Vai al contenuto

Funzionalità

Visualizzatore di nuvole di punti Pre-elaborazione delle nuvole di punti Classificazione delle nuvole di punti Rasterizzazione delle nuvole di punti Vettorializzazione delle nuvole di punti Fotogrammetria API di elaborazione

Settori

Rilievo topografico Gestione della vegetazione sulle linee elettriche Settore forestale Idrologia e acque

Altro

Prezzi Contatti

Lingua

EnglishEspañol日本語FrançaisPortuguêsDeutschItaliano
Accedi Prova gratis

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

Nuvola di punti LiDAR classificata che mostra gli strati della vegetazione forestale e la separazione del suolo per l'inventario degli alberi
Nuvola di punti classificata con l'IA: suolo (marrone), vegetazione (verde) ed edifici (rosso)

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

01

Importazione

File LAS/LAZ caricati con tutti i ritorni

02

Classificazione

L'IA separa suolo e non suolo

03

Validazione

Controlli qualità automatici sull'accuratezza

04

Interpolazione

Punti al suolo → superficie del DTM

05

Derivazione

Pendenza, esposizione, curve di livello

06

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)

Vista di classificazione di una nuvola di punti LiDAR nel browser con Lidarvisor

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

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 gratuito

50 crediti gratuiti. Nessuna carta di credito. Nessun software da installare.