Краткий практический подход и ожидаемые сложности.
Подход (рабочий пайплайн)
- Подготовка и согласование систем координат: привести все данные к одной СК и высотной системе (WGS/UTM / локальная высота) с проверкой GCP/RTK.
- Предобработка по источникам:
- LiDAR: фильтрация шумов, классификация возвратов (ground/vegetation/first/last), удалить выбросы.
- Фотограмметрия (UAV/аэрофото): построить плотную точечную облако/DSM и расчистить по маскам облаков/теней; пометить неопределённые участки (шум, всплески высот).
- Наземные/терраданные (TLS, GNSS-профили): высокоточные контрольные точки и локальные дополнительные участки детальной съёмки.
- Ко-регистрация облаков: сначала глобальная гео-привязка по GCP/точкам, затем локальная стыковка ICP/RANSAC по пересекающимся участкам; оценить и убрать системные смещения по высоте.
- Классификация поверхности: использовать алгоритмы фильтрации земли (CSF, PMF, progressive TIN) на LiDAR; на фотограмметрии применять морфологические и нормальные методы для выделения потенциальной почвы (подсветка теней/шума учитывается).
- Сшивка/слияние данных в DTM:
- Приоритет для поверхности земли: там, где есть качественные LiDAR-ground-пойнты, формировать DTM из LiDAR (там обычно лучше проникновение под крону).
- В зонах, где LiDAR-ground нет или малоточный, использовать скорректированные фотограмметрические точки/DSM после удаления надземных объектов.
- В переходных зонах применить по-пространственное сглаживание/взвешивание (blend): например, объединять высоты по формуле взвешенного среднего $z_{fused}=\frac{{\sum }_i{w}_i{z}_i}{{\sum }_i{w}_i}$, где веса $w_i$ зависят от оценки погрешности/плотности источника (чем меньше дисперсия — тем больший вес): $w_i\propto \frac{1}{{\sigma }_i^2}$.
- Оценка погрешности итоговой модели: ${\sigma }_{fused}^2=\frac{1}{{\sum }_{i}1/{\sigma }_i^2}$ для независимых источников с известными дисперсиями.
- Постобработка: удаление небольших артефактов, заполнение отверстий интерполяцией (TIN/kriging) с учётом локальной топографии, валидация по TLS/GCP.
Методы сшивки/интерполяции
- TIN-подход: строить триангуляцию по наиболее надёжным точкам (обычно LiDAR-ground), дополнять вторичными точками фотограмметрии.
- Кригинг/сплайны: полезны для гладких фотометрических областей, но требуют модели ковариации.
- Воксель/рунжирование: для объединения разнородных плотностей точек при последующей фильтрации по нормалям и плотности.
- ML/Deep Learning: сегментация растительности/земли в объединённом облаке для автоматической классификации в сложных условиях.
Ожидаемые сложности и способы их смягчения
- Закрытие почвы кроной: фотограмметрия даёт верхушки кроны, не грунт — LiDAR лучше, но при плотной кроне даже LiDAR может не дать достаточного количества ground-возвратов. Мягчение: увеличить плотность ALS или добавить TLS/проходы под кроной; использовать last-return и мультипульсный анализ.
- Различная плотность и точность точечных облаков: приводит к петлям и «швам» при сшивке. Мягчение: взвешивание по локальной плотности/оценке σ, регуляризация переходов (градиентное сглаживание).
- Системные вертикальные смещения (бэгги, разная высотная привязка): устранить через GCP/совместные привязочные точки и локальную коррекцию высоты (пистон/наклон).
- Временные изменения (вегетация, сезонность): данные разных дат — реальные изменения поверхности (опавшая листва, вырубки) дают несоответствия. Решение: использовать синхронные съёмки или маркировать и исключать изменённые участки.
- Тени, зеркальные поверхности и шум фотограмметрии: приводят к выбросам DSM. Решение: фильтрация шумов, использование радиометрической маски, контроль качества точек (reconstruction uncertainty).
- Различия в представлении объектов (вертикальные структуры, мосты, стволы деревьев): требуют согласованной классификации и правил при генерации DTM (что считать землёй, что — объектом).
- Большие объёмы данных и вычислительная нагрузка: разбивка по тайлам, потоковая обработка, использование PDAL/LAStools/CloudCompare и кластерных вычислений.
Короткие рекомендации
- Делайте качественные GCP/RTK-замеры и TLS для валидации.
- В приоритете для DTM — корректно классифицированные LiDAR-ground; фотограмметрию использовать для заполнения пробелов и детализации надземной поверхности.
- Взвешивайте источники по локальной плотности/σ и используйте плавные переходы между зонами, чтобы избежать швов.
- Включите этап валидации по независимым наземным точкам и оценку локальной погрешности.
Если нужно — могу предложить пример конкретного пайплайна с командами PDAL/LAStools/CloudCompare или пример формулы для локального весового смешивания с учётом плотности.