Validation partielle et développement d’un
modèle de microclimat urbain
Mémoire
Pascale Girard
Maîtrise en génie des eaux
Maître ès sciences (M. Sc.)
Québec, Canada
Validation partielle et développement d’un
modèle de microclimat urbain
Mémoire
Pascale Girard
Sous la direction de :
Résumé
Bien que les grandes villes soient souvent synonymes d’inconfort thermique et de piètre qualité de l’air, une meilleure compréhension à petite échelle du climat urbain permettrait de mieux adapter villes et bâtiments aux réalités de ce climat particulièrement complexe. Dans cette optique, la présente étude contribue au développement d’un nouveau modèle de microclimat urbain QES. L’objectif de ce modèle est de simuler différentes variables météorologiques telles que les températures, les vents et le rayonnement, en 3D et à très petite échelle (~1 m). Pour ce faire, le modèle QES combine quatre modules, soit un module de vent (QUIC), un module de rayonnement (QESRadiant), un module de surface et un module de transport turbulent.
De ces quatre modules, nous avons validé les modules de vent et de rayonnement et exploré un potentiel module de surface. Premièrement, la performance des modules de vent et de rayonnement a été évaluée en plusieurs points d’un domaine réel modélisé en 3D avec de la végétation et différents matériaux de surface. Les vitesses de vent simulées par QUIC et le rayonnement solaire incident simulé par QESRadiant ont été comparés à des observations à haute densité spatiotemporelle. Bien que les performances varient selon la position dans le domaine et les obstacles environnants, les deux modules permettent d’obtenir des résultats satisfaisants avec un temps de calcul de l’ordre de quelques minutes. Deuxièmement, un module de surface a été validé de manière préliminaire pour une surface plane simple et les flux de chaleur simulés ont été comparés aux flux observés. Les résultats obtenus soutiennent que le développement modèle QES s’avère une alternative intéressante aux modèles microclimatiques urbains existants dans l’optique où l’on s’efforce de simplifier les conditions frontières requises et de diminuer le coût de calcul informatique.
Table des matières
Résumé ... iii
Table des matières ... iv
Liste des tableaux ... vi
Liste des figures ... vii
Remerciements ... ix Avant-propos ... x Chapitre 1: Introduction ... 1 1.1 Mise en contexte ... 1 1.2 Problématique ... 2 1.3 Objectifs ... 2 1.3.1 Objectif principal ... 2 1.3.2 Objectifs secondaires ... 2 1.4 Présentation du document ... 3
Chapitre 2: Notions théoriques ... 4
2.1 Notion d’échelle ... 4
2.2 Bilan énergétique de surface en milieu urbain ... 4
2.3 Bilan radiatif en milieu urbain ... 5
2.4 Écoulement d’air en milieu urbain ... 8
2.5 Modélisation micrométéorologique en milieu urbain ... 9
2.6 Description du modèle microclimatique urbain QES ... 11
Chapitre 3: Validation du module de vent et de rayonnement à l’aide de données d’observation à haute densité spatiotemporelle ... 13 Résumé de l’article ... 14 Abstract ... 14 3.1 Introduction ... 15 3.2 Model Description ... 17 3.2.1 QUIC ... 17 3.2.2 EnvSim ... 18 3.3 Methods ... 19 3.3.1 Study Site ... 19 3.3.2 Meteorological Observations ... 20
3.3.4 Numerical Setup ... 21
3.3.5 Validation Method ... 24
3.4 Results and Discussion ... 26
3.4.1 2-m wind velocity ... 26
3.4.2 Incoming shortwave radiation ... 29
3.5 Conclusions ... 33
3.6 Acknowledgements ... 34
Chapitre 4: Travaux connexes ... 35
4.1 Description du modèle de surface ... 35
4.1.1 Rayonnement net ... 35
4.1.2 Calcul du flux de chaleur sensible ... 36
4.1.3 Calcul du flux de chaleur latente ... 37
4.1.4 Calcul du flux de chaleur dans le sol ... 38
4.1.5 Calcul d’emmagasinement d’énergie dans le sol ... 38
4.1.6 Calcul de la température de surface ... 38
4.1.7 Intégration dans QES ... 39
4.2 Données disponibles ... 39 4.3 Méthodologie ... 40 4.4 Résultats préliminaires ... 42 4.5 Conclusions préliminaires ... 44 Chapitre 5: Conclusions ... 45 Bibliographie ... 47
Annexe A: Données d’observation ... 52
Annexe B: Modélisation semi-automatique d’un domaine en 3D ... 53
Annexe C: Résultats par station des vitesses de vent ... 55
Annexe D: Résultats par station du rayonnement solaire ... 75
Liste des tableaux
Table 1 – List of meteorological stations used in this study. ... 20 Table 2—Surface materials used in QESRadiant along with their physical properties. PAR stands for
photosynthetically-active radiation and NIR for near-infrared radiation. Diffuse fraction describes the ratio of scattered energy to specularly reflected energy. ... 23 Table 3 - Simulation parameters in QUIC and QESRadiant. The grid spacing is 2 m for all directions and simulations. ... 24 Table 4 – Statistical analysis of QUIC performance when compared to wind speed measurements at the different meteorological stations. ... 29 Table 5 – Performance metrics between QESRadiant simulation results and observations for each station. .. 33 Table 6 - Indicateurs de performance des flux de chaleur simulés de module de surface pour le mois de juillet 2006 ... 44
Liste des figures
Figure 1 - Phénomènes météorologiques en fonction des échelles spatiales et temporelles. Source : Oke (1987) ... 4 Figure 2 - Composantes du bilan énergétique de surface pour d’un site en milieu (a) urbain et (b) rural lors d’une journée ensoleillée. Source : Oke (1987) ... 4 Figure 3 - Composantes du bilan radiatif de surface pour un site idéal lors d’une journée ensoleillée. Source : Oke (1987) ... 5 Figure 4 - Composantes du bilan d’énergie pour une surface simple (a) de jour et (b) de nuit. Source : Oke (1987) ... 6 Figure 5 - Bilan énergétique en milieu urbain ... 7 Figure 6 - Écoulement d’air autour d’un bâtiment isolé. (a) Profil des lignes de courant des quatre zones d’écoulement. (b) Profil de vitesse. Vue en plan des lignes de courants pour un bâtiment (a) perpendiculaire et (d) parfaitement oblique. Source : Oke (1987) ... 8 Figure 7 - Écoulement d’air en fonction de la disposition des bâtiments. Source : Oke (1987) ... 8 Figure 8 — Schéma du modèle QUIC EnvSim ... 12 Figure 9 – Aerial view of the EPFL Campus (46.521°N, 6.567°E) with the location of the different
meteorological stations. Source: Google Maps, 2008. ... 20 Figure 10 – Construction of the inner domain surface geometry. a) 2D building footprints. b) Extrusion of buildings. c) Identification of surface patch materials. ... 22 Figure 11 – Computed wind velocity field on 24 December 2006 at 1000 local time. A) Wind velocity and horizontal streamlines at 1 m above ground. B) Close-up on inner domain with streamlines in the x-y plane at 1 m above ground and a cross-section of streamlines in the x-z plane. ... 28 Figure 12 – Predicted and observed wind velocities for all stations ... 28 Figure 13 – Spatial distribution of the refined index of agreement for wind speed. ... 28 Figure 14 – Time series of computed (thick black line) and observed (blue line is the observed value and blue area shows the estimated measurement error) wind velocities at different locations on 24 December 2006. a) Station 105 is located on a rooftop without any surrounding obstacles; b) station 14 is located on a terrace; c) station 23 is located on the ground nearby vegetation; d) station 30 is located on the ground in between buildings and trees. ... 29 Figure 15 – Computed net shortwave radiation on 15 April 2007 at 0900 local time (solar azimuth = 111°, solar elevation = 32°) for a) the inner domain and b) a subset of the inner domain (corresponding to the dashed rectangle in a), in the vicinity of the building with glass facade. ... 31 Figure 16 – Computed incoming shortwave radiation against observations for all stations and for the entire validation period. ... 31 Figure 17 – Spatial distribution of the refined index of agreement for shortwave downwelling radiation. ... 31 Figure 18 - QESRadiant simulation results at different locations on 15 April 2007. (a-b) station 105, located on a rooftop without surrounding obstacles; (c-d) station 45, for which the local sunset is well captured by the model; e-f) station 15 with a poorly captured local sunset; g-h) station 21 under an isolated tree. Subplots a, b, c and d show time series of computed incoming solar radiation (in thick black) and measurements (in thin blue). Subplots b, d, f and h show computed incoming shortwave radiation against measurements. ... 32 Figure 19 — Exemples d’intrants pour module de surface pour une journée nuageuse (8 juillet 2006) et ensoleillée (15 juillet 2006) ... 41 Figure 20 — Flux de chaleur simulés et observés pour une journée nuageuse (a) et ensoleillée (b) ... 43
Figure 21 - Températures de surface simulées et température de l’air observées pour une journée nuageuse (a) et ensoleillée (b) ... 43 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 ... 44
Remerciements
Je tiens à remercier le fonds québécois de la recherche sur la nature et les technologies (FQRNT), Polytechnique Montréal et l’Université Laval pour leur soutien financier. Également, la fondation des ingénieurs municipaux du Québec pour son intérêt envers mon projet, la bourse Hervé-Aubin et la publication d’un article dans la revue Contact+ de printemps 2016.
