CN115984490A - 风场特性的建模分析方法、系统、无人机设备及存储介质 - Google Patents

Abstract

本方案涉及一种风场特性的建模分析方法、系统、无人机设备及存储介质。所述方法包括：获取目标地区的初步高程网格模型；通过倾斜摄影采集目标地区的影像数据，并对影像数据进行数据预处理，得到目标影像数据；利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；通过数字正射影像图和数字地表模型对初步高程网格模型进行修正，得到目标地区的三维高程网格模型；根据三维高程网格模型对目标地区进行风场特性模拟分析，并得到分析结果。通过倾斜摄影采集影像数据来进行建模，可以更加精确的对高程网格模型进行修正，从而提高风场特性分析的精确度。

Description

风场特性的建模分析方法、系统、无人机设备及存储介质

技术领域

本发明涉及风场特性分析技术领域，特别是涉及一种风场特性的建模分析方法、系统、无人机设备及存储介质。

背景技术

复杂地形条件下的局部风场特性在大跨度屋盖、超高层建筑和大跨度桥梁等风敏感结构抗风设计、城市规划及风能资源观测利用等领域均有重要的应用，可为基础设施建设及相关工程实践提供基础风速数据，以准确获取符合局部地形特点的风参数选值。目前研究地形的风场特性的主要方法有现场实测、风洞试验和数值模拟三种，其中，现场实测成本较高且实测条件不可控，在复杂地形风场研究中能选择并能展开实测的测点位置也十分有限，测设周期长；相比小比例尺风洞试验和有限测点现场实测，数值模拟具备开展全尺寸、全流域研究的优势，但需要高质量的实测风速数据和准确的地形参数作为模型验证依据，仍缺乏开展自然风作用下的复杂地形风场特性数值模拟的有效方法。

也就是说，在针对地形复杂的地区，难以实现完全精确的建模以及高精准度的测量，存在风场特性分析精确度较低的问题。

发明内容

基于此，为了解决上述技术问题，提供一种风场特性的建模分析方法、系统、无人机设备及存储介质，可以提高地形建模的效率，进而提高风场特性分析的精确度。

一种风场特性的建模分析方法，所述方法包括：

获取目标地区的初步高程网格模型；

通过倾斜摄影采集所述目标地区的影像数据，并对所述影像数据进行数据预处理，得到目标影像数据；

利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对所述目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型；

根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果。

在其中一个实施例中，所述获取目标地区的初步高程网格模型，包括：

确定所述目标区域，并沿所述目标区域绘制新路径；

根据所述目标区域以及绘制的所述新路径获取地理信息，并将所述地理信息保存在目标文件中；

根据所述目标文件导出所述目标区域的数字高程模型，作为所述初步高程网格模型。

在其中一个实施例中，所述通过倾斜摄影采集所述目标地区的影像数据，包括：

获取所述目标地区的环境信息；

根据所述环境信息确定影像数据采集策略；

根据所述影像数据采集策略，通过倾斜摄影重复采集所述目标地区的影像数据。

在其中一个实施例中，所述对所述影像数据进行数据预处理，得到目标影像数据，包括：

对所述影像数据进行拼接处理，得到初始影像数据，并获取所述初始影像数据的数据参数；

若所述数据参数小于参数阈值，则再次通过倾斜摄影采集所述目标地区的影像数据；

若所述数据参数大于所述参数阈值，则将所述初始影像数据作为所述目标影像数据。

在其中一个实施例中，所述方法还包括：

通过运动恢复算法在所述影像数据中重建稀疏场景，并从所述稀疏场景中通过多视角获得图层点云数据；

从所述数字地表模型中导出所述图层点云数据，并在所述数字正射影像图中针对所述图层点云数据进行分类，筛除噪声，得到过滤后的点云图层。

在其中一个实施例中，所述通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型，包括：

获取所述目标地区的三维坐标，根据所述三维坐标提取第一三维高程坐标；

在所述过滤后的点云图层中提取高程网格数据，根据所述高程网格数据提取第二三维高程坐标；

比较所述第一三维高程坐标和所述第二三维高程坐标，并通过所述第二三维高程坐标修正所述第一三维高程坐标，通过坐标转换生成三维高程网格模型。

在其中一个实施例中，所述根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果，包括：

根据所述三维高程网格模型生成风场特性模拟计算模型；

通过所述计算模型划定所述目标地区的计算域，并对所述目标地区进行网格划分；

根据所述计算域以及划分后的网格进行风场特性模拟分析，得到分析结果。

一种风场特性的建模分析系统，所述系统包括：

初步高程网格模型获取模块，用于获取目标地区的初步高程网格模型；

影像数据处理模块，用于通过倾斜摄影采集所述目标地区的影像数据，并对所述影像数据进行数据预处理，得到目标影像数据；

建模处理模块，用于利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对所述目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

