Kansallinen maastotietokanta. KMTK Kuntien tuotantoprosessit: Selvitys RPAS- ja MMS-aineistojen vektoroinnista

Transkriptio

1 Kansallinen maastotietokanta KMTK Kuntien tuotantoprosessit: Selvitys RPAS- ja MMS-aineistojen vektoroinnista

2 Projektin selvitys 1 Sisältö 1 JOHDANTO YLEISKUVAUS VEKTOROINTIPROSESSISTA LÄHTÖAINEISTOJEN ESIKÄSITTELY KOHTEIDEN VEKTOROINTI FORMAATTIMUUNNOKSET KOHTEIDEN VEKTOROINTI RPAS- JA MMS-AINEISTOISTA VEKTOROINTITESTIT JA TULOKSIA Omat vektorointitestit: automatiikka Konsultin vektorointityö: manuaalinen työ ja formaattimuunnokset KOHDETYYPIT JA NIIDEN VEKTOROITAVUUS JOHTOPÄÄTÖKSET LÄHTEET LIITTEET... 17

3 Projektin selvitys 2 1 Johdanto Tämä selvitys on osa Kansallinen Maastotietokanta-ohjelmaan (KMTK) kuuluvaa KMTK-Kuntien tuotantoprosessit-projektia. Selvityksessä on muodostettu yleiskuva vektorimuotoisen 2D- ja 3Dpaikkatietoaineiston tuottamisesta käyttämällä RPAS-lentotyötoiminnalla (miehittämättömillä ilma-aluksilla) tai maanpinnalla toimivalla mobiilikartoitusjärjestelmällä (MMS, mobile mapping system) tuotettuja pistepilvi- ja kuva-aineistoja. Kyseisistä teknologioista ja niiden tiedonkeruuprosesseista löytyy tietoa projektin aikaisemmissa selvityksissä. Tässä selvityksessä selvennetään, mitä RPAS- tai MMS-aineistojen vektorointi 2D- ja 3D-paikkatietoaineistoksi sisältää, mitä menetelmiä vektorimuotoisen aineiston tuottamisella on olemassa, mitä vaatimuksia aineistolle on, jotta tietyn geometriatason (2D-3D) vektoreita pystytään muodostamaan eri kohdeluokista ja kuinka käytettävää kyseisillä menetelmillä kerätty aineisto on 2D- ja 3D-paikkatietoaineiston tuottamisessa. Selvityksessä esitetään testitöitä ja esimerkkejä eri kohteiden vektoroinnista käyttäen manuaalisia ja automaattisia vektorointimenetelmiä. Kommentit ja kyselyt selvitykseen liittyen KMTK-Kuntien tuotantoprosessit-projektin projektipäällikölle: Olli Nevalainen (olli.nevalainen@maanmittauslaitos.fi) 2 Yleiskuvaus vektorointiprosessista Vektorimuotoisen 2D- ja 3D-paikkatietoaineiston tuottaminen sisältää karkeasti seuraavat kolme vaihetta: 1. Lähtöaineiston esikäsittely 2. Kohteiden vektorointi / kartoitustyö 3. Formaattimuunnokset 2.1 Lähtöaineistojen esikäsittely Lähtöaineistoja, joita RPAS- ja MMS-menetelmillä voidaan tuottaa, ovat pistepilvet (kuva- tai laserpistepilvi) ja kuva-aineistot. RPAS-tiedonkeruun osalta kuva-aineisto koostuu ortomosaiikeista ja yksittäisistä orientoiduista pysty- ja/tai viistokuvista. MMS-tiedonkeruussa olevalla kamerajärjestelmällä pääasiassa tuotetaan laserpistepilvelle RGB-väriarvot, mutta kuva-aineistoja voidaan myös käyttää vektoroinnissa, jos kameran orientointitiedot ja geometrinen ja radiometrinen tarkkuus sen mahdollistavat. Lähtöaineistojen esikäsittely pitää sisällään mahdolliset koordinaatti- ja formaattimuunnokset ja aineistojen yhteensovitukset, jos niitä ei ole eri aineistoille jo ennestään tehty. Lisäksi esikäsittelyyn voi kuulua myös pistepilviaineiston luokittelu, esimerkiksi rakennus-, kasvilisuus- ja maanpintaluokkiin, jos sitä ei ole jo olemassa. Pistepilven luokitus auttaa kohteiden tunnistamisessa ja se vaaditaan usein automaattisiin vektorointimenetelmiin. Tässä vaiheessa on myös syytä kerätä yhteen kaikki mahdolliset muut paikkatietoaineiston tuottamisessa tarvittavat lähtöaineistot, joita voidaan hyödyntää geometriatiedon tai kohteiden ominaisuustietojen tuottamisessa. 2.2 Kohteiden vektorointi Kohteiden vektoroinnissa lähtöaineistosta muodostetaan tarvittavien kohteiden (kohdemalli) vektorit määritettyjen geometria- ja tarkkuusvaatimusten mukaisesti (muodostamisohjeet ja laatuvaatimukset). Tässä vaiheessa kohteelle voidaan myös tuottaa ominaisuustietoja.

