GlobalMapper20实战:基于多点拟合的地形高程精准纠偏流程详解

【GlobalMapper 高程数据控制点纠正全流程操作指南】 本文详细介绍了利用控制点对高程地形数据进行精度纠正的全过程。首先导入待纠正地形数据和控制点,提取控制点在原始数据上的高程值并与实测值求差。接着基于高程差通过插值生成高程差表面,将其与原始数据相加完成纠正。最后通过重新提取控制点高程验证纠正效果,并按原始范围裁剪导出最终成果。该方法有效解决了因坐标系转换、高程基准差异或数据精度问题导致的高程偏差,适用于DEM、DSM等栅格高程数据的精度校正。 阅读详情

1. 引言:当你的地形图“飘”了,怎么办?

做测绘或者GIS的朋友,肯定都遇到过这种头疼事:你千辛万苦搞来的卫星影像或者航测生成的数字高程模型(DEM),看着挺漂亮,格网也精细,结果一到实地去核对,发现高程值对不上。有时候是整个区域都偏高或偏低了几米,像是被整体抬升或下压了;有时候更麻烦,误差东一块西一块,没有规律,用专业点的话说,就是存在系统偏差或局部畸变。

我前阵子就踩了这么个坑。项目上拿到一份5米分辨率的DEM数据,用来做工程规划设计。前期在办公室看一切正常,等高线流畅,地形起伏合理。但等我们带着RTK去现场打了十几个控制点一比较,傻眼了——有的点差了将近两米,而且这种偏差还不是均匀的,在山脊和山谷的表现还不一样。直接用这个数据做土方计算或者洪水模拟,结果肯定跑偏。这时候,单纯的整体平移(比如给所有高程值统一加一个常数)已经解决不了问题了,我们需要的是更“聪明”的、能适应局部变化的纠正方法。

这就是我今天想跟大家详细聊聊的,在GlobalMapper 20里,如何利用你手头有限的实测控制点,通过一套叫做“多点拟合”的流程,给有偏差的地形数据做一次“精准整形手术”。这个方法的核心思想很直观:既然我知道在A、B、C……这些具体的位置上,我的数据错了多少(实测值-数据值=偏差值),那我就能通过这些已知的“错题”,反推出整个区域每个地方的“纠错量”,然后给原始数据加上这个纠错量,得到更接近真实的地形。

整个过程听起来有点复杂,但用GlobalMapper 20操作起来,其实就像搭积木,一步接一步,逻辑非常清晰。接下来,我就把自己实战过的完整流程,包括每个环节的原理、操作细节和容易踩的坑,毫无保留地分享给你。无论你是测绘工程师、GIS数据分析师,还是相关专业的学生,只要跟着步骤走,都能亲手搞定地形高程的精准纠偏。

2. 原理速览:多点拟合到底在干什么?

在动手操作之前,我们花几分钟把背后的原理捋清楚,这样你操作的时候就不是机械地点击按钮,而是明白每一步的意义,遇到问题也能自己排查。

想象一下,你有一张平整但略有弹性的大橡皮膜,上面打印着你的原始DEM地形。现在,你在膜上确定了十几个位置,并且知道这些位置的真实高度应该比现在打印出来的高度高出或低下多少(这就是你的控制点高程差)。你的任务就是,根据这十几个点的“拉扯”力道,去调整整张橡皮膜的形状,让它尽可能贴近真实的地形起伏。

这个过程在数学上叫做“空间插值”或“曲面拟合”。GlobalMapper 20内置了强大的栅格计算和地形建模引擎,我们正是利用它来完成这个“拟合”动作。简单拆解一下:

  1. 输入已知点:我们有一系列已知坐标(X, Y)和已知“纠错量”(Z_diff,即实测高程-原始数据高程)的控制点。这个“纠错量”可能是正的(需要加高),也可能是负的(需要降低)。
  2. 构建差值表面:GlobalMapper 20会以这些离散的控制点为依据,运用算法(比如反距离权重法、克里金法等)估算出区域内每一个栅格单元格(比如你的5米格网)应该有的“纠错量”。这样,我们就得到了一个全新的、覆盖整个区域的栅格图层,我习惯叫它“高程纠偏量表面”或“差值表面”。这个图层上每一个像素的值,代表该位置原始高程需要调整的数值。
  3. 执行栅格运算:最后,把原始的DEM图层和这个“纠偏量表面”图层进行加法运算。原始DEM每个点的高程,加上对应位置的纠偏量,就生成了纠正后的新DEM。

为什么控制点越多、分布越均匀越好? 这很好理解。你的控制点就像用来固定和塑造橡皮膜的图钉。图钉越多,分布越均匀(山顶、山谷、山坡、平地都有),你塑造出来的曲面就越能反映真实的、复杂的误差分布情况。如果所有控制点都挤在同一个山坡上,那么软件对远处山谷的纠偏量就只能靠“猜测”,精度自然无法保证。

这个方法最适合解决什么问题? 它特别擅长处理那些误差有空间相关性,但又不是简单整体偏移的情况。比如,由于卫星传感器标定误差、大气折射模型不完善,或者不同航带数据拼接不完美导致的区域性、系统性高程偏差。对于完全随机的、像噪声一样的误差(比如某个点因为树木遮挡产生的巨大误差),这个方法效果有限,所以控制点的质量和代表性至关重要。

3. 实战第一步:数据准备与检查

好了,理论热身完毕,我们打开GlobalMapper 20,开始实战。第一步永远是最基础也最重要的——把你要用的“食材”准备好,并且检查它们是否“新鲜可用”。

3.1 加载待纠正的地形数据

这个很简单,无论是TIFF、DEM、IMG还是其他GlobalMapper支持的栅格格式,直接拖拽到软件窗口里就行。加载成功后,它会在图层控制面板里显示为一个栅格图层。我强烈建议你立刻做两件事:

  1. 重命名图层:在图层列表里右键点击它,选择“重命名”。比如改成“原始DEM_待纠正”。在后续涉及多个图层的复杂操作中,一个清晰的命名能帮你省去大量辨认的时间,避免操作错误。
  2. 查看元数据:右键点击图层,选择“选项”,在弹出的属性窗口里,切换到“元数据”或“信息”标签页。这里你要重点关注坐标系和高程单位。确认它的平面坐标系(比如WGS 84 UTM 50N)和高程基准(比如EGM96大地水准面)是什么。这关系到你后续控制点的坐标系是否能正确匹配。

3.2 准备并导入控制点数据

控制点是你这次纠偏操作的“尺子”,它的精度直接决定成果的精度。控制点数据通常来自野外RTK、全站仪测量,或者更高精度的激光雷达点云。

控制点数据的格式:GlobalMapper非常灵活,它可以直接导入文本文件(如CSV、TXT)。文件内容至少需要四列:点编号、X坐标、Y坐标、Z坐标(实测高程)。分隔符用逗号或制表符都可以。如果控制点坐标的坐标系和你的原始DEM不同,你有两个选择:

  • 选择一(推荐):在导入文本文件时,GlobalMapper会弹出坐标设置对话框。在这里,你正确选择控制点数据自身的坐标系(例如,“China Geodetic Coordinate System 2000” 对应EPSG:4490,或具体的3度带投影如CGCS2000 3-degree GK zone 39, EPSG:4539)。软件会在导入的瞬间,将其即时转换到与当前地图(即你的原始DEM)相同的坐标系下。这是最规范、误差最小的方法。
  • 选择二(手动输入):如果点数很少,或者你对坐标转换不放心,也可以像一些老教程里说的,先用GlobalMapper的“坐标转换”工具,手动输入控制点坐标并指定其原坐标系,让软件生成一个正确坐标系下的矢量点文件。但说实话,对于批量点,还是用文本文件导入更高效。

我个人的操作习惯:我会准备一个CSV文件,列名分别是 ID, Easting, Northing, Elevation。在GlobalMapper中通过“文件”->“打开数据文件”选择这个CSV,在导入设置中,分别将列映射到“X坐标”、“Y坐标”、“Z坐标”,并正确设置源坐标系。导入后,这些点会作为一个矢量图层出现。同样,记得给它重命名,比如“控制点_实测”。

关键检查:导入控制点后,一定要把它们叠加在原始DEM上肉眼检查一遍。使用“数字化工具”或者按住Alt键点击某个点,查看其坐标和高程信息,确认位置是否落在正确的地形特征点上(如山头、鞍部、道路交叉口),并且其高程值是否与DEM显示的地形趋势大致相符(尽管有偏差,但不应出现平地控制点显示在DEM山谷中的离谱情况)。这一步能提前发现坐标系统设置错误这类致命问题。

4. 核心流程:从提取到拟合的步步为营

数据各就各位,现在开始最核心的纠偏流程。这个过程就像一条流水线,每一步都为下一步准备好所需的“零件”。

4.1 从原始DEM上提取控制点对应的高程

现在,我们有了实测控制点的位置和真实高程,还需要知道原始DEM在这些相同位置上是如何“认为”的。这就需要提取。

  1. 在图层列表中,确保“原始DEM_待纠正”图层和“控制点_实测”图层都处于开启(可见)状态。
  2. 右键点击“控制点_实测”矢量图层,在弹出的菜单中选择“从其它图层提取属性至要素”。
  3. 在弹出的对话框中,“要提取属性的图层”选择你的“原始DEM_待纠正”。在“要提取的属性”部分,最关键的是勾选“高程值”。你还可以选择提取其他信息,但纠偏只需要高程。
  4. 点击确定。软件会遍历每一个控制点,去底层DEM对应位置采样,并将采样到的高程值作为一个新的属性字段(通常叫“Elevation”)添加到矢量点的属性表里。

操作后验证:双击“控制点_实测”图层打开属性表。你会看到,除了原有的坐标和实测高程字段外,多了一个名为“Elevation”的字段,里面的值就是原始DEM在该点的高程。立刻心算或筛选一下,用你的实测高程减去这个Elevation值,看看差值是否和你野外判断的偏差范围一致。如果某个点的差值异常巨大(比如差了几十米),就要回头检查这个控制点的位置或原始DEM在该处是否有空洞、异常值。

4.2 计算每个控制点的高程偏差(残差)

有了两个高程值,计算偏差就简单了,这步在属性表里用字段计算器完成。

  1. 再次打开“控制点_实测”图层的属性表。
  2. 点击工具栏上的“添加新列”按钮(图标通常是一个带加号的表格)。给新列起一个直观的名字,比如“Height_Diff”,数据类型选择“浮点型”(Double或Float)。
  3. 现在,我们需要计算新列的值。找到并点击“计算列值”或“字段计算器”按钮。
  4. 在公式输入框中,写入减法公式。假设你的实测高程字段名是“Elevation_Real”,原始DEM提取的高程字段名是“Elevation”,那么公式就是:[Elevation_Real] - [Elevation]。这个公式的意思是:真实值 减去 原始数据值。如果结果是正数,说明原始数据偏低,需要加高;结果是负数,则说明原始数据偏高,需要降低。
  5. 执行计算。完成后,属性表里“Height_Diff”这一列就填满了每个控制点的高程偏差值。务必滚动检查一遍,看看这些差值是否符合你的区域认知(比如同一片区域偏差符号和量级是否大致相同)。

4.3 将偏差值构建为连续的“纠偏表面”

