人工智能在測(cè)繪管線數(shù)據(jù)處理與誤差分析中的應(yīng)用探索

摘要：在城市現(xiàn)代化建設(shè)進(jìn)程中，地下管線分布與應(yīng)用較為復(fù)雜，傳統(tǒng)測(cè)繪數(shù)據(jù)處理與誤差分析方式難以應(yīng)對(duì)繁雜數(shù)據(jù)量及高精度要求。隨著人工智能興起，其數(shù)據(jù)挖掘、智能識(shí)別等能力為測(cè)繪管線領(lǐng)域精準(zhǔn)作業(yè)、高效管理提供了全新技術(shù)路徑與發(fā)展契機(jī)。深入探索人工智能在測(cè)繪管線數(shù)據(jù)處理與誤差分析中的應(yīng)用，為提升測(cè)繪管線數(shù)據(jù)處理效率與精度提供了理論與實(shí)踐參考。

關(guān)鍵詞：人工智能；測(cè)繪管線；數(shù)據(jù)處理；誤差分析

一、前言

在城市化進(jìn)程不斷加快的背景下，地下管線網(wǎng)絡(luò)變得越來(lái)越復(fù)雜，測(cè)繪管線數(shù)據(jù)規(guī)模和復(fù)雜性也在成倍地增加。面對(duì)大量、多源異構(gòu)測(cè)繪數(shù)據(jù)，傳統(tǒng)數(shù)據(jù)處理和誤差分析方法逐漸表現(xiàn)出局限性。人工智能技術(shù)以其較強(qiáng)的研究、分析和決策能力給測(cè)繪管線數(shù)據(jù)處理和誤差分析等工作帶來(lái)新機(jī)遇和新突破，可望有效解決目前所面臨的難題，提升測(cè)繪工作質(zhì)量和效率。

二、人工智能在測(cè)繪管線數(shù)據(jù)處理與誤差分析中的應(yīng)用價(jià)值

人工智能應(yīng)用于測(cè)繪管線數(shù)據(jù)處理和誤差分析，其應(yīng)用價(jià)值無(wú)法估量。在數(shù)據(jù)處理中，人工智能可以對(duì)大量測(cè)繪管線數(shù)據(jù)進(jìn)行有效處理。傳統(tǒng)數(shù)據(jù)處理方式通常會(huì)消耗大量人力及時(shí)間，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)等人工智能算法能夠快速提取管線測(cè)繪圖像數(shù)據(jù)并加以分析，自動(dòng)識(shí)別各種管線結(jié)構(gòu)及其附屬設(shè)施，大大提高數(shù)據(jù)處理速度。同時(shí)人工智能可以融合多源異構(gòu)數(shù)據(jù)，實(shí)現(xiàn)不同傳感器、不同測(cè)量時(shí)期以及不同形式數(shù)據(jù)的統(tǒng)一加工，使得數(shù)據(jù)更規(guī)范、更有秩序，提高其可用性和兼容性[1]。

在誤差分析領(lǐng)域中，人工智能的價(jià)值也是十分引人注目的。該技術(shù)能夠準(zhǔn)確地鑒別誤差的根源，無(wú)論是由于測(cè)量設(shè)備自身的系統(tǒng)誤差，還是由于外部環(huán)境因素，如地形變化、電磁干擾等導(dǎo)致的隨機(jī)誤差，人工智能模型均可以通過(guò)海量數(shù)據(jù)的研究與分析進(jìn)行精確判斷。以支持向量機(jī)模型為例，該模型能夠根據(jù)數(shù)據(jù)分布特點(diǎn)對(duì)誤差數(shù)據(jù)進(jìn)行分類(lèi)并識(shí)別誤差類(lèi)型。

同時(shí)，人工智能還能進(jìn)一步對(duì)誤差進(jìn)行修正，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建誤差修正模型，依據(jù)歷史誤差數(shù)據(jù)與真實(shí)值的關(guān)系學(xué)習(xí)修正規(guī)律，從而有效地修正新增誤差數(shù)據(jù)，顯著提高測(cè)繪管線數(shù)據(jù)準(zhǔn)確性與可靠性，并為城市地下管線規(guī)劃、施工、養(yǎng)護(hù)等工作提供扎實(shí)數(shù)據(jù)基礎(chǔ)，確保相關(guān)項(xiàng)目的順利實(shí)施和安全運(yùn)營(yíng)，促進(jìn)測(cè)繪行業(yè)向著智能化和精準(zhǔn)化的方向持續(xù)發(fā)展和進(jìn)步。

三、人工智能測(cè)繪管線數(shù)據(jù)處理的方法

（一）數(shù)據(jù)清洗和整合

測(cè)繪管線數(shù)據(jù)處理過(guò)程中數(shù)據(jù)清洗和整合是一個(gè)極其關(guān)鍵的開(kāi)始，而人工智能技術(shù)的運(yùn)用則給它帶來(lái)了有效性和準(zhǔn)確性。傳統(tǒng)數(shù)據(jù)清洗方式多是依靠人工逐個(gè)篩選數(shù)據(jù)，并根據(jù)有限經(jīng)驗(yàn)、規(guī)則進(jìn)行異常值判斷，該方式對(duì)于大規(guī)模測(cè)繪管線數(shù)據(jù)處理顯得捉襟見(jiàn)肘。以某測(cè)繪項(xiàng)目為例，該測(cè)繪項(xiàng)目涉及城市供水、排水、燃?xì)獾雀黝?lèi)管線，數(shù)據(jù)量可以達(dá)到上億數(shù)據(jù)點(diǎn)，傳統(tǒng)的人工清洗工作可能耗時(shí)幾個(gè)月，精度很難得到保障[2]。在人工智能領(lǐng)域，像K-Means聚類(lèi)算法這樣的聚類(lèi)分析方法，能夠根據(jù)相似度特點(diǎn)將數(shù)據(jù)分類(lèi)為多個(gè)不同的集群。以管線坐標(biāo)數(shù)據(jù)為例，通過(guò)設(shè)定合適的聚類(lèi)數(shù)量（按管線種類(lèi)估算量等），算法將具有相似坐標(biāo)范圍的管線數(shù)據(jù)聚在一起。在具體的操作過(guò)程中，對(duì)于一個(gè)由5種主要管線類(lèi)型組成，總共擁有3億個(gè)坐標(biāo)數(shù)據(jù)點(diǎn)的數(shù)據(jù)集，K-Means算法有能力在幾小時(shí)之內(nèi)完成初步的聚類(lèi)工作，能夠迅速地識(shí)別出那些明顯偏離聚類(lèi)中心的數(shù)據(jù)點(diǎn)，這些數(shù)據(jù)點(diǎn)可能是由于測(cè)量誤差或數(shù)據(jù)輸入錯(cuò)誤導(dǎo)致的異常數(shù)據(jù)，異常數(shù)據(jù)的識(shí)別準(zhǔn)確率可以達(dá)到96%以上。

在數(shù)據(jù)整合方面，由于測(cè)繪管線數(shù)據(jù)來(lái)源廣泛，包括不同的測(cè)量?jī)x器（GPS接收機(jī)、全站儀等）、不同的數(shù)據(jù)格式（CAD格式、GIS格式等）以及不同的坐標(biāo)系（大地坐標(biāo)系、地方獨(dú)立坐標(biāo)系等），傳統(tǒng)整合過(guò)程復(fù)雜且易錯(cuò)。人工智能采用神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)造智能數(shù)據(jù)整合模型。例如，在對(duì)不同坐標(biāo)系下管線數(shù)據(jù)的處理中，神經(jīng)網(wǎng)絡(luò)就通過(guò)對(duì)不同坐標(biāo)系間轉(zhuǎn)換關(guān)系的學(xué)習(xí)來(lái)構(gòu)建自動(dòng)化坐標(biāo)轉(zhuǎn)換模型。在一個(gè)涉及將多個(gè)地方坐標(biāo)系下的管線數(shù)據(jù)整合到大地坐標(biāo)系的項(xiàng)目中，經(jīng)過(guò)對(duì)10萬(wàn)條樣本數(shù)據(jù)的訓(xùn)練，該模型能夠?qū)⒉煌鴺?biāo)系下的管線數(shù)據(jù)準(zhǔn)確轉(zhuǎn)換并整合，經(jīng)過(guò)整合，數(shù)據(jù)的坐標(biāo)誤差平均值被限制在0.1米之內(nèi)，極大增強(qiáng)了數(shù)據(jù)的一致性和實(shí)用性。

