Zum Inhalt springen

Funktionen

Punktwolken-Viewer Vorverarbeitung von Punktwolken Klassifizierung von Punktwolken Rasterisierung von Punktwolken Vektorisierung von Punktwolken Photogrammetrie Verarbeitungs-API

Branchen

Vermessung Vegetationsmanagement an Freileitungen Forstwirtschaft Hydrologie und Gewässer

Mehr

Preise Kontakt

Sprache

EnglishEspañol日本語FrançaisPortuguêsDeutschItaliano
Anmelden Kostenlos testen

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

Klassifizierte LiDAR-Punktwolke mit Vegetationsschichten eines Waldes und vom Boden getrennten Punkten für die Waldinventur
Mit KI klassifizierte Punktwolke: Boden (braun), Vegetation (grün) und Gebäude (rot)

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

01

Einlesen

LAS/LAZ-Dateien werden mit allen Echos geladen

02

Klassifizieren

KI trennt Boden von Nicht-Boden

03

Validieren

Automatische QS prüft die Genauigkeit

04

Interpolieren

Bodenpunkte → DGM-Oberfläche

05

Ableiten

Neigung, Exposition, Höhenlinien

06

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)

Browserbasierte Ansicht der LiDAR-Punktwolkenklassifizierung in Lidarvisor

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

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 erstellen

50 kostenlose Credits. Ohne Kreditkarte. Ohne Softwareinstallation.