רווחים:
- יכולת להשתמש במושגים של ענן נקודות LiDAR, החזר, צפיפות וקודי מחלקות בצורה נכונה בזרימת העבודה של AI
- יכולת להגדיר שלבי סינון קרקע, ייצור DTM וסיווג אובייקטים (בניין, עץ, עמוד) עם AI
- יכולת לאמת פלט סיווג ענן נקודות עם קטעי פרופיל ולוגיקת גובה
LiDAR (Light Detection and Ranging) היא טכנולוגיית זיהוי אקטיבית המייצרת מדידות תלת מימדיות של פני כדור הארץ על ידי שליחת פולסי לייזר ומדידת זמן החזרה. התוצאה היא ענן נקודות המורכב ממיליוני או אפילו מיליארדי נקודות; לכל נקודה יש קואורדינטת x, y, z ותכונות נוספות. LiDAR בהנדסת סקרים; זה הכרחי לייצור דגמי שטח דיגיטליים, דוגמנות יער ואזורים עירוניים ויצירת תשתית (קווי חשמל, כבישים). ביחידה זו אנו מכסים כיצד בינה מלאכותית מאיצה את העיבוד והסיווג של ענן נקודות. עקרון: AI מציע סיווג; אימות עם היגיון גובה וחתך נשאר אצל המהנדס.
מונחים בסיסיים. החזרה היא הדים מרובים של דופק לייזר בודד המוחזר ממשטחים שונים (עלי עצים, ענפים, אדמה); הפנייה הראשונה היא בדרך כלל המשטח העליון, הפנייה האחרונה היא לרוב הקרקע. עוצמה היא עוצמת האות המוחזר; זה נותן רמז לגבי סוג המשטח. קוד הכיתה הוא התווית הסטנדרטית המוקצה לכל נקודה (כגון קרקע, בניין, צמחייה נמוכה/בינונית/גבוהה, מים, קו מתח); הוא מאוחסן בפורמט הקובץ LAS/LAZ. סינון קרקע הוא תהליך של הסרת נקודות שאינן קרקע והסרת משטח הקרקע החשוף (DTM). Voxel, תא בחלל תלת מימד; משמש לדילול/עיבוד ענן הנקודות.
תפקידה של AI בעיבוד ענן נקודתי
בינה מלאכותית תורמת בתחום זה בשלוש רמות:
- זרימת עבודה והגדרת פרמטרים. ממליצה על סינון קרקע, הסרת רעשים, שלבי דילול ופרמטרים; מייצר שלד קוד (עם כלים כגון PDAL, laspy).
- סיווג אובייקטים. מודלים של למידה עמוקה יכולים לסווג נקודות לכיתות כגון בניין, עץ, מוט, רכב; זה התחום שבו AI עושה את העבודה האמיתית.
- חילוץ ודיווח של תכונה. הוא קובע ומסכם את ההיגיון שמחשב מידות נגזרות כגון גובה העץ, שטח רצפת הבניין וצניחת הקו.
נקודה עיוורת: ענן הנקודות הוא תלת מימדי ואינו נראה במלואו על מפה שטוחה. סיווג שגוי (למשל ספירת גשר כקרקע, שיח נמוך כבניין) נראה תמים על המפה ומעוות את ה-DTM. לכן, יש לאמת את הסיווג על ידי פרוסות פרופיל (צפייה בפרוסה אנכית של ענן הנקודות מהצד).
טיפ: קח קטעים אנכיים במספר מיקומים לפני אישור סיווג. האם מעמד הקרקע באמת עוקב אחר המשטח הרציף התחתון, או שהוא "צף" מעל הגגות? החתך מראה זאת במבט חטוף.
שלב אחר שלב: עיבוד ענן נקודתי לדור DTM
- הכירו את הנתונים. אשר את צפיפות הנקודה (נקודות/מ"ר), מספר פניות, קודי מחלקה נוכחיים, CRS ונתון אנכי.
- רעש ברור. הסר נקודות חריגות מוטסות (רעש גבוה) ותת-קרקעיות (רעש נמוך).
- מסננים את הקרקע. יש לבודד נקודות שאינן קרקעיות (בניין, עץ, רכב) ולהשאיר נקודות קרקע חשופות. שלב זה הוא הלב של DTM.
- צור משטח. בצע אינטרפולציה של רשת DTM מנקודות קרקע.
- לְאַמֵת. בדוק את עקבות הקרקע עם קטעי פרופיל; השווה גבהים עם נקודות גובה ידועות.
מדוע סינון קרקע הוא קריטי?
ההבדל היחיד בין DTM (קרקע חשופה) ל-DSM (שטח) הוא האם הנקודות מחוץ לקרקע מופרדות או לא. חישוב נפח, ניתוח שיפוע, מודל זרימת מים או מחקר שיטפון דורש DTM; אם נעשה שימוש ב-DSM, מבנים ועצים נחשבים בטעות ל"אדמה" והתוצאה מעוותת. פרמטרים של סינון קרקע מותאמים בהתאם לשטח: באזור משופע תלול מסנן אגרסיבי מדי מוחק גם את הקרקע האמיתית, בשטח שטוח מסנן משוחרר מטעה שאובייקטים נמוכים הם קרקע. AI עשוי להציע פרמטר התחלה טוב, אבל התוצאה חייבת להיבדק בחתך רוחב.
זהירות: גשרים ותעלות דרך הם מלכודת קלאסית. מדובר במבנים התלויים מעל הקרקע; אם מסנן הקרקע בטעות מחשיב את אלה כקרקע, ייווצר "סט" ב-DTM שלא קיים בפועל וניתוח זרימת המים יהיה שגוי לחלוטין.
שלושה מיני מארזים: לפי המספרים
מקרה 1 - מלכודת גשר. במודל שיטפון, מסנן הקרקע סיווג גשר כקרקע; ב-WTC הופיע סכר שקרי שחסם את הנחל, והמודל חישב שיצטברו מים במעלה הזרם. קטע הפרופיל הראה בבירור את הגשר; כאשר נקודות הגשר סווגו מחדש, הזרימה עוצבה בצורה נכונה.
מקרה 2 - מלאי גובה העצים. עבור 240 דונם במחקר יער, סיווג בעזרת בינה מלאכותית הוציא את תבנית חופת העצים ממעמד הצמחים הגבוה יותר וחישב את גובה העצים הממוצע של כ-18 מ'. זה הושווה למדידה ידנית של 30 עצים אקראיים בשטח; ההבדל היה בטווח של ±0.8 מ'. מדידת שדה עצמאית הפכה את פלט המודל לאמין.
מקרה 3 - טעות בגובה נקודת הרעש. כאשר DTM נוצר מבלי לנקות מספר נקודות רעש (ציפורים, אבק) התלויות באוויר, הגובה בתא אחד קפץ 40 מ' מעל הערך האמיתי. שלב בקרת ההזמנה וניקוי הרעשים הסיר את ההקפצות הבודדות הללו. לקח: ניקוי חריגים חיוני לפני DTM.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
מודל הקרקע יוצא מענן נקודתי זה.
הנחיה עוצמתית:
משימה: בניית זרימת עבודה של דור DTM ומסגרת PDAL/laspy מענן נקודות LiDAR. הקשר:- צפיפות ~12 נקודות/מ"ר, מידע סיבוב זמין, CRS EPSG:5256, יש לציין את הנתון האנכי TUDKA- אזור: מעורב (נחל, גשר, בניין דליל, מדרון תלול) דרישות: 1) רצף: הסרת רעש -> סינון קרקע -> אינטרפולציה DTM.2) עבור סיכונים של גשר/וויו-ויאקטן. שלב השוואה עם חתך פרופיל ונקודת גובה ידועה.4) כתוב את ההבדל בין DTM ל-DSM ומדוע נדרש DTM לעבודה זו.
צפיפות מהירה חזקה נותנת סיכוני שטח (גשר, שיפוע) ושלב אימות; יצא ומתאים לתחום.
