خلاصه

با افزایش شهرنشینی، تغییرات اقلیمی تهدیدی بی‌سابقه است و مدیریت شهری حساس به اقلیم بسیار مورد نیاز است. کاهش تغییرات آب و هوایی بدون شک نیازمند ابزارها و تکنیک های طراحی شهری هوشمندتر از هر زمان دیگری است. با تکامل مداوم فن‌آوری‌های مکانی و مزیت افزوده از تجزیه و تحلیل و تجسم مجازی جهان ما در سه بعدی، اکنون تمرکز از یک طراحی سنتی دوبعدی به یک طراحی و ارزیابی فضایی سه بعدی پیچیده‌تر با پتانسیل فزاینده حمایت از تصمیمات شهری پاسخگو به اقلیم تغییر کرده است. . این مقاله بر استفاده از مدل‌های سه بعدی شهر برای محاسبه میانگین دمای تابشی (Tmrt) به عنوان یک شاخص آسایش حرارتی در فضای باز از نظر ارزیابی توزیع مکانی و زمانی تنش گرمایی در مقیاس ناحیه تمرکز می‌کند. تجزیه و تحلیل برای ارزیابی سناریوهای برنامه ریزی برای تحول منطقه در مونترال/کانادا انجام می شود. این تحقیق یک گردش کار سیستماتیک را برای ارزیابی و ارتقاء آسایش حرارتی در فضای باز با استفاده از مشارکت ArcGIS CityEngine برای مدل‌سازی سه بعدی شهر و مدل منبع باز هندسه تابش محیطی موج بلند خورشیدی (SOLWEIG) به عنوان مدل ارزیابی آب و هوا شناسایی می‌کند. برای داده‌های آب و هوایی از یک نمایه آب‌وهوای کم‌مقیاس‌شده برای گرم‌ترین سال پیش‌بینی‌شده قبل از سال ۲۰۵۰ (۲۰۴۷) استفاده می‌شود. نتیجه، ظرفیت گردش کار را برای تشخیص ساختاری منطقه تحت تنش گرمایی در کنار حمایت از مداخله کارآمد، قرار دادن درخت به عنوان یک استراتژی غیرفعال کاهش گرما نشان می‌دهد. سازگاری گردش کار با مقیاس های مختلف شهری آن را به پاسخی موثر به چالش های فنی طراحان شهری برای تصمیم گیری و برنامه ریزی اقدام می کند. با این حال، مسائل فنی کشف شده در تبدیل داده ها و پردازش آلبدو سطح دیوار، بهبود مدل ارزیابی آب و هوا را به عنوان تقاضای آینده می طلبد.

کلید واژه ها:

مدل های سه بعدی شهر ; طراحی فضایی ؛ راحتی حرارتی در فضای باز میانگین دمای تابشی

1. معرفی

گزارش تغییر آب و هوای کانادا، نرخ گرمایش را برای کانادا دو برابر در مقایسه با سایر نقاط جهان اعلام کرده است [ 1 ]. آزمایشگاه Crowther در دانشگاه ETH زوریخ پیش‌بینی کرده است که برخی از شهرهای کانادا تا سال 2050 دمای میانگین بیش از سه درجه سانتی‌گراد افزایش یافته را تجربه خواهند کرد. این دما برای مونترال 3.1 درجه سانتی‌گراد برآورد شده است [2 ] . شکل 1 افزایش پیش بینی شده روزهای استرس را در شهرهای کانادا برای سال های پیش بینی شده از سال 1961 نشان می دهد . افزایش فراوانی امواج گرما در بسیاری از شهرهای کانادا منجر به مرگ 70 نفر در سال 2018 تنها در کبک شد [ 4]]. Health Canada (2011) گزارش داد که وقتی میانگین دمای روزانه در هفت شهر کانادا از 20 درجه سانتیگراد بالاتر می رود، میزان مرگ و میر نسبی به ازای هر درجه افزایش 2.3 درصد افزایش می یابد. این بدان معنی است که شدت 2-3 درجه سانتیگراد منجر به افزایش 4-7٪ در میزان مرگ و میر می شود [ 5 ]. محیط زیست کانادا (منطقه انتاریو) موج گرما را به عنوان دوره ای معرفی می کند که در آن، برای سه روز متوالی، حداکثر دما از 32 درجه سانتیگراد باقی می ماند یا بالاتر می رود [ 6 ]. با این حال، دمای هوا تنها عامل گرما نیست. تجربه حرارتی روزانه بسیار پیچیده است. برای یک روز و دمای هوا، احساس متفاوتی در مسیر متفاوت وجود دارد.
آسایش حرارتی انسان در فضای شهری با چهار پارامتر محیطی مرتبط است: دمای هوا، رطوبت نسبی، سرعت هوا و تابش حرارتی که پیچیده ترین پارامتر است. تابش حرارتی در فضای باز شهری معمولاً با میانگین دمای تابشی (Tmrt) توصیف می‌شود که به عنوان اندازه‌گیری دقیق مکان‌های شهری مستعد گرما تعریف می‌شود [ 7 ]. تورسون و همکاران (2014) آن را به عنوان شاخص بهتری از شرایط مضر استرس گرمایی [ 8 ] شناسایی کردند. Tmrt به اختلاف دما و تبادل خالص تابشی بین جسم و محیط احاطه شده بستگی دارد [ 9]]. بنابراین، پتانسیل یک سطح برای جذب یا نفی گرما و مقدار جسمی که توسط منابع تابشی اطراف دیده می‌شود، تأثیر مهمی بر تغییرات Tmrt دارد. ضریب همرفت موضعی یکی دیگر از عوامل کاربردی برای افزایش Tmrt در ناحیه خواب است. اگر سرعت باد کاهش یابد، بخشی از تابش در دمای جهانی افزایش می یابد. به نوبه خود، Tmrt بیشتر رشد می کند [ 10 ].
در محدوده شهری، ویژگی های فیزیکی محیط ساخته شده با تغییر میزان قرار گرفتن در معرض نور خورشید و پوشش مادی سطوح، بر توزیع Tmrt تأثیر می گذارد. هنگامی که دمای داخل شهری در طول روز تغییر جزئی را نشان می‌دهد، Tmrt نشان‌دهنده تغییر قابل‌توجهی در فواصل کوتاه است که منجر به تفاوت قابل‌توجهی در درک حرارتی می‌شود [ 11 ، 12 ]. تأثیر فرم شهری بر آسایش حرارتی متمرکز بر شاخص Tmrt موضوع تحقیقات زیادی برای مناطق مختلف آب و هوایی با استفاده از روش شبیه‌سازی یا تحلیل مشاهده واقعی داده‌ها بوده است [ 11 , 12 , 13 , 14 , 15]. دو عامل هندسی اصلی در ارزیابی تنش گرمایی فضاهای شهری عبارتند از: نسبت ابعاد، نسبت ارتفاع ساختمان به عرض خیابان و ضریب نمای آسمان، که نمایانگر میزان قرار گرفتن در معرض سطح آسمان با دامنه صفر تا یک است [ 12 ، 13 ، 14 ]. این یافته طراحی ساختار باز با ساختمان‌های کم‌مرتبه را برجسته می‌کند و نسبت ابعاد پایین‌تر مستعد افزایش تعداد ساعات استرس گرمایی شدید است. در مقابل، دره خیابان با ضریب دید آسمان کوچکتر، تحت سایه ساختمان های اطراف، راحتی بیشتری را با Tmrt پایین در طول روزهای تابستان فراهم می کند [ 12 ، 15 ، 16] .]. برای دره هایی با نسبت ابعاد یکسان، جهت گیری آنها نقش مؤثری در مدیریت Tmrt دارد [ 13 ]. با این حال، توصیه می شود اثرات همزمان همه عوامل حیاتی مانند نسبت ابعاد، جهت گیری دره، سطح تراکم شهری و عرض جغرافیایی موقعیت دره در نظر گرفته شود [12 ، 13 ، 16 ، 17 ] .
مدیریت پارامترهای هندسه از نظر مالی هزینه بر است و باید در وهله اول مورد توجه قرار گیرد زیرا در یک دوره زمانی طولانی تغییر نخواهند کرد. اگرچه یک ساختار متراکم نوسانات شدید Tmrt و تنش حرارتی روز را در طول فصول حفظ می‌کند [ 12 ، 13 ]، بدون رعایت عوامل کاهش‌دهنده انعطاف‌پذیر مانند پوشش‌های گیاهی یا تهویه کافی، می‌تواند دمای شب را به دلیل اثرات جزیره گرمایی شهری در طول تابستان افزایش دهد [ 12] . ]. سهم جزیره گرمایی شهری در مقیاس محلی و افزایش دما در سطح منطقه ای تنش گرمایی را در فضاهای بیرونی تشدید می کند [ 12 ، 18]]. بسیاری از مطالعات پتانسیل کاهش Tmrt را از طریق پوشش گیاهی شهری نشان دادند [ 11 ، 14 ، 15 ، 16 ، 19 ]. کاشت درختان یک اقدام موثر برای بهبود ریزاقلیم شهری با کاهش دمای روز تابستان در داخل مرزهای درخت و فراتر از سمت بادگیر است [ 19 ، 20 ، 21 ]. علاوه بر مزایای اکولوژیکی، زیبایی شناختی، بهداشتی و فیزیولوژیکی، توزیع و تراکم درختان همچنین به استراتژی های انعطاف پذیری برای مدیریت قرار گرفتن در معرض نور خورشید در مناطق شهری اجازه می دهد. درختان به کاهش انتقال تابش خورشیدی کمک می کنند [ 15 ، 16] و افزایش تبخیر و تعرق و بهبود الگوی سایه بر روی سطوح تحت شرایط تنش گرمایی [ 21 ]. سایبان گسترده تر به معنای سهم قابل توجهی در کاهش دما و کاهش Tmrt در روز و شب است. تأثیر کاشت درختان خوشه ای بیشتر از قرارگیری جدا شده درختان در کاهش Tmrt در ساختار کم تراکم و ارتفاع کم است [ 15 و 19 ]. با این حال، ساخت و ساز متراکم باید قرار دادن درختان را در مناطقی که در حال حاضر تحت سایه سایر منابع مانند ساختمان ها نیستند، به ویژه در مناطقی با ترافیک سنگین عابران پیاده در اولویت قرار دهد [ 14 ، 15 ].
تاثیر پوشش احاطه شده یکی دیگر از دغدغه های طراحان برای مدیریت Tmrt از طریق albedo مواد سطحی است. آلبیدو یک ویژگی فیزیکی مواد برای تغییر رفتار حرارتی محیط احاطه شده است. Albedo به کسری از تابش خورشیدی اشاره دارد که توسط یک سطح پیش بینی شده منعکس می شود [ 22 ]. مواد با آلبدو کم، تیره رنگ، تمایل به جذب تشعشع و کمک به جزیره گرمایی شهری دارند، در حالی که سطوح با آلبدوی بالا، سفید رنگ، مستعد انعکاس آن هستند. اگرچه استفاده از مواد آلبدوی بالا برای ساختمان ها برای صرفه جویی در انرژی در طول تابستان توصیه می شود [ 20 ]، اما راه حل کمتر مطلوبی در سطوح نزدیک به زمین است که در آن پرتوهای انعکاس یافته به فضاهای شهری که فعالیت های انسانی در آن حضور دارند باز می گردند [ 23] .]. Alchapar، EN Correa (2015) اثر albedo را بر تغییرات دمایی سطوح احاطه شده، به ویژه در ناحیه با چگالی بالا، نسبت ابعاد بالاتر و سطوح دیوار بزرگتر نشان دادند. هنگامی که آلبدو 10% افزایش می یابد، دمای هوا 0.5 کلوین تا 0.7 کلوین افزایش می یابد، در حالی که به طور قابل توجهی منطقه کم چگالی را تغییر نمی دهد [ 24 ]. لازم به ذکر است که تاثیر آلبدو در طول روز ثابت نیست. هوی لی (2016) بررسی کرد که تأثیر آلبدو در اوایل صبح و اواخر بعد از ظهر در بالاترین سطح است. در حالی که در ظهر به مقدار کم و ثابتی گرایش پیدا می کند و روزهای ابری نیز آن را تشدید می کند [ 25]]. مجموع شارهای موج کوتاه و بلند خروجی از سطوح احاطه شده نسبتاً کوچک است به شارهای ورودی که از نقاط اصلی منشا می گیرند [ 14 ، 23 ]. از این رو، با توجه به تلاطم متفاوتی که در دمای هوای محلی یکنواخت شده است، انتظار می‌رود اثر آلبدوی شبیه‌سازی شده کوچک باشد.
پیچیدگی شرایط حرارتی در فضای باز در پاسخ به Tmrt، به عنوان یک شاخص مهم از آسایش حرارتی، ترکیبی از مدل سازی سه بعدی شهر و برنامه ارزیابی آب و هوا را برای حمایت از طراحی فضایی حساس به اقلیم می طلبد. روش‌های سنتی طراحی شهری بیشتر مبتنی بر طراحی فضایی دوبعدی بود. با این حال، با تکامل مستمر فناوری‌های فضایی و مزیت افزوده تحلیل و تجسم مجازی دنیای ما در سه بعدی، می‌توان انعکاس تصمیمات شهری را قبل از اجرا مدل‌سازی و ارزیابی کرد و هزینه خطاهای آزمایشی را کاهش داد. بدین ترتیب، هدف این تحقیق ابتدا استفاده از ابزارهای مدل سازی سه بعدی شهر برای طراحی و ایجاد منطقه مورد مطالعه است و سپس از این مدل های سه بعدی شهر برای محاسبه میانگین دمای تابشی (Tmrt) از نظر ارزیابی توزیع مکانی-زمانی تنش گرمایی برای تغییر شکل آتی استفاده می کند. منطقه در شهر مونترال. علاوه بر آن، این مطالعه یک گردش کار سیستماتیک را برای ارزیابی و بهبود آسایش حرارتی در فضای باز از طریق قرار دادن دقیق پوشش گیاهی (درختان)، مناسب در مقیاس شهر معرفی می‌کند.

