EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 3: 479 - 494

DOI: https://doi.org/10.12082/dqxxkx.2023.220407

地球信息科学理论与方法

基于多域POI定位与双缓解风向引导的潜在城市通风廊道筛选模型

  • 李智杰 , 1 ,
  • 乔治杰 1 ,
  • 李昌华 , 1, * ,
  • 高元 2 ,
  • 薛靖裕 2
展开
  • 1.西安建筑科技大学信息与控制工程学院，西安 710055
  • 2.西安建筑科技大学建筑学院，西安 710055
* 李昌华（1963— ），男，宁夏银川人，教授，博导，主要从事人工智能及其行业应用，数字建筑。 E-mail:

李智杰（1980— ），男，河南郑州人，博士，副教授，主要从事人工智能及其行业应用，数字建筑。E-mail:

收稿日期: 2022-06-13

  修回日期: 2022-08-09

  网络出版日期: 2023-04-19

基金资助

“十三五”国家重点研发计划课题(2019YFD1100904)

国家自然科学基金项目(51878536)

陕西省住房城乡建设科技计划(2020-K09)

收起

Potential Urban Ventilation Corridor Screening Model based on Multi Domain POI Positioning and Dual Mitigation Wind Direction Guidance

  • LI Zhijie , 1 ,
  • QIAO Zhijie 1 ,
  • LI Changhua , 1, * ,
  • GAO Yuan 2 ,
  • XUE Jingyu 2
Expand
  • 1. School of information and control engineering, Xi'an University of architecture and technology, Xi'an 710055, China
  • 2. School of architecture, Xi'an University of architecture and technology, Xi'an 710055, China
* LI Changhua, E-mail:

Received date: 2022-06-13

  Revised date: 2022-08-09

  Online published: 2023-04-19

Supported by

Nation Key Research and Development Projects in the 13th Five-Year of China(2019YFD1100904)

National Natural Science Foundation of China(51878536)

Shaanxi provincial housing and urban rural construction science and technology plan(2020-K09)

Fold

摘要

伴随着城市工业化的粗犷发展，热岛效应和雾霾现象也急剧加重。但由于城市温度和污染物的交错区域分布，使得以区块为单位的通风廊道模糊选取的传统方法难以综合考虑温度引导和污染物引导，导致通风廊道构建位置的选取产生了不容忽视的误差。因此，本文提出MDP-DMW模型，用以改进通风廊道的选取方法，并对该模型的关键内容进行阐述：① 以百度地图为数据源，通过爬虫技术获取研究区POI数据；② 分别计算3种分布：通过python与GDAL处理遥感数据计算城市地表温度分布；基于Gis技术将地面PM2.5监测值，POI数据以及PM2.5浓度的6个相关因子进行空间叠加获取数据集，通过随机森林模型计算样本点污染物数据，然后采用普通克里金插值法计算城市污染物浓度分布；以建筑物密度和建筑物高度为数据源，通过计算城市天空开阔度与地表粗糙程度估算通风潜力分布；③ 基于3种分布结果分别进行高温、高污染物浓度、高通风潜力区域的模拟定位，以模拟定位区域中的POI地理属性为依据，结合百度地图进行定位寻址，分别确定各分布结果的高值结点实际地理位置；④ 分析研究区风环境，按照双缓解风向引导原则将通风潜力分布的高值结点区域连接构建多条模糊廊道，在各模糊廊道线路上结合POI属性定位，选择合适的“通风补偿点”作为通风廊道中间结点，分别贯通各模糊廊道上的通风廊道中间结点即为城市潜在的通风廊道。本文采用MDP-DMW模型，以西安市为研究区，最终识别出了7条潜在的城市通风廊道，并给出了合理的规划管控建议。

关键词： POI定位寻址; 温度分布; 污染物浓度分布; 普通克里金插值法; 通风潜力分布; 双缓解风向引导原则; 城市通风廊道

本文引用格式

李智杰 , 乔治杰 , 李昌华 , 高元 , 薛靖裕 . 基于多域POI定位与双缓解风向引导的潜在城市通风廊道筛选模型[J]. 地球信息科学学报, 2023 , 25(3) : 479 -494 . DOI: 10.12082/dqxxkx.2023.220407

Abstract

With the development of urban industrialization, the heat island effect and haze phenomenon have also increased sharply. However, due to the staggered regional distribution of urban temperature and pollutants, the traditional methods of fuzzy selection of ventilation corridors based on blocks are difficult to comprehensively consider temperature guidance and pollutant guidance, resulting in neglectable error in selection of construction locations of ventilation corridors. Therefore, this paper proposes the MDP-DMW model to improve the location selection of ventilation corridors and expounds key contents of the model. First, we take Baidu map as the data source and obtain POI data of the research area through crawler technology. Second, three kinds of distributions are calculated respectively. The distribution of urban surface temperature is calculated by processing remote sensing data using Python and GDAL. Based on GIS technology, the ground PM2.5 monitoring values, POI data, and six related factors of PM2.5 concentration are spatially superimposed to obtain the sample data set. The pollutant data of sample points are calculated by random forest model, and finally the urban pollutant concentration distribution is calculated by ordinary kriging interpolation method. Taking the density and height of buildings as data input, the distribution of ventilation potential is estimated by calculating the urban sky width and surface roughness. Third, based on these three distribution results, the locations of high temperature, high pollutant concentration, and high ventilation potential are simulated respectively. Based on the geographical attributes of POI in the simulated locations, the location addressing is carried out in combination with Baidu map, and the actual geographical location of high-value nodes of each distribution result is determined. Fourth, we analyze the wind environment in the study area, connect the high-value node areas of ventilation potential distribution to build multiple fuzzy corridors according to the guiding principle of double mitigation wind direction, locate near each fuzzy corridor line in combination with POI attribute, select the appropriate "ventilation compensation point" as the middle node of the ventilation corridor, and connect the middle node of the ventilation corridor on each fuzzy corridor, resulting in the potential ventilation corridors of the city. Taking Xi'an as the study area, this paper identifies seven potential urban ventilation corridors using MDP-DMW model and gives reasonable planning and control suggestions for decision making.

Key words： POI location addressing; temperature distribution; pollutant concentration distribution; ordinary Kriging interpolation method; ventilation potential distribution; double mitigation wind direction guidance principle; urban air corridor

