Коротко: причины ошибок — открытые пробелы в матрице обзора $недостатоквидовподкронами$, сильные тени и низкая текстурность подлеска, а также геометрические и геодезические погрешности $малаяплотность/неравномерностьGCP/ошибкипозиционирования$. Чтобы снизить погрешности высот при съёмке лесистой горной местности, рекомендую комплекс мер по планированию полёта, контролю качества съёмки и настройке алгоритмов обработки.

1) Планирование полёта $цель—увеличитьчислонезависимыхугловобзораиуменьшитьвлияниетеней$

Увеличьте перекрытие: фронтальный overlap 80–90%, боковой 60–80% $вкрутомрельефе—ближек85/75$. Комбинируйте надиральные и уклонные/наклонные кадры: добавьте 2–4 ряда с креном 20–45° по нескольким направлениям $независимыепроходысразнымикурсамироторногоНПА$. Облеты под разными азимутами дают шанс «увидеть» землю под кронами. Делайте кросс-проходы $пересекающиесянаправления$ — особенно вдоль и поперёк склона. Летайте ниже, если безопасно — уменьшение высоты улучшит GSD и вероятность детектирования мелких признаков $целевыеGSD2–5смдляплотнойкроновидности,есливозможно$. Время суток/освещение: выбирайте мягкое равномерное освещение $пасмурнаяпогода$ или времена с минимальными контрастными тенями; в горах лучше избегать низкого солнца, вызывающего глубокие тени в руслах. По возможности снимайте в разные дни/времена, чтобы заполнить пробелы. Съёмка в листопад/снежный период: для лиственных пород — проводить съёмку в листопад/раннюю весну без листвы или при снежном покрове, когда видимость земли значительно лучше. Обеспечьте надёжную геопозицию: RTK/PPK для камер или плотные GCP $см.ниже$.

2) Геодезическое обеспечение и валидация

GCP: минимум 5–10 GCP равномерно по площади, обязательно в разных абсолютных высотных зонах $вершины,склоны,долины$. Где нет просматриваемых площадок, ставьте таргеты в маленьких вырубках/просеках или используйте временные стойки. Контрольные точки $checkpoints$ в местах с разной степенью покрытия: использовать для оценки RMSE по открытым/закрытым участкам. Используйте PPK/RTK съёмку камеры: это снижает геометрическую неопределённость и помогает алгоритму правильно привязывать облако. Фотография GCP в формате RAW и привязка всех фотозаписей к времени/позиции $синхронизация$.

3) Настройки съёмки и камеры

Снимайте в RAW, фиксируйте экспозицию $илиуправляйтевручную$ чтобы не было переэкспонированных/просадочных участков; можно использовать экспокоррекцию и/или брекетинг + HDR слиянние для сокращения областей полной тени. Низкий ISO, короткая выдержка $чтобынеразмыватьдетали$. Баланс диафрагмы для приемлемой резкости по полю $зависитотобъектива$. Делайте больше кадров $вплотнойкроне—“переизбыточность”помогает$.

4) Алгоритмы построения и параметры обработки $SfM/MVSипоследующаяклассификация$

Связующие точки $tiepoints$: увеличьте количество искомых ключевых точек и снизьте пороги фильтрации на стадии feature matching $нофильтруйтесильныевыбросыпорепроэкционнойошибке$. Используйте SIFT/AKAZE/RootSIFT-подобные детекторы, устойчивые к текстуре леса. Bundle adjustment: применяйте робастные весовые функции $Huber$ и PPK/RTK/GCP как жёсткие или полужёсткие ограничения. Dense matching $MVS$: используйте алгоритмы с multi-view/patch-based подходом $PatchMatchMVS,OpenMVS,SURE$, и выставляйте многоуровневое $multi-scale$ сопоставление. В настройках плотного облака:
Уменьшите агрессивную фильтрацию глубины $чтобыне«сжать»землюподкроной$, либо сначала делайте мягкую фильтрацию, а затем более тонкую классификацию.Подберите поддерживающее значение минимальной согласованности $consistency$ — не слишком высокое, чтобы сохранить редкие видимости земли, но фильтруйте одиночные шумные точки. Используйте многокадровые $multi-view$ совпадения, а не только парные стерео — чем больше независимых углов, тем лучше восстановление скрытых поверхностей. Эквализация радиометрии: примените радиометрическую нормализацию/баланс между кадрами, фильтрацию шумов и, при необходимости, коррекцию экспозиции $особенноприHDR/брекетинге$. Это повышает шансы на сопоставление под тенями. Пост-обработка облака:
Фильтрация выбросов: удаление «висящих» точек и кластерная фильтрация $minpointspercluster$. Классификация ground/vegetation/buildings: применяйте алгоритмы, ориентированные на высокую кривизну/штриховость рельефа: Cloth Simulation Filter $CSF$, Progressive Morphological Filter $PMF$, TIN-based progressive densification. Для каменистых склонов комбинируйте методы и контролируйте вручную в критичных участках. При необходимости используйте машинное обучение $RandomForest,GradientBoosting,CNN-сегментация$ на признаках RGB/NDVI/текстуре/высоте, чтобы отделить крону от грунта. Генерация DTM: не делать прямую морфологическую фильтрацию DSM; сначала классифицируйте плотное облако/высотные точки как земля, затем строите TIN с контролируемой интерполяцией по склону. В крутых зонах повышайте плотность точек и вручную корректируйте ломанные линии/контуры. Используйте дополнительные метрики качества, которые дают MVS-движки: карты неопределённости, confidence maps, reprojection errors — фильтруйте по ним.

5) Проверка/валидация на выходе

Контроль RMSE по контрольным точкам: оценивать отдельно для открытых/заполненных кроной участков. Профили и поперечники по трансекам: сравнивайте высоты по известным опорным профилям $дороги,ручьи,площадки$. Визуализация несоответствий $heatmapошибок,точечныеграфикиповысоте/углу/озеленению$. Сравнение DSM/DTM с независимыми данными $еслиестьLiDAR,топографическиекарты$ — это лучший способ оценить недоступность фотограмметрии в плотной кроне.

6) Альтернативы и дополнительные источники данных

UAV-LiDAR $лучшийвариантдляпроникновениясквозькрону$ — если бюджет позволяет, сочетание фотограмметрии и LiDAR даёт DTM высокой точности и нормальную текстуру. Комбинация с наземными измерениями $терминальныепрофилиилиTLS$ в ключевых точках для калибровки/валидации. Мультивременная съёмка $несколькосезонов/дней$ — объединение облаков может закрыть пробелы.

7) Практические численные рекомендации $сводка$

Overlap: фронт 80–90%, бок 60–80% $вгорах—выше$. Наклонные кадры: 20–45° по нескольким азимутам. GSD: по возможности 2–5 см $дляплотнойкроны$. GCP: ≥5–10 штук, распределены по высотам и аспектам; контрольные точки отдельно. ПPK/RTK: рекомендовано для снижения систематики. Dense cloud: фильтрация — мягкая/medium при генерации, более жёсткая — при классификации; используйте per-point confidence. DTM-методы: CSF/PMF/TIN с ручной корректировкой в сложных местах.

Короткий чеклист $приоритеты$

Повысьте перекрытие и добавьте наклонные/кросс-проходы. Используйте RTK/PPK и качественные GCP, разместите контрольные точки в разных высотных зонах. Летайте при минимальных контрастных тенях или в листопад/снег $есливозможно$. Настройте MVS на multi-view, мягкую фильтрацию и примените специализированные DTM-классификаторы $CSF/PMF/TIN$. Если требуется точный DTM под кроной — рассмотрите UAV-LiDAR или комбинированную съёмку.

Если хотите, могу:

предложить конкретные параметры для вашего ПО $AgisoftMetashape,Pix4D,MicMacит.п.$, или помочь рассчитать количество GCP и места их размещения по вашей площадке $пришлитекарту/координатыипримерныйрельеф$.