文摘

目前的研究中,涉及的24小时预后户外biometeorological条件在城市监控站点雅典在更大的区域,希腊。为此,应用人工神经网络(ann)模型技术,以预测的最大和最小值生理等效温度(PET)提前一天以及持续的时间与人类biometeorological极端条件。的结果分析表明,极端高温压力似乎是10.0%的检查时间在温暖期,反对极端冷应激的22.8%时间在寒冷的时期。最后,人体热舒适感觉占81.8%的时间。关于宠物的预后,人工神经网络的预测能力预测极端每日宠物值提前一天,以及极端条件下白天的持久性,在统计水平。

1。介绍

气候和通行的影响天气对人体热舒适不适几乎是显而易见的。环境条件影响人体和环境之间的热平衡和它们的来源可能不适的条件。特别是在夏季期间,极端气象条件有直接影响的建筑空调能耗的目的(1]。据报道,每年增加约800%的购买空调,由于严重的热浪中观察到希腊在1987 - 1989 (2]。

人体热舒适或不适状况可能是通过大量的理论和实证评估指标要求通常数量较大或较小的输入小气候参数,如空气温度、风速、空气湿度(4- - - - - -6]。一个重要的问题,在人类健康风险评估方面,是人类预测小气候和相关的热comfort-discomfort城市环境的条件。尽管各种小气候模型的存在,只有少数模型能够处理人体热舒适估计,例如,雷曼模式7,8)和Envi-Met模型(9]。这些模型可以有效地估计和预测人体热舒适条件在城市环境10- - - - - -13]。

本研究涉及的应用人工神经网络(ann),另一种建模技术对常见的建模工作的评价和预后的城市环境人体热舒适条件。在过去的十年里,已经有越来越多地使用网络,在大气环境研究的各个方面14- - - - - -20.]。尽管越来越多地使用网络和他们的优势(泛化属性,处理高维数据的能力,和非线性),人工神经网络模型的应用程序的数量与人类健康的生物气候方面相关的问题是,然而,仍然有限(例如,21,22]),而在城市环境研究的案例中,那些只关注微气候模式(23]。具体地说,在过去的十年里,只有少数研究世界各地开始应用人工神经网络模型来预测人类热comfort-discomfort水平不同的目的。

高和白24)提出了一种人工神经网络模型预测的生物气候条件的使用bp神经网络,给出了很好的结果。黄等。25]调查服装感觉舒适的可预测性心理感知通过使用前馈反向传播网络在一个人工神经网络(ANN)系统。结果,表现出良好的相关性预测和实际安慰评级的意义的所有五个开发模型,表明总体舒适性能是可预测的神经网络,特别是模型与对数乙状结肠隐藏神经元和纯粹的线性输出神经元。霁et al。26)检查的可能性使用ann模型热环境因素之间的关系和居民热的反应来预测环境热舒适。测试结果表明,ANN模型在预测精度高于传统的method-linear回归稳定条件下。进一步说,在不稳定的条件下,该模型也可以用来预测正确的变化居民热反应避免处理复杂的非线性关系,而采用回归法。Atthajariyakul和Leephakpreeda27)提出了一个实际的方法来确定人体热舒适性定量通过神经计算。结果显示良好的协议之间的热舒适指标实时计算的神经网络模型和计算从传统的结构模型。刘等人。28)检查之间的关系主要影响因素(如温度、相对湿度、气流速度、平均辐射温度、气压、绝缘和服装)和人体热感觉,使用安。此外,反向传播(BP)神经网络评价模型,提出了人体热舒适低压环境下,网络的学习算法。刘等人。28]得出的预测网络模型密切与实验结果一致。

最后,关于希腊和人类热的预后comfort-discomfort水平使用人工神经网络模型,Mihalakakou et al。23]应用智能“数据驱动”方法(安)的调查,分析和量化城市热岛现象在雅典的主要地区,那里每小时的环境温度在23站记录数据。nontraining测量的结果与广泛的测试集,发现他们与真正的价值观。Moustris等人,Vouterakos et al。29日- - - - - -31日)开发的人工神经网络来预测人类热comfort-discomfort水平大雅典地区内(棉酚),希腊,以及连续数小时的第二天热不舒服。结果表明,人工神经网络在所有情况下都有很好的预测能力提前一天热指标的值使用。

