به سوی ارزش گذاری املاک سه بعدی - مروری بر روش های مدل سازی سه بعدی شهری برای ایجاد دوقلو دیجیتال - هوش پیروزی

افزایش شهرنشینی به ناچار منجر به ساخت و ساز مستمر ساختمان ها شده است. فرآیندهای گسترش و تراکم شهری، شهرها و به ویژه بعد سوم (3D) را تغییر شکل می دهند، بنابراین نیاز به تغییر فنی از دوبعدی به سه بعدی برای ارزیابی اموال است. با این حال، اکثر مطالعات ارزیابی دارایی از اطلاعات جغرافیایی دوبعدی در مدل‌های قیمت لذت‌بخش استفاده می‌کنند، در حالی که مزایای مدل‌سازی سه‌بعدی به طور بالقوه برای ارزیابی دارایی و زمینه کلی ایجاد دوقلو دیجیتال (DT) به اندازه کافی بررسی نشده است. بنابراین، این بررسی با هدف شناسایی روش(های) مدل سازی سه بعدی شهری مناسب برای DT شهر است که می تواند برای ارزیابی اموال سه بعدی (3DPV) در آینده (کوتاه مدت و بلند مدت) استفاده شود. ما بر روی مطالعات مدل‌سازی سه‌بعدی متمرکز شدیم که ساختمان‌ها و عناصر شهری را که مستقیماً با املاک مسکونی مرتبط هستند بررسی می‌کنیم. در مجموع، 180 مقاله مجله با داوری همتا بین سال‌های 2016 تا 2020 با رویکرد مرور روایتی انتخاب شدند. معیارهای تحلیلی برای روش‌های مدل‌سازی سه‌بعدی به صراحت تعریف شد و چهار جنبه را پوشش داد: فراداده، ویژگی‌های فنی، الزامات کاربران، و ملاحظات اخلاقی. از این، ما چشم‌انداز کوتاه‌مدت و بلندمدت 3DPV را استخراج کردیم. نتایج منابعی را برای ادغام مدل‌سازی سه‌بعدی و DT در ارزش‌گذاری دارایی فراهم می‌کند و خواستار همکاری میان رشته‌ای شامل محققان و سهامداران در بخش املاک، مانند شرکت‌های املاک، خریداران خانه و دولت‌های محلی است. مشخصات فنی، الزامات کاربران و ملاحظات اخلاقی. از این، ما چشم‌انداز کوتاه‌مدت و بلندمدت 3DPV را استخراج کردیم. نتایج منابعی را برای ادغام مدل‌سازی سه‌بعدی و DT در ارزش‌گذاری دارایی فراهم می‌کند و خواستار همکاری میان رشته‌ای شامل محققان و سهامداران در بخش املاک، مانند شرکت‌های املاک، خریداران خانه و دولت‌های محلی است. مشخصات فنی، الزامات کاربران و ملاحظات اخلاقی. از این، ما چشم‌انداز کوتاه‌مدت و بلندمدت 3DPV را استخراج کردیم. نتایج منابعی را برای ادغام مدل‌سازی سه‌بعدی و DT در ارزش‌گذاری دارایی فراهم می‌کند و خواستار همکاری میان رشته‌ای شامل محققان و سهامداران در بخش املاک، مانند شرکت‌های املاک، خریداران خانه و دولت‌های محلی است.

کلید واژه ها:

مدل سازی سه بعدی ؛ دوقلو دیجیتال ; GIS سه بعدی ؛ مدل شهر سه بعدی ; محیط ساخته شده ؛ ارزیابی اموال ; ساختمان بلند ؛ ارزیابی املاک و مستغلات ; مدل قیمت لذت بخش

1. مقدمه و پیشینه

1.1. مقدمه کلی

شهرنشینی در سرتاسر جهان از قرن گذشته با سرعتی بی سابقه صورت گرفته است. در حال حاضر، 55 درصد از جمعیت جهان، تقریباً 4.4 میلیارد نفر، در مناطق شهری زندگی می کنند [ 1 ]. با توجه به شکوفایی فعالیت‌های اقتصادی و خدمات عمومی، تعداد شهرنشینان افزایش می‌یابد و تا سال 2050 حدود 6.7 میلیارد نفر، یعنی 68 درصد از جمعیت جهان را در خود جای می‌دهد [ 2 ]. به دلیل محدودیت در دسترس بودن زمین، مناطق شهری به طور مداوم با افزایش تعداد ساختمان های بلند مسکونی برای پناه دادن به ساکنان شهری فشرده می شوند [ 3 ]. افزایش قیمت ملک در بازار مسکونی را می توان در سطح جهانی مشاهده کرد، به ویژه در مناطق شهری و کشورهای در حال توسعه سریع [ 4 ، 5 ، 6 ]]. هدف 11.1 از اهداف توسعه پایدار (SDGs) – مسکن ایمن و مقرون به صرفه شهرها و جوامع پایدار – با چالش‌های جدی مواجه است [ 2 ]. آیا قیمت ملک ارزش معاملات بازار را دارد و چه عوامل خارجی بر آن تأثیر می گذارد؟ برای تعیین ارزش منصفانه بر اساس عوامل تأثیرگذار بر قیمت که به طور عینی اندازه‌گیری می‌شوند، چنین سؤالاتی باید با ارزیابی دارایی مورد بررسی قرار گیرند. به عنوان نماینده ای در میان سهامداران مختلف در بخش املاک و مستغلات (به عنوان مثال، دولت، شرکت املاک و مستغلات، و خریدار)، ارزش گذاری دارایی یک عامل مهم در اقتصاد هر کشور با کارکردهای مختلف، مانند حفظ بازار ملک سالم و تضمین مسکن ارزان قیمت، ایفا می کند. 7 ].

بدون شک، ساخت و ساز مستمر ساختمان های مسکونی مرتفع، پیچیدگی فضایی را در بعد سوم (3 بعدی) افزایش داده است (به عنوان مثال، تغییر خط افق شهر). همچنین به ساکنین ساکن در آن ابهامات در مورد مسائل کیفیت زندگی اضافه می کند (مثلاً آیا آپارتمان دارای شرایط رضایت بخش نور خورشید است). شکل 1 یک سناریوی محیطی سه بعدی را با عوامل 3 بعدی خارجی مختلف شبیه سازی می کند. شرایط نور خورشید ممکن است به طور قابل توجهی از طبقه 1 تا 30 به دلیل بلوک های ساختمان ها و درختان مجاور متفاوت باشد. علاوه بر این، املاک نزدیک به جاده ممکن است کیفیت هوا بدتر و صدای بلندتری نسبت به املاک دور از جاده به دلیل هجوم ترافیک داشته باشند [ 8 ]]. با این وجود، همانطور که توسط ادبیات مشهود است، اکثر مطالعات ارزشیابی، اطلاعات جغرافیایی دوبعدی را برای تولید عوامل دوبعدی در مدل قیمت لذت‌بخش (HPM) به کار می‌برند، مدلی که به طور گسترده برای تخمین قیمت‌های دارایی با تنظیم انواع ویژگی‌ها استفاده شده است [ 9 ، 10 ، 11 ]. ، 12 ]. ویژگی‌های محیطی، مکانی و فیزیکی معمولاً در HPM گنجانده می‌شوند، در حالی که اگر سه بعدی در نظر گرفته نشود، ویژگی‌های 3 بعدی قابل انعکاس نیستند. مدل‌هایی که فاقد اطلاعات جغرافیایی سه‌بعدی هستند، قابلیت اطمینان نتایج ارزیابی را کاهش می‌دهند و در مناطق پیچیده شهری با مقادیر زیادی ساختمان‌های مرتفع، اطلاعات و جامعیت کمتری دارند.

با این وجود، کمبود اطلاعات جغرافیایی سه بعدی را می توان با ایجاد یک دوقلو دیجیتال (DT) برای پل زدن بین دنیای فیزیکی و مجازی جبران کرد. DT به یک کپی دیجیتال از اشیاء و سیستم‌های فیزیکی اشاره دارد که در آن می‌توانند حسگرها و داده‌های اینترنت اشیا (IoT) را ادغام کنند و هوش مصنوعی (AI) و تجزیه و تحلیل داده‌ها را برای ایجاد مدل‌های سه بعدی، بهینه‌سازی عملکرد نمایش‌های زمان واقعی، اعمال کنند. و شبیه سازی پویا [ 13 ، 14 ]. این به طور گسترده در زمینه هایی مانند طراحی تولید و صنعت [ 15 ] اعمال شده است، و تحقیقات فعلی در مورد ساختمان ها و شهرها موضوع داغی است که ارزش کاوش دارد [ 16 ]]. برای ایجاد مدل‌های DT شهری، از یک طرف، از روش‌های مدل‌سازی سه بعدی مختلفی استفاده شده است که در ادامه برای جزئیات بیشتر به آنها اشاره خواهیم کرد [ 17 ]. از سوی دیگر، دسترسی روزافزون به داده ها و نرم افزارهای سه بعدی فرصت هایی را برای درک پیچیدگی مناطق شهری از دیدگاه سه بعدی فراهم می کند. محققان سعی کرده‌اند عناصر شهری را که به صورت سه‌بعدی متفاوت هستند، مانند کیفیت هوا [ 18 ]، نویز [ 19 ] و پتانسیل خورشیدی [ 20 ] تجزیه و تحلیل و تجسم کنند، اما توجه کمتری به ارزش‌گذاری دارایی شده است. مطالعات بر روی چارچوب های ساختمانی برای ارزیابی دارایی سه بعدی (3DPV) در زمینه های مختلف کشور [ 21 ، 22 ، 23] به جنبه های حقوقی و نظری شیرجه بزنید. ادبیات تجربی پراکنده است، با کانون‌ها، روش‌ها و داده‌های مختلف. بنابراین، قابلیت انتقال پژوهش زیر سوال می رود [ 4 ، 21 ].

در حال حاضر، مدل‌های سه‌بعدی برای ایجاد DT در مناطق شهری در مقیاس‌های مختلف، از یک ساختمان واحد تا مقیاس قاره‌ای، برای اهداف تحقیقاتی مختلف مشاهده می‌شوند. چندین بررسی در حال حاضر پیشرفت های پیشرفته را گزارش کرده اند، از جمله موضوعاتی مانند مدل سازی سه بعدی شهر، مدل های اطلاعات ساختمان (BIM) و سیستم های اطلاعات جغرافیایی (GIS). Biljecki، Stoter [ 22 ] بر روی مدل‌سازی سه بعدی شهر و برنامه‌های DT تمرکز کرد، و بعدها، Biljecki، Kumar [ 23 ] بر پیشرفت‌های توسعه دامنه دامنه برنامه زبان نشانه گذاری جغرافیای شهر (CityGML ADE) تمرکز کرد. Trubka، Glackin [ 24 ] پلتفرم‌ها/نرم‌افزارهای مختلفی را که قادر به تجسم سه بعدی هستند، بررسی کردند. لیو، وانگ [ 25 ] و وانگ، پان [ 26] پیشرفت یکپارچه سازی BIM و GIS را گزارش کرد. Kalogianni، van Oosterom [ 27 ] وضعیت فعلی مدیریت زمین سه بعدی را مطالعه کرد. با این حال، یک شکاف تحقیقاتی در شناسایی روش‌های مدل‌سازی سه‌بعدی شهری مناسب و ایجاد DT‌های شهری به طور خاص برای 3DPV [ 22 ، 28 ، 29 ] وجود دارد، و این بررسی تلاش می‌کند این شکاف را پر کند. تحقیقات مربوطه هنوز در حالت جنینی خود هستند. 3DPV نیاز به یک راه حل سفارشی برای حمایت از سهامداران مختلف در بخش املاک و مستغلات و ارائه توضیحات اجتماعی-اقتصادی قوی از ارزش املاک دارد. این حقایق باعث می شود که 3DPV از زمینه های صرفاً فنی متمایز شود، که ممکن است نسبتاً منزوی باشند و بنابراین در عمل عملیاتی نمی شوند.

به طور خلاصه، هدف تحقیق این بررسی مضمون شناسایی روش(های) مدل سازی سه بعدی شهری مناسب برای DT های شهری است که می تواند برای 3DPV استفاده شود. مشارکت های اصلی شامل (1) ارائه پیشینه 3DPV با تحقیقات مرتبط و شناسایی ویژگی های اساسی آن، (2) ایجاد فهرستی از ادبیات روش های مدل سازی سه بعدی شهری برای 3DPV، (3) ساخت یک تجزیه و تحلیل دقیق بر اساس معیارهای تحلیلی خود تعریف شده است. ، و (4) پیشنهاد چشم انداز برای 3DPV. تجزیه و تحلیل ما ممکن است زمانی که محققان تلاش می کنند مدل سازی سه بعدی و DT ها را برای 3DPV اعمال کنند، ارجاعاتی را ارائه دهد. ما می خواهیم نکات کلیدی زیر را برجسته کنیم:

ما بر روی ویژگی های مسکونی ساختمان های بلند در مناطق شهری تمرکز می کنیم.
عوامل سه بعدی به عواملی اشاره دارد که با ارتفاع ساختمان در بعد عمودی تغییر می کنند (به عنوان مثال، نور روز و نمای دید). آنها را می‌توان با مدل‌سازی سه‌بعدی اندازه‌گیری کرد و یک پروکسی در HPM برای ارزیابی دارایی باشد.
اصطلاحات در ادبیات کمی متفاوت است، که در آن “ارزش ملک”، “قیمت ملک” و “قیمت مسکن” یکسان در نظر گرفته می شود.

ادامه این مقاله به شرح زیر است. بخش 1.2 . پیشینه ای از 3DPV با تحقیقات مرتبط و ویژگی های آن ارائه می دهد. بخش 2 روش شناسی را با یک استراتژی جستجوی دقیق و معیارهای تحلیلی خود تعریف می کند. تجزیه و تحلیل دقیق روش های مدل سازی سه بعدی در بخش 3 آمده است. بر اساس بخش 3 ، ما چشم اندازهایی را برای 3DPV پیشنهاد می کنیم تا با چالش ها در مراحل مختلف مقابله کند، زیرا دانش با گام ها پیشرفت می کند، نه با جهش ( بخش 4.1 و بخش 4.2 ). آنها بر اساس معیارهای تحلیلی سازماندهی شده اند ( بخش 2.4) برای ارائه یک نمای کلی از شرایطی که ممکن است برآورده شوند. ما همچنین مقایسه بین دو چشم انداز را در بخش 4.3 ارائه می کنیم. بخش 4 ایده هایی را در مورد چگونگی اجرای و توسعه 3DPV در آینده، با توجه به اینکه هیچ پارادایم یا دستورالعمل بالغی در این زمینه ارائه نشده است، ترسیم می کند. این بررسی با نتیجه گیری در بخش 5 به پایان می رسد .

1.2. پیشینه ارزش گذاری املاک و توسعه آن به سمت سه بعدی

1.2.1. ارزش گذاری ملک چیست؟

از زمانی که مردم شروع به مطالعه چگونگی اندازه گیری ارزش واقعی املاک کردند، ارزیابی املاک دارای سابقه تحقیقاتی طولانی است. این یک فعالیت حرفه ای در نظر گرفتن عوامل مختلف و برآورد ارزش دارایی در یک زمان معین توسط ارزش گذاران واجد شرایط است [ 30 ]. بنابراین نیاز به دانش میان رشته ای از جنبه های حقوقی، فنی و اقتصادی دارد. در حال حاضر، سه روش ارزیابی پرکاربرد وجود دارد [ 28]: رویکرد مقایسه ای، رویکرد درآمدی و رویکرد هزینه. ارزش‌گذاران به طور گسترده آنها را در عمل به کار می‌گیرند، اما برای ارزیابی موارد منفرد مناسب‌تر هستند. هنگامی که تعداد زیادی از نتایج ارزیابی در یک زمان نسبتاً کوتاه مورد نیاز است، ارزش‌گذاری انبوه دارایی با هدف مدل‌سازی و اتوماسیون جامد برای کاهش هزینه و منابع انسانی ترجیح داده می‌شود [ 31 ]. بنابراین، روش‌هایی با قابلیت‌های آماری و کارایی محاسباتی بیشتر باید برای مدیریت ناهمگونی فضایی در بین ویژگی‌ها اتخاذ شوند. همانطور که قبلاً معرفی شد، HPM در حال حاضر بیشترین استفاده را برای ارزیابی انبوه دارایی دارد [ 32 ، 33 ].

بر اساس تئوری های ارائه شده توسط لنکستر [ 12 ] و روزن [ 11 ]، HPM به طور گسترده به عنوان یک مبنای نظری ثابت و کلی برای تخمین ارزش دارایی با ساختارشکنی ویژگی های دارایی در ویژگی های مختلف (به عنوان مثال، ساختاری، مکانی و محیطی) شناخته شده است. صفات) [ 34 ]. در زیر هر ویژگی چندین عامل وجود دارد. ارزش ملک شامل عوامل مختلفی است و هر یک از آنها در ارزش کل نقش دارند. به این ترتیب، در فرآیند ارزش گذاری، می توان یک ارزش اقتصادی به اجزای غیر بازاری مانند امکانات رفاهی زیست محیطی اضافه کرد [ 35 ].]. ویژگی های ساختاری شامل ویژگی های فیزیکی ملک، مانند مساحت طبقه و تعداد اتاق ها است. ویژگی های مکان شامل دسترسی و فاصله به کالاهای عمومی و امکانات مشخص شده (مانند پارک و بیمارستان) است. ویژگی های محیطی شامل ویژگی های محیط اطراف ملک (به عنوان مثال، سر و صدا و کیفیت هوا). ویژگی های ذکر شده در بالا به طور گسترده در 2 بعدی بررسی شده اند [ 36 ، 37 ، 38]؛ با این حال، بعد سوم/عمودی کمتر مورد توجه قرار می گیرد. بدون در نظر گرفتن عوامل سه بعدی، تأثیر ناهمگونی فضایی عمودی بر ارزش دارایی نادیده گرفته می شود، به ویژه در مناطق شهری پویا و در حال توسعه با مقادیر سخاوتمندانه ساختمان های بلند. علاوه بر این، با انقلاب تکنولوژیکی، استخراج عوامل سه بعدی امکان پذیرتر می شود. به این ترتیب، 3DPV دیدگاه های جدیدی را به ارمغان می آورد و بنابراین اعتبار نتایج ارزیابی را بهبود می بخشد. بنابراین، در بخش زیر به بررسی مختصری از تحقیقات مربوطه در مورد 3DPV می‌پردازیم.

1.2.2. تحقیق مرتبط 3DPV

به طور کلی، تنها چند مطالعه به این موضوع توجه کرده اند [ 39 ]. مقالات موجود را می توان به سه نوع طبقه بندی کرد: مطالعات موردی تجربی، طراحی مفهومی فراگیر، و تجسم سه بعدی قیمت ملک ( شکل 2 ).

(1): مطالعات موردی . در این مطالعات فاکتورهای سه بعدی مختلف در نرم افزار اندازه گیری و به HPM اضافه شدند. مشاهده در اشکال مختلف پرکاربردترین عامل در میان آنها است و کارایی بالایی را در HPM نشان می دهد [ 41 ]. یو، هان [ 21 ] ثابت کردند که منظره دریا قیمت ملک را به طور متوسط 15٪ ارتقا می دهد. یین و هستینگز [ 42 ] تأثیر اقتصادی مثبت دیدگاه‌های آبشار نیاگارا بر درآمد هتل‌ها را تأیید کردند که در آن راهروهای دید، اثرات سایه‌ها و پتانسیل‌های دید مورد تجزیه و تحلیل قرار گرفتند. بر اساس یافته های آنها، سهولت مقررات ارتفاع ساختمان برای اجازه دادن به هتل های مرتفع پیشنهاد شد. چن، لیو [ 43] پتانسیل تصاویر تولید شده توسط کاربر با برچسب جغرافیایی را در برآورد قیمت مسکن بررسی کرد و در نظر گرفت که آیا می توان از آنها به عنوان منبع داده تکمیلی استفاده کرد. لی، لی [ 44 ] یک مدل ادراک بصری را برای تجزیه و تحلیل دیدگاه های چشم انداز طبیعی در مورد قیمت مسکن آپارتمان ها در سئول پیشنهاد کرد. آنها ثابت کردند که مناظر طبیعی با تأثیرات حاشیه ای نابرابر قیمت ها را به طور مثبت تحت تأثیر قرار می دهد (به عنوان مثال، آپارتمان های با قیمت بالاتر افزایش قیمت بالاتری داشتند). علاوه بر این، Ying، Koeva [ 4 ] از چهار عامل سه بعدی در HPM استفاده کردند: نمای، SVF، جهت ساختمان و نور روز. مقایسه آن‌ها از مدل‌های دو بعدی و سه بعدی نشان داد که مدل سه بعدی ارزش‌های دارایی را با دقت بیشتری تخمین زده است. در مقیاسی دقیق تر، چلیک سیمشک و اوزون [ 45] یک BIM مجازی سه بعدی با واحدهای کاندومینیوم ساخت و فاکتورهای کمیت سه بعدی را به دست آورد که بر ارزش هر آپارتمان تأثیر می گذاشت، مانند نور خورشید، وضعیت باد و باز بودن دید. یافته‌های آن‌ها امکان ساخت یک تحلیل فضایی سه‌بعدی در مقیاس کاندومینیوم را اثبات کرد. به طور کلی، ما شاهد استفاده گسترده از نرم‌افزار آماده‌ایم، در حالی که روش‌های منحصربه‌فرد و عدم پیگیری تحقیقات مانع تعمیم و انتقال به سایر حوزه‌ها می‌شود.
(2): طراحی مفهومی فراگیر . این مطالعات به جای حل مسائل دنیای واقعی، بر طراحی مفهومی تمرکز دارند. کاداستر سه بعدی ممکن است در میان تلاش های منتشر شده شناخته شده ترین باشد، و پیشرفت زیادی در کشورهایی مانند هلند [ 39 ]، ترکیه [ 29 ] و اسلوونی [ 46 ] حاصل شده است. 3DPV و کاداستر سه بعدی می توانند سودمند متقابل باشند. از یک طرف، 3DPV از مستندات قانونی دقیق از کاداستر سه بعدی برای ایجاد تخمین های دقیق تر از مقادیر استفاده می کند. از سوی دیگر، مقادیر می توانند به عنوان یک ویژگی قانونی سه بعدی برای کاداستر عمل کنند. کاداستر سه بعدی یک منبع داده قابل اعتماد و تایید شده برای ارائه ویژگی های ساختاری، مکانی و محیطی خواص است. علاوه بر این، کارا، ون اوستروم [ 47] ثابت کرد که داده‌های سه‌بعدی ارزش‌گذاری دارایی را در مدل حوزه مدیریت زمین (LADM)، یکی از موضوعات اصلی در کاداستر سه‌بعدی، که در آن تحلیل دید و دیدگاه کانون‌های تحقیق بودند، پشتیبانی می‌کند. ال یامانی، حاجی [ 28 ] عوامل سه بعدی را که ممکن است تأثیر قابل توجهی بر ارزش دارایی داشته باشند، بررسی کردند و الزامات فنی سه بعدی مربوطه را پیشنهاد کردند که می توان برای مطالعات بیشتر به آنها اشاره کرد.

با این وجود، تنها داشتن یک کاداستر سه بعدی در جنبه قانونی کافی نیست اگر تجزیه و تحلیل فضایی، تجسم، و سایر عملکردهای تعاملی پویا محقق نشود. هان، ژانگ [ 48 ] یک پلت فرم نظارت مفهومی از شاخص قیمت مسکن بر اساس GIS سه بعدی در شنژن، چین ارائه کرد. این مرورگر/سرور (B/S) و ساختار سه لایه با پایگاه داده، رابط داده و چارچوب عملکردی را برای ارائه آخرین و دقیق اطلاعات مربوط به قیمت ملک برای سهامداران در بخش املاک و مستغلات اتخاذ کرد. به طور مشابه، Emekli و Guney [ 49] یک چارچوب مبتنی بر وب سه بعدی را برای تصمیم گیری انتخاب دارایی پیشنهاد کرد که از پرس و جوهای فضایی زبان پرس و جوی ساختاریافته (SQL)، ذخیره سازی اطلاعات هندسی و معنایی و حالت های تجسم مختلف تشکیل شده است. این دو مطالعه برای ارائه یک ساختار بهینه برای ذخیره سازی داده ها و خدمات مربوط به دارایی به سهامداران مختلف، کاربر محور بودند. این چارچوب ها/پلتفرم ها به صورت تئوری طراحی شده اند یا با مجموعه داده های کوچک آزمایش شده اند. آزمایش‌های بیشتر در زمینه‌های فنی و نظری قبل از اجرا ضروری است.
(3): تجسم سه بعدی قیمت ملک ژانگ، لو [ 50 ] مورفولوژی فضایی قیمت مسکن را به صورت سه بعدی با تحلیل مبتنی بر مدل ارتفاعی دیجیتال (DEM) در ووهان، چین تجسم کرد که تفسیر فضایی الگوی فضایی پیچیده قیمت مسکن را افزایش داد. آگاروال، فن [ 51 ] نقشه های حرارتی سه بعدی را برای نشان دادن پویایی ارزش از سال 1995 تا 2017 در سنگاپور ایجاد کردند و آنها موفق شدند تغییرات مکانی-زمانی در افزایش قیمت را ثبت کنند. بلژ و فیگورسکا [ 40] ناپیوستگی های فضایی ارزش اموال را در اولشتین، لهستان نشان داد. این آثار ناهمگونی مکانی یا زمانی قیمت‌های ملک را به‌صورت سه‌بعدی تجسم می‌کردند، که به‌طور شهودی اوج و پایین بازار ملک را منعکس می‌کرد و بنابراین به تصمیم‌گیری و چارچوب‌بندی سیاست کمک می‌کرد.

یکی دیگر از تکنیک های پیشرفته در تجسم سه بعدی، واقعیت مجازی (VR) است که توجه قابل توجهی را در صنایع مرتبط با معماری و مهندسی به خود جلب کرده است [ 52 ]. در دهه گذشته، آن را به عنوان یک ابزار تجسم (به عنوان مثال، خانه مجازی و محیط مجازی)، که عمدتا توسط شرکت های املاک و مستغلات استفاده می شود، در صنعت املاک و مستغلات معرفی شده است. هدف VR ایجاد محیط های همهجانبه برای خریداران و تسهیل درک آنها از محیط های داخلی و خارجی املاک است [ 53 ]. کارهای فعلی، از یک سو، نشان داده است که VR نقش مهمی در تصمیم گیری خرید مسکن دارد [ 54 ، 55 ]]؛ از سوی دیگر، سودمندی آن در بازار مسکن در حال شکوفایی، اعتبار انعکاس واقعیت و هزینه بالا نیز زیر سوال رفت [ 8 ]. پتانسیل VR به جای تجسم فقط شایسته بررسی بیشتر است.

در مجموع، تحقیقات مربوطه 3DPV هنوز در مرحله جنینی است. مطالعات موردی آزمایشی فاقد تحقیقات بعدی است و چارچوب‌های مفهومی به کاربردهای عملی برای بهبود نیاز دارند. هنوز فضای زیادی برای توسعه نظری و فنی وجود دارد.

1.2.3. ویژگی های 3DPV

بر اساس تحقیقات مربوطه 3DPV [ 56 ، 57 ]، ویژگی های اساسی آن به شرح زیر متمایز می شود ( شکل 3 ).

طراحی میان رشته ای و کاربر محور. 3DPV بسیار بین رشته ای است و ذینفعان مختلفی را با تخصص و علایق خود درگیر می کند. به ارزش‌گذاران املاک برای دانش ارزش‌گذاری‌شان، پژوهشگران دانشگاهی برای دانش، توسعه‌دهندگان املاک برای سیاست قیمت‌گذاری، خریداران برای ترجیحات مسکن، دولت محلی برای سیاست مسکن و داده‌های سرشماری، شرکت‌های مکانی برای داده‌های سنجش از راه دور، و شرکت‌های تجاری نیازمندیم. برای پشتیبانی فنی آنها به دست آوردن نظرات ذینفعان به محققان اجازه می دهد بدانند که آیا مدل ارزشیابی نیازهای کاربران را در ابعاد مختلف برآورده می کند یا خیر، سپس آنچه از اهمیت بالایی برخوردار است را می توان درک کرد.

تعادل بین جنبه های اجتماعی-اقتصادی و فنی. معمولاً، مطالعات ارزش گذاری دارایی، HPM را برای ایجاد ارتباط بین عوامل از ویژگی های مختلف (به عنوان مثال، ویژگی های فیزیکی، محیطی، و مکانی) و ارزش دارایی استفاده می کند. عوامل دوبعدی مربوط به جنبه های اجتماعی-اقتصادی به طور گسترده مورد مطالعه قرار گرفته اند تا تأثیر اقتصادی آنها بر ارزش دارایی بررسی شود، مانند منابع آموزشی [ 58 ]، مجاورت پارک [ 59 ] و مراکز خرید [ 60 ]. برعکس، مدل‌سازی سه‌بعدی برای ایجاد DT شهر به تحلیل و تجسم فضایی کمی اختصاص داده شده است، که اغلب بسیار محاسباتی است. بنابراین، ممکن است برای تعداد محدودی از ساختمان ها قابل اجرا باشد [ 61 ، 62 ، 63]، اما برای شهری با هزاران ساختمان قابل اجرا نیست. تعادل، به عنوان مثال، مبادله، بین جنبه اجتماعی-اقتصادی (ارزیابی دارایی) و جنبه فنی (DT) باید تایید شود.

مناسب برای هدف (انعطاف پذیری، مقیاس پذیری، عملکرد). مناسب برای هدف (انعطاف پذیری، مقیاس پذیری و عملکرد) نیز باید در اولویت قرار گیرد. با توجه به انعطاف‌پذیری، فضاها باید برای برنامه‌های افزودنی آینده رزرو شوند، زیرا ممکن است داده‌های گمشده شناسایی شوند و تکنیک‌های تحلیلی بهبود یابند. به عنوان مثال، نباید با مجموعه داده های موجود تداخل داشته باشد یا هنگام قرار دادن یک عامل جدید، خطاهای قابل توجهی در روش ایجاد کند. دوم، مرتبط‌ترین عوامل مؤثر بر ارزش ملک می‌تواند براساس مکان (مثلاً پاریس در مقابل شانگهای)، سری‌های زمانی (مثلاً پنج دهه قبل در مقابل پنج سال گذشته) و مقیاس‌ها (مثلاً مقیاس منطقه در مقابل مقیاس شهر) متفاوت باشد. ) بنابراین، 3DPV باید منعطف باشد تا متناسب با زمینه های محلی باشد. مقیاس پذیری یکی دیگر از مسائل مهم برای تجسم و تحلیل فضایی است. مشابه سطح جزئیات (LoD) در CityGML، که دارای پنج سطح از درشت تا جزئیات است، 3DPV نیز باید در سناریوهای مقیاس پذیر کار کند. به عنوان مثال، در تجزیه و تحلیل مقیاس شهر، عوامل سه بعدی را می توان به عنوان ارتفاع ساختمان منطقه ای و تراکم ساختمان جمع کرد تا یک نمای کلی از کل شهر به دست آید. در تجزیه و تحلیل مقیاس منطقه یا جامعه، ارتفاع تک ساختمان، SVF و ناحیه دید ممکن است برای ارزیابی ویژگی های فردی بهینه تر باشد. در نهایت، عملکرد به معنای برآورده کردن نیازهای کاربران و مفید بودن است. برای مثال، الگوریتم‌های هوش مصنوعی ممکن است کارایی و دقت مدل‌سازی را ارتقا دهند. یک روش کاربر پسند ممکن است عملی بودن را برای ذینفعان مختلف بهبود بخشد زیرا ممکن است درک متفاوتی از یک موضوع داشته باشند. به عنوان مثال، در تجزیه و تحلیل مقیاس شهر، عوامل سه بعدی را می توان به عنوان ارتفاع ساختمان منطقه ای و تراکم ساختمان جمع کرد تا یک نمای کلی از کل شهر به دست آید. در تجزیه و تحلیل مقیاس منطقه یا جامعه، ارتفاع تک ساختمان، SVF و ناحیه دید ممکن است برای ارزیابی ویژگی های فردی بهینه تر باشد. در نهایت، عملکرد به معنای برآورده کردن نیازهای کاربران و مفید بودن است. برای مثال، الگوریتم‌های هوش مصنوعی ممکن است کارایی و دقت مدل‌سازی را ارتقا دهند. یک روش کاربر پسند ممکن است عملی بودن را برای ذینفعان مختلف بهبود بخشد زیرا ممکن است درک متفاوتی از یک موضوع داشته باشند. به عنوان مثال، در تجزیه و تحلیل مقیاس شهر، عوامل سه بعدی را می توان به عنوان ارتفاع ساختمان منطقه ای و تراکم ساختمان جمع کرد تا یک نمای کلی از کل شهر به دست آید. در تجزیه و تحلیل مقیاس منطقه یا جامعه، ارتفاع تک ساختمان، SVF و ناحیه دید ممکن است برای ارزیابی ویژگی های فردی بهینه تر باشد. در نهایت، عملکرد به معنای برآورده کردن نیازهای کاربران و مفید بودن است. برای مثال، الگوریتم‌های هوش مصنوعی ممکن است کارایی و دقت مدل‌سازی را ارتقا دهند. یک روش کاربر پسند ممکن است عملی بودن را برای ذینفعان مختلف بهبود بخشد زیرا ممکن است درک متفاوتی از یک موضوع داشته باشند. و ناحیه دید ممکن است برای ارزیابی خصوصیات فردی بهینه تر باشد. در نهایت، عملکرد به معنای برآورده کردن نیازهای کاربران و مفید بودن است. برای مثال، الگوریتم‌های هوش مصنوعی ممکن است کارایی و دقت مدل‌سازی را ارتقا دهند. یک روش کاربر پسند ممکن است عملی بودن را برای ذینفعان مختلف بهبود بخشد زیرا ممکن است درک متفاوتی از یک موضوع داشته باشند. و ناحیه دید ممکن است برای ارزیابی خصوصیات فردی بهینه تر باشد. در نهایت، عملکرد به معنای برآورده کردن نیازهای کاربران و مفید بودن است. برای مثال، الگوریتم‌های هوش مصنوعی ممکن است کارایی و دقت مدل‌سازی را ارتقا دهند. یک روش کاربر پسند ممکن است عملی بودن را برای ذینفعان مختلف بهبود بخشد زیرا ممکن است درک متفاوتی از یک موضوع داشته باشند.

قابلیت استفاده از داده ها ارزش گذاری دارایی با داده ها از منابع مختلف سر و کار دارد – داده های سرشماری، شکل فایل های برداری، تصاویر سنجش از دور، شاخص های اجتماعی-اقتصادی. اگر داده های خاصی در دسترس نباشد، داده های جایگزین به عنوان پشتیبان مهم است [ 64 ]. در اینجا، قابلیت استفاده از داده ها بر کیفیت، استفاده مجدد و منبع باز متمرکز است. اول، داده‌های باکیفیت برای ارائه تخمین‌های دقیق ارزش دارایی، یک شاخص مهم برای اقتصاد کلان، ضروری هستند [ 65 ]]. کیفیت شامل وضوح، مقیاس و به موقع بودن آن است، اما محدود به آن نیست. دوم، استفاده مجدد از داده های مطالعات موجود با اهداف تحقیقاتی دیگر نه تنها مقرون به صرفه است، بلکه افزونگی ناشی از جمع آوری داده های تکراری را نیز کاهش می دهد. سوم، انتخاب منبع باز همکاری و انعطاف پذیری را تشویق می کند که به ویژه برای کشورهای در حال توسعه معنادار است. خاطرنشان می شود که در حال حاضر، باز بودن داده های سه بعدی یک موضوع پیچیده در اکثر کشورها است، اما منبع باز راه رو به جلو است.

2. مواد و روشها

2.1. طراحی مرور کلی

ما یک رویکرد مرور روایتی را اتخاذ کردیم که از پروتکل‌های خاصی پیروی نمی‌کند و می‌تواند برای اهداف مختلف طراحی شود [ 66 ]. شکل 4 روش شناسی فراگیر را نشان می دهد که در نهایت دارای دو قابل تحویل است، (1) بررسی مدل سازی سه بعدی و (2) چشم انداز 3DPV. به موازات آن، بر اساس پیشینه ارزیابی دارایی ( بخش 1.2.1 ) و ادبیات 3DPV مربوطه ( بخش 1.2.2 )، ما ویژگی های 3DPV ( بخش 1.2.3 ) را شناسایی کردیم. برای مؤلفه بررسی مدلسازی سه بعدی، از یک طرف، ما در مورد مفاهیم کلیدی در این بررسی موضوعی تصمیم گرفتیم تا کلمات کلیدی را در جستجوی ادبیات تنظیم کنیم ( بخش 2.2) و یک استراتژی جستجو برای تشکیل فهرست منابعی که باید بررسی شود ( بخش 2.3 ) ایجاد کرد. علاوه بر این، ما مجموعه‌ای از معیارهای تحلیلی ( بخش 2.4 ) را برای بررسی روش‌های مدل‌سازی سه‌بعدی و تحلیل مناسب بودن آنها برای 3DPV در جنبه‌های مختلف تعریف کردیم ( بخش 3 ). پس از آن، ما چشم اندازهای 3DPV را در کوتاه مدت و بلند مدت پیشنهاد کردیم ( بخش 4 ).

2.2. مفاهیم کلیدی

روی کدام روش ها تمرکز می کنیم؟

مدل‌سازی سه‌بعدی برای DTها در زمینه‌های متنوعی اعمال می‌شود، بنابراین اگر محدوده بررسی به وضوح تعریف نشده باشد، ممکن است به راحتی گم شویم. با درک زمینه های 3DPV، این بررسی بر روش های مدل سازی سه بعدی شهری برای DT های شهری که برای پشتیبانی از 3DPV از طریق رویه ها و تکنیک های ایجاد یک محیط ساخته شده مجازی به جای یک چارچوب قانونی یا نظری مناسب هستند، تمرکز می کند.

2.: روی کجا تمرکز کنیم؟

ما بر مناطق شهری تمرکز می کنیم، نه مناطقی که عمدتاً با مناظر طبیعی پوشیده شده اند (به عنوان مثال، جنگل، چمن، سنگ، زمین برهنه، بیابان و مناطق کشاورزی). منطقه زیرزمینی مستثنی است.

3.: اهداف تحقیق چیست؟

ساختمان ها اهداف اصلی تحقیقاتی هستند، زیرا ما بر روی خواص در ساختمان های مسکونی مرتفع تمرکز می کنیم. جدای از بلوک های استاتیک، تعداد زیادی تعامل پویا بین فعالیت های انسانی و محیط ساخته شده در بعد عمودی وجود دارد. آنها ویژگی های فضایی سه بعدی منحصر به فردی را تشکیل می دهند تا به عنوان فاکتورهای سه بعدی در HPM برای ارزیابی دارایی معرفی شوند. منطقی است که تأثیر آنها را بر قیمت ملک ساختمان های بلند فرض کنیم زیرا ادبیات موجود ناهمگونی فضایی عوامل سه بعدی خاص را ثابت کرده است. در ژائو، لیو [ 20 ]، توزیع نویز تأثیر واضحی داشت: هر چه نزدیکتر به جاده باشد، غلظت آن بیشتر می شود. هر چه سطح طبقه بالاتر باشد، غلظت آن کمتر است. یینگ، کووا [ 8] تایید کرد که افراد ترجیحات مسکن سه بعدی متنوعی دارند، به عنوان مثال، افراد بیشتری ترجیح می دهند در یک طبقه بلند در یک ساختمان مسکونی بلند زندگی کنند. در قیاس، کیفیت هوا نیز تا حدی به پیکربندی ساختمان سه بعدی بستگی دارد [ 67 ].

2.3. استراتژی جستجو

کلمات کلیدی ابتدا بر اساس مفاهیم کلیدی ( بخش 3.2 ) قبل از جستجوی ادبیات رسمی تعریف شدند. جدول 1 نمای کلی از کلمات کلیدی را ارائه می دهد. در جدول، رابطه کلمات کلیدی در یک ردیف OR و رابطه بین ردیف های مختلف AND است. بنابراین، عبارت «روش» و «کجا» و «اشیاء تحقیق» را برای جستجوی مطالعات بتن و میدانی که از 3DPV پشتیبانی می‌کنند و برای جلوگیری از عمومی بودن ایجاد کردیم. ما مستقیماً ادبیات 3DPV را جستجو نکردیم زیرا تعداد محدودی که در جستجوی کلیدواژه بازگردانده شده است. بیانیه کامل را می توان در مرحله بعدی این بخش مشاهده کرد.

شکل 5 جریان شناسایی و انتخاب ادبیات را نشان می دهد. Google Scholar ابتدا به دلیل دشواری استفاده از جستجوی پیشرفته و کیفیت ادبیات متفاوت حذف شد. ما Web of Science (WoS) و Scopus را به عنوان دو پایگاه داده آکادمیک آنلاین اصلی پذیرفتیم [ 68] برای جستجوهای آزمایشی. هر دوی آنها دارای پوشش های ادبی گسترده و معتبری هستند که در مقیاس ها و وسعت مشابهی ساخته شده اند، اما ممکن است در زمینه های علمی فردی کمی متفاوت رفتار کنند. ما جستجوهای آزمایشی را با ترکیب کلمات کلیدی یکسان انجام دادیم و به طور تصادفی 200 مقاله از هر کدام را برای فیلتر اولیه انتخاب کردیم. ما متوجه شدیم که Scopus با پوشش گسترده‌تری نسبت به WoS (1145 در مقابل 847) بازگشت، اما نویزهای بیشتری داشت، به‌عنوان مثال، شناسه‌های دیجیتالی ناسازگار (DOI) و مجلاتی با شهرت غیرقابل تأیید. در نهایت، WoS به عنوان پایگاه داده آکادمیک آنلاین برای جستجوی ادبیات مورد استفاده قرار گرفت.

تنظیمات جستجوی ادبیات به شرح زیر بود. ابتدا، ما یک چارچوب زمانی 2016-2020 تعیین کردیم تا بر پیشرفت مدلسازی سه بعدی برای ایجاد DT شهر در چارچوب پنج ساله تمرکز کنیم. دوم، فقط مقالات مجلات “مقاله ای” برای بازنمایی پژوهش اصلی انتخاب شدند. اقدامات کنفرانس حذف شد زیرا کمبود اطلاعات و تکراری بودن در جستجوهای آزمایشی مشاهده شد. سوم، زبان برای درک نویسندگان به انگلیسی محدود شد. پس از شناسایی، به 847 مقاله منجر شد.

مرحله اول غربالگری، 570 رکورد را به دلایل زیر حذف کرد: 165 مورد در مناطق شهری مورد مطالعه قرار نگرفتند، 310 مورد دارایی/ساختمان را به عنوان اشیاء اصلی برای مدل‌سازی سه‌بعدی در نظر نگرفتند، 70 مورد بدون اطلاعات قابل شناسایی بودند (به عنوان مثال، نویسندگان، وابستگی‌ها، یا DOIs). ) یا به صورت کامل نبود، 23 مورد تکراری بودند، و 90 مورد برای ارزیابی دارایی توسط نویسندگان مفید تلقی نشدند (به عنوان مثال، شیمی، فیزیک، و مدل‌سازی ریاضی و مدل‌سازی زمین‌شناسی). این فرآیند 189 رکورد را برای ارزیابی واجد شرایط بودن با غربالگری مقالات متن کامل به جا گذاشت. مرحله دوم غربالگری 19 مقاله را حذف کرد، زیرا آنها پیشنهادات کاملاً نظری و بدون کاربرد یا عمل بودند. بر اساس 170 مقاله باقیمانده، ما بیشتر یک استراتژی نمونه برداری گلوله برفی را برای انتخاب موارد پر استناد برای به حداکثر رساندن جامعیت ادبیات، اتخاذ کردیم. در مجموع 180 مقاله در مرحله بررسی نهایی قرار گرفتند. عبارات جستجوی کامل در WoS در زیر نشان داده شده است:

تنظیم: کلمات کلیدی/مترادف ها با استفاده از عملگرهای بولی (AND، OR) برای جستجو در موضوع ترکیب می شوند، فیلدی که عنوان، کلمه کلیدی و چکیده را به خطر می اندازد. عبارت جستجو این است: (“3D” یا “3D model*” OR “3D GIS” OR “Digital Twin”) AND (شهری یا شهر یا شهرها یا “محیط ساخته شده”) و (ساختمان* یا انسان یا “مورفولوژی شهری*” ”)
زمان: 01-01-2016–31-12-2020.
نوع سند: «مقاله» از نمایه استنادی علوم گسترده (SCI-EXPANDED) و نمایه استنادی علوم اجتماعی (SSCI).
زبان انگلیسی.

2.4. معیارهای تحلیلی

معیارهای تحلیلی برای پاسخ به سؤالات پژوهشی طراحی شده است که از زوایای مخاطبان هدف، یعنی محققان علاقه مند به استفاده از مدل سازی سه بعدی برای DTs شهر و سهامداران در بخش املاک (به عنوان مثال، دولت، شرکت املاک و مستغلات، خریدار) طراحی شده اند. بنابراین، ما مصاحبه‌های تخصصی آنلاین با محققان و متخصصان صنعت انجام دادیم. این مصاحبه با هدف به دست آوردن نظرات آنها در مورد اینکه چگونه DT ها و مدل سازی سه بعدی می توانند از 3DPV از دیدگاه فنی پشتیبانی کنند، انجام شد. کارشناسان بر اساس شبکه ما (و گلوله برفی) انتخاب شدند. یک نمای کلی از کارشناسان در جدول 2 فهرست شده است. ما از پیشنهادات آنها به عنوان مبنایی برای تشکیل معیارهای تحلیلی خود استفاده کردیم و به طور مستمر از کارشناسان در طول نگارش بازخورد دریافت کردیم تا تجزیه و تحلیل خود را مطابق با پیشرفته ترین تحقیقات بهبود بخشیم.بخش 3 )، و آنها الهام گرفتند که چگونه چشم اندازهای 3DPV را پیشنهاد کردیم ( بخش 4 ). سوالات کلیدی در مصاحبه ها به شرح زیر بود:

کدام روش مدل سازی سه بعدی شهری / ترکیبی از روش ها / داده ها برای مدل سازی ساختمان های مسکونی و ارزیابی املاک مناسب است؟
قابلیت تحلیل فضایی این روش ها چقدر است؟ اثرات/نتایج چیست و چگونه می توان آنها را اندازه گیری کرد؟
مقیاس‌پذیری، کاربرد و انعطاف‌پذیری روش در صورتی که برای ارزیابی دارایی تعدیل شود، چگونه است؟

جدول 3معیارهای تحلیلی را با چهار ویژگی اصلی و عوامل مربوط به آنها فهرست می کند. (1) فراداده به ویژگی های داده استفاده شده توسط آن روش اشاره دارد که وضوح، منبع، حجم، پیچیدگی ترکیب، قابلیت همکاری، چرخه حیات و مدیریت داده را پوشش می دهد. سه عامل اول خود داده ها را توصیف می کنند و چهار عامل دوم به نحوه تعامل آنها با محیط خارجی می پردازد. (2) مشخصات فنی شامل عوامل فنی اساسی روش مربوطه، یعنی مقیاس پذیری، پیچیدگی، قابلیت تحلیلی، اعتبارسنجی و گسترش است. (3) الزامات کاربران، تقاضای کسانی را که عمدتاً آن روش را توسعه می دهند و از محصول نهایی استفاده می کنند (به عنوان مثال، ارگان های دولتی، خریداران و شرکت های املاک و مستغلات) پوشش می دهد. این عوامل عبارتند از: نرم افزار، هزینه، تجسم، قابل فهم بودن، کاربردی بودن، و قابلیت انتقال (امکان ویرایش محلی). (4) ملاحظات اخلاقی به مسائل اخلاقی احتمالی در رابطه با حریم خصوصی شخصی و حساسیت داده ها اشاره دارد. در نهایت، با توجه به هر ویژگی در معیارهای تحلیلی یک امتیاز داده شد. ما مقیاس لیکرت [4 ]، از 0 تا 5، برای نشان دادن کمی مناسب بودن آن برای 3DPV. به عنوان مثال، امتیاز کمتر به این معنی است که دسترسی به ابرداده آسان‌تر است، ویژگی‌های فنی فشرده‌تر هستند، نیازهای کاربران راحت‌تر برآورده می‌شوند، و نگرانی در مورد مسائل اخلاقی وجود ندارد. در مقابل، یک بالاتر به این معنی است که الزامات بالاتری را در مورد ابرداده ها و تکنیک ها پیشنهاد می کند و نیازهای کاربران با مسائل اخلاقی بیشتر پیشرفته تر می شود. شایان ذکر است که نمرات اینجا فقط برای مرجع است.

3. بحث در مورد دسته بندی های متمایز از روش های مدل سازی سه بعدی برای ایجاد شهر DT

ما روش‌های مدل‌سازی سه‌بعدی را که به عنوان پایه‌ای برای ایجاد DT بر اساس داده‌های ورودی اولیه استفاده می‌شوند، دسته‌بندی کردیم. بخش‌ها به شرح زیر سازمان‌دهی می‌شوند: روش‌های مدل‌سازی سه بعدی مبتنی بر تصویر ( بخش 3.1 )، روش‌های مدل‌سازی سه بعدی مبتنی بر ابر نقطه ( بخش 3.2 )، و روش‌های مدل‌سازی سه بعدی ترکیبی ( بخش 3.3 ) (در اینجا ترکیبی به این معنی است که روش دارای چندین منبع داده است. ورودی ها (به عنوان مثال، بردار، شطرنجی، و نقطه)). فهرست کامل انتشارات مورد استفاده در جدول 4 آمده است. باید توجه داشته باشیم که برخی از مقالات در بیش از یک دسته قرار می گیرند. به عنوان مثال، Sun، Olsson [ 69 ] درباره یکپارچه سازی داده های BIM در DT های سه بعدی شهر بحث کردند، بنابراین آن را تحت هر دو “شهر سه بعدی DT” و “BIM” قرار داد.

3.1. DT مبتنی بر تصویر

در این دسته، مطالعات عمدتاً سه هدف را دنبال می‌کنند. (1) تجسم بر اساس تعداد زیادی عکس [ 70 ، 71 ، 72 ]. به دلیل دانه بندی نسبتاً درشت، توابع تحلیلی فضایی و به روز رسانی داده ها محدود شده اند. (2) بازسازی ساختمان DT ساده بدون محیط اطراف [ 73 ، 76 ، 78 ، 80 ، 85 ]. (3) تجزیه و تحلیل شهری در مقیاس های متنوع (مثلاً مقیاس محله و شهر) و برای اهداف مختلف (به عنوان مثال، پتانسیل خورشیدی [ 75 ]، برآورد جمعیت [ 74 ]، و تشخیص سایه [ 77 ]]). حجم داده ها متوسط است زیرا معمولاً فقط چندین تصویر درگیر هستند، اما می توانند محاسباتی فشرده نیز باشند. به عنوان مثال، جداسازی نما فقط به یک ورودی تصویر نیاز دارد، اما تعداد مورد نیاز تصاویر مورد استفاده برای آموزش الگوریتم قابل توجه است [ 71 ، 78 ].

در میان منابع تصویری، تصاویر ماهواره ای یکی از پرکاربردترین ها برای ایجاد DT هستند و اکثر مطالعات از بازسازی سه بعدی بر اساس تصاویر استریو استفاده می کنند [ 93 ]. این رویکرد می تواند اطلاعات جغرافیایی فراوانی را با پوشش وسیع ارائه دهد. با این حال، وضوح مکانی و زمانی در حوزه های عمومی و خصوصی متفاوت است. در حال حاضر، تصاویر منبع باز (به عنوان مثال، Landsat و Sentinel) به طور فزاینده ای در دسترس هستند و راه حل های کم هزینه ای را به خصوص برای کشورهای در حال توسعه ارائه می دهند [ 79 ]. پیترز [ 77] امکان تشخیص خودکار سایه را با استفاده از تصویر ماهواره ای QuickBird نشان داد. علاوه بر این، تصاویر نمای سطح زمین، که زاویه متفاوتی از تصاویر ماهواره ای دارند، به دلیل ثبت بافت های نمای ساختمان و در نتیجه بهبود کیفیت تصویر، به طور فزاینده ای محبوب شده اند. یک مثال معمولی نمای خیابان گوگل (GSV) در دسترس عموم است. Wolberg و Zokai [ 70 ] از GSV برای کاهش خطاهای تجسم اشیاء نزدیک به زمین استفاده کردند. مجموعه گسترده ای از تصاویر با دوربین با ارتفاع ثابت، که در یک شهر گرفته شده است، یک کتابخانه تصویری غنی برای ایجاد DT فراهم می کند [ 72 ]]. به طور کلی، مدل سازی سه بعدی مبتنی بر تصویر زمانی کاربرپسند است که الزامات فنی واضحی وجود داشته باشد. در سال‌های اخیر، الگوریتم‌های توسعه‌یافته با هوش مصنوعی به‌طور گسترده برای مدل‌سازی مبتنی بر تصویر مورد استفاده قرار گرفته‌اند. با این حال، یکی از مهم‌ترین چالش‌ها در این زمینه، نیاز به منبع داده تصویری غنی برای فرآیندهای آموزش و آزمایش است [ 71 ، 78 ].

بررسی ادبیات ما کاربرد محدود روش‌های مدل‌سازی مبتنی بر تصویر را نشان می‌دهد که برای 3DPV استفاده می‌شود. در میان نمونه‌های معدود، محققان استفاده از تصاویر ماهواره‌ای، هوایی و نمای خیابان را به‌عنوان داده‌های ورودی ارزشمندی که مورد تحقیق قرار گرفته‌اند، بیان کرده‌اند. انواع الگوریتم های ML توسط متخصصان این حوزه ترکیب و مورد بررسی قرار گرفته اند تا اطلاعات کمی و کیفی را برای اهداف ارزشیابی استخراج کنند. مثال‌ها شامل استفاده از رویکردهای DL برای ارزیابی رابطه بین ویژگی‌های بصری خیابان و ارزش‌های دارایی، و مقایسه HPM کلاسیک با مدل ML [ 241]. نتایج مزایای گنجاندن عواملی مانند پوشش گیاهی (ویژگی‌های درخت، متفاوت در سه‌بعدی) علاوه بر ویژگی‌های سنتی مانند ساختار، مکان و ویژگی‌های محیط محله (2D) را ثابت کردند. علاوه بر این، محققان ثابت کردند که ترکیب تصاویر هوایی و زمینی دقت هندسی را بهبود می بخشد [ 63 ]. علاوه بر این، مطالعات بر روی پارامترهای سه بعدی پشت بام و ردپای ساختمان استخراج شده از انواع مختلف تصاویر متمرکز شده است [ 75 ، 83 ]. اطلاعات جغرافیایی سه بعدی فوق را می توان در 3DPV استفاده کرد. چالش های فنی در اعتبار سنجی، انتقال پذیری و مقیاس پذیری نهفته است. محققان دقت طبقه‌بندی خود را با مجموعه داده‌های مرجع از پیش کسب‌شده تأیید کردند [ 63 ،73 ، 79 ، 84 ]، اما در دسترس بودن محدود است. بنابراین، تأیید استحکام دشوار است، که قابلیت انتقال را سخت‌تر می‌کند [ 77 ، 78 ]. مسائل اخلاقی ممکن است از افرادی نیز ناشی شود که نمی خواهند ویژگی های آنها در تصاویر با وضوح بسیار بالا (VHR) یا GSV قابل مشاهده و شناسایی شود.

3.2. DT مبتنی بر ابر نقطه

اکثر مطالعات DT مبتنی بر ابر نقطه‌ای بر بازسازی ساختمان به شکل نمایش مرزی (b-rep) متمرکز هستند (به عنوان مثال، تقسیم‌بندی نما و استخراج طرح کلی ساختمان) [ 62 ، 123 ، 210 ] و روش‌های مشابهی را به اشتراک می‌گذارند: (1) آنها داده‌های نقطه‌ای را با برچسب های معنایی (به عنوان مثال، پنجره، در، و سقف) و (2) از هوش مصنوعی برای مقابله با حجم زیاد داده ها و افزایش دقت طبقه بندی استفاده می کنند [ 62 ، 105 ، 111 ، 129 ، 131 ، 132 ]. مطالعات دیگر بر موضوعاتی مانند تجزیه و تحلیل دید [ 61 ، 126 ]، شهر هوشمند [ 170 ] و مسیریابی در داخل ساختمان تمرکز دارند.125 ].

داده‌های ابر نقطه‌ای عمدتاً با تشخیص نور و محدوده (LIDAR) به دست می‌آیند، روشی که می‌تواند اطلاعات سه بعدی با وضوح بالا را از ویژگی‌های زمین در صحنه‌های شهری در مقیاس بزرگ جمع‌آوری کند [ 61 ، 98 ، 139 ]. داده‌های ابر نقطه‌ای، داده‌های خام یا اشیاء مکانی را به شکلی ثابت و به خوبی تعریف شده نشان می‌دهند [ 131 ]. پلتفرم های مختلف LIDAR مانند ALS [ 111 ، 113 ، 123 ]، اسکن لیزری زمینی (TLS) [ 120 ، 129 ]، و اسکن لیزری سیار (MLS) [ 101 ، 126 ، 127 ] استفاده شد.]. پلتفرم‌های خاص، حسگرها و نرم‌افزارهای اختصاصی الزامات فنی بالایی را برای استفاده از داده‌ها پیشنهاد می‌کنند [ 107 ]. محاسبات موازی یکی از راه حل ها برای سهولت محاسبات سنگین است [ 96 ، 97 ]. کائو، ژانگ [ 96 ] بیشتر اهمیت پایگاه داده فضایی را برای سازماندهی داده ها نشان دادند. دقت هندسی و کیفیت تجسم دو جنبه اعتبارسنجی است [ 129 ]. اولی از مجموعه داده های معیار رسمی مانند مجموعه داده های ISPRS [ 62 ، 97 ، 103 ، 119 ، 122 ] و Dutch BAG (Basisregistratie Adressen en Gebouwen) [ 100 ، 127 ] استفاده می کند.] یا داده های مرجع به صورت دستی ایجاد شده [ 108 ]. کنترل کیفیت بصری اغلب برای اعتبار سنجی استفاده می شود. وانگ، یان [ 102 ] مدل Wireframe و داده‌های ابر نقطه‌ای را برای ارزیابی دقت مدل‌سازی مقایسه کردند. هیو، لی [ 120 ] از تصاویر چشم ماهی گرفته شده در همان نقطه دید برای تأیید برآورد ضریب دید آسمان (SVF) استفاده کرد.

به طور طبیعی، داده های ابر نقطه ای با چگالی نقطه بالا و حجم زیاد مشخص می شوند [ 101 ]. با این حال، آنها مستعد نادرستی هستند مانند انسداد از درختان [ 115 ]، فساد صدا [ 106 ] و از دست دادن اشیاء با اندازه کوچک [ 119 ]. اینکه آیا این نوع خطاها تأثیر قابل توجهی بر روی 3DPV دارند یا خیر به مقیاس پذیری بستگی دارد. برای یک مطالعه ارزش گذاری در مقیاس شهر، ممکن است خطاها قابل تحمل باشد، اما برای مطالعه در سطح ساختمان یا دارایی، امکان ایجاد سوگیری وجود دارد. راه حل منبع باز محدود است، همانطور که Nys، Poux [ 113] تنها مطالعه ای است که امکان عدم استفاده از راه حل های اختصاصی را نشان می دهد. داده های منبع باز به دلیل عدم پیشرفت کافی برای ثبت ویژگی های دقیق مورد انتقاد قرار می گیرند [ 78 ].

به طور خلاصه، تنها استفاده از داده های ابر نقطه ای برای 3DPV هنوز چالش برانگیز است [ 95 ، 116]. ابر نقطه ای داده های سه بعدی فراوانی را ارائه می دهد و ابعاد عمودی را به طور مستقیم به تصویر می کشد، به عنوان مثال، ارتفاع ساختمان و سطح و انسداد درختان و ساختمان های دیگر. با این حال، پردازش داده ها به یک واحد پردازش مرکزی (CPU) نیاز دارد و حافظه فشرده است، اما برای اجرای الگوریتم های هوش مصنوعی ضروری است. این بدان معناست که داده های ابر نقطه خام باید قبل از تبدیل شدن به یک محصول آماده برای استفاده، پاکسازی و پردازش شوند. در نتیجه، هزینه یادگیری را هم برای توسعه دهندگان و هم برای کاربران نهایی افزایش می دهد، که برای موضوعی که هنوز در حالت جنینی است فایده ای ندارد. دوم، بیشتر مطالعات یک منطقه مطالعاتی کوچک (مثلاً چندین ساختمان یا یک بلوک خیابان) را به دلیل حجم زیاد داده ها و هزینه های جمع آوری گران پوشش می دهند که در مطالعات ارزش گذاری نسبتاً محدود در نظر گرفته می شود. سوم، قابلیت انتقال همچنان یک مسئله باقی می ماند (به عنوان مثال،100 ، 242 ]. با وجود چالش‌های مختلف، پتانسیل داده‌های ابر نقطه‌ای بسیار زیاد است. آنها اطلاعات ارتفاع را ارائه می دهند و طرح کلی ساختمان را به طور دقیق به تصویر می کشند، و این نوع تجسم پیشرفته عناصر، مانند سقف ها و نماها، ارزش قابل توجهی به تجسم DT و ورودی اطلاعات معنایی برای 3DPV می دهد. گوارت، پرسلو [ 214] سکونتگاه های غیررسمی را بر اساس تغییرات ارتفاعی ابر نقطه طبقه بندی کرد، که در هنگام تشخیص کیفیت های مختلف مسکن بر اساس ارتفاع ساختمان می توان به آن 3DPV اشاره کرد. TLS و MLS ممکن است برای جمع‌آوری داده‌های منطقه کوچک مکمل باشند، اگر داده‌های خاصی وجود نداشته باشد یا هدف مدل‌سازی دقیق محیط باشد (مثلاً برای یک پروژه آزمایشی). الگوریتم‌های هوش مصنوعی همچنین می‌توانند در جمع‌آوری و پردازش داده‌ها و همچنین در استخراج معنایی خاص حوزه حمایت کنند [ 131 ، 132 ]. به عنوان مثال، پان، گوان [ 135] از یک شبکه عصبی کانولوشنال (CNN) برای طبقه بندی کاربری زمین بر اساس داده های ALS استفاده کرد و مدل آنها در عملکرد محاسباتی و دقت طبقه بندی برتر بود. علاوه بر این، از آنجایی که ابر نقطه اطلاعات شناسایی شخصی را جمع آوری نمی کند، ممکن است منجر به مسائل اخلاقی نشود.

3.3. هیبریدی DT

این بخش شامل مطالعاتی با استفاده از منابع داده ترکیبی، از جمله DT شهر سه بعدی ( بخش 3.3.1 )، 3 بعدی GIS ( بخش 3.3.2 )، BIM ( بخش 3.3.3 )، BIM-GIS ( بخش 3.3.4 )، وکسل ( بخش ) است. 3.3.5 )، و مدل سازی رویه ای ( بخش 3.3.6 ).

3.3.1. شهر سه بعدی DT

DT شهر سه بعدی پرکاربردترین روش بر اساس فهرست منابع است. اصطلاح، یعنی اینکه دقیقاً DT شهر سه بعدی چیست، یک ابهام قابل توجه باقی مانده است [ 22 ]. به طور کلی، این یک نمایش دیجیتالی از مناطق شهری است که هندسه، ساختار، و پوشش داده‌های ساختمان‌ها، زیرساخت‌ها، پوشش گیاهی، زمین و عناصر مورفولوژیکی مختلف را توصیف می‌کند [ 191 ]. اهداف تحقیق از نقشه برداری نویز [ 20 ] و تشخیص تغییرات مکانی-زمانی شهری [ 136 ] تا کاربردهای انرژی [ 137 ] را شامل می شود. آنها وظایف تحلیلی فضایی پیچیده تری را نسبت به کارهایی که فقط برای اهداف طبقه بندی انجام می دادند، انجام دادند.

رویکردهای مختلفی برای ایجاد DT شهر سه بعدی وجود دارد و عموماً پرهزینه و وقت گیر هستند [ 106 ، 180 ، 181 ]. بنابراین، محققان تلاش هایی را در جهت اتوماسیون و استانداردسازی انجام داده اند. ابتدا، داده ها در یک سیستم مدیریت پایگاه داده رابطه ای (DBMS) مانند PostGIS ذخیره می شوند که طرحواره های داده های ساختاریافته آن فشار انبوهی از مدیریت داده ها را کاهش می دهد. پایگاه های داده با ابزارهای DT شهر سه بعدی توسعه یافته خاص، مانند 3DcityDB [ 151 ] و DB4Geo [ 161 ] مرتبط هستند. لو، پارلیکاد [ 13] یک مثال پیچیده اما سیستماتیک از ایجاد یک DT برای پردیس خود را نشان داد که شامل پنج سهامدار مهم، منابع داده ناهمگن، و لایه‌های مدل مختلف است. دوم، شهر سه بعدی DT یک طرح داده ساختاریافته را برای قابلیت انتقال به سایر مناطق مورد مطالعه اتخاذ می کند (به عنوان مثال، CityJSON [ 113 ])، که در آن CityGML گسترده ترین طرح داده پشتیبانی شده است [ 243 ]. این یک کنسرسیوم فضایی باز (OGC) استاندارد برای نمایش چند سلسله مراتبی جغرافیایی، توپولوژیکی و معنایی [ 244 ] است. این توسط طیف گسترده ای از نرم افزارهای اختصاصی و منبع باز پشتیبانی می شود. در مجموع، پنج LoD (LoD 0 تا LoD 4)، از درشت تا دقیق، در CityGML [ 184 ] تعبیه شده است.]، به عنوان مثال، تعدادی جایگزین تجسم وجود دارد. سوم، برنامه‌های افزودنی برای خدمت به اهداف میدانی خاص، مانند SimStadt از TU Stuttgart برای شبیه‌سازی انرژی، توسعه می‌یابند [ 151 ، 156 ]. Agugiaro، Benner [ 245 ] فهرستی از Energy ADE در CityGML ارائه کرد.

با این وجود، در هنگام استفاده از 3DPV باید به چندین محدودیت DT شهر سه بعدی اشاره کرد. جولین، جعلما [ 191 ] دشواری مقیاس پذیر بودن و اصلاح و تعداد محدود اهداف تحقیق را گزارش کردند. کار بیشتری باید به اعتبار سنجی روابط هندسی ساختمان های سه بعدی و اندازه گیری های دقیق اختصاص داده شود [ 26 ]، زیرا اعتبار اکنون با مقایسه دستی نتایج مدل سازی با مجموعه داده های واقعی [ 162 ] انجام می شود. لهنر و دورفنر [ 192] به عدم انسجام زمانی موجود در منابع داده ناهمگن در شهر سه بعدی DT اشاره کرد که باید مورد توجه قرار گیرد. ارزش ویژگی نسبت به تغییرات محیط اطراف حساس است، در حالی که شکاف زمانی ممکن است تغییرات را ثبت نکند، که ممکن است باعث سوگیری قابل توجهی شود. در نهایت، در دسترس بودن DT شهر سه بعدی هنوز محدود است، و طرح داده فعلی برای پشتیبانی از ارزیابی دارایی طراحی نشده است [ 166 ].

ما 3D city DT را یک راه حل قدرتمند برای 3DPV در نظر می گیریم. اول، تجسم پویا LoD به ویژگی مناسب برای هدف کمک می کند. به عنوان مثال، LoD کم بر استخراج اطلاعات ساختمان در مقیاس بزرگ (مثلاً حجم، ارتفاع، تراکم) تمرکز می‌کند، در حالی که LoD بالا تأثیر ظریف سه‌بعدی را بررسی می‌کند، که ممکن است به دلیل وضوح داده‌های درشت نادیده گرفته شود (به عنوان مثال، درختان ممکن است بر روی ویژگی‌ها سایه بگذارند. سطوح پایین). دوم، تجسم سه بعدی بر محدودیت دوبعدی غلبه می کند، بنابراین سهامداران مختلف در بخش املاک و مستغلات سود می برند [ 179 ]]. خریداران برای جبران عدم تقارن اطلاعات، ملک را در نمای هلیکوپتری سه بعدی می شناسند. برنامه ریزان شهری می توانند سیاست برنامه ریزی منطقه ای را با فراگیری سه بعدی بیشتر بهینه کنند. سوم، همچنین می تواند مقادیر دارایی را در گذشته، فعلی و آینده تجسم کند. تحلیل زمانی ملک را می توان به روشی پویا برای پیش بینی در حمایت از دولت، خریداران و شرکت های املاک شبیه سازی کرد. با این حال، یک DT شهر سه بعدی با تمام داده ها ممکن است به معنای افزونگی داده ها و فقدان تکنیک های تحلیلی خاص برای 3DPV باشد. به عنوان مثال، معماری سیستماتیک ایجاد یک DT ممکن است از نظر داده ها و هزینه بسیار زیاد باشد [ 13 ]. با توجه به طرح واره پیچیده ذاتی آن با صدها جدول در پایگاه داده، اکثر برنامه ها فقط از بخش کوچکی استفاده می کنند (به عنوان مثال، برنامه های انرژی فقط از داده های مرتبط با انرژی استفاده می کنند) [ 161]. در عوض، یک برنامه افزودنی به طور خاص برای 3DPV می تواند راه حل ممکن باشد: اطلاعاتی را ارائه می دهد که 3DPV به طور خاص با توجه به نیازهای کاربران به آن نیاز دارد و همچنان می تواند انواع دیگر داده ها را در صورت تقاضا فراخوانی کند. این کارایی استفاده از داده ها را بهبود می بخشد و منجر به به روز رسانی داده ها در آینده می شود. علاوه بر این، الزامات شهروندان نیز پویا است، بنابراین عوامل موجود در 3DPV باید قابل به روز رسانی باشند. رویکرد انتخاب شده برای DT باید امکانات فنی برای به روز رسانی آسان و مداوم داده ها را فراهم کند.

3.3.2. GIS سه بعدی

مطالعات فعلی ارزش گذاری دارایی به طور گسترده از GIS برای مطالعه ویژگی های مکانی و محیطی خواص به صورت دوبعدی و تجزیه و تحلیل تأثیر بر مقادیر دارایی با استفاده از HPM استفاده کرده است، در حالی که اطلاعات سه بعدی به نحوی نادیده گرفته شده است [ 246 ، 247 ، 248 ]. GIS سه بعدی روابط توپولوژیکی متنوعی را از منابع داده های مختلف به هم متصل می کند و یک چشم انداز سه بعدی را بر اساس دوبعدی اضافه می کند. وظایف تحلیلی فضایی گسترده ای توسط GIS سه بعدی انجام می شود، مانند ضریب دید آسمان و تحلیل دید [ 84 ، 86 ، 202 ، 215 ].

الزامات فنی در مقایسه با سایر روش‌های مدل‌سازی سه بعدی در حال ظهور برای ایجاد DT کاهش می‌یابد. یک لیست نرم افزار آماده از بخش های اختصاصی و منبع باز، همراه با اتوماسیون تجزیه و تحلیل تکراری و رویه ای، عملکرد وظایف را در مقیاس بزرگ تضمین می کند [ 199 ، 204 ، 208 ]، مانند بازسازی تعداد زیادی از ساختمان ها. با سطوح بالای تکرار و تقارن. این نرم‌افزار با فرمت‌های داده‌های متنوع، از تصاویر شطرنجی [ 144 ]، ابر نقطه LIDAR [ 212 ]، و فایل‌های برداری (مثلاً ردپای ساختمان) [ 179 ] سازگار است.]. برنامه های افزودنی نیز موجود است. به عنوان مثال، اتصال با Web-GIS می تواند عملکردهای تعاملی را با تجربه غوطه ور در محیط اطراف و کاهش اندازه محتویات دیجیتال (مانند VR و Google Earth) برای ذینفعان مختلف فراهم کند [ 179 ، 216 ]. DBMS، مانند PostgreSQL با PostGIS [ 84 ]، به طور گسترده برای مدیریت داده استفاده می شود [ 77 ، 141 ، 212 ].

3DPV از GIS سه بعدی با توجه به دوستی کاربران و کاربردهای بالغ خود سود زیادی می برد، که به طور قابل توجهی هزینه یادگیری را کاهش می دهد و درک سهامداران مختلف درگیر را به طور همزمان افزایش می دهد. با گسترش DBMS، ایمنی و ذخیره سازی داده ها تضمین می شود و زمانی که محیط اطراف تغییرات قابل توجهی دریافت می کند (به عنوان مثال، سایه ای توسط یک ساختمان مجاور جدید ساخته می شود) می توان از داده ها برای به روز رسانی تجزیه و تحلیل زمانی مقادیر استفاده مجدد کرد. 3D GIS تجسم سه بعدی رضایت بخشی را ارائه می دهد و با توجه به قابلیت تحلیل فضایی برای 3DPV در مقیاس شهر مقرون به صرفه است. این محدودیت عمدتاً در دقت وجود دارد زمانی که تحقیق به مقیاس ملک یا ساختمان می‌رود، زیرا به سختی می‌توان تفاوت‌های ظریف را تحت پیچیدگی محیط شهری به تصویر کشید. درختان منبع خطا هستند. آنها باعث ایجاد سایه می شوند و بر ساعات روشنایی روز و تهویه در خواص سطوح پایین اثر می گذارند.120 ]. با این حال، سایه‌ها ممکن است در فایل‌های GIS نادیده گرفته شوند، که احتمالاً بسته به مقیاس‌های کاربردی و تحقیقاتی، باعث تعصب تخمینی می‌شود. علاوه بر این، انعطاف پذیری برای توسعه توابع حذف شده از محدوده نرم افزار محدود است، به عنوان مثال، طراحی فرآیندهای تحلیلی فضایی جدید دشوار خواهد بود.

3.3.3. BIM

BIM هندسه، روابط فضایی، سیستم های اطلاعات جغرافیایی، و اجزای مختلف ساختمان (به عنوان مثال، جزئیات تامین کننده و زیرساخت فیزیکی) را پوشش می دهد. این یک محیط دیجیتال سه بعدی برای مدیریت چرخه حیات کامل یک ساختمان، از طراحی اولیه تا برچیدن نهایی، با اطلاعات معنایی و هندسی غنی ایجاد می کند [ 220 ]. BIM یک راه حل قدرتمند است که ساختمان(های) فردی مانند مدیریت میراث فرهنگی [ 219 ] و ناوبری مسیرهای داخلی [ 220 ] را هدف قرار می دهد.

به طور طبیعی، BIM دارای حجم داده بزرگ با غنای اطلاعاتی زیاد است زیرا حاوی اطلاعات ساختمانی از دسته‌های مختلف فیزیکی و عملکردی است. بنابراین، الزامات ذخیره سازی و نگهداری داده های فنی بالا را مطرح می کند و نیاز به سرمایه گذاری قابل توجهی در نرم افزار و نیروی کار دارد [ 218 ]. فرمت‌ها و نرم‌افزار داده‌های اختصاصی هنوز در زمینه BIM اکثریت هستند و پلتفرم‌های مختلف از فرمت‌های داده و گردش کار استفاده می‌کنند [ 221 ]. اگر داده ها بین پلتفرم های مختلف منتقل شوند، ممکن است منجر به درگیری های احتمالی شود. محبوب ترین طرح داده، کلاس های بنیاد صنعتی (IFC) است که به خوبی توسط اکثر نرم افزارهای BIM پشتیبانی می شود [ 67 ]]. تمام اجزای ساختمان را می توان مدلسازی، ذخیره و در طرحواره IFC نشان داد [ 223 ]. استاندارد صنعتی شناخته شده IFC قابلیت انتقال و تکرارپذیری مدل های ساختمان را ارتقا می دهد. علیرغم الزامات فنی سختگیرانه، BIM به طور گسترده توسط طیف گسترده ای از ذینفعان، مانند صنعت، دانشگاه و افراد مورد استفاده قرار گرفته است و آن را به یک تکنیک مدل سازی سه بعدی امیدوارکننده تبدیل کرده است.

BIM به طور ذاتی با جنبه های ساخت و ساز ساختمان، مانند هزینه، نگهداری و زمان ساخت مرتبط است [ 67 ]. با این حال، اطلاعات در این ابعاد ممکن است برای 3DPV اضافی باشد و در نتیجه ممکن است فشار بر روی ذخیره سازی داده ها را افزایش دهد. مدیریت داده با تعداد زیادی ساختمان در مقیاس شهر غیرقابل اجرا می شود [ 218 ]، و محققان تلاش کرده اند محاسبات فشرده را کاهش دهند. در Lu, Gu [ 229 ]، مطالعه ای متشکل از بیش از 600 ساختمان از داده های GIS، تنها چندین ساختمان مهم در BIM ساخته شد که می تواند به عنوان یک مبادله بین کارایی و هزینه در نظر گرفته شود. امیرابراهیمی، رجبی فرد [ 225] برای جلوگیری از افزونگی، ویژگی های اضافی مانند هزینه و مواد را با ارجاع به تعاریف آنها جایگزین کرد [ 67 ]. دوم، جمع‌آوری و مدل‌سازی داده‌های BIM پرهزینه است، یک راه‌حل غیرقابل‌قبول برای 3DPV در مقیاس شهر. سوم، BIM اغلب به تنهایی می ایستد و ارجاع جغرافیایی ندارد، به عنوان مثال، تأثیر فضایی از محیط ناشناخته باقی می ماند. این یک کمبود شدید است زیرا ارزش گذاری ملک باید ویژگی های مکانی و محیطی را به عنوان شاخص های ضروری برای ارزش ملک در نظر بگیرد. در نهایت، ما باید مسائل قانونی را نیز در نظر بگیریم، زیرا BIM اطلاعات ساختار داخلی را که از ارائه دهندگان زیرساخت های مختلف می آید، یکپارچه می کند [ 177 ].

BIM همچنان می تواند به 3DPV به صورت زیر ارجاع دهد. اول، می تواند به عنوان داده های مکمل با کیفیت بالا عمل کند. به عنوان مثال، زمانی که داده های ارزش گذاری خاص قدیمی هستند (به عنوان مثال، مصالح ساختمانی، مصرف انرژی) [ 69 ]، افزودن داده های BIM می تواند عدم تقارن اطلاعاتی را در بازار املاک کاهش دهد. دوم، این یک رویکرد عملی برای مدیریت دقیق داده های مدیریت زمین و دارایی، به ویژه برای ساختمان های بلند (به عنوان مثال، نمایش دقیق مرزهای قانونی و پلان های طبقه املاک) در نظر گرفته می شود [ 217 ]. تاکنون ظرفیتی برای مستندسازی اطلاعات مالکیت و حقوقی وجود ندارد [ 129 ، 217]. بنابراین، یک پسوند طرحواره ارزش زیادی به قابلیت اجرا و انتقال آن می‌افزاید. علاوه بر این، در سطح نظری، غنای اطلاعاتی که BIM در اختیار دارد ممکن است بینش جدیدی را در مورد چگونگی تجزیه ارزش دارایی و اینکه کدام شاخص ها تأثیرات قابل توجهی بر ارزش دارند به ارمغان بیاورد. به طور کلی، اگرچه موضوع مدل سازی سه بعدی و DT در دهه های گذشته ظهور کرده است، همکاری واقعی بین بخش ها و بازیگران مختلف هنوز ضعیف است [ 224 ]. بنابراین، استفاده از داده های BIM برای 3DPV نیاز به پشتیبانی از جهان خارج از جامعه BIM دارد.

3.3.4. BIM-GIS

با استفاده کامل از مزایای مربوط به BIM و GIS می توان مدل های دقیق ساختمان فردی را با محیط واقعی مرتبط کرد. اطلاعات غنی در LoD زیاد مدل‌های فردی (BIM) و محیط جغرافیایی نسبی (GIS) قابلیت کاربرد را گسترش می‌دهد.

در مقایسه با استفاده از BIM یا GIS به تنهایی ، BIM -GIS در الزامات فنی و مهارت‌های کاربر (مثلاً حجم داده‌ها بزرگ‌تر است، هزینه یادگیری کاربران در حال افزایش است و مسائل اخلاقی مربوط می‌شود) بیشتر است. به طور خلاصه، دشواری ها دو برابر می شوند. هماهنگ سازی فرمت داده ها به دلیل ساختارهای مختلف داده، اولویت اصلی است. تعداد زیادی تلاش برای تمرکز بر تبدیل دو طرفه IFC و CityGML، دو طرحواره داده محبوب در مقیاس ساختمان و مقیاس شهر وجود دارد [ 175 ]. با این حال، تبدیل هنوز هم می تواند چالش برانگیز باشد، به خصوص برای LoD بالاتر [ 110]؛ بر اساس بهترین تلاش، توسعه پذیری هنوز از دانش نویسندگان تحت بررسی است. علاوه بر این، داده‌های GIS و BIM توسط نرم‌افزارهای مختلف پردازش می‌شوند که پیچیدگی پردازش داده‌ها و نیازهای عملیاتی متخصصان را افزایش می‌دهد [ 228 ].

با وجود مشکلات، این ترکیب فرصت هایی را نیز به همراه دارد. اول، تحلیل فضایی را می توان در مقیاس دقیق تری بر اساس GIS سه بعدی، مانند ارزیابی آسیب پذیری لرزه ای [ 226 ، 227 ] انجام داد. Zhang، Cheng [ 195 ] GIS و BIM را برای ساختن پلتفرمی برای تجسم سه بعدی، مدیریت شهری دقیق و تعاملات پویا با کاربران ترکیب کردند. در دنگ، چنگ [ 228 ]، ویژگی‌های داخلی و خارجی می‌توانند فوراً برای نگاشت نویز سه بعدی به طور متقابل منعکس شوند. BIM دیگر جزیره ای بدون اطلاعات اطراف نیست و GIS با معنایی و اطلاعات جغرافیایی سه بعدی غنی شده است. در حال حاضر، مسئله تبدیل سیستم مختصات به خوبی مورد مطالعه قرار گرفته است، مانند دنگ، چنگ [ 230]، ژانگ، هو [ 231 ]. دوم، برای پاسخگویی به خواسته های مختلف انعطاف پذیر است [ 229 ]. به عنوان مثال، امیرابراهیمی، رجبی فرد [ 226 ] چارچوبی در مقیاس خرد برای ارزیابی خسارت سیل ساختند که در آن مدل ارتفاع از GIS و اطلاعات ساختمان از BIM بود. این سناریو برای بازار املاک ایده‌آل است، جایی که ذینفعان مختلف با اهداف متفاوتی می‌آیند (به عنوان مثال، برنامه‌ریزان شهری ممکن است روی توسعه در مقیاس بزرگ تمرکز کنند در حالی که خریداران به محیط‌های مسکونی خود در یک منطقه کوچک نگاه می‌کنند، مانند دسترسی به مراکز خرید و مدارس). به این ترتیب مقرون به صرفه بودن و کارایی بهبود می یابد. برای اطلاعات بیشتر، بررسی ژو و وو [ 249] در مورد یکپارچه سازی داده های BIM-GIS به شدت توصیه می شود.

چالش اصلی BIM-GIS در داده ها نهفته است. همانطور که قبلا ذکر شد، هماهنگی و سازگاری فرمت داده ها در بین نرم افزارهای مختلف باید ابتدا برای 3DPV مورد بررسی قرار گیرد. تلاش‌های بیشتری در جمع‌آوری داده‌ها ضروری است، زیرا مناطق مورد مطالعه که در آن داده‌های BIM و 3D GIS به طور همزمان در دسترس هستند، می‌توانند بسیار محدود شوند.

3.3.5. وکسل

وکسل ها برای جمع آوری داده های نقطه پراکنده در فاصله های از پیش تعریف شده (مثلاً 1.5 متر در 1.5 متر در 0.5 متر) استفاده می شوند [ 167 ]. در قیاس، وکسل ها شبیه به پیکسل های دوبعدی هستند که به صورت سه بعدی گسترش یافته اند و اطلاعات افقی و عمودی را حمل می کنند. Voxels برای ایجاد DT شهر برای موضوعاتی مانند تجزیه و تحلیل دید [ 236 ]، استخراج سطح زمین [ 233 ]، و اندازه گیری چشم انداز [ 121 ] استفاده شده است. بیشتر مطالعات در یک منطقه کوچک (به عنوان مثال، یک خیابان با چندین ساختمان) انجام شد [ 238]، که تا حدی هزینه بالای جمع‌آوری و پردازش داده‌ها را توضیح می‌دهد (به عنوان مثال، داده‌های جمع‌آوری‌شده توسط وسایل نقلیه محدود به مناطق خاص و نیاز به ترتیبات برای متخصصان و ابزارها است). اندازه وکسل عامل مهمی است که بر دقت و صحت تأثیر می گذارد [ 61 ، 120 ، 128 ]. به طور کلی، یک اندازه وکسل کوچکتر می تواند جزئیات بیشتری را با نیازهای محاسباتی بالاتر ثبت کند [ 61 ]. گاهی اوقات از نمونه برداری پایین برای کاهش مقدار محاسبه استفاده می شود [ 118]. اندازه وکسل بزرگتر ممکن است اطلاعات را از دست بدهد اما فشار محاسبات را کاهش دهد. از دیدگاه کاربران، voxel نسبتا کاربر پسند است. نرم افزارهای انحصاری (مثلاً اتوکد) و منبع باز (مانند SketchUp، QGIS و Minecraft) وجود دارد. تجسم وکسل دارای مرزهای مشخصی است، به عنوان مثال، مکعب‌ها روی هم چیده می‌شوند، منطق مدل‌سازی واضح است، و ساختار دارای خطوط لوله‌ای است که به راحتی قابل پیگیری هستند [ 201 ]. در تلاش های موجود هیچ موضوع اخلاقی ذکر نشده است. ویژگی های ذکر شده در بالا برای درک و کاربرد کاربران مفید است.

با ویژگی‌های ذاتی وکسل به‌عنوان یک مکعب، برخورد با ساختمان‌هایی با خطوط نامنظم چالش‌برانگیز است [ 101 ]. در مورد 3DPV، ساختمان‌های بلندمرتبه مسکونی کمتر تحت تأثیر قرار می‌گیرند، زیرا همیشه دارای خطوط کلی ساختمان هستند. با این وجود، از دست دادن اطلاعات معنایی نیاز به توجه دارد. لیانگ و گونگ [ 167 ] از دست دادن اطلاعات معنایی و روابط فضایی پس از voxelization در یک مدل مبتنی بر octree برای تابش خورشیدی را گزارش کردند.

در 3DPV، در نظر گرفتن تعادل راندمان محاسباتی و کیفیت محصول نهایی مهم است. اندازه وکسل باید بر اساس مقیاس تحقیق، مقیاس شهر یا هر ویژگی متفاوت باشد، در حالی که نگرانی دیگری را به همراه دارد: اختصاص دادن هر وکسل با برچسب‌های معنایی در هر ویژگی مشکل‌ساز است [ 167 ]، که مستعد خطا و کار فشرده است. تقسیم بندی نمای ساختمان یکی از جهت گیری های اصلی تحقیق در مدل سازی وکسل است [ 94 , 128]؛ با این حال، بهبود تجسم سه بعدی کمک کمی به تجزیه و تحلیل فضایی 3DPV می کند، اگرچه شدت محاسباتی را افزایش می دهد. Voxel ممکن است ارزش اضافی زیادی به عنوان تکنیک مدل سازی اولیه نداشته باشد. با این حال، مطالعات موجود نشان می دهد که چه چیزی را می توانیم در 3DPV اضافه کنیم. اندرسون، هنکاک [ 232 ] ضرورت برخورد با پوشش گیاهی شهری را به عنوان یک حجم سه بعدی به جای یک ویژگی مبتنی بر دوبعدی نشان می دهد. کازالگنو، اندرسون [ 234] همچنین اشاره کرد که تصاویر نمی توانند ساختار زیر سایه بان را ثبت کنند. همانطور که قبلا ذکر شد، اشیاء نزدیک به زمین به راحتی در ایجاد DT نادیده گرفته می شوند، که می تواند باعث سوگیری قابل توجهی شود. درخت یک نمونه معمولی است که برای کیفیت زندگی حیاتی است و بنابراین به یک عامل مهم برای ارزش گذاری دارایی تبدیل می شود. چندین شاخص شهری مانند جرم، حجم و فشردگی ساختمان ممکن است به درک مورفولوژی شهری در محیط ساخته شده کمک کند [ 233 ].

3.3.6. مدلسازی رویه ای

مدل‌سازی رویه‌ای، اشیاء سه‌بعدی را برای DT‌های شهر بر اساس فایل‌های برداری هندسی موجود (مثلاً فایل‌های شکل برداری GIS، کاربری زمین، یا طرح‌های کاداستر) با استفاده از دستور زبان برنامه‌ریزی شده ایجاد می‌کند [ 168 ، 206 ]. ایجاد ساختمان های متعدد مقرون به صرفه و مقرون به صرفه است. بنابراین، به طور گسترده برای مطالعات شهری در مقیاس بزرگ، مانند تجسم سه بعدی [ 160 ]، تجزیه و تحلیل تهویه شهری [ 163 ]، تخمین خورشیدی [ 160 ، 204 ]، و تجزیه و تحلیل دید [ 166 ] پذیرفته شده است.]. وجوه مشترک عبارتند از: (1) ساختمان ها در مقادیر انبوه هستند و (2) مطالعه بر روی ساختمان های جداگانه متمرکز نیست. مدل‌سازی رویه‌ای یک تکنیک مبتنی بر قانون کاربر پسند است: مجموعه‌ای از فرآیندهای نیمه خودکار است که یادگیری آن برای کاربران نهایی آسان است. پایه داده ها – فایل های ردپای دو بعدی – با هزینه کم قابل دسترسی است و انتظار می رود حجم داده ها متوسط باشد. محتویات سه بعدی تولید می کند و شبیه سازی های متعدد را به شیوه ای ساده با طیف وسیعی از نرم افزارها مانند SpeedTree، Random3DCity، ArcGIS و CityEngine اجرا می کند [ 202 ، 240 ]. برای مثال، CityEngine یک نرم‌افزار مدل‌سازی سه‌بعدی است که فایل‌های GIS دو بعدی را برای ساختن یک DT شهری با قوانین دستور زبان شکل معماری منحصر به فرد کامپیوتری (CGA) می‌گیرد [ 187 ، 206 ،227 ، 239 ]. اشیاء سه بعدی با تخصیص قوانین مختلف CGA بر روی فایل‌های هندسی موجود تولید می‌شوند و می‌توان زمین شبیه‌سازی سه بعدی از جمله SVF، تحلیل دید و شبیه‌سازی نور خورشید را پیاده‌سازی کرد. تجسم های سه بعدی را می توان به صورت آنلاین از طریق صحنه های وب به اشتراک گذاشت [ 187 ]، که در آن کاربران می توانند مدل ها را جستجو کنند و اطلاعات را جستجو کنند. کاربران نهایی می توانند کتابخانه قوانین CGA را برای تولید سریع DT شهری با هزینه های یادگیری کم توسعه دهند و از انعطاف پذیری بالایی در نوشتن اسکریپت های CGA خود لذت ببرند. در قیاس، اسکریپت‌های مدل‌سازی رویه‌ای قابل استفاده مجدد و قابل اشتراک‌گذاری هستند و قابلیت انتقال آن‌ها را به سایر مناطق مورد مطالعه افزایش می‌دهد. با این حال، شایان ذکر است که ایجاد یک اسکریپت برای تولید خروجی ایده آل دشوار و زمان بر است، حتی برای متخصصان [ 78 ]].

ساده‌سازی مدل‌سازی رویه‌ای استانداردسازی را به همراه می‌آورد و نویز را نادیده می‌گیرد. Munoz، Besuievsky [ 160 ] اندازه های ساختمان را استاندارد کرد و حجم و موقعیت تقریبی آنها را حفظ کرد، اما ویژگی های ساختمان های فردی را در نظر نگرفت. به عنوان مثال، پشت بام های پیچیده ممکن است به عنوان سقف های ساده بازسازی شوند تا محاسبه آسان شود، که ممکن است به نحوی بر خروجی های تحلیلی تأثیر بگذارد (مانند شبیه سازی سایه).

ما مدل‌سازی رویه‌ای را یک راه‌حل مفید برای 3DPV، به‌ویژه در مقیاس شهر در نظر می‌گیریم، که نیاز به تولید مقادیر زیادی ساختمان در زمان کوتاه و اجرای تحلیل فضایی در مناطق بزرگ دارد. کارایی آن در مقیاس شهر در کارهای مختلف تحلیلی شهری ثابت شده است [ 4 ، 227]. توابع و اسکریپت های کلیدی تحلیلی سه بعدی در نرم افزار اکنون می توانند به خوبی در 3DPV برای شناسایی عوامل سه بعدی موثر بر قیمت ملک (به عنوان مثال، ساعات روز، دید و سایه) و بهینه سازی تجسم سه بعدی DT های شهر (مثلاً با استفاده از نقشه بافت در نمای ساختمان با تصاویر نمای خیابان). کارهای آینده باید نگرانی های زیر را برطرف کند. اولاً، باید از قابلیت‌های LoD بالاتر برای تکمیل کمبود معناشناسی در مدل‌سازی رویه‌ای استفاده شود [ 206 ]. ثانیا، جهت به سمت ترکیب هوش مصنوعی باید مورد تاکید قرار گیرد تا مدل سازی ساختمان هایی با ردپای نامنظم و پشت بام ها کاربردی تر شود. نیشیدا، گارسیا-دورادو [ 71 ]، نیشیدا، بوسو [ 78 ]] آینده امیدوارکننده‌ای را برای ایجاد DT‌های شهری در اسکریپت‌های مدل‌سازی رویه‌ای با سرعت و دقت بیشتر نشان داد.

3.4. خلاصه

به طور خلاصه، روش های تجزیه و تحلیل شده برای ایجاد DT در شکل 6 نشان داده شده است ، و یک تفکیک دقیق از امتیازات به تصویر کشیده شده است. امتیاز بر اساس مقیاس لیکرت 0-5 در هر ویژگی، همانطور که در بخش 2.4 پیشنهاد شده است، محاسبه می شود.. از تجزیه و تحلیل، تمام روش‌های مدل‌سازی سه‌بعدی ذکر شده در بالا باید در سناریوهای درست به کار گرفته شوند تا به طور کامل از مزایای آنها استفاده شود. بنابراین، بهترین یا بدترین وجود ندارد. مدل‌سازی رویه‌ای و وکسل ممکن است بیشترین کاربرپسندی و کمترین نیازهای فنی را داشته باشند، در حالی که غنای اطلاعات (مثلاً معنایی) ممکن است در صورت اعمال در مقیاس ساختمان یا مقیاس دارایی کافی نباشد. آنها برای 3DPV در مقیاس بزرگ برای ایجاد DTهای شهری در یک زمان معقول و مدیریت تجسم ساده و عوامل سه بعدی در مقیاس بزرگ (مانند ارتفاع ساختمان و تراکم ساختمان) مناسب تر هستند. استفاده از داده‌های تصویری یا داده‌های ابر نقطه‌ای فشار جمع‌آوری داده‌های اولیه را کاهش می‌دهد و روش‌ها و نرم‌افزارهای مختلفی وجود دارد که می‌توان از آنها برای تجزیه و تحلیل سه بعدی استفاده کرد. GIS سه بعدی در مقیاس بزرگ کارآمد است، و نرم افزار و گردش کار مربوطه به طور کامل توسعه یافته است. در مقابل، BIM داده‌های فراوانی را جمع‌آوری می‌کند، در حالی که به معنای کار بر روی تعداد کمی از ساختمان‌ها نیز هست. BIM-GIS می تواند به طور کامل از مزایای روش های مربوطه استفاده کند، اما گاهی اوقات یکپارچه سازی ساده نیست. تلاش های موجود در زو و وو [249 ]. DT های سه بعدی شهر شامل حجم داده های بزرگ، زمان پردازش داده های طولانی تر، داده های حسگر زمان واقعی را در خود جای می دهند و بنابراین قادر به انجام انواع مختلفی از وظایف تحلیلی شهری (به عنوان مثال، سرعت باد، کیفیت هوا، انتشار نویز) در مقیاس تصفیه شده هستند. ترکیب چنین کاربرد و تجزیه و تحلیل با 3DPV ارزش افزوده ای را برای توضیح چگونگی تغییر عوامل سه بعدی در بعد عمودی و تأثیرگذاری بر مقادیر دارایی به ارمغان می آورد. ثابت شده است که مدل‌سازی مبتنی بر تصویر داده‌های معنایی فراوانی را ارائه می‌کند، که در نظارت بر تغییرات در محیط اطراف و نمای ساختمان ضروری است، که می‌تواند به طور قابل‌توجهی بر ارزش‌های دارایی تأثیر بگذارد. ممکن است چشم انداز تحرک شهری و پایداری را در ارزیابی املاک به ارمغان بیاورد. برای مثال ثابت شده است که نمای سبز جایگزین مناسبی برای کاهش مصرف انرژی ساختمان است.250 ]. ساختمان‌هایی با چنین نماهایی پایداری بهتری دارند و بنابراین می‌توانند با ارزش‌های اقتصادی بالاتری همراه باشند که باید به موقع نظارت شود.

هنگام استفاده از روش های مدل سازی سه بعدی برای 3DPV باید جنبه های زیر در نظر گرفته شود: (1) اعتبار سنجی. فقدان مجموعه داده های مرجع به طور قابل توجهی بر استحکام مدل های سه بعدی برای ایجاد DT شهری تأثیر می گذارد. در میان کسانی که مرجع ندارند، برخی از داده‌های خود جمع‌آوری‌شده در یک منطقه کوچک استفاده کردند، و برخی اصلاً اعتبارسنجی نکردند، که قابلیت انتقال مدل‌های سه‌بعدی را برای DT‌های شهری و استفاده مجدد از الگوریتم‌ها/جریان‌های کاری مدل‌سازی را بسیار محدود کرد. تحقیقات بیشتر در جهت تولید مقرون به صرفه مجموعه داده های اعتبار سنجی یکی از مسیرهای پیشنهادی اصلی برای کارهای آینده است. (2) منبع محاسباتی. تعداد زیادی از مطالعات تجربی ثابت کرده‌اند که ساخت مدل‌های سه‌بعدی آن‌ها به زمان طولانی و محاسبات فشرده نیاز داشته است. قابل پیش بینی است که هوش مصنوعی برای به حداقل رساندن تلاش های دستی و ایجاد فرصت هایی برای به روز رسانی سریع و آسان داده ها مفید است. همانطور که قبلا ذکر شد، تعادل بین جنبه های اجتماعی-اقتصادی و فنی باید برای 3DPV ایجاد شود.

4. چشم انداز برای 3DPV

برای همراهی با الزامات و انتظارات در مراحل مختلف 3DPV، دو چشم انداز، از کوتاه مدت در مقیاس بزرگ (مقیاس شهر) تا بلند مدت در مقیاس خوب (ساختمان یا مقیاس واحد)، در بخش 4.1 پیشنهاد می کنیم. و بخش 4.2 . آنها بر اساس مجموعه ای از معیارهای تحلیلی سازماندهی شده اند ( بخش 2.4 ). شباهت ها و تفاوت ها در بخش 4.3 خلاصه شده است. این بخش بر اساس موارد زیر نوشته شده است: (1) تجزیه و تحلیل روش های مدل سازی سه بعدی و (2) نتایج مصاحبه های متخصص آنلاین. ما جنبه های دوبعدی را ضروری و سه بعدی را به عنوان گسترشی برای ارزیابی اموال می دانیم. روش/داده های استاندارد برای ارزیابی دارایی دوبعدی در اینجا مورد بحث قرار نمی گیرد (نگاه کنید به Coleman, Crosby [ 251 ], Wyatt [.252 ]).

4.1. کوتاه مدت و در مقیاس بزرگ (مقیاس شهر)

در این مرحله اولیه، اهداف کلی شامل (1) تنظیم عوامل سه بعدی اساسی و توابع تحلیلی فضایی و (2) آماده سازی برای توسعه های آینده است. در مجموع، محلی‌سازی اولویت‌بندی می‌شود، قابلیت انتقال حذف می‌شود، سهامداران درگیر محدود هستند (فقط محققین ممکن)، مدل‌سازی مبتنی بر داده‌ها با شدت محاسباتی متوسط است، و انعطاف‌پذیری بالایی در مورد جمع‌آوری، مدل‌سازی و ذخیره داده‌ها وجود دارد.

داده‌های ترکیبی، منبع باز و موجود توصیه می‌شوند زیرا برای یک منبع داده واحد سخت است که همه اطلاعات را ارائه دهد و جمع‌آوری داده‌های سه بعدی پرهزینه است. داده‌های منبع باز مانند تصاویر ماهواره‌ای سری GSV و Sentinel جایگزین‌های کم‌هزینه‌ای برای استخراج ویژگی‌های سه بعدی در نظر گرفته می‌شوند. ظاهراً، بین هزینه و کیفیت داده ها (به عنوان مثال، وضوح، به موقع بودن، و پوشش) تعادل وجود دارد. به طور کلی، پردازش داده ها در این مرحله ابتدایی است، به عنوان مثال، عدم مدیریت صحیح پایگاه داده و سطح بالایی از مشارکت دستی. به عنوان مثال، ارتفاع ساختمان را می توان با تعداد طبقات کل ضرب در ارتفاع فرضی طبقه (معمولاً 3 متر) جایگزین کرد، که یک روش معمول است [ 4 ، 253 ].

برای مشخصات فنی، ایستگاه های کاری لپ تاپ یا سرورهای کوچک با مدل سازی دستی و نیمه اتوماسیون کافی است، بنابراین ما مدل سازی رویه ای را به عنوان روش اولیه پیشنهاد می کنیم. در حالی که ممکن است در برخورد با اشکال نامنظم مشکل داشته باشد [ 71 ]، در این مرحله قابل قبول است زیرا (1) مقیاس تحقیق در مقیاس شهر است و (2) ساختمان های مسکونی مرتفع اغلب دارای ردپای منظم هستند. علاوه بر این، نرم افزار با عملکردهای داخلی ترجیح داده می شود (به عنوان مثال، CityEngine و ماژول تحلیلگر سه بعدی در ArcGIS). مدل‌های رگرسیون فضایی برای مدل‌سازی ارزش دارایی به دلیل استحکام و شفافیت، همانطور که در ادبیات موجود و توسط متخصصان ارزشیابی در مصاحبه‌های تخصصی ما گزارش شده‌اند، توصیه می‌شوند.

در مورد کاربران، ممکن است در درون محققان نگهداری شود. آنها مسئول توسعه کل گردش کار از ابتدا برای ساخت یک DT برای 3DPV هستند، یعنی تصمیم گیری در مورد داده های ورودی، استفاده از نرم افزار، نوع تجزیه و تحلیل و عوامل سه بعدی خروجی. ما انتظار مسائل اخلاقی را نداریم زیرا فقط داده های ناشناس جمع آوری می شوند.

4.2. بلند مدت و در مقیاس دقیق (ساختمان یا مقیاس واحد)

در این مرحله، اهداف کلی پیشرفته تر هستند، با هدف (1) عملکرد بهبود یافته (به عنوان مثال، تجزیه و تحلیل فضایی 3 بعدی پیچیده تر)، (2) داده های 3 بعدی دسته بندی خاص، و (3) تعمیم (قابلیت انتقال). به طور خلاصه، مدل محور با یک گردش کار طراحی شده برای 3DPV است.

ما همچنان داده های ترکیبی را برای استفاده کامل از مزایای داده های مربوطه توصیه می کنیم. به عنوان مثال، هنگام ادغام یک ابر نقطه چند منبعی، ALS و TLS داده‌ها را از نمای بالا یا کناری می‌گیرند، با حالت بهینه اولی برای استخراج طرح کلی ساختمان و دومی برای ساخت نما و اشیاء زمینی (مثلاً چراغ خیابان و درخت) [ 254 ]. ترکیب MLS و TLS می‌تواند پوشش سبز را در مناطق شهری به تصویر بکشد، که می‌تواند برای بررسی اینکه آیا تأثیرات متفاوتی بر خواص در سطوح طبقات پایین و طبقات بلند دارد یا خیر [ 133 ]]. لازم است دقت تجزیه و تحلیل دید افزایش یابد، زیرا دید خواص در یک طبقه پایین ممکن است توسط اشیاء مختلف مسدود شود. علاوه بر این، چندین پیشرفت به شرح زیر است. اول، جمع‌آوری داده‌های سه‌بعدی مستقل امکان‌پذیر می‌شود زیرا مجموعه داده‌های موجود ممکن است به طور کامل الزامات (مانند به موقع بودن، پوشش و وضوح) را برآورده نکنند. دوم، داده‌های دسته‌بندی خاص برای افزایش قدرت توضیحی گنجانده شده است. برای مثال، نور خورشید و شرایط سایه بر مصرف انرژی تأثیر می‌گذارند و مصالح نما بر جذب نویز تأثیر می‌گذارند. هر دوی آنها ممکن است کیفیت زندگی و ارزش ملک را تحت تأثیر قرار دهند، اما همچنان باید در مطالعات ارزش گذاری دارایی مورد بررسی قرار گیرند [ 255 ]]. سوم، اعتبارسنجی داده‌ها برای جلوگیری از انتشار خطا و تضمین دقت مدل‌سازی ضروری است. در نهایت، یک قالب داده سه بعدی بالغ و باز ترجیح داده می شود، زیرا از قابلیت انتقال و پسوند استفاده می کند.

به طور مشابه، مشخصات فنی باید با الزامات جدید ناشی از افزایش حجم داده و پیچیدگی ترکیب مطابقت داشته باشد. اول اینکه، هنگام برخورد با داده های دو بعدی و سه بعدی چند منبعی باید به طور جدی با ذخیره سازی و امنیت داده برخورد کرد، بنابراین DBMS (به عنوان مثال، Oracle و PostgreSQL) به دلیل عملکرد آن، مانند تجزیه و تحلیل و تفسیر داده ها و سطوح مختلف مقامات دسترسی، پیشنهاد می شود. 3DcityDB یک نمونه معمولی است که بر اساس PostgreSQL توسعه یافته با PostGIS [ 151]. دوم، نرم افزاری که قادر به دستکاری ویژگی، تجسم و تحلیل فضایی باشد باید استفاده شود. در اینجا تجسم بهتری با نگاشت بافت مربوط به سقف و نما قابل اعمال است. سوم، توسعه نرم‌افزار/پلتفرم‌های سفارشی و محاسبات ابری را می‌توان به دلیل افزایش شدت محاسباتی در نظر گرفت [ 256 ]، اما آنها نیز پرهزینه هستند [ 257 ]. الگوریتم های هوش مصنوعی (به عنوان مثال، ML و DL) به طور گسترده برای کارهای چندگانه (به عنوان مثال، جهت گیری تصویر یا تقسیم بندی معنایی و تخمین قیمت مسکن) برای بهبود کارایی و دقت استفاده شده اند [ 41 ، 194 ]]، اما باید از خطرات احتمالی آن آگاه باشیم. اول، آموزش و آزمایش برای تقسیم بندی و طبقه بندی تصویر، ورودی تصاویر با کیفیت بالا را می خواهد. در غیر این صورت، همانطور که لیو، وانگ [ 193 ] اشاره کرد، انسداد و تحریف منجر به شکست می شود و کل فرآیند یادگیری را بی معنی می کند. دوم، مسئله جعبه سیاه برجسته می‌شود و الگوریتم‌ها به ما کمک می‌کنند تا مشخص کنیم که روی کجا تمرکز می‌کند، در حالی که ارزش‌گذاری دارایی به توضیحات قوی درباره تأثیر عوامل مختلف نیاز دارد.

ما انتظار داریم در درازمدت نیازهای کاربران را از ذینفعان مختلف برآورده کنیم، بنابراین کل گردش کار باید به متخصصان اختصاص داده شود تا وظایف را به طور جداگانه انجام دهند. مسائل اخلاقی ممکن است به دلیل جمع آوری اطلاعات شخصی، به ویژه در دارایی های فردی (به عنوان مثال، داده های مکانی خاص، اطلاعات شخصی مالک و سوابق تراکنش) ایجاد شود. بنابراین، جمع‌آوری، ذخیره‌سازی و اشتراک‌گذاری داده‌ها باید کاملاً با مقررات محلی داده‌ها، مانند مقررات عمومی حفاظت از داده‌ها (GDPR) در اتحادیه اروپا (EU) و منطقه اقتصادی اروپا (EEA) مطابقت داشته باشد.

4.3. خلاصه: شباهت ها و تفاوت ها

برای ارائه پارادایم هایی برای 3DPV خیلی زود است، زیرا این فقط یک موضوع تحقیقاتی در حالت جنینی است و نیاز به کاوش توسط سهامداران مختلف دارد. ویژگی های چشم انداز کوتاه مدت و بلند مدت در جدول 5 به عنوان پاسخ به جدول 3 برجسته شده است. شکل 7 یک نمای کلی از توسعه 3DPV را ارائه می دهد.

5. نتیجه گیری ها

مدل سازی سه بعدی برای ایجاد DT شهری یک راه کلیدی برای تجسم چندین ساختمان بلند در مناطق شهری و پیاده سازی تحلیل شهری بوده است. علیرغم محبوبیت، مدلسازی سه بعدی برای ایجاد DT شهر و ارزیابی دارایی به خوبی ادغام نشده است. داده های مبتنی بر دوبعدی در حال حاضر بر دومی غالب است و ادبیات 3DPV محدود است. با این حال، به دلیل شهرنشینی سریع در سراسر جهان، نیاز فوری به تغییر از دو بعدی به سه بعدی وجود دارد. هدف کلی این بررسی یافتن روش(های) مدل سازی سه بعدی شهری مناسب بود که می تواند برای 3DPV استفاده شود. در مراحل زیر حاصل می شود. تجزیه و تحلیل ما نشانه قوی برای همکاری بین رشته ای به دلیل منابع داده های مختلف، نرم افزارهای مختلف و دانش حرفه ای مربوطه را نشان می دهد. ارزیابی اموال نه تنها از جنبه‌های جغرافیایی مبتنی بر دوبعدی، بلکه از جنبه‌های معنایی و قانونی نیز به داده‌هایی نیاز دارد. بنابراین، در حال حاضر هیچ روش مدلسازی سه بعدی کامل یا یکسانی برای ایجاد DT شهر برای 3DPV وجود ندارد. مدلی با اطلاعات دسته‌های مختلف کمک قابل توجهی به مقیاس‌پذیری، انعطاف‌پذیری و قابلیت انتقال خواهد داشت. ما همچنین متوجه شدیم که استفاده از هوش مصنوعی پتانسیل استفاده قابل توجهی از 3DPV را دارد و تقریباً در هر مرحله از DTهای شهر برای جمع‌آوری، پردازش و تجسم داده‌ها دخیل بوده است. علیرغم مزایای بسیاری که دارد، به دلیل مسئله جعبه سیاه هنوز باید با دقت در ارزیابی اموال رفتار کنیم: شفافیت بدون توضیح معتبر در مورد اینکه چگونه عوامل خاصی بر ارزش دارایی تأثیر می‌گذارند به چالش کشیده می‌شود. در حال حاضر هیچ روش مدلسازی سه بعدی کامل یا یکسانی برای ایجاد DT شهر برای 3DPV وجود ندارد. مدلی با اطلاعات دسته‌های مختلف کمک قابل توجهی به مقیاس‌پذیری، انعطاف‌پذیری و قابلیت انتقال خواهد داشت. ما همچنین متوجه شدیم که استفاده از هوش مصنوعی پتانسیل استفاده قابل توجهی از 3DPV را دارد و تقریباً در هر مرحله از DTهای شهر برای جمع‌آوری، پردازش و تجسم داده‌ها دخیل بوده است. علیرغم مزایای بسیاری که دارد، به دلیل مسئله جعبه سیاه هنوز باید با دقت در ارزیابی اموال رفتار کنیم: شفافیت بدون توضیح معتبر در مورد اینکه چگونه عوامل خاصی بر ارزش دارایی تأثیر می‌گذارند به چالش کشیده می‌شود. در حال حاضر هیچ روش مدلسازی سه بعدی کامل یا یکسانی برای ایجاد DT شهر برای 3DPV وجود ندارد. مدلی با اطلاعات دسته‌های مختلف کمک قابل توجهی به مقیاس‌پذیری، انعطاف‌پذیری و قابلیت انتقال خواهد داشت. ما همچنین متوجه شدیم که استفاده از هوش مصنوعی پتانسیل استفاده قابل توجهی از 3DPV را دارد و تقریباً در هر مرحله از DTهای شهر برای جمع‌آوری، پردازش و تجسم داده‌ها دخیل بوده است. علیرغم مزایای بسیاری که دارد، به دلیل مسئله جعبه سیاه هنوز باید با دقت در ارزیابی اموال رفتار کنیم: شفافیت بدون توضیح معتبر در مورد اینکه چگونه عوامل خاصی بر ارزش دارایی تأثیر می‌گذارند به چالش کشیده می‌شود. مدلی با اطلاعات دسته‌های مختلف کمک قابل توجهی به مقیاس‌پذیری، انعطاف‌پذیری و قابلیت انتقال خواهد داشت. ما همچنین متوجه شدیم که استفاده از هوش مصنوعی پتانسیل استفاده قابل توجهی از 3DPV را دارد و تقریباً در هر مرحله از DTهای شهر برای جمع‌آوری، پردازش و تجسم داده‌ها دخیل بوده است. علیرغم مزایای بسیاری که دارد، به دلیل مسئله جعبه سیاه هنوز باید با دقت در ارزیابی اموال رفتار کنیم: شفافیت بدون توضیح معتبر در مورد اینکه چگونه عوامل خاصی بر ارزش دارایی تأثیر می‌گذارند به چالش کشیده می‌شود. مدلی با اطلاعات دسته‌های مختلف کمک قابل توجهی به مقیاس‌پذیری، انعطاف‌پذیری و قابلیت انتقال خواهد داشت. ما همچنین متوجه شدیم که استفاده از هوش مصنوعی پتانسیل استفاده قابل توجهی از 3DPV را دارد و تقریباً در هر مرحله از DTهای شهر برای جمع‌آوری، پردازش و تجسم داده‌ها دخیل بوده است. علیرغم مزایای بسیاری که دارد، به دلیل مسئله جعبه سیاه هنوز باید با دقت در ارزیابی اموال رفتار کنیم: شفافیت بدون توضیح معتبر در مورد اینکه چگونه عوامل خاصی بر ارزش دارایی تأثیر می‌گذارند به چالش کشیده می‌شود.

ما بر اهمیت بومی سازی در ارزیابی اموال تاکید می کنیم. بنابراین، عوامل گنجانده شده در مدل ارزش گذاری به دلیل تفاوت در ترجیحات مردم محلی، در دسترس بودن و وضوح داده های سه بعدی و زمان بندی باید انعطاف پذیر و قابل به روز رسانی باشند. به عنوان مثال، این احتمال وجود دارد که شهرنشینان برای منظره فضای سبز ارزش بیشتری قائل باشند و مردم اکنون بیش از 20 سال پیش به کیفیت هوا اهمیت می دهند. توسعه پراکسی های جایگزین برای توضیح مقادیر دارایی از منظر سه بعدی دارای پتانسیل های زیادی است، به عنوان مثال، پیوندهای مشاهده نشده را می توان بین مقادیر دارایی و عوامل خاص ایجاد کرد که به 3DPV سختگیری می بخشد. به عنوان مثال، BIM برای مدیریت ساختمان های بلند فرصت های بیشتری را برای تجسم ارتباطات قانونی حقوق زمین های مختلف به ارمغان می آورد [ 217 ]]. علاوه بر این، این بررسی در طول همه‌گیری COVID-19 نوشته شده است و ما می‌دانیم که چگونه شرایط روحی و جسمی افراد می‌تواند تحت تأثیر ماندن طولانی مدت در خانه باشد، به ویژه در مناطق شهری که اکثریت آنها در آپارتمان‌های بلندمرتبه زندگی می‌کنند. ساختمان ها تحرک افراد محدود شده است و اهمیت سه بعدی برجسته است. به عنوان مثال، اگر مردم در طبقه پایین زندگی می کنند، اکنون مجبورند در تمام طول روز صدا و کیفیت هوای بد خیابان ها و جاده ها را تحمل کنند و ملکی که از ساعات نور خورشید بیشتری برخوردار باشد، ارزش بیشتری نسبت به قبل خواهد داشت. چنین تأثیراتی را می توان به طور مستقیم با روش های مختلف مدل سازی سه بعدی، که با مطالعات تجربی قابل اجرا هستند، کمیت و تجسم کرد [ 204 ، 228 ]]. علاوه بر این، ادعا می‌شد که مسکن بلندمرتبه نسبت به دیگر گزینه‌های مسکن رضایت‌بخش‌تر است [ 258 ]، و ممکن است در وضعیت همه‌گیر بدتر شود زیرا خطرات قرار گرفتن در معرض برای ساکنان را افزایش می‌دهد [ 259 ].

مایلیم یادآوری کنیم که هنوز چالش هایی در پیش است. بر اساس ادبیات، به دلیل هزینه بالای جمع‌آوری و منابع بسته، در دسترس بودن داده‌های سه بعدی (مهمتر، هماهنگی قالب داده‌ها) مسئله مهمی است که باید حل شود. این شامل دسترسی و پوشش محدود است و وضوح درشت ایجاد DT را محدود می کند. علاوه بر این، مدل‌سازی سه‌بعدی نیز ذاتاً الزامات فنی بالایی را پیشنهاد می‌کند، که در نتیجه بر ارزش‌گذاری انبوه دارایی با توجه به هزینه فشار وارد می‌کند، بنابراین توسعه یک روش مقرون‌به‌صرفه و مقرون‌به‌صرفه برای مدل‌سازی در مقیاس شهر یک امر ضروری است. مهمتر از آن، پشت شکاف فنی، شکاف مفهومی است، به عنوان مثال، مردم ممکن است هنوز اهمیت درک عوامل سه بعدی را بر تأثیر زندگی شهری با افزایش تعداد ساختمان‌های بلند تشخیص نداده باشند. بدین ترتیب، درک تغییر از دو بعدی به سه بعدی در ارزیابی اموال چالش برانگیز است. تغییر اولین مرحله است که پس از آن باید از نحوه به روز رسانی آگاه باشیم. محیط شهری در طول زمان تغییر می کند، که ویژگی های زمانی ارزش را برجسته می کند. چگونگی به روز رسانی فاکتورهای سه بعدی و تعیین کمیت تأثیر آنها بر مقادیر در زمان، چالش دیگری است. ما درک مردم از 3D برای DT های شهر را برای تسریع این تغییر ضروری می دانیم، که در آن همکاری بین رشته ای و باز بودن کلید موفقیت خواهد بود. از آنجایی که اطلاعات بیشتری در فرآیند ارزش گذاری گنجانده شده است، نتیجه ارزش گذاری سوگیری کمتری دارد. این بررسی می تواند مرجعی برای ذینفعان مختلف در بخش املاک و مستغلات فراهم کند. محققان ممکن است از آن به عنوان مرجع فنی برای انتخاب بهینه برای اهداف تحقیقاتی خود استفاده کنند، یعنی فراتر از ارزش گذاری دارایی. همچنین ممکن است شناخت دولت محلی در مورد ارزش اقتصادی و زیبایی شناختی که سه بعدی در مناطق پیچیده شهری به ارمغان می آورد، بهبود بخشد، بنابراین سیاست مسکن آینده ممکن است به ایجاد شهری با دسترسی برابر به محیط های سه بعدی کمک کند، که هیچ کس را پشت سر نمی گذارد. مهندسان می‌توانند چالش‌ها و فرصت‌ها را در 3DPV شناسایی کنند تا بتوانند روش‌های مدل‌سازی سه‌بعدی کاربردی‌تری را برای ارزیابی هدف قرار دهند.

در نهایت، مهم است که برخی محدودیت‌های این بررسی را بپذیریم. اولاً، دیدگاه‌های مطالعات موجود طبیعتاً آن را محدود می‌کرد و ادبیات مکتوب غیرانگلیسی به دلیل خوانایی نویسندگان گنجانده نشد. با این وجود، هدف ما این بود که با استفاده از مصاحبه‌های خبره و استراتژی نمونه‌گیری گلوله برفی، جامعیت ادبیات را به حداکثر برسانیم. دوم، این بررسی بر ادبیات منتشر شده از 2016 تا 2020 متمرکز است، زمانی که تعداد کمی از مطالعات موردی 3DPV شناسایی شد. ممکن است بر استنباط های چشم انداز 3DPV تأثیر بگذارد. بررسی دیگری برای دوره پنج ساله آینده برای به روز رسانی پیشرفت مفید خواهد بود.

منابع

برنامه اسکان بشر سازمان ملل متحد. گزارش شهرهای جهان 2020: ارزش شهرنشینی پایدار ؛ برنامه اسکان بشر سازمان ملل متحد (UN-Habitat): نایروبی، کنیا، 2020؛ پ. 418. [ Google Scholar ]
سازمان ملل. اهداف توسعه پایدار (SDGs). در دسترس آنلاین: https://www.un.org/sustainabledevelopment/sustainable-development-goals/ (دسترسی در 1 دسامبر 2022).
چن، اچ. جیا، بی. Lau، SSY شکل شهری پایدار برای شهرهای فشرده چین: چالش‌های یک اقتصاد سریع شهری. Habitat Int. 2008 ، 32 ، 28-40. [ Google Scholar ] [ CrossRef ]
یینگ، ی. کووا، م. کوفر، م. آسیاما، KO; لی، ایکس. Zevenbergen، J. مشخص کردن بعد سوم (3D) در مدل‌سازی قیمت لذت‌گرا: مطالعه موردی شیان، چین. Land 2021 , 10 , 24. [ Google Scholar ] [ CrossRef ]
او، SY تاثیر منطقه‌ای دسترسی به شبکه ریلی بر قیمت ملک مسکونی: مدل‌سازی اثرات سرمایه‌گذاری ناهمگن فضایی در هنگ کنگ. ترانسپ Res. الف-عمل سیاست. 2020 ، 135 ، 244-263. [ Google Scholar ] [ CrossRef ]
هلو، ک. Palumbo, D. چرا قیمت مسکن در یک بیماری همه گیر به سرعت در حال افزایش است. BBC News ، 2 ژوئن 2021. [ Google Scholar ]
هوروات، اس. دوده، م. زاداچ، س. نونر، اچ. Weitkamp، A. استخراج اندازه‌های نمونه کافی برای مدل‌سازی مبتنی بر شبکه عصبی مصنوعی وظایف ارزیابی املاک و مستغلات با تجزیه و تحلیل پیچیدگی. خط مشی استفاده از زمین 2021 ، 107 ، 105475. [ Google Scholar ] [ CrossRef ]
یینگ، ی. کووا، م. کوفر، م. آسیاما، KO; لی، ایکس. Zevenbergen، J. درک بعد عمودی (3D) از طریق دریچه سهامداران مختلف در بازار املاک چین. Land 2022 , 11 , 312. [ Google Scholar ] [ CrossRef ]
راجاپاکسا، دی. گونو، م. ویلسون، سی. مناگی، س. لی، بی. Hoang، VN تقاضا برای آموزش: تأثیر مدارس خوب بر ارزش املاک در بریزبن، استرالیا. خط‌مشی استفاده از زمین 2020 ، 97 ، 104748. [ Google Scholar ] [ CrossRef ]
وو، YY; وی، YHD; Li, H. تجزیه و تحلیل ناهمگونی فضایی قیمت مسکن با استفاده از مجموعه داده های بزرگ. Appl. تف کردن مقعدی سیاست 2020 ، 13 ، 223-256. [ Google Scholar ] [ CrossRef ]
روزن، اس. قیمت لذت‌بخش و بازارهای ضمنی: تمایز محصول در رقابت خالص. ج. اقتصاد سیاسی. 1974 ، 82 ، 34-55. [ Google Scholar ] [ CrossRef ]
لنکستر، کی جی رویکردی جدید به نظریه مصرف کننده. ج. اقتصاد سیاسی. 1966 ، 74 ، 132-157. [ Google Scholar ] [ CrossRef ]
لو، کیو. Parlikad, AK; وودال، پی. دان راناسینگه، جی. Xie، X. لیانگ، ز. کنستانتینو، ای. هیتون، جی. Schooling, J. توسعه یک دوقلو دیجیتال در سطوح ساختمان و شهر: مطالعه موردی پردیس کمبریج غربی. جی. مناگ. مهندس 2020 , 36 , 05020004. [ Google Scholar ] [ CrossRef ]
Lehtola، VV; کووا، م. البرینک، SO; راپوسو، پی. ویرتانن، جی.-پی. وحدتیخاکی، ف. Borsci، S. دیجیتال دوقلوی یک شهر: بررسی فناوری در خدمت نیازهای شهر. بین المللی J. Appl. زمین Obs. Geoinf. 2022 , 114 , 102915. [ Google Scholar ] [ CrossRef ]
شلیچ، بی. آنور، ن. متیو، ال. Wartzack, S. شکل دادن به دوقلو دیجیتال برای مهندسی طراحی و تولید. CIRP Ann. 2017 ، 66 ، 141-144. [ Google Scholar ] [ CrossRef ]
شحات، ا. هیون، سی تی. Yeom, C. City Digital Twin Potentials: A Review and Research Agenda. Sustainability 2021 , 13 , 3386. [ Google Scholar ] [ CrossRef ]
فن، سی. ژانگ، سی. یحجه، ع. مصطفوی، الف. شهر فاجعه دوقلوی دیجیتال: چشم اندازی برای ادغام هوش مصنوعی و انسانی برای مدیریت بلایا. بین المللی J. Inf. مدیریت 2021 ، 56 ، 102049. [ Google Scholar ] [ CrossRef ]
زهران، ESM; اسمیت، ام جی. بنت، تجسم سه بعدی LD اثرات آلودگی هوای ناشی از ترافیک طرح های حمل و نقل شهری. جی. کامپیوتر. مدنی مهندس 2013 ، 27 ، 452-465. [ Google Scholar ] [ CrossRef ]
وانگ، HB; چن، اچ جی. Cai، M. ارزیابی جمعیت در معرض نویز ترافیک شهری بر اساس نقاط مورد علاقه و نقشه های نویز: مورد گوانگژو. محیط زیست آلودگی 2018 ، 239 ، 741-750. [ Google Scholar ] [ CrossRef ]
ژائو، جی. لیو، EX; پو، اچ جی. وانگ، BF; گائو، اس پی؛ Png، CE; لی، KWH؛ Chong، SH 3D نگاشت نویز ترافیکی با استفاده از نمایش شبکه غیرساختاری ساختمان ها و جاده ها. Appl. آکوست. 2017 ، 127 ، 297-304. [ Google Scholar ] [ CrossRef ]
یو، اس ام. هان، اس اس. Chai، CH مدل سازی ارزش دید در آپارتمان های بلند: یک رویکرد GIS سه بعدی. محیط زیست Plann B 2007 , 34 , 139-153. [ Google Scholar ] [ CrossRef ]
بیلجکی، اف. استوتر، جی. لدوکس، اچ. زلاتانوا، اس. Çöltekin، A. کاربردهای مدل های سه بعدی شهر: بررسی وضعیت هنر. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2842-2889. [ Google Scholar ] [ CrossRef ]
بیلجکی، اف. کومار، ک. Nagel, C. CityGML Application Domain Extension (ADE): مروری بر تحولات. Geospat را باز کنید. نرم افزار داده ایستادن. 2018 ، 3 . [ Google Scholar ] [ CrossRef ]
تروبکا، آر. گلاکین، اس. لید، او. پتیت، سی. یک سیستم ارزیابی و تجسم سه بعدی مبتنی بر وب برای مدل‌سازی سناریوی محوطه شهری. ISPRS J. Photogramm. Remote Sens. 2016 , 117 , 175–186. [ Google Scholar ] [ CrossRef ]
لیو، ایکس. وانگ، XY; رایت، جی. چنگ، JCP; لی، ایکس. لیو، آر. بررسی پیشرفته‌ای در مورد ادغام مدل‌سازی اطلاعات ساختمان (BIM) و سیستم اطلاعات جغرافیایی (GIS). ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 53. [ Google Scholar ] [ CrossRef ]
وانگ، اچ. پان، ی. Luo، XC ادغام BIM و GIS در محیط ساخته شده پایدار: بررسی و تجزیه و تحلیل کتابسنجی خودکار ساخت و ساز 2019 ، 103 ، 41-52. [ Google Scholar ] [ CrossRef ]
کالوجیانی، ای. ون اوستروم، پی. دیموپولو، ای. Lemmen, C. مدیریت زمین سه بعدی: بررسی و چشم انداز آینده در زمینه چرخه حیات توسعه فضایی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 107. [ Google Scholar ] [ CrossRef ]
ال یمانی، س. حاجی، ر. Nys, G.-A.; عطارید، م. بیلن، آر. نیازمندی‌های متغیرهای سه‌بعدی برای مدل‌سازی ارزش‌گذاری دارایی بر اساس ادغام BIM و CIM. پایداری 2021 ، 13 ، 2814. [ Google Scholar ] [ CrossRef ]
دونر، اف. Sirin, S. نمایش دیجیتال سه بعدی داده های کاداستر در پرونده آپارتمان ترکیه. Land 2020 , 9 , 179. [ Google Scholar ] [ CrossRef ]
گروور، آر. Walacik، M. ارزش گذاری اموال و مالیات برای پایداری مالی – درس هایی برای لهستان. مدیریت املاک. ارزش گذاری 2019 ، 27 ، 35–48. [ Google Scholar ] [ CrossRef ]
گروور، آر. ارزش گذاری انبوه. سرمایه گذاری J. Prop. مالی 2016 ، 34 ، 191-204. [ Google Scholar ] [ CrossRef ]
Votsis، A. برنامه ریزی برای زیرساخت سبز: اثرات فضایی پارک ها، جنگل ها و مزارع بر قیمت آپارتمان هلسینکی. Ecol. اقتصاد 2017 ، 132 ، 279-289. [ Google Scholar ] [ CrossRef ]
Lieske، SN; ون دن نوولانت، آر. هان، جی اچ. پتیت، سی. یک رویکرد مدل‌سازی قیمت لذت‌گرایانه جدید برای تخمین تأثیر زیرساخت‌های حمل‌ونقل بر قیمت ملک. مطالعه شهری. 2019 ، 58 ، 182-202. [ Google Scholar ] [ CrossRef ]
چمبروفسکی، پ. کروننبرگ، جی. قیمت‌گذاری لذت‌گرا و انواع و اندازه‌های مختلف فضای سبز شهری: دیدگاه‌هایی در مورد بحث در مورد ارزش‌گذاری خدمات اکوسیستم. Landsc. طرح شهری. 2016 ، 146 ، 11-19. [ Google Scholar ] [ CrossRef ]
شلاپفر، اف. والترت، اف. سگورا، ال. Kienast، F. ارزش گذاری امکانات منظر: تحلیل قیمت گذاری لذت جویانه اجاره مسکن در شهری، حومه و حومه شهر سوئیس. Landsc. طرح شهری. 2015 ، 141 ، 24-40. [ Google Scholar ] [ CrossRef ]
بوترو، ام. کاپریولی، سی. فوث، م. میچل، پی. ریتنبروخ، ام. Santangelo، M. پارک های شهری، ارتقای ارزش و اصیل سازی سبز: کاربرد مدل لذت جوی فضایی در شهر بریزبن. شهری برای. سبز شهری. 2022 ، 74 ، 127618. [ Google Scholar ] [ CrossRef ]
Łaszkiewicz، E. چمبروفسکی، پ. کروننبرگ، جی. آیا نزدیکی به فضاهای سبز شهری یک امر تجملی محسوب می شود؟ طبقه‌بندی کالای غیرقابل تجارت با استفاده از روش قیمت‌گذاری لذت‌گرا. Ecol. اقتصاد 2019 ، 161 ، 237-247. [ Google Scholar ] [ CrossRef ]
Łaszkiewicz، E. هیمن، ع. چن، ایکس. سیمبورووا، ز. ناول، ام. بارتون، DN ارزش گذاری دسترسی به فضای سبز شهری با استفاده از فروپاشی فاصله غیر خطی در قیمت گذاری ملک لذت بخش. اکوسیستم. خدمت 2022 ، 53 ، 101394. [ Google Scholar ] [ CrossRef ]
Paasch, JM; Paulsson, J. تحقیقات دارایی سه بعدی از دیدگاه حقوقی مورد بازبینی قرار گرفت. Land 2021 , 10 , 494. [ Google Scholar ] [ CrossRef ]
بلج، م. Figurska، M. مدلسازی سه بعدی ناپیوستگی در توزیع فضایی قیمت آپارتمان با استفاده از نمودارهای Voronoi. Remote Sens. 2020 , 12 , 229. [ Google Scholar ] [ CrossRef ]
کانگ، YH; ژانگ، اف. پنگ، WZ؛ گائو، اس. رائو، جی.ام. دوارته، اف. Ratti, C. درک افزایش قیمت خانه با استفاده از داده های جغرافیایی بزرگ چند منبعی و یادگیری ماشین. خط‌مشی استفاده از زمین 2021 ، 111 ، 104919. [ Google Scholar ] [ CrossRef ]
یین، ال. هاستینگز، جی. استفاده از نماها: ارزیابی دید با استفاده از تجسم سه بعدی و فناوری های GIS برای توسعه هتل در شهر آبشار نیاگارا، نیویورک. J. فناوری شهری. 2007 ، 14 ، 59-82. [ Google Scholar ] [ CrossRef ]
چن، MX; لیو، YZ; آریباس-بل، دی. Singleton، A. ارزیابی ارزش تصاویر تولید شده توسط کاربر از محیط شهری برای تخمین قیمت خانه. Landsc. طرح شهری. 2022 ، 226 ، 104486. [ Google Scholar ] [ CrossRef ]
لی، اچ. لی، بی. لی، اس. تأثیر نابرابر نماهای چشم انداز طبیعی بر قیمت مسکن: به کارگیری مدل ادراک بصری و رگرسیون چندکی برای آپارتمان ها در سئول. پایداری 2020 ، 12 ، 8275. [ Google Scholar ] [ CrossRef ]
چلیک سیمشک، ن. Uzun، B. مدل سازی اطلاعات ساختمان (BIM) برای ارزیابی دارایی: رویکردی جدید برای مالکیت آپارتمان ترکیه. Surv. Rev. 2021 , 54 , 187-208. [ Google Scholar ] [ CrossRef ]
دروبز، پ. Fras، MK; فرلان، م. Lisec، A. انتقال از کاداستر املاک 2 بعدی به 3 بعدی: مورد کاداستر اسلوونی. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 62 ، 125-135. [ Google Scholar ] [ CrossRef ]
کارا، ا. ون اوستروم، پی. کگداس، وی. ایسیکداغ، یو. Lemmen, C. 3 تحقیق داده های بعدی برای ارزیابی دارایی در زمینه مدل اطلاعات ارزش گذاری LADM. خط مشی کاربری زمین 2020 , 98 , 104179. [ Google Scholar ] [ CrossRef ]
Han، NL; ژانگ، دبلیو. لیانگ، ک. طراحی و اجرای سیستم شاخص قیمت خانه شنژن بر اساس 3D-GIS. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ژئوانفورماتیک 2015، ووهان، چین، 19 تا 21 ژوئن 2015. [ Google Scholar ]
امکلی، ح. Guney, C. به سمت ساختن یک چارچوب تصمیم گیری فضایی مبتنی بر وب سه بعدی برای انتخاب آپارتمان. جی. هاوس. ساخته شده. محیط زیست 2019 ، 34 ، 769-789. [ Google Scholar ] [ CrossRef ]
ژانگ، ز. لو، XH; ژو، ام. آهنگ، ی. لو، ایکس. کوانگ، ب. مورفولوژی فضایی پیچیده قیمت مسکن شهری بر اساس مدل ارتفاعی دیجیتال: مطالعه موردی شهر ووهان، چین. پایداری 2019 ، 11 ، 348. [ Google Scholar ] [ CrossRef ]
آگاروال، اس. فن، ی. مک میلن، DP; Sing, TF ردیابی نبض یک شهر-سه بعدی نقشه های حرارتی قیمت املاک و مستغلات. J Reg. علمی 2021 ، 61 ، 543-569. [ Google Scholar ] [ CrossRef ]
موکاس، آی. لیزین، اس. بریج، تی. ویترز، ن. مالینا، آر. آیا واقعیت مجازی فراگیر می تواند اطمینان پاسخ دهندگان را در آزمایش های انتخاب گسسته افزایش دهد؟ مقایسه با فرمت های ارائه سنتی جی. محیط زیست. اقتصاد مدیریت 2021 ، 109 ، 102509. [ Google Scholar ] [ CrossRef ]
خوان، Y.-K. چن، H.-H.; چی، H.-Y. توسعه و ارزیابی یک سیستم ناوبری مبتنی بر واقعیت مجازی برای فروش مسکن پیش از فروش. Appl. علمی 2018 ، 8 ، 952. [ Google Scholar ] [ CrossRef ]
شیونگ، سی. Cheung، KS; لوی، دی اس؛ آلن، ام. تأثیر واقعیت مجازی بر بازاریابی املاک مسکونی. خانه گل میخ. 2022 ، 1-24. [ Google Scholar ] [ CrossRef ]
رمدانی، CMS; انشاری، MAK; راچمن، AN; Mungary, LN اجرای کاتالوگ مسکن کامپونگ هجرت بر اساس واقعیت مجازی. در مجموعه مقالات دومین کنفرانس بین المللی مهندسی کامپیوتر و انفورماتیک (IC2IE)، بانیووانگی، اندونزی، 10 تا 11 سپتامبر 2019. [ Google Scholar ]
مک آلیستر، پی. شپرد، ای. Wyatt، P. تغییر سیاست، مشارکت توسعه‌دهنده و جذب ارزش زمین در لندن 2005-2017. سیاست کاربری زمین 2018 ، 78 ، 316-326. [ Google Scholar ] [ CrossRef ]
لین، RF-Y. او، سی. Tseng، K.-K. بوون، دی. یونگ، KL; Ip، WH مدل شبکه عصبی فضایی با فناوری مخرب برای ارزیابی دارایی در صنعت املاک و مستغلات. تکنولوژی پیش بینی. Soc. Change 2021 , 173 , 121067. [ Google Scholar ] [ CrossRef ]
Wen، HZ; شیائو، ی. هوی، ECM؛ Zhang، L. کیفیت آموزش، دسترسی، و قیمت مسکن: آیا ناهمگونی فضایی در سرمایه گذاری آموزش وجود دارد؟ زیستگاه. بین المللی 2018 ، 78 ، 68-82. [ Google Scholar ] [ CrossRef ]
تروی، آ. گرو، ارزش‌های دارایی JM، پارک‌ها و جرم و جنایت: تحلیل لذت‌گرایانه در بالتیمور، MD. Landsc. طرح شهری. 2008 ، 87 ، 233-245. [ Google Scholar ] [ CrossRef ]
ژانگ، ال. ژو، JT; هوی، ECM؛ Wen, HZ اثرات یک مرکز خرید بر قیمت مسکن: مطالعه موردی در هانگژو. بین المللی جی. استراتژی. پروپ. 2019 ، 23 ، 65–80. [ Google Scholar ] [ CrossRef ]
ژائو، ی. وو، بی. وو، جی پی؛ شو، اس. لیانگ، HD; لیو، ام. بادنکو، وی. فدوتوف، آ. یائو، اس جی. Yu, BL نقشه برداری دید سه بعدی در محیط خیابان شهری از ابرهای نقطه LiDAR موبایل. Giscience Remote Sens. 2020 ، 57 ، 797–812. [ Google Scholar ] [ CrossRef ]
آلبانو، R. بررسی تقسیم بندی سقف برای بازسازی ساختمان سه بعدی از ابرهای نقطه ای LIDAR هوایی. Appl. علمی 2019 ، 9 ، 4674. [ Google Scholar ] [ CrossRef ]
وو، بی. Xie، LF; متعجب.؛ زو، س. Yau, E. ادغام تصاویر مورب هوایی و تصاویر زمینی برای مدلسازی سه بعدی بهینه در مناطق شهری. ISPRS J. Photogramm. Remote Sens. 2018 , 139 , 119–132. [ Google Scholar ] [ CrossRef ]
هلبیچ، ام. یوچم، ا. موکه، دبلیو. Hofle, B. افزایش دقت پیش‌بینی مدل‌های قیمت خانه لذت‌بخش شهری از طریق اسکن لیزری هوابرد. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 39 ، 81-92. [ Google Scholar ] [ CrossRef ]
ننجی، او. بروکس، سی. دینامیک قیمت خانه Ward، CWR و واکنش آنها به تغییرات کلان اقتصادی. اقتصاد مدل. 2013 ، 32 ، 172-178. [ Google Scholar ] [ CrossRef ]
اسنایدر، اچ. بررسی ادبیات به عنوان یک روش تحقیق: یک مرور کلی و دستورالعمل ها. اتوبوس جی. Res. 2019 ، 104 ، 333-339. [ Google Scholar ] [ CrossRef ]
فرناندز رودریگز، اس. کورتس پرز، جی پی. موریل، پی پی. تورمو-مولینا، ر. Maya-Manzano، JM ارزیابی اثرات زیست محیطی گرده هوا و زیرساخت سبز Pinaceae با استفاده از BIM. خودکار ساخت و ساز 2018 ، 96 ، 494-507. [ Google Scholar ] [ CrossRef ]
سینگ، VK؛ سینگ، پی. کارماکار، م. لتا، جی. Mayr, P. پوشش مجله Web of Science, Scopus and Dimensions: A Comparative Analysis. Scientometrics 2021 ، 126 ، 5113-5142. [ Google Scholar ] [ CrossRef ]
سان، ج. اولسون، پی. اریکسون، اچ. Harrie, L. ارزیابی جنبه های هندسی ادغام داده های BIM در مدل های شهر. جی. اسپات. علمی 2020 ، 65 ، 235-255. [ Google Scholar ] [ CrossRef ]
ولبرگ، جی. Zokai, S. PhotoSketch: یک سیستم مدل‌سازی سه بعدی شهری فوتوسنتریک. Vis. Comput 2018 , 34 , 605-616. [ Google Scholar ] [ CrossRef ]
نیشیدا، جی. گارسیا-دورادو، آی. Aliaga، DG; بنس، بی. Bousseau, A. ترسیم تعاملی مدلهای رویه شهری. ACM Trans Graph. 2016 ، 35 ، 1-11. [ Google Scholar ] [ CrossRef ]
ریبلز، جی. گوتیرز، دی. افروس، A. BUILDUP: ایجاد تعاملی صحنه های شهری از مجموعه های بزرگ عکس. چندتایی. ابزارهای کاربردی 2017 ، 76 ، 12757-12774. [ Google Scholar ] [ CrossRef ]
بیتنر، ک. کورنر، ام. فراندرفر، اف. Reinartz، P. cGAN چند وظیفه ای برای پالایش همزمان فضایی DSM و طبقه بندی نوع سقف. Remote Sens. 2019 , 11 , 1262. [ Google Scholar ] [ CrossRef ]
وانگ، اس ایکس؛ تیان، ی. ژو، ی. لیو، WL; Lin, CX برآورد جمعیت در مقیاس دقیق با بازسازی سه بعدی ساختمان های مسکونی شهری. Sensors 2016 , 16 , 1755. [ Google Scholar ] [ CrossRef ]
آهنگ، XY; هوانگ، YH; ژائو، CP; لیو، YX; Lu، YG; چانگ، YG; یانگ، جی. رویکردی برای تخمین پتانسیل فتوولتائیک خورشیدی بر اساس بازیابی پشت بام از تصاویر سنجش از دور. Energies 2018 , 11 , 3172. [ Google Scholar ] [ CrossRef ]
شارما، SA; آگراوال، آر. Jayaprasad, P. توسعه ‘مدل های شهر سه بعدی’ با استفاده از داده های ماهواره ای IRS. J. Ind. Soc. Remote Sens. 2016 , 44 , 187-196. [ Google Scholar ] [ CrossRef ]
پیترز، الف. یک روش مبتنی بر GIS برای مدل‌سازی پارامترهای آب و هوایی شهری با استفاده از تشخیص خودکار سایه‌های ایجاد شده توسط ساختمان‌ها. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 59 ، 107-115. [ Google Scholar ] [ CrossRef ]
نیشیدا، جی. بوسو، آ. Aliaga، DG مدل‌سازی رویه‌ای یک ساختمان از یک تصویر واحد. محاسبه کنید. نمودار. انجمن. 2018 ، 37 ، 415-429. [ Google Scholar ] [ CrossRef ]
میسره، ص. آوتار، ر. Takeuchi، W. مقایسه مدل‌های ارتفاع ساختمان دیجیتال استخراج‌شده از مدل‌های سطح دیجیتال AW3D، TanDEM-X، ASTER و SRTM در شهر یانگون. Remote Sens. 2018 ، 10 ، 2008. [ Google Scholar ] [ CrossRef ]
Ma، DL; لی، جی. وانگ، ال. بازسازی سریع یک مدل مش سه بعدی بر اساس تصاویر مایل در اینترنت نازک. دسترسی IEEE 2018 ، 6 ، 61686–61699. [ Google Scholar ] [ CrossRef ]
لیو، سی جی; کریلوف، ویرجینیا؛ کین، پی. کاوانا، جی. Dahyot, R. IM2ELEVATION: تخمین ارتفاع ساختمان از تصاویر هوایی تک‌نما. Remote Sens. 2020 , 12 , 2719. [ Google Scholar ] [ CrossRef ]
لی، جی. یانگ، با توسعه یک نقشه بافت بهینه برای ساختمان های سه بعدی فوتورئالیستی. ترانس. GIS 2019 ، 23 ، 1-21. [ Google Scholar ] [ CrossRef ]
جیائو، اس. یو، جی. میلاس، ع. لی، XJ; لیو، LM ارزیابی تأثیر حجم ساختمان بر فرونشست زمین در منطقه تجاری مرکزی پکن با توموگرافی SAR. می توان. J. Remote Sens. 2017 ، 43 ، 177-193. [ Google Scholar ] [ CrossRef ]
جلدیال، ع. گوپتا، ک. گوپتا، پی کی. تاکور، پی. Kumar, P. Urban Morphology Extractor: ابزاری فضایی برای توصیف مورفولوژی شهری. اقلیم شهری. 2018 ، 24 ، 237-246. [ Google Scholar ] [ CrossRef ]
گوا، آر. وانگ، اف. زنگ، بی. جینگ، گیگابایت؛ بازسازی سه بعدی ساختمان بلندمرتبه Xing، MD با فاز تداخل سنجی پیچیده. Sensors 2019 , 19 , 1439. [ Google Scholar ] [ CrossRef ]
گونگ، FY؛ Zeng، ZC; ژانگ، اف. لی، XJ; نگ، ای. نورفورد، LK نقشه برداری از آسمان، درخت و عوامل نمای ساختمان دره های خیابان در یک محیط شهری با تراکم بالا. ساختن. محیط زیست 2018 ، 134 ، 155-167. [ Google Scholar ] [ CrossRef ]
کوستانزو، وی. یائو، آر.ام. Li، XY; لیو، ام. Li، BZ یک رویکرد چند لایه برای تخمین شدت مصرف انرژی در مقیاس شهری. Cities 2019 , 95 , 102467. [ Google Scholar ] [ CrossRef ]
Campanaro، DM; لندسکی، جی. دل اونتو، ن. Touati، AML 3D GIS برای مرمت میراث فرهنگی: گردش کار “جعبه سفید”. J. Cult. میراث. 2016 ، 18 ، 321-332. [ Google Scholar ] [ CrossRef ]
بولاتوف، دی. بورکارد، ای. ایلهگ، ر. کوتلر، بی. Helmholz، P. از داده‌های هوایی چند حسگر تا شبیه‌سازی حرارتی و مادون قرمز مدل‌های سه بعدی معنایی: به سوی شناسایی جزایر گرمایی شهری. فیزیک مادون قرمز تکنولوژی 2020 , 105 , 103233. [ Google Scholar ] [ CrossRef ]
بیتنر، ک. d’Angelo، P. کورنر، ام. Reinartz، P. DSM-to-LoD2: بهبود مدل سطح دیجیتال استریو فضایی. Remote Sens. 2018 ، 10 ، 1926. [ Google Scholar ] [ CrossRef ]
علوی پناه، س. شرایر، جی. هاس، دی. دریاچه ها، تی. قریشی، س. تأثیر شاخص های چند بعدی بر شرایط حرارتی شهری. جی. پاک. تولید 2018 ، 177 ، 115-123. [ Google Scholar ] [ CrossRef ]
احمد، ای. طارق، ع. جیمز، ب. تعیین سطوح برنامه ریز از DEMS مبتنی بر همبستگی. علوم زمین به اطلاع رساندن. 2020 ، 13 ، 835-846. [ Google Scholar ] [ CrossRef ]
روترمل، ام. گونگ، ک. فریچ، دی. شیندلر، ک. Haala, N. اصلاح مش چند نمای فوتومتریک برای تصاویر ماهواره ای با وضوح بالا. ISPRS J. Photogramm. Remote Sens. 2020 , 166 , 52–62. [ Google Scholar ] [ CrossRef ]
باباحاجیانی، پ. فن، LX; کاماراینن، JK; گابوج، م. تقسیم بندی و مدل سازی سه بعدی شهری از تصاویر نمای خیابان و ابرهای نقطه LiDAR. ماخ Vis. Appl. 2017 ، 28 ، 679-694. [ Google Scholar ] [ CrossRef ]
نی، اچ. لین، ایکس جی؛ Ning، XG; Zhang، JX Edge Detection و Feature Line Tracing در ابرهای نقطه سه بعدی با تجزیه و تحلیل ویژگی های هندسی محله ها. Remote Sens. 2016 , 8 , 710. [ Google Scholar ] [ CrossRef ]
کائو، آر جی؛ ژانگ، YJ; لیو، XY; بازسازی سقف ساختمان سه بعدی Zhao، ZZ از ابرهای نقطه ای LiDAR موجود در هوا: چارچوبی مبتنی بر پایگاه داده فضایی. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1359–1380. [ Google Scholar ] [ CrossRef ]
ژانگ، ال کیو؛ لی، ZQ; لی، ای جی; لیو، FY برچسب‌گذاری و بازسازی نقاط شهری در مقیاس بزرگ. ISPRS J. Photogramm. Remote Sens. 2018 , 138 , 86-100. [ Google Scholar ] [ CrossRef ]
یی، سی. ژانگ، ی. وو، QY; Xu، YB; رمیل، او. وی، MQ; Wang, J. بازسازی ساختمان شهری از داده های خام LiDAR نقطه. Comput.-Aided Des. 2017 ، 93 ، 1-14. [ Google Scholar ] [ CrossRef ]
بله، ال. Wu, B. تطبیق و تقسیم بندی تصویر یکپارچه برای بازسازی سطح سه بعدی در مناطق شهری. فتوگرام مهندس Remote Sens. 2018 , 84 , 135–148. [ Google Scholar ] [ CrossRef ]
ویدیانینگروم، ای. پیترز، RY; استخراج طرح کلی لیندنبرگ، ساختمان RC از ابرهای نقطه ALS با استفاده از توصیفگرهای تبدیل محور میانی. تشخیص الگو 2020 , 106 , 107447. [ Google Scholar ] [ CrossRef ]
وانگ، ی. چنگ، ال. چن، YM; وو، ی. Li، MC Building Point Detection از داده های LiDAR حمل و نقل خودرو بر اساس گروه Voxel و تحلیل توخالی افقی. Remote Sens. 2016 , 8 , 419. [ Google Scholar ] [ CrossRef ]
وانگ، QD; یان، ال. ژانگ، ال. Ai، HB; Lin, XG یک روش مبتنی بر چارچوب مدل‌سازی معنایی برای بازسازی ساختمان از ابرهای نقطه‌ای. Remote Sens. 2016 , 8 , 737. [ Google Scholar ] [ CrossRef ]
وانگ، LY; خو، ی. Li, Y. الگوریتم تشخیص ساختمان سه بعدی مبتنی بر وکسل برای ابرهای نقطه‌ای LIDAR در هوا. J. Ind. Soc. Remote Sens. 2019 , 47 , 349–358. [ Google Scholar ] [ CrossRef ]
وانگ، جی ال. لو، YH; لیو، جی بی. Quan, L. یک رویکرد سه مرحله ای قوی برای تشخیص صحنه شهری در مقیاس بزرگ. علمی چین-اینف. علمی 2017 ، 60 ، 1-13. [ Google Scholar ] [ CrossRef ]
وانگ، جی. خو، ی. رمیل، او. Xie، X. بله، ن. یی، سی. Wei, M. مدل‌سازی خودکار نماهای شهری از داده‌های خام LiDAR Point. محاسبه کنید. نمودار. انجمن. 2016 ، 35 ، 269-278. [ Google Scholar ] [ CrossRef ]
وانگ، جی. Xu، K. تشخیص شکل از داده‌های خام LiDAR با مدل‌سازی زیرفضا. IEEE Trans. Vis. محاسبه کنید. نمودار. 2017 ، 23 ، 2137–2150. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تمپلین، تی. Popielarczyk، D. استفاده از وسایل نقلیه هوایی بدون سرنشین کم هزینه در فرآیند ساخت مدل های گردشگری فرهنگی، وب سه بعدی و برنامه های کاربردی واقعیت افزوده/مخلوط. Sensors 2020 , 20 , 5457. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Sun، XF; شن، SH; Cui، HN; هو، LH; Hu، ZY بازسازی جغرافیایی، هندسی و معنایی صحنه شهری از تصاویر هوایی مایل با وضوح بالا. Ieee-Caa J. Autom. گناه 2019 ، 6 ، 118-130. [ Google Scholar ] [ CrossRef ]
سویلیان، م. ریویرو، بی. لینارس، پی. Padin-Beltran، M. پارامترسازی خودکار و تحلیل سایه بام ها در مناطق شهری از ابرهای نقطه ای ALS با اهداف انرژی خورشیدی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 301. [ Google Scholar ] [ CrossRef ]
شیروژان، س. سپاسگزار، تحلیل فضایی SME با استفاده از ابرهای نقطه زمانی در GIS پیشرفته: روش‌هایی برای استخراج ارتفاع از زمین در مناطق شیبدار و طبقه‌بندی ساختمان‌ها. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 120. [ Google Scholar ] [ CrossRef ]
پیراسته، س. رشیدی، پ. راستویس، اچ. هوانگ، SZ; زو، س. لیو، جی ایکس؛ لی، ی. لی، جی. سیدی پور، ای. توسعه الگوریتمی برای استخراج ساختمان ها و تعیین تغییرات از LiDAR هوابرد و مقایسه با روش R-CNN از تصاویر هواپیماهای بدون سرنشین. Remote Sens. 2019 , 11 , 1272. [ Google Scholar ] [ CrossRef ]
پارک، SY; لی، دی جی؛ یو، ای جی. لی، DC بخش بندی داده های LiDAR با استفاده از کد مکعب چند سطحی. J. Sens. 2019 ، 2019 ، 4098413. [ Google Scholar ] [ CrossRef ]
Nys، GA; پوکس، اف. Billen، R. CityJSON Building Generation از Airborne LiDAR Point Clouds. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 521. [ Google Scholar ] [ CrossRef ]
هائو، دبلیو. وانگ، YH; لیانگ، W. بازسازی نمای ساختمان مبتنی بر اسلایس از ابرهای نقطه سه بعدی. بین المللی J. Remote Sens. 2018 , 39 , 6587–6606. [ Google Scholar ] [ CrossRef ]
لی، ZQ; ژانگ، ال کیو؛ Mathiopoulos، PT; لیو، FY; ژانگ، ال. لی، اس پی; لیو، اچ. یک روش سلسله مراتبی برای تجزیه نمای شهری از ابرهای نقطه TLS. ISPRS J. Photogramm. Remote Sens. 2017 ، 123 ، 75-93. [ Google Scholar ] [ CrossRef ]
لی، ی. هو، QW; وو، ام. لیو، جی.ام. Wu, X. استخراج و ساده سازی قطعات نمای ساختمان از ابرهای نقطه ای اسکنر لیزری موبایل برای خدمات نمای خیابان سه بعدی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 231. [ Google Scholar ] [ CrossRef ]
لی، ی. چن، دی. Du، XC; Xia، SB; وانگ، YL; خو، اس. یانگ، کیو. برچسب‌گذاری معنایی سه بعدی مبتنی بر میدان‌های تصادفی شرطی از ابرهای نقطه اسکن لیزری هوابرد. Remote Sens. 2019 , 11 , 1248. [ Google Scholar ] [ CrossRef ]
لای، XD; یانگ، جی آر. Li، YX; Wang، MW رویکرد استخراج ساختمان بر اساس ترکیب ابر نقطه‌ای LiDAR و ویژگی‌های بافت نقشه ارتفاعی. Remote Sens. 2019 ، 11 ، 1636. [ Google Scholar ] [ CrossRef ]
یونگ، جی. جوا، ی. Sohn, G. منظم سازی ضمنی برای بازسازی مدل های سه بعدی پشت بام ساختمان با استفاده از داده های هوابرد LiDAR. Sensors 2017 , 17 , 621. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هیو، HK; لی، DK; پارک، سی‌ای؛ محاسبه ضریب نمای کیم، HG Sky در هندسه شهری پیچیده با LiDAR زمینی. فیزیک Geogr. 2020 ، 42 ، 374-394. [ Google Scholar ] [ CrossRef ]
گلومبک، ی. مارشال، ما ویژگی‌های منظره خیابان را با تشخیص نور هوایی با چگالی بالا و محدوده اندازه‌گیری می‌کنیم. ترانسپ Res. ضبط 2020 ، 2674 ، 192-206. [ Google Scholar ] [ CrossRef ]
دو، اس جی. ژانگ، YS؛ Zou، ZR; Xu، SH; او، X. Chen, SY استخراج خودکار ساختمان از ترکیب داده های LiDAR ویژگی های نقطه ای و شبکه ای. ISPRS J. Photogramm. Remote Sens. 2017 , 130 , 294–307. [ Google Scholar ] [ CrossRef ]
دوس سانتوس، آرسی گالو، م. حبیب، AF منظم کردن مرزهای سقف ساختمان از داده های هوابرد LiDAR با استفاده از یک CD-Spline تکراری. Remote Sens. 2020 ، 12 ، 1904. [ Google Scholar ] [ CrossRef ]
دینگ، ZK; لیو، اس. لیائو، LH؛ Zhang, L. یک چارچوب ساخت و ساز دیجیتال که مدل سازی اطلاعات ساختمان و فناوری های مهندسی معکوس را برای پروژه های نوسازی یکپارچه می کند. خودکار ساخت و ساز 2019 ، 102 ، 45-58. [ Google Scholar ] [ CrossRef ]
دیاز-ویلارینو، ال. بوگوسلاوسکی، پ. خوشلحم، ک. لورنزو، اچ. مسیریابی در فضای داخلی با آگاهی از موانع با استفاده از ابرهای نقطه ای. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 233. [ Google Scholar ] [ CrossRef ]
چن، YW; Zhu, LL; تانگ، جی. پی، ال. کوکو، ا. وانگ، YW; هایپا، جی. Hyyppa، H. امکان سنجی استفاده از داده های ابر نقطه اسکن لیزری موبایل برای تجزیه و تحلیل خط دید GNSS. اوباش Inf. سیستم 2017 ، 2017 ، 5407605. [ Google Scholar ] [ CrossRef ]
چن، YM; لیو، XQ; یائو، آقای دنگ، SL; Li، FX; چنگ، ال. تشخیص ساختار مکرر لی، MC برای بازسازی سه بعدی نمای ساختمان از داده های موبایل لیدار. فتوگرام مهندس Remote Sens. 2019 ، 85 ، 93–108. [ Google Scholar ] [ CrossRef ]
چن، جی دی. یی، JSK؛ کهوش، م. چو، ES; Cho, YK Point Cloud Scene تکمیل نمای ساختمان های مسدود شده با رنگ آمیزی متخاصم مولد. Sensors 2020 , 20 , 5029. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بارتونک، دی. بودای، م. مشکلات ایجاد و استفاده از مدل سه بعدی سازه ها و راه حل های احتمالی آنها. Symmetry 2020 , 12 , 181. [ Google Scholar ] [ CrossRef ]
بالادو، ج. دیاز-ویلارینو، ال. آریاس، پ. Soilan, M. تشخیص خودکار دسترسی ساختمان از ابرهای نقطه ای. خودکار ساخت و ساز 2017 ، 82 ، 103-111. [ Google Scholar ] [ CrossRef ]
Dollner, J. Geospatial Artificial Intelligence: Potentials of Machine Learning for 3D Point Clouds and Geospatial Digital Twins. Pfg-J. فتوگرام سنسور از راه دور Geoinf. علمی 2020 ، 88 ، 15-24. [ Google Scholar ] [ CrossRef ]
آستین، ام. دلگشایی، پ. کوئیلو، ام. حیدری نژاد، م. معماری دوقلوهای دیجیتال شهر هوشمند: مدل معنایی ترکیبی و رویکرد یادگیری ماشینی. جی. مناگ. مهندس 2020 ، 36 ، 14. [ Google Scholar ] [ CrossRef ]
بینرت، آ. جورجی، ال. کونز، ام. ماس، HG; فون اوهایمب، جی. مقایسه و ترکیب اسکن لیزری متحرک و زمینی برای فهرست جنگل‌های طبیعی. Forests 2018 , 9 , 395. [ Google Scholar ] [ CrossRef ]
Cavegn، S. Haala, N. نقشه برداری موبایل مبتنی بر تصویر برای ضبط داده های شهری سه بعدی. فتوگرام مهندس Remote Sens. 2016 , 82 , 925–933. [ Google Scholar ] [ CrossRef ]
Pan, SY; Guan، HY; چن، YT; یو، YT; Goncalves، WN; مارکاتو، جی. Li، J. طبقه‌بندی پوشش زمین داده‌های چند طیفی LiDAR با استفاده از CNN با پارامترهای فراپراز بهینه‌شده. ISPRS J. Photogramm. Remote Sens. 2020 , 166 , 241–254. [ Google Scholar ] [ CrossRef ]
Zieba-Kulawik، K. اسکوزیلاس، ک. مصطفی، ع. ویزیک، پی. گربر، پی. تلر، جی. عمرانی، H. تغییرات فضایی و زمانی در تراکم ساختمان سه بعدی با LiDAR و GEOBIA: تحلیل سطح شهر. Remote Sens. 2020 , 12 , 3668. [ Google Scholar ] [ CrossRef ]
زیرک، م. ویلر، وی. هاین، ام. Eicker، مدل‌های شهری U. غنی‌سازی برای کاربردهای انرژی: چالش‌ها در شبیه‌سازی انرژی با استفاده از منابع داده مختلف برای اطلاعات مربوط به سن ساختمان. Energy 2020 , 190 , 116292. [ Google Scholar ] [ CrossRef ]
Zhi، GZ; لیائو، ZL؛ تیان، WC; ارزیابی و تحلیل خطر سیل شهری Wu, J. با روش تجسم سه بعدی که الگوریتم PP-PSO و داده‌های ساختمان را جفت می‌کند. جی. محیط زیست. مدیریت کنید. 2020 , 268 , 110521. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژنگ، YF; Weng، QH; ژنگ، YX یک رویکرد ترکیبی برای بازسازی ساختمان های سه بعدی در ایندیاناپولیس از داده های LiDAR. Remote Sens. 2017 , 9 , 310. [ Google Scholar ] [ CrossRef ]
Xie, JH; Feng, CC یک رویکرد ساده سازی یکپارچه برای ساختمان های سه بعدی با سقف های شیبدار و مسطح. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 128. [ Google Scholar ] [ CrossRef ]
یانگ، بی. لی، جی. بهبود دقت مدل‌های ساختمان‌های سه بعدی خودکار برای شهرهای هوشمند. بین المللی جی دیجیت. زمین 2019 ، 12 ، 209–227. [ Google Scholar ] [ CrossRef ]
وانگ، سی کی. Tindemans، S. میلر، سی. آگوجارو، جی. کالیبراسیون استوتر، جی بیزی در مقیاس شهری: مطالعه موردی بر روی یک کاربرد بزرگ تقاضای گرمایش مسکونی در آمستردام. جی. ساخت. انجام دادن. شبیه سازی 2020 ، 13 ، 347-361. [ Google Scholar ] [ CrossRef ]
Viana-Fons، JD. گونزالوز ماسیا، جی. پایا، جی. توسعه و اعتبارسنجی در یک محیط 2D-GIS یک مدل مبتنی بر بردار سایه ریخته شده سه بعدی بر روی سطوح با جهت گیری دلخواه و کج شده. انرژی ساخت. 2020 , 224 , 110258. [ Google Scholar ] [ CrossRef ]
وارول، بی. یلماز، EO; مکتاو، د. بایبورت، اس. گوردال، اس. تشخیص ساخت‌وسازهای غیرقانونی در شهرهای شهری: مقایسه داده‌های LIDAR و تصاویر استریو KOMPSAT-3 با برنامه‌های توسعه. یورو J. Remote Sens. 2019 ، 52 ، 335–344. [ Google Scholar ] [ CrossRef ]
ترابی مقدم، س. کوکولو، اس. موتانی، جی. لومباردی، پ. اسکارتزینی، جی ال. موری، دی. یک روش خوشه‌بندی و تجسم جدید برای ارزیابی سناریوهای برنامه‌ریزی انرژی گرمایی شهری. شهرها 2019 ، 88 ، 19-36. [ Google Scholar ] [ CrossRef ]
تاوبن باک، اچ. کراف، نیوجرسی؛ ورم، ام. مورفولوژی شهر ورود – یک طبقه بندی جهانی بر اساس بررسی های ادبیات و داده های سنجش از دور. Appl. Geogr. 2018 ، 92 ، 150-167. [ Google Scholar ] [ CrossRef ]
شروتر، جی. هورزلر، سی. دوقلوی دیجیتال شهر زوریخ برای برنامه ریزی شهری. Pfg-J. فتوگرام سنسور از راه دور Geoinf. علمی 2020 ، 88 ، 99-112. [ Google Scholar ] [ CrossRef ]
توتزاوئر، پ. بکر، اس. فریچ، دی. نیسی، تی. Deussen, O. A Study of Human Competence of Building Category based on Different Building 3D Resents. فتوگرام فرنرکوند. Geoinf. 2016 ، 2016 ، 319-333. [ Google Scholar ] [ CrossRef ]
سارتا، ای. بونومو، پی. فرانتینی، F. یک روش محاسبه برای پتانسیل BIPV نماهای سوئیس در LOD2.5 در مناطق شهری: موردی از منطقه تیچینو. سول انرژی 2020 ، 195 ، 150-165. [ Google Scholar ] [ CrossRef ]
سعیدی، س. میرکریمی، ش. محمدزاده، م. سلمان مهینی، ع. Arrowsmith، C. ارزیابی اثرات بصری ویژگی‌های شهری جدید: تحلیل دید جفت با مدل‌سازی شهر سه بعدی. Geocarto Int. 2019 ، 34 ، 1315-1331. [ Google Scholar ] [ CrossRef ]
Rossknecht، M. Airaksinen، E. مفهوم و ارزیابی پیش‌بینی تقاضای گرمایش بر اساس مدل‌های سه‌بعدی شهر و CityGML Energy ADE-مطالعه موردی هلسینکی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 602. [ Google Scholar ] [ CrossRef ]
رودریگز، ال آر. دومینیل، ای. راموس، جی اس. ایکر، U. ارزیابی پتانسیل فتوولتائیک در سطح شهری بر اساس مدل‌های شهر سه بعدی: مطالعه موردی و رویکرد روش‌شناختی جدید. سول انرژی 2017 ، 146 ، 264-275. [ Google Scholar ] [ CrossRef ]
ردویک، پی. توس کوستا، پی. ویلاس بواس، آی. Santos, T. مدل‌های شهر سه بعدی به عنوان ابزار پشتیبانی بصری برای تجزیه و تحلیل آسیب‌پذیری لرزه‌ای ساختمان‌ها: مورد لیسبون. بین المللی J. Disaster Risk Sci. 2017 ، 8 ، 308-325. [ Google Scholar ] [ CrossRef ]
پروناتو، جی. ری، ای. Andersen، M. مدل سه بعدی گسسته در ارزیابی پتانسیل خورشیدی شهری: اثر فاصله شبکه بر تابش خورشیدی پیش بینی شده. سول انرژی 2018 ، 176 ، 334-349. [ Google Scholar ] [ CrossRef ]
پارک، ی. Guldmann، JM ایجاد مدل‌های سه بعدی شهر با ردپای ساختمان و طبقه‌بندی ابر نقطه LIDAR: رویکرد یادگیری ماشین. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 75 ، 76-89. [ Google Scholar ] [ CrossRef ]
نوول، آر. زیرک، م. کورز، وی. ایکر، U. تأثیر کیفیت داده بر مدل‌سازی تقاضای گرمایش شهری با استفاده از مدل‌های شهر سه بعدی. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 64 ، 68-80. [ Google Scholar ] [ CrossRef ]
نور، NM; ابراهیم، من. عبدالله، ع. عبدالله، ترکیب اطلاعات AAA برای مدل سازی سه بعدی میراث فرهنگی شهرهای مالایی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 177. [ Google Scholar ] [ CrossRef ]
مرشد، اس ام. پیکارد، اس. Koch، A. مدلسازی، اعتبار سنجی و کمی سازی اقلیم و سایر حساسیت های مدل انرژی ساختمان در مدل های سه بعدی شهر ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 447. [ Google Scholar ] [ CrossRef ]
مرشد، اس ام. الهیاری، ع.م. وندل، جی. Ansart, L. طراحی و پیاده سازی یک وب اپلیکیشن چهار بعدی برای تجسم تحلیلی اپلیکیشن های شهر هوشمند. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 276. [ Google Scholar ] [ CrossRef ]
مونوز، دی. بسوئیفسکی، جی. پاتو، جی. تکنیک رویه‌ای برای شبیه‌سازی و تجسم حرارتی در محیط‌های شهری. ساختن. شبیه سازی 2019 ، 12 ، 1013-1031. [ Google Scholar ] [ CrossRef ]
مائو، بی. هری، ال. متدولوژی برای توزیع و تجسم پیشرونده کارآمد اشیاء ساختمانی سه بعدی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 185. [ Google Scholar ] [ CrossRef ]
ما، ر. گنگ، CZ; یو، ز. چن، جی. لو، XW مدل‌سازی دینامیک انرژی ساختمان در مقیاس شهر از طریق بلوک‌های مجاورت توزیع‌شده به هم پیوسته. انرژی ساخت. 2019 ، 202 ، 109391. [ Google Scholar ] [ CrossRef ]
لو، YW; او، جی. Ni، YL تجزیه و تحلیل پتانسیل تهویه شهری با استفاده از مدل سازی مبتنی بر قانون. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 66 ، 13-22. [ Google Scholar ] [ CrossRef ]
لیو، جی. گونگ، جی اچ. لیانگ، جی.ام. لی، ی. کانگ، ال سی؛ آهنگ، LL; Shi، SX یک روش کمی برای ارزیابی آسیب‌پذیری موج طوفان – مطالعه موردی شهر ویهای. بین المللی جی دیجیت. زمین 2017 ، 10 ، 539–559. [ Google Scholar ] [ CrossRef ]
لیانگ، جی.ام. شن، اس. گونگ، جی اچ. لیو، جی. ژانگ، JM درج محتوای تولید شده توسط کاربر در مدل شهر سه بعدی مبتنی بر فتوگرامتری هوابرد. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1180389. [ Google Scholar ] [ CrossRef ]
لیانگ، جی.ام. گونگ، جی اچ. سان، ج. لیو، جی. یک چارچوب قابل تنظیم برای محاسبه فاکتور نمای آسمان از مدل‌های شهر سه بعدی در مقیاس بزرگ. انرژی ساخت. 2017 ، 149 ، 38-44. [ Google Scholar ] [ CrossRef ]
لیانگ، جی.ام. گونگ، JH چارچوبی مبتنی بر وکسل پراکنده برای محاسبه تابش خورشیدی با استفاده از مدل‌های سه بعدی شهر. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 106. [ Google Scholar ] [ CrossRef ]
کیم، اس. کیم، دی. Choi, S. CityCraft: ایجاد شهر مجازی سه بعدی از یک تصویر واحد. Vis. Comput 2020 , 36 , 911–924. [ Google Scholar ] [ CrossRef ]
کاینک، س. کاینک، بی. Ozmen، A. مطالعه توسعه ابزار نرم افزار برای تجزیه و تحلیل پتانسیل انرژی خورشیدی. انرژی ساخت. 2018 ، 162 ، 134-143. [ Google Scholar ] [ CrossRef ]
یووانوویچ، دی. میلوانوف، اس. راسکوفسکی، آی. گووداریکا، م. اسلادیک، دی. رادولوویچ، آ. Pajic، V. ساخت مدل شهر مجازی سه بعدی برای کاربردهای شهرهای هوشمند: مطالعه موردی در محوطه پردیس دانشگاه نووی ساد. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 476. [ Google Scholar ] [ CrossRef ]
هو، YF; دای، ZX; گلدمن، JM مدل‌سازی تاثیر شاخص‌های شهری 2 بعدی/3 بعدی بر جزیره گرمایی شهری در فصول مختلف: رویکرد درخت رگرسیون تقویت‌شده. جی. محیط زیست. مدیریت 2020 , 266 , 110424. [ Google Scholar ] [ CrossRef ]
Hsu، LT تجزیه و تحلیل و مدل سازی اثر GPS NLOS در مناطق بسیار شهری. راه حل GPS. 2017 ، 22 ، 1-12. [ Google Scholar ] [ CrossRef ]
هچت، ر. هرولد، اچ. بهنیش، م. Jehling، M. نقشه برداری از پویایی بلندمدت جمعیت و مسکن بر اساس تجزیه و تحلیل چند زمانی مورفولوژی های شهری. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 2. [ Google Scholar ] [ CrossRef ]
هام، ی. کیم، جی. سنجش مشارکتی و شهر دوقلو دیجیتال: به‌روزرسانی مدل‌های شهر مجازی برای تصمیم‌گیری مبتنی بر ریسک پیشرفته. جی. مناگ. مهندس 2020 , 36 , 04020005. [ Google Scholar ] [ CrossRef ]
اریکسون، اچ. یوهانسون، تی. اولسون، PO; اندرسون، ام. انگوال، جی. هاست، من. هری، ال. الزامات، توسعه و ارزیابی استاندارد ملی ساختمان – مطالعه موردی سوئدی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 78. [ Google Scholar ] [ CrossRef ]
ایکر، یو. زیرک، م. بارتکه، ن. رودریگز، ال آر. Coors، V. شبیه سازی انرژی شهری مبتنی بر مدل سه بعدی جدید برای مفاهیم حفاظت از آب و هوا. انرژی ساخت. 2018 ، 163 ، 79-91. [ Google Scholar ] [ CrossRef ]
دمبسکی، اف. واسنر، یو. لتزگوس، ام. رودات، م. یامو، سی. دوقلوهای دیجیتال شهری برای شهرهای هوشمند و شهروندان: مطالعه موردی هرنبرگ، آلمان. پایداری 2020 ، 12 ، 2307. [ Google Scholar ] [ CrossRef ]
دوتا، ا. ساران، س. کومار، AS توسعه پسوند دامنه برنامه CityGML برای مسیریابی و موقعیت یابی داخلی. J. Ind. Soc. Remote Sens. 2017 , 45 , 993–1004. [ Google Scholar ] [ CrossRef ]
سرتا، م. مله، آر. پولی، جی. خدمات اکوسیستم شهری (UES) ارزیابی در یک محیط مجازی سه بعدی: یک رویکرد روش شناختی برای مناطق شهری بزرگتر (LUZ) ناپل، ایتالیا. Appl. علمی 2020 ، 10 ، 6205. [ Google Scholar ] [ CrossRef ]
بویوکدمیرجی اوغلو، م. کوکامن، س. Isikdag، تولید مدل شهر سه بعدی نیمه خودکار از تصاویر هوایی با فرمت بزرگ. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 339. [ Google Scholar ] [ CrossRef ]
بشوتی، ای. شفر، ع. Dalyot, S. به سمت تولید مدل‌های ساختمانی OpenStreetMap سه بعدی از عکس‌های منفرد. محاسبه کنید. محیط زیست سیستم شهری 2020 , 79 , 101421. [ Google Scholar ] [ CrossRef ]
Bodis-Szomoru، A.; ریمنشنایدر، اچ. ون گول، ال. بازسازی مش سطحی کارآمد برای صحنه های شهری. Comput Vis. تصویر زیر. 2017 ، 157 ، 3-24. [ Google Scholar ] [ CrossRef ]
بیلجکی، اف. اوهوری، کالیفرنیا؛ لدوکس، اچ. پیترز، آر. Stoter, J. برآورد جمعیت با استفاده از مدل شهر سه بعدی: یک مطالعه چند مقیاسی در سطح کشور در هلند. PLoS ONE 2016 , 11 , e0156808. [ Google Scholar ] [ CrossRef ]
بیلجکی، اف. لدوکس، اچ. Stoter, J. تولید مدل های سه بعدی شهر بدون داده های ارتفاع. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 64 ، 1-18. [ Google Scholar ] [ CrossRef ]
ایادی، م. اسکوتوریچی، ام. بن عمار، سی. Miguet, S. رویکردی مبتنی بر خط افق برای واقعیت افزوده موبایل. Vis. Comput 2020 , 37 , 789–804. [ Google Scholar ] [ CrossRef ]
آجراد، م. Groves، PD افزایش موقعیت یابی GNSS حداقل مربعات با نقشه برداری سه بعدی بدون دانش قبلی دقیق. Navig.-J. Inst. ناوبری. 2017 ، 64 ، 75-91. [ Google Scholar ] [ CrossRef ]
آگیوس، تی. صبری، س. کلانتری، م. مدلسازی شهر مبتنی بر قوانین سه بعدی برای حمایت از فرآیند توسعه شهری. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 413. [ Google Scholar ] [ CrossRef ]
آجراد، م. گرووز، PD; Quick, JC; Ellul, C. ارزیابی عملکرد GNSS به کمک نقشه برداری سه بعدی قسمت 2: محیط و نقشه برداری. Navig.-J. Inst. پیمایش. 2019 ، 66 ، 363-383. [ Google Scholar ] [ CrossRef ]
آجراد، م. Groves، PD Intelligent Urban Positioning: ادغام تطبیق سایه با محدوده GNSS به کمک نقشه برداری سه بعدی. جی. ناویگ. 2018 ، 71 ، 1-20. [ Google Scholar ] [ CrossRef ]
پروناتو، جی. راستوگی، پ. ری، ای. اندرسن، ام. یک جعبه ابزار برای نقشه برداری چند مقیاسی از پتانسیل تولید انرژی خورشیدی ساختمان ها در محیط های شهری تحت عدم قطعیت. سول انرژی 2018 ، 173 ، 861-874. [ Google Scholar ] [ CrossRef ]
جولین، آ. جعلمه، ک. Virtanen، JP; پوکه، م. یلیپولی، ج. واجا، م. هایپا، جی. Hyyppa، H. مشخص کردن پروژه‌های مدل‌سازی سه بعدی شهر: به سوی یک سیستم تعاملی هماهنگ. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 55. [ Google Scholar ] [ CrossRef ]
لهنر، اچ. Dorffner, L. Digital geoTwin Vienna: Towards a Digital Twin City as Geodata Hub. Pfg-J. فتوگرام سنسور از راه دور Geoinf. علمی 2020 ، 88 ، 63-75. [ Google Scholar ] [ CrossRef ]
لیو، WQ; وانگ، سی. Bian، XS; چن، ST; لی، دبلیو. لین، XH; لی، YC; Weng، DD; لای، SH; Li, J. AE-GAN-Net: یادگیری توصیفگر ویژگی ثابت برای تطبیق تصاویر دوربین زمینی و ابر نقطه ای مبتنی بر تصویر سه بعدی در مقیاس بزرگ برای واقعیت افزوده در فضای باز. Remote Sens. 2019 , 11 , 2243. [ Google Scholar ] [ CrossRef ]
Farella، EM; ترسانی، ع. Remondino، F. پالایش پردازش سه بعدی مشترک تصاویر زمینی و پهپاد با استفاده از معیارهای کیفیت. Remote Sens. 2020 , 12 , 2873. [ Google Scholar ] [ CrossRef ]
ژانگ، HC; چنگ، CQ; Miao، SX یک روش مدیریت اجزای شهری دقیق بر اساس کد شبکه GeoSOT و BIM. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 159. [ Google Scholar ] [ CrossRef ]
بله، IA; Yee, JJ توسعه یک مدل ساز خودکار اطلاعات جغرافیایی محیط و انرژی (E-GIS) برای برنامه ریزی شهری دوستدار محیط زیست. خودکار ساخت و ساز 2016 ، 71 ، 398-413. [ Google Scholar ] [ CrossRef ]
ترابی مقدم، س. تونیولو، جی. موتانی، جی. لومباردی، P. یک رویکرد آماری GIS برای ارزیابی استفاده از انرژی محیط ساخته شده در مقیاس شهری. حفظ کنید. جامعه شهرها 2018 ، 37 ، 70-84. [ Google Scholar ] [ CrossRef ]
سارتا، ای. کاپوتو، پ. فرانتینی، اف. یک روش یکپارچه مبتنی بر GIS سه بعدی برای تخمین پتانسیل شهری مقاوم سازی نماها با BIPV. حفظ کنید. جامعه شهرها 2020 , 62 , 102410. [ Google Scholar ] [ CrossRef ]
تروبکا، آر. گلاکین، اس. مدل‌سازی گونه‌شناسی مسکن برای برنامه‌ریزی سناریوی توسعه مجدد شهری. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 57 ، 199-211. [ Google Scholar ] [ CrossRef ]
طالعی، م. امیری، ارزیابی فضایی چند معیاره و چند مقیاسی پتانسیل پیاده‌روی در سطح خیابان: مطالعه موردی تهران محمد. حفظ کنید. جامعه شهرها 2017 ، 31 ، 37-50. [ Google Scholar ] [ CrossRef ]
ساران، س. اوبرای، ک. وات، پی. کونده، ا. دوتا، ا. کومار، ک. Kumar, AS Utilities of Virtual City 3D Models بر اساس CityGML: موارد استفاده مختلف. J. Ind. Soc. Remote Sens. 2018 , 46 , 957–972. [ Google Scholar ] [ CrossRef ]
ریچاردز-ریستتو، اچ. تجزیه و تحلیل سه بعدی GIS تکراری از نقش دید در مناظر باستانی مایا: مطالعه موردی از Copan، هندوراس. حفر کردن. دانش پژوه. انسانی. 2017 ، 32 ، 195-212. [ Google Scholar ] [ CrossRef ]
رفیعی، ع. دیاس، ای. کومن، ای. تحلیل تأثیر بافت فضایی بر مصرف گرمای خانوارهای فردی. تمدید کنید. حفظ کنید. Energy Rev. 2019 , 112 , 461–470. [ Google Scholar ] [ CrossRef ]
ماچته، آر. فالکائو، AP; گومز، ام جی. Rodrigues, AM استفاده از GIS سه بعدی برای تجزیه و تحلیل تأثیر بافت شهری بر پتانسیل انرژی خورشیدی ساختمان ها. انرژی ساخت. 2018 ، 177 ، 290-302. [ Google Scholar ] [ CrossRef ]
لندسکی، جی. لیندگرن، اس. گردینگ، اچ. پاپادیمیتریو، ا. Wallensten، J. Ancient Hermione نشان داد: سهم محاسبات با کارایی بالا و روش‌های دیجیتال در تجزیه و تحلیل منظر شهری پنهان. آرکائول. چشم انداز. 2020 ، 27 ، 315-328. [ Google Scholar ] [ CrossRef ]
کوزیاتک، او. Dragicevic، S. iCity 3D: روش و ابزار geosimualtion برای مدل سازی سه بعدی توسعه شهری عمودی. Landsc. طرح شهری. 2017 ، 167 ، 356-367. [ Google Scholar ] [ CrossRef ]
کلی، تی. فمینی، ج. ونکا، پی. میترا، نیوجرسی BigSUR: بازسازی ساختار یافته شهری در مقیاس بزرگ. ACM Trans. نمودار. 2017 ، 36 ، 1-16. [ Google Scholar ] [ CrossRef ]
گوا، جی. Sun، BX; Qin، Z. Wong، SW; وونگ، ام اس؛ یونگ، سی دبلیو؛ شن، QP مطالعه محدودیت های نسبت قطعه / ارتفاع ساختمان در شهرهای پر تراکم با استفاده از فناوری تحلیل فضایی سه بعدی: موردی در هنگ کنگ. Habitat Int. 2017 ، 65 ، 13-31. [ Google Scholar ] [ CrossRef ]
گوا، جی. Sun، BX; Qin، Z. وونگ، ام اس؛ وانگ، SW; یونگ، سی دبلیو؛ وانگ، اچ. آبا، س. Shen, GQ تجزیه و تحلیل اثرات سناریوهای مختلف بر محیط اطراف در یک شهر با تراکم بالا. Cities 2020 , 99 , 102585. [ Google Scholar ] [ CrossRef ]
ارنر، ا. سارپ، جی. Karaca, MI رویکردی به برآورد ارتفاع و طبقه ساختمان شهری با استفاده از داده های LiDAR. عرب جی. ژئوشی. 2020 ، 13 ، 1-9. [ Google Scholar ] [ CrossRef ]
ایکر، یو. ویلر، وی. شوماخر، جی. براون، آر. در مورد طراحی یک پلت فرم داده و مدل سازی شهری و کاربرد آن در تجزیه و تحلیل ناحیه شهری. انرژی ساخت. 2020 ، 217 ، 109954. [ Google Scholar ] [ CrossRef ]
دل اونتو، ن. لندسکی، جی. تواتی، AML؛ دلپیان، م. کالیری، م. فردانی، دی. تجربه ساختمان های باستانی از دیدگاه سه بعدی GIS: موردی برگرفته از پروژه پمپئی سوئد. J. Archaeol. نظریه روش 2016 ، 23 ، 73-94. [ Google Scholar ] [ CrossRef ]
Xiong، Q. زو، س. Du، ZQ; زو، XY; ژانگ، YT; نیو، ال. لی، ی. Zhou، Y. یک مدل میدان داخلی پویا برای شبیه‌سازی تخلیه اضطراری. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 104. [ Google Scholar ] [ CrossRef ]
Gevaert، CM; پرسلو، سی. اسلیوزاس، آر. Vosselman, G. طبقه بندی سکونتگاه های غیررسمی با استفاده از ویژگی های نقطه-ابر و تصویر مبتنی بر داده های پهپاد. ISPRS J. Photogramm. Remote Sens. 2017 , 125 , 225–236. [ Google Scholar ] [ CrossRef ]
بیلجکی، اف. لدوکس، اچ. استوتر، جی. ووسلمن، جی. انواع LOD یک مدل ساختمان سه بعدی و تأثیر آنها بر تحلیل های فضایی. ISPRS J. Photogramm. Remote Sens. 2016 ، 116 ، 42-54. [ Google Scholar ] [ CrossRef ]
فرناندز-پالاسیوس، بی جی; مورابیتو، دی. Remondino، F. دسترسی به مدل های سه بعدی مبتنی بر واقعیت پیچیده با استفاده از راه حل های واقعیت مجازی. J. Cult. میراث. 2017 ، 23 ، 40-48. [ Google Scholar ] [ CrossRef ]
عطازاده، ب. کلانتری، م. رجبی فرد، ع. هو، اس. Ngo، T. مدل سازی اطلاعات ساختمان برای مدیریت زمین بلندمرتبه. ترانس. GIS 2017 ، 21 ، 91-113. [ Google Scholar ] [ CrossRef ]
چن، ک. لو، WS; ژو، اف. تانگ، PB; Li، LH بازسازی مدل اطلاعات ساختمان خودکار در مناطق شهری با تراکم بالا: افزایش داده های چند منبع با دانش معماری خودکار ساخت و ساز 2018 ، 93 ، 22-34. [ Google Scholar ] [ CrossRef ]
فضلی، ف. AlSeed, M. Digitizing Vanishing Architectural Heritage; طراحی و توسعه مدل سازی اطلاعات بناهای تاریخی قطر پلت فرم Q-HBIM. پایداری 2019 ، 11 ، 2501. [ Google Scholar ] [ CrossRef ]
حامیه، ع. بن مخلوف، ع. لوهیچی، بی. Deneux, D. روشی مبتنی بر BIM برای برنامه ریزی مسیرهای داخلی. خودکار ساخت و ساز 2020 , 113 , 103120. [ Google Scholar ] [ CrossRef ]
الفت، ح. عطازاده، ب. شجاعی، د. رجبی فرد، الف. امکان سنجی یک رویکرد مبتنی بر BIM برای پشتیبانی از گردش کار زیربخش ساختمان – مطالعه موردی ویکتوریا، استرالیا. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 499. [ Google Scholar ] [ CrossRef ]
شجاعی، د. الفت، ح. رجبی فرد، ع. دارویل، ا. بریفا، ام. ارزیابی پروتکل کاداستر دیجیتال استرالیا (ePlan) از نظر پشتیبانی از زیرمجموعه های ساختمان سه بعدی. سیاست کاربری زمین 2016 ، 56 ، 112-124. [ Google Scholar ] [ CrossRef ]
سان، ج. Mi, SY; اولسون، PO; پالسون، جی. Harrie, L. استفاده از BIM و GIS برای نمایش و تجسم کاداستر سه بعدی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 503. [ Google Scholar ] [ CrossRef ]
بوجه، سی. گوریرو، آ. کوبیکی، اس. Rezgui, Y. Towards a Semantic Construction Digital Twin: دستورالعمل هایی برای تحقیقات آینده. خودکار ساخت و ساز 2020 ، 114 ، 16. [ Google Scholar ] [ CrossRef ]
امیرابراهیمی، س. رجبی فرد، ع. مندیس، پ. Ngo, T. یک روش یکپارچه سازی BIM-GIS در پشتیبانی از ارزیابی و تجسم سه بعدی آسیب سیل به یک ساختمان. جی. اسپات. علمی 2016 ، 61 ، 317-350. [ Google Scholar ] [ CrossRef ]
امیرابراهیمی، س. رجبی فرد، ع. مندیس، پ. Ngo، T. چارچوبی برای ارزیابی آسیب سیل در مقیاس میکرو و تجسم برای یک ساختمان با استفاده از ادغام BIM-GIS. بین المللی جی دیجیت. زمین 2016 ، 9 ، 363-386. [ Google Scholar ] [ CrossRef ]
کاتولو، آر. فالکائو، AP; بنتو، آر. Ildefonso، S. ارزیابی ساده شده آسیب پذیری لرزه ای مرکز شهر میراث لیسبون بر اساس روش شناسی مبتنی بر 3DGIS. J. Cult. میراث. 2018 ، 32 ، 108-116. [ Google Scholar ] [ CrossRef ]
دنگ، YC; چنگ، JCP; Anumba، C. چارچوبی برای نقشه‌برداری سه بعدی نویز ترافیک با استفاده از داده‌های ادغام BIM و GIS. ساختار. زیرساخت. مهندس 2016 ، 12 ، 1267-1280. [ Google Scholar ] [ CrossRef ]
Lu، XZ; Gu، DL; خو، ز. شیونگ، سی. Tian, Y. چارچوب شبیه‌سازی چند خطر مبتنی بر CIM که ساختمان‌های فردی و مناطق شهری را پوشش می‌دهد. پایداری 2020 ، 12 ، 5059. [ Google Scholar ] [ CrossRef ]
دنگ، ی. چنگ، JCP; Anumba، C. نقشه برداری بین BIM و 3D GIS در سطوح مختلف جزئیات با استفاده از میانجیگری طرحواره و مقایسه نمونه. خودکار ساخت و ساز 2016 ، 67 ، 1-21. [ Google Scholar ] [ CrossRef ]
ژانگ، اس. هو، دی. وانگ، سی. پان، اف. Yan, L. یکپارچه سازی و مدیریت BIM در GIS مبتنی بر وب سه بعدی برای پروژه های مهندسی هیدرولیک و برق آبی. خودکار ساخت و ساز 2020 , 112 , 103114. [ Google Scholar ] [ CrossRef ]
اندرسون، ک. هنکاک، اس. کازالگنو، اس. گریفیتس، آ. گریفیث، دی. سارجنت، اف. مک کالوم، جی. کاکس، DTC؛ گاستون، کی جی تجسم حجم سبز شهری: کاوش وکسل های LiDAR با فناوری های ملموس و مدل های مجازی. Landsc. طرح شهری. 2018 ، 178 ، 248-260. [ Google Scholar ] [ CrossRef ]
بونکزاک، بی. Kontokosta، CE پارامترسازی در مقیاس بزرگ مورفولوژی ساختمان های سه بعدی در مناظر پیچیده شهری با استفاده از LiDAR هوایی و داده های اداری شهر. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 73 ، 126-142. [ Google Scholar ] [ CrossRef ]
کازالگنو، اس. اندرسون، ک. هنکاک، اس. Gaston، KJ بهبود مدل‌های فضای سبز شهری: از پوشش سطح گیاهی تا بررسی حجمی، با استفاده از اسکن لیزری شکل موج. روش ها Ecol. تکامل. 2017 ، 8 ، 1443-1452. [ Google Scholar ] [ CrossRef ]
چن، MD; فنگ، آ. مک آلیندن، آر. Soibelman، L. بخش بندی ابر نقطه فتوگرامتری و استخراج اطلاعات شی برای ایجاد محیط های مجازی و شبیه سازی. جی. مناگ. مهندس 2020 , 36 , 04019046. [ Google Scholar ] [ CrossRef ]
گلوب، د. دویتشر، ی. Fisher-Gewirtzman, D. تجزیه و تحلیل دید سه بعدی که جنبه های کمی و کیفی فضای قابل مشاهده را نشان می دهد. Surv. Rev. 2018 , 50 , 134-146. [ Google Scholar ] [ CrossRef ]
هو، XY; یان، اچ. وانگ، دی. ژائو، ZQ; ژانگ، جی کیو؛ لین، تی. Ye, H. یک رویکرد ساخت و ساز تبلیغاتی برای یک مدل فشردگی سه بعدی شهری مبتنی بر قانون گرانش. پایداری 2020 ، 12 ، 6777. [ Google Scholar ] [ CrossRef ]
لین، YB؛ وانگ، سی. ژای، DW; لی، دبلیو. لی، جی. به سوی مرزبندی بهتر، تقسیم بندی سوپروکسل برای ابرهای نقطه سه بعدی حفظ شده است. ISPRS J. Photogramm. Remote Sens. 2018 ، 143 ، 39–47. [ Google Scholar ] [ CrossRef ]
اسکویی، پ. بکریک-گربر، بی. Soibelman, L. تشخیص خودکار نماهای ساختمان برای ایجاد مدل‌های سه بعدی ماکت‌آپ. جی. کامپیوتر. مدنی مهندس 2017 , 31 , 04017059. [ Google Scholar ] [ CrossRef ]
تکاوک، جی. لیسک، ا. Rodrigues, E. شبیه سازی مجموعه داده های کاداستر سه بعدی در مقیاس بزرگ با استفاده از مدل سازی رویه ای. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 598. [ Google Scholar ] [ CrossRef ]
Li, W. رابطه بین ویژگی‌های بصری خیابان و ارزش دارایی با استفاده از یادگیری عمیق. پایان نامه کارشناسی ارشد، دانشگاه Twente، Enschede، هلند، 2020. [ Google Scholar ]
هولوپاینن، م. واستارانتا، م. کانکاره، وی. هایپا، اچ. واجا، م. Hyyppä، J.; لیانگ، ایکس. لیتکی، پی. یو، ایکس. کارتینن، اچ. و همکاران استفاده از اندازه گیری های ALS، TLS و VLS در نقشه برداری و پایش درختان شهری. در مجموعه مقالات رویداد مشترک سنجش از دور شهری 2011، مونیخ، آلمان، 11-13 آوریل 2011; ص 29-32. [ Google Scholar ]
چن، اس اس. ژانگ، دبلیو. وانگ، NH; ایگناتیوس، ام. ترکیب فایل‌های CityGML و مدل‌های مبتنی بر داده برای شبیه‌سازی ریزاقلیم در یک شهر گرمسیری. ساختن. محیط زیست 2020 , 185 , 107314. [ Google Scholar ] [ CrossRef ]
برازبین، م. پرت، جی. موستیره، اس. وبر، سی. داده های شهری سه بعدی برای ارزیابی تأثیر مقررات شهری محلی. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 68 ، 37–52. [ Google Scholar ] [ CrossRef ]
آگوجارو، جی. بنر، جی. سیپریانو، پی. Nouvel, R. گسترش دامنه کاربرد انرژی برای CityGML: افزایش قابلیت همکاری برای شبیه سازی انرژی شهری. Geospat را باز کنید. نرم افزار داده ایستادن. 2018 ، 3 ، 2. [ Google Scholar ] [ CrossRef ]
Gu، JP; وانگ، XZ; لیو، GW کشف مجدد ارزش رفاهی مناظر شهری در مناطق کوهستانی با ساختمان های بلند از دیدگاه سیستم های شهری عمودی سه بعدی. شهری برای. سبز شهری. 2021 ، 60 ، 127018. [ Google Scholar ] [ CrossRef ]
سیا، MK; بله، VWC; Siew, CL تأثیر عوامل فنگ شویی بر قصد خرید خانه چینی های مالزیایی. قوس. مهندس دس مدیریت 2018 ، 14 ، 427-439. [ Google Scholar ]
ژانگ، ال. ژو، جی. Hui, ECm کدام نوع از مراکز خرید بر قیمت مسکن تأثیر می گذارد؟ از منظر دسترسی فضایی. Habitat Int. 2020 ، 96 ، 102118. [ Google Scholar ] [ CrossRef ]
ژو، جی. Wu, P. ادغام داده های BIM/GIS از دیدگاه جریان اطلاعات. خودکار ساخت و ساز 2022 ، 136 ، 104166. [ Google Scholar ] [ CrossRef ]
بخشوده، ر. اوکامپو، سی. اولدهام، سی. عملکرد حرارتی نمای سبز: بررسی و تجزیه و تحلیل داده های منتشر شده. تمدید کنید. حفظ کنید. Energy Rev. 2022 , 155 , 111744. [ Google Scholar ] [ CrossRef ]
کلمن، سی. کراسبی، ن. مک آلیستر، پی. وایات، پی. ارزیابی توسعه در عمل: برخی شواهد از سیستم برنامه ریزی. J. Prop. Res. 2013 ، 30 ، 144-165. [ Google Scholar ] [ CrossRef ]
Wyatt, PJ توسعه یک سیستم اطلاعات ملکی مبتنی بر GIS برای ارزیابی املاک و مستغلات. بین المللی جی. جئوگر. Inf. علمی 1997 ، 11 ، 435-450. [ Google Scholar ] [ CrossRef ]
لی، ایکس. چن، وای. چو، مدل‌سازی لذت‌بخش فضایی سه بعدی FHT: اثرات زیست‌محیطی رودخانه شهری آلوده در یک بازار آپارتمانی بلند. Landsc. طرح شهری. 2020 ، 203 ، 103883. [ Google Scholar ] [ CrossRef ]
چنگ، XL; چنگ، XJ; لی، کیو. Ma, LW ثبت خودکار ابرهای نقطه‌ای زمینی و هوابرد با استفاده از ویژگی‌های طرح کلی ساختمان. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2018 , 11 , 628–638. [ Google Scholar ] [ CrossRef ]
ایشیزوکا، تی. فوجی‌وارا، ک. کاهش صدای ترافیک در بالکن‌ها در نمای ساختمان مرتفع. جی. آکوست. Soc. صبح. 2012 ، 131 ، 2110-2117. [ Google Scholar ] [ CrossRef ]
Amoore, L. Cloud Geographies: Computing, Data, Sovereignity. Prog. هوم Geogr. 2018 ، 42 ، 4-24. [ Google Scholar ] [ CrossRef ]
آگراوال، دی. العبادی، ع. داس، اس. Elmore، AJ Database Scalability, Elasticity, and Autonomy in the Cloud . Springer: برلین/هایدلبرگ، آلمان، 2011; صص 2-15. [ Google Scholar ]
گیفورد، آر. پیامدهای زندگی در ساختمان های بلند. قوس. علمی Rev. 2007 , 50 , 2-17. [ Google Scholar ] [ CrossRef ]
CDC. ملاحظاتی برای مالکان و اپراتورهای مسکن چندخانواری از جمله جمعیت‌هایی که در معرض خطر افزایش عوارض ناشی از کووید-19 هستند. در دسترس آنلاین: https://www.cdc.gov/coronavirus/2019-ncov/community/multifamily-housing.html (در 1 دسامبر 2022 قابل دسترسی است).

شکل 1. سناریوی محیطی سه بعدی.

شکل 2. انواع تحقیقات مختلف در 3DPV [ 40 ].

شکل 3. ویژگی های اساسی 3DPV.

شکل 4. روش شناسی فراگیر.

شکل 5. نمودار جریان PRISMA ¹ جستجوی ادبیات.

شکل 6. نمودارهای عنکبوتی روش های مختلف مدل سازی سه بعدی. امتیاز بر اساس مقیاس لیکرت 0-5 برای هر ویژگی محاسبه می شود.

شکل 7. نمای کلی توسعه 3DPV.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

به سوی ارزش گذاری املاک سه بعدی – مروری بر روش های مدل سازی سه بعدی شهری برای ایجاد دوقلو دیجیتال

کلید واژه ها:

1. مقدمه و پیشینه

1.1. مقدمه کلی

1.2. پیشینه ارزش گذاری املاک و توسعه آن به سمت سه بعدی

1.2.1. ارزش گذاری ملک چیست؟

1.2.2. تحقیق مرتبط 3DPV

1.2.3. ویژگی های 3DPV

2. مواد و روشها

2.1. طراحی مرور کلی

2.2. مفاهیم کلیدی

2.3. استراتژی جستجو

2.4. معیارهای تحلیلی

3. بحث در مورد دسته بندی های متمایز از روش های مدل سازی سه بعدی برای ایجاد شهر DT

3.1. DT مبتنی بر تصویر

3.2. DT مبتنی بر ابر نقطه

3.3. هیبریدی DT

3.3.1. شهر سه بعدی DT

3.3.2. GIS سه بعدی

3.3.3. BIM

3.3.4. BIM-GIS

3.3.5. وکسل

3.3.6. مدلسازی رویه ای

3.4. خلاصه

4. چشم انداز برای 3DPV

4.1. کوتاه مدت و در مقیاس بزرگ (مقیاس شهر)

4.2. بلند مدت و در مقیاس دقیق (ساختمان یا مقیاس واحد)

4.3. خلاصه: شباهت ها و تفاوت ها

5. نتیجه گیری ها

منابع

قبلیویژگی های الگوی دسترسی به راه آهن پرسرعت و همپوشانی فضایی تجمع شهری حوضه رودخانه زرد

بعدیتحلیل شبکه شهری جهت دار و وزنی در حلقه اقتصادی چنگدو-چونگ کینگ از منظر جریان اطلاعات رسانه های جدید

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب