Ieguvumi:
- Spēja pareizi izmantot LiDAR punktu mākoņa, atdeves, blīvuma un klases kodu jēdzienus AI darbplūsmā
- Iespēja konfigurēt zemes filtrēšanu, DTM ražošanu un objektu (ēka, koks, stabs) klasifikācijas soļus ar AI
- Spēja pārbaudīt punktu mākoņu klasifikācijas izvadi ar profila sekcijām un pacēluma loģiku
LiDAR (Light Detection and Ranging) ir aktīva noteikšanas tehnoloģija, kas rada zemes virsmas trīsdimensiju mērījumus, nosūtot lāzera impulsus un mērot atgriešanās laiku. Rezultāts ir punktu mākonis, kas sastāv no miljoniem vai pat miljardiem punktu; Katram punktam ir x, y, z koordināte un papildu atribūti. LiDAR apsekojumu inženierijā; Tas ir neaizstājams digitālo reljefa modeļu ražošanā, mežu un pilsētu teritoriju modelēšanā un infrastruktūras (elektrolīniju, ceļu) veidošanā. Šajā nodaļā mēs aplūkojam, kā mākslīgais intelekts paātrina punktu mākoņu apstrādi un klasifikāciju. Princips: AI iesaka klasifikāciju; Pārbaude ar augstuma un sekcijas loģiku paliek inženierim.
Pamatnosacījumi. Atgriešanās ir viena lāzera impulsa vairākas atbalsis, kas atstarotas no dažādām virsmām (koku lapām, zariem, zeme); Pirmais pagrieziens parasti ir augšējā virsma, pēdējais pagrieziens bieži ir zeme. Intensitāte ir atgrieztā signāla stiprums; Tas sniedz priekšstatu par virsmas veidu. Klases kods ir standarta etiķete, kas piešķirta katram punktam (piemēram, zemei, ēkai, zemai/vidējai/augstai veģetācijai, ūdenim, elektropārvades līnijai); Tas tiek saglabāts LAS/LAZ faila formātā. Zemes filtrēšana ir process, kurā tiek noņemti punkti, kas nav iezemēti, un tukšās zemes virsmas (DTM) noņemšana. Voxel, šūna 3D telpā; Izmanto punktu mākoņa atšķaidīšanai/apstrādei.
AI loma punktu mākoņu apstrādē
Mākslīgais intelekts sniedz ieguldījumu šajā jomā trīs līmeņos:
- Darbplūsma un parametru iestatīšana. Iesaka grunts filtrēšanu, trokšņu noņemšanu, atšķaidīšanas soļus un parametrus; ražo koda skeletu (ar tādiem rīkiem kā PDAL, laspy).
- Objektu klasifikācija. Dziļās mācīšanās modeļi var klasificēt punktus tādās klasēs kā ēka, koks, stabs, transportlīdzeklis; Šī ir joma, kurā AI veic reālo darbu.
- Funkciju iegūšana un atskaite. Tas nosaka un apkopo loģiku, kas aprēķina atvasinātos mērījumus, piemēram, koku augstumu, ēkas grīdas laukumu un līnijas nobīdi.
Aklā zona: punktu mākonis ir trīsdimensiju un nav pilnībā redzams plakanā kartē. Nepareiza klasifikācija (piemēram, tilta skaitīšana par zemi, zemu krūmu kā ēku) kartē izskatās nevainīga un izkropļo DTM. Tāpēc klasifikācija ir jāpārbauda pēc profila šķēlēm (skatot punktu mākoņa vertikālo šķēli no sāniem).
Padoms. Pirms klasifikācijas apstiprināšanas paņemiet vertikālas sadaļas vairākās vietās. Vai zemes klase tiešām seko apakšējai nepārtrauktai virsmai, vai arī tā "peld" virs jumtiem? Izgriezums to parāda vienā mirklī.
Soli pa solim: punktu mākoņa apstrāde DTM ģenerēšanai
- Iepazīstieties ar datiem. Apstipriniet punktu blīvumu (punkti/m²), pagriezienu skaitu, pašreizējos klases kodus, CRS un vertikālo atskaites punktu.
- Skaidrs troksnis. Noņemiet gaisa (augsts troksnis) un pazemes (zems trokšņa līmenis) novirzes.
- Filtrējiet zemi. Izolējiet punktus, kas nav uz zemes (ēka, koks, transportlīdzeklis) un atstājiet tukšus zemes punktus. Šis solis ir DTM sirds.
- Izveidojiet virsmu. Veiciet režģa DTM interpolāciju no zemes punktiem.
- Pārbaudīt. Pārbaudiet zemes trasi ar profila sekcijām; Salīdziniet augstumus ar zināmiem augstuma punktiem.
Kāpēc zemes filtrācija ir kritiska?
Vienīgā atšķirība starp DTM (kaila zeme) un DSM (virsma) ir tā, vai ārpuszemes punkti ir vai nav atdalīti. Tilpuma aprēķināšanai, slīpuma analīzei, ūdens plūsmas modelēšanai vai plūdu izpētei ir nepieciešams DTM; Ja tiek izmantots DSM, ēkas un koki tiek sajaukti ar "zemi", un rezultāts tiek izkropļots. Grunts filtrēšanas parametri tiek pielāgoti atbilstoši reljefam: stāvā nogāzē pārāk agresīvs filtrs izdzēš arī īsto zemi, līdzenā vietā vaļīgs filtrs sajauc zemus priekšmetus par zemi. AI var ieteikt labu sākuma parametru, taču rezultāts ir jāpārbauda šķērsgriezumā.
Uzmanību: tilti un viadukti ir klasisks slazds. Tās ir virs zemes piekārtas konstrukcijas; Ja zemes filtrs tos kļūdaini uzskata par zemi, DTM tiks izveidots "komplekts", kas faktiski neeksistē, un ūdens plūsmas analīze būs pilnīgi nepareiza.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — tilta slazds. Plūdu modelēšanā zemes filtrs tiltu klasificēja kā zemi; WTC parādījās viltus aizsprosts, kas bloķēja straumi, un modelis aprēķināja, ka ūdens uzkrāsies augštecē. Profila sekcijā skaidri bija redzams tilts; Kad tilta punkti tika pārklasificēti, plūsma tika pareizi modelēta.
2. gadījums — koku augstuma uzskaite. Meža pētījumā 240 hektāriem AI atbalstītā klasifikācija ieguva koku lapotnes rakstu no augstākās augu klases un aprēķināja vidējo koka augstumu aptuveni 18 m. Tas tika salīdzināts ar 30 nejaušu koku mērījumiem uz lauka; atšķirība bija ±0,8 m robežās. Neatkarīgs lauka mērījums padarīja modeļa izvadi uzticamu.
3. gadījums — trokšņa punkta pacēluma kļūda. Kad DTM tika ģenerēts, neattīrot vairākus gaisā suspendētus trokšņa punktus (putnus, putekļus), augstums vienā šūnā uzlēca par 40 m virs faktiskās vērtības. Pasūtījuma kontroles un trokšņu tīrīšanas darbība novērsa šīs atsevišķās atlēcienus. Nodarbība: pirms DTM ir būtiska ārēju tīrīšana.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Zemes modelis parādās no šī punktu mākoņa.
Spēcīga uzvedne:
Uzdevums: Izveidojiet DTM ģenerēšanas darbplūsmu un PDAL/laspy ietvaru no LiDAR punktu mākoņa. Konteksts:- Blīvums ~12 punkti/m², pieejama rotācijas informācija, CRS EPSG:5256, jānorāda vertikālais atskaites punkts TUDKA- Platība: jaukts (strauts, tilts, reta ēka, stāvs slīpums) Prasības:1) Secība: trokšņu noņemšana -> grunts filtrēšana -> DTM interpolācija.2) Tiltu/viaduktu salīdzināšanai ar filtrēšanas pakāpienu war3 war3. šķērsgriezums un zināmais augstuma punkts.4) Uzrakstiet atšķirību starp DTM un DSM un kāpēc šim darbam ir nepieciešams DTM.
Spēcīgs tūlītējs blīvums rada reljefa riskus (tilts, nogāze) un verifikācijas pakāpi; iznāca un der laukam.
Četras kopējamas veidnes
1) Punktu mākoņa provizoriskais pārskats:
Interpretējiet šādus LAS/LAZ metadatus: punktu blīvums, spin sadalījums, pašreizējie klašu kodi, CRS/vertikālais datums. Atzīmējiet trūkstošo vai aizdomīgo informāciju un uzskaitiet, kas ir jāatrisina pirms procesa sākšanas. Metadati: [kopsavilkums]
2) Zemes filtrēšanas iestatīšana:
Uzrakstiet zemes filtrēšanas soļus ar PDAL; Sniedziet parametru ieteikumu reljefa tipam [līdzens/slīpums/jaukts]. Brīdina arī par tilta, zemu krūmu un stāvu nogāžu riskiem. Pievienojiet rezultāta pārbaudes darbību, izmantojot profila sadaļu.
3) Objekta klasifikācijas pārbaude:
Uzrakstiet plānu, lai pārbaudītu punktu mākoņu klasifikāciju (zeme/ēka/augs/līnija): kuri profila posmi jāņem, kādi klašu maisījumi gaidāmi (tilts-zeme, krūmu apbūve), kā katru pārbaudīt.
4) Atvasinātā pasākuma kontrole:
Pārbaudiet šādu atvasināto mērījumu ticamību (koka augstums, ēkas nospiedums, līnijas nobīde): slīpums, negatīvā vērtība, novirzes. Pievienojiet ieteikumu salīdzināšanai ar lauka mērījumiem. Izmēri: [tabula]
Punktu mākoņu jēdzienu salīdzinājums
koncepcija
Nozīme
Svarīgums
Pirmais/pēdējais pagrieziens
Pirmā/pēdējā sitiena atbalss
Augšējā virsma pret zemi
Klases kods
Punktu etiķete
DTM/DSM un objektu ieguve
zemes filtrēšana
Grīdas ārpuses atdalīšana
DTM dibināšana
Blīvums (punkts/m²)
Paraugu ņemšanas biežums
Detaļu un precizitātes ierobežojums
Profila sadaļa
Vertikālais šķēluma skats
Klasifikācijas pārbaude
Biežas kļūdas
- DTM ražošana bez zemes filtrēšanas. Faktiski tiek iegūts DSM; džinsi / apjoms ir izkropļots.
- Tiltu/viaduktu skaitīšana par zemi. Viltus komplekts, nepareizs plūsmas modelis.
- Netīra trokšņa punktus. Vienreizēji džinsa šļakatas.
- Nepārbauda klasifikāciju pēc šķērsgriezuma. Kartē trūkst nevainīgu 3D kļūdu.
- Vertikālā atskaites punkta ignorēšana. Džinsi sēž uz nepareizas atsauces.
- Gaidāma nepietiekama detalizācijas intensitāte. Objektus, kas ir mazāki par punktu diapazonu, nevar atrisināt.
Rezumējot
Mākslīgais intelekts LiDAR punktu mākoņu apstrādē; Tas ir paātrinātājs darbplūsmas rediģēšanai, zemes filtrēšanas parametriem, objektu klasifikācijai un atvasināto mērījumu aprēķināšanai. Obligāts solis DTM ražošanā ir zemes filtrēšana; Ja tas tiek izlaists, tiks iegūts DSM un tiks izkropļotas pacēluma/tilpuma/plūsmas analīzes. Tipiski slazdi ir tilti, stāvas nogāzes un trokšņu punkti. Pārbaudiet katru klasifikāciju ar profila sekcijām un zināmiem augstuma punktiem; Vienmēr noskaidrojiet vertikālo atskaites punktu.
Lietojumprogrammas uzdevums
Izvēlieties LiDAR scenāriju (piemēram, ieleju ar straumi un tiltu). Ļaujiet AI veikt trokšņu noņemšanas, zemes filtrēšanas un DTM interpolācijas darbības; Lūdziet to brīdināt par tiltu un nogāžu riskiem. Pēc tam uzrakstiet pārbaudes plānu: konkretizējiet, kur paņemsiet profila sadaļu un ar kuriem zināmajiem augstuma punktiem to salīdzināsiet.
kontrolsaraksts
- [ ] Es apstiprināju punktu blīvumu, rotācijas informāciju un CRS/vertikālo atskaites punktu.
- [ ] Es notīrīju troksni/ārpuses.
- [ ] Es atdalīju zemes ārpusi DTM ar zemes filtrēšanu.
- [ ] Pārbaudīju tiltu/viaduktu un nogāžu riskus.
- [ ] Es pārbaudīju klasifikāciju ar profila sadaļām.
- [ ] Es salīdzināju augstumus ar zināmiem punktiem.
- [ ] Es izmantoju DTM, nevis DSM, lai veiktu augstuma / skaļuma / plūsmas darbus.
- [ ] Es saglabāju klasifikācijas apstiprinājumu inženiera apstiprinājumā.