一种空气质量驱动下的建筑群体形态优化设计方法及系统

1.本发明涉及城市建筑设计技术领域，具体地，涉及一种空气质量驱动下的建筑群体形态优化设计方法及系统。


背景技术：

2.在城市化进程中，由于城区人口密集程度的增长，以及各种燃料消耗量的增加，城市空气质量往往也会逐步恶化。同时，由于在城市扩张过程中自然景观逐渐变为高密度的建筑环境，进一步阻碍了空气污染物的扩散，加剧了空气污染对居民的影响。因此，发展基于空气污染物浓度分布的建筑形态优化方法对于促进空气污染物并改善城市空气质量有着重要影响。
3.相关现有技术可参见：专利cn112001011a公开了一项名称为“一种基于风环境评价的城市天际线美学量化因子范围的提取方法”，该方法通过得到风环境波动程度与轮廓曲折度的曲线、与风环境与建筑起伏度的关系，在建筑风环境的评价标准下，得到适宜人体最舒适环境下的最优的曲折度与起伏度范围，从而更直观地评价城市天际线，为天际线设计提供参考依据。专利cn114091146a公开了一项名称为“基于风环境模拟的街区形态设计方法、装置及存储介质”，本方法通过对风环境的模拟来对设计场地的街区形态进行优化，进而提高街区优化设计的难度。但以上方法并不能实现对整个城市区域空气质量浓度监测，也不能实现空气污染物浓度与建筑形态相关性分析，进而有效模拟空气质量浓度与建筑形态之间的非线性关系，在进行建筑群体形态优化设计上存在一定的弊端。专利cn110826134a公开了一项名称为“一种基于能耗及局域微气候综合优化的城市建筑群设计方法”。本设计方法针对区域建筑群的微气候和建筑群能耗，综合考察采光负荷、冷热负荷及室外热舒适度，能够实现建筑群能耗及室外微环境的综合优化。但是该方法是根据气象数据来进行优化设计，气象数据带有区域性，因此并不能评价全局的建筑物形态。
4.本发明基于空气污染物浓度分布的建筑形态优化，能够评价每个建筑形态因子在与空气质量浓度回归中的作用，从而更为准确地辅助建筑形态设计。


技术实现要素：

5.本发明的目的是在于提供以空气质量驱动下的建筑群体形态优化设计方法，本发明的有益效果是为城市规划和建筑设计在绿色生态和人居健康方法提供设计依据，另一方面可为城市大气污染控制提供参考，可以产生良好的社会、经济和生态效益。
6.为了实现上述目的，本发明采用了如下技术方案：一种空气质量驱动下的建筑群体形态优化设计方法，所述方法包括以下步骤：
7.采集街区建筑形态数据以及街区空气质量环境数据；
8.根据采集的街区建筑形态数据以及街区空气质量环境数据建立随机森林模型，建立不同建筑形态对于空气质量的相关性特征；
9.根据建立的随机森林模型，输入新建建筑群形态学参数数据，对不同建筑群模型
进行全天候模拟，结合不同建筑形态对于空气质量的相关性特征，得到多组空气质量数据；
10.根据得到的多组空气质量数据，进行综合化处理得到最小综合优化结果，将最小综合优化结果所对应形态学参数数据作为最优的建筑群形态布局，并输出为最优的建筑群形态设计策略。
11.优选地，所述采集街区建筑形态数据包括：
12.采集城区建筑群体3d形态轮廓数据，建立城市建筑形态数据平台；在所述建立城市建筑形态数据平台上实施以下步骤：
13.采集城区地表建筑物矢量数据为数据源，基于正方形网格来计算形态学参数表示建筑物的三维形态信息并进行提取计算。
14.优选地，采集所述街区空气质量环境数据包括：采集城区气象观测站点数据以及卫星遥感气溶胶观测数据，建立空气质量环境数据平台；在所述建立空气质量环境数据平台实施以下步骤：
15.获取静止卫星小时级气溶胶光学厚度数据；
16.根据获取的厚度数据进行城区全覆盖的pm2.5浓度反演。
17.优选地，所述建立不同建筑形态对于空气质量的相关性特征包括：利用随机森林模型进行回归分析，评价每个三维建筑形态因子在与pm2.5浓度回归中的作用。
18.优选地，所述评价每个三维建筑形态因子在与pm2.5浓度回归中的作用包括，
19.对于建筑形态因子对pm2.5浓度的影响通过以下公式表示，其中，计算方法如下：
[0020][0021]
式中，f为部分依赖函数，xs是pm2.5浓度，xc为三维建筑形态因子，n为已计算三维建筑形态因子区域的个数。
[0022]
