（目录）微气候模型ENVI-met模拟的基本使用教程

ENVI-met微气候模拟全流程指南：从建模到结果输出

城市微气候是影响居民热舒适与建筑能耗的关键因素，数值模拟技术已成为研究其分布规律的重要手段。通过求解三维空间中的流体、辐射与能量平衡方程，微气候模拟工具能够再现温度、风速、湿度等要素的时空变化。该类技术在街谷热环境评估、绿地冷效应分析及热岛缓解策略比选中具有广泛应用价值。然而，从建模到参数标定再到结果解读，每一步都存在直接影响精度的隐性门槛。围绕ENVI-met这一主流微气候模拟平台，系统梳理了网格划分、几何简化、气象与材料参数设置、运行监控及后处理出图的关键要点，并结合实际项目经验给出常见避坑建议，帮助初

ENVI-met城市微气候模拟入门：从CAD底图到可运行模型的完整建模指南

城市微气候模拟是评估建筑布局、绿化配置与户外热舒适的重要手段，其核心是在中尺度气象模型与单体建筑能耗模拟之间搭建一座精细化桥梁。ENVI-met作为耦合风、热、辐射与植被蒸散过程的三维模型，能够通过网格化场景再现街区尺度温度、风速与辐射分布，为规划设计提供定量比较依据。实际工程中，模型构建的质量高度依赖底图数据的精度与场景要素的合理落位，尤其是建筑高度、植被叶面积密度及下垫面属性。借助CAD总平面图或GIS矢量数据进行坐标校正与网格对齐，结合面向行人高度的垂直分层设置，可显著降低初次建模仿真的试错成本。本文

（E2）ENVI-met模型建立——创建项目及数据库的使用

上一篇我们介绍了ENVI-met免费版本的下载及安装，这篇我们介绍如何创建项目并用SPACEs软件创建自己的三维模型。 创建项目 打开桌面上或者开始菜单中的ENVI-met Headquarter，第一次打开后会提示你没有创建工作区间，点击ok 点击change workspace，在路径中选择一个已经存在的文件夹作为工作区间即可，随后创建项目，定义项目描述以及项目文件夹名称，项目文件夹位于工作区间文件路径下，本人的工作区间如下： 打开后的效果如下 建立模型 软件安装后可在开始菜单或者c：/ENVIm

ENVI-met新手入门：从底图制作到微气候模拟全流程指南

城市化进程加剧了热岛效应，行人高度热舒适问题也愈发突出，如何定量评估风场、温度与辐射分布成为规划设计的关键需求。计算流体力学（CFD）与热湿耦合模拟技术为此提供了科学手段，而ENVI-met作为一款内置丰富植被与地表材质数据库的微气候模拟软件，大幅降低了专业模拟的门槛。新手入门时往往因底图制作和网格划分不当而导致建模返工，白白消耗大量时间。本文从基础概念出发，系统性梳理了ENVI-met建模的完整流程：从资料整理、底图制作、网格设置、建筑与植物建模，到边界条件配置与结果解读，逐项解析常见踩坑点与排查方法。内

ENVI-met建筑建模：微气候模拟的关键技术与实践

建筑信息模型（BIM）与计算流体力学（CFD）的结合是城市微气候模拟的核心技术。ENVI-met作为专业的三维非静力模型，通过精确的建筑物几何建模和热力学参数配置，可准确预测热环境、风场分布等关键指标。在工程实践中，建筑高度误差5米会导致地表温度预测偏差2.3℃，材质导热系数和太阳吸收率等参数直接影响模拟精度。典型应用场景包括商业综合体热环境评估、历史街区风场优化等，其中无人机航测与BIM模型的数据融合、参数化建模技巧能显著提升工作效率。

ENVI-met微气候模拟建模全流程：底图制作与SPACES实操指南

城市微气候模拟是评估热环境、指导绿色建筑与景观设计的重要技术手段，其核心在于通过计算流体力学与热力学耦合模型，量化分析建筑布局、植被配置和下垫面材质对近地面温度、风速及热舒适度的影响。在实际工程与科研中，获得可靠的模拟结果不仅依赖参数设置，更取决于前期的空间建模精度，尤其是底图与网格的严格映射关系。本文从微气候模拟的基本原理出发，介绍其技术价值与典型应用场景，并自然过渡到ENVI-met软件的具体建模操作，重点解析底图制作、SPACES三维场景搭建、建筑与植被建模、边界条件设置及常见问题排查，帮助初学者建立

ENVI-met微气候模拟与PET热舒适度评估：从参数设置到结果解读

微气候模拟是量化城市空间热环境的关键技术。ENVI-met作为三维微气候模型，通过耦合建筑、植被、土壤与大气之间的能量、水分及气流交换，能够输出高分辨率的温度场、风场和辐射场。而生理等效温度PET等热舒适指标，则将复杂环境参数折算为直观的体感温度，让抽象的“舒适”成为可比较、可优化的设计依据。在城市广场遮阴分析、通风廊道优化及多方案比选中，该方法正得到广泛应用。要获得可靠的PET结果，需关注建模精度、气象边界、辐射参数及人体参数等核心环节，并结合BioMet模块进行规范的后处理。本文沿PET计算全链路，梳理

ENVI-met微气候模拟全流程解析：从城市热环境建模到热舒适度分析

城市局部气候受建筑布局、下垫面材质与植被分布等多重因素影响，形成与区域气候迥异的微气候环境。数值模拟技术通过三维建模与物理方程迭代计算，能够量化描述温度、湿度、风速及太阳辐射的时空分布规律，为城市热环境评估与热舒适度优化提供科学依据。ENVI-met作为应用广泛的城市微气候模拟工具，其核心价值在于支持高分辨率建模，并可通过后处理模块计算PMV、UTCI等热舒适度指标。该工具适用于街区尺度方案比选、滨水空间设计及绿色基础设施效能评估等工程场景，帮助规划师与设计师在项目前期验证设计决策。本文围绕ENVI-met

环境仿真软件：ENVI-met_（14）.ENVI-met结果可视化与后处理

通过上述步骤，我们可以对ENVI-met的仿真结果进行有效的可视化、后处理和高级应用。这些方法不仅帮助我们更好地理解仿真数据，还能提高模型的准确性和实用性。

环境仿真软件：ENVI-met_（1）.ENVI-met软件介绍与安装

ENVI-met 是一款高性能的三维微气候模拟软件，用于模拟城市和乡村环境中的微气候条件。它能够详细分析环境中的温度、湿度、风速、太阳辐射、空气质量和植物生长等因素。ENVI-met 软件广泛应用于城市规划、建筑设计、环境科学和农业科学等领域，帮助研究者和设计师更好地理解并优化环境条件。ENVI-met 提供了多种功能和模块，使得用户能够进行复杂的环境仿真。以下是其主要功能：微气候模拟：模拟环境中的温度、湿度、风速和太阳辐射等气象参数。空气质量管理：分析空气中的污染物浓度，评估空气质量。植物生长模拟：研究植

环境仿真软件：ENVI-met_（8）.城市微气候分析

ENVI-met 的灵活性允许用户开发自定义模型，以更精确地模拟特定条件下的微气候。# 导入 ENVI-met 的 API# 创建自定义辐射模型# 根据地表材料的特性计算反射率return 0.3return 0.1else:return 0.2# 计算自定义的辐射分布return {# 创建自定义辐射模型对象# 设置地理位置和时间latitude = 39.9 # 纬度，单位：度longitude = 116.4 # 经度，单位：度。

环境仿真软件：ENVI-met_（15）.模型参数设置与优化

在环境仿真软件ENVI-met中，模型参数的设置与优化是确保仿真结果准确性和可靠性的关键步骤。本节将详细介绍如何设置和优化ENVI-met模型中的各个参数，包括气象参数、地形参数、建筑物参数、材料参数、植物参数等，并提供具体的代码示例和数据样例，帮助用户更好地理解和操作这些参数。气象参数是ENVI-met模型中非常重要的输入数据，它们直接影响到仿真结果的准确性。气象参数包括温度、湿度、风速、风向、太阳辐射等。这些参数可以通过ENVI-met的文件导入功能从气象站数据中获取，也可以手动设置。温度和湿度是气象参

环境仿真软件：ENVI-met_（6）.植物模型建立

在ENVI-met中，建立植物模型是一个复杂但重要的过程。通过准确输入植物的几何参数、物理参数和生物参数，可以有效地模拟植物对城市环境的影响。使用植物库和外部文件导入可以提高工作效率，而模型对比和参数敏感性分析则有助于验证和优化模型。高级设置如植物的生长周期、季节变化和叶片密度可以进一步提高模型的精度和真实性。

环境仿真软件：ENVI-met_（16）.ENVI-met与其他软件的接口与集成

ENVI-met 与其他软件的接口与集成技术为用户提供了强大的工具，可以提高模拟的精度和实用性。通过数据交换、脚本自动化和外部工具的调用，用户可以将 ENVI-met 无缝集成到现有的工作流程中。无论是处理 CSV、NetCDF 或 Shapefile 数据，还是与 CFD 软件、建筑能源模拟软件或实时数据接口进行耦合，ENVI-met 都提供了灵活多样的接口选项。希望本节的内容能帮助用户更好地利用这些接口技术，提升模拟效果和研究水平。

环境仿真软件：ENVI-met_（5）.建筑物模型建立

建筑物的几何形状直接影响其对环境的影响，如遮挡、反射、热传导等。ENVI-met 允许用户自定义材料属性，以满足特定项目的需要。# 导入 ENVI-met Python API# 创建一个新项目# 定义建筑物的几何形状# 定义自定义材料属性thermal_conductivity=0.5, # 热导率，单位：W/mKdensity=2000, # 密度，单位：kg/m³specific_heat=880, # 比热，单位：J/kgK。

环境仿真软件：ENVI-met_（12）.光照与辐射模拟

假设用户需要在 ENVI-met 中添加一种新的地表材料，并设置其反射率和吸收率。可以通过 Python 脚本实现。# 导入 ENVI-met API import enviapi # 定义新的地表材料参数 new_material = {

环境仿真软件：ENVI-met_（17）.案例研究与应用

首先，我们需要在城市模型中定义绿化区域。这些区域可以是公园、街道绿化带等。# 绿化区域定义文件示例# 文件格式为 ENVI-met 绿化区域定义格式# 每行数据包括：区域编号、区域名称、区域类型、区域位置等首先，我们需要在城市模型中定义建筑物的布局。这些布局可以是现有的建筑物，也可以是规划中的建筑物。# 建筑布局定义文件示例# 文件格式为 ENVI-met 建筑布局定义格式# 每行数据包括：建筑编号、建筑名称、建筑高度、建筑位置等。

用Arduino Mega2560和TB6612驱动MG513电机，我踩过的坑和最佳实践

本文详细介绍了使用Arduino Mega2560和TB6612驱动模块控制MG513直流电机的实战经验，包括硬件连接、PWM配置、编码器信号处理等关键技巧。通过优化电源系统、信号线布局和软件控制算法，有效解决了电机抖动、转速不稳等常见问题，为机器人底盘和自动化项目提供了可靠解决方案。

AIDD-人工智能药物设计-构建基于机器学习方法的在线预测平台高准确预测药物诱导骨毒性

在此基础上，提取多种药物分子特征，包括分子指纹（如MACCS、Morgan、RDKit、TopologicalTorsion、AtomPairs与Descriptors）及分子图谱，通过Transformer编码器与神经网络进行机器学习模型训练。最后，将训练好的模型部署为在线Web服务器（BoneToxPD），供用户快速预测药物的骨毒性。本研究不仅在骨毒性预测的准确性方面取得了突破，还在模型解释性方面提供了新的视角，通过注意力机制精准识别出影响骨毒性的关键化学基团，推动药物研发领域更安全、更高效的发展。

CANoe信号传输故障排查指南

本文提供了全面的CANoe信号传输故障排查指南，涵盖从硬件连接、通道配置到软件脚本与数据库加载的全链路诊断。针对常见的通道指示灯不亮、信号无法发送及ECU握手失败等问题，给出了基于CANoe工具和CAPL脚本的详细排查步骤与解决方案，帮助工程师系统化定位并解决实车测试中的通信故障。

FPGA加速SNN实现MNIST手写数字识别的实践与优化

脉冲神经网络(SNN)作为第三代神经网络模型，采用生物启发的脉冲事件驱动机制，在处理时序信号时具有天然能效优势。其核心原理是通过神经元仅在接收足够输入脉冲时激活的稀疏特性，大幅降低计算能耗。在FPGA硬件加速领域，SNN通过量化优化、硬件友好型神经元模型设计等关键技术，可在边缘计算场景实现超高能效比。本文以MNIST手写数字识别为案例，详细解析了从6bit量化策略到双缓冲流水线设计的完整优化路径，最终在Xilinx Kintex-7平台实现97.54%识别准确率的同时，功耗仅231mW，能效比达81,712

Windows/Linux双平台实战：QtCreator构建套件配置全攻略（含GCC/G++/GDB/CMake）

本文详细介绍了在Windows和Linux双平台下配置QtCreator构建套件的完整流程，涵盖GCC/G++、GDB和CMake等核心工具链的设置技巧。通过分步指导和实用示例，帮助开发者解决跨平台开发中的配置难题，提升Qt应用开发效率。特别针对QtCreator新手和需要在多平台切换的开发者提供了全面的配置指南。

点云最小二乘法拟合曲线

文章目录一、引言 一、引言

UFS软件分区介绍

本文主要介绍了ufs软件分区管理的概况，能够使大家对软件分区有个大体的认识

【滚雪球学数学建模】第4.1节·概率与统计建模，一文搞懂！

🎓 本文收录于 《滚雪球学数学建模》专栏，本专栏专注于从零基础出发，带你循序渐进掌握数学建模的核心方法与思维路径。通过“滚雪球式”学习法，从最简单的生活化案例到经典建模工具，再到省赛、国赛真题实战演练，逐步积累知识与技能，帮助你搭建完整的建模体系。无论你是刚接触建模的新生，还是希望提升科研与竞赛能力的学者与工程师，本专栏都将为你提供一条清晰、高效、可实操的建模成长路线，助力你快速进阶，突破难点，迈向数学建模竞赛与实际应用的更高峰 🚀！

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")