LiDAR

Από archaeology
Πήδηση στην πλοήγησηΠήδηση στην αναζήτηση
Το συγκεκριμένο lidar μπορεί να χρησιμοποιηθεί για τη σάρωση κτηρίων, βραχωδών σχηματισμών κ.λπ., για την παραγωγή ενός 3D μοντέλου.

Η τεχνολογία LiDAR, γνωστή ως Light Detection and Ranging, αποτελεί μια επαναστατική μέθοδο ενεργητικής τηλεπισκόπησης που χρησιμοποιεί παλμούς λέιζερ για να μετράει αποστάσεις και να δημιουργεί λεπτομερή τρισδιάστατα μοντέλα του περιβάλλοντος[1]. Αυτή η τεχνολογία έχει γίνει απαραίτητη σε πολλούς τομείς, από την αυτοκινούμενη πλοήγηση και τη γεωργία μέχρι την περιβαλλοντική παρατήρηση και την αρχαιολογία. Η σημασία του LiDAR έγκειται στην ικανότητά του να παρέχει υψηλής ακρίβειας δεδομένα σε πραγματικό χρόνο, κάτι που το καθιστά ανώτερο από άλλες μεθόδους όπως το radar σε ορισμένες εφαρμογές[2]. Ωστόσο, η εξάρτησή του από οπτικές συνθήκες μπορεί να αποτελεί πρόκληση, ιδιαίτερα σε πυκνά δάση ή κακές καιρικές συνθήκες[3]. Η εξέλιξη του LiDAR συνδέεται στενά με προόδους σε υλικό και λογισμικό, επιτρέποντας πιο ακριβείς αναλύσεις δομών όπως δέντρα και καλλιέργειες[4].

Ιστορία του LiDAR

Η ανάπτυξη του LiDAR ξεκίνησε τη δεκαετία του 1960, όταν η NASA και ο αμερικανικός στρατός πειραματίστηκαν με λέιζερ για μέτρηση υψομέτρων[5]. Το πρώτο εμπορικό σύστημα LiDAR χρησιμοποιήθηκε για τοπογραφικές χαρτογραφήσεις τη δεκαετία του 1970. Κατά τη δεκαετία του 1990, η πρόοδος στην τεχνολογία λέιζερ επέτρεψε την ευρύτερη υιοθέτηση σε πολιτικές εφαρμογές, όπως η αρχαιολογία και η δασοκομία[6]. Σήμερα, το LiDAR έχει ενσωματωθεί σε drones και οχήματα, χάρη σε εταιρείες όπως η Velodyne και η Waymo[7]. Η εξέλιξη αυτή οφείλεται σε βελτιώσεις στην ταχύτητα επεξεργασίας και τη μείωση του κόστους. Στα δάση, η υιοθέτηση του επίγειου LiDAR (TLS)[8] αυξήθηκε από το 2010, με φθηνότερα όργανα και ταχύτερους ρυθμούς σάρωσης[9]. Στα γεωργικά πεδία, το LiDAR εφαρμόστηκε από τις αρχές του 2000 για εκτίμηση LAI (Leaf Area Index)[10], λύνοντας προβλήματα κορεσμού σε οπτικές μεθόδους[11]. Πρόσφατες προόδοι περιλαμβάνουν το solid-state LiDAR[12] χωρίς μηχανικά μέρη, από το 1972 μέχρι σήμερα[13].

Αρχή Λειτουργίας

Σάρωση Lidar με UAV τετρακόπτερο

Το LiDAR λειτουργεί εκπέμποντας παλμούς λέιζερ προς ένα αντικείμενο και μετρά τον χρόνο επιστροφής του φωτός, διαδικασία γνωστή ως time-of-flight, η οποία επιτρέπει την ακριβή εκτίμηση της θέσης και της γεωμετρίας των στόχων στο περιβάλλον[14]. Η απόσταση υπολογίζεται με τον τύπο d = (c * t)/2, όπου c είναι η ταχύτητα του φωτός και t ο χρόνος που απαιτείται για να ταξιδέψει ο παλμός από τον πομπό στο αντικείμενο και πίσω, εξασφαλίζοντας μετρήσεις υψηλής ακρίβειας ακόμα και σε μεταβαλλόμενες περιβαλλοντικές συνθήκες[15].

Υπάρχουν διαφορετικοί τύποι LiDAR, ανάλογα με τον τρόπο καταγραφής των επιστροφών: τα συστήματα discrete return[16], τα οποία συλλέγουν μεμονωμένες επιστροφές και παράγουν νέφη σημείων (point clouds)· τα full waveform[17], τα οποία αποθηκεύουν ολόκληρο το σήμα επιστροφής και επιτρέπουν λεπτομερή ανάλυση της κατακόρυφης δομής ενός στόχου (π.χ. βλάστησης)· και τα photon-counting συστήματα, που χρησιμοποιούν μεθόδους ανίχνευσης μονήρων φωτονίων για μεγάλη εμβέλεια και πολύ υψηλή ευαισθησία[18].

Αντίστοιχα, οι πλατφόρμες LiDAR κατηγοριοποιούνται με βάση τη θέση και το ύψος λειτουργίας τους: το TLS (Terrestrial Laser Scanning), το οποίο λειτουργεί από το έδαφος και επιτυγχάνει ακρίβειες της τάξης των 1–5 cm· το ALS (Airborne Laser Scanning), το οποίο φέρεται συνήθως από αεροσκάφη ή UAV και παρέχει δεδομένα μέσης ανάλυσης με τυπικές τιμές 0.1–3 m· και το SLS (Spaceborne Laser Scanning), που βρίσκεται σε δορυφορικές πλατφόρμες και καλύπτει μεγάλες εκτάσεις με ανάλυση περίπου 12–70 m[19].

Ένα πλήρες σύστημα LiDAR αποτελείται από πομπό λέιζερ —συχνά σε μήκη κύματος όπως 905 nm ή 1550 nm για βέλτιστη απόδοση και ασφάλεια οφθαλμού— δέκτη όπως APD (Avalanche Photodiode) ή SPAD (Single-Photon Avalanche Diode), και μονάδα επεξεργασίας δεδομένων για την εξαγωγή των χωρικών πληροφοριών από τα σήματα επιστροφής[20]. Σε επίπεδο ροής εργασίας, η προεπεξεργασία περιλαμβάνει βήματα όπως εγγραφή πολλών σαρώσεων (registration), αφαίρεση θορύβου, φιλτράρισμα του εδάφους και διαχωρισμό βλάστησης–μη βλάστησης, που είναι απαραίτητα για την παραγωγή καθαρών και αξιόπιστων νεφών σημείων[21].

Στα δασικά οικοσυστήματα, η τεχνολογία LiDAR υποστηρίζει προηγμένες μεθόδους ανάλυσης, όπως τα quantitative structure models (QSMs), τα οποία επιτρέπουν την τρισδιάστατη ανακατασκευή της δομής των δέντρων, τη μέτρηση όγκου κορμού και κλαδιών, καθώς και την εκτίμηση βιομάζας με υψηλή ακρίβεια[22]. Στον τομέα των ITS (Intelligent Transportation Systems), συστήματα όπως το LiGuard αξιοποιούν βιβλιοθήκες όπως το Open3D για αποτελεσματική επεξεργασία νεφών σημείων (point clouds), υποστηρίζοντας λειτουργίες όπως ανίχνευση εμποδίων, ταξινόμηση αντικειμένων και βελτιστοποίηση αντιληπτικών συστημάτων σε αυτόνομες μεταφορές[23].

Εφαρμογές του LiDAR

Το Lidar χρησιμοποιείται για αναλύσεις των ποσοστών απόδοσης στη γεωργία.
Tυπική ροή εργασίας για την εξαγωγή δασικών πληροφοριών σε επίπεδο μεμονωμένων δέντρων ή οικοπέδων από νέφη σημείων LiDAR>

Το LiDAR χρησιμοποιείται ευρέως σε αυτόνομα και ημιαυτόνομα οχήματα, όπου βοηθά τα συστήματα να «βλέπουν» το περιβάλλον γύρω τους και να εντοπίζουν εμπόδια με μεγάλη ακρίβεια. Εταιρείες όπως η Waymo έχουν αναπτύξει αισθητήρες πολύ υψηλής ανάλυσης, ικανούς να καταγράφουν λεπτομερή τρισδιάστατη πληροφορία ακόμη και σε απαιτητικά κυκλοφοριακά περιβάλλοντα[24].

Στη δασοκομία, το LiDAR αξιοποιείται για την εκτίμηση του LAI (Leaf Area Index), δηλαδή της συνολικής επιφάνειας φύλλων ανά μονάδα εδάφους. Η εκτίμηση γίνεται είτε μέσω του gap fraction[25], χρησιμοποιώντας τη σχέση Beer–Lambert P(θ) = e^{-G(θ)·LAI / cosθ}, είτε μέσω μεθόδων contact frequency. Η ακρίβεια αυτών των υπολογισμών μπορεί να είναι πολύ υψηλή, με μελέτες σε TLS να αναφέρουν R² = 0.89[26]. Πέρα από τις φυλλικές ιδιότητες, το LiDAR επιτρέπει την αναγνώριση της δομικής πολυπλοκότητας των δασών, αποτυπώνοντας στοιχεία που σχετίζονται με βιοποικιλότητα καθώς και με εντοπισμό και παρακολούθηση διαταραχών, όπως πυρκαγιές και άλλες αλλαγές στο έδαφος[27].

Στον γεωργικό τομέα, το LiDAR έχει βρει σημαντική εφαρμογή στη φαινοτυπία καλλιεργειών, όπου βοηθά στην εκτίμηση χαρακτηριστικών όπως η βιομάζα, το ύψος και η πυκνότητα των φυτών. Με UAV LiDAR μπορούν να συλλεχθούν λεπτομερή δεδομένα, επιτρέποντας ακριβείς και γρήγορες εκτιμήσεις σε μεγάλες καλλιεργήσιμες εκτάσεις[28].

Στα ITS (Intelligent Transportation Systems) το LiDAR χρησιμοποιείται για ανίχνευση αντικειμένων (object detection0 και παρακολούθηση κυκλοφορίας. Σε σύνολα δεδομένων όπως το KITTI[29] εφαρμόζονται τεχνικές ομαδοποίησης όπως το DBSCAN για την αναγνώριση οχημάτων και πεζών μέσα στο νέφος σημείων, ενώ frameworks[30] όπως το LiGuard υποστηρίζουν αποδοτική επεξεργασία δεδομένων σε πραγματικό χρόνο[31].

Στις σιδηροδρομικές υποδομές, το LiDAR χρησιμεύει για τον εντοπισμό ξένων αντικειμένων και την προληπτική παρακολούθηση γραμμών, συμβάλλοντας στη βελτίωση της ασφάλειας και την έγκαιρη ανίχνευση κινδύνων[32]. Παράλληλα, στα GIS χρησιμοποιείται για τη δημιουργία DEMs (ψηφιακά μοντέλα εδάφους) και για τη χαρτογράφηση βλάστησης, καθώς έχει την ικανότητα να διεισδύει ακόμη και σε πυκνή φυλλική κάλυψη[33].

Παρακάτω συνοψίζονται ορισμένες βασικές εφαρμογές:

Εφαρμογή Περιγραφή Παραδείγματα Πλεονεκτήματα Παραπομπή
Αυτοκίνηση Ανίχνευση εμποδίων Waymo, PointPillars Υψηλή ανάλυση και ευρύ FOV [34]
Δασοκομία Εκτίμηση LAI, δομή δέντρων TLS, QSMs Μετρική ακρίβεια, έως <2 cm στο DBH [35]
Γεωργία Φαινοτυπία καλλιεργειών UAV LiDAR Λεπτομερή δεδομένα βιομάζας [36]
ITS Παρακολούθηση κυκλοφορίας LiGuard, DBSCAN Επεξεργασία σε πραγματικό χρόνο [37]
GIS Χαρτογράφηση εδάφους DEMs, δορυφορικό LiDAR Διείσδυση σε πυκνή βλάστηση [38]

Τέλος, στις διαστημικές αποστολές, όπως το ICESat-2, το LiDAR προσφέρει παγκόσμια κάλυψη και επιτρέπει τη λεπτομερή καταγραφή αλλαγών στη μορφολογία του εδάφους, των πάγων και της βλάστησης[39]. Επίσης, σε εφαρμογές με drones, το LiDAR χρησιμοποιείται για την ανίχνευση και παρακολούθηση UAVs, ενισχύοντας την ασφάλεια στον εναέριο χώρο[40].

LiDAR και αρχαιολογία

Άποψη lidar του ρωμαϊκού φρουρίου Epiacum στο Northumberland της Αγγλίας.

Η τεχνολογία LiDAR χρησιμοιπείται για τη χαρτογράφηση αρχαιολογικών χώρων, δημιουργώντας λεπτομερή τρισδιάστατα μοντέλα εδάφους ακόμη και κάτω από πυκνή βλάστηση[41]. Στην αρχαιολογία, το LiDAR έχει γίνει απαραίτητο εργαλείο για την αποκάλυψη κρυμμένων δομών σε δύσβατες περιοχές, όπως τροπικά δάση και ορεινά τοπία, όπου παραδοσιακές μέθοδοι έρευνας είναι περιορισμένες λόγω λογιστικών προκλήσεων και κάλυψης βλάστησης[42]. Αυτή η προσέγγιση επιτρέπει την ανάλυση μεγάλων εκτάσεων χωρίς επεμβατικές ανασκαφές, παρέχοντας δεδομένα υψηλής ανάλυσης για την κατανόηση κοινωνικών, πολιτικών και οικονομικών αλλαγών σε αρχαίους πολιτισμούς[43]. Η σημασία του LiDAR έγκειται στην ικανότητά του να παράγει ψηφιακά μοντέλα εδάφους (DEM) και μοντέλα χαρακτηριστικών (DFM), τα οποία βελτιώνουν την οπτική ερμηνεία και την ακρίβεια των αρχαιολογικών χαρτών, ιδιαίτερα σε περιοχές με πυκνή χαμηλή βλάστηση ή απότομες πλαγιές[44]. Ωστόσο, η αποτελεσματικότητά του εξαρτάται από παράγοντες όπως η πυκνότητα σημείων και η επεξεργασία δεδομένων, που μπορεί να προκαλέσουν σφάλματα σε χαμηλής ποιότητας δεδομένα[45].

Ιστορική εξέλιξη και μέθοδοι

Η εφαρμογή του LiDAR στην αρχαιολογία ξεκίνησε στις αρχές της δεκαετίας του 2000, με πρώιμες χρήσεις σε τροπικές περιοχές για να ξεπεραστεί η κάλυψη δασών, και εξελίχθηκε σε προηγμένες αεροπορικές σαρώσεις με αισθητήρες όπως ο Riegl VUX-1[46]. Οι μέθοδοι περιλαμβάνουν αεροπορική συλλογή δεδομένων σε ύψος 200 μέτρων με ρυθμό 200 kHz, επεξεργασία με λογισμικά όπως το RiAnalyze για διόρθωση και φιλτράρισμα τελευταίων παλμών, και δημιουργία DEM με ανάλυση 50 cm/pixel χρησιμοποιώντας εργαλεία όπως το ArcMap και relief visualization[47][48]. Στα πεδινά των Μάγια το LiDAR καλύπτει εκτάσεις 470 km² με ανάλυση 0.5 m, χρησιμοποιώντας Red Relief Image Map (RRIM) για οπτικοποίηση και object-based image analysis (OBIA)[49] για ταξινόμηση βλάστησης, συμπληρωμένο με επίγειες επαληθεύσεις για διόρθωση σφαλμάτων[50]. Για αρχαιολογικά DEM, η μέθοδος περιλαμβάνει interpolation με Inverse Distance Weighting (IDW)[51] σε τέσσερεις τύπους χαρακτηριστικών (ενσωματωμένα, μερικώς ενσωματωμένα, όρθια και όρθια αντικείμενα), και αυτοματοποιημένη αξιολόγηση ακρίβειας με QGIS plug-in βασισμένο σε Classification and Regression Tree (CART)[52][53].

Εφαρμογές και παραδείγματα

Στην αρχαιολογία, το LiDAR χρησιμοποιείται για την ανίχνευση οικισμών, ιεραρχικών δομών και υποδομών, όπως στην Αμαζονία όπου χαρτογράφησε 204 km² αποκαλύπτοντας δύο μεγάλα κέντρα (Cotoca 147 ha και Landívar 315 ha) και 24 μικρότερες θέσεις, με χαρακτηριστικά όπως ομόκεντρους τάφρους, πυραμίδες ύψους 20 m και δίκτυα καναλιών[54]. Αποκάλυψε, επίσης, χαμηλής πυκνότητας αστικοποίηση με τετραβάθμια ιεραρχία βασισμένη σε διαστάσεις πλατφορμών και μνημειακές κατασκευές, υποδεικνύοντας οργανωμένη διαχείριση τοπίου[55]. Στα πεδινά των Μάγια γύρω από το Ελ Σεϊμπάλ (El Ceibal), το LiDAR ανίχνευσε μοτίβα οικισμών που δείχνουν κοινωνικές αλλαγές, όπως η μετάβαση από κεντρική τελετουργική εξουσία (1000 ΠΚΕ) σε τοπικές ομάδες με E-Groups (600-300 ΠΚΕ), και αργότερα πολιτική συγκέντρωση με υψηλή πυκνότητα πυραμίδων (300)[56]. Παραδείγματα περιλαμβάνουν υψηλού επιπέδου συστάδες στο κέντρο Ceibal έναντι περιφερειακών όπως το Ελ Μπραμαντέρο (El Bramadero)), με πυκνότητες 4.6-9.2 φορές υψηλότερες, υποδεικνύοντας κοινωνική ανισότητα[57]. Σε ευρωπαϊκές αρχαιολογικές θέσεις όπως στην Αυστρία και τη Σλοβενία, το DFM βελτιώνει την ανίχνευση χαρακτηριστικών όπως τάφροι και τείχη σε δασωμένες περιοχές, με δοκιμές σε πυκνότητες 0.63-8.96 σημείων/m²[58].

Πλεονεκτήματα και Περιορισμοί

Ένα βασικό σύστημα LiDAR περιλαμβάνει ένα αποστασιόμετρο λέιζερ που αντανακλάται από έναν περιστρεφόμενο καθρέφτη (πάνω). Το λέιζερ σαρώνεται γύρω από τη σκηνή που ψηφιοποιείται, σε μία ή δύο διαστάσεις (μεσαία), συγκεντρώνοντας μετρήσεις απόστασης σε καθορισμένα διαστήματα γωνίας (κάτω).

Οι σύγχρονες τεχνολογίες LiDAR προσφέρουν σημαντικά πλεονεκτήματα στην παρακολούθηση και καταγραφή της δασικής δομής. Η δυνατότητα άμεσης ανίχνευσης της δομής των δασών επιτρέπει την αποφυγή κορεσμού που παρατηρείται σε παραδοσιακές οπτικές μεθόδους, ενώ η υψηλή ανάλυση των δεδομένων διασφαλίζει αξιόπιστες μετρήσεις με R²=0.89 [59]. Ιδιαίτερα η τεχνική TLS παρέχει ακριβή καταγραφή του understory, επιτρέποντας την παρακολούθηση υποκείμενων στρωμάτων βλάστησης που συχνά διαφεύγουν από άλλες μεθόδους [60].

Εφαρμογή Περιγραφή Παραδείγματα Πλεονεκτήματα
Οικισμοί Αμαζονίας Χαρτογράφηση χαμηλής πυκνότητας αστικισμού Cotoca, Landívar με πυραμίδες και κανάλια Διείσδυση δασών, αποκάλυψη 15 άγνωστων sites [61]
Πεδινά των Μάγια Ανάλυση κοινωνικής ανισότητας Ceibal E-Groups, πυραμίδες Χρονική ανάλυση οικισμών, πυκνότητα 4.6-9.2 [62]
Ευρωπαϊκές θέσεις DEM για δασωμένες περιοχές Αυστρία, Σλοβενία με τάφρους Αξιολόγηση ακρίβειας με CART [63]

Πλεονεκτήματα και περιορισμοί

Πλεονεκτήματα: Το LiDAR ξεπερνά περιορισμούς δασών, παρέχοντας ακριβή όγκους γης (π.χ. Cotoca 570,690 m³) και ιεραρχίες sites, ενισχύοντας περιφερειακές αναλύσεις χωρίς εκσκαφές [64]. Επιτρέπει εκτίμηση πληθυσμών και ανισότητας μέσω δομικών κατατάξεων, με διόρθωση σφαλμάτων βλάστησης [65]. Το DFM βελτιώνει οπτική ερμηνεία με χάρτες εμπιστοσύνης, μειώνοντας artifacts σε απότομες πλαγιές [66]. Περιορισμοί: Χαμηλή πυκνότητα δεδομένων προκαλεί σφάλματα σε πυκνή βλάστηση ή πλαγιές >12.5°, απαιτώντας επίγειες επαληθεύσεις και προχωρημένη επεξεργασία [67]. Στα τροπικά, η απόφραξη βλάστησης αυξάνει σφάλματα omission/commission, ενώ το κόστος περιορίζει ευρεία χρήση [68].

Περιορισμός Περιγραφή Λύσεις
Απόφραξη Βλάστησης Σε πυκνά δάση RRIM, OBIA ταξινόμηση[69]
Χαμηλή Πυκνότητα Δεδομένων Σε απομακρυσμένες περιοχές CART αξιολόγηση, υψηλότερη ανάλυση[70]
Απότομες Πλαγιές >12.5° κλίση IDW interpolation, χάρτες εμπιστοσύνης[71]
Κόστος και Λογιστικά Σε τροπικά Εστίαση σε γνωστές συγκεντρώσεις[72]

Το LiDAR μεταμορφώνει την αρχαιολογία, αποκαλύπτοντας κρυμμένους πολιτισμούς και κοινωνικές δομές με ακρίβεια, παρά τους περιορισμούς, με προοπτικές για περαιτέρω εξελίξεις[73].

Πλεονεκτήματα και περιορισμοί

Οι solid-state LiDAR συσκευές προσφέρουν αξιοπιστία και δυνατότητα μινιατουροποίησης[74], γεγονός που τις καθιστά ευέλικτες για χρήση σε διαφορετικά περιβάλλοντα και εφαρμογές[75]. Παράλληλα, η πλατφόρμα LiGuard ξεχωρίζει για τη διαδραστικότητα που προσφέρει και τη δυνατότητα επαναχρησιμοποίησης των δεδομένων, διευκολύνοντας την ανάλυση και την παρακολούθηση σε βάθος χρόνου[76].

Ωστόσο, η χρήση των τεχνολογιών LiDAR δεν είναι χωρίς περιορισμούς. Η ποιότητα των δεδομένων επηρεάζεται από τις καιρικές συνθήκες, ενώ η απόφραξη σε πυκνά δάση μπορεί να περιορίσει την αποτελεσματικότητα της μέτρησης, συνδέοντας τη χρήση τους με υψηλό κόστος[77]. Η τεχνική TLS, παρά την ακρίβειά της, μπορεί να υπερεκτιμήσει τη ξυλώδη βιομάζα λόγω φαινομένων συσσωμάτωσης (clumping)[78] και απόφραξης[79] (occlusion)[80]. Η επεξεργασία των δεδομένων παραμένει πρόκληση, καθώς απαιτείται διαχείριση μεγάλου όγκου πληροφοριών και εξακολουθεί να υφίσταται έλλειψη τυποποιημένων μεθόδων[81]. Στο επίπεδο του hardware, οι συμβατικές συσκευές στα 905 nm παρουσιάζουν περιορισμένο εύρος, ενώ οι συσκευές στα 1550 nm προσφέρουν μεγαλύτερη απόδοση σε απόσταση, με το κόστος όμως να αυξάνεται σημαντικά[82].

Συνολικά, οι τεχνολογίες LiDAR συνδυάζουν υψηλή ακρίβεια, ευελιξία και δυνατότητες λεπτομερούς καταγραφής, αλλά απαιτούν προσεκτικό σχεδιασμό για να αντιμετωπιστούν οι φυσικοί περιορισμοί και οι προκλήσεις στην επεξεργασία δεδομένων. Η επιλογή της κατάλληλης τεχνολογίας και του κατάλληλου μήκους κύματος εξαρτάται από τις συγκεκριμένες συνθήκες του δάσους και τον στόχο της μελέτης, προσφέροντας ένα δυναμικό εργαλείο για την οικολογική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων.

Όσον αφορά την αρχαιολογία μελλοντικά, η ενσωμάτωση LiDAR με AI και βαθιά μάθηση θα βελτιώσει την αυτόματη ανίχνευση, ενώ η αύξηση ανοιχτών datasets θα διευρύνει τις εφαρμογές σε παγκόσμια κλίμακα[83]. Ο συνδυασμός με επίγειες μεθόδους θα ελαχιστοποιήσει τα σφάλματα, επιτρέποντας βαθύτερη ανάλυση των κοινωνικών δυναμικών που διερευνώνται αρχαιολογικά[84].

Περιορισμός Περιγραφή Λύσεις Παραπομπή
Απόφραξη Σε πυκνή βλάστηση Multi-scan, AI [85]
Κόστος Υψηλό για high-end Solid-state [86]
Επεξεργασία Μεγάλα point clouds Frameworks όπως LiGuard [87]
Καιρικές Συνθήκες Βροχή, άνεμος Fusion με άλλους αισθητήρες [88]

Μελλοντικές προοπτικές

Μελλοντικά, το LiDAR αναμένεται να ενσωματωθεί στενότερα με την τεχνητή νοημοσύνη (AI), προσφέροντας ακόμη καλύτερη ανάλυση και αυτοματοποιημένη επεξεργασία δεδομένων. Για παράδειγμα, τεχνικές deep learning μπορούν να χρησιμοποιηθούν για segmentation, δηλαδή τον διαχωρισμό διαφορετικών αντικειμένων μέσα στα point clouds, όπως δέντρα, κτίρια ή οχήματα, καθιστώντας την ανάλυση πιο γρήγορη και ακριβή[89].

Παράλληλα, αναμένεται αύξηση της συγχώνευσης δεδομένων (fusion) μεταξύ διαφορετικών πλατφορμών, όπως UAV LiDAR και αεροπορικής σάρωσης (ALS). Αυτό θα επιτρέψει τη συλλογή μεγαλύτερων εκτάσεων με χαμηλότερο κόστος, ενώ θα διευρυνθούν και οι βιβλιοθήκες σημείων αναφοράς και μοντέλων που χρησιμοποιούνται για ανάλυση[90].

Η τεχνολογία αναμένεται επίσης να γίνει πιο προσιτή οικονομικά, με αισθητήρες multi-wavelength και την ενσωμάτωση δεδομένων από πολλούς αισθητήρες (multisensor fusion), βελτιώνοντας την ευαισθησία και την αξιοπιστία των μετρήσεων[91]. Σε παγκόσμιο επίπεδο, δεδομένα από δορυφόρους όπως ICESat-2 και συστήματα όπως GEDI παρέχουν ήδη προϊόντα μεγάλης κλίμακας, με δυνατότητα διόρθωσης φαινομένων όπως το clumping, που επηρεάζει την ακριβή εκτίμηση της φυλλικής επιφάνειας[92].

Επιπλέον, αναμένονται περισσότερα datasets και πρότυπα, που θα διευκολύνουν τη σύγκριση αποτελεσμάτων και την ανάπτυξη νέων μεθόδων ανάλυσης[93].

Συνολικά, το LiDAR αλλάζει τον τρόπο που παρατηρούμε τον κόσμο, προσφέροντας ακριβή τρισδιάστατα δεδομένα για περιβάλλοντα, υποδομές, δάση και αστικά κέντρα. Παρά τους τρέχοντες περιορισμούς, οι προοπτικές είναι πολύ ελπιδοφόρες, κυρίως χάρη στην ενσωμάτωση AI και την ανάπτυξη fusion τεχνικών, που κάνουν τη συλλογή και ανάλυση δεδομένων πιο γρήγορη, ακριβή και ευέλικτη[94].

Παραπομπές σημειώσεις

  1. ↑ Li et al. 2024, 1.
  2. ↑ Wang and Fang 2020, 2.
  3. ↑ Maeda et al. 2025, 9.
  4. ↑ Shahbaz and Agarwal 2024, 1.
  5. ↑ Li et al. 2024, 2.
  6. ↑ Wang and Fang 2020, 5.
  7. ↑ Li et al. 2024, 6.
  8. ↑ Το Terrestrial LiDAR Scanning (TLS) ή επίγειο LiDAR είναι μια τεχνολογία αποτύπωσης που χρησιμοποιεί λέιζερ για να μετρήσει με εξαιρετική ακρίβεια τις αποστάσεις από έναν επίγειο σαρωτή προς τα αντικείμενα του περιβάλλοντος. Το αποτέλεσμα είναι ένα τρισδιάστατο νέφος σημείων (point cloud), το οποίο αναπαριστά με λεπτομέρεια την επιφάνεια κτιρίων, εδαφών, βλάστησης, υποδομών κ.ά.
  9. ↑ Maeda et al. 2025, 1.
  10. ↑ Το LAI (Leaf Area Index), ή Δείκτης Επιφάνειας Φύλλων, είναι ένα βασικό βιοφυσικό μέγεθος που χρησιμοποιείται στην οικολογία, τη γεωπονία και τη δασολογία για να περιγράψει την ποσότητα φυλλικής επιφάνειας σε ένα οικοσύστημα.
  11. ↑ Wang and Fang 2020, 1.
  12. ↑ Το solid-state LiDAR είναι μια κατηγορία LiDAR που δεν διαθέτει κινούμενα μηχανικά μέρη για τη σάρωση του χώρου. Αντί για περιστρεφόμενους καθρέφτες ή μηχανισμούς σάρωσης, χρησιμοποιεί σταθερά ηλεκτρονικά και οπτικά στοιχεία (π.χ. φωτοδιόδους, φάσματα λέιζερ, οπτικές φάσεις) για τη δημιουργία της δέσμης και τη λήψη μέτρησης απόστασης. Είναι μια τεχνολογία που έχει αναπτυχθεί κυρίως για αυτοκίνητα, UAVs και ρομποτική, επειδή προσφέρει υψηλή αντοχή, χαμηλό κόστος και μικρό μέγεθος.
  13. ↑ Li et al. 2024, 13.
  14. ↑ Li et al. 2024, 5.
  15. ↑ Wang and Fang 2020, 2.
  16. ↑ Τα συστήματα discrete return LiDAR είναι τύπος αισθητήρων LiDAR που καταγράφουν συγκεκριμένες, διακριτές επιστροφές του παλμού λέιζερ από τα αντικείμενα στο περιβάλλον.
  17. ↑ Το full waveform LiDAR είναι τύπος LiDAR που καταγράφει ολόκληρο το ανακλώμενο σήμα (waveform) του παλμού λέιζερ, αντί να αποθηκεύει μόνο μεμονωμένες, διακριτές επιστροφές όπως κάνει το discrete return.
  18. ↑ Wang and Fang 2020, 3.
  19. ↑ Wang and Fang 2020, 3.
  20. ↑ Li et al. 2024, 5.
  21. ↑ Wang and Fang 2020, 6
  22. ↑ Maeda et al. 2025, 3
  23. ↑ Shahbaz and Agarwal 2024, 4.
  24. ↑ Li et al. 2024, 20.
  25. ↑ Είναι ο λόγος του φωτός που περνάει μέσα από τα κενά (gaps) της κόμης των δέντρων προς το συνολικό φως που φτάνει στην επιφάνεια. Με άλλα λόγια, δείχνει το πόσο «τρυπητό» είναι το φύλλωμα: αν τα δέντρα είναι πολύ πυκνά, το gap fraction είναι μικρό· αν η κόμη είναι αραιή, το gap fraction είναι μεγάλο.
  26. ↑ Wang and Fang 2020, 9
  27. ↑ Maeda et al. 2025, 6.
  28. ↑ Wang and Fang 2020, 15
  29. ↑ Το KITTI περιλαμβάνει πραγματικά δεδομένα οδήγησης που συλλέχθηκαν από αυτοκίνητα εξοπλισμένα με κάμερες RGB (εμπρός, πίσω και πλαϊνές), LiDAR (Velodyne HDL-64E), GPS/IMU για ακριβή θέση και κίνηση
  30. ↑ Ένα framework είναι ένα «πλαίσιο εργασίας» ή «σκελετός λογισμικού» που παρέχει έτοιμες δομές, βιβλιοθήκες και κανόνες για να διευκολύνει την ανάπτυξη εφαρμογών.
  31. ↑ Shahbaz and Agarwal 2024, 5.
  32. ↑ Li et al. 2024, 20
  33. ↑ Li et al. 2024, 20.
  34. ↑ Li et al. 2024, 20
  35. ↑ Maeda et al. 2025, 5.
  36. ↑ Wang and Fang 2020, 15.
  37. ↑ Shahbaz and Agarwal 2024, 6.
  38. ↑ Li et al. 2024, 20.
  39. ↑ Wang and Fang 2020, 5.
  40. ↑ Li et al. 2024, 21.
  41. ↑ Prümers et al. 2022, 1
  42. ↑ Inomata et al. 2018, 2
  43. ↑ Doneus and Briese 2021, 1.
  44. ↑ Doneus and Briese 2021, 2.
  45. ↑ Inomata et al. 2018, 10.
  46. ↑ Prümers et al. 2022, 2.
  47. ↑ Το Relief Visualization είναι μια τεχνική οπτικοποίησης γεωχωρικών ή τρισδιάστατων δεδομένων (όπως δασικών δαπέδων, ψηφιακών μοντέλων εδάφους ή τρισδιάστατων επιφανειών) που αναδεικνύει την τρισδιάστατη μορφή της επιφάνειας με τρόπο πιο οπτικά κατανοητό από ένα απλό χάρτη ή μοντέλο.
  48. ↑ Prümers et al. 2022, 2.
  49. ↑ Μέθοδος επεξεργασίας εικόνων, ιδιαίτερα δημοφιλής σε τηλεπισκόπηση και γεωχωρική ανάλυση, που επικεντρώνεται σε αντικείμενα (objects) αντί για μεμονωμένα pixels. Αντί να αναλύει την εικόνα pixel προς pixel, η OBIA ομαδοποιεί περιοχές με παρόμοια χαρακτηριστικά και τις αντιμετωπίζει ως ενιαία αντικείμενα.
  50. ↑ Inomata et al. 2018, 10-12
  51. ↑ Μέθοδος χωρικής παρεμβολής (interpolation) που χρησιμοποιείται για να εκτιμηθούν τιμές σε σημεία που δεν υπάρχουν μετρήσεις, βασιζόμενοι σε γνωστές τιμές γύρω από αυτά.
  52. ↑ Το Classification and Regression Tree (CART) είναι μια δημοφιλής μέθοδος μηχανικής μάθησης που χρησιμοποιείται για κατηγοριοποίηση (classification) και παλινδρόμηση (regression), βασισμένη σε μια δενδροειδή δομή αποφάσεων. Στα ελληνικά μπορεί να αποδοθεί ως Δέντρο Κατηγοριοποίησης και Παλινδρόμησης.
  53. ↑ Doneus and Briese 2021, 3.
  54. ↑ Prümers et al. 2022, 1-2.
  55. ↑ Prümers et al. 2022, 3.
  56. ↑ Inomata et al. 2018, 18-25
  57. ↑ Inomata et al. 2018, 25.
  58. ↑ Doneus and Briese 2021, 4.
  59. ↑ Wang and Fang 2020, 10
  60. ↑ Maeda et al. 2025, 1
  61. ↑ Prümers et al. 2022, 1
  62. ↑ Inomata et al. 2018, 25.
  63. ↑ Doneus and Briese 2021, 4.
  64. ↑ Prümers et al. 2022, 3
  65. ↑ Inomata et al. 2018, 12
  66. ↑ Doneus and Briese 2021, 5
  67. ↑ Doneus and Briese 2021, 4
  68. ↑ Inomata et al. 2018, 10
  69. ↑ Inomata et al. 2018, 10.
  70. ↑ Doneus and Briese 2021, 4.
  71. ↑ Doneus and Briese 2021, 5.
  72. ↑ Prümers et al. 2022, 2.
  73. ↑ Prümers et al. 2022, 4.
  74. ↑ Η μινιατουροποίηση (miniaturization στα αγγλικά) αναφέρεται στη διαδικασία μείωσης του μεγέθους ενός συστήματος ή συσκευής, διατηρώντας παράλληλα τη λειτουργικότητά του. Στο πλαίσιο των LiDAR συσκευών σημαίνει ότι οι αισθητήρες μπορούν να γίνουν μικρότεροι, ελαφρύτεροι και πιο φορητοί, χωρίς να χάσουν ακρίβεια ή αξιοπιστία.
  75. ↑ Li et al. 2024, 22.
  76. ↑ Shahbaz and Agarwal 2024, 2.
  77. ↑ Maeda et al. 2025, 9.
  78. ↑ Η τάση των φύλλων, κλαδιών ή φυτών να σχηματίζουν ομάδες ή συσσωματώματα αντί να κατανέμονται ομοιόμορφα. Πρόβλημα στο LiDAR: Όταν τα laser pulses χτυπούν σε ομάδες φυλλώματος ή κλαδιών, η μέτρηση μπορεί να υπερεκτιμήσει την πυκνότητα της βλάστησης, γιατί τα “κενά” ανάμεσα στα συσσωματώματα δεν καταγράφονται σωστά.
  79. ↑ Occlusion (απόφραξη) είναι το φαινόμενο κατά το οποίο κάποια στοιχεία της βλάστησης κρύβουν άλλα στοιχεία από την οπτική ή το laser του LiDAR. Πρόβλημα στο LiDAR: Οι δέσμες λέιζερ δεν μπορούν να περάσουν μέσα από πυκνά εμπόδια, με αποτέλεσμα κάποια φύλλα, κλαδιά ή μικρά δέντρα στο υπόστρωμα (understory) να μην ανιχνεύονται.
  80. ↑ Wang and Fang 2020, 18
  81. ↑ Maeda et al. 2025, 10.
  82. ↑ Li et al. 2024, 11.
  83. ↑ Doneus and Briese 2021, 5.
  84. ↑ Inomata et al. 2018, 28.
  85. ↑ Maeda et al. 2025, 4.
  86. ↑ Li et al. 2024, 22.
  87. ↑ Shahbaz and Agarwal 2024, 8.
  88. ↑ Wang and Fang 2020, 20.
  89. ↑ Maeda et al. 2025, 2.
  90. ↑ Shahbaz and Agarwal 2024, 8
  91. ↑ Li et al. 2024, 22
  92. ↑ Wang and Fang 2020, 20
  93. ↑ Maeda et al. 2025, 10.
  94. ↑ Li et al. 2024, 23.

Βιβλιογραφία

  • Doneus, M., & Briese, C. (2021). Airborne LiDAR-Derived Digital Elevation Model for Archaeology. Remote Sensing, 13(9), 1855. https://doi.org/10.3390/rs13091855
  • Inomata, T., Triadan, D., Pinzón, F., Burham, M., Ranchos, J. L., Aoyama, K., & Haraguchi, T. (2018). Archaeological application of airborne LiDAR to examine social changes in the Ceibal region of the Maya lowlands. PLOS ONE, 13(2), e0191619. https://doi.org/10.1371/journal.pone.0191619
  • Li, W., Shi, T., Wang, R., Yang, J., Ma, Z., Zhang, W., Fu, H., & Guo, P. (2024). Advances in LiDAR Hardware Technology: Focus on Elastic LiDAR. Sensors, 24(22), 7268. https://doi.org/10.3390/s24227268
  • Maeda, E. E., Brede, B., Calders, K., Disney, M., Herold, M., Lines, E. R., Nunes, M. H., Raumonen, P., Rautiainen, M., Saarinen, N., Starck, I., Su, Y., Terschanski, J., & Terryn, L. (2025). Expanding forest research with terrestrial LiDAR technology. Nature Communications, 16, Article 63946-6. https://doi.org/10.1038/s41467-025-63946-6
  • Prümers, H., Betancourt, C. J., Iriarte, J., Robinson, M., & Schaich, M. (2022). Lidar reveals pre-Hispanic low-density urbanism in the Bolivian Amazon. Nature, 606(7913), 325-328. https://doi.org/10.1038/s41586-022-04780-4
  • Shahbaz, M., & Agarwal, S. (2024). A Streamlined Open-Source Framework for Rapid & Interactive Lidar Data Processing. arXiv preprint arXiv:2509.02902. https://doi.org/10.48550/arXiv.2509.02902
  • Wang, Y., & Fang, H. (2020). Estimation of LAI with the LiDAR Technology: A Review. Remote Sensing, 12(20), 3457. https://doi.org/10.3390/rs12203457

Εξωτερικοί σύνδεσμοι

Ανακτήθηκε από «https://archaeology.archive.gr/mediawiki-1.44.0/index.php?title=LiDAR&oldid=1659»