⚡ electrical engineering

ASND‑DEM: An Adaptive Spatial Nyquist Decomposition Framework for Optimal DEM Resolution Mapping from Photogrammetric Point Clouds in Open‑Pit Mining

本研究引入了 ASND-DEM，这是一个通过根据局部点间距和地形粗糙度动态调整网格密度，来优化露天矿山摄影测量点云数字高程模型（DEM）分辨率的自适应框架，在实现显著数据压缩的同时保留了关键的地质特征。

原作者： Amir Sarvi, Abbas Abedini, Farzaneh Dadrass Javan

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Amir Sarvi, Abbas Abedini, Farzaneh Dadrass Javan

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名制图师，任务是绘制一张巨大的、崎岖不平的露天矿山地图。你有一架无人机，它拍摄了数百万张照片，创建了一个 3D “点云”。这个点云拥有 9650 万个点，每个点都代表地面上的一个位置。

你的目标是将这些点转化为数字高程模型（DEM）——一个平滑的、基于网格的地图，供工程师使用以检查矿山边坡是否安全，或计算搬运了多少岩石。

问题所在：
如果你尝试用单一的网格尺寸来绘制整个矿山的地图，你会陷入一个两难境地：

太粗糙（大网格）： 如果你的网格方块太大，你会错过矿山阶梯（台阶）的锐利、危险边缘以及陡峭的坡面。这就像透过一层雾气浓重的窗户观察连绵起伏的山脉；细节会变得模糊不清。
太精细（小网格）： 如果你的网格方块足够小，甚至能捕捉到每一块石头和裂缝，那么文件体积会变得巨大。这就像试图把一座图书馆的百科全书都装进兜里。电脑会变慢，存储空间会被填满，而且你记录下的可能只是“噪声”（传感器误差）而非真实的地面。

论文指出，不存在“一劳永逸”的网格尺寸，因为矿山既有平坦光滑的运输道路（不需要极细的网格），也有崎岖破碎的岩壁（需要极细的网格）。

解决方案：ASND-DEM
研究人员创建了一个名为 ASND-DEM 的智能框架。把它想象成一个智能、可变形的相机，它能根据观察的位置自动调整焦距和缩放级别。

它是如何工作的，分为以下四个简单的步骤：

1. “奈奎斯特”规则（设定界限）

首先，系统会观察无人机的点与点之间的距离有多近。它使用了一个来自物理学的规则，叫做 奈奎斯特-香农定理（Nyquist-Shannon theorem）。

类比： 想象你正在试图听清一个音符。为了正确听到它，你需要采样频率至少是该音符音调的两倍快。如果采样太慢，你会听到错误的音符（混叠现象）。
在矿山中： 系统计算点与点之间的“中值距离”。它决定了地图网格的大小不能大于该距离的两倍，否则会丢失矿山的形状。这设定了允许的“最粗糙”网格尺寸。

2. 测量“粗糙度”（纹理检查）

接下来，系统会遍历点云并询问：“这个特定位置有多粗糙？”

它观察三件事：高度的变化量、坡度的陡峭程度以及地面的曲率。
类比： 想象一块织物。有些部分是光滑的丝绸（平坦的运输道路），而有些部分是皱巴巴的麻布（破碎的岩壁）。
系统使用了一个被称为**熵（Entropy）**的聪明数学技巧，来决定这三个测量指标中哪一个最重要。研究发现，对于矿山而言，“坡度”和“曲率”是衡量粗糙度的最佳指标，而单纯的高度变化往往是多余的。

3. “智能地图”（使网格与地形匹配）

现在，系统会创建一个定制的地图，告诉它在每一平方英寸的矿区内应该使用什么样的网格尺寸。

类比： 想象一名裁缝在制作西装。他们不会对全身使用同样厚度的布料，而是对膝盖（粗糙区域）使用厚实耐用的布料，对胸部（平滑区域）使用轻薄的布料。
结果： 在平坦的运输道路上，系统会说：“使用大而粗糙的网格。”而在崎岖的台阶边缘，它会说：“切换到微小、精细的网格。”
研究发现，针对这个特定矿山，最佳的“平均”网格尺寸约为 0.4 米，但它允许网格在粗糙处缩小至 0.13 米，在平滑处扩大至 0.53 米。

