CN118095868A - 一种热暴露风险预警方法、装置、设备及存储介质 - Google Patents
一种热暴露风险预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118095868A CN118095868A CN202410504162.2A CN202410504162A CN118095868A CN 118095868 A CN118095868 A CN 118095868A CN 202410504162 A CN202410504162 A CN 202410504162A CN 118095868 A CN118095868 A CN 118095868A
- Authority
- CN
- China
- Prior art keywords
- data
- travel
- heat exposure
- model
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005855 radiation Effects 0.000 claims abstract description 70
- 238000004590 computer program Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 9
- 241000282414 Homo sapiens Species 0.000 description 24
- 238000004891 communication Methods 0.000 description 8
- 238000012502 risk assessment Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 241000282412 Homo Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000005802 health problem Effects 0.000 description 3
- 206010019345 Heat stroke Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008821 health effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 231100000727 exposure assessment Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种热暴露风险预警方法、装置、设备、存储介质及计算机程序，通过构建数字地表模型；获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；获取气象数据，并根据数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；根据平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；通过分位数法对累计出行热暴露量进行热暴露等级划分，根据热暴露等级，生成热暴露风险预警提示。本申请通过将城市微气候模型与人群出行模式相结合，在精细尺度上以GPS轨迹的形式估计人群个体的热暴露程度，从而更精确有效的对存在热暴露风险的区域进行及时的预警，保护出行人群的热健康安全。
Description
技术领域
本申请实施例涉及数据分析预警领域，特别是涉及一种热暴露风险预警方法、装置、设备、存储介质及计算机程序产品。
背景技术
热暴露研究涉及人类与环境的相互作用，重点关注人类暴露于高温的风险和健康影响。然而，现有相关技术往往采用静态人口数据去关注总体人群的热暴露情况，并未结合人类移动出行轨迹。同时，热暴露风险研究中往往通过固定气象站测得的环境温度来进行热暴露分析，然而稀疏分布的气象站测得的环境温度并不能代表城市热量的空间变化。这就导致当前热暴露风险研究仍存在相当的局限性，对于热暴露风险预警的精确度和可信度有待提升。
发明内容
本发明提供了一种热暴露风险预警方法、装置、计算机设备、存储介质及计算机程序产品，通过结合出行轨迹来分析热暴露情况并进行相应程度的预警。
第一方面，本发明提供了一种热暴露风险预警方法，包括：
构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型；
获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；
获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；
根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；
通过分位数法对所述累计出行热暴露量进行热暴露等级划分，根据所述热暴露等级，生成热暴露风险预警提示。
进一步地，所述获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据，包括：
根据所述路网数据，生成以路网中线为中心线的多个带状缓冲区；
通过统计与所述带状缓冲区相交的所述出行GPS轨迹数据的数量，获取该路网的出行空间分布数据。
进一步地，所述获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据，包括：
通过所述SOLWEIG模型将空间划分为多个网格区域，计算每个网格区域内的平均辐射温度，其中，每个网格区域内的平均辐射温度与该网格所属的数字地表类型相关，所述数字地表类型包括建筑、道路和植被；
统计每个网格区域内的平均辐射温度及该网格区域的坐标数据，得到平均辐射温度的时空分布数据。
