Ilmalaserkeilausaineiston prosessointi

Transkriptio

1 GIS-E1020 From measurements to maps Luento 8 Ilmalaserkeilausaineiston prosessointi Petri Rönnholm Aalto University 1 Oppimiatavoitteet Tiedostaa ilmalaserkeilauksen virhelähteet Ymmärtää, miten ilmalaserkeilauksen virheitä voidaan korjata Tuntea yleisimmät laserpistepilven jälkikäsittelyvaiheet 2 1

2 Ilmalaserkeilauksen tarjouspyyntö Mille tuotteille aineisto tarvitaan ja mikä on tarkkuusvaatimus? Milloin lopputuotteet on toimitettava? Tarkemmat määrittelyt keilauslennolle, esim. Keilaussuunnitelma mukaan tarjoukseen (mukana tasotukipintojen arvioitu sijainti) Laadunvarmistussuunnitelma Kuvaus keilausajankohdasta Pisteaineistossa ei saa olla aukkokohtia Vaatimus poikittaisista keilauslinjoista Vaadittu (min.) pistetiheys Keilauksen enimmäisavauskulma (esim. enintään 40 astetta) 3 Ilmalaserkeilauksen tarjouspyyntö Tarkennukset aineiston käsittelylle, esim. Pisteaineisto on tarkistettava heti keilauksen jälkeen virheiden tai puutteiden havaitsemiseksi Vaatimus eri lentolinjojen yhteensovituksesta Laadunvarmistus tukipisteiden avulla (myös kuka mittaa tukipisteet) Virheelliset pisteet pitää joko luokitella (virheluokkaan) tai poistaa 4 2

3 Ilmalaserkeilauksen tarjouspyyntö Vaatimukset lopputuotteille, esim. Laserkeilausaineistojen käsittelydokumentit, joista selviää tehdyt korjaukset, käytetyt parametrit ja aineiston sijaintitarkkuus Toimitetaan kalibroitu ja yhteensovitettu 3D laserpistepilvi Missä koordinaatisto- ja korkeusjärjestelmässä aineisto halutaan? Halutaanko täydellinen tekijänoikeus keilaustuotteisiin, joka kattaa oikeuksien luovuttamisen kolmansille osapuolille? Miten aineistot toimitetaan? Halutaanko myös käsittelemätön laserpistepilvi ja sen kalibrointiin käytetyt projektitiedostot vai vain lopputuote? Onko alihankinta sallittua? (yleensä on, mutta käytön voi vaatia hyväksytettäväksi tilaajalla) 5 Ilmalaserkeilainten virhelähteet Δκ Laseretäisyysmittauksen virheet (ΔR) Keilaimen peilistä johtuvat virheet (Δβ) Sijainnin virheet (ΔX 0, ΔY 0, ΔZ 0 ) Laserkeilaimen kallistustietojen virheet (Δω, Δϕ, Δκ) ΔX 0, ΔY 0, ΔZ 0 Δω Δβ ΔR Η Δ Z Δ across track Δ along track Δϕ lentosuunta 6 3

4 Laseretäisyysmittauksen virheet Vaikutus X- ja Y-koordinaatteihin pieni (pienet keilauskulmat) Huomaa, että vaikuttaa vain vasten lentolinjaa ei lentolinjan suunnassa Suurempi vaikutus korkeuteen kuin tasokoordinaatteihin 7 Etäisyysmittauksen virheet Valon todellisen nopeuden epävarmuus ilmakehässä ΔR Δc = R c Esim. jos valonnopeus on arvioitu 0.01 % väärin ja etäisyys kohteeseen on 1 km, saadaan 10 cm virhe etäisyysmittaukseen Epävarmuus ajan mittauksessa c ΔR = Δt 2 Ajanmittauksen tarkkuus, tyypillisesti ns. 0.1 ns vastaa n. 1.5 cm 8 4

