Aprenda LiDAR
Guia de classificação LiDAR: classes ASPRS, códigos e fluxo de trabalho da nuvem de pontos
A classificação LiDAR organiza nuvens de pontos brutas em classes utilizáveis, como solo, vegetação baixa ou alta, edificações, água, tabuleiros de pontes, cabos e postes.
Sem cartão de crédito • 50 créditos grátis incluídos
Este guia explica os códigos de classe ASPRS e o fluxo de trabalho que as equipes usam para transformar arquivos LAS ou LAZ em entregáveis prontos para terreno, florestas e redes de energia.
Por que a classificação importa
Sem classificação, uma nuvem de pontos não passa de milhões de coordenadas XYZ. Com a classificação, ela se torna um conjunto de dados organizado, no qual você pode:
- Isolar os pontos de solo para a modelagem do terreno
- Extrair as edificações para o mapeamento urbano
- Identificar a vegetação para a análise florestal
- Mapear as linhas de energia para a inspeção de redes
A informação de classificação é armazenada nos arquivos LAS/LAZ como um atributo inteiro, conforme as normas da ASPRS.
Códigos de classificação padrão ASPRS
Classes básicas
- 0: Nunca classificado
- 1: Não classificado
- 2: Solo
- 7: Ponto baixo (ruído)
- 9: Água
Vegetação
- 3: Vegetação baixa (0 a 0,5 m)
- 4: Vegetação média (0,5 a 2 m)
- 5: Vegetação alta (>2 m)
- 6: Edificação
Infraestrutura
- 10: Trilho
- 11: Superfície viária
- 14: Cabo condutor
- 15: Torre de transmissão
- 17: Tabuleiro da ponte
Classificação em áreas agrícolas
Em paisagens agrícolas, a classificação separa lavouras, cercas vivas, edificações rurais e infraestrutura de irrigação. Isso permite análises de agricultura de precisão e o planejamento do uso da terra.
O fluxo de trabalho da classificação
Etapa 1: classificação do ruído
Classifique sempre o ruído primeiro. Pontos discrepantes corrompem os algoritmos seguintes: ruído alto (pássaros, atmosfera) e ruído baixo (erros de multicaminho).
Etapa 2: classificação do solo
A classificação do solo é a base. A classificação de edificações e de vegetação exige saber onde está o solo. Algoritmos comuns: densificação progressiva de TIN, filtro de simulação de tecido (CSF) e SMRF.
Etapa 3: classificação das edificações
Os algoritmos identificam as edificações pela altura acima do solo, pelas superfícies planas e pela regularidade geométrica.
Etapa 4: estratificação da vegetação
Separe os pontos em estratos de altura: baixo (0 a 0,5 m), médio (0,5 a 2 m) e alto (>2 m). A distinção entre vegetação e edificações se baseia em padrões dispersos versus superfícies planas.
Terreno rural e florestado
Classificar áreas rurais com cobertura florestal mista exige um ajuste cuidadoso dos parâmetros. Os algoritmos de classificação do solo precisam lidar com a transição entre campos abertos e dossel denso, enquanto a estratificação da vegetação revela a estrutura da floresta, do sub-bosque à copa.
Algoritmos de classificação do solo
Densificação progressiva de TIN
Constrói uma superfície triangulada de forma iterativa. Para terrenos em geral, muito usada em produção.
Filtro de simulação de tecido (CSF)
Simula um tecido caindo sobre a nuvem invertida. Lida com terrenos variados e encostas íngremes.
Classificação de linhas de energia e redes
Linhas de energia e infraestrutura de transmissão exigem algoritmos de classificação especializados. A geometria linear e fina dos condutores exige alta densidade de pontos e uma separação cuidadosa da vegetação ao redor. Os dados classificados de linhas de energia permitem a análise de invasão da vegetação e o planejamento da manutenção.
Artigos relacionados
Classificação de nuvens de pontos
• Códigos de classificação • Métodos de classificação • O que é a classificação? • Softwares de classificação • Guia de classificação manual
Terreno e altitude
• Guia do MDT • Guia do MDS • Guia do MDE • MDT vs. MDS • Mapas de relevo sombreado
Automatize seu fluxo de classificação
O Lidarvisor usa classificação com IA para rotular automaticamente solo, vegetação, edificações e muito mais. Envie seus arquivos LAS/LAZ e receba dados classificados com geração de MDT/MDS.
Ferramentas manuais integradas (seleção por pincel, troca de classes, filtragem) permitem refinar os casos difíceis sem sair da plataforma.