Debido a los problemas actuales en la extracción de líneas de fallas topográficas desde nubes de puntos terrestres, como la baja integridad y precisión, así como errores graves y omisiones, este artículo propone un algoritmo para la extracción de líneas de fallas topográficas que considera características multi-escala y previene el colapso incorrecto de fallas. Primero, el método usa características topográficas multi-escala para entrenar un clasificador de bosque aleatorio para extraer puntos potenciales de líneas de fallas topográficas; luego, mediante el análisis de la tendencia de contracción de la nube de puntos, divide los puntos de características potenciales en picos y valles potenciales, y utiliza una agrupación por crecimiento regional con restricción de coherencia de dirección principal para eliminar el ruido; a continuación, utiliza un suavizado de Laplace con restricción vertical para refinar la nube de puntos; finalmente, mediante la construcción del árbol generador mínimo se obtienen líneas de fallas topográficas de alta calidad. Se seleccionaron dos conjuntos representativos de datos de nubes de puntos topográficos complejas y densas para verificar la precisión y efectividad del método. Los resultados muestran que, en comparación con otros tres métodos principales (LapS, D8 y PIM), el método propuesto logra la mejor integridad y precisión en la extracción de líneas de fallas topográficas. Además, el uso de las líneas de fallas topográficas propuestas para la modelación del Modelo Digital de Elevación (DEM) indica que el DEM con restricciones adicionales de fallas puede mejorar significativamente la precisión del modelado y reconstruir con precisión los detalles topográficos en las fallas.

lidar aerotransportado;líneas de fallas topográficas;características topográficas multi-escala;laplaciano restringido;modelo digital de elevación