2. مواد و روشها

2.1. منطقه مطالعه و توسعه سناریو

مونترال (45.50 درجه شمالی و 73.56 درجه غربی) در محل تلاقی چندین منطقه آب و هوایی قرار دارد و به عنوان قاره مرطوب طبقه بندی می شود [ 26]]. سردترین ماه سال ژانویه است که میانگین دمای روزانه آن 9.7- درجه سانتیگراد است، اگرچه به دلیل سرمای باد، دمای احساسی بیشتر از دمای واقعی کاهش می یابد. ماه های گرم از اواسط می تا اواسط سپتامبر شروع می شود و میانگین دمای روزانه آن 20 درجه سانتی گراد است. گرم ترین ماه جولای است که میانگین دمای روزانه آن 26.3 درجه سانتی گراد و دمای کمتر در شب 21.2 درجه سانتی گراد است. رطوبت زیاد ناشی از آب های احاطه شده، دمای احساس را به بالاتر از دمای واقعی تابستان تبدیل می کند و دمای برخی از شب ها در درجه ناخوشایندی باقی می ماند. روزهای صاف به مدت 4.5 ماه طول می کشد که از ژوئن شروع می شود و در اکتبر به پایان می رسد. تقریباً 64 درصد از سال، آسمان مونترال صاف، عمدتاً صاف یا نیمه ابری است. در طول روزهای روشن، میانگین انرژی موج کوتاه حادثه در هر متر مربع از 5 بالاتر می رود.
منطقه مورد مطالعه، پل Dominion در ناحیه لاچین شرقی، یک سایت صنعتی کم ارتفاع است که بر روی زمین با 3 متر اختلاف بین شمال و جنوب سایت قرار دارد که حدود 10 هکتار را پوشش می‌دهد و در جنوب جزیره مونترال واقع شده است. این منطقه توسط کاربری های مسکونی برنامه ریزی شده برای توسعه متوسط ​​تا بلند از شمال، جنوب و شرق احاطه شده است، در حالی که ضلع غربی کاملاً با ساختمان های مسکونی کم ارتفاع توسعه یافته است، به شکل 2 مراجعه کنید .. توسعه دهندگان علاقه مند به تبدیل Dominion Bridge به یک منطقه متراکم و مرتفع با ساختمان های مسکونی هستند. شهرداری و شهردار آن قاطعانه در نظر دارند یک محله زیست‌محیطی با طراحی انعطاف‌پذیر، سطوح پایین مصرف انرژی ساختمان، استفاده از تولید انرژی در محل، و بهبود آسایش حرارتی انسان در فضاهای شهری در فضای باز ایجاد کنند. در مورد آئین نامه منطقه بندی منطقه، نسبت مساحت زمین برابر با 3 و نسبت پوشش زمین برابر با 40 درصد است. این سایت دارای مساحتی بیش از 250000 متر مربع است که در چیدمان و ارتفاع ساختمان های مختلف توزیع شده است. از آنجایی که این سایت دارای تاریخ و میراث ارزشمندی است و تمایل دارد بیش از 2700 خانوار را در خود جای دهد، ترکیبی از فضاهای اجتماعی و شهری برای خدمت به اهداف و فعالیت های مختلف در سایت طراحی شده است.
بر اساس مجموعه‌های بالا از شرایط مرزی و آیین‌نامه‌های منطقه‌بندی محلی، مدل‌های سه بعدی شهر شامل ساختمان‌ها، شبکه‌های خیابانی، منظره و درختان با استفاده از ArcGIS CityEngine مدل‌سازی شدند. CityEngine بخشی از مجموعه نرم افزارهای ESRI است که برای قابلیت همکاری با نرم افزار GIS مانند ArcGIS Pro [ 27] فعال شده است.] و تا حدی با نرم افزار منبع باز QGIS. در حالی که نرم‌افزار مدل‌سازی سه بعدی سنتی و دستی مانند SketchUp، Rhinoceros3D یا نرم‌افزار Autodesk 3D، CityEngine می‌تواند مدل‌های شهر سه‌بعدی را با استفاده از تکنیک گرامر شکل زیربنایی خود برای برنامه‌ریزی رویه‌ها و تنظیم پارامترها برای تولید و تکرار مدل‌های شهر سه بعدی در مقیاس بزرگ تولید کند. مقدار زمان. چنین تکنیک مدل‌سازی رویه‌ای پارامتریک با استفاده از گرامر شکل، یک مجموعه ابزار قدرتمند مدل‌سازی و تجسم شهر سه بعدی را ارائه می‌دهد که امکان تجسم سریع مدل‌های پیچیده شهر، توسعه سناریو و گردش‌های کاری طراحی شهری تکراری را فراهم می‌کند [28 ]]. ادغام اضافی یک کتابخانه گیاهی سه بعدی و پشتیبانی داخلی از اشیاء سه بعدی برای مبلمان خیابانی به تبدیل ArcGIS CityEngine به یک ابزار تخصصی مدل‌سازی سه بعدی شهر کمک می‌کند. برای تبدیل داده ها به سایر فرمت های داده، نرم افزارهایی مانند موتور دستکاری ویژگی (FME) پشتیبانی کامل خواندن و نوشتن را برای CityEngine فراهم می کند. مدل‌های شهر سه‌بعدی مشتق‌شده از CityEngine را می‌توان به فرمت‌های داده‌های سه‌بعدی دیگر مانند COLLADA، gITF، FBX، OBJ، شکل‌فایل چند وصله سه‌بعدی و پایگاه داده‌های جغرافیایی فایل (FGDB) تبدیل کرد. علاوه بر این، با استفاده از FME، مدل‌های شهر سه‌بعدی CityEngine را می‌توان به مدل داده‌های باز استاندارد شده استاندارد شده OGC (Open Geospatial Consortium) در سطوح مختلف جزئیات آن تبدیل کرد [29 ] .
اگرچه CityEngine نرم‌افزار متن‌باز نیست، کاربرد آن در کار حاضر به‌دلیل سازگاری آن توسط طراحان شهر [ 30 ] به‌عنوان یک «نرم‌افزار مدل‌سازی شهری سه‌بعدی» تخصصی و ایجاد تمام عناصر مدل سه‌بعدی شهر انگیزه زیادی دارد. یکی از این نرم افزارها “Random3Dcity” [ 31]. Random3Dcity یک نرم افزار مدل سازی سه بعدی شهر رویه ای منبع باز است. با این حال، به دلیل محدودیت‌های خاص آن، مانند اول، این یک موتور آزمایشی است که فقط به عنوان نمونه اولیه توسعه یافته است تا اولین ابزار مدل‌سازی شهر رویه‌ای منبع باز در نوع خود باشد. دوم، اولویت اصلی آن تولید هندسی سه بعدی ساختمان به صورت رویه‌ای است که به سایر عناصر مدل‌های سه بعدی شهر مانند پوشش گیاهی، پوشش زمین، خیابان‌ها و مبلمان خیابان می‌پردازد. این به معنای کمترین میزان پشتیبانی و عملکرد است. بنابراین، برای کار حاضر، استفاده از Random3Dcity مناسب تلقی نشد. یکی دیگر از جایگزین های تجاری موجود Rhinoceros3D است [ 32]، یک نرم افزار طراحی به کمک کامپیوتر (CAD) است که به طور گسترده توسط طراحان شهر در سراسر جهان استفاده می شود. وقتی Rhinoceros3D به Grasshopper متصل می شود، مدل سازی سه بعدی را پارامتریک می کند. ترکیب Rhinoceros3D با Grasshopper و بسیاری از پلاگین های مختلف موجود، آن را به یک محیط طراحی تبدیل می کند که طراحی و تجزیه و تحلیل را تسهیل می کند، همه در یک فضای کاری. با این حال، برای تجزیه و تحلیل در کار حاضر، باید از پلاگین QGIS SOLWEIG استفاده شود. با توجه به کاستی های فنی مختلف مانند عدم پشتیبانی مستقیم از سیستم های مختصات، مسائل مربوط به قابلیت همکاری داده ها با نرم افزار GIS، عدم پشتیبانی داخلی و مستقیم برای مدل سازی سایر عناصر مدل های سه بعدی شهر مانند خیابان ها، پوشش زمین و پوشش گیاهی، Rhinoceros3D نیز مورد غفلت قرار گرفت.
طرح پیشنهادی یک سناریوی شهری با ترکیبی از فضاهای شهری (USp) و مسیرهای پیاده روی در مقیاس‌ها و جهت‌گیری‌های فضایی مختلف ارائه می‌کند، به شکل 2 مراجعه کنید.. با توجه به عملکرد طراحی شده و زمان بندی فعال برای هر فضای شهری، آنها به چهار دسته تقسیم می شوند، فضای شهری با هدف تجمع عمومی (USp_1)، فضاهای محلی (USp_2–USp_4) و پارک میراث عمومی به عنوان یک فضای قابل دسترس برای استفاده عمومی (USp_5). گروه نهایی فضاها به عنوان فضاهای متوسط ​​(USp_medium) که بین فضاهای اصلی شهری (USp_1 تا USp_5) قرار گرفته و آن ها را به ساختمان ها متصل می کند، با توجه به اندازه گیری ضریب دید آسمان به دو گروه زیر 0.45 و بالای 0.45 تقسیم می شوند. از دیدگاه طراحی بهینه انرژی برای ساخت و ساز ساختمان، عقب‌نشینی‌های متفاوتی از خط خیابان برای جلوگیری از سایه‌زنی متقابل ساختمان‌ها و افزایش دسترسی کارآمد خورشیدی از نظر کاهش تقاضای گرمایش در نظر گرفته شده است.
با توجه به هندسه پیچیده منطقه مورد مطالعه در سه بعدی، اندازه گیری دوبعدی نسبت ابعاد قابل اعتماد نیست و باز بودن فضاهای شهری را به آسمان منعکس نمی کند. در حالی که ضریب دید آسمان هر نقطه در فضاهای بیرونی به وضوح کیفیت قرار گرفتن در معرض خورشید و دسترسی به تشعشع را برای آن نقطه نشان می دهد. میانگین ضریب دید آسمان نقاطی که در هر فضای شهری قرار می گیرند از طریق فرآیند شبیه سازی دمای تابشی متوسط ​​اندازه گیری شده و در جدول 1 فهرست شده است .

2.2. مدلسازی فضایی و شبیه سازی میانگین دمای تابشی (Tmrt)

به دنبال هدف تحقیق برای بهبود ساخت و ساز متراکم ساختمان در رابطه با شرایط حرارتی در فضای باز و بازیابی اثر افزایش دمای منطقه برای مدتی آینده، ما از روشی با استفاده از دو ابزار مدل‌سازی استفاده کردیم: SOLWEIG به عنوان یک مدل ارزیابی آب و هوا برای اندازه‌گیری میانگین دمای تابشی ( Tmrt) در هندسه شهری پیچیده، و ArcGIS CityEngine به عنوان یک ابزار مدل‌سازی فضایی برای تولید و تبدیل مدل‌های سه بعدی شهر برای اتخاذ فرمت مورد نیاز SOLWEIG متشکل از مدل رقومی ارتفاع (DEM) و مدل سطح دیجیتال (DSM). DEM همچنین به عنوان مدل زمین برهنه یا مدل زمین دیجیتال (DTM) نیز شناخته می شود، نمایش دیجیتال داده های ارتفاعی که پروفایل های زمین در دنیای واقعی را به تصویر می کشد. DSM یک مدل سطح دیجیتال است که علاوه بر DEM، همچنین داده های ارتفاعی اشیاء فیزیکی موجود در بالای زمین مانند ساختمان ها، خیابان ها و پوشش زمین را نشان می دهد. گردش کار ارائه شده درشکل 3 در نظر دارد توزیع فضایی میانگین دمای تابشی در محوطه بیرونی ناشی از چیدمان ساختمان را ارزیابی کند. خروجی به کشف تأثیر هندسه ساختمان در توزیع سایه و ناحیه نور خورشید که به نقشه Tmrt ترجمه شده است کمک می کند. مقایسه نتیجه با شاخص دمای معادل فیزیولوژیکی (PET) امکان خوشه‌بندی مناطق بالاتر از آستانه و تهیه نقشه نقاط داغ را فراهم می‌کند که نشان‌دهنده مناطقی با تقاضای بالاتر برای شیوه‌های کاهش گرما است. نتیجه این مرحله به عنوان ورودی برای فرآیند بازسازی در CityEngine و استفاده از فرآیند تولید درخت سیستماتیک به عنوان یک اقدام پاسخ به کاهش گرمای کارآمد استفاده خواهد شد.

2.3. مدلسازی سه بعدی شهر

برای تولید و مدیریت بهتر مدل های سه بعدی شهر، ESRI مدل اطلاعات شهر سه بعدی (3DCIM) را توسعه داده است. CityEngine، ابزار مدل‌سازی شهر سه بعدی مورد استفاده در کار حاضر، به ما اجازه می‌دهد تا ساختار موضوعی 3DCIM نشان داده شده در شکل 4 را مدل‌سازی کنیم . استفاده از ساختار موضوعی 3DCIM همچنین ورودی های داده مورد نیاز برای اجرای مدل SOLWEIG را برآورده می کند. اگرچه SOLWEIG مدل های شهر سه بعدی را به عنوان ورودی مستقیم برای اجرای خود نمی گیرد، DEM و DSM را می توان به راحتی از مدل های شهر سه بعدی با استفاده از ArcGIS Pro یا FME ESRI استخراج کرد.
کار حاضر، ناحیه پل Dominion در مونترال، بر اساس ساختار موضوعی 3DCIM با استفاده از CityEngine مدل‌سازی شده است. ابتدا، داده های زمین (نقشه پایه) استخراج شده و به فرمت فایل تصویری دارای برچسب جغرافیایی (GeoTiff) از داده های موجود سیتیGML زمین (TINRelief) مونترال [34] تبدیل می شود . در ادامه، با در نظر گرفتن داده‌های زمین استخراج‌شده به عنوان منبع ارتفاعی، مدل‌های سه بعدی شهر از نظر ساختمان‌ها، مسیرها (محیط ساخته شده) و پوشش زمین، درختان (محیط طبیعی) با استفاده از فایل قانون CGA در ArcGIS CityEngine بر اساس پهنه‌بندی مذکور مدل‌سازی شدند. برای مدل‌سازی ساختمان‌ها، از فایل قواعد گرامر شکل CGA داخلی CityEngine با نام «Generic Modern Buildings.cga» استفاده شد و برای تناسب با قوانین منطقه‌بندی و شرایط مرزی منطقه مورد مطالعه، همانطور که در توضیح داده شد، بهینه‌سازی شد.بخش 2.1 ، به شکل 5 a. برای مدل‌سازی پوشش زمین و مسیرهای داخلی آن، یک فایل قانون دستور زبان شکل CGA در دسترس عموم برای طراحی منظر به نام «greenspace construction.cga» بهینه‌سازی و استفاده شد. شکل 5 ب را ببینید . سپس، برای مدل‌سازی، مسیرهای سازه‌ای و پیاده‌روهای متصل، یک نسخه به‌روز شده از فایل قواعد دستوری شکل CGA خیابانی ESRI که توسط D. Wasserman (2020) [ 35 ] در دسترس عموم در دسترس عموم است، به‌منظور تناسب با شرایط مرزی منطقه مورد مطالعه بهینه‌سازی شد . شکل 5 را ببینیدج از آنجایی که اولین هدف کار ارائه شده استفاده از مدل های سه بعدی شهر برای کاهش تنش گرمایی فضای شهری در روزهای گرم تابستان است، اجسام پوشش گیاهی سه بعدی بر اساس نقشه کانون تنش گرمایی شهری تولید شده توسط مدل SOLWEIG قرار گرفتند. گونه‌های درختان برگ‌ریزی که معمولاً در شهر مونترال یافت می‌شوند از خانواده درختان افرا «افرا نروژ ( Acer platanoides )» به‌عنوان هدف ما برای بررسی الگوی سایه در فضاهای شهری و باز استفاده می‌شود [ 19 ]. یک نمایش واقعی از افرای نروژ موجود در کتابخانه گیاهی ESRI 3D [ 35] برای نماد درختان در CityEngine استفاده می شود. از آنجایی که طرح پیشنهادی بر روی استفاده به عنوان ورودی SOLWEIG متمرکز بود، ساختمان‌ها در سطح جزئیات (LoD) 2 مدل‌سازی شدند و منظره، درختان و مسیرها در LoD 3 مدل‌سازی شدند، شکل 5d را ببینید .
به عنوان ورودی مدل SOLWEIG، تمام مدل های شهر سه بعدی فوق با استفاده از ArcGIS Pro شطرنجی شدند. برای سازگاری داده ها و برآوردن پیش نیاز مدل SOLWEIG، تمام داده های شطرنجی با وضوح مکانی یکسان (1 متر) و سیستم مختصات NAD_1983_CSRS_MTM_8 تولید شدند. این سیستم مختصات به این دلیل انتخاب شده است که داده‌های باز موجود مونترال نیز با همان سیستم مختصات مدل‌سازی می‌شوند. خروجی حاصل از تبدیل مدل‌سازی شهر سه بعدی CityEngine شامل DEM نشان‌دهنده زمین، DSM نشان‌دهنده ساختمان‌های دارای زمین، پوشش زمین نشان‌دهنده توزیع مسیرها، ساختمان‌ها و چشم‌انداز برای منطقه مورد مطالعه، و مدل سطح دیجیتال سایه‌بان (CDSM) نشان‌دهنده است. درختان.
با این حال، شطرنجی‌سازی ساختمان‌های مدل‌سازی شده بالا، به‌ویژه یک هندسه سه بعدی ساختمان، همانطور که در شکل 6 نشان داده شده است ، با یک محدودیت فنی مواجه بود. DSM خروجی با استفاده از هندسه ساختمان سه بعدی تولید شد و زمین زیربنایی آن به جای حفظ مقادیر بدون سلول داده برای فضای باز بین ساختمان پل افقی و سطح زمین، منجر به مقادیر ارتفاعی درون یابی شد.
یک توضیح احتمالی برای چنین خطایی در DSM می تواند این باشد که از آنجایی که DSM ساختمان جمع مقادیر سلول های ارتفاعی ساختمان و زمین است، فضای باز زیر پل افقی ساختمان نیز به طور پیش فرض بخشی از ساختمان در نظر گرفته می شود. مقادیر سلول های ارتفاعی بر اساس مقادیر سلول های ارتفاعی زمین زیرین و سطح زیرین پل افقی درون یابی می شوند. چنین عوارضی منجر به تجزیه و تحلیل نادرست برای هندسه های ساختمان مانند شکل 6 می شوددر مدل های شبیه سازی مانند SOLWEIG که ورودی های اولیه آن مجموعه داده های شطرنجی هستند. برای تجزیه و تحلیل مناسب از این هندسه های پیچیده ساختمان که به راحتی در دنیای واقعی یافت می شوند، مدل SOLWEIG و سایر مدل های مشابه باید بیشتر توسعه داده شوند تا به جای تبدیل آنها به DSM، مستقیماً مدل های سه بعدی شهر را به عنوان ورودی دریافت کنند، که منجر به از دست دادن داده/اطلاعات

