芬兰的一个研究项目利用了该国国家土地调查局的多个数据集。选取了两个区域：萨翁林纳的城市及森林地带，以及普达斯耶尔维的郊区和乡村地区。高分辨率（25 厘米）数据（激光雷达数字表面模型或航空影像数字表面模型）和数字高程模型与真正射影像相结合，以评估它们的性能。萨翁林纳测试点的像素分辨率为 30 厘米，普达斯耶尔维测试点的像素分辨率为 25 厘米。每个数据集都能进行详细比较，衡量数字表面模型和数字高程模型的变化对不同地形下检测精度的影响。测试数据集示例可参见图 1 和图 2。
使用激光雷达数字表面模型训练的 U-Net 模型在建筑物形状检测方面始终比使用航空数字表面模型时展现出更高的精度。测试表明，尤其是在森林地区，由于植被和阴影对检测过程的干扰较小，该模型使用激光雷达时性能有所提升。航空数字表面模型虽然在城市环境中有效，但有时会因阴影和重叠特征而使建筑物边界变得模糊。相比之下，激光雷达数字表面模型能更清晰地勾勒出建筑物轮廓，捕捉到建筑物结构精细的边缘。然而，在激光雷达数据集中建筑物缺失的情况下，比如因屋顶材料反射或潮湿等原因导致缺失时，航空数字表面模型就显得至关重要，可填补这些空缺。
在城市地区，激光雷达数字表面模型减少了水体周边的误检情况，并生成了更清晰的建筑物边界。在森林地区，树木阴影会遮蔽特征，激光雷达数字表面模型始终能得出更准确的结果。当无法获取 25 厘米分辨率的数据时，结果显示精度会略有下降，这凸显了高分辨率激光雷达数字表面模型的优势。城市地区建筑物检测结果示例可参见图 3。该图还展示了在森林地区使用航空影像数字表面模型时出现的误检情况。
乡村地区存在一些独特挑战，比如水位数据不一致会导致误报。为解决这一问题，研究人员从激光雷达数字表面模型中去除了错误的水位高度信息，从而显著减少了检测误差。使用高分辨率 25 厘米数字高程模型训练的模型优于使用重采样为 2 米数字高程模型数据训练的模型，这证实了更高分辨率的激光雷达数据有助于更精确地提取建筑物。图 4 展示了乡村地区建筑物检测结果的一个示例。由于阴影的影响，航空影像数字表面模型的检测结果中缺失了一栋建筑物。
芬兰国家土地调查局以三年为周期获取覆盖全国的航空影像，而激光雷达数据的获取周期为六年。虽然激光雷达数字表面模型可提高精度，但建筑物缺失以及水体高度有误等问题带来了挑战。这些不准确之处，尤其是当数据过时或与真正射影像不同步时，凸显了匹配年份数据集的必要性。此外，尽管激光雷达数字表面模型在森林环境中很有价值，但在有许多小型建筑物或屋顶材料复杂（例如会造成反射或潮湿）的城市地区，采用将激光雷达和航空影像数据相结合的方法会更有益。
激光雷达数字表面模型与高分辨率数字高程模型相结合，可显著提高建筑物检测精度，尤其在森林地区。这项研究表明，将激光雷达和航空影像数据相结合能产生最佳效果，发挥出每种数据类型的优势。未来的研究应探索三维数据整合，以便在植被茂密或建筑物结构复杂的区域改进建模工作。这些研究结果凸显了激光雷达在改进人工智能驱动的提取流程方面日益重要的作用，特别是随着应用拓展到更多样化的地貌环境中。
文章来源：gim-international，作者：Lars Langhorst
由小助手整理编译。
- END -
奥维重磅更新！新增吉林一号全国2023年卫星影像，支持DWG格式的CAD文件
空域申请 | 无人机航测UOM系统合法飞行申请流程
