分辨率为1 km的月平均温度和月降水量空间数据集[8]。张慧智、史学正等人利用中国698个气象站点1971-2000年的地面气候资料采用不同方法预测0、20和40 cm深度年均土壤温度的空间分布,结果表明回归克里格法在空间特征表达方面能够更好地表达复杂地形地区的局部变异[9]。
以上研究针对不同的环境要素、不同的研究尺度和地理因素,适宜的插值方法也不尽相同[9]。调研发现：空间插值方法在降雨量时空分布和地区气温时空变化方面应用较为广泛[10-15],在风场研究中鲜有应用。目前,风场研究主要采用流体力学模型的方法,其需要对研究区域内建筑物、树木、栅栏等遮蔽物进行三维建模,给定入口处风速,并设定计算模型来模拟各处的风速值[16-17]。本文中采用环境物联网进行风环境监测,通过在区域内布设大量实时采集数据的传感器,可为风场的空间分布模拟提供大量的精确参数。

2 风场模拟研究区与数据源

（1）厦门属于亚热带海洋性季风气候,年气温变化小,平均温度为21 ℃,常年主导风向为东北风。由于太平洋气流温差作用,厦门每年平均受台风影响5-6次,且集中在7-9月。9月下旬至来年4月上旬为冬季风、东北风,风速以10月为最大。夏季风一般为东南至西南风,从6月开始,7月盛行,8月稍弱。中国科学院城市环境研究所位于厦门市集美区,该区正处于从非城市化向城市化过渡的阶段,周边高层建筑群不断形成,因此,该地区的住宅区尺度风环境模拟对于研究城市化进程对城市环境的影响具有重要意义,同时,也为该地区的住区规划提供一定的参考。
（2）城市所园区内以无线传感器网络（WSN）为核心构建了建筑物群风环境实时监测技术体系。其所开展的Zigbee无线传感网技术搭建的简易风环境监测传感器基站所形成的阵列式风环境监测网络具有极强的适应性和对风环境现状的情景再现能力。简易风环境（风速、风向、温度、湿度）监测传感器基站实时监测获取的数据通过Zigbee无线传输的方式实时存储于数据库中,通过编写程序对数据库中的数据进行自动读取与数学统计,并剔除无效数据,最终选取园区内32个风环境传感器的月平均风速数据进行研究。城市所园区内的风环境传感器监测站点的空间分布如图1所示。其中,32个站点在整个园区内分布较为均匀,北边界处和东北边界处的7个监测站点用于监测入风口处的风速;南边界处和东南边界处的8个监测站点用于监测出风口处的风速;高建筑物群内部的8个监测站点用于监测建筑群内部的狭管效应;其余的9个站点用于监测近地表的风速。
Fig. 1 Spatial distribution map of wind speed monitoring stations in Institute of Urban Environment, CAS

图1 中国科学院城市环境研究所风环境监测站点分布图

3 基于空间插值的风场模拟方法分析

3.1 空间插值方法

空间插值是根据已知点来创建一个要素的空间分布表面,以研究区域内部的相似性或平滑度为基础的方法,是GIS非常重要的模块之一[18]。按照插值方法实现的数学原理,空间插值可分为空间确定性插值和地统计插值[18-19],如表1所示。确定性插值以研究区域内部的相似性或以平滑度为基础由已知点来创建插值表面,包括全局性插值和局部性插值;地统计插值方法则利用已知点的统计特性。在这些方法中,我们选取每种类型中较有代表性的方法进行实验,但由于指示克里格插值与概率克里格插值适用于研究要素值大于某一给定值的概率,协同克里格插值假设研究要素空间分布由多个因素决定,用较易获取的因素补充难以获取的因素[18],因此,本文选择反距离权重插值（Inverse Distance Weight, IDW）、全局多项式法插值（Global Polynomial, GP）、局域多项式法插值（Local Polynomial, LP）、径向基函数法插值（Radial Basis Function, RBF）、最近邻域法插值（Nearest Neighbor, NN）和普通克里格插值（Ordinary Kriging, OK）6种方法。
Tab. 1 Types of spatial interpolation methods