5 Etäisyysmittauksen virheet Tapa, jolla määritellään palaavasta pulssista aika (vrt. edellinen luento) kaiun voimakkuus aika/matka 9 Etäisyysmittauksen virheen vaikutus Keilaus taipuu jonon reunoille mentäessä ylös tai alaspäin riippuen siitä mihin suuntaan etäisyysmittauksen virhe on 10 5

6 Etäisyysmittauksen virheet jos lasersäteen halkaisija maastossa on suuri, korkeushavainto ei välttämättä tulekaan säteen keskikohdan mukaan Korkeus voi olla oikein, mutta ei välttämättä liitettynä säteen keskipisteen mukaan laskettuun XY-arvoon Aiheuttaa maastosta riippuvaa satunnaista virhettä Korkein kohta Säteen keskipiste 11 Monitieheijastukset Lasersäteen kulkuaika pitenee ja etäisyysmittaus vääristyy 12 6

7 Keilaimen peilistä johtuvat virheet Laserin lähtökulma riippuu monissa järjestelmissä peilistä Peilissä tapahtuvat virheet aiheuttavat sen, että laite saattaa rekisteröidä valon lähtökulman väärin Jos kulma on väärä (ja etäisyysmittaus oikea), syntyy mittakaavavirhe 13 DGPS:n virheet Sijainnin virheet Vastaanottimesta johtuvat virheet Satelliittigeometriasta johtuvat virheet Referenssiaseman tai VRS-palvelun virheet GPS:n ja laserin välisen etäisyyden virheet Käytännön syistä GPS ja laserkeilaimen peili eivät ole integroituina DGPS DGPS laserkeilain laserkeilain peili 14 7

8 Kallistuksen virheet Inertialaitteiston virheet (IMU=Inertial Measurement Unit, INS=Inertial Navigation System) Vastaanottimen virheet taajuus pidemmällä ajanjaksolla INS:n virheet kasautuvat ja tulokseen tulee jatkuvasti lisääntyvä poikkeama Inertialaitteen ja laserin koordinaatistojen koordinaatistojen välisten kiertojen virheet IMU laserkeilain peili 15 DGPS:n ja IMU:n yhteiskäytön virheet DGPS:n ja IMU:n koordinaatistojen välinen siirto Erilainen rekisteröintitaajuus IMU DGPS Laser scanner mirror 16 8

9 DGPS:n ja IMU:n yhteiskäytön virheet Epäonnistunut ajan synkronisointi GPS antaa 1-10 havaintoa/s IMU antaa 200 havaintoa/s havaintoja joudutaan interpoloimaan laskennassa interpolointi voi olla riittämätöntä, jos lennolla on ollut turbulenssia GPS:n havaintoja saadaan harvasti verrattuna lasertäisyysmittausten tiheyteen Sijainnit GPS havaintojen välille arvioidaan IMU:n kiihtyvyysantureiden perusteella (Kalman suodatus) 17 Tilan ennakointi Kalman suodatus (disktreetti) Mittauskohinan kovarianssi Kalman-vahvistus Todellisen ja estimoidun mittauksen ero tilaestimaatin päivitys Tilan estimointivirheen kovarianssimatriisin ennakointi Tilan estimointivirheen kovarianssimatriisin päivitys Systeemikohinan kovarianssi

10 GPS:n havainnot ovat harvoja verrattuna laseretäisyysmittausten tiheyteen T. Schenk, Modeling and Analyzing Systematic Errors in Airborne Laser Scanners, Technical Notes in Photogrammetry No 19, The Ohio State University 19 Sijainnit GPS havaintojen välille arvioidaan IMU:n kiihtyvyys-antureiden perusteella IMU antaa tarkemman sijainnin lähetetylle laserpulssille GPS-havaintojen välissä Pelkän GPS:n avulla arvioitu sijainti lähetetylle laserpulssille voi poiketa todellisesta 20 10

11 GPS:n ja IMU:n virheet Δκ Kallistusten virheet Δω (roll) aiheuttaa virhettä lentolinjaan nähden kohtisuorassa suunnassa (across track) Δϕ (pitch) aiheuttaa virhettä lentolinjan suunnassa (along track) ΔX 0, ΔY 0, ΔZ 0 Δω ΔR Δ Z Δβ Η Δ across track Δ along track Δϕ along track across track 21 Korkeusvirhe (sekä tasovirhe) Keilaimen sijainnin virheet (ΔX 0, ΔY 0, ΔZ 0 ) vaikuttavat suoraan saman verran 3D pisteistöön 22 11

12 Laserkeilauksen virhelähteet Lentojonoilla pitää olla riittävästi päällekkäisyyttä, jotta aineistoon ei jää aukkoja 23 Lentokoneen sorto ja Δκ virhe Δκ Keilain ei olekaan kohtisuoraan lentolinjaa vastaan (lentokoneen sorto) Keilausjonosta tulee kapeampi kuin suunniteltu Jos INS havainnoissa on Δκ virhettä (heading), sitä on vaikea selvittää ΔX 0, ΔY 0, ΔZ 0 Δω ΔR Δ Z Δβ Η Δϕ Δ across track Lentosuunta Δ along track along track across track 24 12

13 Laserkeilauksen virhelähteet ilmakehän vaikutukset ilmakehän kosteus ja pienhiukkaset vaikuttavat mittauksiin kohteen ominaisuudet materiaalit vaikuttavat siihen, miten lasersäde heijastuu 25 Kohteen heijastavuuden vaikutus etäisyysmittaukseen heijastavuuden jakauma laserpisteen alla vaikuttaa etäisyysmittaukseen Mustalla esitetty kohteen pinta heijastaa hyvin vähän valoa takaisin ja sinisellä esitetty erittäin voimakkaasti -> etäisyysmittaus tulee sinisellä esitetystä alueesta

14 Kohteen heijastavuuden vaikutus Pienimmän havaittavissa olevan kappaleen koko riippuu sen heijastavuudesta Esimerkiksi voimalinjat näkyvät hyvin laseraineistosta 27 Koordinaatistomuunnos paikalliseen koordinaatistoon Pistepilvi saadaan yleensä geosentrisessä järjestelmässä (esim. WGS84) Jos laserkeilausaineistoa halutaan käyttää esim. karttojen/gisjärjestelmien kanssa, ne on muunnettava tasokoordinaatistoon (esim. ETRS-TM35FIN, KKJ, YKJ) Erityisesti korkeuksien kanssa tulee olla tarkkana (datumin korjaus)

15 Korkeusdatumi (joukko vakioita, jotka määrittelevät korkeusjärjestelmän vertauspinnan) Geodeettinen datumi määrittelee vertausellipsoidin, joka on maan pinnan muotoa kuvaava matemaattinen malli (GPS korkeudet) Referenssiellipsin korkeus = geodeettinen korkeus Geoidi on maapallon painovoimakentän tasa-arvopinta, joka yhtyy merten keskivedenpintaan Topografinen korkeus = ortometrinen korkeus = - 29 Suomen korkeusjärjestelmä Tällä hetkellä Suomessa N2000 geoidi, jonka tarkkuus ±5 cm Jonkun verran käytetään vielä N60 geoidia Poikkeama n cm, joka johtuu pääasiassa maannoususta 30 15

16 Miten ilmalasekeilainten virheitä poistetaan Lähestytään ongelmaa 3D pistepilven näkökulmasta (data driven) Käytetään päällekkäisiä lentojonoja ja verrataan 3D pisteitä Lähestytään ongelmaa käyttämällä sensorimallia, joka liittää jokaisen 3D pisteen alkuperäisiin havaintoihin Käytetään myös päällekkäisiä lentojonoja, mutta koetetaan korjata systeemin parametreja 31 Jos käytetään vain 3D pisteitä Jokaiselle lentolinjalle määritetään korjausparametrit p ' i j = pi, j + c j ( pi,, j ) p ' i, j p i, j c j ( p i, j ) on 3D piste lentojonojen korjauksen jälkeen on 3D i:s piste lentojonolta j ennen korjausta on funktio, jolla lentojonoja korjataan 32 16

17 Minkälainen korjausfunktio voi olla? Yksinkertaisimmillan voi sisältää vain korjaukset siirroille (ΔX, ΔY, ΔZ) Crombaghs et al. (2000) ja Kraus and Pfeifer, (2001) käyttivät pelkän korkeuden korjaamiseen funktiota, joka oli riippuvainen pystysiirtymästä ja sivukallistuksesta Kilian et al., 1996 ja Vosselman and Maas, 2001 käyttivät funktiota, jossa oli pysty- ja tasosiirtymät, aikariippuvainen sorto (drift) ja kolme kiertoa c j p i (, j ) 33 Jos käytetään sensorimallia Jokaiselle pisteelle tarvitaan keilaimen sijainti, laserin lähtökulma sekä mittausaika Keilaimet käyttävät 3D pisteen laskemiseen kaavaa: pi, j = f ( O( ti ), R( ti ), ri, αi, s) ti O t ) ( i R( t i ri αi ) on mittausaika on keilaimen origo on keilaimen asento on etäisyysmittaus on mittauskulma s on vektori, joka kuvaa systeemiparametreja. Esim. GPS:n ja laserkeilaimen välistä siirtymää 34 17

18 Tasoitettaessa kaava on p ' i, j = f ( O( t ) + ΔO, R( t ) + ΔR, r + Δr, α + Δα, s + Δs) i i i i Δ parametrit voivat olla vakioita, aikariippuvaisia funktioita, mittakaavatekijöitä ym. 35 Korjausparametrit Burman, 2002 Vakiosiirtymä sekä aikariippuvaiset ΔO ja Filin, 2003 Lisäksi IMU:n ja etäisyysmittauksen virheet sekä mittauskulman virheet Kager, 2004 Aikariippuvaiset polynomit ΔO :lle ja ΔR:lle, vakio IMU:n siirtymälle ja korjaus kulmapoikkeamille sekä lentosuunnassa että sitä vastaan p ' i, j = f ( O( t ) + ΔO, R( t ) + ΔR, r + Δr, α + Δα, s + Δs) i i i i ΔR 36 18

19 Tasoituksessa pyritään löytämään tuntemattomat parametrit Tarvitaan havaintoja päällekkäisten lentojonojen välille Liitospisteiden koordinaatteja Pisteen etäisyys liitosalueesta (tie patch) Liitosalueen tasolle pakotettuja liitospisteitä Alkuperäisiä havaintoja (kulmia ja etäisyyksiä) 37 Jotta virheitä voitaisiin mallintaa tulee olla riittävästi piirteitä Korkeusvirheet on helppo korjata, jos löytyy tasaisia alueita Siirtymät tasosuunnassa vaativat riittävästi piirteitä Ennen korjauksia Korjausten jälkeen (C) Terrasolid Oy 38 19

20 TIN-pinnan (Triangulated Irregular Network) käyttö yhteensovituksessa Luodaan lentolinjoista TIN-mallit Verrataan toisen laserkeilausjonon pisteitä (tai TIN-mallia) TIN-malliin Voidaan valita joka n:s piste sovitukseen Menetelmää voidaan käyttää myös tunnettujen maastopisteiden kanssa Yhteensovituksen avulla selvitetään keilaimen sensorin virheitä 39 Grid-mallin käyttö yhteensovituksessa Valitaan sopiva ruudun koko Annetaan jokaiselle ruudulle korkeusarvo laserpisteiden perusteella (vaatii yleensä interpolointia) Käytetään syntynyttä rasterimallia yhteensovituksessa 40 20

21 Laserkeilausaineiston jälkikäsittely Laserdata on aluksi digitaalinen pintamalli (DSM=digital surface model) sisältää maaston pinnan, puut ja rakennukset Usein tavoitteena on digitaalinen korkeusmalli (DTM = digital terrain model) puut ja rakennukset on suodatettu pois Joskus halutaan laskea ndsm (normalized Digital Surface Model) ndsm=dsm-dtm (eli maanpinnan vaikutus on poistettu) 41 Erilaiset korkeusmallit DSM=digital surface model sisältää maaston pinnan, puut ja rakennukset DTM = digital terrain model Sisältää vain maanpinnan (puut ja rakennukset on suodatettu pois) 42 21

22 - DSM DTM = ndsm Applications_of_Laser_Scanning_in_Forestry.pdf 43 Laserkeilausaineiston jälkikäsittely Datan suodatus ja luokittelu Poistetaan karkeat virheet Poistetaan ne luokitellut pisteet, jotka eivät ole sovelluksen kannalta kiinnostavia Korkeusmallin luominen TIN Grid korkeuskäyrät 44 22

23 Pilvet tai ilmassa leijuvat hiukkaset saattavat tuottaa kohinaa aineistoon Linnut ja muut lentävät kohteet tuottavat virhepisteitä Aineiston suodatus 45 Suodatus kaupallisissa ohjelmissa TerraScan suodattaa todennäköisiä ilmassa olevia virhepisteitä laskemalla korkeuksien mediaanin ja keskihajonnan tietyn alueen sisällä. Kaikki pisteet, jotka ovat kauempana kuin annettavalla vakiolla kerrottu keskihajonta, kuuluvat ilmassa oleviin virhepisteisiin LasTools luokittelee karkeat virheet luomalla vokselin (kokoa voi muuttaa) pisteen ympärille ja tutkimalla, onko naapurivokseleissa vähemmän pisteitä kuin annettu kynnysarvo 46 23

24 Suodatusmenetelmiä Virhepisteiden löytämisalgoritmit pohjautuvat Pisteiden jakaumaan Pisteiden syvyyteen ryhmittelyyn Pisteiden etäisyyksiin Pistetiheyksiin 47 Maanpinnan alle saattaa tulla vääriä havaintoja (ringing) Esiintyy erityisesti voimakkaiden maakaikujen jälkeen Rönnholm et al., Nordin, L.,

25 Datan suodatus, luokittelu luokitellaan laserpisteet maanpinta rakennukset kasvillisuus Matala, keskikorkea ja korkea kasvillisuus 49 Automaattinen rakennusten irrotus laserpistepilvestä 25

26 Aineiston suodatus, DTM Jätetään jäljelle vain maanpinnan pisteet saadaan digitaalinen maanpintamalli 51 Luokittelu 52 26

27 Luokittelun strategioita Verrataan kahta pistettä kerrallaan toisiinsa (point-to-point) Sijaintiin perustuva päätös, kuuluvatko pisteet samaan objektiin Vain yksi piste luokitellaan kerrallaan Verrataan yhtä pistettä ympäristöön (point-topoints) Ympäristön avulla luokitellaan yksi piste Luodaan pistejoukolle erottelufunktio (points-topoints) Luokitellaan kerralla useita pisteitä 53 Luokittelun strategioita Kaltevuuteen perustuvia (slope-based) Verrataan kahden pisteen korkeuseroja (tai niiden kautta kulkevan pinnan kaltevuutta) Pienen alueen alimmat pisteet (blockminimum) Etsitään tutkinta-alueen matalimmat pisteet, valitaan kaikki pisteet, jotka ovat sopivalla korkeudella suhteessa alimpaan pisteeseen 54 27

28 Luokittelun strategioita Pintaan perustuva (surface-based) Luodaan matalimpien pisteiden avulla pinta ja valitaan kaikki pisteet, jotka ovat riittävän lähellä ko. pintaa Alueiden ryhmittelyyn perustuva (clustering/segmentation) Pisteet luokitellaan objektiksi, jos pisteistä koottu ryhmä on naapurustoa korkeammalla 55 Suodatuksen kannalta vaikeita kohteita Hyvin suuret kohteet Useat suodatusalgoritmit ovat paikallisia, jolloin suuret DTM:ään kuulumattomat kohteet voivat jäädä suodattamatta Hyvin pienet kohteet Hyvin matalat kohteet Suodatus ei osaa erottaa maanpinnasta Hyvin monimutkaiset ja monimuotoiset kappaleet Maanpinnan epäjatkuvuudet Rakennetussa ympäristössä maanpinta voi rakennuksen eri puolilla poiketa suurestikin. Erityisen hankalaa on, jos maanpinta on eristyksissä ympäristöstä, esim. sisäpihat 56 28

