Keuntungan:
- Kemampuan untuk menggunakan konsep point cloud LiDAR, return, kepadatan, dan kode kelas dengan benar dalam alur kerja AI
- Kemampuan untuk mengonfigurasi langkah-langkah pemfilteran tanah, produksi DTM, dan klasifikasi objek (bangunan, pohon, tiang) dengan AI
- Kemampuan untuk memverifikasi keluaran klasifikasi titik awan dengan bagian profil dan logika ketinggian
LiDAR (Light Detection and Ranging) merupakan teknologi deteksi aktif yang menghasilkan pengukuran tiga dimensi permukaan bumi dengan mengirimkan pulsa laser dan mengukur waktu kembalinya. Hasilnya adalah point cloud yang terdiri dari jutaan atau bahkan milyaran titik; Setiap titik memiliki koordinat x, y, z dan atribut tambahan. LiDAR di bidang teknik survei; Hal ini sangat diperlukan untuk menghasilkan model medan digital, membuat model hutan dan kawasan perkotaan, dan menciptakan infrastruktur (saluran listrik, jalan). Dalam unit ini, kami membahas bagaimana kecerdasan buatan mempercepat pemrosesan dan klasifikasi point cloud. Prinsip: AI menyarankan klasifikasi; Verifikasi dengan logika ketinggian dan bagian tetap berada pada teknisi.
Istilah dasar. Pengembaliannya adalah beberapa gema dari satu pulsa laser yang dipantulkan dari permukaan berbeda (daun pohon, cabang, tanah); Belokan pertama biasanya permukaan atas, belokan terakhir sering kali permukaan tanah. Intensitas adalah kekuatan sinyal yang dikembalikan; Ini memberi petunjuk tentang jenis permukaan. Kode kelas adalah label standar yang ditetapkan untuk setiap titik (seperti tanah, bangunan, vegetasi rendah/sedang/tinggi, air, saluran listrik); Itu disimpan dalam format file LAS/LAZ. Penyaringan tanah adalah proses menghilangkan titik-titik non-tanah dan menghilangkan permukaan tanah kosong (DTM). Voxel, sel dalam ruang 3D; Digunakan untuk mengencerkan/mengolah point cloud.
Peran AI dalam Pemrosesan Point Cloud
Kecerdasan buatan berkontribusi dalam bidang ini pada tiga tingkatan:
- Alur kerja dan pengaturan parameter. Merekomendasikan penyaringan tanah, penghilangan kebisingan, langkah pengenceran dan parameter; menghasilkan kerangka kode (dengan alat seperti PDAL, laspy).
- Klasifikasi objek. Model pembelajaran mendalam dapat mengklasifikasikan titik ke dalam kelas-kelas seperti bangunan, pohon, tiang, kendaraan; Di sinilah AI melakukan pekerjaan sebenarnya.
- Ekstraksi fitur dan laporan. Ini menetapkan dan merangkum logika yang menghitung pengukuran turunan seperti tinggi pohon, luas lantai bangunan, dan garis melorot.
Titik buta: titik awan berbentuk tiga dimensi dan tidak sepenuhnya terlihat pada peta datar. Kesalahan klasifikasi (misalnya menghitung jembatan sebagai tanah, semak rendah sebagai bangunan) terlihat tidak berbahaya di peta dan mendistorsi DTM. Oleh karena itu, klasifikasi harus diverifikasi dengan irisan profil (melihat irisan vertikal titik awan dari samping).
Tip: Ambil bagian vertikal di beberapa lokasi sebelum mengonfirmasi klasifikasi. Apakah kelas dasar benar-benar mengikuti permukaan bawah yang terus menerus, atau apakah kelas tersebut "mengambang" di atas atap? Sekilas menunjukkan hal ini.
Langkah demi Langkah: Pemrosesan Point Cloud untuk Pembuatan DTM
- Kenali datanya. Konfirmasikan kepadatan titik (titik/m²), jumlah belokan, kode kelas saat ini, CRS dan datum vertikal.
- Kebisingan yang jelas. Hapus outlier di udara (kebisingan tinggi) dan di bawah tanah (kebisingan rendah).
- Saring tanah. Isolasi titik-titik yang bukan permukaan tanah (bangunan, pohon, kendaraan) dan sisakan titik-titik yang tidak ada permukaan tanahnya. Langkah ini adalah inti dari DTM.
- Hasilkan permukaan. Lakukan interpolasi DTM grid dari titik dasar.
- Memeriksa. Periksa jejak tanah dengan bagian profil; Bandingkan ketinggian dengan titik ketinggian yang diketahui.
Mengapa Filtrasi Tanah Penting?
Satu-satunya perbedaan antara DTM (tanah telanjang) dan DSM (permukaan) adalah apakah titik-titik di luar permukaan tanah dipisahkan atau tidak. Perhitungan volume, analisis kemiringan, pemodelan aliran air atau studi banjir memerlukan DTM; Jika DSM digunakan, bangunan dan pepohonan disalahartikan sebagai “tanah” dan hasilnya terdistorsi. Parameter penyaringan tanah disesuaikan dengan medan: di area dengan kemiringan curam, filter yang terlalu agresif juga menghapus tanah sebenarnya, di area datar, filter longgar salah mengira objek rendah sebagai tanah. AI mungkin menyarankan parameter awal yang baik, namun hasilnya harus diuji secara cross-sectional.
Perhatian: Jembatan dan jembatan adalah jebakan klasik. Ini adalah struktur yang tergantung di atas tanah; Jika filter tanah secara keliru menganggapnya sebagai tanah, sebuah "set" akan dibuat di DTM yang sebenarnya tidak ada dan analisis aliran air akan sepenuhnya salah.
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 — Perangkap jembatan. Dalam pemodelan banjir, filter tanah mengklasifikasikan jembatan sebagai tanah; Sebuah bendungan palsu muncul di WTC, menghalangi aliran sungai, dan model tersebut menghitung bahwa air akan menumpuk di hulu. Bagian profil dengan jelas menunjukkan jembatan itu; Ketika titik-titik jembatan diklasifikasi ulang, aliran dimodelkan dengan benar.
Kasus 2 — Inventarisasi tinggi pohon. Untuk studi hutan seluas 240 hektar, klasifikasi yang dibantu AI mengekstraksi pola kanopi pohon dari kelas tumbuhan tingkat tinggi dan menghitung rata-rata tinggi pohon sekitar 18 m. Hal ini dibandingkan dengan pengukuran tangan terhadap 30 pohon acak di lapangan; perbedaannya berada dalam jarak ±0,8 m. Pengukuran lapangan yang independen membuat keluaran model dapat diandalkan.
Kasus 3 — Kesalahan ketinggian titik kebisingan. Ketika DTM dihasilkan tanpa menghilangkan beberapa titik kebisingan (burung, debu) yang melayang di udara, ketinggian dalam satu sel melonjak 40 m di atas nilai sebenarnya. Langkah kontrol pesanan dan pembersihan kebisingan menghilangkan pantulan individual ini. Pelajaran: Pembersihan outlier sangat penting sebelum DTM.
Prompt Lemah / Prompt Kuat
Perintah yang lemah:
Model dasar muncul dari titik awan ini.
Perintah yang kuat:
Tugas: Membangun alur kerja pembuatan DTM dan kerangka PDAL/laspy dari point cloud LiDAR. Konteks: - Kepadatan ~12 titik/m², informasi rotasi tersedia, CRS EPSG:5256, datum vertikal TUDKA harus ditentukan - Area: campuran (sungai, jembatan, bangunan jarang, lereng curam) Persyaratan:1) Urutan: penghilangan kebisingan -> penyaringan tanah -> interpolasi DTM.2) Untuk jembatan/viaduk dan lereng curam, peringatan risiko penyaringan.3) Verifikasi: langkah perbandingan dengan profil penampang dan titik ketinggian yang diketahui.4) Tuliskan perbedaan antara DTM dan DSM dan mengapa DTM diperlukan untuk pekerjaan ini.
Kepadatan cepat yang kuat memberikan risiko medan (jembatan, lereng) dan langkah verifikasi; keluar dan cocok dengan lapangan.
Empat Templat yang Dapat Disalin
1) Tinjauan awal point cloud:
Interpretasikan metadata LAS/LAZ berikut: kepadatan titik, distribusi putaran, kode kelas saat ini, CRS/datum vertikal. Tandai informasi yang hilang atau mencurigakan dan buat daftar apa yang perlu diselesaikan sebelum memulai proses. Metadata: [ringkasan]
2) Pengaturan penyaringan tanah:
Tulis langkah-langkah penyaringan tanah dengan PDAL; Berikan rekomendasi parameter untuk tipe medan [datar/lereng/campuran]. Juga memperingatkan risiko jembatan, semak rendah, dan lereng curam. Tambahkan langkah verifikasi hasil dengan bagian profil.
3) Verifikasi klasifikasi objek:
Tulis rencana untuk memverifikasi klasifikasi titik awan (tanah/bangunan/pabrik/garis): bagian profil mana yang harus diambil, campuran kelas mana yang diharapkan (jembatan-tanah, bangunan semak), bagaimana cara memverifikasi masing-masing klasifikasi.
4) Kontrol ukuran turunan:
Periksa pengukuran turunan berikut (tinggi pohon, tapak bangunan, garis melorot) untuk mengetahui kemungkinannya: nada, nilai negatif, outlier. Tambahkan saran untuk perbandingan dengan pengukuran lapangan. Dimensi: [tabel]
Perbandingan Konsep Point Cloud
konsep
Artinya
Pentingnya
Giliran pertama/terakhir
Gema pukulan pertama/terakhir
Pemisahan permukaan atas vs tanah
Kode kelas
Label titik
DTM/DSM dan ekstraksi objek
penyaringan tanah
Memisahkan bagian luar lantai
Yayasan DTM
Kepadatan (titik/m²)
Frekuensi pengambilan sampel
Batas detail dan akurasi
Bagian profil
Tampilan irisan vertikal
Verifikasi klasifikasi
Kesalahan umum
- Memproduksi DTM tanpa penyaringan tanah. Faktanya, DSM diperoleh; jeans/volume terdistorsi.
- Menghitung jembatan/viaduk sebagai tanah. Set palsu, model aliran salah.
- Tidak membersihkan titik kebisingan. Percikan denim tunggal.
- Tidak memverifikasi klasifikasi berdasarkan penampang. Tidak ada kesalahan 3D yang tampak polos di peta.
- Mengabaikan datum vertikal. Jeans berada pada referensi yang salah.
- Mengharapkan intensitas detail yang tidak memadai. Objek yang lebih kecil dari rentang titik tidak dapat diselesaikan.
Singkatnya
Kecerdasan buatan dalam pemrosesan point cloud LiDAR; Ini adalah akselerator untuk pengeditan alur kerja, parameter pemfilteran tanah, klasifikasi objek, dan penghitungan ukuran turunan. Langkah wajib dalam memproduksi DTM adalah penyaringan tanah; Jika hal ini diabaikan, DSM akan diperoleh dan analisis elevasi/volume/aliran akan terdistorsi. Jembatan, lereng curam, dan titik kebisingan merupakan jebakan yang umum terjadi. Verifikasi setiap klasifikasi dengan bagian profil dan titik ketinggian yang diketahui; Selalu perjelas datum vertikalnya.
Tugas aplikasi
Pilih skenario LiDAR (misalnya, lembah dengan sungai dan jembatan). Minta AI menghasilkan langkah-langkah penghilangan kebisingan, penyaringan tanah, dan interpolasi DTM; Mintalah untuk memperingatkan tentang risiko jembatan dan lereng. Kemudian tulis rencana verifikasi: nyatakan di mana Anda akan mengambil bagian profil dan titik ketinggian mana yang akan Anda bandingkan.
daftar periksa
- [ ] Saya mengkonfirmasi kepadatan titik, informasi rotasi dan data CRS/vertikal.
- [ ] Saya membersihkan kebisingan/outlier.
- [ ] Bagian luar tanah untuk DTM saya pisahkan dengan ground filtering.
- [ ] Saya memeriksa risiko jembatan/viaduct dan lereng.
- [] Saya memverifikasi klasifikasi dengan bagian profil.
- [ ] Saya membandingkan ketinggian dengan titik-titik yang diketahui.
- [ ] Saya menggunakan DTM, bukan DSM, untuk pekerjaan elevasi/volume/aliran.
- [ ] Saya menyimpan penerimaan klasifikasi dalam persetujuan insinyur.