机载LiDAR技术生成DEM的质量检查与解决方案探讨
摘要
目前,基于机载激光雷达(light detection and ranging,LiDAR)点云数据生成高精度、高现势性数字高程模型(digital elevation model,DEM)的技术已广泛应用,对生成的DEM数据进行科学、高效的质量控制迫在眉睫。本研究结合实际生产经验,详细介绍包括人工解译判别检查、半自动检查(交互式检查)和基于Python脚本自动检查的三步骤检查法。该方法全面地涵盖了机载LiDAR技术生成 DEM的质量检验方法及对应问题的解决方案,有效提高了质量检查的效率和准确性。
关键词： 机载LiDAR ; 数字高程模型 ; 点云分类 ; 质量检查
引用格式
孟蕾, 林超. 机载LiDAR技术生成DEM的质量检查与解决方案探讨. 国土资源遥感杂志[J], 2020, 32(1): 7-12 doi:10.6046/gtzyyg.2020.01.02
MENG Lei, LIN Chao. Discussion on quality inspection and solution of DEM generated by airborne LiDAR technology. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(1): 7-12 doi:10.6046/gtzyyg.2020.01.02
0 引言
激光雷达(light detection and ranging,LiDAR)技术与其他遥感技术相比,自动化程度高,且受天气影响较小,能够穿越树林遮挡,数据的空间与时间分辨率均较高,近年来应用日渐广泛。2017—2019年间,广东省自然资源厅开展了“广东省机载LiDAR点云数据获取与数字高程模型更新”项目,机载LiDAR技术支持下生产的数字高程模型(digital elevation model,DEM)旨在从根本上打破原始DEM陈旧的局面,为满足各政府部门、职能机构对全省范围高精度DEM数据使用的需求提供技术支持。
对基于机载LiDAR生成的DEM数据进行质量评估、检验和控制,是一个十分重要并且迫在眉睫的问题,DEM数据质量状况直接影响DEM应用分析结果的可靠性及应用目标的真正实现[1,2,3]。本文结合项目生产,探究一种行之有效的DEM质量控制方法,即包括人工解译判别检查、半自动检查(交互式检查)和基于Python脚本自动检查的三步骤DEM检查法,有效提高了质量检查的效率和准确性。
1 DEM 质量检查内容
不同工艺流程生产的DEM的质量检查方法虽有很大差异,但DEM的质量元素及检查项包括的内容基本相同[4,5,6,7],如表1所示。
表1 DEM质量元素检查项
Tab.1 Quality element check items of DEM
| 质量元素 | 检查项 |
|---|---|
| 空间参考系 | ①坐标系统; ②高程基准; ③投影参数 |
| 位置精度 | ①高程中误差; ②同名格网高程值; ③点云高程异常处理 |
| 逻辑一致性 | ①数据归档; ②数据格式; ③数据文件; ④文件命名 |
| 栅格质量 | ①格网尺寸; ②格网范围 |
| 附件质量 | ①元数据; ②附属文档 |
上述检查项中空间参考系、逻辑一致性、栅格质量和附件质量往往通过自动化手段实现,但在基于机载LiDAR点云数据生成的DEM质量控制中,对DEM原始激光点云数据分类情况的检查及生成DEM内插模型的检查则比较困难,也比较关键。
对DEM原始激光点云数据分类情况质量检查的重点、难点在于检查是否存在错分、漏分以及是否进行特殊地物处理等方面; 对DEM内插模型的检查则要复杂一些,从数学角度而言,可从逼近程度、外推能力、平滑效果、唯一性和计算时间等方面进行比较检查和评价,但在实际应用中,无法对内插模型的这些特性进行检查。另外,DEM检查的精度评价尤为重要,机载LiDAR生成的DEM的精度取决于原始点云数据的精度和顾及地形特征与否,而这2项对内插模型并无明显影响[8]。
2 DEM质量检查方法
对DEM的质量检查采用从人工到自动、由浅入深的三步骤检查法,即人工解译判别检查、半自动检查(交互式检查)和基于Python脚本的自动检查。
2.1 人工解译判别检查
2.1.1 分层设色显示逐屏检查
ArcGIS软件中生成DEM数据的二维渲染模型,由人工进行判断与检查。首先,求出DEM的最大和最小值; 然后,将其分为若干等级,由低到高为每组赋予由浅到深的颜色进行显示(图1(a))。分色显示可从整体上反映地貌的变化趋势,叠加等高线对高程异常变化进行检查,效果更好(图1(b))[8,9]。
图1 DEM二维渲染图及叠加等高线效果示意图
Fig.1 Rendering effect of DEM and superimposed contours
2.1.2 等高线检查法
采用等高线检查DEM质量,将DEM生成的等高线与正射影像进行叠加(图2),目视等高线是否有突变情况。当地貌形态异常、同名点(近似)高程差异较大或等高线走向不合理时说明存在问题。
图2 DEM生成的等高线叠加正射影像效果
Fig.2 Contours generated by DEM superimposed DOM
2.2 半自动检查(交互式检查)
在使用机载LiDAR点云数据生产DEM时,主要是对获取的点云数据进行分类,包含自动分类和人工分类2种,分类成果的质量直接影响DEM的质量。点云分类成果的检查主要采用半自动检查方法,即人机交互式检查,一般在专业的点云数据处理软件中进行,如Terrasolid和LiDAR_DP等软件。该步骤主要针对噪声点、地面点、特征线和接边4个方面进行检查[10,11,12]。
2.2.1 噪声点检查
通常地面点类别中不能存在明显低于或高于地表目标的点或点群以及移动地物点等噪声点,可以结合三维视图,采用人工绘制剖面的方法进行检查。如图3所示,由于存在明显低于地面的噪声点造成模型异常。
图3 点云中存在噪声点影响地面表达的连续性
Fig.3 Noise points in point clouds affects the continuity of ground expression
2.2.2 地面点检查
1)表面模型检查。地面点云表面模型必须连续、光滑(图4)。
图4 地面点云表面模型连续光滑
Fig.4 Continuous and smooth surface model of point cloud
2)剖面检查。将点云成果数据的剖面按一定的步进、角度查看,剖面图形态必须合理,所有地面点必须是落于裸地表面的点,包括落在道路、广场和堤坝等反映地表形态的地物之上的点。在比较平滑、直线区域切剖面时,剖面宽度可适当放大,在拐角尤其是立交桥、高架公路等接地与架空的临界区域,剖面宽度适当缩小,务求精确。剖面重点检查以下内容: ①立交桥、高架桥、桥梁和架空输水槽等架空于地面或水面之上的人工地物; ②路堤、土堤、拦水坝和水闸等底部与地面相接的构筑物; ③陡坎、梯田坎的完整、连贯性; ④山谷、山脊和断崖等高程突变处; ⑤连续道路截断处; ⑥河流不联通处; ⑦山脊“削平”处(图5)。若存在如下情况时也需要进行剖面检查:①毛刺噪声过多的地面; ②过于光滑的地面。不连续、不光滑处需要检查剖面图形态是否合理,不得存在影响地貌形态表达的关键特征地面点未被提取的情况。
图5 分类不正确造成山脊“削平”
Fig.5 Incorrect classification causes ridge flattening
3)特殊地物检查。湖泊、水库和池塘等面状水域边线的高程值应一致,并根据周围的地势检查高程是否为最低值; 水涯线的边线绘制的准确度根据点云或影像(若有)检查。河流边线的高程值应从上游到下游逐渐降低,尤其双线河流注意中间段是否有“倒灌”的情况。立交桥、高架桥、桥梁和架空输水槽等架空于地面或水面之上的人工地物范围,一般只保留地面或水面上的点云数据,将悬空的点分为非地面点。路堤、土堤、拦水坝和水闸等底部与地面相接的构筑物,保留其点云数据。对于禁飞区域,应采用相同格网间距的DEM数据对该范围内DEM数据进行填补,进行合理地拼接与裁剪。
4)高程推测区检查。对于滤除非地面点后出现的零散、小面积无数据区域,内插DEM时需保证插值结果反映完整地形,不得出现插值漏洞,发现局部区域没有获取到地面点或者地面点密度不能表达地面模型,需要通过已有或周边地面点及植被高度按区域添加辅助点拟合出该区域地面。对该类区域应采集其范围作为高程推测区。
2.2.3 特征线检查
对于鱼塘、水库和湖泊等无数据水体区域应采集水涯线作为特征线[7,13]参与DEM的生成(图6)。
图6 未添加特征线造成鱼塘水面高程不一致
Fig.6 Inconsistent water surface elevation caused by not adding feature lines
2.2.4 接边检查
检查接边处地面点云表面模型是否连续、光滑。
2.3 基于Python脚本的自动检查
Python被封装在ArcGIS软件中,编写Python脚本工具可以扩展ArcGIS软件的功能并实现任务的自动化检查。
2.3.1 异常点(粗差点)检测
格网DEM数据在形式上可以认为是栅格影像,DEM数据中的粗差点破坏了地形表面的连续性,与其周围点形成较大高差甚至完全违背常识的高差(图7)。利用Python依次调取ArcGIS工具函数能够快速发现异常点。伪代码如下:
{RasterTin_3d(in_raster,out_tin,{z_tolerance},{max_points},{z_factor})#DEM转为不规则三角网
LocateOutliers_3d(TIN,out_feature_class,{apply_hard_limit},{absolute_z_min},{absolute_z_max},{apply_comparison_filter},{z_tolerance},{slope_tolerance},{exceed_tolerance_ratio},{outlier_cap})#定位异常值}
图7 格网DEM数据中异常点的自动检测
Fig.7 Automatic detection of abnormal points in DEM
2.3.2 同名格网高程值计算
按照规范要求,DEM同名格网点的高程值一致,对于栅格形式下的DEM,则可以转义为同名点的像素值相同,如图8所示,相邻2幅DEM同名点的像素值都为301.96。
图8 相邻2幅DEM同名点像素值
Fig.8 Homonym pixel values of two adjacent DEM
基于该思路,栅格数据的计算可以利用Python调取Minus函数进行计算,伪代码如下:
{arcpy.Minus_3d(inRaster1,inRaster2,outRaster) #同名格网高程值求差
arcpy.CalculateStatistics_management(raster) #检查差值
Value=arcpy.GetRasterProperties_management(raster,"MAXIMUM")#提取差值不为0的同名格网}
2.3.3 属性检查
根据表1,质量元素中的空间参考系、逻辑一致性和栅格质量都可以利用Python脚本工具实现自动化的检查。Python调取ArcGIS软件的栅格属性函数,伪代码如下:
{sr=arcpy.Describe(raster).spatialReference#坐标系名称
datum=sr.exportToString().split(",")[2]#投影椭球名称
extent=arcpy.Raster(raster).extent #格网范围
pixelType=arcpy.Raster(raster).pixelType #精度类型
noDataValue=arcpy.Raster(raster).noDataValue #无数据区表示
size=arcpy.Raster(raster).meanCellHeight #格网尺寸}
批量读取后,部分图幅的相关信息如表2所示。
表2 批量读取并检查DEM相关信息
Tab.2 Read and check related information in batch
| 图幅号 | 坐标系名称 | 投影椭球名称 | 格网范围/m | 精度类型 | 格网尺寸/m |
|---|---|---|---|---|---|
| 2400-37470 | CGCS_2000_3Degree_GK_Zone37 | DATUM['D_CGCS_2000' | 37 469 979,2 399 979,37 475 021,2 405 021 | F32 | 2 |
| 2400-37475 | CGCS_2000_3Degree_GK_Zone37 | DATUM['D_CGCS_2000' | 37 474 979,2 399 979,37 480 021,2 405 021 | F32 | 2 |
| 2405-37470 | CGCS_2000_3Degree_GK_Zone37 | DATUM['D_CGCS_2000' | 37 469 979,2 404 979,37 475 021,2 410 021 | F32 | 2 |
| 2405-37475 | CGCS_2000_3Degree_GK_Zone37 | DATUM['D_CGCS_2000' | 37 474 979,2 404 979,37 480 021,2 410 021 | F32 | 2 |
| ………… | ………… | ………… | …… | …… | …… |
2.3.4 元数据检查
元数据检查主要涉及各数据项及内容的填写有无错漏。通常情况DEM元数据采用xls格式记录,可以采用Python脚本工具调取xlrd模块,批量读取元数据内容进行检查,DEM元数据信息提取界面如图9所示。
图9 脚本工具自动提取DEM元数据信息
Fig.9 Automatic extraction of DEM metadata information by scripting tools
3 结论
质量控制是DEM生产中的重要环节,高质量DEM成果能为各行业提供基础数据服务。本文结合实际生产作业实践经验,针对不同的DEM质量元素检查项,讨论了多种质量检查方法。人工解译判别工作量大,需要检查员逐屏检查,而且只能发现那些较明显的粗差点; 半自动检查(交互式检查)全部依赖于点云数据处理的专业软件,但是点云剖面形态直观易懂,检查项合理全面,对DEM的质量起到关键作用; 基于Python脚本的自动检查,可以根据项目需求定制检查项,本文中提到的各脚本工具已经集成为一个质量检查软件,目前已在生产单位投入使用,高效可靠,得到了令人满意的结果。
本文提出的检查方法较全面地涵盖了机载LiDAR技术生成的DEM的质量检验方法及对应问题的处理方案,解决了目前暂无现成软件及成熟方法完成该项工作的困难。
参考文献略
END