Frente a los problemas actuales de baja integridad y precisión, así como errores graves de detección y omisión al extraer líneas de fallas topográficas de nubes de puntos terrestres, este artículo propone un algoritmo de extracción de líneas de fallas topográficas que considera características multiescala y la prevención de la contracción de fallas. El método primero utiliza características topográficas multiescala para entrenar un clasificador de bosque aleatorio que extrae puntos potenciales de líneas de falla; luego, mediante el análisis de la tendencia de contracción de la nube de puntos, divide los puntos característicos potenciales en crestas y valles potenciales, y utiliza una agrupación por crecimiento regional con restricción de coherencia de dirección principal para eliminar ruido; a continuación, aplica un alisado de Laplace con restricción vertical para refinar la nube de puntos; finalmente, mediante la construcción de un árbol generador mínimo se obtienen líneas de fallas topográficas de alta calidad. Se seleccionaron dos conjuntos representativos de datos de nubes de puntos topográficas complejas y de alta densidad para validar la precisión y eficacia del método. Los resultados muestran que la integridad y precisión de las líneas de fallas extraídas por el método son superiores en comparación con tres métodos principales (LapS, D8 y PIM). Además, la modelación del modelo digital de elevación (DEM) usando las líneas de fallas propuestas indica que el DEM restringido con líneas adicionales de fallas mejora significativamente la precisión del modelado, permitiendo una reconstrucción precisa de los detalles topográficos en las fallas.

LiDAR aerotransportado;línea de fallas topográficas;características topográficas multiescala;Laplace restringido;modelo digital de elevación