1 引言

城市工业化进程的迅猛推进，使得热岛效应和雾霾问题愈演愈烈。热岛效应和城市雾霾的原因主要有2个方面：①由于化石能源的大量利用以及工业污染的排放；②城镇人口急剧增加，建筑布局缺少建筑群密集度、气象等多方面因子的考量，导致空气流速降低。国家发改委和住建部联合印发的《城市适应气候变化行动方案》[1]中明确要求“打通城市通风廊道，增强城市的空气流动性”。由此可见，在尊重城市现有布局的基础上，让城市达到“将清凉新鲜空气引进来，将污染物引出去”的“呼吸”效果，从而缓解热岛效应和雾霾，城市通风廊道的构建就变得非常重要，而城市通风廊道的构建所面临的即为：新鲜清凉的空气从哪里来?通过什么路径?送往何处?
每个目标城市有不同的气候环境和周边自然环境布局，我国的传统城市格局，讲究“天人合一”，将精神文明与自然相结合是我国传统城市规划的布局特征，“依山而建、山水相依、绵延开来”，而这种独特的城市规划格局，以及现代城市人工绿地、人工水库、人工林地等，共同促成了目标城市周边各色的大气环境。大气环境的不同决定了目标城市的上风向，即就是通风廊道的初始风方向，不同研究区的下垫面在粗糙度、辐射平衡、热量平衡以及对空气流动的影响等方面差别较大，形成了各异的风环境。德国学者Kress[2]根据局地环流运行规律提出了下垫面的气候功能评价标准，将城市通风系统分为作用空间、补偿空间以及空气引导通道。随着科学技术的发展，以遥感影像数据、大气环境数据等为支撑的作用空间、补偿空间等通风廊道划定要素的计算方法也在逐步更新。20世纪90年代，斯图加特率先将气候地图应用于指导城市土地利用规划，提出建设通风廊道，即依靠自然风模式和密集的植被来解决热岛效应和空气污染等难题，使得城市面貌焕然一新[3]。日本建筑协会在建筑设计层面，根据已知的风环流系统等相关信息指出在日本的大型滨海城市规划中应考虑引入海风，评估建筑迎风面积对周边风环境的影响，从而有效减少海岸边建筑物对海风的遮挡，促进海风向内陆渗透[4]， 通风廊道使得城市面貌焕然一新。
以往的城市通风廊道研究主要以形态学因子、数值模拟等估算城市通风指数，然后结合城市土地利用情况和低温区域位置确定通风廊道风源，而完整通风廊道位置选取以及廊道中间结点之间的连接，按照通风廊道最终构建效果主要分为2类：缓解温度、缓解污染物浓度。SungUkJe等[5]以韩国SejongHaengbok市（HBC区）为研究对象，以缓解城市热岛为目标，通过分析城市周边风廊森林以及冷空气流的分布特征，根据HBC区通风廊道森林的功能特征，将其分为4个区域，并提出适合各区域的风廊道森林的规划策略。杨土士等[6]以北京市为研究区，基于近地面温度与粗糙度长度估算通风指数，通过数值模拟研究区风速分布，识别了夏冬季不同温度差异下的通风廊道。俞布等[7]综合考虑分区风玫瑰图、近地面风流畅等构建了城市通风环境的多源评价指标，并通过数值模拟分析中平均风速增加 1.2 m/s，平均气温下降2.6 ℃表明通风廊道的降温作用。赵涛等[8]运用CFD技术和粗糙度理论对商洛市风环境概况进行了模拟评估，共划分3种级别的廊道，其中一、三级廊道主要解决主体与局部地区的通风问题，二级廊道侧重缓解温室效应。郑祚芳等[9]采用耦合城市冠层模式UCM的中尺度气象模式WRF，以北京市为研究区，开展了为期1个月的百米尺度高分辨率敏感性模拟试验，研究表明地面风速明显增大，热岛强度减弱。相比于以缓解热岛效应为主要目标的城市通风廊道识别，近些年污染物缓解相关的城市通风廊道相关研究比较少，汪小琦等[9]基于高静风频率城市的特征，以成都为例，通过将风速、降雨量等气象条件与污染物浓度进行相关性分析，发现1.2 m/s以上的风和1 mm以上的降水能有效缓解重污染天气，并研究了一种以保护风源为根本原则的构建城市通风廊道的原理和方法，创建了风频率空间评估模型，实现在城市管控尺度精准划定城市通风廊道，缓解城市大气污染问题。来燕妮等[11]以河南焦作为研究区，通过分析污染物时空分布确定污染物集中区域，采用计算流体力学模拟风流场，为缓解城市污染程度提供了城市通风廊道构建参考。曾思齐等[12]利用迎风面积密度参数计算的方法，以上海为研究区，以减少城市空气污染为目标进行量化研究，评估了该研究区通风廊道对污染物的影响。
然而单一考虑温度或者污染物浓度的构建通风廊道的方法，会面临高温地区和高污染地区的交错分布问题，如温度低的地方污染物浓度高，若是在上风向，单一考虑温度分布，专注于缓解热岛效应，会将污染物带到下风向，终使得城市通风廊道的应用功能受损。而现有研究虽然认同通风廊道的构建意义在于缓解温度和污染物浓度，但是综合温度分布与污染物浓度的交错分布以及两者相反的风引导原则识别城市潜在通风廊道的研究比较少，因此，本文提出“多域POI定位与双缓解风向引导”模型（Multi Domain POI Positioning and Dual Mitigation Wind Direction Guidance, MDP-DMW）识别城市潜在通风廊道。

2 MDP-DMW模型构建城市通风廊道原理

2.1 MDP-DMW模型构建城市潜在通风廊道技术路线

MDP-DMW模型如图1所示，该模型首先利用爬虫技术获取研究区POI数据；其次分别研究目标城市的地表温度分布、污染物浓度分布（以PM2.5为对象）以及通风潜力分布；再次进行各分布“高值区域”模拟定位；之后通过识别高值区域内的边界点POI地理属性和百度地图坐标拾取系统进行POI地理寻址，确定各个分布结果的高值实际区域；然后分析研究区背景风环境，结合高值实际区域与双缓解风向引导原则进行模糊通风廊道线路确定，即“模糊廊道”，结合双缓解风向引导原则与百度地图坐标拾取系统在模糊廊道的连接线上进行POI地理寻址，选择合适的通风廊道中间结点（“通风补偿点”），贯通每条模糊廊道，最终识别目标城市的潜在通风廊道。
图1 “MDP-DMW”模型构建城市通风廊道技术路线

Fig. 1 "MDP-DMW" model to build the technical route of urban ventilation corridor

2.2 温度分布计算原理

城市地表温度分布研究，旨在找出目标城市温度较高的区域，进行作用空间位置的确定。而气温高低更直接影响城市的宜居度，有研究表明，虽然气温和地表温度的形成存在物理机制的差异，但总体发展趋势基本一致[13]，因此选用地表温度来代替气温研究城市温度分布。传统方法常通过温度计进行地表温度地获取，其结果不具有强代表性且耗时、费力。随着遥感技术的发展，可以更全面、快速、连续、高效地对地表温度时空分布展开研究。热红外遥感技术在地表温度反演方面发挥了重要作用，基于热红外波段的地表温度反演相关研究早已展开，其中单通道算法[14-15]只利用1个热红外通道反演地表温度的方法，几乎适用于于所有的热红外波段来源。

2.2.1 大气校正法原理

卫星传感器接收到的热红外辐射亮度值的表达式（辐射传输方程）可写为式（1）。
L λ = ε λ B T s + 1 - ε λ L ↓ T λ + L ↑
变换式（1）得温度为 T s的黑体在热红外波段的辐射亮度 B T s为式（2）。
B T s = L λ - L ↑ - T λ 1 - ε λ L ↓ / T λ · ε λ
可以用普朗克公式的函数获取，如式（3）。
T s = K 2 · l n K 1 B T s + 1
式中： λ是波长； L λ是热红外辐射亮度； ε λ为地表比辐射率； T s是地表真实温度/k； B T s为黑体热辐射亮度； T λ为大气在波长 λ处的透过率； L ↓为大气下行辐射； L ↑为大气上行辐射。对于TIRS10， K 1=774.89 W·(m2·sr·μm)-1， K 2=1321.08 K，将式（3）中的 B T s替换为 L λ即为亮度温度 T λ的计算表达式。

2.2.2 GDAL处理方法

通过python中的gdal库处理Landsat 8 OLI_TIRS卫星数字产品再根据大气校正法原理，先进辐射校正和大气校正，提取NIR与RED计算NDVI值，如式（4）。
N D V I = N I R - R E D N I R + R E D
式中：NDVI为归一化在植被指数；NIR为近红外波段；RED为红外波段。根据NDVI计算结果，结合式（5）计算FVC。
F V C = N D V I > 0.71 0.05 < N D V I < 0.7 N D V I - 0.05 0.7 - 0.05 N D V I < 0.050
式中：FVC为植被覆盖度。使用式（6）计算Emissivity。
E m i s s i v i t y = N D V I ≥ 0.7,0.9625 + 0.0614 × F V C - 0.0461 × F V C 2 N D V I < 0.7,0.9589 + 0.086 × F V C - 0.0671 × F V C 2 N D V I ≤ 0,0.995
式中：Emissivity为地表比辐射率。通过NASA官网获取 L ↑、 L ↓以及 T λ，使用式（2）计算 B ( T s )，结合式（7）计算地表温度Temperature/℃。
T e m p e r a t u r e = 14387.7 l d a · l n 119104000 B T s · l d a 5 + 1 - 273.15
式中： L ↑为大气上行辐射； L ↓为大气下行辐射； B ( T s )为黑体辐射亮度； T λ为大气透过率；lda为Landsat 8第10波段有效波长。

2.3 污染物浓度分布计算方法

城市污染物浓度分布，旨在确定研究区的污染物浓度相对较高区域。以往的研究利用数据反演和克里金插值方法[16]，且研究表明气溶胶厚度与PM2.5的质量浓度有显著相关性[17]，还有研究者将土地利用类型、人口密度以及GDP引入到PM2.5浓度影响因子中取得了很好的模拟效果[18]。本文总结前人经验，在考虑遥感影像反演气溶胶厚度的同时，将温度、土地利用类型、GDP、人口密度以及海拔共6个影响因子加入到污染物浓度的特征中，通过爬虫技术获取西安市的POI数据点以及2019年的13个空气质量监测站点逐日PM2.5数据，基于ArcGis进行普通克里金插值，将结果与温度、气溶胶厚度、土地利用类型等分布数据基于ArcGis空间叠加技术，制作数据集并进行数据预处理。由于数据源采取的是地面监测站空间插值获取，所以数据集中的PM2.5数据存在一定的聚类现象，因此所选模型有解决回归的模型，也有解决分类的模型。通过随机森林[19]、交叉验证的支持向量机[20-21]、最邻近结点[22]以及多元线性回归[23]4个模型精度对比确定最终的污染物浓度分布计算模型。

2.4 通风潜力分布计算原理

通风潜力分布计算旨在确定通风廊道三要素中的“空气引导通道”。目前国内外对于城市规划中的通风评估方法主要包括数值模拟、风洞试验和现场试验，但研究表明其各有优缺，数值模拟无法同时综合城市内部的风场精细化[24]和大范围化[25]，风洞试验评估周期长，成本高并且普适性低[26]，现场试验虽然准确但测试范围小，代表性和通用性不强[27]，于是有研究者以济南为研究区，利用遥感和GIS技术，综合考虑空气动力粗糙长度和天空开阔度估算城市通风潜力，结合风环境分析构建通风廊道[28]。还有研究者先计算地表粗糙度其次进行渔网划分，确定每一个网格单元的地表粗糙度，并融入最小成本路径法，结合城市背景风环境确定风向，计算从“源”到“汇”的最小累计成本距离，最终确定廊道起点到终点的最小成本路径[29]。又或者结合背景风环境，以北京通州区为研究对象从下垫面的粗糙程度和天空开阔度方面进行通风潜力评估[30]，本研究将依据此法来进行通风潜力评估以及通风廊道结点的后续选择。

2.4.1 天空开阔度计算方法

天空开阔度SVF表示可见天空与以分析地点为中心的半球之间的比率，它的计算公式[31]如式（8）和式（9）。
Ω = 2 π 1 - ∑ i = 1 n s i n γ i n
S V F = 1 - ∑ i = 1 n s i n γ i n
式中：Ω为天空可视立体角； γ i为第i个方位角时的地形高度角；n为计算的方位角数目；SVF为天空开阔度。

2.4.2 地表粗糙度计算方法

地表粗糙度由气象学中的动力学粗糙长度来定量表达，是指近地层风速向下递减到零时的高度，研究表明下垫面越粗糙，通风潜力相对越小，而地表粗糙度主要影响因素就是建筑物密度以及建筑物高度[32]。常用计算方法有2种：气象方法和形态学方法，本文采用形态学方法，基于ArcGIS技术，以研究区建筑物高度、建筑物密度为源数据，估算城市地表粗糙度如式（10）—式（12）。
Z d Z h = 1.0 - 1.0 - e x p [ - ( 7.5 × 2 × λ F ) 0.5 ] ( 7.5 λ F ) 0.5
Z 0 Z h = 1.0 - Z d Z h e x p - 0.4 × U h u * + 0.193
u * U h = m i n 0.003 + 0.3 × λ F 0.5 , 0.3
式中： Z d为零平面位移高度/m； Z h为植被粗糙元高度/m； λ F为单位地表面积上城市建筑迎风面积比； Z 0为粗糙度长度/m； U h为风速/（m/s）； u *为摩阻速度/（m/s）；是建筑物面积的0.8倍[33]。基于ArcGis的字段计算功能进行地表粗糙度的估算，综合地表粗糙度与天空开阔度进行通风潜力的估算。

2.4.3 通风潜力评估方法

通风潜力评估以天空开阔度分布结果和地表粗糙度分布结果为基础数据，基于ArcGIS进行计算，结合通风潜力等级划分表[34]如表1进行最终的通风潜力评估。
表1 通风潜力等级划分

Tab. 1 Ventilation potential classification table

通风潜力类型 一级 二级 三级 四级 五级
粗糙度长度 >0.5 0.1~0.5 ≤0.1 0.1-0.5 ≤0.1
天空开阔度 - 0.75~0.90 0.75~0.90 ≥0.9 ≥0.9
含义 - 一般 较高 高 很高

2.5 POI定位与双缓解风向引导原则识别潜在通风廊道

城市通风廊道的构建应该在尊重城市现有布局的基础上进行，首先综合地表温度分布、污染物浓度分布以及通风潜力分布，直观估计3个分布结果的高值区域模拟位置；其次以落在其内的POI地理属性为依据定位；然后结合百度地图坐标拾取系统与实际地点相关联，分别确定3个分布结果的实际高值区域。
但是所得通风潜力实际高值区域只是独立的，仍需先研究风环境，分析研究区的盛行风向以及冷热季节的风速变化趋势，为构建通风廊道提供有力数据支撑，将合适的通风潜力高值区域连接，从而确定通风廊道的走向，即为“模糊廊道”。但是风不能将新鲜空气直接从补偿空间送到作用空间，需要逐次选择合适的“通风补偿点”——湿地、公园、人工湖等，连接起来，构成“完整通风廊道”。
以往完整通风廊道的构建仅单纯考虑温度或者污染物浓度，并进行区块状的廊道结点模糊选取，这对于达成通风廊道的实际意义来说是有缺陷的——污染物可能通过反风引导原则输送，加重城市污染与热岛效应，因此本文提出通风廊道的选取首先需要遵循风引导原则——温度缓解、污染物缓解（表2）。
表2 污染物缓解与温度缓解对应的风引导原则

Tab. 2 Wind guiding principle corresponding to pollutant mitigation and temperature mitigation

名称 双缓解原则
温度缓解 采取由低温向高温的风引导
污染物缓解 采取由高浓度向低浓度且向郊区的风引导
风引导原则贯穿在模糊通风廊道选取和完整通风廊道选取的全局中，廊道结点的选取在遵循风引导原则的同时，也考量供选择区域的类型，可分为如下4种：高温高污染区域、高温低污染区域、低温高污染区域以及低温低污染区域，同时综合其所在位置的风向，本文提出双缓解风向引导原则如 表3所示。
表3 双缓解风向引导原则

