خلاصه

فعالیت های انسان در مناطق شهری بر منابع آب محلی فشار وارد می کند. این مقاله روشی را برای شبیه‌سازی دقیق استرس تقاضای آب شهری در آلمان که بر منابع محلی در سطح تک ساختمانی وارد می‌کند و بدون از دست دادن جزئیات به سطوح منطقه‌ای مقیاس‌پذیر معرفی می‌کند. این روش هندسه ساختمان، فیزیک ساختمان، سرشماری، اطلاعات اجتماعی-اقتصادی و هواشناسی را ادغام می کند تا یک رویکرد کلی برای ارزیابی تقاضای آب ارائه دهد که همچنین بر موانع تجمع و پردازش داده ها که توسط دستورالعمل های حریم خصوصی داده ها تحمیل شده است، غلبه کند. سه شهرستان آلمانی به‌عنوان موارد اعتبارسنجی برای اثبات امکان‌سنجی رویکرد ارائه‌شده مورد استفاده قرار گرفتند: به‌طور متوسط، تقاضای سرانه آب و تقاضای کل آب کمتر از ۷ درصد از داده‌های تقاضای واقعی انحراف دارد. سناریوهای اعمال شده در منطقه موردی لودویگزبورگ در آلمان، که افزایش قیمت آب، پیری جمعیت و تغییر اقلیم را در نظر می گیرد، نشان می دهد که تقاضای آب مسکونی به ترتیب 2-%، 7+% و 0.4-% تغییر دارد. تقاضای آب صنعتی به دلیل توسعه اقتصاد که با تولید ناخالص داخلی سرانه نشان می‌دهد ۴۶ درصد افزایش می‌یابد. افزایش بارندگی و دما، تقاضای آب در ساختمان‌های غیرمسکونی (به استثنای صنعت) را 1 درصد افزایش می‌دهد.

کلید واژه ها:

CityGML (زبان نشانه گذاری جغرافیا) ; تخمین ساکنین ; تقاضای آب شهری ; مدل سازی سیستم های انرژی و آب شهری

1. معرفی

آب نقش اساسی در حفظ زندگی انسان و اکوسیستم های زمین دارد. با این حال، تقریبا 80 درصد از جمعیت جهان با تهدید سطح بالایی از امنیت آب مواجه هستند [ 1 ]، و شواهد فزاینده ای وجود دارد که نشان می دهد فعالیت های انسانی استرس ناپایدار بر منابع آب وارد می کند. تنش آبی بین امروز تا دهه 2050 در حدود 70 درصد از حوضه های رودخانه های جهان افزایش خواهد یافت [ 2]]. مدل‌سازی دقیق تقاضای آب شهری، با پوشش مناطق مسکونی و غیرمسکونی، می‌تواند به دولت‌های محلی در طراحی بهتر زیرساخت‌های تامین آب محلی و بهبود مدیریت پتانسیل‌های منابع محلی کمک کند. شبیه‌سازی تقاضای آب به شدت بر بخش مسکونی با عملکرد محدود در ساختمان‌های غیر مسکونی متمرکز است. رویکرد شبیه‌سازی معمولاً از بالا به پایین با تعداد ساکنان انبوه و فرض تجربی تقاضای آب است. شکاف های تحقیق و بخش نوآوری بیشتر در بخش 2 مورد بررسی قرار می گیرد .
هدف این مقاله توسعه رویکردی برای ارزیابی تقاضای آب در مناطق شهری بر اساس یک مدل ساختمان در زبان نشانه گذاری جغرافیایی (CityGML) با داده های هندسه ساختمان سه بعدی، از جمله انواع ساختمان ها (به عنوان مثال، مسکونی و غیر مسکونی) است. مدل ساختمان شهری در CityGML به عنوان ورودی اصلی برای تخمین تقاضای آب در سطح ساختمان/خانوار، غلبه بر این محدودیت که توسط قوانین حفظ حریم خصوصی داده ها نیز تحمیل شده است، اعمال می شود. همان CityGML همچنین ورودی ارزیابی سایر منابع انرژی تجدیدپذیر خواهد بود، به عنوان مثال، فتوولتائیک در پشت بام ها، و تقاضای انرژی در همان پلت فرم شبیه سازی [ 3]]. بنابراین، سیستم انرژی منطقه ای را می توان با همان سطح از جزئیات و بر اساس داده های مشابه برای جلوگیری از خطا و پیچیدگی شبیه سازی کرد. ساختار پلت فرم شبیه سازی در بخش 3.1 معرفی شده است .
بر اساس هندسه ساختمان و داده های سرشماری، منطقه گرمایش ساختمان، تعداد خانوارها و تعداد ساکنان آن در هر خانوار ارزیابی می شود. برای ساختمان های مسکونی، تقاضای آب سرانه خاص در رابطه با آب و هوای محلی، نوع مسکن (به عنوان مثال، خانه تک یا چند خانواده)، اندازه خانوار، درآمد، قیمت آب، سن ساکنان و در دسترس بودن بالقوه چاه های در محل ارزیابی می شود. . برای ساختمان‌های غیرمسکونی، تقاضای خاص آب بر اساس تقاضای آب خاص در هر منطقه، تحت تأثیر کاربری ساختمان (به عنوان مثال، اداری، خرده‌فروشی) و شرایط آب و هوایی محلی محاسبه می‌شود. روش و رویکرد در بخش 3.2 ، بخش 3.3 ، بخش 3.4 مورد بررسی قرار گرفته است .
گردش کار تازه تأسیس با سه شهرستان آلمانی تأیید شده است که از نظر موقعیت جغرافیایی و همچنین شرایط اجتماعی-اقتصادی و تراکم جمعیت و ساختارهای شهری متفاوت هستند ( بخش 3.5 ). علاوه بر این، سناریوهایی که تغییرات تقاضای آب را به دلیل تغییر شرایط آب و هوایی، پیری جامعه و افزایش قیمت آب ارزیابی می‌کنند، در سطح یک روستای منفرد، Rainau در جنوب غربی آلمان مورد مطالعه قرار می‌گیرند، که CityGML و سایر داده‌های بسیار دقیق برای آن موجود است. ( بخش 3.6 ).

2. تحقیق وضعیت هنر و شکاف

تقاضای آب مسکونی یک موضوع تحقیقاتی مهم بوده است. متغیرهای زیادی وجود دارد که بر تقاضای آب تأثیر می گذارد، از جمله قیمت آب، درآمد، یا ترکیب خانوار [ 4 ، 5 ]. مطالعات دقیق در مورد تقاضای آب، از جمله آب گرم خانگی و آب سرد، در ساختمان‌های مسکونی وجود دارد [ 6 ]. از آنجایی که آب گرم خانگی حدود 20 درصد تقاضای گرما یا برق در ساختمان ها را تشکیل می دهد [ 7 ، 8 ، 9 ]، پروفایل های استفاده ساعتی از آب گرم خانگی در دسترس است [ 10 ، 11 ]. علاوه بر این، ابزارهای مدل‌سازی وجود دارد که الگوهای تقاضای آب را برای انواع مختلف خانه‌ها و مناطق مسکونی بررسی می‌کند [ 12]].
در مقابل، تقاضای آب ساختمان‌های غیرمسکونی هنوز با جزئیات یکسان مورد مطالعه قرار نگرفته است. تقاضای آب در هتل ها، استخرهای شنا، مغازه های شستشو، مراکز خرید، کارخانه های فرآوری مواد غذایی و تولید کنندگان نوشیدنی شامل اطلاعات دقیق در مورد منحنی های اوج تقاضا و مدت زمان در [6] مورد مطالعه قرار گرفت . تقاضای آب اداری با استفاده نهایی اصلی در تفکیک ماهانه برآورد شد و سپس با داده های اندازه گیری شده در [ 13 ] مقایسه شد. مطالعه دیگری میانگین تقاضای آب سرد آشامیدنی را در 19 بیمارستان در آلمان اندازه‌گیری کرد، که تقاضای آب سرد سالانه مطابق با موقعیت جغرافیایی بیمارستان، درجه گرمایش در سال، روزهای درجه سرد در سال، طبقه بندی بیمارستان بسته به تعداد تخت، مساحت طبقه و تعداد کارگران [14 ]. با این حال، تقاضای آب در سالن‌های ورزشی، سالن‌های نمایشگاهی و به طور کلی تأسیسات صنعتی هنوز به خوبی مورد بررسی قرار نگرفته است.
طیف وسیعی از ابزارها و مدل‌ها از روش‌های مختلفی برای ارزیابی تقاضای آب شهری استفاده می‌کنند و در نتیجه بیشتر بر ساختمان‌های مسکونی تمرکز می‌کنند [ 15 ]. بسیاری از مدل‌ها [ 16 ، 17 ، 18 ، 19 ، 20 ، 21 ] در سطح شهرداری کار می‌کنند و به‌جای ارزیابی داده‌های سطح خرد (مثلاً در سطح خانوار) ​​داده‌های مکانی را به شدت جمع‌آوری می‌کنند. از سوی دیگر، مدل هایی که مقیاس بلوک سرشماری را در نظر می گیرند [ 22 ، 23 ، 24] با چالش‌هایی مواجه می‌شوند (1) که مناطق خدمات آبرسانی لزوماً با مرزهای اداری مطابقت ندارند (مثلاً بلوک‌های سرشماری)، (2) اینکه معمولاً داده‌ها باید برای محافظت از حریم خصوصی مشتری جمع‌آوری شوند و (3) سازگاری محدود در جمع‌آوری داده‌های تقاضای آب بین تاسیسات آب در مواردی که مدل‌ها داده‌های تقاضای آب را ارزیابی می‌کنند و در مقیاس سرشماری جمع‌آوری می‌شوند، در دسترس بودن داده‌های برچسب‌گذاری‌شده جغرافیایی معمولاً محدود است و انواع ساختمان‌های ارزیابی‌شده به خانه‌های یک‌خانواره محدود می‌شوند [25 ، 26 ] .
از نظر برنامه‌ریزی سناریو، برای مثال، URBANICA ابزاری است که کاربر را قادر می‌سازد تا تأثیرات سناریوهای برنامه‌ریزی فضایی و تقاضای آب ناشی از همه انواع کاربری‌های زمین، از جمله مناطق مسکونی، صنعتی و کشاورزی را تجزیه و تحلیل کند [27 ] . با این حال، الگوریتم آن بر اساس میانگین تقاضای آب در هر منطقه است، که فاقد جزئیات اطلاعات ساختمانی سه بعدی است، به عنوان مثال، مناطق شهری با ساختمان‌های چند طبقه، نیاز آبی بیشتری نسبت به مناطق کم‌مرتبه دارند، حتی اگر مساحت یکسانی داشته باشند.
با توجه به دانش نویسندگان، هنوز هیچ ابزاری وجود ندارد که به فرد اجازه دهد تقاضای آب برای همه انواع ساختمان ها (به عنوان مثال، مسکونی، اداری، مدرسه، صنعتی و غیره) را بر اساس CityGML شبیه سازی کند. با این روش می توان تقاضای آب را در مقیاس های مختلف شبیه سازی کرد، به عنوان مثال، محله شهر، شهر یا شهرستان، با یک مرز انعطاف پذیر، به عنوان مثال، خانه های مجاور در مناطق مختلف اداری را می توان با هم شبیه سازی کرد. این روش به‌جای اعمال میانگین تقاضای سرانه آب مسکونی از مقیاس‌های بالاتر، به عنوان مثال، ایالت فدرال، ارزش سرانه تقاضای آب مسکونی را از اقلیم محلی و عوامل اجتماعی-اقتصادی تعیین می‌کند. با استفاده از CityGML می‌تواند ساختمان‌های مسکونی و غیرمسکونی را تشخیص داده و تقاضای آب آنها را به ترتیب با روش‌ها و مقادیر مربوطه شبیه‌سازی کند.

