企业官网建设流程全解析

简介：RayManPro.zip 是一套基于 RayMan 模型的人体生理等效温度（PET）计算工具，面向城市气候、建筑环境与室外热舒适研究领域的科研人员、规划师及高校相关专业学生。通过输入云量、空气温度、相对湿度、风速等常规气象参数，并结合受测人群的年龄、性别、身高、体重、新陈代谢率、着装热阻及长短波辐射等个体特征，即可快速求解不同时空尺度下的 PET 值，为热环境评估与城市空间热舒适优化提供量化依据。压缩包为 zip 格式，整体体量约 1.26MB，便于本地部署与便携使用，适合在实地热环境监测数据整理、建筑外环境分析及热舒适对比研究中直接调用。目前已有 606 人浏览学习，反映出该工具在室外热舒适评价领域的实用价值。资源聚焦 RayMan 模型的核心计算流程与参数配置逻辑，有助于使用者系统掌握 PET 计算的完整操作路径，缩短建模与参数调试周期，是开展热环境实证研究或课程实验的有力辅助工具。

1. 做室外热舒适评价的人，手里基本都有同一个痛点：拿到的气象数据是云量、空气温度、相对湿度、风速，领导要的却是“这个广场夏天下午到底热不热”的量化结论。中间差的这一步，就是人体生理等效温度PET。RayManPro 就是把这四个气象参数完整转换成 PET 的工具包，平均辐射温度、太阳辐射、服装模型全部摊开给你看，不是黑匣子。下面直接讲从输入到输出的完整链路，重点放在参数怎么给不踩坑、批量模拟怎么跑、结果怎么验证。适合做城市设计、景观分析和建筑前期气候评估的工程师，也适合刚接触热舒适指标的研究生。

2. 从四个气象参数到PET：RayManPro的计算链路与输入边界

2.1 PET不是查表查出来的，是解人体能量平衡方程解出来的

PET这个指标很多人当它是查表出来的，其实它是反算出来的。先明确定义：在室外真实条件下，人体皮肤温度、核心温度达到某一状态，把这个状态搬到一个人工设定的标准室内环境中（通常风速0.1 m/s、相对湿度50%、室内辐射温度等于空气温度），室内气温需要调到多少度，人体才能恢复同样的热感觉，这个温度就是PET。所以PET的本质是通过人体热量平衡模型反算的等价温度，而不是像风寒温度那样套一个经验公式完事。

RayMan的计算链路大致有五步。第一步，按日期、当地时间、经纬度算太阳高度角和方位角，这一步决定短波辐射的基础入射量。第二步，用云量拆解逐时短波辐射：云量进入模型后控制直射和散射的比例，阴天直射接近零，全部变成散射。第三步，结合站点周围遮挡（建筑、树冠）和地表反照率，算人体表面的短波吸收和长波辐射交换，得到平均辐射温度Tmrt。第四步，把空气温度、相对湿度、风速、服装热阻、代谢率放进人体能量平衡方程，迭代解出皮肤温度和各项散热。第五步，把最终的人体热状态放到标准室内环境里反算室内气温，得到PET。

人体能量平衡方程的简化写法是 M+W = C+E+R+S。左边是代谢产热M和机械功W，右边是对流散热C、蒸发散热E、辐射换热R和蓄热S，稳态下S=0。RayMan在迭代里反复调节皮肤温度和服装表面温度，直到方程收敛。PET计算里最敏感的是辐射项，云量直接影响太阳辐射，所以云量输入错了，后面再怎么调风速都是白搭。

我一般会先跑一个晴天正午的单点测试，作为模型自检。比如7月15日中午12点，北纬40度，晴天无遮挡时太阳高度角大约68度，Cloud Cover设3成时到达地面的短波辐射会比晴天低不少，Tmrt也随之下降。如果跑出来的Tmrt比Ta高出25°C以上，说明辐射链路是通的；要是只差几度，先回去查云量和经纬度，别急着出图。这是最快能验证模型没写错参数的土办法。

2.2 输入参数边界：单位、范围和常见误用

RayManPro的输入面板看起来简单，实际每个字段都有边界约束。以下是我整理的参数表，单位、范围和常踩的坑都在里面。

先说云量。RayMan遵循气象上常用的okta分法，0到8，0是全晴，8是全阴。有的版本界面会给预设项（晴/多云/阴天），本质也是okta的取值范围。如果你手里的气象数据给的是百分比，除以12.5才是okta；给的是0-1的小数，乘以8就是okta。这个换算看起来简单，实际项目里最常翻车的就是这一步，原因很简单：气象站导出的云量字段绝大多数是百分比，直接贴进界面，模型会把云的衰减效果彻底算歪。

空气温度没有太多坑，注意单位就行。有些逐时数据集给的是开尔文，先减273.15再入库。相对湿度要注意气象数据里“0.65”这种小数，RayMan按0-100读取，必须乘100，否则蒸发散热算错，夏季PET会明显偏低。风速是第二个重灾区。很多环境气象站导出的是km/h，比如“7.2”，如果不除以3.6直接填，模型以为风速只有2 m/s，对流换热算少了，夏季白天PET偏高，冬季夜间PET偏低。我自己会在数据清洗阶段统一转好，并在结果里加合理性检查：同一时刻风速越大PET应该越低，要是风速填完PET反而升高，先怀疑单位。

时间列要格外小心。RayMan内部用真太阳时算太阳高度角，但你可以给它本地标准时，程序会按站点经度做修正。问题出在批量导入时，如果给的是UTC时间且没告诉模型，它就会按零度经线计算，下午的太阳高度角变成清晨的，Tmrt和PET完全失真。经纬度建议用十进制度，比如116.35而不是116°21′。老版本如果只认度分秒，脚本里手动做进制转换，别手敲，容易错。

回到业务层面，很多项目在没有RayMan之前直接拿空气温度定性“热不热”，这在辐射条件弱的阴天还行，遇到夏季晴天就失真：同一气温下，树荫里和广场中央的体感能差出一两个热等级，区别全在辐射项。PET把云量、风速、辐射全部折算进一个温度里，项目验收和方案比选才有一个能横向对比的物理量。

2.3 输出面板里到底看哪几列：Tmrt、PMV、PET、热等级

批量跑完，输出文件里通常一行一个时刻，列包含日期时间、空气温度、相对湿度、平均辐射温度Tmrt、风速、PET、PMV。不要只看最后一列，养成先看Tmrt的习惯。Tmrt是平均辐射温度，可以理解为人所处位置接收到的来自各方向辐射的等效温度。夏季晴天无遮挡时Tmrt能到60°C以上，比气温高三十多度；阴天或树荫下Tmrt贴近气温。Tmrt和气温的差，直接告诉你这个场地是辐射主导还是气温主导。

风速列也别跳过。人体热舒适对低风速非常敏感，1.5 m/s和3 m/s在评价里是两个量级，不要觉得这个数小就忽略它。把输出文件拉出来后，我的第一件事是画一条全时段Tmrt-Ta曲线，看昼夜差是否合理。夏季晴天白天差值应该在20°C以上，夜间回落到0°C附近。如果差值全天都很小，基本可以确定云量或遮挡表有问题。

PET根据热感觉等级划分区间，这套分级表在生物气象学应用里比较常用。

不同文献的区间有出入，比如有的把“暖”放在29-35，有的放在25-35。做正式报告时，以所在地区规范或甲方要求的分级为准，别拿一篇论文的区间往报告里硬套。PMV列也有，它是热感觉预测，-3到+3的数值，但PMV的舒适区间和PET不等价，不要混用。UTCI模型也支持，它和PET共用一套人体模型，只是参考环境设置不同，做城市设计比选时PET更常用，UTCI更多用在室外冷热应激的跨场景对比，输出面板里能看到，但别把两个指标的数值混在一起比较。

3. 跑通一次完整计算：数据准备、批量导入与参数设置

3.1 把气象数据整理成RayManPro能读的输入文件

如果只算一个时刻，直接手输没问题。但一旦要做整个夏季的逐时模拟，手动输入会改到崩溃，常见做法是把气象站导出的CSV转成RayManPro能识别的文本行。下面是清洗脚本，我拿它处理过几十份气象数据，列名按实际导出格式改就行。

import csv from datetime import datetime def convert_weather(csv_in, out_txt): # 典型气象站CSV列：time,temp_c,rh_pct,wind_kmh,cloud_pct with open(csv_in, 'r', encoding='utf-8') as f, \ open(out_txt, 'w', encoding='utf-8', newline='\r\n') as g: reader = csv.DictReader(f) for row in reader: dt = datetime.strptime(row['time'], '%Y-%m-%d %H:%M') ta = float(row['temp_c']) rh = float(row['rh_pct']) ws = float(row['wind_kmh']) / 3.6 # km/h -> m/s okta = float(row['cloud_pct']) / 12.5 # % -> okta g.write(f"{dt.strftime('%Y-%m-%d %H:%M')},{ta:.1f},{rh:.0f},{ws:.2f},{okta:.0f}\n") return out_txt

逻辑说明：先把气象站的逐时记录读进来，风速除以3.6从km/h转成m/s，云量除以12.5从百分比转成okta，然后按RayManPro的输入行格式逐行写出。重点在最后一项：out_txt指定了换行符\r\n。老版本RayManPro跑在Windows环境，读Unix的LF结尾文件会把整行连在一起，出现过解析错位，换成CRLF就稳了。编码上，如果导入后注释是乱码，把utf-8改成gbk试试，文件头有BOM的话一并处理掉。

时间格式要看你的RayManPro版本。新版本认YYYY-MM-DD HH:MM，老版本可能认DD.MM.YYYY HH:MM。不确定的时候，先拿Demo文件对比一下列格式再生成，不要一上来就批量导入几千行，返工成本太高。

3.2 两种计算入口：单点手输 vs 批量导入

单点计算适合测试。界面里填好日期时间、经纬度、空气温度、相对湿度、风速、云量，再把人体参数设置好，点计算直接出结果。我会用单点模式验证模型状态：先跑一个晴天正午、一个阴天夜间，如果白天PET比夜间高30°C以上，说明参数链路基本通；如果差距小，回去查时区和云量。

批量导入是实际项目的主力入口。把3.1生成的txt文件通过导入功能读进去，导入时注意时间属性设置：文件时间是本地标准时还是UTC、是否需要做时区修正，绝不能把下午两点当成凌晨两点算。导入后先看前24行的太阳高度角输出，如果凌晨出现正高度角，说明时间处理错了。正常情况太阳高度角在正午最高、夜间为负，这个检查十秒钟就能完成，却能省掉后面一整套废数据。

3.3 人体与服装参数怎么定

很多第一次用的人容易忽略人体参数，默认值直接点计算，算出来的PET可能和实际场景差出一个热等级。下面是我常用的参数模板。

代谢率代表人体产热水平，室外热舒适评价一般不会让人体处于跑步状态，选太高会让PET偏低。静坐选80W，站姿120W，慢走180W，够了。服装热阻夏季典型值0.5clo，春秋0.9clo，冬季1.2~1.8clo。评价不同季节要用不同clo，别用全年平均服装热阻，那会让冬季PET偏暖、夏季偏凉，结论直接反了。

位置遮挡是另一个经常被忽略的坑。RayMan默认站点周围无遮挡，人站在全天空开阔地。如果实测地点在建筑阴影里、树冠下面或高低错落的高楼之间，必须提供遮挡信息。粗算时常见做法是输入简化的遮挡角度：比如西侧有建筑，挡住高度角15°到45°的扇形区域，把这个范围填进遮挡表。这个粗糙模型比完全不设遮挡要准得多，晴天下午的PET能掉5°C以上。没有鱼眼照片的时候，先按场地平面图估几个主要遮挡方向，也比默认全天空开阔地强。

3.4 输出结果怎么看

批量跑完后，我按这个顺序自查。第一步，看Tmrt和空气温度的差值。夏季晴天无遮挡，Tmrt比Ta高20~40°C是正常的；如果差值只有几度，要么是云量设大了，要么是遮挡过度。第二步，看PET相对Ta的偏移。晴天白天PET通常比Ta高5~15°C，阴天接近Ta，夜间PET略低几度。如果白天PET比Ta还低，回去查风速单位。第三步，按分级表定热等级。做报告时把PET时变化曲线画出来，结合Tmrt看拐点，很多设计方案评价里的反常点，其实都是辐射项在作怪。

4. 避坑：RayManPro 跑百次模拟总结出来的五个翻车点

以下五条都是我在实际项目里踩过的，按出现频率排了序。这些坑大多数不是模型算法的问题，而是数据在进模型之前被改坏了，逐条复现现象、原因和解决路径，照着排查能省不少返工时间。

4.1 云量填成百分比，PET直接爆表

现象：夏季阴天云量80%的项目，算出来的PET高达40°C以上，比同一站晴天的结果还高。

原因：RayMan的云量输入按okta（0-8）读取，不识别百分比。直接填80，相当于让模型去处理一个远超全阴天量级的云量，辐射衰减计算出现反向修正，PET就爆了。

解决：入库前统一除以12.5，并把结果钳制到0-8范围。脚本里加一行断言，云量大于8直接报警，不要默默往下算。

4.2 风速单位当成km/h，冬季PET算成虫洞

现象：冬季傍晚实测风速7.2 km/h，界面里直接填7.2，算出来的PET低到-30°C，明显不合理。

原因：RayMan按m/s接收风速，7.2 km/h实际只有2 m/s，填成7.2 m/s相当于七级大风，对流换热和蒸发散热被放大好几倍，PET被压到异常低值。

解决：清洗脚本里统一除以3.6。输出后用夏季夜间校验：夜间PET和Ta的差应小于5°C，超过这个范围先查风速。

4.3 时间没转本地时，太阳位置整个错位

现象：批量导入的UTC时间文件，中午12点的Tmrt偏低，反而是下午2点出现接近0的太阳高度角。

原因：模型按输入的UTC时间配合站点经度计算太阳位置，没做时区转换时，当地正午被映射到了UTC坐标轴上，太阳轨迹整体平移。

解决：脚本里先把日期时间转成当地标准时，再写入输入文件。导入界面里明确选“文件时间为本地时间”，不要选UTC。验证方法很直接：看凌晨输出有没有太阳高度角。

4.4 树荫下的站点PET异常高

现象：实测地点在树冠下，夏季晴天PET算出来45°C，体感明显没这么热。

原因：没输遮挡表，模型默认全天空开阔，短波辐射全额照射到人体表面，辐射项被严重高估。

解决：至少输入简化遮挡角度表，把树冠或建筑大概挡住的方向和高度角填进去。同时检查反照率：草地设0.25，硬质地面设0.30，水面设0.10，别全用默认值。

4.5 输出CSV列错位，PET串到风速列

现象：导出的结果文件用Excel打开，PET列的数字出现在风速列，整排错位。

原因：老程序输出分隔符受系统区域设置影响，非英文环境下可能用分号或制表符，用户按逗号拆分，自然错位。

解决：用Python的read_csv指定sep='\t|;|,'，统一转成标准CSV后再交付。不要直接拿原始输出文件进Excel做图。

排查顺序建议：结果异常时按“时间属性 → 云量 → 风速 → 遮挡 → 区域格式”的顺序过一遍。这个顺序覆盖了我会踩的绝大多数坑，跳过任何一步都可能白查半天。

5. 把PET用起来：输出解析、插值成图与缺测处理

5.1 解析RayManPro输出文件

批量模拟得到的是文本输出，直接拖进Excel容易踩第4.5条的坑，先写脚本解析成干净的DataFrame。

import pandas as pd def read_rayman_out(txt_path): # RayMan输出常见列：Time,Ta,RH,Tmrt,Uwind,PET,PMV df = pd.read_csv(txt_path, sep='\t|;|,', engine='python', skiprows=1) df['PET'] = pd.to_numeric(df['PET'], errors='coerce') # 缺测标记常见为 -999 df.loc[df['PET'] < -900, 'PET'] = float('nan') return df

逻辑说明：老版本输出有时候是制表符，有时候是分号，取决于运行机器的区域设置，所以用正则分隔符把三种分隔符一并处理。PET缺测值常见是-999，先置成NaN，后面画图和统计才不会带出离谱的尖峰。skiprows=1是跳掉版本信息行，如果你的输出文件没有这行，去掉即可。

5.2 多点位PET插值出热力图

单点位PET只能评价一个点，场地评价需要多点位空间分布。常见做法是在模拟项目X的场地里布四个测点，分别跑出PET，再做插值。

import numpy as np from scipy.interpolate import RBFInterpolator import matplotlib.pyplot as plt # 四个测点的坐标和PET值，模拟项目X的场地范围 pts = np.array([[0,0],[0,50],[50,0],[50,50]], dtype=float) vals = np.array([32.5, 28.9, 31.2, 26.4]) # 由RayMan批量跑出 grid_x, grid_y = np.meshgrid(np.linspace(0,50,200), np.linspace(0,50,200)) interp = RBFInterpolator(pts, vals, kernel='linear') grid_pet = interp(np.column_stack([grid_x.ravel(), grid_y.ravel()])).reshape(grid_x.shape) plt.imshow(grid_pet, extent=[0,50,0,50], origin='lower', cmap='RdYlBu_r') plt.colorbar(label='PET (°C)') plt.scatter(pts[:,0], pts[:,1], c='k', marker='o') plt.savefig('pet_map.png', dpi=300)

说明：测点少于四个的场地，RBF插值就够用，核选linear不容易外推出离谱值；测点多的话换IDW或克里金，避免插值圈在边界外推失真。网格分辨率按场地尺寸设：50米见方的场地，200×200网格已经够平滑，再密是视觉上的浪费。画图前先检查测点PET值域，如果出现插值结果低于所有测点极值的区域，说明边界外推太猛，把网格范围收进测点凸包内。

5.3 输入数据不是逐小时时：重采样和缺测处理

气象站数据经常不是逐小时的。常见做法是先把时间轴重采样成1小时间隔，空气温度和相对湿度用线性插值，风速用最近值填充，云量不要平滑。云量变化对太阳辐射的影响是跳跃性的，平滑掉会直接削弱午后辐射峰值。

# 气温湿度线性插值，风速nearest填充，云量ffill但仅限3小时 df_ta = df.resample('1h').interpolate(method='time') df_ws = df.resample('1h').nearest() df_cloud = df.resample('1h').ffill(limit=3)

参数说明：interpolate(method='time')按时间间隔线性插值，适合气温和湿度这种连续变量。云量的ffill带limit=3，意思是云量值最多向前填充3小时，超过就置空，避免把一段长空窗伪装成稳定趋势。缺测超过6小时的数据段，我一般直接置NaN并在报告里标注，不硬插。

5.4 结果怎么验证

没有实测PET时，验证分两步走。第一步是中间量验证：用黑球温度实测折算出Tmrt，和RayMan输出的Tmrt对比，偏差在±5°C以内说明辐射场模拟可靠；偏差超过8°C，先查云量和遮挡表。第二步是PET区间验证，参考下面这张自查表。

UTCI也可以用来做交叉验证，但PET和UTCI的区间不能直接换算，输出里对比时分开画两条曲线，别混在一起下结论。做完这步，你手里的PET才算是一个能拿去写报告的数据，而不是模型吐出来的数字。

6. 批量情景比选：用脚本把不同设计方案跑出对比表

实际项目里RayManPro最常用的不是出一张图，而是方案比选。比如景观设计要比较“无遮挡广场、加树阵、加廊架”三种方案在7月某天的PET差异，人肉改遮挡表会改到崩溃。常见做法是写一个Python脚本，把RayManPro当作批处理工具循环调用。

from pathlib import Path import subprocess, shutil base_dir = Path('/tmp/rayman_runs') scenarios = [ {'name': 'no_shade', 'shade_deg': None, 'albedo': 0.30}, {'name': 'tree_row', 'shade_deg': 'tree.txt', 'albedo': 0.25}, {'name': 'pergola', 'shade_deg': 'pergola.txt', 'albedo': 0.30}, ] for s in scenarios: run_dir = base_dir / s['name'] run_dir.mkdir(parents=True, exist_ok=True) shutil.copy('weather_20230715.txt', run_dir / 'weather.txt') write_config(run_dir, s) # 把遮挡文件和反照率写进配置 ret = subprocess.run( ['RayManProConsole.exe', str(run_dir / 'weather.txt')], capture_output=True, timeout=600) if ret.returncode != 0: print(s['name'], 'fail, see stderr') continue extract_results(run_dir) # 解析PET列并汇总

参数说明：每个方案放独立目录，最核心的坑是RayManPro输出文件名固定，多个实例同时跑会在同一个目录里互相覆盖输出文件，独立目录从根上解决了这个问题。timeout=600是给单日逐时模拟留的余量。并发度控制在2到3个进程，开太多内存会吃紧。注意遮挡表格式要和版本一致，模拟项目X里用的是横纵角格式，直接照Demo改就行。

跑完后把PET最大值、出现时刻、下午均值三列汇总成对比表，方案优劣一眼就能看出来。从那以后我每次接手新的气候评价项目，都强制把气象数据清洗、单位换算、RayMan批量模拟、Tmrt自查、分级出图这一套流程完整走一遍，哪怕只算一天的数据也不跳过。这个流程帮我把返工率降了一大截，项目评审会上也很少再被质疑“这个数怎么来的”。希望帮到你。

本文还有配套的精品资源，点击获取