29 Esimerkki suodatuksesta/luokittelusta: Axelsson (käytössä TerraScanissa) Lasketaan lähtöarvot parametreille käyttäen koko aineistoa Valitaan siemenpisteitä, jotka todennäköisesti ovat maanpinnasta Tehdään siemenpisteistä TIN Tihennetään TIN:iä lisäämällä pisteitä, jotka täyttävät asetetut kriteerit Lasketaan uudet parametrit ja kriteerit jokaisella iteraatiokierroksella käyttämällä uusia TIN:iin lisättyjä pisteitä Jatketaan iteraatiota kunnes kaikki pisteet on luokiteltu joko maanpinnaksi tai objektiksi 57 Esimerkki suodatuksesta/luokittelusta: Axelsson (käytössä TerraScanissa) P d α d d γ β TIN facet d = min( d... d if ( d p < d P TIN 1 max ) n ) 58 29

30 Esimerkki suodatuksesta/luokittelusta: Axelsson (käytössä TerraScanissa) Jyrkän reunan leikkaantuminen estetään tutkimalla naapurustoa 59 DTM:n ja DSM:n visualisointi TIN-mallit (triangulated irregular network) Ruutumallit (raster models) Korkeuskäyrät Profiilit ja poikkileikkaukset 60 30

31 TIN-mallit Solmupisteet sijaitsevat epäsäännöllisesti Taiteviivat 61 Ruutumallit VTT, GLORE, Mikael Holm Tummat sävyt vastaavat matalia korkeuksia ja kirkkaat korkeita korkeuksia

32 Ruutumalli Säännöllisen ruudukon alkioihin joudutaan interpoloimaan korkeusarvot epäsäännöllisestä laserpistepilvestä Inverse distance weighting Krieging Lagrangian interpolation Moving least squares Linear predictions 63 Korkeuskäyrät

33 Profiilit ja poikkileikkaukset 65 DTM:n tarkkuus DTM:n virhe koostuu esim. korkeusvirheestä, tasovirheestä, pistetiheydestä ja ruutumalli- DTM:n tapauksessa interpoloinnista σ DTM = σ elevation + σ planimetric + σ point density σ interpolation 66 33

34 Koko Suomen kattava DTM:n tuotantoprosessi Maanmittauslaitos tekee koko Suomen kattavaa DTM:ää Aluksi luodaan ruutumalli (0.9 m resoluutiolla) interpoloimalla ilmalaserkeilausaineistosta. Lisäksi luodaan korkeuskäyrät 1 metrin käyrävälillä visualisointitarkoitusta varten Aineiston laatu varmistetaan (ja manuaalisesti korjataan tarvittaessa) päällepiirtämällä korkeuskäyrät stereoilmakuvien päälle 67 Päivi Vinni, 2010 Koko Suomen kattava DTM:n tuotantoprosessi Korjatusta 0.9 metrin resoluutioisesta ruutumallista interpoloidaan 2 m ruutumalli Yksi korkeusarvo interpoloidaan 9:stä lähimmästä pisteestä käyttämällä Lagrangen interpolointia (polynomin sovitus) Päivi Vinni,

35 Koko Suomen kattava DTM:n tuotantoprosessi DTM-hanke aloitettiin vuonna m ruutumallin korkeustarkkuus on vähintään 30 cm Vuosittain on keilattu noin m Maanmittauslaitoksen korkeusmalli Maa Lasekeilaus, syksy Maanmittauslaitos m DEM 70 Paikkatiedon keruu ja muokkaus, Syksy