فهرست نشریات علمی دسترسی آزاد ایران

پیشینه و اهداف: در دهه‌های اخیر، علوم ژئوماتیک پیشرفت چشمگیری کرده و این پیشرفت‌ها، ناشی از ابزارهای پیشرفته اندازه‌گیری و تکنولوژی‌های نوآورانه در زمینه اخذ داده‌های هندسی و مکانی است. در این زمینه، لیزراسکنرهای همراه به عنوان ابزاری اساسی و کارآمد معرفی شده‌اند که قابلیت انجام اندازه‌گیری دقیق و سریع اشیاء و محیط‌های مختلف از جمله فضاهای شهری، را دارا هستند. این دستگاه‌ها به شکل خودکار تمامی جزئیات فضای شهری را به شکل ابرنقطه ثبت می‌کنند. برای استخراج اطلاعات هندسی ساختمان‌ها از درون این جزئیات، لازم است از روش‌های بینایی ماشین استفاده شود. در راستای دستیابی به مدل‌های دقیق و قابل اعتماد از ساختمان‌ها، هنگام پردازش داده‌های ابرنقطه، دنباله‌ای از عملیات پس‌پردازش اجرا می‌شود. یکی از مهمترین مراحل این پردازش‌ها، قطعه‌بندی ابرنقاط است. این مراحل انتقال داده‌های ابرنقطه را به اطلاعات مفهومی‌تر و قابل تحلیل‌تر تبدیل می‌کنند. یکی از مسائل مهم در پردازش داده‌های ابرنقطه، توانایی استخراج سطوح مسطح نما‌های ساختمانی (دیوارها) است. این سطوح مسطح به عنوان اجزاء اساسی در مدل‌سازی و تحلیل وضعیت ساختمان‌ها از اهمیت ویژه‌ای برخوردارند. دقت در اطلاعات مرتبط با این سطوح مسطح، امکان تمایز دقیق‌تر و کامل‌تر بین اجزاء مختلف ساختمان‌ها را فراهم می‌کند. این امر در کاربردهای متعددی از جمله برنامه‌ریزی شهری، مدیریت ساخت و ساز، و تجزیه و تحلیل مصرف انرژی ساختمان‌ها اهمیت دارد.روش‌ها: در این مقاله، برای استخراج سطوح مسطح از داده‌های ابرنقطه از دو الگوریتم MSAC و G-DBSCAN استفاده شده است. این دو الگوریتم به صورت متوالی اجرا می‌شوند. به‌طوری‌که ابتدا محتمل‌ترین سطوح مسطح در فضای مطالعه با استفاده از MSAC استخراج شده و سپس به منظور جداسازی دیوارها از میان این سطوح مسطح از G-DBSCAN استفاده می‌شود. در این مقاله، از دستگاه لیزراسکنر همراه GeoSLAM ZEB-HORIZON برای اخذ داده‌ها استفاده شده است و محوطه‌ای که برای این منظور انتخاب شده، ساختمان‌های دانشکده مهندسی دانشگاه بوعلی سینا در همدان می‌باشد. دلیل انتخاب این محوطه وجود ویژگی‌هایی از جمله تنوع معماری، وجود نماهای غیرمسطح و مسطح، حالت‌های مختلف قرارگیری دیوارها نسبت به هم با ابعاد مختلف، و چالش‌های مرتبط با معماری متنوع فضای اطراف ساختمان‌ها است.یافته‌ها: ارزیابی جامع این تحقیق، سه ساختمان مجزا را دربرمی‌گیرد. نتایج میانگین دقت (Precision) بالای 93 درصد را نشان می‌دهد که استخراج دقیق داده‌ها را تضمین می‌کند. به‌علاوه، نتایج به میانگین بازنمایی (Recall) بالای 94% دست یافته است، که اکثریت عناصر نما را به تصویر می‌کشد. در نتیجه، امتیاز  F1(F1 score) مقدار متوسط 94% را به‌دست آورده است. این تحقیق، به پیشرفت در زمینه استخراج دقیق داده‌های ساختمانی و مدل‌سازی معماری کمک می‌کند. البته، در مواجهه با ساختمان‌ها و محیط‌های پیچیده‌تر، الگوریتم‌ با چالش‌هایی مواجه می‌شود. از جمله چالش‌هایی که می‌توان به آن‌ها اشاره کرد، ویژگی‌های معماری متنوع ساختمان‌ها و موانع خارجی می‌باشد. برای مثال، در ساختمان‌های دارای درب‌ها و پنجره‌های شیشه‌ای بزرگ، این الگوریتم‌ها ممکن است دیوارهای داخلی را به اشتباه استخراج کنند. همچنین، وجود پوشش گیاهی متراکم در اطراف نما می‌تواند موانعی ایجاد کند که مانع از توانایی لیزراسکنر در برداشت کامل نما شوند.نتیجه‌گیری: نتایج، نشان می‌دهد الگوریتم‌ به طور کلی توانسته‌ عملکرد قابل توجهی در استخراج اطلاعات نمای ساختمان‌ها به خصوص در سناریوهای معماری چالش برانگیز ارائه دهد. این پیشرفت‌ها، امیدوارکننده‌اند و امکانات جدیدی را در حوزه تحلیل داده‌های مکانی و مدل‌سازی ساختمانی ایجاد می‌کند. از این رویکرد نوآورانه، می‌توان در کاربردهای مختلفی استفاده نمود و به توسعه مدل‌های معماری مدرن و مبتنی بر داده کمک کرد.