3. مواد و روشها

روش ارزیابی تقاضای آب بر اساس یک مدل ژئوانفورماتیک CityGML با ساختمان‌های جداگانه به عنوان عنصر پایه برای محاسبه تقاضای آب هر خانوار/ساختمان است. مجموعه داده های مربوطه، از جمله مدل های ساختمان CityGML، و محیط شبیه سازی مورد استفاده در بخش 3.1 معرفی شده اند.. علاوه بر استفاده از داده‌های CityGML یکسان به عنوان ورودی، نیازهای آب ساختمان‌های با عملکردهای مختلف، به عنوان مثال، ساختمان‌های مسکونی، بیمارستان‌ها و هتل‌ها، با روش‌های مختلفی ارزیابی می‌شوند، به عنوان مثال، با استفاده از یک مدل log-log یا گرفتن ارزش ادبیات. برای عملکردهای ساختمانی مانند خرده فروشی، جایی که تقاضای آب در هر متر مربع در دسترس است، مساحت طبقه ساختمان از مدل CityGML استخراج می شود. در مرحله بعد، تقاضای خاص آب در هر منطقه، بر اساس مدل log-log اعمال می‌شود. رویکرد ارزیابی حجم ساختمان و مساحت کف آن در بخش 3.2 نشان داده شده است . تقاضای آب در ساختمان های مسکونی با یک روش جدید توسعه یافته شبیه سازی شده است که در بخش 3.3 معرفی شده است ، در حالی که بخش 3.4نشان می دهد که چگونه تقاضای آب در ساختمان های غیر مسکونی ارزیابی می شود، عمدتاً بر اساس رویکرد ارائه شده در بخش 3.2 . بخش 3.5 روند اعتبار سنجی مدل را ارائه می دهد. سناریوی تنظیم شده برای مطالعه موردی در بخش 3.6 معرفی شده است .

3.1. مجموعه داده ها و محیط شبیه سازی

جریان کار تقاضای آب در پلت فرم شبیه سازی SimStadt، یک پلت فرم در حال توسعه دائمی در HFT Stuttgart [ 28 ] پیاده سازی می شود. شکل 1 ورودی ها و مراحل محاسبه جریان کار تقاضای آب را در یک مرحله سطح بالا نشان می دهد.
فرمت داده CityGML که به عنوان ورودی اصلی عمل می کند، می تواند محیط های موجود مانند ساختمان ها، جاده ها و چشم انداز را به تصویر بکشد. مدل‌های ساختمان در پنج سطح جزئیات (LoD) در دسترس هستند، با LoD 0 مربوط به شکل مسطح، LoD1 به داده‌هایی که ساختمان‌ها به عنوان بلوک‌های ساختمانی با ارتفاع متوسط ​​ساختمان و سقف صاف نشان داده می‌شوند، LOD2 که اطلاعات دقیق‌تری در مورد ارتفاع ساختمان دارد . و اشکال سقف، LoD3 معرفی پنجره ها و LoD4 حاوی اطلاعات نقشه های زمین و ضخامت دیوار [ 3]. تابع ساختمان، به عنوان مثال، مسکونی، اداری و غیره، و سال ساخت با CityGML به عنوان ورودی اصلی برای شبیه سازی پیوست شده است. تابع ساختمان تصمیم می گیرد که در کدام فرآیند محاسباتی ساختمان باید هدایت شود. سال ساخت واحد مسکونی توزیع اندازه خانوارها را بر حسب مساحت مسطح و اندازه خانواده از داده های سرشماری تعیین می کند.
کیفیت مدل CityGML توسط ابزار CityDoctor [ 29 ] بررسی می‌شود، که می‌تواند خطاهای هندسی احتمالی، به عنوان مثال، چند ضلعی‌های باز را که از تشخیص درست ساختمان‌ها جلوگیری می‌کند، ترمیم کند. سپس این مدل می‌تواند در سرور داده‌های جغرافیایی CityGML 3D City Database (3DCityDB) ذخیره شود یا مستقیماً برای شبیه‌سازی در SimStadt استفاده شود [ 3 ].
کتابخانه فیزیک ساختمان ساختمان ها را بر اساس نوع و سال ساخت طبقه بندی می کند. برای هر نوع ساختمان و دوره، یک ساختمان معمولی با ویژگی های دیوار، سقف و پنجره مربوطه وجود دارد. سپس این ویژگی ها برای محاسبه بیشتر به هندسه واقعی ساختمان اعمال می شود [ 30 ].
کتابخانه استفاده بر اساس چندین هنجار و استاندارد آلمانی است، با تمرکز بر دمای نقطه تنظیم گرمایش، برنامه‌های اشغال و مزایای داخلی که با توجه به کاربری (مسکونی، اداری، خرده‌فروشی و غیره) از هر ساختمان متفاوت است. برای تخمین ساکنان در ساختمان‌های مسکونی، کتابخانه استفاده با اطلاعات مربوط به اندازه خانوار و تعداد ساکنان در هر خانوار برای همه انواع ساختمان‌های مسکونی بر اساس آخرین سرشماری موجود آلمان از سال 2011 گسترش یافت. تعداد ساکنان و نوع مسکونی ساختمان ها (خانه های یک خانواده یا خانه های چند خانواری) تقاضای سرانه آب و همچنین کل نیاز آب را تعیین می کند.
پردازشگر هواشناسی داده های آب و هوای مکان جغرافیایی مدل ساختمان را بازیابی می کند و مقادیر ترکیبی ساعتی دما و بارش را از میانگین ماهانه در صورتی که فقط داده های ماهانه در دسترس باشد ایجاد می کند. بارش و دما می‌تواند بر تقاضای آب در ساختمان‌های مسکونی و همچنین برخی از ساختمان‌های غیرمسکونی تأثیر بگذارد [ 5 ، 6 ]. داده‌های اقلیمی توسط Meteonorm ارائه می‌شود، که سال‌های معمولی را برای هر مکان روی زمین، از جمله بارش، دما، تابش و غیره، با وضوح ساعتی تولید می‌کند [ 31 ]. بارش و دما بر تقاضای آب در ساختمان های مسکونی (فصل 2.3)، ادارات (فصل 2.4.1) و هتل ها (فصل 2.4.3) تأثیر می گذارد.
جریان اطلاعات شکل 2 داده های ورودی و داده های تولید شده در مراحل میانی را نشان می دهد که برای محاسبه تقاضای آب ضروری است. علاوه بر اطلاعات ذکر شده در بالا، پارامترهای لازم دیگری نیز در شبیه سازی گنجانده شده است که در سمت راست در شکل 2 نشان داده شده است . تمام ورودی های تولید و پردازش شده از مراحل ذکر شده در بالا به پردازشگر تازه تاسیس تقاضای آب منتقل می شود تا تقاضای آب به ازای هر ساختمان در منطقه انتخاب شده برآورد شود.

3.2. برآورد حجم ساختمان و مساحت گرم شده

با توجه به در دسترس بودن گسترده و استاندارد شده آن، داده های هندسی ساختمان به عنوان یک ورودی کلیدی برای گردش کار جدید در نظر گرفته می شود.
حجم ساختمان به فرد امکان می دهد تعداد ساکنان یا کاربران را تعیین کند. برای تعیین حجم ساختمان، حداقل یک مدل LoD1، ترجیحا LoD2 مورد نیاز است. یک مدل LoD2 جزئیات بیشتری دارد، به عنوان مثال، اتاق زیر شیروانی، که دقت شبیه سازی را افزایش می دهد. هر چند ضلعی از هندسه ساختمان با دنباله ای از نقاط در جهت خلاف جهت عقربه های ساعت تعریف می شود. محاسبه حجم به عنوان بخشی از یک پردازنده هندسی در SimStadt [ 29] یکپارچه شده است.]. اگر مدل داده LoD2 یا LoD3 باشد (اطلاعاتی در مورد ساختار داخلی ساختمان وجود ندارد)، فرض می شود که ساختمان دارای یک منطقه حرارتی در هر طبقه است، سقف های داخلی به مدل اضافه شده و حجم هوا با حجم کاهش می یابد. توسط این سطوح اشغال شده است. اطلاعات مربوط به انبار را می توان به صورت خارجی ارائه کرد: اگر انبار وجود داشته باشد و در آن صورت شرطی باشد یا نه. اگر این اطلاعات ارائه نشود، فرض بر این است که انباری وجود ندارد و بنابراین، کف با زمین در تماس است. فرض می شود که اتاق زیر شیروانی تهویه می شود اما گرم نمی شود مگر اینکه اطلاعات دیگری از بیرون ارائه شود [ 32 ].

