DOI: https://doi.org/10.5194/isprs-archives-xlviii-4-w18-2025-147-2026
تاريخ النشر: 2026-01-27
المؤلف: Nicola Genzano وآخرون
الموضوع الرئيسي: المسح ثلاثي الأبعاد والتراث الثقافي
نظرة عامة
تناقش هذه القسم تطوير وتطبيق منهجية جديدة تُسمى الاستطلاع الافتراضي (VRec)، والتي تستخدم تقنية المسح بالليزر المحمول (MLS) بناءً على التوطين والتخطيط المتزامن (SLAM) لتقييم الجودة وتحديث قواعد البيانات الجغرافية المكانية (GeoDBs). تم اختبار المنهجية في دراسة حالة في ليكو، إيطاليا، حيث تم الحصول على سحب نقطية عالية الدقة وتم تحديد مواقعها باستخدام نقاط التحكم الأرضية GNSS (GCPs). تشير النتائج إلى أن VRec يمكن أن تقيم بفعالية جودة GeoDBs ضمن حدود التسامح الرسمية وتظهر إمكانية لتحديث قواعد البيانات في البيئات الحضرية المعقدة. ومع ذلك، تتطلب معالجة البيانات الحالية مشغلين مهرة واستثمارًا كبيرًا من الوقت، مما يحد من استدامتها مقارنة بالطرق التقليدية.
تخلص الورقة إلى أنه بينما تُظهر VRec القدرة التقنية لتقييم الجودة، يمكن تحسين كفاءتها من خلال التطورات المستقبلية في الذكاء الاصطناعي لتصنيف السحب النقطية. بالإضافة إلى ذلك، قد يؤدي دمج بيانات MLS مع مصادر بيانات أخرى، مثل التصوير الجوي، UAV-LiDAR، وصور الأشعة تحت الحمراء الحرارية، إلى تعزيز جدوى المنهجية وفعاليتها في إدارة البيانات الجغرافية الحضرية.
مقدمة
تناقش مقدمة ورقة البحث أهمية قواعد البيانات الجغرافية المكانية (geoDBs) في إدارة وتحليل البيئات الحضرية، مع تسليط الضوء على تطورها من منتجات الخرائط الطبوغرافية التقليدية. تُنتج هذه القواعد عادةً بمقاييس تتراوح بين 1:1,000 و 1:2,000، وتؤدي وظائف أساسية في التخطيط الحضري وإدارة السجلات العقارية. يمكن أن تشمل إنتاج geoDBs إما إنشاء مجموعات بيانات جديدة أو تحديث الموجودة، باستخدام مصادر بيانات متنوعة مثل الصور الجوية، LiDAR، والمسح الأرضي لالتقاط المعلومات المكانية ثلاثية الأبعاد.
يتم التأكيد على تقييم الجودة (QA) كعنصر حاسم في إنتاج وتحديث geoDBs، حيث يتم التحقق من الدقة الهندسية والدلالية للنموذج الحضري المعاد بناؤه مقابل الظروف الواقعية. تتطلب هذه العملية استكشافًا ميدانيًا من قبل الخبراء واستخدام أدوات المسح مثل الثيودوليت وGNSS للتحقق من القياسات. يتم الاعتراف بالتحديات المتعلقة بالعمليات الأرضية، بما في ذلك طبيعتها المستهلكة للوقت ومتطلبات الأفراد الخبراء، إلى جانب قيود الأدوات البعيدة مثل الصور الجوية والصور البانورامية، التي لا توفر تحققًا كافيًا من القياسات. بشكل عام، يبرز القسم أهمية المسح الأرضي في تحقيق جودة عالية لـ geoDBs مع الاعتراف بالقيود اللوجستية والميزانية المعنية.
طرق
في هذا القسم، يقوم المؤلفون بتحليل منهجية VRec المطبقة على geoDB من بلدية ليكو، والتي تُعتبر حالة تمثيلية للإدارة المحلية والإقليمية للأراضي في إيطاليا. تحاكي منهجية VRec عمليات تقييم الجودة القياسية (QA) لـ geoDBs بناءً على قياسات المسح، مستفيدة من مزايا سحب النقاط SLAM. يسمح هذا النهج باختيار أوسع لنقاط التحكم بخلاف تلك التي تم قياسها في الميدان، مما يسهل تقييم فئات مختلفة من الكائنات، وليس فقط المباني. عملية جمع البيانات باستخدام المسح بالليزر المحمول (MLS) قابلة للمقارنة من حيث المدة مع المسح التقليدي، مع الفائدة الإضافية المتمثلة في تأجيل اختيار نقاط التحكم والتوثيق إلى المكتب، مما يمكن تسريعه من خلال دمج GNSS من الدرجة المساحية وتحسين تقنيات تخطيط المسح.
ومع ذلك، تواجه التنفيذ الحالي لـ VRec تحديات تتعلق بتعقيد معالجة البيانات، خاصة في تحرير وتفسير السحب النقطية، مما يتطلب وقتًا كبيرًا وأفرادًا مهرة. يقترح المؤلفون أن التقدم في الذكاء الاصطناعي قد يعزز تصنيف السحب النقطية، بينما قد تحسن تقنيات المقارنة التلقائية بين هندسة المتجهات ثلاثية الأبعاد لـ geoDBs وسحب النقاط SLAM عمليات QA. يلاحظون أن فعالية هذه المقارنات تعيقها مقياس التمثيل في geoDBs، مما يعقد الإجراءات التلقائية. في النهاية، بينما لا يُبرر استخدام طريقة VRec حتى الآن فقط من أجل QA، فإن إمكانياتها لتعزيز التعرف الميداني على العناصر التي لا يمكن اشتقاقها من التخطيط الستيريو قد تجعل تطبيقها أكثر استدامة، خاصة في المناطق التي يكون فيها تفسير الصور الجوية تحديًا.
نتائج
تشير نتائج تقييم جودة geoDB إلى متوسط الفروق في قيم الإحداثيات للوحدات الحجمية، مع $\mu \Delta E = 2.3$ سم (شرق) و $\mu \Delta N = -3.0$ سم (شمال). كانت الانحرافات المعيارية $\sigma \Delta E = 23.1$ سم و $\sigma \Delta N = 21.2$ سم، مما يشير إلى أنه بينما الفروق المتوسطة ضئيلة، تقترب الانحرافات المعيارية من حد الالتقاط (20 سم) لمنطقة المقياس 1:1,000. كانت قيمة خطأ الجذر المتوسط (RMSE) المحسوبة لهذه الفروق 23.3 سم في الشرق و21.4 سم في الشمال، وكلاهما ضمن حدود التسامح المقبولة البالغة 40 سم. كانت نسبة الفروق خارج التسامح 3.5%، متوافقة مع مستوى ثقة 95%.
في تقييم الفروق الرأسية، شمل التحليل 14 وحدة حجمية، مما أسفر عن $\mu \Delta Z = -0.5$ سم، $\sigma \Delta Z = 20.3$ سم، وRMSE قدره 20.3 سم، مع أقصى فرق مطلق قدره $| \Delta Z |_{max} = 37.7$ سم، متوافق مع التسامح المقابل. بالإضافة إلى ذلك، أظهرت المسافات المساحية بين ميزات الطرق $\mu \Delta C = -2.1$ سم وRMSE قدره 14.8 سم، مع أقصى فرق قدره $| \Delta d |_{max} = 28.3$ سم. ومع ذلك، أظهر تقييم امتدادات المساحات الخضراء فروقًا كبيرة، مع انحياز متوسط قدره -2.31 م، مما يشير إلى تقدير زائد لحجم المساحة الخضراء في geoDB. يبرز هذا الحاجة إلى تحسين تقييم الجودة للمساحات الخضراء الحضرية، التي غالبًا ما تكون أقل أولوية مقارنة بالمباني والبنية التحتية. يتم التأكيد على استخدام بيانات سحب النقاط SLAM لضمان الجودة والتعرف الميداني كجانب مفيد من نهج VRec.
مناقشة
في هذا القسم، تناقش الورقة التطبيق المبتكر لتقنية المسح بالليزر المحمول (MLS) بناءً على التوطين والتخطيط المتزامن (SLAM) لتقييم الجودة (QA) لقواعد البيانات الجغرافية المكانية (geoDBs) في البيئات الحضرية. تهدف المنهجية المقترحة، التي تُسمى “الاستطلاع الافتراضي” (VRec)، إلى تعزيز كفاءة التعرف الميداني وعمليات QA من خلال استخدام السحب النقطية الناتجة عن أنظمة MLS المحمولة. يدمج هذا النهج مصادر بيانات متنوعة، بما في ذلك وحدات القياس بالقصور الذاتي (IMUs) وGNSS لتحديد المواقع، لإنشاء تمثيلات ثلاثية الأبعاد دقيقة للبيئة. تبرز الورقة مزايا VRec، مثل تحسين سرعة جمع البيانات والقدرة على الوصول إلى المناطق التي يصعب الوصول إليها، مع الاعتراف أيضًا بالقيود الحالية في وقت المعالجة مقارنة بأساليب المسح التقليدية.
توضح دراسة الحالة التي أجريت في بلدية ليكو، إيطاليا، التطبيق العملي لمنهجية VRec. تشير النتائج إلى أن سحب النقاط SLAM يمكن أن تدعم بفعالية QA لـ geoDBs، محققة أخطاء جذرية متوسطة مربعة (RMSE) ضمن الحدود المقبولة لتخطيط المدن. ومع ذلك، يشير المؤلفون إلى أنه بينما تُظهر VRec وعدًا، هناك حاجة إلى مزيد من التقدم لتبسيط عملية استخراج المعلومات من السحب النقطية، مما يجعلها أكثر استدامة وكفاءة لتحديثات geoDB على نطاق واسع. بشكل عام، تشير النتائج إلى أن VRec يمكن أن تعزز بشكل كبير دقة وكفاءة إدارة geoDB الحضرية، مما يمهد الطريق للتطورات المستقبلية في هذا المجال.
DOI: https://doi.org/10.5194/isprs-archives-xlviii-4-w18-2025-147-2026
Publication Date: 2026-01-27
Author(s): Nicola Genzano et al.
Primary Topic: 3D Surveying and Cultural Heritage
Overview
This section discusses the development and application of a novel methodology named Virtual Reconnaissance (VRec), which utilizes Mobile Laser Scanning (MLS) technology based on Simultaneous Localization and Mapping (SLAM) for the quality assessment and updating of spatial geodatabases (GeoDBs). The methodology was tested in a case study in Lecco, Italy, where high-resolution point clouds were acquired and georeferenced using GNSS ground control points (GCPs). The findings indicate that VRec can effectively assess the quality of GeoDBs within official tolerance thresholds and shows potential for updating databases in complex urban settings. However, the current data processing demands skilled operators and significant time investment, which limits its sustainability compared to traditional methods.
The paper concludes that while VRec demonstrates technical capability for quality assessment, its efficiency could be improved through future developments in artificial intelligence for point cloud classification. Additionally, integrating MLS data with other data sources, such as drone photogrammetry, UAV-LiDAR, and thermal infrared imagery, may enhance the methodology’s viability and effectiveness in urban geospatial data management.
Introduction
The introduction of the research paper discusses the significance of Geospatial Databases (geoDBs) in managing and analyzing urban environments, highlighting their evolution from traditional topographic mapping products. These databases, typically produced at scales between 1:1,000 and 1:2,000, serve essential functions in urban planning and cadastral management. The production of geoDBs can either involve creating new datasets or updating existing ones, utilizing various data sources such as aerial imagery, LiDAR, and ground-based surveys to capture spatial 3D information.
Quality Assessment (QA) is emphasized as a critical component in the production and updating of geoDBs, where the geometric and semantic accuracy of the reconstructed urban model is validated against real-world conditions. This process necessitates physical ground exploration by experts and the use of surveying tools like theodolites and GNSS for metric verification. The challenges of ground operations, including their time-consuming nature and the requirement for expert personnel, are acknowledged, alongside the limitations of remote tools like aerial images and panoramic imagery, which do not provide sufficient metric validation. Overall, the section underscores the importance of ground surveying in achieving high-quality geoDBs while recognizing the logistical and budgetary constraints involved.
Methods
In this section, the authors analyze the VRec methodology applied to a geoDB from the Lecco Municipality, which serves as a representative case for local and regional land administration in Italy. The VRec methodology emulates standard quality assessment (QA) processes for geoDBs based on surveying measurements, leveraging the advantages of SLAM Point Clouds. This approach allows for a broader selection of control points beyond those measured in the field, facilitating the assessment of various object categories, not limited to buildings. The data acquisition process using Mobile Laser Scanning (MLS) is comparable in duration to traditional surveying, with the added benefit of deferring control point selection and documentation to the office, potentially expedited by integrating surveying-grade GNSS and optimizing scan planning techniques.
However, the current implementation of VRec faces challenges related to data processing complexity, particularly in editing and interpreting point clouds, which requires significant time and skilled personnel. The authors suggest that advancements in Artificial Intelligence could enhance point cloud classification, while automatic comparison techniques between 3D vector geometry of geoDBs and SLAM Point Clouds may improve QA processes. They note that the effectiveness of these comparisons is hindered by the scale of representation in geoDBs, which complicates automatic procedures. Ultimately, while the VRec method is not yet justified solely for QA, its potential to enhance field recognition of elements not derivable from stereoplotting could make its application more sustainable, especially in areas where aerial image interpretation is challenging.
Results
The results of the quality assessment of the geoDB indicate mean discrepancies in coordinate values of volumetric units, with $\mu \Delta E = 2.3$ cm (East) and $\mu \Delta N = -3.0$ cm (North). The standard deviations were $\sigma \Delta E = 23.1$ cm and $\sigma \Delta N = 21.2$ cm, suggesting that while average discrepancies are minimal, the standard deviations approach the limit of capture (20 cm) for the 1:1,000 scale area. The root mean square error (RMSE) calculated for these discrepancies yielded values of 23.3 cm in East and 21.4 cm in North, both within the acceptable tolerance of 40 cm. The out-of-tolerance ratio was 3.5%, consistent with a 95% confidence level.
In assessing vertical discrepancies, the analysis included 14 volumetric units, resulting in $\mu \Delta Z = -0.5$ cm, $\sigma \Delta Z = 20.3$ cm, and an RMSE of 20.3 cm, with a maximum absolute discrepancy of $| \Delta Z |_{max} = 37.7$ cm, compliant with the corresponding tolerance. Additionally, planimetric distances between road features showed $\mu \Delta C = -2.1$ cm and an RMSE of 14.8 cm, with a maximum discrepancy of $| \Delta d |_{max} = 28.3$ cm. However, the assessment of green area extensions revealed significant discrepancies, with an average bias of -2.31 m, indicating an overestimation of green area size in the geoDB. This highlights the need for improved quality assessment of urban green spaces, which are often less prioritized compared to buildings and infrastructure. The use of SLAM Point Cloud data for quality assurance and field recognition is emphasized as a beneficial aspect of the VRec approach.
Discussion
In this section, the paper discusses the innovative application of Mobile Laser Scanning (MLS) technology based on Simultaneous Localization and Mapping (SLAM) for Quality Assessment (QA) of geospatial databases (geoDBs) in urban environments. The proposed methodology, termed ‘Virtual Reconnaissance’ (VRec), aims to enhance the efficiency of field recognition and QA processes by utilizing point clouds generated from portable MLS systems. This approach integrates various data sources, including Inertial Measurement Units (IMUs) and GNSS for georeferencing, to create accurate 3D representations of the environment. The paper highlights the advantages of VRec, such as improved data acquisition speed and the ability to access hard-to-reach areas, while also acknowledging the current limitations in processing time compared to traditional surveying methods.
The case study conducted in the municipality of Lecco, Italy, illustrates the practical application of the VRec methodology. The results indicate that the SLAM Point Cloud can effectively support the QA of geoDBs, achieving Root Mean Squared Errors (RMSE) well within acceptable thresholds for urban mapping. However, the authors note that while VRec shows promise, further advancements are necessary to streamline the information extraction process from point clouds, making it more sustainable and efficient for large-scale geoDB updates. Overall, the findings suggest that VRec could significantly enhance the accuracy and efficiency of urban geoDB management, paving the way for future developments in the field.