ਲਾਭ:
- AI ਵਰਕਫਲੋ ਵਿੱਚ LiDAR ਪੁਆਇੰਟ ਕਲਾਉਡ, ਵਾਪਸੀ, ਘਣਤਾ ਅਤੇ ਕਲਾਸ ਕੋਡਾਂ ਦੇ ਸੰਕਲਪਾਂ ਦੀ ਸਹੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਏਆਈ ਦੇ ਨਾਲ ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ, ਡੀਟੀਐਮ ਉਤਪਾਦਨ ਅਤੇ ਵਸਤੂ (ਇਮਾਰਤ, ਰੁੱਖ, ਖੰਭੇ) ਵਰਗੀਕਰਣ ਕਦਮਾਂ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਪ੍ਰੋਫਾਈਲ ਸੈਕਸ਼ਨਾਂ ਅਤੇ ਐਲੀਵੇਸ਼ਨ ਤਰਕ ਨਾਲ ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਰਗੀਕਰਣ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
LiDAR (ਲਾਈਟ ਡਿਟੈਕਸ਼ਨ ਅਤੇ ਰੇਂਜਿੰਗ) ਇੱਕ ਸਰਗਰਮ ਖੋਜ ਤਕਨਾਲੋਜੀ ਹੈ ਜੋ ਲੇਜ਼ਰ ਪਲਸ ਭੇਜ ਕੇ ਅਤੇ ਵਾਪਸੀ ਦੇ ਸਮੇਂ ਨੂੰ ਮਾਪ ਕੇ ਧਰਤੀ ਦੀ ਸਤਹ ਦੇ ਤਿੰਨ-ਅਯਾਮੀ ਮਾਪ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਨਤੀਜਾ ਇੱਕ ਪੁਆਇੰਟ ਕਲਾਉਡ ਹੈ ਜਿਸ ਵਿੱਚ ਲੱਖਾਂ ਜਾਂ ਅਰਬਾਂ ਪੁਆਇੰਟ ਹੁੰਦੇ ਹਨ; ਹਰੇਕ ਬਿੰਦੂ ਵਿੱਚ ਇੱਕ x, y, z ਕੋਆਰਡੀਨੇਟ ਅਤੇ ਵਾਧੂ ਗੁਣ ਹੁੰਦੇ ਹਨ। ਸਰਵੇਖਣ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ LiDAR; ਇਹ ਡਿਜੀਟਲ ਟੈਰੇਨ ਮਾਡਲ ਤਿਆਰ ਕਰਨ, ਜੰਗਲਾਂ ਅਤੇ ਸ਼ਹਿਰੀ ਖੇਤਰਾਂ ਦੇ ਮਾਡਲਿੰਗ, ਅਤੇ ਬੁਨਿਆਦੀ ਢਾਂਚਾ (ਪਾਵਰ ਲਾਈਨਾਂ, ਸੜਕਾਂ) ਬਣਾਉਣ ਲਈ ਲਾਜ਼ਮੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਕਵਰ ਕਰਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਨਕਲੀ ਬੁੱਧੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਵਰਗੀਕਰਨ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ। ਸਿਧਾਂਤ: ਏਆਈ ਵਰਗੀਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ; ਉਚਾਈ ਅਤੇ ਸੈਕਸ਼ਨ ਤਰਕ ਨਾਲ ਤਸਦੀਕ ਇੰਜੀਨੀਅਰ ਕੋਲ ਰਹਿੰਦੀ ਹੈ।
