Chapitre 4: Travaux connexes
4.2 Données disponibles
Les données utilisées pour l’évaluation préliminaire du modèle de surface proviennent de l’observatoire CEASAR, aussi nommé la tour Cabauw. Cette tour de mesures, située aux Pays-Bas (51.971°N, 4.927°E), est largement utilisée en météorologie et dans l’étude de la couche limite atmosphérique (Ek and Holtslag 2004; Vogelezang and Holtslag 1996). Étant située sur une vaste étendue parfaitement plane ayant très peu de bâtiments ou d’arbres, les conditions y sont idéales pour étudier les interactions entre l’atmosphère et la surface du sol (CEASAR, 2016). Nous disposons de données mesurées avec un pas de temps de 10 minutes du 1er janvier 2006 au 31 décembre 2006 pour les variables d’intérêts suivantes :
À la surface du sol :
Flux de chaleur sensible Flux de chaleur latente Flux de chaleur dans le sol
Dans l’air à 2 mètres au-dessus du sol Température de l’air
Vitesse et direction du vent
Humidité relative, obtenue via la température au point de rosée
4.3 Méthodologie
L’évaluation préliminaire du modèle a été faite pour une seule surface plane de 2 m x 2 m. Bien que nous disposions des données mesurées s’étendant sur un an, nous avons simulé pour le mois de juillet 2006 seulement, soit 31 jours. Les simulations ont été faites avec un pas de temps de 10 min, soit le pas de temps des observations. À chaque pas de temps, les données mesurées suivantes sont fournies en intrants :
Température de l’air au-dessus de la surface (K) Humidité relative de l’air au-dessus de la surface (%) Vitesse du vent au-dessus de la surface (m s-1)
Rayonnement de courtes longueurs d’onde net sur la surface (W m-²) Rayonnement de longues longueurs d’onde net sur la surface (W m-²)
Dans le cas présent, le rayonnement provient d’observations, mais ultimement, ces données seront fournies par le modèle de rayonnement QESRadiant présenté précédemment. La Figure 19 présente des exemples d’intrants pour une journée nuageuse (8 juillet 2006) et une journée ensoleillée (15 juillet 2006) respectivement.
Également, pour le premier pas de temps, le modèle initialise la température de surface à 290 K et la teneur en eau du sol à 0,192 m³ m-³. Par la suite, il reprend en intrant les valeurs simulées de température de surface et de teneur en eau du sol du pas de temps précédent. Suite aux simulations, nous obtenons les valeurs simulées suivantes :
Flux de chaleur sensible à la surface (W m-²) Flux de chaleur latente à la surface (W m-²) Flux de chaleur dans le sol (W m-²)
Chaleur emmagainer dans le sol (W m-²) Température de surface (K)
Les données de flux de chaleur ont été comparées aux mesures de la tour CEASAR. Pour ce qui est de la température et de la teneur en eau du sol à la surface, ces données ont seulement été analysées de manière qualitative comme que nous n’avons pas les données observées en main.
4.4 Résultats préliminaires
La Figure 20 présente des exemples de résultats de simulation du modèle corrigé pour les 8 et 15 juillet 2006, respectivement des journées nuageuses et ensoleillées. De manière générale, le modèle réussit à reproduire de manières cohérentes les flux observés. Cependant, une analyse plus quantitative des résultats permet de constater que le modèle ne parvient pas à reproduire les flux de chaleur sensible, latente et dans le sol observés. La Figure 21 superpose les données observées et simulées du mois de juillet 2006.
Étant donné qu’aucune mesure de température de la surface du sol n’est disponible, les températures de surface (Figure 21) ont pu être évaluées de manière purement qualitative. Visuellement, on note que les températures de surface simulées demeurent dans un ordre de grandeur cohérent et raisonnable.
La Figure 22 compare les résultats observés et simulés. Les nuages de points diffus des flux de chaleur sensible et latente (Fig. 22 a et b) montrent que les résultats sont peu précis, mais demeurent centrés par rapport à la pente 1 : 1.
D’autre part, les flux de chaleur dans le sol (Fig. 22 c) sont constamment surestimés vu la concentration de données au-dessus de la pente 1 : 1. Lorsque les flux observés sont négatifs, le modèle ne réussit pas à reproduire le comportement observé vu l’alignement vertical des points à la Figure 22. Tout de même, pour des flux positifs, le modèle reproduit relativement le comportement observé, mais avec surestimation constante.
Finalement, ces observations sont confirmées par les indicateurs de performance présentés au Tableau 6 qui montrent clairement l’incapacité du modèle à simuler les flux de chaleur observés (r²~0, PB>100 %).
a) b)
Figure 20 — Flux de chaleur simulés et observés pour une journée nuageuse (a) et ensoleillée (b)
a) b)
a) b) c)
Figure 22 — Comparaison des flux de chaleur simulés et mesurés (a) sensible, (b) latente et (c) dans le sol pour le mois de juillet 2006 pour un pas de temps de 10-min
Table 6 - Indicateurs de performance des flux de chaleur simulés de module de surface pour le mois de juillet 2006
Indicateur de performance Flux de chaleur sensible Flux de chaleur latente Flux de chaleur dans le sol
r² 0.003 0.001 0.0005
RIA 0.4544 -0.6138 -0.9328
PB (%) 173 573 8228
MAE (W m-2) 48 631 612
4.5 Conclusions préliminaires
Ce chapitre a présenté les travaux connexes liés à l’exploration et à la validation préliminaire d’un modèle de surface potentiel pour le modèle QES. Un modèle de surface de type « Force Restore » suivant l’article d’Ács et al. (1991) a été présenté. Ce modèle a été validé de manière préliminaire à l’aide de données de flux de chaleur observés de la tour CEASAR. L’évaluation du modèle a été faite pour une surface homogène durant le mois de juillet 2006 avec un pas de temps de 10 minutes. Bien que les résultats de simulation reproduisent des profils cohérents de flux de chaleur, il comporte des lacunes majeures. Ces lacunes peuvent être causées par l’absence de boucle itérative assurant la convergence entre les flux de chaleur et les conditions de surface. En effet, le modèle de surface original d’Acs (1991) utilise une boucle de convergence qui n’est pas programmée dans le modèle actuel. L’évaluation préliminaire du modèle de surface permet de constater que des améliorations majeures sont requises avant de l’intégrer le modèle QES. Suivant une autre optique, vu l’abondance de modèles de surfaces existants dans la littérature, il serait intéressant de faire une évaluation comparative de plusieurs modèles, afin de retenir un modèle de surface suffisamment performant et peu coûteux en termes de temps de calcul pour QES.
Chapitre 5: Conclusions
Un modèle microclimatique urbain en développement QES a été présenté. Ce dernier vise à simuler rapidement les conditions météorologiques à très petite échelle (~1 m) en milieu urbain, soit les températures de l’air et de surface, l’humidité relative dans l’air, les vitesses et direction du vent, etc. Ultimement, les quatre modules qui le composent, soit les modules de vent, rayonnement, de surface et de transport turbulent, résoudront le bilan énergétique, le bilan hydrique et le bilan de masse.
