Elektrik hatlarını LiDAR nokta bulutlarından otomatik olarak çıkarmak, çevresel etkenler ve teknik sorunlarla birlikte, elektrik hatlarının binalara ve/veya ağaçlara mekânsal olarak görece yakın olan karmaşık alanlarda enerji hattı yönetimini daha zor hale getirmiştir. Bu çalışmanın temel amacı, enerji hattı koridorları içeren bölgelerde LiDAR teknolojisi kullanılarak kaydedilen verilerin analiz edilmesi ve bu verilerden bir enerji hattı koridor güzergâhını oluşturan önemli unsurların tespit edilmesidir. Test alanı olarak Hollanda'nın Zeeland kentindeki Borssele bölgesine ait bir LiDAR veri kümesi toplamda 3 sınıf olacak şekilde (elektrik telleri, iletim kuleleri ve diğerleri) ele alınmış ve manuel olarak etiketlenerek yer gerçeği verisi üretilmiştir. Nokta bulutlarının kontrollü sınıflandırılması için Rassal Orman yöntemi kullanılmıştır. Yapılan sınıflandırma sonucunda oluşan sınıflandırma hatalarını en aza indirgemek amacıyla bir son işleme adımı geliştirilmiştir. Elektrik hatları yakınındaki engel oluşturabilecek nesneleri değerlendirmek için 5 m, 10 m ve 15 m yarıçaplarında üç boyutlu tampon bölgeler oluşturulmuştur. Tampon bölge oluşturmak için noktalardan oluşan elektrik hatları üç boyutlu hat geometrisine dönüştürülerek, tampon bölge içinde kalan engellerin görsel sunumu, engellere ayrı bir etiket atanarak belirtilmiştir. Son işleme sonrasında elde edilen sınıflandırma sonuçlarına göre elektrik telleri ve diğerleri sınıflarının doğruluk değerlerinin oldukça yüksek (> %99), iletim kuleleri sınıfının doğruluğunun ise kabul edilebilir seviyede olduğu tespit edilmiştir.

Mobil Lazer Tarama (MLS) sistemleri, genellikle kentsel alanların ve yol ağlarının 3-boyutlu haritalanmasında tercih edilen, hızlı, yüksek doğrulukta ve yüksek yoğunlukta bir veri toplama yöntemidir. Bu araştırmada, MLS nokta bulutu sınıflandırmasında geleneksel olarak kullanılan yöntemlerden olan 2-boyutlu ve 3-boyutlu k-en yakın komşuluk (kNN), küresel ve silindirik komşuluk yöntemleri değerlendirilmiştir. İşlem süresini azaltmak ve beraberinde farklı komşuluk hesabı yöntemlerinin düşük yoğunluktaki nokta bulutlarındaki sonuca etkisini değerlendirmek amacıyla veri alt örnekleme uygulanmıştır. Bu hususta; 3 ana aşamada nokta tabanlı kontrollü sınıflandırma işlemi gerçekleştirilmiştir: (i) yerel komşuluk ilişkisinin kurulması, (ii) öznitelik bilgisinin çıkarılması ve (iii) nokta tabanlı sınıflandırma. Yöntemler, araç tabanlı MLS sistemleriyle toplanmış ve her biri 8 semantik sınıfı içeren TUM-MLS1 ve Toronto-3D nokta bulutları üzerinde test edilmiştir. Asıl ve farklı yoğunluklardaki alt örneklemlere ayrılan nokta bulutlarından, belirlenen sabit parametreli yerel komşuluk türlerine göre geometrik ve şekil tabanlı öznitelikler çıkarılmış ve Rastgele Orman sınıflandırma yöntemi her bir noktayı etiketlemede tercih edilmiştir. Sonuç olarak, her iki nokta bulutu verisinde de %95,1 genel doğrulukta silindirik komşuluk yöntemi kullanılarak en iyi sonuç elde edilmiştir. Nokta bulutu yoğunluğunun azaltılmasıyla işlem süresi bakımından bütün yöntemlerde beklendiği üzere azalmalar gözlenmiş olup genel doğruluklarda da kayıplar olduğu gözlemlenmiştir. Ancak bu bağlamda küresel ve silindirik komşuluklara kıyasla kNN yöntemlerinin (2-ve 3-boyutlu) nokta boyutu yoğunluğundan diğer yöntemlere nazaran çok daha az etkilendiği ve düşük nokta bulutu yoğunluğunda en iyi performansın belirtilen iki farklı veri seti için 2-boyutlu kNN ile sağlandığı sonucuna varılmıştır.