LiDAR-Wissen
Leitfaden zur LiDAR-Klassifizierung: ASPRS-Klassen, Codes und Arbeitsablauf für Punktwolken
Die LiDAR-Klassifizierung gliedert rohe Punktwolken in nutzbare Klassen wie Boden, niedrige oder hohe Vegetation, Gebäude, Wasser, Brückenfahrbahnen, Seile und Masten.
Keine Kreditkarte erforderlich • 50 kostenlose Credits inklusive
Dieser Leitfaden erklärt die ASPRS-Klassencodes und den Arbeitsablauf, mit dem Teams aus LAS- oder LAZ-Dateien einsatzfähige Ergebnisse für Gelände, Forst und Versorgungsnetze erstellen.
Warum die Klassifizierung wichtig ist
Ohne Klassifizierung ist eine Punktwolke nichts weiter als Millionen von XYZ-Koordinaten. Mit Klassifizierung wird sie zu einem geordneten Datensatz, in dem Sie:
- Bodenpunkte für die Geländemodellierung isolieren
- Gebäude für die Stadtkartierung extrahieren
- Vegetation für die Forstanalyse erkennen
- Freileitungen für die Leitungsinspektion kartieren
Die Klassifizierung wird in LAS- und LAZ-Dateien als ganzzahliges Attribut nach ASPRS-Standard gespeichert.
ASPRS-Standardklassencodes
Grundklassen
- 0: Nie klassifiziert
- 1: Nicht zugewiesen
- 2: Boden
- 7: Tiefpunkt (Rauschen)
- 9: Wasser
Vegetation
- 3: Niedrige Vegetation (0 bis 0,5 m)
- 4: Mittelhohe Vegetation (0,5 bis 2 m)
- 5: Hohe Vegetation (über 2 m)
- 6: Gebäude
Infrastruktur
- 10: Schiene
- 11: Straßenbelag
- 14: Leiterseil (Phase)
- 15: Freileitungsmast
- 17: Brückenfahrbahn
Klassifizierung in landwirtschaftlichen Gebieten
In landwirtschaftlich geprägten Gebieten trennt die Klassifizierung Ackerflächen, Hecken, landwirtschaftliche Gebäude und Bewässerungsanlagen. Das ermöglicht Analysen für die Präzisionslandwirtschaft und die Planung der Flächenbewirtschaftung.
Der Ablauf der Klassifizierung
Schritt 1: Klassifizierung des Rauschens
Klassifizieren Sie immer zuerst das Rauschen. Ausreißer verfälschen alle nachfolgenden Algorithmen: hohes Rauschen (Vögel, Atmosphäre) und niedriges Rauschen (Mehrwegefehler).
Schritt 2: Bodenklassifizierung
Die Bodenklassifizierung ist die Grundlage. Für die Klassifizierung von Gebäuden und Vegetation muss bekannt sein, wo der Boden liegt. Gängige Algorithmen: Progressive TIN Densification, Cloth Simulation Filter (CSF), SMRF.
Schritt 3: Gebäudeklassifizierung
Algorithmen erkennen Gebäude anhand der Höhe über Grund, ebener Flächen und geometrischer Regelmäßigkeit.
Schritt 4: Höhenschichtung der Vegetation
Teilen Sie die Punkte in Höhenschichten ein: niedrig (0 bis 0,5 m), mittel (0,5 bis 2 m), hoch (über 2 m). Vegetation und Gebäude werden an ihrem Muster unterschieden: gestreute Punkte bei Vegetation, ebene Flächen bei Gebäuden.
Ländliches und bewaldetes Gelände
Ländliche Gebiete mit wechselnder Waldbedeckung erfordern eine sorgfältige Parametereinstellung. Algorithmen zur Bodenklassifizierung müssen den Übergang zwischen offenen Feldern und dichtem Kronendach bewältigen, während die Höhenschichtung der Vegetation die Waldstruktur vom Unterwuchs bis zur Krone sichtbar macht.
Algorithmen zur Bodenklassifizierung
Progressive TIN Densification
Baut iterativ eine triangulierte Oberfläche auf. Für allgemeines Gelände, in der Produktion weit verbreitet.
Cloth Simulation Filter
Simuliert ein Tuch, das sich über die umgedrehte Punktwolke legt. Kommt mit wechselndem Gelände und steilen Hängen zurecht.
Klassifizierung von Freileitungen und Versorgungsnetzen
Freileitungen und Übertragungsnetze erfordern spezielle Klassifizierungsalgorithmen. Die dünne, linienförmige Geometrie der Leiterseile verlangt eine hohe Punktdichte und eine sorgfältige Trennung von der umgebenden Vegetation. Klassifizierte Freileitungsdaten ermöglichen Einwuchsanalysen und die Instandhaltungsplanung.
Weitere Artikel
Punktwolkenklassifizierung
• Klassifizierungscodes • Klassifizierungsmethoden • Was ist Klassifizierung? • Klassifizierungssoftware • Leitfaden zur manuellen Klassifizierung
Gelände und Höhen
• DGM-Leitfaden • DOM-Leitfaden • DHM-Leitfaden • DGM und DOM im Vergleich • Schummerungskarten
Automatisieren Sie den Ablauf Ihrer Klassifizierung
Lidarvisor klassifiziert Boden, Vegetation, Gebäude und weitere Klassen automatisch mit KI. Laden Sie Ihre LAS- oder LAZ-Dateien hoch und erhalten Sie klassifizierte Daten samt DGM und DOM.
Integrierte manuelle Werkzeuge (Pinselauswahl, Klassentausch, Filter) helfen Ihnen, Grenzfälle zu korrigieren, ohne die Plattform zu verlassen.