雅典城的发展在过去的几十年,城市化的现象明显导致建立一个对人类热comfort-discomfort小气候有明确的影响。人类热comfortdiscomfort的知识水平,预计在接下来的几天,对合适的行为是非常重要的为了保护公众健康(29日- - - - - -31日]。这项工作的目的是预后的biometeorological条件,所表达的生理等效温度(PET),提前一天中棉酚的城市环境中,使用人工神经网络建模技术。

2。数据和方法

2.1。监测站点

希腊首都雅典城位于约450公里的一个领域²与一个复杂的地形在雅典Area-basin就越大。根据2011年的人口普查,大约40%的人口生活在希腊雅典地区(棉酚)。在过去的几十年里,由于人口的持续增长,有一个非常大的和棉酚的空间和住宅的快速增长。这个开发领导,根据许多科学家,热岛效应(32- - - - - -35]。这种现象会导致创造小气候导致不同的人类热comfort-discomfort条件的配置甚至相邻地区(32- - - - - -36]。

对于人类热comfort-discomfort水平的估计,生理等效温度(PET)每小时基地使用雷曼模型计算。具体来说,每小时空气温度的值(°C),风速(米/秒),相对湿度(%),全球太阳能照射(W / m²涵盖了15/06/2005-31/12/2011时期(57384小时)。这些数据问题的位置Galatsi(加)和被雅典的水文观测站记录的话(HOA)由雅典国立技术大学的(37]。图1描述了监测站点中的棉酚。监测站是坐落在Galatsi水处理厂安装供水和排水公司的雅典(WSSCA)。数据完整性检查位置监控网站发现约98.8%。

2.2。生理等效温度

宠物是基于个人的慕尼黑能量平衡模型(MEMI),它描述了热环境的人体生理相关的方式38]。宠物被定义为空气温度,在一个典型的室内设置(没有风能和太阳能辐射),人体的热量收支平衡的核心和皮肤温度在室外复杂条件下进行评估(39,40]。表1介绍了不同应力水平和人体热感觉根据宠物的价值。

为了biometeorological, 1.1米的高度被认为是人体的平均重心(7]。为了计算宠物的小时值,使用雷曼模型,每小时的风速值在离地面1.1米是必要的。可用的风速值(56704小时值)来自一个风速计的录音,这是安装在顶部的气象桅杆在离地面10.0米的高度。水处理厂内的气象桅杆位于WSSCA的设施。平坦的区域没有活力和高障碍气象桅杆约150 ~ 200米。图2描述(谷歌地球Maps-Google),监测站点在WSSCA区域。

为此,测量每小时的风速值高于地面10.0米必须重新计算离地面1.1米高的水平。此参数化假定对数垂直风概要文件中描述的是(1)[42,43]: 在哪里风速在高度吗在地面之上,()是表面的空气动力学粗糙度长度米,和测量风速的风速计的地面的高度。在我们的例子中,m和m。表面的空气动力学粗糙度长度为给定监测站点米(44]。

最后,使用每小时值的空气温度、空气相对湿度、风速在离地面1.1米,和相应的每小时的全球太阳能辐照度值,宠物的小时值计算。

2.3。人工神经网络

人工神经网络是人工智能的一个分支在1950年代开发的针对模仿生物大脑结构。他们的方法的描述人类神经系统通过数学函数的功能。典型的人工神经网络神经元的使用非常简单的模型。这些人工神经元模型仅保留非常粗略的人类大脑的生物神经元的特征(45]。人工神经网络并行分布式系统由许多相互关联的非线性处理元素(PEs),称为人工神经元(46]。更新的科学兴趣过去十年以来呈指数级增长,主要是由于合适的硬件的可用性,使他们快速方便数据分析和信息处理47]。

在过去的二十年里,越来越多的世界各地的科学家应用人工神经网络模型在许多不同的科学领域。人工神经网络在许多领域有很多应用程序等(我)模式分类应用中,(2)控制、时间序列、估计、预测和预后,(3)优化,(iv)环境的应用程序,(v)工程应用中,(vi)金融和商业应用,(七)医疗诊断、(八)管理和营销的应用程序,(第九)能源成本的预测。

2.3.1。多层感知器和前馈人工神经网络

多层感知器(MLP)是最常用的网络类型。其结构包括处理元素(PEs)和连接48]。PEs,这被称为神经元,被安排在层。第一层是输入层,一个或多个隐藏层和最后一层是输出层。一个输入层作为缓冲分配输入信号下一层,这是一个隐藏层。每个神经元的隐层与下一个隐层的神经元,如果有的话,在每个连接一个典型的加权因子。所以,隐层中的每个神经元unit-artificial总结其输入、过程传递函数,并将结果输出层。也有可能有几个隐藏层连接以相同的方式。输出层的神经元units-artificial计算其输出以类似的方式。最后,信号到达输出层,安的输出值与目标值相比,一个错误估计。因此,体重因素适当修改的值和训练循环重复,直到误差是可以接受的,这取决于应用程序。 Since data flow within the artificial neural network from a layer to the next one without any return path, such kinds of ANNs are defined as feed-forward ANNs. The structure of a feed-forward Multilayer Perceptron artificial neural network can be represented as in Figure3。

2.3.2。前馈人工神经网络训练和利用bp训练算法

研修学习过程远离整体最优的网络可以在某些情况下,问题可以解决只有一个很好的数据库,输入配置培训的最佳选择,或使用最强大的学习算法(47]。

反向传播学习算法的计算包括两个步骤:一个向前和向后传球。向前传球,一个输入模式向量应用到网络的感知节点,也就是说,在输入层单元。信号从输入层传播到第一层的单位和每个单元产生一个输出。这些单元的输出传递到单位在随后的层,继续这个过程,直到最后,信号到输出层,实际反应网络的输入向量获得(图3)。

在传球前进,网络的突触权值是固定的。在向后传递,另一方面,突触权重都是依照一个错误信号,调整向后通过网络进行传播与突触连接的方向。

算法的数学分析是描述维奥蒂et al。47]。值得注意的是,网络体系结构有一个隐藏层和激活函数安排如上所述,构成普遍预测,理论上任何程度的精度逼近任意连续函数。在实践中,这种程度的灵活性是不可以实现的,因为参数必须从样本数据估计,这都是有限和嘈杂的49]。

矩阵包含更多的网络工作模式。尤其是模式代表的行而变量的列。该数据集是一个示例。更准确地说,给安三种不同子集的可用的样本,我们可以预测模型;三个子集关注培训、验证和测试的子集。这些子集简要描述如下:(我)训练子集,该集团的数据显示我们train-educate网络误差函数的梯度下降算法,以达到最好的拟合非线性函数代表现象;(2)验证子集,该集团的数据,给网络仍在学习阶段,错误的评估验证,为了有效地更新最佳阈值和权重。此外,交叉验证阶段在模型训练用于避免“过度训练模型。如果模型是训练过度,那么记住这个问题而不是找一个可靠的解决方案;(3)测试子集、一个或多个集安的新的和未知的数据,用于评估安泛化,即评价模型是否有效地近似的一般函数代表现象,而不是学习的唯一的参数。

2.4。建筑的结构开发的人工神经网络模型

应用雷曼模型中,宠物的小时值计算覆盖检查15/06/2005-31/12/2011时期。然后,每日最大和最小的宠物值24小时值提取。此外,小时白天,宠物的数量大于41.0°C或小于4.0°C(表1)估计。

两个不同的ANN模型被开发。第一,安。1,被训练来预测未来24小时每日最大和最小的宠物价值,以及极端的热应力的小时数(PET > 41.0°C)在第二天,温暖期的年(May-September) [36]。第二个模型,安。2,被训练来预测未来24小时每日最大和最小的宠物值,以及极端冷应激的小时数(宠物< 4.0°C)在第二天,今年冷段(October-April) [36]。

为了估计最优数量的前几天,应考虑适当的人工神经网络训练,重要的是要制定一个适当的数据集和决定多少天前预测一天应该被包括在训练数据集。为此,每日最大和最小的宠物值研究期间一直在组织一个叠加时代分析(说)的插图,图中描述4(50,51]。

“零”天(D-0)代表平均每日最大或最小的宠物值的温暖和寒冷的时期,分别是,当一个“超过数天(宠物> 41.0°C或宠物< 4.0°C)发生在监测站点,Galatsi。另一天,命名为d 1、d2的等等,代表《每日的平均值最大或最小的宠物值1,2,3,4,5,6,7,8天前超过数天,分别。以同样的方式,日子名叫D + 1 D + 2,等等,代表《每日的平均值最大或最小的宠物值1,2,3,4,5,6,7,8天后超过数天,分别。

两个样本之间的差异的重要性意味着研究应用t统计,换句话说,2表示测试的差异(52]。这个测试要求我们计算两种手段和比较它们是否大于另一个。结果表明,有一个显著增加意味着每天的宠物值“0”天,前三天,温暖和寒冷的时期,分别统计水平非常重要。

上述结果也在图4,这表明,在温暖期(图上),有一个显著增加日常最大的宠物值三天前“零”的一天。提取相同的结论冷段的低(图)。看来,“零”天,前三天每天最低宠物值降低。

换句话说,当一个超过数天(宠物> 41.0°C或宠物< 4.0°C)发生时,有一个显著的趋势三天前每日最大和最小值。此外,温暖和寒冷的时期,看来,这一现象是平滑三到四天后开始超过数天。

考虑说分析,适当的训练数据集的创建,包括数据关于三天,之前预测的一天。最初,可用的数据分成两个数据文件。第一个问题今年温暖期(May-September)和寒冷的第二年(October-April)。两个不同的预后模型被开发,安。1今年暖期和安。2模型的冷期。在这两种情况下,可用的数据集被分为两个子集。第一部分包括数据从2005年到2010年期间,用于训练ANN模型。这个子集的一部分(20%)是用于在训练过程中交叉验证。第二子集包括2011年的数据和评估作为测试集发达安没有。 1 and ANN no. 2 models.

表2介绍了输入PEs和输出目标安没有开发。1号和安2分别预测模型。这两个发展中长期规划模型前馈人工神经网络。他们与PEs 21日由一个输入层,一个隐层4 PEs(隐藏神经元)和一个输出层3 PEs。同时,他们有4 PEs神经元(隐藏)隐藏层。安没有传递函数。1号和安2是双曲正切函数,两个模型的学习规则是动量(31日]。选择最好的网络结构是基于一系列的探索性实验。上述两安没有架构结构。1号和安2被选中后的试错法(53- - - - - -56]。

持久性因子(PF)中提到的表2,是一个整数。连续PF代表的数量超过数天(持久性)宠物值大于41.0°C(今年温暖期)或小于4.0°C(冷的时期)。例如,意味着一天连续第五次超过数天,和意味着一天连续第六个超过数天等等。根据可用的数据的统计处理,结果发现,在温暖期,PF值介于1和37。这意味着连续37天,每日最大宠物大于41.0°C(极端的热应力)观察至少一次。寒冷的时期,PF值介于1和45岁,这意味着连续45天,每日最低宠物小于4.0°C(极端冷应激)至少观察一次。

2.5。统计性能指标

为了评估结果和预测性能的开发模型,统计指标如均方根误差(RMSE)均值偏移误差(MBE),确定系数(),所使用的协议(IA)指数。确定系数()提供信息的比例模型能够解释的方差(57,58]。RMSE是一种常用的测量预测值之间的差异的预测模型和实际观测值。RMSE用作一个措施,表明模型的预测能力和有相同的单位的预测价值。RMSE总是积极和零值是理想的。MBE提供信息的长期性能。MBE低是可取的。理想情况下,一个零MBE应获得的价值。正值给出了计算值的平均数量的高估而消极价值低估。确定系数()在统计模型的情况下,其主要目的是预测未来结果的基础上,其他相关信息。它的比例变化占一个数据集,由统计模型。它提供了一个衡量未来结果如何可能的预测模型。范围从0到1的系数值()。值越接近于1,更好、更准确的预测。协议是一个无量纲的指数测量值在0和1之间()。IA给信息距离预测值是观察到的。当,预测和观察,之间还没有达成一致表示一个完美的协议之间的预测和观察。

提出了预测模型预测的准确性超过数点”天被使用适当的统计评估指标如真正的预测率(TPR),假阳性率(玻璃钢),假警报率(远),成功指数(SI) (58]。真正的预测率(TPR)代表了正确预测的分数超过总数超过数点值从0.0%到100.0%,一个完美的分数= 100.0%。假阳性率(玻璃钢)代表错误预测的分数总nonexceedances值从0.0%到100.0%,一个完美的分数= 0.0%。误警率(远)代表错误预测的分数总超过数点值从0.0%到100.0%,一个完美的分数= 0.0%。最后,如果代表总预测正确预测的分数值从0.0%到100.0%,一个完美的分数= 100.0%。

3所示。结果与讨论

最初,宠物的小时值检查期间15/6/2005-31/12/2005应用雷曼计算模型。图5描绘了每小时宠物的时间序列值,随着高温(PET > 41°C)和冷应激(宠物< 4°C)阈值,15/06/2005-31/12/2011时期。

根据统计处理数据分析和图5,温暖的时期,宠物> 41.0°C(极端的热应力)出现在10.0%的检查小时可用的24609(2449小时),对22.8%的小时今年寒冷的时期(7320 32095小时)与宠物< 4.0°C(极冷压力)。最后,安慰人的热感觉出现在81.8%的时间在年。这表明总的来说,生物气候条件检查监测站点可以描述为人类健康的舒适条件。

如上所述,整个数据集被分为两个子集。第一子集的担忧今年暖期(May-September)和第二个冷期(October-April)。进一步的下面,结果对温暖和寒冷的时期分别介绍和讨论。

3.1。今年暖期(May-September)

2011年绝对是未知的数据集训练ANN模型安没有。1。因此,模型然后再辅以适当的数据,以预测未来24小时每日最大和最小的宠物价值,以及在第二天当宠物的小时数大于41.0°C(极端的热应力)。然后,预测的值与观测的比较。

图6描绘了观察和预测每日最大宠物值(a),观察之间的散点图和预测每日最大宠物值(b),每天观察和预测之间的差异最大的宠物值(c),和直方图的分布之间的绝对差异观察和预测每日最大宠物值(d)。此外,人物7说明了图一样6,但对每日最低宠物值。表3礼物的价值的统计指标用于评价发达安没有预测能力。1模型。

数据显示6和7和表3安,发达。1预测模型提供了一个很好的预测能力。具体来说,有关,一方面,每日最大宠物值的预测,确定系数== 0.831,这意味着模型能够解释83.1%的每日的可变性最大宠物提前24小时。另一方面,= 0.910对每日最低宠物的预测价值,也就是说,模型能够解释91.0%的变异的每日最低宠物,24小时。除此之外,70.0%的绝对差异观察和预测每日最大宠物值之间−3.0°C和+ 3.0°C,对98.0%的绝对差异观察和预测每日最低宠物值。可以得到相同的结论有关的预后的小时数在第二天当宠物大于41.0°C。图8介绍了观察和预测小时宠物> 41.0°C (a),观察和预测之间的散点图小时宠物> 41.0°C (b),观察和预测时间之间的差异与宠物> 41.0°C (C),和直方图的分布之间的绝对差异观察和预测时间与宠物> 41.0°C (d),确定系数== 0.796,这意味着发达模型能够解释79.6%的变异与极端高温的时间提前一天的压力。最后,有96.0%的绝对差异观察和预测时间与宠物> 41.0°C之间−3.0小时,+ 3.0小时。所有上述表明发达没有安。1预测模型,在其适当的培训阶段,提出了一个非常令人满意的预测能力的重要统计水平。

表4提出了统计指标的值的预测能力评估模型,以预测正确超过数点的日子里,换句话说,天每天最大的宠物大于41.0°C(极端的热应力)。有关模型的预测能力一天第二天是否会与极端热应力的感觉(超过数天),根据表4,真正的预测率TPR = 85.9%,这表明正确的预测的分数总数超过数点的速度是由模型预测的85.9%。同时,玻璃钢= 4.0%这意味着错误预测的分数总nonexceedances很小。此外,远= 4.3%,这意味着错误预测的分数总数超过数点很小。最后,如果= 90.8%,这表明正确预测的分数总预测是90.8%左右。换句话说,安没有开发。1模型能够预测90.8%的速度第二天是否会超过数天或不是。与极端的热应力的小时(宠物> 41.0°C),提前一天,担心,如果被发现等于84.3%,表明正确预测的分数总预测约为84.3%。

温暖时期的结果分析显示,今年的结合每日最大和最小的宠物的预后价值的预后同时极端热应力时间,提前一天,给了良好的监测能力的第二天期间预计将发生什么。

3.2。寒冷的时期(October-April)

同样的推理后,预后发达安没有的能力。2模型。安没有。2模型适当训练为了预测,冷段,每日最大和最小的宠物值,以及极端冷应激时间的数量在未来的一天。

图9描述,冷段,观察与预测每日最大宠物值(a),观察之间的散点图和预测每日最大宠物值(b),每天观察和预测之间的差异最大的宠物值(c),和直方图的分布之间的绝对差异观察和预测每日最大宠物值(d)。图10图描绘了一样9,但对每日最低宠物值。表5礼物的价值的统计指标用于评价发达安没有预测能力。2模型。

数据显示9和10和表5安,发达。2预后模型显示了一个非常良好的预测能力。关于每日最大宠物值的预测,在冷战期间,确定系数== 0.819,这意味着模型能够解释81.9%的每日最大宠物值的变化,未来24小时。此外,对每日最低宠物的预测价值,等于0.940,也就是说,模型能够解释94.0%的变异的每日最低宠物价值,未来24小时。也,有59.7%的绝对差异观察和预测每日最大宠物值之间−3.0°C和+ 3.0°C,对100.0%的绝对差异观察和预测每日最低宠物值。可以得到相同的结论有关的预后的小时数在第二天极端冷应激(PET < 4.0°C)。图11介绍了观察和预测小时宠物< 4.0°C (a),与宠物之间的散点图,观察和预测小时< 4.0°C (b),观察和预测时间之间的差异与宠物< 4.0°C (C),分布的直方图之间的绝对差异与宠物观察和预测时间< 4.0°C (d),确定系数== 0.896,这意味着发达模型能够解释89.6%的变异与极端冷应激的小时,提前一天。此外,82.6%的绝对差异与宠物观察和预测时间< 4.0°C之间−3.0小时,+ 3.0小时。所有上述表明发达没有安。2预后模型,后适当的培训阶段,提出了一个非常满意的预测能力的重要统计水平。

表6礼物的价值评估统计指标的预测能力安没有开发模型。2,为了正确地预测超过数点天,换句话说,天与最小的宠物值小于4.0°C(极冷压力小时)。有关模型的预测能力一天第二天是否会与极端冷应激(超过数天),根据表6,真正的预测率TPR = 92.8%,这表明正确的预测的分数总数超过数点的速度是由模型预测的92.8%。同时,玻璃钢= 7.9%,这意味着错误预测的分数总nonexceedances很小。此外,远= 3.8%,这意味着错误预测的分数总数超过数点很小。最后,如果= 92.5%,这表明正确预测的分数总预测是92.5%左右。换句话说,安没有开发。2模型能够预测92.5%的速度是否超过数天或第二天。关于时间与极端冷应激(宠物< 4.0°C)第二天,如果等于89.1%,这表明正确预测的分数总预测约为89.1%。

从寒冷的时期进行分析,结果表明,组合预测的每日最大和最小的宠物值的预测同时极端冷应激的时间,提前一天,给予良好的监测能力的预计将发生在未来的一天。

4所示。结论

这项工作的主要目的是开发预测模型,利用人工神经网络拓扑结构,以预测未来24小时biometeorological人类条件的温暖和寒冷的时期。为此,著名的人类热指数宠物的小时值计算的时间从15/06/2005直到31/12/2011 Galatsi面积在一个开放的空间,坐落在首都雅典的城市环境,希腊。适当的计算每小时宠物值进行了使用雷曼模型。

统计处理可用的数据显示在日历年期间,两个极端冷热压力小时出现。温暖的时期,10.0%的检查时间目前极端热应力(宠物> 41.0°C)。分别有22.8%的时间在寒冷的新年礼物极端冷应激(PET < 4.0°C)。最后,81.8%的时间在日历年呈现一个舒适人体热感觉(18.0°C <宠物< 29.0°C),表明,在一般情况下,生物气候条件的检查监测站点是一个人类健康舒适条件。

只要两个开发模型的预测能力(安没有。1号和安2)而言,适当的统计学评价指标的值表示一个非常满意的预测能力的重要统计水平。充分发达ANN模型显示一个令人满意的预测能力为了预测每日最大和最小的宠物价值,以及极端热或冷压力小时数为第二天。这个工作的创新包括下面列出的原因。(一)应用人工神经网络建模,而不是传统的统计建模。(b)biometeorological条件估计应用使用宠物的雷曼模型和指数,一个现代的指数可以精确地描述人类热comfort-discomfort条件。(c)发达似乎预测模型能够预测未来24小时不仅人类热comfort-discomfort水平而且极端热或冷的持久压力,根据今年的时期。因此,在一个操作形式,这将是一个非常重要的工具,政府采取适当的措施,避免负面结果的人口由于极端气象环境。(d)最后,发达安(ANN模型。1号和安2)能够预测的极端(最大和最小)每日值宠物,以及持续的现象的同时,提供实时的预后。

根据作者的观点,而且调查是必要的为了增加该ANN模型的预测能力,以及扩展预测在未来48或72小时。,预测和保护公共卫生监测网络的发达。同时,政府将获得之前警告极端能源需求由于极端热浪在温暖期。