机载激光扫描（ALS）点云的自动化地面滤波几十年来一直是一个被广泛研究但尚未解决的难题。监督的深度学习技术的最新突破（其依赖于充足和高质量的标签数据集）为更好地解决这一难题提供了新的方案。然而，目前公共的三维地理空间数据集较少，尤其是那些为地面滤波任务量身定制的数据集。此外，先进的深度神经网络能否很好地应用到地面滤波问题中仍然是一个悬而未决的问题。
近日，我院管海燕教授团队联合加拿大工程院院士Jonathan Li（李军）团队，在ALS点云智能化滤波研究方面取得重要进展。研究成果已被遥感类权威期刊《ISPRS Journal of Photogrammetry and Remote Sensing》接收并在线发表（https://doi.org/10.1016/j.isprsjprs.2023.06.005）。“It is a good, insightful manuscript and will clearly be an asset for our community”，一位专业审稿人对该研究积极评价道。
该研究首先利用全球开放的具有精确地面类别的ALS点云构建了一个超大规模的地面滤波数据集OpenGF（https://github.com/Nathan-UW/OpenGF）；然后，在OpenGF上对8种具有代表性的地面滤波方法进行了广泛的对比实验，验证了深度学习技术在地面滤波中的多个独特优势；之后，通过一系列深入的实验分析，揭示了将现有的先进三维深度神经网络推广到地面滤波任务中所面临的一些关键问题；最后，针对剩余挑战为未来研究指出了一些有前景的方向。