多种测绘技术对同一土方量算方法研究及精度分析

土方量算在新兴技术的发展下数据获取与量算方式多种多样,土方量算精度参差不一。文章阐述了通过传统测绘、无人机倾斜摄影测量与无人机载激光雷达扫描对同一土方进行数据采集,不同测绘方式数据采集方法。采用南方Cass、Cass3D、Context Capture、DP-Modeler和CoProcess多种数据处理软件进行土方量算,分析不同数据不同计算方法土方量算精度。分析结果表明:利用无人机倾斜摄影测量技术与无人机机载激光雷达扫描技术有效简化了外业数据采集流程,数据处理土方量算以2.5 m边界采样间距DTM法土方量算精度准确;植被剔除倾斜三维模型与地面点分类后点云模型直接量算法能快速高效地获取土方量并满足土方量算规范。

无人机点云与图像跨模态混合融合的乔木林单木尺度树种分类研究

为探索机载点云与无人机可见光影像在乔木树种识别与分类领域的应用潜力,提出了一种多模态特征与决策混合融合的无人机单木尺度树种分类识别方法。首先使用Kendall Rank相关系数法与排列重要性分析(Permutation Importance, PI)进行特征选择,采用高效低秩多模态融合算法(Low-rank Multimodal Fusion, LMF)融合点云与影像特征。再引入集成学习,将点云、影像及融合特征分别输入Stacking集成的极限梯度提升机(eXtreme Gradient Boosting, XGBoost)、轻型梯度提升机(Light Gradient Boosting Machine, LightGBM)与随机森林(Random Forest, RF)3个基分类器,最后采用元分类器—朴素贝叶斯进行决策融合。实验数据表明:所提方法独立测试精度达99.4%,较传统的特征串联融合随机森林分类器提升了22.58%,Kappa系数提升了0.285 4。与卷积神经网络(Convolutional Neural Network, CNN)对比实验证明:所提算法在小样本训练的优势明显,且具有更好的泛化能力。

基于三维点云的岩体结构面识别与快速聚类分析

岩体结构面识别与聚类分析是研究岩体结构特征和评估岩体稳定性的基础。为对岩体结构面进行快速、有效聚类,提出一种基于三维点云的岩体结构面识别与快速聚类方法。首先,通过FACET进行点云分割和平面拟合,提取岩体结构面。其次,通过不同岩体结构面之间的相似性距离,计算局部密度和控制距离,并绘制决策图,自动寻找聚类中心和聚类数量。最后,根据边界密度,将结构面划分为核心结构面和离群结构面,剔除异常值。该方法避免了人为主观因素的干扰,提高了聚类分析的准确性。通过对立方体、六面体进行聚类分析,聚类数量与预期相一致,且每簇平均产状与点云结构面拟合结果相近,倾向最大误差分别为0.47°、1.78°,倾角最大误差分别为2.98°、2.57°。同时,聚类性能与K-means、K-means++和DBSCAN聚类算法相比,有了一定程度的提高,最大可达0.834。将其运用于四川省会东县老君峰南侧高陡悬崖岩体结构面分析,无须指定聚类中心和簇数,聚类结果与实测产状、RocScience dips结果相近,精度满足要求,性能较好。