地形起伏度最佳分析区域预测模型

地形起伏度指分析区域内最高点和最低点之差,反映宏观区域内地形的起伏特征,是描述地貌形态的定量指标。确定最佳分析区域是地形起伏度提取算法的核心步骤,以及决定地形起伏度提取结果有效性的关键。本文以全国范围内随机选取的78个实验区域、三种不同尺度的DEM数据作为实验对象,分别进行系列分析区域尺度的地形起伏度计算,建立了基于微观地形特征因子的地形起伏度最佳分析区域预测模型。实验表明：相同区域、不同尺度的DEM数据提取的地形起伏度存在差异,DEM尺度相差较小时,地形起伏度的差异也较小;地形起伏度和实验区域的最大高程、区域高差、平均坡度和平均坡度变率等地形特征因子存在强相关关系;当置信水平为0.05时,预测模型拟合参数的准确率达到95%以上,证明预测模型可以有效地确定最佳分析区域的取值范围。     

一种顾及地形复杂度的LiDAR点云多尺度滤波方法

针对复杂地形区域的机载LiDAR数据滤波方法中自适应阈值设置问题,根据地形多尺度效应,提出一种自适应阈值的机载LiDAR点云多尺度滤波方法。该方法采用影像金字塔策略按分辨率从高至低逐级构建LiDAR点云分层格网,滤波过程则从最大尺度格网(顶层格网,最低分辨率)开始,采用局部统计分析的方法自适应地确定高差阈值,同时结合薄板样条内插出下层各格网控制点的高程值,直至最底层格网完成原始激光点云滤波。通过我国某山区城市复杂地形的LiDAR数据实验表明顾及地形复杂度的LiDAR点云多尺度滤波方法能够快速有效地提取高精度DEM,能够满足实际生产需求。     

利用DEM平均值滤波法的月表线性构造信息提取

针对国内外仅利用DEM数据对月表典型线性结构的提取还未有成熟方法的问题,该文提出了平均值滤波法。该方法以月表典型线性构造高程的特殊性为重点,根据线性构造与周围地形在高程上的明显差异,在区域坡度的限制下,使用DEM数据的平均高程值对原始数据进行多次滤波,以逐渐逼近月表构造的真实形态。该实验结果表明:平均值滤波法提取得到的线性结构轮廓清晰,形态真实;适用于月表线性构造存在的大部分区域;识别敏感度高,可弥补人眼识别的缺陷;提取效率高,区域内所有线性构造一次性就可以提取出来,可为后续深入研究提供大量的数据基础。     

LiDAR数据中建筑物提取的新方法-Fc-S法

激光雷达技术(LiDAR)已广泛应用于数字高程模型(DEM)的快速获取和三维城市模型的建立中,但仍有许多不足之处,需要做更深入的研究。本文介绍了一种新的建筑物提取方法,称之为Fc-S法。该方法首先利用等高线特征进行滤波,从LIDAR数据内插的数字表面模型(DSM)中提取出DEM,利用DSM与DEM的高差阈值和DSM边缘特征参数去掉地面点和汽车等矮小物体,获得主要包含植被和建筑物的地物点群,然后对地物点群进行分割,利用二次梯度和面积等参数去掉植被点,并采用迭代逼近的方法精化建筑物。文章通过实验对所提方法进行验证,并借助高分辨率的航空影像对建筑物提取结果进行评估,评估结果表明该方法能够在地形起伏的区域中较准确地提取出建筑物。     

地形起伏度最佳分析区域研究

地形起伏庹是指定分析区域内最大相对高程差,反映地面相对高差,描述地貌形态的定量指标.确定实验样区的最佳分析区域是地形起伏度提取算法中的核心步骤和决定区域地形起伏度提取效果与有效性的关键.基于64幅实验样区数据进行多尺度地形起伏度计算,试图确定地形起伏度的最佳分析区域.实验结果表明:实验样区的地貌特征和最佳分析区域并不存...     

顾及地形起伏特征的线性预测滤波方法

传统的线性预测滤波算法将目标点云划分为多个栅格,滤波在每一个栅格内进行,而滤波栅格大小,需要用户手动调整。针对此问题,该文提出一种从机载激光扫描数据中生成数字高程模型(DEM)的有效方法。引入统计学变量——面高程变异系数,刻画地形起伏特征,并建立线性预测滤波算法中栅格大小与面高程变异系数之间的函数关系。最后,利用几组点云数据为研究对象验证该方法的有效性,实验结果表明,该方法能自适应地根据地形的起伏特征调整滤波参数,得到比较理想的地面点数据,最终内插得到高精度的DEM。     

自1:10000比例尺DEM提取地形起伏度--以陕北黄土高原的实验为例

地形的起伏是反映地形起伏的宏观地形因子,是比较适合区域水土流失评价的地形指标,在区域性研究中,利用DEM数据提取地形起伏度能够快速、直观的反映地形的起伏特征。1∶10000比例尺DEM具有越来越广泛、重要的应用,系统探讨基于其提取地形起伏度的方法具有重要的理论和实践意义。本研究以陕北黄土高原不同地貌区的DEM数据为实验数据,依据地貌发育的基本理论,GIS的窗口递增分析方法结合自然地理单元———小流域划分方法,通过对比分析,确定不同地貌区的地形起伏度。通过对实验结果的对比分析证明,该方法是一种比较通用、有效的方法。     

ASTER GDEM与SRTM3高程差异影响因素分析

作为最新发布的全球地形数据,ASTER GDEM比目前常用的SRTM3数据有着更高的分辨率和更广的覆盖范围,对于相关地学分析具有重要意义。本文以华中地区为研究区域,对ASTER GDEM与SRTM3数据进行了比较,重点分析了坡度、坡向、地形起伏度、土地利用类型、植被覆盖度、生成ASTER GDEM栅格点高程数据所用的ASTER DEM影像数等因素对2种DEM数据高程差异的影响。结果表明,在研究区域内,ASTER GDEM高程比SRTM3高程平均低5.42 m,两种DEM数据高程差异的RMS值为16.90 m;ASTER GDEM与SRTM3之间的高程差异随着坡度、地形起伏度、植被覆盖度的增大而增大,而ASTER DEM影像数越大,高程差异越小;坡向、土地利用类型对高程差异也有影响。     

基于机载LiDAR数据的建筑物轮廓提取

建筑物轮廓作为建筑物三维重建的重要元素,在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取,以及提取精度评定各环节存在的一些问题,提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上,首先利用改进的区域生长算法滤波地面点,并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点;再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面;最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算,通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明,综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息,对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。     

倾斜影像中提取高精度DEM的方法研究

针对传统航空影像获取的DSM在立面及局部地面、建筑物屋顶空间信息的不足,获取高精度DEM较为困难的问题,提出了基于倾斜影像提取高精度DEM的方法。首先对倾斜影像获取的点云DSM结构进行分析,得出了DSM具有几何约束特点,能够在城区很好地区分地面点和地物点;然后指出对DSM滤波处理是获取高精度数字高程模型（DEM）的关键技术,提出了基于法向量差值区域生长分割TIN的滤波方法;最后选取吉林省敦化市的倾斜影像数据进行了滤波试验和算法验证。试验结果表明,该方法能够快速、有效地滤除不同尺寸的建筑物、植被和其他地物,获取高精度DEM。