如何使用sketch up创建multipatch数据(二)

本文详述如何使用SketchUp和ArcGIS将数据转换为multipatch格式,包括从GDB加载数据到SketchUp,编辑建模,及将模型导出到multipatch文件。
 

HiGIS.cn 原创文章,转载请注明出处

在接着介绍具体操作步骤之前,简单地说明一下整体的工作流:

首先使用ArcGIS桌面应用程序从GDB中加载数据;

接着利用SketchUp 6 GIS Plug-in工具将所需的要素导出到SketchUp中,并在SketchUp中进行建模;

最后将建好的模型导出成multipatch格式的数据。整个过程如下图所示:


(一)将ArcGIS数据导出到SketchUp中

载入并选择数据

l 启动ArcMap并载入需要导出的数据

加载数据

l 使用选择要素工具选择需要导出的要素

选择要素

l 点击Export sleected items to SketchUp 6工具,即按钮,

弹出options对话框。(下图)

options对话框

设置相关选项

根据需要在options对话框中配置一些选项。详细说明如下:

Feature Classes标签:

Feature Classes标签显示了你在ArcGIS中选中的要素类的名称。共支持四种数据格式:point, polyline, polygon 和 multipatch。在选择每一种格式时,右边的选项会相应的变化。

下面分别介绍几种格式的选项:

Point :

有两个选项:Point size (in inches)Name group using

Point size对应着SketchUp中的Point的'X'值;

Name group using可以用来选择一个字段来进行分组。

Polyline:

也有两个选项:Elevate by fieldName group using

使用Elevate by field选项,可以根据某个字段将polylines升高(相当于设置Z值)。

使用Name group using可以用来选择一个字段来进行分组。

Polygon :

有三个选项:Elevate by field, Extrude by field, 和Name group using

使用Elevate by field选项,可以根据某个字段将Polygon升高(相当于设置Z值)。

使用Extrude by field选项,可以根据某个字段将Polygon自动拉伸成立体。

Name group using可以用来选择一个字段来进行分组。

在设置存储路径之后就可以点"确定"了,执行完成后将会在指定位置生成一个*. Skp文件。

如果"Launch SketchUp on completion"是勾上的,那么在转换完成之后将启动SketchUp并打开转换结果。

注:对于TinsRaster标签,原理和上述几种基本相同,本文不作详细说明。

(二)在SketchUp 中使用ArcGIS数据

导出的数据可以在SketchUp中可以像编辑正常数据一样编辑。具体的操作请参考SketchUp的相关资料。

两个注意点:

1:不要改变几何对象的比例。

2:不要改变模型的location(Window > Model Info > Location),从ArcGIS导出的数据已经具备空间参考信息。

(三)将SketchUp 中的模型导出成multipatch

l 选择需要导出的几何体

如果要导出全部模型,则不要选中任何几何体,(或者在后面的选项中不选Use Selected Items Only:)

l 选择File> Export > 3D Model导出模型

l 从下拉列表中选择ESRI Multipatch (*.mdb)

l 选择或者新建一个geodatabase

l 点击Export,弹出一个对话框"Select Target Feature Class",

该对话框中将会列出所选GDB中所有的multipatch数据。

如果是新建的GDB,列表为空。(上图)

此时,点击create,弹出对话框,可以看到其中的spatial一栏中已经有空间参考的信息。

点击Add Fields可以给要素类增加字段。

点击Ok创建一个要素类。

l 选择目标要素类,点击OK

对左下角的两个复选框的解释:

Store SketchUp data in Feature:

这一项如果勾上,将会在GDB的要素类中存储SketchUp data。

Use Selected Items Only:

当SketchUp中有对象被选中时,这一项才可用,如果没有对象被选中,这一项将是灰的。

勾上的话,将把所有选中的对象导出到GDB中,不勾的话,将把所有的对象全部导出到GDB中。

最后,我们可以在ArcScene中浏览导出的数据

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值