OTHERS_CITABLE روشی نوین برای جانمایی ابرهای نقاط زمینی محلی در ابرنقاط هوایی سراسری تهیه یک پوشش کامل و متراکم از نواحی شهری، عمدتاً نیازمند اخذ داده­های محلی در چندین ایستگاه زمینی و ادغام آنها با یک داده سراسری اخذشده از منظرهای هوایی می­باشد. مقاله حاضر مسأله زمین­مرجع­سازی و مرتبط­سازی اسکن­های محلی اخذشده بوسیله لیزراسکنر زمینی را در فضای واسطه ابرنقاط هوایی سراسری، بدون استفاده از هرگونه داده­های کمکی و یا عملیات دستی، مدنظر قرار داده است. از این رهگذر، جانمایی اسکن­های زمینی محلی در ابرنقاط هوایی سراسری، به عنوان چالش اصلی در مرتبط­سازی این داده­ها مورد تأکید قرار گرفته است. علاوه بر نامتجانس بودن منظرهای هوایی و زمینی، هریک از ابرنقاط کوچک­مقیاس زمینی به سختی با ابرنقاط بالاسری و بزرگ­مقیاس هوایی قابل­مقایسه هستند. روشی چندمرحله­ای جهت جانمایی خودکار اسکن­های زمینی در ابرنقاط هوایی ارائه شده است. روش پیشنهادی با شناسایی موقعیت­های کاندید استقرار لیزراسکنر در ابرنقاط هوایی آغاز می­شود. در ادامه، با شبیه­سازی عملکرد لیزراسکنر، محدوده رؤیت­پذیر به این موقعیت­ها از ابرنقاط هوایی شناسایی و در قالب ابرنقاط هوایی کاندید استقرار استخراج می­شوند. در نتیجه مسأله جانمایی به مسأله تناظریابی میان چند ابرنقطه زمینی با چند ابرنقطه هوایی تبدیل می­گردد. به منظور افزایش قیاس­پذیری ابرهای­نقاط زمینی و هوایی در پروسه تناظریابی، ساختارهای هندسی شاخص موجود در هر ابرنقطه با استفاده از چهار ویژگی هندسی طراحی­شده استخراج و در قالب نقشه-ویژگی­های معرف هر ابرنقطه سازماندهی می­گردند. نقشه-ویژگی­های تولیدشده برای هر ابرنقطه توسط توصیفگر مستقل از دوران F-HOG توصیف می­شوند و در نهایت مسأله تناظریابی در قالب یک طبقه­بندی k-nn میان کلاس­های تولیدشده برای این توصیفگرها، ساختاردهی می­شود. نهایتاً جانمایی هر اسکن زمینی بر اساس نتایج طبقه­بندی انجام می­پذیرد. نتایج ارزیابی روش پیشنهادی بر روی مجموعه داده مأخوذه از منطقه­ای شهری، دقت­ در حدود 5 متر را برای جانمایی اسکن­های زمینی در سیستم مختصات مربوط به ابرنقطه هوایی نشان داد که جهت ورود به فرآیند مرتبط­سازی ابرهای­نقاط زمینی و هوایی کافی به نظر می­رسد. http://jgit.kntu.ac.ir/article-1-551-fa.pdf 2021-04-20 1 26 10.52547/jgit.8.4.1 ابرنقاط مرتبط‌سازی طبقه‌بندی تناظریابی لیزراسکنر فتوگرامتری پهپاد A novel method for locating the local terrestrial laser scans in a global aerial point cloud In addition to the heterogeneity of aerial and terrestrial views, the small scale terrestrial point clouds are hardly comparable with large scale and overhead aerial point clouds. A hierarchical method is proposed for automatic locating of terrestrial scans in aerial point cloud. The proposed method begins with detecting the candidate positions for the deployment of the terrestrial laser scanner in the aerial point cloud. After that, by simulating the performance of the laser scanner, the visible portion of the aerial point cloud is detected and it is extracted as the candidate deployment aerial point cloud.  As a result, the problem of scan locating is converted to a corresponding one between several local terrestrial point clouds and several local aerial point clouds. In order to increase the comparability of these two datasets in the corresponding process, the main geometric structures of each point cloud are extracted using four predesigned geometric feature indexes, and they are organized in the form of four feature-maps of each point cloud. The feature-maps generated for each point cloud are described by the rotation invariant Fourier-HOG descriptor. Afterward, the corresponding problem is structured in the form of a k-nn classification among the classes established for these descriptors. Finally, the location of each terrestrial scan is obtained based on the classification results. The evaluation results of the proposed method on an urban dataset, showed an average accuracy of about 5 meters for locating the terrestrial scans in aerial point cloud. The obtained accuracies seem to be sufficient to enter the process of registering the terrestrial scans to the aerial point cloud. http://jgit.kntu.ac.ir/article-1-551-en.pdf 2021-04-20 1 26 10.52547/jgit.8.4.1 point cloud Registration Classification Corresponding Laser scanner UAV Photogrammetry. Amin Baghani amin_baghani@mail.kntu.ac.ir 1 K.N. Toosi University of Technology AUTHOR Mohammad Javad Valadan Zoej valadanzouj@kntu.ac.ir 2 K.N. Toosi University of Technology AUTHOR Mehdi Mokhtarzade m_mokhtarzade@kntu.ac.ir 3 K.N. Toosi University of Technology AUTHOR
OTHERS_CITABLE بررسی تأثیر حذف پریودهای شناخته شده از سری زمانی داده‌های TEC در شناسایی آنامولی لرزه‌ای یونسفری ایران بر روی یکی از دو کمربند بزرگ لرزه­خیز جهان، موسوم به آلپا قرار دارد. وقوع زمین­لرزه­های مخرب در تمام نقاط کشور، سالانه خسارت­های جانی و مالی فراوانی به مردم وارد می­کند. پیش­بینی این پدیده می­تواند تأثیر بسزایی در کاهش مخاطرات ناشی از آن داشته باشد. از جمله پیش­نشانگرهای زمین­لرزه که امروزه مورد توجه بسیاری از دانشمندان می­باشد، می­توان به وقوع تغییرات ناهنجار در پارامترهای یونسفری اشاره نمود. پارامتر یونسفری مورد بررسی در این مقاله محتوای چگالی الکترون کل (TEC) حاصل از نقشه­های جهانی یونسفری (GIM) است. سری زمانی داده­های TEC شامل فرکانس­های شناخته شده­ای می­باشد که منشأ لرزه­ای ندارند. به نظر می­رسد با حذف تأثیر این عوامل تا حد امکان، شناسایی آنامولی لرزه­ای یونسفر به نحو مؤثرتری صورت پذیرد. در این مطالعه تغییرات TEC پیش از وقوع دو زمین­لرزه در ایران با استفاده از روش میانگین، یکبار پیش از حذف فرکانس­های شناخته شده و یکبار پس از آن بررسی شده است. نتایج نشان می­دهد حذف پریودهای شناخته شده از داده­های TEC در شناسایی آنامولی لرزه­ای یونسفر مفید می­باشد. در واقع پس از حذف فرکانس­های شناخته شده، برای زمین­لرزه­­های خوزستان و سمنان در محدوده شناسایی آنامولی لرزه­ای یونسفر، در اغلب نقاط به ترتیب بهبود بیش از 50 درصد و بیش از 10 درصد وجود دارد. http://jgit.kntu.ac.ir/article-1-639-fa.pdf 2021-04-20 27 43 10.52547/jgit.8.4.27 یونسفر زمین لرزه TEC سری زمانی آنالیز هارمونیک Investigating the effect of the removing well-known periods from TEC time series data in identifying seismo-ionospheric anomaly Iran is situated on one of the two largest seismic belt of the world which is called Alpa. The occurrence of damaging earthquakes all around the country causes a lot of pecuniary losses and casualties. The prediction of this phenomenon can have a profound impact on reducing the risks which are posed by it. Among the earthquake predictors, which are of interest to many scholars today, we can mention the occurrence of abnormal changes in the ionospheric parameters. The studied ionospheric parameter in this paper is the Total Electron density Content (TEC) obtained from the Global Inosphere Map (GIM). The time series of the TEC data comprises well-known periods whose causes are not seismic. It seems that, by eliminating the effect of these factors, as much as possible, the identification of the ionospheric-seismic anomaly could be done much more accurately. In this study, changes in TEC before the occurrence of two earthquakes in Iran have been investigated by using the mean method two times, once before the elimination of the periods and once afterwards.  In fact, after the removal of known frequencies for Khuzestan and Semnan earthquakes in the area of identification of seismo-ionospheric anamolysis, the improvement of more than 50% and  10%   is seen in most of the places respectively. http://jgit.kntu.ac.ir/article-1-639-en.pdf 2021-04-20 27 43 10.52547/jgit.8.4.27 Ionosphere Earthquake TEC Time series Harmonic Analysis. Zahra Sadeghi z.sadeghi@mail.kntu.ac.ir 1 K. N. Toosi University of Technology AUTHOR masoud Mashhadi-Hossainali Hossainali@kntu.ac.ir 2 K. N. Toosi University of Technology AUTHOR
OTHERS_CITABLE پیشنهاد یک شبکه عصبی کانوولوشنی چندمقیاسه برای آشکارسازی خودکار ابرها و سایه ابرها در تصاویر ماهواره گائوفِن-1 یک گام مهم در پیش‌پردازش تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالا، بازسازی اطلاعات آلوده به پوشش ابرها و سایه ابرها است. اولین گام در فرآیند خودکار بازسازی اطلاعات آلوده به ابرها و سایه ابرها، مرحله آشکارسازی خودکار ابرها و سایه ابرها است. این مرحله به دلیل عملکرد نسبتاً نامناسب روش‌های موجود در صحنه‌های پیچیده در تصاویر با قدرت تفکیک مکانی بالا، یک چالش قابل‌توجه است. در سال‌های اخیر، دقت فرآیند آشکارسازی ابرها و سایه ابرها با به‌کارگیری شبکه‌های عصبی کانوولوشنی عمیق بهبود یافته است. مسأله افزایش تعمیم‌پذیری برای آشکارسازی ابرها و سایه ابرها یکی از مشکل‌های شبکه‌های عصبی کانوولوشنی عمیق است. در این تحقیق، راه‌حلی برای مشکل تعمیم‌پذیری آشکارسازی ابرها و سایه ابرها در تصاویر ماهواره گائوفِن-1 ارائه شده است. در این راستا، یک معماری یادگیری عمیق چندمقیاسه (MultiCloud-Net) مبتنی بر فیلتر‌هایی با ابعاد مختلف برای آشکارسازی دقیق ابرها و سایه ابرها در تصاویر تک زمانه ماهواره گائوفِن-1 بر اساس طراحی بلوک‌های باقی‌مانده جدید مبتنی بر حذف تصادفی عُمق، پیشنهاد شده است. در معماری پیشنهادی، فرآیند آشکارسازی ابرها و سایه ابرها بر اساس تابع آنتروپی متقاطع وزن‌دار برای حل مسأله عدم تعادل پیکسل‌های هدف، برای تولید نقشه نهایی صورت می‌گیرد. روش پیشنهادی با استفاده از 12 تصویر ماهواره گائوفِن-1 با توزیع جهانی و با استفاده از  سرویس رایانش ابری گوگل کولَب پیاده‌سازی و اعتبارسنجی شده است. نتایج با استفاده از مجموعه تصاویر ماهواره گائوفِن-1، با کسب میانگین نمره F1 و ضریب شباهت ژاکارد برابر 97 و 96 برای کلاس ابر و مقادیر 5/95 و 5/94 برای کلاس سایه ابر و با ضریب کاپای 98/0 نشان‌دهنده دقت مناسب‌تر در آشکارسازی خودکار جزئیات حاشیه‌ای ابرها و سایه ابرها و دستیابی به هزینه محاسباتی کمتر در مقایسه با یک روش پیشرفته یادگیری عمیق و یک روش پیشرفته آماری است. http://jgit.kntu.ac.ir/article-1-736-fa.pdf 2021-04-20 45 68 10.52547/jgit.8.4.45 گائوفِن-1 ابرها سایه ابرها یادگیری عمیق کانوولوشن چندمقیاسه. A multi-scale convolutional neural network for automatic cloud and cloud shadow detection from Gaofen-1 images The reconstruction of the information contaminated by cloud and cloud shadow is an important step in pre-processing of high-resolution satellite images. The cloud and cloud shadow automatic segmentation could be the first step in the process of reconstructing the information contaminated by cloud and cloud shadow. This stage is a remarkable challenge due to the relatively inefficient performance of the current methods in complex scenes in multispectral high-resolution satellite images. In recent years, using deep convolutional neural networks has largely improved the performance of cloud and cloud shadow segmentation. Increasing the generalization capability of cloud and cloud shadow segmentation is one of the problems of deep convolutional neural networks. In this paper, we focus on tackling the poor generalization performance of automatic cloud and cloud shadow segmentation in Gaofen-1 (GF-1) images. In this regard, we propose a deep learning multi-scale method, founded on multi-dimension filters, for accurate segmentation of cloud/cloud shadow in single date GF-1 images which is based on a new multi-scale deep residual-convolutional neural network called MultiCloud-Net. The cloud/cloud shadow masks are extracted based on a new loss function to generate the final cloud/cloud shadow masks. The MultiCloud-Net was implemented in the Google Colab and was validated using 12 globally distributed GF-1 images. The quantitative assessments of test images show that the average F1 score, the average Jaccard Similarity Index (JSI), and the Kappa coefficient for cloud (cloud shadow) segmentation are about 97 (95.5), 96 (94.5), and 0.98, respectively. The experimental results using the GF-1 images demonstrate a more reasonable accuracy and efficient computational cost achievement of the proposed method compared to the automatic cloud/cloud shadow segmentation performance of two advanced deep learning and statistical methods. http://jgit.kntu.ac.ir/article-1-736-en.pdf 2021-04-20 45 68 10.52547/jgit.8.4.45 Gaofen-1 cloud cloud shadow deep learning multi-scale convolution. Mehdi Khoshboresh-Masouleh m.khoshboresh@ut.ac.ir 1 School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran AUTHOR Reza Shah-Hosseini rshahosseini@ut.ac.ir 2 School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran AUTHOR
OTHERS_CITABLE تولید گراف مسیریابی در فضای بسته ساختمانی با روش معنایی-هندسی توسعه خدمات مکان‌مبنا در فضای داخلی ساختمان، با چالش­های مختلفی روبروست که یکی از آن‌ها نحوه تولید گراف مسیریابی در فضای بسته است. با توجه به ضعف­هایی که در روش­های صرفاً هندسی برای تولید گراف مسیریابی فضای بسته وجود دارد، در این پژوهش یک روش معنایی-هندسی برای پوشش خلأهای موجود در ترکیب روش­های معنایی و هندسی ارائه‌شده است. در این روش از مدل داده CityGML که درواقع یک مدل‌سازی معنایی از فضای ساختمان است، استفاده‌شده است. خروجی این روش نیز با چند سناریو امتحان و نتایج آن ارائه‌شده است. استفاده از اطلاعات معنایی و گراف معنایی، درواقع راهبرد مناسبی برای روش­های صرفاً هندسی است و با توجه به نتایج، روش معنایی-هندسی ارائه‌شده برای تولید گراف مسیریابی فضای بسته، کارآمد بوده است. http://jgit.kntu.ac.ir/article-1-753-fa.pdf 2021-04-20 