Angesichts der aktuellen Probleme bei der Extraktion von topografischen Bruchlinien aus terrestrischen Punktwolken, wie einer geringen Vollständigkeit und Richtigkeit sowie schweren Fehl- und Auslassungen, wird in diesem Artikel ein Algorithmus zur Extraktion topografischer Bruchlinien vorgeschlagen, der mehrskalige Merkmale berücksichtigt und fehlerhafte Bruchkontraktionen verhindert. Die Methode verwendet zunächst multiskalige topografische Merkmale zur Ausbildung eines Random-Forest-Klassifikators, um potenzielle Bruchlinienpunkte zu extrahieren; anschließend werden durch Analyse des Schrumpfungstrends der Punktwolke potenzielle Merkmals-punkte in potenzielle Rücken- und Tal-punkte unterteilt, und es wird eine Regionwachstumsklassifikation mit Konsistenzbeschränkung der Hauptausrichtung zur Rauschunterdrückung angewandt; danach erfolgt eine Laplace-Glättung mit vertikaler Beschränkung zur Verfeinerung der Punktwolke; abschließend wird durch den Aufbau eines minimalen Spannbaums eine hochwertige topografische Bruchlinie gewonnen. Zur Validierung der Genauigkeit und Effektivität der Methode wurden zwei repräsentative Datensätze von hochdichten komplexen topografischen Punktwolken ausgewählt. Die Ergebnisse zeigen, dass diese Methode im Vergleich zu drei anderen gängigen Methoden (LapS, D8 und PIM) die beste Vollständigkeit und Genauigkeit bei der Extraktion topografischer Bruchlinien erzielt. Darüber hinaus zeigt die Verwendung der extrahierten topografischen Bruchlinien für die Modellierung des Digitalen Höhenmodells (DEM), dass das DEM mit zusätzlichen Bruchlinieneinschränkungen die Modellierungsgenauigkeit erheblich verbessern und die topografischen Details an den Bruchstellen präzise rekonstruieren kann.

airborne lidar;topografische Bruchlinie;multiskalige topografische Merkmale;beschränkter Laplace;Digitales Höhenmodell