Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης ...

Από RemoteSensing Wiki

Πλήρης τίτλος: Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης για δεδομένα εισόδου και τεκμηρίωση.
Πρωτότυπος τίτλος: Calculating urban heat demands: An analysis of two modelling approaches and remote sensing for input data and validation.
Συγγραφείς: Ivan Dochev, Philip Gorzalka, Verena Weiler, Jacob Estevam Schmiedt, Magdalena Linkiewicz, Ursula Eicker, Bernhard Hoffschmidt, Irene Peters, Bastian Schröter
Citation:Ivan Dochev, Philip Gorzalka, Verena Weiler, Jacob Estevam Schmiedt, Magdalena Linkiewicz, Ursula Eicker, Bernhard Hoffschmidt, Irene Peters, Bastian Schröter, Calculating urban heat demands: An analysis of two modelling approaches and remote sensing for input data and validation, Energy and Buildings, Volume 226, 2020, 110378, ISSN 0378-7788, [1].
Πηγή: Science Direct
Λέξεις κλειδιά: heat demand estimation, thermal mapping, semantic 3D city models


Σκοπός της έρευνας: Υπολογισμός των θερμικών ενεργειακών αναγκών των κτιρίων σε αστικό περιβάλλον με τη συνδρομή της τηλεπισκόπησης.


1. Εισαγωγή:
Στο βαθμό που η κλιματική αλλαγή εντείνεται, λαμβάνονται μια σειρά από μέτρα για την αναχαίτιση της σε εθνικό, περιφερειακό και δημοτικό επίπεδο. Ιδιαίτερα υποσχόμενος τομέας για τη μείωση εκπομπών αερίων του θερμοκηπίου είναι ο κτιριακός, η ενεργειακή κατανάλωση του οποίου υπολογίζεται σε 40% στις Ηνωμένες Πολιτείες και την Ευρώπη. Δεδομένου ότι η ανέγερση νέων κτιρίων είναι περιορισμένη, το βάρος στρέφεται στην ενεργειακή αναβάθμιση του υπάρχοντος κτιριακού δυναμικού. Προς αυτή την κατεύθυνση είναι χρήσιμα εργαλεία για την κατανόηση της τωρινής κατάστασης, αλλά και των μελλοντικών προοπτικών, όπως το UBEM (Urban Energy Building Modelling).
2. Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:
Οι διάφορες μέθοδοι που έχουν αναπτυχθεί ως ώρας υπόκεινται σε δύο γενικές κατηγορίες [14]:
α) Top-down: κατανέμει τη συνολική ενέργεια που καταναλώθηκε στις επιμέρους μονάδες (π.χ. Κτίρια, περιφέρειες, κο.κ.) βάσει των γνωστών χαρακτηριστικών των επιμέρους μονάδων που σχετίζονται με την ενεργειακή κατανάλωση.
β) Bottom-up [4]: χρησιμοποιείται ένα δείγμα επιμέρους μονάδων, με γνωστές ενεργειακές ιδιότητες, το οποίο χρησιμοποιείται ως πρότυπο και τις διευρύνει είτε μέσω στατιστικών μεθόδων, είτε μέσω του ιστορικού ενεργειακής κατανάλωσης.
Στην παρούσα έρευνα χρησιμοποιούνται δύο bottom-up προσεγγίσεις: α) SHD (specific heat demand) approach [5]: κάνει χρήση 2D κτηματολογίου για τη δημιουργία των αρχετύπων των διαφόρων κτιρίων και τελικά τη δημιουργία ενός 2D κτηματολογίου θερμικών αναγκών
β) λογισμικό SimStadt [8,9]: δημιουργεί το αρχέτυπο των κτιρίων βάσει των αντικειμένων του 3D CityGML μοντέλου, όπως παράγεται απο τις αεροφωτογραφίες, και τα αντιστοιχίζει στις ενεργειακές του ιδιότητες και προχώρα στον υπολογισμό των θερμικών αναγκών. Στη συνέχεια η τηλεπισκόπηση χρησιμοποιείται και για τον δυνατόν καλύτερο προσδιορισμό παραμέτρων, χρήσιμων και για τα δύο μοντέλα, όπως τα παράθυρα και την επιφανειακή θερμοκρασία ως μέτρο θερμοπερατότητας (U-values).

3. Περιοχή μελέτης:
Ως περιοχή μελέτης επιλέγεται η γειτονιά Moabit του Βερολίνου (Εικόνα 1). Πρόκειται για μια αστική περιοχή, όπου η μοντελοποίηση των θερμικών αναγκών βάσει δεδομένων για την κατανάλωση δεν είναι εφικτή, λόγω της ανομοιογένειας των χρησιμοποιούμενων μέσων θέρμανσης και της προστασίας των προσωπικών δεδομένων. Τα δεδομένα για τα δύο μοντέλα και για τις εφαρμογές της τηλεπισκόπησης είναι διαθέσιμα στην περιοχή.
4. Δεδομένα:
Χρησιμοποιήθηκαν δεδομένα από το κτηματολόγιο ALKIS [1], το οποίο παρέχει μια σειρά από πληροφορίες, όπως τα γεωμετρικά χαρακτηριστικά των κτισμάτων. Ακόμη, χρησιμοποιήθηκαν αεροφωτογραφίες που παραχωρήθηκαν από το DLR (Γερμανικό Κέντρο Αεροδιαστημικής), οι οποίες μεταξύ άλλων χρησιμοποιήθηκαν για την παραγωγή του 3D μοντέλου στο format του CityGML, το οποίο αναπαριστά το αστικό περιβάλλον και παρέχει πληροφορίες διαβαθμισμένης πολυπλοκότητας, απο το απλό γεωμετρικό αποτύπωμα του κτιρίου έως και παράθυρα ή και εσωτερικά χαρακτηριστικά του [6]. Αναλυτικά, οι ιδιότητες των αεροφωτογραφιών που χρησιμοποιήθηκαν αναλύονται στην παράγραφο 5.3 . Τέλος, χρησιμοποιήθηκαν δεδομένα από το IWU [10], τη γερμανική τυπολογία που κατηγοριοποιεί τις κατοικίες με βάση τη σύνθεση των νοικοκυριών και την περίοδο ανέγερσης, και παρέχει ένα σύνολο χαρακτηριστικών για τα αρχέτυπα κάθε κατηγορίας, δεδομένα από το γερμανικό πρότυπο VDI 3807 [13] με πληροφορίες για τις χρήσεις των κτιρίων και δεδομένα για το έτος ανέγερσης των κτιρίων βάσει των δεδομένων του GeoPortal και αρχειακών αεροφωτογραφιών Google Earth [3].
5. Μέθοδος:
Αρχικά, στην Εικόνα 2 παρατίθεται μια σχηματική αναπαράσταση των δεδομένων, των προσεγγίσεων και των αποτελεσμάτων που συγκρίνονται στην παρούσα έρευνα.

5.1 SHD μέθοδος:
Στη μέθοδο αυτή κάθε πολύγωνο του 2D κτηματολογίου αντιστοιχίζεται με τα χαρακτηριστικά της τυπολογίας IWU. Σε περίπτωση που το κτίσμα δεν χρησιμοποιείται για οικιστικούς σκοπούς χρησιμοποιείται το γερμανικό πρότυπο VDI 3807. Επίσης, κατηγοριοποιήθηκαν και τα κτίρια μικτής χρήσης (π.χ. Κατοικία με γραφείο). Υπολογίστηκαν οι θερμικές ανάγκες των κτιρίων συναρτήσει των ορόφων των κτιρίων και του γεωμετρικού τους αποτυπώματος, των ενεργειακών χαρακτηριστικών τους βάσει IWU και της χρήσης του κτιρίου. Τέλος, υπολογίστηκε το εμβαδόν των παραθύρων/ανοιγμάτων των κτιρίων.
5.2 Λογισμικό SimStadt:
Η προσέγγιση αυτή κάνει χρήση της πλατφόρμας προσομοίωσης που διαμορφώθηκε από το University of Applied Sciences Stuttgart. Πληροφορίες για τη γεωμετρία των κτισμάτων από το μοντέλο CityGML συνδυάζονται με βιβλιοθήκες δομικής φυσικής και καθώς και με καιρικές βάσεις δεδομένων. Απαιτούνται, επίσης, στοιχεία για τη λειτουργία των κτιρίων και τη χρονολογία ανέγερσης, προκειμένου να αντιστοιχιστούν στις κατάλληλες βιβλιοθήκες. Έτσι, τελικά, υπολογίζονται οι θερμικές ανάγκες των κτιρίων, ως μηνιαίο ενεργειακό ισοζύγιο βάσει του γερμανικού προτύπου DIN V 18599- συνυπολογίζοντας τις πηγές και τις απώλειες θερμότητας- και αθροιστικά δίνουν την ετήσια ανάγκη για θέρμανση.

5.3 Τηλεπισκόπηση:
5.3.1 3D MODEL
To 3D μοντέλο δημιουργήθηκε με βάση πλάγιες RGB αεροφωτογραφίες της περιοχής μελέτης για τον Ιούλιο 2017 , από ύψος 650m με χρήση μιας “MACS - ΜODULAR AERIAL CAMERA SYSTEM” κάμερας [12]. Η σύνθεση αποτελείται απο τρείς RGB κάμερες (μια κατακόρυφη και δύο πλάγιες) και μια κατακόρυφη κάμερα στο εγγύς υπέρυθρο (NIR). Η χωρική ανάλυση των εικόνων είναι 8-14cm, ενώ επεξεργάστηκαν φωτογραμμετρικά με τη μέθοδο του Frommholz et al. [2] Έτσι, δημιουργήθηκε τα 3D πολύγωνα τα οποία εξήχθησαν στο περιβάλλον CityGML, φέροντας πληροφορίες για την γεωμετρία των κατοικιών και τα διαθέσιμα παράθυρα (Εικόνα 3).
5.3.2 Εντοπισμός παραθύρων:
Οι RGB εικόνες μετασχηματίστηκαν ομογραφικά για να δημιουργηθεί η ορθογώνια προβολή κάθε εικόνας στην αντίστοιχη πρόσοψη. Οι όροφοι προσδιορίστηκαν εφαρμόζοντας ανίχνευση ακμών και στη συνέχεια τα παράθυρα και τα λοιπά ανοίγματα εντοπίζονται βάσει γεωμετρικών ιδιοτήτων και χρωματικών διαβαθμίσεων. Η μέθοδος που εφαρμόστηκε είναι παρεμφερής με αυτή των Meixner and Leiber [7].
5.3.3 Υπέρυθρη Θερμογραφία:
Η περιοχή μελέτης καταγράφηκε μέσω κατακόρυφης και πλάγιας υπέρυθρης θερμογραφίας (IRT) ΣΤΙς 6 Μαρτίου του 2019 στη 1 το βράδυ, από υψόμετρο 600m περίπου, με χρήση αεροπλάνου εξοπλισμένο με MACS και μη ψυχόμενους μικροβολομετρικούς αισθητήρες που καλύπτει το 7 .5 to 14μm κανάλι. Οι καταγραφές αυτές πραγματοποιήθηκαν νύχτα (ξέχωρα απο τις RGB αεροφωτογραφίες) για να αποφευχθεί η επίδραση του ηλιακού φωτός. Η χωρική ανάλυση ανέρχεται σε 35cm για σκεπές και έδαφος, ενώ είναι μικρότερη για τις προσόψεις λόγω οπτικής γωνίας. Βάσει του προσανατολισμού και των θέσεων της κάμερας, στο 3D μοντέλο που παράχθηκε παραπάνω, αποδόθηκαν οι υφές βάσει της IRT φωτογραφίας (Εικόνα 4 αριστερά).

Τα αποτελέσματα των καταγραφών που σε κάθε pixel αντιστοιχίζουν μια θερμοκρασία θεωρούνται επι της ουσίας ως ακτινοβολία του μέλανος σώματος. Με χρήση του νόμου του Planck στο μήκος κύματος η θερμοκρασία μετατρέπεται σε ακτινοβολία, σταθμισμένη ως προς την φασματική απόκριση του μικροβλόμετρου. Αφού οι υφές διορθωθούν σε σχέση μς τις ατμοσφαιρικές επιρροές και λαμβάνοντας υπόψιν τις γωνίες παρατήρησης (κάμερα-επιφάνεια) υπολογίζεται η ακτινοβολία μέλανος σώματος για κάθε pixel. Στη συνέχεια, η ακτινοβολία αυτή μετατρέπεται σε επιφανειακή θερμοκρασία.
Τέλος, για κάθε κτίριο υπολογίζεται η μέση θερμοκρασία οροφής και η μέση θερμοκρασία πρόσοψης. (Εικόνα 4 δεξιά)

6. Αποτελέσματα και Συμπεράσματα:
Εξετάζοντας τη συμβολή της τηλεπισκόπησης στον υπολογισμό των θερμικών αναγκών και μ των κτιρίων σε μια αστική περιοχή και μέσα από τη σύγκριση των αποτελεσμάτων διαφόρων μεθόδων προκύπτουν τα εξής συμπεράσματα:

• O λόγος παράθυρο/τοίχο υπολογίζεται υπερκτιμημένος με βάση τα αρχέτυπα. Η τηλεπισκόπηση θα μπορούσε να βελτιώσει τη μοντελοποίηση των θερμικών αναγκών υπό τους εξής περιορισμούς: οι αεροφωτογραφίες να ληφθούν το χειμώνα για να αποφευχθεί η επιρροή της βλάστησης στις προσόψεις και η χωρική διακριτική ικανότητα τους θα πρέπει να είναι μεγαλύτερη.
  
• Σε περιοχές με ελλιπή δεδομένα κτηματολογίου και υψηλής ποιότητας 3D μοντέλα, η μέθοδος 3D μοντελοποίησης που παρουσιάζεται στην παρούσα έρευνα συνδράμουν την δημιουργία 3D μοντέλων και των επιφανειακών υφών.
  
• Τα αποτελέσματα της εναέριας υπέρυθρης θερμογραφίας δεν παρουσιάζουν συσχέτιση με τις τιμές του δείκτη θερμοπερατότητας, που προκύπτουν απο την τυπολογία, εκτός από την περίπτωση των σκεπών με θερμαινόμενες σοφίτες.
  

Για την βελτίωση των αποτελεσμάτων προτείνεται η καλύτερη γνώση των υλικών της επιφάνειας και των ιδιοτήτων τους, καθώς και νέοι αλγόριθμοι για τη μοντελοποίηση της ανακλώμενης ακτινοβολίας και νέες μεθόδους για την εκτίμηση της εσωτερικής θερμοκρασίας.
Συνολικά, ο συνδυασμός της τηλεπισκόπησης με αξιόπιστα μοντέλα είναι ιδιαίτερα υποσχόμενος σε σχέση με τη μοντελοποίηση των ενεργειακών αναγκών των κτιρίων σε αστικό περιβάλλον, παρά το γεγονός ό,τι απαιτείται περαιτέρω έρευνα για την εξαγωγή των παραμέτρων απο τις αεροφωτογραφίες.

ΑΝΑΦΟΡΕΣ

1. Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder derBundesrepublik Deutschland, Authoritative Real Estate Cadastre InformationSystem (ALKIS), 2015.http://www.adv-online.de/Products/Real-Estate-Cadastre/ALKIS/ (accessed 22 December 2019)

2. D. Frommholz, M. Linkiewicz, H. Meissner, D. Dahlke, Reconstructing buildingswith discontinuities and roof overhangs from oblique aerial imagery, Int. Arch.Photogramm. Remote Sens. Spatial Inf. Sci. XLII-1/W1 (2017) 465–471,https://doi.org/10.5194/isprs-archives-XLII-1-W1-465-2017

3. Google, Google Earth 7.3.2.577.https://www.google.de/intl/de/earth/ (accessed Nov. 2019).

4. H. Lim, Z.J. Zhai, Review on stochastic modeling methods for building stockenergy prediction, Build. Simul. 10 (2017) 607–624,https://doi.org/10.1007/s12273-017-0383-y.

5. I. Dochev, H. Seller, I. Peters, Assigning energetic archetypes to a digital cadastre and estimating building heat demand. An Example from Hamburg,Germany, Environ. Clim. Technol. 24 (2020) 233–253,https://doi.org/10.2478/rtuect-2020-0014.

6. Open Geospatial Consortium, OGC City Geography Markup Language(CityGML), OpenGIS Encoding Standard OGC 12-019 (2012).

7. Philipp Meixner, Franz Leberl, From Aerial Images to a Description of RealProperties - A Framework, in: Paul Richard, José Braz (Eds.), Proceedings of theInternational Conference on Computer Vision Theory and Applications, 2,SCITEPRESS, Angers, France, 2010.doi:10.5220/0002817602830291

8. R. Nouvel, M. Zirak, V. Coors, U. Eicker, The influence of data quality on urban heating demand modeling using 3D city models, Comput. Environ. Urban Syst.64 (2017) 68–80,https://doi.org/10.1016/j.compenvurbsys.2016.12.005.

9. Romain Nouvel, Kai-Holger Brassel, Marcel Bruse, Eric Duminil, Volker Coors,Darren Robinson, SimStadt, a new workflow-driven urban energy simulation platform for CityGML city models, in: Jean-Louis Scartezzini (Ed.), Proceedingsof CISBAT 2015 International Conference Future Buildings and Districts -Sustainability from Nano to Urban Scale, LESO-PB, EPFL, Lausanne,Switzerland, 2015, pp. 889–894,https://doi.org/10.5075/epfl-cisbat2015-889-894.

10. Senatsverwaltung für Stadtentwicklung und Wohnen, Geoportal Berlin / ALKIS Berlin: Amtliches Liegenschaftskataster Informationssystem,2019.https://fbinter.stadt-berlin.de/fb/index.jsp?loginkey=zoomStart&mapId=wmsk_alkis@senstadt (accessed 16 December 2019).

11. Senatsverwaltung für Stadtentwicklung und Wohnen, Geoportal Berlin /Gebäudealter 1992/93, 1993.https://fbinter.stadt-berlin.de/fb/index.jsp?loginkey=showMap&mapId=gebaeudealter@senstadt (accessed 6 December2019).

12. T. Bucher, R. Berger, J. Brauchle, D. Hein, F. Lehmann, B. Piltz, P. Scherbaum, K.Stebner, S. Pless, Modular Photogrammetric Sensor Systems for Real-time Information Extraction and 3D-Applications, 36. Wissenschaftlich-Technische Jahrestagung der DGPF, DGPF, Bern, Switzerland, 2016.

13. Verein Deutscher Ingenieure e.V., Characteristic consumption values for buildings - Characteristic heating-energy, electrical-energy and water consumption values, Guideline VDI 3807 Blatt 2 (2014)

14. W. Li, Y. Zhou, K. Cetin, J. Eom, Y. Wang, G. Chen, Modeling urban building energy use: A review of modeling approaches and procedures, Energy 141(2017) 2445–2457,https://doi.org/10.1016/j.energy.2017.11.071