Кратко и по существу — сравнение, какие данные/метрики учитывать и как их комбинировать для оптимальной модели местности речной поймы с густой растительностью и переменным рельефом.
1) Ключевые отличия и практические последствия
- LiDAR (аэролидарная):
- Проникает сквозь крону за счёт многократных импульсов → лучшее извлечение «ground returns» под растительностью.
- Дает облако точек с известной геометрией (интенсивность, число возвратов) → надёжная DTM (bare-earth).
- Менее зависим от освещённости/текстуры поверхности; лучше для переменного рельефа и микротопографии.
- Минусы: дороже, тяжелее оборудование, в водных/бурых условиях нужен специализированный (бавтийметрический) лазер для воды.
- Фотограмметрия (UAV / авиa, SfM):
- Получает высокоразрешённые DSM и ортопланы (RGB / мультиспектр). Очень хороша для текстуры, растительных индексов (NDVI) и визуализации.
- Под густой растительностью обычно фиксирует крону → DSM, а не DTM; извлечение земли под плотной кроной зачастую невозможен.
- Чувствительна к GSD/перекрытию, лиственному состоянию (leaf‑off лучше), условиям освещения.
2) Важные метрики и параметры при выборе
- Плотность точек: $pd$ в точках/м${}^2$.
- Рекомендуемые цели: LiDAR для детальной DTM: $pd\gtrsim 8-20$ pts/m${}^2$ (для микрорельефа лучше ближе к $>20$). Для грубой DTM достаточно $3-8$ pts/m${}^2$.
- SfM: плотность точек зависит от GSD и структуры сцены; плотность в корпусе кроны может быть высока, под кроной низкая/отсутствует.
- Разрешение/плотность растров: фотограмметрия GSD: целиться в $<5$ см для детальной DSM; для картографирования менее строго — $10-20$ см.
- Вертикальная точность: RMSE по высоте $RMS{E}_z$. Формула:
$$RMS{E}_z=\sqrt{\frac{1}{n}\sum _{i=1}^n(z_i-z_{i,ref}{)}^2}$$ и средняя абсолютная ошибка $MAE=\frac{1}{n}\sum |z_i-z_{i,ref}|$.
- Процент «ground returns» у LiDAR — важен для плотной растительности (чем выше %, тем легче классифицировать землю).
- Сезонность: leaf‑off для лучшей видимости земли; если невозможен — LiDAR предпочтительнее.
- Доп. данные: наличие GCP/RTK‑/PPK‑позиционирования, мультиспектральные каналы (для масок растительности), интенсивность LiDAR (помогает классификации).
3) Рекомендации по сбору данных
- LiDAR:
- Цель: обеспечить достаточную плотность «ground returns» (см. выше). Настройки: маленький скан‑угол, многократные проходы по сложному рельефу.
- Если требуется картирование мелководья — использовать bathymetric LiDAR или дополнительные гидрограф. измерения.
- Фотограмметрия:
- Перекрытие: продольное ~$80\%$, поперечное ~$60-70\%$ (при сложных сценах — увеличить).
- Летать при низком ветерe, лучше leaf‑off, низкий солнечный бликующий эффект.
- GCP/контрольные точки RTK/PPK для улучшения вертикальной точности.
4) Как комбинировать LiDAR и фотограмметрию (workflow)
- 1) Геопривязка/сверка: точная ко-регистрация наборов (GCP/RTK + ICP при облаках точек).
- 2) Построение DTM:
- Классифицировать LiDAR и взять класс ground → первоначальная DTM (наиболее надёжная основа).
- Применять фильтры: CSF, progressive TIN densification или многомасштабные морфологические фильтры для удаления вегетации/объектов.
- 3) Использовать фотограмметрию для:
- Высокодетализированного DSM и ортоплана/мультиспектральных карт.
- Получения цветовой информации для колоризации LiDAR‑точек.
- Выявления и маскировки плотной растительности через индексы (NDVI) — определить области, где фотограмметрия не даст ground.
- 4) Заполнение пробелов и верификация:
- В областях, где LiDAR ground‑точек мало или отсутствуют, и фотограмметрия дает возможные кандидаты на землю (например leaf‑off плечи, открытые участки) — дополнить DTM фотограмметрическими точками после проверки (фильтрация по наклону, кривизне, логике гидрологии).
- Слияние: использовать иерархию источников (приоритет LiDAR для ground, фотограмметрия для DSM/текстур/заполнения пробелов).
- Для интерполяции/слияния применять взвешенное среднее/ткaнинование TIN/кригинг с учётом локальной плотности и доверия источника.
- 5) Создание конечных продуктов:
- DTM (bare-earth) — преимущественно LiDAR‑основанный.
- DSM — фотограмметрия (или сочетаемый LiDAR поверх/строения).
- Canopy Height Model (CHM) = DSM − DTM (для анализа растительности).
- Ортоплан и мультиспектральные слои для растительных масок.
5) Метрики качества итоговой модели (контроль)
- Вертикальная точность: $RMS{E}_z$, $MAE$, смещение (bias).
- Полнота/покрытие (%) ground точек.
- Сравнение поперечных профилей рельефа и гидрологических линий.
- Карта различий между источниками (референс vs модель).
- Валидировать на независимых нивелирных/RTK точках.
6) Практические рекомендации и выбор
- Если задача — точная DTM под густой растительностью и сложным рельефом → LiDAR приоритетно.
- Если бюджет ограничен и/или нужен высокий пространственный цвет/мультиспектр → фотограмметрия + детальная планировка полётов; для DTM в густой кроне её будет недостаточно.
- Оптимально: комбинировать — LiDAR для DTM, фотограмметрия для DSM/текстур/вегетационных индексов; слияние по описанному workflow даёт лучшую модель рельефа и дополнительные аналитические слои (CHM, NDVI).
Если нужно — могу дать пример конкретных целевых значений параметров (плотность LiDAR, GSD, перекрытие, пример алгоритмов фильтрации и параметры их настройки) под ваш бюджет/задачу.