2.4. مدل شبیه سازی سولوایگ

تغییرات مکانی Tmrt با استفاده از مدل SOLWEIG محاسبه می شود. SOLWEIG مدل منبع باز هندسه تابش محیطی موج بلند خورشیدی است، یک برنامه طراحی آب و هوا که بر روی پیش بینی کننده محیطی چند مقیاسی شهری (UMEP) مونتاژ شده است. UMEP یک پلاگین قابل توسعه برای QGIS، سیستم های اطلاعات جغرافیایی دسکتاپ منبع باز (GIS) است که قابلیت تجسم و تجزیه و تحلیل داده های مکانی را امکان پذیر می کند [ 36 ]. SOLWEIG برای تجزیه و تحلیل تعامل پیچیده هندسه شهری و محیط حرارتی در مقیاس ناحیه زمانی که مجموعه داده های هواشناسی گسترده در دسترس هستند، مناسب است [ 37 ]. این یک مدل معتبر برای اندازه گیری Tmrt است که از هندسه پیچیده محیط ساخته شده با استفاده از شار تابش موج کوتاه و بلند 3 بعدی حاصل شده است [ 11 ,14 ، 15 ، 37 ، 38 ، 39 ، 40 ]. مقایسه SOLWEIG با سایر مدل‌های موازی (ENVI-met و Ray Man)، گالا و کانتور (2020) نشان داد که مدل SOLWEIG برای پیش‌بینی Tmrt در طول روز در گرم‌ترین دوره روز، حوالی ظهر و بعدازظهر، که محلی است، بسیار قابل اعتماد است. دمای هوا به اوج می رسد با این حال، برای نقاط واقع در نزدیکی انسداد فیزیکی (به عنوان مثال، نزدیک به ساختمان)، استفاده از میانگین دمای سطح دامنه منجر به تخمین بیش از حد Tmrt در جایی که سایت در سایه قرار دارد و در جایی که سایت نور خورشید است، کمتر برآورد می‌شود. علاوه بر این، هنگامی که ارتفاع خورشید کاهش می یابد، میزان انتظار برای خطاهای Tmrt نیز افزایش می یابد [ 40]].
SOLWEIG Tmrt را از قانون استفان – بولتزمن با استفاده از چگالی شار تابشی متوسط ​​بدست می‌آورد که حاصل جمع تمام میدان‌های تابشی بلند و کوتاه در سه بعدی روی یک فرد ایستاده در سطح 1.1 متر است که در آن ضریب زاویه‌ای تنظیم می‌شود. به 0.22 برای شار تابش از چهار نقطه اصلی جانبی و 0.06 برای شار تشعشع از دو طرف بالا و پایین [ 11 ، 37 ]. توجه شده است که شارهای منعکس شده به طور مساوی بین نقاط اصلی تقسیم می شوند [ 37 ، 38 ]، بنابراین، برای انسدادهای غیریکنواخت آسمان (به عنوان مثال، در کنار ساختمان ها)، مدل تمایل به خطا در شارهای بازتابی دارد [ 39 ]]. مدل برای ضرایب جذب تابش موج کوتاه و موج بلند به ترتیب 0.7 و 0.97 را در نظر گرفته است. مقدار پیش فرض albedo 0.20 است و تابش ساختمان ها و پوشش گیاهی 0.95 در نظر گرفته می شود. یک رابطه تجربی بین سطوح محیط و دمای هوا در جایی که آسمان صاف است وجود دارد. نسبت جریان خورشید دریافتی برای هر سطح به فاکتور نمای آسمان ناهمسانگرد و ارتفاع خورشید بستگی دارد [ 37 ]. سرعت باد در مدل گنجانده نشده است. با این حال، هدف آینده این است که با یک مدل انرژی سطحی و یک مدل مرز همرفتی همراه شود تا امکان محاسبه دمای معادل فیزیولوژیکی (PET) را اضافه کند [ 36]]. از نظر برآورده کردن مجموعه داده‌های ورودی برای مدل‌سازی SOLWEIG، دو مجموعه داده در قالب‌های مختلف، داده‌های هواشناسی و داده‌های مکانی مورد نیاز است. مجموعه داده های هواشناسی برای یک دوره زمانی جایگزین شامل دمای هوا (درجه سانتیگراد)، رطوبت ویژه (کیلوگرم کیلوگرم -1 )، فشار هوا (Kpa)، سرعت باد (ms -1 )، رطوبت نسبی (%)، ورودی ساعتی است. تابش موج کوتاه (Wm -2 ) و میزان بارندگی (kg.m – 2.s -1 ) به عنوان پارامترهای الزامی است که در بخش بعدی توضیح داده می شود.
مجموعه داده فضایی به عنوان سناریوی شهری ارائه شده و به فرمت DEM و DSM در سطح منطقه تبدیل شده است. استفاده از داده های مکانی در مدل SOLWEIG نیاز به گذراندن سطح پیش پردازش دارد. در این مورد، DSM ساختمان و DEM زمین برای تولید جنبه دیوار، ارتفاع دیوار و ضریب نمای آسمان در برنامه UMEP [ 36] پردازش می‌شوند.]. در مرحله بعدی، SOLWEIG هر دو مجموعه داده، هواشناسی و خروجی داده های مکانی پیش پردازش شده را برای تولید Tmrt و الگوی ساعتی سایه در منطقه مورد مطالعه ادغام می کند. سپس آنالایزر SOLWEIG مرحله نهایی برای امکان محاسبه و ترسیم نتایج به صورت آماری بر اساس خروجی های SOLWEIG مانند توزیع فضایی Tmrt، نور خورشید، سایه و غیره است. بردار کردن نتایج و اعمال شاخص PET منجر به نقشه ای می شود که مناطق در اولویت کاهش گرما به نام نقشه نقاط داغ، نقشه راهنمای مناسب برای مداخله کارآمد و برنامه ریزی پوشش گیاهی را نشان می دهد، به شکل 7 مراجعه کنید .

2.5. داده های هواشناسی و سناریوی اقلیمی

افزایش جمعیت مناطق شهری منجر به نیاز گسترده به توسعه و زیرساخت های جدید می شود و شهرها در حال آماده سازی برنامه های اقدام جدید خود برای رویارویی با تقاضای گسترده برای آینده هستند. همانطور که بحث شد، سناریوی پیشنهادی پاسخی به شرایط آینده است. از این رو این تحقیق از سناریوی پیش‌بینی‌شده اقلیمی توسعه‌یافته توسط حسینی و همکاران استفاده کرد. 2020 [ 41 ]. سناریوی اقلیمی برای این تحقیق از مدل GFDL_ESM2 [ 42] مشتق شده است] در مورد تغییرات آب و هوایی ناشی از انتشار گازهای گلخانه ای. داده های مدل به فرودگاه بین المللی مونترال-پیر الیوت ترودو با وضوح ساعتی ارائه شده برای 30 سال آینده، سال به سال، با در نظر گرفتن فشار افزایش جمعیت، رشد آهسته درآمد با نرخ های متوسط ​​فناوری (RCP) کاهش می یابد. سناریوی 8.5 W/m 2 [ 43 ]) از سال 2020 به بعد. مدل از تصحیح مبتنی بر آماری برای حذف خطاهای کشف شده در مقایسه پیش‌بینی قبلی با داده‌های مشاهده‌شده استفاده کرد. سپس، با استفاده از روش طبقه‌بندی با استفاده از داده‌های نظارت روزانه از سال 1953 تا 2014 و تکنیک‌های رگرسیون، مدلی برای تولید پارامترهای آب‌وهوای ساعتی با تمرکز بر دما، تابش، سرعت باد و فشار اتمسفر آموزش داده شد [41] .]. تغییرات دمایی ناشی از تغییرات آب و هوایی به طور قابل توجهی بیشتر از سایر عوامل است. شکل 8 b,d,f را ببینید . بر اساس تحلیل سال‌های پیش‌بینی‌شده، شدت و فراوانی گرمای شدید در صورتی که برنامه کاهش گازهای گلخانه‌ای از پیش طراحی نشده باشد، تمایل زیادی به افزایش دارد.
بررسی تجزیه و تحلیل داده های آب و هوا به رهبری سناریوی RCP8.5 نشان دهنده تغییر دمای قابل توجه در مونترال است. در سال 2047، این شهر گرم ترین دوره و نیاز مبرم به بار خنک کننده را تجربه می کند [ 41 ]. این نکته کلیدی برای جمع آوری داده های آب و هوای سال 2047 به عنوان ورودی تحقیق برای مدل سازی و ارزیابی Tmrt بود. در این سال، انتظار می رود میانگین دما 2.76 کلوین افزایش یابد، به طوری که 5.25 کلوین به میانگین زمستان و 1.54 کلوین به میانگین روزهای تابستان اضافه می شود. شکل 8 را ببینید.ب با مقایسه فاکتورهای مهم مشخصات آب و هوا برای سال‌های 2020 و 2047، دوره گرما، میانگین دمای روزانه بیش از 30 درجه سانتی‌گراد، برای سال 2047 انتظار می‌رود از یک ماه جولای سال 2020 به سه ماه از ماه مه و پایان در اوت افزایش یابد. . این سناریو پیش‌بینی می‌کند که تعداد ساعات بیش از 20 درجه سانتی‌گراد 6.5 درصد افزایش یابد، از 1580 ساعت به 2138 ساعت در سال 2047، و مونترال باید برای 153 ساعت بیشتر دمای هوای بالاتر از 30 درجه سانتی‌گراد آماده شود. دوره زمانی انتخاب شده ارزیابی Tmrt برای پروژه دو روز متوالی از 10 اوت در ساعت 1:00 صبح تا 11 اوت در ساعت 24:00 در سال 2047 است که طی آن تغییرات دما بین حداقل 20 درجه سانتیگراد در طول شب و یک حداکثر 35 درجه سانتیگراد در ساعت 16:00 روز اول. میانگین دمای این دو روز 26.19 درجه سانتیگراد است که تقریباً 6 کلوین بیشتر از زمان مشابه در سال 2020 است.شکل 8 الف. به‌عنوان داده‌های هواشناسی ورودی برای سناریوی جایگزین، مدل بر سه مولفه شار تابش خورشیدی در طول روز، افقی جهانی به عنوان عامل اصلی، تابش افقی عادی مستقیم و پراکنده با میانگین ساعتی 348، 811 و 60 وات ساعت تکیه دارد. m −2 به ترتیب. با مقایسه شار تابش برای روزهای مشابه در سال‌های 2020 و 2027، تابش‌های مستقیم و پراکنده تغییرات قابل‌توجهی نشان نمی‌دهند و به طور کامل در شکل 8 e همپوشانی دارند. با این حال، میانگین تابش افقی جهانی نسبت به روزهای مرجع در سال 2020، 108 Wh.m -2 به طور قابل توجهی افزایش یافته است ، در شکل 8 ج. میانگین سرعت باد برای دو روز هدف 2.73 ms -1 استو در طی آن ابری شدن آسمان به حداقل می رسد.

