Автор: Бабешин Алексей, техник-геомеханик «СИБНИИГИМ»
В практике инженерных изысканий всё чаще возникают задачи, связанные с обработкой данных БПЛА-съёмки на территориях со сложными природными условиями. Одной из наиболее трудоёмких работ является реконструкция рельефа в районах с плотным растительным покровом, где фактическая поверхность земли оказывается скрыта под кронами деревьев.
Для горнодобывающей отрасли точность таких данных имеет принципиальное значение. Цифровая модель рельефа используется при проектировании горных работ, оценке устойчивости откосов, расчётах объёмов и мониторинге состояния массива. Ошибки на этапе подготовки исходных данных неизбежно влияют на все последующие инженерные решения, что в конечном итоге может существенным образом повлиять на экономику проекта и целесообразность разработки месторождений.
Однако сотрудникам СИБНИИГИМ удалось решить данную проблему, разработав алгоритм обработки фотограмметрических данных БПЛА-съёмки, который позволяет строить точную цифровую модель рельефа в программном комплексе CREDO 3D СКАН. В основе алгоритма лежит простая, но принципиально важная идея: не увеличивать объём полевых работ, а максимально эффективно использовать уже полученные данные, «очищая» их от всего лишнего.
Уязвимость традиционного подхода
При съёмке труднодоступных территорий, особенно покрытых лесом, основная сложность заключается не в получении данных, а в их интерпретации. Фотограмметрия фиксирует всё — деревья, кустарники, элементы инфраструктуры — но не даёт напрямую ответа на главный вопрос: где находится поверхность земли.
В таких условиях классическая камеральная обработка требует значительных временных затрат, что было подтверждено реальным примером. По расчетам специалистов, для участка площадью 5000 гектаров в Магаданской области, который был использован для отработки алгоритма, только ручной набор пикетажа мог занять до 30 дней. При этом результат традиционной камеральной обработки во многом зависит от человеческого фактора: внимательности, опыта и интерпретации конкретного специалиста.
Подход: автоматизация вместо ручного труда
Для решения задачи по оцифровке данной территории был предложен алгоритм обработки облака точек, реализованный с использованием связки двух программных продуктов:
- Agisoft Metashape
- CREDO 3D СКАН
Ключевая цель, которая лежала перед данной связкой ПО — автоматизировано выделить точки, принадлежащие рельефу, и исключить всё, что к нему не относится.
Процесс обработки облака точек начался с подготовки данных – было импортировано полученное облако в программный комплекс CREDO 3D СКАН, после чего была выполнена шестиступенчатая фильтрация. Результатом фильтрации было классифицированное облако точек, разбитое на несколько слоев.
Шесть этапов, которые «очищают» данные
Центральным элементом алгоритма обработки данных стала шестиступенчатая каскадная фильтрация облака точек. Каждый этап обладает определёнными параметрами обработки облака точек, поэтому их стоит использовать только в определённой последовательности:
1 этап - TIN+TIN фильтрация — она формирует триангуляционную модель и позволяет выделить минимальные отметки, соответствующие поверхности земли, даже при наличии растительности.
2 этап - фильтрация по размеру объектов в сочетании с TIN-методом. Этот этап позволяет отсечь кустарники и низкорослую растительность за счёт анализа геометрических пропорций объектов.
3 этап - метод TIN+BPA, с применением фильтрации «катящейся сферой» — эффективный инструмент для удаления шумов.
4 этап - фильтрация изолированных точек, которые, как правило, являются артефактами: пылью, случайными отражениями или движущимися объектами.
5 этап - расчёт локальных плотностей облака точек, что позволяет оценить структуру данных.
6 этап — пороговая фильтрация по локальным плотностям, позволяющая окончательно отделить рельеф от нерельефных элементов.
От облака точек к цифровой модели
После фильтрации выполняется адаптивное прореживание облака точек с учётом требуемого масштаба. Это позволяет сформировать оптимальный каркас модели без избыточной детализации.
Дополнительно в рамках эксперимента была протестирована возможность автоматического распознавания характерных линий рельефа. Однако на этом этапе выявлена необходимость ручной доработки, что подчёркивает: полностью автоматизировать процесс обработки невозможно.
Также важно учитывать, что некорректная настройка фильтров может привести к потере части точек рельефа, что требует аккуратной работы с алгоритмом.
От теории к практическому результату
По итогам апробации алгоритма на участке в Магаданской области площадью 5000 га удалось существенно повысить эффективность обработки. Из 12,8 млрд исходных точек было выделено 51 млн точек рельефа. Общая длительность обработки составила 7 дней против 30 при традиционной камеральной обработке, что обеспечивает сокращение сроков более чем в 4 раза. Все этапы обработки исходных данных были задокументированы сотрудниками СИБНИИГИМ в методическом регламенте.
Применение – не только в горнодобывающей отрасли
Разработанная методика имеет широкую область применения:
- В горнодобывающей отрасли для маркшейдерского сопровождения и мониторинга устойчивости бортов карьеров;
- В строительстве при проведении инженерных изысканиях для проектирования линейных объектов (дороги, ЛЭП, трубопроводы);
- В экологии и природопользовании при оценке рекультивации и эрозионных процессов;
- В лесном и сельском хозяйстве для мониторинга территорий и оценки последствий стихийных бедствий;
- В градостроительстве для создания и актуализации топографических моделей и 3D-моделирования.
Главный эффект от внедрения подобных решений — не только сокращение сроков: автоматизация снижает влияние человеческого фактора, повышает воспроизводимость результатов и делает работу с большими данными более управляемой.
При этом исследование ясно показывает: речь не идёт о полной замене специалиста. Напротив, роль инженера смещается от ручной обработки к настройке, анализу и интерпретации результатов.
Дальше - больше
На получении рабочей и весьма эффективной версии данного алгоритма работа над ним не завершится. В дальнейшем развитие методики связано с созданием базы параметров фильтрации для различных типов местности, разработкой шаблонов обработки и внедрением элементов самообучающихся систем.
Такие решения постепенно меняют подход к инженерным изысканиям: от трудоёмкой обработки данных к интеллектуальной работе с ними. И именно в этом направлении сегодня развивается вся отрасль.