DOI: https://doi.org/10.1038/s41598-026-35473-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41530234
تاريخ النشر: 2026-01-13
المؤلف: Jaejun Gou وآخرون
الموضوع الرئيسي: المسح ثلاثي الأبعاد والتراث الثقافي
نظرة عامة
تقدم هذه الورقة البحثية منهجية جديدة لتوليد نماذج التضاريس الرقمية (DTMs) في البيئات النهرية، مع التركيز بشكل خاص على مجرى بوكها في مدينة إيشون، كوريا الجنوبية. تدمج الطريقة سحب النقاط المستمدة من تقنيات الطائرات بدون طيار (UAV) المعتمدة على الهيكل من الحركة (SfM) وتقنية الكشف عن الضوء والمسافة (LiDAR)، مع استخدام خوارزميات تصفية الأرض لتحسين الدقة. استخدمت الدراسة مؤشر الفرق المائي الطبيعي (NDWI) لتصنيف المناطق المائية وغير المائية، تلتها تطبيق ثلاثة مرشحات أرضية: مرشح محاكاة القماش (CSF)، الشبكة غير المنتظمة مثلثية التقدم (PTIN)، ومرشح مورفولوجي بسيط (SMRF) لإزالة النباتات والنقاط الخاطئة.
تمت المصادقة على المنهجية باستخدام 11 مقطع عرضي، مع تقييم مقاييس الدقة من خلال متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE). أشارت النتائج إلى أن مرشح SMRF تفوق على الآخرين، محققًا MAE قدره 0.160 م وRMSE قدره 0.214 م. بينما أزال بشكل فعال النباتات وحافظ على سلامة التضاريس النهرية، أظهر مرشح SMRF ميلًا لتقليل تقدير الارتفاعات في المناطق المائية. بشكل عام، تؤكد النتائج على إمكانية الطريقة المقترحة في تحسين دقة DTM بشكل كبير، مما يفيد النمذجة الهيدرولوجية والبيئية على المقياس المتوسط في بيئات الجداول الصغيرة.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على أهمية الحصول على معلومات تضاريسية دقيقة للجداول من أجل النمذجة الهيدرولوجية والبيئية. تواجه الطرق التقليدية، مثل المسح العرضي والتقنيات المعتمدة على السونار، قيودًا كبيرة، بما في ذلك التكاليف العالية، واستهلاك الوقت، وعدم الفعالية في المياه الضحلة. ظهرت الطائرات بدون طيار (UAVs) كبديل واعد، قادرة على توليد نماذج تضاريس رقمية عالية الدقة (DTMs) في بيئات الجداول الصغيرة. يتم مناقشة طريقتين رئيسيتين للحصول على سحب النقاط باستخدام الطائرات بدون طيار: تقنية الكشف عن الضوء والمسافة (LiDAR) والهيكل من الحركة (SfM).
تعتبر تقنية LiDAR فعالة في اختراق مظلات النباتات والتقاط نقاط الأرض ولكنها تواجه صعوبة مع أسطح المياه بسبب الخصائص العاكسة للأطوال الموجية القريبة من الأشعة تحت الحمراء. على العكس، يمكن لـ LiDAR الأخضر اكتشاف الميزات تحت الماء ولكنه محدود بالظروف البيئية والتكاليف. تعتبر طريقة SfM، على الرغم من فعاليتها للأسطح المرئية، تواجه أيضًا تحديات في المظلات الكثيفة ولكن يمكن أن تولد سحب نقاط لقاع الأنهار عندما تكون الرؤية كافية. تعتبر استخراج نقاط الأرض من بيانات سحب النقاط الخام أمرًا حاسمًا لتوليد DTM بدقة، مما يتطلب تقنيات تصفية متقدمة لتفريق الأرض عن الأشياء غير الأرضية. تم اقتراح طرق تصفية متنوعة، بما في ذلك الشبكة غير المنتظمة مثلثية التقدم (PTIN)، ومرشح مورفولوجي بسيط (SMRF)، ومرشح محاكاة القماش (CSF)، لمعالجة هذه التحديات، مما يمهد الطريق لتحسين دقة النمذجة في الدراسات الهيدرولوجية.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لتوليد نموذج تضاريس رقمي (DTM) باستخدام تقنيات LiDAR والهيكل من الحركة (SfM)، تليها تقييم الدقة مقابل بيانات مسح قياس المسافة الإلكترونية (EDM). بدأت العملية بتوليد سحب النقاط من كل من LiDAR والفوتوغرامتري، جنبًا إلى جنب مع حساب مؤشر الفرق المائي الطبيعي (NDWI) لكل بكسل. تم جمع بيانات الحقيقة الأرضية من خلال مسوحات مقاطع عرضية باستخدام محطة إجمالية ونظام تحديد المواقع العالمي (GPS)، لالتقاط نقاط الحدود للأرض والنباتات والمناطق المائية.