3. نتایج و بحث

3.1. اثر تغییرات آلبیدو سطح دیوار بر میانگین Tmrt روز

در غیاب پوشش گیاهی، توزیع Tmrt به چیدمان پیکربندی ساختمان و خواص مواد سطحی، دقیقاً مقدار albedo بستگی دارد. ارزیابی اثر مقادیر مختلف آلبیدو بر روی سطوح دیوار از 0.75 تا 0.15 کاهش معنی داری در میانگین Tmrt در طول روز به میزان 0.5 K در هر بیست درصد کاهش آلبدو نشان می دهد، به طوری که گویی حداکثر میانگین Tmrt در طول روز تقریباً 1.70 K کاهش می یابد. فضاها کمترین انعکاس را در پاسخ به تغییرات البدوی سطح دیوار نشان دادند. در مقابل، فضاهای باریک حداکثر واکنش را با افزایش میانگین Tmrt به میزان 1 K به ازای هر 20 درصد افزایش در مقدار albedo دارند، به جدول 2 مراجعه کنید.. استفاده از albedo در مقدار کم Tmrt راحت تری را در روزهای تابستان فراهم می کند. با این حال، ممکن است منجر به استرس ناخوشایند و سرد در فضاهای باریک بین ساختمان ها شود، شکل 9 را ببینید . هنگام تغییر albedo سطح دیوار، albedo زمین مجموعه پیش فرض (0.20) در مدل در نظر گرفته شد. تغییر آلبدو سطح زمین را می توان با تغییر مقدار پیش فرض یا با استفاده از لایه پوشش زمین تولید شده در قالب شطرنجی مدیریت کرد. احتمال بیش از حد برآورد Tmrt به دلیل استفاده از لایه پوشش زمین که توسط Gála و Kántor (2020) [ 40 ] مورد بحث قرار گرفت، ما را متقاعد کرد که از مقدار پیش‌فرض در بقیه مراحل مدل‌سازی استفاده کنیم.
با تغییر مقادیر albedo از 0.35 به 0.75، نتایج SOLWEIG برای Tmrt ساعتی در نقاط توزیع شده در سایت، تغییر دمای قابل توجهی را در ساعت اوج نشان داد، تقریبا 5 K برای نقاط نزدیک ساختمان ها و کمتر از 3 K برای نقاط نزدیک ساختمان ها. نقاط مرکزی در فضاهای شهری احاطه شده بر اساس بررسی ادبیات، نتایج مستعد برآورد بیش از حد برای نقاط نزدیک ساختمان هستند [ 24 ]. علاوه بر این، انتظار می رفت حداکثر تغییرات Tmrt را بعد یا قبل از ساعت اوج مشاهده کنیم در حالی که مدل بلافاصله پس از اوج شروع به افت می کند تا در غروب خورشید ناپدید شود [ 25]]. از آنجایی که مدل با داده‌های مشاهده‌شده قابل مقایسه نیست، بررسی بیشتر دقت مدل در رابطه با تأثیر آلبیدوی مواد را برای تحقیقات بعدی پیشنهاد کرد. با این حال، مقدار پیش‌فرض albedo سطح دیوار، 0.20، در بسیاری از مطالعات مرتبط با استفاده از مدل SOLWEIG آزمایش و تأیید شده است [ 11 ، 14 ، 37 ، 38 ، 39 ، 40 ]. بنابراین، ما از آن در تحقیق استفاده کردیم زیرا نزدیک به آلبدوی مصالح انتخابی برای ساختمان‌های منطقه مورد مطالعه است.
همبستگی اندازه گیری شده، R2 (ضریب تعیین)، بین مقدار albedo و میانگین Tmrt در طول روز 0.23 است. در مقایسه با اثر عامل نمای آسمان که یک همبستگی مثبت قوی با مقدار R2 برابر با 0.92 ایجاد می کند، معنی دار نیست. بیان می‌کند که ضریب نمای آسمان بالا با Tmrt بالا همراه است و تعیین می‌کند که در کجا تمایل منطقه به تنش گرمایی افزایش می‌یابد، و از طرف دیگر، در کدام سطح از نوردهی آسمان، فضاها شرایط اولیه برای تسکین گرما را دارند شکل 10 . توزیع فضایی میانگین Tmrt در طول روز طبقه بندی شده بر اساس دمای معادل فیزیولوژیکی (PET) راحتی حرارتی فضاهای شهری ناشی از تغییر ضریب دید آسمان و دسترسی خورشیدی را نشان می دهد، به شکل 10 مراجعه کنید .ب شاخص PET بر دمای خشک، رطوبت نسبی، سرعت باد و میانگین دمای تابشی برای نشان دادن سطوح ادراک حرارتی و استرس فیزیولوژیکی متکی است. در جدول 3 [ 44 ] را ببینید.
افزایش 25 درصدی میانگین ضریب دید آسمان تقریباً 5/3 کلوین به میانگین Tmrt روز فضاهای شهری می‌دهد، اگرچه جهت فضاهای شهری تأثیر قابل توجهی در مورد پروژه دارد. الگوی فضایی میانگین Tmrt در روز در شکل 10 ب افزایش کلی Tmrt را در فاصله از دیوارهای رو به غرب تا دیوارهای رو به شرق و دیوارهای رو به شمال تا دیوارهای رو به جنوب در شمال شرقی و شرقی نشان می دهد. – W دره ها، به ترتیب. الگوی و مدت زمان سایه و منطقه نور خورشید میانگین Tmrt روز را در فاصله کوتاهی در فضاهای شهری اطراف تا 25 کلوین تغییر می دهد. میانگین Tmrt بیش از تنش گرمایی شدید، 41 درجه سانتیگراد است، شکل 8 را ببینیدج در این مدت، 75 درصد از سایت نور خورشید است، شکل 11 را ببینید و نیاز مبرم به کاهش گرما را می طلبد. با این حال، برخی از مناطق در سایه ساختمان هستند و سطح راحتی متوسطی را فراهم می کنند. رفتار فضایی و زمانی تمرت در هر فضای شهری بسته به شخصیت و جهت ساختمان های اطراف متفاوت است.
در میدان عمومی USp_1، دره گسترده N_S، تفاوت بین شرق و غرب سایت از حوالی ظهر شروع می شود. یک ساعت طول می کشد تا غرب و مرکز سایت به اوج Tmrt در دمای 63 درجه سانتیگراد برسند، در حالی که برای سمت شرق با کاهش تقریبا 10 K در سطح اوج، 5 ساعت طول می کشد. در طول پنج ساعت، اختلاف دما به 25 کلوین در ضلع شرقی و غربی میدان عمومی می رسد. طولانی ترین مدت تنش گرمایی برای دو سوم غربی سایت با 7 ساعت تنش گرمایی شدید است. در مقابل، قسمت شرقی سایت کمتر از دو ساعت در دمای بالای 41 درجه سانتیگراد قرار می گیرد، به شکل 12 مراجعه کنید.آ. شایان ذکر است که در مربع‌های N_S نشان داده می‌شود که تأثیر ساختمان شرقی در ایجاد سایه کارآمد در گرم‌ترین زمان روز بیشتر از غربی است. دره های بعدی، USp_2 و USp_3، که در N_S کارگردانی شده اند، تحت تأثیر یک ساختمان فوق العاده واقع در ضلع شرقی فضاهای شهری هستند. ساختمان ها دارای فرم پیچیده ای در بالای 10 متر از خط خیابان هستند. در این سطح، ساختمان‌ها 5 متر عقب‌نشینی دارند و با فاصله تقریباً 23 متری به شکل جدا شده از یکدیگر تبدیل می‌شوند. شکل 2 را ببینید.. برای مدل‌سازی هندسه غیریکنواخت، ارزیابی نسبت ابعاد نمی‌تواند سودمند باشد و اندازه‌گیری ضریب نمای آسمان در بخش‌های مختلف فضا قابل اعتمادتر است. اثر طراحی منجر به ضریب نمای آسمان مواج شد، و در نتیجه، توزیع انحنای میانگین Tmrt در طول روز در سراسر دره بین 12 K تا 28 K برای کمتر از 2 ساعت تغییر می‌کند. به دلیل ارتفاع ساختمان های اطراف، تاخیر قابل توجهی برای رسیدن فضاها به اوج وجود دارد، به شکل 12 ب مراجعه کنید. بعد از ساعت 15:00 برای ضلع غربی و ساعت 18:00 برای ضلع شرقی فضاها اتفاق می افتد. به طور کلی، ضلع شرقی فضاهای شهری 70 درصد در طول روز سایه‌دار است و منطقه‌ای با ناراحتی جزئی را نشان می‌دهد. از طرف دیگر، سمت غربی در 85 درصد مواقع در تنش گرمایی متوسط ​​قرار دارد، به شکل 11 مراجعه کنید.. مدت تنش گرمایی بالای 41 درجه سانتیگراد کمتر از 4 ساعت است، فقط برای 30٪ از سایت نزدیک دیوارهای رو به شرق.
حیاط و پارک عمومی، USp_4 و USp_5، به دلیل نسبت ابعاد گسترده، تقریباً رفتار مشابهی در ناحیه مرکزی خود دارند، به شکل 12 مراجعه کنید.د با این حال، تأثیر سطوح دیوارهای احاطه شده، میزان تابش امواج بلند دریافتی برای حیاط را افزایش می دهد. این امر منجر به رشد 2 K Tmrt در ساعت اوج مصرف نسبت به پارک عمومی می شود و همچنین زمان روشن شدن فضا را 28٪ کاهش داده است. در غیاب ساختمان های اطراف، گرم شدن پارک عمومی زودتر از سایر مناطق شروع می شود و مدت زمان تنش گرمایی بیش از 7 ساعت است. آخرین گروه از فضاهایی که فضاها و ساختمان های اصلی شهری را با میانگین ضریب دید آسمان کمتر از 45/0 به هم متصل می کنند، به طور قابل توجهی تحت تأثیر دیوارهای اطراف قرار می گیرند. در این فضاها، دیوارهای ساختمان دسترسی تابش امواج کوتاه خود را در طول روز کاهش می دهند. در طول دوره تنش گرمایی، نزدیک به 76٪ از زمان را در سایه فراهم می کند. برای این گروه از فضاهای شهری، میانگین Tmrt در روز 36 درجه سانتی گراد است.شکل 12 ج.
برای دستیابی به آسایش حرارتی در قرار دادن درخت کارآمد و حساس به زمینه به عنوان استراتژی اصلی، ما نقشه فضایی میانگین Tmrt را در طول تنش گرمایی با مسیر ترافیک انسان طراحی شده همپوشانی کردیم. با اعمال آستانه گرمای شدید بالای 41 درجه سانتیگراد بر اساس شاخص PET، می توان مناطق توزیع شده تحت تنش شدید را خوشه بندی کرد، به شکل 13 مراجعه کنید.آ. نقشه خوشه‌ای منطقه ترجیحی برای عمل کاهش گرما را در ساختار متراکم منطقه مورد مطالعه نشان می‌دهد. این مسیر پیاده روی که در پارک عمومی و دور از دیوارهای احاطه شده قرار دارد، سطح تابش خورشیدی بالایی با میانگین Tmrt بیش از 57 درجه سانتی گراد دریافت می کند. تنش گرمایی تقریباً یکسانی برای مسیرهای واقع در اطراف دیوارهای رو به شرق در فضاهای شهری USp_1، USp_2، USp_3 و USp_4 وجود دارد که میانگین Tmrt 52، 42، 41، 57 را در گرم ترین دوره روز به ترتیب ارائه می کند. . در سطح دوم، اقدام کاهش گرما برای مجموعه مسیرهای توزیع شده در بقیه سایت‌ها، ساختمان‌ها و فضاهای اصلی شهری، فضاهای متوسط ​​با میانگین ضریب دید آسمان بیش از 0.45 توزیع شده است. تغییر ضریب نمای آسمان و الگوی سایه باعث ایجاد مناطق غیرپیوسته بالای 41 درجه سانتیگراد می شود. این مناطق خواستار اقدام عمدی و استراتژی کاهش گرما هستند. مساحت مسیر واقع در مجاورت دیوارها و فضاهای رو به غرب با ضریب دید آسمانی پایین تر (0.45>) در 74 درصد مواقع در سایه دیوارهای محصور قرار دارد و با فراهم کردن امکانات، تقاضای غیر قابل توجهی را برای آسایش حرارتی نشان می دهد. میانگین Tmrt 36 درجه سانتی گراد در طول زمان تنش گرمایی، نگاه کنید بهشکل 11 .

