ژئودزی، GNSS و پردازش داده های نقشه برداری

سود:

• امکان ویرایش و کنترل کیفیت مشاهدات خام GNSS، فایل‌های RINEX و مختصات نقطه با جریان‌های کاری مبتنی بر هوش مصنوعی
• امکان تبدیل یادداشت‌های اندازه‌گیری متن آزاد، رکوردهای مرجع و مثلث‌سازی به جداول و گزارش‌های استاندارد
• امکان تأیید موقعیت و تفاسیر دقت ایجاد شده توسط هوش مصنوعی با اصول اندازه گیری استاتیک/RTK و خطاهای انسداد

ژئودزی علم تعیین شکل و اندازه سطح زمین و محل قرارگیری نقاط روی آن با دقت بالا است. ابزار اصلی این علم امروزه GNSS است. GNSS (سیستم جهانی ناوبری ماهواره ای / سیستم موقعیت یاب جهانی ماهواره) نام رایج صورت فلکی ماهواره ای مانند GPS، GLONASS، Galileo، BeiDou است. گیرنده ها موقعیت را با اندازه گیری زمان رسیدن سیگنال های این ماهواره ها محاسبه می کنند. در این بخش، ما بحث می‌کنیم که هوش مصنوعی کجا به طور ایمن کار می‌کند و در کجا خط از وضعیت پراکنده GNSS و داده‌های نقشه‌برداری کلاسیک (کل ایستگاه، تراز کردن) تا مختصات منظم و تأیید شده ترسیم می‌شود. اصل تغییر ناپذیر است: هوش مصنوعی داده ها را سازماندهی می کند و ناسازگاری را نشان می دهد. مهندس پذیرش نهایی مختصات را از طریق اصول اندازه گیری می دهد.

اجازه دهید ابتدا چند اصطلاح اساسی را روشن کنیم. RINEX (Receiver Independent Exchange Format) یک استاندارد فایل متنی است که مشاهدات خام GNSS برندهای مختلف گیرنده را در قالب مشترک ذخیره می کند. اندازه گیری استاتیک روشی است که در آن گیرنده برای مدت طولانی (دقیقه-ساعت) روی یک نقطه ثابت می ماند و دقت بالایی ایجاد می کند. RTK (Real Time Kinematic) روشی است که فوراً دقت سانتی متر را با تصحیح از ایستگاه مرجع می دهد. خطای بسته شدن تفاوتی است که هنگام بازگشت به نقطه شروع یک مسیر اندازه گیری بسته (چند ضلعی یا سطح) جمع می شود و از نظر تئوری انتظار می رود صفر باشد. مشخص ترین شاخص کیفیت اندازه گیری است.

هوش مصنوعی از کجا وارد عمل می شود؟

مطمئن ترین سهم هوش مصنوعی در پردازش داده های GNSS و نظرسنجی، خود محاسبه موقعیت نیست، بلکه تنظیم و کنترل حول آن محاسبه است:

1. داده های خام و ویرایش یادداشت. یادداشت‌های متن آزاد در دفتر یادداشت میدانی، نام نقاط، ارتفاع ابزار و شرایط مشاهده اغلب پراکنده هستند. هوش مصنوعی اینها را به جداول استاندارد تقسیم می کند.
2. غربالگری کنترل کیفیت ناهماهنگی هایی مانند نقاطی که ارتفاع گیرنده آنها هرگز وارد نشده است، نقاطی که دو بار با همان نام اندازه گیری شده اند، زمان های ثابت غیر معقول، مختصات نامرتب و غیره را فهرست می کند.
3. گزارش تولید خلاصه‌ای از کمپین اندازه‌گیری، روش مورد استفاده، و معیارهایی مانند تعداد ماهواره/PDOP را به متنی قابل خواندن تبدیل می‌کند. (PDOP: Position Dilution of Precision؛ عددی است که می‌خواهیم کوچک باشد و تأثیر هندسه ماهواره‌ها در آسمان را بر دقت موقعیت نشان می‌دهد.)

با این حال، این وظیفه هوش مصنوعی نیست و نباید این باشد که: بدون در نظر گرفتن خطای انسداد، یک مختصات را "دقیقا صحیح" اعلام کند، اصول اندازه گیری را نادیده بگیرد و مقدار کاربرد را تأیید کند، تعادل را جایگزین کند (فرایند توزیع مازاد اندازه گیری به بهترین موقعیت از نظر آماری). تعادل و پذیرش نهایی همچنان تحت کنترل نرم افزار و مهندس مربوطه می باشد.

نکته: از هوش مصنوعی بپرسید "این مختصات درست است؟" پرسیدن سوال اشتباهی است. سوال درست این است که "چه تناقضات و مقادیر خارج از نظم در این مجموعه داده وجود دارد؟" با "آیا این خطای بسته شدن برای کلاس دقت داده شده منطقی است؟" سوالات هستند.

گام به گام: تبدیل کتاب اندازه گیری میدانی به داده های قابل پردازش

1. شما ابتدا طرحواره را تعریف کنید. ستون ها: point_no، نوع (مثلثی/چند ضلعی/جزئیات)، right_y، up_x، elevation_h، tool_load، روش (static/RTK)، ماهواره_شماره، pdop، تاریخ، یادداشت. طرحواره را به مدل تحمیل کنید تا خروجی سازگار باشد.
2. واحد و داده را ثابت کنید. بنویسید که مختصات در کدام CRS هستند (مثلا TUREF/TM) و در کدام نقطه عمودی ارتفاع قرار دارد (مثلاً شبکه کنترل عمودی ملی ترکیه).
3. دسته کوچک را پردازش کنید. در دسته های 20-30 امتیازی بدهید. شما زود متوجه اشتباه می شوید.
4. یک اسکن QC دریافت کنید. مدل باید مشکلاتی مانند ارتفاع ابزار از دست رفته، نام نقطه تکراری، مشاهده PDOP بالا و غیره را در یک لیست "هشدار" جداگانه جمع آوری کند.
5. بازگشت به منبع. سطرهای تصادفی جدول به دست آمده را با حاشیه نویسی خام مقایسه کنید. مخصوصاً ترتیب مختصات و نام نقاط.

سه مورد کوچک: با اعداد

مورد 1 - گرفتن نقطه تکراری. یک کمپین بازیابی جزئیات 1240 امتیاز را اندازه گیری کرد. اسکن QC با کمک هوش مصنوعی نشان داد که نام 3 نقطه دو بار استفاده شده است (با مختصات مختلف) و ارتفاع ابزار در 7 نقطه وارد نشده است. اگر این 10 موضوع به صورت دستی بررسی می شد، ساعت ها طول می کشید. از آنجایی که زودهنگام کشف شد، داده های اشتباه در تولید نقشه به بیرون درز نکرد.

مورد 2 - هشدار PDOP. در یک کمپین RTK، 15 نقطه در شرایطی با مقدار PDOP بالای 6 (هندسه بد ماهواره) اندازه گیری شد. مدل این نقاط را به عنوان "عدم قطعیت بالا" مشخص کرد. مهندس آنها را مجدداً اندازه گیری کرد و مشخص شد که در دو نقطه چند سانتی متر فاصله دارند. هوش مصنوعی تصمیم نمی گرفت، فقط توجه را به مشاهدات مخاطره آمیز جلب کرد.

مورد 3 - نظر خطای بسته شدن. در یک مسیر برد، هوش مصنوعی هنگام تهیه گزارش کمپین خود، خطای بسته شدن را «قابل قبول» توصیف کرد. مهندس حد مجاز را با توجه به طول مسیر و کلاس دقت با محاسبه دستی بررسی کرد. خطا درست زیر حد بود، اما بسیار نزدیک به حد مجاز بود. برای اینکه در سمت امن باشد، مهندس یک پای خود را دوباره اندازه گیری کرد. درس: هوش مصنوعی که می‌گوید «قابل قبول» جایگزینی برای بررسی دستی محاسبه‌شده استاندارد نیست.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

این یادداشت‌های اندازه‌گیری را ویرایش کنید و به من بگویید که آیا درست است.[یادداشت‌ها]

اعلان قدرتمند:

نقش شما: دستیار QC داده های اندازه گیری. یادداشت های فیلد زیر را به دیاگرام ارائه شده ترجمه کنید و یک "لیست هشدار" مجزا تهیه کنید. قضاوت در مورد دقت مختصات. فقط ناسازگاری و مقادیر خارج از نظم را علامت بزنید. طرح: point_no | نوع | sag_y | up_x | kot_h | ابزار_بار | روش |شماره_ماهواره | pdop | تاریخ | تاریخ noteContext: CRS = TUREF/TM30 (EPSG:5254). sag_y ~ 6 رقمی متر پیش بینی می شود. قوانین هشدار: گم شده tool_yuk; تکرار نقطه_خیر; pdop>6; مختصات خارج از دستور; خالی کردن فیلد الزامی. یادداشت ها: [یادداشت های فیلد]

اعلان قوی قضاوت را ممنوع می کند، قواعد QC را مشخص می کند، و زمینه را به انتظارات رتبه می دهد. خروجی قابل ممیزی می شود.

چهار قالب قابل کپی

1) استانداردسازی درجه خام:

یادداشت فیلد زیر را به اصطلاحات استاندارد ترجمه کنید، اختصارات را باز کنید (به عنوان مثال "al.y."->" ارتفاع ابزار")، اما مقادیر عددی را تغییر ندهید. عبارات مبهم را با "[مبهم]" علامت گذاری کنید. توجه: [یادداشت میدانی]

2) اسکن GNSS QC:

مشکلات کیفیت را در جدول مشاهده GNSS در زیر فهرست کنید: تعداد کم ماهواره، PDOP زیاد، زمان مشاهده کوتاه، راه حل شناور (غیرثابت)، مختصات خارج از نظم. برای هر خط، نوع مشکل و اقدام توصیه شده را بنویسید. تصمیم نگیرید، فقط علامت بزنید. جدول: [جدول مشاهده]

3) ارزیابی اولیه خطای خاموش شدن:

برای داده های بسته شدن چند ضلعی/همسطح زیر: (الف) خطای بسته شدن را محاسبه کنید، (ب) حد مجاز کلاس دقت داده شده را یادآوری کنید، (ج) در مورد نزدیکی به حد اظهار نظر کنید و یک یادداشت "تأیید با محاسبه دستی لازم است" اضافه کنید. تصمیم نهایی برای پذیرش را نگیرید. داده ها: [داده های مسیر]

4) پیش نویس گزارش کمپین اندازه گیری:

پیش نویس گزارش کمپین اندازه گیری را با استفاده از معیارهای زیر بنویسید: روش، تعداد نقاط، میانگین تعداد ماهواره ها، میانگین PDOP، خطاهای انسداد، CRS استفاده شده، و داده عمودی. استفاده از عبارات قطعی در مورد دقت؛ اضافه کردن یادداشت "مشروط به تایید مهندس". معیارها: [متریکس]

مقایسه شرایط دقت

مدت

معنی

اهمیت در ژئوماتیک

اندازه گیری استاتیک

مشاهده مداوم طولانی مدت

مثلث، اساس دقت بالا

RTK

تصحیح فوری از مرجع

به دست آوردن جزئیات سریع و سانتی متری

PDOP

کیفیت هندسه ماهواره

ارزش کوچکتر = مکان قابل اطمینان تر

ثابت / شناور

ابهام برطرف شد / حل نشد

راه حل های شناور برای خرید جزئیات پذیرفته نمی شوند.

خطای خاموش شدن

اختلاف انباشته در مسیر بسته

اثبات بتن کیفیت اندازه گیری

اشتباهات رایج

• وادار کردن هوش مصنوعی در مورد صحت مختصات قضاوت کند. هوش مصنوعی نشانه ناسازگاری دارد. دقت با اصول اندازه گیری و تعادل تعیین می شود.
• تصور می شود که راه حل های شناور رفع شوند. استفاده از مشاهدات RTK حل نشده به عنوان یک مختصات دقیق.
• نادیده گرفتن PDOP و تعداد ماهواره ها. اطمینان کامل به نقطه اندازه گیری شده در هندسه ضعیف.
• اختلاط داده عمودی با داده افقی. سطح و هماهنگی بر روی مراجع مختلف نشسته است. جایگزین کردن یکی با دیگری اشتباه است.
• تکیه بر قضاوت هوش مصنوعی در مورد "قابل قبول" بدون تایید خطای خاموش شدن با محاسبه دستی.
• بارگذاری داده های خام در مدل ابری بدون ناشناس کردن آن. در برخی از پروژه ها، مکان های نقطه ای متعلق به تاسیسات حساس است.

به طور خلاصه

فضای امن هوش مصنوعی در GNSS و پردازش داده های نظرسنجی؛ سازماندهی داده های خام، اسکن برای ناسازگاری ها و تهیه پیش نویس گزارش ها. دقت محاسبه موقعیت و پذیرش نهایی با اصول اندازه گیری مانند وضعیت PDOP/تثبیت، خطاهای بسته شدن و متعادل کردن با مهندس باقی می ماند. از هوش مصنوعی بپرسید "درسته؟" اما "چه تناقضاتی وجود دارد؟" بپرس؛ همیشه مفروضات مهم مانند خطای بسته شدن را با محاسبه دستی در برابر استاندارد تأیید کنید.

وظیفه کاربردی

یک درخواست QC برای جدول مشاهده 20 خطی GNSS خود (یا فرضی) بنویسید: طرحواره، زمینه CRS، انتظار رتبه و حداقل پنج قانون هشدار (ارتفاع ابزار از دست رفته، نقطه تکرار، PDOP بالا، حل شناور، مختصات خارج از نظم) را شامل شود. سپس سه مورد اول لیست هشدار در خروجی هوش مصنوعی را در برابر داده های خام تأیید کنید.

چک لیست

• [ ] من طرح و زمینه داده CRS/عمودی را از ابتدا تعریف کردم.
• [ ] من از هوش مصنوعی برای غربالگری ناسازگاری خواستم، نه قضاوت.
• [ ] من قوانین هشدار (PDOP، ثابت/ شناور، رتبه، فیلد از دست رفته) را به کار بردم.
• [ ] راه حل های شناور و مشاهدات PDOP بالا را جدا کردم.
• [ ] بررسی کردم که مبدأ افقی و عمودی را با هم ترکیب نکرده ام.
• [ ] من خطای بسته شدن را با محاسبه دستی بر خلاف استاندارد تأیید کردم.
• [ ] من داده های نقطه حساس را ناشناس/پردازش کرده ام در یک محیط تایید شده.
• [ ] قبولی مختصات نهایی را به عهده مهندس نگه داشتم.