Tạp chí
 
Năm 2022
 
Số 63, Kỳ 5, [10 - 2022]

Phương pháp phân lớp đámmây điểm LiDAR sử dụng độ cao và cường độ phản xạ của điểm

DOI:10.46326/JMES.2022.63(5).05

  • Cơ quan:

    1 Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
    2 Viện Công nghệ thông tin – VAST, Hà Nội, Việt Nam
    3 Trung tâm Hỗ trợ phát triển Khoa học kỹ thuật - HUMG, Hà Nội, Việt Nam
    4 Tổng cục Địa chất và Khoáng sản – MONRE, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 09-06-2022
  • Sửa xong: 29-09-2022
  • Chấp nhận: 04-10-2022
  • Ngày đăng: 31-10-2022
Trang: 48 - 57
Lượt xem: 3441
Xem onlineXem online
Lượt tải: 2116
Tải về PDF
★★★★★Yêu thích: 1.0, Số lượt: 211
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Dữ liệu thu nhận được từ LiDAR gồm nhiều thông tin có giá trị và được ứng dụng trong nhiều lĩnh vực khác nhau như trắc địa – bản đồ, khảo cổ, thông tin truyền thông,…. Đám mây điểm LiDAR chứa nhiều thông tin về đối tượng như độ cao điểm, cường độ phản xạ của điểm, khoảng cách danh nghĩa (Nominal Point Spacing - NPS), giá trị độ xám,… mỗi thông tin được sử dụng trong bài toán khác nhau để làm rõ hơn sự phân bố không gian ba chiều, phân bố bề mặt hay đặc trưng của địa hình, địa vật tại khu vực khảo sát. Trong bài báo, nhóm tác giả sử dụng thông tin độ cao và cường độ phản xạ, hai đặc trưng điển hình của dữ liệu LiDAR, để thực hiện bài toán phân lớp ứng dụng thành lập mô hình số độ cao (DEM), mô hình số bề mặt (DSM) và mô hình 3D để xác định sự phân bố của địa hình, địa vật tại khu vực thử nghiệm. Thông tin độ cao được nhóm tác giả sử dụng để tách nhóm điểm mặt đất (ground) và không mặt đất (non – ground). Giá trị cường độ phản xạ sẽ được sử dụng để tăng độ chính xác khi thực hiện phân loại điểm không mặt đất thành lớp thực vật, nhà cao tầng. Việc sử dụng cường độ phản xạ của điểm giúp tăng cường độ chính xác của các phương pháp xử lý hình học dựa trên độ cao điểm như trước đây. Với độ chính xác của bài toán phân lớp: đất (93,8%), công trình (91,0%) thực vật (93,7%), các mô hình được thành lập đã chỉ ra sự phân bố của bề mặt đáp ứng được yêu cầu của bài toán ứng dụng.

Trích dẫn
Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân, Phạm Hữu Lợi và Nguyễn Minh Thắng, 2022. Phương pháp phân lớp đámmây điểm LiDAR sử dụng độ cao và cường độ phản xạ của điểm, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 63, kỳ 5, tr. 48-57.
Tài liệu tham khảo

Dong, P., & Chen, Q. (2017). LiDAR remote sensing and applications. CRC Press.

ESRI, (2016). ArcGIS for Desktop. http://desktop.arcgis.com/en/arcmap/10.3/manage-data/las-dataset/what-is-lidar-data-.html.

Gao, Y., & Li, M. C., (2020). Airborne lidar point cloud classification based on multilevel point cluster features. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 1231-1237.

Geodetics, (2020). LiDAR intensity: What is it and What are it's application?. https://geodetics.com/lidar-intensity-applications/.

Jing, Z., Guan, H., Zhao, P., Li, D., Yu, Y., Zang, Y., ... & Li, J., (2021). Multispectral LiDAR point cloud classification using SE-PointNet++. Remote Sensing, 13(13), 2516.

Kalantari, B., (2013). The State of the Art of Voronoi Diagram Research. Transactions on Computational Science XX, 1-4.

Lin, C. C., Mao, W. L., & Hu, T. L., (2020). Point Cloud Registration Using Intensity Features. Sensors and Materials, 32(7), 2355-2364.

Lin, K. F., Wang, C. P., & Sui, P. H., (2012). Object-Based Classification for LiDAR Point Cloud. Sematicscholars. https://pdfs. semanticscholar. org/ea05/a9 226252f933470a88fa73a3150802ad08e3. pdf.

Neonscience, (2020). The Basic of LiDAR. https://www.neonscience.org/resources/learning-hub/tutorials/lidar-basics.

Pokojski, W., & Pokojska, P., (2018). Voronoi diagrams–inventor, method, applications. Polish Cartographical Review, 50(3), 141-150.

Rodríguez-Cuenca, B., García-Cortés, S., Ordóñez, C., & Alonso, M. C., (2015). Automatic detection and classification of pole-like objects in urban point cloud data using an anomaly detection algorithm. Remote Sensing, 7(10), 12680-12703.

Rodriguez-Perez, R., Vogt, M., & Bajorath, J., (2017). Support vector machine classification and regression prioritize different structural features for binary compound activity and potency value prediction. ACS omega, 2(10), 6371-6379.

Vladutescu, V., (2018). Lidar system and working principles. Application in atmospheric monitoring, surveillance and metrology. New York City College of Technology. New York.

Yunfei, B., Guoping, L., Chunxiang, C., Xiaowen, L., Hao, Z., Qisheng, H., ... & Chaoyi, C., (2008). Classification of LIDAR point cloud and generation of DTM from LIDAR height and intensity data in forested area. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(7), 313-318.

Wasser, L. A., (2020). The Basics of LiDAR-Light Detection and Ranging-Remote Sensing| NSF NEON| Open Data to Understand our Ecosystems.

Các bài báo khác