基于航空多模态遥感的热-几何建筑重建：以上海同济大学主校区为例

《BUILDING AND ENVIRONMENT》：Thermal-Geometric Building Reconstruction Using Aerial Multi-Modal Remote Sensing: A Case Study of Tongji University Main Campus

　　

## 摘要

准确表征建筑热行为和城市热环境对于城市环境评估、能源分析、数字孪生以及可持续性导向的规划至关重要。然而，现有的城市建筑模型主要以几何为导向，热学信息通常单独采集并通过稀疏观测来表示，这限制了几何信息和热学信息的融合，影响了建筑尺度的热评估和城市热研究。为了解决这一局限性，本研究提出了一种基于航空多模态遥感数据的热-几何建筑重建框架。首先利用机载激光扫描点云重建多级建筑几何模型，同时开发了一种基于分割引导的对齐方法，并通过SAM 3进行增强，以改善热红外和RGB图像之间的跨模态对应关系，从而实现热纹理生成。在同济大学主校区开展实验表明，所提出的框架实现了0.1米的几何精度和0.6°C的热学精度，能够可靠地表征建筑表面在不同细节层次下的热状态。基于CityGML生成的热-几何模型支持一致的建筑尺度和地块尺度热特征化，为城市热评估、建筑能源诊断和可持续性导向的城市环境分析提供了实用基础。

## 引言

城市建筑热-几何表征已成为数字孪生开发和城市环境分析的重要组成部分。随着CityGML [1]等标准的广泛采用，三维建筑模型已被广泛应用于城市规划、基础设施管理和灾害评估[[2], [3], [4]]。然而，随着全球可持续发展目标（SDGs）和城市环境监测等倡议的不断推进，纯粹的几何模型已不足以表征城市环境过程。特别是，理解建筑尺度的热行为已成为城市科学、遥感和建筑环境研究中的关键研究焦点。因此，城市热建模[[5], [6], [7]]——将热动力学与三维几何表征相结合——已成为构建语义和物理信息丰富的城市数字孪生的核心步骤，这些数字孪生能够支持能源消耗、热岛缓解和可持续城市设计。

现有的面向城市分析的热-几何建筑重建研究可分为三类主要表征方式（见图1）：二维热遥感图像、热点云和热纹理网格。

**(a)** 早期的城市研究[10,11]完全依赖于二维热遥感图像。这类表征提供宽空间覆盖且易于获取，可实现大规模环境监测。然而，其固有的平面特性缺乏显式的三维几何信息，限制了体积分析并阻碍了详细的建筑级别或构件级别的热解释。

**(b)** 为引入几何感知，通常使用SfM-MVS流程从热图像生成点云，提供从稀疏到密集的三维表征[8,12]。这些方法提供了热观测的三维扩展。然而，点云仍然是非结构化和离散的，其固有的稀疏性在重建表征与真实建筑之间造成了差距。这限制了拓扑推理和热聚集能力，同时也降低了城市分析任务的可解释性和可用性。

**(c)** 为进一步改善几何连续性，基于三角网面片构建的网格模型[9,13]解决了离散性问题，并仍是当前城市研究中的主导表征方式。虽然网格提供了更连续的表面表征，有利于可视化和基于表面的分析，但它们仍然主要优化于几何保真度而非语义结构或物理可解释性，这限制了其在构件级别热建模和跨尺度环境分析中的有效性。

尽管这些表征方式逐步改善了几何完整性，但它们主要将热信息组织为栅格像素、离散点或表面三角形，为建筑级别分析提供了有限的语义信息。因此，热属性无法直接与屋顶、立面或单栋建筑等具有意义的建筑实体相关联，限制了包括建筑能源评估、构件级别热检查以及数字孪生建模等下游应用。随着CityGML在城市建模中的日益普及，一种更加结构化且语义丰富的表征方式已成为可能。与基于图像、点云或网格的热模型不同，CityGML将建筑组织为层级化的语义对象，使得热属性可以直接关联到具有物理意义的建筑构件。这种语义组织不仅支持可互操作的GIS和数字孪生应用，还促进了跨尺度环境建模和建筑级别能源分析。因此，本研究采用基于CityGML的建筑模型作为几何骨架，并将热信息集成到其层级化语义结构中，形成统一的热-几何表征，在保留精确三维几何的同时保持语义关系和热属性。

在热-几何建筑重建的数据需求方面，现有的面向图像、点云和网格表征的方法通常可以由单源遥感数据支持，例如从航空平台获取的热图像。这些表征主要源自纯粹的热观测或间接重建的几何产品，因此不需要紧密耦合的多模态观测。相比之下，重建基于CityGML的城市建筑模型需要具有语义结构化且几何精确的建筑表征，同时需要在多个语义层次上一致地集成热属性。这一要求仅凭单模态遥感数据无法充分满足，因为难以同时实现精确的几何重建和可靠的热特征化。因此，多模态无人机遥感数据（如ALS点云、热图像和RGB图像），通过联合提供互补的几何和热观测，成为本任务的必要条件。

据此，利用多模态观测的现有重建相关研究可大致分为两类：第一类通过组合不同时间或不同平台获取的观测来重建热建筑模型。例如，热信息通常被映射到已有的三维建筑模型以导出热表征[14]。然而，由于时间不一致性（如未反映在原始几何模型中的建筑翻新和材料更新），几何和温度观测之间可能会出现差异，导致不准确的热映射和估算。类似地，当几何数据来自ALS而热图像由车载或地面平台拍摄时，采集几何、空间分辨率和视角的差异会引入显著的配准和对齐误差。第二类采用配备传感器的统一航空平台，实现几何和热信息的同时采集[15]。这种同步采集策略改善了几何-热一致性并减少了跨源错位，从而为热分析和热-几何协同环境建模提供了更可靠的基础。然而，这两类方法中的大多数现有方法仍聚焦于图像、点云或网格格式的建筑重建表征，未针对基于CityGML的语义城市建模进行显式设计，因此缺乏与语义结构化重建框架的直接集成，限制了多尺度一致的热-几何分析。

尽管取得了这些进展，在城市建筑尺度上实现高度一致且时间对齐的几何和热信息集成仍然是一个重大挑战。现有方法往往难以平衡空间精度、热学精度和重建效率，限制了其在大规模且不断变化的城市环境中的适用性。为应对这些挑战，本研究开发了一种基于统一传感平台获取的航空多模态观测的新型热-几何建筑重建框架。所提出的方法旨在建立一个连贯且可扩展的模型，高保真地捕捉城市建筑的几何结构和热动力学特征。本研究的主要贡献总结如下：

**(1)** 我们提出了一种基于CityGML的热-几何城市建筑重建框架，实现了具有热属性的多级（LoD0-2）城市建筑建模。与其他传统表征方式相比，所提出的框架提供了一种语义结构化且可扩展的CityGML兼容模型，使几何和热信息能够更一致地进行多尺度集成，以支持城市分析。

**(2)** 我们开发了一个用于热-几何重建的统一多模态航空遥感数据处理流程。具体而言，从单一航空平台同步采集LiDAR、RGB和热红外数据，以确保固有的几何-辐射一致性。基于此统一数据源，我们进一步设计了（i）ALS点云驱动的多级LoDs建筑三维几何重建，（ii）跨模态热-RGB图像精确对齐，以及（iii）视觉基础模型辅助的热纹理映射，实现了跨模态准确一致的热-几何集成。

**(3)** 我们在同济大学真实城市环境中验证了所提出的框架，展示了其在构建基于CityGML的热-几何建筑模型方面的有效性。实验结果表明，与传统基于仿真的建筑热建模流程相比，所提出的方法在几何一致性、热对齐精度和语义可解释性方面均有改善。

## 各章节概述

### 相关工作

建筑三维建模已成为遥感和城市信息学中的基础研究课题。多模态遥感、深度学习和视觉基础模型的最新进展大幅提升了城市重建的几何精度、语义理解和自动化水平。同时，将热观测与几何建筑模型集成已成为分析城市热环境和建筑能源性能的有效方法。

### 材料与方法

为重建语义结构化的热-几何建筑模型，本研究通过集成ALS点云、RGB图像和热红外观测，开发了一种基于多模态无人机的框架。该框架首先从ALS点云重建多级LoDs建筑模型，然后通过SAM3辅助建立准确的RGB-热对应关系以生成热纹理，最后将热纹理与重建的建筑模型集成，生成基于CityGML的……

### 实验结果

为验证所提出的热-几何建筑重建框架，开展了一系列实验以评估其重建精度、计算效率以及所提模块的有效性。以下部分首先呈现定性和定量的重建结果，随后进行效率分析和RGB辅助热映射流程的消融研究。

### 讨论

除实验评估外，还进行了进一步的深入分析，以更好地理解所提框架的有效性和实际应用适用性。以下讨论聚焦于跨模态图像匹配的鲁棒性、ALS点云语义分割的可靠性、与基于仿真的热建模方法的比较，以及所提方法的当前局限性。

### 结论

本研究利用航空多模态观测（包括ALS点云、RGB图像和热红外图像）开发了一种基于CityGML的热-几何建筑重建框架。通过在统一的语义建模框架中集成几何和热信息，所提出的方法能够生成支持建筑尺度和地块尺度环境分析的多级热-几何建筑模型。

## 所提出的框架

## CRediT作者贡献声明

Junqi Luo（罗俊奇）：方法论、数据整理、调查研究、形式化分析、验证、可视化、撰写——原稿、撰写——审阅与编辑。

Qin Ye（叶勤）：数据整理、监督、撰写——审阅与编辑、资源、资金获取。

Changjiang Yin（尹长江）：数据整理、形式化分析。

Tianqing Luo（罗天晴）：形式化分析、资金获取。

## 数据可用性

数据可在合理要求下向通讯作者获取。

## CRediT作者贡献声明

Junqi Luo（罗俊奇）：撰写——审阅与编辑、撰写——原稿、验证、方法论、调查研究、形式化分析、数据整理、概念化。

Qin Ye（叶勤）：撰写——审阅与编辑、监督、调查研究、资金获取、形式化分析。

Changjiang Yin（尹长江）：可视化、形式化分析、数据整理。

Tianqing Luo（罗天晴）：监督、项目管理、资金获取。

---

Junqi Luo | Qin Ye | Changjiang Yin | Tianqing Luo

同济大学 测绘与地理信息学院，中国上海