3.2. کاهش گرما از طریق درختکاری

برای قرار دادن سیستماتیک درختان در اولین اقدام، مسیر خوشه‌ای بالای 41 درجه سانتیگراد در قالب TIF قبل از انتقال به CityEngine از طریق QGIS بردار شد. در داخل CityEngine، با استفاده از کد CGA قانون کامل خیابان از D.Wasserman، درختان افرا نروژ در پیاده روهای مسیر قرار می گیرند که در محور مرکزی مسیرهای خوشه ای قرار می گیرند. قرار دادن درختان آگاهانه با فاصله 10 متری از نظر میانگین تاج پوشش برای افرای هدف نروژ (قطر 10 متر) با ارتفاع 15 متر بود. نتیجه فرآیند تولید درخت منجر به 264 درخت با تراکم تاج پوشش کافی 19٪ از سایت (30٪ از چشم انداز) به عنوان استراتژی اقدام کاهش می شود. نتیجه کاشت درخت منجر به بهبود تقریباً 8.5 K میانگین Tmrt در مسیرها و 7 می شود.شکل 13 ب. شکل 14 a بهبود میانگین Tmrt را در گرمترین دوره روز نشان می دهد و شکل 14 b تفاوت بین شرایط را با و بدون قرار دادن درخت نشان می دهد. قرارگیری درخت در مسیرها همچنین میانگین Tmrt را در فضاهای شهری به میزان 5 K ارتقا می دهد که در جدول 4 نشان داده شده است . این فرآیند به طور عمدی بر روی مسیرها به عنوان اولین سطح بهبود آسایش حرارتی متمرکز شد و استراتژی خطی ایزوله کاشت درخت را اعمال کرد. با این حال، استراتژی خوشه‌ای قرار دادن درختان برای تأثیر اساسی‌تر توصیه می‌شود [ 19 ].
از نظر بهبود آسایش حرارتی در فضاهای شهری، بسته به زمان استفاده و سطح فعالیت آنها، لازم است فرآیند همپوشانی میانگین Tmrt در طول تنش گرمایی با مرزهای فضای شهری هدف و اعمال آستانه بالای 41 تکرار شود. درجه سانتیگراد برای منطقه تحت تنش شدید. کم کردن منطقه از تنش، یک نقشه خوشه‌ای برای سطح دوم تمرین کاهش گرما از طریق قرار دادن درخت فراهم می‌کند. مانند سطح اول، خروجی نقشه خوشه‌ای سطح دوم با استفاده از QGIS به shapefile تبدیل شده و به CityEngine وارد می‌شود. در CityEngine، برای تمام تکه‌های چند ضلعی فضاهای باز که در ناحیه تنش گرمایی قرار دارند، CityEngine «لودر گیاهی» را تعبیه کرده است.
سطح دوم تولید درخت منجر به افزایش میانگین تراکم درختان در سایت به میزان 4 درصد از سایت (6 درصد از چشم انداز)، 58 درخت می شود. منجر به بهبود کلی میانگین Tmrt به میزان 1.3 کلوین در سایت و 1 K در مسیرها نسبت به اولین طرح کاهش در گرمترین دوره روز می شود، شکل 13 ج را ببینید. علاوه بر این، میانگین Tmrt برای سه فضای هدف USp_2، USp_4، و USp_5، که به دلیل اهداف فعالیت محلی و عملکرد پارک عمومی، در معرض بهبودهای جدید قرار داشتند، 3.5 K را به بهتر تغییر می‌دهد، جدول 4 را ببینید . شکل 14 ج بهبود میانگین Tmrt در سایت را نشان می دهد و شکل 14d نشان دهنده تفاوت Tmrt بین شرط بدون درخت و مجموع سطح اول و دوم قرارگیری درخت است.

4. نتیجه گیری

این تحقیق یک گردش کار سیستماتیک را برای ارزیابی و ارتقای آسایش حرارتی در فضای باز با تکیه بر سهم مدل‌سازی سه بعدی شهر و برنامه ارزیابی آب و هوا برای مقیاس‌های زمانی مختلف شناسایی می‌کند. یک منطقه مطالعه موردی در حال توسعه در مونترال برای تجزیه و تحلیل تأثیر هندسه سه بعدی بر آسایش حرارتی استفاده شد. هندسه ها با استفاده از ArcGIS CityEngine تولید شدند. طراحی فضایی ایجاد شده برای خدمت به برنامه SOLWEIG برای مدل‌سازی توزیع مکانی-زمانی میانگین دمای تابشی (Tmrt) به عنوان یک شاخص آسایش حرارتی در فضای باز، شطرنجی شد. تجزیه و تحلیل نتیجه SOLWEIG طول مدت و الگوی منطقه تحت تنش گرمایی را نشان می دهد. تنوع فضایی Tmrt تقریباً 25 K تفاوت را در فضاهای مورد بررسی نشان می دهد. یکی از دلایل مهم، تغییر میانگین ضریب نمای آسمان ناشی از ساختمان‌های اطراف، با توزیع غیریکنواخت هندسه در سه بعدی بود. علاوه بر این، جهت غالب شمال-جنوب برای برخی از فضاهای شهری باعث ایجاد سایه بادوام برای ناحیه مجاور دیوارهای رو به غرب شد. در حالی که مناطقی که در مجاورت دیوارهای رو به شرق در دره‌های وسیع قرار دارند، در گرم‌ترین دوره‌های روز برای مدت طولانی در معرض تابش خورشیدی قرار داشتند. علاوه بر این، تغییر مقدار albedo در سطوح دیوار کاهش تقریبا 0.5 K در هر بیست درصد کاهش آلبدو را نشان داد. با تمرکز بر مقدار albedo، دره‌های عمیق با دسترسی کم به خورشید حساسیت بیشتری به اثرات آلبدو نشان دادند و میانگین میانگین Tmrt در طول روز آن‌ها بیشتر از دره‌های وسیع‌تر تغییر می‌کند. با توزیع غیر یکنواخت هندسه در سه بعدی. علاوه بر این، جهت غالب شمال-جنوب برای برخی از فضاهای شهری باعث ایجاد سایه بادوام برای ناحیه مجاور دیوارهای رو به غرب شد. در حالی که مناطقی که در مجاورت دیوارهای رو به شرق در دره‌های وسیع قرار دارند، در گرم‌ترین دوره‌های روز برای مدت طولانی در معرض تابش خورشیدی قرار داشتند. علاوه بر این، تغییر مقدار albedo در سطوح دیوار کاهش تقریبا 0.5 K در هر بیست درصد کاهش آلبدو را نشان داد. با تمرکز بر مقدار albedo، دره‌های عمیق با دسترسی کم به خورشید حساسیت بیشتری به اثرات آلبدو نشان دادند و میانگین میانگین Tmrt در طول روز آن‌ها بیشتر از دره‌های وسیع‌تر تغییر می‌کند. با توزیع غیر یکنواخت هندسه در سه بعدی. علاوه بر این، جهت غالب شمال-جنوب برای برخی از فضاهای شهری باعث ایجاد سایه بادوام برای ناحیه مجاور دیوارهای رو به غرب شد. در حالی که مناطقی که در مجاورت دیوارهای رو به شرق در دره‌های وسیع قرار دارند، در گرم‌ترین دوره‌های روز برای مدت طولانی در معرض تابش خورشیدی قرار داشتند. علاوه بر این، تغییر مقدار albedo در سطوح دیوار کاهش تقریبا 0.5 K در هر بیست درصد کاهش آلبدو را نشان داد. با تمرکز بر مقدار albedo، دره‌های عمیق با دسترسی کم به خورشید حساسیت بیشتری به اثرات آلبدو نشان دادند و میانگین میانگین Tmrt در طول روز آن‌ها بیشتر از دره‌های وسیع‌تر تغییر می‌کند. جهت غالب شمال-جنوب برای برخی از فضاهای شهری باعث ایجاد سایه بادوام برای ناحیه مجاور دیوارهای رو به غرب شد. در حالی که مناطقی که در مجاورت دیوارهای رو به شرق در دره‌های وسیع قرار دارند، در گرم‌ترین دوره‌های روز برای مدت طولانی در معرض تابش خورشیدی قرار داشتند. علاوه بر این، تغییر مقدار albedo در سطوح دیوار کاهش تقریبا 0.5 K در هر بیست درصد کاهش آلبدو را نشان داد. با تمرکز بر مقدار albedo، دره‌های عمیق با دسترسی کم به خورشید حساسیت بیشتری به اثرات آلبدو نشان دادند و میانگین میانگین Tmrt در طول روز آن‌ها بیشتر از دره‌های وسیع‌تر تغییر می‌کند. جهت غالب شمال-جنوب برای برخی از فضاهای شهری باعث ایجاد سایه بادوام برای ناحیه مجاور دیوارهای رو به غرب شد. در حالی که مناطقی که در مجاورت دیوارهای رو به شرق در دره‌های وسیع قرار دارند، در گرم‌ترین دوره‌های روز برای مدت طولانی در معرض تابش خورشیدی قرار داشتند. علاوه بر این، تغییر مقدار albedo در سطوح دیوار کاهش تقریبا 0.5 K در هر بیست درصد کاهش آلبدو را نشان داد. با تمرکز بر مقدار albedo، دره‌های عمیق با دسترسی کم به خورشید حساسیت بیشتری به اثرات آلبدو نشان دادند و میانگین میانگین Tmrt در طول روز آن‌ها بیشتر از دره‌های وسیع‌تر تغییر می‌کند. علاوه بر این، تغییر مقدار albedo در سطوح دیوار کاهش تقریبا 0.5 K در هر بیست درصد کاهش آلبدو را نشان داد. با تمرکز بر مقدار albedo، دره‌های عمیق با دسترسی کم به خورشید حساسیت بیشتری به اثرات آلبدو نشان دادند و میانگین میانگین Tmrt در طول روز آن‌ها بیشتر از دره‌های وسیع‌تر تغییر می‌کند. علاوه بر این، تغییر مقدار albedo در سطوح دیوار کاهش تقریبا 0.5 K در هر بیست درصد کاهش آلبدو را نشان داد. با تمرکز بر مقدار albedo، دره‌های عمیق با دسترسی کم به خورشید حساسیت بیشتری به اثرات آلبدو نشان دادند و میانگین میانگین Tmrt در طول روز آن‌ها بیشتر از دره‌های وسیع‌تر تغییر می‌کند.
تجزیه و تحلیل و طبقه بندی نتایج با شاخص دمای معادل فیزیولوژیکی (PET) مناطق بالقوه تحت تنش گرمایی شدید را نشان داد. با همپوشانی نقشه طبقه بندی شده و ساختار اصلی گذرگاه انسانی، اولویت مناطقی که در معرض اقدامات کاهش گرما هستند به عنوان یک نقشه نقاط داغ خوشه بندی شدند. نقشه نقاط داغ تبدیل شده به شکل فایل چند ضلعی برای تولید خودکار درخت در CityEngine استفاده شد و برای ارزیابی مجدد در برنامه SOLWEIG به DSM گیاهی تبدیل شد. گردش کار دو بار تکرار شد. در دور اول، منطقه هدف اقدام کاهش گرما، بهبود مسیرهای پیاده‌روی انسانی بود. استراتژی پاسخ منجر به پیشنهاد 264 تعداد درخت با تراکم 19٪ تاج پوشش بر روی سایت (30٪ از چشم انداز) می شود. منجر به بهبود میانگین Tmrt در گرمترین دوره روز به میزان 7.5 K در کل منطقه مورد مطالعه، 8.5 K در مسیرهای پیاده‌روی و 5 K در فضاهای شهری شد. در تلاش دوم، تمرکز بر ارتقای فضای شهری با توجه به سطح فعالیت آنها بود. در این مورد فضاهای جامعه محلی و پارک در اولویت بودند. نتیجه مداخله دوم 58 درخت دیگر اضافه کرد و تراکم تاج درخت را 4 درصد (6 درصد از چشم انداز) افزایش داد. در این سطح، میانگین Tmrt سایت به میزان 1.3 کلوین کاهش یافت و فضاهای شهری در گرمترین دوره روز 3.5 K تعیین شد. فضاهای جامعه محلی و پارک در اولویت بودند. نتیجه مداخله دوم 58 درخت دیگر اضافه کرد و تراکم تاج درخت را 4 درصد (6 درصد از چشم انداز) افزایش داد. در این سطح، میانگین Tmrt سایت به میزان 1.3 کلوین کاهش یافت و فضاهای شهری در گرمترین دوره روز 3.5 K تعیین شد. فضاهای جامعه محلی و پارک در اولویت بودند. نتیجه مداخله دوم 58 درخت دیگر اضافه کرد و تراکم تاج درخت را 4 درصد (6 درصد از چشم انداز) افزایش داد. در این سطح، میانگین Tmrt سایت به میزان 1.3 کلوین کاهش یافت و فضاهای شهری در گرمترین دوره روز 3.5 K تعیین شد.
گردش کار طراحی شده مقیاس پذیر است و امکان ارزیابی حرارتی در فضای باز را در سطوح مختلف شهری فراهم می کند. طراحی، تجسم و ارزیابی همزمان معماران و طراحان شهری را برای یک اقدام مشترک به سمت تصمیم‌گیری پاسخگو به اقلیم برای کاهش هزینه خطاهای انسانی پشتیبانی می‌کند، زیرا تصمیم طراحی امروزی پیامدهایی برای دهه‌های آینده دارد. با این حال، استفاده از چنین گردش کاری، همانطور که در کار حاضر نشان داده شد، نیاز به کار دست در دست طراحان شهری، ژئوانفورماتیک و کارشناسان پایداری را تکرار می کند. به این دلیل است که اجرای چنین گردش‌های کاری مبتنی بر مدل‌سازی سه‌بعدی شهر به سطح قابل قبولی از تجربه و آشنایی با سیستم اطلاعات جغرافیایی (GIS)، روش‌های مدل‌سازی داده‌های سه‌بعدی و توانایی اولیه برنامه‌نویسی کامپیوتری در مورد استفاده از ArcGIS CityEngine نیاز دارد. از جنبه فنی در مدل SOLWEIG، Tmrt ساعتی در نقاط نزدیک ساختمان ها، در یک محیط غیر یکنواخت، مستعد برآورد بیش از حد در حوالی ساعت اوج زمانی است که مقدار albedo به طور قابل توجهی از 0.15 به 0.75 افزایش می یابد. در حالی که در نقاط مرکزی با محیط یکنواخت و مقدار آلبدوی پایین تر، برآورد Tmrt ساعتی نزدیک به تأثیر مورد انتظار اثر آلبدو است، یعنی کمتر از 2 K.
موضوع بعدی مربوط به تبدیل هندسه ساختمان سه بعدی با فضای باز بین سطح زیرین یک ساختمان از نوع پل و سطح زمین است ( شکل 6) داده های پیچیده و غیر واقعی را هنگام تبدیل به DSM ارائه کرد. این مشکل منجر به از دست رفتن داده های صحیح در زیر بخش ساختمان پل شد و در نتیجه، هیچ پیشنهادی برای کاشت درخت از طریق گردش کار ارائه نشد. چنین مشکلی می تواند منجر به محاسبه استرس گرمایی اشتباه از مدل هایی مانند SOLWEIG شود که ورودی های اولیه آن مجموعه داده های شطرنجی هستند. از آنجایی که چنین پیچیدگی در چیدمان بلوک‌های ساختمانی در دنیای واقعی نیز موجود است، توسعه مدل‌های نوع SOLWEIG که می‌توانند مستقیماً مدل‌های شهر سه بعدی را به عنوان ورودی بپذیرند، پیشنهاد می‌شود. این از دست دادن اطلاعات را کاهش می دهد، که هنگام تبدیل هندسه مدل سه بعدی شهر به مجموعه داده های شطرنجی اتفاق می افتد.

