r.in.lidargrass - אונליין בענן

תָכְנִית:

שֵׁם

r.in.lidar - יוצר מפת רסטר מנקודות LAS LiDAR באמצעות סטטיסטיקה חד-משתנית.

מילות מפתח

רסטר, ייבוא, LIDAR

תַקצִיר

r.in.lidar
r.in.lidar - עזרה
r.in.lidar [-פואסגי] קלט=שם תפוקה=שם [שיטה=מחרוזת] [סוג=מחרוזת]
[זרינג'=מינימום מקסימום] [זסקייל=לצוף] [אָחוּז=מספר שלם] [PTH=מספר שלם] [מְטוּפָּח=לצוף]
[החלטה=לצוף] [return_filter=מחרוזת] [filter_ class=מספר שלם[,מספר שלם,...]]
[--להחליף] [--לעזור] [--מִלוּלִי] [--שֶׁקֶט] [--ui]

דגלים:
-p
הדפס מידע על קובץ LAS וצא

-e
הרחבת היקפי האזור בהתבסס על מערך נתונים חדש

-o
לעקוף הקרנת מערך נתונים (השתמש בהקרנה של המיקום)

-s
סרוק את קובץ הנתונים עבור היקף ולאחר מכן צא

-g
במצב סריקה, הדפס באמצעות סגנון shell script

-i
ייבוא ערכי עוצמה במקום ערכי z

--לכתוב
אפשר לקבצי פלט לדרוס קבצים קיימים

- עזרה
הדפס סיכום שימוש

--מִלוּלִי
פלט מודול מפורט

--שֶׁקֶט
פלט מודול שקט

--ui
הפעלת דו-שיח של ממשק משתמש לאלץ

פרמטרים:
קלט=שם [נדרש]
קובץ קלט LAS
קבצי קלט LiDAR בפורמט LAS (*.las או *.laz)

תפוקה=שם [נדרש]
שם עבור מפת רסטר פלט

שיטה=מחרוזת
סטטיסטיקה לשימוש עבור ערכי רסטר
אפשרויות: n, דקות מקסימום, מגוון, סְכוּם, מתכוון, stddev, שׁוֹנוּת, coeff_var, חֲצִיוֹן,
אחוזון, עיוות, טרימיין
ברירת מחדל: אומר

סוג=מחרוזת
סוג אחסון עבור מפת רסטר שנוצרה
אפשרויות: תָא, FCELL, DCELL
ברירת מחדל: FCELL

זרינג'=מינימום מקסימום
טווח סינון עבור נתוני z (מינימום, מקסימום)

זסקייל=לצוף
קנה מידה כדי להחיל על נתוני z
ברירת מחדל: 1.0

אָחוּז=מספר שלם
אחוז מהמפה שיש לשמור בזיכרון
אפשרויות: 1-100
ברירת מחדל: 100

PTH=מספר שלם
האחוזון ה-p של הערכים
אפשרויות: 1-100

מְטוּפָּח=לצוף
לְהַשְׁלִיך אחוז מהקטנים ביותר ו אחוז מהתצפיות הגדולות ביותר
אפשרויות: 0-50

החלטה=לצוף
רזולוציית רסטר פלט

return_filter=מחרוזת
ייבא רק נקודות מסוג החזרה שנבחר
אם לא צוין, כל הנקודות מיובאות
אפשרויות: ראשון, אחרון, בינוני

filter_ class=שלם [, מספר שלם,...]
ייבא רק נקודות של מחלקות נבחרות
הקלט הוא מספרים שלמים מופרדים בפסיק. אם לא צוין, כל הנקודות מיובאות.

תיאור

השמיים r.in.lidar המודול טוען ומשלב ענני נקודות של LAS LiDAR לתוך מפת רסטר חדשה.
המשתמש יכול לבחור מבין מגוון שיטות סטטיסטיות ביצירת הרסטר החדש.