Tab. 3 Double mitigation wind direction guidance principle

序号 区域特性 区域所处风向 缓解对象 缓解方式
1 高温高污染区域 上风向 温度、污染物 过滤层
下风向 过滤层；上风向风源带来低温空气，带走污染物
2 高温低污染区域 上风向 温度 过滤层
下风向 上风向风源带来低温空气
3 低温高污染区域 上风向 污染物 过滤层
下风向 上风向风源带走污染物；过滤层
4 低温低污染区域 上风向 — —
下风向
其中过滤层指结合人工林地、人工湖等基础设施对上风向的高温和污染物进行缓解，上风向不能因为高污染物和高温区域的存在，就舍弃该区域的风源，应该有效利用起来，通过过滤层使用净化后的新风源，而处在下风向的高污染区和高温区域需要经上风向风源作用，从而达到双缓解效果。

3 潜在通风廊道实例分析

3.1 研究区域概况及数据来源

3.1.1 研究区概况

西安市位于渭河流域中部关中盆地，107.40°E—109.49°E和33.42°N—34.45°N之间，境内因为渭河平原以及秦岭山、太白山等使得海拔高度差异大（图2）。改革开放以来，西安市的城镇化速度加快，与之而来的便是热岛效应和城市雾霾。2010—2020年，汇总每年西安市6、7、8月日最高、日最低气温，取均值如图3，炎热季日最高年平均气温达到33.6 ℃时，日最低平均气温达到23.7 ℃。人形高度的通风水平与城市建筑密集度和建筑高宽比分别具有较强的相关性，随着近几年城市建筑数量的扩增，建筑密度与建筑宽高比也随之增大，通风水平降 低[35]，这使得城市内的污染物积聚，加重城市污染。
图2 西安市海拔高度空间差异

Fig. 2 Spatial difference of altitude in Xi'an

图3 2010—2020年西安市炎热季（6—8月）年平均日最高及日最低气温

Fig. 3 Annual average daily maximum and daily minimum temperature in hot season (Jun. to Aug.) in Xi'an from 2010 to 2020

3.1.2 数据来源

在地理空间数据云中选取西安市2019年云量小于10%的Landsat 8 OLI_TIRS 卫星数字产品；在美国国家航空航天局（NASA）官网获取西安市2019年云量较少的MODIS021km遥感影像；通过爬虫技术分别获取西安市2022年的POI数据，2019年13个空气质量地面监测站点（表4）污染物数据以及2010—2020年泾河站点气象数据；通过中国科学院资源环境科学与数据中心获取2019年的人口密度、GDP、海拔以及2018年的国土资源利用数据，如表5所示。
表4 西安市13个空气质量监测站点名称和经纬度

Tab. 4 Names and longitude and latitude of 13 air quality monitoring stations in Xi'an

编号 监测点 经度/E 纬度/N
1 临潼区 109°13' 34°22'
2 兴庆小区 108°59' 34°15'
3 小寨 108°56' 34°13'
4 市人民体育场 108°57' 34°16'
5 广运潭 109°03' 34°19'
6 曲江文化产业集团 108°58' 34°11'
7 纺织城 109°04' 34°16'"
8 经开区 108°57' 34°21'
9 草滩 108°58' 34°23'
10 长安区 108°54' 34°09'"
11 阎良区 109°13' 34°40'
12 高压开关厂 108°54' 34°16'
13 高新西区 108°54' 34°13'
表5 实验所需数据源相关介绍

Tab. 5 Introduction to data sources required for the experiment

数据名称 时间/版本 来源 用途
Landsat8OLI_TIRS 2019-04-06 地理空间数据云（云量<10%） 地表温度反演
MODIS021km 2019-04-06 美国国家航空航天局（云量较少） 气溶胶反演、污染物浓度估算
POI数据 2022 百度地图API 定位、寻址
气象数据 2010—2020 泾河站点 近些年的气温变化与风速变化趋势
空气质量 2019 真气网 基于ArcGIS普通克里金插值、取值到点，
污染物浓度估算
国土资源利用数据 2018 中国科学院资源环境科学
与数据中心		 基于ArcGIS普通克里金插值、取值到点，
污染物浓度估算
人口密度数据 2019
GDP数据 2019
海拔数据 V4.1版本
城市建筑数据 2019 估算通风潜力

3.2 实验流程

3.2.1 温度分布结果

Python处理与ENVI软件处理西安市2019年4月7日Landsat8OLI_TIRS遥感数据，结果对比如图4(a)为Python处理结果，如图4(b)为ENVI软件处理结果。
图4 西安市2019年4月7日地表温度空间分布

Fig. 4 Surface temperature distribution results in Xi'an on April 7, 2019

将Python处理结果通过掩膜提取并着色，进行对比，在图例中，两者的真实值之间最高值与最低值误差在允许范围之内，且本文研究注重温度的分布趋势；经过实际检验，采用大气校正法的Python实现耗时23 s，传统的软件实现由于受人为因素以及软件自身处理时间的影响所需时间超过10 min，表明Python处理结果可在保证精度的同时大大缩短处理温度分布任务的时间，因此Python处理温度分布的方式可以替代传统的ENVI软件处理方式来估算研究区地表温度分布。本文由于采取的是Landsat8遥感影像，而其获取后为块状，原始数据在西南部和东部是有缺失的，但由于缺失部分为山林，可直接作为风源，因此其对后期实验影响不大，可以忽略。污染物浓度分布同理。

3.2.2 污染物浓度分布

根据污染物浓度计算原理，将获取到的数据集预处理，70%为训练集，30%为测试集，采用最邻近结点、随机森林、交叉验证的支持向量机以及多元线性回归4种算法模型进行预测，各模型精度对比如表6所示。结果表明，随机森林精度表现最好达到0.8890，使用随机森林算法进行计算PM2.5，且基于GIS进行空间插值和自动分类，将污染物浓度划分为优、良、轻度污染、中度污染、重度污染以及严重污染共6类，基于ArcGis普通克里金插值法得到西安市污染物浓度分布如图5（b），图5（a）为监测站点数据普通克里金插值结果。如图5所示，对比发现图5（a）与图5（b）在分布上较为相似，且西安市东北部、西部、北部以及东南部污染物浓度相对较高。
表6 4种污染物浓度估算模型精度对比

Tab. 6 Comparison of accuracy of four pollutant concentration estimation models

模型名称 精度 样本数量/个
最邻近结点 0.8110 17 020
随机森林 0.8890
多元线性回归 0.8501
交叉验证的支持向量机 0.8758
图5 2019年4月7日西安市PM2.5分布模拟

Fig. 5 Simulation of PM2.5 distribution in Xi'an on April 7, 2019

3.2.3 通风潜力分布

通风潜力的评估主要是综合地表粗糙度和天空开阔度，天空开阔度和地表粗糙度的计算，以建筑物高度以及建筑物密集度数据为数据源，结合ArcGis进行计算，天空开阔度计算结果如图6（a），地表粗糙度计算结果如图6（b），通风潜力计算结果如图6（c）。如图6（c），结合表1，五级表示通风效果很好，即图中蓝色区域，而等级越低表示通风效果越差，另外，西安主城区底图与其余有等级的建筑之间为蓝色无建筑区域，或为空地、公园、道路等，通风效果很好。
图6 西安市主城区通风潜力评估

Fig. 6 Assessment of ventilation potential in Xi'an

3.2.4 高值结点区域选取

如图7（a），通风潜力高值区域即通风等级较高的区域，主要分布在1—6号区域。如图7（b），温度高值区域主要分布在1—11号区域，如图7（c）污染物浓度高值区域即较严重与严重2种类别片状面积较大区域，主要分布如图1—12号区域。
图7 3种分布结果高值模拟区域

Fig. 7 High value simulation area of three distribution results

（1）POI寻址示例
该区域内的POI点地理属性如图8（a），在百度地图上它处于皂河沿线以东，渭河城市运动公园以南，灞河至西安浐灞国家湿地公园段沿线以西，汉城湖与未央立交以北，局部展示如图8（b）。
图8 图7(a)1号区域POI寻址示例

