python - 如何使用 GDAL python 从 LiDAR 点(X、Y、Z)创建网格？

Question

我真的是 python 编程的新手，我只是想知道您是否可以使用 LiDAR 点创建分辨率为 0.5 x o.5 m 的规则网格。

我的数据是 LAS 格式(从 liblas 导入文件作为 lasfile 读取)并且它们具有以下格式:X,Y,Z。其中 X 和 Y 是坐标。

这些点是随机定位的，一些像素是空的(NAN 值)，在一些像素中有更多的一个点。在一个点较多的地方，我希望获得一个平均值。最后，我需要将数据保存为 TIF 格式或 Ascii 格式。

我正在研究 osgeo 模块和 GDAL，但老实说，我不知道 osgeo 模块是否是最佳解决方案。

我很高兴能得到一些我可以学习和实现的代码的帮助，

提前感谢您的帮助，我真的需要。

我不知道使用这些参数获取网格的最佳方法。

Answer 1

有点晚了，但也许这个答案对其他人有用，如果不是对你...

我已经用 Numpy 和 Pandas 完成了这个，而且速度非常快。我使用的是 TLS 数据，并且可以在一台像样的 2009 年老式笔记本电脑上毫无问题地使用数百万个数据点来完成此操作。关键是通过舍入数据来“分箱”，然后使用 Pandas 的 GroupBy 方法进行聚合并计算均值。

如果你需要舍入到 10 的幂，你可以使用 np.round，否则你可以通过创建一个函数来舍入到任意值，我通过修改 this SO answer 来完成。 .

import numpy as np
import pandas as pd

# make rounding function:
def round_to_val(a, round_val):
    return np.round( np.array(a, dtype=float) / round_val) * round_val

# load data
data = np.load( 'shape of ndata, 3')
n_d = data.shape[0]

# round the data
d_round = np.empty( [n_d, 5] )
d_round[:,0] = data[:,0]
d_round[:,1] = data[:,1]
d_round[:,2] = data[:,2]

del data  # free up some RAM

d_round[:,3] = round_to_val( d_round[:,0], 0.5)
d_round[:,4] = round_to_val( d_round[:,1], 0.5)

# sorting data
ind = np.lexsort( (d_round[:,4], d_round[:,3]) )
d_sort = d_round[ind]

# making dataframes and grouping stuff
df_cols = ['x', 'y', 'z', 'x_round', 'y_round']
df = pd.DataFrame( d_sort)
df.columns = df_cols
df_round = df[['x_round', 'y_round', 'z']]
group_xy = df_round.groupby(['x_round', 'y_round'])

# calculating the mean, write to csv, which saves the file with:
# [x_round, y_round, z_mean] columns.  You can exit Python and then start up 
# later to clear memory if that's an issue.
group_mean = group_xy.mean()
group_mean.to_csv('your_binned_data.csv')

# Restarting...
import numpy as np
from scipy.interpolate import griddata

binned_data = np.loadtxt('your_binned_data.csv', skiprows=1, delimiter=',')
x_bins = binned_data[:,0]
y_bins = binned_data[:,1]
z_vals = binned_data[:,2]

pts = np.array( [x_bins, y_bins])
pts = pts.T

# make grid (with borders rounded to 0.5...)
xmax, xmin = 640000.5, 637000
ymax, ymin = 6070000.5, 6067000

grid_x, grid_y = np.mgrid[640000.5:637000:0.5, 6067000.5:6070000:0.5]

# interpolate onto grid
data_grid = griddata(pts, z_vals, (grid_x, grid_y), method='cubic')

# save to ascii
np.savetxt('data_grid.txt', data_grid)

完成此操作后，我将输出保存为 .npy 并使用图像库转换为 tiff，然后在 ArcMap 中进行地理配准。可能有一种方法可以用 osgeo 做到这一点，但我还没有用过。

希望这至少对某人有帮助...