杨东旭等-Drones: 机器学习突破无人机低空风场高精准测量

论坛搬运工

        目前我国低空经济处于快速发展阶段，各类低空飞行活动日益频繁，低空多指1000米以下（延伸至3000米）的空域，核心载体（无人机、eVTOL等）安全运行受强烈多变的天气影响，依赖区域高覆盖的气象监测。其中高精度三维风场的实时测量是最难解决的问题之一。

        中国科学院大气物理研究所杨东旭、朱思虹、赵桐晖等研究人员，提出并成功实现了利用无人机悬停飞行姿态参数和机器学习模型高精度测量三维风速、风向的方法，相关成果以UAVs flight dynamic is all you need for wind speed and direction measurement in air为题目发表于Drones期刊，并申请国家发明专利。

        该研究选用四旋翼微型无人机（DJI M200）与地基风廓线激光雷达同步测量低空大气风场，通过激光雷达测得风速、风向数据与无人机姿态参数协同训练，构建三维风速、风向反演模型。实现10秒（平滑）水平风速误差（RMSE）低于0.39m/s，分钟级误差低于0.069 m/s的探测能力，精度大幅优于同步搭载的超声风速仪测量结果，且无偏差（<0.005 m/s），满足国际气象组织WMO OSCAR等精度需求。

        与主流探测技术相比，该方法优势包括：（1）测量精度高且无偏差；（2）不需要搭载额外设备，成本低、维护易、安全高、操作简；（3）适用性强，同一型号无人机仅需建模一次。因此可为应对低空经济发展中所面临的大面积、多数量、高复杂的飞行安全保障立体气象监测的需求提供一种有效的解决方案。

        此外，在利用无人机蜂群协同碳观测网络（LUCCN）开展区域小尺度碳排放自上而下核算研究中（Yang et al.,2024,详见https://iap.cas.cn/gb/xwdt/kyjz/202311/t20231116_6934025.html），通量精度依赖同步的三维风场数据，该方法提供的同步测量可以提升LUCCN核算精度。

        本研究得到国家重点研究计划（2023YFB3907405）、中国科学院青年科学基础研究计划（YSBR-037）等项目共同资助。我所朱思虹博士为文章第一作者。

        Zhu S.,and et al.,UAVs flight dynamic is all you need for wind speed and di-rection measurement in air. Drones,2025,9(7),466,https://www.mdpi.com/2504-446X/9/7/466

        Yang D.,and and et al.,2024: Toward establishing a Low-cost UAV Coordinated Carbon Observation Network (LUCCN):First integrated campaign in China. Adv. Atmos. Sci.,41(1),1-7,https://doi.org/10.1007/s00376-023-3107-5

图1. 机器学习方法反演测量的水平风速、水平风向、垂直风速等误差（RMSE）随着采样（平滑）时间变化。

原文链接：https://iap.cas.cn/gb/xwdt/kyjz/202507/t20250710_7883814.html