这是整个流程的魔法步骤。我们有一堆离散的点(控制点),每个点带有一个偏差值(Height_Diff)。现在,我们要基于这些点,生成一个覆盖整个DEM区域的、连续的栅格表面,这个表面上的每个像素值,代表该位置需要进行的纠偏量。

  1. 在图层列表中,确保当前选中的是“控制点_实测”图层。
  2. 点击顶部菜单栏的“分析”,在下拉菜单中选择“创建等高线/地形网格”。这个功能不仅能从高程创建地形,也能从任何数值型属性创建表面。
  3. 在弹出的“创建等高线”对话框中,首先在“要网格化的数据”选项卡下,确认数据源是你的控制点图层。
  4. 最关键的一步:在“高程属性”下拉菜单中,不要选择包含真实高程或原始DEM高程的字段,而是选择我们刚刚计算出来的“Height_Diff”字段。这等于告诉软件:“请用这些点的偏差值作为‘Z值’,去构建一个表面。”
  5. 设置输出网格的参数:
    • 输出网格类型:选择“高程网格(DEM)”。
    • 网格间距:这个值应该设置得与你原始DEM的格网间距相同或更精细。如果你的原始DEM是5米格网,这里也设为5米。如果设为更小(如2米),理论上精度更高,但计算量增大,且可能过度拟合控制点间的噪声。不建议设置得比原始DEM更粗糙。
    • 插值方法:对于地形纠偏,我实测下来“三角剖分”和“反距离权重”效果都不错。三角剖分速度更快,在控制点分布均匀时效果好;反距离权重更平滑,但需要设置合适的搜索半径。可以先试用默认的三角剖分。
    • 输出范围:通常选择“所有已加载数据的范围”或手动设置为与你的原始DEM范围一致。
  6. 给输出图层起个名字,比如“纠偏量表面”,然后点击确定。

软件会运行一会儿,生成一个新的栅格图层。这个图层看起来可能像一幅地形起伏图,但它起伏代表的不是真实地形,而是高程修正量。颜色蓝的地方代表负值(需要降低),颜色红的地方代表正值(需要加高)。你可以打开它的3D视图看看,这其实就是你的“误差地形”。

5. 执行纠偏与成果验证

“纠偏量表面”做好了,最后一步就是“动手术”,并把手术后的结果拿出来检查一下。

5.1 栅格计算:原始DEM + 纠偏表面

GlobalMapper的栅格计算器功能强大,我们用它来完成最终的加法运算。

  1. 点击菜单栏的“分析”,选择“栅格计算器”。
  2. 在栅格计算器界面,你会看到所有已加载的栅格图层都出现在变量列表中。
  3. 编写计算公式。假设你的原始DEM图层变量名是[原始DEM_待纠正],纠偏量表面变量名是[纠偏量表面],那么计算公式就是:
    [原始DEM_待纠正] + [纠偏量表面]
    
    这个公式的含义非常直接:每个像素点上,原始高程加上该点的纠偏量,得到新高程。
  4. 设置输出结果。在“输出设置”中,选择“创建新网格图层”。同样,设置好输出的格网间距(建议与输入保持一致),并指定输出范围。
  5. 点击“计算”。软件会生成第三个栅格图层,这就是我们最终的成果——纠正后的DEM。我建议立即将其重命名为“DEM_纠正后”。

5.2 精度验证:用控制点再检核一遍

手术做完了,得看看效果怎么样。最好的验证方法,就是用同一批“尺子”(控制点)再去量一下新成果。

  1. 关闭或隐藏原始的“纠偏量表面”图层,以免干扰视线。
  2. 确保“DEM_纠正后”图层和“控制点_实测”图层可见。
  3. 重复4.1节的操作:右键点击“控制点_实测”图层,选择“从其它图层提取属性至要素”,这次选择“DEM_纠正后”作为提取源,提取其高程值。这会在属性表中再添加一个新字段,比如叫“Elevation_Corrected”。
  4. 再次打开属性表,新增一个计算列,比如叫“Residual”,计算公式为:[Elevation_Real] - [Elevation_Corrected]。这个“Residual”就是纠正后的残差。
  5. 分析残差:理想情况下,所有控制点的“Residual”值应该都非常接近于0。你可以选中“Residual”列,利用软件的统计功能查看其最大值、最小值、平均值和标准差。平均值应趋近于0,这表示系统偏差已被消除;标准差则反映了纠正后的精度水平,它应该比之前“Height_Diff”的标准差显著减小。

如果发现某些点的残差仍然很大,你需要回头检查:这个控制点本身测量是否可靠?它是否位于DEM的断裂线或异常区域附近?在构建纠偏表面时,是否因为控制点分布不均导致该区域插值不可靠?根据检查结果,你可以考虑剔除这个可疑点,或者增加其周边区域的控制点密度,然后重新跑一遍流程。

5.3 成果导出与后续处理

验证通过后,就可以导出最终成果了。

  1. 裁剪:你可能会发现,最终纠正后的DEM范围,有时会比原始DEM大一圈(因为纠偏表面插值范围的影响)。如果需要严格保持原始边界,可以使用原始DEM的边界矢量(可通过“分析”->“从图层边界生成要素”获取)来裁剪“DEM_纠正后”图层。
  2. 导出:右键点击“DEM_纠正后”图层,选择“输出”。选择你需要的格式(如GeoTIFF),设置好文件路径、坐标系统和压缩选项。在“导出选项”中,确保高程单位和数据类型设置正确。

导出的这个新的DEM文件,就是已经经过多点拟合纠正的、与你的实测控制点匹配度更高的高程数据,可以放心地用于后续的工程设计、水文分析或三维建模了。

6. 避坑指南与高阶技巧

走完整个流程,你可能觉得已经掌握了。但根据我的经验,还有一些细节和特殊情况,处理不好就会前功尽弃。

坑一:坐标系不一致的“隐形杀手”。这是最常见也最致命的问题。务必、务必、务必确保你的原始DEM、控制点数据、以及所有中间生成的数据,都处于同一个正确的平面坐标系和高程基准下。GlobalMapper虽然能实时投影,但混用坐标系是精度损失的根源。一个检查技巧:把控制点叠加在DEM上,如果位置明显偏移(不在同一个地方),那肯定是坐标系出了问题。

坑二:控制点分布不均与“边缘效应”。如果你的控制点全部集中在项目区的一角,那么软件对另一角的纠偏量预测就纯属“盲猜”,精度无法保证。控制点应尽可能覆盖整个区域,并涵盖主要的地形特征(山顶、山谷、坡面、平地)。对于范围较大的项目,分区进行纠偏可能是更稳妥的选择。另外,在数据区域的边缘,由于缺乏控制点约束,插值结果可能不可靠,这就是“边缘效应”。导出前,检查一下边缘区域的高程值是否出现不合理的突变。

坑三:插值方法的选择与过拟合。在构建纠偏表面时,我提到了三角剖分和反距离权重。简单来说:

  • 三角剖分:在控制点之间构建三角形,三角形内的值通过线性插值得到。优点是计算快,能忠实通过所有控制点(强制拟合)。缺点是如果控制点有误差,这个误差会被原封不动地带入表面,且三角形外的区域无法插值。
  • 反距离权重:认为距离越近的点影响越大。通过设置搜索半径和幂参数,可以得到更平滑的表面,对控制点中的微小噪声有一定抑制作用。但参数设置不当,可能导致局部畸变。

我的建议是:对于控制点质量高、分布均匀的情况,用三角剖分。如果担心个别点有误差,或者希望表面更平滑,用反距离权重,并尝试调整搜索半径(通常设为控制点平均间距的1.5到2倍)。

坑四:迭代纠偏。在5.2节验证后,如果残差的标准差仍然偏大,但已无明显系统偏差(残差平均值接近0),你可以考虑进行迭代纠偏。即把本次得到的“DEM_纠正后”作为新的“原始DEM”,控制点不变,重新走一遍从提取到计算的流程。有时一次拟合不能完全消除复杂误差,两次迭代后精度会有进一步提升。但通常迭代一两次就够了,再多可能意义不大。

最后,记住一点:这个多点拟合方法修正的是系统性的、有空间相关性的偏差。它无法修复原始DEM中固有的随机误差(如树木造成的误差)或地形细节的缺失。它所做的,是让你的遥感数据与地面实测数据在“框架”上对齐,为后续的精准应用打下可靠的基础。

DEM 数据进行几何纠正DOM 通过使用 DEM 和影像的几何纠正,可以减少地形畸变的影响,使影像更准确地反映地面特征。这个过程通常包括数据加载、配准、几何纠正和输出生成几个步骤。在实际应用中,可能需要使用更复杂的算法来处理影像和 DEM 的配准问题、几何变换和高程模型。你可以根据实际情况调整这段代码,以满足具体的精度和性能需求。 阅读详情

相关推荐

实测数据不准?手把手教你用GlobalMapper 20的14个控制点搞定地形高程纠偏

本文详细介绍了如何使用GlobalMapper 20的14个控制点进行地形高程纠偏,解决实测数据与数字高程模型(DEM)之间的偏差问题。通过系统性的步骤,包括问题诊断、数据导入、高程差值计算、表面建模、结果验证和成果输出,帮助测绘和GIS从业者提升高程数据精度。文章特别强调了高程纠正的关键技巧和常见问题处理方法。

weixin_30919429的博客 444

【GIS】ArcGIS中DEM异常高程点的处理

ArcGIS中DEM异常高程点的处理

```On Earth, Be Water, By Coding``` 5786

Globalmapper与Lidar360在点云分层处理中的协同应用策略

本文探讨了Globalmapper与Lidar360在点云分层处理中的协同应用策略。针对机载激光雷达数据常见的航带错层问题,提出“先整体,后局部”的工作流:利用Lidar360进行全局航带平差,系统性纠正误差;再借助Globalmapper的局部拟合工具,对残留细微错层进行精准优化。该策略结合了两款软件的优势,能高效解决点云分层这一测绘与三维建模领域的常见难题。

weixin_29313423的博客 224

GlobalMapper20实战:基于多点控制的地形高程精准拟合与纠偏全流程

本文详细介绍了使用GlobalMapper20进行多点控制地形高程精准拟合与纠偏的全流程。从数据准备、高程差值计算到差值表面构建与数据融合,提供了实用技巧和优化策略,帮助解决测绘和GIS数据处理中的高程偏差问题,确保地形数据的精确性。

weixin_29291573的博客 204

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

如何处理JSON中的特殊字符 介绍几种解决方案

http://www.nowamagic.net/librarys/veda/detail/216JSON 是适用于 Ajax 应用程序的一种有效格式,原因是它使 JavaScript 对象和字符串值之间得以快速转换。由于 Ajax 应用程序非常适合将纯文本发送给服务器端程序并对应地接收纯文本,相比不能生成文本的 API,能生成文本的 API 自然更可取;而且,JSON 让您能够处理本地 Ja...

weixin_34319640的博客 727

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

GlobalMapper20使用控制点对地形数据(高程数据)进行高程纠正(高程拟合/纠偏/配准)

序:为什么要对高程数据进行控制点纠正 1.经常因为拿到的地形数据非当前坐标系,高程基准也不一样,需要进行投影转换调整高程基准 此情况一般一个控制点就够了,对地形进行整体的抬升或者下降。 2.实测数据和基于卫星、航测等生成的数据因为分辨率精度等问题不一致,导致控制点出的高程有上下波动 此种情况下需要对地形数据进行多点大范围纠正,控制点越多纠正的结果越准确。 一、打开待纠正地形数据 直接拖拽打开对应的tif数据就可 二、导入控制点数据 控制点数据如图,本示例,共计14个控制点 ..

王跃军的博客 1万+

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

CASS等高线生成的畸形区域分析

先看X片一般的解释就是植被没有提取造成的局部有大面积的凸起,也就是经常说的方便面现象,正常分类完点云,提取地面点之后,这种现象基本会消失,但是这次又出现了,百思不得其解,最后把原因归结于植被茂密,点云滤波不彻底,草草了事了,既然出现问题了背后肯定是有原因的,最近的一次不经意的接边,查看接边处点云剖面的时候突然发现有次症状的地方,点云的剖面是下面的情况。

u011468564的博客 535

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

arcgis利用栅格计算器修改DEM高程数据

有时候高程数据有误,需要修正,我们可以使用栅格计算器来进行 修改前在ArcScene中如下图 [img]http://dl2.iteye.com/upload/attachment/0098/3382/14a396ee-fe1b-3272-b3c3-3c194a105860.jpg[/img] 步骤也比较简单,首先创建面要素类,覆盖要修正的地方,然后把面要素类转为栅格,假设我们要把覆盖的...

大神带我来搬砖 1万+

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

自制JS某课脚本

根据实际需求自制网页讯网刷题脚本,绕过人脸,弹窗,答题,实现自动化运行

2301_81243054的博客 3461

如何使用Global Mapper进行高程DEM相减

在进行地形分析的时候,有时候需要结合两个地形数据进行分析,这里讲解一下通过Global Mapper进行两个DEM之间的减法运算。结合地形层就是用户对两个同一位置不同高程特征的网格层,进行运算操作。其主要的意义是用户可以加减平均筛选等运算操作生成新的地貌层。实践意义为用户可通过操作得知在从一个地区己知地貌变化后地貌,广泛运用于GIS分析、土石方计算等方面。   步骤   第一步:下载高程数

6846

Qwen2.5-VL模型微调实战:从零到部署的完整流程(附避坑指南)

本文详细介绍了Qwen2.5-VL视觉语言模型从零开始的完整微调与部署流程。内容涵盖使用LLaMA-Factory进行LoRA微调的关键参数配置与避坑指南,以及如何将训练好的模型权重合并,并最终利用vLLM高性能推理引擎进行部署,为开发者提供了一套可落地的实战方案。

oo7890的博客 593

DEM数据局部修改高程

先选择需要的DEM数据。

m0_68591019的博客 5344

如何设计QR反激变换器

摘要:本文分析了基于GaN技术的PD适配器市场现状,重点探讨了准谐振反激变换器(QR Flyback)的工作原理及设计方法。文章首先介绍了反激变换器的三种工作模式(CCM、DCM、CRM/QR)及其特点,指出QR模式通过谷底开通技术能显著降低开关损耗。随后以65W适配器为例,详细阐述了变压器参数设计流程,包括匝比确定、原边电感计算和绕组匝数设计等关键步骤。文章强调QR反激变换器凭借高效率、小体积和低成本优势,已成为20W-65W PD适配器的主流拓扑方案,配合GaN技术进一步提升了功率密度和便携性。

m0_62868254的博客 1503

静态随机存储器(SRAM)

静态随机存储器(SRAM)是一种广泛用于计算机系统和嵌入式设备中的高速随机访问存储器。与动态随机存储器(DRAM)不同,SRAM 不需要定期刷新,因此可以实现更快的访问时间和更低的功耗。SRAM通常用于缓存、高速缓冲器和存储器应用程序中,其中性能和可靠性至关重要。

JAZJD的博客 8151
上一篇: 域渗透实战:哈希传递攻击(PTH)的深度利用与横向移动
下一篇: 思科交换机链路聚合实战:提升带宽与冗余的配置指南
寂静夜空35
博客等级 码龄3年 60粉丝 1797原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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