ಲಿಡಾರ್ ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಪ್ರೊಸೆಸಿಂಗ್ ಮತ್ತು ವರ್ಗೀಕರಣ

ಲಾಭಗಳು:

• AI ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ LiDAR ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್, ರಿಟರ್ನ್, ಡೆನ್ಸಿಟಿ ಮತ್ತು ಕ್ಲಾಸ್ ಕೋಡ್‌ಗಳ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸರಿಯಾಗಿ ಬಳಸುವ ಸಾಮರ್ಥ್ಯ
• AI ನೊಂದಿಗೆ ನೆಲದ ಫಿಲ್ಟರಿಂಗ್, DTM ಉತ್ಪಾದನೆ ಮತ್ತು ವಸ್ತು (ಕಟ್ಟಡ, ಮರ, ಕಂಬ) ವರ್ಗೀಕರಣ ಹಂತಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ಪ್ರೊಫೈಲ್ ವಿಭಾಗಗಳು ಮತ್ತು ಎತ್ತರದ ತರ್ಕದೊಂದಿಗೆ ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ವರ್ಗೀಕರಣದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ

ಲಿಡಾರ್ (ಲೈಟ್ ಡಿಟೆಕ್ಷನ್ ಮತ್ತು ರೇಂಜಿಂಗ್) ಸಕ್ರಿಯ ಪತ್ತೆ ತಂತ್ರಜ್ಞಾನವಾಗಿದ್ದು, ಲೇಸರ್ ದ್ವಿದಳ ಧಾನ್ಯಗಳನ್ನು ಕಳುಹಿಸುವ ಮೂಲಕ ಮತ್ತು ಹಿಂತಿರುಗುವ ಸಮಯವನ್ನು ಅಳೆಯುವ ಮೂಲಕ ಭೂಮಿಯ ಮೇಲ್ಮೈಯ ಮೂರು ಆಯಾಮದ ಅಳತೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಫಲಿತಾಂಶವು ಮಿಲಿಯನ್ ಅಥವಾ ಶತಕೋಟಿ ಬಿಂದುಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಆಗಿದೆ; ಪ್ರತಿಯೊಂದು ಬಿಂದುವು x, y, z ನಿರ್ದೇಶಾಂಕ ಮತ್ತು ಹೆಚ್ಚುವರಿ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದೆ. ಸಮೀಕ್ಷೆ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ LiDAR; ಡಿಜಿಟಲ್ ಭೂಪ್ರದೇಶ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸಲು, ಅರಣ್ಯ ಮತ್ತು ನಗರ ಪ್ರದೇಶಗಳನ್ನು ರೂಪಿಸಲು ಮತ್ತು ಮೂಲಸೌಕರ್ಯಗಳನ್ನು (ವಿದ್ಯುತ್ ಮಾರ್ಗಗಳು, ರಸ್ತೆಗಳು) ರಚಿಸಲು ಇದು ಅನಿವಾರ್ಯವಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ವರ್ಗೀಕರಣವನ್ನು ಹೇಗೆ ವೇಗಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ಒಳಗೊಂಡಿದೆ. ತತ್ವ: AI ವರ್ಗೀಕರಣವನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಎತ್ತರ ಮತ್ತು ವಿಭಾಗದ ತರ್ಕದೊಂದಿಗೆ ಪರಿಶೀಲನೆಯು ಎಂಜಿನಿಯರ್ ಬಳಿ ಉಳಿದಿದೆ.

ಮೂಲ ನಿಯಮಗಳು. ರಿಟರ್ನ್ ವಿವಿಧ ಮೇಲ್ಮೈಗಳಿಂದ (ಮರದ ಎಲೆಗಳು, ಶಾಖೆಗಳು, ನೆಲ) ಪ್ರತಿಫಲಿಸುವ ಒಂದೇ ಲೇಸರ್ ಪಲ್ಸ್ನ ಬಹು ಪ್ರತಿಧ್ವನಿಗಳು; ಮೊದಲ ತಿರುವು ಸಾಮಾನ್ಯವಾಗಿ ಮೇಲಿನ ಮೇಲ್ಮೈಯಾಗಿದೆ, ಕೊನೆಯ ತಿರುವು ಹೆಚ್ಚಾಗಿ ನೆಲವಾಗಿರುತ್ತದೆ. ತೀವ್ರತೆಯು ಮರಳಿದ ಸಂಕೇತದ ಶಕ್ತಿಯಾಗಿದೆ; ಇದು ಮೇಲ್ಮೈ ಪ್ರಕಾರದ ಬಗ್ಗೆ ಸುಳಿವು ನೀಡುತ್ತದೆ. ವರ್ಗ ಕೋಡ್ ಪ್ರತಿ ಬಿಂದುವಿಗೆ (ನೆಲ, ಕಟ್ಟಡ, ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ ಸಸ್ಯವರ್ಗ, ನೀರು, ವಿದ್ಯುತ್ ಮಾರ್ಗ) ನಿಗದಿಪಡಿಸಲಾದ ಪ್ರಮಾಣಿತ ಲೇಬಲ್ ಆಗಿದೆ; ಇದನ್ನು LAS/LAZ ಫೈಲ್ ಫಾರ್ಮ್ಯಾಟ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ಗ್ರೌಂಡ್ ಫಿಲ್ಟರಿಂಗ್ ಎನ್ನುವುದು ನೆಲದಲ್ಲದ ಬಿಂದುಗಳನ್ನು ತೆಗೆದುಹಾಕುವ ಮತ್ತು ಬೇರ್ ಗ್ರೌಂಡ್ ಮೇಲ್ಮೈಯನ್ನು (DTM) ತೆಗೆದುಹಾಕುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ವೋಕ್ಸೆಲ್, 3D ಜಾಗದಲ್ಲಿ ಸೆಲ್; ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಅನ್ನು ದುರ್ಬಲಗೊಳಿಸಲು / ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.

ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಪ್ರೊಸೆಸಿಂಗ್‌ನಲ್ಲಿ AI ನ ಪಾತ್ರ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಮೂರು ಹಂತಗಳಲ್ಲಿ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ:

1. ವರ್ಕ್‌ಫ್ಲೋ ಮತ್ತು ಪ್ಯಾರಾಮೀಟರ್ ಸೆಟಪ್. ನೆಲದ ಫಿಲ್ಟರಿಂಗ್, ಶಬ್ದ ತೆಗೆಯುವಿಕೆ, ದುರ್ಬಲಗೊಳಿಸುವ ಹಂತಗಳು ಮತ್ತು ನಿಯತಾಂಕಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ; ಕೋಡ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ (ಪಿಡಿಎಎಲ್, ಲ್ಯಾಸ್ಪಿಯಂತಹ ಸಾಧನಗಳೊಂದಿಗೆ).
2. ವಸ್ತುವಿನ ವರ್ಗೀಕರಣ. ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಬಿಂದುಗಳನ್ನು ಕಟ್ಟಡ, ಮರ, ಕಂಬ, ವಾಹನದಂತಹ ವರ್ಗಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು; ಇದು AI ನಿಜವಾದ ಕೆಲಸವನ್ನು ಮಾಡುವ ಪ್ರದೇಶವಾಗಿದೆ.
3. ವೈಶಿಷ್ಟ್ಯದ ಹೊರತೆಗೆಯುವಿಕೆ ಮತ್ತು ವರದಿ. ಇದು ಮರದ ಎತ್ತರ, ಕಟ್ಟಡದ ನೆಲದ ವಿಸ್ತೀರ್ಣ ಮತ್ತು ಲೈನ್ ಸಾಗ್‌ನಂತಹ ಪಡೆದ ಮಾಪನಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ತರ್ಕವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ ಮತ್ತು ಸಾರಾಂಶಗೊಳಿಸುತ್ತದೆ.

ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್: ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಮೂರು ಆಯಾಮದ ಮತ್ತು ಸಮತಟ್ಟಾದ ನಕ್ಷೆಯಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ ಗೋಚರಿಸುವುದಿಲ್ಲ. ತಪ್ಪು ವರ್ಗೀಕರಣ (ಉದಾ. ಸೇತುವೆಯನ್ನು ನೆಲವಾಗಿ, ತಗ್ಗು ಬುಷ್ ಅನ್ನು ಕಟ್ಟಡವಾಗಿ ಎಣಿಸುವುದು) ನಕ್ಷೆಯಲ್ಲಿ ಮುಗ್ಧವಾಗಿ ಕಾಣುತ್ತದೆ ಮತ್ತು DTM ಅನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ವರ್ಗೀಕರಣವನ್ನು ಪ್ರೊಫೈಲ್ ಸ್ಲೈಸ್‌ಗಳಿಂದ ಪರಿಶೀಲಿಸಬೇಕು (ಬದಿಯಿಂದ ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್‌ನ ಲಂಬವಾದ ಸ್ಲೈಸ್ ಅನ್ನು ನೋಡುವುದು).

ಸಲಹೆ: ವರ್ಗೀಕರಣವನ್ನು ದೃಢೀಕರಿಸುವ ಮೊದಲು ಹಲವಾರು ಸ್ಥಳಗಳಲ್ಲಿ ಲಂಬ ವಿಭಾಗಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ. ನೆಲದ ವರ್ಗವು ನಿಜವಾಗಿಯೂ ಕೆಳಗಿನ ನಿರಂತರ ಮೇಲ್ಮೈಯನ್ನು ಅನುಸರಿಸುತ್ತದೆಯೇ ಅಥವಾ ಛಾವಣಿಗಳ ಮೇಲೆ "ತೇಲುತ್ತದೆ"? ಕಟ್ಅವೇ ಇದನ್ನು ಒಂದು ನೋಟದಲ್ಲಿ ತೋರಿಸುತ್ತದೆ.

ಹಂತ ಹಂತವಾಗಿ: DTM ಜನರೇಷನ್‌ಗಾಗಿ ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಪ್ರೊಸೆಸಿಂಗ್

1. ಡೇಟಾವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ. ಪಾಯಿಂಟ್ ಸಾಂದ್ರತೆ (ಚುಕ್ಕೆಗಳು/m²), ತಿರುವುಗಳ ಸಂಖ್ಯೆ, ಪ್ರಸ್ತುತ ವರ್ಗ ಕೋಡ್‌ಗಳು, CRS ಮತ್ತು ಲಂಬ ದತ್ತಾಂಶವನ್ನು ದೃಢೀಕರಿಸಿ.
2. ಸ್ಪಷ್ಟ ಶಬ್ದ. ವಾಯುಗಾಮಿ (ಹೆಚ್ಚಿನ ಶಬ್ದ) ಮತ್ತು ಭೂಗತ (ಕಡಿಮೆ ಶಬ್ದ) ಹೊರಭಾಗಗಳನ್ನು ತೆಗೆದುಹಾಕಿ.
3. ನೆಲವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ. ನೆಲದಲ್ಲದ ಬಿಂದುಗಳನ್ನು (ಕಟ್ಟಡ, ಮರ, ವಾಹನ) ಪ್ರತ್ಯೇಕಿಸಿ ಮತ್ತು ಬೇರ್ ಗ್ರೌಂಡ್ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಬಿಡಿ. ಈ ಹಂತವು DTM ನ ಹೃದಯವಾಗಿದೆ.
4. ಮೇಲ್ಮೈಯನ್ನು ರಚಿಸಿ. ನೆಲದ ಬಿಂದುಗಳಿಂದ ಗ್ರಿಡ್ DTM ಇಂಟರ್ಪೋಲೇಶನ್ ಅನ್ನು ನಿರ್ವಹಿಸಿ.
5. ಪರಿಶೀಲಿಸಿ. ಪ್ರೊಫೈಲ್ ವಿಭಾಗಗಳೊಂದಿಗೆ ನೆಲದ ಜಾಡನ್ನು ಪರಿಶೀಲಿಸಿ; ತಿಳಿದಿರುವ ಎತ್ತರದ ಬಿಂದುಗಳೊಂದಿಗೆ ಎತ್ತರಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ.

ನೆಲದ ಶೋಧನೆ ಏಕೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ?

