基于點(diǎn)云抽稀構(gòu)建干熱河谷淺溝DEM及精度評價(jià)

楊楓 鄧青春

摘 要：通過有效點(diǎn)云數(shù)據(jù)構(gòu)建高精度數(shù)字高程模型對淺溝形態(tài)演化過程進(jìn)行量化研究，不僅保證了建模精度，還縮短了建模時(shí)間。本文基于5組元謀干熱河谷淺溝點(diǎn)云數(shù)據(jù)，首先以序列抽稀簡化的方式，對比了Random、Space以及Octree三種抽稀模式下點(diǎn)云構(gòu)建DEM的精度，確定了最佳點(diǎn)云抽稀方法和參數(shù)取值；其次通過實(shí)測驗(yàn)證數(shù)據(jù)集和淺溝橫剖面對比兩種方法對DEM精度進(jìn)行驗(yàn)證。結(jié)果表明：三種最優(yōu)參數(shù)取值構(gòu)建的DEM均滿足精度的需要，且大大縮短了建模時(shí)間。其中（1）Random模式能便捷地保留所需點(diǎn)云數(shù)量，其最優(yōu)抽稀率為10%；（2）Space模式能很好地保證點(diǎn)間距離，最優(yōu)參數(shù)取值為最小間距0.005 m；（3）Octree模式在空間劃分上具有很強(qiáng)的優(yōu)勢，最優(yōu)抽稀參數(shù)取值為11層樹深抽??；（4）三種抽稀模式中最優(yōu)選擇是Space模式。研究結(jié)果可為高效、高精度地構(gòu)建淺溝DEM及形態(tài)演化過程研究提供依據(jù)。

關(guān)鍵詞：點(diǎn)云數(shù)據(jù)；抽稀簡化；淺溝DEM；精度評價(jià)

中圖分類號：P217 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-5072（2023）03-0279-11

淺溝侵蝕也被稱作臨時(shí)性切溝侵蝕，是干熱河谷土壤侵蝕的主要形式之一，寬30～50 cm，其寬度和深度介于細(xì)溝與切溝之間［1］，發(fā)育演化過程復(fù)雜。在坡面徑流的影響下，淺溝會(huì)進(jìn)一步擴(kuò)大侵蝕，發(fā)育成切溝、沖溝，因此對淺溝形態(tài)演化過程的量化研究顯得尤為重要［2］。數(shù)字高程模型（Digital Elevation Model，DEM）是通過有限的地形高程數(shù)據(jù)實(shí)現(xiàn)對地形表面的數(shù)字化模擬［3］，通過建立淺溝DEM對其形態(tài)進(jìn)行監(jiān)測已成為當(dāng)下主要的一種技術(shù)手段。

近年來，激光掃描技術(shù)獲取的點(diǎn)云數(shù)據(jù)被廣泛用于各類地形變化觀測中，而在微地形的研究過程中，點(diǎn)云數(shù)據(jù)建立DEM的精度是研究關(guān)鍵所在，直接關(guān)系著地形形態(tài)因子定量研究的準(zhǔn)確性［4］。一般情況下，掃描獲取的點(diǎn)云數(shù)據(jù)存在大量冗余，若不進(jìn)行簡化壓縮，在時(shí)間效率和空間精度上都會(huì)受到影響［5］，因此在保證精度的前提下，可通過適當(dāng)方法以最少的點(diǎn)云來表征淺溝形態(tài)，縮短構(gòu)建DEM時(shí)間，從而在采樣密度和精度之間達(dá)到一個(gè)最優(yōu)平衡［6］。許多學(xué)者基于此做了大量研究，主要?dú)w納為以下幾類方法：（1）基于聚類算法：選取合適的聚類中心代表每一類點(diǎn)云數(shù)據(jù)［7-8］，或根據(jù)某一規(guī)則對點(diǎn)云進(jìn)行分層聚類，然后再進(jìn)行簡化［9-10］；（2）基于點(diǎn)云曲率：根據(jù)曲率設(shè)置不同的閾值［11-12］，或?qū)Ⅻc(diǎn)云劃分為不同類型和級別進(jìn)行抽稀簡化［13-14］；（3）基于聚類中心與曲率結(jié)合：利用K均值聚類算法根據(jù)曲率對點(diǎn)云進(jìn)行聚類簡化，在高曲率區(qū)域保留較多的點(diǎn)［15-16］，或者聚類后根據(jù)點(diǎn)到聚類中心的距離等條件進(jìn)行抽稀處理［17-18］；（4）基于中心點(diǎn)替代法：采用均勻網(wǎng)格法［19］、包圍盒法［20］選取靠近網(wǎng)格中心或體素中心的點(diǎn)來代替周圍其他的點(diǎn)實(shí)現(xiàn)抽稀［21］；（5）基于點(diǎn)云密度：通過建立和確定K鄰域中心點(diǎn)，根據(jù)其周圍點(diǎn)云密度自適應(yīng)抽稀；（6）其他方法：基于八叉樹網(wǎng)格的點(diǎn)云幾何拓?fù)潢P(guān)系法［22］、不規(guī)則三角網(wǎng)內(nèi)插高程檢核法［23］和柵格劃分的主成分分析法［24］等。

