基于深度学习的城市形态城市尺度环境建模

摘要

在此，我们介绍了一种利用深度神经网络和逆建模来生成城市形态测量参数的新方法。我们以美国芝加哥为例，使用国家城市数据库和访问门户工具(NUDAPT)提供的城市冠层参数(ucp)作为天气研究与预报(WRF)模型的输入。接下来，作为世界城市数据分析和门户工具(WUDAPT)方法的一部分，使用局地气候带(lcz)进行WRF模拟。最后，进行了第三种新颖的模拟，数字合成城市(DSC)，其中使用深度神经网络和逆建模生成城市形态，然后重新计算lcz的ucp。三个实验(NUDAPT、WUDAPT和DSC)与Mesowest观测站进行了比较。结果表明，lccs的引入提高了模型对城市气温的整体模拟效果。DSC模拟产生了与WUDAPT模拟相同或更好的结果。此外，ucp的变化导致城市区域和局部辐合/辐散区模拟温度梯度和风速的显著差异。这些结果首次在NWP系统中成功实现了数字城市可视化数据集。这一发展现在可以为更大规模和更广泛地开展更准确的城市气象建模和预报能力开辟道路，特别是在发展中城市。此外，城市规划者将能够生成合成城市，并研究它们对环境的实际影响。

介绍

城市中心是世界的经济枢纽，贡献了全球60%的国内生产总值，同时容纳了世界一半以上的人口(1)。随着城市化的加剧，城市经历了极端天气条件，如复合洪水(2)和热浪(3)。此外，城市化导致了天气条件的变化，如降雨(4)、城市热岛(5)、不同的城市冠层模型(Urban Canopy Models, ucm)已经被开发出来，以纳入和研究城市与环境的相互作用。例子包括单层(7)、多层(8,9)、城镇能量平衡(10)和社区土地模型城市参数化(11)。

ucm利用城市形态测量细节，提供更真实的城市表现，帮助天气/气候模型在模拟城市环境中的表现(12)。单层UCM结合了辐射表示、湍流运输的详细物理特性，并为城市几何表示假设了无限长的街道。与单层UCM相比，多层UCM在表示建筑物和街道布局方面更为复杂。能量学和内部风以及热效应提供了与城市冠层边界层更明确的联系，以及与大气表面和边界层的耦合(13,14)。城市模式可以在离线模式下运行以进行能量平衡研究(15,16)，也可以与数值天气预报(NWP)或区域气候框架(如区域大气模拟系统(RAMS，(17,18))、cosmos - clm模式(19)和天气研究与预报模式(WRF;(7))。

本研究考虑了WRF城市建模框架。WRF模式是一种中尺度、非流体静力、可压缩的模式，是世界范围内应用最广泛的用于业务和研究目的的NWP模式之一(20)。WRF模型中使用的Noah陆面模型可以与不同的城市参数化方案耦合，这些方案由大约30个代表城市冠层的输入参数驱动(21)。这些城市冠层参数(UCPs)代表了热特性和几何特性(包括建筑物内部温度)，在城市边界层(22)、降水(23)和城市热岛(24)模拟中发挥作用。在理想的情况下，可以为每个网格单元指定ucp，在这些网格单元中专门生成和提供这样的数据集。如果没有，就像默认情况一样，ucp将以标准WRF框架中的查找表的形式指定，用于三种广泛的城市类别(低强度住宅、高强度住宅和商业)，这明显低估了城市综合体的形态。

由于缺乏详细的ucp，城市NWP建模界最近转向使用局部气候带(lcz)和世界城市数据库和访问门户工具(WUDAPT)倡议，该倡议根据建筑物高度、建筑物密度、植被比例和材料热性能将城市表面分为10个不同的类别(通常称为lcz)(25,26)。lccs被用于许多研究，重点是温度(27)、降雨(12)和其他环境变量(28)。

然而，为这些不同的城市阶层开发ucp是具有挑战性的。这是因为在街道层面绘制城市区域的城市形态地图是昂贵的，需要不同机构的协调和批准。即使有这样的数据，在城市模型中整合这样的数据也是具有挑战性的。通过美国环境保护署进行的大型社区努力的一些例子，其中44个美国城市可获得ucp，包括国家城市数据库和访问门户工具(NUDAPT;(29))。中国(30)的一些城市也有类似的数据集，包括广州(31)、北京(32)和欧洲城市(作为MapUCE项目的一部分，(33))。这些数据集以及使用密集的人工干预、开发和处理高分辨率数据集来获得ucp的方法。一般来说，建筑物的足迹和单个建筑物的高度是很难获得的。

随着发展中国家城市化程度的提高，越来越需要更广泛地产生统一项目。为了实现这一目标，我们引入了一种使用城市可视化方法自动生成ucp的方法。这项工作建立在与WUDAPT(37,38)倡议一致的(34-36)基础工作的基础上。该方法利用深度学习与程序化建模相结合，在信息有限的情况下推断出各种城市特征，然后自动生成三维城市模型及其ucp。将这些合成数据转换为天气建模框架，可能会为缺乏此类测量的地区开发模拟开辟一条道路——这是一种常态，而不是例外。

因此，这里描述的研究目标是:(1)引入一种新的自动生成upp的方法，(2)展示美国芝加哥的UCP数据集的开发，以及(3)将这些UCP与WRF模型集成，并使用这些衍生的UCP评估WRF模型的性能。

方法

数字合成城市生成

我们开发了一种新颖的基于深度学习和程序建模的方法来创建城市尺度的3D城市模型，在本文中称为数字合成城市(DSC)，从中我们可以得出各种城市形态参数。我们的方法使用卫星图像和全球尺度的人口和高程数据作为输入，自动生成统计上相似的合成城市尺度3D城市模型作为输出。其结果是几乎能够立即创建一个合理的合成大规模3D城市模型(图1)。

该方法将各种地理空间产品作为输入，如表1所示。它由三个主要部分组成:(1)建筑和地块面积估计，(2)程序模型生成，(3)可选的程序模型优化(38)。如图2所示，我们首先利用图像分割网络(即U-NET(42,43))，然后利用基于自编码器框架的新型上采样和锐化网络(44)。进一步，我们将建筑物分割与建筑物后退预测网络相结合。一个可选的优化步骤使用目标区域中几个百分比的建筑物的数量和高度信息来校准生成的城市到目标位置。最终的结果是能够准确地分割和推断建筑物的足迹，尽管卫星图像的分辨率相对较低，并且被附近的建筑物遮挡。我们的方法的输出是一个大型的空间程序城市模型，由分布在目标区域的3D建筑组成，并与道路网络一起注册，适合在城市规划和模拟中对全球的城市区域进行建模。该方法是(34,37)的跨越式世代改进，通过考虑图2所示的全球可用数据集和升级方法，开发了一个新的框架。因此，保持了实际形态学参数和估计形态学参数之间的相似性。关于DSC方法的更多信息，请参见在线补充材料文本和图S1-S4。

城市冠层参数的估计

我们目前考虑的ucp子集是由WRF等系统模拟的城市地区的典型主要参数，包括:

1. 建筑物高度( Z _R)：

   $Z R ＝ ∑ 我 ＝ 1 N 一个 我 h 我 ∑ 我 ＝ 1 N 一个 我$

   （1）

   在哪里 一个 _我是建筑的平面面积， h _我是建筑的高度， N是给定区域内建筑物的总数。
2. 建筑物高度的标准差( σ _z)：

   $σ z ＝ ∑ 我 ＝ 1 N （ h 我 − Z R ） 2 N − 1$

   (2)
3. 顶板宽度( W _屋顶):假设建筑物是面积相等的矩形( 一个)及周长( P)，如建筑足迹。

   $W r o o f ＝ P − P 2 − 16 一个 4$

   （3）
4. 市区比例( f _市区)：

   $f u r b ＝ ∑ 我 ＝ 1 N 一个 我 一个$

   （4）

   在哪里 一个 _我的面积是 我给定LCZ的建筑面积， 一个为给定LCZ的总面积。

5. 建筑高度百分比垃圾箱:对于每个LCZ，将建筑物根据其高度放入垃圾箱，粒度为5m。

表2显示了WUDAPT和dsc派生的ucp值之间的差异。图S6和S7显示了不同LCZ类别中每个箱子的高度百分比。城市比例、建筑高度、道路宽度的空间分布图如图S8所示。

建模实验与评价

创建如此高分辨率的数据集时存在的挑战之一是，如何验证输出?需要强调的是，DSC并不是城市形态的精确复制。事实上，DSC框架的效率在于能够灵活地以“快速”的方式(几分钟)创建可变的网格分辨率(间距)城市形态参数。需要对DSC输出进行“适合用途”的评估，而不仅仅是对相应的Google Earth或类似的公共领域可用数据集的几何再现性进行评估。

因此，为了评估DSC在城市建模研究中的适用性，我们设计了一个以芝加哥市中心为重点的真实案例的建模实验，使用WRF模型。

DSC-WRF城市建模

模拟使用天气研究与预报(WRF) 4.2.1(45)版模式进行。考虑一个典型的模型配置。图3A显示了以美国芝加哥为中心的三个嵌套域，最外层、中间和最内层域的空间分辨率分别为9、3和1 km。该模型配置了42个压力级别，其中第一个模型级别位于21.2 m，第一个1 km垂直高度包含11个模型级别。初始和边界条件取自美国国家环境预测中心(NCEP)最终再分析数据集，分辨率为1 × 1度空间和6小时时间。物理组件包括:WRF单矩6类(46)用于微物理，(47)用于短波，快速辐射传输模型用于长波辐射参数化(48)，(49)用于行星边界层，Noah(50)用于陆地表面模型，建筑环境参数化(BEP)(8)用于城市模型，(51)用于积云方案(仅用于9公里空间分辨率的最外层域)。美国芝加哥的lcz是使用(52)的众包方法生成的。手动创建的训练数据集从WUDAPT门户获得，并将随机森林分类应用于Landsat 8图像以获得所需区域的lcz。最终的地图如图3B所示。模拟从2018年7月1日00:00到2018年7月7日06:00 UTC进行，其中前6小时被丢弃为自旋启动时间。

基于土地利用/土地覆被来源和UCP值，模拟实验分为3个模拟:(1)NUDAPT (Control)， (2) WUDAPT， (3) DSC。控制模拟使用国家土地覆盖数据库的土地利用/土地覆盖与NUDAPT参数，三个默认的WRF城市类和相应的ucp。WUDAPT使用MODIS类与额外的城市lcz和ucp (53);时间。DSC使用WUDAPT类和从我们的自动方法生成的ucp。WRF模拟使用位于最内层域的16个Mesowest站点进行评估(如图3C所示)。利用实测2 m气温、2 m相对湿度和10 m风速资料的均方根误差(RMSE)、平均绝对误差(MAE)和Pearson相关系数(r)对不同模拟结果进行了评价。表S1提供了Mesowest观测站的详细信息，图S5显示了方法概述。城市热岛强度是通过减去城市到农村的2米空气温度来计算的。

2018年7月1日至7日这段时间代表了自2012年以来最热的一天(6月30日)之后美国芝加哥的天气。7月1日，随着冷锋离开该地区，一道地面高压脊移向该地区东部，气温将持续到7月3日。7月3日至5日，由于该地区的暖湿气团，气温再次开始上升。7月5日，高温和湿度支持该地区开始出现孤立和分散的雷暴。最后，在7月6日至7日，雷暴、冷锋的移动和湖风向市区的平流使气温有所下降。

结果与讨论

2018年7月1日至7日美国芝加哥上空的显著天气特征显示了290 ~ 305 K的温度变化，包含典型的城市热岛反馈和陆湖微风环流。因此，我们讨论了受城市结构影响的三个关键变量，温度、相对湿度和风(速度和方向)的模拟结果。

WRF模拟的评价

WRF模拟的性能在白天(日出到日落;05:00-20:00 LT)，夜间(20:00-05:00 LT)以及由白天和黑夜组成的整个时间段(All)(见表3)。在白天，DSC在2 m空气温度下优于WUDAPT和Control模拟。而2 m比湿度和10 m风速的模拟效果较好。在DSC的情况下，减少10米的风速是由于相对于WUDAPT和Control的粗糙度长度增加(更高的建筑物)。白天的相关系数相对较好，适用于控制仿真。夜间2 m气温、2 m比湿和10 m风速的DSC模拟效果较好。对比整个周期，WUDAPT对2m气温和10m风速的模拟效果较好，而Control对2m比湿度的模拟效果较好。因此，平均统计数据表明，WUDAPT和DSC的性能优于Control，并且WUDAPT和DSC模拟之间的差异可以忽略不计。整个模拟周期的DSC值更接近WUDAPT模拟(潜热通量、感热通量和摩擦速度见图S10)。这强调了从DSC生成的UCP值与文献派生值的表现相似，增强了对本研究中采用的自动化支持方法的信心。

在这里，重要的是要强调，通过为lcz提供总体值，评估代表了城市形态的影响。像(54,55)这样的高分辨率网格数据集有望提供更好的城市形态。还有其他不确定因素，如缺乏行道树和城市植被的代表性(56)。其他影响当地气候带的ucp(如反照率、发射率和建筑材料的热性能)没有被考虑在内，因此增加了模拟的不确定性。然而，用于城市天气建模的自动化城市尺度城市形态生成器框架对于区域研究来说是新颖有效的。

