CN106408660A - 一种电力路径规划中数字地形模型压缩方法和设备 - Google Patents
一种电力路径规划中数字地形模型压缩方法和设备 Download PDFInfo
- Publication number
- CN106408660A CN106408660A CN201610307972.4A CN201610307972A CN106408660A CN 106408660 A CN106408660 A CN 106408660A CN 201610307972 A CN201610307972 A CN 201610307972A CN 106408660 A CN106408660 A CN 106408660A
- Authority
- CN
- China
- Prior art keywords
- terrain model
- digital terrain
- information
- point
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Instructional Devices (AREA)
Abstract
本发明公开了一种电力路径规划中数字地形模型的压缩方法和设备,包括如下步骤:获取电力规划区域的数字地形模型和路径禁区信息;将数字地形模型和路径禁区信息进行叠加,使路径禁区信息所指示的禁止区域在数字地形模型中被禁止;根据叠加后的数字地形模型生成三角网格数据信息;根据分辨率要求对所生成的三角网格数据信息进行约简采样,生成对应分辨率的压缩地理数据。本发明提出的数据约简方法在大幅减少冗余数据的同时,有效保持数据的特征信息,降低了规划所需要的计算量和资源需求,而且保证规划路径的可行性。
Description
技术领域
本发明涉及一种电力路径规划中的数字地形模型压缩方法和设备,属于电力规划技术领域。
背景技术
电力规划区域的范围一般都比较大,而且为了保证规划线路的可行性,通常采用较高分辨率的基础地理数据如DEM(Digital Elevation Model,数字高程模型)、DSM(Digital Surface Model,数字表面模型)作为规划的基础,当然还有很多线路的约束条件如转弯角度,俯仰角等条件。在规划方法方面,A*算法及其改进算法作为经典的路径规划算法,能够有效搜索到最优解,但其计算量随数据的增加急速上升,并不适合于大范围的路径规划。针对该矛盾,有些研究集中于数据的简化方法,如通过建立金字塔的方法,先在低分辨率数据上规划,之后再逐步地对结果进行优化;在规划算法方面,借助于物理或生物学上的概念,将路径规划问题转化后求解,有人工势场法、遗传算法、神经网络法、模拟退火算法和蚁群算法等,这些算法能提高规划的速度,并且对计算机的存储空间开销也比较小,缺点是容易偏离理想的最优路径。
传统金字塔压缩方法的缺点是对所有的数据都进行同样程度的下采样,即对于平坦地区和地形复杂地区都同时降低分辨率,于是,在低分辨率上可行的路径在高分辨率中未必可行的,特别是在丘陵和山区。
发明内容
本发明的主要目的在于解决现有技术中存在的问题,提供一种电力路径规划中数字地形模型压缩方法和设备,对基础地理数据进行自适应的采样,在较高数据压缩比的情况下,仍然能有效保持原始地理数据的特征信息。
根据本发明实施例的第一方面,提供了一种电力路径规划中数字地形模型压缩方法,包括:
步骤101,获取电力规划区域的数字地形模型和路径禁区信息;
步骤102,将所述数字地形模型和路径禁区信息进行叠加,使所述路径禁区信息所指示的禁止区域在所述数字地形模型中被禁止;
步骤103,根据叠加后的数字地形模型生成三角网格数据信息;
步骤104,根据分辨率要求对所生成的三角网格数据信息进行约简采样,生成对应分辨率的压缩地理数据。
采用流网格生成算法根据所述叠加后的数字地形模型生成三角网格数据信息。
所述约简采样,基于测地空间尺度下进行均匀采样。
所述约简采样,包括:
步骤104a,随机选取所述三角网格数据信息中的一个采样点标记为基准采样点;
步骤104b,以所述基准采样点为圆心,基于测地空间尺度下计算其他采样点距离所述基准采样点的测地距离;
步骤104c,将距离所述基准采样点的测地距离小于预设半径阀值的采样点标记为所述基准采样点的从属采样点;
步骤104d,判断所述三角网格数据信息中是否还有未被标记的采样点;若有,则重复所述步骤104a至步骤104c;若否,则执行步骤104e;