进一步地，所述根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量，包括：
获取单次出行热暴露量，其中，所述单次出行热暴露量CycHeati的计算公式为：
其中，分别为该次出行GPS轨迹数据的起始时间戳和结束时间戳，指示平均辐射温度在时间t和位置(/>)的值；
预设路段长度阈值，将每一出行GPS轨迹数据划分为多个路段，并根据所述单次出行热暴露量，计算所述累计出行热暴露量，其中所述累计出行热暴露量CycHeat的计算公式为：
其中，n为该次所述出行GPS轨迹数据路段的数量，为该次出行在第i个路段所花费的时间，/>为在第i个路段位置的平均辐射温度。
进一步地，所述根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量，还包括如下步骤：
根据所述天气数据和预设的高温阈值，获取平均辐射温度超出所述高温阈值的过高温区域；
根据所述平均辐射温度的时空分布数据，得到所述过高温区域内的累计超额热暴露量。
进一步地，所述构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型，包括：
获取LiDAR激光雷达数据、归一化植被指数数据和建筑物轮廓矢量数据；
根据所述LiDAR激光雷达数据，生成DSM模型；
将所述建筑物轮廓矢量数据与所述DSM模型进行叠加，获得所述建筑物高度模型；
根据所述归一化植被指数数据，通过阈值分割法，获得绿化植被数据；
将所述绿化植被数据与所述DSM模型进行叠加，获得所述树冠高度模型。
第二方面，本发明还提供了一种热暴露风险预警装置，包括：
模型构建模块，用于构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型；
出行空间分布获取模块，用于获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；
MRT时空分布获取模块，用于获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；
热暴露计算模块，用于根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；
预警模块，用于通过分位数法对所述累计出行热暴露量进行热暴露等级划分，根据所述热暴露等级，生成热暴露风险预警提示。
第三方面，本发明还提供一种计算机设备，包括：
至少一个存储器以及至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一方面所述的一种热暴露风险预警方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的一种热暴露风险预警方法的步骤。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如第一方面所述的一种热暴露风险预警方法的步骤。
本发明通过构建数字地表模型；获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；获取气象数据，并根据数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；根据平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；通过分位数法对累计出行热暴露量进行热暴露等级划分，根据热暴露等级，生成热暴露风险预警提示。本申请通过将城市微气候模型与人群出行模式相结合，在精细尺度上以GPS轨迹的形式估计人群个体的热暴露程度，从而更精确有效的对存在热暴露风险的区域进行及时的预警，保护出行人群的热健康安全。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
附图说明
图1为在一个示例性的实施例中提供的一种热暴露风险预警方法的步骤流程图；
图2为在一个示例性的实施例中提供的一种热暴露风险预警方法的热暴露等级划分示意图；
图3为在一个示例性的实施例中提供的应用一种热暴露风险预警方法得到的不同区域平均辐射温度数据分布示意图；
图4为在一个示例性的实施例中提供的应用一种热暴露风险预警方法得到的不同区域早晚高峰的骑行累计热暴露量分布示意图；
图5为在一个示例性的实施例中提供的应用一种热暴露风险预警方法得到的不同区域早晚高峰的骑行超额累计热暴露量分布示意图；
图6为在一个示例性的实施例中提供的应用一种热暴露风险预警方法得到的不同区域早晚高峰的骑行累计热暴露量和骑行超额累计热暴露量的箱型统计图；
图7为在一个示例性的实施例中提供的一种热暴露风险预警装置的模块示意图；
图8为在一个示例性的实施例中提供的应用于服务器的计算机设备的内部结构图；
图9为在一个示例性的实施例中提供的应用于终端的计算机设备的内部结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
极端高温和城市热岛现象是当前全球气候变化所带来的重要问题。极端高温指的是异常高的气温，而城市热岛是指城市地区相较于周边地区存在更高气温的现象。这些现象会对社会和居民产生了广泛的不利影响。首先，极端高温和城市热岛加剧了城市的气候风险，增加了人们遭受热波、中暑和其他相关健康问题的风险。特别是对于弱势群体、老年人和患有慢性疾病的人们，他们更容易受到高温的威胁。
而热暴露是指人体长时间暴露在高温环境中的状态。当人体在高温环境下暴露过久时，可能会引发热衰竭、中暑和其他与高温相关的健康问题。热暴露风险是指在特定环境条件下，个体或人群暴露在高温环境中可能导致健康损害的潜在风险。因此热暴露风险评估对于防止上述危害具有重要意义。热暴露风险评估主要是通过对暴露环境的温度、湿度、风速等参数进行定量分析，结合人体生理学和环境健康学知识，评估人体受热暴露的程度和潜在的健康风险。热暴露风险评估往往需要考虑多个因素，包括环境温度和湿度、阳光辐射、风速、运动强度、工作环境、个体特征等。通过综合考虑这些因素，可以评估出人体在高温环境中的暴露程度和可能的健康风险，并为制定防护措施和应对策略提供科学依据，及时做出预警。
