【GIS教程】ArcGIS做日照分析(附练习数据下载)

 我国对住宅日照标准的规定是:冬至日住宅底层日照不少于1小时或大寒日住宅层日照不少于2小时(通常以当地冬至日正午12时的太阳高度角作为依据)。因冬至日太阳高度角最低,照射范围最小,如果冬至日12:00建筑物底层能够接收到阳光,那么一年中其他天数就能接收到更多的太阳辐射。

        随着数字城市的建设,在大量的城市建筑数据支持下,应用GIS空间分析方法可以找出不符合建筑日照规范的建筑,为城市规划与设计提供有效的方法依据。

        小编通过12:00的日照情况来模拟该时刻的建筑物产生的阴影范围,如果在这时刻建筑物都没有被遮挡,则建筑间距满足日照要求,最后通过分析阴影与建筑物的空间叠加关系可以找出不符合日照标准的建筑物。

        我们用到的数据只有建筑物高度的矢量数据“Build”和小区数据“Community”,并且当地12:00太阳高度角为34.75197°。具体怎么求这个建筑物的日照阴影,看小编画的技术流程图啦!

图片

1.矢量转栅格

在Arcmap中处理阴影都是在栅格数据的基础上进行的,为此我们要把这个矢量数据转换成栅格数据。使用【转换工具】|【转为栅格】|【面转栅格】,【输出栅格】设置为“BuildR”。

图片

2.栅格重分类

现在要对刚才处理出来的栅格进行重分类,把旧值为“NoData”的像元值改成新值“0”,其他的不变。有的小伙伴可能不明白为什么要做这一步。在解释这个问题之前小编先说一下坡向计算的原理。

坡度计算是使用邻域分析,有多种计算方法,但是都涉及到模板,就是说计算某一个栅格的坡向,至少需要知道X轴和Y轴4个方向相邻像元的高程值。那么这里的建筑物边缘在后面的操作中也要计算坡向,但是边缘外面的值是“NoData”,这样无法计算建筑物的边缘,所以为了后续的坡向计算需要将“NoData”的像元值设置为0。

选择【Spatial Analyst 工具】|【重分类】|【重分类】工具,【输入栅格】选择“BuildR”,【值字段】选择“Value”,【输出栅格】设置为“reclass1”,如下图所示:

图片

图片

3.计算坡向

选择【Spatial Analyst工具】|【表面分析】|【坡向】工具,【输入栅格】选择“reclass1”,【输出栅格】设置为“aspect”,根据需要,设置其他参数,点击【确定】,生成坡向数据“aspect”,如下图所示:

图片

可以发现坡向都是在建筑物边缘,因为只有在边缘才有高度落差,才能形成坡向,其他同一水平面高度无法形成坡向。

4.提取建筑物的背光面轮廓

本次计算在12:00时刻太阳方位角在180°时建筑物的背光面轮廓,此时建筑物阴影应该是在0°—90°和270°—360°。

打开【Spatial Analyst 工具】|【地图代数】|【栅格计算器】,输入一个判断语句:

(("Aspect2">=0)&("Aspect2"<=90))|(("Aspect2">=270)&("Aspect2"<=360))

得到建筑物背光面轮廓“back12”,图中蓝色为轮廓,值为1。

图片

5.提取建筑物背光面的高度数据

由于栅格数据只能表示一种属性,而后面山体阴影分析需要的是高程数据,为此我们需要计算背光面的高度。已知前面的数据“reclass1”是表示高度的,而“back12”中背光面像元值为1,因此我们只要将两个相同位置的像元相乘即可的得到背光面像元的高度值。

打开【Spatial Analyst 工具】|【地图代数】|【栅格计算器】,输入:“reclass1”*“back12”,设置【输出栅格】为“DEM12”,这时候的背光面轮廓都有了高度属性。

图片

6.计算建筑物的阴影

我们要根据当地时间12:00太阳的方位角和高度角,以及背光面的高度计算建筑物的阴影。

打开【Spatial Analyst Tools】|【表面分析】|【山体阴影】工具,【输入栅格】选择“DEM12”,方位角:180(北半球当地时间12:00太阳方位角都是180°啦),高度:34.75197,选中【模拟阴影】,如果不选中的话就没有阴影出来,只有物体本身的阴阳面出现,【输出栅格】设置为“Shade12”,如下图所示:

图片

我们在结果图层的基础上叠加上建筑物的蓝色轮廓,我们可以发现有些建筑物轮廓里面有黑色的阴影,可以肯定该建筑物底层在12:00一定是无法接收到太阳照射的,不满足日照规范。

图片

在这里有的小伙伴就会想,为什么我不可以直接在“reclass1”这个建筑物高度数据上面做【山体阴影】?小编曾经也有这个疑惑,于是乎照着操作了一遍,得到的结果如下图所示:

图片

有什么不一样吗?眼尖的小伙伴一眼就识破。绝大多数的建筑物没有被阴影遮挡,这个是很正常的对吧?因为一部分的建筑物阴影会被后面楼层的向光面覆盖掉,而我们看到的图像是上帝视角,所以就觉得阴影缺失了一部分,只有极少部分由于建筑物太高,产生的阴影才可能会覆盖到后面建筑物的楼顶。

如下图所示:

图片

(小部分阴影会覆盖到其他建筑物屋顶)

图片

(大部分阴影被建筑物向光面遮挡)

由于图像显示的是上帝视角,垂直往下看的,这样看到的阴影没有覆盖住其他建筑物,就不好判断该建筑物是否被其他建筑物的阴影覆盖,是否符合日照标准。

由于阴影都是由建筑物的背光面遮挡太阳光线产生的,因此只要我们使用背光面来创建阴影即可,这样做有什么作用吗?有!这样背光面产生的阴影就不会因为有向光面而被残忍覆盖了,阴影就可以直接覆盖到建筑物的底层,叠加上建筑物就可以很容易判断其是否满足日照标准啦,如下图所示:

图片

7.判断阴影和建筑物的覆盖关系

此时我们需要将阴影栅格转换成矢量格式,在“Shade12”中,像元值为0的就是阴影,所以我们在属性表里面选中值为0的栅格,使用【转换工具】|【由栅格转出】|【栅格转面】,【输入数据】设置为“Shade12”,【字段】选择“Value”,选中简化面,输出文件名为“Mshade”,结果图层如下所示:

图片

接下来我们要查询不符合日照标准的建筑物了。选择菜单栏里面的选择选项卡,在下拉选项卡中点击【按位置选择】工具,选择方法设置为“从以下图层中选择要素”,目标图层勾选为建筑物矢量数据“Build”,源图层选择“Mshade”,空间选择方法为“目标图层要素的质心在源图层要素内”,为什么选择这个呢?因为根据这两个图层的空间关系来看,建筑物矢量数据都和它的阴影相交。

有的小伙伴又会问,为什么都相交?不应该是阴影和建筑物边界相邻吗?我第一感觉也是这样的,但是我看到建筑物的栅格数据“BuildR”时,发现矢量边界线一部分和建筑物边界外面的像元相交了,这说明阴影计算的结果阴影栅格中一定会有和建筑物边界线相交的像元,如下图所示:

图片

(黄色为建筑物栅格,蓝色线是建筑物矢量边框)

图片

(黑色为阴影栅格,蓝色线是建筑物矢量边框)

综上所述,只能选择建筑物的质心是否在阴影上面来判断其是否是不符合日照标准的建筑物咯,最后点击确定。

这时候我们可以看到“Build”中有一部分建筑物高亮显示,我们把选中的建筑物右键导出来,然后叠加到建筑物数据“Build”和小区上面进行符号化,最终结果如下图所示:

图片

如果有小伙伴准备买房的哈,对采光条件比较有要求的,可以自己做一个这样的日照分析,拿着这个图去挑房绝对不会吃亏哦!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/1154.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python数据可视化库—Bokeh与Altair指南

&#x1f47d;发现宝藏 前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。【点击进入巨牛的人工智能学习网站】。 在数据科学和数据分析领域&#xff0c;数据可视化是一种强大的工具&#xff0c;可以帮助我们…

Docker - HelloWorld

原文地址&#xff0c;使用效果更佳&#xff01; Docker - HelloWorld | CoderMast编程桅杆https://www.codermast.com/dev-tools/docker/docker-helloworld.html 开始之前 在学习本小节之前&#xff0c;你必须确保你正确安装了 Docker&#xff0c;正确安装 Docker 是后续学习的…

墨子web3实时周报

蚂蚁集团Web3研发进展与布局 国内Web3赛道的领军企业——蚂蚁集团&#xff0c;凭借其在前沿科技领域的深耕不辍&#xff0c;已在Web3技术研发疆域缔造了卓越战绩。特别是在引领行业革新的关键时刻&#xff0c;集团于今年四月末震撼推出了颠覆性的Web3全套解决方案&#xff0c;…

java通过maven导入本地jar包的三种方式

一、引入lib下加载&#xff08;加载过后打包&#xff0c;以后再次使用不用再次导入&#xff09; 首先创建一个用于创建jar包的项目&#xff0c;并测试能否成功运行 讲项目打包 在需要引入的项目中创建lib目录 并把刚才打包的jar复制进去 通过dependency引入jar包 groupId、art…

读天才与算法:人脑与AI的数学思维笔记05_算法的幻觉

1. 自下而上 1.1. 代码在未来可以自主学习、适应并进行自我改进 1.2. 程序员通过编程教会计算机玩游戏&#xff0c;而计算机却会比教它的人玩得更好&#xff0c;这种输入寡而输出众的事情不大可能实现 1.3. 早在20世纪50年代&#xff0c;计算机科学家们就模拟该过程创造了感…

人工智能论文GPT-3(3):2020.5 Language Models are Few-Shot Learners;架构;训练数据集;开源

2.1 模型与架构 我们使用了与GPT-2相同的模型和架构&#xff0c;包括其中描述的改进初始化、预归一化和可逆分词技术&#xff0c;但有所不同的是&#xff0c;我们在Transformer的各层中使用了交替的密集和局部带状稀疏注意力模式&#xff0c;类似于Sparse Transformer 。为了研…

Flutter 的 showDialog 和 showCupertinoDialog 有什么区别?

我将我的 App 里用的 Flutter 升级到了 3.19&#xff0c;没想到&#xff0c;以前我用 showDialog 和 AlertDialog 组合创建的二次确认框&#xff0c;变得无敌难看了&#xff0c;大幅度增加了整个框的圆角和里面默认按钮的圆角。不得已&#xff0c;我必须修改一下&#xff0c;以…

算法练习|Leetcode189轮转数组 ,Leetcode56合并区间,Leetcode21合并两个有序链表,Leetcode2两数相加,sql总结

目录 一、Leetcode189轮转数组题目描述解题思路方法:切片总结 二、Leetcode56合并区间题目描述解题思路方法:总结 三、Leetcode21合并两个有序链表题目描述解题思路方法:总结 四、Leetcode2两数相加题目描述解题思路方法:总结 sql总结: 一、Leetcode189轮转数组 题目描述 给定…

C++|stack-queue-priority_queue(适配器+模拟实现+仿函数)

目录 一、容器适配器 1.1容器适配器概念的介绍 1.2stack和queue的底层结构 1.3deque容器的介绍 1.3.1deque的缺陷及为何选择他作为stack和queue的底层默认实现 二、stack的介绍和使用 2.1stack的介绍 2.2stack的使用 2.3stack的模拟实现 三、queue的介绍和使用 …

NotePad++联动ABAQUS

Abaqus 中脚本运行 1. 命令区kernel Command Line Interface &#xff08;KCLI&#xff09; execfile(C:\\temp\second develop\chapter2\pyTest1.py)2. CAE-Run Script File->Run Script 3. Abaqus command Abaqus cae noGUIscript.py(前后处理都可)Abaqus Python scr…

排序算法集合

912. 排序数组 趁着这道题总结下排序方法 1.快速排序 算法描述 1.从数列中挑出一个元素&#xff0c;称为"基准"&#xff08;pivot&#xff09;&#xff0c; 2.重新排序数列&#xff0c;所有比基准值小的元素摆放在基准前面&#xff0c;所有比基准值大的元素摆在基…

【网站项目】高校毕业论文管理系统小程序

&#x1f64a;作者简介&#xff1a;拥有多年开发工作经验&#xff0c;分享技术代码帮助学生学习&#xff0c;独立完成自己的项目或者毕业设计。 代码可以私聊博主获取。&#x1f339;赠送计算机毕业设计600个选题excel文件&#xff0c;帮助大学选题。赠送开题报告模板&#xff…

人工智能论文GPT-3(2):2020.5 Language Models are Few-Shot Learners;微调;少样本Few-Shot (FS)

2 方法Approach 我们的基本预训练方法&#xff0c;包括模型、数据和训练&#xff0c;与GPT-2中描述的过程相似&#xff0c;只是模型规模、数据集规模和多样性&#xff0c;以及训练时长有所扩大&#xff0c;相对简单直接。 我们使用的上下文学习也与GPT-2相似&#xff0c;但在…

SpringCloud系列(8)--将服务提供者Provider注册进Eureka Server

前言&#xff1a;上一章节我们介绍了Eureka服务端的安装与配置&#xff0c;本章节则介绍关于微服务如何入职Eureka Server Eureka架构原理图 1、修改provider-payment8001子模块的pom.xml文件&#xff0c;引入Eureka Clinet的依赖&#xff0c;然后reolad一下&#xff0c;下载依…

Parade Series - CoreAudio Loopback

Scenario 鉴于业务场景需要&#xff0c; 经过技术路径探索&#xff0c; 发现 comtypes 兼容性过于混乱&#xff0c;故而考虑整合一个 CoreAudio 的轮子dll来解决实际问题&#xff01;std::StringStream ⇒ std::ios::binary ⇒ std::ofstream Loopback.dll #ifndef _DLL_C…

数学建模--非线性规划模型+MATLAB代码保姆式解析

目录 1.简单介绍 2.求解方法 3.适用赛题 4.典型例题及相关分析 &#xff08;1&#xff09;问题引入 &#xff08;2&#xff09;决策变量&约束条件 &#xff08;3&#xff09;确定目标函数 &#xff08;4&#xff09;建立数学模型 5.MATLAB代码祝逐字句讲解 1.简单…

Redis系列之Cluster集群搭建

在上一篇博客&#xff0c;我们学习Redis哨兵Sentinel集群的搭建&#xff0c;redis的哨兵模式提供了比如监控、自动故障转移等高可用方案&#xff0c;但是这种方案&#xff0c;容量相对固定&#xff0c;要进行持续扩容或者数据分片就不适合&#xff0c;所以有另外一种更复杂的集…

图像处理的魔法师:Pillow 库探秘

文章目录 图像处理的魔法师&#xff1a;Pillow 库探秘第一部分&#xff1a;背景介绍第二部分&#xff1a;库是什么&#xff1f;第三部分&#xff1a;如何安装这个库&#xff1f;第四部分&#xff1a;库函数使用方法第五部分&#xff1a;场景应用第六部分&#xff1a;常见Bug及解…

YOLOv9改进策略 | 添加注意力篇 | 利用ILSVRC冠军得主SENetV1改善网络模型特征提取能力

一、本文介绍 本文给大家带来的改进机制是SENet&#xff08;Squeeze-and-Excitation Networks&#xff09;其是一种通过调整卷积网络中的通道关系来提升性能的网络结构。SENet并不是一个独立的网络模型&#xff0c;而是一个可以和现有的任何一个模型相结合的模块(可以看作是一…

最新Java面试题3【2024中级】

互联网大厂面试题 1&#xff1a;阿里巴巴Java面试题 2&#xff1a;阿里云Java面试题-实习生岗 3&#xff1a;腾讯Java面试题-高级 4&#xff1a;字节跳动Java面试题 5&#xff1a;字节跳动Java面试题-大数据方向 6&#xff1a;百度Java面试题 7&#xff1a;蚂蚁金服Java…