Punktwolkenvereinfachung ist die Voraussetzung für die effiziente Übertragung und multiskalige Anwendung großer bodengebundener LiDAR-Punktwolken. Angesichts der bestehenden Probleme bei den derzeitigen Vereinfachungsmethoden für bodengebundene Punktwolken, wie schlechte Anpassungsfähigkeit an komplexe Umgebungen und Verlust von Geländedetailmerkmalen, wird in diesem Artikel ein LiDAR-Punktwolken-Clustering-Vereinfachungsalgorithmus für luftgestützte Daten vorgeschlagen, der Geländemerkmale und die Verhinderung von Randverkleinerungen berücksichtigt. Zuerst wird die Punktwolke mit dem K-means-Algorithmus in Anfangs-Cluster unterteilt, danach werden diese abhängig von der Geländekomplexität weiter untergliedert, anschließend werden mithilfe der Punktnormaleninformationen sowie der Höhendifferenz der Randpunkte angrenzender Cluster Geländemerkmalspunkte erkannt, und schließlich wird durch das Beibehalten der Randmerkmale des Zielgebiets ein Schrumpfen der ursprünglichen Punktwolkenränder verhindert. Darüber hinaus wurden 6 Datensätze hochdichter luftgestützter LiDAR-Punktwolken als Datenquelle ausgewählt, und die vorgeschlagene Methode wurde mit 7 klassischen Punktwolkenvereinfachungsmethoden (einschließlich Zufallsmethode, Voxelgittermethode, kurvenbasierte Methode, maximale Z-Toleranz-Methode, graphbasierte Methode, mehrkriterielle Gewichtungsmethode und iterative Vereinfachungsmethode) verglichen und analysiert. Die Ergebnisse zeigen, dass im Vergleich zu anderen traditionellen Methoden das digitale Höhenmodell (DEM), das mit dieser Methode erzeugt wurde, den durchschnittlichen RMSE um mindestens 12,1 % und den durchschnittlichen MAE um mindestens 9,6 % reduziert, dass die abgeleiteten Produkte (einschließlich durchschnittlicher Hangneigung und Geländeraue) ebenfalls näher an den Referenzwerten liegen und dass die Geländemerkmalinformationen besser erhalten bleiben.

Fernerkundung; luftgestütztes LiDAR; Punktwolkenvereinfachung; K-means; Geländemerkmale; digitales Höhenmodell