随着数字技术的快速发展，可供热暴露研究使用的数据量越来越多，包括气象数据、卫星遥感数据、社交媒体数据、移动设备数据等，这为热暴露风险研究提供了更丰富的数据来源。大数据技术使得研究者能够以更高的空间分辨率来评估热暴露风险，从而更准确地识别热岛效应和高温热点区域。通过结合大规模的健康数据和热暴露数据，研究者能够更深入地理解高温暴露对人体健康的影响。
但是，目前基于时空大数据的热暴露风险评估技术，仍存在局限性，其局限性体现在如下方面：
（1）目前的热暴露风险评估忽略了人类动态活动轨迹。热暴露研究涉及人类与环境的相互作用，重点关注人类暴露于高温的风险和健康影响。因此，热暴露研究应充分考虑人类的流动性和出行方式，以及室内和室外环境。然而，目前相关技术往往采用静态人口数据关注总体人群的热暴露情况，并未结合人类移动出行轨迹，例如利用ECOSTRESS LST和某市的静态人口数据Worldpop数据，探讨不同局地气候带的热暴露日动态；使用MODIS LST数据和旅行问卷数据调查某地的个人每日热暴露情况等等，这些数据显然不能准确反映人们的运动特征；在环境调研方面，目前可以通过气象站数据和每小时社交媒***置数据对城市的热暴露风险进行研究，尽管基于社交媒体数据能够完成24小时热暴露的时间监测，但这只是基于多时间节点的静态人口热暴露评估，并不是基于人群出行的户外热暴露研究。为了实现基于个人出行的热暴露分析，需要考虑能够反映个人出行的高时空分辨率出行轨迹数据。
（2）目前的热暴露风险评估未能准确考虑个人的热暴露水平。在高温热环境度量方面，现有技术往往采用固定地点气象站点数据、卫星遥感反演数据、或基于传感器的小规模度量方案。因为固定气象站的环境温度通常用于表示高温事件的强度，如果不考虑人类的旅行模式和室内外环境，环境温度就无法完全表明人类个人的热暴露水平。此外，对于稀疏分布的气象站所测得的环境温度，其并不能代表城市热量的空间变化。其次，凭借大尺度无缝连接的覆盖范围，基于卫星遥感影像的地表温度观测和反演数据的确被广泛用于指示热量的分布和研究热量对人类的影响。然而，基于遥感的地表温度代表了树冠顶部、建筑物屋顶和地表的温度，并不能完全代表人类在地面上暴露的实际热量。从特定时间点获得的基于遥感的地表温度也不能代表影响人体热应激的空间和时间变化因素，例如空气温度、湿度、阴影、风等。同时，地表温度被证明与人类健康状况的关联性较弱，如果不考虑人类的旅行模式，则对于人类的个人热暴露估测是相对不准确的。
（3）目前的测量设备也一定程度上降低了热暴露评估的准确性。现有技术往往使用可穿戴传感器测量人体热暴露，佩戴便携式传感器进行日常生活是测量个体热暴露的一种实时且较为客观的方法。然而，此类方法对于传感器的硬件和准确度要求较高，在户外进行定位时也难以避免出现信号问题，一定程度影响了测量结果。同时，该方法也仅限于小规模、小群体样本的测试研究，对于大尺度研究难以胜任。
因此基于背景技术内容以及上述思考，本申请实施例提供了一种热暴露风险预警方法，以平均辐射温度代表热暴露量从而对热暴露风险进行评价，如图1所示，包括如下方法步骤：
S201：构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型。
在实际应用场景中，考虑到部分太阳辐射会被建筑物、树冠遮挡而未到达地面。因此，需要构建建筑物和树冠高度模型来模拟被阻挡的太阳辐射。
在一个优选的例子中，构建数字地表模型包括如下步骤：
获取LiDAR激光雷达数据、归一化植被指数数据和建筑物轮廓矢量数据，并根据所述LiDAR激光雷达数据，生成DSM模型，再将所述建筑物轮廓矢量数据与所述DSM模型进行叠加，获得所述建筑物高度模型；根据所述归一化植被指数数据，通过阈值分割法，获得绿化植被数据，再将所述绿化植被数据与所述DSM模型进行叠加，获得所述树冠高度模型。
具体的，LiDAR（Light Detection and Ranging）激光雷达能够通过红外光束Light Pluses发射、反射和接收来探测物体，从而获取目标物精确的三维结构信息。在本申请实施例中，LiDAR激光雷达数据用于辅助生成DSM（Digital Surface Model，数字表面模型）模型。通过将建筑物轮廓矢量数据与DSM数据进行叠加，获得建筑物的高程数据。同时，基于NDVI（Normalized Difference Vegetation index，归一化植被指数）数据，采用阈值分割的方法，识别出绿化植被数据。但仅识别出绿化植被数据并不能将高大的树冠和低矮的草丛进行区分，无法构建树冠高度模型。因此，再将绿化植被数据与DSM数据进行叠加，在本申请实施例中，通过筛选出绿化植被数据中高程超过3米的数据，得到树冠高程数据。
S202：获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据。
路网数据是指描述道路网络结构和属性的地理信息数据，其包括道路网络的空间几何信息以及与道路相关的属性信息。路网数据通常以矢量数据的形式存在，可以使用点、线和面等几何要素来表示。而GPS轨迹数据是通过全球定位***（GPS）设备记录下的移动对象在一段时间内的位置信息序列，用于描述移动对象在地球表面上的实际位置和移动路径。GPS轨迹数据通常以时间顺序排列，记录了移动对象在不同时间点的位置信息。
在一个优选的实施例中，得到出行空间分布数据，包括：
根据所述路网数据，生成以路网中线为中心线的多个带状缓冲区；再通过统计与所述带状缓冲区相交的所述出行GPS轨迹数据的数量，获取该路网的出行空间分布数据。
在一个具体的实施例中，以共享单车GPS轨迹数据代表出行GPS轨迹数据。共享单车GPS轨迹数据为间隔时间相同的坐标点集数据。首先，对数据进行预处理，排除干扰数据。具体的，若共享单车GPS轨迹数据满足至少一条如下条件，则将该条数据删除：