优选地，所述根据建立的随机森林模型，输入新建建筑群形态学参数数据，对不同建筑群模型进行全天候模拟，结合不同建筑形态对于空气质量的相关性特征，得到多组空气质量数据包括以下步骤：
[0023]
输入不同方案的新建建筑群形态参数数据，建立街区不同建筑群方案模型并进行全年四季不同天气环境的全天候模拟，得到新建建筑群体太阳辐射强度、建筑群区域的日照分布结果，再利用建立的随机森林模型，得到多组空气污染浓度分布结果。
[0024]
优选地，所述将最小综合优化结果所对应形态学参数作为最优的建筑群形态布局，其中，所述所对应形态学参数包括建筑密度、建筑高度、建筑体积密度、迎风面积比、地块容积率和建筑高度标准偏差的一种或多种。
[0025]
优选地，所述进行综合化处理，通过下式得到，
[0026]
opts＝a*s1 b*s2 c*s3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0027]
其中，opts为综合优化结果；a，b，c分别为s1，s2，a3的权重系数；s1表示新建建筑群太阳辐射强度；s2表示建筑群区域的日照分布；s3表示空气污染浓度分布。
[0028]
本发明还提供一种空气质量驱动下的建筑群体形态优化设计系统，用于实现上述所述的一种空气质量驱动下的建筑群体形态优化设计方法；所述系统包括采集模块、数据处理模块、数据模拟模块和数据输出模块，其中，
[0029]
所述采集模块，用于采集街区建筑形态数据以及街区空气质量环境数据；
[0030]
所述数据处理模块，用于根据采集的街区建筑形态数据以及街区空气质量环境数据建立随机森林模型，建立不同建筑形态对于空气质量的相关性特征；
[0031]
所述数据模拟模块，用于根据建立的随机森林模型，输入新建建筑群形态学参数数据，对不同建筑群模型进行全天候模拟，结合不同建筑形态对于空气质量的相关性特征，得到多组空气质量数据；
[0032]
所述数据输出模块，用于根据得到的多组空气质量数据，进行综合化处理得到最小综合优化结果，将最小综合优化结果所对应形态学参数数据作为最优的建筑群形态布局，并输出为最优的建筑群形态设计策略。
[0033]
本发明具有的优点在于：
[0034]
1)高效性与便捷性：对于建筑设计人员而言，不需要学习环境科学和空气动力学专业知识就可以通过此发明评估建筑方案对空气质量的响应。
[0035]
2)有效性：结合星地多源数据可以实现整个城市区域pm2.5浓度监测，在此基础上可以实现街区尺度大气pm2.5浓度与建筑形态相关性分析。此外，基于随机森林的建模方法可以有效模拟pm2.5浓度与建筑形态之间的非线性关系，评价每个三维建筑形态因子在与pm2.5浓度回归中的作用，从而更为准确地辅助建筑形态设计。
[0036]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
[0037]
图1表示为本发明实施例的一种空气质量驱动下的建筑群体形态优化设计方法的步骤流程图。
具体实施方式
[0038]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
本发明实施例提供一种空气质量驱动下的建筑群体形态优化设计方法，具体如图1所示，所述方法包括以下步骤：
[0040]
s1:采集街区建筑形态数据以及街区空气质量环境数据；
[0041]
s2:根据采集的街区建筑形态数据以及街区空气质量环境数据建立随机森林模型，建立不同建筑形态对于空气质量的相关性特征；
[0042]
s3:根据建立的随机森林模型，输入新建建筑群形态学参数数据，对不同建筑群模型进行全天候模拟，结合不同建筑形态对于空气质量的相关性特征，得到多组空气质量数据；
[0043]
s4:根据得到的多组空气质量数据，进行综合化处理得到最小综合优化结果，将最小综合优化结果所对应的形态学参数数据作为最优的建筑群形态布局，并输出为最优的建筑群形态设计策略。
[0044]
需要说明的是，本发明结合星地多源数据可以实现整个城市区域pm2.5浓度监测，在此基础上可以实现街区尺度大气pm2.5浓度与建筑形态相关性分析。此外，基于随机森林的建模方法可以有效模拟pm2.5浓度与建筑形态之间的非线性关系，评价每个三维建筑形态因子在与pm2.5浓度回归中的作用，从而更为准确地辅助建筑形态设计。