針對掃描全站儀獲取的淺溝點(diǎn)云數(shù)據(jù)，本文采用能控制抽稀簡度的Random抽稀、保證點(diǎn)間距離的Space抽稀和在空間劃分上擁有很強(qiáng)優(yōu)勢的Octree抽稀三種模式，以序列抽稀方式，通過與原始點(diǎn)云對比得到最優(yōu)抽稀模式和參數(shù)，然后在不同區(qū)域進(jìn)行結(jié)果普適性驗(yàn)證，最后用實(shí)測驗(yàn)證數(shù)據(jù)集和橫剖面對比對構(gòu)建的DEM進(jìn)行精度評價(jià)，以期在保證精度和建模時(shí)間的情況下，用最少的點(diǎn)云構(gòu)建DEM表示淺溝形態(tài)，為淺溝發(fā)育演化過程的量化研究提供技術(shù)支撐。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)采集與預(yù)處理

1.1.1 建立控制網(wǎng)及碎步測量

本文選取地表形態(tài)破碎、溝道侵蝕較為嚴(yán)重的元謀干熱河谷區(qū)作為研究區(qū)域［25］。據(jù)統(tǒng)計(jì)，元謀干熱河谷溝壑密度較大，一般為3.0～5.0 km·km-2，最大達(dá)7.4 km·km-2［26］。實(shí)驗(yàn)區(qū)位于元謀縣元馬鎮(zhèn)沙地村，微流域面積約為16.23 m2，流域內(nèi)發(fā)育著溝蝕作用形成的淺溝是該區(qū)域重要流水通道。本研究對象為流域內(nèi)4條淺溝（數(shù)據(jù)1—4），其中一條溝長約為9 m（數(shù)據(jù)1，圖1）。研究結(jié)果驗(yàn)證區(qū)位于元謀縣黃瓜園鎮(zhèn)小雷宰村禿禿脊梁子（數(shù)據(jù)5）。

研究數(shù)據(jù)采集于2021年5月，空間參考為2000國家大地坐標(biāo)系（China Geodetic Coordinate System 2000，CGCS2000）。為了便于后期的監(jiān)測研究與數(shù)據(jù)處理，在微流域地形內(nèi)布設(shè)永久性控制點(diǎn)，并利用中海達(dá)GNSS設(shè)備對控制點(diǎn)進(jìn)行實(shí)時(shí)動(dòng)態(tài)測量。淺溝點(diǎn)云數(shù)據(jù)采用Leica Nova MS60/TS60掃描全站儀獲取，在采集前先用鐮刀將測區(qū)內(nèi)植被進(jìn)行清理，確保采集到的是地表數(shù)據(jù)，然后通過全站儀以0.02 m步長對淺溝進(jìn)行碎步測量，得到淺溝點(diǎn)云數(shù)據(jù)（表1）。

1.1.2 測針板橫剖面測量

研究中使用如圖2所示自制測針板，垂直測量精度為0.5 cm，垂直量程和水平量程分別為40.0 cm和49.0 cm。測量時(shí)，標(biāo)有刻度的木板在上，另一塊在下，用手提起上方的木板，將其放在待測剖面位置，讓針自由下落形成相對高差基點(diǎn)，穩(wěn)定后，將標(biāo)有刻度的木板向上提至最低測針的滿量程處，并用夾子將木塊固定，形成一個(gè)以木塊為X軸，測針為Y軸的直角坐標(biāo)系，從左至右依次量取木板以上測針的有效長度并記錄，如（1.0，10.5）。記錄完成后在1號和49號測針位置用水泥釘作好標(biāo)記，并用中海達(dá)GNSS測量坐標(biāo)。本文選取數(shù)據(jù)1中圖3所示的5個(gè)位置進(jìn)行測量，將測得的剖面數(shù)據(jù)在Excel表格中保存，在Origin 2018軟件中制圖作為后文DEM精度評價(jià)基準(zhǔn)。

