留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于3DGIS的机动车尾气扩散模拟和体视化研究

刘坡 王莹

刘坡, 王莹. 基于3DGIS的机动车尾气扩散模拟和体视化研究[J]. 武汉大学学报 ● 信息科学版, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467
引用本文: 刘坡, 王莹. 基于3DGIS的机动车尾气扩散模拟和体视化研究[J]. 武汉大学学报 ● 信息科学版, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467
LIU Po, WANG Ying. Diffusion Simulation and Volume Visualization of Vehicle Exhaust Based on 3DGIS[J]. Geomatics and Information Science of Wuhan University, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467
Citation: LIU Po, WANG Ying. Diffusion Simulation and Volume Visualization of Vehicle Exhaust Based on 3DGIS[J]. Geomatics and Information Science of Wuhan University, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467

基于3DGIS的机动车尾气扩散模拟和体视化研究

doi: 10.13203/j.whugis20180467
基金项目: 国家重点研发计划(2018YFB2100700);中国测绘科学研究院基本科研业务费(AR1908,AR1921,AR1925)。
详细信息
    作者简介:

    刘坡,博士,助理研究员,主要研究方向为虚拟地理环境可视化。liuposwust@163.com

  • 中图分类号: P208

Diffusion Simulation and Volume Visualization of Vehicle Exhaust Based on 3DGIS

Funds: The National Key Research and Development Program of China (2018YFB2100700); the Fundamental Research Project of the Chinese Academy of Surveying and Mapping (AR1908, AR1921, AR1925).
More Information
    Author Bio:

    LIU Po, PhD, assistant researcher, specializes in virtual geographical environment visualization.liuposwust@163.com

  • 摘要: 在城市中,空气污染物的主要来源是机动车尾气,探求城市机动车尾气扩散规律并积极寻求改善措施已成为许多城市迫在眉睫的问题。目前对机动车尾气扩散模拟的研究较多,但对扩散过程建模和体视化分析的研究较少。为此,提出了一个基于3DGIS的机动车尾气扩散建模和可视化框架。首先,在3DGIS中完全整合CALINE4(California line source dispersion model-4)模型,用连续场模型表达动态扩散过程,在语义空间建立统一数据模型表示建筑、道路、树木以及动态扩散过程数据;其次,采用基于GPU(graphics processing unit)的直接体绘制方法对过程数据进行可视化分析,重点优化梯度计算、体纹理重采样和动态插值等关键算法,动态表达机动车尾气的扩散过程;最后,通过北京地区一条典型的道路机动车尾气扩散实验,检验了该方法的可靠性和高效性。
  • 图  1  耦合3DGIS与CALINE4模型的机动车尾气扩散模拟和可视化框架

    Figure  1.  Framework of Diffusion Simulation and Volume Visualization for Vehicle Exhaust Coupling 3DGIS withCALINE4 Model

    图  2  道路线源的划分

    Figure  2.  Division of Line Sources for a Road

    图  3  连续场模型示意图

    Figure  3.  Diagram of Continuous Field Model

    图  4  整合3DGIS和CALINE4扩散模型的数据模型

    Figure  4.  Data Model Integrated 3DGIS with CALINE4 Diffusion Model

    图  5  动态体视化渲染流程

    Figure  5.  Flowchart of Dynamic Volume Visualization Rendering

    图  6  采样面的生成

    Figure  6.  Generation of Sampling Surfaces

    图  7  体元拓扑结构

    Figure  7.  Voxel Topological Structure

    图  8  时间插值示意图

    Figure  8.  Diagram of Time‐Based Interpolating

    图  9  可视化效果对比

    Figure  9.  Comparison of Visualization Effects

    图  10  不同风向的机动车尾气扩散情况

    Figure  10.  Vehicle Exhaust Diffusion in Different Wind Directions

    图  11  不同时刻的机动车尾气扩散情况

    Figure  11.  Vehicle Exhaust Diffusion at Different Times

    图  12  污染浓度等值面分析

    Figure  12.  Isosurface Analysis of Pollution Concentration

    图  13  扩散模型修正

    Figure  13.  Diffusion Model Modification

    表  1  体渲染平均速度/(帧·s-1

    Table  1.   Average Speeds of Volume Rendering/(帧·s-1

    采样 面数 文献[14] 渲染效率 本文算法渲染效率 梯度 计算 动态 插值 最终 渲染
    150 37 46 42 45 41
    300 32 41 37 40 35
    500 21 37 32 36 30
    下载: 导出CSV
  • [1] 兰涛. CALINE4模型在西安市主干道机动车CO污染扩散计算中的应用研究[D]. 西安:西安建筑科技大学,2006

    Lan Tao. The Use of CALINE4 Model to Simulate the Motor Mobile CO Diffuse Pollution of the Main Road in Xi'an City[D]. Xi'an:Xi'an University of Architecture and Technology, 2006
    [2] 张晓英. 基于CALINE4和OSPM模型的机动车污染物模拟研究[D]. 哈尔滨:哈尔滨工业大学,2015

