CN112988942A - 一种基于农房二三维精细化数据的防疫关卡点的设置方法 - Google Patents
一种基于农房二三维精细化数据的防疫关卡点的设置方法 Download PDFInfo
- Publication number
- CN112988942A CN112988942A CN202110416470.6A CN202110416470A CN112988942A CN 112988942 A CN112988942 A CN 112988942A CN 202110416470 A CN202110416470 A CN 202110416470A CN 112988942 A CN112988942 A CN 112988942A
- Authority
- CN
- China
- Prior art keywords
- checkpoint
- points
- road
- polygon
- result
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 182
- 230000002265 prevention Effects 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 132
- 238000004458 analytical method Methods 0.000 claims abstract description 65
- 230000002093 peripheral effect Effects 0.000 claims abstract description 64
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 16
- 230000001788 irregular Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 230000004888 barrier function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000011835 investigation Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 8
- 238000012800 visualization Methods 0.000 description 5
- 208000015181 infectious disease Diseases 0.000 description 3
- 241000711573 Coronaviridae Species 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000001370 static light scattering Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Graphics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于农房二三维精细化数据的防疫关卡点的设置方法，包括步骤：S1数据源准备；S2将成果数据铱次经提取、过滤和删除处理；S3建立外围边界；S4设置初始缓冲距离进行道路缓冲区分析，获得初始缓冲区；S5以初始缓冲区为基础生成初始关卡点，再设置道路过程缓存距离获得过程缓冲区，将过程缓冲区中的点结合道路关卡点获得过程关卡点；再对村区域内的最大的外围边界点进行邻域分析，得到多个最大外围边界位于道路上的顶点，整合所有过程关卡点和顶点，从而获得结果关卡点；S6进行可视化分析；S7对结果关卡点和该村区域的数字地表模型DSM数据进行三维通视分析，从而获得关卡点设置的位置。
Description
技术领域
本发明涉及地理信息系统领域技术领域，尤其涉及一种基于农房二三维精细化数据的防疫关卡点的设置方法。
背景技术
随着社会的不断发展以及人们知识文化水平的不断提升，越来越多的人对土地归属权越来越重视。自2015年3月全国开始统一实施不动产登记制度至今，全国大部分农村房地一体确权登记工作已步入正轨，一方面切实维护了所有权人及利害关系人的合法权益，另一方面也提高了行政管理机关的工作效率，保证物权状况的公开与明示。在农村房地一体确权登记实施过程中，测绘人通过野外GPS、RTK、移动摄影测量、无人机倾斜摄影测量等技术对农村房屋界址点坐标进行精细测量，得到了一系列农村房屋界址点的精细化成果数据。
自2020年年初以来，新冠疫情在不断的蔓延，现已得到很大的控制，而农村的疫情防控重点仍在“防”，由于基层医疗卫生机构医疗服务能力相对薄弱，“防”是重中之重，要“外防输入、内防扩散”。那么如何“防”成为农村地区的首要问题，大部分农村采取封路、设置出入口、隔离等措施进行防疫。地理信息系统（GIS）在疫情防控的应急管理与处理领域发挥着重要作用，早在2003年，非典型肺炎（SARS）疫情防治工作中，国内相关机构基于SuperMap及其辅助决策空间信息模型工具，紧急研制了“国家SARS疫情控制与预警信息系统”，在SARS疫情的信息采集、管理、分析及其防治与监控措施的发布等方面提供辅助支撑。时至今日，国家在新型冠状病毒肺炎疫情防控工作中充分运用“网格化+大数据”方式，为新冠肺炎防治工作提供可视化一张图、疫情分布、网格化管理、人员轨迹分析等疫情防控支撑，实现医疗、物资等信息的空间展示与综合管理，在疫情防控工作中发挥了重要作用。
农村房地一体的界址点成果数据准确且完全反映该村的宗地分布情况，现实性也较强，对于农村防疫工作起到了一定的作用，本文基于GIS对界址点数据进行处理与分析，得到一个切实有效的防疫控制方法。
目前，大多数学者在建立防疫系统模型和建立防控平台方面颇有成效。自新冠疫情爆发以来，政府、高校及相关科研机构纷纷利用地理信息系统独特的地理空间分析、可视化表达的特点，基于基础地理信息数据、公共安全数据、地理空间数据等源数据，开发疫情防控系统，为政府疫情防控提供辅助决策支持，利用系统中的GIS可视化及标注功能，将疫情信息、疫区分布、防控/医疗物资分布、人口分布等信息在地图进行标识，并利用系统中的GIS分析功能，开展疫情的具体防控部署、疫情排查、疫情趋势分析等工作。