1.1.3 Random抽稀

Random抽?。S機(jī)模式）是一種結(jié)構(gòu)化抽稀方式，參數(shù)是抽稀后剩余的點(diǎn)數(shù)，利用隨機(jī)函數(shù)從原始點(diǎn)云數(shù)據(jù)中選出要保留的點(diǎn)，每個(gè)點(diǎn)被選中的概率相同。

1.1.4 Space抽稀

Space抽稀（空間模式）是另一種結(jié)構(gòu)化抽稀方式，按照一定間距對點(diǎn)云均勻采樣，從而達(dá)到抽稀的目的。該方法在運(yùn)行過程中沒有產(chǎn)生新的點(diǎn)云數(shù)據(jù)，抽稀后得到的點(diǎn)云是原始點(diǎn)云數(shù)據(jù)的一個(gè)子集，參數(shù)是一個(gè)距離閾值，值越大，保留的點(diǎn)就越少。設(shè)置兩點(diǎn)之間的最小距離后，從原始點(diǎn)云中選擇符合條件的點(diǎn)，結(jié)果點(diǎn)云中任意兩個(gè)點(diǎn)的距離都必須大于等于這個(gè)閾值。

1.1.5 Octree抽稀

Octree抽?。ò瞬鏄淠Ｊ剑┦且环N在三維空間的樹狀數(shù)據(jù)結(jié)構(gòu)下對點(diǎn)云進(jìn)行抽稀的方法。八叉樹模式中允許選擇八叉樹的細(xì)分層次（圖4），點(diǎn)云在這個(gè)層次上實(shí)現(xiàn)簡化，層次越深，點(diǎn)云數(shù)量越大。該方法用距離體素中心最近的點(diǎn)來代替體素單元格內(nèi)所有的點(diǎn)，抽稀后的點(diǎn)均來源于原始點(diǎn)集，這樣不僅可以減少點(diǎn)云分布不均帶來的影響，還盡可能地保留了原始特征。

1.2 DEM建立與篩選

DEM最主要的三種表示模型是：規(guī)則格網(wǎng)模型、等高線模型和不規(guī)則三角網(wǎng)模型。不規(guī)則三角網(wǎng)是一種采用一系列相連接的三角形擬合地表或其他不規(guī)則表面模型的方法，既能減少規(guī)則格網(wǎng)帶來的數(shù)據(jù)冗余，同時(shí)在計(jì)算（如坡度）效率方面優(yōu)于等高線模型，因此本文將抽稀后點(diǎn)云以創(chuàng)建不規(guī)則三角網(wǎng)［27］的方式建立分辨率為0.01 m的DEM，比較三種抽稀模式下點(diǎn)云重構(gòu)地形與原始地形的逼近程度。

運(yùn)用DEM差值法進(jìn)行同一方法不同抽稀率DEM篩選，即比較原始DEM與抽稀后DEM相差程度，衡量點(diǎn)云特征點(diǎn)保留情況。在算法相同的情況下，兩者差值越大，表示特征點(diǎn)丟失嚴(yán)重；差值較小，表明在精簡點(diǎn)云的同時(shí)又保留了地形特征點(diǎn)。誤差DEM采用目前常用的精度評價(jià)指標(biāo)進(jìn)行量化比較［28］，即最大正誤差（MPE）、最大負(fù)誤差（MNE）、平均絕對誤差（MAE）、均方根誤差（RMSE）、平均誤差（ME）以及標(biāo)準(zhǔn)差（SD）。設(shè)原始點(diǎn)云DEM高程為真值Z，抽稀后點(diǎn)云DEM高程值為z（測量值），誤差定義ε=Z-z，則：

