手作業による地表分類は、LiDAR処理の中で最も時間がかかり、最も手を焼く工程です。従来のフィルターは複雑な地形でうまく働きません。現在では、ディープラーニングによる手法が、重要な地形の特徴を保ったまま、より高い精度を自動で達成しています。
従来の地表フィルターが苦戦する理由
地表点の分類は、地形のモデル化に向けたLiDAR処理で最も重要な工程です。地表のフィルタリングの正確さが、数値地形モデル(DTM)、流域解析、洪水のモデル化の品質を直接左右します。
Progressive Morphological Filter(PMF)やCloth Simulation Filter(CSF)などの従来の手法は、平坦な地形ではうまく機能しますが、次のような場面では苦戦します。
- 傾斜や地形の種類が変化する複雑な地形
- 地表点がまばらになる密な植生
- 誤検出を招く急斜面
- 橋梁、高架、複雑な構造物がある市街地
現在のディープラーニングのアーキテクチャ
2024年以降、ディープラーニングの手法が地表分類を大きく変え、重要な地形の特徴を保ちながらより高い精度を達成しています。
Point Transformerモデル
Point TransformerのアーキテクチャはLiDAR分類の基盤となっています。改良されたセルフアテンションとクロスアテンションの仕組みにより、地表点と非地表点の境界の検出精度が向上しています。
地形を考慮した階層型ネットワーク
2025年に発表された、地形を考慮した階層型ネットワークは、マルチスケールの空間的な文脈を組み合わせて、ガリー、尾根、ブレークラインをよりよく分離します。従来のフィルターが苦戦する複雑な地形で、より高い性能を示しています。
USGS 3DEPのTransformer
2024年9月、USGSは3DEPのLiDARデータを対象としたTransformerによる自動分類の研究を発表しました。大陸規模でノイズ点を修正するものです。
大規模処理向けのRandLA-Net
ランダムサンプリングにより、巨大な点群(100万点以上)を1回で処理できます。メモリの使用量を抑えたリアルタイムの処理が可能です。
ブレークラインの保持という課題
課題
2024〜2025年の研究で最も議論されている課題の一つがブレークラインの忠実性です。崖の縁、河岸、道路の切土など、急な地形の変化を保つことを指します。従来のTIN補間では保たれますが、一部の機械学習の手法では平滑化されてしまいます。
現在の解決策
マルチスケールの特徴学習:地形を考慮した階層型ネットワークのようなアーキテクチャは、大まかな傾向と細かな不連続の両方を検出します。
エッジを考慮した損失関数:ブレークラインの平滑化にペナルティを与えるようにネットワークを学習させます。
ハイブリッドな手法:ディープラーニングによる分類と従来のTINの生成を組み合わせます。
AI分類を今すぐ使う
DTM生成のワークフロー
最新のAIによる地表分類は、実務の生産工程に組み込めます。
取り込み
すべてのリターンを含むLAS・LAZファイルを読み込み
分類
AIが地表と地表以外を分類
検証
自動の品質確認で精度をチェック
補間
地表点 → DTMの面
派生成果
傾斜、斜面方位、等高線
エクスポート
GeoTIFF、DXF、SHPで次のツールへ受け渡し
GPUも設定も不要
複雑な地形も数時間ではなく数分で処理
ローカルのGPU、Pythonの専門知識、複雑なモデルの学習は必要ありません。Lidarvisorはクラウド上のAI分類で、ワークフロー全体を自動で処理します。
- LAS・LAZファイルをブラウザーから直接アップロード
- AIによる自動分類で、パラメーターの設定は不要
- ASPRSに準拠した分類済みデータをダウンロード
- 同じワークフローでDTM、DSM、等高線を生成
主な研究論文(2024〜2026年)
USGS • 2024年9月
Automated Transformer-Based Classification for 3DEP LiDAR
Transformerモデルを使い、ノイズ点や誤って分類された点を修正する大陸規模の分類。
2025年
Terrain-Aware Hierarchical Networks for Complex Terrain Extraction
マルチスケールの空間的な特徴学習により、ガリーの多い地形や難しい地形でより高い性能を発揮。
PMC • 2024年
Airborne LiDAR Classification Using Ensemble Learning
複数のモデルを組み合わせたアンサンブル手法による、安定したDTMの生産工程。
よくある質問
AIによる地表分類は従来のフィルターと比べてどうですか?
Transformerネットワークや地形を考慮した階層型ネットワークなどのAIによる手法は、複雑な地形で従来のフィルター(PMF、CSF)を一貫して上回っています。急斜面、密な植生、市街地でより高い精度を達成し、ブレークラインや地形の特徴も保ちます。
GPUや機械学習の専門知識は必要ですか?
いいえ。LidarvisorはAI分類をクラウドで実行します。点群をブラウザーからアップロードし、分類結果をダウンロードするだけです。ローカルのGPU、Pythonの環境、モデルの学習は必要ありません。
対応しているファイル形式は?
LidarvisorはLASファイルとLAZファイルに対応しています。出力には、ASPRSに準拠した分類済みの点群(クラス2=地表)に加えて、DTM、DSM、等高線などの派生成果が含まれます。
AIによる分類にはどのくらい時間がかかりますか?
処理時間は点群の大きさによります。手作業での分類や従来のフィルター結果の修正には数時間かかりますが、ほとんどのデータは数分で完了します。
分類の結果は測量品質のDTMに使えますか?
はい。AI分類では、ASPRS標準のコードが付いた点が出力され、実務の地形モデル作成、流域解析、洪水の検討、エンジニアリングの用途に使えます。
地表分類の自動化
従来のフィルターでは破綻する複雑な地形も処理できます。LAS・LAZファイルをアップロードすれば、数分でAIによる分類結果が得られます。50クレジット無料で始められます。
無料アカウントを作成50クレジット無料。カード登録もソフトのインストールも不要です。