Kaukokartoitusmenetelmät jokiympäristössä

Koko: px

Aloita esitys sivulta:

Download "Kaukokartoitusmenetelmät jokiympäristössä"

Markku Pääkkönen
7 vuotta sitten
Katselukertoja:

1 Kaukokartoitusmenetelmät jokiympäristössä Claude Flener Fluvial Research Group Maantieteen ja Geologian laitos Turun Yliopisto Laaserikeilaus- ja korkeusmalliseminaari 2011 Korkeusmallit jokitutkimuksessa Mobiili laserikeilaus Vihreä Lidar syvyysmallinnus Optinen syvyysmallinnus

Laaserikeilaus- ja korkeusmalliseminaari 2011 Korkeusmallit

2 Mihin topografisia tietoja käytetään jokitukimuksessa? Tulvatutkimus LAUREA LAUREA Tulvavahinko ja tulvariski kartoitus Hydraulinen ja hydrologinen mallinus Mikko Sane

3 Tulvamallinnus DEM Syvyysmalli Bathymetry Alho et al., 2009 b Hydraulinen malli Virtaama Claude Flener Tulvavaarakartta tulevaisuuden tulvat tulvamalli + ilmasto scenario Pori Veijalaien et al., submitted manuscript, Journal of Hydrology

Tulvavaarakartta tulevaisuuden tulvat tulvamalli + ilmasto

4 Jokigeomorfologia Claude Flener Erkka Taivainen jokidynamiikka & habitaatti mallinnus eroosio, kerrostuminen, sedimenttikulkeutuminen 1-, 2- ja 3-D hydrauliset mallit uoman dynamiikka: hydraulisten mallien ja geomorfologisen datan yhdistäminen Elina Kasvi

sedimenttikulkeutuminen 1-, 2- ja 3-D hydrauliset mallit uoman

5 Mobiili Lidar LiDAR tarkka korkeusmalli / pintamalli ilmalaserkeilaus hankalaa jos jyrkät jokitörmät maalaserkeilaus voi täyttää puutteet vihreä ALS antaa veden syvyys dataa hydrauliseen malliin karkeusparametrin arvionti muutosanalyysi

maalaserkeilaus voi täyttää puutteet vihreä ALS antaa

6 Boat-based mobile laser scanning BOMMS Faro Photon 120 Pistemittaustaajuus 244 khz Profiilimittaustaajuus 49 Hz Maitokärry-based mobile laser scanning (CartMMS)

7 Rinkka-based mobile laser scanning Staattinen laserkeilaus Matti Vaaja Kuva 6. Esimerkki maalaserkeilausaineistosta Utsjoelta. Pistepilvessä erottuvat kolmijaloilla olevat referenssipallot sekä yksi Leica HDS6100 Pistemittaustaajuus Max. 508 khz

8 Punainen laserkeilaus veden alle? Matti Vaaja Alho et al., 2009

9 FGI / Mobile Mapping Fotogrammetria

10 Fotogrammetriasta laskettu pistepilvi Matti Kurkela Vihreä Lidar

11 Vihreä LiDAR Kyrönjoki Vihreä lidarin pisteet jokialueella Hawk Eye systeemin Z-tarkkuus oli ±25 cm Blom Vähäkyrö River Survey report

12 532 nm Secchi levy uoman ainekset tai sedimentti vesipatsassa ovat imeytynyt 532 nm vihreä laseri BLOM Aerofilms Blom Vähäkyrö River Survey report Punainen ja vihreän laserin pistepilvi lopputulos suodatuksen jälkeen Blom Vähäkyrö River Survey report

Vähäkyrö River Survey report Punainen ja vihreän laserin

13 Blom Vähäkyrö River Survey report Ruotsinpyhtää ja Kaunissaari vihreä laserkeilaus kesäkuu 2010 Blom Vähäkyrö River Survey report Figure 2.1 Overview of survey areas

14 Kaunissaari RMSE Lidar / Paakkane koko alue 1.94 matala < 2 m 0.87 syvä > 2 m 2.31 Olli Sirkiä / MML Kaikuharaus Referenssitiedot syvällä aluella (MML) Text Monikeilaus sonar Kongsberg Maritime AS

15 Referenssitiedot matalalla aluella (UTU) ADCP:n sonar ja RTK/VRS GPS, eli Paakkane Kaunissaari RMSE 1.33 RMSE matala 0.79 RMSE syvä 1.54 Syvyys Min Mean Max LIDAR PAAKKANE

16 RMSE 4.56 RMSE matala 0.79 RMSE syvä 9.23 Syvyys Min Mean Max LIDAR PAAKKANE RMSE 2.67 RMSE matala 0.79 RMSE syvä 9.23 Syvyys Min Mean Max LIDAR PAAKKANE

52 PAAKKANE 0.01 3.31 10.37 RMSE 2.67 RMSE matala 0.

17 Optinen syvyysmallinnus optinen syvyysmallinnus

18 toimintaperiaate tumma = syvä vaalea = matala toimintaperiaate tumma = syvä vaalea = matala mutta kuinka syvä?

19 Direction of flow RMSD: 28.3 R 2 : 0.87 corr: 0.93 Claude Flener Optinen syvyysmallinnus + helppo kartoittaa laajoja alueita kustannustehokas korkea resoluutio mahdollista ei interpolaatio toimii hyvin matalassa vedessä vaatii vähäsameinen vesi ei toimi hyvin aallokkossa ei toimii syvemällä kuin Secchi syvyys (vaatii kenttäaineistot)

kustannustehokas korkea resoluutio mahdollista ei interpolaatio toimii hyvin

22 Lyzenga deep water correction algorithm Xi = ln(reflectancei! DeepWaterReflectancei ) DNi Xi Depth = a + b Xi oletukset kirkas vesi läpinäkyvä pinta (ei aaltoja / BDR) yhdenmukainen pohja-aines esteetön näkymä joelle (ei puita joen ylläpuolella) kenttäaineiston kerääminen saman aikaisesti kuin ilmakuvaus

23 data vaatimukset ilmakuvat (RGB + IR) syvyys referenssi data pienin mahdollinen aikaviive molempien aineistojen välillä Deep water reflectance

24 Manual selection: R G B Calibrated values: R G B

25 UAV ilmakuvaukseen perustuva syvyysmallinnus

26 Unmanned Aerial Vehicle

28 Mosaic & histogram adjust

29 Mosaic & histogram adjust

30 5cm rasteri 6 cm vertikaali virhe

32 KAT Aquatic Sonar Kemijoki Aquatic Technology OY Saumaton korkea resoluution DTM + + laserkeilausaineistosta Utsjoelta. Pistepilvessä erottuvat kolmijaloilla olevat referenssipallot + + =

33 Tutkijat: Turun Yliopisto: Petteri Alho (tutkimusjohtaja) Claude Flener, Elina Kasvi, Eliisa Lotsari, Iisa Orell Geodeettinen Laitos: Juha Hyyppä Harri Kaartinen, Antero Kukko, Anttoni Jaakkola, Anssi Krooks Aalto Yliopisto: Hannu Hyyppä Matti Vaaja, Matti Kurkela

Samankaltaiset tiedostot

Maastokartta pistepilvenä Harri Kaartinen, Maanmittauspäivät

Maastokartta pistepilvenä Harri Kaartinen, Maanmittauspäivät Maastokartta pistepilvenä 22.3.2018 Harri Kaartinen, Maanmittauspäivät 2018 1 Sisältö Pistepilvi aineistolähteenä Aineiston keruu Aineistojen yhdistäminen ja käsittely Sovellukset 22.3.2018 Harri Kaartinen,