利益:
- AI ワークフローで LiDAR 点群、リターン、密度、クラス コードの概念を正しく使用する能力
- AI を使用して地面フィルタリング、DTM 制作、オブジェクト (建物、樹木、電柱) 分類ステップを構成する機能
- プロファイル セクションと標高ロジックを使用して点群分類出力を検証する機能
LiDAR (Light Detection and Ranging) は、レーザー パルスを送信し、その戻り時間を測定することによって地表の 3 次元測定値を生成するアクティブ検出技術です。その結果、数百万、さらには数十億の点で構成される点群が作成されます。各点には、x、y、z 座標と追加の属性があります。測量工学における LiDAR。デジタル地形モデルの作成、森林や市街地のモデリング、インフラ（送電線、道路）の作成に不可欠です。この単元では、人工知能が点群の処理と分類をどのように加速するかについて説明します。原則: AI が分類を提案します。高さと断面ロジックの検証はエンジニアが行います。
基本用語。さまざまな表面 (木の葉、枝、地面) から反射された単一のレーザー パルスの複数のエコーが返されます。通常、最初のターンは上面で、最後のターンは地面であることがよくあります。強度は返される信号の強度です。それは表面のタイプに関する手がかりを与えます。クラス コードは、各ポイント (地面、建物、低/中/高植生、水、送電線など) に割り当てられる標準ラベルです。 LAS/LAZ ファイル形式で保存されます。地面フィルタリングは、非地面点を削除し、裸地表面 (DTM) を除去するプロセスです。ボクセル、3D 空間内のセル。点群を希釈/処理するために使用されます。
点群処理における AI の役割
人工知能は、次の 3 つのレベルでこの分野に貢献しています。
- ワークフローとパラメータの設定。地面フィルタリング、ノイズ除去、希釈ステップとパラメータを推奨します。コードのスケルトンを生成します (PDAL、laspy などのツールを使用)。
- オブジェクトの分類。深層学習モデルは、ポイントを建物、樹木、電柱、車両などのクラスに分類できます。これは、AI が実際に作業を行う領域です。
- 特徴抽出とレポート。木の高さ、建物の床面積、線のたるみなどの派生測定値を計算するロジックを確立して要約します。
盲点: 点群は 3 次元であり、平面マップ上では完全に表示されません。誤った分類 (例: 橋を地面として数えたり、低い茂みを建物として数えたりする) は、地図上では問題がないように見え、DTM を歪めます。したがって、分類はプロファイル スライス (点群の垂直スライスを側面から見る) によって検証する必要があります。
ヒント: 分類を確認する前に、いくつかの場所で垂直断面を取得します。地上クラスは本当に底部の連続サーフェスに追従するのでしょうか、それとも屋根の上に「浮いている」のでしょうか?断面図を見ると一目でそれが分かります。
ステップバイステップ: DTM 生成のための点群処理
- データについて知りましょう。点密度（ドット/m²）、ターン数、現在のクラスコード、CRS、垂直基準点を確認します。
- クリアなノイズ。空中 (高騒音) および地下 (低騒音) の外れ値を除去します。
- 地面を濾過します。非地上点 (建物、樹木、車両) を隔離し、裸地点を残します。このステップが DTM の核心です。
- サーフェスを生成します。地上点からグリッド DTM 補間を実行します。
- 確認する。プロファイルセクションで接地トレースを確認します。標高を既知の標高点と比較します。
なぜ地面のろ過が重要なのでしょうか?
DTM (裸地) と DSM (地上) の唯一の違いは、地面から離れた点が分離されているかどうかです。体積計算、傾斜解析、水流モデリング、または洪水調査には DTM が必要です。 DSM を使用すると、建物や樹木が「土地」と誤認され、結果が歪んでしまいます。地面フィルタリングのパラメータは地形に応じて調整されます。急な傾斜のエリアでは、過度に強力なフィルタは実際の地面も消去し、平坦なエリアでは、緩いフィルタは低い物体を地面と誤認します。 AI は適切な開始パラメータを提案するかもしれませんが、結果は横断的にテストする必要があります。
注意: 橋と高架橋は典型的な罠です。これらは地上に吊り下げられた構造物です。地上フィルターがこれらを誤って地上とみなした場合、実際には存在しない「セット」が DTM 内に作成され、水流解析は完全に間違ったものになります。
3 つのミニケース: 数字で見る
ケース 1 — ブリッジ トラップ。洪水モデリングでは、地面フィルターは橋を地面として分類しました。 WTC に偽のダムが出現し、川が遮断され、モデルは水が上流に溜まると計算しました。プロフィールセクションには橋がはっきりと示されていました。ブリッジ ポイントが再分類されると、フローは正しくモデル化されました。
ケース 2 — 樹高目録。 240 ヘクタールの森林調査において、AI 支援分類により高等植物クラスから樹冠パターンが抽出され、平均樹高約 18 m が計算されました。これは、野外にあるランダムな 30 本の木を手作業で測定したものと比較されました。その差は±0.8m以内でした。独立したフィールド測定により、モデル出力の信頼性が高まりました。
ケース 3 — ノイズ ポイント上昇エラー。空気中に浮遊するいくつかのノイズ ポイント (鳥、塵) をクリアせずに DTM が生成された場合、1 つのセルの標高が実際の値より 40 m 高く跳ね上がりました。次数制御とノイズ クリーニングのステップにより、これらの個々のバウンスが除去されました。教訓: DTM の前に異常値のクリーニングが不可欠です。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
地上モデルはこの点群から現れます。
強力なプロンプト:
タスク: LiDAR 点群から DTM 生成ワークフローと PDAL/laspy フレームワークを構築します。コンテキスト:- 密度 ~12 ポイント/m²、回転情報が利用可能、CRS EPSG:5256、鉛直データ TUDKA を指定する必要があります- エリア: 混合 (河川、橋、まばらな建物、急な斜面) 要件:1) シーケンス: ノイズ除去 -> 地面フィルタリング -> DTM 補間。2) 橋/高架橋および急勾配の場合、フィルタリングのリスクを警告。3) 検証: プロファイル断面と既知の標高との比較ステップpoint.4) DTM と DSM の違いと、この仕事に DTM が必要な理由を書きます。
強力なプロンプト密度により、地形リスク (橋、斜面) と検証ステップが提供されます。出てきてフィールドにフィットしました。
4 つのコピー可能なテンプレート
1) 点群の予備レビュー:
次の LAS/LAZ メタデータを解釈します: 点密度、スピン分布、現在のクラス コード、CRS/垂直データ。プロセスを開始する前に、不足している情報または疑わしい情報にマークを付け、解決する必要があるものをリストします。メタデータ: [概要]
2) 地上フィルタリングのセットアップ:
PDAL を使用してグラウンド フィルタリング ステップを作成します。地形タイプ [平坦/斜面/混合] に対するパラメータの推奨事項を示します。橋、低い藪、急な斜面の危険性も警告します。プロファイルセクションで結果を検証するステップを追加します。
3) オブジェクト分類の検証:
点群の分類 (地面/建物/プラント/ライン) を検証する計画を作成します。どのプロファイル セクションを取得する必要があるか、どのクラスの組み合わせが予想されるか (橋梁と地面、藪の建物)、それぞれを検証する方法を示します。
4) 派生測定制御:
次の導出された測定値 (木の高さ、建物の設置面積、線のたわみ) の妥当性を確認します: ピッチ、負の値、外れ値。フィールド測定との比較に関する提案を追加します。寸法: [テーブル]
点群の概念の比較
コンセプト
意味
重要性
最初/最後のターン
最初/最後の打撃のエコー
上面と地面の分離
クラスコード
ドットラベル
DTM/DSM とオブジェクト抽出
地面のろ過
床の外側を区切る
DTMの基礎
密度 (ドット/m²)
サンプリング周波数
詳細と精度の限界
プロフィールセクション
垂直スライスビュー
分類の検証
よくある間違い
- 粉砕濾過を行わずにDTMを製造します。実際、DSM は取得されます。ジーンズ/ボリュームが歪んでいます。
- 橋/高架橋を地上として数えます。偽のセット、間違ったフロー モデル。
- ノイズポイントを掃除していない。個性的なデニムのスプラッシュ。
- 断面による分類を検証していません。地図上に一見無害に見える 3D エラーがありません。
- 垂直基準点は無視します。ジーンズは間違った基準の上に座っています。
- 細部の強度が不十分であることが期待されます。ドット範囲より小さいオブジェクトは解決できません。
要約すると
LiDAR 点群処理における人工知能。これは、ワークフロー編集、地面フィルタリング パラメータ、オブジェクト分類、派生メジャー計算のためのアクセラレータです。 DTM を作成する際の必須のステップは、地面の濾過です。これを省略すると、DSM が取得され、標高/体積/流れの解析が歪められます。橋、急な坂道、騒音ポイントが典型的な罠です。プロファイル セクションと既知の標高ポイントを使用して各分類を検証します。常に垂直基準を明確にしてください。
アプリケーションタスク
LiDAR シナリオ (たとえば、小川と橋のある谷) を選択します。 AI にノイズ除去、グラウンド フィルタリング、DTM 補間ステップを生成させます。橋や斜面の危険について警告するよう依頼してください。次に、検証計画を作成します。プロファイル セクションをどこで取得するか、およびそれをどの既知の標高ポイントと比較するかを具体的にします。
チェックリスト
- [ ] 点密度、回転情報、CRS・垂直基準系を確認しました。
- [ ] ノイズ/異常値をクリーンアップしました。
- [ ] DTM用にグラウンドの外側をグラウンドフィルターで分離してみました。
- [ ] 橋・高架橋と法面の危険性を調べてみました。
- [ ] プロフィール欄での分類を検証しました。
- [ ] 標高を既知の地点と比較しました。
- [ ] エレベーション/ボリューム/フローの作業には、DSM ではなく DTM を使用しました。
- [ ] 分類の承認を技術者承認に保持しました。