J’aimerais également remercier le consortium Ouranos de m’avoir permis de loger dans leurs bureaux pendant plus d’un an m’offrant, par le fait même, la chance de côtoyer une équipe dynamique de chercheurs renommés dans le domaine des changements climatiques.
J’aimerais personnellement remercier les chercheurs de l’Université d’Utah, Eric Pardyjak, Rob Stoll et Brian N. Bailey de même que de l’Université de Minnesota Duluth, Pete Willemsen et Mattew Overby, pour leur disponibilité, le transfert de connaissances et leur soutien technique indispensable tout au long de ce projet.
Finalement, j’aimerais particulièrement remercier mon directeur de recherche, Daniel Nadeau, pour son enthousiaste inépuisable qui a su maintenir ma motivation tout au long de ce projet. Ses conseils judicieux, son souci du détail et sa disponibilité m’ont grandement appris. Merci également pour les nombreuses opportunités, les belles rencontres et les beaux séjours à Salt Lake City. Bref, merci pour ces deux belles années enrichissantes!
Avant-propos
L’article présenté dans le corps de ce mémoire a été coécrit par l’auteur de ce mémoire Pascale Girard (rédactrice principale) et son directeur de recherche Daniel Nadeau. L’équipe de recherche développant le modèle QUIC EnvSim de l’Université d’Utah et de l’Université de Minnesota Duluth a également contribué à la rédaction de l’article. Dans l’ordre, Eric Pardyjak, professeur du département de génie mécanique de l’Université d’Utah. Matthew Overby et Pete Willemsen, respectivement étudiant à la maîtrise et professeur associé du département de sciences informatiques de l’Université de Minnesota Duluth. Rob Stoll et Brian N. Bailey, respectivement professeur associé et doctorant au département de génie mécanique de l’Université d’Utah.
L’article scientifique présenté dans ce mémoire a été soumis au journal Urban Climate en date du 21 octobre 2016.
Chapitre 1: Introduction
1.1 Mise en contexte
L’étalement et la densification rapide des villes transforment l’environnement, ce qui influence le climat sur différentes échelles. Parmi les phénomènes météorologiques engendrés par le développement urbain, la création d’îlots de chaleur urbains et la détérioration de qualité de l’air sont les problématiques les plus documentées et étudiées. De telles problématiques engendrent des conséquences néfastes sur l’économie, l’environnement et la santé publique (Arnfield 2003). Particulièrement les îlots de chaleur urbains qui augmentent la consommation d’électricité, détériorent la qualité de l’air, aggravent la sévérité des vagues de chaleur et présentent un risque pour les personnes vulnérables. Ces phénomènes sont d’autant plus d’actualité dans un contexte de changements climatiques où la fréquence et l’intensité des vagues de chaleur est appelée à augmenter (Ouranos 2015) et vue l’augmentation constante de la population urbaine mondiale.
En ce sens, les modèles climatiques urbains peuvent s’avérer un outil précieux. De tels modèles permettent de recréer une ville, un quartier ou un bâtiment et d’y simuler diverses variables météorologiques telles que la température de l’air, les vitesses et directions du vent, le rayonnement solaire, l’humidité relative, etc. Communément, ces modèles ont comme objectifs de (1) prévoir la météorologie future pour des aménagements actuels, par exemple, prédire la température d’un quartier en cas de vague de chaleur, ou (2) de prédire l’impact d’aménagements futurs sur la météorologie, par exemple prévoir le changement de température d’un quartier si l’on aménage des toits blancs.
Dans le cadre de ce mémoire, nous nous intéressons à la modélisation climatique en milieu urbain en trois dimensions à très petite échelle spatiale, de l’ordre du mètre. Pour plusieurs applications, une telle résolution est nécessaire étant donné qu’en zone urbaine, les variables météorologiques (température, vent, humidité) peuvent varier significativement sur des distances très courtes. Nous parlons donc de modèles microclimatiques urbains.
1.2 Problématique
Bien que plusieurs modèles microclimatiques urbains existent, peu combinent une résolution assez fine et des temps de calcul raisonnables. Les modèles existants se basent majoritairement sur les lois fondamentales de la dynamique de fluides et de la thermodynamique. Ils permettent d’effectuer des simulations à très haute résolution qui s’appliquent bien aux complexités des zones urbaines.
Le modèle microclimatique urbain ENVI-Met® (Bruse and Fleer 1998) est le modèle le plus utilisé dans la littérature, entre autres pour des évaluations de consommation énergétique de bâtiment, d’études d’îlots de chaleur urbains et d’analyse du confort piétonnier. Outre ENVI-Met®, le modèle Quic EnvSim (QES) est un modèle microclimatique urbain en développement. Contrairement aux modèles existants, celui-ci utilise des simplifications empiriques permettant de diminuer considérablement le temps de calcul, ce qui en fait un modèle particulièrement intéressant.
Les modèles microclimatiques urbains existants présentent peu d’études de validations réalisées sur un terrain urbain réel qui inclut de la végétation et différents matériaux de surface (béton, toiture, gazon, etc.). En effet, la validation des modèles se fait majoritairement en soufflerie ou à partir de données provenant d’un seul point du domaine, d’une tour par exemple. Pour évaluer la performance et la fiabilité d’un modèle, plusieurs études doivent être faites, et ce dans différents milieux et conditions météorologiques.
1.3 Objectifs
1.3.1 Objectif principal
En réponse à cette lacune, notre objectif premier était de valider le modèle de météorologie urbaine QES à l’aide de données météorologiques mesurées à très haute densité spatiotemporelle. Néanmoins, des embûches dans le développement du modèle ont restreint la validation à deux des quatre modules qui le composent. Ainsi, l’objectif principal de ce mémoire est d’évaluer la performance d’un module de vent, nommé QUIC, et d’un module de rayonnement solaire, nommé QESRadiant. Le travail a été fait en étroite collaboration avec plusieurs chercheurs de l’Université d’Utah et de Minnesota Duluth aux États-Unis.
I. Organiser les données météorologiques disponibles et sélectionner les données valides pour l’évaluation du modèle.
II. Modéliser un quartier urbain en 3D en incluant la végétation et différentes propriétés de surface.
III. Simuler les vents dans le domaine à une résolution de ~2 m avec le module QUIC. IV. Simuler le rayonnement solaire incident dans le domaine à une résolution de ~2 m
avec le module QESRadiant.
V. Évaluer la performance de QUIC en comparant les données observées et simulées. VI. Évaluer la performance de QESRadiant en comparant les données observées et
simulées.
VII. Simuler le bilan énergétique de surface pour une seule surface simple à l’aide du modèle de surface potentiel de QES.
VIII. Évaluer la performance du modèle de surface de QES à l’aide de données de flux de chaleur d’une tour d’observations météorologiques.
IX. Faire des recommandations pour l’amélioration du modèle de surface.
1.4 Présentation du document
Le corps de ce mémoire se divise en cinq sections. Le chapitre 2 survole les notions théoriques concernant le microclimat urbain et décrit le modèle microclimatique QES dans son ensemble. Le chapitre 3 présente l’analyse préliminaire des données climatiques utilisées pour la validation ainsi que la méthode utilisée pour la modélisation du domaine en 3D. Le chapitre 4 présente la validation du module de vent et de rayonnement utilisant des données d’observation à haute densité spatiotemporelle par l’article nommé « Validation of a wind solver (QUIC) and radiation-transfer model (QESRadiant) using a dense array of urban meteorological observations ». Le chapitre 5 présente des travaux connexes concernant l’évaluation et le développement du module de surface proposé pour QES. Le chapitre 6 conclut le mémoire avec une réflexion des travaux présentés.
Chapitre 2: Notions théoriques
2.1 Notion d’échelle
Selon l’échelle spatiale horizontale, spatiale verticale et temporelle, différents phénomènes atmosphériques entrent en jeu. Les échelles, telles que définies dans Oke (1987) sont :
Microéchelle : 1 cmà 1 km Échelle locale : 100 mà 50 km Mésoéchelle : 10 à 200 km Macroéchelle : 100à 105 km
Dans le cas présent, nous nous intéressons à des phénomènes l’ordre de 1 m, ce qui, tel qu’illustré à la Figure 1, se résume à de la turbulence.
2.2 Bilan énergétique de surface
en milieu urbain
Le bilan énergétique de surface englobe les interactions entre le sol, la surface et l’atmosphère. L’énergie reçue, emmagasinée et dégagée par la surface fait varier les conditions micrométéorologiques d’un endroit à un autre. Le bilan énergétique de surface peut se calculer par le bilan des flux de chaleur tel que résumé par l’équation suivante (en W m-2):
Figure 1 - Phénomènes météorologiques en fonction des échelles spatiales et temporelles. Source : Oke (1987)
Figure 2 - Composantes du bilan énergétique de surface pour d’un site en milieu (a) urbain et (b) rural lors d’une journée ensoleillée. Source : Oke (1987)
∗ ∆ ( 1 )
Où ∗ est le rayonnement net à la surface, le flux de chaleur dans le sol, le flux de chaleur sensible, le flux de chaleur latente et ∆ est l’énergie emmagasinée. La Figure 2 montre un bilan énergétique de surface typique d’une journée ensoleillée en banlieue et en zone rurale. Le flux de chaleur dans le sol est l’énergie qui transite de manière conductive de la surface vers les couches plus profondes. Le flux de chaleur sensible est l’énergie qui transite de manière convective entre l’air et l’atmosphère et qui contribue à l’augmentation de la température de l’air au-dessus de la surface. Le flux de chaleur latente est l’énergie ayant transformé l’eau de la surface en vapeur d’eau. De ce fait, le flux de chaleur latente entraîne un changement de phase (liquide à gazeux ou solide à gazeux) plutôt qu’une variation de température. Les flux de chaleur sensible et latente sont interdépendants et varient notamment en fonction de l’eau disponible à la surface. En milieu urbain, les surfaces imperméables et le peu de végétation laissent peu d’eau disponible pour l’évapotranspiration. Une faible évapotranspiration entraîne un faible flux de chaleur latente et, donc, un flux de chaleur sensible plus élevé, ce qui contribue à l’augmentation de la température de l’air.
2.3 Bilan radiatif en milieu urbain
Le rayonnement net contenu dans le bilan énergétique de surface s’exprime ainsi (en W m -2) :
∗ ∗ ∗ ( 2 )
∗ ( 3 )
∗ ( 4 )
Où ∗ est le rayonnement net à la surface, ∗ est le rayonnement solaire net qui résulte du rayonnement solaire incident ( ) auquel on soustrait le rayonnement solaire réfléchi (K). De même pour le rayonnement infrarouge net ( ∗ qui résulte du rayonnement infrarouge reçu (L ), auquel on soustrait le rayonnement infrarouge émis (L). La Figure 3 montre un exemple des composantes du bilan radiatif de surface pour un site plat idéal lors d’une journée ensoleillée. La Figure 4 compare les composantes des bilans radiatifs de jour et de nuit.
Le rayonnement solaire, ou rayonnement de courtes longueurs d’onde, est la composante énergétique la plus importante en journée. Il combine le rayonnement direct du soleil, le rayonnement diffus de l’atmosphère et la réflexion d’autres surfaces. L’exposition au rayonnement solaire varie en fonction des obstacles environnants. Le rayonnement solaire réfléchi dépend principalement de l’albédo de la surface. L’albédo (α) est la fraction de
rayonnement réfléchi par la surface, soit le rapport de rayonnement réfléchi sur le rayonnement reçu.
∗ K 1 α ( 5 )
Ainsi, une surface ayant un grand albédo absorbe peu d’énergie solaire (ex. surface blanche), inversement un albédo très faible, comme de l’asphalte, reflète peu et absorbe beaucoup d’énergie. En milieu urbain, les nombreuses façades verticales peuvent emprisonner les rayons solaires réfléchis. De ce fait, une proportion des rayons qui auraient été renvoyés à l’atmosphère en milieu naturel finit par être absorbée en milieux urbains, tels qu’illustré à la Figure 5. Ainsi, une bonne estimation du rayonnement solaire incident est primordiale pour toute simulation météorologique à petite échelle.
Figure 4 - Composantes du bilan d’énergie pour une surface simple (a) de jour et (b) de nuit. Source : Oke (1987)
Le rayonnement infrarouge est défini comme le rayonnement de longues longueurs d’onde émis par un corps. L’énergie absorbée par la surface, soit solaire ou infrarouge, est relâchée sous forme de rayonnement infrarouge souvent calculé suivant la loi de Stefan-Boltzmann pour une surface plane :
L 1 I ( 6 )
Où est la constante de proportionnalité de Stefan-Boltzmann (5.67 x 10-8 W m-2 K-4), est la température du corps (K) et est l’émissivité de la surface. En milieu urbain, étant donné que les surfaces absorbent plus d’énergie vue leurs propriétés, ils émettent plus d’énergie. Néanmoins, le rayonnement infrarouge dépend de l’énergie emmagasinée par la surface qui elle dépend du rayonnement solaire.
Diverses méthodes de modélisation du rayonnement solaire existent, celles-ci sont abordées à la section 1 du chapitre 4.
2.4 Écoulement d’air en milieu urbain
La géométrie en milieu urbain a un impact important sur le bilan radiatif et thermique, mais également sur l’écoulement d’air. En effet, la disposition des bâtiments perturbe les directions et vitesses des vents, ce qui modifie le transfert de chaleur, d’humidité et de contaminants dans l’air. De manière générale, l’écoulement autour d’un obstacle isolé tel un bâtiment ou un arbre forme quatre zones tel qu’illustré à la Figure 6. D’abord, le vent non perturbé (zone A, Profil 1) s’approche de l’obstacle, puis (zone B, Profil 2) se contracte, se sépare et accélère pour passer au-dessus et sur les côtés. Tout juste dernière l’obstacle (zone C,Profil 3), un effet de succion est créé par la pression très faible qui aspire une portion de l’air de la zone B formant de fortes turbulences, plus précisément un vortex semi-stationnaire. L’autre portion de l’air de la zone B poursuit dans le sens de l’écoulement initial, la pression est plus faible, l’air prend de l’expansion, décélère et comble le volume en aval de l’obstacle (zone D, Profil 4 et 5). Après une certaine distance dépendant de la hauteur et de la densité de l’obstacle (arbre ou bâtiment) et de la vitesse du vent, l’écoulement reprend son régime initial.
Le milieu urbain présente plusieurs bâtiments agencés différemment qui entraînent différents phénomènes d’écoulement tels qu’illustrés à la Figure 7. Lorsque l’espace entre les bâtiments est insuffisant pour développer la zone D vue à la Figure 6a, il se crée un phénomène de canyon urbain (Figure 7 a et b). Ces canyons créent des vortex qui emprisonnent l’air (Figure 7 a et b),
empêchant ou réduisant les échanges de chaleur et des contaminants. Également, les bâtiments de hauteur importante créent des vortex plus puissants à l’aval, ce qui y emprisonne l’air (Figure 7 c et d).
Figure 6 - Écoulement d’air autour d’un bâtiment isolé. (a) Profil des lignes de courant des quatre zones d’écoulement. (b) Profil de vitesse. Vue en plan des lignes de courants pour un bâtiment (a) perpendiculaire et (d) parfaitement oblique. Source : Oke (1987)
Figure 7 - Écoulement d’air en fonction de la disposition des bâtiments. Source : Oke (1987)
Autrement, lorsque les rangées de bâtiments sont parallèles à l’écoulement, l’air se contracte pour s’y infiltrer et, par le fait même, s’accélère. Cela crée un « effet Venturi » où les vitesses de vent sont plus importantes.
Évidemment, le niveau de complexité augmente lorsque l’on considère les écoulements en trois dimensions à l’intérieur de domaines complexes avec différents types de bâtiments et de la végétation. En réponse à la complexité des écoulements compressibles, différentes méthodes numériques ont été développées pour les résoudre en 2D et en 3D. La méthode la plus répandue fait appel à des modèles CFD (Computational Fluid Dynamics) qui seront détaillés davantage au chapitre 3.
2.5 Modélisation micrométéorologique en milieu urbain
Afin de mieux comprendre les phénomènes météorologiques de microéchelle en milieux urbains, trois approches sont principalement employées (Singh and Laefer 2015) : (1) les essais en soufflerie, (2) les campagnes de mesures sur le terrain et (3) la modélisation numérique.
Les essais en soufflerie permettent de recréer des conditions idéales pour analyser différents aspects des écoulements. Ceux-ci permettent de simuler différentes configurations typiquement problématiques afin d’évaluer la performance d’un modèle. Cette approche est encore couramment utilisée pour analyser la performance des modèles numériques d’écoulements.
Contrairement aux essais en soufflerie, les campagnes de mesures sur le terrain permettent d’analyser les variables météorologiques dans un environnement réaliste. Les mesures sont souvent relevées à l’aide de stations météorologiques en un ou quelques points d’un domaine d’étude (ex. un campus universitaire). Cependant, peu de campagnes déploient suffisamment de stations météorologiques pour obtenir une bonne représentativité spatiale de la météorologie du terrain étant donné que la mise en place de ce type d’étude nécessite beaucoup de ressources, autant financières qu’humaines.
Étant donné les coûts importants associés aux essais en soufflerie et aux campagnes de mesures sur le terrain, les modèles numériques microclimatiques s’avèrent plus utilisés. Ces modèles tentent de reproduire les variables météorologiques à l’aide d’éléments finis et d’équations mathématiques. Les avancements en informatique permettent de développer des modèles numériques plus accessibles, économiques et rapides. Les modèles récents
permettent de modéliser des domaines plus réalistes en 3D avec des résolutions plus fines. De plus, dépendamment du modèle, il est possible de considérer des éléments complexes tels que la végétation, les émissions des véhicules, les fenêtres et autres détails architecturaux. Les modèles de type CFD sont les plus répandus, ceux-ci résolvent les équations de conservation de masse, quantité de mouvement et d’énergie. Ceux-ci sont abordés plus en détail au chapitre 4. Typiquement, les modèles CFD visent des résultats de simulation les plus exacts possibles, souvent au détriment du temps de calcul. En réponse à cela, des méthodes alternatives aux modèles CFD sont développées, tel que le modèle QES présenté dans le cadre de ce mémoire.
Finalement, malgré les avancements informatiques, les études en soufflerie ou sur le terrain demeurent essentielles au développement et à la validation des modèles numériques. Bien que de nombreux modèles numériques soient développés, peu sont validés dans des conditions réalistes. La validation des modèles numériques se fait souvent à l’aide de cas types, de tests en soufflerie ou de données provenant de quelques points d’un terrain. Très peu de modèles ont été évalués sur un terrain complexe réel à l’aide d’observations à haute densité spatiotemporelle tel que présenté au chapitre 4.
2.6 Description du modèle microclimatique urbain QES
QES (QUIC EnvSim) est un modèle numérique en développement qui vise à simuler la météorologie en milieu urbain, soit les vents, le rayonnement, les températures de l’air et de surface, l’humidité, etc. Il permet de modéliser différents aménagements complexes en 3D avec une résolution de l’ordre du mètre. Il permet également de modéliser la végétation et différents types de surfaces pour les murs et le sol. Tel qu’illustré à la figure 1, QES combine quatre modules permettant de simuler les composantes du microclimat urbain, soit un module de vent, de rayonnement, de surface et de transport turbulent. Parmi ceux-ci, seuls les modules de vent et de rayonnement sont opérationnels au moment de la rédaction — les deux autres sont en développement. Ultimement, ces quatre modules fonctionneront de manière couplée.
1. Le module de vent, nommé QUIC (Quick Urban Industrial Complex), permet de simuler rapidement les vitesses et les directions de vent. Initialement, ce module est un modèle de dispersion atmosphérique développé par le laboratoire national de Los Alamos aux États-Unis. Il vise à simuler rapidement la dispersion d’un contaminant dans l’air en milieu urbain (Brown 2004; Gowardhan et al. 2011). Bien que ce module ait déjà été validé à plusieurs reprises, aucune validation n’a encore été faite en intégrant la végétation.
2. Le module de rayonnement, nommé QESRadiant, permet de simuler le parcours des rayons solaires et infrarouges. Ce module utilise des innovations en programmation afin de diminuer le temps de calcul, soit l’utilisation de processeurs graphiques et la méthode du lancer de rayon (Ray tracing) (Overby et al. 2016). Ce module a précédemment été validé en un seul point d’un canyon urbain.
3. Le module de surface permet de simuler les échanges de chaleur entre la surface terrestre et l’atmosphère, soit les flux de chaleur sensible, latente, l’énergie emmagasinée sous la surface, le contenu en eau de la surface ainsi que les températures de surface. Ce module nécessite qu’on lui fournisse des données de vitesses de vent et de rayonnement, qui ultimement lui seront fournies par les QUIC et QESRadiant. Pour le moment, étant donné que les modules ne sont pas couplés, les données de vent et de rayonnement proviennent de données d’observation. Dans le cadre de la présente étude, contrairement aux modules précédents, le module de surface a été évalué en un seul point étant donné qu’il nécessite
davantage de développement pour pouvoir modéliser un domaine complexe en 3D qui considère la végétation et différents types de surfaces.
4. Le module de transport turbulent vise à simuler les transferts de chaleur et d’humidité dans l’air. Celui-ci nécessite les données des trois précédents modules pour modéliser les différentes variables météorologiques, telles que la température et l’humidité relative. Étant donné que ce dernier n’est pas encore pleinement opérationnel, il n’a pas été évalué ni validé.
Figure 8 — Schéma du modèle QUIC EnvSim
Modèle QES
*Développement en cours
QUIC Module de vent Vitesse et direction des
vents Module de surface* Températures des surfaces Flux de chaleurs sensibles, latents Stockage de chaleur Module de transport turbulent* Température de l’air Humidité relative QESRadiant Module de rayonnement Rayonnement solaire et
Chapitre 3: Validation du module de
vent et de rayonnement à l’aide de
données d’observation à haute densité
spatiotemporelle
Titre :
Validation of the QUIC-URB wind solver and QESRadiant
radiation-transfer model using a dense array of urban
meteorological observations
Coauteurs :
Daniel F. Nadeau1, Eric R. Pardyjak2, Matthew Overby3, Pete Willemsen3, Rob Stoll2,
Brian N. Bailey2, and Marc Parlange4
1 Department of Civil and Water Engineering, Université Laval, Quebec, Canada 2 Department of Mechanical Engineering, Univerisity of Utah, Salt Lake City, USA 3 Department of Computer Sciences, Univerisity of Minnesota Duluth, Duluth, USA 4 Department of Civil Engineering, Univerisity of British Colombia, Vancouver, Canada
Journal :
Urban Climate
Résumé de l’article
L’article suivant présente la validation de QUIC, un modèle numérique de vent à convergence rapide, et QESRadiant, un modèle numérique de rayonnement. Ces deux modèles font partie d’un modèle microclimatique urbain nommé QUIC EnvSim (QES), l’objectif est de simuler les différentes variables météorologiques à très haute densité spatiotemporelle (~1 min, ~1 m) en milieu urbain. Les deux modules (QUIC et QESRadiant) ont été validés sur un secteur de 5,85 ha ayant une géométrie complexe, plusieurs arbres isolés et groupés ainsi que différents types de surface. D’abord, les vitesses simulées par QUIC ont été comparées aux observations de 19 stations sur 10 jours avec un pas de temps de 30 min. Bien que les vitesses simulées sont sous-estimées en aval des bâtiments, les résultats sont satisfaisants considérant les simplifications empiriques du modèle et le court temps de calcul (r² = 0,562, MAE = 0,65 ms-1). Ensuite, le rayonnement solaire incident simulé par QESRadiant a été comparé aux observations de 17 stations sur 7 jours ensoleillés avec un pas de temps de 2 minutes. Dans l’ensemble, les résultats sont très satisfaisants (r² = 0,946). En termes de temps de calcul, les deux modèles ont complété les simulations en quelques minutes sur un ordinateur portable.
Abstract
This study assesses the performance of QUIC-URB, a fast-response urban flow model, and QESRadiant, a ray tracing radiation transfer model. Both models are components of the QUIC EnvSim 3D urban micro-scale model, which aims to simulate meteorological variables at high spatiotemporal resolution (~1 min, ~1 m) in urban settings. The validation was performed over a 5.85 ha sector of a university campus, in which complex 3D building geometry, vegetation, and various surface materials were modelled. First, wind speeds computed with QUIC-URB were compared to 30-min measurements over 10 days at 19 locations. Although results showed a significant underestimation for locations in the wake of buildings, considering model assumptions, its inexpensive computational cost, and measurements uncertainty, the agreement between computed and measured wind speeds is good (r² = 0.562, Mean absolute error =0.65 m s–1). Second, incoming radiation computed with QESRadiant was compared to 2-min measurements over seven clear sky days at 17 locations. Overall, the agreement between computed and measured incoming solar radiation was excellent (r² = 0.946). For both models, simulations were run successfully on a standard laptop machine with highly reasonable computational cost, on the order of minutes.
3.1 Introduction
Urban climate models are valuable tools in practical applications such as air quality control, building energy efficiency analyses, and urban planning. Recently developed models tend to be more complex, at the expense of larger computational costs (Antonioni et al. 2012; Arnfield 2003; Mirzaei 2015; Wegener 2011). Such models can broadly be categorized into three groups based on their spatial scale of interest (Mirzaei 2015):
Building-scale models focus on isolated buildings and can be utilized to control indoor air
quality and thermal comfort (e.g., Crawley et al. (2001); Salamanca et al. (2010));
Micro-scale models operate at the neighbourhood scale and are used among others in urban
planning and pedestrian thermal comfort studies (e.g., Blocken et al. (2016); Taleghani et al. (2015));
City-scale models, characterized by a coarse resolution, are used among others in the
evaluation of urban-scale policies to mitigate urban heat islands (e.g., Leroyer et al. (2011); Yang et al. (2013)).
Of the three, micro-scale models appear the most flexible given that they incorporate interactions between the urban surface and the flow while still being able to resolve buildings. Most existing micro-scale models use a computational fluid dynamics (CFD) approach, either by solving Reynolds-averaged Navier-Stokes (RANS) equations (e.g., ENVI-Met© (Ambrosini et al. 2014; Bruse 2004; Elnabawi et al. 2013; Huttner and Bruse 2009; Maggiotto et al. 2014; O’Malley et al. 2015; Ozkeresteci et al. 2003; Taleghani et al. 2015) and SOLENE-Microclimat (Bozonnet et al. 2013; Morille et al. 2015)) or with Large-Eddy Simulations (LES; e.g., (Antonioni et al. 2012; Neophytou et al. 2011)). Although both RANS and LES can provide high resolution and accuracy given their physical bases, the required computation time is significant (particularly in the case of LES). An alternative to traditional CFD modeling is the use of a mass-consistent empirical diagnostic approach, in which flow fields around buildings are first prescribed based on geometry and then forced to satisfy mass conservation. These types of models, such as the Quick Urban and Industrial Complex 3D wind model (QUIC-URB) are known for their low computational cost, simple boundary conditions yet reasonably accurate results (Brown et al. 2010; Gowardhan et al. 2011; Gowardhan et al. 2006; Gowardhan et al. 2010; Hanna et al. 2002; Hanna et al. 2011; Hanna et al. 2006; Kaplan and Dinar 1996; Pardyjak and Brown 2001; Singh et al. 2008;
Similar to atmospheric flows, radiative exchanges in urban areas are challenging to model given their complexity. Many radiative models follow one of two basic approaches, radiosity and ray-tracing. In radiosity methods (Matzarakis et al. 2010), radiative transfer is computed based on geometrical view factors and the radiation energy balance, while in ray-tracing methods (Halverson 2012; Overby et al. 2016), rays of energy are tracked as they traverse through the medium of interest. In both cases, the model performance heavily relies on the accuracies of the digital elevation dataset used to build up the surface geometry and of the incoming solar radiation used as a top boundary condition. Due to computational expense, all radiation models must make simplifying assumptions, for instance the exclusion of anisotropic reflections and inter-reflections between surfaces and multi-reflections of a single ray (Freitas et al. 2015). In the same way, only a few models allow for tilted surfaces, distinct vegetation type surfaces, or inhomogeneous building walls. While both types of radiative models are known to perform similarly (Beckers and Beckers 2013; Gros et al. 2011), ray-tracing methods, like the one used in this study (QESRadiant, see Overby et al. 2016), afford expensive computation by exploiting highly parallel hardware called Graphic Processors Units (GPU).
One common characteristic of urban wind flow solvers and radiation models is that they both suffer from a lack of validation studies conducted over realistic urban terrain including trees, complex 3D geometry and various surface materials, mainly because distributed meteorological measurements over such environments are rarely available (Freitas et al. 2015). While most wind solver validation studies have been performed using wind-tunnel measurements over idealized geometries (Allegrini et al. 2015; Antonioni et al. 2012; Moonen et al. 2013; Nemati Hayati et al. 2016), fewer have used in situ urban meteorological data (Hanna et al. 2011; Neophytou et al. 2011), with little to no consideration for the effect of vegetation on the flow. Similarly, incoming solar validation studies have mostly been restricted to a limited number of point measurements (El Mghouchi et al. 2016; Ineichen 2016) or along a single vertical profile within a given city (Overby et al. 2016).
This study presents an assessment of the performance of the wind flow solver, QUIC-URB, and a radiation-transfer model, QESRadiant, both being components of a micro-scale model in development, QUIC EnvSim (QES), in reproducing observations from a dense array of observations collected over a university campus. Although these two modules have been previously validated individually (Hanna et al. 2011; Neophytou et al. 2011; Overby et al.
2016; Singh et al. 2008), this study presents the first multi-site validation of a realistic urban setting that includes vegetation.
3.2 Model Description
The goal of QES is to simulate energy, moisture and momentum exchanges between the airflow and adjacent urban surfaces (Bailey et al. 2014; Briggs 2015; Overby et al. 2016). Hence, QES aims to simulate meteorological variables (air temperature, relative humidity, wind speed and direction) at high temporal (~ 1 min) and spatial resolution (~ 1 m). QES combines two distinct modelling systems: QUIC and EnvSim. At the moment of this study, those two systems are not fully coupled and have to be run independently. Since our study focuses on QUIC and the submodel QESRadiant of EnvSim, we will not describe the other submodels of EnvSim (the land-surface scheme and QESTransport).
3.2.1 QUIC
The Quick Urban and Industrial Complex (QUIC) dispersion modelling system is a fast-response, building-resolving dispersion model initially designed to simulate the dispersion of chemical, biological and radiological agents in urban areas in case of an accidental or deliberate release (Brown et al. 2014; Brown et al. 2010; Gowardhan et al. 2011; Gowardhan et al. 2006; Hanna et al. 2006; Nemati Hayati et al. 2016; Pardyjak and Brown 2001; Singh et al. 2008). QUIC combines three modules: (1) URB, an urban wind model, (2) QUIC-PLUME, a dispersion model and (3) QUIC-Pressure, a pressure solver.
To build the domain geometry, QUIC can extrude buildings and trees from aerial maps to user-specified heights. Complex buildings are composed of multiple rectangular prisms, while trees are modelled as cylinders, whose height and diameter match those of the tree crown. The upwind wind profile is either theoretical (power-law, log-law, urban canopy) or based on observations.
Once the domain and boundary conditions are set, QUIC produces initial wind fields by empirically parameterizing stream flow characteristics around buildings and vegetation and then applying mass conservation, following the approach of Röckle (1990) and Kaplan and Dinar (1996), instead of solving the full mass, momentum and energy conservation equations directly. The outcome is a reasonably accurate wind field with significantly shorter computation time – on the order of seconds to minutes at the neighborhood scale (Singh et al. 2008). These flow fields are then used as inputs in the EnvSim modelling system.
3.2.2 EnvSim
EnvSim is a microclimate modelling system currently in development. It employs graphics processing units (GPUs) to accelerate computer simulations (Bailey et al. 2014; Briggs 2015; Overby et al. 2016). This system includes a radiation transfer module, QESRadiant, a turbulent transport model, QESTransport, and a land-surface scheme. All submodel simulations rely on the same virtual domain, which is created in EnvSim.
Since microclimate simulations highly depend upon material properties (both surface and vegetation), the simulation domain in EnvSim is more detailed than within QUIC. To maintain cross-compatibility, EnvSim retrieves the 3D domain in QUIC without trees, and segments all 2D surfaces into smaller square units called patches. For each patch or group of patches, the user can assign a material (e.g., concrete, grass, glass), each with its own physical properties to model urban surfaces such as building walls, parks, windows, etc. For radiative transfers, these physical properties include surface albedo, transparency, and emissivity. Trees are added to the domain by the user. Each tree in EnvSim is composed of a rectangular trunk topped by a crown made up of vegetation volumes, defined as semi-transparent cubes. The material properties of each cube define the radiation that is transmitted (passes through), scattered (isotropic), and absorbed. The parameters that respectively define this behavior are transmissivity, reflectivity, and absorptivity. Since the scattering is isotropic for all wavelengths, the specified reflectivity accounts for both diffuse and specular reflections. Additionally, the user can set the leaf area density and emissivity. A simulation domain in EnvSim can easily contain millions of patches and vegetation volumes.
3.2.2.1 QESRadiant
QESRadiant uses ray tracing algorithms and GPU acceleration to efficiently solve the radiation energy budget for each patch of the domain (Overby et al. 2016). Ray tracing is widely used in computer graphics to create realistic virtual images.
When QESRadiant is activated, millions of shortwave rays are launched from the sun and from the atmosphere, accounting for direct and diffuse downwelling shortwave radiation, respectively. All rays carry a certain amount of energy and travel through the domain. When a ray encounters a surface patch, a fraction of its energy is reflected, another fraction is scattered, and the rest is absorbed. When a ray encounters a vegetation volume, a fraction
of its energy is scattered, another fraction transit through the volume, and the rest is absorbed. A ray can encounter multiple patches and vegetation volumes until it either runs out of energy or is expelled from the domain. The amount of energy absorbed, reflected, and scattered by each patch or volume depends on its material properties, the position of the sun and the surrounding areas (e.g., a nearby reflective window). Since this method is repeated for millions of rays, the massively parallel architecture of GPUs minimizes runtime. Although QESRadiant can model longwave radiation, it was not considered in this analysis given the lack of in situ observations. The reader can refer to Bailey et al. (2014) and Overby (2016) for more details on this aspect of the model.
QESRadiant requires simulation time and date, and the domain coordinates (latitude and longitude) as data inputs, mainly to define the sun’s position in the sky. When available, measurements of downwelling shortwave radiation above the urban canopy can also be supplied to the model. Otherwise, the model provides theoretical estimates following the Monteith and Unsworth (2013) solar radiation model.
3.3 Methods
3.3.1 Study Site
The validation analysis was conducted over the north sector of the École Polytechnique Fédérale de Lausanne (EPFL) campus in Switzerland (Fig. 1). This moderate urban area contains various challenging elements from a modelling standpoint such as a pedestrian bridge, a glass building, a small forest, multiple terraces, green roofs and many isolated trees. The campus is mostly flat and occupied by buildings, roads, vegetation and parking lots. The building heights are on average between 12 and 15 m, with some rising up to 30 m. In 2006-07, the EPFL campus hosted a major 9-month field campaign (the Lausanne Urban Canopy Experiment, LUCE), during which a dense network of meteorological stations was deployed (Nadeau et al. 2009). Hence, the complexity of the surface geometry combined with the high spatiotemporal resolution of meteorological measurements make the EPFL campus an ideal site to assess the performance of QUIC and QESRadiant.
Figure 9 – Aerial view of the EPFL Campus (46.521°N, 6.567°E) with the location of the different meteorological stations. Source: Google
Maps, 2008.
Table 1 – List of meteorological stations used in this study.
