作为重新架构真实世界的主要来源，激光雷达已获得广泛的认同。它的许多应用，包括：创建准确的数字高程模型 (DEM) 和用于规划目的的3D城市模型。 它的用处用于规划、设计、检查和维护基础设施。沙丘、海滩、堤坝和泛滥平原能被精确地捕捉到，并且高度详细，这样就能进行海岸侵蚀模型制作、检测、和洪水危险管理。重新架构表面的目的是用有限的一套样点重现一个表面的大致几何图、拓扑和特征。测量的结果是跟属性像返回信号的强度相关的、显示XYZ坐标参数特性的、一种不规则的、分布的3D密集的点云。当处理Lidar数据时，中心事项是关于档案和数据管理、适合在GIS和CAD软件中使用的图形输出的产生、筛选数据用于光秃土地表面和特征的重现，例如建筑物和树木，以及数据的影像。关于后者，请参看15页上的文章。本文的焦点是GIS和CAD图形输出的产生。

插值

在GIS和CAD环境中高程数据的代表是以尽可能光栅格式运行的，被存储在一个2D规则光栅的存储单元里。把一个不规则的点云转换成规则的光栅要求插值：从样点为地面非样点计算高程值。要重现不间断的表面，就要求通过样点传递功能的清晰度。一种无限数功能将满足这种限制条件，并且，不幸的是，没有简单的、现有的规则来决定哪一个最适用于一个特定的数据集。这样就必须明确附加条件，它的产生要归功于大量的插值技术的发展。一些条件基于地形空间概念(kriging算法)和在现场的其它概念。后者假设在每一个点的高程和附近其它点、以及直到远处一个特定距离的点的高程之间的关系。最简单实用的办法之一是“反距离加权插值法”（inverse distance-weighted interpolation）。这是假设在邻近点高程和它们的距离之间的反关系：距离越大，一个样点的高程就越小，这将能够计算非样点的高程。也有一些条件基于光滑度和张度（splines样条）或特殊功能形式。选择插值的方法经常基于经验、实验、和在GIS系统中的可用的算法。但是必须要注意不同的方法产生的结果也许有很大的不同，并且适当的选择非常重要；错误的信息也许会导致潜在的错误决策和有缺陷的模拟结果。

数据交换

每一次Lidar测量生成的几亿个点在插值期间引起了计算混乱，因为甚至在最复杂的电脑的内存中存储所有的数据也是不可能的。因此，数据必须放在更大、但是更慢的多的硬盘里。当处理如此大量的数据时，在硬盘与RAM（随机存取存储器）而不是电脑之间的进行数据交换，这样就产生了操作弱点。因此许多实用的算法运用“分段法”，把点云断裂为一套非重叠的次级云，每一个次级云都包含一些数量不多的样点。每个部分的点这时独立地内插。基于这个原则，已经发展了大量的分段方法，包括简单的断裂和基于Voronoi 画线演算法的一些断裂。一种和数据交换有效搭配的算法可以最小化访问一个硬盘的时间，并且极大地降低了运行所需的时间。研究人员仍然在寻找能降低数据交换的算法。例如，RAgarwal 和 他的合作者[1], 最近研发了一种基于四叉树（quad-tree）数据分区为一套非重叠部分的可缩放的方法，用他们自己的方法的表现，和市场上可以买到的软件的表现持续进行对比中，他们发现他们自己的方法能够用少于1GB 的 RAM（随机存取存储器）处理几乎4亿个点，而来自Applied Imagery的QTModeler 4，用1GB 的RAM只能处理大约5千万个点, 跟其它方法相比表现得最好。

[1] Agarwal, P.K., Arge, L ., Danner, A., 2006年,从点云到Grid DEM: 一种可缩放的方法， Riedl, A., Kainz, A., Elmes, G.A. (eds), 空间数据处理的进步，Springer Berlin Heidelberg第十二届空间数据处理国际研讨会。