از آنجایی که فرآیند محاسبه حجم ساختمان که قبلا ذکر شد، فقط سطح گرم شده را محاسبه می کند، مساحت از حجم گرم شده منطقه گرمایی حاصل می شود. مساحت گرما طبق رابطه (1) محاسبه می شود. مناطق ترافیکی مانند مناطق ورودی، راه پله ها، آسانسورها و راهروها گرم می شوند. قسمت های فنی (اتاق گرمایش، اتاق ماشین، اتاق عمل فنی)، انبار و اتاق زیر شیروانی گرم نشده شامل نمی شود. منطقه گرمایش ساختمان آندر متر مربع در ساختمان های مسکونی به صورت زیر محاسبه می شود:

آن=0.321مترVه

جایی که Vهحجم ساختمان محاسبه شده بر حسب متر مکعب است .

اگر میانگین ارتفاع طبقات یک ساختمان مسکونی که از سطح طبقه تا سطح طبقه بالا اندازه گیری می شود، بیش از 3 متر یا کمتر از 2.5 متر باشد، مساحت کف مفید ساختمان باید به صورت تعیین شود. معادله (2) با وجود فرمول بالا:

آن=(1ساعتجی-0.041متر)Vه

جایی که ساعتجیارتفاع داستان بر حسب متر است [ 33 ].

3.3. برآورد تعداد ساکنین و تقاضای آب در ساختمان های مسکونی

تقاضای آب ساختمان های مسکونی معمولاً به عنوان ارزش به ازای هر ساکن [ 10 ، 14 ، 23 ، 26 ] ارائه می شود. برای ارزیابی تعداد ساکنان، این مقاله از روشی برای پیوند مدل‌های ساختمان CityGML با داده‌های سرشماری سال 2011 [ 34 ] استفاده می‌کند تا اطلاعاتی در مورد اندازه خانوار و تعداد ساکنان در هر خانوار برای همه انواع ساختمان‌های مسکونی به دست آورد. بر اساس سطح کف شرح داده شده در بخش 3.2، این مرحله تعداد ساکنین و خانوارها را در ساختمان ها برای تجزیه و تحلیل بعدی ارزیابی می کند. اطلاعات مربوطه شامل موارد زیر است: (1) خانه های تک خانواده تنها دارای یک خانوار با تعداد ساکنان آن است. (2) تعداد ساکنین هر خانوار/مسکن در همه خانه‌های چند خانواده. روش دوم منوط به تحقیقات در حال انجام و انتشار آینده است [ 35 ].
شلیچ و همکاران [ 5 ] تأثیر عوامل اقتصادی، زیست محیطی و اجتماعی متعددی را بر تقاضای سرانه آب در حدود 600 منطقه تامین آب در آلمان به صورت اقتصادسنجی تحلیل می کند. علاوه بر قیمت، درآمد و بعد خانوار، تأثیر سن جمعیت، سهم خانه های دارای چاه، نوع خانه، بارندگی و دما در نظر گرفته شده است.
تقاضای آب خانگی ترکیبی از تقاضای مستقیم برای اهداف آشامیدنی و تقاضا برای فعالیت هایی مانند پخت و پز، تمیز کردن، شستشو، بهداشت شخصی و باغبانی است [ 36 ]. میزان پاسخگویی تقاضای آب به تغییرات قیمت ها بستگی به این دارد که آیا آب برای مصارف ضروری (مثلاً برای پخت و پز) یا غیر ضروری (مثلاً برای شستشوی اتومبیل) استفاده می شود.
در این تحقیق ما روش را از Schleich et al. [ 5 ] برای برآورد تقاضای آب در ساختمان های مسکونی. از میان همه عوامل تأثیرگذار، عوامل کمی بیشتر مرتبط با این مقاله انتخاب شده اند، از جمله قیمت آب شیرین و فاضلاب (EUR/m 3 )، متوسط ​​درآمد خالص سرانه (EUR)، تعداد اعضای خانوار، نوع خانه (تک خانواده). خانه (SFH) یا خانه چند خانواری (MFH))، تعداد روزهای با بارندگی > 1 میلی متر در ماه های تابستان و میانگین دما در ماه تابستان در نظر گرفته می شود. فقط اشتراک خانوارها با چاه مربوط به این مقاله نیست و برای خانوار/ساختمان فردی داده های آماری داشتن چاه در دسترس نیست.

یک مدل log-log که در آن تمام پارامترها به صورت لگاریتمی وارد معادله رگرسیون می شوند، استفاده می شود. واحد و تعریف هر پارامتر در جدول 1 نشان داده شده است . مدل log-log اجازه می دهد تا تخمین پارامترها به طور مستقیم به عنوان کشش تقاضا تفسیر شود. با این حال، یک اشکال این است که مدلی که این کشش ها را در کل محدوده متغیرها ثابت فرض می کند. سپس معادله رگرسیون برای تقاضای آب سرانه و روز در یک مدل log-log به صورت زیر ارائه می شود:

wآتیهr=β1پrمنجه+β2منnجoمتره+β4سمنzه+β5آgه+β6wهللس+β7onهfآمتر+β8rآمنnدآyس+β9تیهمترپ+استیآتیهمن+جonستیآnتی+μ0،
حروف کوچک نشان می دهد که متغیرها به شکل لگاریتمی طبیعی هستند. استیآتیهمنبا ایالت های فدرال (آلمان) مرتبط است، که در اینجا نیز مرتبط است: پنج ایالت شرقی «جدید» آلمان، به استثنای برلین، متوسط ​​تقاضای سرانه 95 لیتر در روز دارند و به این ترتیب حدود 20 درصد تقاضای سرانه آب کمتری دارند. نسبت به ایالت های غربی “قدیمی” [ 5 ، 37 ]. برای انعکاس این تفاوت، یک مقدار تصحیح برای هر ایالت فدرال اعمال می شود. علاوه بر این، μ0جزء خطا است که در نتیجه داده نشده است. ارزش ها برای βمنو μ0در (3) توسط حداقل مربعات معمولی (OLS) برای یافتن بهترین تناسب برای ورودی داده، که شامل 592 نمونه در آلمان است، ارزیابی می‌شوند. نتیجه در جدول 2 نشان داده شده است .
از آنجایی که روش ما به تقاضای آب هر ساختمان دسترسی دارد، در حالی که پارامتر “ONEFAM” نشان دهنده درصد خانه های تک خانواده در بین تمام ساختمان های مسکونی از نظر آماری در یک منطقه است، پارامتر “ONEFAM” باید به یک متغیر باینری با یک مقدار ساده شود. برای خانه یک خانواده و یکی برای خانه چند خانواده. در موردی که تقاضای آب برای خانه چندخانواری باید ارزیابی شود، فرض می‌شود که مساحت مورد نظر فقط شامل خانه چند خانواری است که “ONEFAM” برابر با 0 است. از آنجایی که لگاریتم‌ها 0 را به عنوان مقدار مجاز نمی‌دانند، مقادیر حداکثر و حداقل جزء β7onهfآمتربر اساس مقدار حداکثر و حداقل ONEFAM محاسبه شده و سپس به صورت خطی به حالت {ONEFAM = 0; ONEFAM = 1}. ارزش های β7onهfآمتردر هر دو حالت شدید در جدول 3 فهرست شده است . همانطور که پارامترها نشان می دهد، می توان انتظار داشت خانه های تک خانواری نسبت به خانه های چند خانواری نیاز آبی بیشتری داشته باشند که با توجه به وجود باغ ها و آبیاری گاه به گاه آنها در ماه های تابستان قابل قبول است.

بنابراین فرمول های محاسبه سرانه آب مورد نیاز روزانه ساختمان های مسکونی در خانه های تک خانوار (SFH) و خانه های چندخانگی (MFH) به ترتیب عبارتند از:

wآتیهrاسافاچ،O=0.054932-0.242پrمنجه+0.355منnجoمتره-0.436سمنzه+0.603آgه-0.014wهللس-0.147rآمنnدآyس-0.047تیهمترپ+استیآتیه،
wآتیهrمافاچ،O=-0.0857-0.242پrمنجه+0.355منnجoمتره-0.436سمنzه+0.603آgه-0.014wهللس-0.147rآمنnدآyس-0.047تیهمترپ+استیآتیه،

3.4. تقاضای آب در ساختمان های غیر مسکونی

شبیه‌سازی تقاضای آب در ساختمان‌های غیر مسکونی، مساحت کف را به عنوان ویژگی اصلی ساختمان در نظر می‌گیرد. داده های ادبی برای تقاضای آب خاص منطقه برای بیمارستان، سالن های ورزشی، خرده فروشی و ساختمان های آموزشی در دسترس است [ 6 ، 14 ، 38 ، 39]. برای دفاتر و هتل ها، تعداد ساکنین برای یک سطح طبقه خاص به عنوان مبنایی برای ارزیابی تقاضای آب عمل می کند. با توجه به محدودیت‌های یک روش عمومی در مدل‌سازی تقاضای آب برای سالن‌های نمایشگاهی و صنعت، مقادیر تقاضای آب خاص منطقه به ترتیب از مقدار کل تقاضای آب در آلمان یا ایالت‌های منفرد و مساحت کل کف آنها به دست می‌آید. مقادیر تقاضای آب در هر متر مربع در بیمارستان‌ها، امکانات ورزشی، خرده‌فروشی‌ها، سالن‌ها و امکانات آموزشی مستقیماً از سواد، در جدول 4 نشان داده شده است .