步骤104e,根据所有标记为基准采样点的采样点生成所述压缩地理数据。
所述预设半径阀值可以根据所述分辨率要求进行设置。
根据本发明实施例的第二方面,提供了一种电力路径规划中数字地形模型压缩设备,包括:
信息获取单元,用于获取电力规划区域的数字地形模型和路径禁区信息;
信息叠加单元,用于将所述数字地形模型和路径禁区信息进行叠加,使所述路径禁区信息所指示的禁止区域在所述数字地形模型中被禁止;
三角网格数据生成单元,用于根据叠加后的数字地形模型生成三角网格数据信息;
约简采样单元,用于根据分辨率要求对所生成的三角网格数据信息进行约简采样,生成对应分辨率的压缩地理数据。
所述三角网格数据生成单元,采用流网格生成算法根据所述叠加后的数字地形模型生成三角网格数据信息。
所述约简采样单元基于测地空间尺度下进行均匀采样。
所述约简采样单元,还包括:
基准采样点标记模块,用于随机选取所述三角网格数据信息中的一个采样点标记为基准采样点;
测地距离计算模块,用于以所述基准采样点为圆心,基于测地空间尺度下计算其他采样点距离所述基准采样点的测地距离;
从属采样点标记模块,用于将距离所述基准采样点的测地距离小于预设半径阀值的采样点标记为所述基准采样点的从属采样点;
采样点判断模块,用于判断所述三角网格数据信息中是否还有未被标记的采样点;在有未被标记的采样点时,由所述基准采样点标记模块、测地距离计算模块、从属采样点标记模块进行处理;在有没有被标记的采样点时,由数据压缩模块进行处理;
数据压缩模块,用于根据所有标记为基准采样点的采样点生成所述压缩地理数据。
所述预设半径阀值可以根据所述分辨率要求进行设置。
通过本发明实施例,提供了电力路径规划中数字地形模型压缩方法和设备,可以将数字地形模型与路径禁区信息进行有效的叠加,简化了规划算法,同时基于测地空间尺度下进行均匀采样的约简采样算法实现了自适应数据压缩,压缩比高,计算复杂度低。本公开提出的数据约简方法在大幅减少冗余数据的同时,有效保持数据的特征信息,降低了规划所需要的计算量和资源需求,而且保证规划路径的可行性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是数字地形模型压缩方法的流程示意图;
图2是数字地形模型和路径禁区信息叠加示意图;
图3是三角网格数据信息进行约简采样的流程图;
图4是数字地形模型压缩设备的结构示意图;
图5是约简采样单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
针对前述技术问题,本公开将设计一种电力路径规划中数字地形模型压缩方法和设备。同时,将路径规划中的一些约束条件考虑进来,生成融合有路径约束条件的基础地理数据,然后,将数据的自适应压缩方法应用于地理数据约简,从而使数据的规模大幅下降,但同时保证数据主要特征信息的损失比较有限。
图1是本公开数字地形模型压缩方法的流程示意图。如图所示,该地理数据压缩方法,包括:
在步骤101中,获取电力规划区域的数字地形模型和路径禁区信息;
其中,所述数字地形模型主要指输电线路走廊及变电站周边DEM高程数据、DSM表面数据,以及路网数据、行政区划数据、河流数据等。该数字地形模型一般为规则格网、三角网点或散乱三维点云。所述路径禁区信息主要指禁止通过的区域信息,如军事区,还有通过具有相当大代价的居民区、工矿企业区等。所述数字地形模型和路径禁区信息,利用数据库管理技术,对这些数据组织、编目、定位、存储、检索和维护。
在步骤102中,将所述数字地形模型和路径禁区信息进行叠加,使所述路径禁区信息所指示的禁止区域在所述数字地形模型中被禁止;
所述数字地形模型和路径禁区信息进行叠加,即将路径禁区信息所指示的禁止区域在数字地形模型中进行标记,使之被禁止。该标记的方法可以直接将相关数字地形模型删除,或者将相关数字地形模型被设置为一个特殊的值,如-999999.99。数据叠加后,相当于将路径禁区信息所指示的禁止区域从数字地形模型中去掉,从而规划的线路将不能从该区域中通过。图2为数据叠加示意图。在图中所示电力规划区域内有区域A、区域B、区域C三块禁止区域。可见,经过数据叠加后,所生成的电力规划路径将不通过上述三块禁止区域。
在步骤103中,根据叠加后的数字地形模型生成三角网格数据信息;