4 Projektin selvitys 3 Muodostettavat geometriat voivat olla 2D-, 2.5D- tai 3D-geometrioita riippuen kohteena olevasta paikkatietojärjestelmästä. Tässä selvityksessä 2D-paikkatietoaineiston tuottamista käsitellään JHS185 mukaisen kunnan kantakartan näkökulmasta ja 2.5D- ja 3D-paikkatietoaineiston tuottamista KMTK:n määritysten mukaisen tietokannan näkökulmasta. 2D-paikkatietoaineisto on vielä monessa kunnassa pääasiallinen paikkatietovaranto (kantakartta). 2.5D- ja 3D-paikkatietoaineistojen tarve ja käyttö on kuitenkin kovassa kasvussa nykypäivän suunnittelun tarpeiden johdosta. Kartoitusteknologioiden kehittyminen ja uusien menetelmien yleistyminen on myös mahdollistanut, että 2.5D- ja 3D-paikkatietoaineistojen tuottaminen kustannustehokkaasti on mahdollista. Tuotannollisissa toiminnassa vektorit tuotetaan pääasiassa manuaalisesti avustavia puoliautomaattisiatoimintoja hyödyntämällä. 3D-paikkatietoaineistoon siirtyminen tarkoittaa kuitenkin vektoroinnin määrän suuren kasvun, minkä takia automaattisille menetelmille on nähty suuri tarve. Automaattisia menetelmiä on kehitetty etenkin 3D-rakennusvektoroiden muodostamiseen. Muiden kohdeluokkien osalta automaattisia menetelmiä ei löydy kattavasti, mutta avustavia toimintoja esimerkiksi pylväsmäisten kohteiden ja puiden tunnistamiselle on kehitetty. Pistepilvien käsittelyyn soveltuvissa on usein eri kohteiden vektoroimiseen sopivia työkaluja, esimerkiksi erilaisten rakennusten kattogeometrioiden muodostamiselle. 2D-vektorimuotoista aineistoa tuotetaan pääasiassa ortokuvilta. 3D-vektoroiden muodostamiseksi myös lähtöaineiston täytyy olla kolmiulotteista, esimerkiksi pistepilvi. 3D-aineistoa tuotetaankin yleisesti ensin kartoittamalla/vektoroimalla ortokuvalta kohteet 2D:ssä ja nostamalla kohteet 3D:hen pistepilven avulla tai 2.5D-geometrian tapauksessa antamalla 2D-kohteelle korkeustieto pistepilviaineistosta ominaisuustiedoksi. 2.3 Formaattimuunnokset Vektorit muodostetaan pistepilvien ja kuva-aineistojen vektorointiin sopivissa ohjelmistoissa. Näiden ohjelmien käyttämät formaatit eivät välttämättä suoraan esimerkiksi kunnan tai MML:n paikkatietojärjestelmään sopivia, joten vektoroitu aineistoa täytyy tarvittaessa muuntaa määrättyyn tiedonsiirtoformaattiin, esimerkiksi KuntaGML tai CityGML-määritysten mukaisesti. Vektoroidun geometriatiedon lisäksi kohteille täytyy antaa niille määrätyt ominaisuustiedot. 3 Kohteiden vektorointi RPAS- ja MMS-aineistoista kantakartan kohteiden vektorit muodostetaan JHS185:n mukaisesti. 3D-vektoroiden muodostamiselle ei ole vielä kansallista ohjeistusta (Huom! Selvityksen ja projektin toteutuksen aikana KMTK-3D-Muodostamisohjeet eivät olleet valmiit). Myöskään kansainvälisiä standardeihin perustuvia ohjeistuksia ei ole laajalti saatavissa. Yhden CityGML 2.0 -standardiin perustuvan 3D-rakennusten vektoroinnin ohjeistuksen on laatinut SIG3D (Special Interest Group 3D, SIG 3D 2). Kyseisessä ohjeistuksessa on ehdotettu 3D-rakennusten muodostamisen käytännöt eri tarkkuustasoille (LOD, Level-of-Detail). Rakennusten osalta oleellisimpia geometrian muodostuseroja aiheuttaa seinälinjat, jotka voidaan määrittää joko rakennuksen kivijalan tai räystäslinjan mukaan. Projektin selvityksissä arvioitiin käytettyjen aineistojen käytettävyyttä sekä kivijalan että räystäslinjan mukaisen seinälinjan määrityksessä. 3.1 Vektorointitestit ja tuloksia Pistepilviaineistojen tuottaminen ei ole kallein vaihe paikkatietoaineiston tuotannossa, vaan suurin osa kustannuksista syntyy eri kohteiden vektoroinnista pistepilviaineistoista. Siirryttäessä 2D-vektoriaineistosta 2.5D- tai 3D-vektoriaineistoihin vektoroinnin määrä kasvaa. Nykyisin tuotantokäytössä vektrointi suoritetaan yleensä manuaalisesti, mikä vaati henkilötyöresursseja. Toimivalla vektroinnin automatisoinnilla pystyttäisiin vähentämään huomattavasti kustannuksia.