    Zhang Xiaoying. Simulation Study of Vehicle Pollutants Based on CALINE4 and OSPM Model[D]. Harbin:Harbin Institute of Technology, 2015
    [3] Stoter J, de Kluijver H, Kurakula V. 3D Noise Mapping in Urban Areas[J]. International Journal of Geographical Information Science, 2008, 22(8):907-924 doi:  10.1080/13658810701739039
    [4] Xu B, Lin H, Chiu L, et al. Collaborative Virtual Geographic Environments:A Case Study of Air Pollution Simulation[J]. Information Sciences, 2011, 181(11):2231-2246 doi:  10.1016/j.ins.2011.01.017
    [5] Wang G. Modelling Urban Traffic Air Pollution Dispersion[C]. International Photogrammetry and Remote Sensing Conference, Beijing, China, 2008
    [6] Huang B, Jiang B. AVTOP:A Full Integration of TOPMODEL into GIS[J]. Environmental Modelling & Software, 2002, 17(3):261-268 https://www.sciencedirect.com/science/article/abs/pii/S1364815201000731
    [7] Xu B, Lin H, Gong J, et al. Integration of a Computational Grid and Virtual Geographic Environment to Facilitate Air Pollution Simulation[J]. Computers & Geosciences, 2013,54(24):184-195 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=3c0b98e009087fa2b08122a135904a9e
    [8] 黄君毅.基于GIS的大气污染扩散模拟结果多维表达[D]. 福州:福州大学, 2015

    Huang Junyi. Multidimensional Expression of Air Pollution Diffusion Simulation Results Based on GIS[D]. Fuzhou:Fuzhou University, 2015
    [9] 史锐. 基于线源模型的交通大气污染研究[D].太原:山西大学,2011

    Shi Rui. Research on Traffic Air Pollution Based on Line Source Model[D]. Taiyuan:Shanxi University, 2011
    [10] Liu P, Gong J, Yu M. Visualizing and Analyzing Dynamic Meteorological Data with Virtual Globes:A Case Study of Tropical Cyclones[J]. Environmental Modelling & Software, 2015, 64:80-93 https://www.sciencedirect.com/science/article/abs/pii/S1364815214003405
    [11] Wang X. Integrating GIS, Simulation Models, and Visualization in Traffic Impact Analysis[J]. Computers Environment & Urban Systems, 2005, 29(4):471-496 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=6a4a4e021399a292dd102f394739c088
    [12] Li L, Tang L, Zhu H H, et al. Semantic 3D Modeling Based on CityGML for Ancient Chinese-Style Architectural Roofs of Digital Heritage[J]. ISPRS International Journal of Geo-Information, 2017, 6(5):132-137 doi:  10.3390/ijgi6050132
    [13] Pouliot J. Toward 3D Spatial Dynamic Field Simulation Within GIS Using Kinetic Voronoi Diagram and Delaunay Tetrahedralization[J]. International Journal of Geographical Information Science, 2011, 25(1):25-50 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0223794193/
    [14] Ledoux H, Gold C M. Modelling Three-Dimensional Geoscientific Fields with the Voronoi Diagram and Its Dual[J]. International Journal of Geographical Information Science, 2008, 22(5):547-574 doi:  10.1080/13658810701517120
    [15] Ujang U, Anton F, Rahman A A. Unified Data Model of Urban Air Pollution Dispersion and 3D Spatial City Model:Groundwork Assessment Towards Sustainable Urban Development for Malaysia[J]. Journal of Environmental Protection, 2013, 4(7):701-712 doi:  10.4236/jep.2013.47081
    [16] 欧阳坤.基于三维和时态GIS的大气污染扩散模拟系统研究与实现[D]. 北京:清华大学,2011

    Ouyang Kun. Research and Implementation on Air Pollution Dispersion Modeling System Based on 3DGIS and TGIS[D]. Beijing:Tsinghua University,2011
    [17] Dphil H W M. Introduction to Scientific Visualization[M]. London:Springer, 2007
    [18] Li J, Jiang Y, Yang C, et al. Visualizing 3D/4D Environmental Data Using Many-Core Graphics Processing Units (GPUs) and Multi-core Central Processing Units (CPUs)[J]. Computers & Geosciences, 2013, 59:78-89 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=6411817da8c67514f65a3b9795109bb8
    [19] Liu P, Gong J, Yu M. Graphics Processing Unit-Based Dynamic Volume Rendering for Typhoons on a Virtual Globe[J]. International Journal of Digital Earth, 2015, 8(6):431-450 doi:  10.1080/17538947.2014.915349
    [20] Li J, Wu H, Yang C, et al. Visualizing Dynamic Geosciences Phenomena Using an Octree-Based View-Dependent LOD Strategy Within Virtual Globes[J]. Computers & Geosciences, 2011, 37(9):1295-1302 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0224490497/
    [21] Liang J, Gong J, Li W, et al. Visualizing 3D Atmospheric Data with Spherical Volume Texture on Virtual Globes[J]. Computers & Geosciences, 2014, 68:81-91 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=bc96d2f208d52e3638928754782ff9ec
    [22] 陈静, 邹成, 黄吴蒙,等.面向虚拟地球的三维气象场可视化方法[J]. 武汉大学学报·信息科学版,2016, 41(12):1563-1569 http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb201612001