表1 空间插值方法分类

确定性插值 地统计插值
全局性插值 局部性插值
全局多项式插值 反距离权重插值 普通克里格插值
最近邻域法插值 简单克里格插值
径向基函数法插值 泛克里格插值
局域多项式插值 概率克里格插值
析取克里格插值
协同克里格插值
（1）反距离权重插值
反距离权重插值是基于相似相近的原理,即： 2个物体离得越近,它们的性质就越相似,反之,2个物体离得越远,相似性越小。反距离权重插值以插值点与样本点间的距离为权重进行加权平均,离插值点越近的样本点赋予的权重越大,离插值点越远的样本点赋予的权重越小[18]。反距离权重插值的一般公式为：
Z S 0 = ∑ i = 1 N λ i Z ( S i ) （1）
式（1）中, Z ( S 0 ) 为 S 0 处的插值预测值;N为计算过程中要使用的预测点周围样点的数量; λ i 为计算过程中使用的各样点的权重（权重值随着样点与预测点之间距离的增大而减小）; Z ( S i ) 是在 S i 处获得的真实值。
确定权重的计算公式为
λ i = d i 0 - p ∑ i = 1 N d i 0 - p （2）
∑ i = 1 N λ i = 1 （3）
式中,P为指数值; d i 0 是模拟点 S 0 与各已知点 S i 之间的距离。
利用反距离权重法进行插值时,样本点应尽可能均匀分布,且布满整个插值区域[18]。如果样本点分布不够均匀,插值时利用的样本点往往也不均匀分布。由于每个方向对于插值结果影响不同,插值结果的精度也会随着样本点不均匀程度而降低。
（2）全局多项式法插值
全局多项式法是用一个多项式针对整个区域进行拟合,是以整个研究区域内的样本点数据为基础的,相当于用一个平面或曲面对整个区域进行特征拟合[18]。
（3）局域多项式法插值
局部多项式是一种平滑的快速决定插值法,它比全局多项式插值更灵活,与此同时也更需要对数据参数进行更多的分析判断[18]。与全局多项式法不同的是,局域多项式法采用多个多项式进行拟合。使用局域多项式法,需通过设定搜索半径大小和方向来定义邻近区域,在特定重叠的邻近区域中多项式参与运算。相关文献表明,局部多项式插值是对全局多项式,即趋势面拟合的一大改进[18]。
（4）径向基函数法插值
全局多项式法和局域多项式法都属于快速但较粗糙的插值方法,而径向基函数法属于精确插值方法[18]。径向基函数包括5种基本函数：薄板样条函数、张力样条函数、规则样条函数、高次曲面函数和反高次曲面样条函数[18]。本文选用薄板样条函数。
（5）最近邻域法插值
最近邻域法插值可找到距查询点最近的输入样本子集,以区域大小按比例对这些样本应用权重来进行插值[20]。
（6）普通克里格插值
普通克里格插值属于线性平稳地质统计学的范畴,是地统计插值方法中最基本的一种方法。它是区域化变量的线性估计、插值过程类似于加权滑动平均[18],权重值的确定来自于空间数据分析。