5 Projektin selvitys 4 Seuraavassa on esitetty tuloksia RPAS- ja MMS-aineistojen vektoroinnista automaattisin ja manuaalisin menetelmin. Projektiryhmän omat testit keskittyivät automaattisen vektorointimenetelmien kartoittamiseen ja testaamiseen. Projektissa hankittiin myös vektorointi konsultilta, jossa RPAS- ja MMS-aineistoa vektoroitiin seuraavilla geometrioilla ja tiedostoformaateilla: 3D (Rakennukset) o formaatti: CityGML Building LOD2 o muodostamisohje: SIG 3D Modeling Guide for 3D Objects - Part 2: Modeling of Buildings (SIG 3D 2) 2.5D (muut rakennukset ja rakenteet) o formaatti: CityGML Generic City Object LOD0 o muodostamisohje: alustava KMTK 2.5D-Muodostamisohje 2D (muut kohdeluokat, ei sisällä kaikkia kantakartan kohdeluokkia) o formaatti: KuntaGML o muodostamisohje: JHS 185 Hankinnan tarkemmat vaatimukset geometrioiden muodostamiselle ja formaateilla on nähtävissä selvityksen liitteenä. Konsultin työ perustui pääasiassa manuaaliseen vektorointiin puoliautomaattisia toimintoja hyödyntäen. Konsultti käytti työssään TerraSolidin ohjelmistoja vektorien määrittämisessä ja FME-ohjelmaa formaattimuunnoksissa Omat vektorointitestit: automatiikka Automaattisia vektorointi kokeiluja lähdettiin testaamaan yleisesti käytetyillä pistepilvien käsittelyyn sopivilla ohjelmistoilla. Testejä tehtiin TerraScan- ja BAE Systemsin Socet GXP-ohjelmalla. Testeissä käytettiin pääasiassa projektissa RPAS-ilmakuvauksista tuotettuja kuvapistepilviä. RPAS-kuvapistepilviä tuotettiin projektissa Nummelan keskustasta Paikkatietokeskuksen omalla laitteistolla ja Laukaan kirkonkylästä kahden eri konsultin toimesta. Testeissä vertailtiin myös konsulttien tuottamia aineistoja, sillä ne tuotettiin eri laitteistoilla ja erilaisella fotogrammetrisella prosessoinnilla. Konsulttien RPAS-aineistojen vertailua Laukaan kirkonkylästä tuotettiin keväällä 2017 RPAS-ilmakuvauksella kuvapistepilvi ja ortokuvat kahden eri konsultin toimesta. Toisen konsultin tuottama kuvapistepilvi oli huomattavasti tasaisempaa kuin toisen, mikä johtui käytetystä kamerasta ja fotogrammetrisen prosessoinnin asetuksista. Tasaisemman aineiston prosessoinnissa oli käytettä voimakkaampaa syvyyssuodatusta. Tämä johti kuitenkin myös siihen, että kyseisestä aineistoista puuttui paljon pystysuuntaisia(vertikaalisia) kohteita, kuten puita, pylväitä ja seiniä. Kuvissa 1-3 on esimerkkikuvia konsulttien aineistosta. Punaisella väritetyt pisteet ovat tasaisemmasta aineistosta.