4. “八叉树”（神奇的档案柜）

最后，系统将 9650 万个点组织进一个称为 八叉树（Octree） 的结构中（一种 3D 树状文件系统）。

类比： 想象一个图书馆。与其给每本书都分配一个单独的书架，不如按主题对书籍进行分组。如果某个区域有 10,000 本书，它就会得到一个大的书架；如果某个区域只有 5 本书，它就会得到一个微小的书架。
结果： 系统将庞大的 9650 万个点压缩成了仅 542,443 个“图块（tiles）”。
神奇之处： 它将数据量减少到了原始大小的 0.56%（实现了 178 倍的缩减！），同时没有丢失矿山墙壁的锐利边缘。它在需要的地方保留了“粗糙”的细节，并在不需要的地方丢弃了多余的“平滑”数据。

核心结论

论文证明了你不需要在“模糊地图”和“巨型文件”之间做选择。通过使用这个 ASND-DEM 框架：

安全性得到了保障： 矿山墙壁的锐利边缘（对稳定性至关重要）被保留了高精度细节。
效率得到了最大化： 平坦区域被简化，节省了大量的计算机存储空间和处理时间。
它是自动化的： 系统会自动计算出所有的设置；你不需要去猜测正确的网格尺寸。

简而言之，这是一种聪明的方法，能将堆积如山的原始数据转化为一份高质量、易于管理的地图，它知道在哪里放大观察，在哪里缩小观察。

技术摘要：用于优化 DEM 分辨率映射的 ASND-DEM 框架

1. 问题陈述

在露天矿山中，为摄影测量点云生成的数字高程模型（DEM）选择合适的解析度仍然是一个关键且尚未解决的挑战。解析度过粗会导致无法捕捉关键的工程特征，如台阶边缘、坡度转折和侵蚀模式，从而损害边坡稳定性分析和体积计算。相反，解析度过细则会放大传感器噪声，增加数据量，并导致计算成本呈二次方增长。

核心难点在于不存在通用的固定解析度。最优解析度取决于局部点密度和表面粗糙度。矿区地形具有高度异质性，既包含平滑的运输道路（需要粗解析度），也包含崎岖的台阶面（需要细解析-度）。现有的方法通常依赖于固定网格法或简单的滤波处理，无法在变化剧烈的景观中同时实现关键不连续性的保留与高效的数据压缩。

2. 方法论：ASND-DEM 框架

本研究提出了 ASND-DEM（面向数字高程模型的自适应空间奈奎斯特分解），这是一个由四个阶段组成的框架，旨在回答两个问题：（1）给定数据集的合适固定解析度是多少？（2）如何使解析度随空间变化以匹配局部复杂度？

第一阶段：空间奈奎座分析

此阶段基于适配到空间领域的 Nyquist-Shannon 采样定理，推导出理论上允许的解析度尺度。

过程： 框架通过计算输入点云的 $k$ -最近邻距离（ $k=3$ ）来估计局部采样密度。使用高斯混合模型（GMM）识别主导采样模式，得出中位数最近邻距离（ $P_{50}$ ）。
输出： 生成一个从 $0.5 \times P_{50}$ 到 $2.0 \times P_{50}$ 的离散许可解析度表。空间奈奎斯特极限定义为 $R_{Nyquist} = 2 \times P_{50}$ ，代表能够避免空间混叠的最粗解析度。

第二阶段：多变量粗糙度表征

此阶段使用三个几何描述符来量化局部表面复杂度：高程标准差（ $r_{std}$ ）、坡度梯度（ $r_{slope}$ ）和曲率残差（ $r_{curv}$ ）。

自适应加权： 评估四种加权方案（等权重、PCA、熵、频谱）以融合这些描述符。通过自动决策评分（平衡信息熵、细节保留和稳定性）来选择最优加权方法。
结果： 在案例研究中，选择了基于熵的方法，该方法对坡度和曲率赋予接近相等的权重，同时由于冗余性舍弃了高程标准差。

第三阶段：粗糙度-解析度映射

此阶段将归一化的粗糙度值映射到许可尺度集内的最优局部解析度（ $R_{best}$ ）。

映射函数： 测试了三类函数（多项式、指数、对数）。
选择： 通过信息论综合评分（结合熵、精细细节保留和稳定性）选择最优函数。研究发现，指数映射（ $\alpha=5$ ）最能体现两者关系，即即使是中度的粗糙度也会触发向更细解析度的快速转变。
固定解析度： 对于需要统一网格的应用，通过成本-质量权衡分析确定最优固定解析度（ $R_{opt}$ ）为空间变化的 $R_{best}$ 图的中位数。

第四阶段：自适应八叉树分块

最后阶段构建了一个层次化的空间划分（被称为自适应八叉树，在 2.5D 高程场中充当四叉树），该划分由 $R_{best}$ 图驱动。

分裂准则： 基于局部解析度统计数据，节点根据两个条件进行分裂：（1）切片大小超过相对于局部平均解析度的阈值；（2）局部解析度异质性超过阈值。
压缩： 该过程将点云压缩为解析度与局部表面复杂度成比例的切片。平滑区域由粗切片表示，而粗糙区域则保留细切片。

3. 核心贡献

理论适配： 将 Nyquist-Shannon 定理适配到用于点云生成 DEM 的空间领域，建立了物理约束的尺度表（ $0.5\times$ 至 $2.0\times P_{50}$ ）。
多变量粗糙度融合： 引入了具有自动加权选择功能（通过熵、PCA 等）的多变量粗糙度表征，消除了手动参数调优。
信息论映射： 开发了一种粗糙度-解析度映射策略，可根据信息论指标选择最优函数形式（多项式、指数或对数）。
自适应八叉树压缩： 实现了一种由粗糙度驱动的自适应八叉树，实现了与局部表面平滑度成比例的数据压缩，而非使用固定的体素大小。
大规模验证： 在来自伊朗的一个露天矿山的真实大规模数据集（9655 万个点）上验证了该框架，展示了近线性扩展能力和显著的压缩效果。

4. 结果

该框架应用于来自伊朗某露天矿山的 96,555,133 个点 的摄影测量点云。

解析度分析： 主导点间距（ $P_{50}$ ）为 0.264 m，确立了 0.528 m 的奈奎斯特极限。自适应解析度在空间上从 0.132 m（在粗糙的台阶边缘）到 0.528 m（在平滑的运输道路）变化，跨度达 4 倍。
最优固定解析度： 分析确定 0.396 m（1.5× $P_{50}$ ）为统一网格 DEM 的最优固定解析度，这代表了“拐点”，即在此点之后，进一步粗化在数据缩减方面的收益相对于误差增加而言递减。
压缩性能： 自适应八叉树将 9655 万个点压缩为 542,443 个切片（平均每个切片约 178 个点）。与原始点云体积相比，实现了 0.56% 的存储压缩比（约 178 倍缩减）。
特征保留： 关键地形特征（台阶边缘、坡度转折）在细解析度切片中得到保留，而平滑区域则被积极压缩。
泛化性： 该框架成功应用于第二个独立的矿区数据集（2020 万个点），实现了相似的压缩比（0.62%），并能自动适应特定地形的最优固定解析度（0.240 m）。
对比： 与固定空间下采样和布料模拟过滤器（CSF）基准相比，ASND-DEM 提供了更高的存储效率，同时保留了所有地面结构点（与 CSF 不同，后者会丢弃地面外的物体），并且比均匀下采样更好地保留了精细特征。

5. 重要性与主张

本文声称 ASND-DEM 为异质景观中生成变分辨率 DEM 提供了一种受物理约束且数据驱动的解决方案。其重要性在于：

消除试错法： 它用基于点密度和表面粗糙度的理论基础准则取代了经验性的解析度选择。
效率与保真度： 它证明了变分辨率映射可以在保留对采矿安全和体积计算至关重要的厘米级特征的同时，将存储需求降低两个数量级。
可扩展性： 其近线性计算扩展性（ $O(N \log N)$ ）使得该框架适用于点云经常超过 1 亿个点的规模化大型矿业作业。
通用性： 该框架旨在适用于任何摄影测量或 LiDAR 点云，不仅限于矿业环境，尽管其专门针对工程化矿区地形进行了验证。

作者指出，该框架需要完整的点云作为输入，目前不支持实时增量处理，但它为优化复杂工程地形中的 DEM 生成提供了一个稳健的离线解决方案。