DTM (ಬೇರ್ ಗ್ರೌಂಡ್) ಮತ್ತು DSM (ಮೇಲ್ಮೈ) ನಡುವಿನ ವ್ಯತ್ಯಾಸವೆಂದರೆ ಆಫ್-ಗ್ರೌಂಡ್ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದು. ಪರಿಮಾಣದ ಲೆಕ್ಕಾಚಾರ, ಇಳಿಜಾರು ವಿಶ್ಲೇಷಣೆ, ನೀರಿನ ಹರಿವಿನ ಮಾದರಿ ಅಥವಾ ಪ್ರವಾಹ ಅಧ್ಯಯನಕ್ಕೆ DTM ಅಗತ್ಯವಿದೆ; DSM ಅನ್ನು ಬಳಸಿದರೆ, ಕಟ್ಟಡಗಳು ಮತ್ತು ಮರಗಳನ್ನು "ಭೂಮಿ" ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶವು ವಿರೂಪಗೊಳ್ಳುತ್ತದೆ. ನೆಲದ ಫಿಲ್ಟರಿಂಗ್ ನಿಯತಾಂಕಗಳನ್ನು ಭೂಪ್ರದೇಶಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ: ಕಡಿದಾದ ಇಳಿಜಾರಿನ ಪ್ರದೇಶದಲ್ಲಿ, ಅತಿಯಾದ ಆಕ್ರಮಣಕಾರಿ ಫಿಲ್ಟರ್ ನೈಜ ನೆಲವನ್ನು ಸಹ ಅಳಿಸುತ್ತದೆ, ಸಮತಟ್ಟಾದ ಪ್ರದೇಶದಲ್ಲಿ, ಸಡಿಲವಾದ ಫಿಲ್ಟರ್ ನೆಲಕ್ಕೆ ಕಡಿಮೆ ವಸ್ತುಗಳನ್ನು ತಪ್ಪಾಗಿ ಮಾಡುತ್ತದೆ. AI ಉತ್ತಮ ಆರಂಭಿಕ ನಿಯತಾಂಕವನ್ನು ಸೂಚಿಸಬಹುದು, ಆದರೆ ಫಲಿತಾಂಶವನ್ನು ಅಡ್ಡ-ವಿಭಾಗವಾಗಿ ಪರೀಕ್ಷಿಸಬೇಕು.

ಎಚ್ಚರಿಕೆ: ಸೇತುವೆಗಳು ಮತ್ತು ವಯಡಕ್ಟ್‌ಗಳು ಒಂದು ಶ್ರೇಷ್ಠ ಬಲೆ. ಇವುಗಳು ನೆಲದ ಮೇಲೆ ಅಮಾನತುಗೊಂಡ ರಚನೆಗಳಾಗಿವೆ; ಗ್ರೌಂಡ್ ಫಿಲ್ಟರ್ ಇವುಗಳನ್ನು ಗ್ರೌಂಡ್ ಎಂದು ತಪ್ಪಾಗಿ ಪರಿಗಣಿಸಿದರೆ, ಡಿಟಿಎಂನಲ್ಲಿ ನಿಜವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ "ಸೆಟ್" ಅನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನೀರಿನ ಹರಿವಿನ ವಿಶ್ಲೇಷಣೆ ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪಾಗಿರುತ್ತದೆ.

ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ

ಪ್ರಕರಣ 1 - ಸೇತುವೆಯ ಬಲೆ. ಪ್ರವಾಹದ ಮಾದರಿಯಲ್ಲಿ, ನೆಲದ ಫಿಲ್ಟರ್ ಸೇತುವೆಯನ್ನು ನೆಲ ಎಂದು ವರ್ಗೀಕರಿಸಿದೆ; ಡಬ್ಲ್ಯುಟಿಸಿಯಲ್ಲಿ ಒಂದು ಸುಳ್ಳು ಅಣೆಕಟ್ಟು ಕಾಣಿಸಿಕೊಂಡಿತು, ಸ್ಟ್ರೀಮ್ ಅನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತದೆ, ಮತ್ತು ಮಾದರಿಯು ನೀರು ಅಪ್‌ಸ್ಟ್ರೀಮ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಗೊಳ್ಳುತ್ತದೆ ಎಂದು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದೆ. ಪ್ರೊಫೈಲ್ ವಿಭಾಗವು ಸೇತುವೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತೋರಿಸಿದೆ; ಸೇತುವೆಯ ಬಿಂದುಗಳನ್ನು ಮರುವರ್ಗೀಕರಿಸಿದಾಗ, ಹರಿವನ್ನು ಸರಿಯಾಗಿ ರೂಪಿಸಲಾಯಿತು.

ಪ್ರಕರಣ 2 - ಮರದ ಎತ್ತರ ದಾಸ್ತಾನು. ಅರಣ್ಯ ಅಧ್ಯಯನದಲ್ಲಿ 240 ಹೆಕ್ಟೇರ್‌ಗಳಿಗೆ, AI-ಸಹಾಯದ ವರ್ಗೀಕರಣವು ಹೆಚ್ಚಿನ ಸಸ್ಯ ವರ್ಗದಿಂದ ಮರದ ಮೇಲಾವರಣ ಮಾದರಿಯನ್ನು ಹೊರತೆಗೆಯಿತು ಮತ್ತು ಸರಾಸರಿ ಮರದ ಎತ್ತರವನ್ನು ಅಂದಾಜು 18 ಮೀ. ಇದನ್ನು ಹೊಲದಲ್ಲಿನ 30 ಯಾದೃಚ್ಛಿಕ ಮರಗಳ ಕೈ ಅಳತೆಗೆ ಹೋಲಿಸಲಾಗಿದೆ; ವ್ಯತ್ಯಾಸವು ± 0.8 ಮೀ ಒಳಗೆ ಇತ್ತು. ಸ್ವತಂತ್ರ ಕ್ಷೇತ್ರ ಮಾಪನವು ಮಾದರಿಯ ಉತ್ಪಾದನೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹಗೊಳಿಸಿತು.

ಪ್ರಕರಣ 3 - ಶಬ್ದ ಬಿಂದು ಎತ್ತರದ ದೋಷ. ಗಾಳಿಯಲ್ಲಿ ಅಮಾನತುಗೊಂಡಿರುವ ಹಲವಾರು ಶಬ್ದ ಬಿಂದುಗಳನ್ನು (ಪಕ್ಷಿಗಳು, ಧೂಳು) ತೆರವುಗೊಳಿಸದೆ DTM ಅನ್ನು ರಚಿಸಿದಾಗ, ಒಂದು ಕೋಶದಲ್ಲಿನ ಎತ್ತರವು ನಿಜವಾದ ಮೌಲ್ಯಕ್ಕಿಂತ 40 ಮೀ ಎತ್ತರಕ್ಕೆ ಹಾರಿತು. ಆದೇಶ ನಿಯಂತ್ರಣ ಮತ್ತು ಶಬ್ದ ಸ್ವಚ್ಛಗೊಳಿಸುವ ಹಂತವು ಈ ವೈಯಕ್ತಿಕ ಬೌನ್ಸ್‌ಗಳನ್ನು ತೆಗೆದುಹಾಕಿದೆ. ಪಾಠ: DTM ಗಿಂತ ಮೊದಲು ಹೊರಗಿನ ಶುಚಿಗೊಳಿಸುವಿಕೆ ಅತ್ಯಗತ್ಯ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ನೆಲದ ಮಾದರಿಯು ಈ ಬಿಂದು ಮೋಡದಿಂದ ಹೊರಹೊಮ್ಮುತ್ತದೆ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಕಾರ್ಯ: LiDAR ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್‌ನಿಂದ DTM ಜನರೇಷನ್ ವರ್ಕ್‌ಫ್ಲೋ ಮತ್ತು PDAL/ಲ್ಯಾಸ್ಪಿ ಫ್ರೇಮ್‌ವರ್ಕ್ ಅನ್ನು ನಿರ್ಮಿಸಿ. ಸಂದರ್ಭ:- ಸಾಂದ್ರತೆ ~12 ಅಂಕಗಳು/m², ತಿರುಗುವಿಕೆಯ ಮಾಹಿತಿ ಲಭ್ಯವಿದೆ, CRS EPSG:5256, ಲಂಬ ಡೇಟಮ್ TUDKA ಅನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಬೇಕು- ಪ್ರದೇಶ: ಮಿಶ್ರ (ಸ್ಟ್ರೀಮ್, ಸೇತುವೆ, ವಿರಳ ಕಟ್ಟಡ, ಕಡಿದಾದ ಇಳಿಜಾರು) ಅವಶ್ಯಕತೆಗಳು: 1) ಅನುಕ್ರಮ: ಶಬ್ದ ತೆಗೆಯುವಿಕೆ -> ಗ್ರೌಂಡ್ ಬ್ರಿಡ್ಜ್ ಫಿಲ್ಟರಿಂಗ್. ಫಿಲ್ಟರಿಂಗ್ ಅಪಾಯಗಳ ಎಚ್ಚರಿಕೆ.3) ಪರಿಶೀಲನೆ: ಪ್ರೊಫೈಲ್ ಅಡ್ಡ-ವಿಭಾಗ ಮತ್ತು ತಿಳಿದಿರುವ ಎತ್ತರದ ಬಿಂದುದೊಂದಿಗೆ ಹೋಲಿಕೆ ಹಂತ.4) DTM ಮತ್ತು DSM ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಈ ಕೆಲಸಕ್ಕೆ DTM ಏಕೆ ಅಗತ್ಯವಿದೆ.