69 80 10.52547/jgit.8.4.69 CityGML مسیریابی فضای داخل ساختمان گراف معنایی Generating an Indoor space routing graph using semantic-geometric method The development of indoor Location-Based Services faces various challenges that one of which is the method of generating indoor routing graph. Due to the weaknesses of purely geometric methods for generating indoor routing graphs, a semantic-geometric method is proposed to cover the existing gaps in combining the semantic and geometric methods in this study. The proposed method uses the CityGML data model, which is actually a semantic modeling of building space. The output of the method is also presented with several test scenarios, and their results. Using semantic information and semantic graphs is in fact a good strategy for purely geometric methods, and according to the results, the proposed semantic-geometric method for producing indoor routing graphs seems to be efficient. http://jgit.kntu.ac.ir/article-1-753-en.pdf 2021-04-20 69 80 10.52547/jgit.8.4.69 CityGML routing indoor building space semantic graph. Javad Sadidi jsadidi@gmail.com 1 Kharazmi University AUTHOR Zahra Joudaki judaki_z@yahoo.com 2 Kharazmi University AUTHOR Hani Rezayan hani.rezayan@gmail.com 3 Kharazmi University AUTHOR
OTHERS_CITABLE بررسی تأثیر تغییرات رطوبت خاک بر فاز تداخل سنجی راداری تداخل­سنجی راداری تفاضلی (DInSAR) به عنوان یک ابزار بالقوه سنجش از دور برای شناسایی جابجایی­های سطح زمین با دقت زیر سانتی­متر شناخته شده است. تغییرات رطوبت سطحی خاک ( ) در زمان میان دو تصویر به عنوان یک پارامتر تأثیرگذار بر فاز تداخل­سنجی ( )، باعث ایجاد خطا در برآورد جابجایی می­شود. در این پژوهش، میزان و نحوه­ تأثیرگذاری  بر φ در زمین­هایی با پوشش گیاهی گندم، کلزا، علف هرز، نخود و زمین بایر با استفاده از یک مدل رگرسیونی بطور تجربی بررسی شده است. برای این بررسی از داده­های هوایی سنجنده­ UAVSAR (باند L) همراه با داده­های اندازه­گیری شده­ زمینی در کمپین زمینی کانادا برای رطوبت خاک در سال 2010 (CanEx-SM10) استفاده شده است. با توجه به نمودارهای پراگندگی بین φ و  و مشاهده­ رابطه­ مستقیم و تقریبا خطی بین این دو پارامتر، تعدادی فرضیه برای استفاده از یک مدلسازی رگرسیونی در نظر گرفته شد. با مقایسه­ فاز تخمین زده شده با استفاده از مدل رگرسیونی کالیبره شده و فاز محاسبه شده از تکنیک تداخل­سنجی، بهترین نتایج مدل در زمین بایر با خطای جذر میانگین مربعات (RMSE)، 3/0 رادیان تا 6/0 رادیان و ضریب تعیین (R2)، 69% تا 72% در قطبیدگی­های VV و HH بدست آمده است. بطور کلی، نتایج مدل رگرسیونی نشان می­دهد بدون تأثیر بقیه عوامل تأثیرگذار بر φ، این پارامتر می­تواند به عنوان تابعی رگرسیونی از تغییرات سطح رطوبت خاک در زمین­های بایر باشد. همچنین، این مدلسازی نتایج قابل قبولی برای زمین­های دارای پوشش گیاهی ارائه می­دهد (RMSE، 6/0 رادیان تا 99/0 رادیان و R2، 40% تا 55%  با توجه به نوع پوشش گیاهی و قطبیدگی­های مختلف). در مقایسه­ی قطبیدگی­ها، نوسانات φ در قطبیدگی­های هم­قطبش (HH و VV) همبستگی بیشتری با  نشان می­دهند. بطور کلی، φ تابعی مستقیم و تقریبا خطی از  می­باشد و تغییرات زیاد رطوبت سطحی خاک باعث ورود خطای قابل توجهی در برآورد جابجایی می­شود. http://jgit.kntu.ac.ir/article-1-811-fa.pdf 2021-04-20 81 101 10.52547/jgit.8.4.81 تداخل سنجی راداری فاز رطوبت سطحی خاک تغییرات پوشش گیاهی. Study of soil moisture change effects on L-band DInSAR phase The Differential Synthetic Aperture Radar Interferometry (DInSAR) technique is recognized as a potential remote sensing tool for detecting ground surface displacements with less than a centimetre accuracy. The surface soil moisture changes ( ) during the time between the two images as an effective parameter on interferometry phase ), leads to incorrect calculation of  ground  movement  .   In this research, the amount and the way that   affects  on  wheat, rapeseed, weed, pea and idle land fields have been investigated empirically using  a regression model.  To do this investigation,  airborne data UAVSAR (L-band) along with ground-based data in the CanEx-SM10 campaign in 2010 were used. According to the scattergraphs between  and , and observing a direct and approximately linear relationship between them, some hypotheses were taken into consideration in order to use a regression modeling . Comparing the estimated 𝜑 using the calibrated regression model and calculated 𝜑 from the interferometry technique shows that the model provided the best results for the bare field in VV and HH polarizations (RMSE) of 0.3 to 0.6 rad and R2 of 69% to 72%. In general, the results of the regression model showed that without other factors’ effects on , this parameter can be modelled  based on a regression function in bare fields. The model also provided acceptable results in vegetated fields (RMS of 0.6 to 0.99 rad and R2 of 40% to 55% depending on the different vegetation types and different polarizations). Comparing polarizations,  fluctuations in co-polarizations (HH and VV) showed a higher correlation with . Consequently, φ is directly affected by , and significant changes  in  brings about a considerable error in displacement estimation. http://jgit.kntu.ac.ir/article-1-811-en.pdf 2021-04-20 81 101 10.52547/jgit.8.4.81 DInSAR phase temporal decorrelation surface soil moisture change. Sadegh Ranjbar sranjbar91543397@gmail.com 1 University of Tehran AUTHOR Mehdi Akhoondzadeh makhonz@ut.ac.ir 2 University of Tehran AUTHOR
OTHERS_CITABLE مدلسازی پل ها با استفاده از قطعه بندی ابر نقاط حاصل از پهپاد فتوگرامتری در سال­های اخیر، تلاش­های بسیاری جهت دستیابی به مدل­های سه بعدی عوارض شهری در حوزه فتوگرامتری و سنجش از دور صورت پذیرفته است که در این میان، عنصر پل به عنوان یکی از مهمترین سازه­های شهری، علیرغم اهمیت فراوان در زمینه حمل­ و نقل، به دلیل پیچیدگی هندسی و ساختاری از این امر مستثنی بوده است. با توجه به پیشرفت فناوری پهپاد در اخذ داده­های مکانی، در این مطالعه، از ابر نقاط حاصل از تصاویر پهپاد برای مدلسازی سه بعدی چهار قطعه اصلی سازه پل شامل نرده، بدنه، پایه و کوله­ها استفاده می­شود. بدین منظور، با بکارگیری دانش موجود در شکل و ساختار پل­ها و روابط هندسی بین المان­های تشکیل­دهنده آنها، الگوریتمی دانش­مبنا ارائه می­شود که می­تواند مدل سه بعدی انواع پل را با فرمت مناسب برای پایگاه داده­های مکانی فراهم نماید. ابتدا، به منظور قطعه­بندی ابرنقطه پل، از روش خوشه­بندی فازی (fuzzy c-means) به همراه مقادیر ارتفاعی، طیفی و ویژگی­های مستخرج از ابرنقاط نظیر چگالی سه بعدی، مقادیر بردار نرمال و قید هم­صفحه­ای (planarity) استفاده می شود. سپس از روش مدلسازی نگاشت مبنا که متناسب با ویژگی­های هندسی و ساختاری هر قطعه از پل است، برای بازسازی مدل سه بعدی آن قطعه استفاده می­گردد. روند مدلسازی شامل نگاشت ابرنقاط به فضای دو بعدی، برازش مدل­های هندسی پایه به نقاط و تعیین موقعیت نقاط مبنا در فضای دوبعدی و سپس گسترش آنها به فضای سه بعدی می­باشد. جهت ارزیابی روش پیشنهادی، ابعاد المان­های سازه­ای موجود در پلان­های طراحی پل با ابعاد الما­ن­ها در مدل سه بعدی مقایسه می­شوند. علیرغم وجود چالش­های بسیار در مدلسازی، نتایج حاصله در این تحقیق، حاکی از دقت و توانایی بالای الگوریتم پیشنهادی در مدلسازی سه بعدی پل­ها با هندسه و طراحی­های مختلف می­باشد، به طوری که برای داده­های مطالعاتی، متوسط خطای میانگین و انحراف معیار برابر 03/0 و  01/0 متر است. http://jgit.kntu.ac.ir/article-1-810-fa.pdf 2021-04-20 103 127 10.52547/jgit.8.4.103 فتوگرامتری مدلسازی سه بعدی پل الگوریتم نگاشت مبنا ابرنقاط پهپاد Bridge Modeling using Segmentation of Point Cloud Captured from Photogrammetric UAV In recent years, great efforts have been made to generate 3D models of urban structures in photogrammetry and remote sensing. 3D reconstruction of the bridge, as one of the most important urban structures in transportation systems, has been neglected because of its geometric and structural complexity. Due to the UAV technology development in spatial data acquisition, in this study, the point clouds generated from UAV-based images are used for 3D modeling of the four main elements of a bridge structure, including the railing, body, base and abutment elements. For this, a knowledge-based algorithm is proposed to provide 3D models of different types of bridge structures in GIS-based data format using the knowledge in the shape, structure and geometric relationships between the bridge’s elements. First, the fuzzy c-means clustering method including height and spectral values as well as point-based features such as the 3D density, normal vectors ​​and planarity is used to segment the point cloud. Next, a projection-based reconstruction technique, which is developed based on the geometric and structural features of each bridge element, is proposed to generate a 3D model for that element. The proposed reconstruction workflow includes the projection of point clouds to a 2D space, fitting the primitive geometric models to 2D points, locating the primitive coordinates of the models in the 2D space, and then developing 2D models into 3D space. To evaluate the proposed method, the dimensions of the structural elements in the bridge design plans are compared with the dimensions of the elements in the generated 3D model. Despite the many challenges in modeling steps, the results of this study indicate a high accuracy and ability for the proposed algorithm in 3D modeling of bridges with different geometry and designs, with a mean error and a standard deviation of about 3 cm and 1cm, respectively. http://jgit.kntu.ac.ir/article-1-810-en.pdf 2021-04-20 103 127 10.52547/jgit.8.4.103 Photogrammetry 3D Modelling Bridge Projection-based Algorithm UAV Point Cloud. Mansour Mehranfar mansour.mehranfar@ut.ac.ir 1 University of Tehran AUTHOR Hossein Arefi hossein.arefi@ut.ac.ir 2 University of Tehran AUTHOR Fatemeh Alidoost fatemeh.alidoost@hft-stuttgart.de 3 University of Applied Science (HFT), Stuttgart AUTHOR