Прибыль:
- Способность правильно использовать концепции облака точек LiDAR, возврата, плотности и кодов классов в рабочем процессе ИИ.
- Возможность настройки фильтрации грунта, создания ЦМР и этапов классификации объектов (зданий, деревьев, столбов) с помощью ИИ.
- Возможность проверки результатов классификации облака точек с помощью разрезов профиля и логики высот.
LiDAR (Light Detection and Ranging) — это технология активного обнаружения, которая производит трехмерные измерения земной поверхности путем отправки лазерных импульсов и измерения времени возврата. В результате получается облако точек, состоящее из миллионов или даже миллиардов точек; Каждая точка имеет координаты x, y, z и дополнительные атрибуты. LiDAR в геодезической инженерии; Он незаменим при создании цифровых моделей местности, моделировании лесных и городских территорий, создании инфраструктуры (линий электропередач, дорог). В этом модуле мы рассмотрим, как искусственный интеллект ускоряет обработку и классификацию облаков точек. Принцип: ИИ предлагает классификацию; Проверка с логикой высоты и сечения остается за инженером.
Основные термины. Возврат — множественные эхо одного лазерного импульса, отраженные от разных поверхностей (листьев деревьев, веток, земли); Первым витком обычно является верхняя поверхность, последним витком часто является земля. Интенсивность — это сила возвращенного сигнала; Это дает представление о типе поверхности. Код класса — это стандартная метка, присвоенная каждой точке (например, земля, здание, низкая/средняя/высокая растительность, вода, линия электропередачи); Он хранится в формате файла LAS/LAZ. Фильтрация грунта — это процесс удаления неземных точек и удаления оголенной поверхности земли (DTM). Воксель, ячейка в 3D-пространстве; Используется для разбавления/обработки облака точек.
Роль искусственного интеллекта в обработке облаков точек
Искусственный интеллект вносит свой вклад в эту область на трех уровнях:
- Рабочий процесс и настройка параметров. Рекомендует наземную фильтрацию, удаление шума, шаги и параметры разбавления; создает скелет кода (с помощью таких инструментов, как PDAL, laspy).
- Классификация объектов. Модели глубокого обучения могут классифицировать точки по таким классам, как здание, дерево, столб, транспортное средство; Это та область, где ИИ делает настоящую работу.
- Извлечение функций и отчет. Он устанавливает и обобщает логику расчета производных измерений, таких как высота дерева, площадь пола здания и провисание линии.
Слепое пятно: облако точек трехмерно и не полностью видно на плоской карте. Неправильная классификация (например, считая мост землей, а низкий кустарник — зданием) выглядит на карте невинно и искажает ЦММ. Поэтому классификацию необходимо проверять по профильным срезам (просмотр вертикального среза облака точек сбоку).
Совет: прежде чем подтвердить классификацию, сделайте вертикальные срезы в нескольких местах. Действительно ли класс земли повторяет нижнюю сплошную поверхность или «парит» над крышами? В разрезе это видно сразу.
Шаг за шагом: обработка облака точек для создания ЦТМ
- Ознакомьтесь с данными. Подтвердите плотность точек (точек/м²), количество поворотов, текущие коды классов, CRS и вертикальную точку отсчета.
- Ясный шум. Удалите выбросы в воздухе (с высоким уровнем шума) и под землей (с низким уровнем шума).
- Отфильтруйте землю. Изолируйте неземные точки (здания, деревья, транспортные средства) и оставьте голыми точки земли. Этот шаг является сердцем DTM.
- Создать поверхность. Выполните интерполяцию ЦММ сетки от наземных точек.
- Проверять. Проверьте трассу грунта с помощью участков профиля; Сравните высоты с известными точками высоты.
Почему наземная фильтрация так важна?
Единственная разница между DTM (голая земля) и DSM (поверхность) заключается в том, разделены ли точки, находящиеся вне земли, или нет. Для расчета объема, анализа уклонов, моделирования водного потока или исследования наводнений требуется DTM; Если используется DSM, здания и деревья принимаются за «землю», и результат искажается. Параметры фильтрации грунта настраиваются в зависимости от рельефа местности: на крутом участке слишком агрессивный фильтр стирает и реальную землю, на ровном участке рыхлый фильтр принимает за землю низкие объекты. ИИ может предложить хороший стартовый параметр, но результат необходимо проверять перекрестно.
Внимание: Мосты и виадуки — это классическая ловушка. Это конструкции, подвешенные над землей; Если грунтовый фильтр ошибочно примет их за землю, в DTM будет создан «набор», которого на самом деле не существует, и анализ расхода воды будет совершенно неправильным.
Три мини-кейса: в цифрах
Случай 1 — Мостовая ловушка. При моделировании наводнения фильтр грунта классифицировал мост как грунт; В ВТЦ появилась ложная плотина, перекрывающая поток, и модель рассчитала, что вода будет скапливаться вверх по течению. В разрезе профиля отчетливо виден мост; Когда точки моста были реклассифицированы, поток моделировался правильно.
Случай 2. Инвентаризация высоты деревьев. Для 240 гектаров леса в ходе исследования классификация с помощью искусственного интеллекта извлекла структуру древесного полога из более высокого класса растений и рассчитала среднюю высоту деревьев примерно 18 м. Это сравнивали с ручным измерением 30 случайных деревьев в поле; разница была в пределах ±0,8 м. Независимые полевые измерения сделали результаты модели надежными.
Случай 3 — Ошибка повышения точки шума. При построении ЦМР без очистки нескольких шумовых точек (птиц, пыли), подвешенных в воздухе, высота в одной ячейке подскочила на 40 м выше фактического значения. На этапе контроля заказов и очистки шума эти отдельные отскоки были устранены. Урок: очистка выбросов необходима перед DTM.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Модель земли возникает из этого облака точек.
Мощная подсказка:
Задача: Построить рабочий процесс создания ЦМР и структуру PDAL/laspy из облака точек LiDAR. Контекст: - Плотность ~ 12 точек/м², доступна информация о вращении, CRS EPSG:5256, необходимо указать вертикальную датум TUDKA - Площадь: смешанная (ручей, мост, редкое здание, крутой склон) Требования: 1) Последовательность: удаление шума -> фильтрация грунта -> интерполяция DTM. 2) Для моста/виадука и крутого склона предупреждать о рисках фильтрации. 3) Проверка: этап сравнения с поперечным сечением профиля и известной точкой отметки. 4) Запишите разницу между DTM и DSM и почему для этой работы требуется DTM.
Высокая плотность подсказок обеспечивает риски местности (мост, склон) и этап проверки; вышел и подходит к полю.
Четыре копируемых шаблона
1) Предварительный анализ облака точек:
Интерпретируйте следующие метаданные LAS/LAZ: плотность точек, распределение вращения, текущие коды классов, CRS/вертикальную датум. Отметьте недостающую или подозрительную информацию и перечислите, что необходимо устранить, прежде чем начинать процесс. Метаданные: [сводка]
2) Настройка наземной фильтрации:
Напишите шаги фильтрации земли с помощью PDAL; Дайте рекомендации по параметрам для типа местности [ровный/склон/смешанный]. Также предупреждает о рисках моста, низкого кустарника и крутого склона. Добавьте этап сверки результата с разделом профиля.
3) Проверка классификации объектов:
Напишите план проверки классификации облака точек (земля/здание/завод/линия): какие секции профиля следует взять, какое сочетание классов ожидается (мост-земля, кустовое здание), как проверить каждый из них.
4) Производная мера управления:
Проверьте следующие производные измерения (высота дерева, площадь здания, провисание линии) на достоверность: шаг, отрицательное значение, выбросы. Добавьте предложение для сравнения с полевыми измерениями. Размеры: [таблица]
Сравнение концепций облака точек
концепция
Значение
Важность
Первый/последний ход
Первое/последнее эхо удара
Верхняя поверхность и разделение земли
Код класса
Точечная метка
DTM/DSM и извлечение объектов
грунтовая фильтрация
Отделение внешней части пола
Основание ДТМ
Плотность (точек/м²)
Частота дискретизации
Предел детализации и точности
Профильный раздел
Вертикальный срез
Проверка классификации
Распространенные ошибки
- Создание ЦТМ без наземной фильтрации. Фактически получается DSM; джинсы/объем искажается.
- Считая мосты/виадуки землей. Поддельный набор, неправильная модель потока.
- Не чистка шумовых точек. Необычные джинсовые брызги.
- Не проверяя классификацию по сечению. На карте отсутствуют невинные на вид 3D-ошибки.
- Игнорирование вертикальной точки отсчета. Джинсы сидят не по той ссылке.
- Ожидается недостаточная интенсивность деталей. Объекты размером меньше диапазона точек не могут быть решены.
В заключение
Искусственный интеллект в обработке облаков точек LiDAR; Это ускоритель для редактирования рабочего процесса, параметров фильтрации грунта, классификации объектов и расчета производных показателей. Обязательным этапом создания ЦММ является наземная фильтрация; Если это пропустить, будет получена DSM, и анализ высоты/объема/расхода будет искажен. Типичными ловушками являются мосты, крутые склоны и точки шума. Проверьте каждую классификацию с помощью разрезов профиля и известных точек возвышения; Всегда уточняйте вертикальную точку отсчета.
Задача приложения
Выберите сценарий LiDAR (например, долина с ручьем и мостом). Попросите ИИ выполнить этапы удаления шума, фильтрации грунта и интерполяции ЦМР; Попросите его предупредить о рисках, связанных с мостами и склонами. Затем напишите план проверки: конкретизируйте, где вы возьмете участок профиля и с какими известными точками высот вы будете его сравнивать.
контрольный список
- [ ] Я подтвердил плотность точек, информацию о вращении и систему отсчета CRS/вертикаль.
- [ ] Я убрал шум/выбросы.
- [ ] Я отделил внешнюю часть земли для DTM с фильтрацией земли.
- [ ] Я проверил риски на мостах/виадуках и склонах.
- [ ] Классификацию сверил с разделами профиля.
- [ ] Я сравнил высоты с известными точками.
- [ ] Для работы с высотой/объемом/потоком я использовал DTM, а не DSM.
- [ ] Я сохранил принятие классификации в утверждении инженера.