Кратко — основная разница: фотограмметрия строит подробную поверхность, видимую с воздуха $DSM$, а авиалидар даёт лазерные измерения точек, в том числе $частично$ под кроной, что делает его предпочтительным для DTM $моделирельефа$ в лесах. Ниже — подробное сравнение, практические ограничения и рекомендации по объединению данных.

1) Преимущества и ограничения

Фотограмметрия $SfM/MVS,воздушнаяилиUAV$

Преимущества:
Высокая плотность точек на поверхности $прималомGSD—сотниточек/{м}^2$.Дешевле для мелких и средних площадей $особенноUAV$.Высокое разрешение ортофото и текстуры $важнодлякартографии,оценкисостояниякронибиомассы$.Простота оборудования $RGB/мультиспектральнаякамера$.Ограничения:
Не видит землю под плотной кроной — точки земли отсутствуют там, где нет прямой видимости.Проблемы в однообразной текстуре $тень,однотоннаялиства$, в плохом освещении и при ветре $движениелиствыдаётошибкисовпадения$.Вертикальная точность зависит от GSD и геопривязки $GCP/RTK$. Правило практики: ПОГРЕШНОСТЬ по высоте ~ 1–3 GSD при хорошей калибровке и GCP.В листве $leaf-on$ качество DTM резко падает.

Airborne LiDAR

Преимущества:
Множественные возвраты и малые отпечатки лазерного импульса позволяют частично «просвечивать» крону и получать точки земли под деревьями.Хорошая вертикальная точность точек рельефа $типичноRMSz5–20смдлякачественныхкампаний$.Надёжная классификация точек $ground/vegetation$ и DTM даже при плотной листве $взависимостиотплотностиимпульсов$.Работает независимо от видимости текстуры, меньше чувствителен к погоде $кромесильноготумана/осадков$.Ограничения:
Стоимость $обычнодорожезак{м}^2,особенновысокоплотныеобзоры$.Меньшая плотность точек на кронах по сравнению с UAV-фотограмметрией $хотясовременныесканерыдаютдесяткиточек/{м}^2$.Требует калибровки, GNSS/INS и последующей обработки $калибровканаклонов,сканирования$.В очень плотной и влажной листве проникновение снижается.

2) Параметры качества и типичные значения

Плотность лазерных точек $airborneLiDAR$: от ~2–4 pts/m² $базовыйзенитныйLiDAR$ до 10–20+ pts/m² $высокаяплотность$. Для детальной DTM в лесу рекомендуется ≥6–8 pts/m², лучше 10+ для надёжного восстановления микрорельефа.Плотность фотограмметрической точки $UAV$: десятки–сотни pts/m² $зависитотGSDиперекрытия$. Но плотность ground-точек низкая в плотной кроне.Вертикальная точность LiDAR DTM: типично 0.05–0.15 м $длявысококачественныхкампаний$.Вертикальная точность фотограмметрического DTM/DSM: сильно варьируется; DSM/ортофото высокодетализированы, но DTM точен только там, где видна земля — RMSE высот ≈ 0.05–0.5 м в зависимости от GSD и контроля.

3) Когда выбирать что

Плотный лес, цель — DTM рельефа $ринговыеформы,эрозия,гидрология$: предпочесть LiDAR.Оценка кроны, структура леса, фрагментарная инвентаризация, высоко‑разрешённые ортофотопланы: фотограмметрия/UAV.Бюджет ограничен и лес редкий или листопадное время доступно $leaf-off$: фотограмметрия может быть достаточной.Крупные площади + необходимость качественного DTM под кроной: LiDAR.

4) Комбинирование данных — общие подходы и рекомендации
Цель: получить оптимальную плотность точек и точность высот, используя сильные стороны обоих методов.

Стратегия «LiDAR как базис DTM + фотограмметрия для детализации DSM/ортофото»

Используйте LiDAR для получения надежных ground-точек и первичной DTM.Используйте фотограмметрический DSM $высокоеразрешение$ для детальных поверхностных признаков $крыши,ветви,мхи,постройки$.При визуализации/анализе можно «слоить» данные: DTM из LiDAR + DSM из фотограмметрии для моделирования наложенных поверхностей или расчёта объёмов биомассы.

Слияние точечных облаков

Выровнять облака $ко-регистрация$ через GCP или методом ICP; обеспечить одинаковую систему координат и единицы.Оставлять LiDAR-ground как источник истины для рельефа; дополнять фотограмметрические точки в местах, где LiDAR промахнулся $например,заросликустарниканаоткрытыхучастках$.При преобразовании в регулярную сетку $изовысот$: использовать весовую интерполяцию — точки LiDAR для ground-высот иметь больший вес для низких возвратов; фотограмметрию использовать только там, где нет LiDAR-ground или для DSM.

Использовать LiDAR для улучшения классификации фотограмметрических облаков

LiDAR-ground можно использовать как «подложку» или обучающую выборку для классификатора $ML$ на фотограмметрическом облаке, чтобы отделить поверхность от вегетации.Пример: тренировать модель, которая распознаёт признаки ground в RGB/структурном облаке там, где LiDAR указал ground, затем применять на местах без LiDAR.

Специальные приёмы для повышения плотности ground-точек

Если LiDAR плотность низкая, а фотограмметрия даёт высокую плотность DSM в промежутках между деревьями, можно:Создать DTM из LiDAR, затем «подправить» мелкие участки фотограмметрическими точками, прошедшими фильтр качества и проверку на то, что они действительно относятся к земле $используяклассификацию,спектральныепризнаки,мультиспектр$.Применять морфологические фильтры и пороговые правила для исключения фотограмметрических «ложных» ground-очек $ветки,мусор$.

5) Практические советы по съёмке и обработке

Планирование полёта:
Для фотограмметрии: высокое перекрытие $поперечное60–80$, наличие облетов с наклонными снимками $oblique$ для лучшей реконструкции стволов и подлеска.Для LiDAR: проектировать плотность импульсов исходя из цели $DTMвлесу—целевые\ge 6–10pts/m^2$.Сезонность: для фотограмметрии предпочтителен leaf-off для лучшей видимости земли; LiDAR может выполняться leaf-on, но leaf-off ещё лучше для проникновения.Геопривязка:
Общие GCP/контрольные точки для обоих типов съёмок — критически важно для качественной интеграции.Используйте RTK/PPK на UAV-камерах, но LiDAR часто опирается на GNSS/INS; всё равно полезны наземные контрольные точки для вертикальной привязки.Качество данных:
Обрабатывать шум: в фотограмметрии — удалить «плавающие» артефакты из листьев; в LiDAR — фильтрация баговых возвратов, отклонённых сканов.Для DTM применяйте зарекомендованные алгоритмы ground-отсевa для LiDAR $ProgressiveTIN,PMF,CSF$, а для фотограмметрии — алгоритмы классификации, обученные на местных условиях.Валидация:
Контрольные точки $checkpoints$ на земле для оценки вертикальной RMSE и обнаружения смещений между облаками.Выполняйте сравнительный анализ: разности моделей $DEMdiff$ чтобы выявить систематические ошибки.

6) Примеры рабочих сценариев и рекомендации

Плотный смешанный лес, цель — гидрологический DTM для моделирования стока: LiDAR $\ge 8–10pts/m^2$, optional: фотограмметрия для ортофото.Небольшой участок для оценки кроны / дефектов деревьев: UAV-фотограмметрия $GSD2–5см$, проводить leaf-on для кроны, leaf-off если нужен DTM.Комбинированная кампания $рекомендация$: выполнить LiDAR как базовую кампанию $основнойDTM$ и фотограмметрию в высоком разрешении для ортофото/крон; совмещать по общим GCP, использовать LiDAR-ground как опору для фильтрации фотопоинтов.

7) Ограничения и риски при комбинировании

Неправильная ко-регистрация ведёт к артефактам $ступенчатостьрельефа$.Автоматическая замена LiDAR-ground фотопоинтами может ухудшить DTM, если фотопоинты не являются настоящими ground-замерами.Разные времена съёмки $сезонность,сменаслояснега$ дают реальные изменения рельефа/покрытия — учесть при интерпретации.

Вывод / краткая инструкция

Для достоверного DTM в лесистой местности первичный выбор — LiDAR $особенноприплотнойкроне$. Фотограмметрия дополняет детализацией DSM, ортофотопланами и плотной информацией по кроне.Планируйте совместную съёмку с общими GCP; используйте LiDAR-ground как «источник истины» для рельефа и осторожно дополняйте/обогащайте модель фотограмметрическими данными там, где это оправдано $открытыеучастки,мелкиедеталинаповерхности$.Для достижения оптимальной плотности/точности: целитесь в LiDAR ≥6–10 pts/m² + фотограмметрия с GSD 3–5 см $еслинужныдетальныеорто/кроновыеданные$, корректная ко-регистрация и валидация по наземным контрольным точкам.

Если нужно, могу:

подобрать примерные параметры полёта $высота,перекрытие,скорость$ для ваших конкретных целей и площади;описать конкретный рабочий процесс с командами/ПО $LAStools,PDAL,CloudCompare,AgisoftMetashape,Pix4Dит.п.$ для слияния и фильтрации облаков.