Guest
Речь идет не только о красивых 3D-сетках 🙃 Из Reality Mapping можно извлечь множество других полезных продуктов. Автоматизация 2D- и 2,5D-производства при использовании правильных наборов инструментов. Применяя методы Deep Learning в ArcGIS, вы можете автоматизировать извлечение информации в масштабе, сокращая время и усилия, необходимые для ручной интерпретации. Стандартные готовые результаты: * Облако точек (плотное сопоставление изображений) * DSM (цифровая модель поверхности) * True-Ortho * 3D Mesh Облака точек служат отправной точкой для извлечения информации о рельефе, такой как: * цифровая модель поверхности (DSM) * цифровая модель рельефа (DTM) * нормализованная цифровая модель поверхности (nDSM) Точки сопоставления плотных изображений можно классифицировать так же, как и LiDAR. Этот шаг классификации необходим, если вы хотите извлечь из данных векторные объектные 3D-модели в дополнение к 3D-сетке. DSM является оптимальным исходным материалом для: - расчета солнечного потенциала, так как он измеряет количество энергии солнечной радиации, полученной на единицу площади за определенный период времени; - моделирования водного потока - в качестве референса для продукта true-ortho True-Ortho - лучший исходный материал для GeoAI. Используя предварительно обученные модели Deep Learning, вы можете извлекать такие объекты, как автомобили, деревья, здания, солнечные батареи и многое другое. В ArcGIS Living Atlas of the World доступно 78 предварительно обученных моделей. Кроме того, аналитика изображений, например VARI (Visible Atmospherically Resistant Index), разработана для выделения растительности в видимой части спектра при смягчении разницы освещенности и атмосферных эффектов. VARI полезна для создания векторных карт сегментации и классификации растительного покрова. Возможности безграничны. Синергия между глубоким обучением, машинным обучением и 3D-анализом влияет на то, как вы взаимодействуете с миром и интерпретируете его.
