基于WGS84 椭球恒向线距离计算沿纬度_经度路径行驶的距离附matlab代码

简介: 基于WGS84 椭球恒向线距离计算沿纬度_经度路径行驶的距离附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

❤️ 内容介绍

在现代导航和地理信息系统中,计算两个地点之间的距离是一个重要的问题。无论是为了规划旅行路线,还是为了测量两个地点之间的实际距离,我们都需要一种可靠的方法来计算距离。在这篇文章中,我们将介绍一种基于WGS84椭球恒向线距离的方法,用于计算沿纬度和经度路径行驶的距离。

WGS84是一种广泛使用的地球椭球体模型,被用于全球定位系统(GPS)和地理信息系统(GIS)中。它是由美国国防部制定的一种地球模型,用于在三维空间中表示地球的形状。WGS84椭球体模型基于地球的尺寸和形状,通过使用经度和纬度坐标来表示地球上的位置。

在计算沿纬度和经度路径行驶的距离时,我们需要考虑地球的曲率和椭球形状。由于地球并非完全是一个球体,而是略微扁平的,所以使用球形模型计算距离会引入一定的误差。为了准确计算距离,我们可以使用WGS84椭球恒向线距离。

恒向线距离是沿着地球表面上的某条弧线路径的实际距离。它与直线距离(即两点之间的直线距离)不同,因为地球的曲率和椭球形状会导致路径的弯曲。恒向线距离考虑了地球的曲率,并根据椭球形状进行了修正,因此可以更准确地计算两个地点之间的实际距离。

计算沿纬度和经度路径行驶的距离需要使用恒向线距离公式。该公式基于WGS84椭球体模型和经纬度坐标,通过考虑地球的曲率和椭球形状来计算两个地点之间的距离。公式的具体推导较为复杂,但可以通过使用数学软件或编程语言来实现。

在实际应用中,我们可以使用现有的地理信息系统软件或编程库来计算沿纬度和经度路径行驶的距离。这些软件和库通常已经实现了基于WGS84椭球恒向线距离的计算方法,并提供了简单易用的接口。通过输入起始和目标地点的经纬度坐标,我们可以获得沿路径行驶的实际距离。

总结起来,基于WGS84椭球恒向线距离的方法可以准确计算沿纬度和经度路径行驶的距离。通过考虑地球的曲率和椭球形状,我们可以避免使用简化的球形模型引入的误差。在现代导航和地理信息系统中,这种方法被广泛应用于计算两个地点之间的实际距离,为我们提供了准确的位置信息和导航指引。

🔥核心代码

%% pathdist % The |pathdist| function uses the |distance| function to calculate cumulative distance% traveled along a path given by the arrays lat and lon.  (Requires Mapping% Toolbox). Always assumes WGS84 ellipsoid. % %% Syntax% %  pathDistance = pathdist(lat,lon)%  pathDistance = pathdist(...,LengthUnit)%  pathDistance = pathdist(...,track)%  pathDistance = pathdist(...,'refpoint',[reflat reflon])% %% Description% % |pathDistance = pathdist(lat,lon)| returns the cumulative distance% traveled along the path given by (|lat|,|lon|). Distance is in meters% by default, referenced to the WGS84 ellipsoid. The |pathDistance| array% will be the same size as |lat| and |lon|. %% |pathDistance = pathdist(...,LengthUnit)| specifies any valid length unit. % The following are a few |LengthUnit| options. See documentation for % |validateLengthUnit| for a complete list of options.% % * meter         |'m', 'meter(s)', 'metre(s)'| (default)% * kilometer     |'km', 'kilometer(s)', 'kilometre(s)'|% * nautical mile  |'nm', 'naut mi', 'nautical mile(s)'|% * foot          |'ft', 'international ft','foot', 'international foot', 'feet', 'international feet'|% * inch          |'in', 'inch', 'inches'|% * yard          |'yd', 'yds', 'yard(s)'|% * mile          |'mi', 'mile(s)','international mile(s)'|%% |pathDistance = pathdist(...,track)| uses the input string track to specify % either a great circle/geodesic or a rhumb line arc. If track equals |'gc'| (the default % value), then great circle distances are computed on a sphere and geodesic distances are % computed on the WGS84 ellipsoid. If track equals |'rh'|, then rhumb line distances are % computed on the WGS84 ellipsoid.%% |pathDistance = pathdist(...,'refpoint',[reflat reflon])| references the% path distance to the point along the path nearest to |[reflat reflon]|.% For this calculation, |pathdist| finds the point in |lat| and |lon|% which is nearest to |[reflat reflon]| and assumes this point along% |lat|,|lon| is the zero point. This is only an approximation, and may% give erroneous results in cases of very sharply-curving, crossing, or % otherwise spaghetti-like paths; where |[reflat reflon]| lies far from any% point along the path, or where points along the path are spaced far% apart. % %% Example 1: Find distance traveled along a route marked by GPS measurements% This example uses the built-in |sample_route.gpx| route. clcclear allclose allroute = gpxread('sample_route.gpx'); % some sample data lat = route.Latitude; lon = route.Longitude; time = 0:255; % assume GPS measurements logged every minute% Create a map of the route: figure('position',[100 50 560 800]) subplot(3,1,1) usamap([min(lat)-.05 max(lat)+.05],[min(lon)-.08 max(lon)+.08])plotm(lat,lon,'ko-')textm(lat(1),lon(1),'start','color',[.01 .7 .1]) textm(lat(end),lon(end),'end','color','r')% Plot distance traveled:metersTraveled = pathdist(lat,lon);subplot(3,1,2) plot(time,metersTraveled)box off; axis tight; xlabel('time (minutes)')ylabel('meters traveled') % Plot speed: speed = diff(metersTraveled/1000)./diff(time/60); subplot(3,1,3) plot(time(2:end)-.5,speed)box off; axis tight xlabel('time (minutes)') ylabel('speed (km/hr)')%% Example 2: Calculate path length in miles referenced to a point% Adding to the plot above, we will define a reference point at (42.354 N,% 71.2 W). Then we will look at travel time as a function of distance from% the reference point.  reflat = 42.354; reflon = -71.2; subplot(3,1,1) plotm(reflat,reflon,'bp')textm(reflat,reflon,'reference point','color','b') miFromRefPt = pathdist(lat,lon,'refpoint',[reflat reflon],'miles'); subplot(3,1,2) plot(miFromRefPt,time)ylabel('travel time (min)') xlabel('distance from reference point (miles)') axis tight; box off; %% Author Info:

