روش تجسم سه بعدی و بهینه سازی صحنه های فاجعه زمین لغزش با هدایت دانش

کسب سریع اطلاعات حجم سپرده و مدل سازی پویا، و همچنین تجسم صحنه های فاجعه، اهمیت زیادی برای به اشتراک گذاری اطلاعات زمین لغزش و مدیریت امداد و نجات اضطراری دارد. با این حال، روش‌های موجود دارای کاستی‌هایی مانند چرخه جمع‌آوری حجم سپرده طولانی و پرهزینه، فقدان دانش و راهنمایی، عملیات پیچیده برای بیان مدل‌سازی صحنه، و راندمان رندر صحنه پایین هستند. بنابراین، این مقاله بر مطالعه یک روش تجسم و بهینه‌سازی سه بعدی برای صحنه‌های فاجعه زمین لغزش با هدایت دانش متمرکز است و فناوری‌های کلیدی مانند کسب سریع اطلاعات حجم سپرده زمین لغزش بر اساس بازسازی سه‌بعدی، هدایت دانش را مورد بحث قرار می‌دهد. تجسم مدلسازی پویا صحنه های فاجعه، و بهینه سازی صحنه با توجه به اهمیت بصری. سیستم های نمونه اولیه توسعه یافته و در یک آزمایش موردی و تجزیه و تحلیل استفاده می شوند. نتایج تجربی نشان می دهد که روش پیشنهادی می تواند به سرعت حجم سپرده را بدست آورد و نتایج معادل نرم افزار ContextCapture، Metashape و Pix4Dmapper است. این روش تجسم دینامیکی کل فرآیند فاجعه را تحقق می‌بخشد، اطلاعات غنی را ارائه می‌کند، به خوانایی بالا دست می‌یابد و کارایی رندر صحنه را با میانگین نرخ فریم رندر پایدار بیش از 80 فریم در ثانیه بهبود می‌بخشد. نرم افزار Metashape و Pix4Dmapper. این روش تجسم دینامیکی کل فرآیند فاجعه را تحقق می‌بخشد، اطلاعات غنی را ارائه می‌کند، به خوانایی بالا دست می‌یابد و کارایی رندر صحنه را با میانگین نرخ فریم رندر پایدار بیش از 80 فریم در ثانیه بهبود می‌بخشد. نرم افزار Metashape و Pix4Dmapper. این روش تجسم دینامیکی کل فرآیند فاجعه را تحقق می‌بخشد، اطلاعات غنی را ارائه می‌کند، به خوانایی بالا دست می‌یابد و کارایی رندر صحنه را با میانگین نرخ فریم رندر پایدار بیش از 80 فریم در ثانیه بهبود می‌بخشد.

کلید واژه ها:

فاجعه رانش زمین ; دانش هدایت شده ؛ تجسم سه بعدی ؛ بهینه سازی صحنه محیط جغرافیایی مجازی

1. مقدمه

بلایای زمین لغزش به طور گسترده توزیع شده، ناگهانی، مخرب هستند و به راحتی می توانند باعث بلایای ثانویه شوند که ممکن است منجر به تلفات جدی و خسارات اقتصادی شود [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ]. بر اساس گزارش مرکز تحقیقات اپیدمیولوژی بلایای طبیعی (CRED) و راهبردهای سازمان ملل متحد برای کاهش بلایا (UNISDR)، از سال 1998 تا 2017، تعداد افراد متاثر از رانش زمین در سراسر جهان به 480 میلیون نفر رسید که در نتیجه آن 18414 نفر جان خود را از دست دادند. [ 10 ]. در سال 2014، مجله علوممقاله ای در رابطه با بلایای طبیعی منتشر کرد. اشاره کرد که ساخت یک محیط فاجعه جغرافیایی مجازی می‌تواند برای شبیه‌سازی، نمایش و تحلیل فرآیندهای مکانی-زمانی ارزشمند باشد. علاوه بر این، پیش‌بینی روند بهبود می‌یابد، تصمیم‌گیری پشتیبانی می‌شود، بیان صحنه‌های زمین لغزش بهینه می‌شود، و دانش در مورد زمین لغزش‌ها به اشتراک گذاشته می‌شود [ 11 ]. چارچوب سندای برای کاهش خطر بلایا 2015-2030 تأکید واضحی بر تحقیق و توسعه فناوری‌های جدید برای توسعه محصولات و خدمات جدیدی دارد که به کاهش خطر بلایا کمک می‌کنند [ 12 ]. بنابراین، تحقیق در مورد مشکلات علمی بلایای زمین لغزش برای دفع اضطراری علمی از اهمیت بالایی برخوردار است.

در هنگام رانش زمین، به دلیل فوریت واکنش اضطراری، باید سریعاً اطلاعات بلایا از قبیل حجم رسوب به دست آورد و صحنه های سه بعدی را به سرعت ساخت تا مرجعی برای امداد و نجات و مدیریت ارائه شود. با توسعه فناوری نظارت یکپارچه فضا-هوا-زمین، روش‌های جمع‌آوری حجم رسوب زمین لغزش به طور فزاینده‌ای متنوع می‌شوند، از جمله بررسی میدانی [ 13 ، 14 ]، مقایسه مدل رقومی ارتفاعی چندزمانی (DEM) [ 15 ، 16 ، 17 ]، تداخل سنجی فضابردی. وارونگی رادار دیافراگم مصنوعی [ 18 ، 19 ]، روابط تجربی قدرت-قانون [20 ، 21 ، 22 ] و بازسازی سه بعدی (3D) [ 23 ، 24 ، 25 ]. با این حال، این روش ها دارای کاستی هایی هستند، مانند پیچیدگی پردازش داده ها، به موقع بودن ضعیف، کسب اطلاعات نادرست قبل از فاجعه، و تفاوت های بزرگ بین DEM قبل و بعد از زمین لغزش. توسعه یک روش کارآمد و راحت برای به دست آوردن اطلاعات بلایای زمین لغزش ضروری است.

باید یک صحنه مجازی برای بیان کل روند فاجعه زمین لغزش ساخته شود. به این ترتیب، کاربران می توانند جزئیاتی در مورد محیط اطراف، روند و روند زمین لغزش به دست آورند. مطالعات زیادی در این زمینه انجام شده است. به عنوان مثال، داده های چند منبع را می توان برای ساخت یک صحنه فاجعه سه بعدی ترکیب کرد، فرآیند مکانی-زمانی بر اساس جریان ذرات شبیه سازی می شود، دود و غبار برای بهینه سازی اثر مجازی اضافه می شوند، و اطلاعات مختلف فاجعه مورد استفاده در مدل سازی با درون یابی پردازش می شود. [ 26 , 27 , 28 , 29 , 30 , 31]. با این حال، اکثر مطالعات بر شبیه سازی فرآیند لغزش و ارائه اطلاعات پس از فاجعه تمرکز می کنند و اطلاعات قبل از فاجعه را نادیده می گیرند. زمین لغزش ها توسط زمین لرزه، شرایط زمین شناسی، بارندگی شدید و عوامل دیگر ایجاد می شوند. بنابراین، اطلاعات پیش از فاجعه نیز بخش کلیدی بیان صحنه فاجعه است و نمی توان آنها را نادیده گرفت [ 32 ، 33 ، 34 ]. علاوه بر این، تغییر پویا در فرآیند فاجعه پیچیده است، تفاوت‌ها در محتوای تجسم صحنه زیاد است، کمبود دانش بیان مدل‌سازی و راهنمایی وجود دارد، و عملیات بیان مدل‌سازی صحنه پیچیده است. تحکیم و گسترش محتوای تجسمی دشوار است.

برای انجام دفع اضطراری و مدیریت یک صحنه فاجعه، علاوه بر درک جامع از فاجعه زمین لغزش، به دست آوردن اطلاعات دقیق فاجعه زمین لغزش نیز ضروری است که مستلزم تجسم و کارایی رندر بالاتری از صحنه فاجعه زمین لغزش است. تحقیقات موجود عمدتاً بر بهینه‌سازی صحنه از طریق ساده‌سازی مدل [ 35 ]، زمان‌بندی دینامیک LOD [ 36 ، 37 ]، برش دید [ 38 ، 39 ]، دید تونل [ 40 ] تمرکز دارد.] و غیره با این حال اکثر این روش ها شبیه سازی انیمیشن مستقیم هستند. در این میان، ویژگی های کاربران و ویژگی های تجسم صحنه های فاجعه به طور کامل در نظر گرفته نشده است. در نتیجه، کارایی رندر صحنه فاجعه پایین است، که پاسخگویی به نیازهای کسانی را که به بلایای زمین لغزش پاسخ می دهند و به اشتراک گذاری اطلاعات فاجعه نیاز دارند، دشوار می کند. بنابراین برای بهبود راندمان رندر صحنه های زمین لغزش، بهینه سازی ضروری است.

برای پرداختن به مشکلات فوق، این مقاله یک روش تجسم و بهینه‌سازی سه بعدی را برای صحنه‌های فاجعه زمین لغزش با هدایت دانش پیشنهاد می‌کند. ما بر روی فن‌آوری‌های کلیدی مانند کسب سریع اطلاعات حجم رسوب زمین لغزش بر اساس بازسازی سه بعدی، تجسم دینامیکی هدایت‌شده دانش صحنه‌های زمین لغزش، و بهینه‌سازی صحنه که برجستگی بصری را در نظر می‌گیرد، تمرکز می‌کنیم. در نهایت، یک سیستم نمونه توسعه داده می‌شود و اثربخشی و امکان‌سنجی روش از طریق آزمایش موردی و تجزیه و تحلیل تأیید می‌شود.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 فن آوری ها و روش های کلیدی این تحقیق را معرفی می کند، از جمله اکتساب حجم سپرده سریع، مدل سازی و تجسم صحنه پویا، و بهینه سازی صحنه. بخش 3 از یک مثال برای توصیف توسعه یک سیستم نمونه اولیه و تجزیه و تحلیل تجربی مربوطه استفاده می کند. بخش 4 نتیجه گیری های این مطالعه را ارائه می دهد و بحث مختصری از کار آینده ارائه می دهد.

2. روش شناسی

2.1. چارچوب کلی

ایده تحقیق کلی این مقاله که شامل کسب اطلاعات حجم رسوبات بلایا، تجسم پویا صحنه های زمین لغزش و بهینه سازی صحنه های زمین لغزش است، در شکل 1 نشان داده شده است.. ابتدا، از طریق بازسازی سه بعدی تصاویر و درون یابی سطح زیرین نهشته با در نظر گرفتن شیب تند، از DEM قبل و بعد از فاجعه برای انجام محاسبه تفاوت استفاده می شود تا به سرعت اطلاعات حجمی سپرده زمین لغزش به دست آید. دوم، اشیاء صحنه از محیط فاجعه باردار، عوامل محرک، فرآیند فاجعه و اطلاعات فاجعه زمین لغزش استخراج و مدل‌سازی می‌شوند. سپس، قوانین محدودیت معنایی چند سطحی ساخته می‌شوند. سپس، الگوی دانش مدل‌سازی صحنه لغزش ایجاد می‌شود، و اشیاء صحنه برای تحقق مدل‌سازی صحنه لغزش با هدایت دانش و بیان پویا نمونه‌سازی می‌شوند. در نهایت با توجه به ویژگی های بصری چشم انسان و اصل برجستگی بینایی، منطقه مورد نظر (ROI) در صحنه محاسبه می شود. در همین حال، الگوریتم تاری گاوسی و الگوریتم بالاگذر برای تحقق بهینه سازی گام به گام صحنه فاجعه زمین لغزش استفاده می شود.

2.2. دریافت سریع حجم سپرده بر اساس بازسازی سه بعدی

ابتدا با توجه به تصاویر کانسار زمین لغزش به دست آمده، نقاط ویژگی کانسار زمین لغزش به سرعت استخراج و مطابقت داده می شود. تحت محدودیت‌های مرزی نهشته لغزش، نقاط ویژگی منطبق غربال می‌شوند و نقاط ویژگی در محدوده نهشته حفظ می‌شوند. ترکیب با نقاط ویژگی تصویر، پارامترهای دوربین (شامل فاصله کانونی دوربین f و فواصل کانونی f _x و f _y دوربین در جهت محور X و Y) محاسبه می‌شوند و نقاط ویژگی تصویر دوبعدی با استفاده از فرمول های (1) – (3) به نقاط ویژگی سه بعدی تبدیل می شوند.

{ایکسج=(پ.ایکس-تو0)×f/fایکسyج=(پ.y-v0)×f/fyzج=f

(1)

آرم=آرoتی(Y،θ)×آرoتی(ایکس،θ)×آرoتی(ز،θ)

(2)

[ایکسجyجzج]تیآرم=[ایکسدبلیو”Yدبلیو”زدبلیو”]تی

(3)

جایی که ( پ.ایکس، پ.y) مختصات پیکسل نقاط ویژگی هستند، ( تو0، v0) مختصات نقطه مرکز تصویر هستند و ( ایکسج، yج، zج) مختصات نقاط مشخصه در سیستم مختصات دوربین هستند. فرمول (2) ماتریس چرخشی است که با چرخش دوربین حول محور مختصات مربوطه با زاویه مشخصی ایجاد می شود. ( ایکسدبلیو”، Yدبلیو”، زدبلیو”) مختصات سه بعدی نقطه مشخصه P هستند که تحت یک ماتریس چرخش دوربین معین محاسبه می شوند. در نهایت، بر اساس اصل دید دوچشمی، با مرکز نوری دوربین های چپ و راست به عنوان مبدا مختصات، دو خط مستقیم ساخته شده و دو معادله خط مستقیم با هم ترکیب می شوند. مختصات دنیای واقعی پ(ایکسدبلیو،Yدبلیو،زدبلیو)مربوط به نقاط مشخصه را می توان با روش حداقل مربع محاسبه کرد و بازسازی پراکنده نهشته زمین لغزش سه بعدی را می توان صحنه تحقق بخشید.

بازسازی سه بعدی فقط می تواند سطح نهشته لغزش را بازسازی کند. زمانی که سطح زیرین آن پوشیده شده باشد، بدست آوردن دقیق توپوگرافی قبل از فاجعه دشوار است. بر اساس وزن فاصله معکوس، یک درون یابی برای سطح پایین با در نظر گرفتن تندترین گرادیان پیشنهاد شده است که Z را کنترل می کند.نرخ سهم ارزش در جهت تندترین افت شیب. رسوب زمین لغزش DEM سطح پایین توسط فرمول (4) درون یابی شده است. تفاوت بین DEM بازسازی شده پس از فاجعه و درونیابی شده سطح پایین محاسبه می شود و یک شبکه مثلثی منظم ساخته می شود. از ایده انتگرال برای محاسبه حجم شبکه مثلثی استفاده می شود و حجم رسوب زمین لغزش را می توان به سرعت به دست آورد.

ز^=Σمن=1ن1Dمنپ+α(90درجه-θ)90درجهزمن/Σمن=1ن1Dمنپ+α(90درجه-θ)90درجه θ∈[0،90]

(4)

جایی که ز^ارتفاع نقطه ای است که باید درون یابی شود، و N تعداد نقاط شناخته شده در همسایگی است که باید درون یابی شود (به طور کلی عدد 12 است). θزاویه بین خطی است که نقطه درون یابی را به هم وصل می کند و نقطه شناخته شده در شیب دارترین جهت. هرچه زاویه θ کوچکتر باشد ، وزن فاصله بیشتر است و سهم کمتری در نقطه ای که باید درون یابی شود، خواهد بود. p وزن فاصله نقطه i است ، و α نرخ مشارکت مقدار Z در جهت شیب‌دارترین گرادیان است، جایی که p = 15 و α = 0.8 [ 41 ].

2.3. تجسم دینامیک با هدایت دانش صحنه فاجعه زمین لغزش

تجسم صحنه لغزش شامل بسیاری از اشیاء صحنه است. ابتدا، اشیاء تجسم صحنه و ویژگی های آنها، مانند محیط فاجعه باردار، عوامل محرک، فرآیند فاجعه، و اطلاعات فاجعه تجزیه و تحلیل می شوند. اشیاء زمین و زمین با توجه به ویژگی‌های اشیاء صحنه مختلف مدل‌سازی می‌شوند. اشیایی که در صحنه های مختلف زمین لغزش نشان داده می شوند، متنوع هستند. برای حل مشکلات محتوای تجسم جامد، پیکربندی غیرقابل انعطاف، و گسترش دشوار فرم‌های تجسم در مدل‌سازی صحنه فاجعه موجود، نیاز به تمرکز بر کامل بودن محتوا، معناشناسی فضایی، خوانایی اطلاعات و روابط منطقی مدل‌سازی صحنه فاجعه وجود دارد. اصطلاح. با شروع از این،

برای ساده‌سازی عملیات مدل‌سازی، بهبود کارایی مدل‌سازی و افزایش خوانایی اطلاعات ارائه‌شده، قوانین محدودیت معنایی چند سطحی و دانش تجربی متخصص برای ساخت الگوی دانش برای مدل‌سازی و تجسم صحنه زمین لغزش، ادغام شده‌اند، همانطور که در شکل 2 نشان داده شده است.. الگوهای دانش به شکل گره‌ها مدیریت می‌شوند، از جمله گره‌های ریشه، گره‌های والد و گره‌های فرزند. هر صحنه فاجعه زمین لغزش مربوط به یک گره ریشه است. گره والد اطلاعات شی صحنه را نشان می دهد که باید نمایش داده شود، گره های والد و فرزند الگوی دانش از طریق محدودیت های کامل بودن اطلاعات ایجاد می شوند و ترتیب ایجاد گره والد توسط رابطه منطقی محدود می شود. هر گره فرزند حاوی اطلاعاتی در مورد اشیاء صحنه خاص، موقعیت های فضایی، موقعیت های فضایی و روش های بیان است.

گره ریشه و گره والد در الگوی دانش به نوبه خود خوانده می شوند و محتوای الگوی دانش از طریق اطلاعات کلیدواژه در الگوی دانش، مانند «مسیر»، «pos»، «نگرش»، «متن» تجزیه می شود. و “رنگ”، که در آن “مسیر” مسیر ذخیره داده های شی صحنه است، که می تواند با خواندن مستقیم داده های زیر مسیر نمایش داده شود، “pos” موقعیت مکانی شی صحنه است، “نگرش” جهت و نگرش شی صحنه در فضای سه بعدی، “متن” شرح متن را بیان می کند و مقدار متناظر آن محتوای متنی است که باید بیان شود و “رنگ” رنگی است که توسط شی صحنه بیان می شود، مانند “سفید”. ، “قرمز”، “خاکستری”، “آبی”، “سبز”. سرانجام، تجسم پویا صحنه فاجعه زمین لغزش با نمونه سازی با توجه به ویژگی های محتوایی شی صحنه تحقق می یابد. کاربران می توانند محتوای هر گره در الگوی دانش را با توجه به نیازهای واقعی تنظیم کنند و الگوهای دانش را برای صحنه های مختلف فاجعه زمین لغزش برای تجسم آسان پیکربندی کنند.

2.4. بهینه سازی صحنه های فاجعه زمین لغزش با در نظر گرفتن برجستگی بصری

اگرچه میدان بینایی چشم انسان می تواند به 188 درجه برسد، اما اطلاعات را فقط می توان در 20 درجه از نقطه تثبیت به درستی شناسایی کرد. توانایی تفکیک به تدریج با گسترش میدان بینایی کاهش می یابد. تشخیص برجستگی بصری به تمرکز چشم انسان بر ROI بر اساس نیازها و علایق خود اشاره دارد. مکانیسم توجه بصری از پایین به بالا، توجه بصری است که توسط داده های ادراکی مانند رنگ، بافت و شکل هدایت می شود. هر چه این تفاوت بیشتر باشد، توجه بیشتری را به خود جلب می کند. دامنه تأثیر مستقیم بلایای زمین لغزش معمولاً چندین کیلومتر مربع است. سایر اطلاعات با همبستگی ضعیف خارج از محدوده است. برای اینکه کاربران بتوانند فاجعه زمین لغزش را با وضوح بیشتری درک کنند، صحنه فاجعه به طور کلی از یک چشم انداز ثابت نمایش داده می شود. از این رو،

پارامترهای frustum دوربین صحنه شامل مختصات فضای دوربین چپ و راست است سیL(ایکس،y،z) و سیآر(ایکس،y،z)، زاویه دید افقی β ، زاویه دید عمودی α و فاصله از مرکز دوربین تا بخش دور و نزدیک (با f و n نشان داده می شود ). افست fyبین دو طرف بالا و پایین مخروط مشاهده و صفحه XZ و همچنین افست fایکسبین سمت چپ و راست و صفحه YZ ، با فرمول (5) محاسبه می شود.

{fy=تیآnβ/2fایکس=fy×برنزهβ/برنزهα

(5)

ماتریس تبدیل مدل آرمبا استفاده از فرمول (2) به دست می آید و از فرمول (6) و (7) برای محاسبه مختصات هشت رئوس استفاده می شود. VLf1، VLf2، VLf3، VLf4، VLn1، VLn2، VLn3و VLn4) از منشور چهار گوش که توسط بخشهای دور و نزدیک مخروط بینایی تشکیل شده است. محدوده فروستوم به یک افق مختلط (محدوده همپوشانی فروستوم) و افق محیطی (محدوده دید تک چشمی) تقسیم می شود و صحنه خارج از محدوده فروستوم به عنوان یک صحنه غیر افق در نظر گرفته می شود.

[f1→f2→f3→f4→]=آرم×[-fایکس-fایکسfایکسfایکس-fyfy-fyfy1111]

(6)

{VLfمن=سیL(ایکس،y،z)+f×f→لVLnمن=سیL(ایکس،y،z)+n×f→ل (من=1،2،3،4)

(7)

جایی که f1→، f2→، f3→، و f4→نشان دهنده بردارهای جهت چهار طرف جانبی مهره بینایی است.

بر اساس ویژگی‌های بصری چشم انسان و صحنه لغزش، از روش رندر فووی ثابت برای تقسیم‌بندی بیشتر میدان بینایی مختلط زمین لغزش به مناطق مورد علاقه و مناطق غیر مورد علاقه استفاده می‌شود، همانطور که در شکل 3 نشان داده شده است.

محدوده زمین لغزش به عنوان ROI تنظیم شده است. شعاع R است و نقطه مرکزی محدوده فاجعه زمین لغزش به طور پیش فرض روی نقطه نگاه تنظیم شده است. پfovهآتیهد. فاصله بین شی صحنه پoبjهجتیو نقطه نگاه در محدوده دید مختلط با استفاده از فرمول (8) تعیین می شود.

د=|پoبjهجتی-پfovهآتیهد|

(8)

با مقایسه اندازه‌های d و R ، وقتی d > R ، شی صحنه فعلی در ناحیه غیر مورد علاقه قرار می‌گیرد. وقتی d ≤ R , شی صحنه فعلی در ناحیه مورد نظر قرار دارد. اینکه آیا اشیاء صحنه در نمای مختلط در محدوده قرار دارند پیکسل به پیکسل تعیین می شود و نمای مختلط به یک ناحیه مورد علاقه (نمای فووئال) و یک منطقه غیر مورد علاقه تقسیم می شود.

با استفاده از فناوری برش میدان دید، محدوده صحنه بدون دید برش داده می شود و حذف می شود و اشیاء صحنه میدان دید محیطی ساده می شوند. الگوریتم تاری گاوسی در فرمول (9) برای بهینه سازی صحنه دید محیطی استفاده می شود. برای ناحیه غیر مورد علاقه در ناحیه نمای مختلط، الگوریتم بالاگذر بر اساس تاری گاوسی برای بهینه‌سازی تاری توسط فرمول (10) یکپارچه شده است. ROI با وضوح بالا ارائه می شود. بنابراین، صحنه فاجعه با در نظر گرفتن برجستگی بصری را می توان مرحله به مرحله بهینه کرد که با ویژگی های بصری چشم انسان همخوانی بیشتری دارد.

جیب(ایکس،y)=∑من=-nn∑j=-nnاس(ایکس+من،y+j)12πσ2ه-(من2+j2)/2σ2

(9)

نب(ایکس،y)=ω(اس(ایکس،y)-جیب(ایکس،y)+پ)+جیب(ایکس،y) ω∈[0،1]

(10)

که در آن S ( x , y ) مقدار پیکسل تصویر اصلی است، GB ( x ، y ) مقدار پیکسل تصویر تار گاوسی است، ( x ، y ) موقعیت ردیف و ستون پیکسل تصویر است، و (2 n + 1 ) ) × (2 n + 1) اندازه هسته کانولوشن است. اگر اندازه هسته کانولوشن 3 × 3 باشد، n = 1. P ثابت هایپرپارامتر است، معمولاً 127، بنابراین کنتراست بالا از تیره شدن بیش از حد تصویر و از دست دادن اطلاعات جلوگیری می کند. NB ( x , y ) مقدار پیکسل در ( x است، y )، که توسط تاری گاوسی و الگوریتم بالا گذر پردازش می شود. مقدار وزن الگوریتم بالاگذر ω است .

3. نمونه اولیه پیاده سازی سیستم و تجزیه و تحلیل تجربی

3.1. نمونه اولیه پیاده سازی سیستم و منطقه مطالعه

در این مقاله، سیستم نمونه اولیه ارائه شده توسط یک محیط سخت افزاری متشکل از یک ایستگاه کاری گرافیکی Dell T7610 و سیستم عامل Windows 10 X64 پشتیبانی می شود. پلت فرم توسعه Android Studio 4.0 انتخاب شد که با Android SDK کتابخانه منبع باز بینایی کامپیوتر OpenCV 3.4 ترکیب شد تا یک سیستم نمونه اولیه برای به دست آوردن سریع حجم رسوبات زمین لغزش بر اساس بازسازی سه بعدی ایجاد کند. محیط تست عملیاتی گوشی هوشمند VIVO X9S بود. سپس یک لپ تاپ Alienware M17 R4 با پردازنده مرکزی Core i7-10870H با هشت هسته 2.20 گیگاهرتز، حافظه 32 گیگابایتی و کارت گرافیک NVIDIA GeForce RTX 3080 Laptop GPU با استفاده از Microsoft Visual Studio 2019 به عنوان پشتیبانی سخت افزاری مورد استفاده قرار گرفت. محیط تحقیق و توسعه Net، Unity 3D و SteamVR بود. و یک سیستم نمونه اولیه برای بیان پویا و بهینه سازی صحنه های زمین لغزش در ترکیب با دستگاه های تعاملی VR مانند Oculus Quest2 ایجاد و نمایش داده شد. رابط سیستم نمونه اولیه در نشان داده شده استشکل 4 .

برای تأیید امکان‌سنجی و اثربخشی روش پیشنهادی، یک زمین لغزش (مختصات: 103.479 درجه شرقی، 31.097 درجه شمالی) در نزدیکی خط Lanmo، شهر Yingxiu، شهرستان Wenchuan، آبا تبت و استان خودمختار Qiang، استان سیچوان، به عنوان مورد در نظر گرفته شد. انجام آزمایشی بر روی افزایش حجم سریع رسوبات زمین لغزش. با در نظر گرفتن فاجعه زمین لغزش فاجعه‌بار رودخانه جینشا در شهرستان جومدا، چانگدو، منطقه خودمختار تبت، بیان مدل‌سازی و بهینه‌سازی صحنه فاجعه انجام شد. توزیع آزمایش موردی خاص در شکل 5 نشان داده شده است .

داده‌های تجربی مورد استفاده در کسب سریع اطلاعات سپرده عمدتاً از پلت‌فرم‌های انتشار داده‌های عمومی مانند سیستم خدمات فهرست منابع اطلاعاتی نشنال جئوگرافیک و جمع‌آوری عکس در محل می‌آمدند. داده‌های به‌دست‌آمده شامل تصاویر سنجش از راه دور، تصاویر در محل و نقاط ویژگی سپرده بود. در همین حال، داده‌های تجربی برای تجسم و بهینه‌سازی صحنه فاجعه زمین لغزش عمدتاً از اداره نقشه‌برداری، نقشه‌برداری و اطلاعات جغرافیایی استان سیچوان بود و شامل داده‌های سنجش از دور و داده‌های زمین با وضوح مکانی بالا، عوامل محرک، زمین‌شناسی/بارندگی، فاجعه زمین لغزش بود. محدوده، افت، ضخامت و عرض نهشته، و همچنین داده‌های فاجعه چند منبع مختلف مانند ظرفیت دریاچه سد و جاده‌ها، رودخانه‌ها و ساختمان‌های آسیب‌دیده.31 ].

3.2. تجزیه و تحلیل تجربی

3.2.1. اکتساب سریع حجم سپرده زمین لغزش

پردازش داده ها انجام شد، یعنی کالیبراسیون دوربین، به دست آوردن تصاویر رسوب زمین لغزش، غربالگری، تصحیح، انتخاب نقطه ویژگی، و تعیین مرز رسوب تصاویر اصلی. روش پیشنهادی در این مقاله برای انجام بازسازی سریع سه بعدی و درونیابی سطح پایین در صحنه نهشته زمین لغزش سه بعدی استفاده شد و نتیجه در شکل 6 نشان داده شده است . در عین حال برای بررسی اثربخشی این روش با مراجعه به مورا و همکاران. [ 42 ]، کارایی و دقت این روش برای به دست آوردن حجم رسوب زمین لغزش با نرم افزارهای تجاری ContextCapture، Metashape و Pix4Dmapper مقایسه شد. نتایج تحلیل مقایسه ای در جدول 1 نشان داده شده است.

از جدول 1 ، روش پیشنهادی را می توان برای به دست آوردن سریع حجم رسوب زمین لغزش با استفاده از بازسازی سه بعدی بر اساس تصویربرداری گوشی هوشمند، و درون یابی سطح پایین با در نظر گرفتن شیب تند، استفاده کرد. دقت نتایج تخمین حجم این روش با نرم افزارهای تجاری قابل مقایسه است، در حالی که راندمان تخمین کمی بهتر است. در مقایسه با سایر روش‌های تخمین حجم رسوب زمین لغزش، مانند بررسی میدانی و تجزیه و تحلیل مقایسه DEM چند زمانی، روش پیشنهادی از مزایای سرعت و کارایی بالا برخوردار است.

3.2.2. تجسم دینامیک صحنه فاجعه

با راهنمایی الگوی دانش مدل‌سازی صحنه لغزش، صحنه لغزش در OpenSceneGraph 3.4 ساخته شد. مدل سازی پویا و تجسم کل فرآیند فاجعه، از محیط فاجعه باردار، عوامل محرک، فرآیند فاجعه و اطلاعات فاجعه، محقق می شود. اثرات مدل سازی و تجسم صحنه لغزش در شکل 7 نشان داده شده است. مدل‌سازی دینامیکی و تجسم صحنه‌های زمین لغزش با هدایت دانش نه تنها می‌تواند عملیات مدل‌سازی پیچیده را ساده کند، بلکه کارایی مدل‌سازی و بیان صحنه را نیز بهبود می‌بخشد. علاوه بر این، دارای مزایای محتوای بیان غنی، اثر بیان خوب، ارائه کامل و واضح اطلاعات فاجعه، و خوانایی قوی اطلاعات است. کاربران می‌توانند الگوی دانش را با توجه به شرایط و الزامات مختلف فاجعه زمین لغزش تنظیم کنند تا مدل‌سازی و بیان پویا در انواع مختلف صحنه‌های زمین لغزش را تحقق بخشند، که کاربرد و قابلیت اطمینان خوبی دارد و می‌تواند برای نجات و مدیریت اضطراری بلایای زمین لغزش پشتیبانی کند.

3.2.3. بهینه سازی صحنه فاجعه

صحنه لغزش به سیستم نمونه اولیه تجسم صحنه فاجعه و بهینه سازی برای بهینه سازی با در نظر گرفتن برجسته بودن بصری وارد می شود. شکل 8 الف صحنه اصلی بیان لغزش است و شکل 8b صحنه فاجعه زمین لغزش است که با روش پیشنهادی در این مقاله بهینه شده است. ROI در منطقه فاجعه زمین لغزش دارای اثر رندر خوب و وضوح بالا است. کاربر می تواند به وضوح اطلاعات زمین لغزش را شناسایی کند. فاجعه زمین لغزش به تدریج به خارج از مرز گسترش می یابد. تصویر به تدریج تار می شود و مرز تار مشخص نیست. چنین بیان صحنه لغزش بیشتر با ویژگی های بصری چشم انسان مطابقت دارد تا کاربر بتواند روی ROI تمرکز کند و توانایی درک اطلاعات کاربر بهبود یابد.

برای تجزیه و تحلیل کمی عملکرد روش بهینه‌سازی پیشنهادی در این مقاله، ما همچنین نرخ فریم نمایش صحنه صحنه‌های اصلی و بهینه‌شده را مقایسه کردیم. همانطور که در شکل 9 نشان داده شده است ، متوسط نرخ فریم رندر صحنه به 80 فریم در ثانیه (fps) می رسد، که بدیهی است که بهتر از راندمان رندر صحنه اصلی است. این نشان می دهد که روش بهینه سازی صحنه ارائه شده در این مقاله می تواند به طور قابل توجهی کارایی رندر صحنه را بهبود بخشد و نیازهای بالاتر تجسم صحنه را برآورده کند.

4. نتیجه گیری و کار آینده

از نظر روش‌های موجود، کاستی‌هایی مانند چرخه جمع‌آوری حجم سپرده طولانی و پرهزینه، فقدان راهنمایی دانش، عملیات پیچیده برای تجسم مدل‌سازی صحنه و راندمان پایین رندر صحنه وجود دارد. یک روش تجسم و بهینه سازی سه بعدی برای استفاده در بلایای زمین لغزش با هدایت دانش پیشنهاد شده است. یک الگوریتم اکتساب حجم سپرده زمین لغزش سریع بر اساس بازسازی سه بعدی طراحی شده است و یک الگوی دانش مدل سازی و تجسم صحنه فاجعه زمین لغزش برای هدایت مدل سازی و تجسم پویا ساخته شده است. همچنین روش بهینه‌سازی صحنه با در نظر گرفتن برجستگی بصری و ویژگی‌های بصری انسان مورد مطالعه قرار می‌گیرد. این مطالعه کل فرآیند تحقیق را از جمع‌آوری داده‌های حجم سپرده زمین لغزش تا تجسم صحنه فاجعه و بهینه‌سازی پویا را تحقق می‌بخشد. تجزیه و تحلیل مطالعه موردی تجربی نشان می دهد که روش پیشنهادی در این مقاله می تواند به دستیابی سریع حجم سپرده دست یابد و نتایج معادل نرم افزار ContextCapture، Metashape و Pix4Dmapper است. این رویکرد دارای مزایای کارایی و راحتی بالا است و قادر است به صورت پویا کل فرآیند فاجعه را با بیان محتوای غنی و خوانایی قوی تجسم کند. در نهایت، راندمان رندر صحنه بهبود یافته است و میانگین نرخ فریم رندر در بیش از 80 فریم در ثانیه پایدار است. می تواند بیان و به اشتراک گذاری اطلاعات بلایای طبیعی را ترویج کند و از مدیریت نجات اضطراری زمین لغزش پشتیبانی کند. تجزیه و تحلیل مطالعه موردی تجربی نشان می دهد که روش پیشنهادی در این مقاله می تواند به دستیابی سریع حجم سپرده دست یابد و نتایج معادل نرم افزار ContextCapture، Metashape و Pix4Dmapper است. این رویکرد دارای مزایای کارایی و راحتی بالا است و قادر است به صورت پویا کل فرآیند فاجعه را با بیان محتوای غنی و خوانایی قوی تجسم کند. در نهایت، راندمان رندر صحنه بهبود یافته است و میانگین نرخ فریم رندر در بیش از 80 فریم در ثانیه پایدار است. می تواند بیان و به اشتراک گذاری اطلاعات بلایای طبیعی را ترویج کند و از مدیریت نجات اضطراری زمین لغزش پشتیبانی کند. تجزیه و تحلیل مطالعه موردی تجربی نشان می دهد که روش پیشنهادی در این مقاله می تواند به دستیابی سریع حجم سپرده دست یابد و نتایج معادل نرم افزار ContextCapture، Metashape و Pix4Dmapper است. این رویکرد دارای مزایای کارایی و راحتی بالا است و قادر است به صورت پویا کل فرآیند فاجعه را با بیان محتوای غنی و خوانایی قوی تجسم کند. در نهایت، راندمان رندر صحنه بهبود یافته است و میانگین نرخ فریم رندر در بیش از 80 فریم در ثانیه پایدار است. می تواند بیان و به اشتراک گذاری اطلاعات بلایای طبیعی را ترویج کند و از مدیریت نجات اضطراری زمین لغزش پشتیبانی کند. این رویکرد دارای مزایای کارایی و راحتی بالا است و قادر است به صورت پویا کل فرآیند فاجعه را با بیان محتوای غنی و خوانایی قوی تجسم کند. در نهایت، راندمان رندر صحنه بهبود یافته است و میانگین نرخ فریم رندر در بیش از 80 فریم در ثانیه پایدار است. می تواند بیان و به اشتراک گذاری اطلاعات بلایای طبیعی را ترویج کند و از مدیریت نجات اضطراری زمین لغزش پشتیبانی کند. این رویکرد دارای مزایای کارایی و راحتی بالا است و قادر است به صورت پویا کل فرآیند فاجعه را با بیان محتوای غنی و خوانایی قوی تجسم کند. در نهایت، راندمان رندر صحنه بهبود یافته است و میانگین نرخ فریم رندر در بیش از 80 فریم در ثانیه پایدار است. می تواند بیان و به اشتراک گذاری اطلاعات بلایای طبیعی را ترویج کند و از مدیریت نجات اضطراری زمین لغزش پشتیبانی کند.

علیرغم دستاوردهای فوق الذکر تحقیق، دستیابی سریع روش اطلاعات حجم سپرده پیشنهادی در این مقاله با محدوده تیراندازی و قدرت محاسباتی گوشی های هوشمند محدود شده است و تنها برای بلایای زمین لغزش در مقیاس کوچک مناسب است. یک روش جمع‌آوری اطلاعات سپرده جهانی‌تر در آینده توسعه خواهد یافت تا داده‌هایی برای مدل‌سازی و تجسم صحنه‌های لغزش در مقیاس بزرگ و پیچیده‌تر فراهم کند. در همین حال، رویکردهای جمع‌آوری داده‌های بلایا و تجسم صحنه عمدتاً برای استفاده اضطراری پس از فاجعه است. در آینده به اطلاعات پیش از وقوع حادثه زمین لغزش توجه بیشتری خواهیم کرد. از طریق مدل‌سازی و تجزیه و تحلیل اطلاعات پیش از بلایا، «پرهیز از بلایا و امداد غیرفعال» به «پیشگیری و مدیریت فعال بلایا» تغییر یافته است. ارائه پشتیبانی برای پیشگیری و کاهش بلایا. علاوه بر این، آزمایش‌های حرکت چشم را می‌توان برای بهبود روش تجسم صحنه و بهینه‌سازی انجام داد.

منابع

شوستر، RL اهمیت اجتماعی و اقتصادی زمین لغزش. در زمین لغزش: بررسی و کاهش ; Turner, AK, Schuster, RL, Eds. گزارش ویژه هیئت تحقیقات حمل و نقل 247; آکادمی ملی علوم: واشنگتن، دی سی، ایالات متحده آمریکا، 1996; صص 12-35. [ Google Scholar ]
UNDRR 2009. گزارش سالانه جهانی، GAR 2009. موجود به صورت آنلاین: https://www.preventionweb.net/english/hyogo/gar/2009/ (دسترسی در 27 مارس 2022).
پتلی، دی. الگوهای جهانی تلفات جانی ناشی از رانش زمین. زمین شناسی 2012 ، 40 ، 927-930. [ Google Scholar ] [ CrossRef ]
Cui، P. پیشرفت و چشم انداز در تحقیق در مورد خطرات کوهستانی در چین. Prog. Geogr. 2014 ، 33 ، 145-152. [ Google Scholar ]
فن، YD; وو، دبلیو. وانگ، دبلیو. لیو، ام. Wen, Q. پیشرفت تحقیق سنجش از دور بلایا در چین. J. Remote Sens. 2016 ، 20 ، 1170-1184. [ Google Scholar ]
زو، س. Miao، SX; دینگ، ییل. چی، اچ. او، XB; روش شناسایی و حذف خطاهای ناخالص با هدایت دانش Cao، ZY از داده های پایش زمین لغزش. Geomat. Inf. علمی دانشگاه ووهان 2017 ، 44 ، 957-966. [ Google Scholar ]
خو، Q. ژنگ، جی. لی، WL; او، CY; دونگ، XJ; گوا، سی. Feng, WK Study on Suscessive Damming Landslide Diaming River Jinsha in Baige Village در 11 اکتبر و 3 نوامبر 2018. J. Eng. جئول 2018 ، 26 ، 1534-1551. [ Google Scholar ]
لی، HB؛ Qi، SC; چن، اچ. لیائو، HM; Cui، YF; تحلیل حرکت انبوه و فرآیند تشکیل ژو، JW از دو رویداد متوالی سد لغزش در رودخانه جینشا، جنوب غربی چین. رانش زمین 2019 ، 16 ، 2247–2258 . [ Google Scholar ] [ CrossRef ]
UNDRR 2019. گزارش سالانه جهانی 2019، GAR. در دسترس آنلاین: https://gar.undrr.org/report-2019 (در 27 مارس 2022 قابل دسترسی است).
Wallemacq, P. Losses Economic, Poverty & Disasters: 1998–2017 ; مرکز تحقیقات اپیدمیولوژی بلایا، CRED: بروکسل، بلژیک، 2018. [ Google Scholar ]
Denolle، MA; دانهام، EM; پریتو، GA; Beroza، GC پیش بینی حرکت زمین قوی با استفاده از زلزله مجازی. Science 2014 ، 343 ، 399-403. [ Google Scholar ] [ CrossRef ]
UNISDR (استراتژی بین المللی سازمان ملل برای کاهش بلایا). چارچوب سندای برای کاهش خطر بلایا 2015-2030 ؛ سازمان ملل: ژنو، سوئیس، 2015. [ Google Scholar ]
کوی، ی. دنگ، ج. Xu, C. تخمین حجم و تقسیم مرحله زمین لغزش ماهو در استان سیچوان، چین. نات خطرات 2018 ، 93 ، 941-955. [ Google Scholar ] [ CrossRef ]
Koca، TK; Koca، برآورد حجم من و ارزیابی زمین لغزش های چرخشی با استفاده از عکس های هوایی چند زمانی در منطقه مخزن سد چاگلایان، ترکیه. عرب جی. ژئوشی. 2019 ، 12 ، 140. [ Google Scholar ] [ CrossRef ]
فرناندز، تی. پرز-گارسیا، جی ال. گومز-لوپز، جی.ام. کاردنال، جی. مویا، اف. دلگادو، ج. فهرست زمین لغزش چند زمانی و تجزیه و تحلیل فعالیت با استفاده از فتوگرامتری هوایی و تکنیک های LiDAR در منطقه ای از جنوب اسپانیا. Remote Sens. 2021 , 13 , 2110. [ Google Scholar ] [ CrossRef ]
لیو، دبلیو. یامازاکی، اف. Maruyama، Y. تشخیص زمین لغزش های ناشی از زلزله در طول زلزله کوماموتو 2018 با استفاده از داده های هوابرد چند زمانی لیدار. Remote Sens. 2019 , 11 , 2292. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گلوفکو، دی. بهلینگ، ر. وتزل، اچ. روش‌های روسنر، S. GIS و داده‌های سنجش از دور چند زمانی برای بهبود نقشه‌برداری خطر زمین لغزش در جنوب قرقیزستان. بین المللی J. Geoinform. 2015 ، 11 ، 23-29. [ Google Scholar ]
هوانگ، ی. یو، م. خو، Q. سوادا، ک. موریگوچی، اس جی. یاشیما، ا. لیو، سی دبلیو؛ مدل‌های ارتفاعی دیجیتال مشتق‌شده از Xue، L. InSAR برای تحلیل تغییر زمین زمین لغزش‌های جریان‌مانند ناشی از زلزله بر اساس تصاویر ALOS/PALSAR. محیط زیست علوم زمین 2015 ، 73 ، 7661-7668. [ Google Scholar ] [ CrossRef ]
بایر، بی. سیمونی، ع. اشمیت، دی. Bertello، L. استفاده از تکنیک‌های پیشرفته InSAR برای نظارت بر تغییر شکل‌های زمین لغزش ناشی از حفر تونل در آپنین شمالی، ایتالیا. مهندس جئول. 2017 ، 226 ، 20-32. [ Google Scholar ] [ CrossRef ]
گوزتی، اف. آردیزون، اف. کاردینالی، م. روسی، ام. Valigi، D. حجم زمین لغزش و نرخ بسیج زمین لغزش در Umbria، ایتالیا مرکزی. سیاره زمین. علمی Lett. 2009 ، 279 ، 222-229. [ Google Scholar ] [ CrossRef ]
فن، XM; اسکارینگی، جی. کوروپ، او. غرب، ای جی. ون وستن، سی جی; تانیاس، اچ. هوویوس، ن. Hales, TC; جیبسون، RW; Allstadt، KE; و همکاران زنجیره های خطرات زمین شناسی ناشی از زلزله: الگوها، مکانیسم ها و اثرات کشیش ژئوفیس. 2019 ، 57 ، 421-503. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مایر، سی. جابویدوف، م. درون، MH; گربر، سی. روشی برای ارزیابی احتمال تخمین ضخامت و حجم گسیختگی های اولیه زمین لغزش های کوچک و کم عمق بر اساس مساحت سطح. رانش زمین 2020 ، 17 ، 975-982 . [ Google Scholar ] [ CrossRef ]
مارتا، TR; Reddy، PS; بهات، سی ام. راج، KBG; نالینی، ج. پادمانابها، EA؛ نارندر، بی. کومار، KV; مورالیکریشنان، س. رائو، جی اس. و همکاران تخمین حجم زباله و نظارت بر دریاچه سد شده با لغزش رودخانه Phuktal در زانسکار هیمالیا، هند با استفاده از تصاویر Cartosat-2. زمین لغزش 2017 ، 14 ، 373-383. [ Google Scholar ] [ CrossRef ]
واریک، جی. ریچی، AC; اشمیت، KM; رید، من؛ لوگان، جی. مشخص کردن زمین لغزش فاجعه‌بار ماد کریک ۲۰۱۷، کالیفرنیا، با استفاده از فتوگرامتری تکرار ساختار از حرکت (SfM). رانش زمین 2019 ، 16 ، 1201-1219 . [ Google Scholar ] [ CrossRef ]
گونزالس-دیز، آ. فرناندز ماروتو، جی. دوغی، مگاوات؛ دیاز د تران، جی آر. بروشی، وی. کاردنال، جی. پرز، جی.ال. ماتا، ای. دلگادو، ج. توسعه یک رویکرد روش شناختی برای اندازه گیری دقیق تغییرات شیب ناشی از زمین لغزش، با استفاده از فتوگرامتری دیجیتال. زمین لغزش 2014 ، 11 ، 615-628. [ Google Scholar ] [ CrossRef ]
لین، CH; Lin، ML تکامل زمین لغزش بزرگ ناشی از طوفان موراکوت: مطالعه موردی در رودخانه بوتانگ‌بوناسی، جنوب تایوان با استفاده از روش عنصر گسسته. مهندس جئول. 2015 ، 197 ، 172-187. [ Google Scholar ] [ CrossRef ]
Xu, B. مطالعه بر روی ویژگی های تغییر شکل ناپایداری و مدل لغزش زمین لغزش خزشی . دانشگاه علم و صنعت پکن: پکن، چین، 2017. [ Google Scholar ]
Du، ZQ; Li, J. روش شبیه سازی فاجعه زمین لغزش بر اساس سیستم ذرات PhysX. Geomat. جهان 2017 ، 24 ، 46-50. [ Google Scholar ]
لیو، LB تحقیق تجسم سه بعدی زمین لغزش مخزن بر اساس 3dsMAX و OpenGL . Northwest A&F University: Yangling، چین، 2010. [ Google Scholar ]
ژو، بی . تجسم سه بعدی و شبیه سازی دینامیک زمین لغزش در منطقه سه دره . دانشگاه Tsinghua: پکن، چین، 2012. [ Google Scholar ]
او، شبیه‌سازی بصری فرآیند زمین لغزش کوهستان بر اساس داده‌های سنجش از دور چندمنبعی و چند زمانی . دانشگاه جیائوتنگ جنوب غربی: چنگدو، چین، 2019. [ Google Scholar ]
دی، بی اف; استاماتوپولوس، کالیفرنیا؛ استاماتوپولوس، AC; لیو، EN; بالا، L. پیشنهاد، کاربرد و اعتبار بخشی از یک عبارت ساده شده ارزیابی پایداری دامنه های شنی در شرایط بارندگی. ژئومورفولوژی 2021 ، 395 ، 107966. [ Google Scholar ] [ CrossRef ]
Iverson، RM زمین لغزش با نفوذ باران. منبع آب Res. 2000 ، 36 ، 1897-1910. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بگیر، WA; بولتون، دکتر وانگ، PCP؛ Yeung، FJ ارزیابی مکانیسم‌های ایجاد زمین لغزش در شیب‌های پر شدن مدل. زمین لغزش 2004 ، 1 ، 173-184. [ Google Scholar ] [ CrossRef ]
داسی، ف. اتینگر، بی. پروتو، اس. سنگالی، LM یک استراتژی ساده سازی مش برای تجزیه و تحلیل رگرسیون فضایی بر روی سطح قشر مغز. ریاضی شماره اپل. 2015 ، 90 ، 111-131. [ Google Scholar ] [ CrossRef ]
زو، س. چن، XW; دینگ، ییل. لیو، مگاوات؛ او، HG; یانگ، WJ; چن، LY; Cao، ZY سازماندهی و روش زمان‌بندی داده‌های صحنه شهری سه بعدی که توسط ادراک بصری هدایت می‌شوند. J. جنوب غربی Jiaotong دانشگاه. 2017 ، 52 ، 869-876. [ Google Scholar ]
هو، ی. ژو، جی. لی، WL; ژانگ، YH; زو، س. چی، اچ. ژانگ، HX; کائو، زی. یانگ، WJ; Zhang, PC ساخت و بهینه سازی صحنه های فاجعه سه بعدی در واقعیت مجازی موبایل. ISPRS Int. جی. ژئو. Inf. 2018 ، 7 ، 215. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لای، جی ال. دینگ، ال. Qin، ZY; تانگ، XC یک تحقیق الگوریتم موثر سازماندهی وکسل سازی سناریو و حذف انسداد. Iop Conf. 2016 , 46 , 012020. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Robles-Ortega، MD; اورتگا، ال. Feito، FR تعیین دید کارآمد در صحنه های شهری با در نظر گرفتن اطلاعات زمین. ACM Trans. تف کردن سیستم الگوریتم 2017 ، 3 ، 1-24. [ Google Scholar ] [ CrossRef ]
فو، ال. ژو، جی. لی، WL; زو، س. Xu, BL; Xie، YK; ژانگ، YH; هو، ی. Lu، JT; دانگ، پی. و همکاران روش بهینه‌سازی دید تونلی برای صحنه‌های سیل VR بر اساس تاری گاوسی. بین المللی جی. زمین رقمی. 2021 ، 14 ، 821-835. [ Google Scholar ] [ CrossRef ]
فو، ال. ژو، جی. لی، WL; شما، جی جی. Hua، ZY روش تخمین سریع حجم رسوب زمین لغزش با بازسازی سه بعدی تصاویر گوشی های هوشمند. رانش زمین 2021 ، 18 ، 3269-3278 . [ Google Scholar ] [ CrossRef ]
مورا، OE; چن، جی. استویبر، پ. کوپانی، ز. پلوتا، دی. جوسنهانس، آر. Okubo، M. دقت برآوردهای ذخیره با استفاده از فتوگرامتری sUAS کم هزینه. بین المللی J. Remote Sens. 2020 , 41 , 4512–4529. [ Google Scholar ] [ CrossRef ]

شکل 1. چارچوب کلی.

شکل 2. ساختار دانش تجسم صحنه فاجعه.

شکل 3. تقسیم مناطق مورد علاقه برای صحنه فاجعه زمین لغزش.

شکل 4. نمونه اولیه رابط سیستم. ( الف ) برآورد حجم، ( ب ) تجسم صحنه فاجعه و بهینه سازی.

شکل 5. منطقه مطالعه.

شکل 6. نتایج بازسازی سه بعدی و درونیابی سطح زیرین رسوبات زمین لغزش.

شکل 7. اثر تجسم دینامیکی صحنه فاجعه زمین لغزش با هدایت دانش.

شکل 8. مقایسه جلوه های تجسم بین صحنه های اصلی و بهینه شده. ( الف ) صحنه اصلی، ( ب ) صحنه بهینه شده.

شکل 9. مقایسه کارایی رندر صحنه بین صحنه های اصلی و بهینه شده.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه