资源介绍
数字环境（英文版电子书）
本书作者弗洛朗・普克斯是 3D 数据科学领域的权威专家，在欧洲顶尖大学从事教学与研究工作，同时担任 3D 地理数据学院首席教授及法国科技 120 强企业创新总监，其深厚的专业背景为书中内容的实用性与前沿性提供了有力保障。
全书以实践为导向，从 3D 数据的核心概念与表示方法入手，逐步深入 3D 重建、3D 深度学习等关键技术领域。读者能系统学习如何从海量 3D 数据集（涵盖点云、体素、3D CAD 模型、网格、图像等多种类型）中提取有价值的洞察。书中不仅讲解理论知识，更注重实战，提供了丰富的代码示例与实操步骤，帮助读者掌握关键技能，具体包括：理解 3D 数据的核心概念与表示形式；运用强大的 Python 库加载、处理、分析和可视化 3D 数据；应用先进的 AI 算法进行 3D 模式识别（含监督与无监督学习）；借助 3D 重建技术生成 3D 数据集；实现自动化 3D 建模与生成式 AI 工作流；探索 3D 数据科学在计算机视觉 / 图形学、地理空间智能、科学计算、机器人技术及自动驾驶等领域的实际应用；构建可供空间 AI 解决方案利用的精准数字环境。
在内容结构上，本书设计了五条独立又可融合的学习路径，分别对应 3D 主管、3D 工程师、3D 分析师、3D AI 专家和 3D 远见者五种角色，读者可根据自身目标选择合适路径，或整合所有路径成长为全面的 3D 专家。
第一章作为入门章节，搭建了 3D 数据科学的基础框架。它阐释了维度在科学研究中的作用，以及空间 AI 如何借助几何模拟人类大脑对 3D 数据的分析过程，还定义了 3D 数据科学的概念，分析其快速发展的原因，并介绍了 3D 数据科学的模块化工作流，探讨了数据采集、预处理、增强、标注数据集稀缺、计算资源需求、模型构建、可解释性、性能与稳定性等相关挑战。同时，通过实操练习，引导读者探索和处理来自 OpenTopography 仓库的点云数据，完成 3D 数据科学的初次实践。
第二章聚焦资源与软件基础，为 3D 数据科学项目奠定根基。在基础知识资源方面，详细梳理了数学（线性代数、微积分、统计学、组合数学）、计算机科学（核心概念、3D 机器学习相关概念、3D 数据处理相关概念等）、3D 数据专业知识（几何与空间概念、3D 数据处理相关要素、3D 数据核心概念）以及 3D 人工智能等关键领域的核心内容，并提供了免费学习资源推荐。硬件方面，给出了本地 3D 开发的配置建议（多核 CPU、充足 RAM、高性能 GPU、合理存储配置、高分辨率显示器等），同时介绍了云计算的相关知识与行业常用平台。软件工具部分，分类推荐了 3D 重建软件（如 Meshroom、OpenMVG 等开源工具）、3D 数据处理软件（如 CloudCompare、QGIS 等）和 3D 可视化软件（如 Unity、ParaView 等），帮助读者搭建高效的 3D 数据处理工具栈。
第三章指导读者搭建 3D Python 开发环境并获取 3D 数据。环境搭建环节，详细介绍了操作系统选择、基于 Anaconda 的环境配置步骤，以及 NumPy、pandas、Matplotlib、Open3D 等基础与 3D 专用 Python 库的安装与使用方法，同时推荐了 Spyder、JupyterLab 等适合 3D Python 开发的 IDE。在编写首个 3D Python 程序部分，以具体示例演示了如何加载 3D 点云数据、提取特定属性、进行基于属性的数据分析以及实现 3D 数据可视化与导出。此外，还深入讲解了 3D 重建方法，包括基于传感器的现实世界 3D 重建（如现场数据采集、基于传感器的网络爬虫、与传感器相关的 3D 建模）和创意 3D 重建（如创意 3D 资产制作、生成式 3D 数据、创意 3D 网络爬虫），并提供了 3D 数据集整理的实用方法，如基于图像的 3D 重建、多模态网络爬虫等。
第四章围绕 3D 数据表示与结构化展开。首先系统介绍了多种 3D 数据表示形式，包括 3D 点云（详细讲解了其在 Python 中的处理方式、常用文件格式等）、基于图像的表示（深度图、投影、多视图等）、体素模型（阐述了其优缺点及在 Python 中的基础操作）以及高层 3D 数据表示（空间图、3D 描述符等）。接着提出以点云作为 3D 数据的标准链接，详细说明了如何实现网格、体素、栅格等其他 3D 数据表示形式与点云之间的转换。最后，介绍了 k-d 树、八叉树等 3D 数据结构，讲解了它们的原理、在 Python 中的实现及应用场景，同时探讨了 3D 数据的文件组织方式，对比了内存内处理与核外处理的特点与适用场景。