Le chapitre 4 présente le corps de mémoire, soit la validation deux des quatre modules qui le composent sur un domaine urbain réaliste et complexe en comparaison avec des données météorologiques observées à très haute densité spatiotemporelle. Cette validation se distingue des études précédentes en analysant la performance de ces deux modules sur plus de 18 emplacements différentes au travers du domaine et en modélisant la végétation et différents matériaux de surfaces. Premièrement, le module de vent QUIC a montré une performance satisfaisante (r² = 0,562, MAE = 0,65 de ms-1) considérant les nombreuses hypothèses du modèle et le temps de calcul très court. Deuxièmement, le module de rayonnement QESRadiant s’est avéré très performant (r² = 0,946), la précision des résultats ainsi que le temps de calcul court en font un modèle de rayonnement très intéressant, même pour d’autres applications telle que l’évaluation du potentiel énergétique solaire des façades et des toits en milieu urbain. Bien que la performance de ces deux modules varie considérablement en fonction de l’emplacement dans le domaine et des obstacles environnants, ceux-ci présentent des résultats de simulations très satisfaisants. En ce qui concerne le module de surface proposé, celui-ci comporte encore des lacunes majeures et nécessite d’être amélioré davantage. Il serait également intéressant d’étudier d’autres modèles de surface existants à titre d’alternatives dans le modèle QES.
Au final, le modèle QES, composé de quatre modules tel que présenté, est une alternative intéressante aux modèles microclimatiques urbains existants. En effet, QES diffère des modèles de dynamique des fluides en tentant de réduire la complexité des calculs tout en conservant une réponse satisfaisante. En simplifiant les calculs, le modèle de microclimat urbain devient plus accessible, il nécessite des données d’entrée plus simples et des temps de calcul plus raisonnables. Ainsi, les résultats obtenus pas QES ne seront pas parfaits, mais seront suffisamment précis pour des applications d’aménagements urbains, de qualité
de l’air et de performance énergétique des bâtiments par exemple. Dans cette optique, le développement du modèle microclimatique urbain QES est pleinement justifié.
Bibliographie
Ács, F.et al. (1991). A coupled soil moisture and surface temperature prediction model. Journal of Applied Meteorology, Vol. 30, p. 812-822.
Allegrini, J.et al. (2015). Coupled CFD, radiation and building energy model for studying
heat fluxes in an urban environment with generic building configurations.
Sustainable Cities and Society, Vol. 19, p. 385-394.
Ambrosini, D.et al. (2014). Evaluating mitigation effects of urban heat islands in a historical
small center with the ENVI-Met® climate model. Sustainability, Vol. 6, p. 7013-
7029.
Antonioni, G.et al. (2012). Comparison of CFD and operational dispersion models in an
urban-like environment. Atmospheric Environment, Vol. 47, p. 365-372.
Arnfield, A. J. (2003). Two decades of urban climate research: a review of turbulence,
exchanges of energy and water, and the urban heat island. International Journal of
Climatology, Vol. 23, p. 1-26.
Bailey, B.et al. (2014). A scalable plant-resolving radiative transfer model based on
optimized GPU ray tracing. Agricultural and Forest Meteorology, Vol. 198, p. 192-
208.
Bailey, B. N.et al. (2016). A new three-dimensional energy balance model for complex
plant canopy geometries: Model development and improved validation strategies.
Agricultural and Forest Meteorology, Vol. 218, p. 146-160.
Barrenetxea, G.et al. (2008). Sensorscope: Out-of-the-box environmental monitoring. International Conference on Information Processing in Sensor Networks, IEEE, 332-343.
Beckers, P., and Beckers, B. (2013): Radiative Simulation Methods. Solar Energy at Urban Scale, John Wiley & Sons, Inc., 205-236.
Blocken, B.et al. (2016). Pedestrian-level wind conditions around buildings: Review of
wind-tunnel and CFD techniques and their accuracy for wind comfort assessment.
Building and Environment, Vol. 100, p. 50-81.
Bozonnet, E.et al. (2013). Modeling methods to assess urban fluxes and heat island
mitigation measures from street to city scale. International Journal of Low-Carbon
Technologies, p. 62–77.
Briggs, K. A. (2015). Evaluation of moisture and heat transport in the fast-response
building-resolving urban transport code QUIC EnvSim. Master Thesis, Department
of Mechanical Engineering, The University of Utah, 37 pp.
Brown, M. (2004). Urban dispersion—challenges for fast response modeling. Fifth AMS Symposium on the Urban Environment. Vancouver, British Columbia, Canada.
