-
题名多维度建筑物单体模型构建方法
被引量：1
- 1
-
-
作者
吕朋超
李海洋
江岭
梁明
位宏
张大鹏
-
机构
安徽大学资源与环境工程学院
滁州学院地理信息与旅游学院
滁州学院安徽省实景地理环境重点实验室
安徽省遥感与地理信息工程研究中心
-
出处
《测绘通报》
北大核心
2025年第2期1-6,共6页
-
基金
安徽省优秀科研创新团队项目(2023AH010071)
安徽省高等学校科学研究项目重大项目(2022AH040156)
+4 种基金
安徽省高校优秀青年科研项目(2022AH030112)
安徽省实景地理环境重点试验室开放基金(2023PGE007)
国家自然科学基金(42401506)
安徽省教育厅科研计划重点项目(2024AH051396)
安徽省高校学科(专业)拔尖人才学术资助项目(gxbjZD2022069)。
-
文摘
当前实景三维建筑模型数据体量巨大,给模型存储与实时加载显示带来了挑战。然而,现有研究主要聚焦建筑物原始模型单体化、轻量化及可视化操作,难以满足不同应用场景下的城市空间分析和管理需求。为此,本文提出了一种面向建筑物实体模型的多维度单体模型构建方法。该方法以倾斜摄影建模生成的OSGB数据为基础,利用建筑物的矢量轮廓切割出建筑物单体模型,然后采用二次误差度量(QEM)算法对建筑物模型进行简化,通过对比不同简化等级建筑物模型的几何参数及形态特征,确定不同维度建筑物模型间简化程度,最终实现不同维度建筑物单体模型构建。试验结果表明,三维建筑模型的多维度单体构建结果满足了城市地理标记语言(CityGML)中建筑物细节层次(LOD)的要求,且相较于传统建筑信息模型(BIM)的多细节层次简化,其自动化程度更高。该方法可以在有限的数据下完成建筑模型之间的转换,能够构建不同维度的三维建筑模型单体,并将其应用于不同的层次和场景,满足城市空间分析和管理的需要。
-
关键词
实景三维
QEM算法
模型简化
特征提取
多维度建筑物模型
-
Keywords
realistic 3D
QEM algorithm
model simplification
feature extraction
multi-dimensional building model
-
分类号
P231
[天文地球—摄影测量与遥感]
-
-
题名基于深度学习的黄土陷穴易发育区域预测与分析
- 2
-
-
作者
黄骁力
江岭
陈西
位宏
闫振军
-
机构
实景地理环境安徽省重点实验室
安徽省遥感与地理信息工程研究中心
安徽地理信息集成应用协同创新中心
滁州学院地理信息与旅游学院
-
出处
《测绘通报》
CSCD
北大核心
2024年第12期61-69,共9页
-
基金
国家自然科学基金(42101425)
安徽省高校科学自然科学研究重大项目(2023AH040219)
+1 种基金
安徽省优秀科研创新团队项目(2023AH010071)
安徽省高校优秀青年科研项目(2022AH030112)。
-
文摘
黄土陷穴是黄土高原地区普遍存在的一种特殊的地质灾害,其防治工作是黄土地区工程建设必须要考虑的问题。本文基于修正通用土壤流失模型(RUSLE),从DEM、降水量、地表覆盖、植被指数等多源数据中提取12种不同类型的特征因子,构建卷积神经网络(CNN)和深度神经网络(DNN)两种预测模型,实现对黄土陷穴易发育区域的预测,并对两种模型的预测结果进行对比与分析,从而为黄土地区的陷穴灾害防治、工程建设及水土保持提供参考依据。研究结果表明,CNN、DNN两种预测模型准确率均达80%以上,F1分数均达83%以上,均能有效地预测黄土陷穴的易发育区域。其中,CNN模型准确率达83.25%,F1分数达85.18%,分别比DNN模型高2.63%、1.56%,且该模型泛化能力表现更好,预测结果在细节上也表现更为出色。预测结果表明,黄土陷穴在沟谷区域发育较强,平坦地形发育较弱,人类活动对其发育具有一定影响。
-
关键词
黄土陷穴
区域预测
多源数据
卷积神经网络
深度神经网络
-
Keywords
loess sinkhole
regional prediction
multi-source data
CNN
DNN
-
分类号
P208
[天文地球—地图制图学与地理信息工程]
-
