基于植被三維點云數據的小型景觀空間微氣候分析方法探究
——以東南大學梅庵為例

成 實 李翔宇 張瀟涵 汪瑞軍

控制溫室氣體排放、實現綠色生態可持續發展已經成為世界范圍內城鎮化建設的共同目標。中國于2020年9月承諾，將于2030年實現碳達峰，2060年達到碳中和[1]。在這一趨勢下，風景園林領域愈發關注景觀空間的氣候適應與調節，以及相應空間質量的提升。已有研究表明，城市綠地尺度下景觀空間的氣候環境與其內外空間結構和表面要素組成關聯密切，能夠通過對場地的分析與設計達到有針對性的調整和塑造[2]。如何在滿足低碳可持續發展目標下，實現景觀空間氣候環境提升與空間品質優化兩方面訴求，成為風景園林學科面臨的重要問題之一，而城市中景觀植被的微尺度降溫效應為此提供了一種可能[3]。

聚焦于風景園林領域的微氣候研究成果，作為氣象學與風景園林學的交叉學科，有關微氣候的研究伴隨著19世紀20年代現代主義理性思潮的興起而不斷發展[4]。時至今日，微氣候研究對風景園林領域的持續發展及城市空間品質的改造提升具有基礎性作用，一直是我國風景園林領域持續關注的核心議題之一。劉濱誼[5]、金荷仙[6]、趙曉龍[7]等學者均針對“微氣候”與“人居環境品質”“氣候適應性”“城市及綠地形態”“人體舒適度”等相關因素間的相互作用與關聯展開了研究。近年來，為回應城市發展訴求及挑戰，社區公園等小型景觀空間的微氣候研究及相關實踐形成了聚點成面的累加效應，對城市整體景觀氣候環境的改善產生了積極的影響，愈發引起相關學者及專業人員的關注。

1 過往景觀微氣候分析研究方法

現階段國內外關于景觀微氣候的研究主要分為實地觀測與數值模擬2種方法。自20世紀70年代以來，隨著計算機技術及相關分析工具的不斷發展，運算化模擬被逐漸應用到了微氣候分析領域，從而突破了傳統氣象監測的局限性，成為微氣候研究的主要途徑。21世紀以后，“微氣候”分析研究的方法及工具不斷革新，可通過建模模擬對各景觀要素加以量化分析，Envi-met等相關模擬分析軟件也被廣泛運用于各尺度下的微氣候定量研究中，并進一步作為設計實踐的依據和參考[8]。由此，景觀微氣候研究在不斷發展中逐漸由定性分析及實地觀測走向了以數值模擬為主的多元定量評估。

1.1 常用研究工具及內容

目前用于微氣候模擬的計算機模擬軟件主要有Fluent、Phoenics、Ecotect、Envi-met等十余種[9]。其中，Envi-met是城市熱環境數值模擬研究中應用較為廣泛的軟件，可模擬地表、植物和空氣相互作用的過程，并進行不同氣候環境下空氣溫度、空氣濕度、太陽輻射及風速等指標的模擬，且引入生理等效溫度(PET)和熱舒適度評價，以綜合表述微氣候對人體熱感覺的影響，所涉及分析模擬范圍涵蓋各城市尺度[10-11]。

1.2 植被對于微氣候研究的影響

風景園林學領域多關注景觀空間形態與結構、下墊面構成與分布，以及植物種類與組合方式等多個方面對于景觀微氣候的單一或復合影響，試圖通過調控上述因素以優化景觀微氣候環境。通常將風速(v)及湍流強度(I)、氣溫(Ta)、地表溫度(Tg)、相對濕度(RH)、平均輻射溫度(Tmrt)等物理指標作為判定微氣候條件及描述綠化問題的重要參照[12]。

實則，植被與上述物理指標及景觀因素間均存在緊密關聯。植物很大程度上決定了空間的內部結構，而其自身的光合作用、蒸騰作用等生理活動又能夠對局部環境變化產生影響。因此，在景觀微氣候模擬過程中，植物景觀要素的量化與計算方式對于最終微氣候模擬結果有著直接影響。

結合不同微氣候模擬分析工具來看，目前常用的模擬工具，如Fluent、Phonenics及Envi-met等都是基于CFD類模型開發的，而各分析工具在植物模型的建構原理、適用領域及輸出指標上亦存在一定差異。考慮到植被自身構造及形態的復雜性，其在景觀微氣候分析過程中難以實現較為精確的模擬計算[13]。相較而言，Envi-met基本可以模擬判斷出植被在各個方面的影響效應，相比其他軟件優勢較為顯著。同時在綠化環境評估中Envi-met也顯示出了較強的分析能力，能夠模擬不同形狀、高度、材質的復雜景觀空間環境中“植物-地表-大氣”間的相互作用過程，適用于景觀空間的多情景模擬預判[14]。

1.3 三維點云技術輔助景觀空間精確建模

三維點云技術作為獲取三維空間信息的新技術手段，逐漸演變成適用于各尺度景觀空間的有效工具，被用于創建三維地理參考模型，更可對植被的枝干、葉片等植被冠層表征和物理特性加以提取與建模。相較于傳統數字模型數據，三維點云模型在數據的編輯與管理等方面表現出較大的靈活度，可通過軟件對模型進行要素分類，且與表面模型進行相互轉換、排列與重組[15]。

1.4 既有研究的局限性

在目前的景觀微氣候模擬分析中，Envi-met高分辨率的建模功能可輔助建筑和植物模型的精準建構。但聚焦于其植被建模方式來看，不難發現，現階段軟件仍無法完整復刻真實景觀空間中不同品種植被的復雜形態特征。一方面，由于Envi-met對植被模型的建構常以現狀植被的多角度照片為參照，再通過軟件對植被進行體塊化建模，造成植被形態的片面化處理；另一方面，現階段軟件植物庫中的植物種類多局限于歐洲植物品種，覆蓋面相對較窄，其品種類型無法滿足實際模擬時對各類植物的要求。而上述兩方面因素會直接導致最終微氣候模擬結果與真實情況間有所差異。因此，如何在模擬軟件中建構出景觀空間的復雜植被形態特征，對于提升微氣候模擬分析結果準確性具有重要意義，亦有部分學者有所關注[16]。

2 基于植被三維點云模型的景觀微氣候模擬分析方法

本研究聚焦于小型景觀空間的微氣候分析方法。結合三維點云技術，在大幅度提升研究場地模型建構效率的同時，提高研究場地植被模型的精確度，進而實現模擬分析結果準確性的優化，以突破既有微氣候分析模擬過程中的局限。

2.1 技術路線

本文提出基于植被三維點云模型的景觀微氣候模擬方法，具體包括環境數據采集、數據處理、空間建模、微氣候模擬、結果可視化5個步驟(圖1)。

圖1 技術路線

2.2 技術實現

1)環境數據采集。

本次研究在準備階段需要分別對各類空間數據加以收集整理，包括場地基礎CAD圖紙、環境材質信息、植被種類及氣象數據等。在此基礎上，利用無人機航拍傾斜攝影與地面基站激光掃描儀結合的方式，獲取研究場地的三維點云數據集(含航拍與地面2個部分)。再將Davis Vantage pro2氣象儀放在研究場地指定位置，通過規范操作收集指定時段內氣象數據，用于分析比對，以滿足進一步開展研究的需求。

2)數據處理。

利用Context Capture軟件將傾斜攝影模型轉為點云數據，與基站掃描點云數據進行融合，進而與研究場地CAD圖紙坐標加以配準，并根據研究精度需求重采樣，得到最終的三維點云模型。由于本研究著眼于景觀空間植被形態的精準量化，因此在利用Trimble Realwork自動分類的基礎上，通過人工手動二次分類得到精確植被點云數據。進而，采用Lidar360軟件中的地基林木分割功能，對植被數據進行單株劃分，部分區域再結合手動處理進一步精確劃分，以導出單株植被點云模型數據。最終，結合實地調研得到植物種類數據，對植被進行編號制表，形成完整的場地植被點云模型庫以供后續研究使用。

3)空間建模。

體素法(Volex)在植被三維點云模型的建模方面已被廣泛運用[17]，相較概念化的植被模型，體素模型能夠更加精確地反映植被復雜形態特征。本次研究選用Grasshopper中tasier插件的點云體素化功能，對植被點云進行體素化建模，所生成的植被體素單元大小參照Envi-met軟件中Albero植被建模工具所規定的模型單元最小值，即1m×1m×1m(圖2)。進而，導出各植被體素單元的中心點坐標，并以各坐標點位置為參照在Albero中進行植被建模。為保證研究區域邊界條件的合理性，建模與計算區域參照相關研究進行擴大設置，并在Rhino中對周邊建筑及地面進行建模。

圖2 點云植被模型生成及置入

4)微氣候模擬。

模型主要輸入氣象參數，包括地理信息、氣象條件、土壤條件和模式輸出參數等。首先，通過前期資料的查找將基礎參數輸入軟件。其次，利用Grasshopper中的dragonfly插件，將場地及周邊建筑模型導入Envi-met中，并對其材質參數進行設置。其中，結合實地調研得到的植物種類在Albero中對應單株植被體素模型中心點坐標，設置植被的名稱、樹冠大小、高度等參數，葉片反射率、葉片透射率等數值，并查找對應參考數值，最終得到各植株的完整計算模型。最后，將植被模型按照實際點位導入研究范圍模型中，以形成完整分析模型。

