MaRTy Dataset

MaRTy数据集是由亚利桑那州立大学开发的高分辨率微气候测量数据集，包含了2016至2019年在坦佩市159个地点进行的九次现场测量结果。数据集以MaRTy移动气象站收集的数据为基础，提供了包括气象参数、辐射通量测量、建筑环境描述符、太阳几何参数以及鱼眼图像衍生特征等多模态环境观测数据，是研究城市微气候和辐射估计的珍贵资源。The MaRTy Dataset is a high-resolution microclimate measurement dataset developed by Arizona State University, containing nine field measurement campaigns conducted at 159 locations in Tempe from 2016 to 2019. Based on data collected by the MaRTy mobile weather station, this dataset provides multimodal environmental observation data including meteorological parameters, radiation flux measurements, built environment descriptors, solar geometric parameters, and derived features from fisheye images, serving as a valuable resource for research on urban microclimates and radiation estimation.

搜集汇总

数据集介绍

构建方式

MaRTy数据集的构建方式涉及了在城市气候研究中对微气候的高分辨率测量。数据集由Middel等人于2016年至2019年间在亚利桑那州坦佩的159个地点收集，使用了MaRTy移动气象站。该站配备了测量六个方向（上、下、左、右、前、后）的短波和长波辐射通量密度的三个净辐射仪，以及空气温度、表面温度、湿度、风速和GPS位置的传感器。此外，还收集了周围环境的图像数据，用于分析附近的树冠和阴影特征。数据集包含了气象参数、辐射通量测量、建筑环境描述符、太阳几何参数和鱼眼图像特征等多模态环境观测数据。

特点

MaRTy数据集的特点在于其高分辨率、多模态和物理一致性。数据集涵盖了气象参数、六个方向的辐射通量测量、建筑环境特征和太阳几何参数，以及鱼眼图像特征，这些特征共同提供了对城市环境中辐射暴露的全面理解。此外，数据集的物理一致性通过将物理方程直接集成到神经网络训练过程中得到保证，确保了预测结果的物理合理性。

使用方法

使用MaRTy数据集的方法包括数据预处理、深度学习模型训练和模型评估。首先，对数据进行清洗、归一化和特征工程，包括处理缺失值、检测传感器噪声和推导太阳几何参数。然后，使用深度学习模型，如神经网络或物理信息神经网络（PINN），对数据进行训练，以预测短波和长波辐射分量，从而估计平均辐射温度（Tmrt）。最后，使用均方根误差（RMSE）、决定系数（R2）、平均绝对百分比误差（MAPE）和平均偏差误差（MBE）等指标评估模型的性能。

背景与挑战

背景概述

在气候变化和快速城市化的背景下，城市热岛效应和热相关健康问题的风险日益加剧，对城市宜居性和公共健康构成了挑战。为了评估户外环境中的热暴露，平均辐射温度（Tmrt）是一个关键参数，特别是在城市环境中，辐射动态显著影响人体热暴露。传统的Tmrt估计方法主要依赖于现场测量和计算模拟，这两种方法都是资源密集型的。本研究介绍了一种物理信息神经网络（PINN）方法，该方法将短波和长波辐射建模与深度学习技术相结合。通过利用包括气象数据、建筑环境特征和鱼眼图像衍生的遮荫信息在内的多模态数据集，我们的模型在保持物理一致性的同时提高了预测精度。实验结果表明，所提出的PINN框架优于传统的深度学习模型，最佳配置的RMSE为3.50，R2为0.88。这种方法突出了物理信息机器学习在弥合计算建模和现实世界应用之间的差距方面的潜力，为城市热舒适评估提供了一种可扩展和可解释的解决方案。

当前挑战

构建过程中所遇到的挑战包括：1)将物理方程直接整合到神经网络训练过程中，以确保预测符合热力学约束；2)利用多模态数据源，包括数值测量的环境特征（空气温度、湿度、风速、太阳角度）和鱼眼图像衍生的特征（捕捉遮荫条件和周围建筑环境特征）。这些挑战使得模型在预测Tmrt方面具有更高的准确性和可解释性，同时能够在多样化的城市形态和气候条件下推广。

常用场景

经典使用场景

MaRTy数据集主要用于研究城市环境中的平均辐射温度（Tmrt），它是评估户外热舒适度的关键参数。该数据集包含了气象数据、建筑环境特征以及鱼眼图像衍生的遮荫信息，通过这些多模态数据，研究人员可以更准确地预测Tmrt，这对于设计可持续城市和改善公共卫生结果至关重要。

实际应用

在实际应用中，MaRTy数据集可以用于开发可扩展且可解释的解决方案，以评估城市热舒适度。例如，它可以帮助城市规划者了解不同区域的热舒适度，并据此设计更加宜居的城市环境。此外，该数据集还可以用于实时监测城市热岛效应，为公共健康策略提供数据支持。

衍生相关工作

基于MaRTy数据集的研究衍生出了许多相关工作。例如，研究人员开发了基于深度学习的Tmrt估算模型，并展示了其在不同城市环境中的高精度。此外，还有研究利用MaRTy数据集分析了城市遮荫对行人热舒适度的影响，并验证了该数据集在捕捉细粒度辐射变化方面的有效性。这些相关工作进一步扩展了MaRTy数据集的应用范围，并为城市热舒适度评估提供了新的思路和方法。