3.2 基于空间插值的风场模拟分析

3.2.1 误差分析方法
本文采用交叉验证法（Cross Validation）[21]对风速数据进行误差计算,即针对32个监测点中的每一个点位的数据,假设其数据未知,并用其余31个点位的数据使用不同插值方法计算出模拟值,再结合观测值求算误差。误差评价指标主要采用平均绝对误差（MAE）、平均相对误差（MRE）和均方根误差（RMSE）。其中,平均绝对误差（MAE）反映模拟值的误差范围,平均相对误差（MRE）则反映模拟值对于观测值的准确度,均方根误差（RMSE）反映模拟值的灵敏度和极值情况[10,22]。与此同时,本文还针对每种插值方法,计算其观测值和模拟值的最大值（Max）、最小值（Min）、平均值（Mean）、极差（Range）、标准差（Sd）及相关系数,以求从更全面地描述其插值结果的误差情况[22]。平均绝对误差、平均相对误差和均方根误差的表达式为：
MAE = ∑ i = 1 N ABS ( Z i - Z ′ i ) N （4）
MRE = 1 N ABS ( Z i - Z ′ i ) Z i （5）
RMSE = ∑ i = 1 N ( Z i - Z ′ i ) 2 N - 1 （6）
式中, Z i 、 Z ′ i 分别是第i个站点的实际观测值和模拟值;N为站点数量。
3.2.2 插值结果与误差分析
（1）插值结果分析
为了直观比较6种方法的插值结果,本文选取月平均风速数据,通过对每种插值方法中各项参数分析比较,筛选出插值效果较好的插值参数。其中,IDW方法、GP方法和LP方法均采用三阶方程,趋势面分析指数采用25,径向基函数法插值采用薄板样条函数,普通克里格插值选择对数变换,并采用三阶方程。形成的风速场空间分布如图2所示。
Fig. 2 Filled contour map of the interpolation results of monthly wind speed field (November, 2011)

图2 2011年11月风速场空间插值结果

从图中可知,6种方法都能从整体上反映出园区内风速的大致变化情况,但是由于厦门主导风向为东北风,因此园区的东北角的风速略大,GP方法、LP方法、IDW方法、NN方法和OK方法都较好地反映出了这一点,RBF方法则未能很好地反映出入口风速情况。GP方法和LP方法的插值结果十分相似,但是GP方法、LP方法和OK方法在观测点位附近出现“牛眼状”分布,不能真实反映风速的局部变化[10];与此同时,虽然GP方法、LP方法和OK方法较另外2种方法整体上较为平滑,但是IDW方法、NN方法和RBF方法能很好地表现出细节处的风速变化情况,对一些局部的极值点也可以很好地表现出来。城市环境研究所园区风速场应包括2个极大值点,分别分布在整个楼群的正中央和偏左方向,这是由于风经过楼群中部走廊产生的狭管效应导致的风速骤增,而GP方法、LP方法和OK方法都未能明显地表现出这一点,而且这3种方法的极值都小于IDW方法、NN方法和RBF方法,说明GP方法、LP方法和OK方法在反映极值方面具有劣势。
（2）交叉验证结果误差分析
在对插值图的直观比较的基础上,本文还选取了平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）3种统计指标,针对每种方法预测值与观测值之间的误差进行分析。表2列出了每种方法的平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）。从表1可看出,就MAE而言,RBF方法>OK方法>LP方法>GP方法>NN方法>IDW方法,表明IDW方法的预测误差范围最小,而RBF方法的预测误差范围最大,OK方法、LP方法、GP方法和NN方法则介于二者之间;从MRE的分布情况可以看出,RBF方法>LP方法>GP方法>OK方法>NN方法>IDW方法,表明根据IDW方法计算出的预测值相对观测值是最准确的,而最不准确的则是RBF方法,LP方法、GP方法、OK方法和NN方法则介于二者之间;从RMSE的数值分布情况来看,OK方法>RBF方法>NN方法>LP方法>IDW方法>GP方法,说明GP方法和IDW方法较其他4种方法更加灵敏,反映极值的情况也要优于另外4种方法。整体上来看,IDW方法无论是从预测值的误差范围上、预测值相对于观测值的准确度上还是反映预测值的灵敏程度与反映极值情况上,整体上都要优于其余5种方法;而RBF方法和OK方法在各项指标上均劣于其余4种方法,由于LP方法是GP方法的局部改进,因此二者的各项参数比较接近。
Tab. 2 The results of Cross-Validation error of the six interpolation methods (m/s)