3.4.1. تقاضای آب در ادارات

برای دفاتر، طبق دستورالعمل‌های موجود، یک محل کار معمولاً به 8 تا 10 متر مربع شامل مبلمان و فضای ترافیکی متناسب نیاز دارد. برای دفاتر با پلان باز، با توجه به نیاز بیشتر به فضای ترافیکی و احتمالاً اثرات مخرب بیشتر (به عنوان مثال، آکوستیک، بصری)، فضای مورد نیاز 12 تا 15 متر مربع در هر محل کار باید در نظر گرفته شود [ 39 ]. تقاضای آب به ازای هر ساکن در روز کاری 96 لیتر [ 6 ] است ، با فرض معمول 250 روز کاری در سال.
همانطور که شکل 3 نشان می دهد، تقاضای آب (از جمله آب برای خنک کردن) در تابستان با دماهای بالاتر افزایش می یابد، با کاهش تقاضای آب آشامیدنی و فرآیند برای شستشوی WC، که این افزایش کل را کاهش می دهد. افزایش تقاضای آب با افزایش دمای روز تا 40 درصد را می توان به سیستم های تهویه مطبوع نسبت داد [ 39 ].
3.4.2. تقاضای آب در ساختمان های آموزشی
ساختمان های آموزشی به عنوان یک دسته ساختمان جداگانه در داده های CityGML مشخص شده اند. در جدول 5 زیر ، فرض تقاضای آب 3 m 3 / m 2 a برای ساختمان های آموزشی در نظر گرفته شده است.
3.4.3. تقاضای آب در هتل ها
امکانات هتل معمولاً شامل اتاق‌های مهمان، لابی، اتاق صبحانه/رستوران، اتاق اسپا/سلامتی، اتاق‌های مدیریت و غیره است. تفاوت در مساحت طبقه، به خصوص با توجه به اتاق های مهمان، بین دسته های هتل وجود دارد. به عنوان مثال، برای یک هتل سطح متوسط، 25 متر مربع فضای قابل استفاده از طبقه. حمام یک مقدار مرجع برای هر اتاق است. اضافه کردن به این سهم متناسب برای لابی، امکانات کنفرانس و غیره منجر به کل فضای طبقه در هر اتاق می شود. به عنوان مثال، هتل فوق با متراژ اتاق 25 متر مربع در صورت تصحیح فضای عمومی، فضای کلی آن حدود 37.5 متر مربع خواهد بود. به طور کلی، مساحت خالص کف حاصل را می توان تقریباً با یک اضافه هزینه مساحت در حدود 1/3 [ 42] به دست آورد.]. در ادامه از متراژ خالص هتل طبقه متوسط ​​به عنوان مورد استاندارد استفاده می کنیم.
متوسط ​​نرخ اشغال هتل در اروپای غربی در سال 2019 63.6 درصد بود که هنوز تحت تأثیر بحران COVID-19 قرار نگرفته بود [ 46 ]. ما فرض می‌کنیم که تمام اتاق‌های هتل اتاق‌های دو نفره با دو سرنشین هستند، با تقاضای آب در روز 345 لیتر [ 6 ]. وضعیت اقلیمی، به ویژه با توجه به بارندگی و دما که بر تقاضای آب تأثیر می‌گذارد، در نظر گرفته می‌شود. تاثیر بارش و دما بر تقاضای آب در هتل ها در شکل 4 نشان داده شده است .
کل تقاضای آب هتل با میانگین دمای روزانه افزایش می یابد، زیرا میزان اشغال در تابستان افزایش می یابد. علاوه بر این، تقاضای آب نیز با افزایش سطح بارندگی افزایش می‌یابد، که به طور بالقوه به دلیل افزایش استفاده از امکانات رفاهی/ آبگرم در هوای بارانی است. به همین ترتیب، افزایش تقاضا در ارتباط با خشکی مداوم، به ویژه در روزهای گرمتر قابل مشاهده است. در اینجا، افزایش آبیاری امکانات در فضای باز ممکن است از اهمیت برخوردار باشد.
3.4.4. تقاضای آب در صنعت
تقاضای کلی آب و الگوهای تقاضای آب سالانه در صنعت البته با نوع صنعت مورد بررسی بسیار متفاوت است – برای مثال، یک انبار تقریباً در همه شرایط تقاضای آب بسیار کمتری نسبت به یک کارخانه آبجوسازی یا کارخانه فرآوری مواد غذایی دارد. با این حال، داده های CityGML مشخص نمی کند که یک ساختمان صنعتی منفرد به کدام نوع صنعت تعلق دارد. با توجه به شدت آب، داده های بین زمانی و فرا منطقه ای نشان می دهد که با افزایش تولید ناخالص داخلی سرانه، بسیاری از کشورها از الگوی کاهش تقاضای آب به ازای ارزش افزوده صنعتی پیروی می کنند [47 ] . این یافته نشان می‌دهد که تقاضای آب صنعتی می‌تواند با شرایط اقتصادی محلی مرتبط باشد که توسط تولید ناخالص داخلی سرانه نشان داده شده است، که از طریق داده‌های سرشماری در دسترس است ( شکل 5) .). بنابراین، تقاضای کلی آب در صنعت، تولید ناخالص داخلی سرانه و سطح زمین مورد استفاده صنعت در سه شهرستان فدرال ارزیابی شده در اینجا، واقع در ایالت های نوردراین-وستفالن، بادن-وورتمبرگ، تورینگن، مورد تجزیه و تحلیل قرار گرفت. داده ها از هر اداره آمار دولتی [ 48 ، 49 ، 50 ] به دست آمد. از آنجایی که داده‌های مربوط به مساحت طبقه صنعتی در سطح ایالت در دسترس نیست، سطح زمین صنعتی به عنوان تقریبی در نظر گرفته می‌شود. با انجام یک تحلیل رگرسیونی، ضریب همبستگی پیرسون بین تولید ناخالص داخلی سرانه و تقاضای آب صنعتی 0.62 است، یک رابطه قوی (قوی> 0.7، متوسط ​​0.4-0.6، ضعیف <0.4 [51 )]). البته تقاضای آب صنعتی با عوامل بسیار دیگری غیر از تولید ناخالص داخلی تعریف می شود که مهم ترین آن نوع صنعت است. با توجه به سطح اطلاعات موجود در CityGML، یک همبستگی با تولید ناخالص داخلی سرانه به طور گسترده قابل استفاده است.

3.5. اعتبار سنجی

همانطور که قبلاً ذکر شد، از سه شهرستان آلمانی با شرایط اقلیمی و اقتصادی-اجتماعی متفاوت برای تأیید امکان‌سنجی، دقت و انعطاف‌پذیری جریان کاری تقاضای آب تعیین‌شده استفاده شد. شهر کلن (نوردراین-وستفالن) یک منطقه شهری پرجمعیت را نشان می دهد، در حالی که شهرستان لودویگزبورگ (بادن-وورتمبرگ) یک منطقه حومه جنوبی و شهرستان ایلم کریس (تورینگن) یک منطقه روستایی تر است. در بسیاری از ابعاد نزدیک به میانگین شهرستان آلمان در خارج از مناطق بزرگ شهری است. داده های کلیدی اجتماعی-اقتصادی و اقلیمی برای شهرستان های درختی بین سال های 1995 تا 2015 در جدول 6 فهرست شده است .
جدول 7 نتایج جریان کاری تقاضای آب تازه تاسیس را شامل تعداد خانوار و ساکنین و همچنین تقاضای آب در هر بخش مختلف برای سه شهرستان فوق الذکر نشان می دهد. با مقایسه نتیجه تخمین با عدد آماری از داده‌های سرشماری آلمان در سال 2011 [ 63 ، 64 ]، مدل تفاوت‌هایی (به داده‌های آماری) از 15% تا 40% برای تعداد خانوارها و 11% تا 31% برای تعداد خانوارها به دست می‌دهد. ساکنان. از آنجایی که مدل تخمین خانوار معرفی شده در بخش 3.3از میانگین مساحت‌های طبقه خانوار آلمانی و میانگین تعداد ساکنان در هر خانوار استفاده می‌کند، نتایج مدل‌سازی ما در مناطقی با تراکم جمعیت متوسط ​​مانند لودویگزبورگ، که نزدیک به میانگین آلمانی هستند، دقیق‌تر است. در مناطق روستایی، به عنوان مثال، Ilm-Kreis، یک خانه با مساحت نسبتاً بزرگ معمولاً توسط ساکنان کمتری نسبت به میانگین (در آلمان) اشغال می شود که منجر به تخمین بیش از حد تعداد خانوارها و جمعیت آنها می شود. به طور مشابه، در شهرهای پرجمعیت، مانند کلن، مساحت طبقه به ازای هر خانوار معمولاً کمتر است و در عین حال تعداد ساکنان در هر خانه بیشتر از آن چیزی است که بر اساس میانگین داده های آماری آلمان نشان داده شده است (جدول 6 ) . بنابراین، شبیه‌سازی گردش کار ما حدود 19 درصد خانوارهای کمتر و 31 درصد تعداد ساکنان کمتری را به همراه دارد.
از نظر تقاضای سرانه آب در ساختمان‌های مسکونی، اعداد محاسبه‌شده توسط گردش کار جدید بین ۱ تا ۷ درصد از مقدار آماری انحراف دارند. لازم به ذکر است که تقاضای آب مسکونی ارائه شده توسط اداره آمار نوردراین وستفالن برای کلن شامل واحدهای تجاری کوچک است که مقادیر بالاتری را نسبت به نتیجه شبیه سازی توضیح می دهد. در سطح شهرستان و شهر، نتیجه تقاضای سرانه آب مسکونی در مقایسه با داده های آماری دقیق است. اگر خطا با مقیاس بندی تقاضای آب مسکونی کل در هر منطقه با نسبت یکسان اختلاف تعداد ساکنان حذف شود، شکاف بین نتیجه شبیه سازی و مقدار آماری بین 5 تا 7 درصد کاهش می یابد.
از نظر آماری، مقدار تقاضای آب در ساختمان‌های غیرمسکونی، تفاوت بین کل تامین آب عمومی برای مصرف‌کنندگان نهایی و تامین آب برای خانوارها است. از آنجایی که داده‌های دقیق‌تر در مورد تقاضای آب در هر طبقه ساختمان، به عنوان مثال، خرده‌فروشی، مدرسه و غیره در دسترس نیست، اعتبارسنجی صحت خروجی تقاضای آب برای انواع ساختمان‌ها در جریان کاری جدید در برابر داده‌های آماری دشوار است. فرض می‌کنیم که انواع ساختمان‌ها شامل اداری، بیمارستانی، خرده‌فروشی، تأسیسات ورزشی، سالن، آموزش و هتل، تمام آب خود را از آب‌رسانی تأمین می‌کنند، یعنی خوداستخراجی صفر فرض می‌شود. در آن صورت، تقاضای آب در لودویگزبورگ و کلن به ترتیب 5% و 2% از داده های آماری مشتق شده نشان داده شده در جدول 7 انحراف دارد .
تفاوت های بزرگتر در تقاضای آب در صنعت در شهرستان های مورد مطالعه ناشی از اشتباهات در انتساب عملکرد ساختمان در CityGML است. به عنوان مثال، 1100 هکتار از مجموع 1233 هکتار منطقه صنعتی برای Ilm-Kreis از دست رفته است، در حالی که به نظر می رسد سطح صنعتی در کلن 35000 هکتار بیش از حد برآورد شده است، که در واقعیت به نظر می رسد مناطق مسکونی باشد. علاوه بر این، همانطور که در بخش 3.4.4 ذکر شد، تقاضای آب در صنعت از منطقه به منطقه دیگر متفاوت است . با این حال، بر اساس تحلیل رگرسیون، تقاضای آب به ازای هر سطح طبقات در همه مناطق با مقدار یکسان برآورد می‌شود.
بنابراین می‌توان دید که دقت و کیفیت داده‌های CityGML نقش مهمی در دقت ارزیابی‌های تقاضای آب ایفا می‌کند، به طوری که عملکردهای ساختمانی از دست رفته و خطاها در هندسه‌های ساختمان تا 36 درصد تفاوت در تخمین مساحت ساختمان‌های مسکونی ایجاد می‌کنند. ساختمان‌های گمشده در مدل داده‌ای که منجر به تقاضای آب کمتر از ارزیابی‌های آماری می‌شود.