本步骤中,根据所述叠加后的数字地形模型生成不规则三角网格数据信息(Irregular Triangulation Network,TIN)。其中,TIN的基本原则是最下角最大或者空圆原则。一般而言,数字地形模型具有一定的空间连续性,也就是空间距离临近的两个点出现在点云数据流中的位置也比较相近,同时考虑到数据规模比较大。因此,本实施例中具体采用流网格(streaming mesh)生成算法进行三角网格数据信息的生成。该流网格生成算法针对生成海量点云三角网格的问题。由于点云数量大,不可能直接将全部点云载入到计算机内存空间,故采取一个类似流处理的策略,即在点云从外部存储空间载入到内存的过程中,进行判断,判断待载入点是否需要等待还是直接载入内存,同时对生成的三角网络进行判断,如果其区域中不再有点插入,则将三角网移除到外部存储空间,以有效减少内存空间的占用,达到高效生成海量点云三角网络的目的。
该算法不需要对所有的数据进行全局排序,直接继承了逐点插入算法的过程,始终只保留一小部分的点集存储在内存中,将已经构建好的三角网及其关联的点集尽早移出内存,需要的内容比之前其他方法小很多,而且因为外存只是用来点集数据的输入输出,因此I/O次数会比虚拟内存的方案要少很多。采用该算法会在时间和空间低占用的情况下高效率地生成三角网格数据。例如,针对1.4亿个三维点,耗时小于15min,占用内容小于200M,表明对于规划区域长为1400公里,宽平均为100公里,所采用的DEM的分辨率为100米的数据而言,可以快速完成三角网格的自动构建;对于更高分辨率的数据如10米分辨率,则在普通个人电脑上即可完成。
在步骤104中,根据分辨率要求对所生成的三角网格数据信息进行约简采样,生成对应分辨率的压缩地理数据。
对平坦域区的数字地形模型而言,数据存在着明显的冗余;而对于陡峭区域的数字地形模型,数据的信息量较大,应该更多的予以保留。因此,理想的约简采样应该在平坦区域具有较少的采样点,在陡峭区域具有较多的采样点。为了达到该目的,本实施例将基于测地空间尺度下进行均匀采样。这样是因为,测地空间建立了点与点之间沿未知曲面表面的距离。在两点具有相同的欧氏距离的情况下,若它们位于地形复杂区域,则其测地距离大于其欧氏距离;而在平坦区域,测地距离应该接近于欧氏距离。因此,本实施例基于测地空间尺度下进行均匀采样将能得到在欧氏空间中自适应分布的结果。这里,具体采用的均匀采样算法可以采用泊松碟采样算法。因为数字地形模型融合了线路规划的区域影响因素,完成该操作后,实质上对原始地形信息和区域影响因素同时进行了约简,将大大地缩小后续路径规划的搜索范围。
图3为三角网格数据信息进行约简采样的具体流程图。如图所示,所述步骤104的简约采样过程,包括:
在步骤104a中,随机选取所述三角网格数据信息中的一个采样点标记为基准采样点;
在步骤104b中,以所述基准采样点为圆心,基于测地空间尺度下计算其他采样点距离所述基准采样点的测地距离;
在步骤104c中,将距离所述基准采样点的测地距离小于预设半径阀值的采样点标记为所述基准采样点的从属采样点;
在步骤104d中,判断所述三角网格数据信息中是否还有未被标记的采样点;若有,则重复所述步骤104a至步骤104c;若否,则执行步骤104e;
在步骤104e中,根据所有标记为基准采样点的采样点生成所述压缩地理数据。
其中,所述预设半径阀值可以根据所述分辨率要求进行设置。通常,该半径阀值为数字地形模型网格间距的2-5倍。
根据本公开所提供的上述地理数据的压缩方法,可以将数字地形模型与路径禁区信息进行有效的叠加,简化了规划算法,同时基于测地空间尺度下进行均匀采样的约简采样算法实现了自适应数据压缩,压缩比高,计算复杂度低。本公开提出的数据约简方法在大幅减少冗余数据的同时,有效保持数据的特征信息,降低了规划所需要的计算量和资源需求,而且保证规划路径的可行性。
图4是本公开地理数据压缩设备的结构示意图。如图所示,该地理数据压缩设备,包括:
信息获取单元11,用于获取电力规划区域的数字地形模型和路径禁区信息;
其中,所述数字地形模型主要指输电线路走廊及变电站周边DEM高程数据、DSM表面数据,以及路网数据、行政区划数据、河流数据等。该数字地形模型一般为规则格网、三角网点或散乱三维点云。所述路径禁区信息主要指禁止通过的区域信息,如军事区,还有通过具有相当大代价的居民区、工矿企业区等。所述数字地形模型和路径禁区信息,利用数据库管理技术,对这些数据组织、编目、定位、存储、检索和维护。
信息叠加单元12,用于将所述数字地形模型和路径禁区信息进行叠加,使所述路径禁区信息所指示的禁止区域在所述数字地形模型中被禁止;