ਮੂਲ ਸ਼ਰਤਾਂ। ਵਾਪਸੀ ਵੱਖ-ਵੱਖ ਸਤਹਾਂ (ਰੁੱਖ ਦੇ ਪੱਤੇ, ਸ਼ਾਖਾਵਾਂ, ਜ਼ਮੀਨ) ਤੋਂ ਪ੍ਰਤੀਬਿੰਬਿਤ ਇੱਕ ਸਿੰਗਲ ਲੇਜ਼ਰ ਪਲਸ ਦੇ ਕਈ ਗੂੰਜ ਹਨ; ਪਹਿਲੀ ਵਾਰੀ ਆਮ ਤੌਰ 'ਤੇ ਉਪਰਲੀ ਸਤਹ ਹੁੰਦੀ ਹੈ, ਆਖਰੀ ਵਾਰੀ ਅਕਸਰ ਜ਼ਮੀਨ ਹੁੰਦੀ ਹੈ। ਤੀਬਰਤਾ ਵਾਪਸ ਕੀਤੇ ਸਿਗਨਲ ਦੀ ਤਾਕਤ ਹੈ; ਇਹ ਸਤਹ ਦੀ ਕਿਸਮ ਬਾਰੇ ਇੱਕ ਸੁਰਾਗ ਦਿੰਦਾ ਹੈ. ਕਲਾਸ ਕੋਡ ਹਰੇਕ ਬਿੰਦੂ (ਜਿਵੇਂ ਕਿ ਜ਼ਮੀਨ, ਇਮਾਰਤ, ਘੱਟ/ਮੱਧਮ/ਉੱਚ ਬਨਸਪਤੀ, ਪਾਣੀ, ਪਾਵਰ ਲਾਈਨ) ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਮਿਆਰੀ ਲੇਬਲ ਹੈ; ਇਹ LAS/LAZ ਫਾਈਲ ਫਾਰਮੈਟ ਵਿੱਚ ਸਟੋਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਗਰਾਊਂਡ ਫਿਲਟਰਿੰਗ ਗੈਰ-ਜ਼ਮੀਨੀ ਬਿੰਦੂਆਂ ਨੂੰ ਹਟਾਉਣ ਅਤੇ ਬੇਅਰ ਜ਼ਮੀਨੀ ਸਤਹ (ਡੀਟੀਐਮ) ਨੂੰ ਹਟਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। Voxel, 3D ਸਪੇਸ ਵਿੱਚ ਸੈੱਲ; ਪੁਆਇੰਟ ਕਲਾਊਡ ਨੂੰ ਪਤਲਾ/ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਪੁਆਇੰਟ ਕਲਾਉਡ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਏਆਈ ਦੀ ਭੂਮਿਕਾ
ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਖੇਤਰ ਵਿੱਚ ਤਿੰਨ ਪੱਧਰਾਂ 'ਤੇ ਯੋਗਦਾਨ ਪਾਉਂਦੀ ਹੈ:
- ਵਰਕਫਲੋ ਅਤੇ ਪੈਰਾਮੀਟਰ ਸੈੱਟਅੱਪ। ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ, ਸ਼ੋਰ ਹਟਾਉਣ, ਪਤਲੇ ਕਦਮਾਂ ਅਤੇ ਮਾਪਦੰਡਾਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ; ਕੋਡ ਪਿੰਜਰ ਪੈਦਾ ਕਰਦਾ ਹੈ (ਟੂਲ ਜਿਵੇਂ ਕਿ PDAL, laspy)।
- ਵਸਤੂ ਵਰਗੀਕਰਨ. ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਬਿੰਦੂਆਂ ਨੂੰ ਕਲਾਸਾਂ ਜਿਵੇਂ ਕਿ ਇਮਾਰਤ, ਰੁੱਖ, ਖੰਭੇ, ਵਾਹਨ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰ ਸਕਦੇ ਹਨ; ਇਹ ਉਹ ਖੇਤਰ ਹੈ ਜਿੱਥੇ AI ਅਸਲ ਕੰਮ ਕਰਦਾ ਹੈ।
- ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਅਤੇ ਰਿਪੋਰਟ. ਇਹ ਤਰਕ ਨੂੰ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਖੇਪ ਕਰਦਾ ਹੈ ਜੋ ਦਰਖਤ ਦੀ ਉਚਾਈ, ਬਿਲਡਿੰਗ ਫਲੋਰ ਏਰੀਆ, ਅਤੇ ਲਾਈਨ ਸੱਗ ਵਰਗੇ ਉਤਪੰਨ ਮਾਪਾਂ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।
ਅੰਨ੍ਹੇ ਸਥਾਨ: ਬਿੰਦੂ ਬੱਦਲ ਤਿੰਨ-ਅਯਾਮੀ ਹੈ ਅਤੇ ਇੱਕ ਫਲੈਟ ਨਕਸ਼ੇ 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ। ਗਲਤ ਵਰਗੀਕਰਨ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਪੁਲ ਨੂੰ ਜ਼ਮੀਨ ਵਜੋਂ ਗਿਣਨਾ, ਇੱਕ ਇਮਾਰਤ ਵਜੋਂ ਇੱਕ ਨੀਵੀਂ ਝਾੜੀ) ਨਕਸ਼ੇ 'ਤੇ ਨਿਰਦੋਸ਼ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਅਤੇ DTM ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ। ਇਸ ਲਈ, ਵਰਗੀਕਰਨ ਨੂੰ ਪ੍ਰੋਫਾਈਲ ਦੇ ਟੁਕੜਿਆਂ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ (ਪਾਸੇ ਤੋਂ ਬਿੰਦੂ ਕਲਾਉਡ ਦੇ ਇੱਕ ਲੰਬਕਾਰੀ ਟੁਕੜੇ ਨੂੰ ਦੇਖਣਾ)।
ਸੰਕੇਤ: ਵਰਗੀਕਰਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕਈ ਥਾਵਾਂ 'ਤੇ ਲੰਬਕਾਰੀ ਭਾਗ ਲਓ। ਕੀ ਜ਼ਮੀਨੀ ਸ਼੍ਰੇਣੀ ਸੱਚਮੁੱਚ ਹੇਠਾਂ ਲਗਾਤਾਰ ਸਤਹ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ, ਜਾਂ ਕੀ ਇਹ ਛੱਤਾਂ ਦੇ ਉੱਪਰ "ਫਲੋਟ" ਕਰਦੀ ਹੈ? ਕੱਟਵੇ ਇਸ ਨੂੰ ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ ਦਿਖਾਉਂਦਾ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ: ਡੀਟੀਐਮ ਜਨਰੇਸ਼ਨ ਲਈ ਪੁਆਇੰਟ ਕਲਾਉਡ ਪ੍ਰੋਸੈਸਿੰਗ
- ਡੇਟਾ ਨੂੰ ਜਾਣੋ. ਬਿੰਦੂ ਘਣਤਾ (ਡੌਟਸ/m²), ਮੋੜਾਂ ਦੀ ਗਿਣਤੀ, ਮੌਜੂਦਾ ਕਲਾਸ ਕੋਡ, CRS ਅਤੇ ਵਰਟੀਕਲ ਡੈਟਮ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
- ਸਾਫ਼ ਰੌਲਾ। ਏਅਰਬੋਰਨ (ਉੱਚ ਸ਼ੋਰ) ਅਤੇ ਭੂਮੀਗਤ (ਘੱਟ ਸ਼ੋਰ) ਆਊਟਲੀਅਰਾਂ ਨੂੰ ਹਟਾਓ।
- ਜ਼ਮੀਨ ਨੂੰ ਫਿਲਟਰ ਕਰੋ. ਗੈਰ-ਜ਼ਮੀਨੀ ਬਿੰਦੂਆਂ (ਇਮਾਰਤ, ਦਰੱਖਤ, ਵਾਹਨ) ਨੂੰ ਅਲੱਗ ਕਰੋ ਅਤੇ ਨੰਗੇ ਜ਼ਮੀਨੀ ਬਿੰਦੂ ਛੱਡੋ। ਇਹ ਕਦਮ DTM ਦਾ ਦਿਲ ਹੈ।
- ਸਤ੍ਹਾ ਤਿਆਰ ਕਰੋ. ਜ਼ਮੀਨੀ ਬਿੰਦੂਆਂ ਤੋਂ ਗਰਿੱਡ ਡੀਟੀਐਮ ਇੰਟਰਪੋਲੇਸ਼ਨ ਕਰੋ।
- ਪੁਸ਼ਟੀ ਕਰੋ। ਪ੍ਰੋਫਾਈਲ ਭਾਗਾਂ ਦੇ ਨਾਲ ਜ਼ਮੀਨੀ ਟਰੇਸ ਦੀ ਜਾਂਚ ਕਰੋ; ਜਾਣੇ-ਪਛਾਣੇ ਉਚਾਈ ਬਿੰਦੂਆਂ ਨਾਲ ਉਚਾਈਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ।
ਜ਼ਮੀਨੀ ਫਿਲਟਰੇਸ਼ਨ ਨਾਜ਼ੁਕ ਕਿਉਂ ਹੈ?
ਡੀਟੀਐਮ (ਬੇਅਰ ਗਰਾਊਂਡ) ਅਤੇ ਡੀਐਸਐਮ (ਸਤਹ) ਵਿੱਚ ਸਿਰਫ਼ ਇਹੀ ਫ਼ਰਕ ਹੈ ਕਿ ਕੀ ਆਫ਼-ਗਰਾਊਂਡ ਪੁਆਇੰਟ ਵੱਖ ਕੀਤੇ ਗਏ ਹਨ ਜਾਂ ਨਹੀਂ। ਇੱਕ ਵਾਲੀਅਮ ਗਣਨਾ, ਢਲਾਨ ਵਿਸ਼ਲੇਸ਼ਣ, ਪਾਣੀ ਦੇ ਪ੍ਰਵਾਹ ਮਾਡਲਿੰਗ ਜਾਂ ਹੜ੍ਹ ਅਧਿਐਨ ਲਈ DTM ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਜੇਕਰ DSM ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਮਾਰਤਾਂ ਅਤੇ ਰੁੱਖਾਂ ਨੂੰ "ਜ਼ਮੀਨ" ਲਈ ਗਲਤ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਨਤੀਜਾ ਵਿਗਾੜਿਆ ਜਾਂਦਾ ਹੈ। ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ ਮਾਪਦੰਡਾਂ ਨੂੰ ਭੂਮੀ ਦੇ ਅਨੁਸਾਰ ਐਡਜਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਇੱਕ ਉੱਚੀ ਢਲਾਣ ਵਾਲੇ ਖੇਤਰ ਵਿੱਚ, ਇੱਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਮਲਾਵਰ ਫਿਲਟਰ ਅਸਲ ਜ਼ਮੀਨ ਨੂੰ ਵੀ ਮਿਟਾ ਦਿੰਦਾ ਹੈ, ਇੱਕ ਸਮਤਲ ਖੇਤਰ ਵਿੱਚ, ਇੱਕ ਢਿੱਲੀ ਫਿਲਟਰ ਜ਼ਮੀਨ ਲਈ ਘੱਟ ਵਸਤੂਆਂ ਨੂੰ ਗਲਤੀ ਕਰਦਾ ਹੈ। AI ਇੱਕ ਵਧੀਆ ਸ਼ੁਰੂਆਤੀ ਪੈਰਾਮੀਟਰ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਨਤੀਜਾ ਕ੍ਰਾਸ-ਸੈਕਸ਼ਨ ਤੌਰ 'ਤੇ ਟੈਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਪੁਲ ਅਤੇ ਵਿਆਡਕਟ ਇੱਕ ਸ਼ਾਨਦਾਰ ਜਾਲ ਹਨ। ਇਹ ਜ਼ਮੀਨ ਦੇ ਉੱਪਰ ਮੁਅੱਤਲ ਕੀਤੇ ਢਾਂਚੇ ਹਨ; ਜੇਕਰ ਜ਼ਮੀਨੀ ਫਿਲਟਰ ਗਲਤੀ ਨਾਲ ਇਹਨਾਂ ਨੂੰ ਜ਼ਮੀਨ ਸਮਝਦਾ ਹੈ, ਤਾਂ DTM ਵਿੱਚ ਇੱਕ "ਸੈੱਟ" ਬਣਾਇਆ ਜਾਵੇਗਾ ਜੋ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ ਅਤੇ ਪਾਣੀ ਦੇ ਵਹਾਅ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਹੋਵੇਗਾ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 - ਬ੍ਰਿਜ ਟ੍ਰੈਪ। ਇੱਕ ਹੜ੍ਹ ਮਾਡਲਿੰਗ ਵਿੱਚ, ਜ਼ਮੀਨੀ ਫਿਲਟਰ ਨੇ ਇੱਕ ਪੁਲ ਨੂੰ ਜ਼ਮੀਨ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ; ਡਬਲਯੂਟੀਸੀ ਵਿੱਚ ਇੱਕ ਝੂਠਾ ਡੈਮ ਪ੍ਰਗਟ ਹੋਇਆ, ਸਟ੍ਰੀਮ ਨੂੰ ਰੋਕਦਾ ਹੋਇਆ, ਅਤੇ ਮਾਡਲ ਨੇ ਹਿਸਾਬ ਲਗਾਇਆ ਕਿ ਪਾਣੀ ਉੱਪਰ ਵੱਲ ਇਕੱਠਾ ਹੋਵੇਗਾ। ਪ੍ਰੋਫਾਈਲ ਸੈਕਸ਼ਨ ਨੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਪੁਲ ਦਿਖਾਇਆ; ਜਦੋਂ ਬ੍ਰਿਜ ਪੁਆਇੰਟਾਂ ਦਾ ਮੁੜ ਵਰਗੀਕਰਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਵਹਾਅ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਮਾਡਲ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕੇਸ 2 — ਰੁੱਖ ਦੀ ਉਚਾਈ ਵਸਤੂ ਸੂਚੀ। ਇੱਕ ਜੰਗਲ ਅਧਿਐਨ ਵਿੱਚ 240 ਹੈਕਟੇਅਰ ਲਈ, AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਵਰਗੀਕਰਨ ਨੇ ਉੱਚ ਪੌਦਿਆਂ ਦੀ ਸ਼੍ਰੇਣੀ ਵਿੱਚੋਂ ਦਰੱਖਤ ਛਾਉਣੀ ਦੇ ਪੈਟਰਨ ਨੂੰ ਕੱਢਿਆ ਅਤੇ ਲਗਭਗ 18 ਮੀਟਰ ਦੀ ਔਸਤ ਰੁੱਖ ਦੀ ਉਚਾਈ ਦੀ ਗਣਨਾ ਕੀਤੀ। ਇਹ ਖੇਤ ਵਿੱਚ 30 ਬੇਤਰਤੀਬੇ ਰੁੱਖਾਂ ਦੇ ਹੱਥ ਦੇ ਮਾਪ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ ਗਈ ਸੀ; ਅੰਤਰ ±0.8 ਮੀਟਰ ਦੇ ਅੰਦਰ ਸੀ। ਸੁਤੰਤਰ ਫੀਲਡ ਮਾਪ ਨੇ ਮਾਡਲ ਆਉਟਪੁੱਟ ਨੂੰ ਭਰੋਸੇਯੋਗ ਬਣਾਇਆ।
ਕੇਸ 3 - ਸ਼ੋਰ ਪੁਆਇੰਟ ਉੱਚਾਈ ਗਲਤੀ। ਜਦੋਂ ਹਵਾ ਵਿੱਚ ਮੁਅੱਤਲ ਕੀਤੇ ਕਈ ਸ਼ੋਰ ਬਿੰਦੂਆਂ (ਪੰਛੀਆਂ, ਧੂੜ) ਨੂੰ ਸਾਫ਼ ਕੀਤੇ ਬਿਨਾਂ DTM ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਇੱਕ ਸੈੱਲ ਵਿੱਚ ਉਚਾਈ ਅਸਲ ਮੁੱਲ ਤੋਂ 40 ਮੀਟਰ ਵੱਧ ਗਈ। ਆਰਡਰ ਨਿਯੰਤਰਣ ਅਤੇ ਸ਼ੋਰ ਸਫਾਈ ਦੇ ਕਦਮ ਨੇ ਇਹਨਾਂ ਵਿਅਕਤੀਗਤ ਉਛਾਲਾਂ ਨੂੰ ਹਟਾ ਦਿੱਤਾ। ਸਬਕ: ਡੀਟੀਐਮ ਤੋਂ ਪਹਿਲਾਂ ਬਾਹਰੀ ਸਫਾਈ ਜ਼ਰੂਰੀ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਬਿੰਦੂ ਬੱਦਲ ਤੋਂ ਜ਼ਮੀਨੀ ਮਾਡਲ ਉਭਰਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਟਾਸਕ: LiDAR ਪੁਆਇੰਟ ਕਲਾਉਡ ਤੋਂ DTM ਜਨਰੇਸ਼ਨ ਵਰਕਫਲੋ ਅਤੇ PDAL/laspy ਫਰੇਮਵਰਕ ਬਣਾਓ। ਸੰਦਰਭ:- ਘਣਤਾ ~12 ਪੁਆਇੰਟ/m², ਰੋਟੇਸ਼ਨ ਜਾਣਕਾਰੀ ਉਪਲਬਧ, CRS EPSG:5256, ਵਰਟੀਕਲ ਡੈਟਮ TUDKA ਨਿਰਧਾਰਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ- ਖੇਤਰ: ਮਿਸ਼ਰਤ (ਸਟ੍ਰੀਮ, ਪੁਲ, ਸਪਾਰਸ ਬਿਲਡਿੰਗ, ਢਲਾਣ ਵਾਲੀ ਢਲਾਣ) ਲੋੜਾਂ: 1) ਕ੍ਰਮ: ਸ਼ੋਰ ਹਟਾਉਣ -> ਜ਼ਮੀਨੀ ਡਕਟਪੌਲਿੰਗ ਅਤੇ ਡੀਟੀਐਮ 2 ਡਕਟਪੌਲਿੰਗ ਲਈ ਸਟੀਪਬ੍ਰਿਜ। ਫਿਲਟਰਿੰਗ ਜੋਖਮਾਂ ਦੀ ਢਲਾਣ ਚੇਤਾਵਨੀ। 3) ਤਸਦੀਕ: ਪ੍ਰੋਫਾਈਲ ਕਰਾਸ-ਸੈਕਸ਼ਨ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਐਲੀਵੇਸ਼ਨ ਪੁਆਇੰਟ ਨਾਲ ਤੁਲਨਾ ਕਦਮ।
ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਘਣਤਾ ਭੂਮੀ ਖਤਰੇ (ਪੁਲ, ਢਲਾਨ) ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਕਦਮ ਦਿੰਦੀ ਹੈ; ਬਾਹਰ ਆਇਆ ਅਤੇ ਮੈਦਾਨ ਵਿੱਚ ਫਿੱਟ ਹੋ ਗਿਆ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਪੁਆਇੰਟ ਕਲਾਉਡ ਸ਼ੁਰੂਆਤੀ ਸਮੀਖਿਆ:
ਹੇਠਾਂ ਦਿੱਤੇ LAS/LAZ ਮੈਟਾਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਪੁਆਇੰਟ ਘਣਤਾ, ਸਪਿਨ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ, ਮੌਜੂਦਾ ਕਲਾਸ ਕੋਡ, CRS/ਵਰਟੀਕਲ ਡੈਟਮ। ਗੁੰਮ ਜਾਂ ਸ਼ੱਕੀ ਜਾਣਕਾਰੀ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰੋ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕੀ ਹੱਲ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਸੂਚੀਬੱਧ ਕਰੋ। ਮੈਟਾਡੇਟਾ: [ਸਾਰਾਂਸ਼]
2) ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ ਸੈੱਟਅੱਪ:
PDAL ਨਾਲ ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ ਸਟੈਪਸ ਲਿਖੋ; ਭੂਮੀ ਕਿਸਮ [ਫਲੈਟ/ਢਲਾਨ/ਮਿਕਸਡ] ਲਈ ਪੈਰਾਮੀਟਰ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਦਿਓ। ਪੁਲ, ਘੱਟ ਝਾੜੀਆਂ ਅਤੇ ਢਲਾਣ ਵਾਲੇ ਖਤਰਿਆਂ ਬਾਰੇ ਵੀ ਚੇਤਾਵਨੀ ਦਿੰਦਾ ਹੈ। ਪ੍ਰੋਫਾਈਲ ਸੈਕਸ਼ਨ ਦੇ ਨਾਲ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਾ ਪੜਾਅ ਸ਼ਾਮਲ ਕਰੋ।
3) ਵਸਤੂ ਵਰਗੀਕਰਨ ਤਸਦੀਕ:
ਇੱਕ ਬਿੰਦੂ ਕਲਾਉਡ ਵਰਗੀਕਰਣ (ਜ਼ਮੀਨ/ਬਿਲਡਿੰਗ/ਪਲਾਂਟ/ਲਾਈਨ) ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਇੱਕ ਯੋਜਨਾ ਲਿਖੋ: ਕਿਹੜੇ ਪ੍ਰੋਫਾਈਲ ਸੈਕਸ਼ਨ ਲਏ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ, ਕਿਹੜੇ ਕਲਾਸ ਮਿਸ਼ਰਣਾਂ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਬ੍ਰਿਜ-ਜ਼ਮੀਨ, ਝਾੜੀ-ਬਿਲਡਿੰਗ), ਹਰੇਕ ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰਨੀ ਹੈ।
4) ਪ੍ਰਾਪਤ ਮਾਪ ਨਿਯੰਤਰਣ:
ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਮਾਪ (ਰੁੱਖ ਦੀ ਉਚਾਈ, ਬਿਲਡਿੰਗ ਫੁੱਟਪ੍ਰਿੰਟ, ਲਾਈਨ ਸੱਗ) ਦੀ ਜਾਂਚ ਕਰੋ: ਪਿੱਚ, ਨਕਾਰਾਤਮਕ ਮੁੱਲ, ਆਊਟਲੀਅਰ। ਫੀਲਡ ਮਾਪ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਲਈ ਸੁਝਾਅ ਸ਼ਾਮਲ ਕਰੋ। ਮਾਪ: [ਸਾਰਣੀ]
ਪੁਆਇੰਟ ਕਲਾਉਡ ਸੰਕਲਪਾਂ ਦੀ ਤੁਲਨਾ
ਸੰਕਲਪ
ਭਾਵ
ਮਹੱਤਵ
ਪਹਿਲੀ/ਆਖਰੀ ਵਾਰੀ
ਝਟਕੇ ਦੀ ਪਹਿਲੀ/ਆਖਰੀ ਗੂੰਜ
ਸਿਖਰ ਦੀ ਸਤਹ ਬਨਾਮ ਜ਼ਮੀਨੀ ਵਿਭਾਜਨ
ਕਲਾਸ ਕੋਡ
ਬਿੰਦੀ ਲੇਬਲ
DTM/DSM ਅਤੇ ਵਸਤੂ ਕੱਢਣਾ
ਜ਼ਮੀਨ ਫਿਲਟਰੇਸ਼ਨ
ਫਰਸ਼ ਦੇ ਬਾਹਰਲੇ ਹਿੱਸੇ ਨੂੰ ਵੱਖ ਕਰਨਾ
ਡੀਟੀਐਮ ਦੀ ਨੀਂਹ
ਘਣਤਾ (ਡੌਟ/m²)
ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ
ਵੇਰਵੇ ਅਤੇ ਸ਼ੁੱਧਤਾ ਸੀਮਾ
ਪ੍ਰੋਫਾਈਲ ਸੈਕਸ਼ਨ
ਲੰਬਕਾਰੀ ਟੁਕੜਾ ਦ੍ਰਿਸ਼
ਵਰਗੀਕਰਨ ਤਸਦੀਕ
ਆਮ ਗਲਤੀਆਂ
- ਜ਼ਮੀਨੀ ਫਿਲਟਰੇਸ਼ਨ ਤੋਂ ਬਿਨਾਂ ਡੀਟੀਐਮ ਦਾ ਉਤਪਾਦਨ ਕਰਨਾ। ਵਾਸਤਵ ਵਿੱਚ, DSM ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਜੀਨਸ/ਆਵਾਜ਼ ਵਿਗੜਿਆ ਹੋਇਆ ਹੈ।
- ਪੁਲਾਂ/ਵਿਆਡਕਟਾਂ ਨੂੰ ਜ਼ਮੀਨ ਵਜੋਂ ਗਿਣਨਾ। ਨਕਲੀ ਸੈੱਟ, ਗਲਤ ਵਹਾਅ ਮਾਡਲ.
- ਸ਼ੋਰ ਪੁਆਇੰਟਾਂ ਦੀ ਸਫਾਈ ਨਹੀਂ ਕਰਨੀ. ਇਕਵਚਨ ਡੈਨੀਮ ਸਪਲੈਸ਼।
- ਕਰਾਸ-ਸੈਕਸ਼ਨ ਦੁਆਰਾ ਵਰਗੀਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। ਨਕਸ਼ੇ 'ਤੇ ਮਾਸੂਮ ਦਿਖਣ ਵਾਲੀਆਂ 3D ਤਰੁਟੀਆਂ ਗੁੰਮ ਹਨ।
- ਵਰਟੀਕਲ ਡੈਟਮ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਜੀਨਸ ਗਲਤ ਹਵਾਲੇ 'ਤੇ ਬੈਠਦਾ ਹੈ.
- ਵੇਰਵੇ ਦੀ ਨਾਕਾਫ਼ੀ ਤੀਬਰਤਾ ਦੀ ਉਮੀਦ. ਬਿੰਦੀ ਰੇਂਜ ਤੋਂ ਛੋਟੀਆਂ ਵਸਤੂਆਂ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
ਸੰਖੇਪ ਵਿੱਚ
LiDAR ਪੁਆਇੰਟ ਕਲਾਉਡ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ; ਇਹ ਵਰਕਫਲੋ ਸੰਪਾਦਨ, ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ ਪੈਰਾਮੀਟਰ, ਵਸਤੂ ਵਰਗੀਕਰਨ ਅਤੇ ਪ੍ਰਾਪਤ ਮਾਪ ਗਣਨਾ ਲਈ ਇੱਕ ਐਕਸਲੇਟਰ ਹੈ। ਡੀਟੀਐਮ ਦੇ ਉਤਪਾਦਨ ਵਿੱਚ ਲਾਜ਼ਮੀ ਕਦਮ ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ ਹੈ; ਜੇਕਰ ਇਸਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ DSM ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਵੇਗਾ ਅਤੇ ਉਚਾਈ/ਆਵਾਜ਼/ਪ੍ਰਵਾਹ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਗਾੜ ਦਿੱਤੇ ਜਾਣਗੇ। ਪੁਲ, ਖੜ੍ਹੀਆਂ ਢਲਾਣਾਂ ਅਤੇ ਸ਼ੋਰ ਪੁਆਇੰਟ ਆਮ ਜਾਲ ਹਨ। ਪ੍ਰੋਫਾਈਲ ਭਾਗਾਂ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਉਚਾਈ ਬਿੰਦੂਆਂ ਨਾਲ ਹਰੇਕ ਵਰਗੀਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ; ਲੰਬਕਾਰੀ ਡੈਟਮ ਨੂੰ ਹਮੇਸ਼ਾ ਸਪਸ਼ਟ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ LiDAR ਦ੍ਰਿਸ਼ ਚੁਣੋ (ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਸਟ੍ਰੀਮ ਅਤੇ ਇੱਕ ਪੁਲ ਵਾਲੀ ਘਾਟੀ)। AI ਨੂੰ ਸ਼ੋਰ ਹਟਾਉਣ, ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ, ਅਤੇ DTM ਇੰਟਰਪੋਲੇਸ਼ਨ ਸਟੈਪਸ ਪੈਦਾ ਕਰੋ; ਇਸ ਨੂੰ ਪੁਲ ਅਤੇ ਢਲਾਨ ਦੇ ਖਤਰਿਆਂ ਬਾਰੇ ਚੇਤਾਵਨੀ ਦੇਣ ਲਈ ਕਹੋ। ਫਿਰ ਇੱਕ ਤਸਦੀਕ ਯੋਜਨਾ ਲਿਖੋ: ਠੋਸ ਕਰੋ ਕਿ ਤੁਸੀਂ ਪ੍ਰੋਫਾਈਲ ਸੈਕਸ਼ਨ ਕਿੱਥੇ ਲਓਗੇ ਅਤੇ ਤੁਸੀਂ ਇਸਦੀ ਤੁਲਨਾ ਕਿਹੜੇ ਜਾਣੇ ਹੋਏ ਉਚਾਈ ਬਿੰਦੂਆਂ ਨਾਲ ਕਰੋਗੇ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਬਿੰਦੂ ਘਣਤਾ, ਰੋਟੇਸ਼ਨ ਜਾਣਕਾਰੀ ਅਤੇ CRS/ਵਰਟੀਕਲ ਡੈਟਮ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਰੌਲਾ/ਬਾਹਰੀਆਂ ਨੂੰ ਸਾਫ਼ ਕੀਤਾ।
- [ ] ਮੈਂ ਜ਼ਮੀਨੀ ਫਿਲਟਰਿੰਗ ਨਾਲ DTM ਲਈ ਜ਼ਮੀਨ ਦੇ ਬਾਹਰਲੇ ਹਿੱਸੇ ਨੂੰ ਵੱਖ ਕੀਤਾ।
- [ ] ਮੈਂ ਪੁਲ/ਵਾਇਡਕਟ ਅਤੇ ਢਲਾਣ ਦੇ ਜੋਖਮਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਪ੍ਰੋਫਾਈਲ ਸੈਕਸ਼ਨਾਂ ਨਾਲ ਵਰਗੀਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਉੱਚਾਈ ਦੀ ਤੁਲਨਾ ਜਾਣੇ-ਪਛਾਣੇ ਬਿੰਦੂਆਂ ਨਾਲ ਕੀਤੀ।
- [ ] ਮੈਂ ਐਲੀਵੇਸ਼ਨ/ਆਵਾਜ਼/ਪ੍ਰਵਾਹ ਕੰਮ ਲਈ DTM ਦੀ ਵਰਤੋਂ ਕੀਤੀ, DSM ਨਹੀਂ।
- [ ] ਮੈਂ ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ ਵਿੱਚ ਵਰਗੀਕਰਨ ਸਵੀਕ੍ਰਿਤੀ ਨੂੰ ਰੱਖਿਆ।