3.6. سناریوها و تنظیمات مکان

همانطور که در پایان بخش گذشته بیان شد، یک فایل داده CityGML با اعتبار دهی روستای Rainau (بادن-وورتمبرگ) برای یک مطالعه سناریویی استفاده شده است [ 65 ]. 3318 تن سکنه و 2547 هکتار مساحت دارد. از این میزان، 75 هکتار برای زندگی مسکونی و 23 هکتار برای صنعت استفاده می شود [ 66 ].
جدول 8 سه پارامتر مورد استفاده برای ایجاد سناریوهای مختلف را نشان می دهد که مربوط به پارامترهای بیان شده در جدول 1 است : آب و هوا، میانگین سن، قیمت آب. میانگین داده‌های اقلیمی تاریخی برای سال‌های 2000-2010 و داده‌های آب و هوایی پیش‌بینی‌شده در سال 2030 از Meteonorm (بارش و دمای محیط) گرفته شد. سن میانگین سنی جمعیت را نشان می دهد که در راینو 38.9 سال در مقایسه با میانگین آلمان 43.3 است. قیمت آب شامل تامین آب شیرین و همچنین هزینه دفع و تصفیه فاضلاب در هر متر مکعب می باشد.

4. نتایج تحلیل سناریو

جدول 9 نتیجه شبیه سازی تقاضای آب را در هر هشت سناریو در Rainau همانطور که در جدول 8 تعریف شده است نشان می دهد . نتیجه بر این فرض استوار است که (1) تعداد کل ساکنان در این هشت سناریو ثابت است زیرا همان فایل CityGML داده شده است و تابع توزیع الگوریتم تخمین ساکنان تغییر نکرده است. (2) الگوی تقاضای آب بر اساس داده های جمع آوری شده در گذشته است. تغییر الگوی تقاضای آب در آینده در این تحقیق پیش بینی نشده است.
همانند ماهیت معادلات (2) و (3)، هر چه میانگین تعداد روزهای با بارندگی بیش از 1 میلی متر در تابستان بیشتر باشد، به دلیل کاهش تقاضای آب برای باغبانی، تقاضای آب کمتر می شود [5 ] . در مقابل، افزایش دمای تابستان از نظر آماری یک عامل تاثیرگذار کمتر بر تقاضای آب است، زیرا مقدار مطلق کشش کمترین همه است ( جدول 2 را ببینید ).
مقایسه سناریوهای 1 تا 4 با سناریوهای 5 تا 8 تقاضای آب مسکونی در سال 2030 حدود 700 متر مکعب در هر سال یا 0.4 درصد در مقایسه با تقاضا بر اساس آب و هوای فعلی کاهش می یابد. جدول 10 آب و هوای Rainau را بر حسب بارندگی و دما در ماه های تابستان نشان می دهد. همانطور که در رابطه (3)، تنها آب و هوای تابستان و بارش بر تقاضای آب مسکونی تأثیر دارد. آب و هوا در دو مورد نشان داده شده است – میانگین تاریخی بین سال‌های 2000 و 2010 و مقدار پیش‌بینی شده در سال 2030. در حالی که در آوریل، مه و ژوئن، میانگین دما در Rainau 0.7 درجه سانتی‌گراد افزایش می‌یابد (در جدول 10 نشان داده شده است .) داده های آب و هوا بارش های بیشتری را در تابستان در این منطقه پیش بینی می کند که نیازهای اضافی آب را به دلیل افزایش دما جبران می کند.
علاوه بر این، نتایج نشان می‌دهد که یک جامعه سالخورده می‌تواند منجر به افزایش تقاضای آب مسکونی شود. همانطور که در جدول 8 نشان داده شده است، اگر میانگین سنی 4.4 سال افزایش یابد ، تقاضای سرانه آب حدود 6 لیتر در روز افزایش می یابد. تقاضای آب ممکن است با افزایش سن افزایش یابد زیرا افراد بازنشسته زمان بیشتری را در خانه و باغبانی می گذرانند [ 5 ]. داده های یک بررسی اخیر از الگوهای مصرف انرژی از بیش از 20000 خانوار در آلمان نشان می دهد که افراد مسن کمتر دوش می گیرند و بیشتر حمام می کنند، که یافته های ما را تایید می کند [ 69 ].
در نهایت، افزایش قیمت آب از 4.89 یورو به 5.42 یورو در هر متر مکعب ، تقاضای سرانه آب در بخش مسکونی بین دو تا سه لیتر در روز کاهش می یابد. با ترکیب تأثیرات ناشی از اقلیم در سال 2030 و پیری جمعیت، تقاضای سرانه آب مسکونی از 102.6 لیتر در روز به سناریوی 1 به 109.1 لیتر در روز در سناریو 7 افزایش خواهد یافت. سناریوی 7 محتمل ترین وضعیت در آینده است. به منظور محدود کردن تقاضای آب مسکونی، راه حل ممکن افزایش قیمت آب و فاضلاب خواهد بود. با افزایش قیمت آب از 4.89 یورو به 5.42 یورو در هر متر مکعب ، تقاضای سرانه آب در محتمل ترین سناریو در آینده از 109.1 لیتر در روز در سناریوی 7 به 106.4 لیتر در روز در سناریوی 8 کاهش می یابد.
محاسبه تقاضای آب در بخش غیر مسکونی، به استثنای صنعت، فاقد ارتباط با پارامترهای اجتماعی-اقتصادی است. در سناریوهای ارائه شده در جدول 8 (به استثنای صنعت) تنها تغییرات در داده های اقلیمی بر تقاضای آب غیرمسکونی تأثیر دارد . با در نظر گرفتن میانگین سالانه افزایش دمای 0.4 درجه سانتی گراد و ثابت ماندن (تقریبا) بارندگی سالانه، تقاضای آب غیرمسکونی (به استثنای صنعت) از 192 متر مکعب در هکتار به 194 متر مکعب در لیتر افزایش یافته است.
در جریان کار، تقاضای آب صنعتی تنها با وضعیت اقتصادی محلی مرتبط است که با تولید ناخالص داخلی سرانه نشان داده می شود. طبق پیش بینی وزارت حمل و نقل و زیرساخت دیجیتال فدرال آلمان، تولید ناخالص داخلی سرانه بین سال های 2020 (42709 یورو برای هر نفر) و 2030 (48689 یورو برای هر نفر) 14 درصد رشد خواهد کرد [70 ] . به این ترتیب، تقاضای آب صنعتی Rainau بین سال‌های 2020 تا 2030 به میزان 200 متر مکعب در هر سال در راینو 46 درصد افزایش می‌یابد.
نتایج ذکر شده در بالا با داده های CityGML برای تجسم در چارچوب وب CesiumJS، با استفاده از کاشی های سه بعدی ترکیب شدند. شکل 6 کل تقاضای آب هر ساختمان در Rainau را در سناریوی پیش فرض نشان می دهد: ساختمان هایی با رنگ آبی کمتر از 500 متر مکعب آب در سال نیاز دارند که اکثر خانه های تک خانواده به این دسته تعلق دارند. ساختمان‌های سبز عمدتاً خانه‌های چند خانواری، چند خانه تک‌خانواره‌ای و ساختمان‌های اداری با نیاز سالانه آب بین ۵۰۰ تا ۱۰۰۰ مترمکعب هستند . اکثر ساختمان‌های اداری، کلیه سالن‌های ورزشی و مدارس متعلق به دسته زرد و نارنجی با نیاز سالانه آب بین 1000 تا 10000 متر مکعب هستند . ساختمان های صنعتی با بالاترین تقاضای آب در هر ساختمان، بالای 10000 متر3 ، به رنگ قرمز هستند.
شکل 7 کل تقاضای آب را نشان نمی دهد، بلکه تقاضای آب در هر سطح طبقه را نشان می دهد. ساختمان های مسکونی تقاضای آب در هر متر مربع کمتر از 1.5 متر مکعب در متر مربع و سال (به رنگ های آبی، سبز و زرد) دارند، با تعداد کمی از خانه های تک خانواده به رنگ آبی که مقادیر در متر مربع کمتر از 0.5 متر مکعب بر متر مربع است . از آنجایی که ساکنان خانه های تک خانواده فضای زندگی بیشتری برای هر نفر دارند، حتی اگر برای هر نفر آب بیشتری مصرف کنند، تقاضای آب در هر منطقه در SFH در پایین ترین رده قرار دارد. در شکل 5 سالن ورزشی واقع در قسمت میانی به رنگ زرد یکی از بالاترین نیاز مطلق آب (1455 متر مکعب بر الف) را دارد. با این حال، تقاضا برای هر متر مربع از کمترین ها و زیر 0.5 متر است3 / متر مربع . با توجه به مقادیر کمتر مساحت طبقات به ازای هر ساکن نسبت به خانه‌های تک‌خانواره، خانه‌های چندخانواره بیشترین تقاضای آب در هر متر مربع را در میان ساختمان‌های مسکونی دارند، که بازدهی برخی از آنها بیش از 1.5 مترمکعب بر مترمربع است . ساختمان های اداری در رنگ نارنجی بین 1.5 تا 2 مترمکعب در مترمربع پس از ساختمان صنعتی با مقادیر بالای 2 مترمکعب بر مترمربع در رنگ قرمز، دومین رده بالاترین تقاضای آب را دارند . هیچ تفاوتی بین ساختمان های صنعتی از نظر تقاضای آب در هر منطقه وجود ندارد، زیرا آب ویژه یکسان برای تمام ساختمان های صنعتی در همان منطقه اعمال می شود.

