الجيوديسيا والنظم العالمية لسواتل الملاحة ومعالجة بيانات المسح

المكاسب:

• القدرة على تحرير ومراقبة الجودة للملاحظات الأولية لـ GNSS وملفات RINEX وإحداثيات النقاط باستخدام سير العمل المدعوم بالذكاء الاصطناعي
• القدرة على تحويل ملاحظات القياس النصية المجانية والسجلات المرجعية والتثليثية إلى جداول وتقارير قياسية
• القدرة على التحقق من الموقع الذي تم إنشاؤه بواسطة الذكاء الاصطناعي وتفسيرات الدقة باستخدام مبادئ القياس الثابتة/RTK وأخطاء الانسداد

الجيوديسيا هي علم تحديد شكل وحجم سطح الأرض ومواقع النقاط عليه بدقة عالية. الأداة الرئيسية لهذا العلم اليوم هي GNSS. GNSS (النظام العالمي للملاحة عبر الأقمار الصناعية / النظام العالمي لتحديد المواقع عبر الأقمار الصناعية) هو الاسم الشائع لمجموعات الأقمار الصناعية مثل GPS وGLONASS وGalileo وBeiDou؛ تقوم أجهزة الاستقبال بحساب الموقع عن طريق قياس وقت وصول الإشارات من هذه الأقمار الصناعية. في هذه الوحدة، نناقش أين يعمل الذكاء الاصطناعي بأمان وأين يتم رسم الخط على المسار من الحالة المتناثرة لبيانات GNSS والمسح الكلاسيكي (المحطة الشاملة، التسوية) إلى الإحداثيات المنتظمة التي تم التحقق منها. المبدأ غير قابل للتغيير: يقوم الذكاء الاصطناعي بتنظيم البيانات والإبلاغ عن عدم الاتساق؛ يعطي المهندس القبول النهائي للإحداثيات من خلال مبادئ القياس.

دعونا نوضح بعض المصطلحات الأساسية أولاً. RINEX (تنسيق التبادل المستقل للمستقبل) هو معيار ملف نصي يقوم بتخزين ملاحظات GNSS الأولية لعلامات تجارية مختلفة من أجهزة الاستقبال بتنسيق مشترك. القياس الثابت هو الطريقة التي يظل فيها جهاز الاستقبال ثابتًا على نقطة ما لفترة طويلة (دقائق-ساعات) وينتج دقة عالية. RTK (الحركية في الوقت الحقيقي) هي طريقة تعطي على الفور دقة بالسنتيمتر مع التصحيح من محطة مرجعية. خطأ الإغلاق هو الفرق الذي يتراكم عند العودة إلى نقطة البداية لمسار قياس مغلق (مضلع أو مستوى) ويتوقع نظريًا أن يكون صفرًا؛ إنه المؤشر الأكثر واقعية لجودة القياس.

أين يدخل الذكاء الاصطناعي حيز التنفيذ بأمان؟

إن المساهمة الأكثر موثوقية للذكاء الاصطناعي في GNSS ومعالجة بيانات المسح ليست حساب الموقع نفسه، ولكن التنظيم والتحكم يعملان حول هذا الحساب:

1. البيانات الخام وتحرير الملاحظات. غالبًا ما تكون الملاحظات النصية المجانية في دفتر الملاحظات الميداني وأسماء النقاط وارتفاعات الأجهزة وظروف المراقبة متناثرة. يقوم الذكاء الاصطناعي بتقسيمها إلى جداول قياسية.
2. فحص مراقبة الجودة. وهو يسرد حالات عدم الاتساق مثل النقاط التي لم يتم إدخال ارتفاع جهاز الاستقبال الخاص بها مطلقًا، والنقاط التي تم قياسها مرتين بنفس الاسم، وأوقات الإصلاح غير المعقولة، والإحداثيات الخارجة عن الترتيب، وما إلى ذلك.
3. إنتاج التقرير. فهو يحول ملخص حملة القياس والطريقة المستخدمة والمقاييس مثل عدد الأقمار الصناعية/PDOP إلى نص قابل للقراءة. (PDOP: تخفيف دقة الموقع؛ هو الرقم المرغوب أن يكون صغيرًا ويظهر تأثير هندسة الأقمار الصناعية في السماء على دقة الموقع.)

ومع ذلك، ليس من مهام الذكاء الاصطناعي ولا ينبغي أن يكون: إعلان الإحداثيات "صحيحة تمامًا" دون النظر في خطأ الإطباق، وتجاهل مبادئ القياس وتأكيد قيمة التطبيق، واستبدال الموازنة (عملية توزيع فائض القياس على أفضل موضع إحصائيًا). وتظل عملية الموازنة والقبول النهائي تحت سيطرة البرنامج والمهندس المعنيين.

تلميح: اسأل الذكاء الاصطناعي "هل هذا الإحداثي صحيح؟" إنه السؤال الخطأ الذي يجب طرحه. السؤال الصحيح هو "ما هي التناقضات والقيم غير المنتظمة الموجودة في مجموعة البيانات هذه؟" مع "هل خطأ الإغلاق هذا معقول لفئة الدقة المحددة؟" هي الأسئلة.

خطوة بخطوة: تحويل كتاب القياس الميداني إلى بيانات قابلة للمعالجة

1. يمكنك تحديد المخطط أولاً. الأعمدة: point_no، النوع (التثليث/المضلع/التفاصيل)، right_y، up_x، elevation_h، Tool_load، الطريقة (static/RTK)، رقم القمر الصناعي، pdop، التاريخ، الملاحظة. قم بفرض المخطط على النموذج بحيث يكون الإخراج متسقًا.
2. إصلاح الوحدة والمسند. قم بتدوين إحداثيات CRS (على سبيل المثال، TUREF/TM) وفي أي مرجع عمودي يكون الارتفاع (على سبيل المثال، شبكة التحكم العمودي الوطنية التركية).
3. معالجة دفعة صغيرة. أعط على دفعات من 20-30 نقطة؛ يمكنك اكتشاف الخطأ في وقت مبكر.
4. احصل على فحص مراقبة الجودة. يجب أن يجمع النموذج المشكلات مثل ارتفاع الجهاز المفقود، واسم النقطة المكررة، ومراقبة PDOP العالية وما إلى ذلك في قائمة "تحذير" منفصلة.
5. العودة إلى المصدر. مقارنة الصفوف العشوائية من الجدول الناتج مع التعليق التوضيحي الأولي؛ وخاصة ترتيب الإحداثيات وأسماء النقاط.

ثلاث حالات صغيرة: بالأرقام

الحالة 1 - التقاط النقاط المتكررة. قياس حملة استرجاع التفاصيل 1240 نقطة. أشار مسح مراقبة الجودة بمساعدة الذكاء الاصطناعي إلى أنه تم استخدام أسماء النقاط الثلاث مرتين (بإحداثيات مختلفة) ولم يتم إدخال ارتفاع الأداة عند 7 نقاط. إذا تمت مراجعة هذه المشكلات العشر يدويًا، فسيستغرق الأمر ساعات؛ ونظرًا لأنه تم اكتشافها مبكرًا، لم تتسرب البيانات الخاطئة إلى عملية إنتاج الخرائط.

الحالة 2 - تحذير PDOP. في إحدى حملات RTK، تم قياس 15 نقطة في ظروف ذات قيمة PDOP أعلى من 6 (هندسة القمر الصناعي السيئة). وقد وضع النموذج هذه النقاط على أنها "درجة عالية من عدم اليقين"؛ أعاد المهندس قياسها ووجد أنها متباعدة ببضعة سنتيمترات عند نقطتين. لم يتخذ الذكاء الاصطناعي قرارات، بل لفت الانتباه فقط إلى الملاحظات المحفوفة بالمخاطر.

الحالة 3 - إغلاق التعليق الخطأ. وعلى مسار نطاق، وصفت منظمة العفو الدولية خطأ الإغلاق بأنه "مقبول" عند إعداد تقرير حملتها. قام المهندس بفحص الحد المسموح به حسب طول المسار وفئة الدقة عن طريق الحساب اليدوي؛ كان الخطأ أقل بقليل من الحد الأقصى، ولكنه قريب جدًا من الحد الأقصى. ولكي يكون المهندس على الجانب الآمن، قام بإعادة قياس ساق واحدة. الدرس المستفاد: قول الذكاء الاصطناعي "مقبول" ليس بديلاً عن التحقق المحسوب يدويًا من المعيار.

موجه ضعيف / موجه قوي

حث ضعيف:

قم بتحرير ملاحظات القياس هذه وأخبرني إذا كانت صحيحة.[ملاحظات]

مطالبة قوية:

دورك: مساعد مراقبة الجودة لبيانات القياس. قم بترجمة الملاحظات الميدانية أدناه إلى الرسم التخطيطي المقدم وأنتج "قائمة تحذير" منفصلة. الحكم على دقة الإحداثيات؛ ما عليك سوى وضع علامة على عدم الاتساق والقيم خارج الترتيب. المخطط: point_no | اكتب | تبلد_ي | up_x | كوت_ح | أداة_تحميل | الطريقة |عدد_الأقمار الصناعية | بدوب | التاريخ | تاريخ الملاحظة: CRS = TUREF/TM30 (EPSG:5254). من المتوقع sag_y ~ 6 أرقام متر. قواعد التحذير: أداة مفقودة؛ تكرار point_no؛ pdop>6; تنسيق خارج الترتيب؛ الحقل المطلوب فارغ.الملاحظات: [ملاحظات ميدانية]

يحظر الموجه القوي إصدار الأحكام، ويحدد قواعد مراقبة الجودة، ويعطي سياقًا لتوقعات الرتبة؛ ويصبح الناتج قابلاً للتدقيق.

أربعة قوالب قابلة للنسخ

1) توحيد الصف الخام:

قم بترجمة ملاحظة الحقل التالية إلى مصطلحات قياسية، مع تفريغ الاختصارات (مثل "al.y."->"ارتفاع الأداة")، ولكن لا تغير القيم الرقمية. قم بتمييز التعبيرات الغامضة بـ "[غامض]". ملاحظة: [ملاحظة ميدانية]

2) مسح مراقبة الجودة GNSS:

قم بإدراج مشاكل الجودة في جدول مراقبة GNSS أدناه: انخفاض عدد الأقمار الصناعية، ارتفاع PDOP، وقت المراقبة القصير، الحل العائم (غير الثابت)، الإحداثيات خارج الترتيب. في كل سطر، اكتب نوع المشكلة والإجراء الموصى به. لا تقرر، ضع علامة فقط. الجدول: [جدول المراقبة]

3) التقييم الأولي لخطأ إيقاف التشغيل:

بالنسبة لبيانات إغلاق المضلع/التسوية التالية: (أ) حساب خطأ الإغلاق، (ب) تذكير الحد المسموح به لفئة الدقة المحددة، (ج) التعليق على القرب من الحد وإضافة ملاحظة "التأكيد باليد مطلوب حساب". لا تتخذ قرار القبول النهائي. البيانات: [بيانات المسار]

4) مسودة تقرير حملة القياس:

اكتب مسودة تقرير حملة القياس باستخدام المقاييس التالية: الطريقة، وعدد النقاط، ومتوسط عدد الأقمار الصناعية، ومتوسط PDOP، وأخطاء الانسداد، وCRS المستخدمة، والمسند الرأسي. استخدام عبارات محددة حول الدقة؛ إضافة ملاحظة "تخضع لموافقة المهندس". المقاييس: [المقاييس]

مقارنة شروط الدقة

مصطلح

معنى

أهمية في الجيوماتكس

قياس ثابت

المراقبة المستمرة على المدى الطويل

التثليث، أساس دقة عالية

رتك

تصحيح فوري من المرجع

الحصول على تفاصيل سريعة بالسنتيمتر

بيدوب

جودة هندسة الأقمار الصناعية

قيمة أصغر = موقع أكثر موثوقية

إصلاح/تعويم

تم حل الغموض / لم يتم حله

لا يتم قبول الحلول العائمة للشراء التفصيلي.

خطأ الاغلاق

الفرق المتراكم على الطريق المغلق

دليل ملموس على جودة القياس

الأخطاء الشائعة

• جعل الذكاء الاصطناعي يحكم على دقة الإحداثيات. الذكاء الاصطناعي يشير إلى عدم الاتساق؛ يتم تحديد الدقة من خلال مبادئ القياس والموازنة.
• يُعتقد أن الحلول العائمة هي إصلاحات. استخدام ملاحظة RTK التي لم يتم حلها كإحداثيات دقيقة.
• تجاهل PDOP وعدد الأقمار الصناعية. الثقة الكاملة في النقطة المقاسة في الهندسة الضعيفة.
• خلط المسند العمودي مع المسند الأفقي. المستوى والتنسيق يجلسان على مراجع مختلفة؛ وسيكون من الخطأ استبدال أحدهما بالآخر.
• الاعتماد على حكم الذكاء الاصطناعي بأنه "مقبول" دون التأكد من خطأ إيقاف التشغيل عن طريق الحساب اليدوي.
• تحميل البيانات الأولية إلى النموذج السحابي دون إخفاء هويتها. في بعض المشاريع، تنتمي مواقع النقاط إلى منشآت حساسة.

في ملخص

المساحة الآمنة للذكاء الاصطناعي في النظم العالمية لسواتل الملاحة ومعالجة بيانات المسح؛ تنظيم البيانات الأولية والمسح بحثًا عن التناقضات وإنتاج مسودات التقارير. تبقى دقة حساب الموقع والقبول النهائي للمهندس، مع مبادئ القياس مثل حالة PDOP/الإصلاح وأخطاء الإغلاق والموازنة. اسأل الذكاء الاصطناعي "أليس كذلك؟" ولكن "ما هي التناقضات هناك؟" بسأل؛ قم دائمًا بتأكيد الافتراضات الهامة، مثل خطأ الإغلاق، عن طريق الحساب اليدوي مقابل المعيار.

مهمة التطبيق

اكتب مطالبة مراقبة الجودة لجدول مراقبة GNSS (أو الافتراضي) المكون من 20 سطرًا: قم بتضمين المخطط وسياق CRS وتوقع الرتبة وخمس قواعد تحذير على الأقل (ارتفاع الأداة المفقودة، نقطة التكرار، ارتفاع PDOP، الحل العائم، الإحداثيات خارج الترتيب). ثم تحقق من العناصر الثلاثة الأولى من قائمة التحذير في مخرجات الذكاء الاصطناعي مقابل البيانات الأولية.

قائمة مرجعية

• [ ] لقد حددت المخطط وسياق مرجع الإسناد CRS/العمودي من البداية.
• [ ] لقد طلبت من الذكاء الاصطناعي فحص التناقضات، وليس الحكم.
• [ ] لقد قمت بإنشاء مثيل لقواعد التحذير (PDOP، الإصلاح/التعويم، الرتبة، الحقل المفقود).
• [ ] قمت بفصل المحاليل العائمة وملاحظات PDOP العالية.
• [ ] تأكدت من أنني لم أخلط بين المسند الأفقي والرأسي.
• [ ] لقد تأكدت من خطأ الإغلاق عن طريق الحساب اليدوي مقابل المعيار.
• [ ] لقد قمت بإخفاء هوية/معالجة بيانات النقاط الحساسة في بيئة معتمدة.
• [ ] احتفظت بالإحداثيات النهائية بقبول مسؤولية المهندس.