Прибуток:
- Здатність правильно використовувати концепції хмари точок LiDAR, повернення, щільності та кодів класу в робочому процесі AI
- Можливість конфігурувати наземну фільтрацію, створення DTM і етапи класифікації об’єктів (будівлі, дерева, стовпи) за допомогою AI
- Можливість перевірки результатів класифікації хмари точок за допомогою розділів профілю та логіки висоти
LiDAR (Light Detection and Ranging) — це технологія активного виявлення, яка виконує тривимірні вимірювання земної поверхні шляхом надсилання лазерних імпульсів і вимірювання часу повернення. Результатом є хмара точок, що складається з мільйонів або навіть мільярдів точок; Кожна точка має координати x, y, z і додаткові атрибути. LiDAR в геодезії; Він незамінний для створення цифрових моделей рельєфу, моделювання лісових і міських територій, створення інфраструктури (ліній електропередач, доріг). У цьому розділі ми розповідаємо, як штучний інтелект прискорює обробку та класифікацію хмари точок. Принцип: ШІ пропонує класифікацію; Перевірка логіки висоти та розрізу залишається за інженером.
Основні терміни. Віддача – багаторазове відлуння одного лазерного імпульсу, відбитого від різних поверхонь (листя дерев, гілок, землі); Перший виток - це зазвичай верхня поверхня, останній - часто земля. Інтенсивність - це сила поверненого сигналу; Це дає підказку про тип поверхні. Код класу — це стандартна позначка, присвоєна кожній точці (наприклад, земля, будівля, низька/середня/висока рослинність, вода, лінія електропередач); Він зберігається у форматі LAS/LAZ. Наземна фільтрація — це процес видалення неземлених точок і видалення голої поверхні землі (DTM). Воксель, комірка в 3D просторі; Використовується для розведення/обробки хмари точок.
Роль ШІ в обробці хмари точок
Штучний інтелект робить свій внесок у цю сферу на трьох рівнях:
- Робочий процес і налаштування параметрів. Рекомендує фільтрацію землі, видалення шуму, кроки та параметри розведення; створює скелет коду (з такими інструментами, як PDAL, laspy).
- Класифікація об'єктів. Моделі глибокого навчання можуть класифікувати точки на такі класи, як будівля, дерево, стовп, транспортний засіб; Це сфера, де ШІ виконує справжню роботу.
- Вилучення ознак і звіт. Він встановлює та узагальнює логіку, яка обчислює похідні вимірювання, такі як висота дерева, площа підлоги будівлі та прогин лінії.
Сліпа пляма: хмара точок тривимірна і не повністю видима на плоскій карті. Неправильна класифікація (наприклад, вважати міст землею, низький чагарник будівлею) виглядає невинно на карті та спотворює DTM. Таким чином, класифікація повинна бути перевірена профільними зрізами (перегляд вертикального зрізу хмари точок збоку).
Порада: перед підтвердженням класифікації зробіть вертикальні розрізи в кількох місцях. Чи справді наземний клас слідує за суцільною нижньою поверхнею, чи він «ширяє» над дахами? Розріз показує це з першого погляду.
Крок за кроком: обробка хмари точок для генерації DTM
- Ознайомтеся з даними. Перевірте щільність точок (точок/м²), кількість витків, поточні коди класу, CRS і вертикальну базу.
- Чистий шум. Усуньте повітряні (високий рівень шуму) і підземні (низький рівень шуму) викиди.
- Профільтрувати землю. Ізолюйте неземельні точки (будівлю, дерево, транспортний засіб) і залиште оголеними наземні точки. Цей крок є серцем DTM.
- Створіть поверхню. Виконайте інтерполяцію DTM сітки з точок землі.
- Підтвердити. Перевірити трасу грунту за допомогою профільних секцій; Порівняйте висоти з відомими точками висоти.
Чому ґрунтова фільтрація є критичною?
Єдина відмінність між DTM (голий ґрунт) і DSM (поверхня) полягає в тому, чи розділені точки поза землею чи ні. Розрахунок об’єму, аналіз ухилу, моделювання потоку води або дослідження повені потребують DTM; Якщо використовується DSM, будівлі та дерева помилково сприймаються як «земля», і результат спотворюється. Параметри ґрунтової фільтрації регулюються відповідно до рельєфу: на крутих схилах занадто агресивний фільтр також стирає реальну землю, на рівній місцевості слабкий фільтр сприймає низькі об’єкти за землю. ШІ може запропонувати хороший початковий параметр, але результат має бути перевірений у поперечному перерізі.
Обережно: мости та віадуки – класична пастка. Це підвішені над землею конструкції; Якщо ґрунтовий фільтр помилково вважатиме їх землею, у DTM буде створено «набір», який насправді не існує, і аналіз потоку води буде повністю неправильним.
Три міні-кейси: у цифрах
Випадок 1 — Містова пастка. У моделюванні повені наземний фільтр класифікував міст як наземний; У WTC з'явилася фальшива дамба, яка перекрила потік, і модель підрахувала, що вода буде накопичуватися вище за течією. На профілі чітко виднівся міст; Коли точки мосту були перекласифіковані, потік був змодельований правильно.
Випадок 2 — Інвентаризація висоти дерев. Для 240 гектарів у лісовому дослідженні класифікація за допомогою штучного інтелекту вилучила структуру крони дерев із вищого класу рослин і розрахувала середню висоту дерева приблизно 18 м. Його порівнювали з ручним вимірюванням 30 випадкових дерев у полі; різниця була в межах ±0,8 м. Незалежні польові вимірювання зробили вихід моделі надійним.
Випадок 3 — Помилка висоти точки шуму. Коли DTM було створено без очищення кількох шумових точок (птахів, пилу), що висіли в повітрі, висота в одній комірці підскочила на 40 м вище фактичного значення. Контроль порядку та етап очищення від шуму видалили ці окремі відскоки. Урок: очищення викидів є важливим перед DTM.
Слабка підказка / Сильна підказка
Слабка підказка:
Наземна модель виникає з цієї хмари точок.
Потужна підказка:
Завдання: побудувати робочий процес генерації DTM і структуру PDAL/laspy з хмари точок LiDAR. Контекст:- Щільність ~12 точок/м², доступна інформація про обертання, CRS EPSG:5256, необхідно вказати вертикальну базу даних TUDKA- Область: змішана (струмок, міст, рідкісна забудова, крутий схил) Вимоги:1) Послідовність: видалення шуму -> фільтрація землі -> інтерполяція DTM.2) Для моста/віадука та крутого схилу попередити про ризики фільтрації.3) Перевірка: етап порівняння з поперечним перерізом профілю та відомою точкою висоти. 4) Напишіть різницю між DTM та DSM і чому DTM необхідний для цієї роботи.
Сильна швидка щільність дає ризики місцевості (міст, схил) і крок перевірки; вийшов і підходить на поле.
Чотири шаблони, які можна копіювати
1) Попередній огляд хмари точок:
Інтерпретуйте такі метадані LAS/LAZ: щільність точок, розподіл обертів, поточні коди класів, CRS/вертикальну дату. Позначте відсутню або підозрілу інформацію та перелічіть, що потрібно вирішити перед початком процесу. Метадані: [резюме]
2) Налаштування наземної фільтрації:
Напишіть кроки наземної фільтрації за допомогою PDAL; Надайте рекомендацію щодо параметрів для типу місцевості [рівна/схила/змішана]. Також попереджає про небезпеку мостів, низьких чагарників і крутих схилів. Додайте крок перевірки результату з розділом профілю.
3) Перевірка класифікації об'єкта:
Напишіть план перевірки класифікації хмари точок (земля/будівля/завод/лінія): які секції профілю потрібно взяти, які суміші класів очікуються (міст-земля, кущова будівля), як перевірити кожну.
4) Контроль похідних заходів:
Перевірте правдоподібність таких похідних вимірювань (висота дерева, площа будівлі, прогин лінії): крок, від’ємне значення, викиди. Додати пропозицію для порівняння з польовими вимірюваннями. Розміри: [таблиця]
Порівняння концепцій хмари точок
концепція
Значення
Важливість
Перша/остання черга
Перше/останнє відлуння удару
Розділення верхньої поверхні проти землі
Код класу
Точкова мітка
DTM/DSM і вилучення об’єктів
грунтова фільтрація
Відокремлення зовнішньої частини підлоги
Основа DTM
Щільність (точок/м²)
Частота вибірки
Межа деталізації та точності
Розділ профілю
Вигляд вертикального зрізу
Перевірка класифікації
Поширені помилки
- Виготовлення DTM без ґрунтової фільтрації. Фактично виходить DSM; джинси/об’єм спотворений.
- Врахування мостів/віадуків як землі. Фальшивий набір, неправильна модель потоку.
- Не очищає точки шуму. Незвичайні джинсові бризки.
- Неперевірка класифікації за поперечним перерізом. На карті відсутні невинні тривимірні помилки.
- Ігнорування вертикальної бази. Джинси сидять не на тій довідці.
- Очікування недостатньої інтенсивності деталей. Об’єкти, менші за діапазон точок, не можуть бути розпізнані.
Підсумовуючи
Штучний інтелект в обробці хмари точок LiDAR; Це прискорювач для редагування робочого процесу, параметрів фільтрації землі, класифікації об’єктів і розрахунку похідних показників. Обов'язковим етапом виготовлення ЦТМ є грунтова фільтрація; Якщо це опущено, буде отримано DSM, а аналіз висоти/об’єму/потоку буде спотворено. Типовими пастками є мости, круті схили та шумові точки. Перевірте кожну класифікацію за допомогою секцій профілю та відомих точок висоти; Завжди уточнюйте вертикальну базу.
Аплікаційне завдання
Виберіть сценарій LiDAR (наприклад, долина з струмком і міст). Нехай штучний інтелект виробляє кроки видалення шуму, фільтрації землі та інтерполяції DTM; Попросіть його попередити про ризики мостів і схилів. Потім напишіть план перевірки: конкретизуйте, куди ви візьмете розділ профілю та з якими відомими точками висоти ви будете його порівнювати.
контрольний список
- [ ] Я підтвердив щільність точок, інформацію про обертання та CRS/вертикальну дату.
- [ ] Я очистив шум/викиди.
- [ ] Я відокремив зовнішню частину землі для DTM за допомогою фільтрації землі.
- [ ] Я перевірив ризики мосту/віадука та схилу.
- [ ] Я перевірив класифікацію за розділами профілю.
- [ ] Я порівняв висоти з відомими точками.
- [ ] Я використовував DTM, а не DSM, для роботи з висотою/об’ємом/потоком.
- [ ] Я зберіг прийнятність класифікації в затвердженні інженера.