अवर्गीकृत एलएएस फ़ाइल से नंगे धरती डेम का निर्धारण?

Question

मेरे पास यूएवी का उपयोग करके एरियल फोटोग्राममेट्री से बनाए गए आरजीबी मूल्यों के साथ एलएएस प्रारूप में डेटा है। मैं बिंदु बादल से नंगी पृथ्वी डीईएम निकालने के लिए एक समाधान खोजने की कोशिश कर रहा हूं।

मैंने SAGA, Fusion, MCC-LIDAR को आज़माया है, लेकिन ऐसा लगता है कि उन्हें LAS फ़ाइल को पहले से वर्गीकृत करने की आवश्यकता है (जो कि यह स्वाभाविक रूप से नहीं है)। क्या कोई मुझे प्रक्रिया की संक्षिप्त व्याख्या के साथ सही दिशा में इंगित कर सकता है?

आम तौर पर, मुझे एक बार में लगभग 100 मिल पॉइंट्स संसाधित करने की आवश्यकता होगी (यदि आवश्यक हो तो उन्हें टाइल कर सकते हैं)।

Comments

एमसीसी या फ्यूजन को आपके अंकों को वर्गीकृत करने की आवश्यकता नहीं है। MCC प्रोग्राम कोड हालांकि, वर्गीकरण फ़ील्ड को पॉप्युलेट करता है। किस वजह से आपको विश्वास हुआ कि यह मामला है? आप अपनी लास फ़ाइल के साथ एक संस्करण जारी कर सकते हैं जो अब पहचानना अच्छा होगा।

— जेफरी इवांस

Answer 1

अवर्गीकृत बिंदु बादलों से LiDEM DEMs बनाना:

• MCC-LIDAR - मल्टीस्केल वक्रता वर्गीकरण (MCC) एल्गोरिदम।
  _{( 1.1 से 1.3 के LAS संस्करण का समर्थन करता है )}

MCC-LIDAR वनों के वातावरण में असतत-वापसी LIDAR डेटा के प्रसंस्करण के लिए एक कमांड-लाइन उपकरण है (इवांस और हुडक, 2007)।

कार्यप्रवाह:

• ए) अवर्गीकृत बिंदु बादल।
• बी) ग्राउंड रिटर्न वर्गीकृत।
• c) नंगे-धरती DEM (रेखापुंज)।

---

चलो कोड के साथ एक उदाहरण प्रदान करने के लिए एक काल्पनिक स्थिति बनाते हैं।

MCC-LIDAR इसमें स्थापित है:

C:\MCC

अवर्गीकृत LiDAR बिंदु बादल (.las फ़ाइल) इसमें है:

C:\lidar\project\unclassified.las  

उत्पादन जो नंगे धरती डेम बनने जा रहा है:

C:\lidar\project\dem.asc  

नीचे दिया गया उदाहरण एमसीसी एल्गोरिदम के साथ ग्राउंड रिटर्न को वर्गीकृत करता है और 1 मीटर रिज़ॉल्यूशन के साथ एक नंगे धरती डेम बनाता है।

#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

बेहतर तरीके से समझने के लिए कि पैमाने (एस) और वक्रता सीमा (टी) पैरामीटर कैसे काम करते हैं, पढ़ें: एमसीसी-लीवर को कैसे चलाएं और; इवांस और हुडक (2007)।

कमीशन / लेबलिंग त्रुटियों से बचने के लिए पैरामीटर को कैलिब्रेट करने की आवश्यकता होती है (जब एक बिंदु को जमीन से संबंधित के रूप में वर्गीकृत किया जाता है लेकिन वास्तव में यह वनस्पति या इमारतों से संबंधित है)। उदाहरण के लिए:

MCC-LIDAR जमीनी बिंदुओं को वर्गीकृत करने और नंगे-धरती DEM को उत्पन्न करने के लिए थिन प्लेट स्पलाइन (TPS) प्रक्षेप विधि का उपयोग करता है ।

---

_{संदर्भ:}

• _{इवांस, जेफरी एस।; हुडक, एंड्रयू टी। 2007। वनों के वातावरण में असतत वापसी LiDAR को वर्गीकृत करने के लिए एक बहु-विषयक वक्रता एल्गोरिथ्म । जिओसाइंस और सुदूर संवेदनशीलता पर आईईई लेनदेन। 45 (4): 1029-1038।}

_{ग्राउंड पॉइंट वर्गीकरण एल्गोरिदम के बारे में अधिक विकल्पों के लिए, मेंग एट अल देखें। (2010):}

• _{मेंग, एक्स।; क्यूरिट, एन।; झाओ, के। (2010)। एयरबोर्न LiDAR डेटा के लिए ग्राउंड फ़िल्टरिंग एल्गोरिदम: महत्वपूर्ण मुद्दों की समीक्षा । रिमोट सेंसिंग, 2 (3), 833–860। डोई: 10.3390 / rs2030833}

Comments

MCC लिडार अंकों की संख्या के साथ युद्ध करता है। यह अपर्याप्त मेमोरी कहती है, बड़ी पोस्ट रिक्ति की कोशिश करें। मैं एक 1m प्रारंभिक रिक्ति से 5 के ग्रिड रिक्ति पोस्ट करने की कोशिश की। मेरी स्मृति एक मजबूत कार्य केंद्र पर 96Gb है ताकि संभवतः समस्या न हो।

— user32307

@ user32307, इस पोस्ट को देखें , जो इसी समस्या की रिपोर्ट करती है। वहां का जवाब आपकी मदद कर सकता है।

— आंद्रे सिल्वा

Answer 2

मुझे लगता है कि LasTools आपकी आवश्यकताओं के अनुरूप हो सकते हैं, LASGround देखें । लाइसेंस क्या उपकरण के आधार पर थोड़ा अजीब है। उपकरण खरीद से पहले डाउनलोड और मूल्यांकन किया जा सकता है; यह भी उत्पाद अपेक्षाकृत सस्ती है।

Answer 3

मुझे FUSION's ( यहां मैनुअल ) ग्राउंडफिल्टर कमांड के साथ अच्छी किस्मत मिली है। मुझे 40 मिलियन अंक (अवर्गीकृत) से निपटने में कोई समस्या नहीं है, इसलिए 100 मिलियन के साथ इस मुद्दे की उम्मीद नहीं की जाएगी।

Answer 4

यह साधारण मॉर्फोलॉजिकल फ़िल्टर (SMRF) या प्रोग्रेसिव मॉर्फोलॉजिकल फ़िल्टर (PMF) एल्गोरिदम का उपयोग करके एक पैडल फिल्टर के साथ किया जा सकता है ।

शीघ्र

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

पीएमएफ का उपयोग करके 5 ग्राउंड यूनिट सेल आकार के साथ एक नंगे पृथ्वी संपीड़ित एलएएस फ़ाइल बनाता है। ( डॉक्स )

अधिक विवरण के लिए, ProgressiveMorphologicalFilter सेगमेंटेशन ट्यूटोरियल का उपयोग करके पहचान करने वाले ग्राउंड रिटर्न देखें ।

अधिक शामिल, SMRF का उपयोग करना

एक पाइपलाइन उदाहरण है कि:

• SMRF फ़िल्टर लागू होता है, cellआकार विकल्प को 2.0 (सिस्टम इकाइयों को समन्वित) और 0.75 सीमा तक बढ़ाता है
• केवल नव वर्गीकृत ग्राउंड पॉइंट का चयन करता है (जमीन के 2लिए LAS मानक मान है)
• एक असंपीड़ित LAS आउटपुट फ़ाइल के लिए चयन लिखता है (बस एक्सटेंशन को .laz के लिए संकुचित में बदलें)

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

JSON पैरामीटर फ़ाइल:

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

जमीन के ऊपर ही डालें

यह उदाहरण a) ग्राउंड / नॉट-ग्राउंड में वर्गीकृत करता है, b) "हाइट एबव ग्राउंड" विशेषता जोड़ता है, और ग) ग्राउंड के ऊपर केवल अंक 2.0 (समन्वय प्रणाली इकाइयों) का निर्यात करता है।

{
    "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"
        }
    ]
}

ब्रैड चेम्बर्स से अनुकूलित, https://lists.osgeo.org/pipermail/pdal/2017-July/b1313.html

Comments

मैंने पाया है कि कुछ संरचनात्मक वस्तु ज्यामिति (जैसे।, इमारतों) की अच्छी तरह से पहचान की जाती है, लेकिन रूपात्मक दृष्टिकोण वन क्षेत्रों में काफी खराब प्रदर्शन करते हैं, विशेष रूप से चर ढलानों के साथ। यदि लिडार डेटा को शहरी क्षेत्र में अधिग्रहित किया गया था, तो मैं निश्चित रूप से एमएफ की सिफारिश करूंगा, लेकिन अन्य एल्गोरिदम बहुत अधिक प्रभावी हैं जो विभिन्न भौतिक सेटिंग्स को देखते हैं।

— जेफरी इवांस

@JeffreyEvans क्या आप इस बात पर विस्तार से बता सकते हैं कि गैर-शहरी सेटिंग में आपको कौन से अन्य एल्गोरिदम बेहतर लगे हैं? (और शायद किस प्रकार के गैर-शहरी, जैसे वन, पहाड़ी, ...)

— मैट विल्की