6 Projektin selvitys 5 Kuva 1 RPAS-pistepilvien vertailua. Kuva 2 RPAS-pistepilvien vertailua

7 Projektin selvitys 6 Kuva 3 RPAS-pistepilvien vertailua. Automaattinen rakennusten vektorointi Automaattisia vektorointimenetelmiä on toistaiseksi saatavilla rakennuksille. Pistepilviaineistojen käsittelylle oleellista on myös pistepilvien luokittelu, joka helpottaa ja tehostaa aineiston käsittely. Pistepilvien luokitteluun on olemassa useita toteutuksia. Myös rakennusten automaattinen vektorointi vaatii, että pistepilvestä on luokiteltu rakennus-, kasvillisuus ja maapisteet. Automaattisessa vektroinnissa on hyvä hyödyntää muitakin saatavilla olevia lähtöaineistoja. Esimerkiksi olemassa oleva ilmalaserkeilausaineisto voi tarjota hyvän maapisteistön. Automaattinen rakennusvektorointi TerraScan-ohjelmalla Laukaan aineisto Fotogrammetrisen pistepilven rakennuspisteiden luokittelussa hyödynnettiin avointa laserkeilausaineistoa. Testeissä, joissa hyödynnettiin pelkkää RPAS-aineistoa, ohjelmistolla oli vaikeuksia alueilla, joilla maanpinnasta ei ollut mittauksia, tai maanpintaa ei muuten pystynyt luotettavasti luokittelemaan. Maanpinnan luokittelun vaikeudet näkyivät rakennusten luokittelun onnistumisessa. Lopulliset tulokset on muodostettu seuraavalla menetelmällä. 1. MML:n avoimesta laserkeilausaineistosta maanpinta-luokka 2. RPAS-pistepilvestä pisteiden poisto [-1000m; 1.5m] etäisyydeltä maanpinnasta 3. Rakennusluokittelu jäljelle jääneille pisteille

8 Projektin selvitys 7 4. Rakennusvektorit building luokan pisteistä Automaattisen vektoroinnin tuloksena saatuja vektoreita näkyy kuvissa 4-9. Tuloksena saadut rakennusvektorit ovat LOD2-tason rakennuksia, joiden seinälinja on määrittynyt rakennuksen räystäslinjan mukaisesti. 2Dvertailuaineistona on käytetty Laukaan omia 2D kantakartan rakennusvektoreita (rakennuksen kivijalan mukaan). Rakennusten automaattinen vektorointi näyttäisi löytävän melko hyvin rakennukset. Eniten puuttuvia rakennuksia on pienien rakennusten osalta. Joitain isoja rakennuksia puuttuu ja osan ison rakennuksen osalta on vektoroitunut vain osa rakennuksesta. Laukaan kirkonkylästä ei ole olemassa aikaisempia 3Drakennusvektoreita, joita olisi voitu käyttää 3D-vektroinnin onnistumisen arvioinnissa. Sama automaattinen rakennusten vektorointi suoritettiin myös toisen konsultin aineistolle (tasaisempi pistepilvi). Kahdella eri aineistolla tuotetuissa rakennusvektoreissa oli jonkin verran eroja ja näitä on esitetty kuvissa 10 ja 11.

9 Projektin selvitys 8 Kuva 4 Automaattisesti vektroidut rakennukset RPAS-kuvapistepilvestä. Kuva 5 Automaattisesti vektoroituja rakennuksia RPAS-kuvapistepilvestä.

10 Projektin selvitys 9 Kuva 6 Automaattisesti vektoroitujen rakennusten vertailua Laukaan 2D-rakennusvektoreihin. Kuva 7 Automaattisesti vektroitujen rakennusten vertailua Laukaan 2D-rakennusvektoreihin.

