لاسپی کے ساتھ LAS/LAZ فائلوں کو مؤثر طریقے سے ڈاؤن سیمپلنگ: ایک قدم بہ قدم گائیڈ

لاسپی کے ساتھ LAS ڈیٹا کے نمونے لینے کے عمل کو سمجھنا

Python میں بڑی LAS یا LAZ فائلوں کے ساتھ کام کرتے وقت، موثر پروسیسنگ اور تجزیہ کے لیے نمونے لینے کا عمل ضروری ہے۔ لاسپیLAS ڈیٹا کو پڑھنے، لکھنے اور تبدیل کرنے کے لیے ایک Python پیکج، پوائنٹ کلاؤڈ ڈیٹا میں ہیرا پھیری کرنے کے متعدد طریقے پیش کرتا ہے، جیسے LAS ہیڈر بنانا اور اس میں ترمیم کرنا۔

یہ مثال دکھاتی ہے کہ کس طرح a سے ہر دسویں پوائنٹ کو نکال کر ڈیٹاسیٹ کو نیچے کا نمونہ بنایا جائے۔ سست فائل کریں اور موجودہ کو دوبارہ استعمال کریں۔ لاس ہیڈر. اس کے لیے یہ سمجھنے کی ضرورت ہوتی ہے کہ ہیڈرز ڈیٹا کے ساتھ کیسے تعامل کرتے ہیں، خاص طور پر جب مختلف پوائنٹس کے ساتھ کام کرتے ہیں۔

ایک نیا قائم کرتے وقت لاس ڈیٹا ایک موجودہ ہیڈر سے اعتراض، صارفین کو اکثر مماثل صف کے سائز کا سامنا کرنا پڑتا ہے۔ یہ تفاوت اس وجہ سے ہوتا ہے کہ ہیڈر کا پوائنٹ_کاؤنٹ ہو سکتا ہے خود بخود نئے ڈیٹا کے ساتھ موافق نہ ہو۔

چیلنج یہ جانچنا ہے کہ آیا اسے آف سیٹس، اسکیلز، اور پوائنٹ_کاؤنٹ جیسے ہیڈر کی خصوصیات کو دستی طور پر تبدیل کرنے کی ضرورت ہے، یا کوئی زیادہ خودکار حل موجود ہے۔ اس پوسٹ میں بتایا گیا ہے کہ نمونے کا استعمال کرتے وقت ان اقدار کو کیسے درست طریقے سے اپ ڈیٹ کیا جائے۔ لاسپی، جس کے نتیجے میں ایک موثر عمل ہوتا ہے۔

لاسپی کے ساتھ پوائنٹ کلاؤڈ ڈاؤن سیمپلنگ کو بہتر بنانا

اس پوسٹ میں پہلا اسکرپٹ نیچے نمونے لینے پر مرکوز ہے۔ LAZ فائل، جو بڑے پوائنٹ کلاؤڈ ڈیٹاسیٹس کے انتظام کے لیے ضروری ہے۔ کا استعمال کرتے ہوئے اصل فائل کو درآمد کرکے laspy.read() فنکشن، ہم پوائنٹ ڈیٹا اور ہیڈر تک رسائی حاصل کر سکتے ہیں جس میں پوائنٹ کلاؤڈ کے بارے میں میٹا ڈیٹا ہوتا ہے۔ ڈاون سیمپلنگ تکنیک میں ہر دسویں پوائنٹ کو چننا شامل ہے، جو کہ اہم جغرافیائی خصوصیات کو برقرار رکھتے ہوئے ڈیٹاسیٹ کے سائز کو کم سے کم کرتا ہے۔ یہ استعمال کرکے کیا جاتا ہے۔ np.arange() انڈیکس کی ایک صف تیار کرنے کے لیے۔ پوائنٹس لینے کے بعد، میٹا ڈیٹا میں مطابقت کو یقینی بنانے کے لیے اصل فائل سے ہیڈر کاپی کریں، جیسے پوائنٹ_فارمیٹ اور ورژن.

تاہم، ایک عام مسئلہ اس وقت پیدا ہوتا ہے جب اصل ہیڈر میں پوائنٹس کی تعداد ڈاؤنسیمپلڈ ڈیٹا سے مطابقت نہیں رکھتی۔ اسے ٹھیک کرنے کے لیے، ہم استعمال کرتے ہیں۔ کاپی() اصل ہیڈر کی اتلی کاپی بنانے اور دستی طور پر ترمیم کرنے کے لیے فنکشن پوائنٹ_کاؤنٹ نیچے نمونے والے پوائنٹس کی تعداد کو ظاہر کرنے کے لیے فیلڈ۔ نیا ہیڈر بنانے کے بعد، نیچے نمونے والے پوائنٹس کو ایک نئے کے لیے مختص کیا جاتا ہے۔ لاس ڈیٹا آبجیکٹ جس میں اصلی x، y، اور z کوآرڈینیٹ ہوتے ہیں۔ آخر میں، لاس ڈیٹا کا استعمال کرتے ہوئے ایک نئی LAZ فائل کے طور پر محفوظ کیا جاتا ہے۔ لکھیں() طریقہ یہ اسکرپٹ ان صارفین کے لیے کارآمد ہے جنہیں بڑے پوائنٹ کلاؤڈز سے چھوٹے ڈیٹاسیٹس نکالنے کی ضرورت ہوتی ہے۔

دوسرا اسکرپٹ نیچے نمونے والے ڈیٹا کے لیے آفسیٹس اور اسکیلز کا ازخود دوبارہ حساب لگا کر پہلے کو بڑھاتا ہے۔ پوائنٹ کلاؤڈز کے ساتھ کام کرتے وقت، درست آفسیٹس کا ہونا بہت ضروری ہے کیونکہ وہ 3D اسپیس میں ڈیٹا کی اصلیت کی نشاندہی کرتے ہیں۔ دی header.offsets انتساب کو کم از کم x، y، اور z کوآرڈینیٹ کے ساتھ نیچے نمونے والے پوائنٹس سے اپ ڈیٹ کیا جاتا ہے۔ اسی طرح، پیمانے کے عوامل جو پوائنٹ ڈیٹا کی درستگی کو متاثر کرتے ہیں ان کا استعمال کرتے ہوئے سیٹ کیا جاتا ہے۔ header.scales وصف یہ اسکرپٹ نہ صرف پوائنٹ کلاؤڈ کے سائز کو کم کرتا ہے، بلکہ یہ اس بات کی بھی یقین دہانی کراتا ہے کہ ڈیٹا درست اور سیدھ میں ہے، جو اسے عملی استعمال کے لیے زیادہ موزوں بناتا ہے۔

آخر میں، فائنل اسکرپٹ Python's کے ساتھ یونٹ ٹیسٹنگ کو ظاہر کرتا ہے۔ اکائی فریم ورک اس اسکرپٹ میں، ایک ٹیسٹ کیس اس بات کا تعین کرتا ہے کہ آیا نیچے نمونے والے پوائنٹ کی گنتی پیش گوئی کی گئی قدر سے مطابقت رکھتی ہے۔ یہ یقینی بنانے کے لیے بہت اہم ہے کہ نمونے لینے کا طریقہ کار سیاق و سباق اور ڈیٹا سیٹس میں مستقل طور پر انجام دیتا ہے۔ ٹیسٹ کیس کا استعمال کرتے ہوئے وضاحت کی گئی ہے۔ ٹیسٹ کیس کلاس، اور موازنہ کا استعمال کرتے ہوئے کیا جاتا ہے۔ self.asssertEqual() طریقہ ورک فلو میں جانچ کو شامل کر کے، ہم اس بات کو یقینی بنا سکتے ہیں کہ بڑے پروجیکٹس یا پائپ لائنوں پر تعینات کرنے سے پہلے نمونے لینے کا طریقہ کار ٹھیک طریقے سے کام کرتا ہے۔ یہ اسکرپٹ صارفین کو کئی پوائنٹ کلاؤڈ فائلوں کے ساتھ کام کرتے وقت مسائل اور تضادات سے بچنے میں مدد کرتا ہے۔

import laspy
import numpy as np
from copy import copy
# Load the existing LAZ file
las = laspy.read("input_file.laz")
# Downsample by taking every 10th point
indices = np.arange(0, len(las.points), 10)
downsampled_points = las.points[indices]
# Copy the header and adjust the point count
header = copy(las.header)
header.point_count = len(downsampled_points)
# Create new LasData with downsampled points
d_las = laspy.LasData(header)
d_las.points = downsampled_points
# Write to a new LAZ file
d_las.write("downsampled_output.laz")

import laspy
import numpy as np
# Load the original LAZ file
las = laspy.read("input_file.laz")
# Downsample by taking every 10th point
indices = np.arange(0, len(las.points), 10)
downsampled_points = las.points[indices]
# Create new header and adjust offsets/scales
header = laspy.LasHeader(point_format=las.header.point_format, version=las.header.version)
header.offsets = np.min([las.x[indices], las.y[indices], las.z[indices]], axis=1)
header.scales = np.array([0.01, 0.01, 0.01])  # Set new scales
# Create new LasData and write to file
downsampled_las = laspy.LasData(header)
downsampled_las.points = downsampled_points
downsampled_las.write("downsampled_with_scales.laz")

import unittest
import laspy
import numpy as np
class TestDownsampling(unittest.TestCase):
    def test_downsample_point_count(self):
        las = laspy.read("input_file.laz")
        indices = np.arange(0, len(las.points), 10)
        downsampled_points = las.points[indices]
        self.assertEqual(len(downsampled_points), len(indices))
if __name__ == "__main__":
    unittest.main()

ایل اے ایس فائل میٹا ڈیٹا اور ایڈوانسڈ ڈاؤن سیمپلنگ تکنیک کو ہینڈل کرنا

کے ساتھ بہت بڑا ڈیٹاسیٹس کے ساتھ کام کرتے وقت لاسپی، میٹا ڈیٹا کا نظم کرنا اتنا ہی اہم ہے جتنا کہ اصل نقطہ کلاؤڈ ڈیٹا کا انتظام کرنا۔ کی درستگی کو برقرار رکھنا لاس ہیڈر نمونے لینے کے بعد اقدار ایک اہم مشکل ہے۔ چونکہ پوائنٹ کلاؤڈ ڈیٹا کے نقاط (x، y، اور z) تبدیل ہوتے ہیں، اس لیے ہیڈر کو ان تبدیلیوں کی عکاسی کرنی چاہیے۔ دوبارہ گنتی کرنا آفسیٹس ہر جہت کے لیے کم از کم قدروں کا دوبارہ حساب کرنے کی ضرورت ہے، جبکہ ترازو پوائنٹ ڈیٹا کی درستگی کا تعین کریں، خاص طور پر اسٹوریج کے لیے۔

جانچنے کے لیے ایک اور عنصر LAS فائل میں اضافی جہتوں کی سالمیت ہے۔ اضافی بائٹس عام طور پر عام x، y، اور z کوآرڈینیٹ کے علاوہ دیگر معلومات رکھنے کے لیے استعمال ہوتی ہیں، جیسے کہ شدت یا GPS وقت۔ اگر ڈیٹاسیٹ میں یہ اضافی جہتیں ہیں، تو نمونے لینے کے وقت ان کو سنبھالنا ضروری ہے۔ آپ کو اس بات کی ضمانت دینی چاہیے کہ اضافی جہتوں میں پوائنٹس کی تعداد بنیادی اعداد و شمار میں کم پوائنٹ کی گنتی کے مساوی ہے۔ دی add_extra_dim میں فعالیت لاسپی LAS ہیڈر میں حسب ضرورت طول و عرض کے اضافے کو قابل بناتا ہے۔

آخر میں، اسپیڈ آپٹیمائزیشن ایک اہم عنصر ہے جس پر غور کرنے کے لیے نقطہ بادلوں کو ڈاؤن سیمپلنگ کرتے وقت۔ جبکہ ہیڈر میں انسانی موافقت کی عام طور پر ضرورت ہوتی ہے، موثر اشاریہ سازی کا فائدہ اٹھا کر اور سرنی کے آپریشنز کو لاگو کر کے عمل کو خودکار بنانا بے حس عمل کو کافی تیز کر سکتا ہے۔ کی طاقت کا استعمال کرتے ہوئے بے حس، آپ کارکردگی کو قربان کیے بغیر بہت زیادہ ڈیٹا سیٹس کا تیزی سے انتظام کر سکتے ہیں۔ یہ آپ کو بڑے پروجیکٹس کے حل کو بڑھانے یا ایک سے زیادہ LAZ فائلوں کو پروسیس کرنے کے لیے پائپ لائنوں کو خودکار بنانے کی اجازت دیتا ہے۔