Resumen
Clasifica los puntos LAS de escaneados superpuestos procedentes de levantamientos topográficos LIDAR aéreos.
Ilustración
Uso
Los puntos superpuestos representan resultados de LAS que existen cerca de otro punto a partir de un escaneo que se origina en una línea de vuelo diferente. Cuando varios puntos de líneas de vuelo diferentes se representan a una distancia más corta que el espaciado de punto nominal, el punto con el mayor ángulo de escaneo normalmente se marca como superposición. La designación Superponer permite filtrar los puntos y excluirlos de la visualización y el análisis.
Esta herramienta se ha diseñado para funcionar con archivos LAS en teselas que combinan registros de puntos de varias líneas de vuelo. Cada archivo LAS se procesa individualmente, los datos LAS de entrada archivo por archivo, lo que significa que no identificará puntos superpuestos si cada línea de vuelo se almacena en un archivo LAS separado. La herramienta LAS de tesela se puede utilizar para fusionar una colección de archivos LAS compuesta por líneas de vuelo individuales en archivos en teselas que fusionan varias líneas de vuelo.
Los puntos superpuestos sin clasificar podrían producir resultados no deseados en operaciones que adoptan una distribución de puntos regular. Los datos derivados de puntos de procesamiento con densidades y una distribución de puntos irregulares podrían producir un margen de error no deseado. La clasificación de puntos superpuestos permite filtrar los datos LAS para producir una densidad de puntos uniforme y reducir el potencial de devolución de puntos con un margen de error superior.
El atributo de Id. de origen de punto de un punto LAS proporciona información acerca de la línea de vuelo desde la que se recopiló. Esta herramienta procesa los datos LAS de las teselas determinando si existen varios Id. de origen de punto y, a continuación, identificando como superposición el Id. con el ángulo de escaneo de mayor magnitud. Si se encuentran varios puntos con el mismo Id. de origen de punto en el área que se está procesando, se clasificarán como superposición todos los puntos que compartan el Id. de origen de punto del punto que tenga el ángulo de escaneo de mayor magnitud. Por este motivo, el tamaño de la muestra utilizada para evaluar los puntos LAS debería ser, aproximadamente, entre el doble y el triple del espaciado de puntos nominal de los datos LAS. Se deben evitar los tamaños de tesela mayores, ya que aumenta el riesgo de clasificar erróneamente los puntos con valores de ángulo de escaneo menores. Puede que las muestras de menor tamaño no capturen los puntos suficientes como para identificar y clasificar debidamente los puntos de superposición.
Los puntos de superposición de los archivos LAS de la versión 1.4 y formatos de registro de puntos de entre 6 y 8 reciben el marcador de clasificación de superposición, si bien conservan el valor de su código de clase original. Los puntos de superposición de todos los demás archivos LAS admitidos reciben un valor de código de clase de 12. Si el valor de código de clase de 12 ya se está utilizando en los archivos LAS de entrada para representar otras cosas que no sean escaneos de superposición, plantéese utilizar la herramienta Cambiar códigos de clase LAS para reasignar estos puntos a otro valor antes de ejecutar esta herramienta.
Sintaxis
ClassifyLasOverlap(in_las_dataset, sample_distance, {extent}, {process_entire_files}, {compute_stats})| Parámetro | Explicación | Tipo de datos |
in_las_dataset | El dataset LAS de teselas que se va a procesar. | LAS Dataset Layer |
sample_distance | La distancia de cualquier dimensión del área cuadrada utilizada para evaluar los datos LAS. Este valor se puede expresar como un número y un valor de unidad lineal, por ejemplo, 3 metros. Si no se especifican las unidades lineales o se introducen como Unknown, la unidad se definirá mediante la referencia espacial del archivo LAS de entrada. | Linear Unit |
extent (Opcional) | Especifica la extensión de los datos que se evaluarán con esta herramienta. | Extent |
process_entire_files (Opcional) | Especifica cómo se va a aplicar la extensión de procesamiento.
| Boolean |
compute_stats (Opcional) | Especifica si las estadísticas se deben calcular para los archivos LAS a los que hace referencia el dataset LAS. Calcular estadísticas proporciona un índice espacial para cada archivo LAS, lo que mejora el análisis y el rendimiento de la visualización. Las estadísticas también mejoran la experiencia de filtrado y simbología al limitar la visualización de los atributos LAS, como los códigos de clasificación y la información de retorno, a los valores presentes en el archivo LAS.
| Boolean |
Salida derivada
| Nombre | Explicación | Tipo de datos |
| out_las_dataset | El dataset LAS que se va a modificar. | Capa de dataset LAS |
Muestra de código
En el siguiente ejemplo se muestra cómo usar esta herramienta en la ventana de Python.
arcpy.env.workspace = 'C:/data'
arcpy.ddd.ClassifyLasOverlap('Denver_2.lasd', '1 Meter')En el siguiente ejemplo se muestra cómo usar esta herramienta en un script independiente de Python.
'''****************************************************************************
Name: Classify Lidar & Extract Building Footprints
Description: Extract footprint from lidar points classified as buildings,
regularize its geometry, and calculate the building height.
****************************************************************************'''
import arcpy
lasd = arcpy.GetParameterAsText(0)
dem = arcpy.GetParameterAsText(1)
footprint = arcpy.GetParameterAsText(2)
try:
desc = arcpy.Describe(lasd)
if desc.spatialReference.linearUnitName in ['Foot_US', 'Foot']:
unit = 'Feet'
else:
unit = 'Meters'
ptSpacing = desc.pointSpacing * 2.25
sampling = '{0} {1}'.format(ptSpacing, unit)
# Classify overlap points
arcpy.ddd.ClassifyLASOverlap(lasd, sampling)
# Classify ground points
arcpy.ddd.ClassifyLasGround(lasd)
# Filter for ground points
arcpy.management.MakeLasDatasetLayer(lasd, 'ground', class_code=[2])
# Generate DEM
arcpy.conversion.LasDatasetToRaster('ground', dem, 'ELEVATION',
'BINNING NEAREST NATURAL_NEIGHBOR',
sampling_type='CELLSIZE',
sampling_value=desc.pointSpacing)
# Classify noise points
arcpy.ddd.ClassifyLasNoise(lasd, method='ISOLATION', edit_las='CLASSIFY',
withheld='WITHHELD', ground=dem,
low_z='-2 feet', high_z='300 feet',
max_neighbors=ptSpacing, step_width=ptSpacing,
step_height='10 feet')
# Classify buildings
arcpy.ddd.ClassifyLasBuilding(lasd, '7.5 feet', '80 Square Feet')
#Classify vegetation
arcpy.ddd.ClassifyLasByHeight(lasd, 'GROUND', [8, 20, 55],
compute_stats='COMPUTE_STATS')
# Filter LAS dataset for building points
lasd_layer = 'building points'
arcpy.management.MakeLasDatasetLayer(lasd, lasd_layer, class_code=[6])
# Export raster from lidar using only building points
temp_raster = 'in_memory/bldg_raster'
arcpy.management.LasPointStatsAsRaster(lasd_layer, temp_raster,
'PREDOMINANT_CLASS', 'CELLSIZE', 2.5)
# Convert building raster to polygon
temp_footprint = 'in_memory/footprint'
arcpy.conversion.RasterToPolygon(temp_raster, temp_footprint)
# Regularize building footprints
arcpy.ddd.RegularizeBuildingFootprint(temp_footprint, footprint,
method='RIGHT_ANGLES')
except arcpy.ExecuteError:
print(arcpy.GetMessages())Entornos
Información de licenciamiento
- Basic: Requiere 3D Analyst
- Standard: Requiere 3D Analyst
- Advanced: Requiere 3D Analyst