Station
ID Level
Elevation above ground (m)
Elevation angle to nearest obstacles (°) East South West North
3 Ground 1.32 14 8 50 60 5 Ground 1.35 16 14 16 30 9 Terrace 9.53 20 8 6 2 13 Terrace 13.67 4 0 60 2 14 Terrace 13.73 8 60 6 0 15 Terrace 9.79 6 6 50 6 17 Ground 1.27 30 12 122 60 18 Terrace 9.81 60 16 4 2 21 Ground 1.42 12 8 90 12 23 Ground 1.34 50 40 60 30 25 Ground 1.50 30 12 14 6 26 Ground 1.52 14 8 20 18 30 Ground 1.37 40 18 10 18 45 Ground 1.52 12 14 30 14 56 Rooftop 13.70 4 60 6 0 64 Rooftop 17.15 2 0 4 4 76 Rooftop 13.22 8 0 4 0 105 Rooftop 17.13 0 2 2 0 122 Rooftop 1.32 2 0 2 6 REF Rooftop 17.11 2 0 2 2
3.3.2 Meteorological Observations
During the LUCE field campaign, a wireless network of 92 low-cost meteorological stations, called Sensorscope stations (Barrenetxea et al. 2008), were distributed between three levels (ground, terraces, i.e. 4-12 m above ground, and rooftops) and over different surfaces (gravel, vegetation, concrete, etc.) (Fig. 1). Although these stations measured several meteorological variables every 30 sec (see Nadeau et al. 2009), only wind speed and incoming shortwave radiation are used in this study. Out of 92 stations deployed, 17 recorded global incoming shortwave data with Davis Instruments solar radiation sensors (model 6450, resolution: 1 W m–2, accuracy: ±5%), and 20 recorded wind speed with Davis Instruments anemometers (model 7911, resolution: 0.1 m s–1, accuracy: ±1 m s-1). Unfortunately, the wind vanes were not properly calibrated so the wind direction data are
not usable. Also, presumably as a result of data logger issues, wind speeds below 1.28 m s–1 were not recorded, which limits the validation of QUIC to windy days only.
Along with Sensorscope stations, a Scintec MFAS Doppler sound detection and ranging (SODAR) wind profiler was also installed south of the campus (Fig. 1), providing 30-min averages of wind speed and direction every 10 m between 50 m and 400 m above ground level. The SODAR resolution for horizontal wind velocities is 0.1 m s–1, and 1.5° for wind direction.
3.3.3 Ancillary Remote Sensing Data
The surface geometry and properties were extracted from a high-resolution digital elevation model (DEM) and Google Maps satellite images. The DEM was obtained with an airborne lidar, with 1-m horizontal resolution and 0.15-m vertical resolution (Magalhães Carneiro 2011). The DEM allowed for the accurate definition of building geometries and for detecting groups of trees as well as isolated tall trees. Some surface features (e.g. bushes) that were not detected by the DEM were added in the computational domain by manually inspecting satellite images. The latter also allowed identification of surface materials for ground surfaces, walls, and rooftops.
3.3.4 Numerical Setup
3.3.4.1 Computational Domain
In this study, we employed an outer domain (orange rectangle in Fig. 1) for QUIC-URB simulations, and an inner domain (yellow rectangle in Fig. 1) for QESRadiant simulations and for the validation of both models.
The outer domain size was 896 m x 642 m x 100 m, whereas the inner domain was a 250 m x 234 m x 40 m volume encompassing the stations collecting incoming shortwave radiation and wind speed data (Fig. 1). Within the inner domain, the building heights varied from 4 to 30 m, with an average height of 11 m. In both domains, the horizontal grid resolution was ∆x = ∆y = 2 m. QUIC was run using an exponential vertical grid resolution of ∆z varying from 0.3 m near at the lowest level adjacent to the ground to 8.9 m at the upper limit of the domain. QESRadiant was run using a homogeneous vertical grid resolution of ∆z = 2 m. The selected spatial resolution represented the best compromise between computational cost and ability to capture realistic solid boundaries. Unfortunately, small and
subtle surface features such as signalization posts, ventilation systems, architectural details and small bushes could not be resolved.
To build the surface 3D geometry, we extruded buildings and trees from a 2D footprint (Fig. 2a). To do so, we superimposed the DEM and satellite images using QGIS, a free and open source geographic information system (www.qgis.org), and manually drew rectangles and circles to delineate buildings and tree crowns, respectively. Building and tree heights, when available, were obtained with the DEM. Trees that were not captured by the DEM were estimated to be 8 m high by visual inspection. In all cases, the crown diameters matched those of the 2D footprint circles. We assumed the trunk height below the tree crown to be a fifth (1/5) of the crown height, and the trunk diameter an eighth (1/8) of the crown diameter. A few additional surface properties are required for the QUIC wind modelling. Here, a surface roughness length of 0.1 m was used for the ground, as well as for walls and rooftops within the building-resolved domain. To account for the exponential wind profile within vegetative canopy grid cells (Cionco 1965), an attenuation coefficient of 4.03 was selected, corresponding to maple-fir forest (Nelson and Brown 2013).
In QESRadiant, all surface patches present on a single building face (e.g. wall or rooftop) were assumed to be homogeneous (Fig. 2c), i.e. small-scale features like windows, doors or ventilation systems were neglected. All building walls were defined as concrete, except one, which was defined as glass. Standard roofs were set to gravel, and green roofs to grass. At the ground level, pedestrian areas and roads were defined as concrete and the rest as grass. A list of all surface materials used along with their physical properties is presented in Table 2.
Figure 10 – Construction of the inner domain surface geometry. a) 2D building footprints. b) Extrusion of buildings. c) Identification of surface patch materials.
Table 2—Surface materials used in QESRadiant along with their physical properties. PAR stands for photosynthetically-active radiation and NIR for near-infrared radiation. Diffuse fraction describes the ratio of scattered energy to specularly reflected energy.
Material
Properties Grass Concrete Gravel Glass Tree trunk Tree crown
Roughness length (m) 0.10 0.10 0.10 0.10 0.43 0.43
Albedo (PAR/NIR) (-) 0.21/0.21 0.30/0.30 0.30/0.30 0.80/0.80 0.40/0.40 N/A
Diffuse fraction (-) 1 1 1 0.10 1 N/A
Reflectivity (PAR/NIR) (-) N/A N/A N/A N/A N/A 0.071/0.329 Transmissivity (PAR/NIR) (-) N/A N/A N/A N/A N/A 0.051/0.447
Leaf Area Index (LAI) (-) N/A N/A N/A N/A N/A 0.8
3.3.4.2 Boundary Conditions
To set boundary conditions, we used data from the so-called ‘REF’ Sensorscope station (Fig. 1), located just south of the inner domain on a building rooftop. This station had the advantage of being fully exposed to the wind and sun given that it had no nearby obstacles (Table 1).
The inlet wind flow in QUIC was prescribed with the QUIC’s theoretical ‘urban canopy wind profile’ that uses separate expressions for wind above and below the mean canopy height, to account for the attenuation of buildings and vegetation (Nelson and Brown 2013):
( 1 )
where U(z) is the wind speed at elevation z, zref is the height of the REF station (= 18.5 m), z0 is the roughness length, L is the Obukhov length, A is a surface attenuation coefficient and H is the mean canopy height. In this study, we used H = 18 m, d = 12 m, z0 = 1 m, A = 0.5 and L-1 = 0 m-1.Following a sensitivity analysis using field observations, it was found preferable to use H = 18 m rather than the actual mean canopy height of 12 m, which led to an underestimation of wind velocities.
Since Sensorscope stations did not record wind direction properly, the latter was assumed to be identical to that of the lowest SODAR measurement point (50 m above ground). To maintain compatibility between both datasets, wind speed measurements from the REF were averaged over a 30-minute time step to correspond to the SODAR’s measurements. Equation 1 was preferred to that of using exclusively SODAR data given that the validation
0 0ln
,
l
exp
1 ,
n
M ref refz d
z d
z
L
z H
z
z
U H
A
z H
H
z
U z
U
is focused on observations collected just above the surface, where the SODAR was not operational.
