基于深度学习的黄土高原复杂地形LiDAR点云地面点提取方法

来自黄土高原地区的研究人员针对复杂地形下LiDAR点云地面点提取的难题，开展了基于Multi-KPConv深度学习模型的研究。该研究通过改进点云特征提取与地形适应性算法，显著提升了陡坡、沟壑等复杂地貌的识别精度，为水土保持监测和地质灾害评估提供了关键技术支撑，具有重要的工程应用价值。

　　

研究团队开发了一种名为Multi-KPConv（多核点卷积）的深度学习架构，专门用于处理黄土高原复杂地形下的激光雷达（Light Detection and Ranging, LiDAR）点云数据。该模型通过融合多尺度卷积核与自适应特征聚合机制，显著提升了陡坡、沟壑及植被覆盖区域的地面点分类精度。实验结果表明，该方法在复杂地貌场景中的交并比（IoU）达到89.7%，比传统滤波算法提高约23.6%，有效解决了陡坡地形误判和细小地形特征丢失的问题。研究还引入注意力机制与残差连接优化梯度流动，增强了模型对高程突变区域的响应能力。这一技术为高精度数字高程模型（Digital Elevation Model, DEM）构建、土壤侵蚀模拟和地质灾害风险评估提供了可靠的数据支撑，尤其适用于生态脆弱区的遥感监测工程。