    Chen Jing, Zou Cheng, Huang Wumeng, et al. A Virtual Globe-Oriented Visualization Method for 3D Meteorological Fields[J]. Geomatics and Information Science of Wuhan University, 2016, 41(12):1563-1569 http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb201612001
    [23] 朱庆, 谭笑, 谢林甫, 等.机场环境威胁态势信息在语义空间的统一建模及其导航应用[J]. 武汉大学学报·信息科学版,2015,40(3):341-346 http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb201503009

    Zhu Qing, Tan Xiao, Xie Linfu, et al. The Threat Situation Information Field Model and Application for Airport Environment[J]. Geomatics and Information Science of Wuhan University,2015,40(3):341-346 http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb201503009
    [24] Dachille F, Kreeger K, Chen B, et al. High-Quality Volume Rendering Using Texture Mapping Hardware[C]. The ACM SIGGRAPH/EUROGRAPHICS Workshop on Graphics Hardware, Lisbon, Portugal, 1998
    [25] Rezk-Salama C, Engel K, Bauer M, et al. Interactive Volume on Standard PC Graphics Hardware Using Multi-textures and Multi-stage Rasterization[C]. The ACM SIGGRAPH/EUROGRAPHICS Workshop on Graphics Hardware, Interlaken, Switzerland, 2000
    [26] 夏冰心.基于纹理映射的三维地震数据可视化方法研究[D]. 南京:南京理工大学,2008

    Xia Bingxin. Research on Visualization Method of 3D Seismic Data Based on Texture Mapping[D]. Nanjing:Nanjing University of Science and Technology,2008
    [27] Jang Y, Ebert D S, Gaither K. Time-Varying Data Visualization Using Functional Representations[J]. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(3):421-433 doi:  10.1109/TVCG.2011.54
    [28] 檀姊静. 城市街谷风热环境及污染物分布的数值模拟研究[D]. 重庆:重庆大学,2016

    Tan Zijing. Numerical Study of Thermal Envoironment, Flow Patterns and Pollutant Dispersion in Street Canyons[D]. Chongqing:Chongqing University, 2016
  • [1] 吕奕杰, 叶健, 徐清杨, 徐中卫, 孙琦寒, 程烨.  面向大规模滑坡灾害模拟的地形建模与三维可视化 . 武汉大学学报 ● 信息科学版, 2020, 45(3): 467-474. doi: 10.13203/j.whugis20180486
    [2] 李梅, 杨冬偶, 何望君.  大气扩散模型AERMOD与CALPUFF对比研究及展望 . 武汉大学学报 ● 信息科学版, 2020, 45(8): 1245-1254. doi: 10.13203/j.whugis20200110
    [3] 赵强, 何陈照, 杨世植, 方廷勇, 朱曙光.  利用IFC和CityGML进行地下空间模型转换——以城市综合管廊为例 . 武汉大学学报 ● 信息科学版, 2020, 45(7): 1058-1064. doi: 10.13203/j.whugis20180409
    [4] 张亦汉, 乔纪纲.  基于CA的溢油扩散时空过程模拟及敏感性分析 . 武汉大学学报 ● 信息科学版, 2017, 42(2): 208-215. doi: 10.13203/j.whugis20140719
    [5] 王伟, 李鹏飞, 王鹏, 王超.  面向3DGIS渲染逼真度的方法研究 . 武汉大学学报 ● 信息科学版, 2017, 42(8): 1090-1095. doi: 10.13203/j.whugis20160098
    [6] 郑茂辉, 金敏, 郭飞.  GIS支持下的街区毒气扩散过程建模与模拟 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 935-939.
    [7] 李拥, 李朝奎, 吴柏燕, 殷智慧.  一种采用OpenMP技术的3DGIS并行绘制模型 . 武汉大学学报 ● 信息科学版, 2013, 38(12): 1495-1498.
    [8] 李德仁, 赵中元, 赵萍.  城市规划三维决策支持系统设计与实现 . 武汉大学学报 ● 信息科学版, 2011, 36(5): 505-509.
    [9] 郭峰林, 胡鹏, 白轶多, 王玉萍.  移动电子地图中伪3D可视化设计 . 武汉大学学报 ● 信息科学版, 2010, 35(1): 79-82.
    [10] 管玉娟, 张利权, 陈春祥.  基于CO-CA的海岸带盐沼植被动态扩散模型研究 . 武汉大学学报 ● 信息科学版, 2009, 34(6): 701-705.
    [11] 吴迪军, 黄全义, 孙海燕, 宋玉刚.  突发性水污染扩散模型及其在GIS平台中的可视化 . 武汉大学学报 ● 信息科学版, 2009, 34(2): 131-134.
    [12] 周奕华, 卢健, 万晓霞, 徐锦林.  基于打印机和视觉模型的阶调误差扩散算法的研究 . 武汉大学学报 ● 信息科学版, 2006, 31(9): 826-828.
    [13] 胡将军, 李勇, 甘复兴.  基于GIS的武汉市街道汽车尾气扩散模式试验研究 . 武汉大学学报 ● 信息科学版, 2006, 31(6): 537-539.
    [14] 魏占营, 王宝山, 李青元.  地下巷道的三维建模及C(++)实现 . 武汉大学学报 ● 信息科学版, 2005, 30(7): 650-653.
    [15] 颜辉武, 祝国瑞, 徐智勇, 高山.  基于Kriging水文地质层的三维建模与体视化 . 武汉大学学报 ● 信息科学版, 2004, 29(7): 611-614.
    [16] 侯恩科, 吴立新.  面向地质建模的三维体元拓扑数据模型研究 . 武汉大学学报 ● 信息科学版, 2002, 27(5): 467-472.
    [17] 葛茂荣, 葛胜杰, 过静珺.  GPS动态定位中机动随机模型分析 . 武汉大学学报 ● 信息科学版, 1999, 24(3): 249-251.
    [18] 单杰.  立体视觉的摄影测量理论 . 武汉大学学报 ● 信息科学版, 1998, 23(4): 377-382.
    [19] 万幼川, 林开愚, 李植生, 雷志洪.  二维水质扩散模型的建立及应用 . 武汉大学学报 ● 信息科学版, 1995, 20(1): 28-34.
    [20] 王豪, 黄健, 黄祥, 袁镜清, 贺子城.  一种利用Unity3D模拟崩塌三维运动全过程的方法 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210237
  • 加载中
图(13) / 表(1)
计量
  • 文章访问数:  764
  • HTML全文浏览量:  204
  • PDF下载量:  46
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-04-02
  • 刊出日期:  2020-06-05

基于3DGIS的机动车尾气扩散模拟和体视化研究

doi: 10.13203/j.whugis20180467
    基金项目:  国家重点研发计划(2018YFB2100700);中国测绘科学研究院基本科研业务费(AR1908,AR1921,AR1925)。
    作者简介:

    刘坡,博士,助理研究员,主要研究方向为虚拟地理环境可视化。liuposwust@163.com

  • 中图分类号: P208

摘要: 在城市中,空气污染物的主要来源是机动车尾气,探求城市机动车尾气扩散规律并积极寻求改善措施已成为许多城市迫在眉睫的问题。目前对机动车尾气扩散模拟的研究较多,但对扩散过程建模和体视化分析的研究较少。为此,提出了一个基于3DGIS的机动车尾气扩散建模和可视化框架。首先,在3DGIS中完全整合CALINE4(California line source dispersion model-4)模型,用连续场模型表达动态扩散过程,在语义空间建立统一数据模型表示建筑、道路、树木以及动态扩散过程数据;其次,采用基于GPU(graphics processing unit)的直接体绘制方法对过程数据进行可视化分析,重点优化梯度计算、体纹理重采样和动态插值等关键算法,动态表达机动车尾气的扩散过程;最后,通过北京地区一条典型的道路机动车尾气扩散实验,检验了该方法的可靠性和高效性。

English Abstract

刘坡, 王莹. 基于3DGIS的机动车尾气扩散模拟和体视化研究[J]. 武汉大学学报 ● 信息科学版, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467
引用本文: 刘坡, 王莹. 基于3DGIS的机动车尾气扩散模拟和体视化研究[J]. 武汉大学学报 ● 信息科学版, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467
LIU Po, WANG Ying. Diffusion Simulation and Volume Visualization of Vehicle Exhaust Based on 3DGIS[J]. Geomatics and Information Science of Wuhan University, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467
Citation: LIU Po, WANG Ying. Diffusion Simulation and Volume Visualization of Vehicle Exhaust Based on 3DGIS[J]. Geomatics and Information Science of Wuhan University, 2020, 45(6): 933-940. doi: 10.13203/j.whugis20180467
  • 在城市中,空气污染物的主要来源是机动车尾气,探求城市机动车尾气扩散规律并积极寻求改善措施已成为许多城市迫在眉睫的问题。现阶段,中国的空气污染类型正由煤烟型向机动车尾气类型转变。研究机动车尾气的扩散过程和规律对环境影响评估有积极的作用。目前,CALINE4(California line source dispersion model-4)已成为最广泛认可的模拟道路机动车尾气扩散模型,也是环保部推荐的模型之一,在国内多个城市得到了验证[1]

    近年来,很多学者对机动车尾气扩散模型开展了研究。文献[1]基于CALINE4模型模拟了深圳市不同道路机动车污染物扩散的适用情况。文献[2]根据太原市机动车的保有量和车型、车况等构成的实际情况以及街道的几何特征和气象特征, 采用CALINE4等模型模拟了街道中的污染物扩散过程。目前也有软件可用于可视化分析,如NCAR (the national center for atmospheric research) Graphic、GrADS (grid analysis and display system) 等软件主要采用二维或三维静止展示,缺乏动态展示,而且很难集成地理信息。

    空气污染模型比较复杂,按照系统集成方式的不同,可以分为松耦合、紧耦合和完全整合的方式[3],早期的研究主要采用松耦合方式。如文献[4]在网格计算环境下计算MM5模型(the PSU/NCAR mesoscale model),基于OSG(OpenSceneGraph)提供的等值面、切片等方式实现了SO2可视化。文献[5]基于现有的CALPUFF模型,利用3DGIS实现了模拟结果的时空多维可视化表达。文献[6]整合CAL3QHS、GIS和三维可视化技术实现了道路污染的影响分析。在这些研究中,模型和GIS是独立的系统或模块,其通过数据实现连接,开发的系统不容易维护。空气污染扩散是一个三维动态过程,基于3DGIS表达污染动态扩散过程具有明显的优势[7] ,在3DGIS中完全整合大气污染模型逐渐成为发展趋势。同时,城市中存在大量的建筑模型,利用三维模型可以提高模型的精度[8]。文献[9-10]的研究偏重于模型机理分析或者单纯的可视化,在空间数据建模与表达、可视化分析和集成应用等方面还需要进一步深化。

    虽然已有空气污染可视化的相关研究出现,但仍存在以下问题:首先,扩散模拟数据一般是空间连续场数据[11],GIS中一般采用Voronoi图及其对偶Delaunay网格表达空间连续场[12-13],这种方法可视化不方便。同时,在3DGIS中还存在大量的建筑模型、矢量数据和气象条件数据等,为满足查询和可视化需求,需要构建统一的数据模型对多源数据进行建模[14]。其次,目前主要采用等值面方法表达污染物的分布特征[15],通过附着在建筑表面的顶点表示浓度分布存在以下问题:(1)污染物是一个体空间,等值面很难完整地显示其内部结构;(2)通过点、线、面的方法很难表达动态扩散过程。

    体视化是一项重要的可视化技术,广泛应用于计算机地质建模、医学成像和流体力学等领域[16]。体绘制可以观察数据的整体,并可以设置透明度观察其内部特征,特别适合表达场数据。常见的体绘制算法有抛雪球法、剪切曲变法、三维纹理映射和光线投射算法[17], 三维纹理映射由于使用硬件加速的特点得到了广泛的应用[18]。近年来,体绘制逐渐引起地理学者的关注。文献[19]基于八叉树实现了雾霾数据的组织和表达,文献[18, 20]通过改进光线投射算法实现了气象场数据的球面可视化,取得了很好的渲染效果。上述研究主要针对大区域,偏重于静态可视化,对过程建模和动态可视化研究比较少[21]。针对上述问题,本文提出了一个基于3DGIS的机动车尾气扩散过程模拟和可视化框架,其主要特点有:(1)在3DGIS中完全整合CALINE4模型,对扩散过程数据进行统一建模;(2)采用基于GPU (graphics processing unit)的动态体视化技术并优化梯度计算、体纹理重采样和动态插值等关键技术,动态表达街道尺度的机动车尾气扩散过程。

    • 图 1给出了街区尺度的机动车尾气扩散过程模拟和可视化基本框架,主要包括基础模型数据、扩散过程模拟、污染连续场表达和体视化等关键技术单元。在基础模型数据中,街区地形和建筑物数据构成了空气污染扩散模型的下垫面壁面条件,气象条件和泄漏源参数分别用于大气边界和污染源参数的设定。对空间连续场的离散进行过程建模,为可视化分析提供了基础数据支撑。空气污染扩散过程采用体绘制、切片和等值面等方法动态表达。

      图  1  耦合3DGIS与CALINE4模型的机动车尾气扩散模拟和可视化框架

      Figure 1.  Framework of Diffusion Simulation and Volume Visualization for Vehicle Exhaust Coupling 3DGIS withCALINE4 Model

    • CALINE4模型的基本思路是将道路划分成一系列线源单元,首先计算各线元排放的污染物对接受点浓度的贡献,然后求和得到整条道路流动源在接受点的污染浓度[3]。如图 2所示,对第n条有限线源积分,可得该单元排放的污染物对测量点浓度的贡献为:

      $${C_n} = \mathop \smallint \limits_l c{\rm{d}}l = \frac{{{Q_m}}}{{{\rm{\pi }}{\sigma _y}{\sigma _z}u}}{\rm{exp}}\left( { - \frac{{{z^2}}}{{2\sigma _z^2}}} \right) \cdot \mathop \smallint \limits_{{y_1}}^{_{{y_{_2}}}} {\rm{exp}}\left( { - \frac{{{y^2}}}{{2\sigma _y^2}}} \right){\rm{d}}y$$ (1)

      图  2  道路线源的划分

      Figure 2.  Division of Line Sources for a Road

      式中,c为空间点(x, y, z)的污染物浓度,单位为mg/m3;l为该线源的长度,$l = W\cdot{L_f}^n$,其中W为道路宽度,n为线源编号,Lf为线源长度增长因子,${L_f} = 1.1 + {\theta ^3}/\left( {2.5 \times {{10}^5}} \right)$,$\theta $为道路与风向的夹角;u为近地面风速,单位为m/s; ${\sigma _y}$为水平扩散参数;${\sigma _z}$为垂直扩散参数;${Q_m}$为该线源的源强,单位为mg/(m·s),${Q_m} = Q\cdot\frac{l}{L}/\left( {{y_1}{y_2}} \right)$,其中Q为总源强,$Q$ = ∑每小时车辆数×某类车所占的百分比×某类车综合排放因子,L为整条道路的长度,[y1, y2]表示线源的y坐标范围。则整条道路的污染源产生的污染浓度为:

      $$C = \mathop {\sum {{C_n}} }\nolimits^{} $$ (2)

