Conoscere il LiDAR
Classificazione del suolo LiDAR con l'IA
Metodi di deep learning e ricerca (2024-2026)
Nessuna carta di credito richiesta • 50 crediti gratuiti inclusi
La classificazione manuale del suolo è la fase più lenta e frustrante dell'elaborazione LiDAR. I filtri tradizionali non funzionano sui terreni complessi. I metodi di deep learning raggiungono oggi un'accuratezza maggiore conservando gli elementi critici, in modo automatico.
Perché i filtri tradizionali del suolo vanno in difficoltà
La classificazione dei punti al suolo è la fase più critica dell'elaborazione LiDAR per la modellazione del terreno. Un filtraggio accurato del suolo determina direttamente la qualità dei modelli digitali del terreno (DTM), delle analisi dei bacini idrografici e della modellazione delle alluvioni.
I metodi tradizionali come i Progressive Morphological Filter (PMF) e i Cloth Simulation Filter (CSF) funzionano bene su terreni pianeggianti ma hanno difficoltà con:
- paesaggi complessi, con pendenze e tipi di terreno variabili
- vegetazione densa, dove i punti al suolo sono radi
- pendii ripidi, che generano falsi positivi
- aree urbane, con ponti, cavalcavia e strutture complesse
Architetture di deep learning attuali
Dal 2024 gli approcci di deep learning hanno trasformato la classificazione del suolo, con un'accuratezza maggiore e la conservazione di importanti elementi del terreno
Modelli Point Transformer
L'architettura Point Transformer è diventata una base per la classificazione LiDAR. Meccanismi aggiornati di self-attention e cross-attention migliorano il riconoscimento del confine tra punti al suolo e punti non al suolo.
Reti gerarchiche sensibili al terreno
Pubblicate nel 2025, le reti gerarchiche sensibili al terreno combinano il contesto spaziale a più scale per separare meglio impluvi, creste e linee di discontinuità, con prestazioni migliori sui terreni complessi dove i filtri tradizionali sono in difficoltà.
Transformer dell'USGS per il 3DEP
A settembre 2024 l'USGS ha pubblicato una ricerca sulla classificazione automatica basata su transformer dei dati LiDAR del 3DEP, che corregge i punti rumorosi su scala continentale.
RandLA-Net per i grandi volumi
Usa il campionamento casuale per elaborare in un solo passaggio nuvole di punti enormi (oltre 1 milione di punti), con elaborazione in tempo reale e minori requisiti di memoria.
La sfida della conservazione delle linee di discontinuità
Il problema
Una delle difficoltà più discusse nella ricerca 2024-2025 è la fedeltà delle linee di discontinuità: conservare le transizioni nette del terreno (cigli di scarpate, sponde dei corsi d'acqua, trincee stradali) che l'interpolazione TIN tradizionale mantiene ma che alcuni metodi di ML smussano.
Le soluzioni attuali
Apprendimento di caratteristiche a più scale: architetture come le reti gerarchiche sensibili al terreno rilevano sia le tendenze generali sia le discontinuità di piccola scala.
Funzioni di perdita sensibili ai bordi: le reti vengono addestrate a penalizzare lo smussamento delle linee di discontinuità.
Approcci ibridi: la classificazione con il deep learning viene combinata con la generazione tradizionale del TIN.
USARE OGGI LA CLASSIFICAZIONE CON L'IA
Flusso di generazione del DTM
La moderna classificazione del suolo basata sull'IA si inserisce in un flusso di produzione
Importazione
File LAS/LAZ caricati con tutti i ritorni
Classificazione
L'IA separa suolo e non suolo
Validazione
Controlli qualità automatici sull'accuratezza
Interpolazione
Punti al suolo → superficie del DTM
Derivazione
Pendenza, esposizione, curve di livello
Esportazione
GeoTIFF, DXF o SHP passati allo strumento successivo
Nessuna GPU necessaria. Nessuna configurazione.
Elaborare terreni complessi in minuti, non in ore
Non servono una GPU locale, competenze di Python o un complesso addestramento di modelli. Lidarvisor offre una classificazione con IA nel cloud che gestisce automaticamente l'intero flusso di lavoro.
- Caricamento del file LAS/LAZ direttamente nel browser
- Classificazione automatica con IA, senza parametri
- Download di dati classificati conformi ASPRS
- Generazione di DTM, DSM e curve di livello nello stesso flusso
Principali articoli di ricerca (2024-2026)
USGS • settembre 2024
Classificazione automatica basata su transformer per il LiDAR del 3DEP
Classificazione su scala continentale con modelli transformer per correggere i punti rumorosi e quelli classificati in modo errato.
2025
Reti gerarchiche sensibili al terreno per l'estrazione di terreni complessi
Apprendimento di caratteristiche spaziali a più scale per prestazioni migliori su terreni solcati da impluvi e su tipi di terreno difficili.
PMC • 2024
Classificazione del LiDAR aereo con l'ensemble learning
Metodi ensemble che combinano più modelli per flussi di produzione del DTM robusti.
Domande frequenti
Come si comporta la classificazione del suolo con l'IA rispetto ai filtri tradizionali?
I metodi basati sull'IA, come le reti transformer e le reti gerarchiche sensibili al terreno, superano costantemente i filtri tradizionali (PMF, CSF) sui terreni complessi: ottengono un'accuratezza maggiore su pendii ripidi, vegetazione densa e aree urbane, conservando le linee di discontinuità e gli elementi del terreno.
Servono una GPU o competenze di machine learning?
No. Lidarvisor esegue la classificazione con IA nel cloud: si carica la nuvola di punti dal browser e si scaricano i risultati classificati. Non servono né una GPU locale, né un ambiente Python, né l'addestramento di modelli.
Quali formati di file sono supportati?
Lidarvisor accetta file LAS e LAZ. I risultati comprendono nuvole di punti classificate conformi ASPRS (classe 2 = Suolo) e prodotti derivati come DTM, DSM e curve di livello.
Quanto tempo richiede la classificazione con l'IA?
Il tempo di elaborazione dipende dalle dimensioni della nuvola di punti, ma la maggior parte dei dataset è pronta in pochi minuti, anziché nelle ore necessarie per classificare a mano e correggere i risultati dei filtri tradizionali.
Il risultato della classificazione è adatto a DTM di livello topografico?
Sì. La classificazione con l'IA produce punti codificati secondo lo standard ASPRS, utilizzabili per la modellazione professionale del terreno, l'analisi dei bacini idrografici, gli studi sulle alluvioni e le applicazioni di ingegneria.
Risorse correlate
Metodi di classificazione
Panoramica generale della classificazione
Guida al DTM
Capire i modelli del terreno
Codici di classificazione
Classi standard ASPRS
Classificazione con l'IA
Come funziona l'IA di Lidarvisor
Automatizzi la classificazione del suolo
Elabori i terreni complessi che mettono in crisi i filtri tradizionali. Carichi il suo file LAS/LAZ e ottenga in pochi minuti risultati classificati con l'IA. Inizi con 50 crediti gratuiti.
Crea un account gratuito50 crediti gratuiti. Nessuna carta di credito. Nessun software da installare.