خضعت سحب النقاط لعمليات معالجة مسبقة، والتي شملت تقليل العينة واستخراج الميزات المائية وغير المائية بناءً على NDWI. بعد ذلك، طبق المؤلفون ثلاثة مرشحات أرضية على كل من سحب النقاط SfM وLiDAR، ودمجوها لإنتاج DTM النهائي عبر تقنيات الاستيفاء بالشبكة غير المنتظمة مثلثية التقدم (TIN). بالإضافة إلى ذلك، تم إنشاء نموذج سطح رقمي (DSM) من خلال اختيار أعلى ارتفاع بدقة 5 سم لكل بكسل. تم تقييم دقة DTMs المولدة باستخدام مقاييس مثل متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE).
نقاش
في هذا القسم، يناقش المؤلفون التقدم في منهجيات نمذجة التضاريس الرقمية (DTM)، مع التركيز بشكل خاص على دمج سحب النقاط المعتمدة على الطائرات بدون طيار (UAV) من الهيكل من الحركة (SfM) وLiDAR لتحسين الدقة في بيئات الجداول. يسلطون الضوء على تطوير خوارزميات تصفية متنوعة، مثل مرشح محاكاة القماش (CSF)، والشبكة غير المنتظمة مثلثية التقدم (PTIN)، ومرشح مورفولوجي بسيط (SMRF)، والتي أظهرت فعالية متفاوتة في أنواع التضاريس المختلفة. تؤكد الدراسة على أهمية تحسين المعلمات لهذه المرشحات، مشيرة إلى أنه بينما توفر طرق التعلم العميق عمومًا دقة أعلى، فإنها تتطلب مجموعات بيانات موسومة واسعة وقد تفتقر إلى القابلية للتكرار.
يقدم المؤلفون نتائج من تطبيقهم لمؤشر الفرق المائي الطبيعي (NDWI) لتصنيف المياه، محققين معدلات خطأ منخفضة في تمييز المياه عن المناطق غير المائية. ويبلغون أن مرشح SMRF حقق أفضل دقة عامة في مناطق النباتات، بينما تفوق CSF في المناطق الأرضية والمائية. سمح دمج سحب النقاط من LiDAR وSfM بتوليد DTM أكثر دقة، خاصة في البيئات النهرية المعقدة، من خلال الاستفادة من نقاط القوة لكل طريقة – قدرة LiDAR على اختراق النباتات وقدرة SfM على التقاط الميزات تحت أسطح المياه. تختتم الدراسة بأن ضبط المعلمات بعناية ودمج تقنيات التصفية أمران حاسمان لتحسين نمذجة التضاريس في البيئات الصعبة.
DOI: https://doi.org/10.1038/s41598-026-35473-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41530234
Publication Date: 2026-01-13
Author(s): Jaejun Gou et al.
Primary Topic: 3D Surveying and Cultural Heritage
Overview
This research paper presents a novel methodology for generating Digital Terrain Models (DTMs) in riverine environments, specifically focusing on the Bokha Stream in Icheon City, South Korea. The approach integrates point clouds obtained from UAV-based structure from motion (SfM) and light detection and ranging (LiDAR) technologies, employing ground filtering algorithms to enhance accuracy. The study utilized the normalized difference water index (NDWI) to classify water and non-water areas, followed by the application of three ground filters: cloth simulation filter (CSF), progressive triangular irregular network (PTIN), and simple morphological filter (SMRF) to eliminate vegetation and erroneous points.
Validation of the methodology was conducted using 11 cross-sections, with accuracy metrics assessed through mean absolute error (MAE) and root mean square error (RMSE). The results indicated that the SMRF filter outperformed the others, achieving an MAE of 0.160 m and an RMSE of 0.214 m. While it effectively removed vegetation and maintained the integrity of riparian terrain, the SMRF filter showed a tendency to underestimate elevations in water areas. Overall, the findings underscore the proposed method’s potential to significantly improve DTM accuracy, which is beneficial for mesoscale hydrological and ecological modeling in small stream environments.
Introduction
The introduction of the research paper highlights the importance of acquiring accurate stream topographic information for hydrological and ecological modeling. Traditional methods, such as cross-sectional surveying and sonar-based techniques, face significant limitations, including high costs, time consumption, and inefficacy in shallow waters. Unmanned aerial vehicles (UAVs) have emerged as a promising alternative, capable of generating high-resolution digital terrain models (DTMs) in small stream environments. Two primary methods for obtaining point clouds using UAVs are discussed: light detection and ranging (LiDAR) and structure from motion (SfM).
LiDAR is effective in penetrating vegetation canopies and capturing ground points but struggles with water surfaces due to the reflective properties of near-infrared wavelengths. Conversely, green LiDAR can detect underwater features but is limited by environmental conditions and cost. The SfM method, while effective for visible surfaces, also faces challenges in dense canopies but can generate point clouds of riverbeds when visibility is adequate. The extraction of ground points from raw point cloud data is critical for accurate DTM generation, necessitating advanced filtering techniques to differentiate ground from non-ground objects. Various filtering methods, including the progressive triangular irregular network (PTIN), simple morphological filter (SMRF), and cloth simulation filter (CSF), have been proposed to address these challenges, paving the way for improved modeling accuracy in hydrological studies.
Methods
In this section, the authors outline the methodology employed to generate a Digital Terrain Model (DTM) using LiDAR and Structure from Motion (SfM) techniques, followed by an accuracy assessment against Electronic Distance Measurement (EDM) survey data. The process commenced with the generation of point clouds from both LiDAR and photogrammetry, alongside the calculation of the Normalized Difference Water Index (NDWI) for each pixel. Ground-truth data were collected through cross-section surveys utilizing a total station and GPS, capturing boundary points for ground, vegetation, and water areas.
The point clouds underwent preprocessing, which included down-sampling and the extraction of water and non-water features based on NDWI. Subsequently, the authors applied three ground filters to both SfM and LiDAR point clouds, integrating them to produce the final DTM via Triangulated Irregular Network (TIN) interpolation. Additionally, a Digital Surface Model (DSM) was created by selecting the highest elevation at a resolution of 5 cm per pixel. The accuracy of the generated DTMs was evaluated using metrics such as Mean Absolute Error (MAE) and Root Mean Square Error (RMSE).
Discussion
In this section, the authors discuss advancements in digital terrain modeling (DTM) methodologies, particularly focusing on the integration of UAV-based Structure from Motion (SfM) and LiDAR point clouds for improved accuracy in stream environments. They highlight the development of various filtering algorithms, such as the Cloth Simulation Filter (CSF), Progressively Triangulated Irregular Network (PTIN), and Simple Morphological Filter (SMRF), which have shown varying effectiveness in different terrain types. The study emphasizes the importance of parameter optimization for these filters, noting that while deep learning methods generally provide higher accuracy, they require extensive labeled datasets and may lack reproducibility.
The authors present findings from their application of the normalized difference water index (NDWI) for water classification, achieving low error rates in distinguishing water from non-water areas. They report that the SMRF filter yielded the best overall accuracy in vegetation areas, while CSF excelled in ground and water areas. The integration of LiDAR and SfM point clouds allowed for more accurate DTM generation, particularly in complex riparian environments, by leveraging the strengths of each method—LiDAR’s ability to penetrate vegetation and SfM’s capacity to capture features beneath water surfaces. The study concludes that careful parameter tuning and the combination of filtering techniques are crucial for optimizing terrain modeling in challenging environments.