      CALINE4模型假设待测点为原点,风向为X轴正方向。在道路中心线上,CALINE4模式认为污染源是基于无限长线源模型,在横风向上污染物浓度处处相同,线上的浓度公式为:

      $$C\left( {x, z} \right) = \frac{{2{Q_m}}}{{\sqrt {2{\rm{\pi }}} {\sigma _z}u}}{\rm{exp}}\left( { - \frac{{{z^2}}}{{2\sigma _z^2}}} \right)$$ (3)

      此外,当风向和线源不垂直且夹角$\varphi > {45^ \circ }$时,浓度可以修正为:

      $$C\left( {x, z} \right) = \frac{{2{Q_m}}}{{\sqrt {2{\rm{\pi }}} {\sigma _z}u{\rm{sin}}\varphi }}{\rm{exp}}\left( { - \frac{{{z^2}}}{{2\sigma _z^2}}} \right)$$ (4)
    • 本文采用场数据模型表达浓度连续场[22],为了方便可视化,采用规则网格表达污染浓度。如图 3所示,模型中的每个体元称为体素$v$,每个体素$v = \left( {D, T, C} \right)$, 其中$D \subseteq {{\bf{R}}^3}$是场的空间域,即场占据的三维空间区域(XYZ轴);$T \subseteq {\bf{R}}$是场的时间域,即场演变过程的时间区间(T轴);是体素$v$处的污染浓度即体素颜色,根据扩散方程计算每个体素的浓度。为了后续渲染的方便,首先将浓度值数据转换为0~255的整数,然后将过程纹理保存到内存或磁盘上。转换公式如下:

      图  3  连续场模型示意图

      Figure 3.  Diagram of Continuous Field Model

      $${\rm{Value}} = \frac{{v - {V_{{\rm{min}}}}}}{{{V_{{\rm{max}}}} - {V_{{\rm{min}}}}}} \times 255$$ (5)

      式中,${V_{{\rm{max}}}}$、${V_{{\rm{min}}}}$分别表示场数据中的最大和最小污染浓度。

      在3DGIS中进行污染过程模拟,在语义空间建立统一的数据模型表示建筑、道路、树木以及动态扩散过程数据。图 4为整合3DGIS和CALINE4模型的数据模型,其主要包括:(1)三维建筑和部件模型用不规则三角网表示建筑模型的几何结构,纹理表示建筑的表面特征;(2)道路数据,如果有矢量数据,则直接采用矢量数据,也可以从三维道路模型中提取道路的外围轮廓;(3)气象数据,包括主要风向以及太阳高度角等,主要确定扩散模型的初始参数;(4)地形数据,和建筑模型一起计算模型的粗糙度参数;(5)机动车数据主要包括机动车类型以及不同类型车的污染排放量;(6)动态扩散浓度场模型,利用时间序列的体数据来表达动态扩散过程。

      图  4  整合3DGIS和CALINE4扩散模型的数据模型

      Figure 4.  Data Model Integrated 3DGIS with CALINE4 Diffusion Model

    • 图 5所示,基于GPU的体视化动态渲染流程为:(1)读取数据的元数据信息,根据视点位置读取当前模拟时间的体数据到内存中,并转换为适合渲染的体纹理;(2)设置显示参数,设置体纹理传输函数,将颜色映射到指定的颜色;(3)采用体纹理绘制方法进行纹理采样,计算光照以及插值等运算;(4)将多个采样面按从后到前的排序进行颜色混合得到最终的渲染结果。其中传输函数映射、梯度计算和动态插值都在GPU中进行,提高了渲染效率。

      图  5  动态体视化渲染流程

      Figure 5.  Flowchart of Dynamic Volume Visualization Rendering

    • 在体渲染过程中,为了增强局部特征,需要根据每个体元领域内的像素计算每个体元的梯度。梯度计算公式如下:

      $${\rm{gradt}} = \frac{{{\partial _t}}}{{{\partial _x}}}{\rm{i}} + \frac{{{\partial _t}}}{{{\partial _y}}}{\rm{j}} + \frac{{{\partial _t}}}{{{\partial _z}}}{\rm{k}}$$ (6)

      梯度计算非常耗时,传统算法都是采用预先计算梯度并保存到纹理中,这样会造成数据的冗余;同时,在光照绘制过程中需要对梯度进行归一化,否则会导致明暗效果的伪影[23]。此外,在实时绘制过程中,可能需要改变传输函数,对梯度重新计算。如文献[24]提出在CPU(central processing unit)提前进行光照计算和数据分类,这样可以提高绘制质量,但却牺牲了绘制的实时性。

