[发明专利]基于深度学习三维重建的城市高密度区室外热舒适评价方法

权利要求书

1.一种基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，包括以下步骤：

步骤S1，获取城市高密度区遥感图像数据；

步骤S2，在Python集成平台Anaconda下对所述城市高密度区遥感图像数据进行预处理，得到遥感图像数据集；

步骤S3，建立基于CNN-LSTM的神经网络模型，采用随机梯度下降法对所述神经网络模型进行训练；

步骤S4，将所述遥感图像数据集输入至训练好的神经网络模型中，获得城市高密度区三维重建模型；

步骤S5，对所述城市高密度区三维信息模型进行计算机模拟，赋予城市高密度区环境物理信息，生成城市高密度区环境信息模型；

步骤S6，借助ENVI-met对所述城市高密度区环境信息模型进行模拟分析，根据数据模拟分析结果进行室外热舒适评价。

2.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，通过无人机以不同倾角对城市高密度区域拍摄N张、像素为4000*3000的照片，组成所述城市高密度区遥感图像数据，其中，N为正整数。

3.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S2进一步包括：

在Python集成运行环境Anaconda下，并采用tensorflow深度学习框架，对所述城市高密度区遥感图像数据依次进行序列编码；

利用PIL库的Image模块对所述城市高密度区遥感图像数据进行整理与特征缩放，并使用PCA算法进行降维处理，生成所述遥感图像数据集。

4.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S2进一步包括：

在Python集成运行环境Anaconda下，并采用tensorflow深度学习框架，对所述城市高密度区遥感图像数据依次进行序列编码；

采用opencv图像处理库的resize函数对所述城市高密度区遥感图像数据进行分割与等比例缩放，得到所述遥感图像数据集。

5.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S3进一步包括：

建立基于卷积神经网络CNN的Encoder模型、基于长短期记忆网络LSTM的Decoder模型，组建成所述基于CNN-LSTM的神经网络模型；

采用Shapenet和Pascal 3D数据集作为所述神经网络模型的训练集和测试集，以交叉熵损失函数作为评价指标，并采用随机梯度下降法对所述神经网络模型进行训练。

6.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S4进一步包括：

将所述遥感图像数据集逐帧输入训练好的卷积神经网络CNN模型中，得到卷积神经网络CNN图像特征向量；

训练好的长短期记忆网络LSTM模型由3D-LSTM网络与3D-GRUs网络共同构成，所述3D-LSTM网络以单词的嵌入式向量为输入，所述3D-GRUs网络以所述3D-LSTM网络的运算结果和所述卷积神经网络CNN图像特征向量为输入，通过计算后得到隐层输出向量；

使所述隐层输出向量循环进行3D反卷积、激活、池化操作，直至达到预设目标输出分辨率，得到所述城市高密度区三维重建模型。

7.根据权利要求1所述的基于深度学习三维重建的城市高密度区室外热舒适评价方法，其特征在于，所述步骤S6进一步包括：

借助Grasshopper平台插件Ladybug调用ENVI-met，载入所述城市高密度区环境信息模型，赋予模型不同界面物理信息，生成.inx格式模型；

编辑城市高密度区的气象边界，完善环境信息，编辑模拟时间，输出结果时间间隔，生成sim格式模型，对所述sim格式模型进行模拟，得到edx信息；

将所述edx信息导入LEONARDO中，获得可视化室外热舒适模拟结果，并对所述可视化室外热舒适模拟结果进行分析评估。