✨ 长期致力于行道栾树、树冠形态、机器学习、疏透度、数值模拟研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）树冠形态双模预测建模：

以泰安市岱宗大街、东岳大街等5条主干道的栾树实测数据为样本，共计627棵，每棵树记录胸径DBH（7.2至38.5厘米）、树高H（4.3至15.8米）、冠幅CW（3.1至11.7米）和冠长CL。首先构建参数化模型，采用Stepwise逐步回归筛选最佳二次交互项，得到CW=4.189-0.4869×DBH+0.0242×DBH²+0.0216×DBH×H-0.00108×DBH²×H，决定系数R²=0.7026。非参数化则采用随机森林集成300棵树，最大深度设为9，叶节点最小样本数5，特征子集比例0.7，经10折交叉验证后测试集R²达到0.8537，显著优于人工神经网络（R²=0.7463）。树冠外轮廓形态利用水平分层测量法，从冠底至冠顶每0.5米记录半径，形成轮廓曲线；以Random Forest回归各层半径，输入为层高比、胸径、树高，输出层半径，整体拟合R²=0.7468。冠长模型CL=0.1823+0.1787×DBH+1.8235×H，R²=0.6475。这些模型为后续疏透度计算和CFD数值模拟提供了参数预设。

（2）MATLAB图像处理疏透度计算方法：

在行道树正立面照片中，先用超绿指数ExG=2G-R-B分离植被与背景，结合Otsu阈值法进行二值化，再用形态学闭运算填充叶片间隙中过小的孔洞。疏透度定义为树冠区域内天空像素占总像素的比值。为消除光照不均匀的影响，将树冠划分为5×5网格，每个子格单独求疏透度后取加权平均，权重依子格与相机的距离及视角确定。与Photoshop魔棒手工测量的45个样本进行对比，Pearson相关系数r=0.971，配对t检验P值为0.23>0.05，无显著差异。将该程序应用于不同年龄的栾树图像，幼龄期栾树疏透度均值为0.62，成熟期栾树为0.31，差异显著。这一数值直接作为CFD模拟中多孔介质区域的阻力系数计算依据。

（3）LBM-CFD街道峡谷污染扩散模拟与测量系统：

采用D2Q9二维格子玻尔兹曼方法，计算域设置为典型的街道峡谷断面，宽度26米，两侧建筑高度18米，行道树简化为矩形多孔区域，其渗透率通过Darcy-Forchheimer公式从疏透度推导，设置风阻系数Cs=2.5×(1-疏透度)。来流风速设为3.2米/秒，湍流强度5%，污染物源置于地面车道中心，持续释放CO示踪气体。对幼龄栾树（疏透度0.62）和成熟栾树（0.31）两种情景分别进行25000步迭代，直至流场稳定。模拟结果显示，空旷街道的背风面污染物浓度在前50米迅速稀释，而有成熟栾树的街道峡谷内，人行呼吸高度（1.5米）的污染物浓度明显升高，迎风面降低幅度22.4%，背风面升高17.8%，表明成熟密实树冠对空气交换有显著阻碍。同时使用Sniffer 4D灵嗅V2在泰安相同街道进行实测，CO浓度趋势与LBM模拟的规律一致，证明了模型有效性。在此基础上，基于Matlab App Designer开发了行道树空气污染物扩散辅助测量系统原型，集成树冠形态预测、疏透度图像计算和LBM快速模拟三个模块，为城市规划提供辅助决策工具。

import numpy as np
import cv2
from sklearn.ensemble import RandomForestRegressor

# 树冠形态随机森林预测
def crown_predictor(train_features, train_cw):
    rf = RandomForestRegressor(n_estimators=300, max_depth=9,
                               min_samples_leaf=5, max_features=0.7,
                               random_state=42)
    rf.fit(train_features, train_cw)
    return rf

# 图像疏透度计算
def porosity_from_image(image_path):
    img = cv2.imread(image_path)
    if img is None:
        return 0.0
    R, G, B = img[:,:,2], img[:,:,1], img[:,:,0]
    exg = 2.0*G.astype(float) - R.astype(float) - B.astype(float)
    _, binary = cv2.threshold(exg, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
    closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
    # 网格法
    h, w = closed.shape
    grid_h, grid_w = h//5, w//5
    porosities = []
    for i in range(5):
        for j in range(5):
            cell = closed[i*grid_h:(i+1)*grid_h, j*grid_w:(j+1)*grid_w]
            sky_pixels = np.sum(cell == 255)
            total_pixels = cell.size
            porosities.append(sky_pixels / total_pixels)
    return np.mean(porosities)

# LBM D2Q9 简化扩散更新
def lbm_diffusion_step(f, omega=1.8):
    # f: 分布函数 (H,W,9)
    feq = np.zeros_like(f)
    rho = np.sum(f, axis=2)
    # 平衡分布
    for i in range(9):
        feq[:,:,i] = rho * [4/9, 1/9, 1/9, 1/9, 1/9, 1/36, 1/36, 1/36, 1/36][i]
    f += omega * (feq - f)
    return f