5. بحث

یک گردش کار تازه تاسیس با عملکرد مدل‌سازی تقاضای آب در آلمان به یک پلت فرم شبیه‌سازی انرژی شهری موجود بر اساس مدل‌های CityGML به‌طور گسترده و داده‌های آماری استاندارد به عنوان ورودی‌های کلیدی آن معرفی شد. علاوه بر این که مبتنی بر این نوع داده‌ها است، منحصربه‌فرد بودن گردش کار جدید این است که اجازه می‌دهد تفکیک‌پذیری به یک ساختمان واحد برسد، در حالی که مدل‌های تقاضای آب موجود بیشتر بر سطوح شهری (یا حتی بالاتر) تمرکز می‌کنند. تقاضای آب سالانه خانوارهای مسکونی فردی و ساختمان‌های غیرمسکونی را می‌توان به صورت سه بعدی مدل‌سازی و تجسم کرد.
این روش شکاف ارزیابی داده‌های آب یک ساختمان یا محله شهر را بر اساس CityGML پر می‌کند، بنابراین ارزیابی‌ها را با مجموعه محدودی از داده‌های ورودی انجام می‌دهد. در ساختمان‌های مسکونی، مدل‌های جریان کار تقاضای آب به ازای هر ساکن دارای انحراف از 1٪ تا 7٪ از مقادیر آماری برای سه شهرستان آلمان است. با اطمینان کافی، ما استدلال می‌کنیم که ابزار شبیه‌سازی از نظر محاسبه تقاضای سرانه آب و کل تقاضای آب در ساختمان‌های مسکونی با مدل صحیح داده ورودی CityGML قابل اعتماد است. عدم قطعیت بیشتری در مورد شبیه سازی تقاضای آب در ساختمان های غیر مسکونی وجود دارد. با این حال، مقدار ارزش تقاضا در همان سطح است. این دقت با در نظر گرفتن اقلیم محلی و برخی عوامل اجتماعی-اقتصادی محقق می شود. مهمتر از همه، فرآیند مدلسازی کاملاً خودکار است،
بنابراین، گردش کار شکافی را در تجزیه و تحلیل مسائل منطقه ای رابطه غذا-آب-انرژی تکمیل می کند. برای مثال، ترکیبی از نتایج آن با تقاضای آب از کشاورزی و منابع آب محلی به ما امکان می‌دهد تا سطح تنش آبی منطقه‌ای را ارزیابی کرده و استراتژی‌های بهبودیافته‌ای برای کشت محصول یا حفظ آب در مناطق شهری و روستایی تعریف کنیم. چنین ارزیابی‌هایی می‌تواند کمک زیادی به دولت‌های محلی در اتخاذ تصمیمات استراتژیک در مورد مناطق موجود و نوساز در شرایط فعلی یا آینده کند.
به دلیل ورودی‌های بسیار تجمیع شده، با استفاده از مقادیر در سطح کشور، که ممکن است همیشه با وضعیت محلی مطابقت نداشته باشد، سطح مشخصی از عدم قطعیت در نتایج مدل‌سازی اضافه می‌شود، به عنوان مثال، با استفاده از میانگین اندازه خانوار آلمانی و نرخ‌های اشغال. به عنوان گام بعدی، داده های سرشماری محلی در مورد پارامترهای کلیدی باید جایگزین مقادیر میانگین آلمانی شود، به طوری که تعداد ساکنان محلی را می توان با دقت بیشتری تخمین زد، به عنوان مثال، در مناطق شهری متراکم.
عدم دقت عملکرد ساختمان را می توان با بررسی متقابل CityGML با OpenStreetMap از بین برد زیرا OpenStreetMap اغلب توسط کاربران خصوصی نگهداری می شود. افزودن زیر کلاس‌های تابع ساختمان ساختمان‌های غیرمسکونی نیز می‌تواند دقت شبیه‌سازی را بهبود بخشد، به‌عنوان مثال، تقاضای آب در مدارس ابتدایی و دانشگاه متمایز است، حتی اگر هر دو تحت «آموزش» در استاندارد CityGML طبقه‌بندی شوند. به طور کلی، داده های آماری محدودی در مورد تقاضای آب ساختمان های غیر مسکونی در دسترس است. در نتیجه، مقادیر تجربی تقاضای آب در هر منطقه باید از ادبیات و مطالعات متمرکز بر سطح ملی آلمان گرفته شود. با اضافه کردن روش تقاضای آب مسکونی آلمانی، مدل شبیه‌سازی تقاضای آب تنها برای کاربرد در هر شهر در آلمان محدود شده است. علاوه بر این، فقدان داده‌های تقاضای آب در ساختمان‌های غیر مسکونی، اعتبارسنجی دقیق تقاضای آب در تأسیسات خاص را دشوار می‌کند. این باعث کاهش دقت مدل می شود. در اینجا، گام بعدی ممکن است جمع آوری اطلاعات مرتبط از منابع دیگر برای بهبود بیشتر کیفیت مدل سازی باشد.

