Dobički:
- Sposobnost pravilne uporabe konceptov oblaka točk LiDAR, kod povratka, gostote in razreda v delovnem toku AI
- Zmožnost konfiguracije filtriranja tal, proizvodnje DTM in korakov klasifikacije objektov (zgradbe, drevesa, stebri) z AI
- Zmožnost preverjanja izhoda klasifikacije oblaka točk z odseki profila in logiko višine
LiDAR (Light Detection and Ranging) je tehnologija aktivnega zaznavanja, ki proizvaja tridimenzionalne meritve zemeljske površine s pošiljanjem laserskih impulzov in merjenjem povratnega časa. Rezultat je oblak točk, sestavljen iz milijonov ali celo milijard točk; Vsaka točka ima koordinato x, y, z in dodatne atribute. LiDAR v geodetskem inženirstvu; Nepogrešljiv je pri izdelavi digitalnih modelov terena, modeliranju gozdnih in urbanih območij ter ustvarjanju infrastrukture (dalekovodi, ceste). V tej enoti obravnavamo, kako umetna inteligenca pospeši obdelavo in klasifikacijo oblaka točk. Načelo: AI predlaga razvrstitev; Preverjanje z logiko višine in preseka ostane pri inženirju.
Osnovni pojmi. Povratek je več odbojev enega samega laserskega impulza, ki se odbije od različnih površin (listje dreves, veje, tla); Prvi zavoj je običajno zgornja površina, zadnji zavoj je pogosto podlaga. Intenzivnost je moč vrnjenega signala; Da namig o vrsti površine. Koda razreda je standardna oznaka, dodeljena vsaki točki (kot so tla, zgradba, nizka/srednja/visoka vegetacija, voda, daljnovod); Shranjena je v formatu datoteke LAS/LAZ. Filtriranje tal je postopek odstranjevanja nezemeljskih točk in odstranjevanja gole talne površine (DTM). Voxel, celica v 3D prostoru; Uporablja se za redčenje/obdelavo oblaka točk.
Vloga umetne inteligence pri obdelavi oblaka točk
Umetna inteligenca na tem področju prispeva na treh ravneh:
- Potek dela in nastavitev parametrov. Priporoča filtriranje tal, odstranjevanje hrupa, korake in parametre redčenja; izdela okostje kode (z orodji, kot sta PDAL, laspy).
- Klasifikacija objektov. Modeli globokega učenja lahko razvrstijo točke v razrede, kot so zgradba, drevo, drog, vozilo; To je področje, kjer AI opravlja resnično delo.
- Ekstrakcija funkcij in poročilo. Vzpostavlja in povzema logiko, ki izračunava izpeljane meritve, kot so višina drevesa, tlorisna površina stavbe in nagib črte.
Slepa pega: oblak točk je tridimenzionalen in ni v celoti viden na ravnem zemljevidu. Napačna klasifikacija (npr. štetje mostu kot tal, nizkega grmovja kot zgradbe) je na zemljevidu videti nedolžna in izkrivlja DTM. Zato je treba klasifikacijo preveriti s profilnimi rezinami (pogled na navpični rez oblaka točk s strani).
Namig: pred potrditvijo klasifikacije naredite navpične odseke na več mestih. Ali talni razred res sledi spodnji neprekinjeni površini ali "lebdi" nad strehami? Izrez to pokaže na prvi pogled.
Korak za korakom: Obdelava oblaka točk za generiranje DTM
- Spoznajte podatke. Potrdite gostoto točk (pik/m²), število obratov, trenutne kode razreda, CRS in navpično referenčno točko.
- Čist hrup. Odstranite odstopanja v zraku (z visokim hrupom) in pod zemljo (z nizkim hrupom).
- Filtrirajte zemljo. Izolirajte nezemeljske točke (zgradbo, drevo, vozilo) in pustite gole talne točke. Ta korak je srce DTM.
- Ustvari površino. Izvedite interpolacijo mreže DTM iz talnih točk.
- Preveri. Preverite sled tal s profilnimi odseki; Primerjaj višine z znanimi višinskimi točkami.
Zakaj je talna filtracija kritična?
Edina razlika med DTM (gola tla) in DSM (površina) je, ali so točke zunaj tal ločene ali ne. Izračun prostornine, analiza naklona, modeliranje vodnega toka ali študija poplav zahteva DTM; Če se uporabi DSM, se zgradbe in drevesa zamenjajo za "zemljo", rezultat pa je popačen. Parametri filtracije tal se prilagajajo glede na teren: na strmem območju preveč agresiven filter izbriše tudi pravo podlago, na ravnem pa ohlapni filter zamenja nizke predmete za tla. Umetna inteligenca lahko predlaga dober začetni parameter, vendar je treba rezultat testirati v preseku.
Pozor: Mostovi in viadukti so klasična past. To so strukture, obešene nad tlemi; Če jih zemeljski filter pomotoma obravnava kot zemljo, se bo v DTM ustvaril "nabor", ki dejansko ne obstaja, in analiza pretoka vode bo popolnoma napačna.
Trije mini kovčki: po številkah
Primer 1 – mostna past. Pri modeliranju poplav je talni filter most razvrstil kot talni; V WTC se je pojavil lažni jez, ki je blokiral tok, model pa je izračunal, da se bo voda kopičila gorvodno. Profilni del je jasno pokazal most; Ko so bile premostitvene točke ponovno razvrščene, je bil tok pravilno modeliran.
Primer 2 – Popis višine dreves. Za 240 hektarjev v gozdni študiji je klasifikacija s pomočjo umetne inteligence izluščila vzorec drevesne krošnje iz višjega razreda rastlin in izračunala povprečno višino drevesa približno 18 m. Primerjali so ga z ročnim merjenjem 30 naključnih dreves na terenu; razlika je bila znotraj ±0,8 m. Neodvisna meritev na terenu je naredila izhod modela zanesljiv.
Primer 3 – Napaka višine točke hrupa. Ko je bil DTM ustvarjen brez čiščenja več točk hrupa (ptice, prah), ki lebdijo v zraku, je višina v eni celici skočila 40 m nad dejansko vrednostjo. Nadzor naročila in korak čiščenja šuma sta odstranila te posamezne odboje. Lekcija: Čiščenje izstopa je bistveno pred DTM.
Šibek poziv / močan poziv
Šibek poziv:
Talni model izhaja iz tega oblaka točk.
Močan poziv:
Naloga: Konstruirajte potek dela za generiranje DTM in ogrodje PDAL/laspy iz oblaka točk LiDAR. Kontekst:- Gostota ~12 točk/m², informacije o vrtenju so na voljo, CRS EPSG:5256, navpični podatek TUDKA je treba določiti- Območje: mešano (potok, most, redka zgradba, strmo pobočje) Zahteve:1) Zaporedje: odstranjevanje hrupa -> filtriranje tal -> interpolacija DTM.2) Za most/viadukt in strmo pobočje opozorilo na tveganja filtriranja.3) Preverjanje: korak primerjave s prečnim prerezom profila in znano višinsko točko. 4) Napišite razliko med DTM in DSM in zakaj je DTM potreben za to delo.
Močna hitra gostota daje tveganja terena (most, naklon) in korak preverjanja; prišel ven in ustreza polju.
Štiri kopirane predloge
1) Predhodni pregled oblaka točk:
Interpretirajte naslednje metapodatke LAS/LAZ: gostota točk, porazdelitev vrtenja, kode trenutnih razredov, CRS/navpična točka. Pred začetkom postopka označite manjkajoče ali sumljive informacije in navedite, kaj je treba razrešiti. Metapodatki: [povzetek]
2) Nastavitev filtrirne naprave:
Napišite korake filtriranja tal s PDAL; Podajte priporočilo parametrov za tip terena [ravni/nagnjen/mešan]. Opozarja tudi na nevarnosti mostov, nizkega grmovja in strmih pobočij. Dodajte korak preverjanja rezultata z razdelkom profila.
3) Preverjanje klasifikacije objekta:
Napišite načrt za preverjanje klasifikacije oblaka točk (tla/zgradba/obrat/linija): katere odseke profila je treba uporabiti, katere mešanice razredov se pričakujejo (most-tlo, grmovnica), kako preveriti vsakega.
4) Nadzor izpeljane mere:
Preverite verodostojnost naslednjih izpeljanih meritev (višina drevesa, odtis stavbe, povešenost črte): naklon, negativna vrednost, odstopanja. Dodajte predlog za primerjavo z meritvijo na terenu. Dimenzije: [tabela]
Primerjava konceptov oblaka točk
koncept
Pomen
Pomembnost
Prvi/zadnji zavoj
Prvi/zadnji odmev udarca
Ločitev zgornje površine proti tlom
Koda razreda
Pikasta oznaka
DTM/DSM in pridobivanje objektov
talna filtracija
Ločevanje zunanje strani tal
Osnova DTM
Gostota (dot/m²)
Frekvenca vzorčenja
Meja podrobnosti in natančnosti
Razdelek profila
Navpični pogled na rez
Preverjanje razvrstitve
Pogoste napake
- Izdelava DTM brez talne filtracije. Pravzaprav se dobi DSM; kavbojke/volumen je popačen.
- Štetje mostov/viaduktov kot tal. Lažni komplet, napačen model toka.
- Brez čiščenja točk hrupa. Enkratni denim brizgi.
- Brez preverjanja razvrstitve po preseku. Na zemljevidu manjkajo nedolžne 3D napake.
- Ignoriranje navpične točke. Kavbojke sedijo na napačni referenci.
- Pričakovanje nezadostne intenzivnosti podrobnosti. Objektov, manjših od obsega pik, ni mogoče razrešiti.
Če povzamem
Umetna inteligenca pri obdelavi oblaka točk LiDAR; Je pospeševalnik za urejanje poteka dela, parametre filtriranja tal, klasifikacijo objektov in izračun izpeljanih mer. Obvezen korak pri izdelavi DTM je filtriranje tal; Če to izpustite, bo pridobljen DSM in analize višine/prostornine/pretoka bodo popačene. Mostovi, strma pobočja in hrupne točke so značilne pasti. Preverite vsako razvrstitev z odseki profila in znanimi višinskimi točkami; Vedno razjasnite navpično referenčno točko.
Aplikacijska naloga
Izberite scenarij LiDAR (na primer dolina s potokom in mostom). Umetna inteligenca naj proizvede korake za odstranjevanje šuma, filtriranje tal in interpolacijo DTM; Prosite ga, naj vas opozori na nevarnosti mostov in pobočij. Nato napišite načrt preverjanja: navedite, kam boste peljali profilni odsek in s katerimi znanimi višinskimi točkami ga boste primerjali.
kontrolni seznam
- [ ] Potrdil sem gostoto točk, informacije o rotaciji in CRS/navpično referenčno točko.
- [ ] Počistil sem hrup/izstopajoče vrednosti.
- [ ] Zunanjost tal sem ločil za DTM s filtracijo tal.
- [ ] Preveril sem tveganje mostu/viadukta in pobočja.
- [ ] Razvrstitev sem preveril z razdelki profila.
- [ ] Višine sem primerjal z znanimi točkami.
- [ ] Za delo z višino/prostornino/tokom sem uporabil DTM, ne DSM.
- [ ] Ohranil sem sprejetje klasifikacije v odobritvi inženirja.