منابع

  1. گزارش آب و هوای تغییر کانادا در دسترس آنلاین: https://changingclimate.ca/CCCR2019/ (در 23 سپتامبر 2020 قابل دسترسی است).
  2. باستین، J.-F. کلارک، ای. الیوت، تی. هارت، اس. هوگن، JVD; هوردیک، آی. ما، اچ. ماجومدر، اس. مانولی، جی. ماشلر، جی. و همکاران تصحیح: درک تغییرات اقلیمی از تحلیل جهانی آنالوگ شهرها. PLoS ONE 2019 , 14 , e0224120. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. ارتباط با خطرات بهداشتی رویدادهای گرمای شدید – Canada.ca. در دسترس آنلاین: https://www.canada.ca/en/health-canada/services/environmental-workplace-health/reports-publications/climate-change-health/communicating-health-risks-extreme-heat-events-toolkit -public-health-emergency-management-officials-health-canada-2011.html (دسترسی در 24 سپتامبر 2020).
  4. کبک می گوید ممکن است تا 70 نفر در ارتباط با موج گرمای اخیر جان باخته باشند | اخبار CTV. (دوم). منتشر شده در 9 جولای 2018. در دسترس آنلاین: https://www.ctvnews.ca/canada/quebec-says-up-to-70-people-may-have-died-in-connection-with-recent-heat-wave -1.4006431 (دسترسی در 17 نوامبر 2020).
  5. گزارش سالانه قانون سلامت کانادا 2011–2012—Canada.ca. در دسترس آنلاین: https://www.canada.ca/en/health-canada/services/health-care-system/reports-publications/canada-health-act-annual-reports/report-2011-12.html (دسترسی در 24 سپتامبر 2020).
  6. محیط زیست و تغییرات آب و هوایی کانادا – آب و هوا و هواشناسی – آب و هوا و هواشناسی – واژه نامه. در دسترس آنلاین: https://www.ec.gc.ca/meteo-weather/default.asp?lang=En&n=B8CD636F-1&def=allShow (در 24 سپتامبر 2020 قابل دسترسی است).
  7. مایر، اچ. Hoppe, P. آسایش حرارتی انسان در محیط های مختلف شهری. نظریه. Appl. کلیماتول. 1987 ، 38 ، 43-49. [ Google Scholar ] [ CrossRef ]
  8. تورسون، اس. راکلوف، جی. کونارسکا، جی. لیندبرگ، اف. هولمر، بی. دوست، بی. Rayner, D. میانگین دمای تابشی – پیش بینی کننده مرگ و میر ناشی از گرما. اقلیم شهری. 2014 ، 10 ، 332-345. [ Google Scholar ] [ CrossRef ]
  9. راهنمای آنلاین ASHRAE. در دسترس آنلاین: https://www.ashrae.org/technical-resources/ashrae-handbook/ashrae-handbook-online (در 23 سپتامبر 2020 قابل دسترسی است).
  10. نظریان، ن. فن، جی. سین، تی. نورفورد، ال. کلیسل، جی. پیش بینی آسایش حرارتی در فضای باز در محیط های شهری: یک مدل عددی سه بعدی برای دمای موثر استاندارد. اقلیم شهری. 2017 ، 20 ، 251-267. [ Google Scholar ] [ CrossRef ]
  11. لیندبرگ، اف. گریموند، CSB تأثیر پوشش گیاهی و مورفولوژی ساختمان بر الگوهای سایه و میانگین دمای تابشی در مناطق شهری: توسعه و ارزیابی مدل. نظریه. Appl. کلیماتول. 2011 ، 105 ، 311-323. [ Google Scholar ] [ CrossRef ]
  12. تورسون، اس. لیندبرگ، اف. بیورکلوند، جی. هولمر، بی. Rayner, D. تغییرات بالقوه در شرایط آسایش حرارتی در فضای باز در گوتنبرگ، سوئد به دلیل تغییرات آب و هوایی: تأثیر هندسه شهری. بین المللی جی.کلیماتول. 2011 ، 31 ، 324-335. [ Google Scholar ] [ CrossRef ]
  13. علی تودرت، ف. مایر، اچ. مطالعه عددی بر روی اثرات نسبت ابعاد و جهت گیری یک دره خیابان شهری بر آسایش حرارتی فضای باز در اقلیم گرم و خشک. ساختن. محیط زیست 2006 ، 41 ، 94-108. [ Google Scholar ] [ CrossRef ]
  14. لیندبرگ، اف. هولمر، بی. تورسون، اس. رینر، دی. ویژگی‌های میانگین دمای تابشی در شهرهای با عرض جغرافیایی بالا – مفاهیمی برای برنامه‌ریزی‌های حساس آب و هوا. بین المللی J. Biometeorol. 2014 ، 58 ، 613-627. [ Google Scholar ] [ CrossRef ]
  15. تام، جی کی. کوتس، آ. Broadbent، AM; Tapper، NJ تاثیر افزایش پوشش درخت بر میانگین دمای تابشی در سراسر یک حومه توسعه مختلط در آدلاید، استرالیا. شهری برای. سبز شهری. 2016 ، 20 ، 233-242. [ Google Scholar ] [ CrossRef ]
  16. لیندبرگ، اف. تورسون، اس. راینر، دی. لاو، ک. تأثیر استراتژی‌های برنامه‌ریزی شهری بر تنش گرمایی در چشم‌انداز تغییر آب و هوا. حفظ کنید. جامعه شهرها 2016 ، 25 ، 1-12. [ Google Scholar ] [ CrossRef ]
  17. یوهانسون، E. تأثیر هندسه شهری بر آسایش حرارتی در فضای باز در آب و هوای خشک گرم: مطالعه ای در فاس، مراکش. ساختن. محیط زیست 2006 ، 41 ، 1326-1338. [ Google Scholar ] [ CrossRef ]
  18. اوکی، TR; جانسون، جی تی. Steyn، DG; Watson، ID شبیه سازی جزایر حرارتی شهری سطحی تحت شرایط “ایده آل” در شب، قسمت 2: تشخیص علت. شهاب سنگ مرزی. 1991 ، 56 ، 339-358. [ Google Scholar ] [ CrossRef ]
  19. وانگ، ی. اکبری، ح. اثرات کاشت درختان خیابانی بر کاهش جزایر گرمایی شهری در مونترال. حفظ کنید. جامعه شهرها 2016 ، 27 ، 122-128. [ Google Scholar ] [ CrossRef ]
  20. کونوپاکی، س. اکبری، ح. Gartland, L. پتانسیل صرفه جویی در انرژی خنک کننده بام های رنگ روشن برای ساختمان های مسکونی و تجاری در 11 منطقه شهری ایالات متحده ؛ آزمایشگاه ملی برکلی: برکلی، کالیفرنیا، ایالات متحده آمریکا، 1997. [ Google Scholar ] [ CrossRef ][ Green Version ]
  21. اکبری، ح. پومرانتز، ام. Taha, H. خنک کردن سطوح و سایه زدن درختان برای کاهش مصرف انرژی و بهبود کیفیت هوا در مناطق شهری. سول انرژی 2001 ، 70 ، 295-310. [ Google Scholar ] [ CrossRef ]
  22. چنگل، YA انتقال حرارت و جرم: مبانی و کاربردها . Tata McGraw-Hill: NewDelhi، هند، 2011. [ Google Scholar ]
  23. ارل، ای. پرلموتر، دی. بونه، د. بار کوتیل، ص. اثر مواد با آلبدوی بالا بر تنش گرمایی عابران پیاده در دره های خیابان شهری. اقلیم شهری. 2014 ، 10 ، 367-386. [ Google Scholar ] [ CrossRef ]
  24. Alchapar، NL; Correa, E. مقایسه عملکرد مصالح مختلف نما برای کاهش نیازهای سرمایشی ساختمان. در مواد کارآمد زیست محیطی برای کاهش نیازهای خنک کننده ساختمان ؛ انتشارات وودهد: کمبریج، انگلستان، 2015; صص 155-194. [ Google Scholar ] [ CrossRef ]
  25. لی، اچ. مواد روسازی برای کاهش جزایر گرمایی: استراتژی های طراحی و مدیریت . الزویر: آمستردام، هلند، 2015. [ Google Scholar ]
  26. آب و هوای مونترال: میانگین دما، آب و هوا به ماه، میانگین آب و هوا مونترال-Climate-Data.org. در دسترس آنلاین: https://en.climate-data.org/north-america/canada/quebec/montreal-3704/ (در 23 سپتامبر 2020 قابل دسترسی است).
  27. پادسالا، ر. Coors، V. مفهوم سازی، مدیریت و توسعه: یک مدل اطلاعات شهر سه بعدی مبتنی بر وب برای شبیه سازی تقاضای انرژی شهری. در مجموعه مقالات UDMV15: کارگاه یوروگرافیک در مورد مدلسازی و تجسم داده های شهری، دلفت، هلند، 23 نوامبر 2015. صص 37-42. [ Google Scholar ] [ CrossRef ]
  28. واتسون، بی. مولر، پی. Veryovka، O. فولر، آ. ونکا، پی. Sexton, C. مدلسازی شهری رویه ای در عمل. محاسبات IEEE. نمودار. Appl. 2008 ، 28 ، 18-26. [ Google Scholar ] [ CrossRef ]
  29. پادسالا، ر. فینک، تی. پیترز آندرس، جی. Gebetsroither-Geringer، E. Coors، V. از طراحی شهری تا شبیه‌سازی انرژی – یک فرآیند تبدیل داده که شکاف بین دو دامنه را پر می‌کند. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی برنامه ریزی شهری، توسعه منطقه ای و جامعه اطلاعاتی، آخن، آلمان، 15 تا 18 سپتامبر 2020؛ جلد 8، ص 365–375. [ Google Scholar ]
  30. گرت-رگامی، ا. سلیو، ای. کلاین، TM; هایک، UW درک مبادلات خدمات اکوسیستمی با مدل‌سازی رویه‌ای تعاملی برای برنامه‌ریزی شهری پایدار. Landsc. طرح شهری. 2013 ، 109 ، 107-116. [ Google Scholar ] [ CrossRef ]
  31. بیلجکی، اف. لدوکس، اچ. Stoter, J. تولید مدل‌های شهر سه بعدی چند-LOD در CityGML با موتور مدل‌سازی رویه‌ای Random3Dcity. در مجموعه مقالات ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences، دلفت، هلند، 5 سپتامبر 2016. [ Google Scholar ] [ CrossRef ]
  32. فینک، تی. کونیگ، آر. طراحی شهری پارامتریک یکپارچه در ملخ/کرگدن سه بعدی نشان داده شده در یک طرح جامع در وین. در مجموعه مقالات 37 کنفرانس مشترک eCAADe و XXIII SIGraDi، “معماری در عصر انقلاب صنعتی چهارم”، پورتو، پرتغال، 11 تا 13 سپتامبر 2019؛ صص 313-322. [ Google Scholar ] [ CrossRef ]
  33. رایتز، تی. Schubiger-Banz, S. مدل اطلاعات شهر سه بعدی ESRI. در سری کنفرانس های IOP: علوم زمین و محیط زیست ; IOP Publishing: بریستول، انگلستان، 2014; جلد 18، ص. 12172. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. Modèle Numérique de Terrain—Modèle Numérique de Terrain (MNT) 2015—Arrondissement Lachine—CityGML—PortailDonnéesOuvertes. در دسترس آنلاین: https://donnees.ville.montreal.qc.ca/dataset/modele-numerique-de-terrain-mnt/resource/54cb894b-551d-47ba-9cd5-0caf2a200ab1 (در 23 سپتامبر 2020 قابل دسترسی است).
  35. GitHub-D-Wasserman/Complete_Street_Rule: قانون کامل خیابان برای ArcGIS CityEngine یک ابزار طراحی سناریو گرا است که به کاربران امکان می دهد تا به سرعت خیابان های چندوجهی تولید شده رویه ای ایجاد کنند. در دسترس آنلاین: https://github.com/d-wasserman/Complete_Street_Rule (در 23 سپتامبر 2020 قابل دسترسی است).
  36. کتابچه راهنمای UMEP—مستندات دستی UMEP. در دسترس آنلاین: https://umep-docs.readthedocs.io/en/latest/index.html (در 17 نوامبر 2020 قابل دسترسی است).
  37. لیندبرگ، اف. هولمر، بی. Thorsson, S. SOLWEIG 1.0 – مدل‌سازی تغییرات فضایی شارهای تابشی سه بعدی و میانگین دمای تابشی در محیط‌های پیچیده شهری. بین المللی J. Biometeorol. 2008 ، 52 ، 697-713. [ Google Scholar ] [ CrossRef ]
  38. لیندبرگ، اف. اونومورا، اس. گریموند، CSB تأثیر ویژگی‌های سطح زمین بر میانگین دمای تابشی در مناطق شهری. بین المللی J. Biometeorol. 2016 ، 60 ، 1439-1452. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. کونارسکا، جی. لیندبرگ، اف. لارسون، ا. تورسون، اس. هولمر، ب. قابلیت انتقال تابش خورشیدی از طریق تاج درختان منفرد شهری – کاربرد برای مدل‌سازی آسایش حرارتی در فضای باز. نظریه. Appl. کلیماتول. 2014 ، 117 ، 363-376. [ Google Scholar ] [ CrossRef ]
  40. Gál، CV; کانتور، ن. اقلیم شهری. 2020 ، 32 ، 100571. [ Google Scholar ] [ CrossRef ]
  41. حسینی، م. بیگتاشی، ع. لی، بی. تولید فایل‌های آب‌وهوای آینده تحت سناریوهای تغییر آب و هوا برای حمایت از شبیه‌سازی انرژی ساختمان – رویکرد یادگیری ماشین. انرژی ساخت. 2020 , 184 , 110543. [ Google Scholar ] [ CrossRef ]
  42. دان، جی پی؛ جان، جی جی; شولیاکوا، ای. Stouffer، RJ; کراستینگ، جی پی؛ مالیشف، اس ال. Milly، PCD; Sentman، LT; Adcroft، AJ; کوک، دبلیو. و همکاران مدل های سیستم ESM2 جهانی آب و هوا-کربن زمین جفت شده GFDL. بخش دوم: فرمول‌بندی سیستم کربن و ویژگی‌های شبیه‌سازی پایه. جی. کلیم. 2013 ، 26 ، 2247-2267. [ Google Scholar ]
  43. ریاحی، ک. رائو، اس. کری، وی. چو، سی. چیرکوف، وی. فیشر، جی. کیندرمن، جی. ناکیچنویچ، ن. Rafaj, P. RCP 8.5 – سناریویی از انتشار گازهای گلخانه ای نسبتاً بالا. صعود چانگ. 2011 ، 109 ، 33-57. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. ماتزاراکیس، آ. مایر، اچ. Iziomon، MG کاربردهای یک شاخص حرارتی جهانی: دمای معادل فیزیولوژیکی. بین المللی J. Biometeorol. 1999 ، 43 ، 76-84. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00688 g001 550
شکل 1. تعداد روزهای فعلی و پیش بینی شده بیش از 30 درجه سانتی گراد برای شهرهای کانادا [ 3 ] بر اساس داده های دمایی مشاهده شده بین سال های 1961 و 1990.
Ijgi 09 00688 g002 550
شکل 2. مکان یابی و طراحی فضایی و توزیع فضاهای شهری در منطقه مورد مطالعه: ( الف ) موقعیت منطقه مطالعه در محله لاچین در جزیره مونترال. ( ب ) ساختمان ارثی حفظ شده در منطقه مورد مطالعه. ج ) طرح جامع جایگزین و فضاهای شهری کانونی در محدوده مورد مطالعه . ( د ) نمای پرنده از توزیع انبوه ساختمان ها و مسیرهای اتصال فضاهای شهری و ساختمان های تولید شده از طریق ArcGIS CityEngine.
Ijgi 09 00688 g003 550
شکل 3. نمودار جریان ارزیابی و بهبود حرارتی در فضای باز از طریق تولید سیستماتیک درخت به عنوان استراتژی کاهش حرارت غیرفعال.
Ijgi 09 00688 g004 550
شکل 4. ساختار موضوعی مدل اطلاعات شهر سه بعدی (3DCIM) توسط ESRI [ 33 ].
Ijgi 09 00688 g005 550
شکل 5. فرآیند مدل‌سازی Dominion Bridge از طریق ArcGIS CityEngine: ( الف ) مدل‌سازی ساختمان سه بعدی بافت. ( ب ) مدل‌سازی پوشش زمین (چشم‌انداز + مسیرهای داخلی): ( ج ) مدل‌سازی مسیر: ( د ) مدل‌سازی درخت سه‌بعدی واقعی (LoD3) با استفاده از مدل درخت افرای نروژ سه‌بعدی در ArcGIS CityEngine.
Ijgi 09 00688 g006 550
شکل 6. فضای باز به عنوان بخشی از هندسه ساختمان سه بعدی که با مقادیر سلول های ارتفاعی در DSM آن درون یابی شده است.
Ijgi 09 00688 g007 550
شکل 7. فلوچارت دقیق تهیه و پردازش داده ها برای نقشه نقاط داغ و برنامه ریزی پوشش گیاهی.
Ijgi 09 00688 g008 550
شکل 8. ( الف ) اختلاف دما بین دو روز جایگزین پروژه (10 و 11 اوت) در سال‌های 2047 و 2020. ( ب ) مقایسه دوتایی میانگین دمای ماهانه برای سال‌های 2020 و 2047. ( ج ) مقایسه دو به دو شار تابش جهانی ساعتی برای دو روز جایگزین پروژه (10 و 11 اوت 2020 و 2047). ( د ) مقایسه دو به دو شار تابش افقی جهانی ماهانه برای سالهای 2020 و 2047. ( ه ) مقایسه دو به دو شار تابش مستقیم و پراکنده ساعتی برای دو روز جایگزین پروژه (10 و 11 اوت 2020 و 2047). ( f ) مقایسه زوجی شار تابش مستقیم و پراکنده ماهانه برای سال‌های 2020 و 2047.
Ijgi 09 00688 g009 550
شکل 9. توزیع فضایی میانگین Tmrt در طول روز با استفاده از albedo سطح دیوار مختلف از مقدار زیاد به پایین: ( a ) albedo = 0.75; ( ب ) albedo = 0.55; ( ج ) albedo = 0.35; ( d ) albedo = 0.15.3.2. توزیع فضایی و زمانی Tmrt و شناسایی نقاط داغ.
Ijgi 09 00688 g010 550
شکل 10. ( الف ) توزیع فاکتور نمای آسمان ناشی از طراحی ساختمان و گسترش نقاط کانونی در سراسر سایت است. ( ب ) توزیع میانگین Tmrt در طول روز طبقه بندی شده توسط شاخص PET. ( ج ) توزیع میانگین Tmrt طبقه بندی شده توسط شاخص PET در گرمترین دوره روزها (12:00-19:00).
Ijgi 09 00688 g011 550
شکل 11. ( الف ) درصد زمانی که میانگین Tmrt در طول روز بالای 41 درجه سانتیگراد در گرمترین دوره روزها (12:00-19:00) است. ( ب ) درصد زمانی که منطقه در گرمترین دوره روز (12:00 تا 19:00) نور خورشید را پوشانده است.
Ijgi 09 00688 g012 550
شکل 12. توزیع زمانی و مکانی Tmrt ساعتی برای نقاط کانونی در فضاهای شهری نشان داده شده در شکل 10 a. ( الف ) امتیاز (1،2،3)؛ ( ب ) امتیاز (4،5)؛ ( ج ) امتیاز (6،7،8); ( د ) امتیاز (9،10).
Ijgi 09 00688 g013 550
شکل 13. نقشه روکش شده مسیر جایگزین و میانگین Tmrt برای گرمترین دوره روز (12:00-19:00) با طبقه بندی PET در سه شرایط. ( الف ) نقشه پایه بدون سناریوی کاشت درخت؛ ( ب ) سطح اول قرارگیری درخت با اولویت مسیرها. ج ) سطح دوم درختکاری با اولویت برخی از فضاهای شهری .
Ijgi 09 00688 g014 550
شکل 14. میانگین Tmrt برای گرمترین دوره روز (12:00-19:00) پس از افزودن استراتژیک درختان در سطح 1 ( a ) و سطح 2 ( b ). تغییر (Δ) در Tmrt با نقشه پایه (شرایط بدون قرارگیری درخت) در سطح 1 ( b ) و سطح 2 ( d ).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید