La classificazione del terreno in una nuvola di punti LIDAR
La classificazione del terreno in una nuvola di punti LiDAR permette di distinguere la classe ground da edifici, vegetazione e altri elementi. L’articolo spiega criteri, algoritmi e prodotti derivati come DTM e TIN.
In questo articolo
- Caricamento indice…
Tra le tecniche di rilievo all'aperto per la modellazione tridimensionale, il LIDAR è la tecnica attiva che, negli ultimi anni, ha visto una larga diffusione consentendo di effettuare rilievi completi su aree vaste. Da UAV, manualmente, su mezzi mobili, il tipo di tecnologia resta la stessa.
Il multiecho
Si è già parlato in un precedente articolo (clicca qui per leggere l'articolo Rilievo LiDAR da drone: come funziona e a cosa serve il multiecho) del concetto di multiecho.
Senza tornare a dettagliare tale caratteristica, si sottolinea, però, come il multiecho sia un effetto tipico del LIDAR, proprio in quanto tecnica attiva.
In breve, è possibile associare ad ogni raggio laser più di una terna di coordinate. Operativamente ciò significa che, con un rilievo LIDAR, riusciamo a "vedere" anche attraverso potenziali ostacoli alla vista, che lascino passare anche piccole porzioni di raggio laser. Tipicamente si pensi a aree forestate, anche con alberi a chioma molto fitta.
Che cos'è la classificazione?
Per classificazione della nuvola di punti si intende l'azione di associare ad ogni punto un valore identificativo di una classe, in modo da riuscire a distinguere punti appartenenti a classi diverse. In una nuvola di punti e, più in generale, in una mole di dati così ampia, è spesso molto utile classificare e clusterizzare tutte le informazioni per poter gestire più facilmente i dati stessi, anche solo visualizzare, o esportare, o compiere azioni (processing) su sottoinsiemi dell'intera nuvola di punti. Poter definire tali sottoinsiemi seguendo un criterio definito è l'obiettivo della classificazione. Si possono, quindi, classificare punti in funzione di diversi criteri identificando un denominatore comune: stesso materiale, stessa quota, stesse caratteristiche geometriche, stesso ritorno. Questi sono solo alcuni degli esempi di criteri che si possono utilizzare per classificare.

Perché classificare il terreno?
La prima classificazione che si effettua su una nuvola di punti ancora non classificata, è generalmente quella del terreno. Sia che si tratti di un rilievo in ambiente esterno, sia per rilievi di interni, generalmente si inizia ad identificare la classe terreno, proprio perché è propedeutica a tutte le classificazioni successive.
Intanto classificare il terreno ha la prima funzione di assegnare una classe che certamente esiste all'interno della nuvola di punti, e quindi, ridurre il numero di punti totali da classificare. Non è detto vi siano edifici, vegetazione, strade o altri elementi, ma certamente vi è il terreno.
Come secondo vantaggio, classificare il terreno consente di identificare l'andamento della superficie al di sopra della quale staranno poi tutti gli altri elementi. In questo modo, una volta classificato il terreno, le restanti "forme" riconoscibili sulla nuvola di punti sono certamente appartenenti ad altre classi. Un edificio, ad esempio, si stacca dal terreno e viene caratterizzato come tale sia per alcune sue caratteristiche geometriche proprie (pareti verticali, ampiezza, forma della copertura) ma anche in ragione dell'altezza rispetto al terreno. Allo stesso modo, la vegetazione si può classificare e, ulteriormente, distinguere in alta media o bassa proprio a seconda della differenza di quota rispetto a quella che è identificata come superficie del terreno.
Come si classifica il terreno?
Gli algoritmi di classificazione del terreno si basano su diverse tipologie di informazioni. Nel caso di dataset acquisiti da LIDAR, una prima informazione è portata dal multiecho. In caso si abbia questa informazione, infatti, si parte con l'utilizzo di punti che siano caratterizzati in genere dall'ultimo "ritorno" possibile; il terreno è certamente la superficie riflettente più lontana che il raggio possa incontrare.
Non può, però, questa essere l'unica informazione. Si pensi, ad esempio, ad un edificio il cui tetto rappresenta una superficie non attraversabile, ma certamente non è terreno. In quel caso, il criterio secondo il quale si prende l'ultimo "ritorno" come indicatore del terreno, non può essere applicato.
Clicca per saperne di più su DJI Terra
Vi sono, poi, una serie di considerazioni geometriche, dalle quali si ricavano informazioni utili a classificare il terreno. Le pendenze oltre un dato valore di soglia (nei sw tale soglia è di solito impostabile dall'utente) non sono considerabili terreno (es: muri). I cambi di pendenza troppo repentini e continui sono indice di elementi che non appartengono al terreno che, generalmente, ha degli andamenti più graduali. È possibile, certamente, trovare una improvvisa breakline come, ad esempio, nel caso di una parete di roccia che inizia improvvisamente. Ma è già più raro trovare una serie di breakline continue e vicine tra loro. Se nella nuvola di punti si trovano superfici verticali in successione, è probabile che si tratti di qualcosa che non è terreno ma, ad esempio, alberi.

Una volta individuati i punti che siano classificabili come terreno con ragionevole certezza, gli algoritmi generalmente prevedono una fase di raffittimento ulteriore per coprire aree dove non si trovano informazioni particolarmente ricche nel dato di input. Dove vi è una mancanza di punti già nella nuvola non classificata o dove vi sono poche informazioni per assegnare una classe al singolo punto, il terreno non viene individuato in prima battuta. La fase di raffittimento di fatto si basa su un algoritmo che si compone di due passaggi:
- generazione di triangoli tra i punti che appartengono al terreno
- calcolo della distanza tra i punti non ancora classificati e tali triangoli
Quando questa distanza è trascurabile o, comunque, inferiore ad un valore di soglia, è possibile associare al singolo punto, la classe terreno, anche se i criteri considerati in precedenza non hanno portato a classificarlo come tale.
Tale fase di raffittimento è, in genere, gestibile dall'utente. Nei software di elaborazione si può scegliere, tramite opportuni parametri, quanto raffittire la classificazione.
Prodotti derivati
La classificazione del terreno, oltre ad essere, come detto, un primo passaggio abilitante per classificare successivamente tutti gli altri elementi, è di per se una azione che consente di generare dei prodotti finali.
Anzi, spesso accade che il primo e unico prodotto che viene richiesto a chi effettua un rilievo 3D su aree vaste, sia proprio un prodotto che derivi dalla classificazione del terreno.
Il primo e più semplice prodotto è a classe stessa. Questo significa che una volta assegnata la classe "ground" a tutti i punti appartenenti al terreno, è possibile estrarre dall'intera nuvola di punti soltanto quelli che appartengono a quella classe, con il risultato di ottenere una nuvola di solo terreno.
Clicca qui per conoscere nel dettaglio il LiDAR Zenmuse L2
L'immediato prodotto successivo è il modello digitale del terreno. A partire dalla nuvola di punti classificata come ground, si genera un file raster ad una risoluzione che sia tipicamente comparabile con la distanza media tra i punti classificati come terreno e si produce quindi un DTM, in cui ad ogni pixel è associata la quota.
Più dettagliatamente, ma in maniera un po' più complessa, si può generare una superficie a triangoli, il cosiddetto TIN. A partire, quindi, dai punti della classe terreno, si usano tali punti come vertici di una serie di triangoli, il più possibile equilateri ed equiangoli, che rappresentano l'andamento del terreno.
Conclusioni
La classificazione del terreno è uno dei passaggi principali, certamente uno dei primi da compiere, in fase di elaborazione di una nuvola di punti LIDAR. Il risultato, in termini di precisione, risoluzione e completezza dipende, ovviamente, da diversi fattori. Il sensore usato, la distanza dall'oggetto, il numero di raggi laser e di "passate", il tipo di elementi presenti nell'area (vegetazione più meno fitta, strutture antropiche...). In ogni caso, un buon software con un buon algoritmo di classificazione può portare a buoni risultati, a parità di dato di input.
Tale classificazione è un passaggio obbligato per creare poi i successivi prodotti.