מכיוון שיצירת מפות רסטר תלויה בהגדרות האזור החישוביות (היקף ו
רזולוציה), כברירת מחדל, היקף האזור והרזולוציה הנוכחיים משמשים לייבוא.
בעת שימוש -e דגל יחד עם ה רזולוציה=ערך פרמטר, היקף האזור יהיה
יתבסס על מערך נתונים חדש. לכן מומלץ להשתמש תחילה ב- -s דגל כדי לקבל את
היקף ענן הנקודות של LiDAR שיובאו, לאחר מכן התאם את היקף האזור הנוכחי ו
רזולוציה בהתאם, ורק לאחר מכן להמשיך לייבוא בפועל. אפשרות נוספת היא
כדי להגדיר באופן אוטומטי את היקף האזור בהתבסס על מערך הנתונים של LAS עצמו יחד עם ה-
רזולוציית הרסטר הרצויה. ראה פרטים בהמשך.

r.in.lidar מיועד לעיבוד מערכי נתונים ענקיים של ענן נקודות, לדוגמה LiDAR גולמי
או נתוני סונאר סריקה צדדית. הוא נבדק עם מערכי נתונים גדולים (ראה להלן מידע על זיכרון
הערות הנהלה).

הנתונים הסטטיסטיים הזמינים לאכלוס מפת רסטר הפלט הם:

·

n מספר נקודות בתא

דקות ערך מינימלי של נקודות בתא

מקסימום ערך מקסימלי של נקודות בתא

רכס טווח נקודות בתא

סכום סכום הנקודות בתא

אומר ערך ממוצע של נקודות בתא

stddev סטיית תקן של נקודות בתא

שונות שונות הנקודות בתא

coeff_var מקדם השונות של נקודות בתא

חציון ערך חציוני של נקודות בתא

אחוזון pth אחוזון הנקודות בתא

הטיה הטיה של נקודות בתא

טרימיין ממוצע חתוך של נקודות בתא

· שׁוֹנוּת ונגזרים משתמשים באומדן המוטה (n). [נתון לשינוי]

· מקדם of שונות ניתן באחוזים ומוגדר כ-(stddev/mean)*100.

אורים

אס פילה לייבא הכנות
מאז r.in.lidar יוצר מפת רסטר באמצעות binning מה-LiDAR המקורי
נקודות, יש לקבוע את היקף אזור החישוב והרזולוציה של היעד. א
תהליך עבודה טיפוסי יכלול בדיקת התיעוד הנלווה לנתוני LAS
או סריקה של קובץ הנתונים של LAS באמצעות r.in.lidar"S -s (אוֹ -g) דגל כדי למצוא את הקלט
גבולות הנתונים.
אפשרות נוספת היא להגדיר באופן אוטומטי את היקף האזור בהתבסס על היקף מערך הנתונים של LAS.
(-e דגל) יחד עם רזולוציית הרסטר הרצויה באמצעות ה- החלטה פָּרָמֶטֶר.

זכרון להשתמש
בעוד קלט קובץ יכול להיות בגודל שרירותי, r.in.lidar ישתמש בכמות גדולה של
זיכרון מערכת (RAM) עבור אזורי רסטר גדולים (> 10000x10000 פיקסלים). אם המודול
מסרב להתחיל להתלונן שאין מספיק זיכרון, השתמש ב- אָחוּז פרמטר
הפעל את המודול בכמה מעברים. בנוסף, באמצעות פורמט מפה פחות מדויק (CELL
[מספר שלם] או FCELL [נקודה צפה]) ישתמשו בפחות זיכרון מאשר DCELL [דיוק כפול
נקודה צפה] תפוקה מפה. שיטות כגון n, דקות מקסימום, סכום גם ישתמש בפחות זיכרון,
בזמן stddev, שׁוֹנוּת, ו coeff_var ישתמש ביותר. פונקציות הצבירה חֲצִיוֹן,
אחוזון, הטיה ו מקוצץ אומר ישתמש ביותר זיכרון וייתכן שלא יהיה מתאים
לשימוש עם קבצי קלט גדולים באופן שרירותי.

לדופק LiDAR יכולות להיות החזרות מרובות. ניתן להשתמש בערכי ההחזרה הראשונים כדי לקבל א
דגם משטח דיגיטלי (DSM) שבו למשל כיסוי חופה מיוצג. ערכי ההחזרה האחרונים
ניתן להשתמש כדי להשיג מודל שטח דיגיטלי (DTM) שבו למשל קרקעית היער במקום
כיסוי החופה מיוצג. ה return_filter האפשרות מאפשרת בחירה באחד מהראשונים, האמצעיים,
או החזרות אחרונות.

ניתן כבר לסווג נקודות LiDAR למחלקות סטנדרטיות. למשל, כיתה
מספר 2 מייצג קרקע (למחלקות אחרות ראה מפרט פורמט LAS בהפניות).
השמיים filter_ class האפשרות מאפשרת לבחור מחלקה אחת או יותר, כמספרים (מספרים שלמים)
מופרדים בפסיק.

מפת ברירת המחדל סוג=FCELL נועד להיות פשרה בין שימור דיוק הנתונים לבין
הגבלת צריכת משאבי המערכת.

הגדרת באזור גבולות ו החלטה
משתמש ב -s דגל סריקה, מודפס היקף נתוני הקלט (וכך צפיפות הנקודות).
מומלץ לבדוק זאת לפני ביצוע ייבוא מלא. -g דגל בסגנון פגז
מדפיס את ההיקף המתאים כפרמטרים של שורת הפקודה עבור G.Region.
אפשרות פשוטה יותר היא להגדיר באופן אוטומטי את היקף האזור בהתבסס על מערך הנתונים של LAS (-e
דגל) יחד עם רזולוציית הרסטר של היעד באמצעות ה- החלטה פרמטר. גם כאן זה
מומלץ לאמת ולמטב את הגדרות האזור המתקבלות באמצעות G.Region לפני
ייבוא מערך הנתונים.

עבור מפת הרסטר של הפלט, א מַתְאִים החלטה ניתן למצוא על ידי חלוקת מספר ה-
נקודות קלט לפי האזור המכוסה (זה דורש גישה איטרטיבית כפי שמתואר כאן):
# הדפס מטא-נתונים של LAS (מספר נקודות)
r.in.lidar -p input=points.las
מספר רשומות נקודות: 1287775
# סריקה עבור היקף ענן הנקודות של LAS
r.in.lidar -sg קלט=points.las פלט=dummy -o
# n=2193507.740000 s=2190053.450000 e=6070237.920000 w=6066629.860000 b=-3.600000 t=906.000000
# הגדר אזור חישוב במידה זו
g.region n=2193507.740000 s=2190053.450000 e=6070237.920000 w=6066629.860000 -p
# הדפס היקף שנוצר
g.region -p
מספר שורות: 3454
מספר עמודות: 3608
# נקודות_לכל_תא = n_נקודות / (שורות * עמודות)
# כאן: 1287775 / (3454 * 3608) = 0.1033359 נקודות LiDAR/תא רסטר
# מכיוון שזה נמוך מדי, עלינו לבחור רזולוציית רסטר נמוכה יותר
g.region res=5 -ap
מספר שורות: 692
מספר עמודות: 723
# כעת: 1287775 / (692 * 723) = 2.573923 נקודות LiDAR/תא רסטר
# ייבוא כממוצע
קלט r.in.lidar = נקודות.las פלט = lidar_dem_mean שיטה = ממוצע -o
# ייבוא כמקסימום
קלט r.in.lidar = נקודות.las פלט = lidar_dem_max שיטה = max -o
# ייבוא כאחוזון ע' של הערכים
קלט r.in.lidar = points.las פלט = lidar_dem_percentile_95
שיטה=אחוזון pth=95 -o
ממוצע ערך DEM in פרספקטיבה נוף, מיובא החל מ- אס פילה

רמזים נוספים: כיצד לחשב את מספר נקודות ה-LiDAR/מטר רבוע:
g.region -e
# מיקום מטרי:
# נקודות_למ"ר = n_נקודות / (ns_extent * ew_extent)
# מיקום קו רוחב/אורך:
# נקודות_למ"ר = n_נקודות / (ns_extent * ew_extent * cos(lat) * (1852*60)^2)

סינון
נקודות שנמצאות מחוץ לאזור הנוכחי ידלגו. זה כולל נקודות שנמצאות
בדיוק באזור הדרומי. (כדי ללכוד את אלה, התאימו את האזור עם "g.region
s=s-0.000001"; ראה G.Region)

שורות ריקות ושורות הערות המתחילות בסמל גיבוב (#) ידלגו.

השמיים זרינג' ניתן להשתמש בפרמטר לסינון נתוני הקלט לפי היקף אנכי. דוגמה
שימושים עשויים לכלול הכנת מספר מקטעי רסטר לשילוב לרסטר תלת-ממדי
מערך עם r.to.rast3, או לסינון חריגים בשטח שטוח יחסית.

בשטח מגוון המשתמש עשוי לגלות ש דקות מפות יוצרות מסנן רעשים טוב כמו רוב
רעש ה-LIDAR נובע מפגיעות מוקדמות. דקות מפה עשויה להיות שימושית גם כדי למצוא את הבסיס
טופוגרפיה בסביבה מיוערת או עירונית אם התאים נדגמים יתר על המידה.

המשתמש יכול להשתמש בשילוב של r.in.lidar תפוקה מפות כדי ליצור מסננים מותאמים אישית. לדוגמה
להשתמש r.mapcalc כדי ליצור מפה mean-(2*stddev). [בדוגמה זו, המשתמש עשוי לרצות
כלול מסנן גבול תחתון ב r.mapcalc כדי להסיר נקודות משתנות מאוד (קטנות n) או
לָרוּץ r.שכנים כדי להחליק את מפת ה-stddev לפני שימוש נוסף.]

דוגמא

ייבוא קובץ LAS לתוך מיקום/מערך מפות קיים (מדד):
# הגדר את אזור החישוב באופן אוטומטי, הרזולוציה עבור binning היא 5m
r.in.lidar -e -o קלט=points.las רזולוציה=5 פלט=lidar_dem_mean
g.region raster=lidar_dem_mean -p
r.univar lider_dem_mean

מערך נתונים של תל הנחשים: דוגמה זו מקבילה לדוגמה בה נעשה שימוש בוויקי של GRASS
דף לייבוא LAS כ-DEM רסטר.

נתוני LAS לדוגמה נמצאים בקובץ "Serpent Mound Model LAS Data.las", זמין בכתובת
applicationimagery.com
# הדפס מידע על קובץ LAS
r.in.lidar -p input="מודל תל הנחש LAS Data.las"
# שימוש ב-v.in.lidar כדי ליצור מיקום חדש
# צור מיקום עם מידע הקרנה של נתוני LAS
v.in.lidar -i input="Serpent Mound Model LAS Data.las" location=Serpent_Mound
# צא והפעל מחדש את GRASS במיקום החדש שנוצר "Serpent_Mound"
# סרוק את היקף נתוני ה-LAS
r.in.lidar -sg input="מודל תל הנחש LAS Data.las"
# הגדר את האזור להיקף נתוני ה-LAS, יישר לרזולוציה
g.region n=4323641.57 s=4320942.61 w=289020.90 e=290106.02 res=1 -ap
# ייבוא כ-DEM רסטר
r.in.lidar input="מודל תל הנחש LAS Data.las" \
פלט=Serpent_Mound_Model_LAS_Data שיטת=ממוצע

אורים

סיומות הקבצים האופייניות לפורמט LAS הן .las ו-.laz (דחוס). ה
ניתן לייבא פורמט LAS דחוס (.laz) רק אם libLAS הידור עם laszip
תמיכה. מומלץ גם להדר libLAS עם GDAL, הדרוש לבדיקת התאמה
הקרנות.

הכל

· תמיכה בפלט של מפות מרובות מריצה אחת.
שיטה=מחרוזת[,מחרוזת,...] פלט=שם[,שם,...]

ידוע סוגיות

· n המפות percent=100 ו-percent=xx שונות במקצת (הנקודה תיפול מעל/מתחת למפה)
קו החלוקה)
בדוק באמצעות "r.mapcalc diff = bin_n.100 - bin_n.33" וכו'.
סיבה לא ידועה.

· "נאן" יכול לדלוף לתוך coeff_var מפות.
סיבה לא ידועה. פתרון אפשרי: "r.null setnull=nan"
אם אתם נתקלים בבעיות (או פתרונות!), אנא צרו קשר עם צוות הפיתוח של GRASS.

השתמש ב-r.in.lidargrass באופן מקוון באמצעות שירותי onworks.net