Факторы, приведшие к большим шумам и «провалам» в БПЛА‑облаке по сравнению с авиасъёмкой, и рекомендуемые методы постобработки и валидации.
Причины (кратко, с объяснениями)
- Высота полёта и разрешение:
- Меньшая высота БПЛА даёт высокую плотность и мелкий GSD, но увеличивает чувствительность к ошибкам ориентации, паразитной вибрации и локальным смещениям. Формула GSD: $$GSD=\frac{H\cdot s}{f}$$ где $H$ — высота, $s$ — размер пикселя матрицы, $f$ — фокусное расстояние.
- Угол съёмки и покрытие (надир/косые кадры):
- Неполные/однотипные углы приводят к плохой закладке текстур и ошибкам построения МВСР; слишком косые кадры создают тени и завышают высоты крон, затрудняя доступ к грунту.
- Плотность крон и характер растительности:
- Густая крона и лиственная фаза (leaf‑on) блокируют визуальную информацию о грунте; фотограмметрия чаще не получает "пробивных" точек, а LiDAR мелкого уровня/бюджетный LiDAR БПЛА даёт меньше возвратов от грунта.
- Датчики и платформа:
- Камеры с rolling shutter, слабая геокалибровка (без GCP/PPK), низкая стабилизация — больше шума и локальных искажений.
- Алгоритмы построения/фильтрации:
- Автоматическая фильтрация МВСР может неправильно классифицировать низкие точки как шум; недостаточно жёсткие/адаптивные фильтры дают «провалы» в DTM.
Методы постобработки (пошагово, практично)
1. Сопоставление/сшивка наборов данных
- Жёсткая и тонкая привязка (GCP/PPK), затем чек и корректировка с помощью ICP/affine для совмещения БПЛА и аэросъёмки.
2. Очистка шумов
- Статистическое отбрасывание выбросов (Statistical Outlier Removal) и фильтр по нормалям/curvature.
3. Классификация точек (ground / non‑ground)
- Использовать комбинированные подходы: Progressive Morphological Filter (PMF), Progressive TIN Densification (PDAL/LAStools), Cloth Simulation Filter (CSF). Подбирать параметры, привязанные к локальной плотности точек (порог слоя/шаг морфологии = k·mean_spacing).
4. Удаление «провалов» и заполнение пробелов
- Локальное интерполирование: TIN‑delaunay для участков с хорошими ground‑точками; в больших пропусках — многомасштабное сглаживание + аппроксимация (IDW/ordinary kriging с локальной адаптацией).
- Избегать агрессивного сглаживания, которое убирает мелкую топографию, важную для гидрологии.
5. Гидрологическая постобработка (обязательна для гидромоделей)
- Генерация депрессий: предпочитать методы с «carving/stream burning» или ANUDEM/TopoToolbox‑подходы для сохранения стока.
- "Hydrologically conditioned DEM": вырезать/вжечь реальное положение русел (из аэросъёмки/высококачественного LiDAR).
6. Многомодельное объединение (fusion)
- Если есть авиа‑LiDAR с лучшей проходимостью к грунту — использовать его как опорный DTM, а БПЛА‑DSM для детализации крон/мелкой рельефной структуры; сливать через весовой blending или заменять грунтовые области по качеству.
7. Улучшения фотограмметрии на этапе съёмки (если возможны повторы)
- Увеличить перекрытие (frontlap ≥ 80%, sidelap ≥ 70%), добавить обlique кадры разной ориентации и лететь в leaf‑off сезон (для лиственных лесов), использовать глобальный затвор и PPK/RTK.
Рекомендуемые алгоритмы/инструменты
- Классификация ground: LAStools (lasground_new), PDAL (filters.smrf), CSF, SAGA/GRASS инструменты, LASTools Progressive TIN.
- Очистка: PDAL (filters.outlier), CloudCompare (SOR), Meshlab.
- Интерполяция и гидрологическая кондиционизация: TIN, ANUDEM, TauDEM/SAGA (FillSinks), TopoToolbox.
- Машинное обучение: Random Forest / CNN на вокселях/кластерах для отделения ветвления/листвы при сложных массивах.
Валидация (метрики и процедуры)
- Вертикальная точность против опорных точек RTK/наземных нивелиров: вычислить
$$RMSE=\sqrt{\frac{1}{n}\sum _{i=1}^n(z_i-z_i^{ref}{)}^2},MAE=\frac{1}{n}\sum _{i=1}^n|z_i-z_i^{ref}|$$ и распределение ошибок по классам покрытия (открытые местности, под кроной, под кустарником).
- Статистика по плотности и coverage: среднее расстояние между точками, % ячеек без ground‑точек на заданной сетке.
- Гидрологическая валидация:
- Сравнить извлечённые сети стока (flow accumulation / stream network) с реальными/референсными руслами (расстояние до реки, совпадение узлов).
- Прогнать контрольную модель стока/плоского заполнения и сравнить ключевые показатели (напр., направление потока, положение пикового накопления).
- Кросс‑валидация с аэросъёмкой: разности DEM (delta‑DEM) и карта ошибок; локализовать систематические смещения.
- Визуальные и профильные тесты: продольные/поперечные разрезы через трассы/ручьи; hillshade и curvature для выявления артефактов.
Практические рекомендации (коротко)
- Для лесистой местности: пойти на компромисс — собрать обширные обlique и надир кадры, использовать leaf‑off если возможно, применять адаптивные фильтры (CSF/PMF с параметрами, зависящими от плотности точек) и гидрологически кондиционировать итоговый DTM; валидация с RTK‑точками и сравнением сетей стока обязательна.
- Там, где есть аэросъёмка/LiDAR с нормальными ground‑возвратами — использовать её как основу DTM, БПЛА — для детализации и проверки изменений.
Если нужно, могу предложить конкретные параметры фильтров (CSF PMF, SMRF) для ваших данных — укажите плотность точек, среднюю высоту полёта и тип датчика.