منابع

  1. Vörösmarty، CJ; مک اینتایر، PB; Gessner، MO; داجون، دی. پروسوویچ، آ. گرین، پ. گلیدن، اس. Bunn، SE; سالیوان، کالیفرنیا؛ Liermann، CR; و همکاران تهدیدهای جهانی برای امنیت آب انسانی و تنوع زیستی رودخانه ها طبیعت 2010 ، 467 ، 555-561. [ Google Scholar ] [ CrossRef ]
  2. آلکامو، جی. فلورکه، ام. Märker, M. تغییرات بلندمدت آینده در منابع آب جهانی ناشی از تغییرات اجتماعی-اقتصادی و اقلیمی. هیدرول. علمی J. 2007 ، 52 ، 247-275. [ Google Scholar ] [ CrossRef ]
  3. ویلر، وی. استیو، جی. ایکر، سناریوهای تولید انرژی تجدیدپذیر U. با استفاده از ابزارهای مدل‌سازی شهری سه بعدی – روش‌شناسی برای پمپ حرارتی و سیستم‌های تولید همزمان با کاربرد مطالعه موردی. Energies 2019 ، 12 ، 403. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  4. آربوئس، اف. گارسیا-والیناس، M.Á. مارتینز-اسپینیرا، R. برآورد تقاضای آب مسکونی: یک بررسی پیشرفته. جی. اجتماعی اقتصاد. 2003 ، 32 ، 81-102. [ Google Scholar ] [ CrossRef ]
  5. شلیچ، جی. هیلنبراند، تی. عوامل تعیین کننده تقاضای آب مسکونی در آلمان. Ecol. اقتصاد 2009 ، 68 ، 1756-1769. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. نونتوفل، آر. ریچارد، ال. پرفلر، آر. توشل، اس. بوهم، ک. هاس، ای. Wasserverbrauch و Wasserbedard. Auswertung Empirischer Daten zum Wasserverbrauch. در دسترس آنلاین: https://www.messe.de/files/000-fs5/media/downloads/deutsche-messe-nachhaltigkeitsbericht-2.pdf (در 11 اوت 2020 قابل دسترسی است).
  7. واین، ای. الماس، آر. Szydlowski، R. مصرف آب گرم خانگی در چهار ساختمان آپارتمانی کم درآمد. انرژی 1987 ، 12 ، 459-467. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. Kõiv, T.-A.; توده، الف. روند مصرف آب گرم خانگی در ساختمان های آپارتمانی استونی. Proc. برآورد آکادمی علمی مهندس 2006 ، 12 ، 72-80. [ Google Scholar ]
  9. یائو، آر. Steemers، K. روشی برای فرمول‌بندی مشخصات بار انرژی برای ساختمان‌های خانگی در بریتانیا. انرژی ساخت. 2005 ، 37 ، 663-671. [ Google Scholar ] [ CrossRef ]
  10. فوئنتس، ای. آرس، ال. Salom، J. بررسی پروفایل های مصرف آب گرم خانگی برای کاربرد در تجزیه و تحلیل عملکرد انرژی سیستم ها و ساختمان ها. تمدید کنید. حفظ کنید. Energy Rev. 2018 , 81 , 1530-1547. [ Google Scholar ] [ CrossRef ]
  11. احمد، ک. پیلسی، پی. کورنیتسکی، جی. پروفایل مصرف ساعتی آب گرم خانگی برای گروه های مختلف ساکن در خانه ها. سول انرژی 2016 ، 137 ، 516-530. [ Google Scholar ] [ CrossRef ]
  12. تروی، پی. هالووی، دی. استفاده از مصرف آب مسکونی به عنوان ابزار برنامه ریزی شهری: یک مطالعه آزمایشی در آدلاید. جی. محیط زیست. طرح. مدیریت 2004 ، 47 ، 97-114. [ Google Scholar ] [ CrossRef ]
  13. Proença، LC; Ghisi، E. استفاده نهایی آب در ساختمان های اداری برزیل. منبع. حفظ کنید. بازیافت. 2010 ، 54 ، 489-500. [ Google Scholar ] [ CrossRef ]
  14. گونزالس، آ. García-Sanz-Calcedo، J. Salgado، D. تعیین کمی مصرف آب سرد قابل شرب در بیمارستان های آلمان. Sustainability 2018 , 10 , 932. [ Google Scholar ] [ CrossRef ][ Green Version ]
  15. هاوس-پیترز، لس آنجلس; چانگ، اچ. مدل‌سازی تقاضای آب شهری: بررسی مفاهیم، ​​روش‌ها و اصول سازماندهی. منبع آب Res. 2011 ، 47 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. Maidment، DR; Miaou، S.-P. کرافورد، مدل‌های تابع انتقال MM استفاده روزانه از آب شهری. منبع آب Res. 1985 ، 21 ، 425-432. [ Google Scholar ] [ CrossRef ]
  17. Maidment، DR; میائو، اس.-پی. مصرف روزانه آب در نه شهر منبع آب Res. 1986 ، 22 ، 845-851. [ Google Scholar ] [ CrossRef ]
  18. گاتو، اس. جایاسوریا، ن. رابرتز، پی. آستانه‌های دما و بارندگی برای مدل‌سازی تقاضای آب شهری استفاده پایه. جی هیدرول. 2007 ، 337 ، 364-376. [ Google Scholar ] [ CrossRef ]
  19. آداموفسکی، مدل‌سازی پیش‌بینی تقاضای روزانه پیک آب JF با استفاده از شبکه‌های عصبی مصنوعی. ج. منبع آب. طرح. مدیریت 2008 ، 134 ، 119-128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. پراسکیویچ، اس. چانگ، اچ. شناسایی روابط بین مصرف آب شهری و متغیرهای آب و هوا در سئول، کره. فیزیک Geogr. 2009 ، 30 ، 324-337. [ Google Scholar ] [ CrossRef ]
  21. وانگ، جی اس. ژانگ، Q. چن، YD مدل سازی آماری مصرف روزانه آب شهری در هنگ کنگ: روند، الگوهای تغییر و پیش بینی. منبع آب Res. 2010 ، 46 . [ Google Scholar ] [ CrossRef ]
  22. کاشوب، تی. یوچم، پ. Fichtner, W. ذخیره سازی انرژی خورشیدی در خانواده های آلمانی: سودآوری، تغییرات بار و انعطاف پذیری. سیاست انرژی 2016 ، 98 ، 520-532. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. هاوس-پیترز، ال. پرات، بی. چانگ، اچ. اثرات ساختار فضایی شهری، جمعیت شناسی اجتماعی و آب و هوا بر مصرف آب مسکونی در هیلزبورو، اورگان 1. JAWRA J. Am. منبع آب دانشیار 2010 ، 46 ، 461-472. [ Google Scholar ] [ CrossRef ]
  24. شانداس، وی. پراندوش، GH ادغام فرم شهری و جمعیت شناسی در مدیریت تقاضای آب: مطالعه موردی تجربی پورتلند، اورگان. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 112-128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. ونتز، EA؛ گوبر، P. عوامل تعیین کننده مصرف آب در مناطق کوچک برای شهر فینیکس، آریزونا. منبع آب مدیریت 2007 ، 21 ، 1849-1863. [ Google Scholar ] [ CrossRef ]
  26. لی، اس.-جی. ونتز، EA؛ Gober، P. پیش‌بینی فضا-زمان با استفاده از زمین‌آمار نرم: مطالعه موردی در پیش‌بینی تقاضای آب شهری برای فونیکس، آریزونا. استوک. محیط زیست Res. ارزیابی ریسک 2009 ، 24 ، 283-295. [ Google Scholar ] [ CrossRef ]
  27. استولنبرگر، آر. Gebetsroither-Geringer، E. Magerl, U. تجزیه و تحلیل کیفی و کمی یکپارچه روابط شهری علّی غذا-آب-انرژی به سوی شهرهای تاب‌آورتر نسبت به آب و هوا . REAL CORP: آخن، آلمان، 2020. [ Google Scholar ]
  28. نوول، آر. Brassel, K.-H.; بروس، م. دومینیل، ای. کورز، وی. Eicker، U. SimStadt، یک بستر جدید شبیه‌سازی انرژی شهری مبتنی بر گردش کار برای مدل‌های شهر CityGML. در مجموعه مقالات کنفرانس بین المللی CISBAT 2015 ساختمان ها و مناطق آینده پایداری از نانو تا مقیاس شهری، لوزان، سوئیس، 9 تا 11 سپتامبر 2015. [ Google Scholar ]
  29. کورز، وی. بتز، ام. Duminil، E. مفهومی از مدیریت کیفیت مدل‌های سه بعدی شهر که از الزامات خاص برنامه پشتیبانی می‌کنند. PFG 2020 ، 88 ، 3-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. Institut Wohnen und Umwelt GmbH. Institut Wohnen und Umwelt (IWU): Gebäudetypologie und Gebäudebestand. در دسترس آنلاین: https://www.iwu.de/publikationen/fachinformationen/gebaeudetypologie/ (در 12 اوت 2020 قابل دسترسی است).
  31. Meteonorm. Meteonorm. در دسترس آنلاین: https://meteonorm.com/en/ (در 12 اوت 2020 قابل دسترسی است).
  32. Monsalvete Alvarez de Uribari، P. Coors، V. یک مدل پویا برای شبیه سازی تقاضای ساختمان در مقیاس منطقه ای. در مجموعه مقالات سمپوزیوم Dynastee: ساختمان به عنوان سنگ بنای زیرساخت انرژی آینده ما، بیلبائو، اسپانیا، 10-11 آوریل 2019. [ Google Scholar ]
  33. Verordnung über Energiesparenden Wärmeschutz und Energiesparende Anlagentechnik bei Gebäuden (EnEV). در دسترس آنلاین: https://www.gesetze-im-internet.de/enev_2007/ (در 7 سپتامبر 2020 قابل دسترسی است).
  34. ZENSUS2011—صفحه اصلی. در دسترس آنلاین: https://www.zensus2011.de/EN/Home/home_node.html (در 11 اوت 2020 قابل دسترسی است).
  35. کوهلر، اس. بتز، ام. بائو، ک. ویلر، وی. تعیین اندازه خانوار و تعداد ساکنان ساختمان های مسکونی بر اساس داده های سرشماری و مدل های ساختمانی 3D-CityGML در مقیاس شهری در آلمان. در مجموعه مقالات کنفرانس شبیه سازی ساختمان 2021، بروژ، بلژیک، 1 تا 3 سپتامبر 2021. ارسال شده است. [ Google Scholar ]
  36. Höglund، L. تقاضای خانوارها برای آب در سوئد با پیامدهای مالیات بالقوه بر مصرف آب. منبع آب Res. 1999 ، 35 ، 3853-3863. [ Google Scholar ] [ CrossRef ]
  37. Pro-Kopf-Verbrauch von Wasser در Deutschland nach Bundesland 2016|Statista. در دسترس آنلاین: https://de.statista.com/statistik/daten/studie/249427/umfrage/wasserverbrauch-nach-bundesland/ (در 18 اوت 2020 قابل دسترسی است).
  38. کیتزرو، اچ.-جی. Magyar، P. Energiekonzept für die Sporthalle Süd. در دسترس آنلاین: https://www.baua.de/DE/Angebote/Rechtstexte-und-Technische-Regeln/Regelwerk/ASR/pdf/ASR-A1-2.pdf?__blob=publicationFile (در 11 اوت 2020 قابل دسترسی است).
  39. Technischen Regeln für Arbeitsstätten. ASR A1.2 Raumabmessungen und Bewegungsflächen. در دسترس آنلاین: https://www.baua.de/DE/Angebote/Rechtstexte-und-Technische-Regeln/Regelwerk/ASR/pdf/ASR-A1-2.pdf?__blob=publicationFile (در 22 ژوئیه 2020 قابل دسترسی است).
  40. Deutschen Messe, AG Bericht zur Nachhaltigkeit ; Deutsche Messe: هانوفر، آلمان، 2020. [ Google Scholar ]
  41. وزیریوم فور اومولت، کلیما و انرژی بادن-وورتمبرگ و آمار لندسامت بادن-وورتمبرگ. در Energiebericht Baden-Württemberg 1985-1990. Wasser-Verbrauchkennwert Staatlicher Gebäude ; Statistisches Landesamt Baden-Württemberg: اشتوتگارت، آلمان، 2018.
  42. پائون، دبلیو. Piller, V. Hotelbewertungen: Flächen. در دسترس آنلاین: https://www.reguvis.de/xaver/wertermittlerportal/start.xav?start=%2F%2F*%5B%40attr_id%3D%27wertermittlerportal_2321513867%27%5D#__wertermittlerportal__*%2% 40attr_id%3D%27wertermittlerportal_22494510091%27%5D__1595431618670 (در 11 آگوست 2020 قابل دسترسی است).
  43. Statistisches Landesamt Baden-Württemberg. Öffentliche Wasserversorgung seit 2004 im Landesvergleich. در دسترس آنلاین: https://www.statistik-bw.de/Service/Veroeff/Statistik_AKTUELL/803409006.pdf (در 22 ژوئیه 2020 قابل دسترسی است).
  44. Statistisches Landesamt Baden-Württemberg. Wasserversorgung در بادن-وورتمبرگ. 2009. در دسترس آنلاین: https://www.statistik-bw.de/Service/Veroeff/Statistik_AKTUELL/803409006.pdf (در 22 ژوئیه 2020 قابل دسترسی است).
  45. الوانگر و گایگر Industrie- und Logistikflächenumsatz in der Region Stuttgart in den Jahren von 2010 bis 2018 (در Quadratmeter) ; بخش تحقیقات Statista: نیویورک، نیویورک، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  46. STR. بررسی جهانی هتل (نسخه رسانه ای) – نسخه ارز ثابت. عملکرد صنعت برای ماه دسامبر 2019 ؛ STR Global: لندن، بریتانیا، 2020. [ Google Scholar ]
  47. بیجل، دی ال; بوگارت، PW; کرام، تی. de Vries، BJM; van Vuuren، DP تقاضای بلند مدت آب برای برق، صنعت و خانوارها. محیط زیست علمی سیاست 2016 ، 55 ، 75-86. [ Google Scholar ] [ CrossRef ]
  48. اطلاعات und Technik Nordrhein-Westfalen Statistisches Landesamt. Landesdatenbank NRW. در دسترس آنلاین: https://www.landesdatenbank.nrw.de/ldbnrw/online (در 1 اکتبر 2020 قابل دسترسی است).
  49. Thüringer Landesamt für Statistik. Thüringer Daten-Tabellen und Übersichten. در دسترس آنلاین: https://statistik.thueringen.de/datenbank/default2.asp (در 22 ژوئیه 2020 قابل دسترسی است).
  50. Bayerische Landesanstalt für Statistik. GENESIS-Online Datenbank. در دسترس آنلاین: https://www.statistikdaten.bayern.de/genesis/online/ (در 22 ژوئیه 2020 قابل دسترسی است).
  51. Barnston، AG مکاتبات میان معیارهای تأیید همبستگی، RMSE و پیش‌بینی هایدک. اصلاح نمره هایدکه. پیش بینی آب و هوا. 1992 ، 7 ، 699-709. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. پایگاه داده سرشماری – جمعیت، خانوارها و خانواده ها – ارقام کلیدی. در دسترس آنلاین: https://ergebnisse.zensus2011.de/?locale=en#StaticContent:16070,BEV_11_14,m,table (در 11 اوت 2020 قابل دسترسی است).
  53. Durchschnittliche Anzahl der Haushaltsmitglieder in Deutschland nach Bundesländern 2019|Statista. در دسترس آنلاین: https://de.statista.com/statistik/daten/studie/200374/umfrage/anzahl-der-haushalte-in-deutschland-im-jahr-2010-nach-bundeslaendern/ (دسترسی در 11 اوت 2020) .
  54. Nettoeinkommen—Bundesländer|Statista. در دسترس آنلاین: https://de.statista.com/statistik/daten/studie/5758/umfrage/verfuegbares-nettoeinkommen-nach-bundeslaendern/ (در 11 اوت 2020 قابل دسترسی است).
  55. Trink- und Abwasserpreise در بادن-وورتمبرگ. در دسترس آنلاین: https://www.statistik-bw.de/Umwelt/Wasser/Trink-Abwasserpreise.jsp (در 12 اوت 2020 قابل دسترسی است).
  56. Zweckverband Wasser und Abwasser Suhl. Gebühren und Beiträge-ZWAS Zweckverband Wasser und Abwasser Suhl. در دسترس آنلاین: https://www.zwas.de/gebuehren_und_beitraege.php (در 12 اوت 2020 قابل دسترسی است).
  57. آمار Bundesamt Entgelt für die Trink-Wasser-Versorgung در Tarifgebieten nach Tariftypen. در دسترس آنلاین: https://www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Umwelt/Wasserwirtschaft/Tabellen/tw-07-entgelt-trinkwasserversorgung-tarifgeb-nach-tariftypen-2017-2019-land-bund.html. (در 12 اوت 2020 قابل دسترسی است).
  58. Abwassergebühren. در دسترس آنلاین: https://www.steb-koeln.de/abwasser-und-entwaesserung/abwassergebuehren/abwassergebuehren.jsp (در 12 اوت 2020 قابل دسترسی است).
  59. Zensusdatenbank. Ludwigsburg-Fläche der Wohnung (20 m2-Intervalle). در دسترس آنلاین: https://ergebnisse.zensus2011.de/#StaticContent:08118,WOHNFLAECHE_20S,m (در 20 اوت 2020 قابل دسترسی است).
  60. Statistisches Landesamt. بادن-وورتمبرگ Entwicklung der Wohnflächenversorgung in den Städten und Gemeinden Baden-Württembergs ; Statistisches Landesamt: اشتوتگارت، آلمان، 2020. [ Google Scholar ]
  61. Thüringer Landesamt für Statistik. Bestand an Wohnungen در Wohn- und Nichtwohngebäuden am 31. Dezember nach Kreisen—Fortschreibung auf Basis der endgültigen Ergebnisse der Gebäude- und Wohnungszählung 2011 در تورینگن. در دسترس آنلاین: https://statistik.thueringen.de/datenbank/TabAnzeige.asp?tabelle=kr000716%7C%7C (در 20 اوت 2020 قابل دسترسی است).
  62. Landesdatenbank Nordrhein-Westfalen. Fortschr. Wohngebäude- u. Wohnungsbestand GWZ2011 Wohngebäude, Wohnungen und Wohnfläche nach Anzahl der Wohnungen—Gemeinden—Stichtag. در دسترس آنلاین: https://www.statistik-bw.de/Service/Veroeff/Monatshefte/PDF/Beitrag10_01_03.pdf (در 20 اوت 2020 قابل دسترسی است).
  63. Zensusdatenbank-Deutschland-Größe des privaten Haushalts. در دسترس آنلاین: https://ergebnisse.zensus2011.de/#StaticContent:00,HHGROESS_KLASS,m (در 20 اوت 2020 قابل دسترسی است).
  64. Zensusdatenbank Deutschland. Einwohnerzahlen. در دسترس آنلاین: https://ergebnisse.zensus2011.de/#StaticContent:00,EINWOHNERZAHLEN,m (در 20 اوت 2020 قابل دسترسی است).
  65. زیرک، م. ویلر، وی. هاین، ام. Eicker، مدل‌های شهری U. غنی‌سازی برای کاربردهای انرژی: چالش‌ها در شبیه‌سازی انرژی با استفاده از منابع داده مختلف برای اطلاعات مربوط به سن ساختمان. Energy 2020 , 190 , 116292. [ Google Scholar ] [ CrossRef ]
  66. Statistisches Landesamt Baden-Württemberg. فلاش در Rainau nach Art der tatsächlichen Nutzung. در دسترس آنلاین: https://www.statistik-bw.de/BevoelkGebiet/GebietFlaeche/990160xx.tab?R=GS136089 (در 26 اوت 2020 قابل دسترسی است).
  67. Statistisches Landesamt Baden-Württemberg. Durchschnittsalter und Altersgruppen nach Geschlecht در Rainau. در دسترس آنلاین: https://www.statistik-bw.de/BevoelkGebiet/Bevoelkerung/01035100.tab?R=GS136089 (در 7 سپتامبر 2020 قابل دسترسی است).
  68. Statistisches Landesamt Baden-Württemberg. Trink- und Abwasserpreise Rainau. در دسترس آنلاین: https://www.statistik-bw.de/Umwelt/Wasser/22025050.tab?R=GS136089 (در 7 سپتامبر 2020 قابل دسترسی است).
  69. شلومن، بی. گروبر، ای. آیچهمر، دبلیو. دیکمن، جی. زیزینگ، اچ.-جی. ریکه، اچ. ویتکه، اف. هرتزوگ، تی. باربوسا، م. لوتز، اس. و همکاران Energieverbrauch der privaten Haushalte und des Sektors Gewerbe, Handel, Dienstleistungen. Bericht für das Bundesministerium für Wirtschaft und Arbeit ; Bundesministrium für Wirtschaft und Arbeit: Karlruhe/Berlin/Nürnberg/Leipzig/München، آلمان، آوریل 2004. [ Google Scholar ]
  70. BMVI. Strukturdatenprognose 2030. در دسترس آنلاین: https://www.bmvi.de/SharedDocs/DE/Artikel/G/strukturdatenprognose-2030.html (در 21 اوت 2020 قابل دسترسی است).
Ijgi 09 00642 g001 550
شکل 1. گردش کار تجزیه و تحلیل آب در یک محیط شبیه سازی SimStadt با منابع داده. بلوک‌هایی که در پس‌زمینه خاکستری قرار دارند، در گردش کار تقاضای آب SimStadt گنجانده شده‌اند.
Ijgi 09 00642 g002 550
شکل 2. جریان اطلاعات ورودی از CityGML، سایر منابع و نتایج میانی برای شبیه سازی تقاضای آب هر تابع ساختمان. اطلاعات مورد نیاز برای محاسبات با رنگ آبی مشخص شده است.
Ijgi 09 00642 g003 550
شکل 3. تغییر تقاضای آب اداری (تقاضای کل بدون آبیاری) بسته به دما و بارندگی. منبع: [ 6 ].
Ijgi 09 00642 g004 550
شکل 4. تغییر تقاضای آب هتل (تقاضای کل بدون آبیاری) با دما و بارندگی. منبع: [ 6 ].
Ijgi 09 00642 g005 550
شکل 5. تقاضای آب در صنعت به ازای هر متر مربع سطح زمین در مقیاس لگاریتم نسبت به تولید ناخالص داخلی سرانه. خط روند توسط تحلیل رگرسیون مورد نیاز است. همبستگی بسطی است y=0.2315·انقضا(3-5·ایکس).
Ijgi 09 00642 g006 550
شکل 6. تجسم تقاضای آب به ازای هر ساختمان در مترمربع در Rainau با CityGML و نقشه ماهواره ای.
Ijgi 09 00642 g007 550
شکل 7. تجسم تقاضای آب در هر متر مربع در هر ساختمان در مترمربع بر متر مربع در Rainau با CityGML و نقشه ماهواره ای.

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید