POINT CLOUD SINIFLANDIRMA VE FİLTRELEME TEKNİKLERİNİ UYGULAMAK

Yaygın bir kavram yanılgısı şudur: nokta bulutu temizliği ile sınıflandırma aynı işin iki adımıdır. Değildir. Temizlik gürültüyü siler, sınıflandırma ise kalan her noktaya anlam yükler; ikisi farklı algoritma aileleri, farklı parametre setleri kullanır ve sırayı karıştırdığında sonuç sahaya yansımayan bir model olarak geri döner. ASPRS spesifikasyonu da bu ayrımı yıllardır gözetir; standart bir LAS dosyasında 7 ve 18 kodları gürültü için, 2 ve 6 kodları ise bilgi sınıfları için ayrılmıştır.

Lazer tarayıcı veya drone fotogrametri ürünü bir bulut sahaya geldiğinde, içinde topraktan kuş izine, yapraktan kamyon arkasından geçen bir bisikletliye kadar her şey bulunur. Saha mühendisi için temiz model üretmenin yolu, doğru sırada doğru filtreyi çalıştırmaktan geçer. Bu yazıda gürültü temizliğinden ASPRS sınıf kod atamasına, CSF ile zemin ayrımından voxel downsampling boyut indirgemesine kadar saha projesinde işe yarayan parametre kararlarını ele alıyoruz. Konuyu uçtan uca modüler bir programla çalışmak isteyen okurlar için point cloud eğitimi sayfası kapsamı modül modül listeler.

NEDEN GÜRÜLTÜ İLK ADIM OLMALIDIR

Bir bulutun ilk işlemi neredeyse her zaman gürültü temizliğidir, çünkü sonraki tüm algoritmalar gürültü içeren komşuluk istatistiğine yaslanır. Zemin filtresi yüksek-düşük komşu farkına bakar; bir kuşun bıraktığı tek nokta o pencerede yapay bir tepe yaratır ve zemin filtresi etrafındaki gerçek zemin noktalarını da bina diye işaretler. Aynısı normal vektör hesabı, eğim analizi ve düzlem uydurma için geçerlidir. Önce SOR, sonra zemin, sonra sınıflandırma sıralaması bu yüzden endüstri pratiği oldu.

ASPRS spesifikasyonu gürültüyü tek sınıf olarak değil iki sınıf olarak tanımlar. Sınıf 7 düşük gürültü olarak adlandırılır ve genelde multipath geri dönüşleri, tarayıcı tripodu altında kalan kırpıntı noktalar, drone alçaltırken ekipmana yansıyan parazitlerden gelir. Sınıf 18 yüksek gürültü olarak adlandırılır ve atmosferik kaynaklı bir paket olarak görülmelidir: havadaki kuş, sis tabakası, drone'un üstünden uçan helikopter rotor karışıklığı buraya düşer. Bu ikisini tek paragrafta toplamak yerine ayrı tutmak ileride histogram analizinde gerçek zeminin yapay tepesini saptamayı kolaylaştırır.

Pratik bir kontrol: ham bulutu yükledikten sonra Z ekseninde bir histogram üret. Eğer histogramın iki ucunda 5-10 metre aralığında uzanan boş bölgelerden sonra tekil pikler varsa, bunlar büyük olasılıkla gürültüdür; ham veride %0.5 ile %3 arası gürültü oranı normaldir, %5'in üstüne çıkan oran tarama yönteminde sorun olduğunu söyler. Bu durumda algoritmayla uğraşmak yerine sahaya dönmek gerekir.

ASPRS SINIF KODLARI TÜRK PROJESİNDE NE ANLAMA GELİR?

ASPRS sınıf kodları her LAS dosyasında her noktaya tek byte ile gömülen küçük bir bilgi parçasıdır ama bütün üst akış buna bağlıdır. Kodlar dosya formatından bağımsızdır; CloudCompare, LASTools, ArcGIS Pro, TerraSolid, Global Mapper hepsi aynı kodlara saygı duyar. Bir noktanın 2 kodu varsa zemindir, 6 kodu varsa binadır, başka yazılıma aktarıldığında da bu anlam korunur.

