Kazanimlar:
- LiDAR nokta bulutu, dönüş (return), yoğunluk ve sınıf kodları kavramlarını AI iş akışında doğru kullanabilme
- Zemin filtreleme, DTM üretimi ve nesne (bina, ağaç, direk) sınıflandırma adımlarını AI ile kurgulayabilme
- Nokta bulutu sınıflandırma çıktısını profil kesitleri ve yükseklik mantığıyla doğrulayabilme
LiDAR (Light Detection and Ranging), lazer darbeleri gönderip geri dönüş süresini ölçerek yeryüzünün üç boyutlu ölçümünü çıkaran aktif algılama teknolojisidir. Sonuç, milyonlarca hatta milyarlarca noktadan oluşan bir nokta bulutudur; her noktanın x, y, z koordinatı ve ek nitelikleri vardır. Harita mühendisliğinde LiDAR; sayısal arazi modeli üretmek, ormanlık ve şehir alanlarını modellemek, altyapı (elektrik hattı, yol) çıkarmak için vazgeçilmezdir. Bu ünitede yapay zekanın nokta bulutu işleme ve sınıflandırmasını nasıl hızlandırdığını işliyoruz. İlke: AI sınıflandırmayı önerir; yükseklik ve kesit mantığıyla doğrulama mühendiste kalır.
Temel terimler. Dönüş (return), tek bir lazer darbesinin farklı yüzeylerden (ağaç yaprağı, dal, zemin) yansıyan birden çok yankısıdır; ilk dönüş genelde üst yüzey, son dönüş sık sık zemindir. Yoğunluk (intensity), dönen sinyalin gücüdür; yüzey türü hakkında ipucu verir. Sınıf kodu, her noktaya atanan standart etikettir (zemin, bina, düşük/orta/yüksek bitki, su, elektrik hattı gibi); LAS/LAZ dosya formatında saklanır. Zemin filtreleme, zemin dışı noktaları ayırıp çıplak zemin yüzeyini (DTM) çıkarma işlemidir. Voxel, 3B uzayda hücre; nokta bulutunu seyreltmek/işlemek için kullanılır.
AI'ın Nokta Bulutu İşlemede Rolü
Yapay zeka bu alanda üç düzeyde katkı sağlar:
- İş akışı ve parametre kurgusu. Zemin filtreleme, gürültü temizleme, seyreltme adımlarını ve parametrelerini önerir; kod iskeleti üretir (PDAL, laspy gibi araçlarla).
- Nesne sınıflandırma. Derin öğrenme modelleri noktaları bina, ağaç, direk, araç gibi sınıflara ayırabilir; bu AI'ın asıl işi yaptığı alandır.
- Öznitelik çıkarımı ve rapor. Ağaç yüksekliği, bina taban alanı, hat sarkması gibi türetilmiş ölçüleri hesaplayan mantığı kurar ve özetler.
Kör nokta: nokta bulutu üç boyutludur ve düz bir haritada tam görünmez. Yanlış sınıflandırma (örneğin köprüyü zemin sayma, alçak çalıyı bina sayma) haritada masum görünüp DTM'i bozar. Bu yüzden sınıflandırma profil kesitleriyle (nokta bulutunun dikey dilimini yandan görme) doğrulanmalıdır.
Ipucu: Bir sınıflandırmayı onaylamadan önce birkaç yerden dikey kesit alın. Zemin sınıfı gerçekten en alttaki sürekli yüzeyi mi izliyor, yoksa çatıların üzerinde mi "yüzüyor"? Kesit bunu bir bakışta gösterir.
Adım Adım: DTM Üretimi İçin Nokta Bulutu İşleme
- Veriyi tanıyın. Nokta yoğunluğu (nokta/m²), dönüş sayısı, mevcut sınıf kodları, CRS ve düşey datumu teyit edin.
- Gürültü temizleyin. Havada asılı (yüksek gürültü) ve yer altı (alçak gürültü) aykırı noktaları çıkarın.
- Zemin filtreleyin. Zemin dışı noktaları (bina, ağaç, araç) ayırıp çıplak zemin noktalarını bırakın. Bu adım DTM'in kalbidir.
- Yüzey üretin. Zemin noktalarından ızgara DTM enterpolasyonu yapın.
- Doğrulayın. Profil kesitleriyle zemin izini kontrol edin; bilinen kot noktalarıyla yükseklikleri karşılaştırın.
Zemin Filtreleme Neden Kritik?
DTM (çıplak zemin) ile DSM (üst yüzey) arasındaki tek fark, zemin dışı noktaların ayrılıp ayrılmamasıdır. Bir hacim hesabı, eğim analizi, su akış modellemesi veya taşkın çalışması DTM ister; DSM kullanılırsa binalar ve ağaçlar "arazi" sanılır ve sonuç bozulur. Zemin filtreleme parametreleri araziye göre ayarlanır: dik yamaçlı bir bölgede fazla agresif filtre gerçek zemini de siler, düz bir bölgede gevşek filtre alçak nesneleri zemin sanır. AI iyi bir başlangıç parametresi önerebilir ama sonuç mutlaka kesitle sınanmalıdır.
Dikkat: Köprüler ve viyadükler klasik bir tuzaktır. Bunlar zeminin üstünde asılı yapılardır; zemin filtresi bunları yanlışlıkla zemin sayarsa DTM'de gerçekte olmayan bir "set" oluşur ve su akış analizi tamamen yanlış çıkar.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Köprü tuzağı. Bir taşkın modellemesinde zemin filtresi bir köprüyü zemin sınıfına aldı; DTM'de akarsuyu kesen sahte bir bent belirdi ve model suyun yukarıda birikeceğini hesapladı. Profil kesiti köprüyü açıkça gösterdi; köprü noktaları yeniden sınıflandırılınca akış doğru modellendi.
Vaka 2 — Ağaç yüksekliği envanteri. Bir orman çalışmasında 240 hektar için AI destekli sınıflandırma, yüksek bitki sınıfından ağaç tepe modelini çıkardı ve ortalama ağaç yüksekliğini yaklaşık 18 m hesapladı. Sahada rastgele 30 ağacın elle ölçümüyle karşılaştırıldı; fark ±0,8 m içindeydi. Bağımsız saha ölçümü, model çıktısını güvenilir kıldı.
Vaka 3 — Gürültü noktası kot hatası. Havada asılı birkaç gürültü noktası (kuş, toz) temizlenmeden DTM üretilince, bir hücrede kot gerçek değerin 40 m üzerine fırladı. Mertebe kontrolü ve gürültü temizleme adımı bu tekil sıçramaları giderdi. Ders: DTM'den önce aykırı nokta temizliği şarttır.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu nokta bulutundan zemin modeli çıkar.
Güçlü prompt:
Görev: LiDAR nokta bulutundan DTM üretimi iş akışı ve PDAL/laspy iskeletikurgula.Bağlam:- Yoğunluk ~12 nokta/m², dönüş bilgisi mevcut, CRS EPSG:5256, düşey datum TUDKA belirtilmeli- Alan: karışık (dere, köprü, seyrek bina, dik yamaç var)İstekler:1) Sıra: gürültü temizleme -> zemin filtreleme -> DTM enterpolasyonu.2) Köprü/viyadük ve dik yamaç için filtreleme risklerini uyar.3) Doğrulama: profil kesiti ve bilinen kot noktasıyla karşılaştırma adımı.4) DTM ile DSM farkını ve bu iş için neden DTM gerektiğini yaz.
Güçlü prompt yoğunluğu, arazi risklerini (köprü, yamaç) ve doğrulama adımını verir; çıktı sahaya uyar.
Dört Kopyalanabilir Şablon
1) Nokta bulutu ön inceleme:
Aşağıdaki LAS/LAZ metaverisini yorumla: nokta yoğunluğu, dönüş dağılımı,mevcut sınıf kodları, CRS/düşey datum. Eksik veya şüpheli bilgiyi işaretleve işleme başlamadan giderilmesi gerekenleri listele. Metaveri: [özet]
2) Zemin filtreleme kurgusu:
PDAL ile zemin filtreleme adımlarını yaz; arazi tipi [düz/yamaçlı/karışık]için parametre önerisi ver. Köprü, alçak çalı ve dik yamaç riskleriniayrıca uyar. Sonucu profil kesitiyle doğrulama adımını ekle.
3) Nesne sınıflandırma doğrulama:
Bir nokta bulutu sınıflandırmasını (zemin/bina/bitki/hat) doğrulama planıyaz: hangi profil kesitleri alınmalı, hangi sınıf karışmaları beklenir(köprü-zemin, çalı-bina), her biri nasıl teyit edilir.
4) Türetilmiş ölçü kontrolü:
Aşağıdaki türetilmiş ölçüleri (ağaç yüksekliği, bina taban alanı, hatsarkması) makullük açısından denetle: mertebe, negatif değer, uç değerler.Saha ölçümüyle karşılaştırma önerisi ekle. Ölçüler: [tablo]
Nokta Bulutu Kavramları Karşılaştırması
Kavram
Anlamı
Önemi
İlk/son dönüş
Darbenin ilk/son yankısı
Üst yüzey vs zemin ayrımı
Sınıf kodu
Nokta etiketi
DTM/DSM ve nesne çıkarımı
Zemin filtreleme
Zemin dışını ayırma
DTM'in temeli
Yoğunluk (nokta/m²)
Örnekleme sıklığı
Detay ve doğruluk sınırı
Profil kesiti
Dikey dilim görünümü
Sınıflandırma doğrulama
Sık yapılan hatalar
- Zemin filtrelemeden DTM üretmek. Aslında DSM elde edilir; kot/hacim bozulur.
- Köprü/viyadükleri zemin saymak. Sahte set, yanlış akış modeli.
- Gürültü noktalarını temizlememek. Tekil kot sıçramaları.
- Sınıflandırmayı kesitle doğrulamamak. Haritada masum görünen 3B hataları kaçırmak.
- Düşey datumu göz ardı etmek. Kotlar yanlış referansa oturur.
- Yetersiz yoğunlukta detay beklemek. Nokta aralığından küçük nesne çözülemez.
Özetle
LiDAR nokta bulutu işlemede yapay zeka; iş akışı kurgusu, zemin filtreleme parametreleri, nesne sınıflandırma ve türetilmiş ölçü hesabında hızlandırıcıdır. DTM üretmenin zorunlu adımı zemin filtrelemedir; bu atlanırsa DSM elde edilir ve kot/hacim/akış analizleri bozulur. Köprüler, dik yamaçlar ve gürültü noktaları tipik tuzaklardır. Her sınıflandırmayı profil kesitleriyle ve bilinen kot noktalarıyla doğrulayın; düşey datumu her zaman netleştirin.
Uygulama görevi
Bir LiDAR senaryosu seçin (örneğin dere ve köprü içeren bir vadi). AI'a gürültü temizleme, zemin filtreleme ve DTM enterpolasyonu adımlarını ürettirin; köprü ve yamaç risklerini uyarmasını isteyin. Ardından bir doğrulama planı yazın: nereden profil kesiti alacağınızı ve hangi bilinen kot noktalarıyla karşılaştıracağınızı somutlaştırın.
Kontrol listesi
- [ ] Nokta yoğunluğu, dönüş bilgisi ve CRS/düşey datumu teyit ettim.
- [ ] Gürültü/aykırı noktaları temizledim.
- [ ] Zemin filtreleme ile DTM için zemin dışını ayırdım.
- [ ] Köprü/viyadük ve yamaç risklerini kontrol ettim.
- [ ] Sınıflandırmayı profil kesitleriyle doğruladım.
- [ ] Kotları bilinen noktalarla karşılaştırdım.
- [ ] Kot/hacim/akış işinde DSM değil DTM kullandım.
- [ ] Sınıflandırma kabulünü mühendis onayında tuttum.