[0045]
具体地，在s1步骤前，还包括以下步骤：建立服务器，连接互联网。所述服务器具备上传和下载建筑数据功能，并能储存街区建筑群形态参数及其模型。
[0046]
进一步地，在步骤s1中，所述采集街区建筑形态数据包括：采集城区建筑群体3d形态轮廓数据，建立城市建筑形态数据平台。其中，在建立城市形态数据平台上，以采集的城区地表建筑物矢量数据为数据源，基于正方形网格(以5km2为单位面积)计算建筑密度、建筑高度、建筑体积密度、迎风面积比、地块容积率和建筑高度标准偏差等形态学参数来表示建筑物的三维形态信息并进行提取计算。其中，
[0047]
建筑高度是指屋面面层到室外地坪的高度，用h表示。
[0048]
建筑密度表示地块内建筑基地面积总和与占用地面积的比例，计算方法如下：
[0049][0050]
式中，d代表地块内建筑密度，aa代表地块内建筑基地面积总和，at代表地块的占地面积。
[0051]
迎风面积比表示建筑的前部迎风面积与地块面积的比值，而迎风面积表示在来风方向上，建筑前方所阻挡的迎风面的总面积和。计算方法如下：
[0052][0053]
式中，b
θ
表示建筑前方所阻挡的迎风面的总面积和，af代表θ来风方向的地块内建筑的前部迎风面积总和，而a
t
代表地块的占地面积。
[0054]
建筑体积密度表示为地块内的建筑总体积数值，除以地块内最高建筑高度与地块面积相乘形成体积数值，得到的比值结果即为建筑体积密度。反映了体块内的建筑群在空间上的密集度。计算方法如下：
[0055][0056]
式中，v代表建筑体积密度，ai代表建筑底面积，hi代表建筑高度，at代表地块的占地面积，hmax代表最高建筑高度。
[0057]
地块容积率表示地块内地上总建筑面积与净用地面积的比例，计算方法如下：
[0058][0059]
式中，r代表地块建筑容积率，ab代表地块内地上建筑各层面积之和，at代表地块的占地面积。
[0060]
建筑高度标准偏差表示地块内所有建筑高度值的标准偏差，反应了数据的离散程度，同时反应了地块内竖向上建筑高度的差异程度和错落程度。计算方法如下：
[0061][0062]
式中，c代表建筑高度标准偏差，n代表样本个数即地块内的建筑数量，hi代表第i个建筑高度，代表地块内的建筑平均高度。
[0063]
在步骤s1中，采集所述街区空气质量环境数据包括：采集城区近三年四季气象观测站点数据以及卫星遥感气溶胶观测数据，为街区空气质量环境(pm2.5浓度时空分布)建立空气质量环境数据平台。在建立空气质量环境数据平台上，还包括以下步骤：
[0064]
s1.1获取对应时间段和空间范围内的静止卫星小时级气溶胶光学厚度数据；
[0065]
s1.2利用综合卫星气溶胶光学厚度数据、地面空气质量站点监测数据、气象站点监测数据综合开展城区全覆盖的pm2.5浓度反演。
[0066]
进一步地，在步骤s2中，通过获取的城市形态数据平台和空气质量环境数据平台建立随机森林模型，建立不同建筑形态对于空气质量(pm2.5污染)的相关性特征；所述不同建筑形态表示为建筑密度、建筑高度、建筑体积密度、迎风面积比、地块容积率和建筑高度标准偏差。所述相关性特征表示不同建筑形态对空气污染可能会对空气质量产生汇聚或者是扩散的效果。在本实施例中，所述建立不同建筑形态对于空气质量的相关性特征通过以下步骤实施：模拟pm2.5浓度与建筑形态之间的非线性关系，评价三维建筑形态因子在与pm2.5浓度回归中的作用，表明不同建筑形态对其所在街区空气污染物(pm2.5)产生汇聚或者是扩散的效果。
[0067]
在本实施例中，建立的城区建筑形态与空气质量环境(pm2.5浓度时空分布)数据平台，利用随机森林模型进行回归分析，评价每个三维建筑形态因子在与pm2.5浓度回归中的作用。对于建筑形态因子对pm2.5浓度的影响可以通过依赖图来表达，计算方法如下：
[0068][0069]
式中，f为依赖函数，xs是pm2.5浓度，xc为三维建筑形态因子，xs和xc构成总特征空间x，n为数据集中样本的个数。此公式反映了pm2.5和三维建筑形态因子之间的依赖关系。
[0070]
进一步地，在步骤s3中，根据建立的随机森林模型，输入新建建筑群形态学参数数据，对不同建筑群模型进行全天候模拟，得到多组空气质量数据；
[0071]