Türk projelerinde bu kodların ağırlığı uygulamaya göre değişir. HGM'nin ülke geneli LIDAR programında ana ilgi 2 (Ground) sınıfıdır; çıkan DTM bütün altyapı, yol ve afet projelerinin temel verisi olur. TKGM bazlı kentsel kadastro projelerinde 6 (Building) sınıfı ön plana çıkar; otomatik bina ayak izi (footprint) çıkarımı binlerce binayı tek tek çizme zahmetinden kurtarır. Orman Genel Müdürlüğü envanter çalışmalarında 5 (High Vegetation) sınıfının yoğunluğu ve canopy yüksekliği biyokütle tahminine çevrilir. Karayolları Genel Müdürlüğü otoyol koridoru taramalarında 10 (Rail), 11 (Road Surface) ve 17 (Bridge Deck) öne çıkar.

13-16 arası tel ve kule kodları Türk projelerinde gözden kaçırılan değerli bir alandır. TEİAŞ ve elektrik dağıtım şirketlerinin koridor LIDAR taramalarında bu kodlar kullanılmadığında hat-bitki yaklaşma analizi (vegetation encroachment) elle yapılır, oysa otomatik sınıflandırma sayesinde bir koridorda binlerce yaklaşma noktası birkaç dakikada raporlanabilir.

HANGİ ZEMİN FİLTRESİ NE ZAMAN KULLANILIR?

Zemin filtresi ham buluttan çıplak zemini ayırmak için kullanılır ve sonraki tüm sınıflandırma adımlarının temelidir. Çünkü bina, bitki ve diğer yapılar zemine göre yüksekliklerine bakılarak ayrılır; zemin yanlış kurulursa bina sınıfı bitkiyle karışır. Üç algoritma ailesi yaygın kullanımdadır ve her birinin güçlü olduğu arazi tipi farklıdır.

Cloth Simulation Filter (CSF) 2016'da yayımlanmış görece yeni bir yöntemdir. Bulutu ters çevirip üzerine sanal bir kumaş düşürür; kumaş yer çekimi etkisi altında salınır, gerçek zemin noktalarına temas eder, hava boşluğunda kalır. Bu temas eden noktalar sınıf 2 olarak işaretlenir. CloudCompare içinde Plugins > CSF Filter menüsünden çalıştırılır; LASTools'ta benzer mantık lasground_new komutuyla erişilir. Üç parametre kritiktir: cloth resolution (kumaş ağ adımı, metre), max iterations (kumaşın salınım sayısı) ve class threshold (temas mesafesi eşiği).

• Düz şehir veya OSB sahası: cloth resolution 2.0 m, max iterations 500, class threshold 0.5 m. Standart başlangıç.
• Eğimli arazi, kıyı tepelik: cloth resolution 0.5-1.0 m, slope yumuşatma açık, class threshold 0.5 m. Karadeniz havzası tipik.
• Bina yoğun şehir merkezi: cloth resolution 1.0 m, iterations 1000, class threshold 0.3 m. Tarihi yarımada gibi yoğun şehir dokusu.
• Yoğun orman, kapalı kanopi: CSF tek başına yetmez; ön filtre ile yüksek bitki tepesi atıldıktan sonra CSF çalıştırılır.

Progressive Morphological Filter (PMF) morfolojik açma operasyonlarıyla zemin dışı noktaları kademeli olarak siler. Düz veya hafif eğimli arazide hızlıdır, ama dik yamaçta zemin noktasını da silebilir. Konya Ovası tarımsal LIDAR taramaları gibi düz arazi senaryolarında işe yarar; Doğu Karadeniz bölgesi gibi sert eğimde CSF tercih edilir. LASTools'ta PMF varyantına lasground ile erişilir; pencere boyutu (window size) ve yükseklik eşiği (height threshold) iki ana parametredir.