Brown, M.et al. (2014). QUIC: A Fast, high-Resolution 3D building-aware urban transport
and dispersion modeling system. Air & Waste Management Association, p. 28-31.
Brown, M.et al. (2010). A non-CFD modeling system for computing 3D wind and
concentration fields in urban environments. Fifth International Symposium on
Computational Wind Engineering. Chapel Hill, North Carolina, USA (May 23-27). Bruse, M. (2004). ENVI-met 3.0: updated model overview. University of Bochum.
Retrieved from: www. envi-met. com
Bruse, M., and Fleer, H. (1998). Simulating surface–plant–air interactions inside urban
environments with a three dimensional numerical model. Environmental Modelling
and Software, Vol. 13, p. 373-384.
Cionco, R. M. (1965). A mathematical model for air flow in a vegetative canopy. Journal of Applied Meteorology, Vol. 4, p. 517-522.
Crawley, D. B.et al. (2001). EnergyPlus: creating a new-generation building energy
simulation program. Energy and Buildings, Vol. 33, p. 319-331.
Ek, M., and Holtslag, A. (2004). Influence of soil moisture on boundary layer cloud
development. Journal of Hydrometeorology, Vol. 5, p. 86-99.
El Mghouchi, Y.et al. (2016). Comparison of three solar radiation models and their
validation under all sky conditions–case study: Tetuan city in northern of Morocco.
Renewable and Sustainable Energy Reviews, Vol. 58, p. 1432-1444.
Elnabawi, M. H.et al. (2013). Use and evaluation of the ENVI-met model for two different
urban forms in Cairo, Egypt: measurements and model simulations. 13th
Conference of International Building Performance Simulation Association, Chambéry, France (August 25-30).
Freitas, S.et al. (2015). Modelling solar potential in the urban environment: State-of-the-art
review. Renewable and Sustainable Energy Reviews, Vol. 41, p. 915-931.
Gowardhanet al. (2011). A CFD-based wind solver for an urban fast response transport
and dispersion model. Environmental Fluid Mechanics, Vol. 11, p. 439-464.
Gowardhan, A.et al. (2006). Evaluation of the QUIC urban dispersion model using the Salt
Lake City URBAN 2000 tracer experiment data—IOP 10. Sixth Symposium on the
Urban Environment/14th Joint Conference on the Applications of Air Pollution Meteorology with the Air and Waste Management Association. Atlanta, USA (Jan. 30- Feb 2).
Gowardhan, A. A.et al. (2010). Evaluation of a fast response pressure solver for flow
around an isolated cube. Environmental Fluid Mechanics, Vol. 10, p. 311-328.
Gros, A.et al. (2011). Modelling the radiative exchanges in urban areas: A review. Advances in Building Energy Research, Vol. 5, p. 163-206.
Hanna, S.et al. (2002). Comparisons of model simulations with observations of mean flow
and turbulence within simple obstacle arrays. Atmospheric Environment, Vol. 36, p.
5067-5079.
Hanna, S.et al. (2011). Comparisons of JU2003 observations with four diagnostic urban
wind flow and Lagrangian particle dispersion models. Atmospheric Environment,
Vol. 45, p. 4073-4081.
Hanna, S. R.et al. (2006). Detailed simulations of atmospheric flow and dispersion in
downtown Manhattan: An application of five computational fluid dynamics models.
B Am Meteorol Soc, Vol. 87, p. 1713-1726.
Huttner, S., and Bruse, M. (2009). Numerical modeling of the urban climate–a preview on
ENVI-met 4.0. 7th International Conference on Urban Climate ICUC-7, Yokohama,
Japan (Jun. 29- July 3).
Ineichen, P. (2016). Validation of models that estimate the clear sky global and beam solar
irradiance. Solar Energy, Vol. 132, p. 332-344.
Kaplan, H., and Dinar, N. (1996). A Lagrangian dispersion model for calculating
concentration distribution within a built-up domain. Atmospheric Environment, Vol.
