Angesichts bestehender Probleme bei aktuellen Algorithmen zur Vereinfachung von terrestrischen Punktwolken, wie dem Verlust von Randmerkmalen der Punktwolke, ungenauer Identifikation von Merkmalpunkten und ungleichmäßiger räumlicher Verteilung der Punkte, wird in dieser Arbeit eine LiDAR-Punktwolken-Vereinfachungsmethode vorgestellt, die sowohl Geländecharakteristika als auch eine ausgewogene Punktverteilung berücksichtigt. Die Methode gewichtet und koppelt zunächst verschiedene Geländefaktoren, um einen umfassenden Faktor zur Beschreibung komplexer Geländeänderungen zu erzeugen; anschließend wird anhand der Randmerkmalsabstände und der Signifikanz der Merkmale eine anfängliche Menge charakteristischer Punkte ausgewählt; schließlich wird ein regressives Vorhersagemodell mit umfassenden Geländemerkmal-Beschränkungen aufgebaut, das iterativ präzise und gleichmäßig verteilte Geländecharakteristik-Punkte vorhersagt. Es wurden 8 Datensätze von terrestrischen Punktwolken mit unterschiedlichen Geländemerkmalen als Untersuchungsobjekte gewählt, und die vorgestellte Methode wurde mit 7 repräsentativen Methoden verglichen. Die Ergebnisse zeigen, dass die Methode die höchste Genauigkeit aufweist; der mittlere quadratische Fehler und der mittlere absolute Fehler des digitalen Höhenmodells wurden jeweils um 2,7 % bis 61,2 % bzw. 2,0 % bis 61,9 % reduziert, und die Derivate (mittlere Hangneigung und Geländerauheit) liegen näher an den tatsächlichen Werten. Die Methode liefert die besten Vereinfachungsergebnisse für terrestrische Punktwolken, muss jedoch in Bezug auf die Effizienz gegenüber fortgeschrittenen Algorithmen noch verbessert werden.

Fernerkundung;LiDAR;Punktwolken-Vereinfachung;Geländecharakteristika;Punktverteilung;DGM