所述输入新建建筑群形态学参数数据具体包括录入计划建设建筑的基本轮廓参数；建立街区不同建筑群方案模型并进行全年四季不同天气环境的全天候模拟，利用随机森林模型所获取的不同建筑形态对于空气质量(pm2.5污染)的相关性特征，得到多组空气质量数据；此处，所述轮廓参数包括建筑高度、占地面积、体积系数等，得到多组空气质量指的是即将建设的区域如果具有不同的建筑形态可能会产生哪些不同的空气质量效果。
[0072]
所述得到多组空气质量数据包括；输入不同方案的新建建筑群形态参数数据，对不同建筑群模型进行全天候模拟，得到新建建筑群体太阳辐射强度、建筑群区域的日照分布结果，再利用建立的随机森林模型，得到多组空气污染浓度分布结果。
[0073]
进一步地，在步骤s4中，根据得到的多组空气污染浓度分布结果，进行综合化处理
得到最小综合优化结果，将最小综合优化结果所对应形态学参数作为最优的建筑群形态布局，并输出为最优的建筑群形态设计策略。其具体包括以下步骤：步骤s4.1：根据得到多组新建建筑群太阳辐射强度，建筑群区域的日照分布，空气污染浓度分布结果，进行综合化处理，得到综合优化结果，在综合优化结果中选出最小优化结果。
[0074]
其中，进行综合化处理通过下式得到综合优化结果：
[0075]
opts＝a*s1 b*s2 c*s3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0076]
其中，opts为综合优化结果，a，b，c分别为s1，s2，a3的权重系数；s1表示新建建筑群太阳辐射强度；s2表示建筑群区域的日照分布；s3表示空气污染浓度分布。
[0077]
需要说明的是，最小优化结果即代表综合优化结果的最小值，代表综合考虑太阳辐射、日照和空气污染状况下的最优建筑形态；将最小综合优化结果所对应的形态学参数数据作为最优的建筑群形态布局，输出最优的建筑群形态布局；所述形态学参数数据包括建筑密度、建筑高度、建筑体积密度和迎风面积比、地块容积率和建筑高度标准偏差，并以此组参数作为最优的建筑群形态方案设计策略。
[0078]
以下结合武汉城市为例，对本发明进行了进一步详细说明。
[0079]
具体地，本发明将结合空气污染情况较为严重，城市特征典型的华中地区中心城市武汉来详细说明本发明的技术方案。
[0080]
s1:采集武汉市城区一定范围内建筑群体3d形态轮廓数据，为武汉市街区建筑形态建立武汉市建筑形态数据平台。
[0081]
在本实施例中，利用2018年采集的武汉城区地表建筑物矢量数据，包括建筑物的形状、高度和位置信息，用来计算基于正方形网格各三维建筑形态因子。利用高空间分辨率建筑数据与武汉市气象数据，基于正方形网格计算建筑密度、建筑高度、建筑体积密度和迎风面积指数等形态学参数来表示建筑物的三维形态信息。进一步录入计算机服务器，建立武汉市三环线内街区建筑形态数据平台。
[0082]
采集武汉市城区近三年四季气象观测站点数据以及卫星遥感气溶胶观测数据，为街区空气质量环境建立空气质量环境数据平台。
[0083]
在本实施例中，结合武汉市卫星气溶胶光学厚度数据、武汉市地面空气质量站点监测数据、武汉市气象站点监测数据综合开展武汉市区全覆盖的pm2.5浓度反演。所述街区空气质量环境为pm2.5浓度时空分布空气质量环境。
[0084]
s2：根据建立的武汉市建筑形态数据平台与空气质量环境数据平台，建立武汉市城区建筑形态与空气质量环境的随机森林模型，获取武汉市各街区不同建筑形态方案对于空气质量(pm2.5污染)的相关性特征。
[0085]
在本实施例中，利用随机森林模型进行回归分析，评价每个三维建筑形态因子在与pm2.5浓度回归中的作用。对于建筑形态因子对pm2.5浓度的影响可以通过部分依赖图来表达，计算方法如下：
[0086][0087]
式中，f为部分依赖函数，xs是武汉市某一街区pm2.5浓度，xc为武汉市某一街区三维建筑形态因子，xs和xc构成总特征空间x，n为数据集中样本的个数。此公式反映武汉市某一特定街区的pm2.5浓度值和三维建筑形态因子之间的部分依赖关系。
[0088]
s3：选定武汉城区内特定区域，录入不同新建建筑方案的基本参数，建立街区不同建筑群方案模型并进行全年四季不同天气环境的全天候模拟，利用随机森林模型所获取的不同建筑形态对于空气质量(pm2.5污染)的相关性特征，获取的多组空气质量数据(pm2.5浓度时空分布)。
[0089]
在本实施例中，选取武汉市中心城区区域录入不同新建建筑方案的基本参数，建立街区不同建筑群方案模型并进行全年四季不同天气环境的全天候模拟，利用随机森林模型所获取的不同建筑形态对于空气质量的相关性特征，获取的多组空气质量数据，其中，获取的多组空气质量数据包括多组新建建筑群体太阳辐射强度，建筑群区域的日照分布结果，以及多组室外区域内迎风面积指数，以及空气污染浓度分布结果。在本实施例中，所述空气质量为pm2.5污染时的空气质量。
[0090]
s4：根据得到的多组空气质量数据，进行综合化处理得到最小综合优化结果，将最小综合优化结果所对应形态学参数作为最优的建筑群形态布局，并输出为最优的建筑群形态设计策略。
[0091]
在本实施例中，根据得到的多组空气质量数据中的多组新建建筑群太阳辐射强度，建筑群区域的日照分布，空气污染浓度分布结果，进行综合化处理，并通过下式表示综合优化结果：
[0092]
opts＝a*s1 b*s2 c*s3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(公式2)
[0093]
其中，opts为综合优化结果，a，b，c分别为s1，s2，a3的权重系数；s1代表新建建筑群太阳辐射强度；s2代表建筑群区域的日照分布；s3代表空气污染浓度分布。
[0094]
根据最小综合优化结果，将最小综合优化结果作为最优的建筑群形态布局，输出最优的建筑群形态布局，及建筑密度、建筑高度、建筑体积密度和迎风面积指数等形态学参数，并以此组参数做为最优的建筑群形态方案设计策略并输出。
[0095]
需要说明的是，本发明通过结合卫星遥感与地面监测获得覆盖城市范围的大气颗粒物浓度分布，并在此数据支持下结合城市建筑形态进行分析，以此对建筑群体形态进行优化设计。一方面可以为城市规划和建筑设计方面提供设计依据，另一方面可为城市大气污染治理提供参考。
[0096]
与此同时，本发明实施例还提供一种空气质量驱动下的建筑群体形态优化设计系统，用于实现上述所述的一种空气质量驱动下的建筑群体形态优化设计方法；所述系统包括采集模块、数据处理模块、数据模拟模块和数据输出模块，其中，
[0097]
所述采集模块，用于采集街区建筑形态数据以及街区空气质量环境数据；
[0098]
所述数据处理模块，用于根据采集的街区建筑形态数据以及街区空气质量环境数据建立随机森林模型，建立不同建筑形态对于空气质量的相关性特征；
[0099]
数据模拟模块，用于根据建立的随机森林模型，输入新建建筑群形态学参数数据，对不同建筑群模型进行全天候模拟，结合不同建筑形态对于空气质量的相关性特征，得到多组空气质量数据；
[0100]
数据输出模块，用于根据得到的多组空气质量数据，进行综合化处理得到最小综合优化结果，将最小综合优化结果所对应形态学参数数据作为最优的建筑群形态布局，并输出为最优的建筑群形态设计策略。
[0101]
可以理解的是，本发明提供的一种空气质量驱动下的建筑群体形态优化设计系统
与前述各实施例提供的一种空气质量驱动下的建筑群体形态优化设计方法相对应，一种空气质量驱动下的建筑群体形态优化设计系统的相关技术特征可参考一种空气质量驱动下的建筑群体形态优化设计方法的相关技术特征，在此不再赘述。
[0102]
综上所述，本发明一方面可以为城市规划和建筑设计方面提供设计依据，并且不需要学习环境科学和空气动力学专业知识就可以通过此发明评估建筑方案对空气质量的响应。另一方面可为城市大气污染治理提供参考，可以产生良好的社会、经济和生态效益。结合星地多源数据可以实现整个城市区域pm2.5浓度监测，在此基础上可以实现街区尺度大气pm2.5浓度与建筑形态相关性分析。此外，基于随机森林的建模方法可以有效模拟pm2.5浓度与建筑形态之间的非线性关系，评价每个三维建筑形态因子在与pm2.5浓度回归中的作用，从而更为准确地辅助建筑形态设计。
[0103]
本发明的保护范围并不限于上述的示例，显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围内，则本发明的意图也包含这些改动和变形在内。