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಸಾಂದ್ರತೆಯು ಭೂಪ್ರದೇಶದ ಅಪಾಯಗಳನ್ನು (ಸೇತುವೆ, ಇಳಿಜಾರು) ಮತ್ತು ಪರಿಶೀಲನೆ ಹಂತವನ್ನು ನೀಡುತ್ತದೆ; ಹೊರಬಂದು ಕ್ಷೇತ್ರಕ್ಕೆ ಸರಿಹೊಂದುತ್ತದೆ.

ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಪ್ರಾಥಮಿಕ ವಿಮರ್ಶೆ:

ಕೆಳಗಿನ LAS/LAZ ಮೆಟಾಡೇಟಾವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ: ಪಾಯಿಂಟ್ ಸಾಂದ್ರತೆ, ಸ್ಪಿನ್ ವಿತರಣೆ, ಪ್ರಸ್ತುತ ವರ್ಗ ಕೋಡ್‌ಗಳು, CRS/ವರ್ಟಿಕಲ್ ಡೇಟಾ. ಕಾಣೆಯಾದ ಅಥವಾ ಅನುಮಾನಾಸ್ಪದ ಮಾಹಿತಿಯನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಪರಿಹರಿಸಬೇಕಾದದ್ದನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಮೆಟಾಡೇಟಾ: [ಸಾರಾಂಶ]

2) ಗ್ರೌಂಡ್ ಫಿಲ್ಟರಿಂಗ್ ಸೆಟಪ್:

PDAL ನೊಂದಿಗೆ ನೆಲದ ಫಿಲ್ಟರಿಂಗ್ ಹಂತಗಳನ್ನು ಬರೆಯಿರಿ; ಭೂಪ್ರದೇಶದ ಪ್ರಕಾರಕ್ಕೆ ಪ್ಯಾರಾಮೀಟರ್ ಶಿಫಾರಸುಗಳನ್ನು ನೀಡಿ [ಫ್ಲಾಟ್/ಇಳಿಜಾರು/ಮಿಶ್ರ]. ಸೇತುವೆ, ಕಡಿಮೆ ಪೊದೆ ಮತ್ತು ಕಡಿದಾದ ಇಳಿಜಾರಿನ ಅಪಾಯಗಳ ಬಗ್ಗೆ ಸಹ ಎಚ್ಚರಿಸುತ್ತದೆ. ಪ್ರೊಫೈಲ್ ವಿಭಾಗದೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸುವ ಹಂತವನ್ನು ಸೇರಿಸಿ.

3) ವಸ್ತು ವರ್ಗೀಕರಣ ಪರಿಶೀಲನೆ:

ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ವರ್ಗೀಕರಣವನ್ನು ಪರಿಶೀಲಿಸಲು ಯೋಜನೆಯನ್ನು ಬರೆಯಿರಿ (ನೆಲ/ಕಟ್ಟಡ/ಸಸ್ಯ/ಸಾಲು): ಯಾವ ಪ್ರೊಫೈಲ್ ವಿಭಾಗಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು, ಯಾವ ವರ್ಗ ಮಿಶ್ರಣಗಳನ್ನು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ (ಸೇತುವೆ-ನೆಲ, ಬುಷ್-ಕಟ್ಟಡ), ಪ್ರತಿಯೊಂದನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸುವುದು.

4) ಪಡೆದ ಅಳತೆ ನಿಯಂತ್ರಣ:

ಸಂಭಾವ್ಯತೆಗಾಗಿ ಕೆಳಗಿನ ವ್ಯುತ್ಪತ್ತಿ ಅಳತೆಗಳನ್ನು (ಮರದ ಎತ್ತರ, ಕಟ್ಟಡದ ಹೆಜ್ಜೆಗುರುತು, ರೇಖೆಯ ಸಾಗ್) ಪರಿಶೀಲಿಸಿ: ಪಿಚ್, ಋಣಾತ್ಮಕ ಮೌಲ್ಯ, ಔಟ್ಲೈಯರ್ಗಳು. ಕ್ಷೇತ್ರ ಮಾಪನದೊಂದಿಗೆ ಹೋಲಿಕೆಗಾಗಿ ಸಲಹೆಯನ್ನು ಸೇರಿಸಿ. ಆಯಾಮಗಳು: [ಕೋಷ್ಟಕ]

ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಪರಿಕಲ್ಪನೆಗಳ ಹೋಲಿಕೆ

ಪರಿಕಲ್ಪನೆ

ಅರ್ಥ

ಪ್ರಾಮುಖ್ಯತೆ

ಮೊದಲ/ಕೊನೆಯ ತಿರುವು

ಹೊಡೆತದ ಮೊದಲ/ಕೊನೆಯ ಪ್ರತಿಧ್ವನಿ

ಮೇಲಿನ ಮೇಲ್ಮೈ ವಿರುದ್ಧ ನೆಲದ ಬೇರ್ಪಡಿಕೆ

ವರ್ಗ ಕೋಡ್

ಡಾಟ್ ಲೇಬಲ್

DTM/DSM ಮತ್ತು ವಸ್ತು ಹೊರತೆಗೆಯುವಿಕೆ

ನೆಲದ ಶೋಧನೆ

ನೆಲದ ಹೊರಭಾಗವನ್ನು ಬೇರ್ಪಡಿಸುವುದು

DTM ನ ಅಡಿಪಾಯ

ಸಾಂದ್ರತೆ (ಡಾಟ್/ಮೀ²)

ಮಾದರಿ ಆವರ್ತನ

ವಿವರ ಮತ್ತು ನಿಖರತೆಯ ಮಿತಿ

ಪ್ರೊಫೈಲ್ ವಿಭಾಗ

ಲಂಬ ಸ್ಲೈಸ್ ನೋಟ

ವರ್ಗೀಕರಣ ಪರಿಶೀಲನೆ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ನೆಲದ ಶೋಧನೆ ಇಲ್ಲದೆ DTM ಅನ್ನು ಉತ್ಪಾದಿಸುವುದು. ವಾಸ್ತವವಾಗಿ, DSM ಅನ್ನು ಪಡೆಯಲಾಗಿದೆ; ಜೀನ್ಸ್/ವಾಲ್ಯೂಮ್ ವಿರೂಪಗೊಂಡಿದೆ.
• ಸೇತುವೆಗಳು/ವಿಯಾಡಕ್ಟ್‌ಗಳನ್ನು ನೆಲದಂತೆ ಎಣಿಸುವುದು. ನಕಲಿ ಸೆಟ್, ತಪ್ಪು ಹರಿವಿನ ಮಾದರಿ.
• ಶಬ್ದ ಬಿಂದುಗಳನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವುದಿಲ್ಲ. ಏಕವಚನ ಡೆನಿಮ್ ಸ್ಪ್ಲಾಶ್ಗಳು.
• ಅಡ್ಡ-ವಿಭಾಗದ ಮೂಲಕ ವರ್ಗೀಕರಣವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. ನಕ್ಷೆಯಲ್ಲಿ ಮುಗ್ಧವಾಗಿ ಕಾಣುವ 3D ದೋಷಗಳು ಕಾಣೆಯಾಗಿವೆ.
• ಲಂಬ ದತ್ತಾಂಶವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಜೀನ್ಸ್ ತಪ್ಪು ಉಲ್ಲೇಖದ ಮೇಲೆ ಕುಳಿತುಕೊಳ್ಳುತ್ತದೆ.
• ವಿವರಗಳ ಸಾಕಷ್ಟು ತೀವ್ರತೆಯನ್ನು ನಿರೀಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಡಾಟ್ ಶ್ರೇಣಿಗಿಂತ ಚಿಕ್ಕದಾದ ವಸ್ತುಗಳನ್ನು ಪರಿಹರಿಸಲಾಗುವುದಿಲ್ಲ.

ಸಾರಾಂಶದಲ್ಲಿ

LiDAR ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ; ಇದು ವರ್ಕ್‌ಫ್ಲೋ ಎಡಿಟಿಂಗ್, ಗ್ರೌಂಡ್ ಫಿಲ್ಟರಿಂಗ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು, ಆಬ್ಜೆಕ್ಟ್ ವರ್ಗೀಕರಣ ಮತ್ತು ಪಡೆದ ಅಳತೆ ಲೆಕ್ಕಾಚಾರಕ್ಕೆ ವೇಗವರ್ಧಕವಾಗಿದೆ. DTM ಅನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ ಕಡ್ಡಾಯ ಹಂತವೆಂದರೆ ನೆಲದ ಫಿಲ್ಟರಿಂಗ್; ಇದನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, DSM ಅನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಎಲಿವೇಶನ್/ವಾಲ್ಯೂಮ್/ಫ್ಲೋ ವಿಶ್ಲೇಷಣೆಗಳು ವಿರೂಪಗೊಳ್ಳುತ್ತವೆ. ಸೇತುವೆಗಳು, ಕಡಿದಾದ ಇಳಿಜಾರುಗಳು ಮತ್ತು ಶಬ್ದ ಬಿಂದುಗಳು ವಿಶಿಷ್ಟ ಬಲೆಗಳಾಗಿವೆ. ಪ್ರತಿ ವರ್ಗೀಕರಣವನ್ನು ಪ್ರೊಫೈಲ್ ವಿಭಾಗಗಳು ಮತ್ತು ತಿಳಿದಿರುವ ಎತ್ತರದ ಬಿಂದುಗಳೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿ; ಯಾವಾಗಲೂ ಲಂಬವಾದ ದತ್ತಾಂಶವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

LiDAR ಸನ್ನಿವೇಶವನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾಹರಣೆಗೆ, ಸ್ಟ್ರೀಮ್ ಮತ್ತು ಸೇತುವೆಯನ್ನು ಹೊಂದಿರುವ ಕಣಿವೆ). AI ಶಬ್ಧ ತೆಗೆಯುವಿಕೆ, ನೆಲದ ಫಿಲ್ಟರಿಂಗ್ ಮತ್ತು DTM ಇಂಟರ್ಪೋಲೇಷನ್ ಹಂತಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಸೇತುವೆ ಮತ್ತು ಇಳಿಜಾರಿನ ಅಪಾಯಗಳ ಬಗ್ಗೆ ಎಚ್ಚರಿಸಲು ಅದನ್ನು ಕೇಳಿ. ನಂತರ ಪರಿಶೀಲನಾ ಯೋಜನೆಯನ್ನು ಬರೆಯಿರಿ: ನೀವು ಪ್ರೊಫೈಲ್ ವಿಭಾಗವನ್ನು ಎಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ ಮತ್ತು ಯಾವ ಎತ್ತರದ ಸ್ಥಳಗಳನ್ನು ನೀವು ಹೋಲಿಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಕಾಂಕ್ರೀಟ್ ಮಾಡಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಬಿಂದು ಸಾಂದ್ರತೆ, ತಿರುಗುವಿಕೆಯ ಮಾಹಿತಿ ಮತ್ತು CRS/ವರ್ಟಿಕಲ್ ಡೇಟಮ್ ಅನ್ನು ದೃಢೀಕರಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಶಬ್ದ/ಹೊರಗಿನ ಸ್ಥಳಗಳನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿದೆ.
• [ ] ನಾನು ನೆಲದ ಫಿಲ್ಟರಿಂಗ್‌ನೊಂದಿಗೆ DTM ಗಾಗಿ ನೆಲದ ಹೊರಭಾಗವನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದೆ.
• [ ] ನಾನು ಸೇತುವೆ/ವಾಯಾಡಕ್ಟ್ ಮತ್ತು ಇಳಿಜಾರಿನ ಅಪಾಯಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಪ್ರೊಫೈಲ್ ವಿಭಾಗಗಳೊಂದಿಗೆ ವರ್ಗೀಕರಣವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಎತ್ತರಗಳನ್ನು ತಿಳಿದಿರುವ ಬಿಂದುಗಳಿಗೆ ಹೋಲಿಸಿದೆ.
• [ ] ನಾನು ಎಲಿವೇಶನ್/ವಾಲ್ಯೂಮ್/ಫ್ಲೋ ಕೆಲಸಕ್ಕಾಗಿ DTM ಅನ್ನು ಬಳಸಿದ್ದೇನೆ, DSM ಅಲ್ಲ.
• [ ] ನಾನು ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯಲ್ಲಿ ವರ್ಗೀಕರಣ ಸ್ವೀಕಾರವನ್ನು ಇಟ್ಟುಕೊಂಡಿದ್ದೇನೆ.