表2 6种插值方法的整体插值误差指标（m/s）

插值方法 MAE MRE RMSE
IDW 1.454 2.168 2.272
GP 1.590 2.799 2.217
LP 1.652 2.947 2.318
RBF 1.891 3.795 2.639
NN 1.492 2.191 2.367
OK 1.684 2.488 2.674
为了进一步更细致地描述6种方法的系统误差情况、反映极值的能力,以及预测结果的真实情况,本文还选取了6种插值方法的观测值和模拟值的最大值（Max）、最小值（Min）、平均值（Mean）、极差（Range）、标准差（Sd）以及6种方法的模拟值相对于观测值的相关系数。根据表3可以得出：
Tab. 3 Observed value, correlation coefficient and the six interpolation methods (m/s, no units for correlation coefficient)

表3 6种插值方法的结果与观测值的比较

数据项 Max(m/s) Min(m/s) Mean(m/s) Range(m/s) Sd(m/s) 相关系数
观测值 8.059 0.200 0.986 7.859 1.969 1
IDW 7.496 0.188 0.953 7.308 1.873 0.802
GP 3.416 0.051 1.095 3.366 1.660 0.792
LP 4.066 0.134 1.419 3.933 1.525 0.564
RBF 6.065 0.179 0.822 5.886 1.773 0.828
NN 7.171 0.192 0.933 6.949 1.727 0.804
OK 6.417 0.013 1.395 6.404 1.836 0.136
（1）对于最大值来说,观测值>IDW方法>NN方法>OK方法>RBF方法>LP方法>GP方法,其值分别为8.059、7.496、7.171、6.417、6.065、4.066和3.416,而对于最小值来说,观测值>NN方法>IDW方法>RBF方法>LP方法>GP方法>OK方法,其值分别为0.200、0.192、0.188、0.179、0.134、0.051和0.013。从极值能力来看,根据IDW方法预测出的最大最小值都与观测值较为接近,NN方法和IDW方法在反映极值方面具有较大优势;虽然根据RBF方法预测出的最小值与观测值的最小值相差也不大,但其与测出的最大值与观测值的最大值相差较大（相差1.994 m/s）,可见RBF方法虽然也能反映极值点的空间分布情况,但对于具体数值预测差强人意;而LP方法、GP方法和OK方法由于预测出的最大最小值都与观测值的最大最小值相去甚远。因此这3种方法在反映极值方面都不具有优势。
（2）就平均值来看,除了LP方法、OK方法与观测值相去甚远之外（分别相差0.433 m/s和0.409 m/s）,其他4种方法均与观测值比较接近,说明其余4种方法没有明显的系统误差。而在这之中,IDW方法的平均值与观测值的平均值最为接近,仅相差0.033 m/s,而NN方法的平均值与观测值的平均值也仅相差0.053 m/s,说明这两种方法的插值效果最好,误差范围也最小;而GP方法和RBF方法的平均值分别与观测值的平均值相差0.109 m/s和0.164 m/s,说明这两种方法的插值误差也较大;而LP方法和OK方法的插值结果存在明显的系统误差,插值效果最差。
（3）由于IDW方法预测出的最大最小值分别与观测值的最大最小值十分接近,因此其极差也与观测值的极差十分接近（仅相差0.551 m/s）;GP方法、LP方法和OK方法的极差明显小于观测值的极差,说明GP方法、LP方法和OK方法具有明显的平滑作用,但对于极值点的估测存在忽略,对于风速强烈和风速较低的位置的具体空间分布的预测也不够精细。就标准差的数值来看：观测值>IDW方法>OK方法>RBF方法>NN方法>GP方法>LP方法,其中,IDW方法的标准差与观测值的标准差相差最小,仅差0.096 m/s,说明IDW预测出的园区内空间分布的风速有明显的极值,且不同点位的风速值相差较大;而GP方法和LP方法的标准差值最小,说明多项式插值的方法预测出的园区内的风速数值上分布较为集中,极大极小值相对而言不够明显,该方法在空间数据模拟上具有较明显的平滑作用。根据极差指标和标准差指标的数据分析再一次说明IDW方法在反映极值方面存在明显优势,而GP方法、LP方法和OK方法虽然对图像具有显著的平滑作用,但对于风速极值点的空间分布预测不够精细,存在较大的误差。这一点通过插值图像也可以直观感受出来。
（4）相关系数不仅用来反映两列数之间的相关程度,还能从侧面反映出不同插值方法模拟结果的真实性。若插值结果与观测值的相关系数越高,表示该插值方法模拟出的结果与观测值的变化趋势越趋于一致;反之则偏差越大。根据相关系数的数值分布可知,RBF方法、NN方法与IDW方法模拟出的值相对于观测值的相关系数都较大,其相关程度均超过0.8,表明其模拟出的风速场整体的空间分布与真实情况较为接近;而LP方法和OK方法模拟出的值相对于观测值的相关系数则较小,其中,OK方法的相关系数仅为0.136,说明这2种方法模拟出的风速场整体的空间分布不太符合园区内风速的真实分布情况,对于风速场的预测偏离较大。

4 结论

传统的基于流体力学的风场研究方法受遮蔽物建模精细程度和模拟模型准确性的影响,模拟出的结果往往难以反映实际情况。本文提出的环境物联网与空间插值结合的模式可有效规避这一问题。环境物联网可通过大量实时采集数据的传感器为风场模拟提供数值准确、空间覆盖率高的数据支持;空间插值方法可利用有限的观测数据模拟出整个区域内的风场空间分布情况,从而为城市和区域规划,以及相关部门的研究工作提供重要的决策支持与数据参考。
本文采用空间确定性插值中的6种方法（反距离权重插值（IDW）、全局多项式插值（GP）、局域多项式插值（LP）、径向基函数插值（RBF）、最近邻域法插值（NN）和普通克里格插值（OK））,分别对由风环境无线传感器网络获取的园区内风场数据进行数学模拟,并采用交叉验证法（Cross-Validation）求取进行每个站点误差,通过平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）等统计学指标进行误差验证,得出以下结论：
（1）从图像直观来看,IDW方法、NN方法和RBF方法能突出风场的局部变化,GP方法、LP方法和OK方法虽然在平滑图像的作用上比前2种方法要好,但是无法真实地反映出局部点位的风速变化,尤其是由于风经过楼群中部走廊产生的狭管效应导致的风速骤增,这3种方法都未能明显地表现出这一点。
（2）根据平均绝对误差、平均相对误差和均方根误差的分析,IDW方法与NN方法模拟出的值误差范围最小,RBF方法与OK方法模拟出的值误差范围最大;IDW方法与NN方法模拟出的值准确度最高,最不准确的则是RBF方法与LP方法;IDW方法的灵敏度也相对较好。
（3）根据观测值和模拟值的极值、平均值、极差、标准差和相关系数分析,IDW方法与NN方法在反映风速极值方面具有显著优势,RBF方法虽然也能反映极值点的空间位置分布,但具体数值预测的准确度不够精确。OK方法、LP方法和GP方法具有明显的平滑作用,但无法真实预测极值点的空间分布和具体数值。RBF方法、NN方法和IDW方法模拟结果与观测值相关性较好,表明其模拟结果的变化与观测值的变化具有一定的密切程度,而LP方法和OK方法模拟结果与观测值的相关性较差,说明其对于风场的预测存在一定的偏离。
综上所述,对于园区尺度的风场模拟来说,IDW方法无论是插值模拟的准确度、精度和反映极值的能力,整体上都要优于其余5种方法。这是由于风场的空间分布受建筑物等遮蔽物的影响十分显著,越靠近遮蔽物表面,由于摩擦,风速越容易产生骤增现象;在廊道或几栋建筑物之间的区域,往往使得气流形成一条狭长的“狭管”,在气压的作用下,气流通过较小的横断面势必速度会加快。因此,风场的空间分布不符合一定的规律,基于某种核函数的插值方法难以精确模拟出其真实的空间分布情况。而反距离权重插值（IDW）是根据与观测点的距离来赋权重的,距离越近,权重越大,模拟值越接近观测值。观测值可真实反映该点位处的风速变化情况,而IDW方法并未使用某种核函数或模拟模型来模拟风场变化,只是根据观测值进行估测,其模拟值更依赖并贴近于观测值,因此准确性相较其余几种方法有明显的优势。然而,对于空间插值方法而言,没有绝对最佳的方法。由于区域范围及其时间尺度的不同,造成数据的时空变异特征不同,其空间插值方法也不尽相同。因此,探索更加普适、更加准确的风场模拟方法势在必行。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
郑拴宁,全元,董志南,等.大风地区住宅小区风环境研究[J].环境保护科学,2013,39(3):64-68.

[2]
陈士凌. 适于山地城市规划的近地层风环境研究[D].重庆:重庆大学,2012.

[3]
Zhao J Z, Zheng X C, Dong RC, et al.The planning, construction, and management toward sustainable cities in China needs the Environmental Internet of Things[J]. International Journal of Sustainable Development & World Ecology, 2013,20(3):195-198.

[4]
Bussires N, Hogg W.The objective analysis of daily rainfall by distance weighting schemes on a mesoscale grid[J]. Atmosphere-Ocean,1989,27(3):52l-541.

[5]
Legates D R, Willmott C J. Mean seasonal and spatial variability in global surface air temperature[J]. Theoretical and Applied Climatology,1990(41):11-21.

[6]
白玉艳. 微尺度山地近地表风速模拟[J].科技传播,2010(12):101-102.

[7]
白玉艳,周汝良,王白娟,等. 基于GIS的微尺度山地近地表风速小网格推算研究[J].云南大学学报(自然科学版),2010(S2):255-258.

[8]
Tang L N, Su X D, Shao G F, et al. A clustering-assisted regression (CAR) approach for developing spatial climate data sets in China[J]. Environmental Modelling & Software,2012(38):122-128.

[9]
张慧智,史学正,于东升,等.中国土壤温度的空间插值方法比较[J].地理研究,2008,27(6):1299-1307

[10]
宋丽琼,田原,邬伦,等.日降水量的空间插值方法与应用对比分析——以深圳市为例[J].地球信息科学,2008,10(5):566-572.

[11]
胡刚,赵刚,宋慧.不同插值方法对降水量空间不确定性的影响[J].济南大学学报:自然科学版,2012,26(4):428-432.

[12]
李军,游松财,黄敬峰,等.中国1961-2000年月平均气温空间插值方法与空间分布[J].生态环境,2006,15(1):109-114.

[13]
孟庆香,刘国彬,杨勤科,等.黄土高原降水量的空间插值方法研究[J].西北农林科技大学学报(自然科学版),2006,34(3):83-88.

[14]
刘登伟,封志明,杨艳昭,等.海河流域降水空间插值方法的选取[J].地球信息科学,2006,8(4):75-79,83.

[15]
庄立伟,王石立.东北地区逐日气象要素的空间插值方法应用研究[J].应用气象学报,2003,14(5):605-615.

[16]
王旭,孙炳楠,陈勇等.基于CFD的住宅小区风环境的研究[J].土木建筑工程信息技术,2009,1(1):35-39.

[17]
温昕宇. 室外风环境CFD模拟在小区规划建设中的应用[J]. 科技创新导报,2010(29):113-114.

[18]
汤国安,杨昕. ArcGIS地理信息系统空间分析实验教程[M].北京:科学出版社,2006.

[19]
ESRI.Inc. Geostatistical Analyst快速浏览[EB/OL].

[20]
Sibson R.Interpolating multivariate data[M]. New York: John Wiley & Sons, 1981:2-36.

[21]
潘耀忠,龚道溢,邓磊,等.基于DEM的中国陆地多年平均温度插值方法[J].地理学报,2004,59(3):366-374.

[22]
邬伦,吴小娟,肖晨超,等.五种常用降水量插值方法误差时空分布特征研究——以深圳市为例[J].地理与地理信息科学,2010,26(3):19-24.

[23]
刘春艳,彭兴黔,赵青春.沿海城市住宅小区风环境研究[J].福建建筑,2010(7):15-17.

Options
文章导航

/

〈 〉