روش‌شناسی برای توزیع پیشرونده کارآمد و تجسم اشیاء ساختمانی سه بعدی

خلاصه

مدل های سه بعدی (سه بعدی) شهری در زمینه های مختلفی به کار گرفته شده است. یکی از مشکلات اصلی در استفاده از مدل سه بعدی شهر، حجم زیاد داده است. در این مقاله، روشی برای تعمیم اشیاء ساختمان سه‌بعدی در مدل‌های سه‌بعدی شهر در سطوح مختلف جزئیات، و ترکیب سطوح متعدد جزئیات (LOD) برای توزیع پیشرونده و تجسم مدل‌های شهر پیشنهاد شده‌است. ابتدا، یک ساختار توسعه یافته برای چندین LOD از اشیاء ساختمانی، BuildingTree، معرفی شده است که از هر دو ساختمان منفرد و گروه های ساختمانی پشتیبانی می کند. دوم، نمایش هندسه جامد سازنده (CSG) از ساختمان ها ایجاد و تعمیم می یابد. در نهایت، BuildingTree در پایگاه داده NoSQL MongoDB برای درخواست های تجسم پویا ذخیره می شود.

کلید واژه ها:

مدل های سه بعدی شهر ; نمادسازی ؛ تجسم ; نمایندگی CSG ; X3D ; NoSQL

1. معرفی

تعداد مدل های شهر و اهمیت آنها در حال افزایش است. علاوه بر مدل‌های سنتی مقامات تجاری یا نهادی، مدل‌های جمع‌آوری‌شده نیز اکنون در دسترس هستند [ 1 ]. مدل‌های شهر سه بعدی (سه بعدی) به عنوان مدل‌های چند منظوره محیط‌های فضایی در تعداد فزاینده‌ای از حوزه‌های کاربردی مختلف استفاده می‌شوند [ 2]]. برای مثال، نقشه‌های ناوبری سه‌بعدی، هم در سیستم‌های ناوبری خودرو و هم در سیستم‌های ناوبری عابر پیاده، که شامل مدل‌های سه‌بعدی شهر – به‌ویژه، مدل‌های زمین و مدل‌های ساختمان‌های سه‌بعدی – به منظور افزایش تصویر بصری و ساده‌تر کردن تشخیص مکان‌ها، همه‌جانبه شده‌اند. در برنامه‌ریزی شهری، مدل‌های سه‌بعدی شهر، وسیله‌ای برای ارتباط پروژه‌ها و پذیرش بهتر پروژه‌های توسعه از طریق تجسم‌سازی فراهم می‌کنند و بنابراین از ضرر مالی ناشی از تاخیر پروژه جلوگیری می‌کنند. برای سیستم های مدیریت اضطراری، ریسک و بلایا، مدل های سه بعدی شهر یک چارچوب مفهومی ارائه می کنند. به طور خاص، آنها برای شبیه سازی آتش سوزی، سیل، کاربردهای انرژی [ 3 ]، تجزیه و تحلیل نویز [ 4 ، 5 ]، مدل سازی توزیع گرد و غبار ریز [ 6 ، 7] مفید هستند.]، و انفجارها [ 8 ]. در Geodesign، مدل‌های سه‌بعدی مجازی محیط (به عنوان مثال، مدل‌های منظره یا مدل‌های شهری) کاوش و ارائه، و همچنین تحلیل و شبیه‌سازی را تسهیل می‌کنند. مدل‌های سه‌بعدی شهر می‌توانند در مهندسی معماری و ساخت‌وساز مفید باشند، جایی که مدل‌سازی فضای سه‌بعدی کامل، از جمله محیط‌های بیرونی و داخلی، برای ارائه یک راه‌حل کلی کارآمد مورد نیاز است [ 9 ، 10 ، 11 ].

مقدار داده در مدل های شهر اغلب بسیار زیاد است. این نشان می دهد که نیاز به روش های کارآمد برای ذخیره، دستکاری، توزیع و تجسم این مدل ها وجود دارد. تمرکز این مطالعه یافتن روشی کارآمد برای اشیاء ساختمانی سه بعدی است که در بیشتر موارد، بارزترین نوع ویژگی بیشتر مدل‌های شهری است. توزیع دقیق اشیاء ساختمانی سه بعدی در دستگاه های تلفن همراه، مانند تلفن های هوشمند، هنوز از نظر پهنای باند محدود است. برای دور زدن این مشکل، ما فقط باید شرح مفصلی از ساختمان هایی که به کاربر نزدیک هستند ارسال کنیم. برای سایر ساختمان ها، نسخه های تعمیم یافته کافی است. با این حال، هنگامی که کاربر در محیط حرکت می کند، بازنمایی های جدیدی از ساختمان ها روی صفحه نمایش داده می شود، یعنی کاربر متوجه تغییر ناگهانی در صحنه خواهد شد. یک روش برای جلوگیری از این تغییرات ناگهانی استفاده از انتقال تدریجی داده ها از سرور به دستگاه تلفن همراه است. در انتقال تدریجی داده ها، تنها نسخه های تعمیم یافته ساختمان ها ابتدا به دستگاه تلفن همراه ارسال می شوند. برای اشیایی که پس از آن به نمایش دقیق تری نیاز دارند، فقط ویژگی های اضافی اشیاء باید منتقل شوند. این همچنین تضمین می کند که انتقال تدریجی از نظر مقدار داده ای که باید منتقل شود کارآمد است.

CityGML یک استاندارد بین المللی برای مدل های شهر است که توسط کنسرسیوم فضایی باز [ 12 ] پیشنهاد شده است. تمرکز اصلی CityGML نشان دادن جنبه های معنایی ویژگی ها در یک شهر است. برای پشتیبانی از این موضوع، CityGML شامل یک مدل اطلاعات جامع است که به چندین مدل فرعی از ساختمان‌ها، تونل‌ها و پل‌ها، مبلمان شهری (به عنوان مثال، تیرهای لامپ)، پوشش گیاهی و غیره تقسیم می‌شود. درشت ترین سطح، سطح جزئیات 0 (LOD0)، صرفاً یک مدل سطح دیجیتال است، در حالی که دقیق ترین سطح، LOD4، حاوی نمایش های دقیقی از ویژگی های بیرونی و داخلی است [13] .]. قابلیت‌های مدل‌سازی با وضوح چندگانه آن، CityGML را قادر می‌سازد تا برای پایگاه‌داده‌های بازنمایی چندگانه که در آن نمایش‌هایی از ویژگی‌های یکسان در سطوح مختلف جزئیات ذخیره می‌شوند، استفاده شود. با این حال، CityGML برای تجسم کارآمد طراحی نشده است، در حالی که می توان از Collada یا X3D برای تجسم استفاده کرد. برای ساختمان های سه بعدی که در قالب های مختلف وارد می شوند، ابتدا به ترتیب با تجزیه کننده های خود پردازش می شوند. سپس هندسه استخراج شده و، در صورت امکان، داده های معنایی در مورد ساختمان به همتایان خود در CityGML تبدیل می شوند. در این مطالعه، CityGML به عنوان یک فرمت میانی برای ادغام مدل های سه بعدی شهر در قالب های مختلف مانند Collada، 3DS و X3D استفاده می شود.

هدف این مقاله بررسی روش هایی برای مدیریت کارآمد اشیاء ساختمانی سه بعدی در دستگاه های تلفن همراه است. برای تحقق این هدف، چندین موضوع وجود دارد که باید مورد توجه قرار گیرد: (1) استفاده از یک ساختار داده چندگانه نمایش کارآمد که از انتقال پیشرونده پشتیبانی می کند. (2) توسعه روش های تعمیم برای پر کردن این ساختار داده با داده های جغرافیایی. (iii) تکنیک های ذخیره سازی داده های جغرافیایی که از بازیابی سریع داده ها پشتیبانی می کند. و (IV) اجرای یک چارچوب تجسمی که از انتقال پیشرونده پشتیبانی می کند. در این مقاله به تمام این مسائل می پردازیم.

این مقاله به شرح زیر سازماندهی شده است. کار مرتبط در بخش 2 معرفی شده است . بخش 3 روش شناسی را توضیح می دهد که در آن هر یک از چهار موضوع ذکر شده در بالا را توضیح می دهیم. بخش 4 نتایج تجربی را برای جنبه های کیفیت بصری و عملکرد ارائه می کند. در نهایت، بخش 5 و بخش 6 به ترتیب شامل بحث و نتیجه گیری از روش پیشنهادی است.

2. کارهای مرتبط

2.1. نمایش هندسی اجسام سه بعدی

با توجه به پیچیدگی مدل های سه بعدی شهر، داشتن نمایش های هندسی کارآمد ضروری است. در این مقاله، ما نمایش مرزی (B-rep) ساختمان های سه بعدی را به نمایش هندسه جامد سازنده (CSG) تبدیل می کنیم [ 14 ، 15 ]. در نمایش CSG، هندسه ها با ترکیب ویژگی های هندسی ابتدایی ایجاد می شوند ( شکل 1 ). هندسه ها با استفاده از پارامترهای تبدیل (چرخش، مقیاس بندی و غیره) و همچنین ترکیب آنها (جمع و تفریق) می توانند اشکال نامنظم را مدل کنند.

نمایش CSG به طور گسترده در طراحی ساختمان (CAD/CAM) استفاده می‌شود و ذخیره کارآمد داده‌ها را برای ساختمان‌هایی که شکل مستطیلی دارند یا قسمت‌های مشترک دارند، مانند سقف‌های تخت و شیروانی، فراهم می‌کند. همانطور که [ 16] اشاره می‌کند، نمایش CSG دارای مزایای زیر است: (1) مدل‌سازی با استفاده از عملیات‌های اولیه و بولی بسیار بصری‌تر از تعیین سطوح نمایش مرزی به طور مستقیم است. (ii) اولیه ها را می توان پارامتر کرد، بنابراین امکان استفاده مجدد و جمع آوری در کتابخانه ها، و کاهش اندازه فایل را فراهم می کند. (iii) می تواند با سایر اطلاعات اضافی مرتبط باشد. و (IV) درخت مدل سازی CSG حاوی اطلاعات ضمنی است که می تواند برای اهداف بسیاری استفاده شود. یکی دیگر از مزایای CSG این است که به راحتی می تواند اطمینان حاصل کند که اجسام “جامد” یا ضد آب هستند اگر همه اشکال اولیه ضد آب باشند. در مقایسه، هنگام ایجاد هندسه بر اساس نمایش‌های مرزی، داده‌های توپولوژیکی اضافی مورد نیاز است یا باید بررسی‌های سازگاری انجام شود تا اطمینان حاصل شود که توصیف مرزی یک جسم جامد معتبر را مشخص می‌کند.

اگر بسیاری از ساختمان ها دارای ویژگی های مشابه باشند، می توان ساختمان هایی را با نمونه های اولیه از پیش تعریف شده نشان داد. Thiemann [ 17 ] نمایش CSG ساختمان های سه بعدی و درخت CSG را برای تشکیل ساختمان با عملیات بولی مانند تقاطع، تفاوت و اتحاد معرفی می کند. برنر [ 16] تفاوت‌های بین نمایش‌های B-rep و CSG را مقایسه می‌کند و روشی به نام مدل‌سازی ضعیف CSG را پیشنهاد می‌کند که ترکیبی از دو شکل نمایش است. ایده اصلی مدل‌سازی ضعیف CSG، بسته‌بندی یا پنهان کردن محدودیت‌های منظم اشیاء درون جعبه‌های سیاه است که به عنوان نمونه‌های اولیه CSG به نظر کاربر می‌رسند. در همین حال، همه ساختمان ها را نمی توان به عنوان CSG نشان داد. ساختمان های زیادی در شهرهای واقعی وجود دارد که توسط CSG ها قابل توصیف نیستند. برای این ساختمان ها باید از B-rep استفاده شود. در این مقاله از CSG برای نشان دادن ساختمان‌های منظم ساده که توسط سازه‌های از پیش تعریف شده (جعبه، سقف باسن، سقف شیروانی، برج و غیره) تشکیل شده‌اند، استفاده می‌کنیم.

2.2. نمایندگی چندگانه و انتقال پیشرو

نمایش های چندگانه در بسیاری از کاربردهای سه بعدی، مانند کاربرد ساخت زیرساخت [ 18 ] و زمین شناسی [ 19 ] مهم هستند و نقش برجسته ای در مدل های شهر ایفا می کنند. برای رویارویی با مدل‌های چند مقیاسی، توسعه ساختارهای داده‌ای چندگانه رایج است. مدل ها با LOD ها در CityGML یکسان نیستند [ 20 ]. ما عمدتاً LOD2 را در CityGML به سطح غنی تر (CSG-LOD یا CLOD) گسترش می دهیم تا شکاف بین LOD3 و LOD1 را بهتر پر کنیم [ 21 ]. CSG مترقی به عنوان LOD جدید استفاده می شود که بر اساس تعادل بین عملکرد تجسم و هزینه های محاسباتی تولید می شود.

ساختارهای داده نمایش چندگانه برای انتقال تدریجی داده های دوبعدی استفاده شده است [ 22 ]. برای مدل های سه بعدی شهر، Coors [ 23 ] یک مدل داده ای را توسعه داد که از LOD سلسله مراتبی پشتیبانی می کند. سپس این مدل داده در یک P-Tree (درخت پیشرونده) اجرا شد که یک نمایش درشت در ریشه و یک نمایش دقیق تر در برگ ها ذخیره می کند. بسته به فاصله بیننده تا ساختمان، سطح متفاوتی از P-tree طی می شود. برای اطمینان از نمایش رضایت بخش ساختمان های شاخص، آنها همیشه در سطح بالایی از درخت ذخیره می شوند. دولنر و بوخهولتز [ 24] یک مدل ساختمان با سطح پیوسته از جزئیات (به ساختمان های CLOQ نشان داده شده) پیشنهاد کرد. ایده اصلی این است که هر قسمت از ساختمان (از جمله نماها) به عنوان یک شی جداگانه ذخیره می شود و کاربر می تواند انتخاب کند که در چه سطحی از جزئیات ساختمان باید تجسم شود. ژانگ و همکاران [ 25 ] روشی برای انتقال تدریجی سطوح زمین و اشیاء سه بعدی بر اساس موجک ها توسعه داد.

انتقال پیشرونده داده همچنین می‌تواند با ارسال شرح فرآیند چگونگی تغییر اشیاء مکانی تسهیل شود. سستر و برنر [ 26 ] این استراتژی را برای داده های مکانی دوبعدی توسعه و نشان دادند. یکی از مزیت های این رویکرد این است که (تا حدی) بزرگنمایی مداوم را ممکن می کند [ 27 ].

2.3. تعمیم مدل های شهر

همچنین تحقیقات گسترده‌ای در مورد روش‌های تعمیم، مانند پر کردن پایگاه‌های اطلاعاتی چندگانه با داده‌های جغرافیایی، انجام شده است. بسیاری از این کار بر تعمیم ساختمان های منفرد متمرکز شده است [ 28 ]. Theimann و Sester [ 29 ] یک ساختمان را در بازنمایی مرزی به چندین بخش تقسیم کردند که در آن قطعات در یک نمایش CSG ذخیره می شوند. در کارهای بعدی، Theimann و Sester [ 30 ] روشی را برای بهینه سازی اندازه قطعات با تطبیق الگوها با استفاده از روش حداقل مربعات توسعه دادند. مایر [ 31 ] و فوربرگ [ 32] یک تکنیک مقیاس-فضا ایجاد کرد که تا حدی بر اساس عملگرهای مورفولوژیکی باز و بسته می شود تا مدل ساختمان سه بعدی را ساده کند. مدل نیم فضا توسط Kada [ 33 ] برای تشخیص طرح کلی ساختمان استفاده می شود. روش تقسیم‌بندی مبتنی بر نیمه‌فضا سپس در Kada [ 34 ] گسترش می‌یابد تا ساختارهای سقف را با استفاده از انواع سقف‌های از پیش تعریف‌شده در بر گیرد. لو و همکاران [ 35 ] استفاده از چند ضلعی انتقال را برای نمایش ساختمان‌های سه بعدی پیشنهاد کرد، اما این روش فقط می‌تواند از سازه‌های سقف مسطح پشتیبانی کند. فن و منگ [ 36] با ترکیب سقف و پلان زمین، نمای بیرونی ساختمان را به صورت سه بعدی ایجاد کرد. روش آنها بر این اساس استوار است: (1) پلان زمین که از شی ساختمان سه بعدی تولید شده و ساده شده است. (2) چند ضلعی های سقف بسته به روابط فضایی آنها ادغام و مشخص می شوند. و (iii) پوسته بیرونی ساختمان با افزایش پلان زمین در ارتفاع و تقاطع با سازه سقف ساخته می شود. این رویکرد برای بسیاری از ساختمان‌های ساختاری ساده کارآمد است، اما اگر یک ساختار دیواری غیرعمودی وجود داشته باشد، شکست خواهد خورد. همچنین مطالعاتی، به عنوان مثال توسط باگ و عبدالرحمن [ 37 ]، در مورد ایجاد روال های تعمیم برای تبدیل ساختمان ها از سطوح مختلف جزئیات در CityGML صورت گرفته است.

برای گروه‌های ساختمانی، گلاندر و دولنر [ 38 ] روشی را برای تعمیم تمام ساختمان‌های داخل یک بلوک شهر یا سایر سازه‌های ایجاد شده توسط یک شبکه سلسله مراتبی به یک شی ساختمانی مشترک توسعه دادند. روش آنها توجه ویژه ای به ساختمان های شاخص برای بهبود قابلیت جهت گیری مدل دارد. مائو و همکاران [ 39 ] یک روش برای نوع‌بندی گروه‌های ساختمانی، بر اساس ساختارهای درختی پوشا حداقلی، و Guercke و همکاران توسعه دادند. [ 40 ] یک روش تجمیع برای ساختمان ها، بر اساس بهینه سازی با استفاده از برنامه نویسی عدد صحیح مختلط طراحی کرد.

یک مورد خاص از تعمیم ساختمان، تبدیل مدل های ساخت و ساز ساختمان است [ 41 ]. این تبدیل شامل هر دو تبدیل معنایی و هندسی است که باید به طور همزمان مورد بررسی قرار گیرند. Isikdag و Zlatanova [ 42 ] چارچوبی ارائه کردند که چگونه اشیاء IFC ( IfcWall ، IfcWindow ، و غیره) می توانند برای تولید اشیاء CityGML در LOD های مختلف استفاده شوند. برای تبدیل معنایی، ال-مکاوی و همکاران. [ 43 ] استفاده از یک مدل ساختمان یکپارچه را پیشنهاد کرد که هر دو مدل CityGML و IFC را در بر می گیرد.

ارزیابی کیفیت تعمیم داده‌های جغرافیایی سه‌بعدی به اندازه دوبعدی [ 44 ] مورد توجه قرار نگرفته است. یک مطالعه توسط مائو و همکاران. [ 39 ] که مبتنی بر روش‌هایی در تشخیص الگو است، روشی را برای مقایسه داده‌های سه‌بعدی اصلی و تعمیم‌یافته، بر اساس نمودارهای رابطه‌ای نسبت داده شده توسعه می‌دهد.

2.4. روش ذخیره سازی مدل های سه بعدی شهر

امروزه مدل‌های شهر سه‌بعدی عموماً در پایگاه‌های داده‌های شی-رابطه‌ای مانند Oracle و PostGIS ذخیره می‌شوند و در بیشتر موارد، این پایگاه‌های داده با ابزارهای مدل شهر اختصاصی مانند 3DCityDB [45] و DB4Geo [46 ] گسترش می‌یابند . استراوس و کری [ 47 ] پایگاه های داده شی گرا را برای مدیریت مدل های سه بعدی معرفی کردند. این پایگاه‌های اطلاعاتی همچنین برای کاربردهای ساختمان سه بعدی استفاده شده است [ 48 ]. Kunde [ 49 ] طرح CityGML را در یک پایگاه داده شی رابطه ای پیاده سازی کرد. ژانگ و همکاران [ 11 ] یک موتور پایگاه داده جغرافیایی سه بعدی مبتنی بر Oracle 11 و یک سیستم فایل پیشنهاد کرد. کخ و لونر [ 50] اخیراً از BaseX یک پایگاه داده XML برای CityGML استفاده کرده است. با این حال، طرح CityGML پیچیده است و منجر به صدها جدول در پایگاه داده می شود، اگرچه ممکن است بیشتر این جداول در بیشتر برنامه ها مورد استفاده قرار نگیرند.

رایانش ابری و فناوری NoSQL برای ارائه عملکرد بالا، ذخیره سازی کلان داده، مقیاس پذیری بالا و در دسترس بودن بالا توسعه یافته اند. این ویژگی ها این فناوری را برای مدیریت مدل های سه بعدی مناسب می کند. لوان و همکاران [ 51 ] یک استراتژی مدیریت مدل سه بعدی مبتنی بر سیستم فایل توزیع شده Hadoop برای مقابله با مشکل کلان داده که مدیریت مدل سه بعدی با آن مواجه است، پیشنهاد کرد. سوگوماران و همکاران [ 52 ] یک سیستم پردازش داده های سه بعدی مبتنی بر وب را با استفاده از محیط محاسبات ابری EC2 آمازون توسعه و پیاده سازی کرد. آزمایشات آنها مزایای محاسبات ابری را نسبت به رویکردهای سنتی از نظر زمان، هزینه و عملکرد نشان داد. دوبوس و همکاران [ 53] از یک پایگاه داده NoSQL (MongoDB) برای ذخیره مدل های سه بعدی برای کمک به مشاوره عمومی استفاده کرد. هان و استرولیا [ 54 ] سیستم مدیریت داده های سه بعدی خود را بر اساس پایگاه داده NoSQL دیگری به نام Hbase ساختند. روش‌های محاسبات ابری، مانند Map-Reduce، می‌توانند در پایگاه داده NoSQL برای افزایش سرعت تجزیه و تحلیل مستقر شوند. برای کاربردهای کلان داده مانند تعمیم و تجسم مدل شهر سه بعدی مناسب است.

در این مقاله، ما از پایگاه داده NoSQL MongoDB برای ذخیره اشیاء ساختمانی سه بعدی با وضوح چندگانه استفاده می کنیم. MongoDB سند گرا و بدون طرح واره است که برای ادغام استانداردهای مختلف مدل شهر سه بعدی مبتنی بر XML، مانند KML و CityGML مناسب است. MongoDB قبلاً در برنامه های مختلف مانند برنامه های کاربردی مدل سازی اطلاعات ساختمان (BIM) استفاده شده است. دوبوس و همکاران [ 53] یک چارچوب یکپارچه و یکپارچه به نام 3D Repo ایجاد کرد که از ویرایش مشترک و توزیع دارایی های سه بعدی پشتیبانی می کند، نتایج نشان می دهد که MongoDB برای مدیریت مدل شهر سه بعدی مناسب است. مزیت پایگاه‌های داده NoSQL در مقایسه با پایگاه‌های داده رابطه‌ای شی، این است که قابلیت بهتری برای توزیع خودکار داده‌ها و تعادل بار دارند. علاوه بر این، گسترش و موازی سازی آنها آسان تر است.

2.5. چارچوب های تجسم برای مدل های شهر

تجسم سریع مدل های ساختمان سه بعدی برای چندین برنامه، به ویژه برای موقعیت های آنلاین ضروری است. استفاده از دستگاه‌های تلفن همراه، مانند تلفن‌های هوشمند، برای مشاهده مدل‌های شهر نیز تقاضای اضافی برای روش‌های کارآمد تجسم ایجاد می‌کند. با توجه به تنوع دستگاه های تلفن همراه، تجسم سه بعدی مبتنی بر مرورگر به طور گسترده ای مورد نیاز است. X3DOM [ 55 ] می تواند X3D را با HTML5 ادغام کند و صحنه های سه بعدی تعاملی را برای وب ایجاد کند، شبیه به روشی که SVG در حال حاضر در دو بعدی کار می کند. یونگ و همکاران [ 56 ] نشان می‌دهد که X3DOM یک رابط توسعه‌دهنده اعلامی واحد را بر اساس استانداردهای وب فعلی ارائه می‌کند و از طریق یک مدل بازگشتی قدرتمند برای زمان اجرا و ماژول‌های رندر، از انتهای مختلف پشتیبان پشتیبانی می‌کند. با این حال، به گفته مائو و بان [ 57]، عملکرد سیستم X3DOM زمانی که تعداد ساختمان های پیچیده سه بعدی در تجسم آنلاین افزایش می یابد، به میزان قابل توجهی کاهش می یابد. بنابراین، یافتن روش هایی برای تولید LOD های پایین تر از LOD های بالاتر به طور خودکار با تعمیم اشیاء شهر مهم است. علاوه بر این، جزئیات غیر ضروری باید پنهان شود تا از بهم ریختگی بصری جلوگیری شود.

3. روش شناسی

در این مطالعه، ما یک ساختار بازنمایی چندگانه BuildingTree ( بخش 3.1 )، روش های تعمیم برای تولید BuildingTree ( بخش 3.2 )، و روش های ذخیره سازی و تجسم برای BuildingTree ( بخش 3.3 و بخش 3.4 ) توسعه داده ایم .

3.1. ساختار چندگانه – BuildingTree

ساختار داده چندگانه BuildingTree در این مطالعه یک سلسله مراتب جزئی است. این یک نسخه بهبود یافته و توسعه یافته از ساختار داده سطح مستقل در مائو و همکاران است. [ 21 ]. مدل قبلی CityTree عمدتاً برای گروه‌ها یا بلوک‌های ساختمانی در LOD1 یا LOD2 توسط عملیات تجمع تولید می‌شود، در حالی که نسخه فعلی BuildingTree برای ساخت اشیاء طراحی شده است، جایی که داده‌ها در مدل‌های LOD3 و LOD4 ذخیره می‌شوند (همانطور که در شکل 2 نشان داده شده است ) . :

LOD3 Exterior Shell (LOD3ES) یک مدل پوسته ساختمانی دقیق با نمایش مرز است. این یک مدل LOD3 است که محتوای اولیه مدل LOD3 را دارد اما فقط از پوسته بیرونی تشکیل شده است. این مدل به عنوان یک نمایش مرزی ذخیره می شود. در مقایسه با LOD3، LOD3ES می تواند شباهت بصری بالایی را ارائه دهد و در عین حال حجم داده ها را تا حد زیادی کاهش دهد. در همین حال، LOD3ES را می توان برای تشخیص CSG سریعتر از LOD3 پردازش کرد زیرا تعداد چند ضلعی ها کاهش می یابد.
CLOD – یک مدل نمایش چندگانه سلسله مراتبی کل ذخیره شده در نمایش CSG. این مدل ویژگی ها را در LOD1 تا LOD3 ذخیره می کند.

درخت فرعی CLOD توسط چهار سطح زیر ساخته شده است ( شکل 3). سطح 1 1: مدل های جعبه ساختمان ها (LOD1); سطح 2: ساختار سقف ساختمان (LOD2)؛ سطح 3: بخش‌های ساختمان (توسعه‌های پلان زمین، پنجره‌ها، درها، جزئیات سقف و غیره) که بزرگ‌تر از یک آستانه هستند (CSGهای بزرگ). سطح 4: قطعات ساختمانی که کوچکتر از یک آستانه هستند (CSG های کوچک). این بدان معناست که یک ساختمان در CLOD توسط هر چهار سطح ساخته شده است. سطح بالاتر تنها در صورتی می تواند نشان داده شود که همه سطوح پایین نشان داده شوند. با این حال، هیچ ترتیبی از عناصر در هر سطح وجود ندارد. عناصری که در یک سطح منتقل و تجسم می شوند به موقعیت کاربر بستگی دارد. فاصله بین موقعیت کاربر و مدل برای تعیین سطوح تجسم مدل محاسبه می شود. در این مطالعه، تنها ساختمان های شاخص دارای هر چهار سطح هستند. برای ساختمان های معمولی، سطوح 3 و 4 را می توان ادغام کرد.

لازم به ذکر است که BuildingTree فقط اطلاعات معنایی محدودی (مثلاً خصوصی یا عمومی) را ذخیره می کند. دلیل اینکه اطلاعات معنایی بیشتری ذخیره نمی‌شود این است که BuildingTree فقط برای تجسم استفاده می‌شود و داده‌های معنایی غنی که در مدل‌های CityGML در دسترس هستند، ضروری نیستند. با این حال، یک BuildingTree حاوی ارجاع به مدل اصلی LOD3 یا LOD4 است که به این معنی است که اطلاعات معنایی می تواند به مدل اضافه شود. حفظ داده های معنایی می تواند به تجسم و تجزیه و تحلیل تعاملی بیشتر کمک کند.

ساختار P-Tree ارائه شده در [ 23 ] عمدتاً بر چندین ساختمان یا گروه های ساختمانی متمرکز است در حالی که روش ما با ساختمان های منفرد سر و کار دارد. در [ 24 ]، CLOQ (سطح کیفیت مستمر) توسط ساختار کف، دیوار و سقف تشکیل شده است، در حالی که در این مقاله، CLOD از CSG تشکیل شده است که نشان دهنده بخشی از ساختمان شامل سازه های کف، دیوار و سقف است.

3.2. روش های تعمیم برای ایجاد درخت ساختمان

BuildingTree به طور خودکار از مدل های دقیق در LOD3 (که در نمایش مرزی ذخیره می شوند) تولید می شود. این نسل به صورت مرحله ای انجام می شود. ابتدا LOD3ES از مدل LOD3 تولید می شود. سپس، کل ساختار سلسله مراتبی CLOD از LOD3ES تولید می شود.

3.2.1. تولید مدل LOD3ES از LOD3

LOD3ES به طور خودکار از LOD3 تولید می شود. روش مورد استفاده بر اساس فرآیند گام درختی است که در فن و منگ [ 36 ] توضیح داده شده است (به بخش 2.3 مراجعه کنید ).

3.2.2. تولید مدل CLOD از LOD3ES

تولید مدل CLOD از LOD3ES فقط برای اشیاء ساختمانی سه بعدی انجام می شود که به اندازه کافی منظم هستند تا تجزیه شوند (همانطور که در شکل 4 نشان داده شده است ). اشیاء ساختمانی که تجزیه پذیر نیستند (آنهایی که شکل گرد یا سایر ساختارهای غیر مستطیلی دارند) به عنوان LOD3ES حفظ می شوند. برای اشیاء ساختمانی معمولی، رویکرد اساسی در این مرحله شناسایی قطعات ساختمان در مدل LOD3ES و ذخیره آنها در یک ساختار داده سلسله مراتبی است. تولید CLOD نمایش CSG در سه مرحله انجام می شود: تقسیم بندی ساختمان ، تجزیه مقطع و استخراج و طبقه بندی نمونه اولیه .

تقسیم بندی ساختمان

فرآیند تقسیم بندی با شناسایی مقاطع عرضی با استفاده از الگوریتم 1 شروع می شود، به عنوان مثال، تمام نقاط در هندسه ساختمان در صورتی که ارتفاع یکسانی داشته باشند (یا ارتفاعی در فاصله آستانه) گروه بندی می شوند. در حال حاضر روش مقاطع فقط می تواند با سازه افقی سروکار داشته باشد و روش عمودی یا غیر افقی در کارهای بعدی بیشتر مورد بررسی قرار خواهد گرفت. ورودی الگوریتم Point Set ( CS ) و خروجی لیستی از مقاطع است که از نقاط سه بعدی آن تشکیل شده است. در شکل 5 ، ساختمان اصلی با سه مقطع افقی (AA′، BEE′B′ و CDD′C′) مدل سازی شده است. سپس، هر مقطع به یکی از سه کلاس طبقه‌بندی می‌شود: چند ضلعی (اگر گره‌ها در چند ضلعی افقی ساختمان باشند، برای مثال BEE’B’ درشکل 5 الف)، خط (اگر گره ها به هم متصل باشند، برای مثال AA’ در شکل 5 الف) و نقطه (مثلاً بالای یک برج هرمی). مجموعه نقطه تولید شده با توجه به چند ضلعی مرتب و ذخیره می شود، بنابراین، صفحه را می توان از مجموعه نقطه دوباره ایجاد کرد.

الگوریتم 1: تقسیم بندی ساختمان. گردش کار تولید CLOD

1 .: تقسیم بندی رویه ( CS )
2 .: مقاطع_مقاطع = [ ]
3 .: برای همه c در CS انجام دهید
4 .: isInserted = نادرست
5 .: برای همه cross_section در Cross_Sections انجام دهید
6 .: اگر isSameHeight ( c، cross_section ) است، سپس
7 .: درج ( مقطع، ج )
8 .: isInserted = درست است
9 .: پایان اگر
10 .: پایان برای
11 .: اگر نه درج شده است
12 .: new_crossction = [ ج ]
13 .: درج ( مقاطع_مقاطع، مقطع_جدید )
14 .: پایان اگر
15 .: پایان برای
16 .: بازگشت مقطع_مقاطع
17 .: پایان رویه

تجزیه مقاطع

مرحله بعدی تجزیه هر مقطع به قطعات با استفاده از الگوریتم 2 است. ورودی، مقاطع عرضی و خروجی، قطعات تجزیه شده است. اولاً، مقاطع عرضی با قوانینی مانند:

مقاطع عرضی که از یک خط یا چند ضلعی کوچک تشکیل شده اند حذف می شوند. کمترین و بالاترین سطح مقطع هرگز حذف نمی شود.
مقاطع عرضی که چند ضلعی بزرگ هستند با استفاده از روش فن [ 58 ] ساده می شوند. برای حفظ ویژگی های ساختمان مانند دیوار عمودی و گوشه مستطیل، نقاط گره های ادغام شده از نقاط اصلی متعلق به مقطع انتخاب شده و به سطح مقطع پایینی تنظیم می شوند.

مرحله بعدی تقریب مقاطع با مجموعه ای از مستطیل ها با استفاده از روشی مبتنی بر حداقل مستطیل حاوی (MCR) است. MCR به عنوان حداقل مساحت مستطیل (که در آن اضلاع در مستطیل با محور سیستم مختصات موازی هستند) تعریف می شود که چند ضلعی (در این مورد مقطع عرضی) را می پوشاند. برای مقابله با وضعیتی که چند ضلعی با محورهای اصلی تراز نیست، چند ضلعی را مطابق با هر یال می چرخانیم تا با محورهای اصلی تراز شود. پس از محاسبه، به عقب برگردانده می شود. سطح مقطع اصلی با مجموعه ای از MCR نشان داده می شود. اگر اختلاف سطح بین سطح مقطع و مجموعه MCR تولید شده بزرگتر از آستانه باشد (20٪ از کل مساحت، نشان داده شده min_Areaدر الگوریتم 2)، سطح مقطع به عنوان غیرقابل تجزیه علامت گذاری می شود و CLOD برای ساختمان ایجاد نمی شود. برای تولید مجموعه MCR یک مقطع، ما به طور مداوم سطح مقطع را با لبه ها تقسیم می کنیم و حداکثر سطح کاهش یافته را انتخاب می کنیم. یک مثال در شکل 6 آورده شده است .

الگوریتم 2: تجزیه مقطع. رویه Generalize به صورت [ 36 ] تعریف شده است.

1 .: روش تجزیه ( مقاطع_مقاطع )
2 .: نتایج = [ ]
3 .: برای همه cross_section در Cross_Sections انجام دهید
4 .: if bbox( cross_section ) < min_Area then
5 .: حذف ( مقاطع_مقاطع، مقطع_مقطع )
6 .: دیگر
7 .: gcs = تعمیم ( مقطع )
8 .: قطعات = getMCR ( gcs )
9 .: درج ( نتیجه، قطعات )
10 .: پایان اگر
11 .: پایان برای
12 .: نتیجه بازگشت
13 .: پایان رویه

شبه کد MCR در الگوریتم 3 آمده است که در آن getMCRArea تابعی برای محاسبه حداقل مساحت حاوی یک مجموعه نقطه است. برای محاسبه مساحت MCR، از روش کولیس های دوار [ 59 ] استفاده می شود. ورودی getMCR سطح مقطع تعمیم یافته است ( gcs ) و خروجی حداقل شامل مستطیل ها برای ارائه gcs تجزیه می شود .

الگوریتم 3: حداقل شامل مستطیل

1 .: روش getMCR ( gcs )
2 .: d_area_max = 0
3 .: نتایج = [ ]
4 .: area_gcs = getMCRArea( gcs )
5 .: اگر area_gcs < d_min پس
6 .: درج ( نتیجه، gcs )
7 .: نتایج را برگرداند
8 .: پایان اگر
9 .: برای همه ls در gcs.edges انجام می دهند
10 .: c1، c2 = قطعه ( gcs، ls )
11 .: area1 = getMCRArea( c1 )
12 .: area2 = getMCRArea( c2 )
13 .: d_area = area_gcs – area1 – area2
14 .: اگر d_area < d _area_ max پس
15 .: c1_max = c1
16 .: c2_max = c2
17 .: d _مساحت_ حداکثر = d_مساحت
18 .: پایان اگر
19 .: پایان برای
20 .: اگر d_area_max < d_th باشد
21 .: c1r = getMCR( c1_max )
22 .: c2r = getMCR( c2_max )
23 .: درج ( نتیجه، c1r )
24 .: درج ( نتیجه، c2r )
25 .: نتیجه بازگشت
26 .: پایان اگر
27 .: پایان رویه

در الگوریتم 3، d_Min ناحیه آستانه ای است که چند ضلعی بیشتر به آن تقسیم می شود. اگر مساحت MCR چند ضلعی ورودی کوچکتر از d_min باشد ، بیشتر بخش بندی نمی شود و مستقیماً در لیست نتیجه درج نمی شود. getMCRArea رویه‌ای است که حداقل مساحت مستطیل چند ضلعی ورودی را محاسبه می‌کند. d_area_max برای انتخاب بخش بندی استفاده می شود که می تواند منطقه را بیشتر کاهش دهد. d_th یک آستانه از پیش تعریف شده است که برای تعیین اینکه آیا تقسیم بندی موثر است یا خیر استفاده می شود. به عنوان مثال، پس از تقسیم بندی، اگر مساحت کاهش یافته ( d_area_max ) بزرگتر از d_th باشد ، به این معنی است که تقسیم بندی مطابق شکل زیر ارزش دارد.شکل 6 ب. در غیر این صورت، در شکل 6 c مساحت کاهش یافته ( d_area_ max ) خیلی کوچک است (< d_th ) به این معنی که تقسیم بندی ضروری نیست. این تابع مجموعه ای از مستطیل ها را محاسبه می کند که با هم یک مقطع ساده شده را تشکیل می دهند.

پیچیدگی محاسباتی روش کولیس های دوار O( n ) است که n تعداد نقاط [ 59 ] است. عدد تقسیم‌بندی تعداد یال‌های سطح مقطع است که آن هم کمتر از n است . سپس پیچیدگی هر اطراف O( n ² ) است. پس از تقسیم بندی، تعداد نقاط و لبه ها افزایش نمی یابد. ^{بنابراین ،} در بدترین موارد، پیچیدگی کلی کمتر از O( n3 ) است. در تحلیل بیشتر، طبق تعریف، پیچیدگی زمانی الگوریتم تجزیه مقطع عمدتاً توسط توابع تعمیم و getMCR تشکیل شده است. فرض کنید یک مقطع شامل n باشدنکته ها. الگوریتم تعمیم مطابق [ 36 ] O( n2 ⁾ است . در تابع getMCR، پیچیدگی getMCRArea مطابق [59] O(n2) ^است، بنابراین پیچیدگی قسمت انتخاب لبه تقسیم بندی در getMCR n*O(n2 ⁾ = O(n3 ⁾ است . در همین حال، تابع getMCR بازگشتی است. چند ضلعی را به دو قسمت تقسیم می کند و به ترتیب getMCR را محاسبه می کند. از آنجا که در هر بخش بندی کاهش مساحت بیش از d_th است، تعداد دورهای قطعه کوچکتر از یک ثابت است (polygon_area/ d_th ). ^{بنابراین، پیچیدگی} کلی getMCR O( n3 ) است.

استخراج و طبقه بندی نمونه اولیه

نمایش CSG از مقاطع عرضی با استفاده از روش نمادسازی تولید می شود. یک مثال در شکل 5 ارائه شده است که در آن ساختمان با ترکیبی از یک جعبه و یک منشور مثلثی جایگزین شده است ( شکل 5 ج). روش نمادسازی همانطور که در الگوریتم 4 نشان داده شده است کار می کند که در آن ورودی قطعات مستطیلی شکل تجزیه شده و خروجی مجموعه ای از نمونه های اولیه شناسایی شده است.

الگوریتم 4: استخراج نمونه اولیه

1 .: نمونه اولیه رویه ( CS_parts )
2 .: نتایج = [ ]
3 .: part_org = CS_parts
4 .: در حالی که notEmpty( part_org ) انجام دهید
5 .: p = حذف ( parts_org )
6 .: proto_parts = selectTop ( p، CS_parts )
7 .: proto = generateProto ( proto_parts )
8 .: درج ( نتیجه، پروتو )
9 .: پایان در حالی که
10 .: نتیجه بازگشت
11 .: پایان رویه

ابتدا تمام قسمت های مقطع (CS_parts) را به عنوان پردازش نشده علامت گذاری کنید (Parts_org). p را از لیست غیر پردازش شده Parts_org انتخاب کرده و p را از آن حذف کنید.

سپس، قسمت‌های اولیه را از قسمت‌های مقطع (CS_parts) انتخاب کنید که نزدیک‌ترین مقدار z بالاتر را دارند و می‌توانند به صورت عمودی در p نمایش داده شوند (تابع SelectTop). به عنوان مثال، در شکل 5 ، نتایج قطعات اولیه قسمت مقطع CDD′C′ BEE′B′ و نتایج انتخاب شده BEE′B′ AA است.

در نهایت، برای بخش‌های اولیه مختلف، به ترتیب نمایش را ایجاد کنید. در حال حاضر باکس (دو مستطیل یکسان با ارتفاع های مختلف)، سقف شیروانی (یک خط و یک مستطیل به همان طول)، سقف باسن (مستطیل با خط کوتاهتر) و برج (یک نقطه و یک مستطیل) را اجرا می کنیم. نمونه اولیه را می توان در برنامه های بیشتر برای پشتیبانی از هندسه های CSG بیشتر گسترش داد.

اگر قسمت های مستطیلی برای دو مقطع یکسان نباشد، وضعیت پیچیده تر می شود. نمونه های معمولی سقف ها هستند. برای نشان دادن هر چه بیشتر سقف‌ها با تعداد محدودی از نمونه‌های اولیه هندسی، سقف‌ها را می‌توان با استفاده از هندسه‌های استاندارد در شکل 1 به بخش‌های اصلی‌تری جدا کرد . با ترکیب و تبدیل این هندسه ها، می توانیم نسبت زیادی از سازه های سقف رایج را بسازیم. با این حال، در بسیاری از موارد، به چندین هندسه نیاز دارد. اگر مثلاً نمونه های اولیه هندسی در شکل 1سقف شیروانی را می توان با استفاده از یک منشور مثلثی و چهار هرم مستطیلی مشخص کرد. برای جلوگیری از این تعداد زیاد هندسه در مطالعه ما، یک نمونه اولیه برای ساختار سقف شیروانی تعریف می‌کنیم که ما را قادر می‌سازد چنین سقفی را تنها با یک نمونه اولیه مدل‌سازی کنیم. نقطه ضعف این است که باید یک تعریف نمونه اولیه ایجاد شود و همچنین چندین پارامتر تبدیل باید مدیریت شود. اما در این موارد که هندسه بسیار رایج است، مانند سقف های شیروانی، این اغلب کارآمدتر است. در حال حاضر، نمونه اولیه بر اساس تجربیات سازنده مدل شهر سه بعدی به صورت دستی تعریف شده است. اگر هندسه را نتوان تایپ کرد، این قسمت با یک چندضلعی نشان داده می شود.

هنگامی که نمونه های اولیه ایجاد می شوند، آنها به سطوح طبقه بندی می شوند (به بخش 3.1 مراجعه کنید). جعبه ایجاد شده توسط بزرگترین MCR (که MCR اصلی نشان داده می شود) اولین مقطع به عنوان سطح 1 (LOD0) طبقه بندی می شود. نمونه های اولیه سقف (تعریف شده با دست) به عنوان سطح 2 طبقه بندی می شوند. در نهایت، نمونه های اولیه باقی مانده بسته به اندازه آنها (و احتمالاً نوع ساختمان) به عنوان سطح 3 یا 4 طبقه بندی می شوند.

3.3. روش های ذخیره سازی BuildingTree

شکل 7 معماری سیستم ذخیره سازی را نشان می دهد. از آنجایی که مدل های شهر را می توان از منابع مختلف تولید کرد، سیستم ذخیره سازی باید از فرمت های متعدد برای ورودی داده پشتیبانی کند. در این مطالعه، CityGML به عنوان استاندارد برای ادغام مجموعه داده های شهر سه بعدی انتخاب شده است. در همین حال، یک فرمت تجسم سه بعدی مانند Collada و X3D نیز پشتیبانی می شود. داده های شهر/تجسم سه بعدی در قالب های مختلف ابتدا با تجزیه کننده های خاص در سیستم خوانده می شوند. برای مثال، ما از citygml4j برای فایل های CityGML، xj3d برای فایل های X3D و j3d برای فایل های KML و Collada استفاده می کنیم. سپس، محتوای هندسی و ویژگی‌های معنایی (در صورت وجود) مدل‌های سه بعدی ورودی استخراج و در پایگاه داده NoSQL با فرمت JSON ذخیره می‌شوند که می‌تواند طرح‌واره‌های مختلف را برای مدل‌های مختلف پشتیبانی کند (برای جزئیات بیشتر، به بخش 4 مراجعه کنید .). در این مقاله، ما از مجموعه چند ضلعی برای ارائه داده‌های هندسی که با CityGML سازگار است، استفاده می‌کنیم. به عنوان مثال، همه ساختمان ها دارای ویژگی های مشترک مانند شناسه، نوع، مرکز، ارتفاع و غیره هستند، اما یک ساختمان ممکن است ویژگی “مالک” را داشته باشد در حالی که بقیه این ویژگی را ندارند. داده‌های همه این ساختمان‌ها را می‌توان در مجموعه‌ای از NoSQL ذخیره کرد، که در جدولی از پایگاه‌های داده رابطه‌ای پشتیبانی نمی‌شود زیرا ستون‌های آن باید از پیش تعریف شده باشند. علاوه بر این، برای ساده سازی ذخیره سازی داده های سه بعدی، چند ضلعی های سه بعدی را به عنوان متن خام صادر می کنیم که می تواند به راحتی به زبان های برنامه نویسی (پایتون یا جاوا) به عنوان اشیاء لیست چند ضلعی وارد شود.

3.3.1. پایگاه های داده NoSQL-MongoDB

برای ذخیره مدل های سه بعدی شهر، به یک پایگاه داده نیاز است. در مقایسه با پایگاه‌های داده رابطه‌ای مانند Oracle، MySQL یا PostgreSQL، بهتر است مجموعه داده‌ها در محیط ابری با در نظر گرفتن توسعه‌پذیری ذخیره شوند. MongoDB یک پایگاه داده مبتنی بر پلتفرم و سند گرا است که برای محیط ابری ساخته شده است. MongoDB که به عنوان یک پایگاه داده NoSQL طبقه بندی می شود، ساختار پایگاه داده رابطه ای مبتنی بر جدول را به نفع اسناد JSON مانند با طرحواره های پویا دور می زند (MongoDB فرمت را BSON می نامد)، که ادغام داده ها در انواع خاصی از برنامه ها را آسان تر و سریع تر می کند. در اینجا، ما یک چارچوب MongoDB برای مدل های شهر با استفاده از چهار کامپیوتر به عنوان یک خوشه می سازیم. این ساختار را می توان به راحتی با افزودن گره های داده بیشتر برای پشتیبانی از شهرهای بزرگتر و بیشتر گسترش داد.

سپس، سمت وب سرور می تواند از روش برنامه نویسی MapReduce برای برقراری ارتباط با پایگاه داده استفاده کند. MapReduce برای محاسبات موازی مناسب است و می تواند از مزیت خوشه سرور استفاده کند. چارچوب MapReduce به طور گسترده برای فرآیندهای کلان داده استفاده می شود. این می تواند بارهای کاری یک عملیات، مانند جستجو یا تجزیه و تحلیل، را بر روی چندین رایانه تقسیم کرده و فرآیند را به طور همزمان اجرا کند. چارچوب MapReduce می تواند با افزودن رایانه های بیشتری به سیستم، سرعت تجزیه و تحلیل را افزایش دهد که معمولاً با جایگزینی سیستم موجود با ماشین های بهتر به دست می آید. MongoDB از چارچوب MapReduce پشتیبانی می کند که عملکرد فرآیند را برای مدل های شهرهای بزرگ بهبود می بخشد.

3.3.2. تولید مدل CLOD BuildingTree

ساختار BuildingTree مدل های LOD3ES و CLOD تولید شده را ترکیب می کند. در BuildingTree، ابرداده برای تعیین اینکه کدام یک از مدل های LOD3ES یا CLOD باید بر اساس ارتفاع ذخیره شده، مساحت (تعریف شده به عنوان منطقه پیش بینی شده روی زمین) و مکان (مرکز ساختمان) تجسم شوند استفاده می شود و ابرداده در تجسم پویا استفاده می شود. برای تعیین اینکه چند قسمت از یک ساختمان (در مدل CLOD) باید از سرور در مرورگر مشتری بارگذاری شود. این باعث کاهش زمان بارگذاری و کاهش ترافیک شبکه می شود که در موقعیت های تلفن همراه مهم است. علاوه بر این، ابرداده به مدل های LOD3ES و CLOD اشاره می کند.

برگ های BuildingTree در زیر تعریف شده اند. مقادیر مشخصه در متن معمولی ذخیره می‌شوند و نشانگرهای دیگر برگ‌ها به سبک رومی، به عنوان مثال، lod3es و clod ارجاعاتی به LOD3ES و CLOD هستند.

BuildingTree root = {id, lod3es , clod , Metadata }
lod3es = {building_id، مجموعه چند ضلعی از پوسته بیرونی ساختمان}
clod = {building_id، CSG1، CSG2…CSGn}
فراداده = {location, area, height, type, lod3es_info , clod_info }
lod3es_info = {اندازه، تعداد_چندضلعی ها}
clod_info = {number_of_CSGs}
CSGi = {مساحت، ارتفاع، نوع، مقیاس، مرکز، چرخش}

ابرداده حاوی ریشه BuildingTree در واقع یک شاخص است که می تواند برای تعیین تعداد جزئیات در تصویرسازی بارگذاری شود. CSG به عنوان یک ساختار درختی در CLOD ذخیره می شود. در اجرای ما، یک ساختمان معمولا کمتر از 5 قطعه CSG دارد که بر اساس حجم (مساحت*ارتفاع) مرتب می شوند. اندازه ریشه BuildingTree در مقایسه با مدل‌ها کوچک است، بنابراین، می‌توانیم همه ریشه‌ها را در یک منطقه نزدیک بارگذاری کنیم، بر اساس اینکه کدام یک از داده‌های سه بعدی LOD3ES یا CLOD می‌تواند به صورت پویا بارگذاری شود.

3.3.3. ذخیره سازی BuildingTree در MongoDB

داده های نمایش چندگانه در سه مجموعه در پایگاه داده NoSQL (مشابه جداول در پایگاه داده رابطه ای) ذخیره می شوند:

BuildingTree: مجموعه BuildingTree حاوی اطلاعاتی در مورد داده های نمایش چندگانه است.

CLOD(CSG): این مجموعه داده های ویژگی CSG قطعات ساختمان مانند نوع، مرکز، جهت و غیره را ذخیره می کند.

LOD3ES: این مجموعه نمایش پوسته بیرونی سه بعدی یک ساختمان یا یک گروه ساختمانی تعمیم یافته را ذخیره می کند.

دلیل تفکیک دو مجموعه اخیر در این تحقیق عملکرد است. پرس و جو از داده ها عمدتاً در مجموعه Geo که از یک نمایه جغرافیایی دوبعدی پشتیبانی می کند، پیاده سازی می شود. لازم به ذکر است که پایگاه داده NoSQL از عملیات مشترک بین مجموعه ها پشتیبانی نمی کند. بنابراین ضروری است که جدول CLOD (CSG) حاوی تمام اطلاعات مربوطه مورد استفاده در جستجوی داده باشد. به عبارت دیگر، اطلاعات معنایی ساختمان در جدول Geo ذخیره می شود. داده های هندسه سه بعدی در جدول سه بعدی (ساختاری که برای ذخیره داده های هندسه سه بعدی استفاده می شود) و ساختار تجسم دینامیکی آن در BuildingTree ذخیره می شود.

پرس و جو در اطلاعات سه بعدی با روش کاهش نقشه پیاده سازی می شود. از آنجایی که روش کاهش نقشه به طور کامل از محاسبات موازی استفاده می کند، برای حجم زیاد داده های سه بعدی مناسب است.

3.4. چارچوب های تجسم برای BuildingTree

برای برنامه های کاربردی، محاسبات برای تجسم سنگین است زیرا صحنه شهر به سرعت تغییر می کند. برای پشتیبانی از این، یک BuildingTree از پیش بارگذاری شده ضروری است، در حالی که برای کاربران زمینی مانند ناوبری جاده، ساختار پیشنهادی BuildingTree را می توان به صورت آنلاین بارگذاری کرد که ممکن است مقدار زیادی از ذخیره سازی را در دستگاه های محلی ذخیره کند. چالش اصلی در چارچوب تجسم، ارائه دید مناسب از ساختمان ها (بدون تغییرات ناگهانی در نمایش های هندسی) با حداقل انتقال داده به کاربر است.

شکل 8یک نمودار توالی زبان مدلسازی یکپارچه (UML) برای نشان دادن تعامل بین مشتری کاربر و سرور مدل سه بعدی است. کادر خالی نشان دهنده تاخیر یا زمان پردازش در سمت مشتری است. قانون تجسم باید با توجه به الزامات برنامه خاص تعریف شود. قوانین اساسی ارائه شده در این مقاله از جنبه تجسم خلاصه می شود که در آن شباهت بصری توجه اصلی است. در این چارچوب، مشتری ابتدا یک مدل شهر سه بعدی را درخواست می کند، سپس یک BuildingTree بدون داده های هندسه سه بعدی مربوط به منطقه شهر انتخاب شده ارائه می شود. بر اساس این BuildingTree، مشتری می تواند محاسبه کند که کدام ساختمان ها برای تجسم ضروری هستند. در این چارچوب، کاربران انعطاف بیشتری برای تنظیم استراتژی تجسم سه بعدی دارند. به عبارت دیگر، رندر سه بعدی بیشتر توسط سمت کاربر تعیین می شود تا سمت سرور. BuildingTree به کاربر این امکان را می‌دهد تا با توجه به پهنای باند، اندازه حافظه یا وضعیت فعلی CPU تصمیم بگیرد که کدام ساختمان‌ها و کدام سطوح باید از سرور تغییر شکل دهند.

در زیر قوانین اساسی برای کاربر برای انتخاب مدل های سه بعدی که باید منتقل شوند، آمده است.

نمونه های اولیه سطح 1 و سطح 2 که باید نمایش داده شوند تنها با فاصله آستانه از موقعیت کاربر تعیین می شوند.
برای نمونه های اولیه سطح 3 (و 4)، فقط ویژگی هایی که به طور بالقوه از موقعیت کاربر دیده می شوند نشان داده می شوند. این ویژگی ها بر اساس اهمیت مرتب شده اند (همانطور که با اندازه ویژگی ها تعریف می شود) و مهمترین ویژگی ابتدا منتقل می شود.

4. مطالعه موردی

4.1. پیاده سازی

برای ارزیابی کارایی BuildingTree پیشنهادی، یک چارچوب آنلاین پیاده سازی می کنیم ( شکل 9 ). پیاده سازی بر اساس استانداردها و ابزارهای باز است. بازخورد کاربر عمدتاً عملکرد یا تعامل بین کاربر و مدل‌های سه بعدی مانند بزرگنمایی/کوچ کردن، حرکت، چرخش و غیره است.

جزئیات اجرا. روال های تعمیم در جاوا با استفاده از کتابخانه هندسه JTS [ 60 ] و citygml4j [ 61 ] توسعه یافته اند. محیط توسعه Eclipse 3.4.1 است. سرور یک رایانه شخصی با پردازنده Core2 Duo اینتر 2.4 گیگاهرتز، رم 3.25 گیگابایتی با فرکانس 2.39 گیگاهرتز و Microsoft Window XP SP3 است. مشتری یک تلفن هوشمند MX2 از شرکت Meizu با سیستم عامل اندروید 4.1، پردازنده مرکزی سامسونگ 1.4 گیگاهرتز و 2 گیگابایت حافظه است. مدل های سه بعدی با X3DOM از طریق مرورگر فایرفاکس 21.0 برای اندروید تجسم می شوند.

وب سرور Nodejs است، یک وب سرور جاوا اسکریپت با استفاده از I/O ناهمزمان رویداد محور و برای به حداقل رساندن سربار و به حداکثر رساندن مقیاس پذیری.

Nodejs از Websocket و سایر ویژگی های HTML5 از طریق ماژول های افزونه پشتیبانی می کند. همچنین می تواند پرس و جوهای MongoDB و عملیات MapReduce را در ماژول های موجود ادغام کند. این ماژول ها در Nodejs را می توان به راحتی توسط توابع Nodejs Package Management (npm) نصب کرد که توسعه را بسیار سریعتر و آسان تر می کند.

4.2. داده های تست

ما از مجموعه داده ای در LOD3 از یک مدل شهر سه بعدی اتنهایم در آلمان از CityGML.org استفاده می کنیم ( شکل 10 ). این مجموعه داده در CityGML 1.0 است که می تواند با رابط های برنامه نویسی کاربردی (API) مانند citygml4j به CityGML 2.0 تبدیل شود. در این مقاله مستقیماً فایل CityGML را می خوانیم و اطلاعات معنایی و هندسی آن را با کتابخانه Python XML lxml استخراج می کنیم.

4.3. تولید BuildingTree و نتیجه تجسم

هدف این بخش ارائه جزئیات تمام سطوح در نسل BuildingTree است. نتیجه تجسم، یعنی ویژگی های بصری ساختمان ها در هر سطح، مورد توجه ویژه است. یکی دیگر از جنبه های مهم ذخیره سازی داده ها در تمام سطوح است.

4.3.1. LOD3 به LOD3ES

از LOD3 تا LOD3ES، همه چند ضلعی های خارجی حفظ می شوند، بنابراین مدل تعمیم یافته شبیه مدل اصلی به نظر می رسد. شکل 11 مدل های شهر سه بعدی تعمیم یافته را نشان می دهد که شامل 192 ساختمان است. اندازه مدل در X3D 1.6 مگابایت (34856 امتیاز و 7583 چند ضلعی) است در حالی که مدل اصلی 15.1 مگابایت (327198 امتیاز و 73840 چند ضلعی) است. شکل 12 مدل LOD3 و LOD3ES را در تجسم شفافیت مقایسه می کند و به وضوح نشان می دهد که در همان سطح شفافیت (0.5 در این مقاله)، مدل LOD3 حاوی چند ضلعی های بسیار بیشتری نسبت به LOD3ES است.

4.3.2. LOD3ES به LOD2

برای تعمیم ساختمان‌های سه‌بعدی، ساختمان‌های ارائه‌شده نمونه اولیه (نمایندگی CSG یا LOD2) را از مدل‌های LOD3ES تولید می‌کنیم. مدل های CSG تولید شده در این بخش مورد بحث قرار می گیرند. در شکل 13 ، تمام ساختمان ها به یک نمایش CSG در LOD2 تبدیل شده اند. باز هم، 180 ساختمان وجود دارد، که مانند شکل 11 است ، اما اندازه نمایش CSG در فایل X3D تنها 77 کیلوبایت است. با توجه به نتایج تجسم، در حالی که ویژگی های بصری حفظ می شوند، حجم داده ها به طور چشمگیری کاهش می یابد. از آنجایی که نمونه اولیه می تواند توسط بسیاری از مدل ها در یک صحنه استفاده مجدد شود، نرخ فشرده سازی برای مدل نمادین در این مورد بیش از 97٪ است.

4.3.3. LOD2 به LOD1

از LOD2 تا LOD1، سازه های سقف مدل های سه بعدی شهر حذف می شوند. مدل به صورت بلوک نشان داده می شود. شکل 14 نمایش بلوک مجموعه داده آزمایشی را نشان می دهد. حجم مدل در LOD1 22 کیلوبایت است که کمتر از 30 درصد اندازه LOD2 است.

4.3.4. BuildingTree Visualization

BuildingTree مدل تعمیم یافته را از سطوح مختلف در یک ساختار درختی ترکیب می کند و می تواند شباهت تجسم را حفظ کند و در عین حال جزئیات غیر ضروری ساختمان های دور را کاهش دهد. شکل 15 a نمونه ای از تجسم مبتنی بر BuildingTree را نشان می دهد. می بینیم که ساختمان های نزدیک به دیدگاه کاربر در LOD3ES و ساختمان های ناحیه وسط و پس زمینه به ترتیب در LOD2 و LOD1 هستند. در شکل 15 ب، یک تجسم سطح خیابان ارائه شده است که نشان می دهد BuildingTree پیشنهادی می تواند ویژگی تجسم را در نمای سطح خیابان، که در آن ساختمان در فاصله معمولاً قابل مشاهده نیست، بهتر حفظ کند.

4.4. سنجش عملکرد

برای آزمایش کارایی روش پیشنهادی، BuildingTree را بر روی داده‌های مدل شهر بزرگ ارائه‌شده توسط citygml.org پیاده‌سازی می‌کنیم. این مدل شامل 484 نسخه از مجموعه داده Ettenheim با یک ساختمان LOD4 است. مدل فشرده 3.8 گیگابایت و 44 گیگابایت غیر فشرده است. با استفاده از مدل BuildingTree، این شهر بزرگ را می توان به راحتی با صفحه وب مبتنی بر X3DOM تجسم کرد. با توجه به پیاده سازی ما، مجموعه داده فقط می تواند در LOD1 و مدل BuildingTree بارگذاری شود. بنابراین، ما آزمایش دقیق تری را روی یک مجموعه داده کوچکتر انجام می دهیم.

آزمایش بر روی یک شبکه محلی انجام می شود و پارامترها در جدول 1 فهرست شده اند . مدل اصلی (LOD3) به دلیل حجم داده که منجر به از کار افتادن سیستم شده است، نمی تواند در تلفن هوشمند بارگذاری شود، بنابراین در جدول ذکر نشده است. اندازه BuildingTree فقط شامل مسیر داده ها می شود نه خود داده های مدل های LOD3ES یا LOD3.

از جدول 1، می بینیم که اندازه مدل های سه بعدی با نمایش CSG به طور قابل توجهی کاهش می یابد زیرا BuildingTree فقط حاوی آدرس است نه داده های مدل های LOD3ES یا LOD3. همچنین، زمان بارگذاری بهبود یافته است. با این حال، نمایش کامل CSG (LOD2) سرعت تجسم (فریم در ثانیه) را تا حد زیادی بهبود نمی بخشد زیرا تعداد گره ها افزایش می یابد. همچنین می‌توانیم ببینیم که در مقایسه با مدل‌های اصلی، با معرفی این LODS سطح متوسط، کمتر از 5 درصد داده‌های اضافی را افزایش می‌دهد. برای رندر سه بعدی، نشان داده شده است که نمایش CSG نسبت به LOD3ES (16.7٪) زیاد افزایش نمی یابد. یکی از دلایل این امر این است که فریم در ثانیه (FPS) تنها با تعداد نمونه های اولیه ترسیم شده تعیین می شود، نه اندازه فایل یک مدل. بنابراین، حتی اگر حجم داده ها به طور قابل توجهی کاهش یابد،

ما همچنین پایگاه داده پیشنهادی NoSQL را در رایانه ای با Win7 x64، رم 8G، CPU 2.6 گیگاهرتز و MongoDB v2.2.7 آزمایش می کنیم. در آزمون، یک میلیون رکورد تولید و وارد پایگاه داده می شود و عملکرد پرس و جو ارزیابی می شود. درج یک میلیون رکورد حدود 53 ثانیه طول می کشد. در ضمن، پرس و جو در یک میلیون رکورد بدون ایندکس حدود 1700 میلی‌ثانیه و با نمایه 50 میلی‌ثانیه طول می‌کشد.

5. بحث

در این مقاله، مدل‌های ساختمان سه بعدی را در داده‌های CityGML به یک میان‌افزار خود طراحی و مبتنی بر MongoDB وارد می‌کنیم. پیشرفت مهم ایجاد یک طرح درخت سلسله مراتبی برای ذخیره نمونه های مختلف با جزئیات از هندسه ساختمان ها است. بنابراین، ما الگوریتم‌هایی را برای استخراج انواع مختلف نمایش‌ها از یک ساختمان CityGML در هر دو B-Rep و CSG توسعه دادیم.

یکی از مزایای CSG این است که به راحتی می تواند اطمینان حاصل کند که اجسام “جامد” یا ضد آب هستند اگر همه اشکال اولیه ضد آب باشند. در مقایسه، هنگام ایجاد هندسه بر اساس نمایش‌های مرزی، داده‌های توپولوژیکی اضافی مورد نیاز است یا باید بررسی‌های سازگاری انجام شود تا اطمینان حاصل شود که توصیف مرزی یک جسم جامد معتبر را مشخص می‌کند.

در این مقاله، ساختمان به عنوان شی اصلی شهری برای پرداختن به آن انتخاب شده است. برای سایر اشیاء شهری در مشخصات CityGML، مانند پل ها، تونل ها یا امکانات شهری، الگوریتم پیشنهادی نیز می تواند با تنظیمات خاص اعمال شود. با توجه به ویژگی‌های ساختمان، می‌توان از تقسیم‌بندی بر اساس سطح مقطع استفاده کرد. با این حال، روش های بخش بندی متفاوتی باید برای انواع مختلف اشیاء شهری طراحی شود. در مطالعه بعدی، امکانات جاده و شهر، مانند لامپ‌های خیابان، برای نمایش پیشرونده CSG مورد مطالعه قرار می‌گیرد، زیرا این اشیاء به طور گسترده در سطح شهر توزیع شده‌اند. با این حال، اشیاء شاخص شهری مانند پل ها، برج ها و برخی آسمان خراش ها با توجه به اهمیت بصری آنها در سطح LOD3 حفظ می شوند.

محدودیت اصلی روش تولید CSG ساختمان پیشنهادی این است که عمدتاً بر ساختارهای مستطیلی متمرکز است، اگرچه بخش بزرگی از کل مدل‌های شهر شامل قطعات مستطیلی است. اما برای ساختارهای غیر مستطیلی، الگوریتم نمایش CSG مورد نیاز است و مجموعه نمونه اولیه مدل شهر باید بتواند به طور خودکار، با توجه به مجموعه داده‌های مختلف، گسترش یابد.

6. نتیجه گیری

این مقاله بر تعمیم و تجسم پیشرونده مدل‌های شهر سه‌بعدی (3D) متمرکز است. یک ساختار نمایش چندگانه از چهار سطح، که با عنوان BuildingTree مشخص می‌شود، مشخص شد. این ساختار برای تجسم یک مدل شهر در سطوح مختلف جزئیات، با استفاده از نمایش مرزی برای جزئیات ترین سطوح و نمونه های اولیه (مدل های هندسه جامد سازنده (CSG)) برای سطوح با جزئیات کمتر طراحی شده است. ما همچنین چارچوبی را برای استخراج BuildingTree از مدل شهر برای دقیق ترین سطح با استفاده از تشخیص مقطع ساختمان، تقسیم بندی و روش تولید نمونه اولیه ایجاد کردیم. این روش بر اساس استانداردهای باز (CityGML، X3D، و غیره) و ابزار پیاده سازی شد. نتایج تجربی نشان می‌دهد که چارچوب پیشنهادی می‌تواند بر روی مرورگرهای وب اصلی مبتنی بر تجسم مدل شهر سه بعدی آنلاین بدون افزونه پیاده‌سازی شود. علاوه بر این، نتایج تجربی میزان فشرده‌سازی داده‌های BuildingTree و همچنین تجسم تبدیل پیشرونده داده را تأیید می‌کنند. دلیل دومی، حجم نسبتاً کم داده به دلیل استفاده از نمونه های اولیه پارامتری برای نمایش ساختمان ها بود. همچنین، مشاهده شد که بهبود فریم در ثانیه (FPS) فعلی به اندازه کسر حجم داده ها نیست. بنابراین، برای مدل‌های شهری انتقال داده پیشرونده، یک موتور رندر سه بعدی که از نمونه‌های اولیه اولیه پشتیبانی می‌کند برای کارایی تجسم ضروری است. در مطالعات آتی،

منابع

Goetz, M. به سمت تولید مدل‌های بسیار دقیق 3D CityGML از OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 845-865. [ Google Scholar ] [ CrossRef ]
بیلجکی، اف. استوتر، جی. لدوکس، اچ. کولتکین، ا. زلاتانوا، اس. کاربردهای مدل‌های شهر سه بعدی: بررسی وضعیت هنر. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2842-2889. [ Google Scholar ] [ CrossRef ]
ایکر، یو. استرزالکا، ا. شولت، سی. Coors, V. ادغام در مقیاس بزرگ فتوولتائیک در شهرها. Appl. انرژی 2012 ، 93 ، 413-421. [ Google Scholar ]
چروینسکی، آ. سندمن، اس. استوکر مایر، ای. Plümer, L. SDI پایدار برای نقشه‌برداری نویز اتحادیه اروپا در NRW – بهترین عمل برای INSPIRE. بین المللی جی. اسپات. زیرساخت داده Res. 2007 ، 2 ، 90-111. [ Google Scholar ]
Lu, L. تجزیه و تحلیل کامل صدای ترافیک سه بعدی بر اساس CityGML. لکت. یادداشت ها Geoinf. کارتوگر. 2016 ، در دست چاپ. [ Google Scholar ]
غسون، ی. لونر، ام. وبر، اس. بررسی مزایای مدل‌های سه بعدی شهر در زمینه مدل‌سازی توزیع ذرات شهری – مقایسه نتایج مدل. در علوم زمین اطلاعات سه بعدی ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; ص 193-205. [ Google Scholar ]
غسون، ی. روتسب، م. لونر، ام. وبر، S. تنوع درون شهری ذرات بسیار ریز که با استفاده از زمین مرتبط با فرآیند و مدل‌سازی رگرسیون مبتنی بر آلاینده ارزیابی شد. علمی کل محیط. 2015 ، 536 ، 150-160. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چن، ال سی; وو، CH; شن، تی اس; Chou, CC کاربرد مدل‌های شبکه هندسی و مدل‌های اطلاعات ساختمان در محیط‌های مکانی برای شبیه‌سازی‌های اطفاء حریق. محاسبه کنید. محیط زیست سیستم شهری 2014 ، 45 ، 1-12. [ Google Scholar ] [ CrossRef ]
کلبه، تی. گروگر، جی. به سمت مدل‌های شهر سه بعدی یکپارچه. در مجموعه مقالات چالش های کارگاه مشترک ISPRS در تجزیه و تحلیل جغرافیایی، اشتوتگارت، آلمان، 8-9 سپتامبر 2003. صص 8-16.
تگتمایر، دبلیو. زلاتانوا، اس. ون اوستروم، پی. مدیریت اطلاعات در توسعه زیرساختی مهندسی عمران: با تمرکز بر اطلاعات ژئوتکنیکی زمین شناسی. در مجموعه مقالات کارگاه ISPRS جلد. XXXVIII-3-4/C3 Comm. III/4، IV/8 و IV/5: Academic Track of GeoWeb 2009 Conference: Cityscapes, Vancouver, BC, Canada, 2009; صص 68-73.
ژانگ، ی. Zhu, Q. GeoScope: مطالعه موردی سیستم اطلاعات جغرافیایی سه بعدی کامل. ژئو اسپات. Inf. علمی 2011 ، 14 ، 150-156. [ Google Scholar ] [ CrossRef ]
گروگر، جی. کلبه، تی. ناگل، سی. هافله، K.-H. استاندارد رمزگذاری زبان جغرافیایی شهر OGC (CityGML) . OGC Doc No. 12-019; کنسرسیوم فضایی باز: بن، آلمان، 2012. [ Google Scholar ]
لونر، ام. بنر، جی. گروگر، جی. هافله، ک. مفاهیم جدید برای ساختار دهی مدل های سه بعدی شهر – سطح گسترده ای از مفهوم جزئیات برای ساختمان های CityGML. در مجموعه مقالات کنفرانس بین المللی علوم محاسباتی و کاربردهای آن (ICCSA 2013)، شهر هوشی مین، ویتنام، 24 ژوئن 2013.
فولی، جی دی. ون دام، ا. Feiner, SK; Hughes, JF Computer Graphics: Principles and Practice , 2nd ed.; Addison-Wesley: بوستون، MA، ایالات متحده آمریکا، 1996. [ Google Scholar ]
عبدالرحمن، ع. Pilouk, M. مدل‌سازی داده‌های مکانی برای نمایش داده‌های فضایی سه‌بعدی، دو بعدی و سه‌بعدی . Springer: برلین، آلمان، 2007. [ Google Scholar ]
برنر، سی. مدلسازی اشیاء سه بعدی با استفاده از CSG اولیه ضعیف. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. 2004 ، 35 ، 1085-1090. [ Google Scholar ]
Thiemann, F. تعمیم داده های ساختمان های سه بعدی. در ISPRS-تئوری، پردازش و کاربردهای جغرافیایی مکانی ؛ ISPRS: اتاوا، ON، کانادا، 2002. جلد 34، ص 286–290. [ Google Scholar ]
بورمان، ا. کلبه، تی. دوناوبائر، آ. استیور، اچ. Jubierre, JR; Flurl، M. مدل‌سازی هندسی معنایی چند مقیاسی تونل‌های محافظ برای کاربردهای GIS و BIM. محاسبه کنید. کمک به زیرساخت های عمرانی مهندس 2014 ، 30 ، 263-281. [ Google Scholar ] [ CrossRef ]
جونز، آر. ادغام داده های دیجیتالی منطقه ای: تجسم سه بعدی مدل های زمین شناسی چند مقیاسی. محاسبه کنید. Geosci. 2009 ، 35 ، 4-18. [ Google Scholar ] [ CrossRef ]
بنر، جی. گایگر، ا. گروگر، جی. Löwner, M. مفاهیم LoD پیشرفته برای مدل های شهری سه بعدی مجازی. در ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences ، مجموعه مقالات هشتمین کنفرانس اطلاعات جغرافیایی سه بعدی ISPRS و کارگاه WG II/2، استانبول، ترکیه، 27-29 نوامبر 2013. صص 51-61.
مائو، بی. بان، ی. هری، L. یک ساختار داده چندگانه برای تجسم پویا مدل های شهر سه بعدی تعمیم یافته. ISPRS J. Photogramm. Remote Sens. 2011 ، 66 ، 198-208. [ Google Scholar ] [ CrossRef ]
Van Oosterom، P. ساختارهای داده توپولوژیکی در مقیاس متغیر مناسب برای انتقال پیشرونده داده: درخت GAP-face و جنگل لبه GAP. کارتوگر. Geogr. Inf. علمی 2005 ، 32 ، 331-346. [ Google Scholar ] [ CrossRef ]
Coors, V. 3D-GIS در محیط های شبکه. محاسبه کنید. محیط زیست سیستم شهری 2003 ، 27 ، 345-357. [ Google Scholar ] [ CrossRef ]
دولنر، جی. بوخهولز، اچ. مدلسازی مستمر سطح از جزئیات ساختمانها در مدلهای سه بعدی شهر. در مجموعه مقالات سیزدهمین کارگاه بین المللی سالانه ACM در مورد سیستم های اطلاعات جغرافیایی، برمن، آلمان، 31 اکتبر تا 5 نوامبر 2005. جلد 5، ص 173-181.
ژانگ، ال. یانگب، سی. Tongc، X. Ruid, X. تجسم داده های فضایی بزرگ در محیط های شبکه. محاسبه کنید. Geosci. 2007 ، 33 ، 1130-1139. [ Google Scholar ] [ CrossRef ]
سستر، ام. برنر، سی. واژگانی برای توصیف فرآیند چند مقیاسی برای انتقال سریع و تجسم مداوم داده‌های مکانی. محاسبه کنید. Geosci. 2009 ، 35 ، 2177-2184. [ Google Scholar ] [ CrossRef ]
van Kreveld، M. تعمیم صاف برای بزرگنمایی مداوم. در مجموعه مقالات بیستمین کنفرانس بین المللی کارتوگرافی، پکن، چین، 6 تا 10 اوت 2001. صص 2178–2185.
منگ، ال. فوربرگ، A. تعمیم ساختمان سه بعدی. در تعمیم اطلاعات جغرافیایی: مدلسازی نقشه برداری و کاربردها ; Mackaness, W., Ruas, A., Sarjakoski, LT, Eds. الزویر: آمستردام، هلند، 2007; ص 211-232. [ Google Scholar ]
تیمن، اف. Sester, M. تقسیم بندی ساختمان ها برای تعمیم سه بعدی. در مجموعه مقالات کارگاه ICA در مورد تعمیم و بازنمایی چندگانه، لستر، بریتانیا، 20-21 اوت 2004.
تیمن، اف. Sester, M. نمادسازی سه بعدی با استفاده از الگوهای تطبیقی. در مجموعه مقالات سمپوزیوم دوم کمیسیون فنی ISPRS، وین، اتریش، 12 تا 16 ژوئیه 2006.
Mayer, H. Scale-spaces for generalization of 3D buildings. بین المللی جی. جئوگر. Inf. علمی 2005 ، 19 ، 975-997. [ Google Scholar ] [ CrossRef ]
فوربرگ، الف. تعمیم داده های ساختمان سه بعدی بر اساس رویکرد مقیاس-فضا. ISPRS J. Photogramm. Remote Sens. 2007 ، 62 ، 104-111. [ Google Scholar ] [ CrossRef ]
Kada، M. تعمیم ساختمان سه بعدی بر اساس مدلسازی نیمه فضا. در مجموعه مقالات کارگاه ISPRS در مورد بازنمایی چندگانه و قابلیت همکاری داده های فضایی، هانوفر، آلمان، 22-24 فوریه 2006.
کادا، ام. تعمیم مدل های ساختمان سه بعدی با تجزیه سلولی و نمونه سازی اولیه. در مجموعه مقالات کارگاه مشترک ISPRS در مورد تجسم و اکتشاف داده های جغرافیایی، اشتوتگارت، آلمان، 29-30 ژوئن 2007.
لو، ی. بهار، ای. دانلی، اس. Lien, JM; کاملی، اف. Wong, D. نسل سریع و قوی مدل‌های شهری سه بعدی بدون درز در مقیاس شهر. محاسبه کنید. به دس کمک کرد. 2011 ، 43 ، 1380–1390. [ Google Scholar ] [ CrossRef ]
فن، اچ. منگ، ال. رویکرد سه مرحله ای ساده سازی ساختمان های سه بعدی. بین المللی J. Geoinf. علمی 2012 ، 26 ، 1091-1107. [ Google Scholar ] [ CrossRef ]
بایگ، SU; عبدالرحمن، ع. تعمیم ساختمان ها در چارچوب CityGML. ژئو اسپات. Inf. علمی 2013 ، 16 ، 247-255. [ Google Scholar ] [ CrossRef ]
گلندر، تی. Dollner, J. پیشرفت در سیستم های اطلاعات جغرافیایی سه بعدی. در یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری ; van Oosterom، P.، Zlatanova، S.، Penninga، F.، Fendel، EM، Eds. Springer: برلین، آلمان، 2008; صص 381-400. [ Google Scholar ]
مائو، بی. هری، ال. Ban، Y. تشخیص و نمونه‌سازی ساختارهای خطی برای تجسم دینامیکی مدل‌های شهر سه بعدی. محاسبه کنید. محیط زیست سیستم شهری 2012 ، 36 ، 233-244. [ Google Scholar ] [ CrossRef ]
گورکه، آر. گوتزلمن، تی. برنر، سی. Sester, M. تجمیع مدل های ساختمان LoD1 به عنوان یک مسئله بهینه سازی. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 209-222. [ Google Scholar ] [ CrossRef ]
BuildingSMART. در دسترس آنلاین: http://www.buildingsmart-tech.org/ (در 25 سپتامبر 2015 قابل دسترسی است).
ایسیکداغ، یو. Zlatanova، S. به سمت تعریف چارچوبی برای تولید خودکار ساختمان ها در CityGML با استفاده از مدل های اطلاعات ساختمان. در علوم ژئو اطلاعات سه بعدی ; Lee, J., Zlatanova, S., Eds. Springer: برلین، آلمان، 2009; صص 79-97. [ Google Scholar ]
المکاوی، م. اوستمن، ا. حجازی، اول. یک مدل ساختمان واحد برای GIS شهری سه بعدی. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 120-145. [ Google Scholar ] [ CrossRef ]
استوتر، جی. ژانگ، ایکس. استیگمار، اچ. Harrie, L. ارزیابی و قابلیت استفاده از خروجی های تعمیم نقشه. در چکیده اطلاعات جغرافیایی در جهان غنی از داده ; Springer: برلین، سوئیس، 2014; صص 259-297. [ Google Scholar ]
استدلر، آ. ناگل، سی. کونیگ، جی. Kolbe، T. ایجاد قابلیت همکاری پایدار: یک پایگاه داده جغرافیایی سه بعدی مبتنی بر CityGML. در سومین کارگاه بین المللی اطلاعات جغرافیایی سه بعدی ؛ Lee, J., Zlatanova, S., Eds. Springer: Seoul, Korea, 2008; صص 175-192. [ Google Scholar ]
برونیگ، ام. شیلبرگ، بی. تامسن، آ. کوپر، پی. جان، م. Butwilowski، E. DB4GeO، یک پایگاه جغرافیایی 3D/4D و کاربرد آن برای تجزیه و تحلیل زمین لغزش ها. در یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری ; Springer: برلین/هایدلبرگ، آلمان، 2010; صص 83-101. [ Google Scholar ]
اشتراوس، پی. Carey, R. یک جعبه ابزار گرافیکی سه بعدی شی گرا. محاسبه کنید. نمودار. 1992 ، 26 ، 341-349. [ Google Scholar ] [ CrossRef ]
لانگ، ن. فلمینگ، ک. براکنی، ال. پایگاه داده شی گرا برای مدیریت اجزای مدل سازی ساختمان و ابرداده ها. در مجموعه مقالات شبیه سازی ساختمان 2011، سیدنی، استرالیا، 14-16 نوامبر 2011. ص 14-16.
Kunde، F. CityGML در PostGIS: قابلیت حمل، استفاده و تجزیه و تحلیل عملکرد با استفاده از مثالی از پایگاه داده شهر سه بعدی برلین. پایان نامه کارشناسی ارشد، گروه جغرافیا، دانشگاه پوتسدام، پوتسدام، آلمان، 2013. [ Google Scholar ]
کوچ، اس. لونر، M.-O. نمایش مدل های نمونه CityGML در BaseX. لکت. یادداشت ها Geoinf. کارتوگر. 2016 ، در دست چاپ. [ Google Scholar ]
لوان، اچ. فن، ی. ژو، ام. وانگ، ایکس. به سوی مدیریت موثر مدل سه بعدی در هادوپ. لکت. Notes Electr. مهندس 2014 ، 279 ، 131-139. [ Google Scholar ]
سوگوماران، ر. برنت، جی. آرمسترانگ، ام. استفاده از یک محیط محاسبات ابری برای پردازش مجموعه داده های فضایی سه بعدی بزرگ. در Big Data: Techniques and Technologies in Geoinformatics ; CRC Press: Boca Raton، FL، USA، 2014; صص 53-65. [ Google Scholar ]
دوبوس، جی. Steed, A. 3D Revision Control Framework. در مجموعه مقالات هفدهمین کنفرانس بین المللی فناوری وب سه بعدی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 4 تا 5 اوت 2012.
هان، دی. Stroulia، E. یک مدل داده سه بعدی در hbase برای تجزیه و تحلیل مجموعه داده های سری زمانی بزرگ. در مجموعه مقالات ششمین کارگاه بین المللی IEEE در مورد نگهداری و تکامل سیستم های سرویس گرا و مبتنی بر ابر، ترنتو، ایتالیا، 24 سپتامبر 2012. صص 47-56.
بهر، ج. اشلر، پی. یونگ، ی. Zöllner, M. X3DOM: یک مدل ادغام HTML5/X3D مبتنی بر DOM. در مجموعه مقالات چهاردهمین کنفرانس بین المللی فناوری وب سه بعدی، دارمشتات، آلمان، 16 تا 17 ژوئن 2009.
یونگ، ی. بهر، ج. گراف، H. X3DOM به عنوان حامل میراث مجازی. در مجموعه مقالات چهارمین کارگاه بین المللی ISPRS 3D-ARCH، ترنتو، ایتالیا، 2 تا 4 مارس 2011.
مائو، بی. Ban, Y. تجسم آنلاین یک مدل شهر سه بعدی با استفاده از CityGML و X3DOM. Cartographica 2011 ، 46 ، 109-114. [ Google Scholar ] [ CrossRef ]
فن، اچ. منگ، ال. Jahnke، M. تعمیم ساختمان های سه بعدی مدل سازی شده توسط CityGML. در پیشرفت در علم GIS. نکات سخنرانی در اطلاعات جغرافیایی و کارتوگرافی ; Springer: برلین/هایدلبرگ، آلمان، 2009; صص 387-405. [ Google Scholar ]
Toussaint, GT حل مسائل هندسی با کولیس های دوار. در مجموعه مقالات کنفرانس الکتروتکنیکی مدیترانه 1983، آتن، یونان، 24-26 مه 1983.
JTS. در دسترس آنلاین: http://www.vividsolutions.com/jts/jtshome.htm (در 25 سپتامبر 2015 قابل دسترسی است).
Citygml4j. در دسترس آنلاین: https://github.com/citygml4j/citygml4j (در 25 سپتامبر 2015 قابل دسترسی است).

شکل 1. نمونه هایی از ویژگی های هندسی ابتدایی که در مدل سازی هندسه جامد سازنده (CSG) استفاده می شود.

شکل 2. BuildingTree structure.

شکل 3. سطوح در درخت سلسله مراتبی کل CLOD.

شکل 4. گردش کار تولید CLOD.

شکل 5. ( الف ) ساختمان اصلی ذخیره شده به عنوان یک مدل پوسته بیرونی. ب ) مقاطع عرضی؛ و ( ج ) نمایش CSG با استفاده از یک جعبه و یک منشور مثلثی.

شکل 6. نمونه ای از تشخیص MCR. ( الف ) نقشه زمین؛ ( ب ) MCR اصلی. ( ج ) همه MCR های شناسایی شده.

شکل 7. چارچوب مدیریت مدل شهر سه بعدی.

شکل 8. تعامل بین مشتری و سرور تجسم BuildingTree.

شکل 9. پیاده سازی سیستم.

شکل 10. مدل اصلی LOD3 (LOD3).

شکل 11. نمایش پوسته خارجی یک مدل شهر سه بعدی (LOD3ES).

شکل 12. مقایسه شفافیت مدل های LOD3 و LOD3ES. ( الف ) LOD3 در تجسم شفافیت؛ ( ب ) LOD3ES در تجسم شفافیت.

شکل 13. نمایش CSG مدل های سه بعدی شهر (LOD2).

شکل 14. نمایش بلوک مدل های سه بعدی شهر (LOD1).

شکل 15. تجسم پیشرونده BuildingTree. ( الف ) نمای پرواز؛ ( ب ) نمای سطح خیابان.

جدول 1. نتایج آزمایش مدل های شهر سه بعدی تعمیم یافته.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

درخواست مشاوره

09120049370

8 صبح تا 12 شب