Devido aos problemas atuais na extração de linhas de falha topográfica a partir de nuvens de pontos terrestres, como baixa completude e precisão, além de erros graves e omissões, este artigo propõe um algoritmo de extração de linhas de falha topográfica que considera características multiescalares e previne contra contrações defeituosas das falhas. O método utiliza primeiramente características topográficas multiescalares para treinar um classificador Random Forest para extrair pontos potenciais de linhas de falha topográfica; em seguida, por meio da análise da tendência de contração da nuvem de pontos, divide os pontos de características potenciais em pontos potenciais de crista e vale, e utiliza agrupamento de crescimento regional com restrição de coerência da direção principal para remover ruído; depois utiliza suavização laplaciana com restrição vertical para refinar a nuvem de pontos; finalmente, por meio da construção da árvore geradora mínima, obtém linhas de falha topográfica de alta qualidade. Dois conjuntos representativos de dados de nuvens de pontos topográficos complexos e de alta densidade foram selecionados para validar a precisão e eficácia do método. Os resultados mostram que, em comparação com outros três métodos principais (LapS, D8 e PIM), o método proposto apresenta a melhor completude e precisão na extração de linhas de falha topográfica. Além disso, a utilização das linhas de falha topográfica propostas para a modelagem do Modelo Digital de Elevação (DEM) demonstra que o DEM com restrições adicionais de falha pode melhorar significativamente a precisão da modelagem, podendo reconstruir com precisão os detalhes topográficos nas falhas.

lidar aerotransportado;linhas de falha topográfica;características topográficas multiescalares;laplaciano restrito;modelo digital de elevação