Вимоги до точності геопросторових даних і специфікацій для розповсюдження та оптимізації радіозв'язку 5G набагато вищі, ніж при плануванні мереж 2G і 3G. Рекомендована роздільна здатність геопросторових даних 1-2 метри дозволяє відображати найдрібніші частини геопросторових об'єктів. 3D-моделі, які зазвичай використовуються для планування міст 5G, містять наступні шари: DTM, DHM, Clutter, Clutter Height, базові вектори, а також 3D-вектори будівель, мостів і рослинності.
Дані про clutter height у поєднанні з високоякісними даними про clutter і рельєф місцевості є важливим додатковим джерелом геоданих для інженерів, які займаються проєктуванням радіотехнічних систем. Дані про clutter height з роздільною здатністю 1 м або 2 м дозволяють оцінити висоту перешкод на основі кожної комірки. Це дає набагато точніше уявлення про різноманітність висот у межах класів Клаттерів і покращує результати прогнозування. Шар Clutter Height широко використовується в найпопулярніших інструментах радіочастотного планування і відповідних моделях розповсюдження сигналу. Clutter Height або DHM використовується як окремо, так і в поєднанні з DTM (тільки рельєф). Поєднання DTM і DHM добре відоме як DSM - набір значень висот земної поверхні, включаючи штучні та природні об'єкти (наприклад, дерева).
У цій статті ми описуємо технологію та методику створення точної матриці clutter height для планування та оптимізації мереж 5G. Наша мета - реконструювати міське середовище з усіма 3D об'єктами, які слугують перешкодами для поширення радіохвиль, у растровому представленні.
Clutter height або цифрова модель висот (DHM) - це матриця перешкод - будівель та рослинності з атрибутом відносної висоти. Технологія побудови clutter height базується на вимірюванні висоти перешкод шляхом обробки стереозображень високої роздільної здатності.
1-й крок – це виділення контурів та висот будівель. Для визначення контурів будівель та загальних висот ми використовуємо модель глибокого навчання на основі CNN, навчену на наборі зображень високої роздільної здатності та аерофотознімків, та стереопари з роздільною здатністю 0,3-0,5 м як вихідний матеріал.
В умовах щільної міської забудови, особливо в центральних ділових районах (CBD), де будівлі часто мають складні архітектурні форми, наступним важливим кроком є додаткове ручне опрацювання знімків. У цьому процесі використовуються стереофотограмметричні методи векторизації та вимірювання висот, спрямовані на обробку
- Деталей дахів
- Фасадних конструкціях
- Окремих частинах будівель, які можуть мати різну висоту та складну форму
Таким чином, результатом є масив контурів будинків, де кожен елемент розміром від 3мх3м має окрему висоту.
Для дерев ми тренуємо ту ж модель, що і для будівель, яка розрізняє крони дерев розміром 3м х 3м і додає індивідуальну висоту до кожного контуру.
Потім всі зібрані шари 3D-об'єктів об'єднуються і растеризуються для отримання матриці з коміркою 1м х 1м або 2м х 2м, створюючи набір індивідуальних значень висот для кожної комірки матриці. Модель CLUTTER HEIGHT надає відносну висоту кожної комірки з точністю до 2-3 м.
Якщо це необхідно для конкретного проєкту замовника, 3D-об'єкти узгоджуються і поєднуються з DTM для отримання шару DSM (Digital Surface Model - цифрова модель поверхні) з абсолютними значеннями висот у матричному форматі.
Цей підхід є найбільш простим і очевидним для створення 3D моделей, оскільки 3D шари перепон постачаються в будь-якому випадку, і clutter height є похідним шаром.
Альтернативним підходом є створення даних DSM з набору супутникових знімків високої роздільної здатності або аерофотознімків, якій також може бути адаптований для використання даних LiDAR. Оскільки планування мережі завжди вимагає ЦМР (цифрової моделі рельєфу) і DHM (цифрової матриці висот) у вигляді окремого шару, необхідно використовувати алгоритм вилучення DTM з DSM, тобто DSM повинна бути належним чином очищена від штучних споруд і рослинності.
Це добре відома проблема в цифровій індустрії, а наявні рішення недостатньо точні для потреб планування 5G у щільному міському середовищі. Чинні методи не є простими, вони використовують алгоритми глибокого навчання для виявлення об'єктів і забезпечують надійні результати лише за умови, що рельєфі є достатньо простим. Додаткові процеси включають видалення шумів, притаманних DSM, і зіставлення шару водних об'єктів з результуючою DTM. Обидва процеси не автоматичні, а напівавтоматичні з подальшою ручною корекцією. Нарешті, clutter heights вираховуються як DHM=DSM-DTM. Цього достатньо для створення даних clutter heights для 2.5D моделей міст. Однак, коли мова йде про 3D-моделі для щільної міської забудови, потрібне подальше розпізнавання будівель і рослинності та вимірювання їхньої висоти
Таким чином, цей метод, більш автоматизований на перших етапах, вимагає більших доробок і ручних процесів для отримання фінального набору даних.
Дані про Clutter height разом з іншими наборами геоданих - DTM, Clutter/Land Use, Водні об'єкти, лінійні вектори вулично-дорожньої мережі, 3D будівлі та рослинність - забезпечують повну 3D-реконструкцію міського середовища з використанням сучасних методів обробки стереопар супутникових та аерофотознімків за допомогою моделі згорткової нейронної мережі (CNN). Розроблені алгоритми на основі штучного інтелекту, значно підвищують ефективність створення даних з урахуванням специфіки країни.
Наші геодані підтримують компанії по всьому світу, допомагаючи їм проводити геопросторовий аналіз на основі високоякісних карт.