日热岛强度和城市热岛强度

变量的时间序列(如图4A、C、E所示)表明，所有模拟都遵循2018年7月3日之前的观测，此时2米气温和10米风速分别降至290 K和1 ms−1以下。2018年7月5日，2 m比湿度的增加和2 m气温的降低在模拟中没有得到很好的捕捉。各变量的模拟日剖面图如图4B、D、F所示。Control模拟将下午2米的空气温度高估了约1.5 K。DSC和WUDAPT模拟在2 m空气温度和比湿度上表现出一致的行为，并且更接近观测值。在白天，DSC显示风速降低了10 m，而WUDAPT和Control模拟更接近观测值。因此，夜间10 m风速被DSC模拟更好地捕获。城乡温度的差异以城市热岛强度(UHII，城乡站如图3C所示)的形式显示(见图5)。农村地区从日出(05:00 LT)到下午(14:00 LT)开始变暖，而在白夜转换中观察到相反的效应，农村地区比城市地区冷却得更快。因此，夜间城市热岛强度较高(>2 K)。DSC模拟捕获了下午的城市降温，但低估了夜间UHII≈1k。与WUDAPT相比，UHI的降低可能归因于DSC中城市部分的减少。总体而言，将ucp从WUDAPT更改为DSC具有非线性反馈，导致城市内外模拟天气的变化。各LCZ的温度变化和空间变化分别如图S11和S12所示。2 m比湿度、2 m空气温度和10 m风速下的核密度估计如图S9所示。

风速及风向

图6显示了控制模拟的风向和风速。在一天的所有时间内，由于城市的相对较高的粗糙度长度，城市内的风速低于周围地区。WUDAPT模拟显示，与控制运行相比，城市内的风速变化可以忽略不计(图6B、F、J、N)。DSC模拟显示，所有模拟的风速都减小了。这种风速的变化对大气环流动力学(如陆海风环流)有微小但显著的非线性影响。2 m温度的变化相对于10 m风速的变化较小，这可能是由于建筑物高度和屋顶宽度的显著差异影响了粗糙度长度，从而调节了模型输出(见图S8;(8))。Wang等人(57)和Loridan等人(21)对单层UCM的离线模拟也观察到了类似的结果。此外，控制模拟的结果与(58)相同。

结论

ucp是城市气候模拟的重要组成部分。本研究引入了一种新的方法，使用基于全球可用产品的自动深度学习合成数据生成框架来计算全市范围的ucp。新生成的ucp利用WRF模式在美国芝加哥进行环境模拟。共进行了三次模拟，包括Control运行(使用NUDAPT数据集)、WUDAPT(结合lcz)和DSC(使用lcz和新的ucp)。结果表明，城市lcz对气温模拟有显著影响。此外，自动计算的DSC参数值产生的模拟结果与WUDAPT一样好，有时甚至更准确(WUDAPT需要众包，并受益于手工制作的数据集优化)。ucp的变化还通过降低城市区域内的风速(由于粗糙度长度的增加)和温度值的微小变化(由于城市部分)来影响整体模拟。因此，由DSC方法实现的自动化为更可扩展和更广泛的能力提供了机会，以执行更准确的城市气象建模和预报。

总的结论是，DSC通过生成城市结构/环境细节来呈现城市树冠的可视化，这些细节可用于表示ucm内的城市区域。作为未来的工作，我们看到了三个途径。首先，我们想扩展我们的DSC方法，包括对所有LCZ类的支持，这可能会提高准确性。其次，我们希望提高城市内和准城市地区大部分绿地的确定参数的准确性。这可能会对温度和湿度的估计产生重大影响。最后，我们希望将我们的合成生成能力与城市规划政策结合起来，这样就可以根据期望的城市气象后果生成假设情景。

致谢

P.P.向普渡大学D.A.和D.N.进行为期一年的研究访问的塞尔维亚海外访问博士奖学金表示感谢。我们要感谢Cheyenne提供的高性能计算支持(doi:10.5065/D6RX99HX)，由NCAR的计算和信息系统实验室提供，由国家科学基金会赞助。

补充材料

补充材料可在PNAS Nexus在线获得。

资金

这项工作部分由美国国家科学基金会(NSF)资助#1835739、美国国家科学基金会资助#1816514、美国国家科学基金会资助#2106717、美国国家科学基金会资助#2032770、美国国家航空航天局跨学科科学#80NSSC20K1262和#80NSSC20K1268、美国能源部ASCR DE-SC 00221、美国能源部城市综合野外实验室和德克萨斯大学威廉·斯坦普斯法里什教授资助。

作者的贡献

D.A.和D.N.构思实验，p.p.、r.k.和L.H.进行实验，p.p.、r.k.和L.H.分析结果。p.p.、r.k.、l.h.、d.a.和D.N.撰写并审阅了手稿。

数据可用性

本文的基础数据可在Zenodo中获得，地址为10.5281/ Zenodo .7077486。

参考文献

作者指出