（1）该共享单车单次行程超过2小时；
（2）该共享单车单次行驶距离大于10公里或小于100米；
（3）该共享单车平均行程速度超过30km/h。
再通过使用Python脚本将每一条共享单车订单数据的坐标串进行首位连接，生成轨迹矢量线数据。最后，将轨迹矢量线数据与路网数据进行匹配，得到每一路段上的共享单车骑行量，该路网内所有路段的共享单车骑行量分布情况的集合，即可视为共享单车的出行空间分布数据。
具体的，共享单车轨迹线与路网匹配方法，包括如下步骤：基于路网线数据生成以路网中线为中心线的半径为15米的带状缓冲区；通过GIS叠加分析的方法，将与某一路段的带状缓冲区相交的共享单车轨迹线判断为该路段的一次流量，统计与该路段缓冲区相交的所有共享单车轨迹线数量，即为该路段上的骑行量。
S203：获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据。
具体的，平均辐射温度（MRT，Mean Radiant Temperature）通过考虑太阳辐射和地面辐射来表示人体的能量平衡，而湿度则可以表示人体的热舒适尺度。已有相关研究表明MRT与热相关死亡率高度相关，因此，本申请通过MRT来评价人体的热暴露水平。SOLWEIG(Solar and Longwave Environmental Irradiance Geometry)模型是一种精度较高的用于模拟城市微气候的工具，主要用于评估和分析城市热环境的变化。该模型结合了地理信息***（GIS）数据、气象数据和建筑物特征，通过计算太阳辐射、热传导和空气流动等因素，预测城市中地表和冷、热表面的温度分布和变化。具体的，构建SOLWEIG模型的相关数据包括但不限于：建筑、道路、植被表面的高度模型数据；太阳辐射数据；风速；大气温度和相对湿度等，所述相关数据可以通过现场实测或者空间遥感方法获取，其中，太阳辐射数据还使用地面辐射计进行测量或者通过领域内常用模型进行估算。
在一个优选的实施例中，通过所述SOLWEIG模型将空间划分为多个网格区域，计算每个网格区域内的平均辐射温度，其中，每个网格区域内的平均辐射温度与该网格所属的数字地表类型相关，所述数字地表类型包括建筑、道路和植被；再统计每个网格区域内的平均辐射温度及该网格区域的坐标数据，得到平均辐射温度的时空分布数据。具体的，每个网格区域内的平均辐射温度由以下因素决定：
a.建筑的热容量、热阻和热传递率；
b.建筑表面的太阳辐射、反射和辐射通量；
c.建筑表面与空气之间的传热；
d.树冠表面的太阳辐射、反射和辐射通量；
e.树冠热容量、热阻和热传递率；
f.树冠表面与空气之间的传热；
g.道路表面的太阳辐射、反射和辐射通量；
h.道路热容量、热阻和热传递率；
i.道路表面与空气之间的传热。
在一些其他的例子中，还可以通过对部分每个网格的MRT加权平均值来计算该区域的整体MRT，从而获取该地区内的平均辐射温度水平。
在本申请实施例中，还通过ArcMap软件，将计算获取的MRT数据表现为热图来更为直观的显示该空间内的平均辐射温度数据的时空分布情况。
S204：根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量。
在一个优选的实施例中，先获取单次出行热暴露量，其中，所述单次出行热暴露量CycHeati的计算公式为：
其中，分别为该次出行GPS轨迹数据的起始时间戳和结束时间戳，指示平均辐射温度在时间t和位置(/>)的值；
预设路段长度阈值，将每一出行GPS轨迹数据划分为多个路段，并根据所述单次出行热暴露量，计算所述累计出行热暴露量，其中所述累计出行热暴露量CycHeat(℃·min)的计算公式为：
其中，n为该次所述出行GPS轨迹数据路段的数量，为该次出行在第i个路段所花费的时间，/>为在第i个路段位置的平均辐射温度。
在本申请实施例中，考虑到MRT数据的空间分辨率的影响，将路段长度阈值设置为70，也即将每条出行GPS轨迹数据划分成多个70米路段进行叠加，式中n代表每条轨迹中70米路段的数量。
在一个优选的实施例中，还考虑了极端高温条件下的热暴露水平情况，包括如下步骤：
根据所述天气数据和预设的高温阈值，获取平均辐射温度超出所述高温阈值的过高温区域；再根据所述平均辐射温度的时空分布数据，得到所述过高温区域内的累计超额热暴露量。
具体的，在本申请实施例中，设置高温阈值为30℃。通过关注平均辐射温度在30℃以上的区域，进一步估算出行者的极端热暴露情况。
所述过高温区域内的累计超额热暴露量CycExcessHeat的计算公式为：
为时间t、(/>)坐标处，超出30℃以上的超额温度数值。例如，第i个路段平均辐射温度为35℃，则/>为5℃。
S205：通过分位数法对所述累计出行热暴露量进行热暴露等级划分，根据所述热暴露等级，生成热暴露风险预警提示。
在一个具体的实施例中，如图2所示，对目标区域的累计出行热暴露量采用分位数法(Quantile)进行类型划分，将目标区域的出行热暴露量分为五个级别，分别是[0-20%)，[20%-40%)，[40%-60%)，[60%-80%)，[80%-100%)。例如，位于在[80%-100%)区间的数据，即为全数据样本前20%的数据，也即目标区域内累计出行热暴露量前20%的区域，该区域内的热暴露水平相对较高，存在热暴露风险，因此应当生成针对该区域的热暴露风险预警提示，并予以重点关注。
在一个优选的实施例中，还可以通过对目标区域的累计超额热暴露量来进行热暴露等级划分，采用累计超额热暴露量进行热暴露风险评价可以更快速的定位热暴露风险高危区域，从而更精准更高效的进行热暴露风险预警。
下面将以北京、上海、厦门早晚高峰时段的累计热暴露量和累计超额热暴露数据统计来说明本申请实施例的有效性。
如图3所示，图3为北京、上海、厦门三地主城区早晚高峰的平均辐射温度（MRT）数据分布示意图。
进一步的，以共享单车的GPS轨迹代表出行GPS轨迹。将平均辐射温度的空间分布数据叠加共享单车GPS轨迹进行计算，得到的骑行累计热暴露量(CycHeat)如图4所示，其中，图4中的A和B分别指示北京主城区早高峰和晚高峰时段内的骑行累计热暴露量，图4中的C和D分别指示上海主城区早高峰和晚高峰时段内的骑行累计热暴露量，图4中的E和F分别指示厦门主城区早高峰和晚高峰时段内的骑行累计热暴露量；考虑极端高温（＞30℃）情况下的骑行超额累计热暴露(CycExcessHeat)如图5所示，其中，图5中的A和B分别指示北京主城区早高峰和晚高峰时段内的骑行超额累计热暴露量，图5中的C和D分别指示上海主城区早高峰和晚高峰时段内的骑行超额累计热暴露量，图5中的E和F分别指示厦门主城区早高峰和晚高峰时段内的骑行超额累计热暴露量。可以看出，上述三个区域的早高峰和晚高峰的累计热暴露空间分布较为相似，但聚焦极端高温情况下的超额累计热暴露指标空间分布在早、晚高峰差异较大。因此，通过超额累计热暴露量进行热暴露风险评估相比起通过累计热暴露量，能够更快速准确地识别最严重的热暴露路段。
图6中的A为上述三个区域的骑行累计热暴露CycHeat箱型统计图。三个城市的平均CycHeat在170-330(℃·min)之间。上海市早高峰平均CycHeat为253.68(℃·min)，晚高峰平均CycHeat为326.22(℃·min)。北京和厦门早晚高峰平均CycHeat相似，北京早晚高峰分别为185.44(℃·min)和178.36(℃·min)，厦门早晚高峰分别为192.1(℃·min)和191.84(℃·min)。
图6中的B为上述三个区域的骑行超额累计热暴露CycExcessHeat箱型统计图。3个城市的平均超周期温度在2-28℃·min之间，反映了每个城市的早晚高峰均存在较大差异：北京的早高峰CycExcessHeat为23.74(℃·min)，晚高峰为1.99(℃·min)；上海的早高峰CycExcessHeat为27.52(℃·min)，晚高峰为9.45(℃·min)；厦门的早高峰CycExcessHeat为9.89(℃·min)，晚高峰为4.31(℃·min)。
通过Kruskal-Wallis算法检验表明，上述三个城市的早高峰和晚高峰在骑行累计热暴露方面没有显著差异，但上述三个城市的早高峰的骑行超额累计热暴露峰值显著高于晚高峰(p<0.05)。综上，通过本申请实施例所述的热暴露风险预警方法能够准确有效的展示区域时空内的热暴露风险水平，进一步的，通过超额累计热暴露量进行热暴露风险评估相比起通过累计热暴露量，能够更快速准确地识别最严重的热暴露路段。
本申请实施例所提出的热暴露风险预警方法，通过构建数字地表模型；获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；获取气象数据，并根据数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；根据平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；通过分位数法对累计出行热暴露量进行热暴露等级划分，根据热暴露等级，生成热暴露风险预警提示。与现有技术通过静态人口分布来实现对热暴露程度的评估方法相比，本申请实施例所述的热暴露风险预警方法更关注人群的出行特征，从而聚焦城市内以通勤行为为代表的大规模户外行为中不可避免的高温暴露问题，其通过综合考虑气温、风速、湿度、辐射等因素在内计算得出的平均辐射温度指示人体热舒适度，相比现有技术采用的遥感监测或反演地温数据更为准确，也更贴合人类健康标准。进一步的，本申请实施例还通过关注极端高温（＞30℃）下的累计热暴露指标，从而更准确的把握不同区域的时空异质性，有效识别提取热暴露风险更高的区域，从而能够及时警示相关部门注意相应时空下出行人群的热健康问题。
本申请实施例还提供了一种热暴露风险预警装置300，如图7所示，包括：
模型构建模块301，用于构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型；
出行空间分布获取模块302，用于获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；
MRT时空分布获取模块303，用于获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；
热暴露计算模块304，用于根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；
预警模块305，用于通过分位数法对所述累计出行热暴露量进行热暴露等级划分，根据所述热暴露等级，生成热暴露风险预警提示。
需说明的是，一种热暴露风险预警装置与一种热暴露风险预警方法均出自同一发明构思，关于一种热暴露风险预警装置的相关解释可以参考一种热暴露风险预警方法中的实施例，在此不再赘述。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口通过输入/输出接口连接到***总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种热暴露风险预警方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种热暴露风险预警方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本申请实施例还提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现上述任意一个实施例所述的一种热暴露风险预警方法。
本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带，磁带磁磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述任意一个实施例所述的一种热暴露风险预警方法。
应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。
以上所述实施例仅表达了本申请实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请实施例构思的前提下，还可以做出若干变形和改进，这些都属于本申请实施例的保护范围。
Claims (10)
1.一种热暴露风险预警方法，其特征在于，包括：
构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型；
获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；
获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；
根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；
通过分位数法对所述累计出行热暴露量进行热暴露等级划分，根据所述热暴露等级，生成热暴露风险预警提示。
2.根据权利要求1所述的一种热暴露风险预警方法，其特征在于，所述获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据，包括：
根据所述路网数据，生成以路网中线为中心线的多个带状缓冲区；
通过统计与所述带状缓冲区相交的所述出行GPS轨迹数据的数量，获取该路网的出行空间分布数据。
3.根据权利要求1所述的一种热暴露风险预警方法，其特征在于，所述获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据，包括：
通过所述SOLWEIG模型将空间划分为多个网格区域，计算每个网格区域内的平均辐射温度，其中，每个网格区域内的平均辐射温度与该网格所属的数字地表类型相关，所述数字地表类型包括建筑、道路和植被；
统计每个网格区域内的平均辐射温度及该网格区域的坐标数据，得到平均辐射温度的时空分布数据。
4.根据权利要求1所述的一种热暴露风险预警方法，其特征在于，所述根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量，包括：
获取单次出行热暴露量，其中，所述单次出行热暴露量CycHeati的计算公式为：
其中，分别为该次出行GPS轨迹数据的起始时间戳和结束时间戳，指示平均辐射温度在时间t和位置(/>)的值；
预设路段长度阈值，将每一出行GPS轨迹数据划分为多个路段，并根据所述单次出行热暴露量，计算所述累计出行热暴露量，其中所述累计出行热暴露量CycHeat的计算公式为：
其中，n为该次所述出行GPS轨迹数据路段的数量，为该次出行在第i个路段所花费的时间，/>为在第i个路段位置的平均辐射温度。
5.根据权利要求1所述的一种热暴露风险预警方法，其特征在于，所述根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量，还包括如下步骤：
根据所述气象数据和预设的高温阈值，获取平均辐射温度超出所述高温阈值的过高温区域；
根据所述平均辐射温度的时空分布数据，得到所述过高温区域内的累计超额热暴露量。
6.根据权利要求1所述的一种热暴露风险预警方法，其特征在于，所述构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型，包括：
获取LiDAR激光雷达数据、归一化植被指数数据和建筑物轮廓矢量数据；
根据所述LiDAR激光雷达数据，生成DSM模型；
将所述建筑物轮廓矢量数据与所述DSM模型进行叠加，获得所述建筑物高度模型；
根据所述归一化植被指数数据，通过阈值分割法，获得绿化植被数据；
将所述绿化植被数据与所述DSM模型进行叠加，获得所述树冠高度模型。
7.一种热暴露风险预警装置，其特征在于，包括：
模型构建模块，用于构建数字地表模型，其中，所述数字地表模型包括建筑物高度模型和树冠高度模型；
出行空间分布获取模块，用于获取出行GPS轨迹数据和路网数据，并通过叠加分析方法，得到出行空间分布数据；
MRT时空分布获取模块，用于获取气象数据，并根据所述数字地表模型，通过SOLWEIG模型，得到平均辐射温度的时空分布数据；
热暴露计算模块，用于根据所述平均辐射温度的时空分布数据和所述出行空间分布数据，得到累计出行热暴露量；
预警模块，用于通过分位数法对所述累计出行热暴露量进行热暴露等级划分，根据所述热暴露等级，生成热暴露风险预警提示。
8.一种计算机设备，其特征在于，包括：
至少一个存储器以及至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6任一项所述的一种热暴露风险预警方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种热暴露风险预警方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至6任一项所述的一种热暴露风险预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410504162.2A CN118095868B (zh) | 2024-04-25 | 2024-04-25 | 一种热暴露风险预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410504162.2A CN118095868B (zh) | 2024-04-25 | 2024-04-25 | 一种热暴露风险预警方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118095868A true CN118095868A (zh) | 2024-05-28 |
| CN118095868B CN118095868B (zh) | 2024-07-12 |
Family
ID=91155092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410504162.2A Active CN118095868B (zh) | 2024-04-25 | 2024-04-25 | 一种热暴露风险预警方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095868B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007128377A (ja) * | 2005-11-07 | 2007-05-24 | Mitsubishi Heavy Ind Ltd | 避難者行動予測装置および避難者行動予測方法 |
| US20150134152A1 (en) * | 2013-11-08 | 2015-05-14 | Dow Agrosciences Llc | Integrated remote aerial sensing system |
| CN107368123A (zh) * | 2017-08-31 | 2017-11-21 | 王洋 | 一种调节微小卫星轨外温度热流模拟的控制方法及装置 |
| CN109145494A (zh) * | 2018-09-11 | 2019-01-04 | 北京师范大学 | 一种海面温度反演方法及*** |
| CN111325406A (zh) * | 2020-03-03 | 2020-06-23 | 广东省公共卫生研究院 | 一种基于小空间尺度的热相关健康风险预警方法 |
| KR102612725B1 (ko) * | 2022-11-14 | 2023-12-11 | 한국외국어대학교 연구산학협력단 | 개선된 도시지표특성 모수를 이용한 복사 플럭스 산출 시스템 및 방법 |
-
2024
- 2024-04-25 CN CN202410504162.2A patent/CN118095868B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007128377A (ja) * | 2005-11-07 | 2007-05-24 | Mitsubishi Heavy Ind Ltd | 避難者行動予測装置および避難者行動予測方法 |
| US20150134152A1 (en) * | 2013-11-08 | 2015-05-14 | Dow Agrosciences Llc | Integrated remote aerial sensing system |
| CN107368123A (zh) * | 2017-08-31 | 2017-11-21 | 王洋 | 一种调节微小卫星轨外温度热流模拟的控制方法及装置 |
| CN109145494A (zh) * | 2018-09-11 | 2019-01-04 | 北京师范大学 | 一种海面温度反演方法及*** |
| CN111325406A (zh) * | 2020-03-03 | 2020-06-23 | 广东省公共卫生研究院 | 一种基于小空间尺度的热相关健康风险预警方法 |
| KR102612725B1 (ko) * | 2022-11-14 | 2023-12-11 | 한국외국어대학교 연구산학협력단 | 개선된 도시지표특성 모수를 이용한 복사 플럭스 산출 시스템 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 顾黎泉: ""城市微环境的热评估方法研究"", 武汉大学学报, vol. 52, no. 5, 31 May 2019 (2019-05-31), pages 426 - 430 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118095868B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Urban heat island (UHI) variations within a city boundary: A systematic literature review | |
| Wong et al. | Spatial variability of frontal area index and its relationship with urban heat island intensity | |
| Yu et al. | Dependence between urban morphology and outdoor air temperature: A tropical campus study using random forests algorithm | |
| Chen et al. | The application of a high-density street-level air temperature observation network (HiSAN): Dynamic variation characteristics of urban heat island in Tainan, Taiwan | |
| Dong et al. | Decrease in the residents’ accessibility of summer cooling services due to green space loss in Chinese cities | |
| Chen et al. | The application of a high-density street-level air temperature observation network (HiSAN): The relationship between air temperature, urban development, and geographic features | |
| Peronato et al. | A toolkit for multi-scale mapping of the solar energy-generation potential of buildings in urban environments under uncertainty | |
| Sugg et al. | Temporal and spatial variation in personal ambient temperatures for outdoor working populations in the southeastern USA | |
| Chen et al. | A simple approach for the development of urban climatic maps based on the urban characteristics in Tainan, Taiwan | |
| Chen et al. | Spatial and temporal characteristics of nighttime UHII based on local climate zone scheme using mobile measurement-A case study of Changsha | |
| Barbierato et al. | Quantifying the impact of trees on land surface temperature: A downscaling algorithm at city-scale | |
| Chen et al. | Modeling of mean radiant temperature based on comparison of airborne remote sensing data with surface measured data | |
| Kaplan et al. | Predicting air temperature simultaneously for multiple locations in an urban environment: A bottom up approach | |
| Yin et al. | Urban ambient air temperature estimation using hyperlocal data from smart vehicle-borne sensors | |
| Rodríguez et al. | Urban-scale air temperature estimation: development of an empirical model based on mobile transects | |
| Li et al. | Characterizing the indicator-based, day-and-night, and climate-based variations in response of surface urban heat island during heat wave across global 561 cities | |
| CN118095868B (zh) | 一种热暴露风险预警方法、装置、设备及存储介质 | |
| Deng et al. | Characteristics of surface urban heat islands in global cities of different scales: Trends and drivers | |
| Kim et al. | Findings from a field study of urban microclimate in Korea using mobile meteorological measurements | |
| Hürzeler et al. | Performance analysis of the urban climate model MUKLIMO_3 for three extreme heatwave events in Bern | |
| Huang et al. | Spatial effects of climate warming on the health risks due to urban heat exposure: a case study of China. | |
| Yamagata et al. | Spatiotemporal heatwave risk evaluation: Considering hazard, exposure, and vulnerability | |
| Wang et al. | Citizen and machine learning-aided high-resolution mapping of urban heat exposure and stress | |
| Stathopoulou et al. | Use of satellite remote sensing in support of urban heat island studies | |
| Hsu et al. | Evaluating long-term and high spatiotemporal resolution of wet-bulb globe temperature through land-use based machine learning model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |