بخشی از مقاله
چکیده :
امروزه در اختیار داشتن اطلاعات بههنگام از ساختمانها و فضاهای شهری، در مدیریت بحران و سایر کاربردها دارای اهمیت است. نوع سقف ساختمانها از جمله پارامترهای مهمی است که در ارزیابی آسیبپذیری در ساختارهای شهری میتواند مورد استفاده قرار گیرد. هدف از این تحقیق، ارائه یک روش اتوماتیک به منظور تشخیص نوع سقف ساختمانها در مناطق شهری با استفاده از داده لایدار است. در روش پیشنهادی، موقعیت ساختمان کاندید از نقشه بدست آمده و سپس نقاط متناظر آن ساختمان، از ابر نقاط لایدار استخراج میشود. در ادامه، با محاسبه نرمال بر سطح و بکارگیری خوشهبندی به روش K-Means، بهترین تعداد خوشه که قادر است صفحات سقف را به خوبی مجزا کند، تعیین می شود.
در نهایت بر اساس تعداد خوشههای سقف، ساختمانها کلاسه بندی میشود. به منظور ارزیابی روش پیشنهادی، از تصویر اپتیک منطقه ای به وسعت 125 در 125 متر مربع در ناحیه شهری زیبرگ بلژیک که به عنوان منطقه تست در نظر گرفته شده، استفاده شده است و نوع سقف ساختمانها بصورت چشمی تفسیر میشود. نتیجه حاصل از ارزیابی کیفی خروجیهای الگوریتم نشان میدهد که الگوریتم پیشنهادی از 14 ساختمان موجود در داده تست، سقف 13 ساختمان را به درستی مشخص کرده است.
واژههای کلیدی : ابر نقطه لایدار، پیچیدگی سقف ساختمان، خوشه بندی، بردار نرمال بر سطح.
-1 مقدمه
با توجه به رشد جمعیت و توسعه فضاهای شهری، مدیریت جامع شهری بدون در اختیار داشتن اطلاعات بههنگام و با دقت قابل قبول از ساختارهای شهری و به خصوص ساختمان ها امکان پذیر نخواهد بود. اطلاعات بهروز از ساختمانها در زمینههای دیگری نیز کاربرد دارد که از جمله آن میتوان به مدیریت بحران، برنامهریزی شهری، مدیریت بیمه و تخمین خسارت ناشی از بلایای طبیعی اشاره کرد. اطلاعات ساختمانی در قالب پایگاه های داده شامل نقشههای ثبتی، پرونده های مالیاتی، فایلهای بیمه، فایلهای املاک مسکن و غیره ارائه میشوندمعمولاً. این پایگاههای داده با چالش هایی مانند ناقص بودن آنها برای بعضی مشخصههای ساختمانی، در دسترس نبودن برای تمام مناطق، عدم وجود فرمت رقومی در بیشتر موارد و مشکلات به روزرسانی مواجه هستند 1]و.[2
گردآوری و به روز رسانی پایگاه داده های ساختمانی با استفاده از مشاهدات زمینی و میدانی، پرهزینه و زمان بر است. به همین دلیل، استفاده از تصاویر و دادههای سنجش از دور در تسریع و اتوماسیون این روند مؤثر خواهد بود. پایگاه داده مربوط به ساختمانها شامل اطلاعاتی از قبیل مکان - طول و عرض جغرافیایی - ، فوتپرینت1، نوع سقف - شیروانی، مسطح و غیره - ، ارتفاع و تعداد طبقات و سن بنا میباشد. این اطلاعات را می توان بصورت مستقیم از داده سنجش از دور مانند تصاویر اپتیکی با رزولوشن خیلی بالا، داده لایدار و رادار با موفقیت بهدست آورد 1]و.[2اطلاعات فهرست ساختمانی بهتر است به صورت اتوماتیک برای ساختمان ها بدست آید.
یکی از این اطلاعات، نوع سقف ساختمان است که در ارزیابی میزان آسیبپذیری در ساختارهای شهری بررسی میشود. دو پارامتر مهم در آسیبپذیری یعنی پیوستگی و صلبیت سقف با تعیین نوع سقف، قابل محاسبه است 1]و .[2 هدف از این تحقیق، ارائه یک روش کم هزینه و سریع برای تشخیص نوع سقف ساختمانها با استفاده از ابر نقاط لایدار است. در این راستا، این مقاله در پنج بخش ارائه شده که در ادامه، پس از مروری بر تحقیقات انجام گرفته، روش پیشنهادی به تفصیل شرح داده شده است. سپس، نتایج بدست آمده از پیادهسازی الگوریتم بر روی منطقه تست ارائه شده و در بخش آخر نیز، نتیجهگیریهای بهدست آمده از این تحقیق ارائه شده است.
-2 مروری بر تحقیقات انجام شده
اگرچه در بیشتر تحقیقات انجام شده در زمینه استخراج اتوماتیک اطلاعات ساختمانها، اولویت با استخراج فوتپرینت و ارتفاع ساختمان ها و ساختارهای شهری بوده است، اما روش هایی نیز جهت استخراج سقف ساختمان ها ارائه شده است. در ادامه به بررسی روشهای استخراج سقف ساختمانها میپردازیم.Haala و همکاران - 1999 - با استفاده از تلفیق تصویر چندطیفی و تصویر لایدار 2DSM در کلاسهبندی، ساختمانها را استخراج کرده، سپس از دیتای لایدار و اطلاعات دوبعدی ساختمان ها برای بازسازی سه بعدی ساختمان ها استفاده کردهاند. البته با این فرض که مرز ساختمان ها صحیح است و به خوبی، حدود سقف ها را مشخص می کند. هر سقف با یک یا چند المان ساده نمایش داده می شود.
منظور از این المان های ساده، مکعبهایی با سقف هستند که این سقفها میتواند مسطح، مسطح شیبدار3، شیبدار4 و شیروانی5 باشند. در اولین قدم این الگوریتم، ساختمانها به مکعبهای مستطیلی تجزیه می شود. پارامترهای مجهول مکعب یعنی ارتفاع مکعب، نوع سقف و شیب صفحات سقف است که توسط سرشکنی به روش کمترین مربعات تخمین زده میشود که فاصله بین سطح DSM و مکعب مربوطه را کمینه می کند. صفحات سقفی تعیین می شود و نقاط و لبه ها با استفاده از تقاطع صفحات بهدست میآید .[3] - 2000 - Ameri روش قبل را بهبود داده و از آن برای تشخیص اتوماتیک سقفها استفاده کرده است.
با استفاده از روش کم ترین مربعات، مناطق سقف و مناطق مسطح تشخیص داده شده و با پلیگونهای سه بعدی سقف ترکیب می شود. این روش مبنایی برای تشخیص ساختمان ها با سقوف پیچیده است و از روش 1FBMV برای اصلاح و بهبود ساختمان های بازسازی شده، استفاده می کند. در حقیقت این روش یک نوع از روش های مدل مبنای تحلیل تصاویر است که به دانش اولیه از شکل ساختمان نیاز دارد .[4]در مطالعه بعدی، روش های مدل سازی بالا به پایین برای مدل سازی سه بعدی ساختمان ها استفاده شده است. روشی که معمولاً بکار می رود محاسبه تانسور اینرشیا به عنوان محور اصلی ساختمان است.
Muller و همکاران - 2005 - با استفاده از تانسور اینرشیا و ماکزیمم قطر عوارض، روشی برای استخراج ساختمانهای محدب ارائه دادهاند. در این تحقیق با مدلسازی سقف، نوع آن تشخیص داده میشود .[5]Krau و همکاران برای استخراج ساختمان ها تصویر DSM را با عوارض مرتفع، که پوشش گیاهی نیستند و نتیجه کلاسه بندی هستند، ماسک کرده اند. تصویر DSM ماسک شده با استفاده از ارتفاع و گرادیان در ناحیه کوچک حول هر نقطه به کلاس های ارتفاعی تفکیک می شود. درحقیقت در این روند، کلاسه بندی یک پارامتر ارتفاعی برای هر پیکسل محاسبه می کند و پیکسل ها با اختلاف ارتفاع کمتر از یک حد آستانه بهم متصل میشوند. در این روند اشیا با ارتفاع قابل تفکیک هستند و یک متوسط ارتفاعی به هر شیء یا ساختمان تعلق میگیرد.
اگر حد آستانه ارتفاعی با اندازه کافی بزرگ باشد که بتواند نقاط همسایه روی سطح شیب دار را به هم متصل کند، تمام نقاط روی سقف شیبدار یک کلاس با ارتفاع متوسطی برابر نیم ارتفاع سقف تعلق می گیرد. لازم است مرز خارجی کلاسهای ارتفاعی بهدست آمده تا بر مبنای آنها مرز بیرونی ساختمانها بصورت خطوط مستقیم الخط تعیین شود .[6] مدل پریزماتیک 2 با داشتن فوت پرینت و ارتفاع متوسط برای هر ساختمان تعیین می شود. لازم است این مدل برای هر ساختمان به صفحات مستطیلی تفکیک شده و با استفاده از آن ها یک مقطع متوسط طولی و عرضی برای سقف تعریف شود که با کمک آن بتوان نوع سقف را از نظر مسطح یا شیروانی بودن تعیین کرد. لازم است مقادیر تصویر DSM در عرض سقف بهدست آمده تا پروفیل عرضی رسم شده و متوسط ارتفاعی بهدست آید .[6]
در مقاله ارائه شده توسط Jacques و همکاران - 2014 - سقف ها در مناطق مسکونی را متعلق به چهار کلاس مسطح، شیبدار، شیروانی و پیچیده در نظر گرفته است. سقفهای شیبدار دو بخشی هستند که در خط الرأس سقف باهم متقاطع اند. سقفها از کلاس شیروانی دارای چهار بخش هستند که در زاویه 45 درجه نسبت به رأس ساختمان یکدیگر را قطع می کنند. در این روش پروفیل سقف ها با داشتن ابر نقاط لایدار و فوتپرینت ساختمانی بازسازی شده و با آشنایی داشتن با پروفیلهای سقفهای ذکر شده، نوع سقف تعیین میشود .[7]روش دیگری توسط Perera و همکاران - - 2012 ارائه شده است که با استفاده از روابط توپولوژی، نوع سقف ها را در ابر نقطه لایدار تعیین کرده است. در این روش یک کلاسه بندی قانون مبنا برای استخراج صفحات متعلق به سقف استفاده شده و با تشکیل چرخه گراف و انتخاب کوتاهترین مسیر، نوع سقف تعیین میشود .[8]
