.png){kind=icon}
返回
Deep Learning-Based Urban Canopy Model for Complex Building Morphologies
.png){kind=icon}
OA
AI
DOI：10.1029/2025MS005483.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习为气象建模提供了新的方法和工具，但其在城市冠层模型中的应用仍处于起步阶段。本研究开发了一种基于深度学习的城市冠层神经网络（UCNN），用于处理复杂的建筑形态。在训练UCNN时，使用了Town Energy Balance（TEB）模型来模拟不同建筑形态的陆气交换通量。我们在TEB模型中设计了6个关键建筑参数（粗糙度长度、建筑比例、绿地比例、平均建筑高度、垂直与水平表面积比和反照率）的5,000种独特组合，这些参数在其合理的范围内进行设置。这些模拟由来自全球不同地区的10个城市通量塔的气象数据驱动，生成了总计14,400,000个数据样本。为评估泛化能力，UCNN被测试于11个具有不同形态的全球独立站点的一组观测通量数据。UCNN表现出优异的泛化能力，向上短波辐射、向上长波辐射、感热和潜热通量的平均绝对误差分别为2.18、7.89、16.31和7.31 W m − 2 $W{m}^{-2}$。这一性能与国际互比项目中的主流模型相当。此外，UCNN以更优越的计算效率实现了这些结果，运行速度约为原始TEB模型的五倍。本研究提出了一种有效的深度学习途径，以应对复杂的城市形态。
Keyword:
urban canopy model
UCNN
deep learning
complex building morphology
期刊
IF:
4.6
论文数:
326
被引数:
1.3W
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示OAAI
OAAI分享收藏
Development of a numerical simulation system toward comprehensive assessments of urban warming countermeasures including their impacts upon the urban buildings' energy-demands.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏On the Application of an Observations-Based Machine Learning Parameterization of Surface Layer Fluxes Within an Atmospheric Large-Eddy Simulation Model在大气大涡模拟模型中基于观测的表面层通量机器学习参数化的应用OAAI
OAAI分享收藏
查看更多内容