第五章通过实际场景驱动，指导读者开发多模态 3D 查看器。以荷兰某高洪水风险区域分析为案例，构建了包含 3D Python 代码设置、3D 数据整理、3D 数据准备、多模态体验四个主要阶段的工作流。在 3D Python 代码设置部分，介绍了必要库的安装与导入。3D 数据整理环节，说明了如何从开源平台获取并组织点云、网格等数据集。3D 数据准备阶段，涵盖了数据初始分析、下采样、预处理与可视化等步骤，确保数据质量与可用性。多模态体验部分，详细演示了兴趣点查询、手动边界选择、高低点提取、点云体素化及建筑覆盖范围提取等实用功能的实现，最终完成多模态 3D 查看器的开发，为 3D 场景分析提供直观、交互性强的工具。
第六章深入探讨点云数据工程。从基础内容出发，介绍了点云数据工程的核心环节，包括初始预处理（数据变换、下采样、去噪、归一化等），详细讲解了每种预处理操作的原理、在 Python 中的实现及作用。特征提取部分，区分了全局特征提取与局部特征提取，阐述了各自的适用场景与方法，并重点介绍了主成分分析（PCA）在点云特征提取中的应用，包括 Python 实现步骤、数据准备、主成分提取与可视化等。3D 数据配准作为关键环节，讲解了配准基础、初始化、粗配准（基于特征匹配的 RANSAC 算法等）与精配准（迭代最近点算法，ICP）的原理与 Python 实现，帮助读者将不同视角的 3D 数据统一到同一坐标系下，为后续分析与应用奠定基础。
第七章聚焦 3D 分析应用程序的构建。以比利时某旧羊毛工厂的点云数据集为案例，构建了包含 3D 项目环境准备、3D 数据基础操作、3D 数据结构创建、协方差矩阵与特征值特征向量计算、平面性线性性等特征分析、邻域定义与选择、自动化与扩展、交互式阈值处理及 3D 数据结果导出等步骤的完整工作流。在环境准备阶段，介绍了数据集获取与 Python 环境配置；3D 数据基础操作部分，讲解了使用 PyVista 加载、可视化 3D 数据的方法；3D 数据结构创建环节，实现了 KDTree 的构建以提升空间查询效率；特征分析部分，通过 PCA 计算协方差矩阵、特征值与特征向量，进而提取平面性、线性性等关键特征；邻域定义与选择部分，对比了 k 近邻搜索、半径搜索等不同邻域定义策略；自动化与扩展环节，构建特征矩阵实现特征计算的自动化；交互式阈值处理部分，利用 PyVista 实现基于特征的交互式数据筛选；最后完成数据结果导出，为后续应用提供支持。
第八章全面讲解 3D 数据分析。首先介绍了 3D 数据分析的四种主要类型：3D 描述性数据分析（旨在评估数据基础，总结关键特征，为后续处理提供指导）、3D 探索性数据分析（深入探究数据的几何与空间模式，通过距离度量等方法进行形状比较与偏差分析）、3D 预测性数据分析（基于已有数据模式构建模型预测未来结果，依赖特征工程与机器学习技术）、3D 规范性数据分析（结合各类分析结果推荐具体行动策略，注重可视化与人机交互）。接着详细阐述了 3D 数据分析工具的应用，包括环境与数据准备（数据集介绍、环境配置）、元数据分析与数据剖析（数据加载、基本信息查看、数据预览）、几何与形状分析（整体维度计算、体积估计、平面性与曲率分析、主方向与纵横比计算）、统计分析（中心趋势、数据离散程度计算，直方图、箱线图等可视化方法应用，相关性分析）以及属性分析（RGB 颜色、表面法向量、特征值等属性的分析与应用）。最后介绍了 3D 诊断工具，包括 3D 偏差分析（平面案例与网格案例），帮助读者评估 3D 数据集与参考几何形状的偏差，为 3D 场景诊断提供支持。
第九章专注于 3D 形状识别技术。首先介绍了随机抽样一致性（RANSAC）算法，以 3D 平面检测为例，详细讲解了 RANSAC 算法的原理（通过随机抽样生成模型、计算内点数量评分、迭代优化获取最优模型）、实现步骤（数据与环境设置、几何模型选择、3D 形状拟合、迭代与函数定义）及其在分割任务、分析任务、建模任务等场景中的应用。接着介绍了区域生长算法，阐述了其原理（基于种子点与邻域相似性准则生长区域）、实现步骤（现实场景设置、算法实现）。最后提出了一种融合 RANSAC 与区域生长的混合方法，结合两种算法的优势，提升 3D 形状识别的精度与效率，为复杂 3D 场景中的形状识别提供更优解决方案。
本书适合数据科学家、工程师、研究人员等各类对 3D 数据处理感兴趣的读者阅读。无论是否具备 Python 编程基础或 3D 数据处理经验，都能通过本书逐步掌握 3D 数据科学的核心知识与技能。书中丰富的实操案例、代码示例以及清晰的逻辑结构，为读者提供了一条从入门到精通的 3D 数据科学学习路径，助力读者在 3D 数据科学领域开展创新实践与应用开发。