Incoming shortwave radiation data from the REF station were also used as inputs in QESRadiant simulations. Although the model can estimate incoming shortwave radiation (Overby et al. 2016) at the top of the domain for a given atmospheric transmissivity, using observations as inputs allows us to focus on the ability of QESRadiant to simulate the trajectories of solar rays in a complex domain including building and trees and highly spatially-variable radiative properties (e.g. albedo).
All simulations were run using a standard laptop computer, namely an Asus X450L Notebook PC with an Intel i7-4500U Central Processor Unit @ 1.80 GHz, and a NVIDIA GeForce GT 720M video card. The typical computational time per timestep was 2 min for QUIC, and 16 min for QESRadiant.
An overview of simulation parameters is presented in Table 3.
Table 3 - Simulation parameters in QUIC and QESRadiant. The grid spacing is 2 m for all directions and simulations.
Model Number of elements Domain size (m) (Lx, Ly, Lz) Inputs Timestep size (min), number of time steps Simulation days (year-month-day)
QUIC-URB 448 x 321 x 40 7 752 320 air cells 896, 642, 100
Inlet urban canopy wind profile including wind speed from REF station and wind direction from
SODAR 30, 480 2006-12-23 2006-12-24 2006-12-25 2007-02-04 2007-03-02 2007-03-03 2007-03-10 2007-03-11 2007-03-23 2007-03-24 QESRadiant 40 405 patches 250, 234, 40
Incoming direct and diffuse shortwave radiation from REF station 2, 5 040 2007-04-10 2007-04-11 2007-04-15 2007-04-17 2007-04-20 2007-04-21 2007-04-22
3.3.5 Validation Method
The performance of QUIC-URB and QESRadiant was assessed using field measurements collected by Sensorscope stations distributed at different levels (ground, terraces, and rooftops) and with varying degrees of exposure to nearby obstacles (e.g., under an isolated tree, near building wall, etc.) within the inner domain (Table 1).
The validation period used for QUIC simulations included ten windy days during April 2007 (Table 3), given that Sensorscope stations did not function properly under low wind speeds (see section 3.2.1). As such, this analysis is limited to cases of moderate to strong incoming winds. A total of 19 stations measuring wind speed were used in the validation analysis (Fig. 1).
The validation period for QESRadiant simulations was composed of seven clear-sky days selected from December 2006 to March 2007 (Table 3). Using data from 16 stations, we analyzed total daily radiation and delays in local sunrise and sunset. Local sunrise is defined as when incoming direct radiation first starts to increase following astronomical sunrise at a given site, and local sunset as when it goes to zero later in the day, before astronomical sunset.
For both models, we performed an overall validation, grouped validation according to common characteristics, and site-by-site validation. To do so, we used four common statistical metrics: the coefficient of determination (r2), the refined index of agreement (RIA), the mean absolute error (MAE) and the percent bias (PB).
Although r² is widely used, it is known to be oversensitive to extreme values and insensitive to systematic bias in data means or variances. RIA overcomes these weaknesses, defined as (following Willmott et al. 2012):
( 2 )
Where is the predicted data at i, is observed data at i, is the mean of observed data. The RIA is a correlation-based indicator of overall performance, as it compares the sum of absolute errors with the sums of the perfect-model-deviation and observed-deviation magnitudes. This indicator varies from -1 to 1, where 1 indicates a perfect model, and 0 indicates that the model is just as good as the mean of observations. A negative value of dr
indicates a poor model performance. 1 1 1 1 1 1 1 1
1
,
2
2
2
1,
2
n n n i i i i i i n i i i i n n n i i i i i n i i i i iO
S
O
P
O
O
O O
R
O
P
P
IA
O
O
O O
O
iP
O
i O3.4 Results and Discussion
3.4.1 2-m wind velocity
Figure 3 shows a sample wind field simulated by QUIC-URB on 23 December 2006 at 1000 local time. A qualitative analysis of the figure reveals that several key flow features are well captured by the model, including deceleration downstream of vegetation and buildings, vertical vortices between buildings (street canyons), horizontal vortices in the wake of buildings, and flow divergence on the upwind building walls.
Figure 4 presents a quantitative comparison between computed and measured wind speeds. Overall, QUIC-URB had an r² of 0.56, a RIA of 0.37, a time-step MAE of 0.65 m s– 1 and a PB of –12.1%. The model performance has strong spatial variability, depending on the proximity and orientation of obstacles (Fig 5. and Table 4). The model compares well with observations for stations located on rooftops (stations 64, 76, 105 and 122) and on terraces (stations 9, 13, 14, 15 and 56), particularly in the absence of upstream obstacles. These cases correspond to most data points gathered along the 1:1 line on the interval 1-2 m s–1. While most trend and patterns are well captured, QUIC-URB underpredicts wind velocities in the wake of obstacles, as seen on the interval of computed wind velocities between 0 and 0.5 m s–1. For the most part, these cases correspond to stations 3, 5, 17, 21, 26 and 30, all located downstream of buildings regardless of the wind direction. We should note however that the modeled wind velocities appear to be within the measurement accuracy for low wind speeds (see section 3.1.1).
Figure 6 shows four typical diurnal cycles of wind speeds at different locations within the inner domain. In general, stations located on rooftops, such as station 76 shown in Fig. 6a, present an excellent agreement between modelled and observed wind speeds, same as most stations installed on terraces (e.g. station 14 in Fig 6b).
In the case of stations located at the ground level but rarely in the wake of buildings, for instance station 25 shown in Figure 6c, the model is correlated with the observations (r2 = 0.56 in Fig. 6c), but with a persistent negative bias. One might argue that this underestimation is caused by the inlet wind profile. To investigate this, we tested several inlet wind profiles, either purely theoretical (e.g., log-law and urban canopy with different surface roughness parameters), purely empirical (different combinations of sodar and stations’ measurements), or other versions of the mixed ‘empirical/theoretical’ by
incorporating observations from stations located at different levels. None of these had significant impacts on model performance.
Finally, modeled wind speeds in building wakes regardless of wind direction, such as shown in Figure 6d, present the weakest agreement with corresponding observations. Not only is the wind speed underestimated but the modelled values are poorly correlated with the measurements. Singh et al. (2008), who performed a complete evaluation of QUIC-URB using wind tunnel measurements, found a similar pattern with significant underestimation of velocity magnitudes within street canyons. Such bias might be caused by the empirical parameterization of flow downstream or potentially the velocity used to scale the parameterization.
It is worth noting that this result is partially due to the lack of observations below 1.28 m s-1 and the absence of wind direction data. For urban dispersion studies, wind direction is certainly a fundamental variable, but in the context of modelling energy and water exchanges between the urban canopy and the atmosphere (such as in QES), only wind speed is used as an input. A previous validation study from Neophytou et al. (2011), who assessed the performance of QUIC with urban field measurements collected within Oklahoma City, found a similar model performance and pointed out that wind speed was poorly calculated at specific locations, especially in the downwind region of buildings where QUIC overestimated the size of the reverse flow region and underestimated the magnitude of the backflow and reverse flows. This finding is in agreement with Nemati Hayati et al. (2016) , who accessed the performance of QUIC-URB for complex street canyons by using RANS and LES simulations.
Regardless, generally, the model compares well with near-surface wind velocities (the model bias is less than 30% for half of the stations), particularly considering the underlying assumptions, the inexpensive computational cost of the model, and measurement errors.
Figure 11 – Computed wind velocity field on 24 December 2006 at 1000 local time. A) Wind velocity and horizontal streamlines at 1 m above ground. B) Close-up on inner domain with streamlines in the x-y plane at 1 m above ground and a cross-section of streamlines in the x-z plane.
Figure 12 – Predicted and observed wind velocities for all stations Figure 13 – Spatial distribution of the refined index of agreement for wind speed.
