CN117272191B - 一种城市地下空间智能测绘方法及系统 - Google Patents
一种城市地下空间智能测绘方法及系统 Download PDFInfo
- Publication number
- CN117272191B CN117272191B CN202311549395.6A CN202311549395A CN117272191B CN 117272191 B CN117272191 B CN 117272191B CN 202311549395 A CN202311549395 A CN 202311549395A CN 117272191 B CN117272191 B CN 117272191B
- Authority
- CN
- China
- Prior art keywords
- data
- underground
- underground space
- space
- module
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000013507 mapping Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012800 visualization Methods 0.000 claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 230000010354 integration Effects 0.000 claims abstract description 12
- 230000007797 corrosion Effects 0.000 claims description 32
- 238000005260 corrosion Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 28
- 230000032683 aging Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000013439 planning Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 238000003909 pattern recognition Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000007794 visualization technique Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000000872 buffer Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 235000019994 cava Nutrition 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Graphics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种城市地下空间智能测绘方法及系统,涉及空间测绘技术领域,识别分割模块基于模式识别对多源数据进行识别,从而识别和分割地下结构,GIS集成模块将地下结构的空间信息与地理信息系统整合,三维可视化模块通过三维可视化技术,将地下结构以直观的方式呈现给用户,这有助于城市规划者、工程师等更好地理解地下空间的复杂性,决策支持模块对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,提供决策支持功能。该测绘系统在对地下空间进行地下结构识别分割时,有效将地下空间进行可视化展示,便于用户查看,且基于地下空间的多源数据分析地下空间的,为决策者提供决策支持功能,便于地下空间的管理和风险管控。
Description
技术领域
本发明涉及空间测绘技术领域,具体涉及一种城市地下空间智能测绘方法及系统。
背景技术
随着城市化进程的不断加速,城市地下空间的利用日益复杂,地下交通、排水系统、管道网络等复杂的基础设施在城市中广泛存在,了解这些地下结构对于城市规划和管理至关重要,促使了城市地下空间智能测绘系统的研发;
城市地下空间智能测绘系统是一种应用先进技术和方法,通过对城市地下空间进行智能化、高效率的测绘,以获取地下空间的相关信息和数据,这样的系统通常结合了遥感技术、地球物理勘探、地下探测技术等多种技术手段,旨在更全面、准确地了解城市地下结构,为城市规划、管理和建设提供重要数据支持。
现有技术存在以下不足:
由于地下空间结构具有复杂性和多样性,现有测绘系统仅依据用户需求对地下空间的某一结构进行具体测绘,对于其它地下结构无测绘或模糊测绘,然而,在实际应用中,地下空间的各个结构之间具有关联性,仅对指定结构进行具体测绘,导致测绘信息不全面,容易出现决策失误,且测绘系统在测绘过程中,对地下空间无安全分析处理,从而无法有效为决策者提供决策支持。
发明内容
本发明的目的是提供一种城市地下空间智能测绘方法及系统,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种城市地下空间智能测绘系统,包括采集模块、预处理模块、识别分割模块、空间数据库模块、GIS集成模块、三维可视化模块以及决策支持模块:
采集模块:用于获取与地下空间相关的多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据;
预处理模块:对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换;
识别分割模块:基于模式识别对多源数据进行识别,从而识别和分割地下结构,地下结构包括地下管线、地下水道、地质构造;
空间数据库模块:用于将采集到的地下结构信息存储空间数据库中,并对地下结构数据进行管理和维护;
GIS集成模块:将地下结构的空间信息与地理信息系统整合,在地图上显示、查询和分析地下空间数据;
三维可视化模块:通过三维可视化技术,将地下结构向用户展示;
决策支持模块:对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,提供决策支持功能。
优选的,所述决策支持模块收集地下空间相关的各种数据,各种数据包括管线、地质信息、建筑物,对地下结构进行分析,分析包括管线的材质、年限、维护记录,地质特征,识别导致潜在风险因素,风险因素包括管线老化、腐蚀、地质不稳定、周边环境变化,通过识别的风险因素,建立风险模型,基于风险模型获取不同风险因素的方差值后,综合计算所有风险因素的方差值判断地下空间是否存在着风险。
优选的,所述决策支持模块建立风险模型包括以下步骤:
获取管线老化、腐蚀、地质不稳定、周边环境变化的概率密度函数:
管线老化事件A的概率密度函数为:;式中,/>表示管线老化发生的时间,/>表示管线老化事件发生的平均速率;
腐蚀事件B的概率密度函数为:;式中,/>表示腐蚀发生的时间,/>表示腐蚀事件发生的平均速率;
地质不稳定性事件C的概率密度函数为:;式中,/>表示地质不稳定性的随机变量,/>是地质不稳定性的均值,/>是地质不稳定性的标准差;
周边环境变化D的概率密度函数为:;式中,/>表示周边环境变化的随机变量,/>是均匀分布的上下限;
基于贝叶斯定理更新事件的概率,联合概率密度函数表示为:;式中,/>分别是管线老化和腐蚀发生的平均速率,/>分别是地质不稳定性和周边环境变化的随机变量;
使用蒙特卡洛模拟来近似联合概率密度函数,通过从概率分布中生成大量的随机样本,然后统计样本的频率来估计概率密度函数获取风险模型。
优选的,所述决策支持模块使用蒙特卡洛统计样本的频率来估计概率密度函数包括以下步骤:
从四种风险因素概率密度函数中抽取大量的随机样本,得到、/>、/>、/>;
将所有样本绘制在二维坐标上,得到一个点集;
使用核密度估计方法估计点集的概率密度分布,估计联合概率密度函数获取风险模型,风险模型表示为:。
优选的,所述决策支持模块基于风险模型获取不同风险因素的方差值包括以下步骤:
管线老化方差的计算表达式为:;式中,/>表示管线老化随机变量,/>表示管线老化期望值,且/>,/>表示管线老化随机变量/>的具体取值,/>表示管线老化事件A的概率密度函数;
腐蚀方差的计算表达式为:;式中,/>表示腐蚀随机变量,/>表示腐蚀期望值,且/>,/>表示腐蚀随机变量的具体取值,/>表示腐蚀事件B的概率密度函数;
地质不稳定性方差的计算表达式为:;式中,/>表示地质不稳定性随机变量,/>表示地质不稳定性期望值,且,/>表示地质不稳定性随机变量/>的具体取值,表示地质不稳定性事件C的概率密度函数;
周边环境变化方差的计算表达式为:;式中,/>表示周边环境变化随机变量,/>表示周边环境变化期望值,且,/>表示周边环境变化随机变量/>的具体取值,表示周边环境变化事件D的概率密度函数。
优选的,所述决策支持模块综合计算所有风险因素的方差值判断地下空间是否存在着风险包括以下步骤:
将各个潜在风险的影响综合起来获取影响系数,表达式为:;式中,/>,/>表示第k个风险因素的方差,/>为第k个风险因素方差的比例系数,且/>大于0;
影响系数越大,表明地下空间发生风险的几率越大,获取影响系数/>后,将影响系数/>与预设的风险阈值进行对比,若影响系数/>>风险阈值,分析地下空间存在安全风险,若影响系数/>≤风险阈值,分析地下空间不存在安全风险,当分析地下空间存在安全风险,决策支持模块向决策者发出警示信号。
优选的,所述识别分割模块对各个数据源进行特征提取,使用决策树模型将不同的地下结构分配到不同的类别中,在模式识别阶段对决策树模型进行训练,使决策树模型识别各种地下结构,训练数据包括已知类别的地下结构以及地下结构对应的特征,将训练好的决策树模型应用于未知数据,进行分类和标记,决策树模型根据数据的特征自动识别地下结构,并为其分配相应的标签。
优选的,所述预处理模块对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换;
数据去噪:使用滤波器对每个数据源识别并消除噪声或异常值;
配准:从不同数据源中提取特征点,对提取的特征进行匹配,找到相应的特征点,建立不同数据源之间的关联,根据匹配的特征点,估计数据源之间的几何变换,将估计的几何变换应用于其中一个数据源,使估计的几何变换与另一个数据源对齐;
坐标转换:对不同数据源的坐标进行转换,将不同数据源转换为共同的坐标系统。
优选的,所述采集模块在开始数据采集之前,明确测绘的目标和任务,目标和任务包括确定测绘区域、采集分辨率、时间频率,选择合卫星并规划卫星轨道、采集时间,卫星遥感数据提供地表的覆盖情况、建筑物分布信息,激光雷达通过发射激光束并测量激光束返回时间来获取地表和地形信息,地下雷达用于探测地下结构,地下结构包括管线、地下洞穴,地球物理勘探技术包括地磁法,用于深入地下获取地质信息。
本发明还提供一种城市地下空间智能测绘方法,所述测绘方法包括以下步骤:
S1:采集端获取与地下空间相关的多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据;
S2:处理端对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换;
S3:基于模式识别对多源数据进行识别,从而识别和分割地下结构;
S4:将地下结构的空间信息与地理信息系统整合,在地图上显示、查询和分析地下空间数据;
S5:通过三维可视化技术,将地下结构呈现给用户;
S6:对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,提供决策支持功能;
S7:在多源数据传输过程中,对多源数据进行安全管理,针对变化快的地下结构,进行实时监测和更新数据。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过采集模块获取与地下空间相关的多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据,识别分割模块基于模式识别对多源数据进行识别,从而识别和分割地下结构,GIS集成模块将地下结构的空间信息与地理信息系统整合,以便于在地图上显示、查询和分析地下空间数据,三维可视化模块通过三维可视化技术,将地下结构以直观的方式呈现给用户,这有助于城市规划者、工程师等更好地理解地下空间的复杂性,决策支持模块对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,提供决策支持功能,帮助决策者进行城市规划、基础设施管理和风险评估等方面的决策。该测绘系统在对地下空间进行地下结构识别分割时,有效将地下空间进行可视化展示,便于用户查看,且基于地下空间的多源数据分析地下空间的,为决策者提供决策支持功能,便于地下空间的管理和风险管控。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
图2为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:请参阅图1所示,本实施例所述一种城市地下空间智能测绘系统,包括采集模块、预处理模块、识别分割模块、空间数据库模块、GIS集成模块、三维可视化模块以及决策支持模块:
采集模块:这个模块负责获取多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据等,不同的数据源可以提供不同层次和类型的地下结构信息,多源数据发送至预处理模块;
预处理模块:对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换等,这有助于提高数据质量,确保后续分析的准确性,预处理后的多源数据发送至识别分割模块以及决策支持模块;
识别分割模块:这个模块基于模式识别对多源数据进行识别,从而识别和分割地下结构,例如地下管线、地下水道、地质构造等,地下结构信息发送至空间数据库模块、GIS集成模块以及三维可视化模块;
空间数据库模块:采集到的地下结构信息需要存储在一个空间数据库中,以便后续的查询和分析,这个模块负责管理和维护这些数据;
GIS集成模块:将地下结构的空间信息与地理信息系统整合,以便于在地图上显示、查询和分析地下空间数据;
三维可视化模块:通过三维可视化技术,将地下结构以直观的方式呈现给用户,这有助于城市规划者、工程师等更好地理解地下空间的复杂性;
决策支持模块:对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,系统可能提供决策支持功能,帮助决策者进行城市规划、基础设施管理和风险评估等方面的决策;
安全模块:负责确保数据的安全性和隐私性,尤其是在城市地下空间涉及关键基础设施时,保障数据不受恶意攻击和未授权访问;
更新模块:针对一些变化较快的地下结构,系统可能需要实时监测和更新数据,以保持信息的时效性。
本申请通过采集模块获取与地下空间相关的多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据,识别分割模块基于模式识别对多源数据进行识别,从而识别和分割地下结构,GIS集成模块将地下结构的空间信息与地理信息系统整合,以便于在地图上显示、查询和分析地下空间数据,三维可视化模块通过三维可视化技术,将地下结构以直观的方式呈现给用户,这有助于城市规划者、工程师等更好地理解地下空间的复杂性,决策支持模块对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,提供决策支持功能,帮助决策者进行城市规划、基础设施管理和风险评估等方面的决策。该测绘系统在对地下空间进行地下结构识别分割时,有效将地下空间进行可视化展示,便于用户查看,且基于地下空间的多源数据分析地下空间的,为决策者提供决策支持功能,便于地下空间的管理和风险管控。
实施例2:A、采集模块负责获取多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据等,不同的数据源可以提供不同层次和类型的地下结构信息,具体为:
在开始数据采集之前,需要明确测绘的目标和任务,这包括确定测绘区域、采集分辨率、时间频率等参数,卫星遥感是其中之一的数据源,选择合适的卫星,规划卫星轨道、采集时间等,卫星遥感数据可以提供地表的覆盖情况、建筑物分布等信息,激光雷达通过发射激光束并测量其返回时间来获取地表和地形信息,需要安排激光雷达的飞行或固定安装,以获取高密度的地形和建筑物数据,地下雷达可以用于探测地下结构,如管线、地下洞穴等,地下雷达设备可能需要在地面或特定深度下进行移动或安装,以获取地下结构的信息,地球物理勘探技术包括地磁法等,可用于深入地下获取地质信息,这些方法可能需要在地表布设传感器或探测仪器,以测量地下物质的物理性质;
A1、卫星遥感是其中之一的数据源,选择合适的卫星,规划卫星轨道、采集时间等,卫星遥感数据可以提供地表的覆盖情况、建筑物分布等信息,包括以下步骤:
在选择卫星之前,需要明确测绘的需求,确定需要获取的地下空间信息类型,例如地表覆盖、建筑物分布、植被状况等,根据需求,选择合适的卫星,不同卫星具有不同的分辨率、波段配置和重访周期,高分辨率卫星通常能提供更详细的信息,但成本可能较高,卫星轨道的选择取决于测绘区域的位置和特性,极地轨道和赤道轨道是两种常见的轨道类型,极地轨道适用于全球覆盖,而赤道轨道对于特定地区的高频率观测可能更合适,根据测绘需求,规划卫星的重访周期,重访周期短的卫星可以提供更频繁的观测,有助于捕捉地下空间的动态变化,考虑所选卫星的光学或雷达传感器的分辨率,分辨率越高,获取的地表信息越详细,但数据量也相应增加,考虑卫星观测区域的云覆盖率,选择云覆盖率较低的卫星和时间段,以确保获取的遥感图像质量较高,制定具体的任务规划,包括卫星的启动和关闭时间、观测区域的路径等,确保任务规划与测绘需求相符,根据任务规划,实施数据获取,这可能涉及与卫星运营商的协调,确保数据按照规定的要求被传输到地面站,对从卫星获取的原始数据进行预处理,包括校正、大气校正等步骤,以提高数据的准确性和质量。
A2、激光雷达通过发射激光束并测量其返回时间来获取地表和地形信息,需要安排激光雷达的飞行或固定安装,以获取高密度的地形和建筑物数据,地下雷达可以用于探测地下结构,如管线、地下洞穴等,地下雷达设备可能需要在地面或特定深度下进行移动或安装,以获取地下结构的信息;
A21、激光雷达数据采集步骤:
确定激光雷达的任务范围和目标。这可能包括特定区域的地形测绘或建筑物结构的详细扫描,准备激光雷达设备,包括调整激光的发射频率和功率,设置激光束的角度等。确保设备处于良好状态,如果激光雷达设备安装在航空平台上,规划飞行计划,包括起飞、航线、高度等参数。确保激光雷达在飞行过程中能够覆盖整个测绘区域,如果激光雷达设备固定安装在地面,确定设备的位置和角度,以确保获取到全面的地表或建筑物数据,启动激光雷达设备,进行扫描。激光束被发射并测量其返回时间,通过处理这些数据,可以获取地表和建筑物的三维信息,在数据采集过程中,可能需要实时监测数据质量,调整设备参数,以确保获得高质量的地表和建筑物数据,对采集到的原始激光雷达数据进行后处理,包括去噪、配准、点云生成等步骤,以得到高密度的地形和建筑物数据。
A22、地下雷达数据采集步骤:
确定地下雷达的任务范围,包括需要探测的地下结构类型和深度范围,准备地下雷达设备,包括调整频率、功率等参数,确保设备适应于探测目标,根据任务需求,安排地下雷达设备在地面上移动或者在特定深度下固定安装,这取决于探测的地下结构类型和深度,启动地下雷达设备,进行扫描,地下雷达通过发送无线信号并测量其反射来探测地下结构,如管线、地下洞穴等,在数据采集过程中,监测设备性能,调整参数以适应地下结构的特性,确保数据采集的有效性和准确性,对采集到的地下雷达数据进行处理,可能包括信号处理、滤波、成像等步骤,以获取清晰的地下结构信息。
A3、地球物理勘探技术包括地磁法,可用于深入地下获取地质信息,这些方法可能需要在地表布设传感器或探测仪器,以测量地下物质的物理性质,包括以下步骤:
定义勘探的目标和范围,确定需要获取的地下地质信息类型,例如岩石类型、矿产分布等,根据任务规划,选择合适的勘探区域,考虑地质特征、地貌、水文地质条件等因素,准备地磁传感器和其他必要的仪器,确保传感器的灵敏度和分辨率足够以捕捉所需的地下信息,在地表布设地磁传感器网,通常以一定的间隔进行布设,传感器的布设形式可能根据具体需求而异,可以是固定在地面上的点式传感器或者移动传感器组成的阵列,在勘探区域进行基准测量,获取环境磁场的基准数据,以便后续的数据处理,启动地磁传感器,进行地磁测量,传感器测量地下物质对地磁场的影响,记录相应的磁场数据,在数据采集过程中进行实时监测和控制,确保获得高质量的地磁数据,这可能包括检查传感器的状态、环境条件的变化等,对采集到的地磁数据进行处理,包括去除环境噪音、校正基准、进行滤波等,以得到可解释的地质信息,将处理后的数据进行成像,生成地下结构的图像或剖面,这有助于解释地质特征,识别潜在的矿产、地层变化等。
采集到的不同数据源可能存在差异,需要进行数据校正和配准,确保它们在同一坐标系统下,并且可以无缝地集成在一起,将采集到的原始数据转换成系统能够处理的标准格式,以便后续的分析和存储,对采集到的数据进行质量控制,包括检查数据完整性、准确性和一致性,确保采集到的信息符合测绘的需求;
采集到的不同数据源可能存在差异,需要进行数据校正和配准,确保它们在同一坐标系统下,并且可以无缝地集成在一起,具体为:
选择一基准坐标系统,以确保所有数据都可以参照同一坐标系。通常,地理坐标系统(如经纬度)或投影坐标系统(如UTM)是常用的基准,获取高精度的地理参考数据,例如地面控制点、地理坐标、高程数据等,这些数据将用作进行校正和配准的基准,使用卫星遥感数据,进行大气校正以消除大气影响,确保反射光谱数据的准确性,对激光雷达数据进行去噪处理,以消除可能的噪音干扰。然后,通过与其他数据源(例如卫星影像或地面控制点)进行配准,确保激光雷达点云与地理坐标系统一致,对地下雷达数据进行配准,将其与其他数据源或地理坐标系统对齐。这可能涉及到地面标记或已知地下结构的位置信息,对地球物理勘探数据进行标定,以确保测量结果与地理坐标一致。这可能需要使用地表控制点或GPS数据进行标定。
如果涉及多幅图像,进行图像匹配,以确定它们之间的关系。这对于卫星遥感图像或激光雷达数据的拼接非常重要,对需要集成的数据进行分辨率和投影的调整,以确保它们在同一坐标系统下具有相似的特征;
B、预处理模块对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换等,这有助于提高数据质量,确保后续分析的准确性;
预处理模块对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换包括以下步骤:
B1、数据去噪:针对每个数据源,识别并消除可能的噪声或异常值,这可以包括使用滤波器、平滑算法或其他信号处理技术来降低数据中的随机干扰;
B2、配准(Registration):对不同数据源之间进行配准,确保它们在同一坐标系统下对齐,这可能包括以下子步骤:
B21、特征提取:从不同数据源中提取特征点或特征描述子,以用于配准;
B22、匹配:对提取的特征进行匹配,找到相应的特征点,以建立不同数据源之间的关联;
B23、变换模型:根据匹配的特征点,估计数据源之间的几何变换模型,如仿射变换或透视变换;
B24、变换应用:将估计的变换应用于其中一个数据源,使其与另一个数据源对齐;
B3、坐标转换:对不同数据源的坐标进行转换,将它们转换为一个共同的坐标系统,这可能涉及到平移、旋转、缩放等变换,以确保数据在空间中的一致性;
B4、分辨率匹配:对于不同分辨率的数据源,进行分辨率匹配,使它们具有相似的空间分辨率,这可以通过差值或下采样等技术实现;
B5、空间统一:将数据源的空间表示进行统一,确保它们在相同的坐标系中表示,以便进行后续的分析和集成;
B6、影像校正:对于影像数据,进行几何校正,纠正由于地表形状引起的变形,以确保准确的地理定位。
C、识别分割模块基于模式识别对多源数据进行识别,从而识别和分割地下结构,例如地下管线、地下水道、地质构造等,具体为:
C1、对各个数据源进行特征提取,选择与地下结构有关的特征,例如形状、纹理、颜色、高度、反射率等,使用分类算法模型,将不同的地下结构分配到不同的类别中,在模式识别阶段,需要对分类算法模型进行训练,以使其能够正确识别各种地下结构,训练数据通常包括已知类别的地下结构,以及其对应的特征,将训练好的分类算法模型应用于未知数据,进行分类和标记,分类算法模型会根据数据的特征自动识别地下结构,并为其分配相应的标签;
C11、分类算法模型为决策树模型,决策树模型将不同的地下结构分配到不同的类别中包括以下步骤:
收集多源数据,从每个数据源中提取与地下结构有关的特征,如形状、纹理、颜色、高度、反射率等,为训练数据集标注每个地下结构的类别标签,定义树结构,包括节点的分裂条件、分裂规则等,对于分类问题,CART决策树使用Gini指数来选择最佳分裂,使用标注好的训练数据集,训练CART决策树模型,在训练过程中,CART算法会尝试通过选择最佳的分裂条件,使得每个子节点的样本更加纯净,使用独立的测试数据集评估CART决策树模型的性能,检查其在未见过的数据上的分类准确性,评估指标包括准确率、召回率、F1分数等,根据评估结果,调整CART决策树模型的参数,以提高其性能,可以调整树的深度、分裂节点的最小样本数等参数,使用训练好的CART决策树模型对未知的多源数据进行分类,将地下结构分为不同类别;
C111、CART决策树使用Gini指数来选择最佳分裂,使用标注好的训练数据集,训练CART决策树模型,在训练过程中,CART算法会尝试通过选择最佳的分裂条件,使得每个子节点的样本更加纯净,包括以下步骤:
从树的根节点开始,递归地选择最佳的分裂条件,使得每个子节点的Gini指数最小化,Gini指数的计算方式是对每个可能的类别计算其概率的平方和,然后从1中减去这个和,得到Gini指数,通过不断迭代选择最佳的分裂,构建出一棵深度合适的决策树。
C2、根据识别结果,对地下结构进行分割,生成它们的轮廓,这有助于更详细地了解地下结构的形状和边界,进行后处理步骤,包括去除噪声、连接断裂的地下结构部分、填充空缺等,以提高识别的准确性和完整性;
C21、根据识别结果,对地下结构进行分割,生成它们的轮廓包括以下步骤:
将识别结果转换为二值图像,其中地下结构的区域被置为前景,而其他部分为背景,通过Canny边缘检测算法提取二值图像中的轮廓信息,使用滤波器对提取的轮廓进行平滑处理,以消除可能的噪声或不规则性,通过轮廓间的距离度量和合并算法将相邻的轮廓连接起来,形成完整的结构轮廓,通过在原始图像上绘制轮廓线条或者用不同颜色标记轮廓区域绘制在原始图像上,以可视化地下结构的边界,通过在一个全黑图像上填充轮廓内部将轮廓信息转换为一个单独的图像,其中轮廓区域为前景,其他区域为背景。
D、空间数据库模块将采集到的地下结构信息存储在空间数据库中,以便后续的查询和分析,这个模块负责管理和维护这些数据;
D1、将从各个数据源采集到的地下结构信息导入数据库,这可能涉及到数据格式的转换、坐标系的转换等,进行数据质量检查,确保导入的地下结构信息完整、准确且符合数据库设计的要求,包括对缺失数据、重复数据和异常数据的检测和处理,为地下结构信息创建空间索引,空间索引包括R树、Quadtree等,以加速后续的空间查询,定期更新数据库中的地下结构信息,以反映最新的数据采集结果,同时,进行数据库的维护工作,例如删除过时的数据、优化索引等,
E、GIS集成模块将地下结构的空间信息与地理信息系统整合,以便于在地图上显示、查询和分析地下空间数据;
E1、将地下结构的空间信息与地理信息系统的标准数据格式进行匹配,确保数据能够被GIS系统正确解析和处理,进行坐标转换,以确保地下结构的坐标系统与GIS系统的坐标系统一致,这确保在地图上正确地显示地下结构,将地下结构的空间信息导入GIS系统中,确保导入的数据与GIS系统的数据表结构和属性字段相匹配,设立同步机制,使得当地下结构信息更新时,GIS系统中的数据也能相应地更新;
E2、选择符号和标注方式,以便在地图上清晰地表示地下结构,符号化可以根据地下结构的类型、重要性等进行定制,将地下结构的图层整合到GIS系统的图层管理中,这使得用户能够方便地切换、显示或隐藏地下结构的图层,配置GIS系统以支持空间查询,例如范围查询、缓冲区分析等,这使得用户能够通过GIS界面进行对地下结构的地理空间查询,提供符号图例,以解释在地图上使用的符号的含义,同时,提供图标说明,说明地图上的图标代表的地下结构类别或属性,在GIS系统中提供地下结构图层的控制面板,使用户可以灵活地控制图层的显示、透明度等属性,允许用户通过交互式方式在地图上选择区域、查询地下结构信息,并将结果可视化,集成空间分析工具,以支持用户在GIS系统中进行地下结构的空间分析,空间分析工具包括叠置分析、空间缓冲分析等。
F、三维可视化模块通过三维可视化技术,将地下结构以直观的方式呈现给用户,这有助于城市规划者、工程师等更好地理解地下空间的复杂性;
F1、将采集到的地下结构数据进行三维建模,包括地下管线、地下水道等,使用地理信息系统(GIS)数据或激光雷达等三维数据源进行建模,为建模的地下结构添加合适的纹理,以提高可视化的真实感,纹理可以来自地下结构的实际图像,也可以根据地下结构的属性进行生成,设置三维场景的环境,包括光照、阴影、视角等参数,以确保地下结构以清晰的方式显示,并提供用户友好的交互性,集成用户交互式控制功能,使用户能够自由旋转、缩放和平移三维场景,以便更全面地查看地下结构,添加动画效果,使用户能够观察地下结构的变化,比如管线的流动、地下水道水流的模拟等,这有助于更好地理解地下空间的动态特性,提供透明度调节和切片功能,使用户能够查看地下结构的内部构造,透明度调节可以帮助用户同时看到地下和地上的信息,提供用户友好的导航工具,以便用户能够轻松地导航和定位到感兴趣的地下结构区域。
G、决策支持模块对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,系统可能提供决策支持功能,帮助决策者进行城市规划、基础设施管理和风险评估等方面的决策;
G1、利用地下空间数据进行空间关联分析,了解不同地下结构之间的关系,分析管线之间的冲突;
G11、对每一条管线创建空间缓冲区,缓冲区的大小和形状可以根据具体需求而定,这些缓冲区将用于表示管线的潜在影响范围,对所有的缓冲区进行叠加分析,以识别存在重叠或相交的区域,这些区域可能表示管线之间的潜在冲突,根据叠加分析的结果,标识出存在冲突的缓冲区区域,这些区域可能是相邻管线的潜在冲突区域,对标识出的冲突区域进行进一步分析,了解冲突的性质,例如,确定冲突是否是因为管线重叠、相交、相邻等原因,根据冲突的性质和位置,生成相应的解决策略,这可能包括调整管线路径、修改管线深度、重新规划建筑物等;
G2、用地下空间数据进行风险评估,识别潜在的风险和安全隐患;
G21、收集地下空间相关的各种数据,包括管线、地质信息、建筑物等,确保数据来源多样化且质量良好,对地下结构进行详细的分析,包括管线的材质、年限、维护记录,地质特征等,这有助于了解地下结构的状态和特性,识别可能导致潜在风险的因素,如管线老化、腐蚀、地质不稳定、周边环境变化等,对不同的风险因素进行分类,基于识别的风险因素,建立风险模型,基于风险模型获取不同风险因素的方差值后,综合计算所有风险因素的方差值判断地下空间是否存在着风险;
G211、对不同的风险因素进行分类,基于识别的风险因素,建立风险模型包括以下步骤:
G2111、对于每个风险因素,建立概率分布,使用指数分布建立老化和腐蚀的概率分布,正态分布建立地质不稳定的概率分布,均匀分布建立周边环境变化的概率分布:
管线老化事件A的概率密度函数为:;式中,/>表示管线老化发生的时间,/>是指数分布的一个参数,称为速率参数,它表示管线老化事件发生的平均速率;
腐蚀事件B的概率密度函数为:;式中,/>表示腐蚀发生的时间,/>是指数分布的一个参数,称为速率参数,它表示腐蚀事件发生的平均速率;
地质不稳定性事件C的概率密度函数为:;式中,/>表示地质不稳定性的随机变量,/>是地质不稳定性的均值,表示分布的中心位置,/>是地质不稳定性的标准差,表示分布的变化程度;
周边环境变化D的概率密度函数为:;式中,/>表示周边环境变化的随机变量,/>是均匀分布的上下限,表示变量可能取值的范围;
G2112、基于贝叶斯定理更新事件的概率,联合概率密度函数可以表示为:;式中,/>分别是管线老化和腐蚀发生的平均速率,/>分别是地质不稳定性和周边环境变化的随机变量;
G2113、使用蒙特卡洛模拟来近似联合概率密度函数,通过从概率分布中生成大量的随机样本,然后统计样本的频率来估计概率密度函数,包括以下步骤:
从四种风险因素概率密度函数中抽取大量的随机样本,得到、/>、/>、/>;
将所有样本绘制在二维坐标上,得到一个点集;
使用核密度估计等方法,估计点集的概率密度分布,估计的联合概率密度函数,表示为:。
G3、基于风险模型获取不同风险因素的方差值后,综合计算所有风险因素的方差值判断地下空间是否存在着风险包括以下步骤:
G31、管线老化方差的计算表达式为:;式中,/>表示管线老化随机变量,/>表示管线老化期望值,且/>,/>表示管线老化随机变量/>的具体取值,/>表示管线老化事件A的概率密度函数;
G32、腐蚀方差的计算表达式为:;式中,/>表示腐蚀随机变量,/>表示腐蚀期望值,且/>,/>表示腐蚀随机变量/>的具体取值,/>表示腐蚀事件B的概率密度函数;
G33、地质不稳定性方差的计算表达式为:;式中,/>表示地质不稳定性随机变量,/>表示地质不稳定性期望值,且,/>表示地质不稳定性随机变量/>的具体取值,表示地质不稳定性事件C的概率密度函数;
G34、周边环境变化方差的计算表达式为:;式中,/>表示周边环境变化随机变量,/>表示周边环境变化期望值,且,/>表示周边环境变化随机变量/>的具体取值,表示周边环境变化事件D的概率密度函数;
G35、将各个潜在风险的影响综合起来获取影响系数,考虑它们对基础设施、环境和公共安全的整体影响,表达式为:/>;式中,/>,表示第k个风险因素的方差,/>为第k个风险因素方差的比例系数,且/>大于0;
G36、影响系数越大,表明地下空间发生风险的几率越大,获取影响系数/>后,将影响系数/>与预设的风险阈值进行对比,若影响系数/>>风险阈值,分析地下空间存在安全风险,若影响系数/>≤风险阈值,分析地下空间不存在安全风险,当分析地下空间存在安全风险,向决策者发出警示信号,有决策者进行相应管理。
实施例3:请参阅图2所示,本实施例所述一种城市地下空间智能测绘方法,所述测绘方法包括以下步骤:
采集端获取与地下空间相关的多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据等,不同的数据源可以提供不同层次和类型的地下结构信息,处理端对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换等,这有助于提高数据质量,确保后续分析的准确性,基于模式识别对多源数据进行识别,从而识别和分割地下结构,例如地下管线、地下水道、地质构造等,采集到的地下结构信息需要存储在一个空间数据库中,以便后续的查询和分析,将地下结构的空间信息与地理信息系统整合,以便于在地图上显示、查询和分析地下空间数据,通过三维可视化技术,将地下结构以直观的方式呈现给用户,这有助于城市规划者、工程师等更好地理解地下空间的复杂性,对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,系统可能提供决策支持功能,帮助决策者进行城市规划、基础设施管理和风险评估等方面的决策,在多源数据传输过程中,确保数据的安全性和隐私性,尤其是在城市地下空间涉及关键基础设施时,保障数据不受恶意攻击和未授权访问,针对一些变化较快的地下结构,测绘系统可能需要实时监测和更新数据,以保持信息的时效性。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种城市地下空间智能测绘系统,其特征在于:包括采集模块、预处理模块、识别分割模块、空间数据库模块、GIS集成模块、三维可视化模块以及决策支持模块:
采集模块:用于获取与地下空间相关的多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据;
预处理模块:对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换;
识别分割模块:基于模式识别对多源数据进行识别,从而识别和分割地下结构,地下结构包括地下管线、地下水道、地质构造;
空间数据库模块:用于将采集到的地下结构信息存储空间数据库中,并对地下结构数据进行管理和维护;
GIS集成模块:将地下结构的空间信息与地理信息系统整合,在地图上显示、查询和分析地下空间数据;
三维可视化模块:通过三维可视化技术,将地下结构向用户展示;
决策支持模块:对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,提供决策支持功能;
所述决策支持模块建立风险模型包括以下步骤:
获取管线老化、腐蚀、地质不稳定、周边环境变化的概率密度函数:管线老化事件A的概率密度函数为:;式中,/>表示管线老化发生的时间,/>表示管线老化事件发生的平均速率;腐蚀事件B的概率密度函数为:;式中,/>表示腐蚀发生的时间,/>表示腐蚀事件发生的平均速率;
地质不稳定性事件C的概率密度函数为:;式中,表示地质不稳定性的随机变量,/>是地质不稳定性的均值,/>是地质不稳定性的标准差;
周边环境变化D的概率密度函数为:;式中,表示周边环境变化的随机变量,/>是均匀分布的上下限;
基于贝叶斯定理更新事件的概率,联合概率密度函数表示为:;式中,/>分别是管线老化和腐蚀发生的平均速率,/>分别是地质不稳定性和周边环境变化的随机变量;
使用蒙特卡洛模拟来近似联合概率密度函数,通过从概率分布中生成大量的随机样本,然后统计样本的频率来估计概率密度函数获取风险模型。
2.根据权利要求1所述的一种城市地下空间智能测绘系统,其特征在于:所述决策支持模块收集地下空间相关的各种数据,各种数据包括管线、地质信息、建筑物,对地下结构进行分析,分析包括管线的材质、年限、维护记录,地质特征,识别导致潜在风险因素,风险因素包括管线老化、腐蚀、地质不稳定、周边环境变化,通过识别的风险因素,建立风险模型,基于风险模型获取不同风险因素的方差值后,综合计算所有风险因素的方差值判断地下空间是否存在着风险。
3.根据权利要求2所述的一种城市地下空间智能测绘系统,其特征在于:所述决策支持模块使用蒙特卡洛统计样本的频率来估计概率密度函数包括以下步骤:
从四种风险因素概率密度函数中抽取大量的随机样本,得到;
将所有样本绘制在二维坐标上,得到一个点集;
使用核密度估计方法估计点集的概率密度分布,估计联合概率密度函数获取风险模型,风险模型表示为:。
4.根据权利要求3所述的一种城市地下空间智能测绘系统,其特征在于:所述决策支持模块基于风险模型获取不同风险因素的方差值包括以下步骤:
管线老化方差的计算表达式为:;式中,/>表示管线老化随机变量,/>表示管线老化期望值,且/>,/>表示管线老化随机变量/>的具体取值,/>表示管线老化事件A的概率密度函数;
腐蚀方差的计算表达式为:;式中,/>表示腐蚀随机变量,表示腐蚀期望值,且/>,/>表示腐蚀随机变量/>的具体取值,/>表示腐蚀事件B的概率密度函数;
地质不稳定性方差的计算表达式为:;式中,/>表示地质不稳定性随机变量,/>表示地质不稳定性期望值,且/>,表示地质不稳定性随机变量/>的具体取值,/>表示地质不稳定性事件C的概率密度函数;
周边环境变化方差的计算表达式为:;式中,/>表示周边环境变化随机变量,/>表示周边环境变化期望值,且/>,表示周边环境变化随机变量/>的具体取值,/>表示周边环境变化事件D的概率密度函数。
5.根据权利要求4所述的一种城市地下空间智能测绘系统,其特征在于:所述决策支持模块综合计算所有风险因素的方差值判断地下空间是否存在着风险包括以下步骤:
将各个潜在风险的影响综合起来获取影响系数,表达式为:/>;式中,/>,/>表示第k个风险因素的方差,/>为第k个风险因素方差的比例系数,且/>大于0;
影响系数越大,表明地下空间发生风险的几率越大,获取影响系数/>后,将影响系数/>与预设的风险阈值进行对比,若影响系数/>>风险阈值,分析地下空间存在安全风险,若影响系数/>≤风险阈值,分析地下空间不存在安全风险,当分析地下空间存在安全风险,决策支持模块向决策者发出警示信号。
6.根据权利要求5所述的一种城市地下空间智能测绘系统,其特征在于:所述识别分割模块对各个数据源进行特征提取,使用决策树模型将不同的地下结构分配到不同的类别中,在模式识别阶段对决策树模型进行训练,使决策树模型识别各种地下结构,训练数据包括已知类别的地下结构以及地下结构对应的特征,将训练好的决策树模型应用于未知数据,进行分类和标记,决策树模型根据数据的特征自动识别地下结构,并为其分配相应的标签。
7.根据权利要求6所述的一种城市地下空间智能测绘系统,其特征在于:所述预处理模块对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换;
数据去噪:使用滤波器对每个数据源识别并消除噪声或异常值;
配准:从不同数据源中提取特征点,对提取的特征进行匹配,找到相应的特征点,建立不同数据源之间的关联,根据匹配的特征点,估计数据源之间的几何变换,将估计的几何变换应用于其中一个数据源,使估计的几何变换与另一个数据源对齐;
坐标转换:对不同数据源的坐标进行转换,将不同数据源转换为共同的坐标系统。
8.根据权利要求7所述的一种城市地下空间智能测绘系统,其特征在于:所述采集模块在开始数据采集之前,明确测绘的目标和任务,目标和任务包括确定测绘区域、采集分辨率、时间频率,选择合卫星并规划卫星轨道、采集时间,卫星遥感数据提供地表的覆盖情况、建筑物分布信息,激光雷达通过发射激光束并测量激光束返回时间来获取地表和地形信息,地下雷达用于探测地下结构,地下结构包括管线、地下洞穴,地球物理勘探技术包括地磁法,用于深入地下获取地质信息。
9.一种城市地下空间智能测绘方法,通过权利要求1-8任一项所述的测绘系统实现,其特征在于:所述测绘方法包括以下步骤:
S1:采集端获取与地下空间相关的多源数据,多源数据包括卫星遥感数据、激光雷达数据、地下雷达数据、地球物理勘探数据;
S2:处理端对采集到的多源数据进行预处理,预处理包括数据去噪、配准、坐标转换;
S3:基于模式识别对多源数据进行识别,从而识别和分割地下结构;
S4:将地下结构的空间信息与地理信息系统整合,在地图上显示、查询和分析地下空间数据;
S5:通过三维可视化技术,将地下结构呈现给用户;
S6:对地下空间多源数据进行分析,基于地下空间多源数据的分析结果,提供决策支持功能;
S7:在多源数据传输过程中,对多源数据进行安全管理,针对变化快的地下结构,进行实时监测和更新数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549395.6A CN117272191B (zh) | 2023-11-21 | 2023-11-21 | 一种城市地下空间智能测绘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549395.6A CN117272191B (zh) | 2023-11-21 | 2023-11-21 | 一种城市地下空间智能测绘方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272191A CN117272191A (zh) | 2023-12-22 |
CN117272191B true CN117272191B (zh) | 2024-02-23 |
Family
ID=89209051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311549395.6A Active CN117272191B (zh) | 2023-11-21 | 2023-11-21 | 一种城市地下空间智能测绘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272191B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668273B (zh) * | 2024-02-01 | 2024-04-19 | 山东省国土测绘院 | 一种测绘成果管理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609986A (zh) * | 2012-03-14 | 2012-07-25 | 中国矿业大学(北京) | 数字矿山中矿体建模系统及其建模和检测方法 |
CN113744402A (zh) * | 2021-09-10 | 2021-12-03 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 城市四维地质环境可视化系统及城市四维地质环境可视化方法 |
CN113989431A (zh) * | 2021-10-22 | 2022-01-28 | 康彩琴 | 一种地下水资源三维可视化动态监测结构模型的构建方法 |
CN116432270A (zh) * | 2023-01-04 | 2023-07-14 | 南宁市勘测设计院集团有限公司 | 基于地质大数据的城市地下空间开发建设平台 |
CN116486025A (zh) * | 2023-04-13 | 2023-07-25 | 济南市勘察测绘研究院 | 一种基于大数据云计算技术的城市地质数据处理平台 |
CN116663762A (zh) * | 2023-08-02 | 2023-08-29 | 山东省物化探勘查院 | 一种城市规划地下空间勘察测绘方法及系统 |
CN116777223A (zh) * | 2023-07-31 | 2023-09-19 | 正元地理信息集团股份有限公司 | 一种城市地下管网安全综合风险评估方法及系统 |
CN116993928A (zh) * | 2023-09-27 | 2023-11-03 | 山东省国土测绘院 | 一种基于无人机遥感技术的城市工程测绘方法及系统 |
CN116991916A (zh) * | 2023-08-09 | 2023-11-03 | 广东纬昊科技有限公司 | 基于多源数据分析的智慧城市区域化管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11693140B2 (en) * | 2020-04-09 | 2023-07-04 | Saudi Arabian Oil Company | Identifying hydrocarbon reserves of a subterranean region using a reservoir earth model that models characteristics of the region |
-
2023
- 2023-11-21 CN CN202311549395.6A patent/CN117272191B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609986A (zh) * | 2012-03-14 | 2012-07-25 | 中国矿业大学(北京) | 数字矿山中矿体建模系统及其建模和检测方法 |
CN113744402A (zh) * | 2021-09-10 | 2021-12-03 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 城市四维地质环境可视化系统及城市四维地质环境可视化方法 |
CN113989431A (zh) * | 2021-10-22 | 2022-01-28 | 康彩琴 | 一种地下水资源三维可视化动态监测结构模型的构建方法 |
CN116432270A (zh) * | 2023-01-04 | 2023-07-14 | 南宁市勘测设计院集团有限公司 | 基于地质大数据的城市地下空间开发建设平台 |
CN116486025A (zh) * | 2023-04-13 | 2023-07-25 | 济南市勘察测绘研究院 | 一种基于大数据云计算技术的城市地质数据处理平台 |
CN116777223A (zh) * | 2023-07-31 | 2023-09-19 | 正元地理信息集团股份有限公司 | 一种城市地下管网安全综合风险评估方法及系统 |
CN116663762A (zh) * | 2023-08-02 | 2023-08-29 | 山东省物化探勘查院 | 一种城市规划地下空间勘察测绘方法及系统 |
CN116991916A (zh) * | 2023-08-09 | 2023-11-03 | 广东纬昊科技有限公司 | 基于多源数据分析的智慧城市区域化管理方法及系统 |
CN116993928A (zh) * | 2023-09-27 | 2023-11-03 | 山东省国土测绘院 | 一种基于无人机遥感技术的城市工程测绘方法及系统 |
Non-Patent Citations (3)
Title |
---|
The use of GPR technologies for utility mapping in underground distribution grid conversion - Brazil use case;Beatriz Batista Cardoso 等;《ICECCE》;1-4 * |
数字化制图技术在地质测量中应用;邱恺毅 等;《科技传播》;133-134 * |
盾构隧道可视化风险预警试验系统设计;肖丽 等;《武汉大学学报(工学版)》;第49卷(第5期);745-749 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272191A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wieland et al. | Estimating building inventory for rapid seismic vulnerability assessment: Towards an integrated approach based on multi-source imaging | |
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
Stal et al. | Airborne photogrammetry and lidar for DSM extraction and 3D change detection over an urban area–a comparative study | |
KR100884100B1 (ko) | 항공 레이저 측량을 이용한 수목 캐노피 추출 시스템 및 방법 | |
Ioannidis et al. | Towards a strategy for control of suburban informal buildings through automatic change detection | |
EP1709396B1 (en) | System,computer program and method for 3d object measurement, modeling and mapping from single imagery | |
Bornaetxea et al. | Effective surveyed area and its role in statistical landslide susceptibility assessments | |
Vosselman et al. | The utilisation of airborne laser scanning for mapping | |
Champion et al. | 2D building change detection from high resolution satelliteimagery: A two-step hierarchical method based on 3D invariant primitives | |
Habib et al. | Error budget of LiDAR systems and quality control of the derived data | |
CN117272191B (zh) | 一种城市地下空间智能测绘方法及系统 | |
Ozturk et al. | A low-cost approach for determination of discontinuity orientation using smartphone images and application to a part of Ihlara Valley (Central Turkey) | |
Sun et al. | Building displacement measurement and analysis based on UAV images | |
Song et al. | Development of comprehensive accuracy assessment indexes for building footprint extraction | |
CN116778329A (zh) | 城市道路地下浅层病害检测方法、装置、设备及介质 | |
Strząbała et al. | Determining changes in building tilts based on UAV photogrammetry | |
Zhao et al. | Combining ICESat-2 photons and Google Earth Satellite images for building height extraction | |
Cömert et al. | Object based building extraction and building period estimation from unmanned aerial vehicle data | |
Sefercik et al. | Point-based and model-based geolocation analysis of airborne laser scanning data | |
Gonçalves et al. | Planar projection of mobile laser scanning data in tunnels | |
Chen et al. | 3D road surface reconstruction based on point clouds data assimilation algorithm | |
CN117611978B (zh) | 一种土地资源测绘数据库的构建方法及系统 | |
Albanwan et al. | Remote Sensing-Based 3D Assessment of Landslides: A Review of the Data, Methods, and Applications | |
CN117848302B (zh) | 一种实时地形智能测绘方法及系统 | |
Hussain et al. | Classifying buildings automatically: a methodology |
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 |