摘要:无人机激光雷达（LiDAR）技术在复杂地形（如山区、峡谷、矿区）三维建模中具有高效性，但受地形遮挡、扫描角度偏差、环境干扰等影响，模型精度常 超 50cm，点云噪声率达 15% 以上。本文构建 “ 数据采集优化 - 点云去噪 - 精度校正” 技术体系，提出基于自适应加权滤波的去噪算法与多源数据融合的精度优 化策略。实验验证表明，该方法使建模平面精度提升至 15cm，高程精度达 10cm，噪声去除率超 90% ，为复杂地形工程测量提供高精度数据支撑。关键词：无人机激光雷达；复杂地形；三维建模；精度优化；点云去噪

一、引言

复杂地形工程测量（如公路选线、矿山监测）对三维模型精度要求严苛（平面误差 <30cm ，高程误差 <20cm ），传统全站仪测量效率低（单日作业面积 < 0.5km² ），难以满足大范围快速建模需求。无人机 LiDAR 系统通过搭载激光扫描仪（点云密度 50-200 点 /m² ），单日可完成 5km² 地形扫描，但在植被密集区、陡峭边坡等场景中，数据质量显著下降：树木遮挡导致地面点缺失率超30% ，扫描角度 >60^∘ 时高程误差增至 80cm，雨滴、粉尘反射形成的噪声点占比达 20‰ 。

某山区公路测量数据显示，未优化处理的 LiDAR 模型与实测值偏差达1.2m ，无法用于施工图设计；而传统去噪算法（如统计滤波）在保留地形细节的同时，噪声去除率仅 60% 。本文通过解析复杂地形点云的误差特性，开发针对性的去噪算法与精度优化技术，解决 “ 数据噪声大、建模精度低、细节丢失多”的行业痛点。

二、复杂地形点云误差来源与特性分析

（一）误差来源分类

系统误差：

激光扫描仪测距误差（ ± 3cm ）与无人机定位误差（RTK 模式下平面 ± 1cm、高程 ± 2cm ）叠加，在扫描距离 >200m 时累积误差达 15cm 。

扫描仪安装偏心（误差 >5mm ）导致角度测量偏差，陡峭地形（坡度 >30 ° ）中引发高程误差放大至 50cm_c 。

环境干扰误差：

植被反射形成的非地面点占比达 40%-60% ，其中灌木层点云与地面点高程差 <1m ，难以区分。

雨天作业时，雨滴反射产生随机噪声点，其高程偏差可达 ± 5m ，且分布无规律。

地形诱导误差：

悬崖、沟壑等阴影区因激光无法到达，形成数据空洞（面积 >100m² ），需依赖插值补全。

岩石表面强反射导致激光脉冲过度饱和，点云密度骤降（ <10 点 /m² ），地形细节丢失。

（二）点云数据特性

空间分布特征：

平缓区域点云分布均匀（变异系数 <10% ），陡峭区域因扫描角度变化呈现“ 上密下疏” （上下密度比 3:1）。

植被覆盖区点云呈分层结构：树冠层（高程 >5m ）、灌木层（1-5m）、地面层（ <1m ），层间存在明显高程间断。

噪声点特征：

粗差噪声（如设备异常产生的飞点）高程偏差 >2m ，占噪声总量的 5% ；

随机噪声（如大气散射）高程偏差 ±0.5m ，呈孤立分布（邻域点数量 ζ<3 个）；

混合噪声（如低矮植被）与地面点混杂，高程偏差 0.3-1m ，需通过地形连续性判断。

三、点云数据去噪算法优化

（一）多尺度自适应滤波算法

分层噪声识别：

采用高程阈值初步分离潜在噪声（高于区域平均高程 2m 或低于 1m 的点），筛选效率提升 40%_< 。

构建可变半径邻域（平缓区半径 5m ，陡峭区半径 2m ），计算各点的平均高程差（MAD），噪声点 MAD 值通常 >0.5m 。

加权迭代滤波：

对初始筛选的噪声点赋予可信度权重（基于邻域点密度与高程梯度），权重<0.3 的点直接去除（粗差噪声）。

保留权重 0.3-0.7 的可疑点，通过 3 次迭代验证：若邻域内 80% 以上点为地面点，则判定为有效点（如低矮岩石），否则去除（如杂草点）。

地形特征保护机制：

采用曲率检测识别山脊、坡脚等特征线，对特征线附近点云（ 5m 范围内）降低滤波阈值（ MAD>0.8m 才判定为噪声），避免地形细节丢失。

实验表明，该算法噪声去除率达 92% ，同时特征线保留率超 95% ，优于传

统统计滤波（保留率 70% ）。

（二）植被点云分离技术

基于点云强度的分类：

利用地面点（反射强度 30-60）与植被点（强度 10-30）的差异，通过阈值分割初步分离，准确率达 75% 。

对混合区域（如岩石与藤蔓交织区），结合激光回波次数（植被点多为多次回波）进一步筛选，分离精度提升至 。

渐进式形态学滤波优化：

采用动态窗口（窗口大小随坡度增加从 3m 增至 10m ）进行形态学开运算， 逐步剥离植被点，避免过度侵蚀地面点。

对滤波后的地面点云进行连通性分析，填补 <5m² 的空洞（采用反距离加权插值），数据完整性提升至 90‰ 。

四、三维建模精度优化策略

（一）数据采集方案优化

航线规划与参数设置：

复杂地形采用 “ 之” 字形航线，旁向重叠度从 60% 增至 80% ，确保陡峭边坡点云密度 >50 点 /m² 。

激光扫描仪设置：脉冲频率 200kHz ，扫描角 ±30° （避免边缘角度误差），飞行高度随地形起伏动态调整（相对高度保持 100-150m ）。

多源数据融合：

融合无人机影像（分辨率 5cm）与 LiDAR 点云，利用影像纹理信息修正植被区地面点高程，平面精度提升 30‰ 。

关键区域（如桥梁、陡崖）补充全站仪实测点（每 100m² 布设 1 个控制点），通过配准算法（ICP 迭代最近点）校正模型，高程误差从 50cm 降至 10cm

（二）模型构建与精度校正

格网优化与插值：

采用不规则三角网（TIN）构建初始模型，对坡度 >45^∘ 区域加密三角网节点（密度增加 50% ），避免地形失真。

空洞区域采用克里金插值（结合地形趋势面），插值误差 <20cm ，优于线性插值（误差 50cm ）。

系统误差补偿：

利用地面控制点（GCP）建立误差校正模型，通过二次多项式拟合消除扫描距离与角度相关的系统误差，平面校正精度达 15cm。

对扫描重叠区域的点云进行一致性检查，通过加权平均消除重复扫描的偏差（通常 <5cm ）。

五、工程应用验证_山区公路地形建模测试区域：面积 2km² ，包含 30^∘ 以上边坡、茂密林地及 V 型峡谷。

处理效果：

去噪后点云噪声率从 18% 降至 2.3% ，地面点提取准确率 89‰

三维模型与实测控制点对比：平面中误差 12cm，高程中误差 8cm，满足施工图设计要求 (± 30cm ）。

建模效率：从数据采集到模型输出耗时 12 小时，较传统测量（5 天）提升10 倍。

六、结论

基于无人机 LiDAR 的复杂地形三维建模需通过多尺度去噪算法提升数据质量，结合多源融合与系统误差补偿优化建模精度。实践表明，该技术体系可实现 15cm 级平面精度与 10cm 级高程精度，满足工程测量的高精度需求。未来需研究穿透式激光雷达（如 1550nm 波段）提升植被区地面点获取率，开发基于深度学习的智能分类算法，进一步降低复杂场景下的噪声干扰，推动无人机LiDAR 在工程测量中的规模化应用。

参考文献

[1]龚波. 基于无人机实景三维模型的大比例尺地形图测绘技术[J].低碳世界,2025,15(06):45-47.

[2]郑杰. 基于无人机的三维建模技术在城市规划测绘中的应用[J].智能城市,2025,11(06):70-72.

[3]李敏,王超. 实景三维中国中的城市三维模型构建技术研究[J].电脑知识与技术,2025,21(17):111-113.DOI:10.14004/j.cnki.ckt.2025.0802.