复杂城市环境中固有的规划、灾害管理和安全挑战需要创新的解决方案。世界各地的研究人员正在这一领域取得进展，利用数字孪晶、体素、光探测和测距（LiDAR）等方法的前沿工作，开发具有以前不可能的细节、精度和保真度的模型和模拟。在与新南威尔士大学（UNSW）的合作中，欧洲航测工业协会（EAASI）汇集了来自澳大利亚各地的研究机构的四名专家，分享了关于3D城市模型的潜力和知识的知识，以将该领域带入下一个水平。
教授,博士茜茜Zlatanova，建筑环境学院网格实验室(地理空间研究创新与发展)负责人，新南威尔士州她在悉尼的演讲拉开了会议的序幕点云和更远:3D建模范例. 城市“数字孪生兄弟”是一种数字复制品，能够实现物理和数字状态之间的融合，近年来已成为一个热门话题。它能够支持从城市规划到智能城市到灾害管理的广泛应用，因此受到赞赏。它超越了简单的地理空间模型，提供了有关行为、对象之间联系和一系列其他因素的数据，实现了来自真实世界和数字世界的静态和动态信息的融合。室外和室内遥感对于三维城市建模，尤其是三维更新和三维分析，尤其是动态分析，变得至关重要。更好的程序对于3D变化检测以及3D空间中正在发生的事情仍然是必要的，未来的研究应该将重点放在这些关键领域。
博士佩特拉·赫尔姆霍兹是北京大学地球与行星科学学院的摄影测量、遥感和图像分析专家科廷大学在澳大利亚的珀斯。从点云和图像到建筑轮廓和模型，Petra在3D城市建模和城市热检测方面的工作与弗劳恩霍夫研究所在德国卡尔斯鲁厄。从激光扫描仪或图像导出的数字表面模型（DSM）开始，逐步建立细节级别，然后使用数字地形模型（DTM）提取地形。应用垂直阈值限制，创建地面遮罩，并使用标准化DSM创建最终DTM。
目标是使用摩尔轮廓追踪算法作为初始步骤生成一个近似的建筑多边形模型，然后根据建筑的几何属性使用数据驱动算法。模型的准确性取决于两个因素:图像的分辨率和点云的分辨率或密度。由于摩尔轮廓追踪算法方法的精度不高，需要额外的数学建模。Gauss-Helmert和Gauss-Markov模型都被用来调整建筑多边形，结果是一个更好的轮廓，更能代表建筑掩模，在珀斯的126个建筑研究区域的平均误差为0.91 cm到1m。由于澳大利亚大都市住宅设计的复杂性，需要额外的建模来实现完整的语义3D模型，并模拟地表温度来开发城市热岛的4D数字孪生。近年来，随着空间、时间和光谱分辨率的提高，数据图像变得更加密集，使得创建更详细、更精确的模型成为可能。这些模型促进了包括城市规划者在内的最终用户的工作，支持创建更宜居城市的总体目标。
博士杰克·巴顿，网格实验室经理新南威尔士州，接受过建筑师培训，擅长3D地图和城市建模应用。他解释了体素用于处理和分析的潜力，并分享了一些新的方法学方法。悉尼海港大桥和歌剧院因其著名的复杂性对传统建模提出了挑战，而体素提供了一个简单的解决方案。体素是一种离散的三维像素化方法，有无数的应用，包括医学、地理信息学和建筑环境研究。体素对于模型非常有用，因为它们在体积级别提供了2D或矢量分析无法提供的有价值数据，为阴影投射和其他体积分析提供了可见性分析。澳大利亚越来越多地使用激光雷达收集大面积的大量点云数据，对现有数据进行标记并添加语义层，以支持空间分析。体素可以识别更大、更精细的细节，在点云中引入智能，从而更容易识别和定义对象，从而改进和加快数据分析过程。
体素还可以用于室内体积计算，结合大比例尺地形图、航空激光雷达或摄影点云和可用的建筑实践数据来估计每个住房单元的体积和楼层面积。这些体素化数据可以快速有效地揭示传统基于矢量技术无法获得的关键信息。这种智能方法有多种应用，包括应急规划、路径建模和公共建筑中的动态寻路。它能够对建筑物内的烟雾、气体和火灾等紧急疏散因素进行智能建模，提供关键数据，为规划提供信息。
将体素化与点云相结合，可提供3D和4D快速分析和模拟，为规划提供信息，特别是在应急响应中。在八叉树导航建模领域的进一步研究提供了降低计算复杂性、控制细节和最重要的空间分析的潜力。
拥有自主测绘、定位和3D计算机视觉的专业知识，A/教授库罗什·霍舍勒姆，墨尔本大学，通过激光雷达告诉我们自动驾驶。鉴于大多数人都认为是完全自动驾驶的车辆，自动驾驶仍然存在争议，尽管实际上有五个级别的自动驾驶，在所有条件下，自动驾驶不太可能在不久的将来广泛实施。人为失误导致94%的道路事故，驾驶自动化可以直接解决这一问题，从而使道路更加安全，交通流量得到改善，排放量减少，有特殊需要的人的机动性得到改善。激光雷达可以协助驾驶场景感知、生成高清晰度地图和车辆定位，在各种天气条件下比摄像头更精确，因此在恶劣天气下可能会出现安全和性能问题。
先进的机器学习模型由人工标记的数据训练，当部署时，可以识别和定位道路环境中的物体。基于激光雷达和相机结合的机器学习的准确率远高于98%以上的单独方法。对标注数据的需求是在更大尺度上对点云进行分类以生成详细的道路环境3D地图的挑战。另一个挑战是不同环境下的场景适应性和可转移性，因为不同城市和国家的道路环境不同。机器学习是开启未来自动驾驶汽车全部潜力的关键。
目前，利用航空测量数据建立三维城市模型的前沿正在形成，通过这些新方法可能实现的保真度、准确性和细节水平，使其成为我们领域最令人兴奋的领域之一。我们鼓励读者喝杯咖啡，坐下来，享受这个网络研讨会YouTube请联系马科斯·马丁内斯EEASI如有任何问题或需要了解更多信息：info@eaasi.eu．