《表3 软件开发与运行环境表》
根据图6和表4的结果可知,实验1是于小范围、小数据量、特定类型(写字楼)的建筑物,验证了算法的可行性;根据图7、图8和表5的结果可知,实验2是基于较大范围、较大数据量、多种类型建筑物(高层写字楼、中高层居民住宅楼、活动板房等低矮建筑),同时也有地形起伏的影响,综合了多种影响因子来验证算法的可靠性。从实验结果可以得出,在对中高层建筑进行提取和检测时,是高效且准确的,其提取和检测的准确率可以达到较高水平;但是对于活动板房等极低矮建筑,提取结果是不理想的,检测结果精度更低。之所以未计算表5中低矮建筑的变化检测正确率,是因为其轮廓提取精度太低,T1未检测到的建筑物在T2被检测到了,就被默认为新增;而T1检测到的在T2未被检测到则被默认为拆除,所以计算检测精度已没有意义。低矮建筑轮廓提取精度低的原因大概有以下几点:(1)活动板房等低矮建筑层高较低,需要设置较小的切割阈值才能使用高度分析法准确提取轮廓线,但是太小的阈值会造成高层建筑物的轮廓数据冗余,所以在优先保证高层的大体量建筑物准确率的情况下,极低矮的建筑物提取准确率会较低;(2)由于倾斜摄影建模的精度原因,建设密度很大的低矮建筑在模型重建时融合成为一个整体,呈现连片的状态,多个对象被提取成为一个对象,使得提取数据不够准确;(3)与植被完全融合的低矮对象难以提取。但考虑到低矮建筑多为活动板房,其流动性极强,对其进行对象级变化检测意义不大。若有需要,可在本文基础上结合其他方法对其进行结构级变化检测,来监测违法搭建等问题。
图表编号 | XD00100251100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.25 |
作者 | 陈奎伊、胡翰、丁雨淋、李晓明、卞雨凡 |
绘制单位 | 西南交通大学地球科学与环境工程学院、香港理工大学土地测量与地理资讯学系、西南交通大学地球科学与环境工程学院、深圳大学智慧城市研究院、深圳市数字城市工程研究中心 |
更多格式 | 高清、无水印(增值服务) |