一种基于地形约束不规则三角网(Terrain-Constrained Triangulated Irregular Network, TC-TIN)的无人机(UAV)点云高精度数字高程模型(Digital Elevation Model, DEM)重建方法

《Journal of Imaging》:A Terrain-Constrained TIN Approach for High-Precision DEM Reconstruction Using UAV Point Clouds

【字体: 大 中 小 】 时间:2025年12月26日 来源:Journal of Imaging 3.8

编辑推荐:

  为解决传统插值方法在复杂地形中自一致性下降及空间适应性有限的问题,研究人员提出了一种基于无人机(UAV)点云的地形约束不规则三角网(Terrain-Constrained Triangulated Irregular Network, TC-TIN)插值方法。

  
为解决传统插值方法在复杂地形中自一致性下降及空间适应性有限的问题,研究人员提出了一种基于无人机(UAV)点云的地形约束不规则三角网(Terrain-Constrained Triangulated Irregular Network, TC-TIN)插值方法。该方法在云南禄丰恐龙国家地质公园南缘进行了测试,使用不同采样密度(90%、70%、50%、30%和10%)的地面点,并与样条函数(Spline)、克里金(Kriging)、ANUDEM及反距离加权(Inverse Distance Weighting, IDW)方法进行了比较。结果表明,所提方法在所有密度下均保持最低的均方根误差(Root Mean Square Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE),表现出更高的稳定性与自一致性(self-consistency),并能更好地保留地形起伏。这为复杂地形下利用无人机(UAV)点云进行高精度数字高程模型(Digital Elevation Model, DEM)重建提供了技术支持。
该研究背景立足于数字高程模型(Digital Elevation Model, DEM)作为地形分析、水文建模及生态环境评估的基础数据,其精度直接影响应用成效。目前常规的空间插值方法如反距离加权(Inverse Distance Weighting, IDW)、普通克里金(Ordinary Kriging)及样条函数(Spline)通常采用统一的全局模型和参数,忽视了地表过程的空间非平稳性,导致在复杂地形中自一致性(self-consistency)下降且空间适应性受限。为适应局部地形异质性,亟需发展能够动态调整策略的自适应插值算法。因此,研究人员开展了基于地形约束不规则三角网(Terrain-Constrained Triangulated Irregular Network, TC-TIN)的高精度DEM重建研究,通过在云南禄丰恐龙国家地质公园南缘的山地环境利用无人机(UAV)点云验证,得出TC-TIN在稀疏数据下仍能维持最优精度与稳定性的结论,这对复杂地形下的地形因子分析具有重要技术支撑意义。该论文发表在《Journal of Imaging》。
研究人员为开展研究用到的主要关键技术方法包括:选取云南禄丰恐龙国家地质公园南部边缘三类典型山地地貌区域为研究区;使用大疆DJI Mavic 3E无人机搭载PPK/RTK获取影像,经Agisoft Metashape Professional(v2.1.1)基于运动恢复结构(Structure-from-Motion, SfM)生成密集点云;利用Terra Solid(version 2022.1)进行去噪滤波与地面点分类,按90%、70%、50%、30%、10%比例进行体素网格下采样;提出并集成了自适应种子点筛选(邻域半径3 m,最小邻点数k=8,高程差阈值0.15 m)与边界辅助点插入(最大边长10 m)的TC-TIN算法;选用ANUDEM、IDW、Kriging及Spline五种方法进行对比;采用均方根误差(RMSE)、平均绝对误差(MAE)及表面粗糙度均方根高度(Root Mean Square Height, RMSH)结合相对差异系数(Relative Difference Coefficient, RDC)与配对t检验进行定量评估。
研究结果部分内容如下:
3.1. Evaluation of Interpolation Methods and Data Density
研究人员通过分析不同点云密度下各算法的MAE与RMSE,发现插值误差与数据点密度呈显著负相关,密度低于30%时各法差异显著。在采样率由90%降至10%时,TC-TIN的RMSE由约0.41 m增至1.22 m,MAE由0.353 m增至0.625 m,增长幅度远低于ANUDEM与IDW。视觉对比显示TC-TIN在低密下维持优良表面连续性,ANUDEM过度平滑,Kriging产生锯齿块状伪影,IDW对噪声敏感,Spline表现次优。高程差异图表明TC-TIN误差随机分布无系统偏差。
3.2. Evaluation of Surface Roughness
研究人员计算不同密度下表面粗糙度均方根高度(RMSH)的RMSE,发现所有算法随密度降低误差增大。TC-TIN在各研究区及密度下均具最低RMSE与最小增幅,如在地形起伏显著的样区1仅增25.6%,而ANUDEM增35.5%。粗糙度图显示TC-TIN与Spline能较好保留微地貌特征,ANUDEM过度平滑丢失细节,IDW受离散噪声影响出现突起,Kriging因变异函数拟合不准致局部不连续。
3.3. Relative Difference Coefficient
研究人员在10%密度下采用相对差异系数(RDC)交互比对各法DEM,TC-TIN与Spline的RDC达0.9991,形态与坡度连续性最接近;与Kriging和ANUDEM分别为0.9986与0.9983,在陡坡突变区略有偏差。表明TC-TIN在低密下具最优空间一致性与局部自一致性。
3.4. Statistical Significance of Interpolation Differences
研究人员通过配对t检验(α=0.05)验证RMSE与MAE差异,证实TC-TIN与Spline、Kriging等表现差异具统计显著性。
讨论部分总结如下:
研究人员指出验证依赖无人机(UAV)地面点交叉验证,反映插值保真度而非绝对精度,未来需融合地面激光雷达(Terrestrial Laser Scanning, TLS)或实时动态差分定位(Real-Time Kinematic, RTK)基准。TC-TIN优势源于融合地形特征约束与自适应选点,通过约束德劳内三角剖分(Delaunay triangulation)保留关键地貌,其与Spline在低密下高度相关(RDC>0.999)说明二者均能维持表面连续但数学框架不同。Spline在全局平滑与连续上具竞争力,提示TIN改进是相对提升而非绝对优于一切。ANUDEM在复杂地形表现不佳印证其对突变高程局限,IDW对采样分布均匀性依赖强,Kriging受限于稀疏场景下变异函数拟合自一致性(self-consistency)。研究证明复杂山区DEM生成需适应空间变异性、保留断裂线与特征边并维持多密度稳定,TC-TIN通过地形约束与鲁棒选点实现10%采样下误差增幅<25%。局限在于大规模应用计算效率待优化、极平坦地形与深度学习融合及多传感器多景观适用性需拓展。
结论部分翻译如下:
本研究以云南禄丰恐龙国家地质公园南部山区为对象,利用无人机(UAV)获取的高密度点云数据,系统分析了不同采样密度下各空间插值法的数字高程模型(Digital Elevation Model, DEM)生成自一致性(self-consistency)及表面粗糙度响应特征,提出了改进的地形约束不规则三角网(Terrain-Constrained Triangulated Irregular Network, TC-TIN)插值算法。主要结论如下:
(1) 随点云采样率降低,所有插值算法生成的DEM自一致性下降,RMSE与MAE相应升高,数据密度与插值误差呈显著负相关。点云密度高于原数据50%时自一致性较稳;低于30%时误差急剧上升,尤以IDW与ANUDEM自一致性下降最显著。
(2) 传统ANUDEM与IDW在稀疏数据下易产生平滑效应或畸变;Spline在低密下具良好平滑与连续性能保留总体趋势;所提TC-TIN在高低压密度下均具强空间稳定性与自一致性保留能力,实现最低RMSE增长率并有效抑制边缘不连续与误差累积。
(3) 表面粗糙度与DEM自一致性密切相关,粗糙度随地形起伏增大而增大,高粗糙度区各算法误差普遍较大;所提方法在不同粗糙度等级维持低误差水平,表明地形约束机制一定程度上增强了插值对复杂地表起伏的适应性。
(4) 改进TC-TIN插值算法具强通用性与实用价值,通过种子点筛选与边界辅助点引入机制,有效消除非地面点干扰,优化不规则三角网(Triangulated Irregular Network, TIN)网格结构,在保持计算效率的同时提升DEM空间连续性与地形真实性,特别适用于复杂山地及稀疏点云条件下DEM重建任务。
综上,研究结果验证了TC-TIN插值算法在复杂地形下的可行性与对比分析价值,为无人机(UAV)点云高精度DEM生成及后续地形因子分析提供理论支持与技术参考。未来可在此基础上进一步融入地形分区特征或引入深度学习模型,实现插值参数自适应优化与DEM自一致性智能增强。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号