点云 LAS/LAZ 按 shp 范围裁剪：PDAL pipeline、坐标系对齐与空洞检查

前言

无人机或机载 LiDAR 常交出整测区 LAS/LAZ，甲方只要地块、红线或行政区以内的点。桌面软件框选可以交差，但批次一多就难复现、难审计。把流程写成 PDAL pipeline JSON，把「读点云 → 对齐坐标系 → 按多边形裁剪 → 写出 LAZ」固化下来，适合挂日批或质检脚本。

本文面向已有 LAS/LAZ、会一点命令行的测绘 / GIS 同学，按工程顺序讲三件事：CRS 对齐、filters.crop 裁剪、空洞与边界抽检 。思路上接近正射 DOM 的 gdalwarp -cutline，但对象是离散三维点：没有「半个像元」，坑主要在投影、边界拓扑和裁完后的密度空洞。

关键词：点云、LAS、LAZ、PDAL、shp 裁剪、坐标系、filters.crop、密度检查

环境与输入约定

建议环境：

PDAL 2.x（pdal --version 确认）
GDAL/OGR（ogr2ogr、ogrinfo，用来处理 shp / GeoJSON）
范围面：Polygon 或 MultiPolygon（.shp 或 GeoJSON）
点云：.las / .laz，最好自带 SRS 元数据

先摸清家底，避免一上来就 crop：

bash 复制代码

pdal info input.laz --metadata | head -n 80
pdal info input.laz --summary
ogrinfo -al -so aoi.shp

重点看：点云 srs / comp_spatialreference、XY 的 bounds、点数 count；shp 的 Layer SRS 与 Extent。若一边是经纬度、一边是投影米制，裁完经常是「点数直接变 0」或「偏了几十上百米还以为成功」。

先对齐坐标系，再谈裁剪

实践里裁剪失败有一半不是多边形坏了，而是 点云与 shp 不在同一 CRS。处理原则：

优先把矢量重投影到点云 CRS（通常比整库点云重投影便宜）。
EPSG 号一致还不够时，核对 WKT 是否「同名不同参」（地方独立坐标尤甚）。
点云完全没有 SRS：先补元数据或明确约定，再裁；不要假设「数字看起来像高斯投影就是某带」。

示例（EPSG 请换成 pdal info 读到的真实值）：

bash 复制代码

ogr2ogr -t_srs EPSG:4547 aoi_4547.shp aoi.shp
gdalsrsinfo -o wkt aoi_4547.prj | head

若必须把点云变到甲方指定投影，再在 pipeline 里加 filters.reprojection（注意：重投影会改 XY，大文件耗时与误差传递都要评估）：

json 复制代码

{
  "type": "filters.reprojection",
  "out_srs": "EPSG:4547"
}

裁剪前用同一单位对比范围：把 pdal info 的 minx/maxx/miny/maxy 与 ogrinfo 的 Extent 画在纸上或 QGIS 里叠一次，确认 AOI 与点云外包确实相交。

最小可跑通的 PDAL pipeline

filters.crop 可接受 bounds 矩形，也可按多边形裁。红线 / 地块交付应用多边形；矩形只适合粗提速预裁。

工程上较稳的做法：先把已对齐 CRS 的 shp 转成 GeoJSON，再交给 crop（避免 shp 组件路径、编码在服务器上的差异）。

bash 复制代码

ogr2ogr -f GeoJSON -t_srs EPSG:4547 aoi_4547.json aoi.shp

clip_las.json 示例：

json 复制代码

{
  "pipeline": [
    {
      "type": "readers.las",
      "filename": "input.laz"
    },
    {
      "type": "filters.crop",
      "filename": "aoi_4547.json"
    },
    {
      "type": "writers.las",
      "filename": "clipped.laz",
      "compression": "laszip"
    }
  ]
}

执行与快速验收：

bash 复制代码

pdal pipeline clip_las.json
pdal info clipped.laz --summary

正常时：count 应明显小于输入；输出 XY bounds 应落在 AOI 外包矩形附近（凹多边形内部镂空除外）。若 count 为 0，立刻回头查 CRS 与 Extent，而不是先怀疑 LAZ 损坏。

多地块、多测区

多要素 shp：默认往往是「落在任一多边形内的点都保留」。若合同是「一地块一文件」，先按 FID / 地块号拆矢量，再循环生成 pipeline。
超大测区 ：可先按瓦片 bounds 预裁，再精细 polygon crop，降低单次内存峰值。
只保留某分类 ：在 crop 前后按需加 filters.range（例如 Classification[2:2] 只要地面点），但要在说明书写清，避免甲方以为丢了建筑点。

边界、维度与性能上的常见坑

现象	常见原因	处理方向
裁完点数为 0	CRS 错位、度/米混用、AOI 与点云不相交	同单位对比 bounds；重投影矢量后再裁
边界缺一圈点	面自交、未做缓冲、点落在边界外判定	拓扑修复；必要时对 AOI 微缓冲半个点间距
分类 / RGB / GPSTime 丢了	reader/writer 维度未保留、中间 filter 过严	对照 `pdal info` 维度列表；少加无关 filter
很慢或临时盘暴涨	未压缩写出、一次读入过大	writer 开 laszip；分块 crop 再合并
叠 DOM 对不齐	点云与影像未用同一最终 AOI / CRS	统一 AOI 版本与 EPSG，再分别裁影像与点云

仅做矩形预裁时，可用 crop 的 bounds 形式（形如 ([xmin,xmax],[ymin,ymax])）。最终按合同红线交付时，仍应以多边形结果为准。

空洞与覆盖抽检：裁成功 ≠ 密度合格

pipeline 跑通只说明「范围内还有点」，不说明「测区采全了」。交付前建议固定三步抽检。

1）点数与平均密度

用 AOI 面积（平方米）做粗算：

平均密度 ≈ count / area

对照设计航线或合同指标（例如 ≥ 16 pts/m²）。整体偏低，优先查航高、航向重叠、有效回波，而不是反复改 crop 参数。

2）密度栅格看空洞

把点打成 count / 密度栅格，空洞比看三维更直观。示意 pipeline（分辨率按点间距调整，例如 1 m）：

json 复制代码

{
  "pipeline": [
    { "type": "readers.las", "filename": "clipped.laz" },
    {
      "type": "writers.gdal",
      "filename": "density.tif",
      "resolution": 1.0,
      "output_type": "count",
      "data_type": "uint16"
    }
  ]
}

在 QGIS 中叠 AOI：内部成片 0 值或 NoData，属于采集 / 匹配缺口；crop 解决不了，需要补飞或在报告里标缺口区。

3）内缩缓冲抽点

对 AOI 做小幅负缓冲（约 1～2 个点间距）后再 crop 一次。若内缩后点数骤降、外圈几乎无有效点，说明成果贴边稀释，应在元数据或说明书写明有效范围，避免验收时按「满幅均匀密度」卡死。

和 DOM 裁剪怎么分工

对象	常用工具	结果含义
正射 DOM（栅格）	`gdalwarp -cutline`	像元保留或变 NoData/透明
LiDAR 点云	PDAL `filters.crop`	点保留或丢弃，无半个点

同一项目里，DOM 与点云应使用同一套已对齐的 AOI，并在版本号或文件名里写清日期，避免影像已按新红线裁、点云仍按旧框，叠合时出现「边上一窄条对不上」。

批处理骨架（多 AOI）

测区拆成多个地块时，不必手改 JSON。可以用一段短脚本按目录生成 pipeline 再依次执行（示意）：

python 复制代码

from pathlib import Path
import json, subprocess

laz = Path("input.laz")
for aoi in Path("aoi_json").glob("*.json"):
    out = Path("out") / f"{aoi.stem}.laz"
    pipe = {
        "pipeline": [
            {"type": "readers.las", "filename": str(laz)},
            {"type": "filters.crop", "filename": str(aoi)},
            {"type": "writers.las", "filename": str(out), "compression": "laszip"},
        ]
    }
    p = Path("pipes") / f"{aoi.stem}.json"
    p.parent.mkdir(exist_ok=True)
    out.parent.mkdir(exist_ok=True)
    p.write_text(json.dumps(pipe, ensure_ascii=False, indent=2), encoding="utf-8")
    subprocess.check_call(["pdal", "pipeline", str(p)])

跑批后建议把每个输出的 count、bounds 写成 CSV，和地块面积一并入库，后面做密度抽检时直接关联，避免只在口头说「好像都裁过了」。

对已经裁好的结果做抽检清单也可以固化：同名 density GeoTIFF、平均密度字段、是否存在内部空洞标记。这样甲方或质检同事不必再打开三维软件逐块点选。

小结

先用 pdal info / ogrinfo 对齐 CRS 并确认范围相交，再写 filters.crop。
pipeline JSON 便于复现与批处理；一地块一文件时先拆矢量。
裁完看 count/bounds，再用密度栅格区分「裁切问题」与「采集空洞」。

你在用 PDAL 按 shp 裁 LAZ 时，最近一次点数异常（变 0 或密度骤降）最终是怎样定位到原因的？