式中：n對應(yīng)的高程點(diǎn)數(shù)；εi為i點(diǎn)的誤差。

MPE和MNE大小表示抽稀后DEM相對于原始DEM波動(dòng)范圍；ME反映數(shù)據(jù)整體誤差大?。籖MSE反映高程真值與測量值的離散程度，SD反映各誤差相對于平均誤差的離散程度。ε越接近于0，其他各精度指標(biāo)也越接近于0；而ME越接近于0，表示DEM效果越好；RMSE越接近于0，DEM中高程信息與高程真值越接近［29］，由此篩選出評價(jià)指標(biāo)值越接近于0的誤差DEM，其對應(yīng)的測量值（抽稀后DEM）為最優(yōu)DEM，最優(yōu)DEM所對應(yīng)的抽稀方法和抽稀率為優(yōu)選。若出現(xiàn)指標(biāo)數(shù)值相同或接近時(shí)，則將建立DEM用時(shí)長短（建模時(shí)間）作為補(bǔ)判依據(jù)，選取建模用時(shí)較短的DEM為優(yōu)，其對應(yīng)的抽稀方法和抽稀率為優(yōu)選。

1.3 橫剖面繪制與精度評價(jià)

采用實(shí)測驗(yàn)證數(shù)據(jù)集和橫剖面對比兩種方法驗(yàn)證優(yōu)選DEM精度，驗(yàn)證數(shù)據(jù)集采用前文DEM篩選時(shí)常用的幾種精度評價(jià)指標(biāo)進(jìn)行量化；橫剖面對比則是基于ArcGIS的3D Analyst功能，繪制測針板測量位置的橫剖面曲線。其繪制方式為：利用ArcGIS“添加xy數(shù)據(jù)”將測針板位置坐標(biāo)導(dǎo)入，捕捉該點(diǎn)要素繪制直線，利用“插值shape”將其轉(zhuǎn)為3D線，以DEM為基礎(chǔ)選擇3D線，然后用Profile graph可以得到淺溝橫剖面曲線圖，再將生成的剖面圖導(dǎo)出為txt文件，在Excel中打開并另存為xls文件。將測針板剖面數(shù)據(jù)和DEM剖面數(shù)據(jù)在Origin 2018軟件中繪制剖面線，并利用“分析-數(shù)學(xué)-積分”計(jì)算出剖面線與X軸（溝寬）圍成的數(shù)學(xué)面積，兩者作差得到面積誤差，以溝寬為X軸，該位置累積面積為Y軸，生成面積誤差曲線。通過對比分析橫剖面線的相似性、面積誤差的大小對優(yōu)選參數(shù)DEM進(jìn)行精度驗(yàn)證。

2 結(jié)果分析與精度評價(jià)

2.1 不同抽稀方法參數(shù)取值分析

Random模式中，隨著抽稀率不斷增大，抽稀用時(shí)短且變化小。MNE與MPE隨抽稀率的增大總體呈下降趨勢，當(dāng)抽稀率為10%、90%和95%時(shí)，兩者差值較小，即相對于真值DEM波動(dòng)范圍較?。ū?）。ME在抽稀率為55%、65%、75%、85%、90%以及95%時(shí)出現(xiàn)大幅度波動(dòng)，而其他抽稀率誤差都較小并接近于0，綜合SD以及建模時(shí)間因素，在SD接近情況下，25%抽稀率所用建模時(shí)間約為10%抽稀率的2倍，故10%抽稀率為Random模式優(yōu)選參數(shù)（R10）。

Space模式中，隨著最小間距的增大，點(diǎn)云數(shù)量、抽稀率和抽稀用時(shí)均減少， MNE、MPE呈現(xiàn)出先增大后減小趨勢（表3）。剔除ME異常值，其他各參數(shù)精度指標(biāo)值均比較接近；其中最小間距為0.005 m時(shí)的ME均為0.000 1 m，SD約為0.005 0 m，其他指標(biāo)也相對較小，故Space模式中，最小間距為0.005 m為優(yōu)選參數(shù)（S0005）。

Octree模式中，隨著樹深（層數(shù)）的增加，點(diǎn)云數(shù)目、抽稀率以及抽稀時(shí)間均呈增加趨勢（表4），各層精度指標(biāo)值均較小且變化平緩，綜合考量4種指標(biāo)值，11層誤差DEM效果最優(yōu)，因此Octree模式中最優(yōu)抽稀參數(shù)為11層樹深（O11）。

2.2 參數(shù)取值的不同區(qū)域驗(yàn)證

不同抽稀方法的參數(shù)取值與處理的時(shí)空復(fù)雜度高度相關(guān)，由于原始點(diǎn)云空間特征和質(zhì)量與具體區(qū)域的地形特征和母質(zhì)等因素有關(guān)，本文選取了淺溝發(fā)育活躍的另一區(qū)域?qū)η拔牡贸龅淖罴褏?shù)取值進(jìn)行驗(yàn)證。將原始點(diǎn)云構(gòu)建的DEM與抽稀后構(gòu)建的DEM做差，各項(xiàng)參數(shù)如表5所示，其中只有O11的ME超過了0.2 m，其余MNE、MPE、ME、和SD均小于0.2 m且三者的SD均接近于0。由此可以看出，三種抽稀方法的最優(yōu)參數(shù)取值所建DEM與原始點(diǎn)云DEM誤差較小，適用性較強(qiáng)。

2.3 DEM精度評價(jià)

2.3.1 實(shí)測驗(yàn)證數(shù)據(jù)集精度評價(jià)

針對5組數(shù)據(jù)，綜合表2—5各精度指標(biāo)和建模時(shí)間，S0005建立的DEM優(yōu)于其他兩種抽稀DEM，R10在建模時(shí)間上優(yōu)于O11，因此不同抽稀方法的最優(yōu)參數(shù)取值順序?yàn)椋篠0005、R10、O11。

采用實(shí)測驗(yàn)證數(shù)據(jù)集對三種優(yōu)選DEM進(jìn)行精度驗(yàn)證時(shí)，三種抽稀DEM與原始DEM在幾種精度評價(jià)指標(biāo)下差異并不顯著，有的甚至比原始DEM誤差還小；而在點(diǎn)云數(shù)目和建模時(shí)間上，三種抽稀模式下的點(diǎn)云相對于原始點(diǎn)云數(shù)目差距卻十分明顯，且原始點(diǎn)云數(shù)據(jù)量越大，O11抽稀越明顯（表6）。

2.3.2 橫剖面精度評價(jià)

以測針板實(shí)測的橫剖面線數(shù)據(jù)為基準(zhǔn)，選取數(shù)據(jù)1中圖3所示的5個(gè)位置，對三種優(yōu)選DEM進(jìn)行橫剖面線精度評價(jià)。對比發(fā)現(xiàn)，測針板測量的橫剖面線與DEM提取的橫剖面線基本重合（圖5），局部存在差異是由于掃描儀架設(shè)或掃描過程中儀器本身下陷，同時(shí)淺溝剖面土壤之間存在裂縫也會(huì)增大誤差；另外，測針本身的重量使其在土質(zhì)疏松的地方下陷等問題造成局部誤差，因此通過DEM提取的橫剖面線具有一定可靠性。此外，對比不同橫剖面提取方法與X軸圍成面積發(fā)現(xiàn)，相對誤差在5～10 cm2，占5%左右（表7）。綜上表明，三種優(yōu)選DEM提取的橫剖面線精確可靠，能清楚反映淺溝形態(tài)。因此，可以用10%抽稀率的Random抽稀、最小間距0.005 m的Space抽稀以及11層樹深的Octree抽稀后的點(diǎn)云代替原始點(diǎn)云進(jìn)行DEM構(gòu)建，并能夠降低計(jì)算成本，縮短建模時(shí)間，提高計(jì)算效率。

3 討 論

淺溝是線狀流水作用在松散土層構(gòu)成的平坦地面上形成的溝谷，其規(guī)模小、深度淺、形態(tài)不穩(wěn)定。在運(yùn)用掃描全站儀對淺溝形態(tài)監(jiān)測過程中，為了詳細(xì)記錄地表高程數(shù)據(jù)而將掃描間距設(shè)置得盡量小，因此增加了點(diǎn)云數(shù)據(jù)冗余［30］?；诖耍疚慕柚鶦loudCompare軟件運(yùn)用三種方法對4組淺溝點(diǎn)云數(shù)據(jù)進(jìn)行抽稀處理，對比檢驗(yàn)點(diǎn)云抽稀的效果，結(jié)果與魏舟等［31］的最佳點(diǎn)云密度選取基本一致。

3.1 掃描步長與抽稀的關(guān)系

點(diǎn)云數(shù)量作為地形DEM建立過程中的主要影響因子之一，間接影響微地形因子定量研究的準(zhǔn)確性［32］，而在點(diǎn)云數(shù)據(jù)采集過程中，為了盡可能詳細(xì)地記錄地表高程信息，因此將掃描步長設(shè)置得盡可能小，或者在某些地形復(fù)雜區(qū)域進(jìn)行多次疊加掃描，從而增加了點(diǎn)云數(shù)量，造成了點(diǎn)云數(shù)據(jù)冗余［31］，如果在數(shù)據(jù)采集過程中合理地設(shè)置掃描步長，就能在最開始減少數(shù)據(jù)冗余，達(dá)到數(shù)據(jù)抽稀簡化的效果。多大的掃描步長適合微流域地表信息采集，以及最優(yōu)掃描步長獲取的點(diǎn)云數(shù)據(jù)和運(yùn)用較小掃描步長獲取數(shù)據(jù)后再進(jìn)行抽稀簡化，兩者建立的DEM，誰能更接近原始地表形態(tài)等問題還有待研究。

3.2 地形與特征點(diǎn)對抽稀的影響

地形復(fù)雜程度作為地表建模重要的考量因子，直接影響點(diǎn)云數(shù)據(jù)的質(zhì)量，本文選取了兩處淺溝發(fā)育活躍區(qū)域共5組數(shù)據(jù)進(jìn)行不同抽稀方法參數(shù)取值分析和結(jié)果驗(yàn)證，具有一定的普適性。點(diǎn)云特征點(diǎn)指的是點(diǎn)坐標(biāo)信息發(fā)生巨大變化或點(diǎn)云曲率較大的點(diǎn)，能反應(yīng)點(diǎn)云本質(zhì)特征，標(biāo)識(shí)地形表面的特征區(qū)域，因此在點(diǎn)云精簡過程中，特征點(diǎn)保留的多少將直接影響建立DEM的精度［15］。本文在點(diǎn)云抽稀之前，沒有對特征點(diǎn)進(jìn)行提取保留，只是用抽稀后DEM的精度來衡量特征點(diǎn)的保留情況，因此在后續(xù)研究中應(yīng)加入特征點(diǎn)提取算法，達(dá)到精度和效率最優(yōu)平衡［33］。

3.3 DEM分辨率的選擇

點(diǎn)云數(shù)據(jù)進(jìn)行地形DEM建立過程中的主要影響因子是點(diǎn)云數(shù)量和DEM水平分辨率，DEM分辨率的大小決定著微流域地表形態(tài)特征的表達(dá)程度，直接影響建模耗時(shí)和后續(xù)工作精度［34］。目前常用坡度中誤差法［35］來選擇合適的DEM分辨率，或者通過各地形因子隨DEM變化，選取變化趨勢最穩(wěn)定的為最佳分辨率［36］，但對于地形特殊的流域微地貌單元來說，應(yīng)根據(jù)具體應(yīng)用模型選擇適合該流域的DEM分辨率。

4 結(jié) 論

本文利用5組淺溝點(diǎn)云數(shù)據(jù)選取了能控制抽稀簡度的Random抽稀、保證點(diǎn)間距離的Space抽稀和在空間劃分上擁有很強(qiáng)優(yōu)勢的Octree抽稀三種模式，以序列抽稀的方法，從建模質(zhì)量和速度兩個(gè)方面進(jìn)行了分析和評價(jià)，通過對比驗(yàn)證發(fā)現(xiàn)，最小間距0.005 m的Space抽稀效果最好，更接近原始點(diǎn)云數(shù)據(jù)，既能有效減少數(shù)據(jù)冗余，保留地形特征，又能大大縮短建模時(shí)間，保證時(shí)間效率。

參考文獻(xiàn)：

［1］ FOSTER G R.Modeling ephemeral gully erosion for conservation planning ［J］.International Journal of Sediment Research，2005，20（3）：157-175.

［2］ 鄭粉莉，唐克麗，周佩華.坡耕地細(xì)溝侵蝕影響因素的研究［J］.土壤學(xué)報(bào)，1989，26（2）：109-116.

［3］ 湯國安，李發(fā)源，劉學(xué)軍.數(shù)字高程模型教程［M］.2版.北京：科學(xué)出版社，2010.

［4］ 高樹靜.地表糙度的特征與分析［D］.楊凌：西北農(nóng)林科技大學(xué)，2010.

［5］ 付瑋，吳祿慎，陳華偉.基于局部和全局采樣點(diǎn)云數(shù)據(jù)簡化算法研究［J］.激光與紅外，2015，45（8）：1004-1008.

［6］ 錢金菊，張昌賽，王柯，等.機(jī)載LiDAR點(diǎn)云數(shù)據(jù)抽稀算法研究述評［J］.測繪通報(bào)，2017（S1）：33-35+58.

［7］ SONG H，F(xiàn)ENG H Y.A global clustering approach to point cloud simplification with a specified data reduction ratio ［J］.Computer-Aided Design，2008，40（3）：281-292.

［8］ 陳龍，蔡勇，張建生.自適應(yīng)K-means聚類的散亂點(diǎn)云精簡［J］.中國圖象圖形學(xué)報(bào)，2017，22（8）：1089-1097.

［9］ 王茹，周明全，邢毓華.基于聚類平面特征的三維點(diǎn)云數(shù)據(jù)精簡算法［J］.計(jì)算機(jī)工程，2011，37（10）：249-251+254.

［10］解則曉，劉靜曉，潘成成，等.一種散亂分層點(diǎn)云的有序化精簡方法［J］.圖學(xué)學(xué)報(bào)，2016，37（3）：359-366.

［11］MIAO Y，PAJAROLA R，F(xiàn)ENG J.Curvature-aware adaptive re-sampling for point-sampled geometry ［J］.Computer-Aided Design，2009，41（6）：395-403.

［12］陳璋雯，達(dá)飛鵬.基于模糊熵迭代的三維點(diǎn)云精簡算法［J］.光學(xué)學(xué)報(bào)，2013，33（8）：161-167.

［13］王永波，盛業(yè)華.一種基于曲率極值法的LiDAR點(diǎn)云特征提取算法［J］.中國礦業(yè)大學(xué)學(xué)報(bào)，2011，40（4）：640-646.

［14］葉珉?yún)?，花向紅.面向地形數(shù)據(jù)的點(diǎn)云簡化算法［J］.大地測量與地球動(dòng)力學(xué)，2015，35（3）：424-427.

［15］袁小翠，吳祿慎，陳華偉.特征保持點(diǎn)云數(shù)據(jù)精簡［J］.光學(xué)精密工程，2015，23（9）：2666-2676.

［16］?？★w，任思紅，姚濤.基于邊界保留的點(diǎn)云精簡算法研究［J］.測繪與空間地理信息，2019，42（4）：136-140.

［17］史寶全，梁晉，張曉強(qiáng)，等.特征保持的點(diǎn)云精簡技術(shù)研究［J］.西安交通大學(xué)學(xué)報(bào)，2010，44（11）：37-40.

［18］蘇本躍，馬金宇，彭玉升，等.基于K-means聚類的RGBD點(diǎn)云去噪和精簡算法［J］.系統(tǒng)仿真學(xué)報(bào)，2016，28（10）：2329-2334+2341.

［19］SUN W，RADLEY C B，ZHANG Y F，et al.Cloud data modelling employing a unified，non-redundant triangular mesh ［J］.Computer-Aided Design，2001，33（2）：183-193.

［20］LEE K H，WOO H，SUK T.Data reduction methods for sererse engineering［J］.The International Journal of Advanced Manufacturing Technology，2002，17（10）：735-743.

［21］車翔玖，劉楊，趙義武，等.基于k-鄰域密度的離散點(diǎn)云簡化算法與實(shí)現(xiàn)［J］.吉林大學(xué)學(xué)報(bào)（理學(xué)版），2009，47（5）：994-998.

［22］周波，陳銀剛，顧澤元.基于八叉樹網(wǎng)格的點(diǎn)云數(shù)據(jù)精簡方法研究［J］.現(xiàn)代制造工程，2008（3）：64-67.

［23］盧維欣，萬幼川，陳茂霖，等.顧及地形特征的LiDAR點(diǎn)云數(shù)據(jù)快速處理算法［J］.地理空間信息，2015，13（4）：41-43+12.

［24］付忠敏，張星，孫志剛.基于主成分分析與柵格劃分的點(diǎn)云壓縮算法研究［J］.計(jì)算機(jī)與數(shù)字工程，2017，45（12）：2341-2345+2388.

［25］丁琳，張斌，鄧青春，等.元謀干熱河谷區(qū)面積高程積分分析［J］.西華師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，37（2）：227-232.

［26］劉剛才，鄧偉，文安邦，等.試論金沙江河谷建立溝蝕崩塌科學(xué)觀測研究站的重要性及學(xué)科方向［J］.山地學(xué)報(bào)，2010，28（3）：333-340.

［27］王佳希，鄧家勇，張巖，等.植被季相變化對三維激光測量切溝地形的影響［J］.中國水土保持科學(xué)（中英文），2021，19（1）：132-140.

［28］顧春雷，楊漾，朱志春.幾種建立DEM模型插值方法精度的交叉驗(yàn)證［J］.測繪與空間地理信息，2011，34（5）：99-102.

［29］慕凱，羅明良，岳彥利，等.基于點(diǎn)云構(gòu)建干熱河谷典型沖溝DEM的參數(shù)優(yōu)選：以析取克里格插值方法為例［J］.中國農(nóng)學(xué)通報(bào)，2016，32（27）：126-131.

［30］朱寧寧，姚方芳.點(diǎn)云密度設(shè)置在激光掃描中的應(yīng)用研究［J］.河南城建學(xué)院學(xué)報(bào)，2014，23（1）：63-66.

［31］魏舟，李光錄，任磊.微地形DEM的最佳點(diǎn)云密度選?。跩］.水土保持通報(bào)，2015，35（6）：155-158+163.

［32］李瑾楊，范建容，徐京華.基于點(diǎn)云數(shù)據(jù)內(nèi)插DEM的精度比較研究［J］.測繪與空間地理信息，2013，36（1）：37-40.

［33］杜浩，朱俊鋒，張力，等.顧及地形特征的LiDAR點(diǎn)云數(shù)據(jù)抽稀算法［J］.測繪科學(xué)，2016，41（9）：140-146.

［34］吳紅艷，鄭粉莉，徐錫蒙，等.不同分辨率DEM提取切溝形態(tài)特征參數(shù)的轉(zhuǎn)化研究［J］.水土保持學(xué)報(bào)，2016，30（6）：147-152+161.

［35］張亞南，朱長青，杜福光.一種基于信息盒維數(shù)的DEM適宜分辨率確定方法［J］.地理與地理信息科學(xué)，2014，30（6）：17-20.

［36］何政偉，許輝熙，張東輝，等.最佳DEM分辨率的確定及其驗(yàn)證分析［J］.測繪科學(xué)，2010，35（2）：114-116.

Abstract：To quantitatively study the morphological evolution process of shallow gully，the construction of a high-precision digital elevation model by effective point cloud data can not only ensures the modeling accuracy，but also shortens the modeling time.Based on five groups of shallow gully point cloud data of dry-hot river valleys，this paper firstly determines the optimal point cloud extraction method and parameter value by employing sequential extraction simplification to compare the accuracy of DEM constructed by point cloud under Random，Space and Octree extraction modes.Secondly，the accuracy of DEM is verified by the comparison of two methods：the actual data set and shallow gully cross section.The results show that DEM constructed by the three optimal parameter values have all met the requirements of accuracy and the modeling time has been greatly shortened.Among which，（1）Random model can conveniently retain the required number of point clouds，and its optimal extraction rate is 10%；（2）Space mode can well guarantee the distance between points，and the optimal parameter is the minimum distance of 0.005 m；（3）Octree mode has a strong advantage in spatial division，and the optimal extraction parameter is deep extraction of 11-layer tree；（4）Space mode is the best choice of the three extraction modes.The results can provide a basis for efficiently and accurately constructing shallow gully DEM and studying the morphological evolution process.

Keywords：point cloud data；extraction simplification；shallow gully DEM；accuracy evaluation

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（41971015）;西華師范大學(xué)校級科研項(xiàng)目（19E067）

作者簡介：楊楓（1997—），男，碩士研究生，主要從事GIS研究。

通信作者：鄧青春（1982—），女，博士，副教授，碩士生導(dǎo)師，主要從事GIS與數(shù)字地形研究。E-mail：qingqing123ok@163.com

引文格式：楊楓，鄧青春.基于點(diǎn)云抽稀構(gòu)建干熱河谷淺溝DEM及精度評價(jià)［J］.西華師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（3）：279-289.