❤️ 运行结果

⛄ 参考文献

[1] Jawak S , Luis A .Synergetic merging of Cartosat-1 and RAMP to generate improved digital elevation model of Schirmacher oasis, east Antarctica[J].Isprs International Archives of the Photogrammetry Remote Sensing & Spatial Information Sciences, 2014.DOI:10.5194/isprsarchives-XL-8-517-2014.

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 火灾扩散

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、状态估计


相关文章
|
2月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
140 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
2月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
103 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
2月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
76 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
|
3月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于Qlearning强化学习的小车弧线轨迹行驶控制matlab仿真
**MATLAB 2022a仿真实现Q-learning控制小车弧线行驶,展示学习过程及奖励变化。Q-learning是无模型强化学习算法,学习最优策略以稳定行驶。环境建模为二维平面,状态包括位置、朝向,动作涵盖转向、速度。奖励函数鼓励保持在轨迹上,用贝尔曼方程更新Q表。MATLAB代码动态显示轨迹及奖励随训练改善。**
70 15
|
3月前
|
算法
基于Dijkstra算法的最优行驶路线搜索matlab仿真,以实际城市复杂路线为例进行测试
使用MATLAB2022a实现的Dijkstra算法在城市地图上搜索最优行驶路线的仿真。用户通过鼠标点击设定起点和终点,算法规划路径并显示长度。测试显示,尽管在某些复杂情况下计算路径可能与实际有偏差,但多数场景下Dijkstra算法能找到接近最短路径。核心代码包括图的显示、用户交互及Dijkstra算法实现。算法基于图论,不断更新未访问节点的最短路径。测试结果证明其在简单路线及多数复杂城市路况下表现良好,但在交通拥堵等特殊情况下需结合其他数据提升准确性。
车辆行驶控制运动学模型的matlab建模与仿真,仿真输出车辆动态行驶过程
该课题在MATLAB2022a中建立了车辆行驶控制运动学模型并进行仿真,展示车辆动态行驶过程。系统仿真结果包含四张图像,显示了车辆在不同时间点的位置和轨迹。核心程序定义了车辆参数和初始条件,使用ode45求解器模拟车辆运动。车辆运动学模型基于几何学,研究车辆空间位姿、速度随时间变化,假设车辆在平面运动且轮胎无滑动。运动学方程描述位置、速度和加速度关系,模型预测控制用于优化轨迹跟踪,考虑道路曲率影响,提升弯道跟踪性能。
|
5月前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)
|
5月前
|
数据安全/隐私保护
地震波功率谱密度函数、功率谱密度曲线,反应谱转功率谱,matlab代码
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
5月前
|
算法 调度
面向配电网韧性提升的移动储能预布局与动态调度策略(matlab代码)
面向配电网韧性提升的移动储能预布局与动态调度策略(matlab代码)