Technische Informationen
Luftgestutzte LIDAR-Messungen
Mit leistungsstarken Drohnen mit LIDAR-Technologie liefert Discover LIDAR prazise und schnelle Messungen zu wettbewerbsfahigen Preisen. LIDAR-Technologie kann Vegetation durchdringen und eine detaillierte Gelandekartierung mit Zentimetergenauigkeit liefern.
3D-Punktwolken und Orthobilder
Wir liefern eine dichte 3D-Punktwolke (x, y, z) und Orthobilder im .tif-Format. Diese Daten sind kompatibel mit Software wie AutoCAD und Global Mapper und erleichtern spatere Bearbeitungen wie Vektorisierung und Flachen- oder Volumenmessungen.
Genauigkeit und Abdeckung
Unsere Drohnen scannen einen 150 Meter breiten Streifen aus 100 Meter Hohe mit 60% seitlicher Uberlappung und +/-5 cm absoluter Genauigkeit. Die Punktwolke kann klassifiziert werden in Kategorien wie Boden und andere, mit einer Dichte von uber 200 Punkten pro Quadratmeter.
Georeferenzierungsoptionen
Die Daten konnen im Koordinatensystem WGS84 geliefert oder in lokale Referenzsysteme wie Stereographic 70/MN75 projiziert werden. Optional bieten wir naturliche Farbgebung der Punktwolke, digitale Oberflachenmodelle (DSM) und Orthofotos mit 3 cm GSD-Auflosung.
Dateikompatibilitat
Die Ausgaben sind kompatibel mit Autodesk Civil und Autodesk ReCap und verfugbar in Formaten wie .rcp, .e57, .csv, .xyz, .las und .laz, alle georeferenziert.
Klassifizierung der 3D-LIDAR-Punktwolke
Die Punktklassifizierung weist jedem Punkt Codes zu und definiert den Objekttyp, der den Laserpuls reflektiert hat.
Haufige Kategorien
Boden
Punkte, die von der Erdoberflache reflektiert wurden
Vegetation
Klassifiziert in niedrig, mittel und hoch
Gebaude
Punkte von Dachern und Bauwerken
Wasser
Punkte von Wasseroberflachen.
Infrastruktur
Strassen, Eisenbahnen, Kabel und Masten.
Klassifizierungstechniken
Automatische Klassifizierung
Fortgeschrittene Algorithmen und maschinelles Lernen fur prazise Klassifizierung.
Regelbasierte Klassifizierung
Gelandespezifische Parameter und dedizierte Algorithmen.
Semantische Klassifizierung
Fortgeschrittene Modelle fur semantische Segmentierung von 3D-Daten.
Standard-Klassifizierungscodes
Wir verwenden Codes nach ASPRS-Standards, zum Beispiel:
0
Nicht klassifiziert
1
Nicht zugewiesen
2
Boden
6
Gebäude
9
Wasser
Vorteile der 3D-Punktklassifizierung in der Infrastruktur
Optimierte Planung und Auslegung
Bietet ein vertieftes Verstandnis der Umgebung und unterstutzt fundierte Entscheidungen.
Effizienz der Datenanalyse
Reduziert Rechenlast und vereinfacht die Verwaltung komplexer Daten.
Qualitätskontrolle
Ermoglicht die fruhe Erkennung von Fehlern wahrend der Bauausfuhrung.
Reduzierung von Kosten und Zeit
Kollisionserkennung und Ressourcenoptimierung verhindern Verzogerungen und Budgetuberschreitungen.
Verbesserte Sicherheit
Proaktives Risikomanagement sorgt fur eine sicherere Arbeitsumgebung.