چکیده

در یک سناریوی پس از زلزله، غنی‌سازی معنایی مدل‌های ساختمانی سه بعدی با آسیب لرزه‌ای از دیدگاه مدیریت بلایا بسیار مهم است. هدف این مقاله ارائه روش‌شناسی و نتایج برای مدل‌سازی ساختمان سطح جزئیات 3 (LOD3) (پس از زلزله) با غنی‌سازی معنایی آسیب‌های لرزه‌ای بر اساس مقیاس ماکروز لرزه اروپا (EMS-98) است. منطقه مورد مطالعه، سکونتگاه سنتی Vrisa در جزیره Lesvos، یونان است که در 12 ژوئن 2017 تحت تأثیر یک زلزله ویرانگر Mw = 6.3 قرار گرفت. روش کاربردی شامل مراحل زیر است: (الف) سیستم های هواپیمای بدون سرنشین (UAS) تصاویر نادر و مایل به دست آمده و برای تولید ابر نقطه سه بعدی به صورت فتوگرامتری پردازش می شوند. (ب) مدل‌های ساختمانی سه‌بعدی بر اساس ابرهای نقطه‌ای سه‌بعدی ایجاد می‌شوند و (ج) مدل‌های ساختمان‌های سه‌بعدی به استاندارد زبان نشانه‌گذاری جغرافیای شهر LOD3 (CityGML) با معنای غنی‌شده آسیب‌های لرزه‌ای مربوط به هر قسمت از ساختمان (دیوارها، سقف و غیره). نتایج نشان می‌دهد که در پیروی از این روش، می‌توان مدل‌های CityGML LOD3 را تولید و با آسیب‌های لرزه‌ای ساختمان‌ها غنی‌سازی کرد. این مدل‌ها می‌توانند به فرآیند تصمیم‌گیری در طول مرحله بازیابی یک تسویه حساب کمک کنند و همچنین مبنایی برای نظارت بر آن در طول زمان باشند. در نهایت، این مدل ها می توانند به برآورد هزینه بازسازی ساختمان ها کمک کنند. نتایج نشان می‌دهد که در پیروی از این روش، می‌توان مدل‌های CityGML LOD3 را تولید و با آسیب‌های لرزه‌ای ساختمان‌ها غنی‌سازی کرد. این مدل‌ها می‌توانند به فرآیند تصمیم‌گیری در طول مرحله بازیابی یک تسویه حساب کمک کنند و همچنین مبنایی برای نظارت بر آن در طول زمان باشند. در نهایت، این مدل ها می توانند به برآورد هزینه بازسازی ساختمان ها کمک کنند. نتایج نشان می‌دهد که در پیروی از این روش، می‌توان مدل‌های CityGML LOD3 را تولید و با آسیب‌های لرزه‌ای ساختمان‌ها غنی‌سازی کرد. این مدل‌ها می‌توانند به فرآیند تصمیم‌گیری در طول مرحله بازیابی یک تسویه حساب کمک کنند و همچنین مبنایی برای نظارت بر آن در طول زمان باشند. در نهایت، این مدل ها می توانند به برآورد هزینه بازسازی ساختمان ها کمک کنند.

کلید واژه ها: 

پس از زلزله ؛ LOD3 ; CityGML ; معناشناسی ; مدل های سه بعدی ساختمان ; ابر نقطه سه بعدی ; UAS ; آسیب لرزه ای

1. مقدمه

در چند سال گذشته، نمایش سه بعدی اشیاء فضایی از ساختمان ها تا کل شهرها برای درک بهتر دنیای مدرن اهمیت فزاینده ای پیدا کرده است. مدل های سه بعدی اشیای دیجیتالی هستند که داده های فضایی شهری سطح زمین را نشان می دهند [ 1 ]. توسعه گسترده ای در استفاده از مدل های سه بعدی و ژئو تجسم سه بعدی در کاربردهای مختلف مانند ناوبری، برنامه ریزی شهری، برنامه ریزی انرژی، برنامه ریزی منظر، کاداستر سه بعدی، املاک، مشارکت عمومی، ساخت و ساز، گردشگری، مدیریت تاسیسات، محیط زیست وجود دارد. شبیه سازی، برنامه های شهرهای هوشمند و مدیریت بلایا [ 2 ، 3 ، 4]. مدل‌های سه‌بعدی این عیب را داشتند که فقط به عنوان مدل‌های گرافیکی یا هندسی عمل می‌کنند که معناشناسی و توپولوژی را نادیده می‌گیرند. این مدل‌ها فقط می‌توانند برای اهداف تجسم استفاده شوند، اما نه برای پرس و جوهای موضوعی، وظایف تحلیل و داده‌کاوی مکانی [ 5 ]. در مدل‌سازی سه‌بعدی معنایی، علاوه بر توپولوژی و هندسه، معناشناسی اشیاء سه‌بعدی مشخص می‌شود و بدین ترتیب، اشیاء منظر شهری طبقه‌بندی می‌شوند و ویژگی‌های فضایی و موضوعی آنها تشریح می‌شود. معناشناسی برای پیچیدگی ساختاری اشیاء شهری مهم است. اشیاء شهر را می توان از نظر معنایی غنی کرد و با ویژگی ها و همبستگی هایشان به اجزای ساختاری آنها تقسیم کرد [ 6 ]]. بر این اساس، CityGML توسعه یافته است. CityGML یک استاندارد بین المللی است که توسط کنسرسیوم فضایی باز (OGC) ایجاد شده است و بر اساس فرمت XML برای ذخیره سازی، نمایش و تبادل مدل های سه بعدی است [ 5 ، 7 ، 8 ، 9 ]. در CityGML، ویژگی‌های استاندارد، معنایی، مکانی و هندسی مدل‌های ساختمان در پنج سطح جزئیات (LOD) از LOD0 تا LOD4 سازمان‌دهی می‌شوند، جایی که مدل‌ها به طور فزاینده‌ای دقیق و دقیق می‌شوند [ 7 ]]. به طور تحلیلی، یک ساختمان در LOD0 با ردپای 2.5 بعدی نشان داده می شود. LOD1 یک مدل بلوک تعمیم یافته با دیوارها، بدون ساختار سقف است. LOD2 مدلی با دیوارها و انواع سازه سقف است. LOD3 یک مدل دقیق با بازشوها (پنجره ها و درها) و سازه های سقف مختلف است. در نهایت، LOD4 یک مدل LOD3 است که شامل هندسه‌های دقیق داخلی است [ 9 ، 10 ، 11 ].
بلایای طبیعی مانند زلزله می تواند باعث تلفات جانی، اثرات مخرب در مناطق شهری و خسارات مالی شود. همانطور که توسط چرخه مدیریت بلایا تعریف شده است، فعالیت ها، برنامه ها و اقدامات را می توان قبل از (قبل از فاجعه)، در حین (وقوع فاجعه) و بعد از یک فاجعه (پس از فاجعه) انجام داد. مراحل پس از فاجعه عبارتند از واکنش، بازیابی و بازسازی [ 12 ]. زلزله اجتناب ناپذیر است. با این حال، مدیریت بلایا در طول سال ها تکامل یافته است. هنگام وقوع زلزله، ارزیابی خسارت منبع اولیه برای به دست آوردن اطلاعات، در مورد میزان آسیب و گسترش فضایی آن است [ 13 ].]. ارزیابی های مبتنی بر زمین و سنجش از دور دو روش اصلی برای ارزیابی ساختمان های آسیب دیده هستند. ارزیابی خسارت سازه ها پس از زلزله از طریق بررسی های میدانی انجام می شود. با این حال، این روش ها زمان بر هستند، گاهی اوقات خطرناک هستند و اغلب دسترسی به منطقه آسیب دیده غیرممکن است [ 14 ].
تکنیک‌های سنجش از دور (فضا و هوابرد) در کاربردهای مختلفی استفاده می‌شوند و ثابت شده‌اند که برای جمع‌آوری سریع داده‌ها پس از زلزله بسیار کارآمد هستند. برای سال‌های متمادی، فناوری‌های رادار دیافراگم مصنوعی (SAR) و تشخیص نور و محدوده (LIDAR) برای تشخیص آسیب استفاده می‌شوند [ 15 ، 16 ، 17 ، 18 ، 19 ، 20 ]. در سال‌های اخیر، برخی از مطالعات رویکردهای یادگیری عمیق را برای تشخیص آسیب ساختمان پس از فاجعه پیشنهاد کرده‌اند [ 21 ، 22 ]. یک روش کم هزینه، دقیق و ایمن برای جمع آوری اطلاعات خسارت کل منطقه آسیب دیده، UAS [ 23 ، 24 ] است.]. فناوری UAS بلافاصله پس از یک فاجعه یا برای نظارت در مرحله بازیابی استفاده می شود، زیرا تصاویر یا فیلم هایی با وضوح بالا ارائه می دهد و مطالعات متعدد نشان می دهد که آنها برای این موقعیت ها ایده آل هستند [ 24 ، 25 ، 26 ، 27 ، 28 ، 29 ]. UAS، در کنار استفاده از الگوریتم‌های ساختار از حرکت (SfM) و استریو چند نمای (MVS)، ابرهای نقطه سه بعدی با وضوح بالا [ 30 ] تولید می‌کنند. به گفته تو و همکاران. [ 25]، استفاده از تصاویر UAS در تشخیص ساختمان های آسیب دیده ابزاری کارآمد در فرآیند تصمیم گیری است. علاوه بر این، ترکیب تصاویر نادر و مایل اطلاعات آسیب کل ساختمان آسیب دیده، هم برای سقف و هم برای دیوارها را فراهم می کند [ 31 ]. وتریول و همکاران [ 32 ]، با استفاده از UAS، ابرهای نقطه سه بعدی را برای به دست آوردن اطلاعات آسیب در ساختمان ها ایجاد کرد.
آسیب ساختمان بر اساس مقیاس ماکروزه ای اروپا 1998 (EMS-98) [ 33 ] با درجه بندی اندازه گیری می شود و به پنج گروه اصلی طبقه بندی می شود. طبقه بندی آسیب های ساختمان های بنایی و بتن آرمه به شرح زیر است: i. درجه 1 – ناچیز تا آسیب جزئی؛ ii درجه 2 – آسیب متوسط؛ III. درجه 3 – قابل توجه به آسیب های سنگین. IV درجه 4 – آسیب بسیار سنگین؛ v. درجه 5 – تخریب.
اگرچه بررسی UAS پس از زلزله داده های سه بعدی با وضوح بالا و دقیق هندسی را ارائه می دهد، اما استفاده از آنها همچنان بر روی نقشه برداری دو بعدی برای تشخیص آسیب متمرکز است. از سوی دیگر، تجسم سه بعدی ساختمان های متاثر از زلزله می تواند به فرآیند تصمیم گیری کمک کند. مدل های سه بعدی و تجسم سه بعدی ابزارهای ارتباطی موثرتر از نقشه های دو بعدی در مدیریت بلایا هستند [ 34 ]. مدل‌سازی سه‌بعدی در مطالعات مختلفی به کار گرفته شده است، اما فقط به اهداف تجسم محدود شده است [ 35 ، 36 ، 37 ، 38 ، 39]. با توجه به تولید مدل‌های ساختمان CityGML در مدیریت بلایا، رویکردهای کمی وجود دارد. مدل‌های CityGML برای ارزیابی و تحلیل آسیب‌پذیری لرزه‌ای در تحقیقات Redweik و همکاران استفاده شد. [ 40 ]. کولوچی و همکاران [ 41 ] یک مدل HBIM از یک ساختمان میراث فرهنگی آسیب دیده از زلزله را به یک مدل با فرمت LOD3 CityGML تبدیل کرد.
به طور کلی، بیشتر مطالعات مربوط به تولید مدل‌های ساختمانی LOD2 و LOD3 است، که در آن مدل‌های CityGML با سطوح پایین‌تر جزئیات (LOD1 و LOD2) می‌توانند نیمه یا کاملاً خودکار تولید شوند و بر خلاف مدل‌های LOD3 که محدود هستند، به‌طور گسترده‌تر در دسترس هستند [ 42 ]. ]. فناوری UAS تکامل یافته است و جمع آوری داده ها برای تولید مدل های ساختمانی LOD2 در مقیاس بلوک شهر کارآمد و دقیق است. با این حال، در مقیاس ساختمان برای مدل‌های ساختمان LOD3، هنوز چالش‌هایی در فرآیند اکتساب داده وجود دارد [ 43 ]]. مدل‌های ساختمانی LOD3 به راحتی تولید نمی‌شوند، زیرا مدل‌سازی ویژگی‌های هندسی در سطوح خارجی (پنجره‌ها، درها، بالکن‌ها و غیره) دشوار است. علاوه بر این، دستیابی به این عناصر بیرونی معمولاً با استفاده از تکنیک‌های چند منبعی انجام می‌شود که زمان‌بر و گران‌تر است. با این وجود، مدل‌های سه بعدی دقیق‌تر معمولاً ضروری نیستند، و می‌توان آنها را در مجموعه‌ای از ویژگی‌های یک عنصر هندسی ساده خلاصه کرد. رویکرد اصلی برای تولید مدل های ساختمان LOD3 از ابتدا، استفاده از ابرهای نقطه سه بعدی است [ 42 ، 44 ]. پریتو و همکاران [ 45 ] روشی ارائه کرد که بر اساس آن یک ابر نقطه ای برای تولید یک مدل سه بعدی که به CityGML تبدیل شد، استفاده شد. گرون و همکاران [ 46] یک مدل LOD3 را از ابرهای نقطه UAS و LiDAR تولید کرد. ملیحی و همکاران [ 47 ] یک مدل LOD3 را با استفاده از ابرهای متراکم نقطه UAS بازسازی کرد.
در مورد مدلسازی معنایی، ساران و همکاران. [ 48 ] ​​یک تکنیک جمع‌آوری داده‌ها از یک ساختمان را ارائه کرد که با Google SketchUp مدل‌سازی شد و به CityGML تبدیل شد، جایی که ویژگی‌های معنایی انرژی غنی شد.
هدف این مطالعه ارائه روش‌شناسی برای تولید مدل‌های ساختمانی LOD3 از ابرهای نقطه‌ای سه‌بعدی تولید شده توسط SfM از تصاویر UAS به‌دست‌آمده و غنی‌سازی معنایی آسیب لرزه‌ای بر اساس مقیاس ماکروز لرزه اروپا (EMS-98) است. سهم این مقاله بر این واقعیت استوار است که مدل سازی سه بعدی و غنی سازی معنایی آسیب لرزه ای در ساختمان ها با استفاده از سیستم های UAS و همچنین روش های ژئوانفورماتیک، به عنوان مثال، استاندارد CityGML امکان پذیر می شود. از نظر تحلیلی، ساختمان‌های آسیب‌دیده را می‌توان مدل‌سازی سه‌بعدی و تبدیل به CityGML کرد و آسیب لرزه‌ای ثبت‌شده در بخش‌های جداگانه ساختمان‌ها را می‌توان از طریق گسترش آن و ساختار هستی‌شناختی مربوطه که بر اساس EMS-98 ایجاد شده است، در CityGML ادغام کرد. در درجه اول، مدل‌های ساختمان CityGML LOD3 از ابرهای نقطه سه‌بعدی ایجاد می‌شوند که از پردازش داده‌های UAS با وضوح بالا و سپس به دست آوردن ساختار معنایی آنها به عنوان بخش‌هایی از ساختمان، مانند دیوارها، سقف‌ها و بازشوها (درها و پنجره‌ها) به دست می‌آیند. متعاقباً هر قسمت از ساختمان اعم از دیوارها و سقف با آسیب های لرزه ای غنی می شود. به این ترتیب می توان خسارت لرزه ای را نه تنها در کل ساختمان که تاکنون اعمال شده است، ثبت کرد، بلکه در هر قسمت از ساختمان به طور جداگانه توزیع شود. این مطالعه در سکونتگاه سنتی Vrisa، در جزیره Lesvos، یونان، که توسط یک زلزله مخرب Mw = 6.3 در 12 ژوئن 2017 تحت تاثیر قرار گرفت، استفاده شد. از پردازش داده های UAS با وضوح بالا و سپس به دست آوردن ساختار معنایی آنها به عنوان بخش هایی از ساختمان، مانند دیوارها، سقف ها و بازشوها (درها و پنجره ها) به دست آمده است. متعاقباً هر قسمت از ساختمان اعم از دیوارها و سقف با آسیب های لرزه ای غنی می شود. به این ترتیب می توان خسارت لرزه ای را نه تنها در کل ساختمان که تاکنون اعمال شده است، ثبت کرد، بلکه در هر قسمت از ساختمان به طور جداگانه توزیع شود. این مطالعه در سکونتگاه سنتی Vrisa، در جزیره Lesvos، یونان، که توسط یک زلزله مخرب Mw = 6.3 در 12 ژوئن 2017 تحت تاثیر قرار گرفت، استفاده شد. از پردازش داده های UAS با وضوح بالا و سپس به دست آوردن ساختار معنایی آنها به عنوان بخش هایی از ساختمان، مانند دیوارها، سقف ها و بازشوها (درها و پنجره ها) به دست آمده است. متعاقباً هر قسمت از ساختمان اعم از دیوارها و سقف با آسیب های لرزه ای غنی می شود. به این ترتیب می توان خسارت لرزه ای را نه تنها در کل ساختمان که تاکنون اعمال شده است، ثبت کرد، بلکه در هر قسمت از ساختمان به طور جداگانه توزیع شود. این مطالعه در سکونتگاه سنتی Vrisa، در جزیره Lesvos، یونان، که توسط یک زلزله مخرب Mw = 6.3 در 12 ژوئن 2017 تحت تاثیر قرار گرفت، استفاده شد. می توان خسارت لرزه ای را نه تنها در کل ساختمان، همانطور که تاکنون اعمال شده، ثبت کرد، بلکه در هر قسمت از ساختمان به طور جداگانه توزیع شود. این مطالعه در سکونتگاه سنتی Vrisa، در جزیره Lesvos، یونان، که توسط یک زلزله مخرب Mw = 6.3 در 12 ژوئن 2017 تحت تاثیر قرار گرفت، استفاده شد. می توان خسارت لرزه ای را نه تنها در کل ساختمان، همانطور که تاکنون اعمال شده، ثبت کرد، بلکه در هر قسمت از ساختمان به طور جداگانه توزیع شود. این مطالعه در سکونتگاه سنتی Vrisa، در جزیره Lesvos، یونان، که توسط یک زلزله مخرب Mw = 6.3 در 12 ژوئن 2017 تحت تاثیر قرار گرفت، استفاده شد.

2. مواد و روشها

2.1. منطقه مطالعه

سکونتگاه سنتی وریسا، لسبوس، یونان، در اثر زلزله فاجعه بار 12 ژوئن 2017 به شدت آسیب دید. تا به امروز، بیش از 350 بنای سنتی به دلیل میزان تخریب قابل توجه و بیش از 200 ساختمان با آسیب لرزه‌ای متوسط ​​تخریب شده‌اند. تعمیر شده اند. ساختمان‌های شهرک عمدتاً بنایی، یک طبقه و دو طبقه با سقف‌های کاشی‌کاری شده (تنها نه ساختمان سه طبقه) است. چندین ساختمان نیز دارای زیرزمین هستند و در نتیجه ارتفاع آنها از 4.5 متر (یک طبقه با سقف کاشیکاری) تا 7.5 متر (دو طبقه با سقف) متغیر است. مدلسازی سه بعدی آنها در سطح جزئیات 2 (LOD2) با استفاده از مدل سطح دیجیتال (DSM) و نقشه ارتوفوتو که با پردازش تصاویر با وضوح بالا گرفته شده توسط UAS ایجاد شده است، انجام شد.شکل 1 ) [ 49 ، 50 ]. در 7 اکتبر 2020، تصاویر با وضوح بالا از کل سکونتگاه Vrisa برای ایجاد ابرهای نقاط سه بعدی جمع آوری شد و سپس در مدل سازی سه بعدی سکونتگاه در LOD2 مورد استفاده قرار گرفت. ادغام آسیب‌های لرزه‌ای در مدل‌های LOD2 بر اساس طبقه‌بندی سازمان برنامه‌ریزی و حفاظت از زلزله (EPPO) [ 51 ] در سه کلاس «سبز-ایمن برای استفاده»، «زرد-ناایمن برای استفاده» و «قرمز-خطرناک برای استفاده» بود. استفاده کنید، همانطور که در شکل 1 نشان داده شده است.
برای مطالعه حاضر، دو ساختمان سنتی شهرک بر اساس ویژگی‌های مورفولوژیکی و ساختاری انتخاب شدند تا در LOD3 با استفاده از ابرهای نقطه‌ای سه‌بعدی تولید شده توسط پردازش تصاویر نادر/میل پروازهای دستی UAS مدل‌سازی شوند. به طور خاص، ساختمان A یک کافه سنگی یک طبقه با سقف پیچیده کاشی است. این ساختمان گوشه ای است که با دو ساختمان دیگر در تماس است. از دو در – یکی به عنوان ورودی اصلی به ابعاد 2.26 × 1.12 متر و دیگری در نمای دیگر با ابعاد 1 × 2.20 متر – و دو پنجره (ابعاد 1 × 2.10 متر) در هر نما تشکیل شده است. ارتفاع ساختمان 4.72 متر و ارتفاع سقف 2.07 متر است. آسیب لرزه ای ساختمان بر روی دیوارها قرار دارد و از ترک های مویی تشکیل شده است. ساختمان Β یک خانه مسکونی دو طبقه سنگی با سقف کاشیکاری است که با یک ساختمان دیگر در تماس است. شامل یک در اصلی (به ابعاد 3.26 × 1.50 متر) و 10 پنجره (ابعاد 0.90 × 1.60 متر) در نماها می باشد. ارتفاع ساختمان 7.18 متر و ارتفاع سقف 1.08 متر است. آسیب لرزه ای ساختمان هم بر روی دیوارها و هم در پشت بام قرار دارد. به طور خاص، آسیب شامل ترک های مورب در سه دیوار، شکست جدی یک دیوار و شکست جزئی سازه سقف است. آسیب لرزه ای ساختمان هم بر روی دیوارها و هم در پشت بام قرار دارد. به طور خاص، آسیب شامل ترک های مورب در سه دیوار، شکست جدی یک دیوار و شکست جزئی سازه سقف است. آسیب لرزه ای ساختمان هم بر روی دیوارها و هم در پشت بام قرار دارد. به طور خاص، آسیب شامل ترک های مورب در سه دیوار، شکست جدی یک دیوار و شکست جزئی سازه سقف است.

2.2. روش شناسی

گردش کار این مطالعه در شکل 2 ارائه شده است و شامل پنج مرحله است: (1) جمع آوری داده های UAS از پروازهای دستی در اطراف ساختمان ها، (2) پردازش فتوگرامتری داده های به دست آمده، (iii) تولید مدل های ساختمانی LOD3، (IV) تبدیل مدل CityGML با غنی‌سازی معنایی آسیب لرزه‌ای آنها و (v) ذخیره‌سازی مدل‌ها در 3DCityDB.

2.2.1. جمع آوری داده های UAS

در این مطالعه، دو پرواز UAS با هدف جمع‌آوری تصاویر مناسب برای تولید مدل‌های سه بعدی ساختمان انجام شد. پروازها به صورت دستی انجام می شد زیرا ارتفاع پرواز کم بود و موانع زیادی در اطراف ساختمان ها وجود داشت. در طول این پروازها، تصاویر نادر و مایل با وضوح بالا از دو ساختمان انتخاب شده برای تولید ابرهای نقطه سه بعدی به دست آمد. پارامترهای پرواز در جدول 1 ارائه شده است. هر دو پرواز UAS در 7 اکتبر 2020 در ارتفاع پرواز 30 متر با زاویه دوربین نادر و مایل و فاصله نمونه زمین (GSD) 0.9 سانتی متر بر پیکسل انجام شد. مساحت کل 272 متر مربع نقشه برداری شد و مدت پرواز برای ساختمان A 10 دقیقه و برای ساختمان B، مساحت کل 152 متر مربع بود .نقشه برداری شد و مدت پرواز 12 دقیقه بود. در نتیجه، 90 تصویر با وضوح بالا برای ساختمان A و 95 تصویر برای ساختمان B به دست آمد.
2.2.2. پردازش فتوگرامتری برای تولید ابر نقطه سه بعدی
اولین مرحله کنترل کیفیت تصاویر است که شامل شاخص کیفیت تصویر (IQI) می شود. از طریق این بررسی، تمام تصاویر به دست آمده IQI > 0.7 ارائه کردند و بیشتر پردازش شدند. برای تولید ابرهای نقطه سه بعدی با وضوح بالا، الگوریتم های ساختار از حرکت (SfM) و استریو چند نمای (MVS) در نرم افزار Agisoft Metashape Version 1.6 [ 52 ] استفاده شد. به طور خاص، هم‌ترازی تصویر توسط SfM انجام شد که از الگوریتم‌های Sift و RANSAC استفاده می‌کند و در نتیجه یک ابر نقطه سه بعدی پراکنده است. پس از آن، ابر نقطه متراکم توسط الگوریتم MVS تولید شد.
نتایج به‌دست‌آمده از این فرآیند، ابرهای نقطه‌ای سه‌بعدی دو ساختمان بود. به طور مشخص، ابر نقطه ساختمان A از 296522 نقطه و ساختمان B از 142801 نقطه تشکیل شده است. چگالی با شمارش برای هر نقطه تعداد همسایگان N (داخل کره ای به شعاع R) تخمین زده می شود. در مورد ما، چگالی سطح ابرهای نقطه ای برای هر دو ساختمان یک توزیع نرمال ارائه می دهد. همانطور که در شکل 3 ب نشان داده شده است، اکثر نقاط ساختمان A دارای محدوده همسایه 1300-1900 هستند (R = 0.1 متر، میانگین = 1595) و انحراف استاندارد 249.89 است. برای ساختمان B، اکثر نقاط دارای محدوده همسایه 500-700 هستند (R = 0.1 متر، میانگین = 559) و انحراف استاندارد 145.47 است ( شکل 3).د). در نهایت در قسمت‌های کوچک‌تر ساختمان‌ها، شکاف‌هایی در قسمت‌هایی وجود دارد که نمی‌توان آن‌ها را با تصاویر پوشاند (یعنی زیر سقف، قرنیزها و ساختمان‌های مجاور).
2.2.3. تولید مدل سه بعدی
طیف گسترده ای از تکنیک ها و روش ها وجود دارد که منجر به مدل سازی سه بعدی سازه های شهری می شود. مدل سازی سه بعدی می تواند به صورت خودکار یا دستی ایجاد شود، فرآیندی زمان بر است و با نرم افزار مدلسازی قابل انجام است. در این مطالعه، Trimble SketchUp Pro انتخاب شد زیرا یک نرم‌افزار مدل‌سازی سه بعدی کاربرپسند است و می‌تواند مدل‌ها را به فرمت‌های داده‌های سه بعدی مختلف مانند فرمت 3Dstudio (.3ds)، SketchUp (.skp)، Collada (. dae)، KML (Keyhole Markup Language)/KMZ و VRML (.wrl) [ 53 ]. برای طیف وسیعی از کاربردها، مانند طراحی معماری و مهندسی، استفاده می شود و بیشتر به طراحی ساختمان های سه بعدی دقیق می پردازد. توانایی کامل برای طراحی کل ساختمان ها، چه قسمت های بیرونی و چه داخلی را فراهم می کند.
به طور خاص، SketchUp Pro 2020 برای طراحی دو مدل ساختمان سه بعدی از ابرهای نقطه سه بعدی مربوطه آنها استفاده شد. رویکرد مدل‌سازی به صورت دستی انجام شد و برای تولید یک ساختمان سه‌بعدی درست هندسی نیاز به آشنایی و زمان دارد. در ابتدا پلاگینی به نام Trimble Scan Essentials برای وارد کردن و دستکاری ابرهای نقطه نصب شد و مدل ها در مرزهای هر ابر نقطه ساختمان دیجیتالی شدند. ابرهای نقطه ای مورد استفاده به اندازه کافی متراکم بودند و توانایی طراحی دقیق ابعاد (دقت 5 تا 10 سانتی متر)، اندازه و شکل هر ساختمان را فراهم می کردند. هر قسمت از ساختمان با توجه به نهادی که نشان دهنده آن است مانند دیوارها، سقف و غیره طراحی شده است. مدل‌سازی بر اساس استانداردهای CityGML انجام شد و هر هندسه در لایه‌هایی با اشاره به کلاس موضوعی خاص سازمان‌دهی شد. ایجاد لایه موضوعی مولفه های معنایی هر ساختمان برای مشخصات LOD3 محقق شد و عبارتند از WallSurface، RoofSurface، GroundSurface، Door و Window. لایه های ایجاد شده به عنوان WallSurface1، WallSurface2 و غیره برای هر ساختمان برچسب گذاری شدند. بنابراین، دو مدل ساختمانی سه بعدی بر اساس اندازه گیری ابرهای نقطه سه بعدی، با توجه به هندسه، ارتفاع و ابعاد دقیق آنها (درها، پنجره ها) تولید شد. برای هر ساختمان بنابراین، دو مدل ساختمانی سه بعدی بر اساس اندازه گیری ابرهای نقطه سه بعدی، با توجه به هندسه، ارتفاع و ابعاد دقیق آنها (درها، پنجره ها) تولید شد. برای هر ساختمان بنابراین، دو مدل ساختمانی سه بعدی بر اساس اندازه گیری ابرهای نقطه سه بعدی، با توجه به هندسه، ارتفاع و ابعاد دقیق آنها (درها، پنجره ها) تولید شد.شکل 4 ). در نهایت، مدل‌ها در قالب‌های «.3ds» و «.skp» برای پردازش بیشتر صادر شدند.
2.2.4. مدل CityGML
اشیاء دنیای واقعی مانند ساختمان ها ممکن است با توجه به کاربرد یا نوع قطعه ساختمان به قطعات (اتاق، سطوح دیوار، درها، پنجره ها و غیره) تجزیه شوند. این اطلاعات را می توان به صورت هستی شناختی در موجودیت ها، ویژگی ها و روابط مدل سازی کرد و می تواند توسط کاربران مختلف در چندین برنامه استفاده شود. برای تبدیل مدل های سه بعدی به فرمت CityGML، دو رویکرد متفاوت دنبال شد:
  • ماژول میز کار FME;
  • پلاگین CityEditor برای تبدیل فوری در LOD3.
برای اولین رویکرد، FME توسط Safe Software [ 54 ] برای تبدیل مدل‌های SketchUp به فرمت CityGML استفاده شد. مدل‌های موضوعی تهیه‌شده در SketchUp در قالب «.3ds» صادر شدند تا در FME Workbench پردازش شوند ( شکل 5)). FME Desktop 2021 از چندین فرمت برای قابلیت همکاری، تبدیل داده، تبدیل، یکپارچه سازی و اعتبار سنجی پشتیبانی می کند. ابتدا یک SketchUp Reader برای تبدیل CityGML LOD3 اجرا شد. متعاقباً از یک ترانسفورماتور برای بازیابی لایه‌های SketchUp و استخراج آن‌ها بر اساس لایه‌های مختلف با ویژگی «SketchUp _layer_name» استفاده شد. چندین ترانسفورماتور برای انجام برخی از فرآیندها، مانند تبدیل لیستی از مقادیر به یک ویژگی لیست FME، انجام تست کیفیت بر روی داده ها، ایجاد ویژگی های جدید و اختصاص شناسه های منحصر به فرد به ویژگی های تولید شده استفاده شد. علاوه بر این، رده‌های مختلف ساختمان‌هایی که از هم جدا شدند عبارتند از: دیوار، سطح سقف، سطح زمین، درب و پنجره. پس از آن، “lodMultiSurface”، “CityGMLGeometryType” و “CityGMLRole” تنظیم شدند. سرانجام،
برای رویکرد دوم، پلاگین “CityEditor” SketchUp برای تبدیل ساختمان های سه بعدی با فرمت “.skp” به فرمت CityGML استفاده شد. هر موجودیت یک ساختمان باید به کلاس های ویژگی خاص طبقه بندی شود و ویژگی های ساختمان ها باید غنی شوند. CityEditor اجازه می دهد تا مدل های CityGML را وارد کنید، ویرایش کنید، و نوع هر سطح طراحی شده (CityGML SurfaceType) – زمین (GroundSurface)، سقف (RoofSurface) یا دیوار (WallSurface) را برای هر سطح از جزئیات مشخص کنید. در نهایت، CityEditor مدل های CityGML را با ویژگی های آنها صادر می کند.
به طور خاص، برای ترجمه معنایی، توپولوژیکی و هندسی به فرمت CityGML، هر موجودیت ساختمان پردازش شد و هر بخش از ساختمان بر اساس موضوعی CityGML SurfaceType گروه بندی شد. بنابراین، دیوارها در WallSurface، سقف ها در RoofSurface و محوطه در GroundSurface گروه بندی شدند، در حالی که درها و پنجره ها (بازشوها) در گروه GroupType دسته بندی شدند. پس از آن، برای هر نوع گروه، مقدار LOD به عنوان LOD3 و نوع هندسی مانند lodMultiSurface اعلام شد. علاوه بر این، سطح دیوار، سطح سقف و سطح زمین برای هر مدل به عنوان سطح مرزی تعریف شد، در حالی که هر دهانه به عنوان سطح سطح باز کردن دیوار آن تعریف شد. پس از تکمیل این فرآیند، تمام سطوح هر ساختمان به طور جداگانه جمع آوری شده و با انتخاب “Make Component” به عنوان یک شی ساختمان همراه با کد شناسایی تعریف شد. در نتیجه، زمانی که فرمت CityGML صادر شد، و هر ساختمان متمایز و متشکل از سطوح آن بود. شناسه BoundarySurfaceType هم به دهانه دیوار و هم به خود دیوار اختصاص داده شد و بقیه سطوح به طور خودکار ته نشین شدند. سپس مدل‌ها از طریق ابزار GeoLocation با انتخاب چهار نقطه از هر مدل و وارد کردن مختصات شناخته‌شده (به‌دست‌آمده از ابر نقاط مربوطه) نقاط خاص، ارجاع جغرافیایی داده شدند و بدین‌ترتیب یک مدل کامل به زمین ارجاع داده شد. شناسه BoundarySurfaceType هم به دهانه دیوار و هم به خود دیوار اختصاص داده شد و بقیه سطوح به طور خودکار ته نشین شدند. سپس مدل‌ها از طریق ابزار GeoLocation با انتخاب چهار نقطه از هر مدل و وارد کردن مختصات شناخته‌شده (به‌دست‌آمده از ابر نقاط مربوطه) نقاط خاص، ارجاع جغرافیایی داده شدند و بدین‌ترتیب یک مدل کامل به زمین ارجاع داده شد. شناسه BoundarySurfaceType هم به دهانه دیوار و هم به خود دیوار اختصاص داده شد و بقیه سطوح به طور خودکار ته نشین شدند. سپس مدل‌ها از طریق ابزار GeoLocation با انتخاب چهار نقطه از هر مدل و وارد کردن مختصات شناخته‌شده (به‌دست‌آمده از ابر نقاط مربوطه) نقاط خاص، ارجاع جغرافیایی داده شدند و بدین‌ترتیب یک مدل کامل به زمین ارجاع داده شد.

غنی سازی معنایی آسیب ساختمان های لرزه ای

برای فعال کردن غنی‌سازی معنایی مدل‌های CityGML با آسیب لرزه‌ای متحمل شده توسط بخش‌های جداگانه ساختمان‌ها، هستی‌شناسی درجه‌های آسیب لرزه‌ای بر اساس EMS-98 برای ساختمان‌های بنایی ایجاد شد. به طور دقیق تر، این هستی شناسی شامل دسته های زیر از آسیب ها در قسمت های اصلی ساختمان است که دیوارها و سقف هستند ( شکل 6 ):
  • درجه آسیب دیوار 1: آسیب ناچیز تا جزئی بر روی دیوارها با زیر کلاس های زیر:
    • 1.1 ترک های خط مو در دیوارهای بسیار کمی.
    • 1.2 فقط ریزش قطعات کوچک گچ.
    • 1.3 ریزش سنگ های سست از قسمت های فوقانی ساختمان در موارد بسیار کم.
  • درجه 2 آسیب دیوار: آسیب متوسط ​​به دیوارها با زیر کلاس های زیر:
    • 2.1 ترک در بسیاری از دیوارها.
    • 2.2 ترک های مورب در بسیاری از دیوارها.
    • 2.3 ریزش قطعات نسبتاً بزرگ گچ.
  • درجه آسیب دیوار 3: با زیر کلاس های زیر آسیب قابل توجهی وارد می شود:
    • 3.1 ترک های بزرگ و گسترده در اکثر دیوارها.
    • 3.2 ترک های بزرگ و گسترده مورب در اکثر دیوارها.
    • 3.3 شکست عناصر غیر سازه ای منفرد (پارتیشن ها، دیوارهای شیروانی).
  • آسیب دیوار درجه 4: آسیب های بسیار سنگین بر روی دیوارها با زیر کلاس های زیر:
    • 4.1 شکست جدی دیوارها.
    • 4.2 از دست دادن اتصال بین دیوارهای خارجی.
  • درجه 5 آسیب دیوار: تخریب دیوارها با زیر کلاس های زیر:
    • 5.1 فروپاشی کامل.
    • 5.2 فروپاشی تقریباً کل.
  • درجه آسیب سقف 1: آسیب ناچیز تا خفیف در سقف های دارای یک زیر کلاس:
    • 1.4 سقوط کاشی های سقف.
  • درجه آسیب سقف 2: آسیب متوسط ​​در سقف با یک زیر کلاس:
    • 2.4 ریزش جزئی دودکش ها.
  • درجه خسارت سقف 3: خسارت قابل توجهی به سقف ها با زیر کلاس های زیر:
    • 3.4 کاشی های سقف جدا می شوند.
    • 3.5 شکستگی دودکش در خط سقف.
  • درجه آسیب سقف 4: آسیب بسیار سنگین بر روی سقف ها با یک زیر کلاس:
    • 4.3 شکست ساختاری جزئی سقف ها.
  • درجه 5 خسارت سقف: تخریب سقف ها با زیر کلاس های زیر:
    • 5.1 فروپاشی کامل.
    • 5.2 فروپاشی تقریباً کل.
در این مطالعه، یک رویکرد مبتنی بر زبان مدلسازی یکپارچه (UML) اجرا شد. اشیاء اطلاعات جغرافیایی را می توان با یک نمودار کلاس UML با ویژگی ها، روابط و معناشناسی آنها تعریف کرد که ابزار کافی برای ثبت معنی اشیا را فراهم می کند [ 55 ].
شکل 7 یک نمودار کلاس UML از ساختار ویژگی CityGML مدل اولیه ساختمان LOD3 معنایی را نشان می دهد. کلاس اصلی مدل یک ساختمان AbstractBuilding است که از دو کلاس Building و BuildingPart تشکیل شده است. یک ساختمان یا BuildingPart با ویژگی‌های اختیاری (عملکرد، کاربری، کلاس، سال ساخت و تخریب، نوع سقف، ارتفاع اندازه‌گیری شده، و غیره) توصیف می‌شود که از AbstractBuilding به ارث رسیده است. سطوح Building و BuildingPart را می توان به عنوان اشیاء معنایی نشان داد. BoundarySurface ابر کلاس انتزاعی این اشیاء معنایی است و بیشتر به ویژگی های موضوعی تجزیه می شود، به عنوان مثال، WallSurface و RoofSurface. دهانه ها در اشیاء BoundarySurface با اشیاء موضوعی مانند درها و پنجره ها نشان داده می شوند.
در CityGML، Generic یکی از ماژول‌های موضوعی است که یک مدل داده را قادر می‌سازد توسعه یابد و از کلاس‌های Generic City Object و Generic Attribute تشکیل شده است. یک شی جدید به نام DamageGrade به عنوان یک ویژگی عمومی برای ادغام ویژگی های جدید در مدل اضافه شد. نوع داده یک ویژگی جدید در Generic Attribute می تواند Integer، Double، URI، String باشد. DamageGrade طبق EMS-98 به پنج کلاس از درجه ها تقسیم می شود و هر یک از این کلاس ها به چهار درجه آسیب دیوار و درجه آسیب سقف طبقه بندی می شوند. بنابراین، کلاس ویژگی WallSurface شامل یک یا چند درجه آسیب دیوار و کلاس RoofSurface شامل درجه آسیب سقف است.
با استفاده از این ساختار UML، ما به صورت دستی هر ویژگی را برای هر لایه طبقه بندی شده در SketchUp نسبت دادیم تا آسیب لرزه ای ساختمان ها را غنی کنیم.
مرحله بعدی غنی سازی ویژگی ها برای هر GroupType است و این کار با ابزار CityEditor برای نمایش، ویرایش، افزودن و حذف ویژگی ها اجرا شد. ویژگی ها به دو دسته استاندارد (ویژگی های خاص CityGML) و عمومی (ویژگی های عمومی انواع داده های مختلف) تقسیم می شوند. ابتدا ویژگی های استاندارد (نام مدل، نوع سقف، کلاس، اندازه گیری ارتفاع و کاربری) اضافه شد. کاربری ساختمان های A و B به ترتیب ¨کافه¨ و ¨املاک¨ بود. هر دو نوع سقف از کاشی های سقفی سرامیکی تشکیل شده بودند. ثانیاً در مقوله ویژگی‌های عمومی، زمینه‌های جدیدی برای غنی‌سازی معنایی آسیب‌های لرزه‌ای ساختمان ایجاد شد. در این مرحله، فیلدهایی با نام “Damage Grade” برای کل ساختمان مشخص می شود. “درجه آسیب دیوار” برای دیوارها و “درجه آسیب سقف” برای سقف ها ایجاد و ارزش ها وارد شد. آسیب لرزه ای از ابرهای نقطه هر ساختمان به صورت بصری بررسی شد و درجه آسیب مربوط به دیوارها و سقف هر ساختمان طبق EMS-98 اضافه شد. با جزئیات بیشتر، آسیب ساختمان ها در ابرهای نقطه سه بعدی منعکس شده است. ابرها دارای شکاف هایی هستند که بسته به اندازه آنها به جداشدگی/ریزش های کوچک یا بزرگ در قسمت هایی از سنگ تراشی یا سقف اشاره دارد، در حالی که وجود شکاف هایی با آرایش خطی، مثلاً ترک، به دلیل ترک های دیواره است. پس از آن، برای ساختمان A، تمام دیوارها دارای ترک هستند. بنابراین، هر دیوار با درجه 1.1 مشخص شد. (ترک های خط مو در دیوارها). ساختمان B، همانطور که از ابر نقطه بازرسی می شود، در دیوار غربی دچار شکست جدی شده است. بنابراین “WallSurface 4” با درجه 4.1 مشخص شد. بقیه دیوارها دارای ترک های مورب هستند. بنابراین، هر دیوار با درجه 2.2 مشخص شد. علاوه بر این، سقف ساختمان B با درجه 4.3 (شکست ساختاری جزئی سقف ها) مشخص شد. علاوه بر این، ساختمان A به طور کامل گروه بندی شد و با درجه 1 (آسیب ناچیز تا خفیف) مشخص شد، در حالی که ساختمان B با درجه 4 (آسیب بسیار سنگین) مشخص شد. مدل های نهایی در CityGML صادر شد. در حالی که ساختمان B با درجه 4 (آسیب بسیار سنگین) مشخص شد. مدل های نهایی در CityGML صادر شد. در حالی که ساختمان B با درجه 4 (آسیب بسیار سنگین) مشخص شد. مدل های نهایی در CityGML صادر شد.
2.2.5. ذخیره سازی سه بعدی پایگاه داده شهر
برای ذخیره سازی، نمایش و مدیریت مدل های ساختمان LOD3 CityGML، پایگاه داده شهر سه بعدی (3DCityDB) [ 56] مورد استفاده قرار گرفت. این یک پایگاه جغرافیایی منبع باز در بالای یک سیستم مدیریت پایگاه داده رابطه ای فضایی مانند PostgreSQL است. طرح 3DCityDB استاندارد CityGML را پیاده سازی می کند و از پنج LOD مختلف پشتیبانی می کند. پایگاه داده شامل معنایی غنی از اشیاء، ساختار سلسله مراتبی و اشیاء شهری در مقیاس های مختلف است که نه تنها برای تجسم، بلکه برای کارهای تجزیه و تحلیل نیز استفاده می شود. یک ابزار اساسی “3DCityDB-Importer-Exporter” برای اتصال و ارتباط بین 3DCityDB و پایگاه داده PostgreSQL است که پشتیبانی کاملی از CityGML ارائه می دهد و می تواند مدل ها را به انواع فایل های CityGML و KML/COLLADA صادر کند تا تجسم عناصر پایگاه داده را فعال کند. در طیف گسترده ای از کاربردها. علاوه بر این، از این ابزار برای تعیین اینکه داده ها با استاندارد OGC CityGML 2.0 مطابقت دارند استفاده می شود.
در این تحقیق از «3DCityDB-Importer-Exporter» با پیاده سازی PostGIS استفاده شد. ابتدا یک پایگاه داده جدید در PostgreSQL با کمک ابزار آن، pgAdmin 4، با نام “Vrisa_Buildings” با استفاده از قالب “PostGIS” ایجاد شد که با توابع PostGIS مناسب برای پردازش داده های مکانی بهبود یافته است. متعاقبا، ساختار پایگاه داده “Vrisa_Buildings” بر اساس قالب 3DCityDB ایجاد شد. به طور خاص، این فرآیند 45 جدول استاندارد اضافی از موجودیت‌های فضایی مختلف را در پایگاه داده موجود “Vrisa_Buildings” در طرح “public” طبق استاندارد 3DCityDB ایجاد کرد. به دنبال آن پایگاه داده با کلیه اطلاعات مکانی و توصیفی لازم در خصوص ساختمان های A و B غنی شد.

3. نتایج

3.1. ابرهای نقطه ساختمان سه بعدی با استفاده از تصاویر UAS

برای تولید مدل های LOD3 از دو ساختمان در شهرک Vrisa، تصاویر UAS با GSD 0.9 سانتی متر بر پیکسل از ارتفاع پرواز 30 متر جمع آوری شد. این تصاویر برای تولید ابرهای نقطه سه بعدی پردازش شدند. ارزیابی ابرهای نقطه ای ایجاد شده توسط پردازش تصاویر عمودی و مایل در مقایسه با ابر نقطه ای اسکنر لیزری زمینی (TLS) انجام شد. با بررسی انجام شده با استفاده از اسکنر لیزری تغییر فاز FARO Focus 3D، که از 13 ژوئن 2017 تا 6 ژوئیه 2017 انجام شد، به دست آمد [ 57 ]. ابرهای نقطه ای تولید شده توسط TLS قابل اعتمادترین منبع داده برای بررسی صحت نتایج UAS هستند [ 58 ]]. روش فاصله ابر به ابر (CCD) برای مقایسه ابرهای یک منطقه جغرافیایی که در زمان‌های مختلف رخ داده‌اند برای نظارت بر تغییرات یا با روش‌های پردازش متفاوت برای ارزیابی کیفیت نتایج استفاده می‌شود. رایج ترین روش برای محاسبه فاصله بین نقاط از دو ابر “نزدیک ترین فاصله همسایه” است. برای هر نقطه در ابر مقایسه ای، روش به دنبال نزدیک ترین نقطه به ابر مرجع می گردد و فاصله اقلیدسی بین آنها را محاسبه می کند. اگر ابر نقطه مرجع به اندازه کافی متراکم باشد، پس تقریب فاصله از ابر مقایسه قابل قبول است. اگر ابر مرجع به اندازه کافی متراکم نباشد، فاصله تا نزدیکترین همسایه ممکن است گاهی به اندازه کافی دقیق نباشد. بدین ترتیب، مقایسه ابرهای نقطه در دو ساختمان انتخاب شده با استفاده از روش CCD، با استفاده از یک ابر مرجع برای ابر نقطه مربوطه از TLS انجام شد. نتایج مقایسه‌ها نشان می‌دهد که بیشترین تعداد نقاط ابر حاصل از پردازش تصویر 5 سانتی‌متر برای ساختمان A و 9 سانتی‌متر برای ساختمان B، فاصله از ابرهای مربوطه TLS است.شکل 8 ) که روش شناسی دنبال شده را رضایت بخش و با نتایج قابل اعتماد نشان می دهد.

3.2. مدل‌های LOD3 CityGML با غنی‌سازی معنایی آسیب لرزه‌ای

مدل‌های LOD3 ساختمان‌ها با استفاده از SketchUp بر اساس داده‌های ابر نقطه سه بعدی با موفقیت ساخته شدند. هندسه سه بعدی ساختمان های دیجیتالی شده از ابرهای نقطه ای بسیار دقیق و صحیح است. SketchUp Pro ابزارها و رویه‌های قدرتمندی مانند snapping اشیاء، گروه‌بندی ویژگی‌ها با ویژگی‌های مشابه و مشاهده تعاملی (Section Plane) را برای کارایی هزینه و زمان، انعطاف‌پذیری در استفاده، دقت در هندسه و بهره‌وری فراهم می‌کند. ویژگی ها به خوبی در لایه ها در SketchUp سازماندهی شده اند، در حالی که ابزار CityEditor به طور نیمه خودکار رویه CityGML را تغییر داده است، در زمان صرفه جویی می شود و از عدم انسجام هندسی در LOD3 جلوگیری می کند.
مؤلفه معنایی نصب ساختمان در عنصر BuildingInstallation به عنوان lod3Geometry با GML: MultiSurface، GML: surfaceMember، GML: Polygon و GML: LinearRing به عنوان عناصر فرزند ذخیره می شود. در خطوط مشابه، اجزای محدود کننده سطح ساختمان مانند WallSurface، RoofSurface و GroundSurface به عنوان هندسه lod3MultiSurface ذخیره می شوند. مولفه‌های معنایی باز (در و پنجره) ساختمان نیز به‌عنوان هندسه‌های lod3MultiSurface با سلسله مراتبی از GML ذخیره می‌شوند: MultiSurface، GML: surfaceMember، GML: Polygon، GML: LinearRing و GML: posList به‌عنوان عناصر فرزند در bldg: باز کردن عنصر والد. . طبق EMS-98 خسارت لرزه ای برای هر قسمت از ساختمان تحت تأثیر زلزله اضافه شد. به طور خاص، برای ساختمان A، تمام دیوارها با درجه 1.1 مشخص شدند و برای ساختمان B، یک دیوار با درجه 4.1 و بقیه با درجه 2.2 مشخص شد. سقف ساختمان B با درجه 4.3 مشخص شد (شکل 9 ). شکل 10 شامل مدل های ساختمان LOD3 CityGML با لایه های معنایی ارائه شده در نمایشگر FZK است که خلاصه ای از ویژگی های معنایی ساختمان ها را نشان می دهد.

4. بحث

هدف از این مطالعه، تولید مدل‌های ساختمان LOD3 از ابرهای نقطه‌ای سه‌بعدی به‌دست‌آمده از پردازش فتوگرامتری تصاویر UAS، تبدیل آن‌ها به CityGML و غنی‌سازی آن‌ها با معناشناسی آسیب لرزه‌ای بود. برای این منظور، پروازهای دستی UAS در ارتفاعات پایین پرواز در بالا و اطراف دو ساختمان منتخب انجام شد تا تصاویر نادر و مایل با وضوح بالا به دست آید. از کار حاضر، به نظر می رسد که برای طراحی مدل سه بعدی یک ساختمان سنتی، حداقل تعداد تصاویر نادر/مورب مورد نیاز است (کمتر از 100 تصویر) که می توان با یک UAS کم هزینه و همچنین به دست آورد. در مدت زمان کوتاه (تقریباً 10 دقیقه). در برخی موارد نادری که در شهرک‌ها مشاهده می‌شوند، تصاویر بیشتر و زمان پرواز طولانی‌تر مورد نیاز بود. مدل سازی سه بعدی ساختمان ها به ابرهای نقطه سه بعدی از نظر هندسی دقیق، کامل و با چگالی بالا بستگی دارد. تولید ابر نقطه سه بعدی از تصاویر یک روش بینایی کامپیوتری پرکاربرد و کارآمد است. زمان پردازش آن به تعداد تصاویر و توان محاسباتی موجود مورد استفاده بستگی دارد. به طور مشخص، زمان مورد نیاز برای ساختمان A 1 ساعت و برای ساختمان B 1 ساعت و 20 دقیقه بود. همانطور که در نتایج نشان داده شد، ابرهای نقطه‌ای تولید شده پس از پردازش SFM-MVS دارای چگالی بالا بودند و تمام اجزای خارجی (مانند سقف، دودکش، دیوارها، درها، پنجره‌ها و غیره) را با دقت (5 تا 10 سانتی‌متر) نشان دادند. ) و بنابراین می توان از آن برای ایجاد مدل های LOD3 استفاده کرد. در برخی موارد، قسمت هایی از ساختمان که در عکس ها ثبت نمی شد، شکاف هایی در ابرهای نقطه ایجاد می کرد. این مشکل با ایجاد مش سه بعدی که در آن این شکاف ها پر شده بود حل شد. شایان ذکر است که در اکثر مواقع به دلیل ارتفاع کم پرواز در محیط شهری پرجمعیت، پرواز دستی مورد نیاز است.
متعاقباً، مدل‌سازی سه‌بعدی ساختمان‌ها از طریق Trimble SketchUp Pro با رویکرد ترسیمی از ابرهای نقطه‌ای سه‌بعدی اجرا شد. به طور تحلیلی تر، یک رویکرد ترسیمی از مرزهای ابرهای نقطه ای، از سطح زمین تا سطح سقف انتخاب شد. مدل سازی سه بعدی در LOD3 برای ساختمان ها به عوامل مختلفی مانند تجربه کاربری، تراکم ابر و پیچیدگی ساختمان (تعداد پنجره ها، درها و …) بستگی دارد. به طور خاص، برای ساختمان A، سقف پیچیده‌تر بود و نسبت به سایر قسمت‌های ساختمان به زمان بیشتری برای مدل‌سازی نیاز داشت. علاوه بر این، این ساختمان شامل پنج دیوار، چهار پنجره و دو در بود که به زمان قابل توجهی برای مدل سازی نیاز داشت. هندسه ساختمان B منظم بود. اما شامل 4 دیوار، 10 پنجره و 1 در بود. از این رو، زمان مشابهی برای مدل سازی هر ساختمان مورد نیاز بود (تقریباً 1 ساعت). ابرهای نقطه‌ای که از طریق UAS به دست می‌آیند، در طراحی سه‌بعدی مشکل ایجاد می‌کنند، زیرا در برخی مکان‌ها شکاف‌ها، برآمدگی‌ها یا در مقایسه با TLS موجود کم‌تر هستند. موضوع دیگری که قابل ذکر است این است که طراحی ساختمانی که آسیب شدیدی دیده است (ریزش سقف، دیوار و …) به صورت سه بعدی دشوار است.
برای تبدیل مدل های سه بعدی به فرمت CityGML، از دو رویکرد متفاوت استفاده شد. اولین رویکرد از طریق نرم افزار FME انجام شد که فرآیندی زمان بر است و نیاز به آشنایی با دستکاری داده ها برای تبدیل به CityGML دارد. رویکرد دوم از طریق پلاگین CityEditor انجام شد که استفاده از آن آسان و فرآیند زمان‌بر کمتری است. با این وجود، مزیت رویکرد اول این است که می تواند منجر به یک فرآیند خودکار برای تبدیل بیش از یک ساختمان به فرمت CityGML در مقایسه با رویکرد دوم شود، که یک فرآیند دستی برای هر ساختمان به طور جداگانه است. مدل ها بر اساس عناصری مانند دیوار، زمین، سقف، پنجره و در طراحی، لایه بندی و به CityGML تبدیل شدند. ساختمان های LOD3 از نظر گرافیکی، هندسی و معنایی نشان داده شده است. اطلاعات هندسی اندازه، حجم، شکل و ارتفاع است، در حالی که اطلاعات غیر هندسی، داده‌های نام، کاربرد و درجه آسیب است که می‌تواند مستقیماً از مدل‌ها خوانده شود.
با توجه به غنی‌سازی معنایی آسیب‌های لرزه‌ای ساختمان، سخت‌ترین و زمان‌برترین بخش، طبقه‌بندی درجه‌های آسیب در هر قسمت از ساختمان‌ها بود. ساختار هستی شناسی درجه های آسیب EMS-98 بر اساس نمودار کلاس UML بود. هر قسمت از هر ساختمان به عنوان یک شی معنایی نشان داده می شود، جایی که یک شی جدید به نام “DamageGrade” اضافه می شود (زیر طبقه بندی شده در درجه های آسیب دیوار و درجه آسیب سقف) طبق EMS-98. این رویکرد تلاشی برای خودکارسازی فرآیند طبقه‌بندی درجه‌های آسیب برای ساختمان‌های بنایی برای مدل‌سازی معنایی در CityGML LOD3 است. غنی‌سازی معنایی آسیب لرزه‌ای در بخش‌هایی از ساختمان‌ها از طریق CityEditor، بر اساس ابرهای نقطه سه‌بعدی نسبت داده شد. هرچه ابر نقطه ای متراکم تر باشد، آسیب بیشتر قابل مشاهده است. که منجر به غنی سازی سریعتر قسمت های ساختمان می شود. علاوه بر این، آسیب های عمده (درجه آسیب 3 و بالاتر) در ابرهای نقطه سه بعدی بیشتر قابل مشاهده است، بنابراین روند رندر آنها آسان تر می شود. با این حال، آسیب های کوچکتر (مانند ترک) در تصاویر به دست آمده قابل مشاهده است، اما غنی سازی معنایی آنها زمان بر است. به طور خاص، ساختمان A دارای ترک های مویی در دیوارها (درجه آسیب 1) بود که در ابر نقطه به سختی قابل تشخیص بود، برخلاف ساختمان B که یک دیوار شکست جدی داشت (درجه آسیب 4)، ترک هایی در دیوارهای دیگر. (درجه آسیب 2) و شکست ساختاری جزئی سقف (درجه آسیب 4). ارزیابی کلی دیوارها و سقف ها از نظر آسیب می تواند به عنوان کمکی به ارزیابی آسیب و بازسازی بر اساس ویژگی های فضایی- معنایی و آسیب ساختمان ها تلقی شود.
برای کارهای آینده می توان به چندین پتانسیل اشاره کرد. اولاً، طبق داده‌های مورد استفاده برای مدل‌سازی سه‌بعدی در LOD3، تلفیقی از ابرهای نقطه‌ای سه‌بعدی مشتق‌شده توسط TLS و UAS می‌تواند ابرهای نقطه‌ای دقیق‌تر و متراکم‌تری تولید کند. با این حال، این به معنای افزایش قابل توجه هزینه و زمان برای مرحله جمع آوری داده ها است. برعکس، فاز مدل‌سازی سه‌بعدی با توجه به زمان مورد نیاز به طور قابل‌توجهی بهبود می‌یابد، زیرا یک ابر نقطه‌ای سه بعدی متراکم‌تر، فرآیند طراحی سه بعدی را برای یک ساختمان LOD3 دقیق (درها، پنجره‌ها و غیره با جزئیات بیشتر) تسهیل می‌کند. ثانیاً، در آینده، می‌توان توصیف دقیق‌تری از آسیب لرزه‌ای در یک محیط سه بعدی (مانند استفاده از بافت و غیره) انجام داد. معانی آسیب لرزه‌ای را می‌توان به سایر مقوله‌های ساختمانی فراتر از بنایی تعمیم داد. سرانجام،

5. نتیجه گیری ها

این مقاله روشی را ارائه می‌کند که از داده‌های UAS از ارتفاع پرواز کم (20 تا 30 متر) برای تولید دقیق ابرهای نقطه‌ای سه‌بعدی (با دقت 5 تا 10 سانتی‌متر) مناسب برای مدل‌سازی سه‌بعدی مدل‌های ساختمانی CityGML LOD3 تحت تأثیر زلزله با غنی‌سازی لرزه‌ای آنها استفاده می‌کند. آسیب به معناشناسی تصاویر نادر و مایل با وضوح بالا به دست آمد و پردازش شد و ابرهای نقطه ای سه بعدی از دو ساختمان آسیب دیده لرزه ای تولید شد. این ابرهای نقطه سه بعدی برای تولید مدل های LOD3 از دو ساختمان مورد استفاده قرار گرفتند و متعاقباً به استاندارد CityGML تبدیل شدند. در نهایت با روش پیشنهادی، بخش‌های منفرد ساختمان‌ها با معنایی آسیب‌های لرزه‌ای غنی شدند.
بسته به ویژگی‌های خارجی ساختمان‌ها، احتمالاً شکاف‌هایی در ابرهای نقطه‌ای ظاهر می‌شود که فرآیند مدل‌سازی را پیچیده می‌کند. مدل سازی سه بعدی ساختمان ها با استفاده از ابرهای نقطه سه بعدی از تصاویر UAS ارتفاع پرواز کم قابلیت طراحی سه بعدی ساختمان ها در LOD3 با مدل سازی معنایی بر اساس استاندارد CityGML را دارد. پسوند CityGML با ادغام معناشناسی آسیب لرزه‌ای در بخش‌های مجزای ساختمان‌ها طبق EMS-98 می‌تواند ابزار جدیدی برای ثبت، تجسم و تحلیل مؤثرتر اثرات زلزله در یک سکونتگاه سنتی باشد. این رویکرد می تواند به عنوان یک روش سریع در فاز پس از وقوع زلزله مورد استفاده قرار گیرد و مدل های CityGML LOD3 غنی شده با آسیب لرزه ای را ارائه دهد. که می تواند در فرآیند تصمیم گیری برای مرحله بازیابی یک تسویه حساب کمک کند و همچنین مبنایی برای نظارت بر آن در طول زمان باشد. در نهایت، آنها می توانند به برآورد هزینه بازسازی ساختمان ها کمک کنند. مدل‌سازی معنایی را می‌توان بیشتر گسترش داد تا آسیب‌های لرزه‌ای به داخل ساختمان‌های مرتبط با مدل‌سازی در سطح LOD4 را نیز شامل شود.

منابع

  1. استدلر، آ. Kolbe، TH انسجام فضایی- معنایی در ادغام مدل های شهر سه بعدی. در مجموعه مقالات پنجمین سمپوزیوم بین المللی ISPRS در مورد کیفیت داده های مکانی (ISSDQ)، Enschede، هلند، 13 تا 15 ژوئن 2007. [ Google Scholar ]
  2. گروگر، جی. کلبه، تی. ناگل، سی. هافله، K.-H. زبان نشانه گذاری جغرافیای شهر OGC (CityGML) کدگذاری استاندارد ; Open Geospatial Constrium: Wayland, MA, USA, 2012. [ Google Scholar ]
  3. 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 ][ نسخه سبز ]
  4. بیلجکی، اف. لدوکس، اچ. Stoter, J. مشخصات LOD بهبود یافته برای مدل های ساختمان سه بعدی. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 59 ، 25-37. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. گرهارد، جی. کلبه، تی. ناگل، سی. هافل، K.-H. استاندارد رمزگذاری زبان جغرافیایی شهر OGC (CityGML)، نسخه 2.0، OGC. در دسترس آنلاین: https://portal.opengeospatial.org/files/?artifact_id=47842 (در 19 نوامبر 2020 قابل دسترسی است).
  6. دیموپولو، ای. تسیلیاکوآ، ای. کوستی، وی. فلوروس، جی. Labropoulos, T. بررسی احتمالات یکپارچه سازی بین تکنیک های مدل سازی سه بعدی. در مجموعه مقالات نهمین کنفرانس 3DGeoInfo 2014-Proceedings، دبی، امارات متحده عربی، 11–13 نوامبر 2014. [ Google Scholar ]
  7. کلبه، تی. گروگر، جی. Plümer, L. CityGML: دسترسی متقابل به مدل های سه بعدی شهر. در اطلاعات جغرافیایی برای مدیریت بلایا ; Oosterom, P., Zlatanova, S., Fendel, EM, Eds. Springer: برلین/هایدلبرگ، آلمان، 2005; صص 883-899. [ Google Scholar ]
  8. Kolbe، TH ارائه و مبادله مدل های سه بعدی شهر با CityGML. در یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری ; Lee, J., Zlatanova, S., Eds. Springer: برلین/هایدلبرگ، آلمان، 2009; صص 15-31. ISBN 9783540873945. [ Google Scholar ]
  9. گروگر، جی. Plümer, L. CityGML-مدل های شهر معنایی سه بعدی قابل تعامل. ISPRS J. Photogramm. Remote Sens. 2012 ، 71 ، 12-33. [ Google Scholar ] [ CrossRef ]
  10. بیلجکی، اف. لدوکس، اچ. استوتر، جی. ژائو، جی. رسمی سازی سطح جزئیات در مدل سازی سه بعدی شهر. محاسبه کنید. محیط زیست سیستم شهری 2014 ، 48 ، 1-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. تانگ، ال. یینگ، اس. لی، ال. بیلجکی، اف. زو، اچ. زو، ی. یانگ، اف. Su, F. یک الگوی مدل‌سازی LOD مبتنی بر کاربرد برای مدل‌های ساختمان سه بعدی. ISPRS J. Photogramm. Remote Sens. 2020 , 161 , 194–207. [ Google Scholar ] [ CrossRef ]
  12. خان، اچ. Vasilescu، LG; خان، ای. چرخه مدیریت بلایا – رویکردی نظری. مدیریت علامت. J. 2008 ، 6 ، 43-50. [ Google Scholar ]
  13. کیم، دبلیو. کرل، ن. Gerke, M. Mobile واقعیت افزوده در حمایت از آسیب ساختمان و ارزیابی ایمنی. نات. سیستم خطرات زمین. علمی 2016 ، 16 ، 287-298. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. Kerle، N. نقشه برداری آسیب پس از فاجعه مبتنی بر سنجش از دور با روش های مشارکتی. در سیستم های هوشمند مدیریت بحران ; Zlatanova, S., Peters, R., Dilo, A., Scholten, H., Eds. Springer: برلین/هایدلبرگ، آلمان، 2013; صص 121-133. شابک 978-3-642-33217-3. [ Google Scholar ]
  15. ماتسوکا، ام. یامازاکی، اف. استفاده از تصاویر با شدت SAR ماهواره ای برای شناسایی مناطق ساختمانی آسیب دیده در اثر زلزله. زمین Spectra 2004 , 20 , 975-994. [ Google Scholar ] [ CrossRef ]
  16. ماتسوکا، ام. Yamazaki، F. نقشه‌برداری خسارت ساختمان از زلزله 2003 بم، ایران، با استفاده از تصاویر شدت Envisat/ASAR. زمین Spectra 2005 ، 21 ، 1-5. [ Google Scholar ] [ CrossRef ]
  17. برونر، دی. لموئین، جی. Bruzzone، L. ارزیابی خسارت زلزله ساختمانها با استفاده از تصاویر VHR نوری و SAR. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 2403-2420. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. دونگ، ال. Shan, J. بررسی جامع تشخیص آسیب ساختمان ناشی از زلزله با تکنیک‌های سنجش از دور. ISPRS J. Photogramm. Remote Sens. 2013 ، 84 ، 85-99. [ Google Scholar ] [ CrossRef ]
  19. پلانک، اس. ارزیابی سریع خسارت با استفاده از SAR چندمدتی – مروری جامع و چشم‌اندازی برای Sentinel-1. Remote Sens. 2014 , 6 , 4870–4906. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. حاجب، م. کریم زاده، س. مجموعه داده‌های Matsuoka، M. SAR و LIDAR برای ارزیابی آسیب ساختمان بر اساس ماشین بردار پشتیبان و الگوریتم‌های جنگل تصادفی – مطالعه موردی زلزله کوماموتو، ژاپن. Appl. علمی 2020 ، 10 ، 8932. [ Google Scholar ] [ CrossRef ]
  21. غفاریان، س. کرل، ن. پازولی، ای. ارسنجانی، جی جی به روز رسانی پایگاه داده ساختمان پس از فاجعه با استفاده از یادگیری عمیق خودکار: ادغام نقشه OpenStreetMap قبل از فاجعه و داده های ماهواره ای چند زمانی. Remote Sens. 2019 , 11 , 2427. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. تیلون، اس. نکس، اف. کرل، ن. Vosselman, G. تشخیص آسیب ساختمان پس از فاجعه از تصاویر رصد زمین با استفاده از شبکه های متخاصم مولد تشخیص ناهنجاری بدون نظارت و قابل انتقال. Remote Sens. 2020 , 12 , 4193. [ Google Scholar ] [ CrossRef ]
  23. هوانگ، اچ. لانگ، جی. یی، دبلیو. یی، Q. ژانگ، جی. Lei, B. روش و کاربرد استفاده از هواپیمای بدون سرنشین برای بررسی اضطراری یک خطر ژئو. نات. سیستم خطرات زمین. علمی بحث و گفتگو. 2017 ، 1–28. [ Google Scholar ] [ CrossRef ]
  24. دومینیسی، دی. آلیکاندرو، م. Massimi، V. فتوگرامتری پهپاد در سناریوی پس از زلزله: مطالعات موردی در L’Aquila. Geomat. نات. خطر خطرات 2017 ، 8 ، 87-103. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. تو، ج. لی، دی. فنگ، دبلیو. هان، س. Sui، H. تشخیص مناطق ساختمانی آسیب دیده بر اساس تغییر صحنه معنایی از تصاویر سنجش از دور با وضوح بالا چند زمانی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 131. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  26. یامازاکی، اف. کوبو، ک. طنابه، ر. لیو، دبلیو. ارزیابی خسارت و مدل سازی سه بعدی توسط پروازهای پهپاد پس از زلزله سال 2016 کوماموتو، ژاپن. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور (IGARSS)، فورت ورث، تگزاس، ایالات متحده آمریکا، 23 تا 28 ژوئیه 2017. صص 3182–3185. [ Google Scholar ]
  27. کالانتروپیو، آ. چیابراندو، اف. سامارتانو، جی. اسپانو، آ. Teppati Losè، L. پهپاد اعتبار سنجی و داده های سنجش از راه دور برای ارزیابی آسیب در سناریوهای پس از فاجعه. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. Sci 2018 , 42 , 121-128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. سولاکلیس، ن. واسیلاکوس، سی. Chatzistamatis، S. کاوروداکیس، دی. تاتاریس، جی. پاپادوپولو، ای.-ای. پاپاکنستانتینو، ا. روسو، او. Kontos، T. نظارت بر فاز بازیابی پس از زلزله و نقشه برداری بر اساس داده های UAS. ISPRS Int. J. Geo Inf. 2020 ، 9 ، 447. [ Google Scholar ] [ CrossRef ]
  29. خو، ز. یانگ، جی. پنگ، سی. وو، ی. جیانگ، ایکس. لی، آر. ژنگ، ی. گائو، ی. لیو، اس. Tian، B. توسعه UAS برای بررسی بلایای پس از زلزله و کاربرد آن در Ms7.0 Lushan زلزله، سیچوان، چین. محاسبه کنید. Geosci. 2014 ، 68 ، 22-30. [ Google Scholar ] [ CrossRef ]
  30. وستوبی، ام جی. براسینگتون، جی. گلسر، NF; هامبری، ام جی; رینولدز، JM فتوگرامتری “ساختار از حرکت”: ابزاری کم هزینه و موثر برای کاربردهای علوم زمین. ژئومورفولوژی 2012 ، 179 ، 300-314. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. کرل، ن. نکس، اف. گرکه، ام. دوارته، دی. Vetrivel، A. نقشه برداری آسیب ساختاری مبتنی بر پهپاد: یک بررسی. ISPRS Int. J. Geo-Inf. 2019 ، 9 ، 14. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. وتریول، ا. گرکه، ام. کرل، ن. Vosselman, G. شناسایی آسیب در ساختمان ها بر اساس شکاف در ابرهای نقطه سه بعدی از تصاویر مورب هوابرد با وضوح بسیار بالا. ISPRS J. Photogramm. Remote Sens. 2015 ، 105 ، 61-78. [ Google Scholar ] [ CrossRef ]
  33. Grünthal, G. (Ed.) European Macroseismic Scale 1998 ; مرکز اروپایی ژئودینامیک و لرزه شناسی: والفردانژ، لوکزامبورگ، 1998; جلد 15، ISBN 2879770084. [ Google Scholar ]
  34. ردویک، پی. کاستا، PT; بواس، IV; سانتوس، T. تجزیه و تحلیل آسیب پذیری لرزه ای در مدل های سه بعدی شهر (3DCM). در مجموعه مقالات ICUR 2016 – کنفرانس بین المللی خطرات شهری، لیسبون، پرتغال، 30 ژوئن تا 2 ژوئیه 2016. صص 409-416. [ Google Scholar ]
  35. شن، ی. وو، ال. لی، ز. Li, X. تجسم سه بعدی ساختمان های لرزه ای در زلزله یوشو برای مدیریت بلایا. در مجموعه مقالات کنفرانس بین المللی 2010 در فناوری چند رسانه ای، ICMT 2010، نینگبو، چین، 29 تا 31 اکتبر 2010. [ Google Scholar ]
  36. یامازاکی، اف. ماتسودا، تی. دندا، اس. Liu, W. ساخت مدل های سه بعدی ساختمان های آسیب دیده در اثر زلزله با استفاده از تصاویر هوایی پهپاد. در مجموعه مقالات دهمین کنفرانس اقیانوس آرام در زمینه مهندسی زلزله، ایجاد یک اقیانوس آرام مقاوم در برابر زلزله، سیدنی، استرالیا، 6 تا 8 نوامبر 2015. [ Google Scholar ]
  37. آشیل، سی. آدمی، ع. کیارینی، اس. کرمونزی، اس. فاسی، ف. فرگونیز، ال. Taffurelli، L. فتوگرامتری مبتنی بر پهپاد و فناوری‌های یکپارچه برای کاربردهای معماری – استراتژی‌های روش‌شناختی برای بررسی پس از زلزله سازه‌های عمودی در مانتوا (ایتالیا). سنسورها 2015 ، 15 ، 15520-15539. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  38. چیابراندو، اف. دی لولی، ا. پاتروکو، جی. اسپانو، آ. سامارتانو، جی. Teppati Losè، L. مدل سازی سه بعدی چند زمانی برای اضطراری میراث فرهنگی در طول رویدادهای لرزه ای: ارزیابی آسیب از s. کلیسای آگوستینو در آماتریس (RI). در مجموعه مقالات ISPRS-بایگانی بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، فلورانس، ایتالیا، 22 تا 24 مه 2017؛ جلد XLII-5/W1، صفحات 69-76. [ Google Scholar ]
  39. پولی، دی. مو، ک. لگات، ک. توشی، آی. لاگو، اف. Remondino، F. استفاده از تصاویر هوایی عمودی برای نقشه برداری نیمه مایل. در مجموعه مقالات ISPRS-بایگانی بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، هانوفر، آلمان، 6-9 ژوئن 2017. جلد XLII-1/W1، صفحات 493-498. [ Google Scholar ]
  40. 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 ][ نسخه سبز ]
  41. کولوچی، ای. د رووو، وی. لینگوا، ا. ماترون، اف. Rizzo, G. HBIM-GIS ادغام: از IFC به استاندارد cityGML برای میراث فرهنگی آسیب دیده در یک GIS سه بعدی چند مقیاسی. Appl. علمی 2020 ، 10 ، 1356. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  42. ون، ایکس. زی، اچ. لیو، اچ. Yan, L. بازسازی دقیق مدل ساختمان LoD3 با ادغام ابرهای چند منبع نقطه ای و تصاویر سنجش از دور مورب. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 135. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  43. به زودی، KH; Khoo، مدلسازی VHS CityGML برای نقشه برداری ملی سه بعدی سنگاپور. در مجموعه مقالات ISPRS-بایگانی بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، ملبورن، استرالیا، 26 تا 27 اکتبر 2017؛ جلد XLII-4/W7، صفحات 37-42. [ Google Scholar ]
  44. اکمالیا، ر. ستان، اچ. مجید، ز. سووردحی، د. Chong, A. TLS for Generating Multi-LOD of Building Model 3D ; مجموعه کنفرانس های IOP: علوم زمین و محیط زیست; IOP Publishing: بریستول، انگلستان، 2014; جلد 18. [ Google Scholar ]
  45. پریتو، آی. ایزکارا، جی ال. دلگادو، FJ از نقطه ابری تا وب سه بعدی از طریق CityGML. در مجموعه مقالات 2012 هجدهمین کنفرانس بین المللی سیستم های مجازی و چند رسانه ای، میلان، ایتالیا، 2 تا 5 سپتامبر 2012. IEEE: میلان، ایتالیا، 2012; ص 405-412. [ Google Scholar ]
  46. گرون، ا. شوبیگر، اس. کوین، آر. شروتر، جی. شیونگ، بی. لی، جی. لینگ، ایکس. شیائو، سی. یائو، اس. Nuesch، F. تولید مدل ساختمانی LoD 3 با وضوح بالا از نظر معنایی غنی شده است. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی-آرشیو ISPRS، سنگاپور، 24 تا 27 سپتامبر 2019؛ جلد 42، ص 11-18. [ Google Scholar ]
  47. ملیحی، س. Valadan Zoej، MJ; هان، م. مختارزاده، م. عارفی، ح. بازسازی ساختمان سه بعدی با استفاده از ابر نقطه ای متراکم فتوگرامتری. در مجموعه مقالات ISPRS-بایگانی بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، پراگ، جمهوری چک، 12 تا 19 ژوئیه 2016. جلد XLI-B3، ص 71-74. [ Google Scholar ]
  48. ساران، س. وات، پی. سریواستاو، SK; کریشنا مورتی، YVN CityGML در سطح معنایی برای استراتژی‌های حفاظت از انرژی شهری. ان GIS 2015 ، 21 ، 27-41. [ Google Scholar ] [ CrossRef ]
  49. چایداس، ک. تاتاریس، جی. Soulakellis، N. مدل ساختمان سه بعدی پس از زلزله (LOD2) از تصاویر UAS: مورد سکونتگاه سنتی Vrisa، Lesvos، یونان. در مجموعه مقالات ISPRS-بایگانی بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، سافرانبولو، ترکیه، 7 تا 8 اکتبر 2020؛ جلد XLIV-4/W3-، صص 165–172. [ Google Scholar ]
  50. تاتاریس، جی. سولاکلیس، ن. Chaidas، K. نقشه برداری سه بعدی چند زمانی فاز بازیابی پس از زلزله با UAS: مطالعه موردی Vrisa، lesvos، یونان. در مجموعه مقالات ISPRS Annals of Photogrammetry، سنجش از دور و علوم اطلاعات فضایی، سیدنی، استرالیا، 30 نوامبر تا 3 دسامبر 2020؛ جلد VI-3/W1-20، صص 123-130. [ Google Scholar ]
  51. ارزیابی آسیب پس از زلزله و قابلیت استفاده ساختمان ها: توسعه بیشتر و کاربردها. گزارش نهایی. کمیسیون اروپا-DG Environment, Civil Protection-EPPO. در دسترس آنلاین: https://ec.europa.eu/echo/files/civil_protection/civil/act_prog_rep/peadab.pdf (در 21 مارس 2021 قابل دسترسی است).
  52. راهنمای کاربر Agisoft Agisoft Metashape. در دسترس آنلاین: https://www.agisoft.com/ (در 4 فوریه 2021 قابل دسترسی است).
  53. نرم افزار طراحی سه بعدی Google SketchUp مدل سازی سه بعدی در وب SketchUp. در دسترس آنلاین: https://www.sketchup.com (در 19 ژانویه 2021 قابل دسترسی است).
  54. نرم افزار ایمن | FME | بستر یکپارچه سازی داده ها. در دسترس آنلاین: https://www.safe.com/ (در 24 ژانویه 2021 قابل دسترسی است).
  55. ون دن برینک، ال. استوتر، جی. زلاتانوا، S. رویکرد مبتنی بر UML برای توسعه پسوند دامنه برنامه citygml. ترانس. GIS 2013 ، 17 ، 920-942. [ Google Scholar ] [ CrossRef ]
  56. یائو، ز. ناگل، سی. کونده، اف. هدرا، جی. ویلکوم، پی. دوناوبائر، آ. آدولفی، تی. Kolbe، TH 3DCityDB-یک راه حل geodatabase سه بعدی برای مدیریت، تجزیه و تحلیل و تجسم مدل های شهری سه بعدی معنایی مبتنی بر CityGML. Geospat را باز کنید. نرم افزار داده ایستادن. 2018 ، 3 ، 1-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. سولاکلیس، ن. Chatzistamatis، S. واسیلاکوس، سی. تاتاریس، جی. پاپاکنستانتینو، ا. کاوروداکیس، دی. توپوزلیس، ک. روسو، او. کالونیاتیس، سی. پاپادوپولو، EE; و همکاران بهره برداری هم افزایی از روش های اطلاعات جغرافیایی برای نقشه برداری سه بعدی پس از زلزله از سکونتگاه سنتی Vrisa، جزیره Lesvos، یونان. در مجموعه مقالات اطلاعات جغرافیایی برای مدیریت بلایا (Gi4DM)، استانبول، ترکیه، 18 تا 21 مارس 2018؛ جلد XLII-3/W4، صفحات 491-498. [ Google Scholar ]
  58. Chatzistamatis، S. کالایتزیس، پ. چایداس، ک. Chatzitheodorou، C. پاپادوپولو، EE; تاتاریس، جی. Soulakellis، N. ترکیب داده‌های فتوگرامتری TLS و UAV برای مدل‌سازی سه‌بعدی پس از زلزله یک کلیسای میراث فرهنگی. در مجموعه مقالات ISPRS-بایگانی بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، استانبول، ترکیه، 18 تا 21 مارس 2018؛ جلد XLII-3/W4، صص 143-150. [ Google Scholar ]
Ijgi 10 00345 g001 550
شکل 1. منطقه مورد مطالعه سکونتگاه Vrisa با ساختمان های LOD2 بر اساس طبقه بندی EPPO در 3 کلاس: i. قرمز – خطرناک برای استفاده؛ ii زرد – برای استفاده ناایمن III. سبز – ایمن برای استفاده تا به امروز، اکثریت (بیش از 90٪) “ساختمان های قرمز” تخریب شده اند در حالی که بیش از 80٪ از “ساختمان های زرد” تعمیر شده اند.
Ijgi 10 00345 g002 550
شکل 2. گردش کار متدولوژی اجرا شده شامل پنج مرحله است.
Ijgi 10 00345 g003a 550 Ijgi 10 00345 g003b 550
شکل 3. چگالی ابر نقطه ای: ( الف ) ساختمان A، اکثر نقاط محدوده ای از همسایگان 1300-1900 را نشان می دهند، ( ب ) هیستوگرام چگالی (میانگین = 1595 و انحراف استاندارد = 249.89)، ( ج ) ساختمان B، اکثر نقاط محدوده ای از همسایگان 500-700، ( d ) هیستوگرام چگالی (میانگین = 559 و انحراف استاندارد = 145.47) را ارائه می دهند.
Ijgi 10 00345 g004 550
شکل 4. تولید مدل سه بعدی ساختمان: ( الف ) ابر نقطه ای ساختمان A، ( ب ) مدل LOD3 ساختمان A طراحی شده در SketchUp، ( ج ) ابر نقطه ای ساختمان B و ( د ) مدل LOD3 ساختمان B طراحی شده در SketchUp.
Ijgi 10 00345 g005 550
شکل 5. میز کار FME، تبدیل مدل های SketchUp به فرمت CityGML.
Ijgi 10 00345 g006 550
شکل 6. طبقه بندی آسیب های لرزه ای در سطح ساختمان ها، دیوارها و سقف ها بر اساس EMS-98 همانطور که در چندین مدل سه بعدی ایجاد شده توسط پردازش تصاویر UAS نشان داده شده است. زیرمجموعه های این گریدها بر روی دیوارها: 2.1 ترک در بسیاری از دیوارها، 3.1 ترک های بزرگ و گسترده در اکثر دیوارها، 3.2 ترک های مورب بزرگ و گسترده در اکثر دیوارها، 3.3 شکست عناصر غیرسازه ای منفرد (پارتیشن، دیوارهای شیروانی)، 4.1 شکست جدی دیوارها و 5.1 فروریختن کل. زیرمجموعه های این موارد بر روی پشت بام ها عبارتند از: 1.4 ریزش کاشی سقف، 2.4 ریزش جزئی دودکش ها، 3.4 جدا شدن کاشی سقف، 4.3 شکست جزئی سازه سقف ها و 5.1 ریزش کلی.
Ijgi 10 00345 g007 550
شکل 7. نمودار کلاس UML ساختار ویژگی CityGML مدل معنایی ساختمان LOD3 پایه، با DamageGrades گسترش یافته است.
Ijgi 10 00345 g008 550
شکل 8. نتایج روش فاصله ابر تا ابر: ( الف ) میانگین فاصله برای ساختمان A 5 سانتی متر است، ( ب ) هیستوگرام نتایج (انحراف استاندارد = 0.04)، ( ج ) میانگین فاصله برای ساختمان B 9 سانتی متر است. ( د ) هیستوگرام نتایج (انحراف استاندارد = 0.05).
Ijgi 10 00345 g009 550
شکل 9. ( الف ) درجه آسیب دیوار برای ساختمان A 1.1 بود. ( ب ) برای ساختمان B، یک دیوار با آسیب دیوار 4.1 و بقیه با درجه 2.2، و سقف با درجه 4.3 مشخص شد.
Ijgi 10 00345 g010a 550 Ijgi 10 00345 g010b 550
شکل 10. مدل های ساختمان LOD3 CityGML با لایه های معنایی ارائه شده در نمایشگر FZK برای ( a ) ساختمان A و ( b ) ساختمان B.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید