plateau_parse — DRIVE `japan` op

• Datenarten: any → table

• Aufruf: import fullseye as fs; fs.ledger.plateau_parse(source: 'str | Path | bytes', *, origin: 'tuple[float, float] | None' = None, max_buildings: 'int | None' = None) -> 'dict[str, Any]' (die Implementierung direkt: import driveplateau; driveplateau.plateau_parse(source: 'str | Path | bytes', *, origin: 'tuple[float, float] | None' = None, max_buildings: 'int | None' = None) -> 'dict[str, Any]'; aus dem Register: opsdrive.get("plateau_parse"))

Verwendung

Liest Grundrisspolygone, Höhen und Geländehöhen der Gebäudebasis aus PLATEAU-CityGML im Streaming-Verfahren.

Verarbeitet mit iterparse jedes End-Ereignis von Building (lokaler Name) und gibt nach der Verarbeitung mit elem.clear() den Speicher frei (so ausgelegt, dass es auch bei Dateien von mehreren hundert MB funktioniert).

Für jedes Gebäude:

• Ist measuredHeight vorhanden, wird es als Höhe verwendet. Andernfalls maximale Höhe − minimale Höhe von lod1Solid.

• Grundriss: die posList von lod0FootPrint, falls vorhanden. Andernfalls unter allen Flächen von lod1Solid die Fläche mit der niedrigsten mittleren Höhe (LOD1 ist ein extrudiertes Prisma und hat daher eine Bodenfläche).

• posList wird als Tripel „Breite Länge Höhe“ in EPSG:6697 gelesen.

Args:

source: CityGML-Zeichenkette (beginnt mit <), bytes oder ein Dateipfad (str/Path).

origin: Ursprung (lat0, lon0) [deg] der lokalen Koordinaten. Bei None der Schwerpunkt des ersten übernommenen Gebäudes.

max_buildings: Obergrenze der übernommenen Gebäude (None für unbegrenzt). Bei Erreichen wird das Lesen beendet.

Returns:

{"origin": (lat0, lon0), "buildings": [...], "n_skipped": int, "crs": "EPSG:6697 (lat, lon, alt)"}. Jedes Gebäude ist

{"id", "footprint" (k,2) float64(局所 x,y[m]、閉じない、反時計回り), "height", "ground_z", "lat", "lon"} (lat/lon sind der Mittelwert der Grundrisseckpunkte = Schwerpunkt).

Raises:

ValueError: source leer/ungültig, posList kein Vielfaches von 3, XML beschädigt,

max_buildings negativ, origin ungültig.

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• gallery_drive_city_terrain — py -3.11 examples/gallery_drive_city_terrain.py

• poc_driving_japan_town — py -3.11 examples/poc_driving_japan_town.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same

Gleiche Kategorie (`japan`)

osm_synthetic · osm_parse · osm_road_graph · osm_road_mask · osm_road_loops · osm_route · japan_world · japan_stats

*Provenance: driveplateau.py — DRIVE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

plateau_parse — DRIVE japan op