سود:
- امکان استفاده صحیح از مفاهیم ابر نقطه LiDAR، بازگشت، چگالی و کدهای کلاس در گردش کار هوش مصنوعی
- امکان پیکربندی مراحل فیلتر زمین، تولید DTM و طبقه بندی اشیا (ساختمان، درخت، قطب) با هوش مصنوعی
- امکان تایید خروجی طبقه بندی ابر نقطه با بخش های پروفایل و منطق ارتفاع
لیدار (Light Detection and Ranging) یک فناوری تشخیص فعال است که با ارسال پالس های لیزری و اندازه گیری زمان بازگشت، اندازه گیری های سه بعدی سطح زمین را تولید می کند. نتیجه یک ابر نقطه ای است که از میلیون ها یا حتی میلیاردها نقطه تشکیل شده است. هر نقطه دارای مختصات x، y، z و ویژگی های اضافی است. LiDAR در مهندسی پیمایش; برای تولید مدلهای زمین دیجیتال، مدلسازی مناطق جنگلی و شهری و ایجاد زیرساختها (خطوط برق، جادهها) ضروری است. در این بخش، چگونگی تسریع پردازش و طبقه بندی ابر نقطه ای توسط هوش مصنوعی را پوشش می دهیم. اصل: هوش مصنوعی طبقه بندی را پیشنهاد می کند. تایید با منطق ارتفاع و مقطع با مهندس باقی می ماند.
اصطلاحات اساسی بازگشت پژواک های متعدد یک پالس لیزر منعکس شده از سطوح مختلف (برگ درختان، شاخه ها، زمین) است. اولین چرخش معمولاً سطح بالایی است، آخرین چرخش اغلب زمین است. شدت، قدرت سیگنال برگشتی است. این سرنخ در مورد نوع سطح می دهد. کد کلاس برچسب استانداردی است که به هر نقطه اختصاص داده می شود (مانند زمین، ساختمان، پوشش گیاهی کم/متوسط/بالا، آب، خط برق). در فرمت فایل LAS/LAZ ذخیره می شود. فیلتر زمین فرآیند حذف نقاط غیر زمینی و حذف سطح زمین لخت (DTM) است. Voxel، سلول در فضای سه بعدی. برای رقیق کردن / پردازش ابر نقطه استفاده می شود.
نقش هوش مصنوعی در پردازش ابری نقطه ای
هوش مصنوعی در این زمینه در سه سطح مشارکت دارد:
- گردش کار و تنظیم پارامتر. فیلتر زمین، حذف نویز، مراحل رقیق سازی و پارامترها را توصیه می کند. اسکلت کد را تولید می کند (با ابزارهایی مانند PDAL، laspy).
- طبقه بندی اشیاء مدل های یادگیری عمیق می توانند نقاط را به کلاس هایی مانند ساختمان، درخت، قطب، وسیله نقلیه طبقه بندی کنند. این منطقه ای است که هوش مصنوعی کار واقعی را انجام می دهد.
- استخراج و گزارش ویژگی منطقی را ایجاد و خلاصه میکند که اندازهگیریهای مشتقشده مانند ارتفاع درخت، مساحت کف ساختمان و افتادگی خط را محاسبه میکند.
نقطه کور: ابر نقطه سه بعدی است و به طور کامل روی نقشه صاف قابل مشاهده نیست. طبقه بندی اشتباه (مثلاً شمارش پل به عنوان زمین، یک بوته کم ارتفاع به عنوان یک ساختمان) در نقشه بی گناه به نظر می رسد و DTM را مخدوش می کند. بنابراین، طبقهبندی باید با برشهای پروفایل تأیید شود (مشاهده یک برش عمودی از ابر نقطه از کنار).
نکته: قبل از تأیید طبقهبندی، بخشهای عمودی را در چندین مکان بردارید. آیا کلاس زمین واقعاً سطح پیوسته پایین را دنبال می کند یا بالای سقف ها "شناور" می شود؟ برش این را در یک نگاه نشان می دهد.
گام به گام: پردازش ابر نقطه ای برای نسل DTM
- با داده ها آشنا شوید. تراکم نقطه (نقطه/m²)، تعداد چرخش، کدهای کلاس فعلی، CRS و داده عمودی را تأیید کنید.
- نویز پاک. نقاط پرت هوا (سر و صدای زیاد) و زیرزمینی (صدای کم) را حذف کنید.
- زمین را فیلتر کنید. نقاط غیر زمینی (ساختمان، درخت، وسیله نقلیه) را جدا کنید و نقاط زمین را خالی بگذارید. این مرحله قلب DTM است.
- سطح تولید کنید. درون یابی شبکه DTM را از نقاط زمین انجام دهید.
- تأیید کنید. ردیابی زمین را با بخش های نمایه بررسی کنید. ارتفاعات را با نقاط ارتفاعی شناخته شده مقایسه کنید.
چرا فیلتراسیون زمین حیاتی است؟
تنها تفاوت بین DTM (زمین برهنه) و DSM (سطح) این است که آیا نقاط خارج از زمین از هم جدا هستند یا خیر. محاسبه حجم، تجزیه و تحلیل شیب، مدلسازی جریان آب یا مطالعه سیل به DTM نیاز دارد. اگر از DSM استفاده شود، ساختمان ها و درختان با "زمین" اشتباه گرفته می شوند و نتیجه مخدوش می شود. پارامترهای فیلتر زمین با توجه به زمین تنظیم می شوند: در یک منطقه با شیب تند، یک فیلتر بسیار تهاجمی نیز زمین واقعی را پاک می کند، در یک منطقه صاف، فیلتر شل اجسام پایین را با زمین اشتباه می گیرد. هوش مصنوعی ممکن است پارامتر شروع خوبی را پیشنهاد کند، اما نتیجه باید به صورت مقطعی آزمایش شود.
احتیاط: پلها و راهراهها یک تله کلاسیک هستند. اینها سازه هایی هستند که بالای سطح زمین معلق هستند. اگر فیلتر زمین به اشتباه اینها را به عنوان زمین در نظر بگیرد، یک "مجموعه" در DTM ایجاد می شود که در واقع وجود ندارد و تجزیه و تحلیل جریان آب کاملاً اشتباه خواهد بود.
سه مورد کوچک: با اعداد
مورد 1 - تله پل. در مدلسازی سیل، فیلتر زمینی یک پل را به عنوان زمین طبقه بندی کرد. یک سد کاذب در WTC ظاهر شد و جریان را مسدود کرد و مدل محاسبه کرد که آب در بالادست جمع میشود. بخش نمایه به وضوح پل را نشان می دهد. هنگامی که نقاط پل مجدداً طبقه بندی شدند، جریان به درستی مدل سازی شد.
مورد 2 - موجودی ارتفاع درخت. برای 240 هکتار در یک مطالعه جنگلی، طبقهبندی به کمک هوش مصنوعی الگوی تاج درخت را از طبقه گیاه بالاتر استخراج کرد و میانگین ارتفاع درخت تقریباً 18 متر را محاسبه کرد. با اندازه گیری دستی 30 درخت تصادفی در مزرعه مقایسه شد. تفاوت در ± 0.8 متر بود. اندازه گیری میدان مستقل خروجی مدل را قابل اعتماد کرد.
مورد 3 - خطای ارتفاع نقطه نویز. هنگامی که DTM بدون پاک کردن چندین نقطه نویز (پرندگان، گرد و غبار) معلق در هوا تولید شد، ارتفاع در یک سلول 40 متر بالاتر از مقدار واقعی پرید. مرحله کنترل سفارش و تمیز کردن نویز این پرش های فردی را حذف کرد. درس: تمیز کردن بیرونی قبل از DTM ضروری است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
مدل زمین از این ابر نقطه بیرون می آید.
اعلان قدرتمند:
وظیفه: گردش کار تولید DTM و چارچوب PDAL/laspy را از ابر نقطه LiDAR بسازید. زمینه: - چگالی ~ 12 نقطه / متر مربع، اطلاعات چرخش در دسترس، CRS EPSG:5256، TUDKA مبدأ عمودی باید مشخص شود - منطقه: مختلط (جریان، پل، ساختمان کم، شیب تند) الزامات: 1) دنباله: حذف نویز -> فیلتر بین زمینی و btridgeste.vi2 TM هشدار شیب در مورد خطرات فیلتر.3) تأیید: مرحله مقایسه با سطح مقطع پروفیل و نقطه ارتفاع شناخته شده. 4) تفاوت بین DTM و DSM و اینکه چرا DTM برای این کار مورد نیاز است را بنویسید.
تراکم سریع سریع خطرات زمین (پل، شیب) و مرحله تأیید را ایجاد می کند. بیرون آمد و به میدان آمد.
چهار قالب قابل کپی
1) بررسی مقدماتی ابر نقطه:
ابرداده LAS/LAZ زیر را تفسیر کنید: چگالی نقطه، توزیع اسپین، کدهای کلاس فعلی، CRS/مقصد عمودی. اطلاعات مفقود یا مشکوک را علامت گذاری کنید و آنچه را که باید قبل از شروع فرآیند حل شود فهرست کنید. فراداده: [خلاصه]
2) تنظیم فیلتر زمین:
مراحل فیلتر زمین را با PDAL بنویسید. توصیه پارامتر برای نوع زمین [مسطح/شیب/مختلط] ارائه دهید. همچنین در مورد خطرات پل، کم بوته و شیب تند هشدار می دهد. مرحله تایید نتیجه را با قسمت پروفایل اضافه کنید.
3) تأیید طبقه بندی اشیاء:
طرحی بنویسید تا طبقهبندی ابر نقطهای (زمین/ساختمان/گیاه/خط): کدام بخشهای نمایه باید گرفته شوند، کدام کلاسها مورد انتظار هستند (پل-زمین، بوتهسازی)، نحوه تأیید هر کدام.
4) کنترل اندازه گیری مشتق شده:
اندازهگیریهای مشتقشده زیر (ارتفاع درخت، ردپای ساختمان، افتادگی خط) را از نظر منطقی بررسی کنید: گام، ارزش منفی، نقاط پرت. پیشنهادی برای مقایسه با اندازه گیری میدانی اضافه کنید. ابعاد: [جدول]
مقایسه مفاهیم ابر نقطه ای
مفهوم
معنی
اهمیت
نوبت اول/آخرین
اولین/آخرین پژواک ضربه
جداسازی سطح بالا در مقابل زمین
کد کلاس
برچسب نقطه
DTM/DSM و استخراج شی
فیلتراسیون زمین
جداسازی قسمت بیرونی کف
پایه و اساس DTM
چگالی (نقطه/ متر مربع)
فرکانس نمونه برداری
محدودیت جزئیات و دقت
بخش پروفایل
نمای برش عمودی
تایید طبقه بندی
اشتباهات رایج
- تولید DTM بدون فیلتراسیون زمین. در واقع DSM بدست می آید. شلوار جین/حجم مخدوش است.
- شمارش پل ها/راهروها به عنوان زمین. مجموعه تقلبی، مدل جریان اشتباه.
- تمیز نکردن نقاط نویز اسپلش های جین منفرد.
- عدم تأیید طبقه بندی بر اساس مقطع. از دست دادن خطاهای سه بعدی بیگناه روی نقشه.
- نادیده گرفتن داده عمودی شلوار جین روی مرجع اشتباه نشسته است.
- انتظار شدت ناکافی جزئیات. اشیاء کوچکتر از محدوده نقطه قابل حل نیستند.
به طور خلاصه
هوش مصنوعی در پردازش ابری نقطه LiDAR. این یک شتاب دهنده برای ویرایش گردش کار، پارامترهای فیلتر زمین، طبقه بندی اشیا و محاسبه اندازه گیری مشتق شده است. مرحله اجباری در تولید DTM فیلتر کردن زمین است. اگر این مورد حذف شود، DSM به دست می آید و تحلیل های ارتفاع/حجم/جریان تحریف می شوند. پل ها، شیب های تند و نقاط سر و صدا از تله های معمولی هستند. هر طبقه بندی را با بخش های نمایه و نقاط ارتفاع شناخته شده تأیید کنید. همیشه مبحث عمودی را روشن کنید.
وظیفه کاربردی
یک سناریوی LiDAR را انتخاب کنید (مثلاً یک دره با یک نهر و یک پل). آیا هوش مصنوعی مراحل حذف نویز، فیلتر زمین و درون یابی DTM تولید می کند. از آن بخواهید در مورد خطرات پل و شیب هشدار دهد. سپس یک طرح راستیآزمایی بنویسید: مشخص کنید که قسمت نمایه را کجا میبرید و آن را با کدام نقاط ارتفاع شناخته شده مقایسه میکنید.
چک لیست
- [ ] من چگالی نقطه، اطلاعات چرخش و داده CRS/عمودی را تأیید کردم.
- [ ] من نویز/خطاها را پاک کردم.
- [ ] من بیرون زمین را برای DTM با فیلتر زمین جدا کردم.
- [ ] من خطرات پل/راهرو و شیب را بررسی کردم.
- [ ] من طبقه بندی را با بخش های نمایه تأیید کردم.
- [ ] من ارتفاعات را با نقاط شناخته شده مقایسه کردم.
- [ ] من از DTM استفاده کردم، نه از DSM، برای کارهای elevation/volume/flow.
- [ ] قبولی طبقه بندی را در تایید مهندس حفظ کردم.