      随着通用硬件的发展,在GPU中实时计算梯度和归一化处理成为可能。本文在GPU中实时计算每个体素的梯度, 避免了梯度的预先计算, 提高了对大规模体数据的绘制能力, 显著提高了交互绘制的速度。

    • 基于纹理映射的体绘制方法最重要的是对纹理面进行采样。基于体元的外包盒和基于视点方向等间隔构建采样面,随着视点的变换,重新构建采样面,采用面构建的速度与渲染的速度密切相关。文献[25]利用体元的邻边结构信息作为遍历顺序构建采样面,该方法存在盲目遍历和重复遍历。文献[24]对文献[25]的方法进行了改进,定义全局变量用于记录遍历过的体边编号,基于顶点的计算顺序推理体边遍历的优先顺序,该方法运算量比较大。本文对采样方法进行改进,分析采样面与体元的交点数量,如图 6所示,从视点开始从前向后对体元构建采样面,其中d0为采样间隔。采样面与体元一共存在3、4、5和6个交点,共有4种情况。若小于3个交点,则构建不了三角面,自动剔除。

      图  6  采样面的生成

      Figure 6.  Generation of Sampling Surfaces

      体元的拓扑结构如图 7所示,该体元包含8个顶点和12条边,对每个顶点和边进行编号,主要计算流程如下:

      图  7  体元拓扑结构

      Figure 7.  Voxel Topological Structure

      1)根据观察模型矩阵计算体包围盒的每个顶点的观察坐标系的坐标,比较每个顶点的z值,得到距离视点的最近点和最远点,图 7(a)中顶点7距离视点最近,顶点1距离视点最远。

      2)计算观察模型矩阵的逆矩阵,得到视点的方向矢量,根据体包围盒的最近点和最远点计算其视点深度,根据采样数目计算采样间距,乘以法线向量得到切片向量。

      3)计算体元每个边与切面的交点。假设最近的顶点为s,切片采样方向向量为$\overrightarrow {sp} $,体元边的起点为${p_0}$,终点为${p_1}$,则交点p的计算公式为:

      $$p = {p_0} + t \times \left( {{p_1} - {p_0}} \right)$$ (7)

      其中,

      $$t = \overrightarrow {sp} \times \left( {s - {p_0}} \right)/(\overrightarrow {sp} \times ({p_1} - p{}_0^{}))$$

      式中,t表示线性插值系数,用于插值计算交点p的几何和纹理坐标。

      4)由前到后依次计算所有边的交点,去除重复点,计算交点的数目,如果小于3,则跳出当前循环。对交点进行排序,如图 7(b)所示,假设有4个交点,首先计算所有交点的几何中心点以及每个顶点在中心点的象限位置,然后按照逆时针排序,构建三角面t6t5t4t6t4t7

      5)沿着视线方向,重复步骤2)~4),计算下一个采样面,直到达到指定的采样数或者体元外部为止。将所有采样三角面都传到显存中,渲染合成得到最终的可视化效果。

      6)漫游过程中,若视点发生变化,则重复步骤1)~5)的计算过程。

    • 在模拟过程中,一般按照一定的时间间隔输出模拟值,如果只绘制模拟值,则出现跳跃式的绘制结果,不能表达连续的动态过程[26]。为了表达动态的扩散过程,在时间轴上加密数据,从而在绘制的时候,在2个关键帧中平滑过渡。本文采用线性内插方法来内插数据,假设体元中每个像素点在${t_1}$时刻的观测值为${\rm{Valu}}{{\rm{e}}_1}$,在${t_2}$时刻的观测值为${\rm{Valu}}{{\rm{e}}_2}$,则中间某个时刻该点的浓度值为:

      $${\rm{Valu}}{{\rm{e}}_t} = {\rm{Valu}}{{\rm{e}}_1} + \left( {{\rm{Valu}}{{\rm{e}}_2} - {\rm{Valu}}{{\rm{e}}_1}} \right) \times \frac{{t - {t_1}}}{{{t_2} - {t_1}}}$$ (8)

      传统的插值算法都是在内存中实现的,在内存中运算会占用较大的存储空间且需要遍历全部数据。同时,在渲染过程中,模拟的时刻不断变化,需要反复计算。

      本文将插值计算放到GPU中,如图 8所示,将当前模拟时刻前后关键帧的体纹理都传输到显存中,并利用片段着色器中现有的lerp函数进行线性插值,其shader代码如下:

      图  8  时间插值示意图

      Figure 8.  Diagram of Time‐Based Interpolating

      $$\begin{array}{*{20}{l}} {{\rm{vec}}4{\rm{Colo}}{{\rm{r}}_1}{\rm{}} = {\rm{texture}}3{\rm{D}}\left( {{\rm{Textur}}{{\rm{e}}_1}, {\rm{texcoord}}} \right)}\\ {{\rm{vec}}4{\rm{Colo}}{{\rm{r}}_2} = {\rm{texture}}3{\rm{D}}\left( {{\rm{Textur}}{{\rm{e}}_2}, {\rm{texcoord}}} \right)}\\ {{\rm{fragColor}} = {\rm{lerp}}\left( {{\rm{Colo}}{{\rm{r}}_1}, {\rm{Colo}}{{\rm{r}}_2}, {\rm{}}t} \right)} \end{array}$$

      其中,${\rm{Textur}}{{\rm{e}}_1}$、${\rm{Textur}}{{\rm{e}}_2}$表示${t_1}$、${t_2}$时刻的体纹理数据;${\rm{texcoord}}$表示纹理坐标;${\rm{fragColor}}$表示实时计算出当前时刻的颜色值。当t1没有观测值时,${\rm{Valu}}{{\rm{e}}_1}$值默认为0。

    • 依托中国测绘科学研究院研制的Newmap World三维平台,集成CALINE4模型以及本文提出的动态体视化算法,选择北京地区一条典型的开阔道路对本文算法进行实验,符合模型的适应条件。实验计算机采用NVIDIA Quadro M2000M显卡,4 GB显存容量,处理器为E3-1535M 2.9 GHz,内存大小为16 GB,采用64位Windows 7操作系统,编程环境为vs2013.net。

    • 本文首先对体视化效果进行对比,图 9(a)表示不计算梯度的效果图,图 9(b)表示实时计算梯度的效果图,可见梯度可以表现细微特征。通过在GPU中实时计算梯度,数据量只相当于预处理数据量的25%。

      图  9  可视化效果对比

      Figure 9.  Comparison of Visualization Effects

      设定时相变化的最小时间尺度为1 h, 数据存储在64×64个网格点共32层面上。将本文算法和文献[14]提出的体纹理重采样算法进行对比,并测试了动态插值和梯度计算对渲染速度的影响,结果如表 1所示。从表 1可以看出,本文改进后的三维纹理映射体绘制算法提高了约30%的绘制效率;动态插值算法对算法效率的影响很小,梯度计算使渲染速度降低了12%。

      表 1  体渲染平均速度/(帧·s-1

      Table 1.  Average Speeds of Volume Rendering/(帧·s-1

      采样 面数 文献[14] 渲染效率 本文算法渲染效率 梯度 计算 动态 插值 最终 渲染
      150 37 46 42 45 41
      300 32 41 37 40 35
      500 21 37 32 36 30
    • 图 10表示机动车尾气随风向和道路夹角为0°、60°、120°和180°的扩散情况。可以看出,随着风向的改变,污染扩散呈现出不同的分布特征。

      图  10  不同风向的机动车尾气扩散情况

      Figure 10.  Vehicle Exhaust Diffusion in Different Wind Directions

      图 11模拟了机动车尾气扩散在4个不同时刻的扩散分布情况。可以看出,污染物初始主要聚集在道路中央,随着时间的推移,污染物沿着风向不断扩散,扩散距离越来越远。污染物整体符合正态分布特征。随着时间的推移,建筑周围的污染浓度越来越大。

      图  11  不同时刻的机动车尾气扩散情况

      Figure 11.  Vehicle Exhaust Diffusion at Different Times

      为了更好地观察机动车尾气的扩散效果,基于体视化方法可以实现污染浓度等值面分析,如图 12所示,根据位置可以沿街道表面进行等值面分析。相较于二维等值面方法,其可以任意指定分析的位置,而且在显卡中采用三线性插值方法可以提高插值的精度。

      图  12  污染浓度等值面分析

      Figure 12.  Isosurface Analysis of Pollution Concentration

    • 本文针对城市机动车尾气动态模拟和可视化问题,提出了一种尾气扩散过程模拟和可视化框架,完全整合CALINE4模型,对道路机动车尾气扩散过程进行实时模拟。基于GPU实现函数映射、梯度计算和动态插值并行处理,优化了传统的体绘制算法,实现了机动车尾气扩散过程的三维动态实时模拟和可视化。本文主要特点如下:

      1)提出一种面向机动车尾气扩散模拟的建模和模拟框架,基于体模型表达浓度连续场,并对三维模型和扩散过程数据进行统一建模。

      2)对传统的直接体绘制方法进行改进,在实时梯度计算、基于视点的体纹理重采样和动态插值3个关键技术进行优化,提高了体视化的效率和效果。

      3)将CALINE4模型和体视化算法完全整合到3DGIS中,支持实时调整和验证模型,辅助决策支持。

      目前模型只能通过调节地面粗糙度来考虑建筑遮挡的影响[27],下一步还需要对扩散模型进行进一步优化。如图 13(a)所示,A点在建筑背面,而B点无建筑遮挡,目前模型计算的污染浓度都一致。如图 13(b)所示,对于道路L,在建筑背面一定范围内风向会改变,风速会降低,从而导致污染扩散浓度在CD点浓度会不同,下一步将考虑用数值模型模拟污染物的扩散过程[28]。此外,在实际应用中,体视化方法需要和其他方法结合起来,综合表达模拟场数据。

      图  13  扩散模型修正

      Figure 13.  Diffusion Model Modification

参考文献 (28)

目录

    /

    返回文章
    返回