高精度仪器高量取方法研究

各种工程对测量的精度要求越来越高,仪器高的量取是测绘中的首要程序,仪器高的精度决定了测量外业的整体精度。本文介绍了量取仪器高的一般方法,并在对现有三脚架作出局部改动的基础上,配对一种新设计的尺子,提出了一种新的仪器高量取方法。该方法操作简便,可行性强,可提高仪器高的测量精度,具有很强的普及性。本文的设想为测量工作中仪器高的量取提供了新的参考,也为仪器改良提供了新的思路。     

数据库系统在测绘企业管理中的应用

一、简述 测绘企业管理人员在管理中应当讲究有效性,即对于主要管理者来说,应当非常清楚本企业的内外部情况,如企业职工队伍的现状、各机构的人事安排、企业拥有的设备生产能力等等;对于部门管理者来说,应当非常清楚本部门或本人职责规范内的各项内容,如职工工资的分配、各种仪器设备的现状、各     

多面函数法GPS高程拟合在桥梁建设中的应用研究

高程异常一般呈多曲面分布，在局部区域内，建立多面函数模型进行GPS高程拟合，可以达到较高的精度。利用多面函数模型进行GPS高程拟合，除选取分布均匀的中心点外，核函数形式的选取直接关系到GPS高程拟合的精度。对几种多面函数模型进行研究和比较，并在某桥梁建设中进行了实际应用。     

地下圆曲线标定过程中合理弦长与边垂距的确定

根据地下圆曲线所片位置的特殊性，提出了确定合理弦长进进行地下圆曲线标定的方法，导出了计算弦线上任一点的内、外边垂的距的公式，有利于保证测角测边精度施工的进度和质量。     

基于灰色聚类法和灰色关联分析的大坝安全评价

大坝安全评价是一项复杂的综合评价,针对大坝安全评价中存在信息不完全确定的特点,将灰色系统理论中的灰色聚类法和灰色关联分析法应用到大坝安全评价中。以大坝基础工程部位的安全状况作为评价对象,建立评价指标和评价标准体系。通过实例计算与分析表明,两种方法在安全评价结果方面表现出了良好的一致性,且评价结果与实际情况相符,将两种方法用于大坝安全评价是可行和有效的。     

基于机载LiDAR点云数据的多级分段提取电力线方法

基于机载LiDAR点云数据,针对采用随机采样一致性、霍夫变换的直线检测方法进行电力线提取时存在受测区环境干扰较大、处理过程较为复杂等情况,提出了一种多级分段的电力线提取方法.首先,采用二维格网进行原始点云数据的存储并利用高差信息去除地形以及近地面的地物;其次,采用主成分分析以及随机采样一致性等算法提取出粗略的电力线点;...     

基于机载LiDAR数据的建筑物轮廓提取

建筑物轮廓作为建筑物三维重建的重要元素,在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取,以及提取精度评定各环节存在的一些问题,提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上,首先利用改进的区域生长算法滤波地面点,并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点;再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面;最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算,通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明,综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息,对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。     

四种常用坐标测量方法的精度对比

由于高精度全站仪的普及和使用,极坐标法、角度前方交会法、边长前方交会法、边角前方交会法在平面控制点加密或测点坐标测量中得到广泛采用。推导4种测量方法点位中误差的计算方法,针对工业测量中短基线和工程测量中较长基线的情况,结合确定性的观测仪器和观测条件,计算点位中误差的大小,对比分析不同测量方法的精度、特点和应用条件,计算、分析的结果和结论对实际测量方法的选择和测量工作的开展具有较好的参考价值。     

基于两步解法的似大地水准面拟合

基于最小二乘估计(LS估计)的曲面拟合,作为似大地水准面拟合的一种方法,巳广泛应用在GPS高程转换中.然而,如果曲面拟合方程中存在病态问题,LS估计方法往往不能解算出稳定且准确的参数估值.在LS估计的基础上,探讨了基于两步解法的似大地水准面拟合方法.该方法能够减弱病态方程对拟合结果的影响,提高GPS高程转换的质量.最后...     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。