基于无人机航拍与图像识别技术对岛城地形类别的全面判定及精细化风场评估

《BUILDING AND ENVIRONMENT》：Omnidirectional terrain category determination and refined wind field assessment in island cities based on UAV aerial photography and image recognition

　　摘要：在建筑结构的抗风设计中，准确评估风荷载在很大程度上取决于对地形类别的精确判定。现有的风荷载规范通常将复杂的城市地表简化为若干离散且理想化的地形类别。这种简化的分类模型难以适应现代城市日益复杂且不均匀的地形条件。因此，本研究提出了一种高效且低成本的方法，无需依赖实测风数据即可评估城市地形类别与风场情况。以某热带岛屿城市为研究对象，该研究利用基于无人机的航空摄影技术获取目标区域的高分辨率建筑图像，通过图像识别自动提取建筑的三维尺寸，进而计算表面粗糙度参数，从而实现精确的地形类别判定与风场评估。实验结果表明，所训练的YOLOv11实例分割模型能够准确识别岛屿城市中的建筑物，具备出色的泛化能力。此外，通过形态测量方法得到的表面粗糙度参数、风速分布及湍流强度与无人机风场监测系统实测数据高度吻合。同时，城市表面粗糙度受建筑高度、几何形状及空间分布密度共同影响，体现了多种因素的协同作用。为实现对目标区域地形类别的全方位量化，研究采用均匀设计方法优化采样方案，将图像识别角度设定为90°，采样半径为1000米。该方法有效突破了现有规范中传统离散地形分类的局限性，为岛屿城市高层建筑的定量风场评估及精细化抗风设计提供了可靠且实用的方法。

引言：建筑结构风荷载评估的准确性在很大程度上取决于对场地地形类别的精准判定。复杂多变的城市地形与地貌特征会显著改变近地面风场的分布特性，这是准确计算风荷载的关键影响因素[1,2]。因此，有必要对表面粗糙度进行精细评估，以准确确定地形类别，进而为抗风结构设计提供依据。海南省位于全球知名的“台风走廊”内，频繁遭受高强度、高频率且路径变化复杂的热带气旋侵袭[3]。现有的风荷载规范通常依靠有限的离散地形类别来评估表面粗糙度，其地貌分类标准较为通用，难以适应现代岛屿城市日益复杂的地表条件，也无法准确描述城市风场的空间异质性。为此，对岛屿城市地形类别与风场进行定量且精细的评估具有重要的理论价值与实践意义，尤其有助于提升工程结构的抗风能力与灾害防御水平。

目前，关于地形类别判定与风场特征描述的研究主要采用三种技术途径：近地面风场的现场实测、形态测量参数分析以及物理与数值模拟。在现场测量方面，传统方法主要依靠气象气球[4]、气象塔[5]、气象站[6]、风速仪支架[7]以及风场剖面雷达[8]等仪器进行风速观测。通过在沿海地区、内陆平原、复杂山区、城市中心及沙漠等典型地形开展大量测量工作，已积累了丰富的基础数据与研究成果。然而，基于气球的风速测量易受湍流与风场不均匀性的影响，其轨迹偏移与振荡问题严重限制了其在工程中的应用及测量精度。此外，气象塔、风速仪支架和气象站等仪器受固定位置、观测高度受限、测量点空间分布有限、观测周期长以及运营成本高昂等因素制约，难以捕捉城市建筑群内的局部流场变化。而风场剖面雷达主要用于高空测量，虽设备成本高、空间分辨率低，但在近地面风场观测方面存在明显局限。近年来，配备风速仪的多旋翼无人机因其高机动性、垂直起降能力以及成本效益优势，成为动态风场测量的重要手段。Bruschi等人[9]通过风洞试验验证了这类四旋翼无人机系统的可靠性，发现转子旋转会对10米/秒以下的风速产生明显影响，但对风向的干扰可忽略不计。Prudden等人[10]通过将风速仪探头置于距离无人机转子直径4.5倍的位置，成功实现了风速与湍流的测量，证明了该方法的可行性。Huang等人则利用六旋翼无人机风场监测系统开展了一系列现场测量，成功获取了典型热带岛屿地形的垂直风场特征[11,12]、复杂地形的空间风场特征[13,14]，以及风力发电机与高层建筑的尾流特征[15,16,17]。这些研究共同证明了多旋翼无人机风场监测系统的可靠性与优越性。不过，由于风向的随机性，现场测量方法通常难以快速确定目标区域的地形类别并评估风场情况。

相比之下，基于形态参数的评估方法通过量化表面粗糙度要素（如建筑物）的几何属性与空间分布来确定地形类别与风场参数，具有更广泛的适用性。早期的研究主要依靠实地调查或中低分辨率卫星影像。例如，Zhang等人[18,19]基于风能耗散原理建立了能量耗散率与粗糙度指数之间的关联模型，随后通过实地调查当地建筑布局来确定目标区域的表面粗糙度指数。Nayyar等人[20]则利用Landsat 8卫星影像，结合传统的遥感指数（如NDWI、SAVI和EBBI）以及新开发的指数（ASIT和L8FI），实现了对六种基本土地覆盖类型的自动识别，进而生成粗糙度分类图。此外，Yu等人[21]提出了一种创新框架，通过将形态测量技术与Google Earth软件相结合，解决了长期风速测量及规范规定的地形类别分类存在的固有缺陷，成功计算出了小范围区域的空气动力粗糙长度。关于复杂非均匀地形上风场的变化规律，An等人[22]通过风洞试验研究了上游地形不均匀性与表面粗糙度形态对平均风速及湍流特性的影响；随后，Nahian等人[23]引入人工神经网络，实现了对复杂非均匀地貌上平均风场特性的高效预测。基于特定区域的建筑布局调查与遥感影像，现有研究已初步建立了适用于简单建筑分布的地表粗糙度参数估算模型。然而，这些模型难以适应区域地形的动态变化，因为不断新增的粗糙度要素会降低其评估精度。此外，米级分辨率的卫星影像无法准确重建建筑物的三维形态特征。因此，厘米级分辨率的无人机航空影像已成为实现高精度表面粗糙度评估的更优方案。

传统用于测量粗糙度要素形态参数的方法高度依赖人工操作，不仅效率低下且受现场条件限制，还存在一定的安全风险。相比之下，通过航空影像实现表面形态特征的自动识别与尺寸提取，具有更高的效率与成本效益。例如，Huertas等人[24]基于航空影像与通用形状模型估算了建筑物高度。但在具有多种粗糙度要素的复杂城市区域，传统几何检测方法的精度与稳定性仍难以满足高精度抗风设计的需求。近年来，基于卷积神经网络的深度学习算法凭借出色的特征学习能力，显著提升了在复杂场景下的检测性能。其中，YOLO系列模型因其端到端的检测框架、多尺度特征融合以及高效的实时推理能力，非常适合这类场景的检测需求。具体而言，Ma等人[26]对YOLOv3模型进行了改进，显著提升了在地震后高分辨率遥感影像中识别倒塌建筑的速度与精度。类似地，Liu等人[27]使用改进后的YOLOv5，在建筑物损毁检测中实现了超过90%的准确率。此外，Qiu等人[28]利用无人机影像构建数据集，并采用改进后的YOLOv8，通过两阶段流程实现了建筑物筛选与屋顶损毁检测。最新版本的YOLOv11在检测精度、推理速度、多任务适应性、部署灵活性以及训练策略设计方面均进行了系统性优化[29]，从而具备了对复杂城市地表进行像素级解析的能力。不过，识别算法输出的几何参数精度直接决定了物理模型在推导风场参数时的可靠性。目前，用于计算空气动力粗糙长度（z0）的基于形态学的计算模型主要分为三类：基于高度的模型[30,31]、基于高度与平面面积指数的模型[32,33]，以及基于高度与正面面积指数的模型[34,35]。在复杂城市地表的风场研究中，基于正面面积指数的模型能够量化建筑物迎风面對气流的阻力效应，但其精度在很大程度上取决于建筑物立面信息的完整性。对于单目无人机正射影像而言，由于缺乏多角度侧视信息，难以准确提取正面面积指数，从而不可避免地引入系统误差。相比之下，Kondo模型[32]以粗糙度要素的高度与平面面积指数作为输入变量，与无人机正射影像的兼容性很高，这一特性已得到Grimmond[36]与Kusaka[37]的验证。此外，在提取不规则建筑物时，传统的矩形边界框检测算法容易将地面表面及投影阴影等无结构背景噪声纳入检测范围，从而导致平面面积被高估。

近年来，风洞试验与计算流体动力学模拟技术发展迅速，已成为分析城市风场演变及评估结构风荷载的重要技术手段[38]。这两种模拟方法不仅能有效再现并预测复杂地貌区域近地面风场的演变特性，还能捕捉结构表面的风压分布规律。通过风洞试验，Yu等人[39]与Shen等人[40]揭示了上游复杂城市地形与表面粗糙度要素对目标区域风场剖面及湍流特性的影响。然而，对于地形复杂的城市区域，风洞试验中上游粗糙度阵列的缩放布局以及CFD模拟中入口边界条件的设定，都会直接影响风场模拟的精度与可靠性[1,2]。模拟性能在很大程度上取决于对地表地形特征的精准识别与参数化表达。尤其是在CFD模拟中，表面粗糙度是建立大气边界层来流条件的重要参数，若其赋值与壁面函数之间存在偏差，就会导致计算域内的来流风场出现顺流向畸变，进而大幅降低风场及结构风荷载的计算精度[41]。因此，高效且定量地确定非均匀城市地貌的粗糙度特性，不仅是工程结构抗风设计的实际需求，也是提升物理试验与数值模拟可靠性的重要前提。

本研究以热带岛屿城市为研究对象，利用YOLOv11模型生成像素级掩膜，从而精确提取建筑物的物理边界。基于双高度摄影测量原理，该研究进一步获取建筑物的高度与平面面积，进而得到研究区域内主要粗糙度要素的几何参数。随后，采用Kondo模型计算地面粗糙度参数，建立空气动力粗糙长度（z0）与粗糙度指数（α）之间的定量对应关系。该方法的可靠性通过无人机风场监测系统获取的实测数据进行了验证。此外，研究还采用均匀设计方法确定最优的航空测绘范围，从而实现地形类别的全面分类。最终，这项研究的成果为岛屿城市复杂地形中建筑的抗风设计提供了科学且量化的依据。研究区域与实地测量点概述如图1所示，实地测量区域位于海口市海甸岛（北纬20.05°，东经110.33°）。具体而言，选择了1号高层建筑的迎风面（东侧）以及2号高层建筑周围的各向区域作为测量点。根据《建筑结构设计荷载规范》（GB 50009-2012）[42]的分类标准，1号高层建筑的东侧以及北侧被选为测量区域。基于YOLOv11实例分割模型的建筑识别本研究中的实地测量点位于热带岛屿的城市平地上，该地区的地表主要由各类建筑物构成，这些建筑物可视为粗糙度元素。准确识别并提取这些粗糙度元素的几何特征，是实现精确地表粗糙度评估的基础。现有研究大多依赖无人机和商业建模软件来生成3D点云和数字表面模型。图像识别采样范围的确定以2号高层建筑的东部区域为典型案例，采用上述图像识别方法得到了表3中九个典型测试案例的表面粗糙度指数（α）的实验值。随后通过多元线性回归分析，建立了将α与扇区角度（θ）及采样半径（R）关联起来的回归方程：α=0.324?1.635×10?4θ?2.680×10?5R该方程表明，表面粗糙度与这些参数存在一定的关联关系。结论在本研究中，利用基于无人机的地形识别系统，对热带岛屿城市的地表进行了航空摄影及实地测量。通过提取建筑物的3D尺寸，计算出了不同区域的表面粗糙度参数，从而能够更精准地评估地形类别和风场情况。在主导风向条件下，所提出方法的可行性已通过无人机测风数据得到了有效验证。CRediT作者贡献说明黄斌：方法论、写作——审稿与编辑、数据整理、资金获取。刘元坤：写作——初稿撰写、写作——审稿与编辑、正式分析。李正农：监督、概念设计。张苏欣：正式分析、软件应用。王向军：结果验证。辛大波：监督、概念设计。李书金：正式分析、软件应用。数据可用性数据将在有需求时提供。利益声明作者声明不存在任何可能影响本文所述工作的已知竞争性财务利益或个人关系。CRediT作者贡献说明黄斌：写作——审稿与编辑、方法论、资金获取、数据整理。刘元坤：写作——审稿与编辑、写作——初稿撰写、正式分析。李正农：监督、概念设计。张苏欣：软件应用、正式分析。王向军：结果验证。辛大波：监督、概念设计。李书金：软件应用、正式分析。黄斌|刘元坤|李正农|张苏欣|王向军|辛大波|李书金中国海南省海口市海南大学土木建筑工程学院，邮编570228