模型修正模块，用于通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型；

风场特性分析模块，用于根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果。

一种无人机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取目标地区的初步高程网格模型；

通过倾斜摄影采集所述目标地区的影像数据，并对所述影像数据进行数据预处理，得到目标影像数据；

利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对所述目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型；

根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果。

一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取目标地区的初步高程网格模型；

通过倾斜摄影采集所述目标地区的影像数据，并对所述影像数据进行数据预处理，得到目标影像数据；

利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对所述目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型；

根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果。

上述风场特性的建模分析方法、系统、无人机设备及存储介质，通过获取目标地区的初步高程网格模型；通过倾斜摄影采集所述目标地区的影像数据，并对所述影像数据进行数据预处理，得到目标影像数据；利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对所述目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型；根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果。通过倾斜摄影采集影像数据来进行建模，可以更加精确的对高程网格模型进行修正，从而提高风场特性分析的精确度。

附图说明

图1为一个实施例中风场特性的建模分析方法的应用环境图；

图2为一个实施例中风场特性的建模分析方法的流程示意图；

图3为一个实施例中生成的数字正射影像图；

图4为一个实施例中生成的数字地表模型示意图；

图5为一个实施例中目标区域的地形图；

图6为一个实施例中LAS图层图；

图7为一个实施例中计算模型选择的计算区域图；

图8为对图7进行简化后的计算区域图；

图9为一个实施例中计算模型及其计算域示意图；

图10为一个实施例中计算域体网格划分的示意图；

图11为一个实施例中测线及不同风向分布示意图；

图12为工况1-4的地形表面压力云图；

图13为不同工况下地表风速的矢量图；

图14为不同工况地表风速示意图；

图15为工况1-4各测线风速剖面图；

图16为一个实施例中风场特性的建模分析系统的结构框图；

图17为一个实施例中无人机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述三维高程坐标，但这些三维高程坐标不受这些术语限制。这些术语仅用于将第一个三维高程坐标与另一个三维高程坐标区分。举例来说，在不脱离本申请的范围的情况下，可以将第一三维高程坐标称为第二三维高程坐标，且类似地，可将第二三维高程坐标称为第一三维高程坐标。第一三维高程坐标和第二三维高程坐标两者都是三维高程坐标，但其不是同一三维高程坐标。

本申请实施例提供的风场特性的建模分析方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括无人机设备110。无人机设备110可以获取目标地区的初步高程网格模型；无人机设备110可以通过倾斜摄影采集目标地区的影像数据，并对影像数据进行数据预处理，得到目标影像数据；无人机设备110可以利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；无人机设备110可以通过数字正射影像图和数字地表模型对初步高程网格模型进行修正，得到目标地区的三维高程网格模型；根据三维高程网格模型对目标地区进行风场特性模拟分析，并得到分析结果。

在一个实施例中，如图2所示，提供了一种风场特性的建模分析方法，包括以下步骤：

步骤202，获取目标地区的初步高程网格模型。

无人机设备可以获取到目标地区的初步高程网格模型，其中，目标地区的初步高程网格模型可以是预先生成的。无人机设备全称“无人驾驶飞行器”(UAV),是涉及传感器技术、通信技术、信息处理技术、智能控制技术、航空动力推进技术等多领域交叉的无线电遥控设备和自备程序控制装置操纵的非载人飞机，具有非常强大的应用潜力。无人机设备的价值在于形成一个空中平台，结合高度发展的人工智能技术和航拍技术，可与其他组件结合、扩展应用，代替人类完成高空操作。

步骤204，通过倾斜摄影采集目标地区的影像数据，并对影像数据进行数据预处理，得到目标影像数据。

为了准确获取复杂地形参数，可利用无人机设备航空摄影技术拍摄地形地貌。具体的，无人机设备上可以搭载有数码相机，且搭载的数码相机可以获取高分辨率的影像数据，适用于1：1万及以上更大比例尺的应用遥感用途。传统的摄影测量主要依靠航天飞行器搭载专业测量相机组进行地面垂直影像的获取，无法量测地物地貌的三维信息，且专业性过高，飞行环境要求严格。搭载于无人机平台的非量测专业型航测相机的研发让这一问题得到了很好的解决，大大降低了生产成本，使飞行器受航测环境的限制也明显减少。利用倾斜摄影采集目标地区的影像数据，不仅能够最大程度地反应真实的地形地貌纹理特征，还能精确地匹配坐标位置信息。

无人机设备可以对采集到的影像数据进行数据预处理，若有需要及时补测或者重测，从而得到目标影像数据。

步骤206，利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对目标影像数据进行建模处理，生成数字正射影像图和数字地表模型。

其中，空中三角测量是通过外业实测的少量平高点(控制点)来计算出数量众多定向点(地面控制点)的方法，从而在外业测量上很大程度地减少了测量员测量时间，降低了工作强度，实际航测效率也得到了显著的提高。由于将目标影像数据中的二维信息恢复到三维空间的过程严格依赖于匹配的同位素的准确性，而无论采用何种匹配方法和错误剔除方法，仍不可避免地存在着错误的匹配点。由于噪声点的数量，在将获得的三维点反投影到图像上时，会有一定的位置偏差，这个误差称为背投误差。为此，采用最小二乘法原理，将反投影和原始图像点的残差平方的累积之和降至最低距离残差的累计平方和最小化，即背投误差的平方和最小化。在本实施例中，可以使用云端地球软件自动建模，具体的，使用云端地球软件在云端采用光束法局域网空中三角测量方法自动建模，大大提高了建模速度以及建模质量。其中，可以通过Google Earth(谷歌地球)进行初步地理信息采集，Google Earth(谷歌地球)是一款谷歌公司开发的虚拟地球软件，Google Earth可以把卫星照片、航空照相和GIS布置在一个地球的三维模型上。Google Earth上的全球地貌影像的有效分辨率至少为100米，通常为30米，视角海拔高度为15公里左右，针对大城市、著名风景区、建筑物区域会提供分辨率为1m和0.5m左右的高精度影像，视角高度分别约为500米和350米。KML是标记语言(Keyhole Markup Language)的缩写，是一种基于XML语法与格式的、用于描述和保存地理信息(如点、线、图像、多边形和模型等)的编码规范，Google Earth可以使用KML保存地理信息。

不规则三角形网络(TIN,Triangulated Irregular Network)模型使用一系列相连的三角形来拟合地表或其他不规则表面，通常用于构建数字地面模型，特别是数字高程模型。对所有航空图像的自动高密度匹配，通过提取丰富的特征点、构建密集的点云、处理点云数据、去除噪音、匹配等方式获得高准确性的三维点。在经过自动高密度匹配后，由高精度点云构建不规则三维网，并结合单体TIN，各单体组合匹配以得到模型。航测影像资料的重叠度与TIN精度密切相关，且呈正相关。在对地形，特别是具有复杂的建筑物的地形来说，由于其地理信息的丰富，更加需要特征高精度的TIN才能准确反应地貌特征。云端地球软件在对航测影像进行高密度匹配，获得高精准性的三维点，获得高精度的点云，构造不规则的三维网，并最终得到所需模型。

无人机倾斜影像密集匹配点云的获取首先要对图像数据进行检测，并与同名的点特征相匹配然后通过运动恢复结构算法在多视角图像的基础上重建三维场景。特征点只是图像中向任何方向移动时像素值有明显变化的角点，而不是所有的像素，所以这个过程产生的点云是相对稀疏的，这个过程产生的是相对稀疏的点云，所以运动恢复结构算法也被称为稀疏重建，其作用是恢复摄像机的内部和外部方向元素，并测量特征点。显而易见，运动恢复结构结构不够高，无法提供真实的地表模拟。还需要在多视角图像密集匹配的基础上获得密集的点云，以获得三维模型。

在云端地球软件中，可以快速生成具有不同角度和像素的2D图像，从超高密度的三维点云，并将其作为基于真实图像纹理生成高分辨率逼真三维模型的基础，在原始图像分辨率下提供无限接近真实场景的全元素水平的逼真还原。通过能根据影像资料自动进行建模处理，并生成数字正射影像图(DOM)和数字地表模型(DSM)。其中，生成的数字正射影像图如图3所示，生成的数字地表模型如图4所示。

步骤208，通过数字正射影像图和数字地表模型对初步高程网格模型进行修正，得到目标地区的三维高程网格模型。

步骤210，根据三维高程网格模型对目标地区进行风场特性模拟分析，并得到分析结果。

在本实施例中，通过获取目标地区的初步高程网格模型；通过倾斜摄影采集目标地区的影像数据，并对影像数据进行数据预处理，得到目标影像数据；利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；通过数字正射影像图和数字地表模型对初步高程网格模型进行修正，得到目标地区的三维高程网格模型；根据三维高程网格模型对目标地区进行风场特性模拟分析，并得到分析结果。通过倾斜摄影采集影像数据来进行建模，可以更加精确的对高程网格模型进行修正，从而提高风场特性分析的精确度。

在一个实施例中，提供的一种风场特性的建模分析方法还可以包括预先建立初步高程网格模型的过程，具体过程包括：确定目标区域，并沿目标区域绘制新路径；根据目标区域以及绘制的新路径获取地理信息，并将地理信息保存在目标文件中；根据目标文件导出目标区域的数字高程模型，作为初步高程网格模型。

如图5所示，在本实施例中可以通过Google earth来确定目标区域，沿目标区域绘制新路径，再保存图层以获得含有相关地理信息的kml文件。在地图软件中，可以轻松打开带有地理信息的kml文件，并可以生成该区域的地形图或是建立该地区的初步高程网格模型。

由于Google earth上的全球地貌影像的有效分辨率为30米，对于具体的复杂地形区域的风场分析，用该地形图达不到分析的精准度，所以在此基础上，利用小型无人机倾斜摄影建模，来提取具体的地形高程数据以建立合适的精细化地形建模的方法与技术体系，来辅助测量来修正地表高程，来对复杂地形的风场进行研究。

在一个实施例中，提供一种风场特性的建模分析方法还可以包括采集影像数据的过程，具体过程包括：获取目标地区的环境信息；根据环境信息确定影像数据采集策略；根据影像数据采集策略，通过倾斜摄影重复采集目标地区的影像数据。

无人机设备可以实地勘察测区环境，并搜集目标地区的地理资料，在天气晴朗能见度高的天气条件下进行作业；接着，无人机设备可以合理规划飞行航线、作业时间段、所需备用电池数量、飞行高度、拍摄相片重叠度、工作安排。其中，无人机设备的单次飞行时间约为30分钟左右，可以准备5块电池备用；设计航向重叠度80％、旁向重叠度60％；相机倾角角度在30°～60°；根据不同位置的地形限制，调整飞行高度设计各为80m、90m、100m、110m。在本实施例中，还可以利用无人机匹配飞控端操纵无人机，使其按照既定飞行线路手动进行倾斜多角度环绕影像获取，往复测量以提高数据的可信度。

在一个实施例中，提供的一种风场特性的建模分析方法还可以包括数据预处理的过程，具体过程包括：对影像数据进行拼接处理，得到初始影像数据，并获取初始影像数据的数据参数；若数据参数小于参数阈值，则再次通过倾斜摄影采集目标地区的影像数据；若数据参数大于参数阈值，则将初始影像数据作为目标影像数据。

其中，数据参数可以用于表示初始影像数据的质量，例如影像数据的拍摄区域、色彩饱和度等。参数阈值可以是设置好的，用于判断初始影像数据的质量是否合格。在本实施例中，作为原始数据的航空图像决定了后期制作结果的质量，得到无人机现场实际拍摄航摄影像数据后，及时对所获取的影像数据进行快速拼接处理，若发现影像数据质量不佳、所拍摄区范围不足或出现大面积缺失或空洞的情况，应及时进行外业补测或调整作业计划进行二次航测；若有色彩饱和度不够或是亮度不够的影像，也可以对影像数据的批量匀色处理调整影像质量。

在一个实施例中，提供的一种风场特性的建模分析方法还可以包括影像匹配点云的滤波与分类的过程，具体过程包括：通过运动恢复算法在影像数据中重建稀疏场景，并从稀疏场景中通过多视角获得图层点云数据；从数字地表模型中导出图层点云数据，并在数字正射影像图中针对图层点云数据进行分类，筛除噪声，得到过滤后的点云图层。

无人机设备获取的影像数据可以首先通过运动恢复算法重建一个稀疏的场景，然后通过多视角获得点云，点云是通过密集图像匹配得到的，这与激光雷达的点云相同。点云没有规则的分布，它们之间没有几何拓扑结构，点云的主要类型有建筑物、道路、树木、车辆和裸露地面。

其中，得到的数字地表模型是包含了地表建筑物和树木等高度的地面高程模型，并不能直接用来作为分析的模型，需要进行优化处理。对图像匹配的点云进行过滤，可以使用Lidar点云，它具有丰富的纹理和光谱信息，可用于自动分类和视觉分类。由于自然和人为因素等不可控因素的存在，在数据采集和处理过程中，图像匹配点云不可避免地会出现误差，所以需要对点云进行过滤，以去除点云中的噪声。在地图软件中可以从数字地表模型中导出LAS格式的记录Lidar点的图层点云数据，在对照正射投影图，针对不同类别的点云进行地图软件的自动分类处理和手动编辑，如分类为建筑物、树木、地面等，筛除噪声，以便于模型的优化和简化。另外对再对LAS图层图中有部分缺失的地方进行补充或是细节处进行修改。其中，LAS图层图如图6所示，获取到的点云类型丰富有房屋、湖泊、铁塔、输电线、树、灌木、草地等，后续的应用中只涉及地面点、植被和房屋，而地面点已对点云进行了滤波获取，因此只要在众多地物中将植被和建筑物提取出来即可。

在一个实施例中，提供的一种风场特性的建模分析方法还可以包括模型修正的过程，具体过程包括：获取目标地区的三维坐标，根据三维坐标提取第一三维高程坐标；在过滤后的点云图层中提取高程网格数据，根据高程网格数据提取第二三维高程坐标；比较第一三维高程坐标和第二三维高程坐标，并通过第二三维高程坐标修正第一三维高程坐标，通过坐标转换生成三维高程网格模型。

在Google earth获得该地形经纬度的三维坐标，借助地图软件生成等高线，利用CAD批量提取第一三维高程坐标；在过滤后的点云图层中提取出采样数据间隔为2.5m的高程网格数据，同样利用CAD批量提取第二三维高程坐标；对比两次所得到的高程坐标，用后者第二三维高程坐标去修正由Google earth所得到的低精度第一三维高程坐标，通过坐标转换得到可供计算机辅助设计识别的XYZ格式以导入相应的逆向图形处理软件中，构造三维高程网格模型，并导出三维高程网格模型以供模拟分析。

在一个实施例中，提供的一种风场特性的建模分析方法还可以包括进行风场特性模拟分析的过程，具体过程包括：根据三维高程网格模型生成风场特性模拟计算模型；通过计算模型划定目标地区的计算域，并对目标地区进行网格划分；根据计算域以及划分后的网格进行风场特性模拟分析，得到分析结果。

在进行风场特性模拟分析之前，可以在目标地区中架设超声风速仪，实时采集季风和台风风速数据，以补充实测台风记录，总结分析台风的平均风速、风向角、阵风因子和脉动风速等特征参数及非平稳风特性，并将其作为后续数值模拟计算的目标风场和修正依据，进而解决复杂地形风场特性研究难点，提高风参数选值准确度。

在本实施例中，对提供的一种风场特性的建模分析方法进行了风场特性模拟分析实验，具体的实验过程及结果包括：

由于受到计算条件的限制，本次的计算模型选择了一块大小约为1.5km²的计算区域，如图7所示；由于模型细节的复杂程度，在生成模型之后对该模型进行了简化模型处理，针对该区域网格的划分细密，能够达到基本的模拟要求，如图8所示。

在得到简化后的模型后，可以划定计算域，如图9所示；再继续进行初始化和计算域体网格划分，并设置边界条件。其中，计算域体网格划分的示意图如图10所示，且在本实施例中，计算域共计1030129单元，其中包含310043个节点，单元网格划分均匀良好。

为了较为准确地模拟出模型在计算域中的风场的变化及规律，在地形上分别选择了5条测线6～10号，具体测线的分布如图11所示，间隔大概平均，尽可能地包含更多的地理信息，以便后处理中信息的提取；且按照风向角主要针对该区域设立了4种工况：0°、90°、180°、270°，分别为工况1、2、3、4。

工况1-4的地形表面压力云图如图12所示，当风从上下来时(90°和270°)，此时的地表压强大而工况1、3地表压强比较小一点；工况1和3、工况2和4在云图成像上有很大的相似，但对应的压强值略有不同。压强值与海拔高度有一定关系，高海拔的位置对应压强值也小一点，反之也是如此。

如图13所示，图13反映了不同工况下地表风速的矢量图。可看到风速的大小值是与压强的大小值是恰恰相反的，风速的最大值可高达27m/s。风速的最大值一般出现在高海拔(高建筑物)附近，而低海拔部分出现风速的最小值；地势平坦的地方出现风速矢量不均匀的现象，部分伴有漩涡，无明显的规律。

如图14所示，图14反映了工况1、4的地形表面风速，该地形模型在不同的风向角的工况下，地表的风速表现是不同的的，而且可以看到越是在靠近海拔高的地方(高层建筑物)风速值越大图中可以看到最高风速都超过了20m/s，在背风向(建筑背后)风速有明显的减小。在工况2中，由于地形的复杂，建筑物处在逆风向，在中下部形成大面积的高风速区域，相反在工况3中风速弱化了许多。

如图15所示，图15分别描述了5条测线在不同风向角来流时，数值模拟出的不同海拔高度测线上风速的剖面图。工况1和3、2和4的曲线走势相近，并且1和3的风速值的离散值较大，但基本上是遵循风速值大小和海拔高度之间的关系的。究其原因可能是因为建筑物遮挡或是地形起伏较大，导致风来流方向与建筑物垂直，风场受阻挡导致，难以维持均衡性。工况3中8、10测线出现高海拔地区风速反而下降，可能缘于所画测线上有明显的地势起伏和建筑物遮挡造成。

通过对该区域的地形模型的风场模拟，可以看到利用无人机设备辅助测量来修正地表高程，来对复杂地形的风场进行研究是可行的，在直接对地形区域的地理信息采集的基础上，通过无人机辅助测量能够达到比较好的效果。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图16所示，提供了一种风场特性的建模分析系统，包括：初步高程网格模型获取模块1610、影像数据处理模块1620、建模处理模块1630、模型修正模块1640和风场特性分析模块1650，其中：

初步高程网格模型获取模块1610，用于获取目标地区的初步高程网格模型；

影像数据处理模块1620，用于通过倾斜摄影采集目标地区的影像数据，并对影像数据进行数据预处理，得到目标影像数据；

建模处理模块1630，用于利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

模型修正模块1640，用于通过数字正射影像图和数字地表模型对初步高程网格模型进行修正，得到目标地区的三维高程网格模型；

风场特性分析模块1650，用于根据三维高程网格模型对目标地区进行风场特性模拟分析，并得到分析结果。

在一个实施例中，初步高程网格模型获取模块1610还用于确定目标区域，并沿目标区域绘制新路径；根据目标区域以及绘制的新路径获取地理信息，并将地理信息保存在目标文件中；根据目标文件导出目标区域的数字高程模型，作为初步高程网格模型。

在一个实施例中，影像数据处理模块1620还用于获取目标地区的环境信息；根据环境信息确定影像数据采集策略；根据影像数据采集策略，通过倾斜摄影重复采集目标地区的影像数据。

在一个实施例中，影像数据处理模块1620还用于对影像数据进行拼接处理，得到初始影像数据，并获取初始影像数据的数据参数；若数据参数小于参数阈值，则再次通过倾斜摄影采集目标地区的影像数据；若数据参数大于参数阈值，则将初始影像数据作为目标影像数据。

在一个实施例中，模型修正模块1640还用于通过运动恢复算法在影像数据中重建稀疏场景，并从稀疏场景中通过多视角获得图层点云数据；从数字地表模型中导出图层点云数据，并在数字正射影像图中针对图层点云数据进行分类，筛除噪声，得到过滤后的点云图层。

在一个实施例中，模型修正模块1640还用于获取目标地区的三维坐标，根据三维坐标提取第一三维高程坐标；在过滤后的点云图层中提取高程网格数据，根据高程网格数据提取第二三维高程坐标；比较第一三维高程坐标和第二三维高程坐标，并通过第二三维高程坐标修正第一三维高程坐标，通过坐标转换生成三维高程网格模型。

在一个实施例中，风场特性分析模块1650还用于根据三维高程网格模型生成风场特性模拟计算模型；通过计算模型划定目标地区的计算域，并对目标地区进行网格划分；根据计算域以及划分后的网格进行风场特性模拟分析，得到分析结果。

在一个实施例中，提供了一种无人机设备，该无人机设备可以是终端，其内部结构图可以如图17所示。该无人机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该无人机设备的处理器用于提供计算和控制能力。该无人机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该无人机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风场特性的建模分析方法。该无人机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该无人机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是无人机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的无人机设备的限定，具体的无人机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种无人机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取目标地区的初步高程网格模型；

通过倾斜摄影采集目标地区的影像数据，并对影像数据进行数据预处理，得到目标影像数据；

利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

通过数字正射影像图和数字地表模型对初步高程网格模型进行修正，得到目标地区的三维高程网格模型；

根据三维高程网格模型对目标地区进行风场特性模拟分析，并得到分析结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定目标区域，并沿目标区域绘制新路径；根据目标区域以及绘制的新路径获取地理信息，并将地理信息保存在目标文件中；根据目标文件导出目标区域的数字高程模型，作为初步高程网格模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标地区的环境信息；根据环境信息确定影像数据采集策略；根据影像数据采集策略，通过倾斜摄影重复采集目标地区的影像数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对影像数据进行拼接处理，得到初始影像数据，并获取初始影像数据的数据参数；若数据参数小于参数阈值，则再次通过倾斜摄影采集目标地区的影像数据；若数据参数大于参数阈值，则将初始影像数据作为目标影像数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过运动恢复算法在影像数据中重建稀疏场景，并从稀疏场景中通过多视角获得图层点云数据；从数字地表模型中导出图层点云数据，并在数字正射影像图中针对图层点云数据进行分类，筛除噪声，得到过滤后的点云图层。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标地区的三维坐标，根据三维坐标提取第一三维高程坐标；在过滤后的点云图层中提取高程网格数据，根据高程网格数据提取第二三维高程坐标；比较第一三维高程坐标和第二三维高程坐标，并通过第二三维高程坐标修正第一三维高程坐标，通过坐标转换生成三维高程网格模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据三维高程网格模型生成风场特性模拟计算模型；通过计算模型划定目标地区的计算域，并对目标地区进行网格划分；根据计算域以及划分后的网格进行风场特性模拟分析，得到分析结果。

在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取目标地区的初步高程网格模型；

通过倾斜摄影采集目标地区的影像数据，并对影像数据进行数据预处理，得到目标影像数据；

利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

通过数字正射影像图和数字地表模型对初步高程网格模型进行修正，得到目标地区的三维高程网格模型；

根据三维高程网格模型对目标地区进行风场特性模拟分析，并得到分析结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定目标区域，并沿目标区域绘制新路径；根据目标区域以及绘制的新路径获取地理信息，并将地理信息保存在目标文件中；根据目标文件导出目标区域的数字高程模型，作为初步高程网格模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标地区的环境信息；根据环境信息确定影像数据采集策略；根据影像数据采集策略，通过倾斜摄影重复采集目标地区的影像数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对影像数据进行拼接处理，得到初始影像数据，并获取初始影像数据的数据参数；若数据参数小于参数阈值，则再次通过倾斜摄影采集目标地区的影像数据；若数据参数大于参数阈值，则将初始影像数据作为目标影像数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过运动恢复算法在影像数据中重建稀疏场景，并从稀疏场景中通过多视角获得图层点云数据；从数字地表模型中导出图层点云数据，并在数字正射影像图中针对图层点云数据进行分类，筛除噪声，得到过滤后的点云图层。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标地区的三维坐标，根据三维坐标提取第一三维高程坐标；在过滤后的点云图层中提取高程网格数据，根据高程网格数据提取第二三维高程坐标；比较第一三维高程坐标和第二三维高程坐标，并通过第二三维高程坐标修正第一三维高程坐标，通过坐标转换生成三维高程网格模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据三维高程网格模型生成风场特性模拟计算模型；通过计算模型划定目标地区的计算域，并对目标地区进行网格划分；根据计算域以及划分后的网格进行风场特性模拟分析，得到分析结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种风场特性的建模分析方法，其特征在于，所述方法包括：