所述数字地形模型和路径禁区信息进行叠加,即将路径禁区信息所指示的禁止区域在数字地形模型中进行标记,使之被禁止。该标记的方法可以直接将相关数字地形模型删除,或者将相关数字地形模型被设置为一个特殊的值,如-999999.99。数据叠加后,相当于将路径禁区信息所指示的禁止区域从数字地形模型中去掉,从而规划的线路将不能从该区域中通过。图2为数据叠加示意图。在图中所示电力规划区域内有区域A、区域B、区域C三块禁止区域。可见,经过数据叠加后,所生成的电力规划路径将不通过上述三块禁止区域。
三角网格数据生成单元13,用于根据叠加后的数字地形模型生成三角网格数据信息;
该三角网格数据生成单元13,根据所述叠加后的数字地形模型生成不规则三角网格数据信息(Irregular Triangulation Network,TIN)。其中,TIN的基本原则是最下角最大或者空圆原则。一般而言,数字地形模型具有一定的空间连续性,也就是空间距离临近的两个点出现在点云数据流中的位置也比较相近,同时考虑到数据规模比较大。因此,该三角网格数据生成单元13采用流网格(streaming mesh)生成算法进行三角网格数据信息的生成。该流网格生成算法针对生成海量点云三角网格的问题。由于点云数量大,不可能直接将全部点云载入到计算机内存空间,故采取一个类似流处理的策略,即在点云从外部存储空间载入到内存的过程中,进行判断,判断待载入点是否需要等待还是直接载入内存,同时对生成的三角网络进行判断,如果其区域中不再有点插入,则将三角网移除到外部存储空间,以有效减少内存空间的占用,达到高效生成海量点云三角网络的目的。
该算法不需要对所有的数据进行全局排序,直接继承了逐点插入算法的过程,始终只保留一小部分的点集存储在内存中,将已经构建好的三角网及其关联的点集尽早移出内存,需要的内容比之前其他方法小很多,而且因为外存只是用来点集数据的输入输出,因此I/O次数会比虚拟内存的方案要少很多。采用该算法会在时间和空间低占用的情况下高效率地生成三角网格数据。例如,针对1.4亿个三维点,耗时小于15min,占用内容小于200M,表明对于规划区域长为1400公里,宽平均为100公里,所采用的DEM的分辨率为100米的数据而言,可以快速完成三角网格的自动构建;对于更高分辨率的数据如10米分辨率,则在普通个人电脑上即可完成。
约简采样单元14,用于根据分辨率要求对所生成的三角网格数据信息进行约简采样,生成对应分辨率的压缩地理数据。
对平坦域区的数字地形模型而言,数据存在着明显的冗余;而对于陡峭区域的数字地形模型,数据的信息量较大,应该更多的予以保留。因此,理想的约简采样应该在平坦区域具有较少的采样点,在陡峭区域具有较多的采样点。为了达到该目的,该约简采样单元14将基于测地空间尺度下进行均匀采样。这样是因为,测地空间建立了点与点之间沿未知曲面表面的距离。在两点具有相同的欧氏距离的情况下,若它们位于地形复杂区域,则其测地距离大于其欧氏距离;而在平坦区域,测地距离应该接近于欧氏距离。因此,本实施例基于测地空间尺度下进行均匀采样将能得到在欧氏空间中自适应分布的结果。这里,该约简采样单元14具体采用的均匀采样算法可以采用泊松碟采样算法。因为数字地形模型融合了线路规划的区域影响因素,完成该操作后,实质上对原始地形信息和区域影响因素同时进行了约简,将大大地缩小后续路径规划的搜索范围。
图5为约简采样单元的结构示意图。如图所示,所述约简采样单元14,包括:
基准采样点标记模块14a,用于随机选取所述三角网格数据信息中的一个采样点标记为基准采样点;
测地距离计算模块14b,用于以所述基准采样点为圆心,基于测地空间尺度下计算其他采样点距离所述基准采样点的测地距离;
从属采样点标记模块14c,用于将距离所述基准采样点的测地距离小于预设半径阀值的采样点标记为所述基准采样点的从属采样点;
采样点判断模块14d,用于判断所述三角网格数据信息中是否还有未被标记的采样点;在有未被标记的采样点时,由所述基准采样点标记模块、测地距离计算模块、从属采样点标记模块进行处理;在有没有被标记的采样点时,由数据压缩模块14e进行处理;
数据压缩模块14e,用于根据所有标记为基准采样点的采样点生成所述压缩地理数据。
其中,所述预设半径阀值可以根据所述分辨率要求进行设置。通常,该半径阀值为数字地形模型网格间距的2-5倍。
