A statistical approach to LiDAR der

A statistical approach to LiDAR derived topographic attributes for the automatic extraction of channel network and for the choice of the scale to apply for parameter evaluation is presented in this paper. The basis of this approach is to use distribution analysis and statistical descriptors to identify channels where terrain geometry denotes significant convergences. Two case study areas with different morphology and degree of organization are used with their 1m LiDAR Digital Terrain Models (DTMs). Topographic attribute maps (curvature and openness) for various window sizes are derived from the DTMs in order to detect surface convergences. A statistical analysis on value distributions considering each window size is carried out for the choice of the optimum kernel. We propose a three-step method to extract the network based (a) on the normalization and overlapping of openness and minimum curvature to highlight the more likely surface convergences, (b) a weighting of the upslope area according to these normalized maps to identify drainage flow paths and flow accumulation consistent with terrain geometry, (c) the standard score normalization of the weighted upslope area and the use of standard score values as non subjective threshold for channel network identification. As a final step for optimal definition and representation of the whole network, a noise-filtering and connection procedure is applied. The advantage of the proposed methodology, and the efficiency and accurate localization of extracted features are demonstrated using LiDAR data of two different areas and comparing both extractions with field surveyed networks.

Результаты (русский) 1:

Статистический подход к LiDAR производным Топографическая атрибуты для автоматического извлечения канала сети и для выбора масштаба применять для оценки параметров, представленных в настоящем документе. В основе этого подхода заключается в использовании анализа распределения и статистическое описание для выявления каналов, где местность геометрии обозначает значительной конвергенции. С их 1 м LiDAR цифровой модели местности (DTM) используются две области тематическое исследование с различными морфологии и степень организации. Топографическая атрибут карты (кривизна и открытости) для различных размеров окон являются производными от DTM с целью выявления поверхностных конвергенции. Для выбора оптимального ядра осуществляется статистический анализ на значение дистрибутивов, учитывая размер каждого окна. Мы предлагаем 3-х ступенчатый метод для извлечения в сети на основе a по нормализации и дублирования открытости и минимальной кривизны для выделения более вероятно поверхности конвергенции, (b взвешивания расчищенной территории согласно этим нормализуется карты для определения пути потока дренажа и потока в соответствии с геометрией ландшафта, (c стандартная оценка накопления нормализации область Средневзвешенная расчищенной и использования стандартных оценка значения как не субъективный порог для идентификации сети каналов. В качестве последнего шага для оптимального определения и представление всей сети применяется процедура фильтрации шумов и подключения. Преимущество предлагаемой методологии и эффективности и точная локализация извлеченные компоненты являются продемонстрировал с помощью лидара данные из двух разных областей и сравнения обоих извлечений с поля обследованных сетей.

Результаты (русский) 2:

Статистический подход к LiDAR получены топографические признаки для автоматического извлечения сети каналов и для выбора шкалы, чтобы применить для оценки параметров представлены в этой статье. Основой этого подхода является использование анализа распределения и статистические дескрипторов, чтобы определить каналы, по которым геометрия местности означает значимое конвергенции. Две области тематического исследования с различной морфологией и степенью организации используются с их 1м LiDAR цифровые моделей рельефа местности (DTM). Топографические карты атрибутов (искривление и открытость) для различных размеров окна выводятся из-DTM в целях выявления поверхностных конвергенции. Статистический анализ распределений значений с учетом каждого размера окна осуществляется по выбору оптимального ядра. Мы предлагаем метод трехступенчатый извлечь сеть, основанную () на нормализацию и перекрытия открытости и минимальной кривизны, чтобы подчеркнуть, тем более вероятно поверхностные конвергенции, (б) взвешивание области нарастания в соответствии с этими нормированных карт для выявления дренаж течь пути и накопление в соответствии с геометрией ландшафта, (С) стандартный счет нормализации взвешенной области нарастания и использования стандартных значений набрать как можно, не субъективного порога для идентификации сети проточного канала. В качестве заключительного этапа для оптимального определения и представления всей сети, процедура фильтрации шума и подключение применяется. Преимущество предлагаемой методики и эффективность и точный локализация выделенных признаков продемонстрированы на лидара данные двух различных областях и сравнивая обе экстракции с полем опрошенных сетей.

Результаты (русский) 3:

В настоящем документе, лазерный радар сеть каналов, полученных свойства местности автоматическое извлечение и масштабов оценки для выбора параметров статистических методов.основой такой метод является анализ распределения и использования статистики для определения каналов дескриптор местности геометрия говорит значительное сближение.две разные формы и степень в области организации исследований ситуации с 1м лазерный радар цифровой модели рельефа местности (DTM).атрибут карт местности (кривизна и открытости) различных размер окна для обнаружения источников является DTM поверхности конвергенции.в значение распределения рассмотреть каждый размер окна - это лучший выбор ядро для статистического анализа.мы предлагаем три шага на основе сети методы добычи (один) для нормализации и дублирования открытости и минимальный радиус кривизны поверхности порыва более вероятно, сближение,B) на основе этих критериев определения дренажных потоком и карта местности потока и накопления геометрия взвешенная площадь водосбора, (C) весовой площадь водосбора балла стандартных норм и стандартов оценки стоимости в качестве канала Сети признания не субъективные порог.в качестве оптимального определения и всей сети, говорит, что последний шаг, шум, фильтрации и подключения приложений.Предлагаемый метод извлечения преимущества и особенности, точность позиционирования демо является использование в разных районах добычи и лазерный радар сопоставление данных расследования на месте сети.