XiaoMi-AI文件搜索系统
World File Search SystemCityGML
机载激光生成 CityGML 建筑模型...
3D 城市模型已成为不同领域中许多应用中的重要工具。通常这些 3D 城市模型仅表示城市的几何属性，从而可以轻松实现城市的可视化。然而，不同的专题查询、分析任务和空间数据挖掘超出了仅提供有关其几何信息的模型的范围。CityGML 3D 城市模型为模型带来了额外的语义信息。在本论文中，解释了从机载激光扫描进行建筑物重建的过程和不同技术。还将解释 CityGML 标准以及从 3D 建筑模型到 CityGML 需要做什么。本论文的主要重点是研究如何从仅通过机载激光扫描收集的数据自动创建 CityGML 2.0 3D 城市模型。CityGML 有五个不同的细节级别，表示建筑物的精度级别。LOD1 和 LOD2 是本论文最重要的级别，因此测试了不同软件以这些精度级别导出 CityGML 格式的重建建筑模型的能力。根据 CityGML 的官方规范检查了这些导出，以查看它们是否符合要求。还解释了流程和数据还需要什么，以便在 LOD3 中生成更高质量的模型。选择了两个不同的测试区域，具有不同的建筑物和屋顶类型。一个区域包括独立式住宅，其中一些部分被植被覆盖，另一个区域主要包括公寓楼。论文表明，到目前为止，自动生成符合 CityGML 2.0 标准的城市模型仍然相当具有挑战性。模型驱动方法在建筑设施（例如烟囱）方面存在问题。这些无法使用使用模型驱动方法的软件进行建模。另一方面，数据驱动方法在从建筑模型转换为 CityGML 格式时存在问题。地形和地形交叉曲线的建模也比预期的更困难。本论文中使用的大多数软件都无法自动处理这些元素的添加。这些元素可以稍后添加到 CityGML 文件中，但只能使用其他软件工具。关键词 ALS、激光扫描、城市模型、CityGML、建筑重建、建模
使用原始/对偶数据结构建模和分析 3D 建筑物 ∗
虽然 CityGML 允许我们表示 3D 城市模型，但它在需要空间分析和/或实时修改的应用中的使用受到限制，因为目前存储元素之间拓扑关系的可能性相当有限，而且通常没有得到利用。我们在本文中介绍了一种新的拓扑数据结构，即对偶半边 (DHE)，它允许我们表示 3D 建筑物（包括其内部）和周围地形的拓扑。它基于同时存储 3D 空间中的图形及其对偶图并将两者链接起来的想法。我们提出了欧拉型运算符来逐步构建 3D 模型（用于在同时更新对偶结构的同时向模型添加各个边、面和体积），我们还提出了导航运算符来从给定点移动到所有连接的平面或多面体。DHE 还允许我们将属性存储到任何元素。我们已经实施了 DHE，并使用不同的 CityGML 模型对其进行了测试。我们的技术使我们能够处理重要的查询类型，例如在灾害管理规划中查找给定房间最近的外部出口。由于结构是局部可修改的，因此当特定路径不再可用时，模型可能会进行调整。提出的 DHE 结构为日益流行的 CityGML 模型增加了重要的分析价值。
使用原始/对偶模型对 3D 建筑物进行建模和分析...
虽然 CityGML 允许我们表示 3D 城市模型，但它在需要空间分析和/或实时修改的应用中的使用受到限制，因为目前存储元素之间拓扑关系的可能性相当有限，而且通常没有得到利用。我们在本文中介绍了一种新的拓扑数据结构，即对偶半边 (DHE)，它允许我们表示 3D 建筑物（包括其内部）和周围地形的拓扑。它基于同时存储 3D 空间中的图形及其对偶图并将两者链接起来的想法。我们提出了欧拉型运算符来逐步构建 3D 模型（用于在更新对偶结构的同时向模型添加各个边、面和体积），我们还提出了导航运算符来从给定点移动到所有连接的平面或多面体。DHE 还允许我们将属性存储到任何元素。我们已经实施了 DHE 并使用不同的 CityGML 模型对其进行了测试。我们的技术使我们能够处理重要的查询类型，例如在灾难管理规划中查找距离给定房间最近的外部出口。由于结构是局部可修改的，因此每当特定路径不再可用时，模型都可以进行调整。提议的 DHE 结构为日益流行的 CityGML 模型增加了重要的分析价值。
使用原始/对偶数据结构建模和分析 3D 建筑物 ∗
虽然 CityGML 允许我们表示 3D 城市模型，但它在需要空间分析和/或实时修改的应用中的使用受到限制，因为目前存储元素之间拓扑关系的可能性相当有限，而且通常没有得到利用。我们在本文中介绍了一种新的拓扑数据结构，即对偶半边 (DHE)，它允许我们表示 3D 建筑物（包括其内部）和周围地形的拓扑。它基于同时存储 3D 空间中的图形及其对偶图并将两者链接起来的想法。我们提出了欧拉型运算符来逐步构建 3D 模型（用于在同时更新对偶结构的同时向模型添加各个边、面和体积），我们还提出了导航运算符来从给定点移动到所有连接的平面或多面体。DHE 还允许我们将属性存储到任何元素。我们已经实施了 DHE，并使用不同的 CityGML 模型对其进行了测试。我们的技术使我们能够处理重要的查询类型，例如在灾害管理规划中查找给定房间最近的外部出口。由于结构是局部可修改的，因此当特定路径不再可用时，模型可能会进行调整。提出的 DHE 结构为日益流行的 CityGML 模型增加了重要的分析价值。
通过机器学习预测体积城市形态的气温
环境参数（例如空气温度）是人类生活质量和能源效率管理的关键终端。城市地区人口稠密，并且通过城市形态和景观空间模式与其中一些自然现象高度相关。因此，预测城市计划对环境参数的影响对于适当的决定和计划以增强城市的生活条件至关重要。先前的研究强调了乌拉巴形态与空气温度之间的密切相关性，强调了在这些分析中采用三维数据的重要性。在这项研究中，我们首先引入了一种将CityGML数据转换为VoxEls的方法，该方法在大规模数据集（例如城市）的高分辨率上可以有效，快速地工作，但通过牺牲了一些建筑细节，从而限制了先前的Voxelization方法的局限性，这些方法限制了对大型量表的较高量表的较高范围，以较高的量化和无效的范围，以使其对Voxel的高度分配为高分。来自多个城市的那些体素化的3D城市数据和相应的空气温度数据用于开发机器学习模型。在模型训练之前，在输入数据上实施了高斯模糊以考虑空间关系，因此，在高斯模糊之后，空气温度和体积建筑物形态之间的相关率也会增加。这个受过训练的模型能够通过使用相应像素的构建体积信息作为输入来预测空气温度的空间分布。在模型训练之后，预测结果不仅是用均方根误差（MSE）评估的，而且一些图像相似性指标，例如结构相似性指数量度（SSIM）和学习的知觉图像贴片相似性（LPIPS）能够在评估过程中检测和考虑空间关系。这样做，该研究旨在帮助城市规划人员将环境参数纳入其计划策略，从而促进更可持续和居民的城市环境。