જીઓડેસી, જીએનએસએસ અને સર્વે ડેટા પ્રોસેસિંગ

નફો:

• AI-સંચાલિત વર્કફ્લો સાથે GNSS કાચા અવલોકનો, RINEX ફાઇલો અને પોઇન્ટ કોઓર્ડિનેટ્સ સંપાદિત કરવાની અને ગુણવત્તા નિયંત્રણ કરવાની ક્ષમતા
• મફત ટેક્સ્ટ માપન નોંધો, સંદર્ભ અને ત્રિકોણ રેકોર્ડને માનક કોષ્ટકો અને અહેવાલોમાં કન્વર્ટ કરવાની ક્ષમતા
• સ્થિર/RTK માપન સિદ્ધાંતો અને અવરોધની ભૂલો સાથે AI-જનરેટેડ સ્થિતિ અને ચોકસાઈના અર્થઘટનને ચકાસવાની ક્ષમતા

જીઓડીસી એ પૃથ્વીની સપાટીના આકાર અને કદ અને તેના પરના બિંદુઓનું સ્થાન ઉચ્ચ ચોકસાઈ સાથે નક્કી કરવાનું વિજ્ઞાન છે. આજે આ વિજ્ઞાનનું મુખ્ય સાધન GNSS છે. GNSS (ગ્લોબલ નેવિગેશન સેટેલાઇટ સિસ્ટમ / ગ્લોબલ સેટેલાઇટ પોઝિશનિંગ સિસ્ટમ) એ GPS, GLONASS, Galileo, BeiDou જેવા ઉપગ્રહ નક્ષત્રોનું સામાન્ય નામ છે; પ્રાપ્તકર્તાઓ આ ઉપગ્રહોમાંથી સંકેતોના આગમન સમયને માપીને સ્થિતિની ગણતરી કરે છે. આ એકમમાં, અમે ચર્ચા કરીએ છીએ કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં સુરક્ષિત રીતે કામ કરે છે અને GNSS અને ક્લાસિકલ સર્વેક્ષણ (કુલ સ્ટેશન, લેવલિંગ) ડેટાના નિયમિત, ચકાસાયેલ કોઓર્ડિનેટ્સ સુધીના પાથ પર ક્યાં રેખા દોરવામાં આવે છે. સિદ્ધાંત અપરિવર્તનશીલ છે: AI ડેટાને ગોઠવે છે અને અસંગતતા દર્શાવે છે; એન્જિનિયર માપન સિદ્ધાંતો દ્વારા સંકલનની અંતિમ સ્વીકૃતિ આપે છે.

ચાલો પહેલા થોડા મૂળભૂત શબ્દો સ્પષ્ટ કરીએ. RINEX (રિસીવર ઈન્ડિપેન્ડન્ટ એક્સચેન્જ ફોર્મેટ) એ એક ટેક્સ્ટ ફાઇલ સ્ટાન્ડર્ડ છે જે વિવિધ બ્રાન્ડના રીસીવરોના કાચા GNSS અવલોકનોને સામાન્ય ફોર્મેટમાં સંગ્રહિત કરે છે. સ્ટેટિક મેઝરમેન્ટ એ એવી પદ્ધતિ છે જેમાં રીસીવર લાંબા સમય સુધી (મિનિટ-કલાક) એક બિંદુ પર સ્થિર રહે છે અને ઉચ્ચ ચોકસાઈ ઉત્પન્ન કરે છે. RTK (રિયલ ટાઈમ કાઈનેમેટિક) એ એક પદ્ધતિ છે જે સંદર્ભ સ્ટેશનમાંથી કરેક્શન સાથે તરત જ સેન્ટીમીટર ચોકસાઈ આપે છે. બંધ માપન માર્ગ (બહુકોણ અથવા સ્તર) ના પ્રારંભિક બિંદુ પર પાછા ફરતી વખતે સંચિત થતો તફાવત છે અને સૈદ્ધાંતિક રીતે શૂન્ય હોવાની અપેક્ષા છે; તે માપનની ગુણવત્તાનું સૌથી નક્કર સૂચક છે.

AI સલામત રીતે એક્શનમાં ક્યાં આવે છે?

GNSS અને સર્વે ડેટા પ્રોસેસિંગમાં AI નું સૌથી વિશ્વસનીય યોગદાન એ પોઝીશનની ગણતરી નથી, પરંતુ તે ગણતરીની આસપાસનું નિયમન અને નિયંત્રણ કામ કરે છે:

1. કાચો ડેટા અને નોંધ સંપાદન. ફીલ્ડ નોટબુકમાં મફત લખાણની નોંધો, બિંદુઓના નામ, સાધનની ઊંચાઈ અને અવલોકન સ્થિતિ ઘણી વખત વેરવિખેર હોય છે. AI આને પ્રમાણભૂત કોષ્ટકોમાં તોડે છે.
2. ગુણવત્તા નિયંત્રણ સ્ક્રીનીંગ. તે અસંગતતાઓની યાદી આપે છે જેમ કે પોઈન્ટ કે જેના રીસીવરની ઊંચાઈ ક્યારેય દાખલ કરવામાં આવી ન હતી, એક જ નામ સાથે બે વખત માપવામાં આવેલ પોઈન્ટ, ગેરવાજબી ફિક્સ સમય, આઉટ-ઓફ-ઓર્ડર કોઓર્ડિનેટ્સ વગેરે.
3. અહેવાલ ઉત્પાદન. તે માપન ઝુંબેશના સારાંશ, વપરાયેલી પદ્ધતિ અને ઉપગ્રહોની સંખ્યા/PDOP જેવા મેટ્રિક્સને વાંચી શકાય તેવા ટેક્સ્ટમાં રૂપાંતરિત કરે છે. (PDOP: પોઝિશન ડિલ્યુશન ઓફ પ્રિસિઝન; એક એવી સંખ્યા છે જે નાની હોવી જોઈએ અને પોઝિશનની ચોકસાઈ પર આકાશમાં ઉપગ્રહોની ભૂમિતિની અસર દર્શાવે છે.)

જો કે, એઆઈનું કામ નથી અને ન હોવું જોઈએ: અવરોધની ભૂલને ધ્યાનમાં લીધા વિના સંકલન "ચોક્કસ રીતે સાચો" જાહેર કરવું, માપનના સિદ્ધાંતોને અવગણવું અને એપ્લિકેશન મૂલ્યની પુષ્ટિ કરવી, સંતુલન બદલવું (આંકડાકીય રીતે શ્રેષ્ઠ સ્થિતિમાં માપન વધારાની વિતરિત કરવાની પ્રક્રિયા). સંતુલન અને અંતિમ સ્વીકૃતિ સંબંધિત સોફ્ટવેર અને એન્જિનિયરના નિયંત્રણ હેઠળ રહે છે.

સંકેત: AI ને પૂછો "શું આ સંકલન સાચો છે?" પૂછવું એ ખોટો પ્રશ્ન છે. સાચો પ્રશ્ન એ છે કે "આ ડેટા સેટમાં કઈ અસંગતતાઓ અને આઉટ-ઓફ-ઓર્ડર મૂલ્યો છે?" સાથે "શું આ બંધ કરવાની ભૂલ આપેલ ચોકસાઈ વર્ગ માટે વાજબી છે?" પ્રશ્નો છે.

સ્ટેપ બાય સ્ટેપ: ફીલ્ડ મેઝરમેન્ટ બુકને પ્રોસેસેબલ ડેટામાં ફેરવો

1. તમે પહેલા સ્કીમા વ્યાખ્યાયિત કરો. કૉલમ્સ: બિંદુ_નો, પ્રકાર (ત્રિકોણ/બહુકોણ/વિગત), right_y, up_x, elevation_h, ટૂલ_લોડ, પદ્ધતિ (સ્થિર/RTK), સેટેલાઇટ_નંબર, pdop, તારીખ, નોંધ. મોડેલ પર સ્કીમા લાદવો જેથી આઉટપુટ સુસંગત રહે.
2. યુનિટ અને ડેટમને ઠીક કરો. કોઓર્ડિનેટ્સ કયા CRSમાં છે તે લખો (ઉદાહરણ તરીકે, TUREF/TM) અને કયા વર્ટિકલ ડેટમમાં એલિવેશન છે (ઉદાહરણ તરીકે, Türkiye નેશનલ વર્ટિકલ કંટ્રોલ નેટવર્ક).
3. નાના બેચ પર પ્રક્રિયા કરો. 20-30 પોઈન્ટની બેચમાં આપો; તમે ભૂલ વહેલા પકડી લો.
4. QC સ્કેન મેળવો. મોડેલે અલગ "ચેતવણી" સૂચિમાં ગુમ થયેલ સાધનની ઊંચાઈ, ડુપ્લિકેટ પોઈન્ટ નામ, ઉચ્ચ PDOP અવલોકન વગેરે જેવી સમસ્યાઓ એકત્રિત કરવી જોઈએ.
5. સ્ત્રોત પર પાછા ફરો. પરિણામી કોષ્ટકની રેન્ડમ પંક્તિઓની કાચી ટીકા સાથે સરખામણી કરો; ખાસ કરીને સંકલન ક્રમ અને બિંદુ નામો.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - પુનરાવર્તિત બિંદુ કેપ્ચર. વિગતવાર પુનઃપ્રાપ્તિ ઝુંબેશ 1,240 પોઈન્ટ માપવામાં આવી હતી. AI-આસિસ્ટેડ QC સ્કેનીંગ ફ્લેગ કરે છે કે 3 પોઈન્ટ નામો બે વખત ઉપયોગમાં લેવાયા હતા (વિવિધ કોઓર્ડિનેટ્સ સાથે) અને 7 પોઈન્ટ પર ટૂલની ઊંચાઈ દાખલ કરવામાં આવી ન હતી. જો આ 10 મુદ્દાઓની જાતે જ સમીક્ષા કરવામાં આવે, તો તેમાં કલાકો લાગશે; કારણ કે તે વહેલું પકડાયું હતું, ખોટો ડેટા નકશા ઉત્પાદનમાં લીક થયો ન હતો.

કેસ 2 - PDOP ચેતવણી. એક RTK ઝુંબેશમાં, 6 (ખરાબ ઉપગ્રહ ભૂમિતિ) ઉપર PDOP મૂલ્ય ધરાવતી પરિસ્થિતિઓમાં 15 પોઈન્ટ માપવામાં આવ્યા હતા. મોડેલે આ મુદ્દાઓને "ઉચ્ચ અનિશ્ચિતતા" તરીકે ચિહ્નિત કર્યા છે; એન્જિનિયરે તેઓને ફરીથી માપ્યા અને બે બિંદુઓ પર થોડા સેન્ટિમીટરથી દૂર હોવાનું જણાયું. AI એ નિર્ણયો લીધા ન હતા, તે માત્ર જોખમી અવલોકનો તરફ ધ્યાન દોર્યું હતું.

કેસ 3 - બંધ ભૂલ ટિપ્પણી. રેન્જ રૂટ પર, AI એ તેનો ઝુંબેશ રિપોર્ટ તૈયાર કરતી વખતે બંધ કરવાની ભૂલને "સ્વીકાર્ય" તરીકે વર્ણવી હતી. ઇજનેરે હાથની ગણતરી દ્વારા માર્ગની લંબાઈ અને ચોકસાઈ વર્ગ અનુસાર અનુમતિપાત્ર મર્યાદા તપાસી; ભૂલ મર્યાદાની નીચે હતી, પરંતુ મર્યાદાની ખૂબ નજીક હતી. સલામત બાજુએ રહેવા માટે, એન્જિનિયરનો એક પગ ફરીથી માપવામાં આવ્યો હતો. પાઠ: AI કહે છે કે "સ્વીકાર્ય" ધોરણની હાથથી ગણતરી કરેલ તપાસનો કોઈ વિકલ્પ નથી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ માપન નોંધો સંપાદિત કરો અને મને જણાવો કે શું તે સાચું છે.[નોંધ]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: માપન ડેટા QC સહાયક. આપેલ ડાયાગ્રામમાં નીચેની ફીલ્ડ નોંધોનો અનુવાદ કરો અને એક અલગ "ચેતવણી સૂચિ" બનાવો. કોઓર્ડિનેટની ચોકસાઈ વિશે નિર્ણય લેવો; માત્ર અસંગતતા અને આઉટ-ઓફ-ઓર્ડર મૂલ્યોને ચિહ્નિત કરો. યોજના: point_no | પ્રકાર | sag_y | ઉપર_x | kot_h | ટૂલ_લોડ | પદ્ધતિ |સેટેલાઇટ_કાઉન્ટ | pdop | તારીખ | તારીખ નોંધ સંદર્ભ: CRS = TUREF/TM30 (EPSG:5254). sag_y ~6 અંક મીટર અપેક્ષિત. ચેતવણી નિયમો: ખૂટે છે tool_yuk; પુનરાવર્તન બિંદુ_નો; pdop>6; આઉટ ઓફ ઓર્ડર કોઓર્ડિનેટ; ખાલી જરૂરી ક્ષેત્ર. નોંધો: [ક્ષેત્ર નોંધો]

મજબૂત પ્રોમ્પ્ટ ચુકાદાને પ્રતિબંધિત કરે છે, QC ના નિયમોને એકીકૃત કરે છે, અને રેન્કની અપેક્ષાને સંદર્ભ આપે છે; આઉટપુટ ઓડિટેબલ બને છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) કાચો ગ્રેડ માનકીકરણ:

નીચેની ફીલ્ડ નોંધને પ્રમાણભૂત પરિભાષામાં ભાષાંતર કરો, સંક્ષિપ્ત શબ્દોને અનપેક કરો (દા.ત. "al.y."->"ટૂલ ઊંચાઈ"), પરંતુ સંખ્યાત્મક મૂલ્યો બદલશો નહીં. અસ્પષ્ટ અભિવ્યક્તિઓને "[અસ્પષ્ટ]" વડે ચિહ્નિત કરો. નોંધ: [ક્ષેત્ર નોંધ]

2) GNSS QC સ્કેનિંગ:

નીચે GNSS અવલોકન કોષ્ટકમાં ગુણવત્તા સમસ્યાઓની સૂચિ બનાવો: ઉપગ્રહોની ઓછી સંખ્યા, ઉચ્ચ PDOP, ટૂંકો અવલોકન સમય, ફ્લોટ (બિન-નિશ્ચિત) ઉકેલ, આઉટ-ઓફ-ઓર્ડર કોઓર્ડિનેટ. દરેક લીટી માટે, સમસ્યાનો પ્રકાર અને ભલામણ કરેલ ક્રિયા લખો. નક્કી ન કરો, ફક્ત ચિહ્નિત કરો. કોષ્ટક: [નિરીક્ષણ કોષ્ટક]

3) શટડાઉન ભૂલનું પ્રારંભિક મૂલ્યાંકન:

નીચેના બહુકોણ/લેવલિંગ ક્લોઝર ડેટા માટે: (a) બંધ ભૂલની ગણતરી કરો, (b) આપેલ ચોકસાઈ વર્ગની માન્ય મર્યાદાને યાદ કરાવો, (c) મર્યાદાની નિકટતા પર ટિપ્પણી કરો અને "હાથની ગણતરી દ્વારા પુષ્ટિ જરૂરી" નોંધ ઉમેરો. અંતિમ સ્વીકૃતિનો નિર્ણય કરશો નહીં. ડેટા: [રૂટ ડેટા]

4) માપન ઝુંબેશ રિપોર્ટ ડ્રાફ્ટ:

નીચેના મેટ્રિક્સનો ઉપયોગ કરીને ડ્રાફ્ટ માપન ઝુંબેશ અહેવાલ લખો: પદ્ધતિ, પોઈન્ટની સંખ્યા, ઉપગ્રહોની સરેરાશ સંખ્યા, સરેરાશ PDOP, અવરોધની ભૂલો, CRS વપરાયેલ અને વર્ટિકલ ડેટમ. ચોકસાઈ વિશે ચોક્કસ નિવેદનોનો ઉપયોગ કરવો; નોંધ ઉમેરો "ઇજનેર મંજૂરીને આધીન". મેટ્રિક્સ: [મેટ્રિક્સ]

ચોકસાઈની શરતોની સરખામણી

મુદત

અર્થ

જીઓમેટિક્સમાં મહત્વ

સ્થિર માપન

લાંબા ગાળાના સતત અવલોકન

ત્રિકોણ, ઉચ્ચ ચોકસાઈનો આધાર

RTK

સંદર્ભમાંથી ત્વરિત કરેક્શન

ઝડપી, સેન્ટીમીટર વિગતવાર સંપાદન

પીડીઓપી

સેટેલાઇટ ભૂમિતિ ગુણવત્તા

નાનું મૂલ્ય = વધુ વિશ્વસનીય સ્થાન

ફિક્સ/ફ્લોટ

અસ્પષ્ટતા ઉકેલાઈ / ઉકેલાઈ નથી

વિગતવાર ખરીદી માટે ફ્લોટ સોલ્યુશન્સ સ્વીકારવામાં આવતા નથી.

શટડાઉન ભૂલ

બંધ માર્ગ પર સંચિત તફાવત

માપન ગુણવત્તાનો કોંક્રિટ પુરાવો

સામાન્ય ભૂલો

• AI ને કોઓર્ડિનેટની સચોટતા જજ બનાવવી. AI ચિહ્નો અસંગતતા; માપનના સિદ્ધાંતો અને સંતુલન દ્વારા ચોકસાઈ નક્કી કરવામાં આવે છે.
• ફ્લોટ સોલ્યુશન્સ ફિક્સ હોવાનું માનવામાં આવે છે. વણઉકેલાયેલા RTK અવલોકનનો ચોક્કસ સંકલન તરીકે ઉપયોગ કરવો.
• PDOP અને ઉપગ્રહોની સંખ્યાને અવગણવી. નબળી ભૂમિતિમાં માપેલા બિંદુમાં સંપૂર્ણ વિશ્વાસ.
• વર્ટિકલ ડેટમને હોરીઝોન્ટલ ડેટમ સાથે મિક્સ કરવું. સ્તર અને સંકલન વિવિધ સંદર્ભો પર બેસે છે; એકને બીજાને બદલે તે ભૂલ હશે.
• હાથની ગણતરી દ્વારા શટડાઉન ભૂલની પુષ્ટિ કર્યા વિના "સ્વીકાર્ય" ના AI ના ચુકાદા પર આધાર રાખવો.
• અનામી કર્યા વિના ક્લાઉડ મોડેલ પર કાચો ડેટા અપલોડ કરવો. કેટલાક પ્રોજેક્ટ્સમાં, પોઈન્ટ લોકેશન્સ સંવેદનશીલ સુવિધાઓના છે.

સારાંશમાં

GNSS અને સર્વે ડેટા પ્રોસેસિંગમાં AI ની સુરક્ષિત જગ્યા; કાચા ડેટાનું આયોજન, અસંગતતાઓ માટે સ્કેનિંગ અને ડ્રાફ્ટ રિપોર્ટ્સનું નિર્માણ. PDOP/ફિક્સ સ્ટેટસ, ક્લોઝિંગ એરર અને બેલેન્સિંગ જેવા માપનના સિદ્ધાંતો સાથે પોઝિશનની ગણતરી અને અંતિમ સ્વીકૃતિની ચોકસાઈ એન્જિનિયર પાસે રહે છે. AI ને પૂછો "બરાબર?" પરંતુ "ત્યાં શું અસંગતતાઓ છે?" પૂછો સ્ટાન્ડર્ડ સામે હાથની ગણતરી દ્વારા હંમેશા જટિલ ધારણાઓની પુષ્ટિ કરો, જેમ કે બંધ ભૂલ.

એપ્લિકેશન કાર્ય

તમારા (અથવા કાલ્પનિક) 20-લાઇનના GNSS અવલોકન કોષ્ટક માટે QC પ્રોમ્પ્ટ લખો: સ્કીમા, CRS સંદર્ભ, રેન્કની અપેક્ષા, અને ઓછામાં ઓછા પાંચ ચેતવણી નિયમો (ગુમ થયેલ સાધનની ઊંચાઈ, પુનરાવર્તિત બિંદુ, ઉચ્ચ PDOP, ફ્લોટ સોલ્યુશન, આઉટ-ઓફ-ઓર્ડર કોઓર્ડિનેટ) શામેલ કરો. પછી કાચા ડેટા સામે AI આઉટપુટમાં ચેતવણી સૂચિની પ્રથમ ત્રણ વસ્તુઓની ચકાસણી કરો.

ચેકલિસ્ટ

• [ ] મેં સ્કીમ અને CRS/વર્ટિકલ ડેટમ સંદર્ભને શરૂઆતથી વ્યાખ્યાયિત કર્યો.
• [ ] મેં AI ને અસંગતતા સ્ક્રીનીંગ માટે પૂછ્યું, ચુકાદો નહીં.
• [ ] મેં ચેતવણીના નિયમો (PDOP, ફિક્સ/ફ્લોટ, રેન્ક, ગુમ થયેલ ફીલ્ડ) ત્વરિત કર્યા.
• [ ] મેં ફ્લોટ સોલ્યુશન્સ અને ઉચ્ચ PDOP અવલોકનોને અલગ કર્યા.
• [ ] મેં તપાસ કરી કે મેં આડા અને વર્ટિકલ ડેટમનું મિશ્રણ કર્યું નથી.
• [ ] મેં સ્ટાન્ડર્ડ સામે હાથની ગણતરી કરીને બંધ ભૂલની પુષ્ટિ કરી.
• [ ] મારી પાસે પ્રમાણિત વાતાવરણમાં અનામી/પ્રક્રિયા કરેલ સંવેદનશીલ બિંદુ ડેટા છે.
• [ ] મેં એન્જીનીયરની જવાબદારી અંતિમ સંકલન સ્વીકારી રાખી.