LiDAR-Wissen
KI-Bodenklassifizierung für LiDAR
Deep-Learning-Methoden und Forschung (2024-2026)
Keine Kreditkarte erforderlich • 50 kostenlose Credits inklusive
Die manuelle Bodenklassifizierung ist der langsamste und mühsamste Schritt der LiDAR-Verarbeitung. Klassische Filter versagen in komplexem Gelände. Deep-Learning-Methoden erreichen heute eine höhere Genauigkeit und erhalten dabei wichtige Geländemerkmale, und das automatisch.
Warum klassische Bodenfilter an ihre Grenzen stoßen
Die Klassifizierung der Bodenpunkte ist der wichtigste Schritt der LiDAR-Verarbeitung für die Geländemodellierung. Eine genaue Bodenfilterung bestimmt direkt die Qualität von Digitalen Geländemodellen (DGM), Einzugsgebietsanalysen und Hochwassermodellierung.
Klassische Verfahren wie progressive morphologische Filter (PMF) und Cloth Simulation Filter (CSF) funktionieren in flachem Gelände gut, stoßen aber an ihre Grenzen bei:
- komplexen Landschaften mit wechselnden Neigungen und Geländetypen
- dichter Vegetation, in der Bodenpunkte spärlich sind
- steilen Hängen, die Fehlklassifizierungen auslösen
- Stadtgebieten mit Brücken, Überführungen und komplexen Bauwerken
Aktuelle Deep-Learning-Architekturen
Seit 2024 haben Deep-Learning-Ansätze die Bodenklassifizierung grundlegend verändert: Sie erreichen eine höhere Genauigkeit und erhalten dabei wichtige Geländemerkmale
Point-Transformer-Modelle
Die Point-Transformer-Architektur ist zur Grundlage der LiDAR-Klassifizierung geworden. Weiterentwickelte Self-Attention- und Cross-Attention-Mechanismen verbessern die Erkennung der Grenze zwischen Boden- und Nicht-Bodenpunkten.
Geländesensitive hierarchische Netze
Die 2025 veröffentlichten geländesensitiven hierarchischen Netze kombinieren räumlichen Kontext auf mehreren Skalen, um Rinnen, Grate und Bruchkanten besser zu trennen. Sie liefern bessere Ergebnisse in komplexem Gelände, in dem klassische Filter an ihre Grenzen stoßen.
Transformer des USGS für 3DEP
Im September 2024 veröffentlichte der USGS eine Studie zur automatischen, Transformer-basierten Klassifizierung von 3DEP-LiDAR-Daten, die verrauschte Punkte im kontinentalen Maßstab korrigiert.
RandLA-Net für große Datenmengen
Nutzt eine zufällige Punktauswahl, um riesige Punktwolken (über 1 Million Punkte) in einem einzigen Durchgang zu verarbeiten: Verarbeitung in Echtzeit bei geringerem Speicherbedarf.
Die Herausforderung, Bruchkanten zu erhalten
Die Herausforderung
Eine der meistdiskutierten Herausforderungen der Forschung 2024 bis 2025 ist der Erhalt von Bruchkanten: Scharfe Geländeübergänge (Abbruchkanten, Uferböschungen, Straßeneinschnitte), die die klassische TIN-Interpolation bewahrt, werden von manchen ML-Methoden geglättet.
Aktuelle Lösungen
Merkmalslernen auf mehreren Skalen: Architekturen wie geländesensitive hierarchische Netze erkennen sowohl großräumige Trends als auch feine Unstetigkeiten.
Kantensensitive Verlustfunktionen: Netze werden so trainiert, dass sie das Glätten von Bruchkanten bestrafen.
Hybride Ansätze: DL-Klassifizierung kombiniert mit klassischer TIN-Erzeugung.
KI-KLASSIFIZIERUNG SCHON HEUTE NUTZEN
Ablauf der DGM-Erzeugung
So fügt sich moderne KI-gestützte Bodenklassifizierung in einen Produktionsablauf ein
Einlesen
LAS/LAZ-Dateien werden mit allen Echos geladen
Klassifizieren
KI trennt Boden von Nicht-Boden
Validieren
Automatische QS prüft die Genauigkeit
Interpolieren
Bodenpunkte → DGM-Oberfläche
Ableiten
Neigung, Exposition, Höhenlinien
Exportieren
GeoTIFF, DXF oder SHP zur Übergabe an das nächste Programm
Keine GPU nötig. Keine Einrichtung.
Komplexes Gelände in Minuten statt Stunden verarbeiten
Sie brauchen weder eine lokale GPU noch Python-Kenntnisse oder ein aufwendiges Modelltraining. Lidarvisor bietet eine cloudbasierte KI-Klassifizierung, die den gesamten Ablauf automatisch abwickelt.
- LAS/LAZ-Datei direkt im Browser hochladen
- Automatische KI-Klassifizierung, ohne Parameter
- Klassifizierte Daten nach ASPRS-Standard herunterladen
- DGM, DOM und Höhenlinien im selben Arbeitsgang erzeugen
Wichtige Forschungsarbeiten (2024-2026)
USGS • September 2024
Automated Transformer-Based Classification for 3DEP LiDAR
Klassifizierung im kontinentalen Maßstab mit Transformer-Modellen, um verrauschte und falsch klassifizierte Punkte zu korrigieren.
2025
Terrain-Aware Hierarchical Networks for Complex Terrain Extraction
Räumliches Merkmalslernen auf mehreren Skalen für bessere Ergebnisse in zerfurchtem und schwierigem Gelände.
PMC • 2024
Airborne LiDAR Classification Using Ensemble Learning
Ensemble-Methoden, die mehrere Modelle für robuste Abläufe der DGM-Produktion kombinieren.
Häufig gestellte Fragen
Wie schneidet die KI-Bodenklassifizierung im Vergleich zu klassischen Filtern ab?
KI-Methoden wie Transformer-Netze und geländesensitive hierarchische Netze übertreffen klassische Filter (PMF, CSF) in komplexem Gelände durchweg: Sie erreichen an steilen Hängen, in dichter Vegetation und in Stadtgebieten eine höhere Genauigkeit und erhalten dabei Bruchkanten und Geländemerkmale.
Brauche ich GPU-Hardware oder ML-Kenntnisse?
Nein. Lidarvisor führt die KI-Klassifizierung in der Cloud aus: Sie laden Ihre Punktwolke im Browser hoch und laden die klassifizierten Ergebnisse herunter. Keine lokale GPU, keine Python-Umgebung und kein Modelltraining nötig.
Welche Dateiformate werden unterstützt?
Lidarvisor akzeptiert LAS- und LAZ-Dateien. Ausgegeben werden nach ASPRS klassifizierte Punktwolken (Klasse 2 = Boden) sowie abgeleitete Produkte wie DGM, DOM und Höhenlinien.
Wie lange dauert die KI-Klassifizierung?
Die Verarbeitungszeit hängt von der Größe der Punktwolke ab, die meisten Datensätze sind aber in Minuten fertig, statt der Stunden, die eine manuelle Klassifizierung und die Korrektur der Ergebnisse klassischer Filter erfordern.
Eignet sich das Klassifizierungsergebnis für DGM in Vermessungsqualität?
Ja. Die KI-Klassifizierung liefert Punkte mit Codes nach ASPRS-Standard, die sich für professionelle Geländemodellierung, Einzugsgebietsanalysen, Hochwasserstudien und Ingenieuranwendungen eignen.
Weiterführende Ressourcen
Klassifizierungsmethoden
Allgemeiner Überblick über die Klassifizierung
DGM-Leitfaden
Geländemodelle verstehen
Klassifizierungscodes
Die Standardklassen der ASPRS
KI-Klassifizierung
So funktioniert die KI von Lidarvisor
Automatisieren Sie Ihre Bodenklassifizierung
Verarbeiten Sie komplexes Gelände, an dem klassische Filter scheitern. Laden Sie Ihre LAS/LAZ-Dateien hoch und erhalten Sie in wenigen Minuten mit KI klassifizierte Ergebnisse. Starten Sie mit 50 kostenlosen Credits.
Kostenloses Konto erstellen50 kostenlose Credits. Ohne Kreditkarte. Ohne Softwareinstallation.