在此基礎上，選取研究所需的空氣溫度、空氣濕度及風速3項常用指標進行模擬，將得到的數值與場地中實測數值進行比較，判斷誤差是否在合理的范圍內。若合理，則代表參數設定有效；若誤差較大，則需對參數進行調整。

5)結果可視化。

選取數值圖表、二維柵格圖及三維數值分布圖等多種可視化表達方式輸出微氣候模擬結果。在實際分析模擬過程中，將重點關注2個方面：(1)實測點的模擬數值與實際測量數值隨時間變化的趨勢圖；(2)研究范圍內各參數柵格數值圖。

2.3 分析優勢

本研究方法較傳統模擬方法在植物要素的采集和建模方式上有所優化。利用三維點云技術對景觀空間數據進行采集，極大地提升了數據采集效率與精度，突破原有建模方式的桎梏。尤其是對于植被形態較為復雜的景觀環境，人工實地測量與照片多角度拍攝通常均無法對植被的形態進行精準量化。雖然Envi-met從4.0版本開始內置的Albore工具可對單株植被進行較為精確的建模，但仍需參照多角度的影像資料，經由人工手動操作加以完成。而基于三維點云數據的植被體素模型，相較而言則更加便捷與準確，且其在軟件中所呈現出的形態模式與Albore所生成的植被保持高度一致性。

3 應用實例

3.1 案例選取

本研究以東南大學四牌樓校區梅庵周邊為例，探討基于三維點云模型的景觀微氣候模擬分析方法可行性。梅庵周邊植被密集、種類繁多，由于年代久遠，植被冠幅巨大且彼此間相互連接，空間形態極為復雜，本方法具有較高的運用價值。

3.2 實驗過程

1)環境數據采集。

在由專業人士提前進行場地實地調研后，于2021年10月15日分別利用FARO地面基站式三維掃描儀和大疆Gopro型號無人機獲取近地面場地三維點云數據和傾斜攝影模型。將2臺Davis Vantage pro2氣象儀分別放置在場地中較為開敞和植被圍合度較大的2處，高度距地面1.5m。數據采集時間自2021年9月31日12：00起，當日天氣晴朗無云，至2021年10月31日12：00結束，共計1個月時間。采集數據類型包括空氣濕度、空氣溫度及風速3項指標，每1h讀數一次。環境氣象參數利用長期固定放置在校園教學樓樓頂處的氣象儀進行記錄。

2)數據處理。

利用Context Capture軟件將傾斜攝影模型與地基掃描點云數據加以融合，再在Trimble realworks平臺中進行地理坐標配準、數據清理、重采樣及分類。將精確分類后的植被點云導入Lidar360軟件中，利用地基單木分割工具集，并通過人工精確單木分割處理，得到場地紅線中喬木的精確點云模型(圖3)。從分割后得到的植被點云模型可基本真實反映出場地現狀植被形態特征，并結合實地調研記錄下場地植被種類。

圖3 場地植被點云模型分割結果示意

3)空間建模。

為確保模擬范圍邊界條件的相對精確，本次建模范圍以研究場地紅線為界外擴50m作為模擬分析范圍，在Rhino中對建筑及地面進行建模；并對各植被點云數據進行體素化處理，紅線范圍內共計22株喬木及大灌木(圖4)，而現狀地被以低矮草本植物為主(高度小于10cm)，將不納入建模對象范疇。

圖4 梅庵內部典型植被Albero建模示意

4)微氣候模擬。

利用dragonfly插件將建筑及地面模型導入Envi-met中，并根據現狀植被分布情況設置水平與垂直方向總體格網數量。研究范圍大小為240m×290m，共劃分為120×145格網，格網分辨率為2m。考慮到研究范圍內要素最大高度為25m，為消除頂部邊界效應對模擬結果的影響，垂直方向設置100個格網。以所獲取的現狀植被體素中心點坐標為參照，在Albero中進行對應的植被精準建模。從而得到研究場地的完整分析模型。

在完成場地建模后，為進一步證實本文所述分析方法的可行性及輸出結果的精準性，在研究中設置對照組，即采用Envi-met自帶植物庫對場地中各植被進行建模，并以同樣的輸入、輸出參數進行微氣候模擬，作為對比實驗組。

最終，將點云模型與自帶模型2種分析場景下所輸出的模擬結果與實測數據進行綜合比照(圖5)，以論證基于植被點云模型的微氣候模擬計算的可操作性及精準性。

圖5 Envi-met模擬環境建模流程

本次研究自2021年10月1日12：00起，每隔7d連續選取2021年9月31日—10月31日1個月時間內的數據，保證實測時間與模擬時間起始節點的一致性。其中，模擬中所涉及的初始氣象參數均來源于各天的實測數據；背景數據則以常年(2015—2021年)位于臨近教學樓屋頂的全年氣象監測數據為參照；土壤參數來源于中國氣象數據網。最終，以空氣溫度、空氣濕度、風速3項指標作為輸出參數，以1h為間隔，輸出24h的全時段氣候數據。

5)結果可視化。

每隔7d連續選取2021年9月31日—10月31日，即2021年10月1、8、15、22日12：00的模擬結果，利用軟件自帶的可視化工具Leonardo對研究區域內2組的空氣溫度、空氣濕度及風速的模擬結果進行可視化表達，以直觀展現梅庵周邊的微氣候特征及指標分布差異(圖6)。

圖6 點云模型與自帶模型各類模擬結果對照

由組1和組2模擬數值的可視化結果可以看出，2組計算結果在空間分布上存在一定的差異性。以2021年10月1日12：00的模擬結果為例，越靠近研究范圍內樹種形態不同的區域，其指標差異性分布就越明顯。

3.3 模型比照

通過模擬結果的可視化對比分析可以看出，2組計算結果在空間分布和數值上存在明顯差異，而進行對照的2組之間的唯一變量即為研究范圍內的植物形態。因此，可視化分析的結果已經證明，即使位置分布相同，植物形態的精細度差異也會直接導致模擬計算結果的不同。但若要進一步證明模擬精度的具體差異，還需要與實測值進行定量的計算對比。

同樣，每隔7d連續選取2021年9月31日—10月31日，即2021年10月1、8、15、22日的模擬結果，將Envi-met所輸出的模擬結果與實測數據加以比照，采用Fox相關評價指標及一致性指數進行判斷，其中相關評價指標采用均方根誤差(RMSE)、平均絕對偏差(MAE)、一致性指數(d)3個指標對基于Envi-met自帶植物庫建模的模擬值與基于點云掃描模型建模的模擬值進行比較，從而對2個Envi-met模型的模擬精度進行評價。其中，一致性指數d代表模擬值與實測值的趨近程度，d的數值越接近1，則模擬值與實測值的吻合度越高。

2組計算所得的微氣候模擬結果在總體趨勢上與實測值均保持較好的一致性，反映出Envimet軟件在景觀環境微氣候模擬中的顯著優勢(圖7)。對比組1(表1)和組2(表2)的計算數據可知，組1的一致性指數d普遍高于組2，說明組1的模擬結果與實測值更加趨近，即說明基于點云掃描數據進行植物建模的模擬結果精度高于目前普遍使用的基于Envi-met自帶植物庫建模的結果。其中，空氣溫度和空氣濕度2項的一致性指數差值范圍在0～0.005，風速的一致性指數差值范圍在0.005～0.076，所以相較于空氣溫度和空氣濕度，風速測算上顯現出了更高的精準度。

圖7 實測值與模擬結果(含：點云模型自帶模型)對比

表1 模擬值1(點云模型)模擬結果與實測值對比

表2 模擬值2(自帶模型)模擬結果與實測值對比

4 討論與展望

4.1 討論

當前的中國城市普遍面臨著小微型景觀空間的存量更新問題，對于此類空間的充分認知有助于進一步開展針對性的改造提升，而微氣候模擬分析往往是其中不可或缺的方面。現狀小微型景觀空間的植被形態均較為復雜，難以通過實地測繪或照片拍攝進行較高精度的植被建模。

本文提出基于植被三維點云數據的小型景觀空間微氣候分析方法，通過環境數據采集、數據處理、空間建模、微氣候分析與結果可視化5個步驟，實現小型復雜景觀空間微氣候模擬精度的提升。相較于傳統分析方式，主要突破點在于模擬分析的空間建模步驟中使用了真實植物點云體素模型，并用以模擬計算。通過對東南大學校園西北角梅庵周邊景觀空間的實例應用，在驗證方法可行性的同時，也證實了該方法在模擬結果精確度等方面有所提升。

4.2 研究展望

本研究的依據存在一定局限性，有待于進一步突破提升。涉及的主要變量為植物形態，而已有研究表明，植物種類、葉片類型及群落結構等都會對微氣候產生不同程度的影響。因此，本文雖初步實現借助點云技術提升了模擬過程中的植被形態精細度，而后續研究可進一步考慮上述葉片類型等變量影響，實現模擬精度的進一步提升。且在后續研究中可進一步擴充案例類型及數量，以進一步論證及優化本文分析方法的有效性及可操作性。

注：文中圖片均由作者繪制。

致謝：感謝東南大學建筑學院王偉副教授對本文的指導與幫助。