Fig. 8 Example of POI addressing in area Fig.7(a)1

（2）按照图8中通过POI寻址确定通风结点区域选取的方式，确定通风潜力分布图7(a)1—6号区域，温度分布（图7(b)1—6号区域）以及污染物浓度分布（图7(c)1—5号区域）的高值参照区域，结果如表7所示。
表7 3种分布高值区域对应实际参照

Tab. 7 Three distribution high value areas correspond to actual reference

分布结果 高值区域编号 实际参照区域
通风潜力
分布
（图7(a)）		 1号 皂河沿线以东，渭河城市运动公园以南，灞河至西安浐灞国家湿地公园段沿线以西，汉城湖与未央立交以北
2号 沣河以东，沣渭生态景观区以南，皂河沿线以西，太平河与沣惠渠交界处沿线以北
3号 沣河以东，太平河与沣惠渠交界处沿线以南，子午大道以西，关中环线以北
4号 子午大道以东，西安绕城高速以南，鲸鱼沟竹海风景区以西，灞河沿线与终南大道沿线以北
5号 华清路立交、金华北路沿线以东，高陵泾渭湿地观光公园以南，洪庆山国家森林公园以西，西安绕城高速、香王立交沿线以北
6号 北关正街、北大街沿线以东，二环北路东段、辛家庙立交桥以及广安路沿线以南，华清路立交、金华北路沿线以西，西安钟楼、东大街沿线以北
温度分布
（图7(b)）		 1号 田峪河以西，关中环线与连共线西段
2号 渭河沿线以西至渭河大桥
3号 田峪河以东，终南大道以南，涝峪河以西，关中环线沿线以北
4号 涝峪河沿线以东，鄠邑东枢纽立交沿线以南，沣河以西，关中环线沿线以北
5号 沣河以东，帽儿刘立交沿线以南，皂河沿线以西，京昆高速沿线以北
6号 沣东牡丹园和西安绕城高速以东，渭河城市运动公园和河堤路沿线以南，朱宏快速路至汉清明门广场沿线以西，汉城湖至汉长安城未央宫国家考古遗址公园段以北
7号 子午大道南段沿线以东，常宁宫蒋介石西北行宫以南，张学良公馆以西，五台滈河绿洲郊野公园至小五台山以北
8号 地铁2号线会展中心至韦曲南站以东，雁鸣湖休闲公园以南，雁鸣湖休闲公园和浐河南段沿线以西，华严寺至明秦康王墓以北
9号 西安兵器博物馆以东，西安吉利产业园以南，西韩大道以西，泾河沿线以北
10号 西安浐灞国家生态湿地公园以东，高陵泾渭湿地观光至灞渭生态滩区以南，鸣犊泉公园以西，桃花潭公园至灞桥区洪庆工业园区以北
11号 灞桥立交至鲸鱼沟竹海风景区至汤峪湖森林公园东北部，临潼服务区至慢城景区西南部
污染物
浓度分布
（图7(c)）		 1号 周至县境内田峪河至赵公明财神庙以西
2号 新渭沙湿地公园以西渭河与河堤路沿线
3号 沣谓生态湿地公园以东，钟楼以北的碑林区、莲湖区以北、新城区以北，未央区、高陵区、临潼区除土门东南以外区域、
4号 蓝田县终南山悟真风景区北部
5号 蓝田县玉山蓝河风景区东南部

3.2.5 通风廊道中间结点选取

（1）背景风环境分析
如图9（a）西安市全年盛行东北风，ENE到NNE3个风向所占比例为31.2%；西南风次之，SSW到WSW3个风向所占比例为21.2%[36]，因此首先确定西安市风向：西安市区为东北风，周至、户县为西风、西南风，高陵区、临潼区为东北风，长安区为东南风，蓝田为西北风。统计西安市国际交换站点（57131泾河站）自2010—2020年的气象观测数据，年平均风速变化如图9（b），站在时间维度，西安市年平均风速总体上呈缓慢下降的趋势：2010年平均风速为2.6 /(m/s)，2020年平均风速为2.1 /(m/s)，10年下降了0.5 /(m/s)，下降幅度较明显。如图9（c）与图9（d）所示，年热季（6、7、8月）平均风速与年冷季（1、2、12月）平均风速呈波动下降趋势，风速下降不利于城市风的流通会加剧热岛效应，且不利于城市内污染物的扩散。
图9 2010—2020年西安市泾河站点监测到的风向频率及风速变化

Fig. 9 Annual wind speed changes monitored at Jinghe station in Xi'an from 2010 to 2020

（2）单一考量下的通风廊道构建应用功能损失分析
以往单一考量的通风廊道构建，由于缺乏对温度分布和污染物浓度分布的综合参考，很难实现既缓解高温又减轻污染物浓度。
西安市的全年主导风向为东北-西南，长安区为东南风，在这样的风环境下，如图7（a）、图7（b）的东北方阎良区、临潼区，南部长安区，这2个区域在单一考量的选取思维上是存在弊端的，再结合图7(b)和图7(c)进行高值区域定位分析如表8所示。
表8 单一考量下的通风廊道结点选取弊端

Tab. 8 Disadvantages of ventilation corridor node selection under single consideration

区域 区域特性 风向 缓解目标 单一考量温度 单一考量污染物浓度
周至县（7（c）1、7（b）1 高温高污染 上风向 温度、污染物 加剧污染 反温度引导原则，该区域下风向温室效应加剧
阎良区、临潼区(7（b）3、7（c）12 低温高污染 上风向 污染物 污染物吹向城区周围，加重城市污染
图7(b)1号区域与图7（c）1号区域在地理位置上有大面积交汇区域，其中图7(b)1号区域属于温度高值区域，图7（c）1号区域属于高污染区，即该区域属于高温高污染区，观察图可发现该两编号区域西北部又为低温高污染区且在上风向，当单纯考虑温度缓解时，需要风从低温区吹向高温区，虽然缓解了图7(b)1号区域的高温，但加重了该区域的污染；当单纯考虑污染物缓解时，需要风从高浓度区吹向低浓度区，虽然图7（c）1号区域污染物浓度得到缓解，但是加剧了该区域下风向区域温室效应。再如图7(c)12号区域与图7(b)东北方，该区域风向为东北风且属于低温高污染区，如果单纯考虑温度缓解，或者单纯考虑污染物缓解，势必将污染物吹向城区周围，这违背了城市通风廊道的构建初衷。
（3）遵循双缓解风向引导原则的通风廊道构建
结合西安市风向与表7，最终识别出过主城区的通风廊道：7(a)1—>7(a)2，7(a)6—>7(a)3，7(a)5—>7(a)4，7(a)1—>7(a)5；在主城区外，建筑物相对稀少，应该在这样的风向环境下，考虑结合温度高值区域分布与污染物浓度高值区域分布进行通风廊道的选择：7(a)5—>蓝田西北部，阎良—>7(a)1，周至县北部-鄠邑区北部，临潼区西南部7(a)5。以POI属性定位其附近的通风补偿点，并遵循双缓解风向引导原则如表9所示。
表9 通风廊道选取结点

Tab. 9 Ventilation corridor selection node

通风廊道类别 通风道廊道 通风廊道结点 可双缓解区域编号
经主城区 7（a）1→7（a）2 西安浐灞国家湿地公园至沣渭生态景观区沿线—沣河与西安
绕城高速沿—沣河湿地公园—新河—渼陂湖景区		 7（b）5、7（b）6、7（b）9、7（b）7
7（a）6→7（a）3 西安浐灞国家湿地公园—灞河沿线—沿太华北路—大明宫
国家遗址公园—环城公园—太白南路—水上森林--西沣路段
—郭杜森林公园—洨河生态公园—西安建筑科技大学草堂校区		 7（b）7、7（b）6、7（b）9、7（c）7、7（c）3、7（c）4
7（a）5→7（a）4 泾惠渠南干二分渠—泾河—灞河沿线—西安浐灞滋水公园—
桃花潭公园—浐河沿线—雁鸣湖休闲公园—南包茂高速沿线		 7（b）7、7（b）8、7（b）9、7（b）10、7（c）6、7（c）8
西安市主城区外围地区 7（a）1→7（a）5 高陵泾渭湿地观光园—沿西韩公路—横穿连霍高速、京昆
高速—洪庆山国家森林公园与灞桥生态湿地公园之间		 7（b）1、7（b）2、7（b）3、7（b）4、7（c）1、7（c）2、7（c）3、
7（a）5→蓝田西北部 灞桥生态湿地公—灞河、沪陕高速以及福银高速沿线—白鹿
广场		 7（b）10、7（b）11、7（c）10、
7（c）9
阎良→7（a）1 阎良公园—京昆高速沿线—泾惠渠南干二分渠—西安浐灞
国家湿地公园		 7（b）10、7（b）8、7（c）7、
7（c）12
周至县北部→鄠邑区北部 沙河湿地公园—黑河沿线—渭河与连共线以及河堤路沿线 7（c）1、7（b）1、7（b）2
临潼区西南部→7（a）5 新丰立交与渭河沿线—沿着银桥大道—九龙湖—洪庆山国家
森林公园—灞桥生态湿地公园与桃花潭公园之间		 7（b）10、7（c）9、7（c）11
西安市通风廊道规划路线如图10，其中7(a)1—>7(a)5与7(a)5—>蓝田西北部，将按风向合并为一条线路。图10中所示风向为西安市各行政区的主风向，所示通风廊道线路为西安市潜在的通风效果较好的“通风补偿点”——表9中各通风廊道结点，遵循双缓解风向引导原则串联起来形成。但该8条通风廊道并未容纳进山谷风，通过分析温度和污染物的分布现状，其主城区外与山脉等自然风之间可通过建立合适的“通风补偿点”，有效过滤经主城区到西安市主城区外围地区的风，缓解城市周边的温室效应和污染物，部分通风廊道之间会存在风向相向，导致污染物堆积在同一片区域，那么也应该在此处区域建立合适的“通风补偿点”。
图10 西安市通风潜力、地表温度、污染物空间分布与通风廊道规划

Fig. 10 Ventilation potential, surface temperature, spatial distribution of pollutants and ventilation corridor planning in Xi'an

3.3 补充建议

（1）西安市主城区外围地区
虽然主城区的主导风向是东北方—西南方，但是随着近些年的气候变化，这种自东北向西南的主导风向并不是时时刻刻保持如一的。通过中国气象局了解到实时的风流场也有从南往北的，所以需要在以研究区主导风向为研究基础的情况下综合考虑研究区的更多的风流场风走向，基于这些因素以及中国城市建设“依山而建，山水相依”的建筑特色，在西安市主城区外围地区构建防护林、水域等设施，高效利用城市周边的土地资源、风资源，从而大幅度提高城市宜居度。
结合图10与表9发现，周至县北部→鄠邑区北部，阎良→7（a）1以及临潼区西南部→7（a）5这3条通风廊道的风向均朝向主城区，很有可能将西安市主城区外围地区的污染物带进主城区，因此，需要在各自的通风廊道中段寻找合适的位置建立自然吸附区：防护林、人工湖、人工绿地等，从而达到降低污染物浓度的目的。另者，单是东北风，经过主城区的阻碍分流，到达主城区西南部（如：长安区）的风速会变小，而秦岭山等山脉形成了源源不断的山谷风，由东南而入，可以将长安区南部大部分地区降温和空气净化，那么同时在长安区中部和市区域也应该建立自然吸附区。
（2）城市内部与廊道中段
风并不会因为通风廊道的构建直接从起点流向终点，这是因为城市建筑轮廓与城市交错的路网交错产生复杂的迎风面，而与风向不为0的角度会造成同一方向风速的折损。因此，在通风廊道的全局中应该合理考量合适的较开阔区域建立及时的风源补偿区域：人工的河流公园，以及人工绿地等基础设施，同时这些区域同样对周边的环境起到积极作用。而西安市南邻秦岭山，丰富的山林资源会形成源源不断的山谷风，来缓解西安市南部郊区的高温和减轻污染物的浓度。
（3）政策管控
通风潜力的评价因素中，建筑物密度、建筑高度对通风是有阻碍作用的，同时建筑的迎风面与路网形成的角度也会造成风损，因此未来建筑的高度、密度应该严格控制。同时过量的人类活动也对环境产生了巨大影响，以泰国南部的皮皮岛国家海洋公园为例，疫情前这里是知名潜水圣地，随着人流量地不断增大，越来越多的污染使得短短十年的时间，皮皮岛的珊瑚覆盖率下降了60%以上。研究发现，由于疫情使得各国限制人员流动，船只噪音变少，黑鳍鲨、绿海龟等珍稀的海洋动物出现在海岛附近，足见人类活动对自然环境的影响。
综上，在廊道中段建立的绿地、人工防护林区等新通风廊道结点既可以将通风廊道携带的污染物进行自然吸附，又可以补充风源，在将新鲜清凉的空气送到温度高的区域的同时，又降低了污染物浓度；整体的污染物浓度的输送，尽可能走西安市主城区外围地区，而西安市主城区外围地区现有与新建的防护林、水域会进行污染物的自然吸附，从而达到既降低温度，又降低污染物浓度的效果。除了通风廊道的规划建设，政府也应该选择和自身城市发展相辅相成的政策，适当地控制人流活动，倡导人们绿色出行，低碳生活，这对于自然环境恢复、缓解城市热岛效应、降低污染物浓度有很大的促进作用。

4 结论

本文提出的“MDP-DMW”模型采用以往Gis+空间形态学的方法估算研究区的通风指数，然而在通风廊道结点选取时，通过实际分析表明温度分布与污染物浓度分布是复杂交错的，如果不去综合考虑一个研究区的这2种分布，那么在风的扩散作用下，一个区域很容易在缓解温度的同时出现污染物浓度增高的现象，通风廊道的实际意义是打折扣的。以本文中西安市的东北部为例，该区域地处上风向，且是低温高污染区，如果站在缓解温度的角度去构建通风廊道，那么势必将污染物扩散向主城区，这会加重主城区污染。“MDP-DMW”模型与以往单一考量下的通风廊道识别的不同主要有2点：
（1）该模型采用了爬虫技术获取了研究区POI数据，结合百度地图坐标拾取系统与3种分布结果进行定位寻址，保证了一定的精准、高效性。
（2）综合了污染物浓度分布、温度分布，提出双缓解风向引导原则，分析研究区区域属性，分为高温高污染、高温低污染、低温高污染、低温低污染四类，同时针对各自在上风向或者下风向，分析对应的缓解对象和缓解方式，完善通风廊道的构建。
然而本文中主要依据的是各分布结果的分布趋势，单一数据精度有待提高，风力风速在城市中的消减和双缓解风向引导原则中“过滤层”的强度尚未结合实际去考虑，这些将是后期重点的研究内容。
本文提出“MDP-DMW”模型，以西安市为研究区，主要研究结果如下：
（1）西安市地表温度分布表现为11个块状高值区域；污染物分布主要表现为西安市东北部、北部、东部、西北部、西部这5个方位污染物浓度相对较高；通风潜力分布6个块状高值区域，主要表现为城市空地、湿地公园、道路沿线、公园、水域等区域通风等级较高。
（2）结合百度地图坐标拾取系统进行高值区域的定位，根据双缓解风向引导原则进行了8条“模糊廊道”的识别：7(a)1—7(a)2，7(a)6—7(a)4，7(a)6—7(a)7，7(a)1—7(a)5，7(a)5—蓝田西北部，阎良—7(a)1，周至县北部-鄠邑区北部，临潼区西南部—7(a)5。因建筑物数据主要是主城区，通风潜力分布只是覆盖主城区，因此将西安市分为主城区内、外，内部主要根据通风潜力与双缓解风向引导原则，主城区外相对开阔，主要依据双缓解风向引导原则。
（3）在“模糊廊道”的基础上识别通风廊道中间结点，连接模糊廊道与廊道中间结点形成完整的通风廊道线路，同时考虑区域的属性：高温高污染、低温高污染等，以及它们所在的位置处于上风向或者下风向，并以利用“干净”风源为主，在合适的区域建立合适的“通风补偿点”作为“过滤层”，7(a)1— 7(a)5与7(a)5—蓝田西北部，将按风向合并为一条线路，最终共识别出7条潜在通风廊道。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
国家发改委、 住建部. 城市适应气候变化行动方案[J]. 建设科技, 2016, 306(3):7.

[The National Development and Reform Commission and the Ministry of Housing and Urban-Rural. Development issued the Action Plan for Urban Adaptation to Climate Change[J]. Construction Science and Technology, 2016, 306(3):7.]

[2]
Kress R. Regionale Luftaustauschprozesse und ihre Bedeutung fǜr die Raumliche Planung[M]. Dortmund: lnstitut for Umweltsehutz der Univetsitat Dortmund, 1979:17-25.

[3]
刘姝宇, 沈济黄. 基于局地环流的城市通风道规划方法——以德国斯图加特市为例[J]. 浙江大学学报(工学版), 2010, 44(10):1985-1991.

[Liu S Y, Shen J H. Urban ventilation channel planning method based on local circulation: A case study of Stuttgart, Germany[J]. Journal of Zhejiang University (Engineering Science), 2010, 44(10):1985-1991.]

[4]
李威. 城市通风廊道研究及其规划应用[J]. 低碳世界, 2017(36):257.

[Li W. Study on urban ventilation corridor and its planning application[J]. Low Carbon World, 2017(36):257.] DOI:10.16844/j.cnki.cn10-1007/tk.2017.36.165

DOI

[5]
Sung U J, Eum J H, Son J M, et al. Planning strategies of wind corridor forests utilizing the properties of cold air[J]. Land, 2021, 10(6):607. DOI:10.3390/land10060607

DOI

[6]
杨土士, 王伟文, 常鸣, 等. 北京市潜在风道的数值模拟与综合识别[J]. 地球信息科学学报, 2020, 22(10):1996-2009.

DOI

[Yang T S, Wang W W, Chang M, et al. Numerical simulation and comprehensive identification of potential wind corridors in Beijing[J]. Journal of Geo-Information Science, 2020, 22(10):1996-2009.]

[7]
俞布, 贺晓冬, 危良华, 等. 杭州城市多级通风廊道体系构建初探[J]. 气象科学, 2018, 38(5):625-636.

[Yu B, He X D, Wei L H, et al. Primary exploration for construction of urban multilevel ventilation corridors system in Hangzhou[J]. Journal of the Meteorological Sciences, 2018, 38(5):625-636.] DOI:10.3969/2018jms.0069

DOI

[8]
赵涛, 曹象明, 蔡娟娟, 等. 商洛市城市通风廊道构建及规划控制策略[J]. 沈阳建筑大学学报(社会科学版), 2018, 20(4):345-352.

[Zhao T, Cao X M, Cai J J, et al. The urban ventilation channel construction and planning control strategy in Shangluo City[J]. Journal of Shenyang Jianzhu University Social Science, 2018, 20(4):345-352.] DOI:10.11717/j.issn.1673-1387.2018.04.04

DOI

[9]
郑祚芳, 雷小燕, 高华. 北京城市通风廊道研究Ⅰ:环境效应模拟[J]. 地理科学, 2022, 42(4):631-639.

DOI

[Zheng Z F, Lei X Y, Gao H. Ventilation corridor in Beijing, part Ⅰ: Simulation of environmental effects[J]. Scientia Geographica Sinica, 2022, 42(4):631-639.] DOI:10.13249/j.cnki.sgs.2022.04.008

DOI

[10]
汪小琦, 高菲, 谭钦文, 等. 高静风频率城市通风廊道规划探索——成都市通风廊道的规划实践[J]. 城市规划, 2020, 44(8):129-136.

[Wang X Q, Gao F, Tan Q W, et al. Planning for ventilation corridor in city with high-frequency static wind: A case study of Chengdu city[J]. City Planning Review, 2020, 44(8):129-136.] DOI:10.11819/cpr20200813a

DOI

[11]
来燕妮, 冯其林, 杜钦. 河南焦作市通风廊道的分析与构建[J]. 园林, 2021, 38(10):39-44.

[Lai Y N, Feng Q L, Du Q. Analysis and construction of ventilation corridor in Jiaozuo, Henan Province[J]. Landscape Architecture, 2021, 38(10):39-44.] DOI:10.12193/j.laing.2021.10.0039.006.

DOI

[12]
曾思齐, 秦艳, 陈勇航. 上海市通风廊道的识别及影响分析[J]. 东华大学学报(自然科学版), 2018, 44(6):954-958.

[Zeng S Q, Qin Y, Chen Y H. Analysis of the identification and impact of urban ventilation corridors in Shanghai[J]. Journal of Donghua University (Natural Science), 2018, 44(6):954-958.] DOI:10.3969/j.issn.1671-0444.2018.06.016

DOI

[13]
王念, 卢致宇, 徐建红, 等. 遥感反演和站点观测的地气温度分布特征差异[J]. 遥感学报, 2021, 25(8):1848-1861.

[Wang N, Lu Z Y, Xu J H, et al. Difference of temperature distribution characteristics based on remote sensing and meteorological station temperature data[J]. National Remote Sensing Bulletin, 2021, 25(8):1848-1861.]

[14]
夏安全, 齐建国, 姜振飞, 等. 基于Landsat 8数据单通道算法反演地表温度——以济南市为例[J]. 江苏农业科学, 2017, 45(20):254-258.

[Xia A Q, Qi J G, Jiang Z F, et al. Inversion of surface temperature based on Landsat 8 data single channel algorithm—a case study of Jinan City[J]. Jiangsu Agricultural Sciences, 2017, 45(20):254-258.] DOI:10.15889/j.issn.1002-1302.2017.20.063

DOI

[15]
乐通潮, 聂森, 潘辉, 等. 基于Landsat8卫星影像的地表温度反演及福州春季城市热岛效应分析[J]. 西北林学院学报, 2019, 34(5):154-160.

[Le T C, Nie S, Pan H, et al. Land surface temperature retrieval and urban heat island effect based on Landsat8 image in Fuzhou City[J]. Journal of Northwest Forestry University, 2019, 34(5):154-160.] DOI:10.3969/j.issn.1001-7461.2019.05.24

DOI

[16]
曾鹏, 辛存林, 于奭, 等. 典型西南工业城市柳州市核心区大气污染物时空分布与气象因素研究[J]. 环境科学学报, 2020, 40(1):13-26.

[Zeng P, Xin C L, Yu S, et al. Spatial and temporal distribution of atmospheric pollutants and meteorological factors in the core district of Liuzhou City, a typical industrial city in Southwest China[J]. Acta Scientiae Circumstantiae, 2020, 40(1):13-26.] DOI:10.13671/j.hjkxxb.2019.0337

DOI

[17]
阮欧, 刘绥华, 陈艳, 等. 昆明市MODIS AOD与大气污染物浓度在气象因子影响下的相关性分析[J]. 贵州师范大学学报(自然科学版), 2021, 39(4):21-29.

[Ruan O, Liu S H, Chen Y, et al. Correlation analysis between modis AOD and air pollutant concentration in Kunming City[J]. Journal of Guizhou Normal University (Natural Sciences), 2021, 39(4):21-29.] DOI:10.16614/j.gznuj.zrb.2021.04.003

DOI

[18]
夏晓圣, 陈菁菁, 王佳佳, 等. 基于随机森林模型的中国PM2.5浓度影响因素分析[J]. 环境科学, 2020, 41(5):2057-2065.

[Xia X S, Chen J J, Wang J J, et al. PM2.5 concentration influencing factors in China based on the random forest model[J]. Environmental Science, 2020, 41(5):2057-2065.] DOI:10.13227/j.hjkx.201910126

DOI

[19]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-32. DOI:10.1023/A:1010933404324

DOI

[20]
Wang Y, Li J H. Credible intervals for precision and recall based on a K-fold cross-validated beta distribution[J]. Neural Computation, 2016, 28(8):1694-1722. DOI:10.1162/NECO_a_00857

DOI PMID

[21]
张军华, 任雄风, 赵杰, 等. 基于交叉验证支持向量机储层预测方法及应用[J]. 科学技术与工程, 2020, 20(13):5052-5057.

[Zhang J H, Ren X F, Zhao J, et al. Reservoir prediction method and its application of support vector machine based on cross validation[J]. Science Technology and Engineering, 2020, 20(13):5052-5057.] DOI:10.3969/j.issn.1671-1815.2020.13.005

DOI

[22]
汪炫羲, 唐清岭, 蒋小菲. 基于KNN分类算法的n-γ脉冲信号甄别仿真研究[J]. 电子测量技术, 2022, 45(13):164-170.

[Wang X X, Tang Q L, Jiang X F. Simulation of n-γ pulse signal discrimination based on KNN classification algorithm[J]. Electronic Measurement Technology, 2022, 45(13):164-170.] DOI:10.19651/j.cnki.emt.2209025

DOI

[23]
Kicsiny, Richard. Improved multiple linear regression based models for solar collectors[J]. Renewable energy, 2016, 91(Jun.):224-232. DOI:10.1016/j.renene.2016.01.056.

DOI

[24]
Kato S, Huang H. Ventilation efficiency of void space surrounded by buildings with wind blowing over built-up urban area[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2009, 97(7/8):358-367. DOI:10.1016/j.jweia.2009.05.003

DOI

[25]
李磊, 吴迪, 张立杰, 等. 基于数值模拟的城市街区详细规划通风评估研究[J]. 环境科学学报, 2012, 32(4):946-953.

[Li L, Wu D, Zhang L J, et al. Ventilation assessment on urban-block detailed planning based on numerical simulation[J]. Acta Scientiae Circumstantiae, 2012, 32(4):946-953.] DOI:10.13671/j.hjkxxb.2012.04.006

DOI

[26]
Duijm N J. Dispersion over complex terrain: Wind-tunnel modelling and analysis techniques[J]. Atmospheric Environment, 1996, 30(16):2839-2852. DOI:10.1016/1352-2310(95)00344-4

DOI

[27]
郑拴宁, 苏晓丹, 王豪伟, 等. 城市环境中自然通风研究进展[J]. 环境科学与技术, 2012, 35(4):87-92,194.

[Zheng S N, Su X D, Wang H W, et al. Review of natural ventilation in urban environment[J]. Environmental Science ＆ Technology, 2012, 35(4):87-92,194.] DOI:10.3969/j.issn.1003-6504.2012.04.019

DOI

[28]
刘勇洪, 张硕, 程鹏飞, 等. 面向城市规划的热环境与风环境评估研究与应用——以济南中心城为例[J]. 生态环境学报, 2017, 26(11):1892-1903.

[Liu Y H, Zhang S, Cheng P F, et al. Research and application of heat and ventilation environment assessment for city planning—a case study of Jinan central urban area[J]. Ecology and Environmental Sciences, 2017, 26(11):1892-1903.] DOI:10.16 258/j.cnki.1674-5906.2017.11.010

DOI

[29]
申鑫杰, 赵芮, 何瑞珍, 等. 郑州市市区风环境模拟研究[J]. 地球信息科学学报, 2020, 22(6):1349-1357.

DOI

[Shen X J, Zhao R, He R Z, et al. Research on urban wind environment simulation: A case study of Zhengzhou central area[J]. Journal of Geo-Information Science, 2020, 22(6):1349-1357.] DOI:10.12082/dqxxkx.2020.190231

DOI

[30]
王梓茜, 程宸, 杨袁慧, 等. 基于多元数据分析的城市通风廊道规划策略研究——以北京副中心为例[J]. 城市发展研究, 2018, 25(1):87-96.

[Wang Z X, Cheng C, Yang Y H, et al. Research on urban ventilation channel planning strategy which based on multivariate date analysis: Take Beijing sub center as an example[J]. Urban Development Studies, 2018, 25(1):87-96.] DOI:10.3969/j.issn.1006-3862.2018.01.012

DOI

[31]
城市通风廊道规划技术指南(第1版)[z]. 中国气象局, 2015年12月.11-14.

[Technical guide for urban ventilation corridor planning(First Edition)[z]. China Meteorological Administration, december 2015.11-14.]

[32]
韩旭. 基于气候功能评估的城市通风廊道规划建设——以西安市主城区为例[J]. 建筑与文化, 2021(4):154-155.

[Han X. Urban ventilation corridor planning and construction based on climate function assessment: Taking the main urban area of Xi'an as an example[J]. Architecture ＆ Culture, 2021(4):154-155.] DOI:10.19875/j.cnki.jzywh.2021.04.052

DOI

[33]
刘勇洪, 房小怡, 栾庆祖. 基于卫星数据与GIS技术的北京地区粗糙度长度估算研究[J]. 高原气象, 2016, 35(6):1625-1638.

DOI

[Liu Y H, Fang X Y, Luan Q Z. Estimation of roughness length of Beijing area based on satellite data and GIS technique[J]. Plateau Meteorology, 2016, 35(6):1625-1638.] DOI:10.7522/j.issn.1000-0534.2015.00068.

DOI

[34]
杜吴鹏, 房小怡, 刘勇洪, 等. 基于气象和GIS技术的北京中心城区通风廊道构建初探[J]. 城市规划学刊, 2016(5):79-85.

[Du W P, Fang X Y, Liu Y H, et al. Construction of ventilation corridors in the Beijing central urban area based on meteorology and GIS technology[J]. Urban Planning Forum, 2016(5):79-85.] DOI:10.16361/j.upf.201605009

DOI

[35]
吕亚军, 许峰, 陈耀. 建筑间行人高度处的风环境设计[J]. 兰州理工大学学报, 2014, 40(5):136-139.

[Lu Y J, Xu F, Chen Y. Design of wind environment between buildings at pedestrian height[J]. Journal of Lanzhou University of Technology, 2014, 40(5):136-139.] DOI:10.13295/j.cnki.jlut.2014.05.068

DOI

[36]
赵红斌, 刘晖. 盆地城市通风廊道营建方法研究——以西安市为例[J]. 中国园林, 2014, 30(11):32-35.

[Zhao H B, Liu H. Research on the methods of building ventilation corridors among basin cities—Taking the city of Xi'an as the example[J]. Chinese Landscape Architecture, 2014, 30(11):32-35.] DOI:10.3969/j.issn.1000-6664.2014.11.009

DOI

Options
文章导航

/

〈 〉