Progressive TIN Densification (PTD) üçgenleme tabanlı yöntemdir; başlangıçta seyrek bir zemin noktası kümesinden TIN üçgenlemesi kurar, sonra her üçgene komşu noktalardan zemin kriterine uyanları kademeli olarak ekler. TerraSolid'in zemin sınıflandırma motorunun temelidir ve havalimanı, otoyol, baraj gövdesi gibi karmaşık mühendislik yapılarında güvenilirdir. Parametre sayısı CSF'den fazladır; max building size, terrain angle, iteration angle ve iteration distance ana ayarlardır.

Hangisi ne zaman? Hiçbiri evrensel değildir. Tek bir kuralla özetlemek gerekirse: hızlı ön bakış için CSF, düz arazide kesin sonuç için PMF, karmaşık mühendislik projesi için PTD. Pratikte çoğu projede ön CSF + sonradan TIN ince ayar kombinasyonu kullanılır.

SOR VE ROR PARAMETRELERİ

Statistical Outlier Removal (SOR) ve Radius Outlier Removal (ROR) iki yaygın gürültü temizleme yöntemidir ve birbirini tamamlar. İkisinin de Open3D, CloudCompare, PCL ve PDAL gibi araçlarda standart implementasyonu vardır; sadece parametre adlandırması ufak farklarla değişir.

SOR her nokta için nb_neighbors sayıda en yakın komşuyu bulur, ortalama komşu mesafesini hesaplar, sonra tüm bulutun ortalama mesafelerinin standart sapmasına bakar. Bir noktanın ortalama komşu mesafesi std_ratio katı standart sapmadan büyükse o nokta atılır. Open3D varsayılanları nb_neighbors=20, std_ratio=2.0 çoğu mimari taramada iyi başlangıçtır.

• İç mekan, yüksek yoğunluk lazer: nb_neighbors=20, std_ratio=2.0 — standart başlangıç
• Drone fotogrametri, orta yoğunluk: nb_neighbors=30, std_ratio=2.5 — daha agresif
• Hava LIDAR, düşük yoğunluk: nb_neighbors=10, std_ratio=3.0 — yanlış silmemek için tolerant
• Çok temiz tarama, ince gürültü: nb_neighbors=50, std_ratio=1.5 — agresif temizlik

ROR farklı mantık üzerine kurulur. Belirlenen radius küresinin içinde en az nb_points kadar komşu noktası bulunmayan her noktayı atar. Open3D'de tipik kullanım nb_points=16, radius=0.05 şeklindedir; iç mekan taramasında 5 cm yarıçap mantıklıdır, drone fotogrametrisinde 20-50 cm bandı tercih edilir. ROR sis ve toz partiküllerini tek vuruşta temizlemekte SOR'a göre daha hızlıdır çünkü istatistik hesaplamaz, sadece komşu sayar.

İki yöntemin pratik dağılımı şöyledir: SOR yoğunluğu değişen bulutlarda iyi çalışır çünkü standart sapma adaptasyon sağlar; ROR ise homojen yoğunluklu bulutlarda iyi sonuç verir. Bir lazer tarayıcı bulutunda yoğunluk istasyon noktalarına yakınken yüksek, uzak duvarlarda düşüktür; SOR bu farkı emer. Drone fotogrametri ürünü ise tüm yüzeyde homojendir; ROR bu durumda eşdeğer veya daha hızlıdır.

VOXEL DOWNSAMPLING NE ZAMAN GEREKİR

Voxel downsampling gürültü temizliği değil, boyut indirgeme yöntemidir. İki amaca hizmet eder: dosya boyutunu küçültmek ve bulutun yoğunluğunu homojen hale getirmek. Algoritma çok basittir: bulutu sabit kenar uzunluklu küp ızgaraya böler, her küpün içindeki noktaların centroid'ini hesaplar, küp başına tek temsilci nokta bırakır. Diğer noktalar atılır.

Voxel boyutu seçimi projenin amacına göre yapılır. As-built mimari modellemede 5-10 mm yeterlidir; bu çözünürlükte duvar köşeleri, kapı bordürleri ve pencere söveleri net kalır. Topografya ve DTM üretiminde 25-50 cm bandı tipiktir; toprak yüzeyinin curvature'ı bu çözünürlükte bozulmaz. Şehir genel modelinde 10-20 cm orta yoldur; binalar ayrışır, ağaçlar zaten 5. sınıfa atandığı için detay önemsizdir.

Pratik bir örnek: ülke geneli HGM LIDAR taramasında ham yoğunluk metrekareye 8-12 noktadır, dosya boyutu 800 GB'ı bulur. 50 cm voxel ile downsample sonrası boyut yaklaşık 60 GB'a iner, ortalama yoğunluk metrekareye 4 nokta olur. DTM ve hidroloji analizi için bu yoğunluk fazlasıyla yeterlidir, ülke geneli üzerinde işlem hız kazanır.

Sıralama önemlidir. Voxel önce çalıştırılırsa outlier noktalar centroid hesabına dahil olur ve gerçek geometriyi bozar. Doğru sıra: önce gürültü (SOR veya ROR), sonra zemin filtresi (CSF veya PMF), sonra sınıflandırma (ASPRS kodları), en sonda voxel downsample. Bu sıralama hem en doğru sonuç verir hem de her adımın işlem maliyetini bir önceki adımın azalttığı temiz veriyle minimize eder.

INTENSITY VE RETURN NUMBER BAZLI SINIFLANDIRMA

Geometriye ek olarak nokta bulutu iki ek bilgi taşır ve sınıflandırmada büyük fark yaratır. Bunlardan ilki intensity değeridir; tarayıcının gönderdiği lazerin yüzeyden ne kadar geri yansıdığını ölçer. Asfalt yol düşük intensity verir (koyu yutucu yüzey), beyaz mermer veya çinko çatı kaplaması yüksek intensity verir. Bu özellik 11 (Road Surface) sınıfının zeminden ayrılmasında, su yüzeyinin (sınıf 9) yansıma kaybından dolayı tespitinde ve trafik şeritlerinin yoldan ayrılmasında kullanılır.

İkincisi return number alanıdır. Bir lazer pulsu birden fazla yüzeyden yansıyabilir; ilk dönüş ağaç tepesinden, son dönüş ağaç altındaki zeminden gelir. Aynı pulsun kaç dönüşü olduğu (number of returns) ve şu anki noktanın kaçıncı dönüş olduğu (return number) bilgisi LAS dosyasında saklanır. Bitki sınıflandırmasında bu kritiktir: zeminden gelen son dönüşler sınıf 2'ye, ara dönüşler sınıf 3-4'e, ilk dönüşler sınıf 5'e atanır. Orman envanterinde return number kullanılmadan canopy ve undergrowth ayrımı yapılamaz.

Pratik bir kombinasyon kuralı: return_number == number_of_returns ise nokta son dönüştür ve zemin adayıdır. return_number == 1 && number_of_returns > 1 ise ilk dönüştür ve bitki tepesi/bina çatı adayıdır. Bu basit mantık tek başına bile %70-80 doğrulukla canopy ayrımı sağlar; CSF veya PMF üzerine eklendiğinde doğruluk %95+ seviyesine çıkar.

TÜRKİYE'DE HANGİ SENARYOLARDA UYGULANIR?

Türk projelerinde sınıflandırma ve filtreleme uygulaması üç ana hatta yoğunlaşır.

Orman envanteri ve biyokütle: Orman Genel Müdürlüğü pilot bölgelerinde uçaktan yapılan LIDAR taramaları, return number bazlı sınıflandırmayla canopy yüksekliği haritalarına çevrilir. Sınıf 5 noktalarının zemine göre yüksekliği canopy height model (CHM) üretir; CHM üzerinden ağaç tepe tespiti yapılır, ağaç başına biyokütle tahmini ortaya çıkar. Klasik yer yürüyüşü envanterine göre maliyet %80'e kadar düşer.

Arkeolojik tespit: Sığ engebeli arazide eski yerleşim izlerinin tespiti için LIDAR güçlü bir araçtır. Sınıf 2 (zemin) yoğun bitki örtüsü altında dahi ayrılabildiği için, gözle görülmeyen tümülüsler, höyük izleri ve antik yol şeritleri çıplak DTM üzerinde gölge analizi (hillshade) ile ortaya çıkar. Anadolu'da bu yöntemle yüzyıllardır bilinmeyen yerleşim katmanları tespit edilmiştir; bitki yoğun bölgelerde gezme keşfine göre 10-100 kat hızlıdır.

Hava lazer tarama envanteri (HGM): Harita Genel Müdürlüğü ve TKGM kapsamında üretilen ulusal LIDAR verisinde standart akış şudur: önce yüksek gürültü (sınıf 18) ve düşük gürültü (sınıf 7) ayrılır, sonra CSF veya PTD ile zemin (sınıf 2) çıkarılır, sınıflandırılmamış kalan noktalar yükseklik bandlarına göre bitki (3-5) ve bina (6) olarak işaretlenir. Yol koridorları için ek olarak sınıf 11 manuel maskeleme veya intensity bazlı eklenir.

Tarımsal verim modeli: Konya Ovası ve İç Anadolu büyük ölçekli tarım alanlarında drone fotogrametri ile düşük irtifa LIDAR ekipmanları kullanılır. Sınıf 3 (low vegetation) ve sınıf 2 farkı toprak yüzey-bitki yüksekliği veren basit bir bitki yükseklik modeli verir; bu model gübre dağıtımı, sulama planlaması ve verim tahmininde girdi olur. Drone fotogrametri ucuz, hızlı ve sezonluk tekrarlanabilir olduğu için tarım operatörünün bütçesine uyar.

KALİTE KAPILARI VE DOĞRULAMA

Sınıflandırma akışının sonunda kalan kritik adım doğrulamadır. Sahaya yansımayan bir model güzelse de bedavadır. Üç metrik kapısı kullanılır.

1. Toplam yüzde dağılımı: Sınıflandırma sonrası her sınıfın yüzde oranını çıkar. Düz şehir senaryosunda sınıf 2 (ground) %30-50 bandında olmalı; sınıf 6 (building) %20-40; sınıf 5 (high vegetation) %5-15. Bu bantlardan sapma alarm üretir. Eğer ground %5'in altındaysa CSF cloth resolution çok hassas kalmış demektir, %80'in üstündeyse bina sınıfı çalışmamış demektir.
2. Manuel doğrulama örneklemi: Bulut alanından rastgele 50-100 nokta seçip her birini görsel kontrol yap; nokta gerçekten o sınıfa mı ait? Doğruluk %95 altına düşerse sınıflandırma yeniden çalıştırılır. Bu test yarım saatlik bir iştir ama saha güveni getirir.
3. Bilinen kontrol noktalarıyla karşılaştırma: Yer kontrol noktaları (Ground Control Points - GCP) sınıf 2 olarak gelmeli; bunlar zemine sabitlenmiş hedefler veya GNSS okuması alınmış noktalardır. GCP'ler sınıf 2 olarak gelmediyse zemin filtresi yanlış kurulmuş demektir, parametre revizyonu gerekir.

Bu üç kapıdan geçen bir bulut artık üst akış için güvenli temeldir. DTM üretimi, bina ayak izi çıkarımı, hat-bitki yaklaşma analizi veya as-built modelleme — hangisi olursa olsun temiz ve doğru etiketlenmiş veri olmadan başlamazsa sonuçta yapılan iş yeniden işleme döner. Sınıflandırma ve filtreleme bir bulutla yapılan her şeyin sessiz omurgasıdır; tek seferlik bir görev değil, projenin temel kararının kendisidir.