이득:
- AI 워크플로우에서 LiDAR 포인트 클라우드, 리턴, 밀도 및 클래스 코드의 개념을 올바르게 사용하는 능력
- 지면 필터링, DTM 제작 및 객체(건물, 나무, 기둥) 분류 단계를 AI로 구성하는 기능
- 프로필 섹션 및 고도 논리를 사용하여 포인트 클라우드 분류 출력을 확인하는 기능
LiDAR(Light 감지 및 거리 측정)는 레이저 펄스를 보내고 돌아오는 시간을 측정하여 지구 표면을 3차원적으로 측정하는 능동 감지 기술입니다. 그 결과 수백만 또는 수십억 개의 포인트로 구성된 포인트 클라우드가 생성됩니다. 각 점에는 x, y, z 좌표와 추가 속성이 있습니다. 측량 엔지니어링의 LiDAR; 디지털 지형 모델 제작, 숲 및 도시 지역 모델링, 인프라(전력선, 도로) 구축에 반드시 필요합니다. 이 단원에서는 인공 지능이 포인트 클라우드 처리 및 분류를 가속화하는 방법을 다룹니다. 원칙: AI는 분류를 제안합니다. 높이 및 단면 논리에 대한 검증은 엔지니어의 몫입니다.
기본 용어. 반사는 다양한 표면(나무 잎, 가지, 땅)에서 반사된 단일 레이저 펄스의 다중 에코입니다. 첫 번째 회전은 일반적으로 윗면이고 마지막 회전은 종종지면입니다. 강도는 반환된 신호의 강도입니다. 이는 표면 유형에 대한 단서를 제공합니다. 클래스 코드는 각 지점(예: 지면, 건물, 저/중/고 식물, 물, 전력선)에 할당된 표준 라벨입니다. LAS/LAZ 파일 형식으로 저장됩니다. Ground Filtering은 비접지점을 제거하고 DTM(Bare Ground Surface)을 제거하는 과정이다. 복셀, 3D 공간의 셀; 포인트 클라우드를 희석/처리하는 데 사용됩니다.
포인트 클라우드 처리에서 AI의 역할
인공 지능은 이 분야에서 세 가지 수준으로 기여합니다.
- 작업 흐름 및 매개변수 설정. 접지 필터링, 노이즈 제거, 희석 단계 및 매개변수를 권장합니다. PDAL, laspy와 같은 도구를 사용하여 코드 뼈대를 생성합니다.
- 객체 분류. 딥 러닝 모델은 포인트를 건물, 나무, 기둥, 차량과 같은 클래스로 분류할 수 있습니다. AI가 실제 작업을 수행하는 영역은 바로 이 부분입니다.
- 특징 추출 및 보고. 나무 높이, 건물 바닥 면적, 줄 처짐 등 파생된 측정값을 계산하는 논리를 설정하고 요약합니다.
맹점: 포인트 클라우드는 3차원이며 평면 지도에서는 완전히 보이지 않습니다. 잘못된 분류(예: 다리를 땅으로 계산, 낮은 수풀을 건물로 계산)는 지도에서 무해해 보이고 DTM을 왜곡합니다. 따라서 분류는 프로파일 슬라이스(측면에서 포인트 클라우드의 수직 슬라이스를 봄)로 확인해야 합니다.
팁: 분류를 확인하기 전에 여러 위치에서 수직 단면을 촬영하십시오. 지상 등급은 실제로 바닥의 연속 표면을 따라가나요, 아니면 지붕 위에 "떠다니는"가요? 컷어웨이는 이를 한눈에 보여줍니다.
단계별: DTM 생성을 위한 포인트 클라우드 처리
- 데이터를 알아보세요. 점 밀도(도트/m²), 회전 수, 현재 클래스 코드, CRS 및 수직 데이텀을 확인합니다.
- 명확한 소음. 공중(고잡음) 및 지하(저소음) 이상값을 제거합니다.
- 땅을 걸러냅니다. 지면이 아닌 지점(건물, 나무, 차량)을 격리하고 지면 지점을 그대로 둡니다. 이 단계가 DTM의 핵심입니다.
- 표면을 생성합니다. 접지점에서 그리드 DTM 보간을 수행합니다.
- 확인하다. 프로필 섹션을 사용하여 지면 추적을 확인합니다. 알려진 고도 지점과 고도를 비교합니다.
지상 여과가 왜 중요한가요?
DTM(bare ground)과 DSM(surface)의 유일한 차이점은 지면을 벗어난 지점이 분리되어 있는지 여부입니다. 체적 계산, 경사 분석, 유수 모델링 또는 홍수 연구에는 DTM이 필요합니다. DSM을 사용하면 건물이나 나무를 '토지'로 착각해 결과가 왜곡된다. 지면 필터링 매개변수는 지형에 따라 조정됩니다. 가파른 경사 지역에서는 지나치게 공격적인 필터가 실제 지면을 삭제하고, 평평한 지역에서는 느슨한 필터가 낮은 물체를 지면으로 착각합니다. AI는 좋은 시작 매개변수를 제안할 수 있지만 결과는 단면적으로 테스트되어야 합니다.
주의: 다리와 고가교는 고전적인 함정입니다. 이들은 땅 위에 매달린 구조물입니다. 접지 필터가 이를 접지로 잘못 간주하면 실제로 존재하지 않는 DTM에 "세트"가 생성되어 물 흐름 분석이 완전히 잘못됩니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - 브리지 트랩. 홍수 모델링에서 지반 필터는 교량을 지반으로 분류합니다. WTC에 가짜 댐이 나타나 하천을 막았고 모델은 물이 상류에 쌓일 것이라고 계산했습니다. 프로필 섹션에는 브리지가 명확하게 표시되었습니다. 교량점을 재분류하면 흐름이 올바르게 모델링되었습니다.
사례 2 - 트리 높이 인벤토리. 산림 연구에서 240헥타르에 대해 AI 지원 분류는 상위 식물 클래스에서 나무 캐노피 패턴을 추출하고 약 18m의 평균 나무 높이를 계산했습니다. 이를 현장에서 무작위로 30그루의 나무를 손으로 측정한 것과 비교했습니다. 차이는 ±0.8m 이내였습니다. 독립적인 현장 측정으로 인해 모델 출력이 신뢰할 수 있게 되었습니다.
사례 3 - 노이즈 포인트 상승 오류. 공중에 떠 있는 여러 노이즈 지점(새, 먼지)을 제거하지 않고 DTM을 생성한 결과, 한 셀의 표고가 실제 값보다 40m나 뛰어올랐습니다. 주문 제어 및 소음 제거 단계에서는 이러한 개별 바운스를 제거했습니다. 교훈: DTM 이전에는 이상치 청소가 필수적입니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
지상 모델은 이 포인트 클라우드에서 나타납니다.
강력한 프롬프트:
작업: LiDAR 포인트 클라우드에서 DTM 생성 워크플로 및 PDAL/laspy 프레임워크를 구축합니다. 상황:- 밀도 ~12 포인트/m², 회전 정보 사용 가능, CRS EPSG:5256, 수직 데이텀 TUDKA를 지정해야 함- 면적: 혼합(하천, 교량, 희박한 건물, 급경사) 요구 사항:1) 순서: 소음 제거 -> 지면 필터링 -> DTM 보간.2) 교량/고가교 및 급경사의 경우 필터링 위험을 경고합니다.3) 확인: 종단 단면 및 알려진 표고점과 비교 단계4) 사이의 차이점을 작성합니다. DTM과 DSM 그리고 이 작업에 DTM이 필요한 이유.
강력한 프롬프트 밀도는 지형 위험(교량, 경사면) 및 검증 단계를 제공합니다. 나와서 그 분야에 맞습니다.
복사 가능한 템플릿 4개
1) 포인트 클라우드 예비 검토:
다음 LAS/LAZ 메타데이터를 해석합니다: 점 밀도, 스핀 분포, 현재 클래스 코드, CRS/수직 데이텀. 누락되었거나 의심스러운 정보를 표시하고 프로세스를 시작하기 전에 해결해야 할 사항을 나열하세요. 메타데이터: [요약]
2) 그라운드 필터링 설정:
PDAL을 사용하여 지상 필터링 단계를 작성합니다. 지형 유형[평탄/경사/혼합]에 대한 매개변수 권장 사항을 제공합니다. 또한 교량, 낮은 수풀 및 가파른 경사면의 위험에 대해 경고합니다. 프로필 섹션으로 결과를 확인하는 단계를 추가합니다.
3) 객체 분류 검증:
포인트 클라우드 분류(지상/건물/식물/선)를 확인하기 위한 계획을 작성합니다. 어떤 프로파일 섹션을 가져와야 하는지, 어떤 클래스 혼합이 예상되는지(교량지, 부시 건물), 각각을 확인하는 방법을 작성합니다.
4) 파생 측정 제어:
타당성을 확인하려면 피치, 음수 값, 이상치 등 파생된 측정값(나무 높이, 건물 면적, 선 처짐)을 확인하세요. 현장 측정과의 비교를 위한 제안을 추가합니다. 치수: [테이블]
포인트 클라우드 개념 비교
개념
의미
중요성
첫 번째/마지막 턴
타격의 첫 번째/마지막 메아리
윗면과지면 분리
수업 코드
도트 라벨
DTM/DSM 및 객체 추출
지상 여과
바닥 외부 분리하기
DTM 창립
밀도(도트/m²)
샘플링 주파수
세부정보 및 정확도 제한
프로필 섹션
수직 슬라이스 보기
분류 검증
일반적인 실수
- 지상 여과 없이 DTM을 생산합니다. 실제로 DSM이 획득됩니다. 청바지/볼륨이 왜곡됩니다.
- 교량/고가교를 지상으로 계산합니다. 가짜 세트, 잘못된 흐름 모델.
- 소음 지점을 청소하지 않습니다. 독특한 데님이 튀었습니다.
- 단면별 분류를 검증하지 않음. 지도에서 순수해 보이는 3D 오류가 누락되었습니다.
- 수직 데이텀을 무시합니다. 청바지가 잘못된 참조에 앉아 있습니다.
- 세부사항의 강도가 충분하지 않을 것으로 예상됩니다. 도트 범위보다 작은 물체는 분해할 수 없습니다.
요약하면
LiDAR 포인트 클라우드 처리의 인공 지능; 워크플로우 편집, 지면 필터링 매개변수, 객체 분류 및 파생된 측정값 계산을 위한 가속기입니다. DTM 생산의 필수 단계는 지상 필터링입니다. 생략할 경우 DSM이 얻어지며 표고/체적/유량 분석이 왜곡됩니다. 교량, 가파른 경사면, 소음 지점이 전형적인 함정입니다. 프로필 섹션과 알려진 고도 지점을 사용하여 각 분류를 확인합니다. 항상 수직 데이텀을 명확히 하십시오.
응용과제
LiDAR 시나리오(예: 하천과 다리가 있는 계곡)를 선택합니다. AI가 노이즈 제거, 접지 필터링 및 DTM 보간 단계를 생성하도록 합니다. 다리와 경사면 위험에 대해 경고하도록 요청하세요. 그런 다음 확인 계획을 작성합니다. 프로필 섹션을 촬영할 위치와 이를 비교할 알려진 고도 지점을 구체적으로 작성합니다.
체크리스트
- [ ] 점밀도, 회전정보, 좌표계/수직기준점을 확인하였습니다.
- [ ] 노이즈/이상값을 정리했습니다.
- [ ] DTM용 지반 외부를 지반 필터링으로 분리하였습니다.
- [ ] 교량/고가교 및 경사면 위험을 확인했습니다.
- [ ] 프로필 항목으로 분류를 확인했습니다.
- [ ] 알려진 지점과 표고를 비교했습니다.
- [ ] 표고/체적/유량 작업에 DSM이 아닌 DTM을 사용했습니다.
- [ ] 엔지니어 승인으로 분류 승인을 유지했습니다.