Inferring high resolution terrain, vegetation and visibility networks from point Cloud data

With the diffusion of technologies which enables the acquisition of the 3-Dimensional (3D) structure of different surfaces, there has been a great focus on the information brought and the uses that are possible with this kind of data. One of the field in which this technology has been widely used is ecology, given that 3D data offers the possibility of analyzing trees and their characteristics directly from the point cloud structure by means of techniques aimed at isolating ground points from non-ground ones, procedures with the goal of segmenting individual trees in the cloud and analysis with respect to the trees point structure obtained in order to derive the trees properties. In this thesis we proposed a framework which infers information on vegetation and terrain starting from raw point cloud data of forested environments, classifying first the points in the point cloud as ground and non-ground by means of a multiscale curvature algorithm proposed in the literature, then segmenting individual trees among the vegetation points by means of an innovative segmentation algorithm proposed. By leveraging on the information extracted for terrain and vegetation, the framework infers also the visual obstruction potential of the identified vegetation elements by means of a supervised inference approach. The first phase of the supervised inference consists in extracting a suitable set of features from the vegetation points structures, in which we tried to extract features both through a manual approach, meaning that we chose a specific set of features to extract, and through neural networks in an automatic way. In the second phase instead, different machine learning algorithms were used in order to infer the visual obstruction potential of each vegetation element using the features extracted in the previous phase. We also provided a practical example among the possible uses of the information extracted by the framework, which consists in exploiting the framework results to build a visibility network relative to the individuals located in the environment. Another possible use of the information extracted by the framework could be providing support in generating an immersive experience in forested environments, experiencing the habitat exactly as animals living in it. The reason behind the generation of an immersive environment is that interactions among animals of the same or different specie significantly influence their behavior under many valuable aspects, thus being crucial in animal behavior studies.

Con la diffusione di tecnologie che consentono l’acquisizione della struttura tridimensionale di varie super ci, è nato un cospicuo interesse per le informazioni apportate da tali tecnologie e per gli usi che sono possibili con questi dati. Un campo in cui questa tecnologia è stata ampiamente utilizzata è quello ecologico, dato che i dati 3D o ffrono la possibilità di analizzare la vegetazione e le sue caratteristiche direttamente dalla nuvola di punti, mediante tecniche mirate ad isolare i punti del terreno da quelli della vegetazione stessa, procedure finalizzate alla segmentazione di singoli alberi nella nuvola di punti ed analisi che utilizzano la struttura a punti derivata per stimare proprietà degli alberi stessi. In questa tesi abbiamo proposto un framework che consente di estrarre informazioni sulla vegetazione e sul terreno a partire dalla nuvola di punti di varie aree naturali, classifi candone prima i punti appartenenti al terreno o alla vegetazione tramite un algoritmo di curvatura proposto nella letteratura, poi individuando i punti appartenenti a singoli alberi utilizzando un algoritmo di segmentazione basato sulle distanze tra i punti stessi. Facendo leva sulle informazioni estratte per quanto riguarda terreno e vegetazione, il framework è in grado di stimare in due fasi l’ostruzione visiva degli elementi individuati tra la vegetazione, utilizzando l’apprendimento supervisionato. Durante la prima fase vengono estratte delle caratteristiche dai punti degli alberi individuati, utilizzando sia un approccio manuale, ovvero un gruppo specifico di funzioni viene usato per estrarre le caratteristiche, sia un approccio automatico tramite reti neurali in modo non supervisionato. Durante la seconda fase invece, diversi algoritmi di apprendimento supervisionato sono stati usati per stimare l’ostruzione visiva di ogni elemento della vegetazione utilizzando le caratteristiche estratte nella fase precedente. Abbiamo inoltre fornito un esempio pratico tra tutti i possibili usi delle informazioni estratte dal framework proposto, il quale consiste nell'utilizzare le informazioni estratte per costruire una rete di visibilità tra gli individui collocati nell'ambiente. Un altro possibile utilizzo delle informazioni estratte dal framework potrebbe essere fornire supporto nella creazione di un’esperienza immersiva in ambienti forestali, esplorando l’habitat esattamente come gli animali stessi che vivono in esso. Il motivo dietro la generazione di una tale esperienza è che le interazioni tra gli animali della stessa o diversa specie influenzano significativamente il loro comportamento in molteplici aspetti, risultando pertanto cruciale negli studi del comportamento degli stessi.