Методика использования воздушного лазерного сканирования и нейросетевых технологий для обеспечения достоверными пространственными данными кадастра недвижимости

Кадастр
УДК: 
528.443
DOI: 
10.22389/0016-7126-2025-1020-6-54-63
1 Гура Д.А.
2 Дьяченко Р.А.
3 Самарин С.В.
4 Беспятчук Д.А.
Год: 
2025
№: 
6
1020
Страницы: 
54-63

Кубанский государственный аграрный университет

1, 

Московский физико-технический институт (национальный исследовательский университет)

2, 
3, 

Кубанский государственный технологический университет

4, 
Аннотация:
Государственный кадастровый учет как регулятор рынка недвижимости оказывает прямое влияние на экономику страны. В настоящее время множество объектов недвижимости не стоит на государственном кадастровом учете. Данный факт, безусловно, негативно влияет на эффективность налогообложения объектов недвижимости, а следовательно, на государственную и региональную экономику. Для решения задач трехмерной идентификации объектов предложено применять методику распознавания объектов недвижимости, что включает проведение воздушного лазерного сканирования с последующей обработкой полученных данных при помощи искусственной нейронной сети. В исследовании применена нейронная сеть DGCNN, которая позволяет решать задачи распознавания объектов в облаке точек лазерного отражения. Наиболее трудоемкий и важный этап при работе с искусственными нейронными сетями – обучение, поэтому для получения наибольшей точности сегментации точек лазерного отражения проведен ряд экспериментов, в которых выявлены самые эффективные параметры обучения сети. Применение разработанной методики для системы государственного кадастрового учета крайне значимо
Исследование выполнено при финансовой поддержке Кубанского научного фонда в рамках научно-инновационного проекта № НИП-20.1/22.16

Список литературы: 
1.   Аврунев Е. И. Разработка системы нормативных допусков при создании геодезического обоснования для выполнения кадастровых работ в формате 3D // Изв. вузов. Геодезия и аэрофотосъемка. – 2023. – Т. 67. – № 3. – С. 16–26.
2.   Аврунев Е. И., Горобцов С. Р. Геодезическое обеспечение кадастровых работ – Новосибирск: СГУГиТ, – 2024. – 239 c.
3.   Гура Д. А. Градостроительное зонирование в задаче информационного обеспечения кадастровых работ на землях населенных пунктов // Вестник СГУГиТ. – 2024. – Т. 29. – № 5. – С. 137–147. DOI: 10.33764/2411-1759-2024-29-5-137-147.
4.   Гура Д. А., Ващенко Д. А., Беспятчук Д. А., Самарин С. В., Пшидаток С. К. Перспективы применения воздушного лазерного сканирования и аэрофотосъемки для обеспечения пространственными данными 3D-кадастра // Землеустройство, кадастр и мониторинг земель. – 2023. – № 3. – С. 179–183. DOI: 10.33920/sel-04-2303-07.
5.   Добровольский Д. О. Исследование эффективности дешифрирования объектов кадастрового учета по разносезонным аэроснимкам и бинарным картам высот с применением сверточной нейронной сети // Изв. вузов. Геодезия и аэрофотосъемка. – 2022. – Т. 66. – № 2. – С. 81–91.
6.   Колесников А. А. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования // Вестник СГУГиТ. – 2022. – Т. 27. – № 3. – С. 74–94.
7.   Максименко Л. А. Сбор и обработка кадастровой информации в сфере управления недвижимым имуществом // Вестник СГУГиТ. – 2024. – Т. 29. – № 1. – С. 118–126. DOI: 10.33764/2411-1759-2024-29-1-118-126.
8.   Новаковский Б. В., Кудрявцев А. В., Энтин А. Л. Использование материалов воздушного лазерного сканирования при картографировании рельефа // Геоинформатика. – 2020. – № 2. – С. 27–34.
9.   Пшидаток С. К., Гурский И.Н., Разгоняев С.В., Лымарь А.А. Сравнение вариантов работ при технической инвентаризации на территории Сахалинской области // Экономика и предпринимательство. – 2024. – № 3 (164). – С. 237–242.
10.   Bonczak B., Kontokosta C. E. (2019) Large-scale parameterization of 3D building morphology in complex urban landscapes using aerial LiDAR and city administrative data // Computers, Environment and Urban Systems. 73, pp. 126-142. DOI: 10.1016/j.compenvurbsys.2018.09.004.
11.   Kashefi A., Mukerji T. (2022) Physics-informed PointNet: A deep learning solver for steady-state incompressible flows and thermal fields on multiple sets of irregular geometries. arXiv // Physics. DOI: 10.48550/arXiv.2202.05476.
12.   Lee J. S., Park J., Ryu Y.-M. (2021) Semantic segmentation of bridge components based on hierarchical point cloud model // Automation in Construction. 130, 103847, DOI: 10.1016/j.autcon.2021.103847.
13.   Phan A. V., Nguyen M. L., Nguyen Y. L. H., Bui L. T. (2018) DGCNN: A convolutional neural network over large-scale labeled graphs // Neural Networks. 108, pp. 533–543. DOI: 10.1016/j.neunet.2018.09.001.
14.   Reba M., Seto K. C. (2020) A systematic review and assessment of algorithms to detect, characterize, and monitor urban land change // Remote Sensing of Environment. 242, pp. 174-181. DOI: 10.1016/j.rse.2020.111739.
15.   Seely H., Coops N. C., White J. C., Montwé D., Winiwarter L., Ragab A. (2023) Modelling tree biomass using direct and additive methods with point cloud deep learning in a temperate mixed forest // Science of Remote Sensing. 8, 100110, DOI: 10.1016/j.srs.2023.100110.
16.   Tian B., Loonen R. C. G. M., Hensen J. L. M. (2023) Combining point cloud and surface methods for modeling partial shading impacts of trees on urban solar irradiance // Energy and Buildings. 298, 113420, DOI: 10.1016/j.enbuild.2023.113420.
17.   Waikhom L., Patgiri R. (2023) Chapter Three – An empirical investigation on BigGraph using deep learning // Advances in Computers. 128, pp. 107–133. DOI: 10.1016/bs.adcom.2021.09.007.
18.   Wang Y., Sun Y., Liu Z., Sarma S. E., Bronstein M. M., Solomon J. M. (2019) Dynamic Graph CNN for Learning on Point Clouds // ACM Transactions on Graphics. 38, 5, DOI: 10.1145/3326362.
19.   Wu F., Yan F., Shi W., Zhou Z. (2022) 3D scene graph prediction from point clouds // Virtual Reality and Intelligent Hardware. 4, 1, pp. 76–88. DOI: 10.1016/j.vrih.2022.01.005.
20.   Wu B., Liu Y., Lang B., Huang L. (2017) DGCNN: Disordered Graph Convolutional Neural Network Based on the Gaussian Mixture Model // Neurocomputing. 321, pp. 346–356. DOI: 10.1016/j.neucom.2018.09.008.
21.   Zhou K., Lindenbergh R., Gorte B., Zlatanova S. (2020) LiDAR-guided dense matching for detecting changes and updating of buildings in Airborne LiDAR data // ISPRS Journal of Photogrammetry and Remote Sensing. 162, pp. 200-213. DOI: 10.1016/j.isprsjprs.2020.02.005.
Образец цитирования:
Гура Д.А., 
Дьяченко Р.А., 
Самарин С.В., 
Беспятчук Д.А., 
Методика использования воздушного лазерного сканирования и нейросетевых технологий для обеспечения достоверными пространственными данными кадастра недвижимости // Геодезия и картография. – 2025. – № 6. – С. 54-63. DOI: 10.22389/0016-7126-2025-1020-6-54-63
СТАТЬЯ
Поступила в редакцию: 24.04.2025
Принята к публикации: 01.07.2025
Опубликована: 20.07.2025

Содержание номера

2025 июнь DOI:
10.22389/0016-7126-2025-1020-6