有部分学者基于GIS分析方法应用于疫情分析，通过缓冲区分析，输入传染源途径位置坐标串，能快速查询出沿路涉及到的乡镇信息。通过最短路径分析，输入起始点和目标点位置，根据道路网的分布和路况信息结合疫区分布情况，快速计算两点之间的最短路径（最优路径）。缓冲区分析确定疫区周围医院、医疗点等分布，结合最短路径分析结果能保证就近的医疗力量前往支援，在时间和耗费上达到最优。最近路口点查询，通过输入传染源所在位置，快速计算离传染源周围最近的封锁路口。
因此，有必要建立防疫系统模型能有效、及时的对公共突发事件进行防控，找到有效措施加以实施，但是部分源数据不新颖、有关单位未能及时更新数据，会给监控措施带来误差，甚至误判；而对于农村由于地理地势的原因，大多数疫情防控采取封锁路口等方式防止外来车辆的进入，但是却阻止不了行人进入树林、农田、未封锁道路路段、住宅等地方，亦是未能起到防控作用。
因此，有必要开发一种基于农房二三维精细化数据的防疫关卡点的设置方法，排查覆盖面越广、关卡点设置越少、排查效率越高，实现关卡点的可视化，能做到及时、有效、真实地进行疫情防控分析，解决疫情期间车辆、行人等一切外来人员的疫情登记、备案等问题，从人们最终的目的地（居民地）思路出发，秉承“全面排查、不留死角”的原则，确保疫情防控“一个不漏”。
发明内容
本发明要解决的技术问题是提供一种基于农房二三维精细化数据的防疫关卡点的设置方法，排查覆盖面越广、关卡点设置越少、排查效率越高，实现关卡点的可视化，能做到及时、有效、真实地进行疫情防控分析，解决疫情期间车辆、行人等一切外来人员的疫情登记、备案等问题，从最终的目的地（居民地）思路出发，秉承“全面排查、不留死角”的原则，确保疫情防控“一个不漏”。
为了解决上述技术问题，本发明采用的技术方案是：该基于农房二三维精细化数据的防疫关卡点的设置方法，具体包括以下步骤：
S1数据源准备：获取一村区域内的成果数据；
S2数据预处理：将成果数据铱次经提取、过滤和删除处理，获得界址点数据、道路数据、居民地数据和行政村界限数据和相对应的四个图层；
S3建立外围边界：在村区域内采用最大外围边界线包围村全部界址点的方式建立相对于该村区域的最大外围边界；
S4缓冲区分析：根据村区域内的农村房屋及道路建设，并通过量测道路与其附近的界址点的距离，设置初始缓冲距离进行道路缓冲区分析，获得初始缓冲区；
S5邻域分析：以初始缓冲区为基础生成初始关卡点，再设置道路过程缓存距离获得过程缓冲区，将过程缓冲区中的点结合道路关卡点获得过程关卡点；再对村区域内的最大的外围边界点进行邻域分析，得到多个最大外围边界位于道路上的顶点，整合所有过程关卡点和顶点，去除过程关卡点和顶点经连线后其中的凹点，从而获得结果关卡点；
S6优化关卡点：将过程关卡点和顶点的连线、结果关卡点与农房三维模型进行叠加，进行结果关卡点的可视化分析和部署；
S7通视分析：对结果关卡点和该村区域的数字地表模型DSM数据进行三维通视分析，通过叠加所有结果关卡点视域的覆盖范围、出入该村区域的各条道路和包括所有界址点的最小外包边界，得到每个结果关卡点的通视范围，从而获得关卡点设置的位置。
采用上述技术方案，利用AutoCAD、ArcMap、EPS2016等软件进行数据预处理、空间分析、效果判断与展示等系列操作，基于农村不动产登记成果数据，创造了最优化的关卡点设置方法，获得农村地区最佳疫情防控关卡点设置地，既能保证村庄防疫范围的全覆盖，对一切进出村庄的外来车辆或人员进行“无死角”的监控，有效阻隔疫情在人员之间的传播，还能提供最优化的关卡点设置位置和人员配备方案，实现最少的管理人员观察最大的防控范围，做到有效隔离与预防，更好地为疫情防控提供精准的信息支撑，排查覆盖面越广、关卡点设置越少、排查效率越高，实现关卡点的可视化，能做到及时、有效、真实地进行疫情防控分析，解决疫情期间车辆、行人等一切外来人员的疫情登记、备案等问题；为后期更好的防控疫情做好准备。
作为本发明的优选技术方案，所述步骤S1中所述成果数据包括界址点、道路、居民地、行政村界线二维数据和三维模型数据。
作为本发明的优选技术方案，所述步骤S3具体为：首先利用村区域内的成果数据中的所有界址点生成不规则三角网TIN，然后描绘不规则三角网TIN数据区，获得不规则三角网TIN边界。
作为本发明的优选技术方案，所述步骤S5具体包括以下步骤：
S51生成初始关卡点：对所述步骤S4中生成的缓冲区外的边界线进行分割，生成多条线段，再将线要素转为点要素，作为初始关卡点；再根据视觉对物体的距离的分辨关系，选择初始关卡点的观测范围，建立初始缓冲区；
S52生成过程关卡点：设置道路过程缓冲区，生成过程关卡点；并将过程关卡点连线生成多边形A；
S53对边界点进行邻域分析：对在多边形A以外的界址点进行处理，得到多边形A的外围界址点的最大外围边界，再对多边形A的外围界址点构成的最大外围边界进行邻域分析，得到最大外围边界位于道路上的顶点，将各个顶点连接构成多边形B；
S54整合过程关卡点和顶点：将步骤S52中获得的过程关点和步骤S53中获得的顶点进行对比分析，删除重复点，获得初始结果关卡点，将所有初始结果关卡点连接构成多边形C；
S55去除凹点：若多边形C中存在凹点，则分析判断凹点左右两侧的凸点与其之间的距离，若两侧凸点与凹点的距离小于或等于400米，则将该凹点去除，若两侧凸点与凹点的距离大于400米，则保留该凹点，循环该步骤直至分析完初始结果关卡点中的所有凹点，获得结果关卡点，将所有结果关卡点连接构成多边形D。
作为本发明的优选技术方案，所述步骤S52具体包括以下步骤：
S521：设置道路A距离的缓冲区，生成道路过程缓冲区多边形；
S522：通过“点在多边形内”算法的判断，将在道路过程缓冲区多边形内的点做出标记，将在道路过程缓冲区多边形外的点进行区别；
S523：通过在道路过程缓冲区内点生成在道路上的道路关卡点，与道路过程缓冲区多边形外的点结合生成过程关卡点，并将过程关卡点连线生成多边形A。
作为本发明的优选技术方案，所述步骤S522中的“点在多边形内”算法具体过程为：
S522-1：将过散点向右作X轴平行射线，与道路过程缓冲区多边形相交，计算与道路过程缓冲区多边形的每条边的交点数；
S522-2：若交点总数为奇数，则判断该过散点在道路过程缓冲区多边形的内部；若交点总数为偶数，则判断在该过散点在道路过程缓冲区多边形的外部，并将在在道路过程缓冲区多边形的内部的每个点做好标记；若过散点在道路过程缓冲区多边形的线上的情况则定义为该过散点在道路过程缓冲区多边形的外部。
作为本发明的优选技术方案，所述步骤S53中对多边形A的外围界址点构成的最大外围边界进行邻域分析的方法为“点在多边形内”算法。
作为本发明的优选技术方案，所述步骤S6具体为：将步骤S5中获得的过程关卡点和顶点的连线构成的多边形B和结果关卡点与农房三维模型进行三者叠加，判断两个结果关卡点之间的距离，若两个结果关卡点之间的距离小于X米且该两个结果关卡点具有共同道路交叉口，则将该两个结果关卡点合并成一个结果关卡点且将位置调整至道路交叉口，循环该操作，直至分析完所有的结果关卡点，从而实现了结果关卡点的可视化分析和部署。
与现有技术相比，本发明具有的有益效果为：
（1）基于农村房地一体不动产精细化数据作为源数据，能做到及时、有效、真实地进行疫情防控分析；
（2）解决疫情期间车辆、行人等一切外来人员的疫情登记、备案等问题，从人们最终的目的地（居民地）思路出发，秉承“全面排查、不留死角”的原则，确保疫情防控“一个不漏”；
（3）该基于农房二三维精细化数据的防疫关卡点的设置方法排查覆盖面越广、关卡点设置越少、排查效率越高，是本发明要解决的主要问题。
附图说明
图1为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的流程图；
图2为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中经步骤S2预处理后的效果示意图；
图3为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S3中界址点外围TIN边界示意图；
图4为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S4村区域的TIN边界缓冲区效果示意图；
图5为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S5的初始关卡点示意图；
图6为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S5的过程关卡点示意图；
图7为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S52的由过程关卡点构成的多边形A的示意图；
图8为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S53的外围界址点最大外围边界的示意图；
图9为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S53的最大外围边界位于道路上的顶点构成的多边形B的示意图；
图10为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S54的由所有过程关卡点和最大外围边界位于道路上的顶点构成的多边形C的示意图；
图11为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S55的去除多边形C中的凹点后形成的多边形D的示意图；
图12为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S6的结果关卡点、多边形D与三维模型叠加显示的全貌效果图；
图13为图12中局部放大的某一结果关卡点可视化视场范围效果图；
图14为图12中步骤S6合并结果卡点的示意图；
图15为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的步骤S7的关卡点的局部通视情况效果图；
图16为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的各个关卡点的通视范围效果图；
图17为本发明的基于农房二三维精细化数据的防疫关卡点的设置方法的应用实施例中的主要道路出入口、界址点边界均落于关卡点的通视范围内的效果图。
具体实施方式
下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
实施例：如图1所示，该基于农房二三维精细化数据的防疫关卡点的设置方法，具体包括以下步骤：
S1数据源准备：获取一村区域内的成果数据；
所述步骤S1中所述成果数据包括界址点、道路、居民地、行政村界线二维数据和三维模型数据；
S2数据预处理：将成果数据依次经提取（在CAD软件的“图层管理器”中关闭除4个保留图层外的其余图层）、过滤（4个保留图层的数据有无悬挂、重叠、连通等点、线、面之间的质量问题，如有，需进行调整）、删除（在CAD软件“快速选择”工具中选择除界址点图层、道路图层、居民地图层、行政村界限图层外的其余图层，将其删除）处理，获得界址点数据、道路数据、居民地数据和行政村界限数据和相对应的四个图层；
S3建立外围边界：在村区域内采用最大外围边界线包围村全部界址点的方式建立相对于该村区域的最大外围边界；具体为：首先利用村区域内的成果数据中的所有界址点生成不规则三角网TIN，然后描绘不规则三角网TIN数据区，获得不规则三角网TIN边界；
S4缓冲区分析：根据村区域内的农村房屋及道路建设，并通过量测道路与其附近的界址点的距离，设置初始缓冲距离进行道路缓冲区分析，获得初始缓冲区；
S5邻域分析：以初始缓冲区为基础生成初始关卡点，再设置道路过程缓存距离获得过程缓冲区，将过程缓冲区中的点结合道路关卡点获得过程关卡点；再对村区域内的最大的外围边界点进行邻域分析，得到多个最大外围边界位于道路上的顶点，整合所有过程关卡点和顶点，去除过程关卡点和顶点经连线后其中的凹点，从而获得结果关卡点；具体包括以下步骤：
S51生成初始关卡点：对所述步骤S4中生成的缓冲区外的边界线进行分割，生成多条线段，再将线要素转为点要素，作为初始关卡点；再根据视觉对物体的距离的分辨关系，选择初始关卡点的观测范围，建立初始缓冲区；
S52生成过程关卡点：设置道路过程缓冲区，生成过程关卡点；并将过程关卡点连线生成多边形A；
所述步骤S52具体包括以下步骤：
S521：设置道路A距离的缓冲区，生成道路过程缓冲区多边形；
S522：通过“点在多边形内”算法的判断，将在道路过程缓冲区多边形内的点做出标记，将在道路过程缓冲区多边形外的点进行区别；
所述步骤S522中的“点在多边形内”算法具体过程为：
S522-1：将过散点向右作X轴平行射线，与道路过程缓冲区多边形相交，计算与道路过程缓冲区多边形的每条边的交点数；
S522-2：若交点总数为奇数，则判断该过散点在道路过程缓冲区多边形的内部；若交点总数为偶数，则判断在该过散点在道路过程缓冲区多边形的外部，并将在在道路过程缓冲区多边形的内部的每个点做好标记；若过散点在道路过程缓冲区多边形的线上的情况则定义为该过散点在道路过程缓冲区多边形的外部；
S523：通过在道路过程缓冲区内点生成在道路上的道路关卡点，与道路过程缓冲区多边形外的点结合生成过程关卡点，并将过程关卡点连线生成多边形A；
S53对边界点进行邻域分析：对在多边形A以外的界址点进行处理，得到多边形A的外围界址点的最大外围边界，再对多边形A的外围界址点构成的最大外围边界进行邻域分析，得到最大外围边界位于道路上的顶点，将各个顶点连接构成多边形B；
所述步骤S53中对多边形A的外围界址点构成的最大外围边界进行邻域分析的方法为“点在多边形内”算法；
S54整合过程关卡点和顶点：将步骤S52中获得的过程关点和步骤S53中获得的顶点进行对比分析，删除重复点，获得初始结果关卡点，将所有初始结果关卡点连接构成多边形C；
S55去除凹点：若多边形C中存在凹点，则分析判断凹点左右两侧的凸点与其之间的距离，若两侧凸点与凹点的距离小于或等于400米，则将该凹点去除，若两侧凸点与凹点的距离大于400米，则保留该凹点，循环该步骤直至分析完初始结果关卡点中的所有凹点，获得结果关卡点，将所有结果关卡点连接构成多边形D。
S6优化关卡点：将过程关卡点和顶点的连线、结果关卡点与农房三维模型进行叠加，进行结果关卡点的可视化分析和部署；具体为：将步骤S5中获得的过程关卡点和顶点的连线构成的多边形B和结果关卡点与农房三维模型进行三者叠加，判断两个结果关卡点之间的距离，若两个结果关卡点之间的距离小于X米且该两个结果关卡点具有共同道路交叉口，则将该两个结果关卡点合并成一个结果关卡点且将位置调整至道路交叉口，循环该操作，直至分析完所有的结果关卡点，从而实现了结果关卡点的可视化分析和部署；
S7通视分析：对结果关卡点和该村区域的数字地表模型DSM数据进行三维通视分析，通过叠加所有结果关卡点视域的覆盖范围、出入该村区域的各条道路和包括所有界址点的最小外包边界，得到每个结果关卡点的通视范围，从而获得关卡点设置的位置。其中，三维通视分析是三维GIS中常用的分析功能，用于判断三维场景中任意两点之间的通视情况；本次发明使用的是通视分析领域中的天际线分析，天际线是指天空和观察点周围的所有地物或要素因视线遮挡，而与观察点之间相分离的界线，天际线分析功能可沿着每个观测点进行360°观察，生成一条或多条线来表示当前场景中观察点与建筑物顶端边缘和天空的分离线。
应用实施例：将该基于农房二三维精细化数据的防疫关卡点的设置方法应用于江苏的省某村落时，具体包括以下步骤：
S1数据源准备：获取一村区域内的成果数据；包括界址点数据、居民地数据、道路数据、行政村界线数据等二维数据（格式为DWG）、三维模型数据（格式为OSGB）等作为源数据进行分析，在村庄边界附近优化设置关卡点，才能阻隔疫情的传播路径，对人员进行有效防控；为了防止外来人员、车辆及内部人员进出村庄，必须要对整个村庄最外围的所有界址点（界址点是宗地或权属界线的转折点，是标定宗地权属界线的重要标志，且界址点是农村房地一体不动产确权登记成果，数据现势性较好；
S2数据预处理：将成果数据铱次经提取、过滤和删除处理，留下界址点数据（JZD）、道路数据（DLSS）、居民地数据（JMD）、行政村界限四个图层，将其他图层和数据删除；将保留的数据导入ArcMap软件新建的地理数据库中，赋予其对应的空间参考，导入ArcMap软件中的源数据如图2所示；
S3建立外围边界：在村区域内采用最大外围边界线包围村全部界址点的方式建立相对于该村区域的最大外围边界，其覆盖面达到100%；具体为：首先利用村区域内的成果数据中的所有界址点生成不规则三角网TIN（即利用散点生成不规则三角网，构成包括所有点位的面），然后描绘不规则三角网TIN数据区，获得不规则三角网TIN边界；该村庄最大外围边界成果如图3所示，图3中点划线即虚点线为村庄TIN边界线；
S4缓冲区分析：根据村区域内的农村房屋及道路建设，并通过量测道路与其附近的界址点的距离，设置初始缓冲距离进行道路缓冲区分析，获得初始缓冲区；由于关卡点不能直接设置在界址点上，而是应该设置在界址点附近的道路上，才能观察最大范围；综合考虑农村房屋及道路建设习惯，并通过量测道路附近的界址点与道路的距离，基本在10-20m的范围内，故将缓冲距离设置为“10m”进行道路初始缓冲区分析，如图4所示；村庄TIN边界线即虚点线外侧的加宽区域则为初始缓冲区；
S5邻域分析：以初始缓冲区为基础生成初始关卡点，再设置道路过程缓存距离获得过程缓冲区，将过程缓冲区中的点结合道路关卡点获得过程关卡点；再对村区域内的最大的外围边界点进行邻域分析，得到多个最大外围边界位于道路上的顶点，整合所有过程关卡点和顶点，去除过程关卡点和顶点经连线后其中的凹点，从而获得结果关卡点；具体包括以下步骤：
S51生成初始关卡点：对所述步骤S4中生成的缓冲区外的边界线进行分割，生成多条线段，再将线要素转为点要素，作为初始关卡点；再根据视觉对物体的距离的分辨关系，选择初始关卡点的观测范围，建立初始缓冲区；人的视力是相对稳定的，随着物体的远近距离不同，视觉也不断地起变化，物体的距离近，视觉清楚；物体的距离远，视觉就模糊；在一般情况下，正常人眼分辨目标清晰度与距离的关系如表1所示，该实施例中选择400m作为最大观测距离；因此对上述步骤S4中生成的初始缓冲区（10m）外边界线进行分割，生成多条等距离（400米）线段，再将线要素转为点要素，作为初始关卡点，再根据表1中的分辨关系，选择200m（能分辨出五官清晰的人脸）作为初始关卡点的观测范围，建立缓冲区，以此保证关卡点对外来人员的精确识别和全覆盖；
表1 不同距离上不同目标的清晰程度
| 距离（米） | 分辨目标清晰度 |
| 100 | 人脸特征、手关节 |
| 150-170 | 衣服的纽扣等细小部分 |
| 200 | 人脸五官清晰 |
| 250-300 | 人脸五官不清，衣服颜色可分 |
| 400 | 人脸不清，头肩可分 |
| 500 | 人头肩不清，男女可分 |
| 700 | 行人迈腿分左右，手肘分不清 |
| 1000 | 人体上下一般粗 |
S52生成过程关卡点：设置道路过程缓冲区，利用Python与ArcGIS生成过程关卡点，并将过程关卡点连线生成多边形A；所述步骤S52具体包括以下步骤：
S521：设置道路50m距离的缓冲区，生成道路过程缓冲区多边形；
S522：其次，通过“点在多边形内”算法的判断，将在道路过程缓冲区多边形内的点做出标记，将在道路过程缓冲区多边形外的点进行区别；
其中“点在多边形内”算法具体过程为：
S522-1：将过散点向右作X轴平行射线，与道路过程缓冲区多边形相交，计算与道路过程缓冲区多边形的每条边的交点数；
S522-2：若交点总数为奇数，则判断该过散点在道路过程缓冲区多边形的内部；若交点总数为偶数，则判断在该过散点在道路过程缓冲区多边形的外部，并将在在道路过程缓冲区多边形的内部的每个点做好标记；若过散点在道路过程缓冲区多边形的线上的情况则定义为该过散点在道路过程缓冲区多边形的外部；算法中有些特殊情况需要注意：（1）如果射线正好穿过多边形顶点，当散点的y坐标小于顶点线段另一点的y坐标，则进行交点计数，否则交点不计数；（2）如果射线正好穿过多边形的水平边，则射线要么与其无交点，要么有无数个，这种情况直接忽略，不计交点数；“自动生成附近道路上的点”工具的操作过程如下：
1）通过ArcToolbox->Analysis Tools->Proximity->Near邻近分析工具生成Near_x，Near_y，如表2所示；
表2 邻近分析生成结果图
2）参照生成的x和y，通过添加XY坐标生成点；
3）通过points to line工具，自动将点连接生成多边形A，如图7所示；
S523：通过ArcGIS软件“自动生成附近道路上的点”工具，在道路过程缓冲区内点生成在道路上的道路关卡点，与道路过程缓冲区多边形外的点结合生成过程关卡点（如图6所示），并将过程关卡点连线生成多边形A（如图7所示）；
S53对边界点进行邻域分析：对在多边形A以外的界址点进行处理，得到多边形A的外围界址点的最大外围边界，再对多边形A的外围界址点构成的最大外围边界进行邻域分析，得到最大外围边界位于道路上的顶点，将各个顶点连接构成多边形B；所述步骤S53中对多边形A的外围界址点构成的最大外围边界进行邻域分析的方法为“点在多边形内”算法；此时除部分离道路较远的过程关卡点仍保持在原位置，其他多边形A上的过程关卡点均位于道路上；但将所有过程关卡点与农房三维模型叠加，过程关卡点的位置并不能实现对所有外围居民地的通视，故还需对在多边形A以外的界址点进行处理，得到多边形A外围界址点的最大外围边界（如图8所示），图8中圆点为最大外围边界点，深色线为最大外围边界；采用“点在多边形内”算法通过对步骤S3中界址点构成的最大外围边界进行邻域分析，得到最大外围边界位于道路上的顶点，各点连接构成多边形B（如图9所示），图9中相对颜色浅的点为多边形B顶点，虚线为多边形B；
S54整合过程关卡点和顶点：将步骤S52中获得的过程关点和步骤S53中获得的顶点进行对比分析，删除重复点，剩下的所有点构成初始结果关卡点，将所有初始结果关卡点连接构成多边形C，如图10所示；
S55去除凹点：从图10中可以看出多边形C中存在凹点，经分析判断凹点左右两侧的凸点与其之间的距离，若两侧凸点与凹点的距离小于或等于400米，则将该凹点去除，以直接连接左右两侧凸点的方式去除凹点后形成新的边长；若两侧凸点与凹点的距离大于400米，则保留该凹点，循环该步骤直至分析完初始结果关卡点中的所有凹点，获得结果关卡点，将所有结果关卡点连接构成多边形D，如图11所示，图11中相对颜色深的连线为多边形D；
S6优化关卡点：将过程关卡点和顶点的连线、结果关卡点与农房三维模型在EPS2016软件中叠加显示，进行结果关卡点的可视化分析和部署，更加直观、清晰、高效地对观察视域进行判断分析；具体为：将步骤S5中获得的过程关卡点和顶点的连线构成的多边形B和结果关卡点与农房三维模型进行三者叠加，判断两个结果关卡点之间的距离，若两个结果关卡点之间的距离小于X米且该两个结果关卡点具有共同道路交叉口，则将该两个结果关卡点合并成一个结果关卡点且将位置调整至道路交叉口，循环该操作，直至分析完所有的结果关卡点，从而实现了结果关卡点的可视化分析和部署；其中图12为结果关卡点、多边形D的全貌；图13为其中一个结果关卡点视域范围，关卡点1和关卡点2因距离太近，附近居民地较少且有共同的道路交叉口，故将关卡点1和14挪动至道路交叉口处，如图14所示；经调整后，所有关卡点最终均布设于道路上、行政村界限附近，400米范围内视线无遮挡；最终设置优化关卡点13个，也是该村在应急防疫时设置的登记点，不需要封路，通过人眼观察、及时登记，就能全覆盖、无死角地掌握全村的人员流动情况，避免了“只阻挡车辆，人员仍在流动”的现象；
S7通视分析：通过ArcScene软件对结果关卡点和该村的数字地表模型DSM数据进行三维通视分析，得到每个关卡点的通视范围；通过叠加所有结果关卡点视域的覆盖范围、出入该村区域的各条道路和包括所有界址点的最小外包边界，得到每个结果关卡点的通视范围，从而获得关卡点设置的位置；图15为EPS中10号关卡点的视域范围、图16为ArcSence软件中所有关卡点视域的覆盖范围，通过叠加所有关卡点视域的覆盖范围、出入村庄的各条道路和包括所有界址点的最小外包边界即图17中的黑色连线，可更加直观的判断出各关卡点的通视范围已全部覆盖界址点（如图17所示），从而证明最终的优化关卡点设置非常合理、有效。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，具体包括以下步骤：
S1数据源准备：获取一村区域内的成果数据；
S2数据预处理：将成果数据铱次经提取、过滤和删除处理，获得界址点数据、道路数据、居民地数据和行政村界限数据和相对应的四个图层；
S3建立外围边界：在村区域内采用最大外围边界线包围村全部界址点的方式建立相对于该村区域的最大外围边界；
S4缓冲区分析：根据村区域内的农村房屋及道路建设，并通过量测道路与其附近的界址点的距离，设置初始缓冲距离进行道路缓冲区分析，获得初始缓冲区；
S5邻域分析：以初始缓冲区为基础生成初始关卡点，再设置道路过程缓存距离获得过程缓冲区，将过程缓冲区中的点结合道路关卡点获得过程关卡点；再对村区域内的最大的外围边界点进行邻域分析，得到多个最大外围边界位于道路上的顶点，整合所有过程关卡点和顶点，去除过程关卡点和顶点经连线后其中的凹点，从而获得结果关卡点；
S6优化关卡点：将过程关卡点和顶点的连线、结果关卡点与农房三维模型进行叠加，进行结果关卡点的可视化分析和部署；
S7通视分析：对结果关卡点和该村区域的数字地表模型DSM数据进行三维通视分析，通过叠加所有结果关卡点视域的覆盖范围、出入该村区域的各条道路和包括所有界址点的最小外包边界，得到每个结果关卡点的通视范围，从而获得关卡点设置的位置。
2.根据权利要求1所述的基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，所述步骤S1中所述成果数据包括界址点、道路、居民地、行政村界线二维数据和三维模型数据。
3.根据权利要求2所述的基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，所述步骤S3具体为：首先利用村区域内的成果数据中的所有界址点生成不规则三角网TIN，然后描绘不规则三角网TIN数据区，获得不规则三角网TIN边界。
4.根据权利要求2所述的基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，所述步骤S5具体包括以下步骤：
S51生成初始关卡点：对所述步骤S4中生成的缓冲区外的边界线进行分割，生成多条线段，再将线要素转为点要素，作为初始关卡点；再根据视觉对物体的距离的分辨关系，选择初始关卡点的观测范围，建立初始缓冲区；
S52生成过程关卡点：设置道路过程缓冲区，生成过程关卡点；并将过程关卡点连线生成多边形A；
S53对边界点进行邻域分析：对在多边形A以外的界址点进行处理，得到多边形A的外围界址点的最大外围边界，再对多边形A的外围界址点构成的最大外围边界进行邻域分析，得到最大外围边界位于道路上的顶点，将各个顶点连接构成多边形B；
S54整合过程关卡点和顶点：将步骤S52中获得的过程关点和步骤S53中获得的顶点进行对比分析，删除重复点，获得初始结果关卡点，将所有初始结果关卡点连接构成多边形C；
S55去除凹点：若多边形C中存在凹点，则分析判断凹点左右两侧的凸点与其之间的距离，若两侧凸点与凹点的距离小于或等于400米，则将该凹点去除，若两侧凸点与凹点的距离大于400米，则保留该凹点，循环该步骤直至分析完初始结果关卡点中的所有凹点，获得结果关卡点，将所有结果关卡点连接构成多边形D。
5.根据权利要求4所述的基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，所述步骤S52具体包括以下步骤：
S521：设置道路A距离的缓冲区，生成道路过程缓冲区多边形；
S522：通过“点在多边形内”算法的判断，将在道路过程缓冲区多边形内的点做出标记，将在道路过程缓冲区多边形外的点进行区别；
S523：通过在道路过程缓冲区内点生成在道路上的道路关卡点，与道路过程缓冲区多边形外的点结合生成过程关卡点，并将过程关卡点连线生成多边形A。
6.根据权利要求5所述的基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，所述步骤S522中的“点在多边形内”算法具体过程为：
S522-1：将过散点向右作X轴平行射线，与道路过程缓冲区多边形相交，计算与道路过程缓冲区多边形的每条边的交点数；
S522-2：若交点总数为奇数，则判断该过散点在道路过程缓冲区多边形的内部；若交点总数为偶数，则判断在该过散点在道路过程缓冲区多边形的外部，并将在在道路过程缓冲区多边形的内部的每个点做好标记；若过散点在道路过程缓冲区多边形的线上的情况则定义为该过散点在道路过程缓冲区多边形的外部。
7.根据权利要求6所述的基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，所述步骤S53中对多边形A的外围界址点构成的最大外围边界进行邻域分析的方法为“点在多边形内”算法。
8.根据权利要求7所述的基于农房二三维精细化数据的防疫关卡点的设置方法，其特征在于，所述步骤S6具体为：将步骤S5中获得的过程关卡点和顶点的连线构成的多边形B和结果关卡点与农房三维模型进行三者叠加，判断两个结果关卡点之间的距离，若两个结果关卡点之间的距离小于X米且该两个结果关卡点具有共同道路交叉口，则将该两个结果关卡点合并成一个结果关卡点且将位置调整至道路交叉口，循环该操作，直至分析完所有的结果关卡点，从而实现了结果关卡点的可视化分析和部署。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416470.6A CN112988942B (zh) | 2021-04-19 | 2021-04-19 | 一种基于农房二三维精细化数据的防疫关卡点的设置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416470.6A CN112988942B (zh) | 2021-04-19 | 2021-04-19 | 一种基于农房二三维精细化数据的防疫关卡点的设置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112988942A true CN112988942A (zh) | 2021-06-18 |
| CN112988942B CN112988942B (zh) | 2021-08-17 |
Family
ID=76341032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110416470.6A Active CN112988942B (zh) | 2021-04-19 | 2021-04-19 | 一种基于农房二三维精细化数据的防疫关卡点的设置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112988942B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100106420A1 (en) * | 2008-03-31 | 2010-04-29 | The Boeing Company | System and method for forming optimized perimeter surveillance |
| US20110153136A1 (en) * | 2009-12-17 | 2011-06-23 | Noel Wayne Anderson | System and method for area coverage using sector decomposition |
| CN104715507A (zh) * | 2015-04-09 | 2015-06-17 | 武汉大学 | 一种基于曲面片的三维地理实体自动构建方法 |
| CN105354883A (zh) * | 2015-11-25 | 2016-02-24 | 武汉大学 | 基于点云的3ds Max快速精细三维建模方法及系统 |
| CN106528740A (zh) * | 2016-11-04 | 2017-03-22 | 中科宇图科技股份有限公司 | 基于Delaunay三角网的道路中心线提取方法 |
| CN106897445A (zh) * | 2017-03-01 | 2017-06-27 | 武汉科技大学 | 一种基于ArcGIS的改进边界划定操作的新型方法 |
| CN107144265A (zh) * | 2017-04-21 | 2017-09-08 | 深圳市数字城市工程研究中心 | 一种基于投影图解的三维产权体空间界址点的测量方法 |
| CN110555999A (zh) * | 2019-09-19 | 2019-12-10 | 华高数字科技有限公司 | 一种基于缓冲区的通过道路关卡的车辆辅助检测方法 |
| KR20200082568A (ko) * | 2018-12-31 | 2020-07-08 | 주식회사 진흥테크 | 드론의 비행경로 생성 및 시설안전관리를 위한 자동화 설계 시스템 |
| CN111882164A (zh) * | 2020-06-30 | 2020-11-03 | 河海大学 | 基于物联网架构的村组防疫一体化平台 |
-
2021
- 2021-04-19 CN CN202110416470.6A patent/CN112988942B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100106420A1 (en) * | 2008-03-31 | 2010-04-29 | The Boeing Company | System and method for forming optimized perimeter surveillance |
| US20110153136A1 (en) * | 2009-12-17 | 2011-06-23 | Noel Wayne Anderson | System and method for area coverage using sector decomposition |
| CN104715507A (zh) * | 2015-04-09 | 2015-06-17 | 武汉大学 | 一种基于曲面片的三维地理实体自动构建方法 |
| CN105354883A (zh) * | 2015-11-25 | 2016-02-24 | 武汉大学 | 基于点云的3ds Max快速精细三维建模方法及系统 |
| CN106528740A (zh) * | 2016-11-04 | 2017-03-22 | 中科宇图科技股份有限公司 | 基于Delaunay三角网的道路中心线提取方法 |
| CN106897445A (zh) * | 2017-03-01 | 2017-06-27 | 武汉科技大学 | 一种基于ArcGIS的改进边界划定操作的新型方法 |
| CN107144265A (zh) * | 2017-04-21 | 2017-09-08 | 深圳市数字城市工程研究中心 | 一种基于投影图解的三维产权体空间界址点的测量方法 |
| KR20200082568A (ko) * | 2018-12-31 | 2020-07-08 | 주식회사 진흥테크 | 드론의 비행경로 생성 및 시설안전관리를 위한 자동화 설계 시스템 |
| CN110555999A (zh) * | 2019-09-19 | 2019-12-10 | 华高数字科技有限公司 | 一种基于缓冲区的通过道路关卡的车辆辅助检测方法 |
| CN111882164A (zh) * | 2020-06-30 | 2020-11-03 | 河海大学 | 基于物联网架构的村组防疫一体化平台 |
Non-Patent Citations (3)
| Title |
|---|
| 刘腾飞等: "基于倾斜摄影的建筑物三维实景数字档案管理系统", 《测绘地理信息》 * |
| 张加敏: "基于LIDAR技术的农村地籍测量与快速成图研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 汪彬: "面向城市精细化规划管理的三维地理信息系统构建及应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112988942B (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aubrecht et al. | Integrating earth observation and GIScience for high resolution spatial and functional modeling of urban land use | |
| Wieland et al. | Estimating building inventory for rapid seismic vulnerability assessment: Towards an integrated approach based on multi-source imaging | |
| Yu et al. | Automated derivation of urban building density information using airborne LiDAR data and object-based method | |
| Shan et al. | Research on 3D urban landscape design and evaluation based on geographic information system | |
| Chen et al. | Detection of building changes from aerial images and light detection and ranging (LIDAR) data | |
| Liu et al. | Pattern identification and analysis for the traditional village using low altitude UAV-borne remote sensing: Multifeatured geospatial data to support rural landscape investigation, documentation and management | |
| Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
| Cao et al. | Multi-level monitoring of three-dimensional building changes for megacities: Trajectory, morphology, and landscape | |
| Zhao et al. | Combining ICESat-2 photons and Google Earth Satellite images for building height extraction | |
| Zhu et al. | Land cover classification using airborne LiDAR products in Beauport, Québec, Canada | |
| CN116468869A (zh) | 一种基于遥感卫星影像的实景三维建模方法、设备及介质 | |
| Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
| Warth et al. | DSM-based identification of changes in highly dynamic urban agglomerations | |
| CN107944089A (zh) | 一种基于现状视廊的地块限高分析系统及其分析方法 | |
| Olivatto et al. | Urban mapping and impacts assessment in a Brazilian irregular settlement using UAV-based imaging | |
| CN116994156B (zh) | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 | |
| CN112988942B (zh) | 一种基于农房二三维精细化数据的防疫关卡点的设置方法 | |
| Shirowzhan et al. | Developing metrics for quantifying buildings’ 3D compactness and visualizing point cloud data on a web-based app and dashboard | |
| KR101077588B1 (ko) | 라이다를 이용한 공항 장애물 관리 시스템 | |
| Aubrecht et al. | Population exposure and impact assessment: benefits of modeling urban land use in very high spatial and thematic detail | |
| CN114894163A (zh) | 面向多无人机协同摄影测量的地质灾害隐患探测方法 | |
| Krapf et al. | Deep learning for semantic 3D city model extension: Modeling roof superstructures using aerial images for solar potential analysis | |
| Zhang et al. | Automated visibility field evaluation of traffic sign based on 3D lidar point clouds | |
| Zarro et al. | Semi-automatic classification of building from low-density Lidar data and worldview-2 images through OBIA technique | |
| da Rocha¹ et al. | Studies of volumetric relation between vegetation and buildings using LIDAR data and NDVI to propose urban parameters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee after: Speed Technology Co.,Ltd. Address before: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd. |