Abstract
Filtering of airborne light detection and ranging (LiDAR) data is a challenging task in vegetated mountain areas. Environmental features and LiDAR data characteristics have significant impacts on the performance of filtering algorithms. This study aims to determine the effects of topographic and environmental features such as slope, canopy cover, elevation variability, and LiDAR point density on five widely used filtering algorithms, including multi-scale curvature classification (MCC), interpolation-based filtering (IBF) algorithm, morphological filtering (MF) algorithm, progressive triangulated irregular network densification filtering (PTDF) algorithm, and slope-based filtering (SBF). The results show that the performances of these filtering algorithms are all significantly influenced by the chosen factors, but the dominant influential factor varies with algorithms. The MCC works well in steep and dense forests; IBF and MCC outperform the rest of filtering algorithms in areas with steep terrain but low vegetation coverage; and PTDF is more reliable for low-density LiDAR data. Our results can provide guidance for choosing the appropriate filtering algorithm based on the specific topographic and environmental features of a study area.
RÉsumÉ
Le filtrage des données aéroportées LiDAR représente une tâche ardue dans les régions montagneuses végétalisées. Les caractéristiques environnementales et les attributs des données LiDAR ont un impact considérable sur la performance des algorithmes de filtrage. Cette étude vise à mesurer les effets des caractéristiques topographiques et environnementales tels que les pentes, le couvert forestier, la variabilité en altitude et la densité des données LiDAR sur cinq algorithmes largement utilisés: la classification de courbure à échelle multiple (CCEM), le filtrage par interpolation (FI), le filtrage morphologique (FM), le filtrage par densification progressive de réseau de triangles irréguliers (FDPR) et le filtrage par niveau d’inclinaison (FNI). Les résultats démontrent que la performance de ces algorithmes est grandement influencée par les facteurs sélectionnés, mais que le facteur dominant varie selon l’algorithme. La CCEM fonctionne bien dans les forêts denses et escarpées, le FI et la CCEM surpassent les autres algorithmes dans les zones à pic, mais à faible couverture végétale, et le FDPR est plus fiable avec les jeux de données LiDAR à basse densité. Nos résultats peuvent orienter la sélection d’un algorithme de filtrage qui convient aux caractéristiques topographiques et environnementales d’une zone d’étude.