（二）特征提取和選擇

在測(cè)繪管線數(shù)據(jù)處理過(guò)程中，特征的提取和選擇起到了核心作用，表現(xiàn)直接決定了后續(xù)數(shù)據(jù)分析和應(yīng)用的精確度和效率，人工智能在此領(lǐng)域展現(xiàn)了獨(dú)到的技術(shù)優(yōu)越性[3]。傳統(tǒng)特征提取往往是建立在人為建立的數(shù)學(xué)模型或者簡(jiǎn)單統(tǒng)計(jì)方法上，對(duì)復(fù)雜測(cè)繪管線數(shù)據(jù)很難完全挖掘出其內(nèi)在特征。以管線點(diǎn)云數(shù)據(jù)特征提取為例，傳統(tǒng)方法或許僅能提取點(diǎn)坐標(biāo)、距離等基本幾何特征，但很難捕獲深層次拓?fù)浣Y(jié)構(gòu)與語(yǔ)義特征。在深度學(xué)習(xí)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)（CNN）技術(shù)為特征抽取提供了一種高效的解決策略。以一個(gè)包含1000萬(wàn)個(gè)點(diǎn)的三維管線點(diǎn)云數(shù)據(jù)為例，CNN模型通過(guò)多層卷積層和池化層的組合，能夠自動(dòng)學(xué)習(xí)管線的復(fù)雜幾何特征，如管線的彎曲程度、管徑變化、連接方式等。在對(duì)不同類(lèi)型管線（金屬管、塑料管等）的分類(lèi)任務(wù)中，使用CNN提取特征后的分類(lèi)準(zhǔn)確率相比傳統(tǒng)方法提高了35%左右，達(dá)到了92%以上的準(zhǔn)確率。

就特征選擇而言，方差閾值法和卡方檢驗(yàn)這類(lèi)常規(guī)特征選擇方法對(duì)于處理高維和相關(guān)性復(fù)雜的測(cè)繪管線數(shù)據(jù)有一定局限性。而以人工智能為基礎(chǔ)的隨機(jī)森林算法，在特征選擇方面具有優(yōu)異的性能。例如，在一個(gè)包含50個(gè)特征（其中包括管線的物理屬性、地理環(huán)境屬性）的測(cè)繪管線數(shù)據(jù)集上，隨機(jī)森林算法通過(guò)評(píng)估每個(gè)特征在構(gòu)建決策樹(shù)過(guò)程中的重要性得分，篩選出最重要的10至15個(gè)特征。在進(jìn)行管線老化程度的評(píng)估任務(wù)時(shí)，采用隨機(jī)森林選擇特征構(gòu)建的模型，其評(píng)估誤差比使用全部特征構(gòu)建的模型降低了大約20%，在降低數(shù)據(jù)處理計(jì)算量與時(shí)間成本的前提下，有效地增強(qiáng)了模型泛化能力與預(yù)測(cè)精度（見(jiàn)表1）。

四、人工智能在測(cè)繪管線數(shù)據(jù)誤差分析中的應(yīng)用

（一）根據(jù)機(jī)器學(xué)習(xí)對(duì)誤差數(shù)據(jù)進(jìn)行篩選

在對(duì)測(cè)繪管線數(shù)據(jù)進(jìn)行誤差分析時(shí)，以機(jī)器學(xué)習(xí)為基礎(chǔ)對(duì)其進(jìn)行甄別是至關(guān)重要的首要環(huán)節(jié)。傳統(tǒng)數(shù)據(jù)篩選方法通常依靠人為設(shè)置的固定閾值或者簡(jiǎn)單統(tǒng)計(jì)規(guī)則來(lái)進(jìn)行篩選，該方法很難處理復(fù)雜多樣的測(cè)繪數(shù)據(jù)環(huán)境和多樣化誤差來(lái)源。機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（SVM）和決策樹(shù)算法，可以通過(guò)學(xué)習(xí)大量的已知樣本數(shù)據(jù)，自動(dòng)構(gòu)建數(shù)據(jù)特征與誤差之間的復(fù)雜關(guān)系模型[4]。

以某大型測(cè)繪項(xiàng)目為例，該項(xiàng)目涉及各種地形及管線材質(zhì)，采集自不同測(cè)量?jī)x器、不同測(cè)量時(shí)段的管線測(cè)繪資料，數(shù)據(jù)量達(dá)上百萬(wàn)個(gè)數(shù)據(jù)點(diǎn)。首先，將其中一部分?jǐn)?shù)據(jù)經(jīng)過(guò)精確驗(yàn)證。例如，將通過(guò)高精度實(shí)地測(cè)量進(jìn)行復(fù)查的數(shù)據(jù)作為訓(xùn)練集，這些數(shù)據(jù)包含了已知的誤差數(shù)據(jù)和正常數(shù)據(jù)，并標(biāo)記出誤差類(lèi)型和程度。利用SVM算法對(duì)訓(xùn)練集進(jìn)行學(xué)習(xí)，SVM算法通過(guò)尋找一個(gè)最優(yōu)的超平面將不同類(lèi)別的數(shù)據(jù)（誤差數(shù)據(jù)與正常數(shù)據(jù)）分開(kāi)，在此過(guò)程中要綜合考慮管線坐標(biāo)值、測(cè)量時(shí)間間隔和周?chē)乩憝h(huán)境特征等多維因素。訓(xùn)練好的SVM模型在用于對(duì)整個(gè)數(shù)據(jù)集進(jìn)行篩選時(shí)對(duì)可能存在的錯(cuò)誤數(shù)據(jù)進(jìn)行精確辨識(shí)。在實(shí)際測(cè)試中，與傳統(tǒng)基于閾值的篩選方法相比，SVM算法對(duì)于小誤差（如果坐標(biāo)的偏移范圍是0.1至0.5米）的檢出率提高了約30%，達(dá)到了85%以上的檢出準(zhǔn)確率，對(duì)于大誤差（坐標(biāo)偏差大于0.5米）的檢出準(zhǔn)確率更是高達(dá)98%以上（見(jiàn)表2）。同時(shí)，決策樹(shù)算法又因其具有可解釋性，能直觀顯示數(shù)據(jù)特征和誤差判斷的邏輯關(guān)系，如能明顯顯示管線測(cè)量點(diǎn)處于山區(qū)和測(cè)量時(shí)間為下午時(shí)，某一類(lèi)誤差發(fā)生的可能性較大，有利于進(jìn)一步對(duì)其成因及規(guī)律進(jìn)行深入分析，并為之后的誤差修正與防范提供了強(qiáng)有力的依據(jù)。

（二）神經(jīng)網(wǎng)絡(luò)的助力誤差種類(lèi)區(qū)分

神經(jīng)網(wǎng)絡(luò)對(duì)于區(qū)分測(cè)繪管線數(shù)據(jù)的錯(cuò)誤種類(lèi)有著突出的表現(xiàn)。傳統(tǒng)誤差類(lèi)型區(qū)分方法多依賴(lài)于人工經(jīng)驗(yàn)及簡(jiǎn)單統(tǒng)計(jì)分析，對(duì)復(fù)雜測(cè)繪管線數(shù)據(jù)誤差分類(lèi)通常不精確、不全面。神經(jīng)網(wǎng)絡(luò)，特別是深度神經(jīng)網(wǎng)絡(luò)，有能力通過(guò)構(gòu)建復(fù)雜的多層結(jié)構(gòu)來(lái)模仿人類(lèi)大腦的學(xué)習(xí)過(guò)程，進(jìn)而能夠?qū)φ`差數(shù)據(jù)進(jìn)行深度特征的提取和分類(lèi)判斷[5]。

以一個(gè)包含多種管線系統(tǒng)（供水、排水、燃?xì)獾龋┑某鞘袦y(cè)繪管線數(shù)據(jù)為例，數(shù)據(jù)集中存在系統(tǒng)誤差（測(cè)量?jī)x器校準(zhǔn)偏差等）、隨機(jī)誤差（環(huán)境干擾引起測(cè)量波動(dòng)等）以及粗大誤差（人為操作失誤導(dǎo)致數(shù)據(jù)錯(cuò)誤等）多種類(lèi)型的誤差，數(shù)據(jù)總量約為千萬(wàn)級(jí)別。構(gòu)建一個(gè)多層感知機(jī)（MLP）神經(jīng)網(wǎng)絡(luò)模型，該模型的輸入層涵蓋了管線測(cè)量數(shù)據(jù)的多個(gè)特性，包括測(cè)量值、測(cè)量時(shí)間和測(cè)量地點(diǎn)坐標(biāo)等，中間隱藏層通過(guò)設(shè)置不同數(shù)量的神經(jīng)元（如50至200個(gè)）來(lái)學(xué)習(xí)數(shù)據(jù)的抽象特征，輸出層則對(duì)應(yīng)不同的誤差類(lèi)型[6]。

在MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段，使用了大量標(biāo)注誤差類(lèi)型的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，并通過(guò)反向傳播算法持續(xù)調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值，目的是最大限度地減少預(yù)測(cè)誤差。在經(jīng)歷了數(shù)十萬(wàn)輪的訓(xùn)練和迭代之后，該神經(jīng)網(wǎng)絡(luò)在測(cè)試數(shù)據(jù)集上能夠?qū)崿F(xiàn)90%以上的誤差類(lèi)型識(shí)別準(zhǔn)確率[7]。

（三）深度學(xué)習(xí)帶動(dòng)誤差模型的建立

深度學(xué)習(xí)給測(cè)繪管線數(shù)據(jù)誤差模型的建立帶來(lái)創(chuàng)新解決思路。傳統(tǒng)誤差模型的建立大多是通過(guò)線性回歸模型或者簡(jiǎn)單數(shù)學(xué)函數(shù)來(lái)進(jìn)行擬合，很難處理測(cè)繪管線數(shù)據(jù)的非線性關(guān)系以及誤差分布的復(fù)雜性問(wèn)題[8]。在深度學(xué)習(xí)領(lǐng)域，像卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）這樣的技術(shù)可以有效地捕獲數(shù)據(jù)中的復(fù)雜模式和動(dòng)態(tài)變化，從而構(gòu)建出更加精確的誤差模型。

例如，在處理隨時(shí)間序列變化的管線測(cè)量數(shù)據(jù)（管線壓力、流量連續(xù)監(jiān)測(cè)資料等）時(shí)，數(shù)據(jù)具有明顯的時(shí)間相關(guān)性和非線性特征，數(shù)據(jù)長(zhǎng)度可達(dá)數(shù)萬(wàn)甚至數(shù)十萬(wàn)時(shí)間步長(zhǎng)。使用RNN和其衍生的長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）來(lái)建立誤差模型，LSTM網(wǎng)絡(luò)可以通過(guò)其記憶單元來(lái)保存和傳輸過(guò)去的時(shí)間序列信息，進(jìn)而揭示數(shù)據(jù)中的長(zhǎng)期依賴(lài)性。以一個(gè)包含50，000個(gè)時(shí)間步長(zhǎng)的管線流量監(jiān)測(cè)數(shù)據(jù)為例，將數(shù)據(jù)分為訓(xùn)練集（80%）和測(cè)試集（20%）。訓(xùn)練時(shí)，LSTM網(wǎng)絡(luò)基于輸入歷史流量數(shù)據(jù)對(duì)當(dāng)前時(shí)間步流量值進(jìn)行預(yù)測(cè)，將計(jì)算誤差與實(shí)際測(cè)量值進(jìn)行比較，通過(guò)持續(xù)調(diào)節(jié)網(wǎng)絡(luò)參數(shù)使誤差函數(shù)達(dá)到最小[9]。經(jīng)過(guò)長(zhǎng)時(shí)間的訓(xùn)練后，構(gòu)建的誤差模型在測(cè)試集上的預(yù)測(cè)誤差均方根（RMSE）可控制在0.05以?xún)?nèi)，相比傳統(tǒng)的線性回歸模型，RMSE降低了約60%。對(duì)于卷積神經(jīng)網(wǎng)絡(luò)（CNN），在處理管線測(cè)繪圖像數(shù)據(jù)（管線鋪設(shè)地理影像、管線內(nèi)部結(jié)構(gòu)影像）中的誤差建模時(shí)，CNN可以自動(dòng)對(duì)圖像進(jìn)行邊緣、紋理和其他空間特征提取，并且建立起和誤差分布的聯(lián)系。

（四）智能算法對(duì)誤差修正策略進(jìn)行優(yōu)化

誤差修正部分智能算法起到了至關(guān)重要的作用。例如，利用遺傳算法對(duì)修正參數(shù)進(jìn)行優(yōu)化，該算法將誤差最小化作為目標(biāo)函數(shù)并對(duì)修正模型的各參數(shù)進(jìn)行編碼。在測(cè)繪管線坐標(biāo)誤差校正處理中，對(duì)校正參數(shù)，如平移和旋轉(zhuǎn)，進(jìn)行染色體編碼。通過(guò)選擇、交叉和變異的遺傳操作不斷地迭代尋找最優(yōu)的參數(shù)組合[10]。經(jīng)大量樣本數(shù)據(jù)檢驗(yàn)，修正精度明顯提高。

例如，在粒子群優(yōu)化算法中，大量的粒子在解空間內(nèi)飛行，而每一個(gè)粒子都代表著一種用于誤差修正的解決方案。粒子依據(jù)自身經(jīng)驗(yàn)及群體最優(yōu)經(jīng)驗(yàn)，動(dòng)態(tài)地調(diào)節(jié)飛行方向和速度，并迅速收斂到較優(yōu)修正策略。針對(duì)復(fù)雜管線網(wǎng)絡(luò)誤差校正問(wèn)題，所提算法能夠有效地兼顧局部和全局搜索，使得校正后管線數(shù)據(jù)更加接近真實(shí)情況，提高整體測(cè)繪管線數(shù)據(jù)的質(zhì)量和可靠性。

五、結(jié)語(yǔ)

總之，人工智能對(duì)于測(cè)繪管線的數(shù)據(jù)處理和誤差分析顯示出了很大的潛力。盡管目前在算法優(yōu)化、數(shù)據(jù)需求等方面仍面臨挑戰(zhàn)，但隨著技術(shù)的不斷演進(jìn)，其應(yīng)用前景十分廣闊，有助于測(cè)繪行業(yè)更加高效準(zhǔn)確地進(jìn)行數(shù)據(jù)處理，為城市地下管線進(jìn)行科學(xué)規(guī)劃和安全運(yùn)維提供了堅(jiān)實(shí)的保障，促進(jìn)測(cè)繪領(lǐng)域走向智能化發(fā)展的新時(shí)代。

參考文獻(xiàn)

[1]陳立娜，李真，宋輝.基于人工智能的無(wú)人機(jī)測(cè)繪遙感圖像信息提取方法[J].電子設(shè)計(jì)工程，2023，31（24）：181-185.

[2]李嘎.人工智能下信息化測(cè)繪方法的思考[J].品牌與標(biāo)準(zhǔn)化，2023（03）：165-167.

[3]吳健，魯啟峰.基于人工智能技術(shù)的測(cè)繪產(chǎn)品質(zhì)量檢驗(yàn)系統(tǒng)設(shè)計(jì)[J].科技資訊，2023，21（23）：32-35.

[4]劉惠祥.人工智能在測(cè)繪科技中的應(yīng)用研究[J].江西測(cè)繪，2022（04）：55-58+64.

[5]張華.人工智能2.0與測(cè)繪地理信息的融合發(fā)展研究[J].中國(guó)高新科技，2022（18）：10-11.

[6]張偉.“多測(cè)合一”中若干關(guān)鍵測(cè)繪技術(shù)的應(yīng)用與研究[J].西部資源，2024（05）：96-99.

[7]單長(zhǎng)城.測(cè)繪工程中三維城市測(cè)量技術(shù)的應(yīng)用探究[J].智能建筑與智慧城市，2024（09）：52-54.

[8]王磊.上海市地下管線全生命周期規(guī)劃管理機(jī)制和技術(shù)支撐體系建設(shè)研究[J].城鄉(xiāng)規(guī)劃，2024（03）：82-90.

[9]陳安偉.地下管線測(cè)繪工作中北斗導(dǎo)航系統(tǒng)的實(shí)施[J].信息系統(tǒng)工程，2024（05）：11-14.

[10]唐吉林.城市地下管線測(cè)繪測(cè)量技術(shù)方法[J].城市建設(shè)理論研究（電子版），2024（03）：175-177.

作者單位：南通市測(cè)繪院有限公司

責(zé)任編輯：張津平 尚丹