30, p. 4197-4207.
Leroyer, S.et al. (2011). Microscale numerical prediction over Montreal with the canadian
external urban modeling system. J Appl Meteorol Clim, Vol. 50, p. 2410-2428.
Magalhães Carneiro, C. (2011). Extraction of urban environmental quality indicators using
LiDAR-based Digital Surface Models. Thèse de Doctorat, Faculté Environnement
Naturel, Architectural et Construit, École Polytechnique Fédérale de Lausanne, 303 pp.
Maggiotto, G.et al. (2014). Study of the Urban Heat Island in Lecce (Italy) by means of
ADMS and ENVI-MET. International Journal of Environment and Pollution, Vol. 55,
p. 41-49.
Matzarakis, A.et al. (2010). Modelling radiation fluxes in simple and complex
environments: basics of the RayMan model. Int J Biometeorol, Vol. 54, p. 131-139.
Mirzaei, P. A. (2015). Recent challenges in modeling of urban heat island. Sustainable Cities and Society, Vol. 19, p. 200-206.
Monteith, J., and Unsworth, M., 2013: Principles of environmental physics: plants, animals,
and the atmosphere. Academic Press, 422 pp.
Moonen, P.et al. (2013). Performance assessment of Large Eddy Simulation (LES) for
modeling dispersion in an urban street canyon with tree planting. Atmospheric
Environment, Vol. 75, p. 66-76.
Morille, B.et al. (2015). Preliminary study of the impact of urban greenery types on energy
consumption of building at a district scale: Academic study on a canyon street in Nantes (France) weather conditions. Energy and Buildings, Vol. 114, p. 275-282.
Nadeau, D. F.et al. (2009). Estimation of urban sensible heat flux using a dense wireless
network of observations. Environmental Fluid Mechanics, Vol. 9, p. 635-653.
Nelson, M., and Brown, M. (2013). The QUIC Start Guide (v. 6.01).
Nemati Hayati, A.et al. (2016). Flow topology evaluation of computational fluid dynamics
methods with different levels of flow-physics modelling in step-down street canyons. Submitted, Boundary-Layer Meteorology, July 2016.
Neophytou, M.et al. (2011). An inter-comparison of three urban wind models using
Oklahoma City Joint Urban 2003 wind field measurements. Journal of Wind
Engineering & Industrial Aerodynamics, Vol. 99, p. 357-368.
O’Malley, C.et al. (2015). Urban Heat Island (UHI) mitigating strategies: A case-based
comparative analysis. Sustainable Cities and Society, Vol. 19, p. 222-235.
Oke, T. R. (1987): Boundary layer climates. 2nd ed. London, 435 p
Ouranos. (2015). Sommaire de la synthèse des connaissances sur les changements
climatiques au Québec, 13 pp.
Overby, M.et al. (2016). A rapid and scalable radiation transfer model for complex urban
domains. Urban Climate, Vol. 15, p. 25-44.
Ozkeresteci, I.et al. (2003). Use and evaluation of the ENVI-met model for environmental
design and planning: an experiment on linear parks. 21st International Cartographic
Conference (ICC), Durban, South Africa (August 10-16).
Pardyjak, E. R., and Brown, M. J. (2001). Evaluation of a fast-response urban wind model-
comparison to single-building wind tunnel data. 3rd International Symposium on Environmental Hydraulics, Tempe, Arizona, USA (December 5-8)
Salamanca, F.et al. (2010). A new building energy model coupled with an urban canopy
parameterization for urban climate simulations—part I. formulation, verification, and sensitivity analysis of the model. Theoretical and Applied Climatology, Vol. 99, p.
331-344.
Singh, B.et al. (2008). Evaluation of the QUIC-URB fast response urban wind model for a
cubical building array and wide building street canyon. Environmental Fluid
Mechanics, Vol. 8, p. 281-312.
Singh, M., and Laefer, D. F. (2015). Recent trends and remaining limitations in urban
microclimate models. Open Urban Studies and Demography Journal, Vol. 1, p. 1-
12.
Speckart, S., and Pardyjak, E. R. (2014). A method for rapidly computing windbreak flow
field variables. Journal of Wind Engineering & Industrial Aerodynamics, Vol. 132, p.
101-108.
Taleghani, M.et al. (2015). Outdoor thermal comfort within five different urban forms in the
Vogelezang, D., and Holtslag, A. (1996). Evaluation and model impacts of alternative
boundary-layer height formulations. Boundary-Layer Meteorology, Vol. 81, p. 245-
269.
Wegener, M. (2011). From macro to micro—how much micro is too much? Transport Reviews: A Transnational Transdisciplinary Journal, Vol. 31, p. 161-177. Williams, M. D.et al., 2004: Testing of the QUIC-PLUME model with wind-tunnel
measurements for a high-rise building. Preprints. Fifth AMS symposium urban
environment, Vancouver, BC, Amer Meteorol Soc, 10.
Willmott, C.et al. (2012). Short Communication: a refined index of model performance. Journal of Climate, Vol. 32, p. 2088-2094.
Winkler, R.et al. (2010). Assessing the effects of post‐pine beetle forest litter on snow albedo. Hydrological Processes, Vol. 24, p. 803-812.
Yang, Y.et al. (2013). A physically based analytical spatial air temperature and humidity
model. Journal of Geophysical Research: Atmospheres, Vol. 118, p. 10,449-
Annexe A:
Données d’observation
Le domaine validation choisi est une zone du campus de l’École Polytechnique de Lausanne (EPFL) en Suisse. Ce secteur a été sélectionné du fait que nous disposions de mesures météorologiques à très haute densité spatiotemporelle nous permettant de valider le modèle QES. Ces données météorologiques proviennent du projet LUCE : un déploiement de 97 stations météorologiques sur le campus de l’EPFL enregistrant des mesures aux 30 secondes de novembre 2006 à mai 2007 (Nadeau et al. 2009). Cette banque de données comprend les mesures nécessaires à la validation du modèle, soit le rayonnement solaire, les vitesses du vent, les températures de surface, l’humidité relative et les températures de l’air. Nous disposons également de mesures de vitesse et de direction du vent en fonction de l’altitude prises par un profileur atmosphérique de 50 à 400 m au-dessus du sol. Aussi, nous disposons d’un de données d’élévation Lidar à haute densité spatiale du campus qui nous permet de modéliser la géométrie du terrain, la hauteur des bâtiments, la dimension des arbres, etc. En résumé, nous disposons des quatre ensembles de données suivants :
1. Mesures de stations météorologiques :
Température de l’air à 1,2 m au-dessus du niveau du sol (Disponibilité : 97 / 97 stations) ;
Température de surface (Disponibilité : 78 / 97 stations) ;
Rayonnement solaire incident à 1,6 m au-dessus du niveau du sol (Disponibilité : 17 / 97 stations) ;
Vitesse du vent à 1,6 m au-dessous du niveau du sol (Disponibilité : 21 / 97 stations). À noter que les données de vents sont limitées aux vitesses supérieures à 1,28 ms-1. L’origine de ce seuil n’a pas été découverte. Température au point de rosée, ce qui nous permet d’obtenir l’humidité
relative de l’air;
Hauteur de précipitation ;
Aucune direction de vents étant donné que les vannes n’ont pas été calibrées lors des mesures.
1. Mesures du profileur atmosphérique :
Vitesse et direction du vent tous les 10 m entre 50 m et 400 m au-dessus du sol.
2. Modèle d’élévation de terrain
Coordonnées X et Y avec une élévation Z associée, densité de 1 point grille par 0,15 m.
3. Occupation du sol
Annexe B:
Modélisation semi-
automatique d’un domaine en 3D
Bien que la modélisation du domaine en 3D soit souvent peu détaillée dans la littérature,