ארבע תבניות הניתנות להעתקה
1) סקירה ראשונית של ענן נקודות:
פרש את המטא-נתונים הבאים של LAS/LAZ: צפיפות נקודות, התפלגות ספין, קודי מחלקה נוכחיים, CRS/נתון אנכי. סמן מידע חסר או חשוד ורשום מה צריך לפתור לפני שמתחילים בתהליך. מטא נתונים: [סיכום]
2) הגדרת סינון קרקע:
כתוב שלבי סינון קרקע עם PDAL; תן המלצת פרמטר לסוג שטח [שטוח/שיפוע/מעורב]. מתריע גם מפני סיכוני גשר, שיחים נמוכים ומדרון תלול. הוסף את השלב של אימות התוצאה עם קטע הפרופיל.
3) אימות סיווג אובייקט:
כתוב תוכנית לאימות סיווג ענן נקודתי (קרקע/בניין/מפעל/קו): אילו קטעי פרופיל יש לקחת, אילו תערובות מחלקות צפויות (גשר-קרקע, בניית שיחים), כיצד לוודא כל אחד.
4) בקרת מידה נגזרת:
בדוק את המדידות הנגזרות הבאות (גובה העץ, טביעת הרגל של המבנה, צניחת הקו) עבור סבירות: גובה גובה, ערך שלילי, חריגים. הוסף הצעה להשוואה למדידת שדה. מידות: [טבלה]
השוואת מושגי ענן נקודות
מושג
משמעות
חשיבות
סיבוב ראשון/אחרון
הד ראשון/אחרון של המכה
משטח עליון לעומת הפרדת קרקע
קוד כיתה
תווית נקודה
DTM/DSM וחילוץ אובייקטים
סינון קרקע
הפרדת החלק החיצוני של הרצפה
הבסיס של DTM
צפיפות (נקודה/מ"ר)
תדירות דגימה
מגבלת פירוט ודיוק
קטע פרופיל
נוף פרוסה אנכית
אימות סיווג
טעויות נפוצות
- ייצור DTM ללא סינון קרקע. למעשה, DSM מתקבל; ג'ינס/נפח מעוות.
- ספירת גשרים/ווידוקטים כקרקע. סט מזויף, דגם זרימה שגוי.
- לא מנקה נקודות רעש. כתמי ג'ינס יחידים.
- לא מאמת את הסיווג לפי חתך. חסרות שגיאות תלת מימד תמימות למראה במפה.
- התעלמות מהנתון האנכי. ג'ינס יושבים על הפניה הלא נכונה.
- מצפה לאינטנסיביות מספקת של פירוט. לא ניתן לפתור אובייקטים קטנים מטווח הנקודות.
לסיכום
בינה מלאכותית בעיבוד ענן נקודות LiDAR; זהו מאיץ לעריכת זרימת עבודה, פרמטרים של סינון קרקע, סיווג אובייקטים וחישוב מידה נגזרת. שלב החובה בהפקת DTM הוא סינון קרקע; אם זה מושמט, יתקבל DSM וניתוחי גובה/נפח/זרימה יעוותו. גשרים, מדרונות תלולים ונקודות רעש הם מלכודות אופייניות. אמת כל סיווג עם קטעי פרופיל ונקודות גובה ידועות; הבהיר תמיד את הנתון האנכי.
משימת יישום
בחר תרחיש LiDAR (לדוגמה, עמק עם נחל וגשר). בקש מה-AI לייצר שלבי הסרת רעשים, סינון קרקע ושלבי אינטרפולציה DTM; בקש ממנו להזהיר מפני סיכוני גשרים ומדרונות. לאחר מכן כתבו תוכנית אימות: קונקרטי לאן תקחו את קטע הפרופיל ולאילו נקודות גובה ידועות תשוו אותו.
רשימת בדיקה
- [ ] אישרתי את צפיפות הנקודה, מידע סיבוב ונתון CRS/אנכי.
- [ ] ניקיתי את הרעש/החריגים.
- [ ] הפרדתי את החלק החיצוני של הקרקע עבור DTM עם סינון קרקע.
- [ ] בדקתי סיכוני גשר/דרך ומדרון.
- [ ] אימתתי את הסיווג עם קטעי פרופיל.
- [ ] השוויתי את הגבהים לנקודות ידועות.
- [ ] השתמשתי ב-DTM, לא ב-DSM, לעבודת הגבהה/נפח/זרימה.
- [ ] שמרתי את קבלת הסיווג באישור מהנדס.