获取目标地区的初步高程网格模型；

通过倾斜摄影采集所述目标地区的影像数据，并对所述影像数据进行数据预处理，得到目标影像数据；

利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对所述目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型；

根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果。

2.根据权利要求1所述的风场特性的建模分析方法，其特征在于，所述获取目标地区的初步高程网格模型，包括：

确定所述目标区域，并沿所述目标区域绘制新路径；

根据所述目标区域以及绘制的所述新路径获取地理信息，并将所述地理信息保存在目标文件中；

根据所述目标文件导出所述目标区域的数字高程模型，作为所述初步高程网格模型。

3.根据权利要求1所述的风场特性的建模分析方法，其特征在于，所述通过倾斜摄影采集所述目标地区的影像数据，包括：

获取所述目标地区的环境信息；

根据所述环境信息确定影像数据采集策略；

根据所述影像数据采集策略，通过倾斜摄影重复采集所述目标地区的影像数据。

4.根据权利要求1所述的风场特性的建模分析方法，其特征在于，所述对所述影像数据进行数据预处理，得到目标影像数据，包括：

对所述影像数据进行拼接处理，得到初始影像数据，并获取所述初始影像数据的数据参数；

若所述数据参数小于参数阈值，则再次通过倾斜摄影采集所述目标地区的影像数据；

若所述数据参数大于所述参数阈值，则将所述初始影像数据作为所述目标影像数据。

5.根据权利要求1所述的风场特性的建模分析方法，其特征在于，所述方法还包括：

通过运动恢复算法在所述影像数据中重建稀疏场景，并从所述稀疏场景中通过多视角获得图层点云数据；

从所述数字地表模型中导出所述图层点云数据，并在所述数字正射影像图中针对所述图层点云数据进行分类，筛除噪声，得到过滤后的点云图层。

6.根据权利要求5所述的风场特性的建模分析方法，其特征在于，所述通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型，包括：

获取所述目标地区的三维坐标，根据所述三维坐标提取第一三维高程坐标；

在所述过滤后的点云图层中提取高程网格数据，根据所述高程网格数据提取第二三维高程坐标；

比较所述第一三维高程坐标和所述第二三维高程坐标，并通过所述第二三维高程坐标修正所述第一三维高程坐标，通过坐标转换生成三维高程网格模型。

7.根据权利要求1所述的风场特性的建模分析方法，其特征在于，所述根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果，包括：

根据所述三维高程网格模型生成风场特性模拟计算模型；

通过所述计算模型划定所述目标地区的计算域，并对所述目标地区进行网格划分；

根据所述计算域以及划分后的网格进行风场特性模拟分析，得到分析结果。

8.一种风场特性的建模分析系统，其特征在于，所述系统包括：

初步高程网格模型获取模块，用于获取目标地区的初步高程网格模型；

影像数据处理模块，用于通过倾斜摄影采集所述目标地区的影像数据，并对所述影像数据进行数据预处理，得到目标影像数据；

建模处理模块，用于利用空中三角测量、光束法平差、不规则三角网、影像匹配点云，对所述目标影像数据进行建模处理，生成数字正射影像图和数字地表模型；

模型修正模块，用于通过所述数字正射影像图和所述数字地表模型对所述初步高程网格模型进行修正，得到所述目标地区的三维高程网格模型；

风场特性分析模块，用于根据所述三维高程网格模型对所述目标地区进行风场特性模拟分析，并得到分析结果。

9.一种无人机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images