11 Projektin selvitys 10 Kuva 8 Automaattisesti vektoroitujen rakennusten vertailua Laukaan 2D-rakennusvektoreihin.

12 Projektin selvitys 11 Kuva 9 Automaattisesti vektoroitujen rakennusten vertailua Laukaan 2D-rakennusvektoreihin. Kuva 10 Eroja vektoreissa, jotka vektoroitiin automaattisesti eri RPAS-aineistosta.

13 Projektin selvitys 12 Kuva 11 Eroja vektoreissa, jotka vektoroitiin automaattisesti eri RPAS-aineistosta. Nummelan aineisto Samalla menetelmällä muodostettiin suoritettiin rakennusten automaattinen vektorointi Nummelassa kerätylle RPAS-kuvapistepilvelle. Kuvassa 12 on nähtävissä Nummelasta vektoroituja rakennuksia. Kuva 12 Automaattisesti vektoroituja rakennuksia Nummelasta kerätystä RPAS-aineistosta.

14 Automaattinen rakennusvektorointi Socet GXP-ohjelmalla Projektin selvitys 13 Rakennusten automaattista vektorointia testattiin myös BAE Systemsin Socet GXP:n AFE:lla (Automatic Feature Extraction). Ohjelmalla testattiin koko Nummelan RPAS-pistepilviaineiston vektrointia, mutta tämä ei kyseiselle aineistolle toiminut. Mahdollisia syitä oli kyseisen kuvapistepilven suuri tiheys ja kohinaisuus. Ohjelmaa testattiin kohinattomammalle Laukaan kuvapistepilvelle pienelle alueelle kahden omakotitalon rakennevektoreiden irrottamiseksi. Tuloksena ohjelmalta pyydettiin rakennuksen 3D-malli, rakennuksen kivijalka, rakennuksen kattomonikulmiot ja rakennusten painopisteet. Lisäksi pyydettiin maanpintamalli ja sitä tehdessä poistetaan kohteita erikseen annettavilla arvoilla. Käytetyt parametrit olivat: minimi rakennuksen korkeus 2 m minimi rakennuksen leveys 10 m maksimi rakennuksen leveys 50 m kattoyksityiskohtien raja-arvo 50 cm pakotettiin kulmat 90 asteeseen Tuloksena saatuja 3D vektoreita on nähtävissä kuvissa Kuva 13 Automaattisia rakennusvektoreita Socet GXP:llä.

15 Projektin selvitys 14 Kuva 14 Automaattisia rakennusvektoreita Socet GXP:llä. Kuva 15 Automaattisia rakennusvektoreita Socet GXP:llä.

16 3.1.2 Konsultin vektorointityö: manuaalinen työ ja formaattimuunnokset Projektin selvitys 15 Konsultti suoritti vektrointityön MicroStation-ympäristössä TerraScan-ohjelman työkaluja hyödyntäen. Työ tehtiin pääasiassa manuaalisena vektorointityönä joitakin semi-automaattisia työmenetelmiä hyödyntäen. Pääasiallisena aineistona konsultti käytti RPAS-aineistoa, jonka pistepilvi oli taisaisempi. Kohteet vektoroitiin ortokuvasta ja pistepilveä käytettiin korkeustiedon irrottamiseen. Toista RPAS-aineistoa ei käytetty pistepilven kohinaisuuden takia. Tasaisemman aineiston ortokuva oli myös laadultaan parempi vektorointityöhön. Eri mittauksilla kerättyjen aineistojen välillä havaittiin myös sijaintipoikkeavuuksia, minkä takia yhden aineiston käyttäminen oli tehokkaampaa. Koska käytettävä RPAS-aineistoa oli kerätty vain pystykuvauksella, joutui vektorointityössä käyttämään enemmän kartoittajan tulkintaa kuin, jos aineistoa olisi kerätty myös viistokuvauksella. Aineistosta pystyttiin vektoroimaan rakennukset 3D-geometrioilla ja erilaiset katto- ja seinämuodot saatiin mallinnettua hyvin. Myös 2.5D ja 2D-kohteet saatiin aineistosta vektoroitua halutulla tavalla. Suurin työmäärä konsultin työssä meni geometrioiden ja ominaisuustietojen saamiseksi haluttuun tiedostoformaattiin. Tähän vaikutti suuresti se, että halutut formaatit olivat 2D KuntaGML:ää lukuun ottamatta uusia ja niihin ei löydy ohjelmistoista valmiita skeemoja. Työtä hankaloitti myös se, että KuntaGML-formaattiin ei löytynyt helposti toimivaa ratkaisua käytetyistä ohjelmistoista. Formaattimuunnokset tehtiin yleisesti käytetyllä FME-ohjelmistolla. Vektorointityöstä ja formaattimuunnoksista saatiin hyviä kommentteja ja kehitysideoita KMTK-ohjelmassa valmisteltavaan 3D- ja 2.5D muodostamisohjeistukseen. Lisäksi mahdollisia ongelmakohtia ohjelmistojen ja ohjeistuksen nykyisen version välillä tunnistettiin. Konsulttityön perusteella kantakartan ja KMTK:n mukaisia kohteita saadaan vektoroitua RPAS-aineistosta. Viistokuvausten lisääminen kerättyyn aineistoon olisi helpottanut ja mahdollisesti parantanut työn tarkkuutta. 3.2 Kohdetyypit ja niiden vektoroitavuus Kuvilta laskettujen pistepilvien osalta oleellisesti kohteiden korkeusmääritykseen vaikuttava asia on kuvausgeometria. Viistokuvaus tuottaa pelkkää pystykuvausta paremmin tietoa vertikaalisista kohteista, kuten seinistä, pylväistä ja aidoista. Jos aineistosta on tarkoitus tuottaa 3D-geometriota pelkkää RPAS-ilmakuvausta käyttämällä kohteista, suositellaan viistokuvausta pystykuvauksen ohelle. Viistokuvauksen puuttumista voidaan paikata esimerkiksi mahdollisella mobiililaserkeilausaineistolla. Pelkällä pystykuvauksella pystytään kuitenkin saamaan myös vertikaalisia kohteita näkyviin siten, että niistä voidaan määrittää kohteen korkeus. Kuvassa X on esimerkki toisesta Laukaan kuvapistepilvestä, jossa on nähtävissä puita ja valainsinpylväitä. Tasaisemmassa Laukaan kuvapistepilvessä kyseisetä kohteet eivät ollut nähtävissä. Ilmakuvien prosessoinnilla ilmakuvapistepilviksi on myös selkeä vaikutus vertikaalisten kohteiden näkyvyydelle ja pistepilven tasaisuudelle. Esimerkiksi pistepilven horisontaalisten pintojen tasaisuutta voidaan lisätä voimakkaammalla syvyyssuodatuksella, mutta samalla tietoa vertikaalisista kohteista voidaan menettää. Aineisto pitäisikin prosessoida vektorointiin sopivaksi ja mahdollisesti laskea kuvapistepilvi uudestaan vektoroitaessa esiin tulevien ongelmien perusteella. Eri kohteet voidaan myös vektoroida eri parametreilla lasketuista pistepilvistä. Fotogrammetrisissa ohjelmistoissa ortokuvan orto-oikaisu tehdään kuvapistepilven tuottamaa korkeusmallia hyödyntäen. Tästä johtuen pistepilven tasaisuus vaikuttaa myös ortokuvan tarkkuuteen, etenkin rakennusten reunoilla. Ortokuva olisikin syytä muodostaa mahdollisimman tasaisesta pistepilvestä. RPAS-ilmakuvauksella voidaan tuottaa korkearesoluutioista ilmakuva-aineistoa, joka mahdollistaa, että kohteet on hyvin nähtävissä ja tunnistettavissa ortokuvilta. Lisäksi tiheä kuvapistepilvi soveltuu korkeustiedon selvittämiseen kapeidenkin kohteiden osalta (esim. valaisinpylväät ja puut). Värillisen kuvapistepilven etuna on myös kohteiden luokittelun ja tunnistettavuuden helpottuminen.

17 Projektin selvitys 16 RPAS-aineisto soveltuu hyvin kantakartan eri kohteiden kartoittamiseen, jos kohde on vain nähtävissä ilmasta. Sähköverkkojen osalta itse johdot ovat usein liian kapeita näkyäkseen kuvapistepilviaineistossa. MMS-aineiston etuna on tarkkapistepilvi, joka mahdollistaa maanpinnalla olevien kohteiden tarkan kartoituksen. Esimerkiksi kanttikiven reuna ja sen korkeus on mahdollista määrittää MMS-aineistosta. RPAS-ilmakuvauksella kanttikiven korkeus vaatisi erittäin tarkan ja tasaisen aineiston. Lisäksi MMS-aineistoa mahdollistaa esimerkiksi katosten ja puiden alle jäävien kohteiden näkymisen, sekä julkisivujen mittauksen. Lisäksi MMS-tiedonkeruulla voidaan tunnistaa ovet ja mahdolliset sisäänkäynnit, etenkin kamerajärjestelmän avustuksella (toistaiseksi tällaiseen ei ole automaattisia menetelmiä paikkatieto-ohjelmistoissa). MMS-aineiston ongelmana ovat katveet, joita voi syntyä etenkin sisäpihoille tai alueille, joihin ajoneuvot eivät pääse. Koska mittaus tapahtuu maanpinnalta, ei myöskään katot ja katoilla olevat kohteet näy (ainakaan korkeiden rakennusten osalta). Kuva 16 Esimerkki RPAS-kuvapistepilvestä ja siinä näkyvistä kohteista. 4 Johtopäätökset Automaattiset menetelmät vaativat geometrisesti tarkan ja tasaisen pistepilven. Oikeiden parametrien löytäminen nykyisissä menetelmissä on hyvin tapaus- ja kohdekohtaista, mistä johtuen oikeiden parametrien määrittäminen eri tarkkuuden ja tiheyden omaaville pistepilville vaatii harjautuneisuutta. Myös lähtöaineiston, esimerkiksi pistepilven, luokittelun tarkkuus vaikuttaa merkittävästi automaattisen vektoroinnin tarkkuuteen. Automaattisesti muodostettujen vektorien tarkkuus täytyy myös tarkastaa. Mahdolliset korjaukset tai uusien vektorien laskeminen uusilla parametreilla lisäävät automaattisen vektoroinnin työmäärä. Hyvin pienillä alueilla manuaalinen vektorointi on vielä usein kustannustehokkaampaa. Selvityksen testit tehtiin pelkiltä pystykuvilta

18 Projektin selvitys 17 laskettuihin kuvapistepilviin. Viistokuvat saattaisivat parantaa automaattisen vektoroinnin tarkkuutta. Automaattisen vektoroinnin tuloksissa oli kahta eri aineistoa käyttämällä paikoittain huomattavan suuriakin eroja (yli 40 cm). Selkeät ja yhtenäiset paikkatietoformaatit ja geometrioiden muodostamisohjeet mahdollistavat toimivamman ja luotettavamman aineistojen jakamisen ja yhtenäisyyden, sekä toimivuuden eri paikkatietojärjestelmissä ja - ohjelmistoissa. Koneoppimismenetelmät kehittyvät jatkuvasti. Tällaisten menetelmien määrä tuotannollisissa ohjelmistoissa tulee lisääntymään, jos tutkimuksissa kehitetyt menetelmät osoittautuvat tuotannolliseen käyttöön sopiviksi. Pistepilvien käsittelyn tehostamisessa on syytä myös harkita 3D-työasemien hankittaa ja käyttöä, jolloin aineiston pistepilvien ja kolmiulotteisuuden hahmottaminen parantuu. 5 Lähteet SIG3D 1, Modeling Guide for 3D Objects - Part 1: Basics (Rules for Validating GML Geometries in CityGML), _Part_1:_Basics_(Rules_for_Validating_GML_Geometries_in_CityGML) SIG3D 2, Modeling Guide for 3D Objects - Part 2: Modeling of Buildings (LoD1, LoD2, LoD3) _Part_2:_Modeling_of_Buildings_(LoD1,_LoD2,_LoD3) OGC, OGC City Geography Markup Language (CityGML) Encoding Standard Version 2.0, Lähteitä Suomennettuna: BuildingSmart 1, Osa 1: Perusteet (säännöt GML-geometrioiden validointiin CityGML:ssä), _201311_SIG3D_Modeling_Guide_for_3D_Objects_Part_1.pdf BuildingSmart 2, Osa 2: Rakennusten mallintaminen (LoD1, LoD2 ja LoD3), 6 Liitteet Vektoroinnin hankinnan dokumentit: