Determinando o DEM sem uso do arquivo LAS não classificado?

10

Eu tenho dados no formato LAS com valores RGB criados a partir de fotogrametria aérea usando um UAV. Estou tentando encontrar uma solução para extrair o DEM da terra nua da nuvem de pontos.

Eu tentei SAGA, Fusion, MCC-LIDAR, mas parece que eles precisam que o arquivo LAS já esteja classificado (o que naturalmente não é). Alguém pode me apontar na direção certa com uma breve explicação do processo?

Geralmente, eu precisaria processar cerca de 100 pontos de usinagem de cada vez (pode agrupá-los se necessário).

user32307
fonte
MCC ou Fusion não exigem que seus pontos sejam classificados. O código do programa MCC, no entanto, preenche o campo de classificação. O que o levou a acreditar que esse é o caso? Você pode estar tendo um problema de versão com seu arquivo las, o que seria bom identificar agora.
Jeffrey Evans

Respostas:

16

Gerando DEDs LiDAR a partir de nuvens de pontos não classificadas com:

O MCC-LIDAR é uma ferramenta de linha de comando para o processamento de dados LIDAR de retorno discreto em ambientes florestais (Evans & Hudak, 2007).

Fluxo de trabalho:

  • a) nuvem de pontos não classificada.
  • b) retornos do solo classificados.
  • c) DEM de terra nua (raster).

insira a descrição da imagem aqui


Vamos criar uma situação hipotética para fornecer um exemplo de código.

O MCC-LIDAR está instalado em:

C:\MCC

A nuvem de pontos LiDAR não classificada (arquivo .las) está em:

C:\lidar\project\unclassified.las  

A saída que será o DEM de terra nua está em:

C:\lidar\project\dem.asc  

O exemplo abaixo classifica os retornos de terra com o algoritmo MCC e cria um DEM de terra nua com resolução de 1 metro.

#MCC syntax: 
#command
#-s (spacing for scale domain)
#-t (curvature threshold)
#input_file (unclassified point cloud) 
#output_file (classified point cloud - ground -> class 2 and not ground -> class 1)
#-c (cell size of ground surface)
#output_DEM (raster surface interpolated from ground points)

C:\MCC\bin\mcc-lidar.exe -s 0.5 -t 0.07 C:\lidar\project\unclassified.las C:\lidar\project\classified.las -c 1 C:\lidar\project\dem.asc

Para entender melhor como a escala (s) e os parâmetros de limite de curvatura (t) funcionam, leia: Como executar o MCC-LiDAR e; Evans e Hudak (2007).

Os parâmetros precisam ser calibrados para evitar erros de comissão / rotulagem (quando um ponto é classificado como pertencente ao solo, mas na verdade pertence à vegetação ou edifícios). Por exemplo:

insira a descrição da imagem aqui

O MCC-LIDAR usa o método de interpolação Thin Plate Spline (TPS) para classificar pontos de terra e gerar o DEM de terra nua.


Referências:

Para mais opções sobre algoritmos de classificação de pontos de referência, consulte Meng et al. (2010):

Andre Silva
fonte
O MCC lidar parece lutar com o número de pontos. Diz memória insuficiente, tente um espaçamento maior entre postagens. Eu tentei postar espaçamento de grade de 5 a partir de um espaçamento inicial de 1m. Minha memória é de 96 GB em uma estação de trabalho forte, de modo que esse não pode ser o problema.
user32307
@ user32307, consulte esta publicação , que relata o mesmo problema. A resposta pode ajudá-lo.
Andre Silva
8

Acho que o LasTools pode atender às suas necessidades, consulte LASGround . A licença é um pouco engraçada, dependendo de quais ferramentas. As ferramentas podem ser baixadas e avaliadas antes da compra; também o produto é relativamente barato.

Michael Stimson
fonte
7

Tive boa sorte com o comando GroundFilter da FUSION (manual aqui ). Não tive problemas em lidar com 40 milhões de pontos (não classificado), por isso não esperaria um problema com 100 milhões.

floema
fonte
2

Isso pode ser feito com um filtro usando os Filtro Morfológico Simples (SMRF) ou Filtro Morfológico Progressivo (PMF) .

Rápido

pdal ground --cell_size=5 --extract input.laz out-bare-earth.laz

Cria um arquivo LAS compactado com terra nua com um tamanho de célula de 5 unidades de terra usando PMF. ( docs )

Para obter mais explicações, consulte o tutorial Identificando retornos do solo usando a segmentação ProgressiveMorphologicalFilter .

Mais envolvido, usando SMRF

Um exemplo de pipeline que:

  • aplica o filtro SMRF, amplia a cellopção de tamanho para 2,0 (unidades do sistema de coordenadas) e um limite de 0,75
  • seleciona apenas os pontos de terra recém-classificados ( 2é o valor padrão do LAS para terra)
  • grava a seleção em um arquivo de saída LAS não compactado (basta alterar a extensão para .laz para compactado)

Comando: pdal pipeline "classify-ground-smrf.json"

O arquivo de parâmetros JSON:

{
    "pipeline": [
        "inputfile.laz",
        {
            "type":"filters.smrf",
            "cell": "2.0",
            "threshold": "0.75"
        },
        {
            "type":"filters.range",
            "limits":"Classification[2:2]"
        },
        "out/smurf_classifed.las"
    ]
}

Extrair apenas acima do solo

Este exemplo a) classifica em solo / não-solo, b) adiciona o atributo "Altura acima do solo" e c) exporta apenas os pontos 2.0 (unidades do sistema de coordenadas) acima do solo.

{
    "pipeline": [
        "input.laz",
        {
            "type": "filters.assign",
            "assignment": "Classification[:]=0"
        },
        {
            "type": "filters.smrf"
        },
        {
            "type": "filters.hag"
        },
        {
            "type": "filters.range",
            "limits": "HeightAboveGround[2:]"
        },
        {
            "filename":"above-ground.laz"
        }
    ]
}

Adaptado de Brad Chambers, https://lists.osgeo.org/pipermail/pdal/2017-July/001367.html

Matt Wilson
fonte
Eu descobri que certas geometrias de objetos estruturais (por exemplo, edifícios) são identificadas muito bem, mas as abordagens morfológicas apresentam um desempenho muito ruim em áreas de floresta, particularmente com declives variáveis. Se os dados do lidar foram adquiridos em uma área urbana, eu certamente recomendaria o MF, mas outros algoritmos são muito mais eficazes, devido a diferentes configurações físicas.
Jeffrey Evans
@JeffreyEvans, você pode elaborar quais outros algoritmos você achou melhores em ambientes não urbanos? (e, talvez, que os tipos de não-urbano, por exemplo, florestas, montanhas, ...)
Matt Wilkie