根据本公开所提供的上述地理数据的压缩设备,可以将数字地形模型与路径禁区信息进行有效的叠加,简化了规划算法,同时基于测地空间尺度下进行均匀采样的约简采样算法实现了自适应数据压缩,压缩比高,计算复杂度低。本公开提出的数据约简设备在大幅减少冗余数据的同时,有效保持数据的特征信息,降低了规划所需要的计算量和资源需求,而且保证规划路径的可行性。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种电力路径规划中数字地形模型压缩方法,其特征在于包括:
步骤101,获取电力规划区域的数字地形模型和路径禁区信息;
步骤102,将所述数字地形模型和路径禁区信息进行叠加,使所述路径禁区信息所指示的禁止区域在所述数字地形模型中被禁止;
步骤103,根据叠加后的数字地形模型生成三角网格数据信息;
步骤104,根据分辨率要求对所生成的三角网格数据信息进行约简采样,生成对应分辨率的压缩地理数据。
2.如权利要求1所述的数字地形模型压缩方法,其特征在于:
采用流网格生成算法根据所述叠加后的数字地形模型生成三角网格数据信息。
3.如权利要求1所述的数字地形模型压缩方法,其特征在于:
所述约简采样,基于测地空间尺度下进行均匀采样。
4.如权利要求3所述的数字地形模型压缩方法,其特征在于,所述约简采样,包括:
步骤104a,随机选取所述三角网格数据信息中的一个采样点标记为基准采样点;
步骤104b,以所述基准采样点为圆心,基于测地空间尺度下计算其他采样点距离所述基准采样点的测地距离;
步骤104c,将距离所述基准采样点的测地距离小于预设半径阀值的采样点标记为所述基准采样点的从属采样点;
步骤104d,判断所述三角网格数据信息中是否还有未被标记的采样点;若有,则重复所述步骤104a至步骤104c;若否,则执行步骤104e;
步骤104e,根据所有标记为基准采样点的采样点生成所述压缩地理数据。
5.如权利要求4所述的数字地形模型压缩方法,其特征在于:
所述预设半径阀值可以根据所述分辨率要求进行设置。
6.一种电力路径规划中数字地形模型压缩设备,其特征在于包括:
信息获取单元,用于获取电力规划区域的数字地形模型和路径禁区信息;
信息叠加单元,用于将所述数字地形模型和路径禁区信息进行叠加,使所述路径禁区信息所指示的禁止区域在所述数字地形模型中被禁止;
三角网格数据生成单元,用于根据叠加后的数字地形模型生成三角网格数据信息;
约简采样单元,用于根据分辨率要求对所生成的三角网格数据信息进行约简采样,生成对应分辨率的压缩地理数据。
7.如权利要求6所述的数字地形模型压缩设备,其特征在于:
所述三角网格数据生成单元,采用流网格生成算法根据所述叠加后的数字地形模型生成三角网格数据信息。
8.如权利要求6所述的数字地形模型压缩设备,其特征在于:
所述约简采样单元基于测地空间尺度下进行均匀采样。
9.如权利要求8所述的数字地形模型压缩设备,其特征在于,所述约简采样单元还包括:
基准采样点标记模块,用于随机选取所述三角网格数据信息中的一个采样点标记为基准采样点;
测地距离计算模块,用于以所述基准采样点为圆心,基于测地空间尺度下计算其他采样点距离所述基准采样点的测地距离;
从属采样点标记模块,用于将距离所述基准采样点的测地距离小于预设半径阀值的采样点标记为所述基准采样点的从属采样点;
采样点判断模块,用于判断所述三角网格数据信息中是否还有未被标记的采样点;在有未被标记的采样点时,由所述基准采样点标记模块、测地距离计算模块、从属采样点标记模块进行处理;在有没有被标记的采样点时,由数据压缩模块进行处理;
数据压缩模块,用于根据所有标记为基准采样点的采样点生成所述压缩地理数据。
10.如权利要求9所述的数字地形模型压缩设备,其特征在于,
所述预设半径阀值根据所述分辨率要求进行设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610307972.4A CN106408660A (zh) | 2016-05-10 | 2016-05-10 | 一种电力路径规划中数字地形模型压缩方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610307972.4A CN106408660A (zh) | 2016-05-10 | 2016-05-10 | 一种电力路径规划中数字地形模型压缩方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408660A true CN106408660A (zh) | 2017-02-15 |
Family
ID=58006206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610307972.4A Pending CN106408660A (zh) | 2016-05-10 | 2016-05-10 | 一种电力路径规划中数字地形模型压缩方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408660A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163970A (zh) * | 2019-06-26 | 2019-08-23 | 深圳飞马机器人科技有限公司 | 一种数字地形模型的生成方法、装置、设备及存储介质 |
CN111220786A (zh) * | 2020-03-09 | 2020-06-02 | 生态环境部华南环境科学研究所 | 一种深水沉积物有机污染快速监测方法 |
CN112929031A (zh) * | 2021-01-27 | 2021-06-08 | 江苏电子信息职业学院 | 危险环境中条形自主救援车路径信息压缩传输方法 |
CN113124878A (zh) * | 2021-04-21 | 2021-07-16 | 哈尔滨工业大学 | 一种月面大范围道路拓扑网构建方法、系统及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6894119B2 (en) * | 2002-07-09 | 2005-05-17 | Hyundai Motor Company And Hanwha L&C Corporation | Thermoplastic elastomer composition for powder-molding |
CN103425801A (zh) * | 2013-09-04 | 2013-12-04 | 中测新图(北京)遥感技术有限责任公司 | 一种面向数字地球的数据融合方法和装置 |
-
2016
- 2016-05-10 CN CN201610307972.4A patent/CN106408660A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6894119B2 (en) * | 2002-07-09 | 2005-05-17 | Hyundai Motor Company And Hanwha L&C Corporation | Thermoplastic elastomer composition for powder-molding |
CN103425801A (zh) * | 2013-09-04 | 2013-12-04 | 中测新图(北京)遥感技术有限责任公司 | 一种面向数字地球的数据融合方法和装置 |
Non-Patent Citations (1)
Title |
---|
付仲良等: "GIS技术支持下的电力智能选线", 《测绘地理信息》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163970A (zh) * | 2019-06-26 | 2019-08-23 | 深圳飞马机器人科技有限公司 | 一种数字地形模型的生成方法、装置、设备及存储介质 |
CN110163970B (zh) * | 2019-06-26 | 2023-06-20 | 深圳飞马机器人科技有限公司 | 一种数字地形模型的生成方法、装置、设备及存储介质 |
CN111220786A (zh) * | 2020-03-09 | 2020-06-02 | 生态环境部华南环境科学研究所 | 一种深水沉积物有机污染快速监测方法 |
CN112929031A (zh) * | 2021-01-27 | 2021-06-08 | 江苏电子信息职业学院 | 危险环境中条形自主救援车路径信息压缩传输方法 |
CN113124878A (zh) * | 2021-04-21 | 2021-07-16 | 哈尔滨工业大学 | 一种月面大范围道路拓扑网构建方法、系统及装置 |
CN113124878B (zh) * | 2021-04-21 | 2023-12-22 | 哈尔滨工业大学 | 一种月面大范围道路拓扑网构建方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pu et al. | A three‐dimensional distance transform for optimizing constrained mountain railway alignments | |
CN112257597B (zh) | 一种点云数据的语义分割方法 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
Gómez et al. | Optimal placement and sizing from standpoint of the investor of Photovoltaics Grid-Connected Systems using Binary Particle Swarm Optimization | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN106408660A (zh) | 一种电力路径规划中数字地形模型压缩方法和设备 | |
CN103984997A (zh) | 基于gis空间信息的输电工程选址选线方法 | |
CN103679655A (zh) | 一种基于坡度与区域生长的LiDAR点云滤波方法 | |
CN109359350A (zh) | 一种优化精细施工成本的风电场道路智能设计方法 | |
CN102393926B (zh) | 井下应急撤人安全路线智能决策方法 | |
CN105761312A (zh) | 一种微地形表面重建方法 | |
Li et al. | Approach for Optimizing 3D Highway Alignments Based on Two-stage Dynamic Programming. | |
CN107480373A (zh) | 输电线路选线方法及系统 | |
CN104766280A (zh) | 一种基于堆排序的质量图相位解缠方法 | |
CN113554467A (zh) | 一种基于协同进化的铁路三维线形智能设计方法 | |
CN105067004A (zh) | 一种基于地形的路径搜索方法 | |
CN108876204A (zh) | 一种城市配电网规划多级网格划分的方法 | |
Feng et al. | Spatiotemporal evolution characteristics and influencing factors of traditional villages: the Yellow River Basin in Henan Province, China | |
CN104462714A (zh) | 一种市政排水管网平面布置设计优化计算方法 | |
Yang et al. | A multitarget land use change simulation model based on cellular automata and its application | |
CN107908899B (zh) | 一种用于风电场建设施工道路的选线系统及选线方法 | |
CN113343426A (zh) | 考虑现实需求导向的城市配电网线路规方法及系统 | |
CN106981194B (zh) | 一种高速路网关键路段的识别方法 | |
Achbab et al. | Developing and applying a GIS-Fuzzy AHP assisted approach to locating a hybrid renewable energy system with high potential: Case of Dakhla region–Morocco | |
Zubir et al. | Identifying the Optimal Placement of Spatial Wind Energy Farms in Selangor, Malaysia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170215 |
|
WD01 | Invention patent application deemed withdrawn after publication |