Käytännön geodesia Maa

Transkriptio

1 Käytännön geodesia Maa IV luokan takymetrijono mittaus Jyväskylä II luokan verkko IV luokka GPS III luokan verkko IV luokan takymetrijono mittaus Säynätsalo IV luokka GPS IV luokka GPS Jyväskylän kaupungin runkoverkon uudelleenmittauksen 1999 geometria (Maa-6227 Geodesian maastoharjoitukset) Martin Vermeer 12 helmikuuta 2015

2

3 Kurssiesite Laajuus 3 op Opetusjakso III Osaamistavoitteet Kurssin suorittamisen jälkeen opiskelija osaa käyttää GPS käytännön runkomittaustyössä esim kuntien mittaustoimessa, sekä oivaltaa miten GPS:n antamat koordinaatit ja korkeudet eroavat perinteisistä koordinaateista ja korkeuksista Osaa suunnittella erityyppisiä mittauksia Tuntee niiden havaintoyhtälöt, osaa linearisoida ne, osaa arvioida saavutettava tarkkuus Osaa muunnoskaavojen ja -parametrien laskenta; keskistysmittaukset, karttaprojektiot; ymmärtää rekognosoinnin ja pistekorttien merkitystä Osaa selittää monikulmio- ja korkeusjonojen ja jonoverkkojen tarkkuuskäyttäytyminen ja sen perusteella suunnittella niitä Ymmärtää mittaustarkkuusluokat ja verkkohierarkia ja on tutustunut laajemmin pienimmän neliösumman menetelmän käyttöön verkkotasoituksessa Ymmärtää datumin ja datuminmuunnoksen käsite ja merkitys kaksi- ja kolmiulotteisesti; paikalliset ja geosentriset datumit ja koordinaattijärjestelmät On valmis osallistumaan käytännön maastotyöhön Sisältö Taso-, korkeus- ja avaruusrunkoverkkojen suunnittelu, mittaus ja laskenta 2D+1D ja 3D -lähestymistapa Havaintoyhtälöiden rakentaminen pienimmän neliösumman verkkotasoitusta varten Mittausten tarkkuus ja tarkkuusluokittelu Tilastollinen testaus Koordinaatti- ja vertausjärjestelmät, vertausellipsoidi, datumit ja datum-muunnokset GPS-verkkojen laskenta ja tarkkuus Erityyppisten mittausten ja -verkkojen yhteiskäyttö ja integrointi Kalibrointi Esitiedot Maa-6211/214 tai Maa Korvaavuudet Korvaa opintojakson Maa-6222 Kohderyhmä Suoritustavat Tentti ja harjoitukset, josta yksi on Metsähovin retki Työmäärä toteutustavoittain Luennot 8 2 t = 16 t Materiaalin itsenäinen opiskelu, tenttivalmistelu 24 t Harjoitustyö, itsenäinen työskentely = 36 t Metsähovi 4 t Yhteensä 80 t Arvostelu Tentin arvosana on kokonaissuorituksen arvosana, 1-5 Oppimateriaalit Luentomoniste Taustamateriaalina Blachut, Chrzanowski, Saastamoinen: Urban Surveying and Mapping; Cooper: Control Surveys in Civil Engineering Opetuskieli Suomi

4 ii Kurssin henkilökunta ja yhteystiedot Martin Vermeer, huone M309 Vastaanottoajat CEFR-taso Lisätietoja

5 Sisältö iii Sisältö 1 Linearisointi ja virheiden kasautuminen 1 11 Linearisointi Skalaaritapaus Vektoritapaus Havaintoyhtälöiden linearisointi 4 12 Varianssien kasautumislaki 5 13 Geodeettinen päätehtävä 6 2 Datumit Yksiulotteiset datuminmuunnokset Kaksiulotteiset datuminmuunnokset Kompleksinen esitystapa Kolmiulotteinen datuminmuunnos (1) Kolmulotteinen datummuunnos (2) 17 3 Koordinaattijärjestelmät Yleistä Suorakulmaiset geosentriset koordinaatit Vertausellipsoidi WGS84-vertausjärjestelmä Toposentrinen koordinaattijärjestelmä Geodeettinen datum Geodeettisten datumien välinen muunnos Suuntakorjaus paikallisesta horisontista vertausellipsoidiin Ellipsoidisten normaalien erisuuntaisuus Pituuskorjaus 31 4 Keskistykset, asematasoitus Vaakakeskistys Korkeuskeskistys GPS-keskistys Vaakakulmien asematasoitus Kulmamuunnos Jäännösvirheet ja vapausasteet Asematasoituksen laskentataulukko 38 5 Vaaitus Vaaitusrefraktio Vaaituksen satunnaiset virheet Vaaituksen systemaattiset virheet Vaaituksen karkeat virheet Yksittäisen vaaitusjonon laskeminen 45 6 Korkeuden mittaus ja käsittely Refraktiokerroin 49

6 iv Sisältö 62 Pystykulma Trigonometrinen korkeudenmittaus Periaate, virhepropagaatio Trigonometrinen vaaitus Refraktion ja Maan kaarevuuden vaikutus Vastakkaiset yht aikaiset mittaukset xyh -jonomittaus, tarkka trigo Mittatanko 56 7 Monikulmiojonon laskenta Suljettu monikulmiojono Alku- ja loppuliitossuunnan laskeminen Suuntien tasoitus Koordinaattien tasoitus Laskentakaavio Huomautuksia Avoin monikulmiojono Lähtösuunta Jonon laskenta 65 8 Ehtoyhtälöiden tasoitus Teoria Esimerkki: kolmioehto Monikulmiojonotasoitus ehtoyhtälötasoituksena Ilman painotusta Painotuksen kera Jonon laskenta Painokertoimien valinnasta Realistiset painoluvut Relatiivinen pistekeskivirhe, loppupistekeskivirhe Karkeiden virheiden löytäminen Sulkuvirheiden testaus Tasoitetun pisteen keskivirhe 74 9 Kriteerivarianssit Esimerkki: jono Verkon varianssi-kovarianssimatriisi Verkon kriteerimatriisi Varianssi- ja kriteerimatriisin vertailu Pienimmän neliösumman tasoitus Teoreettinen tausta Pienimmän neliösumman ratkaisu Harhattomuus Jäännösvirheiden varianssi Vinoetäisyys avaruudessa Atsimutimittaus Zeniittikulmamittaus Käytännön esimerkki Tasoituslaskun variantit ja sovellukset Pakkoehtojen käyttö ratkaisun kiinnittamiseksi Ehto- ja havaintoyhtälöiden välinen yhteys 92

7 Sisältö v 1121 Testaussuureen laskenta Vaaitus ehtoyhtälöiden esimerkkinä Esimerkki: vaaitusverkko Helmert-muunnosparametrien estimointi Vapaa asemapiste Vapaan asemapisteen laskuesimerkki Helmert-tasomuunnos kahdesta tunnetusta pisteestä Helmert-parametrien virheiden kasautuminen GPS-mittaus ja laskenta Yleistä Rekognosointi Vektoreiden mittaus Vektoreiden määrä Verkon geometria Mittausten kesto ja aikataulu Ratatiedot Antennit ja pystytys Havaintogeometria, havainto-yhtälöt Tuntemattomien varianssimatriisi ja varianssit Esimerkki: atsimutisymmetrinen geometria Erotushavaintojen havaintoyhtälöt Vektorimittaukset Geodeettiset mittaukset ja laskennat Runkkoverkkojen hierarkia ja tarkkuusluokitus Valtakunnalliset runkoverkot Alemman luokan runkoverkot Perinteisiä ja satelliittimittauksia kkj -järjestelmän määritys Korkeusjärjestelmät ja geoidin rooli Muunnokset eri järjestelmien välillä Maastomittaus käytännössä Geodesian laboratorion maastomittaukset Maastomittauksessa käytetyt tekniikat Staattinen GPS-mittaus Digitaalinen tarkkavaaitus Trigonometrinen vaaitus: tarkka trigo Monikulmiojonomittaus Case: Jyväskylän maastomittaus 130

8

9 1 Luku 1 Linearisointi ja virheiden kasautuminen 11 Linearisointi Geodesiassa, kuten monessa muussakin tieteissä, on usein olemassa kahden suuren väliset yhteydet jotka käyttäytyvät epälineaarisesti Esimerkit tästä ovat havaintosuureiden ja tuntemattomien välinen yhteys, tai kahden eri koordinaattijärjestelmän koordinaattien välinen yhteys Kuitenkin monet teoriat, kuten esim pienimmän neliösumman (PNS) tasoitusmenetelmä, perustuvat lineaarisiin kaavoihin, joiden matematiikka on huomattavasti yksinkertaisempaa Myös virheiden (varianssien) kasautumislaki pätee vain lineaarisille riippuvuussuhteille suureiden välillä Käytännössä usein muodollisesti epälineaarinen yhteys, esim pistekoordinaatin ja pisteeseen mitatun suunnan välillä, on melkein lineaarinen pisteen sijainnin epävarmuusalueen sisällä Onhan mittaustarkkuus geodesiassa varsin suuri: pisteen sijainnin epävarmuus voi olla senttimetrien luokkaa kun pisteiden välinen etäisyys voi olla satoja metrejä tai kilometrejä Silloin voidaan tutkia, alkuperäisten suureiden sijasta, yhteyttä niiden pienten erotussuureiden välillä joka on lähestulkoon lineaarinen Asia näytetään Taylor-sarjakehitelmän avulla 111 Skalaaritapaus Yleensä jos on kaksi suurta, jonka välinen on funktionaalinen yhteys: y = f (x), voidaan linearisoida valitsemalla likiarvo x 0 ja kehittämällä funktio sarjakehitelmään (Taylorsarjaan) likiarvon lähistöllä Saadaan: y = f (x 0 ) + df dx (x x 0 ) + x=x0 eli y y 0 a (x x 0 ), (11) jossa y 0 f (x 0 ) ja a = df dx Tätä voidaan kirjoittaa muotoon x=x0 y = a x mitä usein lyhennetään seuraavan muotoon y = ax, kun vain muistetaan että x, y ovat linearisoidut (siis: x 0, y 0 suhteen lasketut erotus-)arvot

10 2 Luku 1 Linearisointi ja virheiden kasautuminen y Linearisointiväli y = f(x) y = y 0 + a (x x 0 ) y 0 x x 0 Kuva 11: Yksiulotteinen kuvaus ja linearisointi 112 Vektoritapaus Jos on kaksi vektorisuurta, x = [ x 1 x 2 x n ] T R n ja y = [ y 1 y 2 y m ] T R m, jonka välillä on funktionaalinen yhteys eli y 1 y 2 y m = y = F (x) = F (x 1, x 2,, x n ), F 1 (x) F 2 (x) F m (x) = F 1 (x 1, x 2,, x n ) F 2 (x 1, x 2,, x n ) F m (x 1, x 2,, x n ) [ tilanne mutkistuu Tässäkin tapauksessa voidaan valita likiarvovektori x 0 = ja vastaava likiarvovektori y 0 F (x 0 ), jonka jälkeen taas y = y 0 + F (x 1, x 2,, x n ) ( ) x 1 x 1 x (0) 1 x=x 0 + F (x 1, x 2,, x n ) ( ) x n xn x (0) n, x=x 0 + F (x 1, x 2,, x n ) x 2, x (0) 1 x (0) 2 x (0) n ( ) x 2 x (0) 2 + x=x 0 eli y i = y (0) i + F i (x 1, x 2,, x n ) ( ) x 1 x 1 x (0) 1 + F i (x 1, x 2,, x n ) ( ) x=x 0 x 2 x 2 x (0) 2 + x=x 0 + F i (x 1, x 2,, x n ) ( ) x n xn x (0) n +, i = 1,, m x=x 0 ] T, Tässä kaavassa on m eri riviä, ja jokaisella rivillä on n eri (lineaarista) termiä Tämä yhtälöryhmän yhteenvedoksi kirjoitetaan seuraava matriisiyhtälö: y = y 0 + A (x x 0 ) +,

11 11 Linearisointi 3 x 2 F : R 2 R 2 y 2 x 1 y 1 Kuva 12: Kaksiulotteinen kuvaus jossa matriisi A on F 1 F 1 F 1 x 1 x 2 x n F 2 F 2 F 2 A = x 1 x 2 x n F m F m F m x 1 x 2 x n Tämä matriisi on kahden abstraktisen vektoriavaruuden R n ja R m välisen vektorikuvauksen F : R n R m ns Jakobin 1 matriisi Matriisi kuvaa paikallisesti, siis pisteen x = x 0 lähistöllä, millä tavalla pienet häiriöt x-vektorissa kulkevat y-vektoriin: y y y 0 A (x x 0 ) = A x, jos määritetään x = x x 0 ja y = y y 0 Siis erotussuureiden x, y välillä kuvaus on paikallisesti lineaarinen Tämä on ns linearisointi Yleisessä tapauksessa m n Erikoisessa tapauksessa, että m = n, voidaan ajatella, että kuvauksella F olisi käänteiskuvaus G = F 1, jolla x = G (y) Paikallisesti, likipisteen x 0 ympäristössä, voidaan tästä sanoa: Jos matriisi A on singulaarinen, ts sen determinantti det (A) = 0, merkitsee tämä, että kuvauksella F ei ole olemassa paikallisesti (siis pisteessä x 0, ja mahdollisesti ei myöskään sen sopivan pienellä lähialueella) käänteistä kuvausta Tämä merkitsee taas, että voi olla useita (itse asiassa äärettömän useita) eri arvoa x joilla on kaikki sama kuva y = F (x) Toisaalta jos det A 0, sellainen käänteiskuvaus on (sopivan pienikokoisella likipisteen x 0 lähistöllä) olemassa Tulkinta det A kuvaa, miten tilavuudet kuvautuvat F -kuvauksen alla: esim jos n = m = 2, se kuvaa, miten pikkuneliön pinta-ala R n -avaruudessa kuvautuu parallellogrammin pinta-alaan R m - avaruuteen, eli niiden kahden pinta-alan suhde Jos n = m = 3, se kuvaa vastaavasti suhde 1 Carl Gustav Jacob Jacobi, , juutalaissaksalainen matemaatikko, Königsbergin yliopisto

12 4 Luku 1 Linearisointi ja virheiden kasautuminen R n -avaruuden kuution ja sen R m -avaruuden parallellepipeedin tilavuuksien välillä Jos suhde on nolla, niin ilmeisesti neliö litistyy viivapätkäksi ja kuutio taso-parallellogrammiksi, ja kuvaus on ilmeisen singulaarinen 113 Havaintoyhtälöiden linearisointi Käsitellään esimerkkina funktionaalinen yhteys tuntemattomien x ja havaintosuureiden l välillä, joka on todellisessa havaintogeometriassa harvoin lineaarinen Joudutaan linearisoimaan: olkoon ei-lineaariset havaintoyhtälöt l + v = F ( x), (12) missä F ( ) on moniulotteinen, yleensä ei-lineaarinen havaintofunktio Mallit linearisoidaan kehittämällä ne taas Taylor-sarjaan karkeasti arvioitujen ratkaisukoordinaattien ( likiarvojen ) ympärillä, ja käyttämällä sarjasta vain ensimmäisen asteen termit Mikäli käytetyt likikoordinaatit eivät ole riittävän hyviä, joudutaan laskemaan ratkaisu iteratiivisesti Valitaan likiarvot x 0 ja yhteensopivasti l 0 joille siis pätee: l 0 = F (x 0 ) (13) eli (huomaa, että tuntemattomien määrä on m ja havaintosuureiden määrä n): ( ) l (0) i = F i x (0) 1, x (0) 2, x (0) m 1, x (0) m, i = 1 n Tämä vähennetään kaavasta (12) ja tehdään sarjakehitelmä: ( l i l (0) i ) ( ) + v i = F i ( x 1, x 2, x m ) F i x (0) 1, x (0) 2, x (0) m m j=1 F i x j xj =x (0) j ( ) x j x (0) j Kutsutaan A ij = F i x j xj =x (0) j ns second order design matrixin 2 alkiot Itse matriisi on silloin F 1 F 1 F 1 x 1 x 2 x m F 2 F 2 F 2 A = x 1 x 2 x m F n F n F n x 1 x 2 x m 2 Suom (toisen kertaluvun) rakennematriisi, i = 1 n, j = 1 m, (14) x1 =x (0) 1,x 2=x (0) 2,xm=x(0) m

13 12 Varianssien kasautumislaki 5 Tässä n on havaintojen, m tuntemattomien määrä Jos kutsutaan (l F (x 0 )) l ( x x 0 ) x ( korvaavat eli linearisoidut havaintosuureet ja tuntemattomat), saadaan linearisoiduiksi havainto-yhtälöiksi: l + v = A x (15) Tästä laskettava pienimmän neliösumman ratkaisu minimoi residuaalien neliöllinen summa v T Q 1 ll v, mistä syystä sitä kutsutaan pienimmän neliösumman menetelmäksi Matriisi Q ll, lyhyesti Q, on havaintojen tarkkuutta ja mahdollista keskinaista tilastollista riippuvuutta (korrelaatiota) kuvaava havaintovektorin varianssimatriisi 3, ks luku 12 Kaavassa (15) jätetään usein myös pois yksinkertaisuuden vuoksi -suureet ovat tyypillisesti paljon pienempiä kuin kokonaiset suureet Siksi numeriikka onnistuu hyvin vaikka A-matriisin elementit eivät olisi eksakteja Kuitenkin kaava (13) on aina laskettava eksaktisti 12 Varianssien kasautumislaki Jos stokastinen suure y on stokastisen suureen x lineaarinen funktio, ts voidaan kirjoittaa myös y = Lx, σ y = Lσ x, missä σ x, σ y ovat suureiden x ja y keskivirheet Samalla voidaan kirjoittaa E { y } = E {Lx} = LE {x} ( odotusarvojen kasautumislaki ), missä E { } on odotusarvo-operaattori, lineaarinen operaattori Jos määritetään varianssi seuraavasti: seuraa, että Var {x} = σ 2 x E { (x E {x}) 2}, σ 2 y = L 2 σ 2 x Tämä on varianssien kasautumislaki yksinkertaiselle stokastiselle suureelle Mikäli stokastisella suureella x = [ x 1 x 2 x n ] T ja y = [ y1 y 2 y m ] T on useita komponentteja (abstrakti vektorisuure ), pätee y = Lx, (16) E { y } = LE {x} 3 Tarkemmin: havaintovektorin painokerroinmatriisi Yleisesti kirjoitetaan Σ ll = σ 2 0Q ll, jossa Σ ll on varianssimatriisi ja σ 0 ns painoyksikön keskivirhe

14 6 Luku 1 Linearisointi ja virheiden kasautuminen ja Var ( y ) = LVar (x) L T, (17) missä nyt L ja varianssit ovat matriiseja L 11 L 12 L 1n L = L 21, L m1 L mn m n-kokoinen matriisi; Var(x) = Σ xx = σx 2 1 σ x1 x 2 σ x1 x n σ x2 x 1 σx 2 2 σ xnx1 σx 2 n, n n-kokoinen, neliönmuotoinen matriisi; ja Var ( y ) = Σ yy = σy 2 1 σ y1 y 2 σ y1 y m σ y2 y 1 σy 2 2, m m-kokoinen neliömatriisi Tässä varianssit: ja kovarianssit: ja samoin y:n komponenteille σ ymy 1 σ 2 y m σ 2 x i = Var (x i ) = E { (x i E {x i }) 2}, σ xi x j = Cov ( x i, x j ) = E { (xi E {x i }) ( x j E { x j })}, Kaava (17) kutsutaan yleiseksi varianssien kasautumislaiksi Kaavan (16) ilmaisema lineaarisuusominaisuus saadaan tarvittaessa aikaan linearisoimalla, josta puhuttiin aikaisemmin 13 Geodeettinen päätehtävä Varianssien kasautumislain sovelluksena tarkastetaan geodeettinen päätehtävä, missä suuntaja etäisyysmittauksen tunnetut epätarkkuudet kulkevat eli kasautuvat tuntemattoman pisteen koordinaattien epätarkkuuksiksi Geodeettinen päätehtävä: annettuna mittaussuureet s, A sekä lähtöpisteen P koordinaatit x P, y P, määritä tuntemattoman pisteen koordinaatit x = x P + s cos A, y = y P + s sin A

15 13 Geodeettinen päätehtävä 7 Ongelma ratkaistaan seuraavalla tavalla Otetaan likiarvot s 0, s = s 0 + s ja A 0, A = A 0 + A ja kirjoitetaan Taylor-sarjakehitelmä: cos A x = x P +s 0 cos A 0 + s cos A 0 +s 0 A A = x 0 { }} { + x P + s 0 cos A 0 x { }} { [ ] [ ] s cos A0 s 0 sin A 0 A ja samalla tavalla y = y 0 + y { }} { [ ] [ ] s sin A0 s 0 cos A 0 A Nyt meillä on (jättämällä, mutta muistamalla, 0-indeksit, ja tekemällä x- ja y-vektorit stokastisiksi eli satunnaismuuttujiksi): y [ x y ] [ s, x A ] [ cos A s sin A, ja L = sin A s cos A ja yllä olevat kaavat voidaan nyt kirjoittaa: y = Lx ] [ ; sekä Var (x) = σ 2 s 0 0 σ 2 A ] Varianssimatriisin Var ( y ) = = = [ σx 2 σ xy σ xy σy 2 ] = LVar (x) L T = [ ] [ ] [ ] cos A s sin A σs 2 0 cos A sin A = sin A s cos A 0 σa 2 s sin A s cos A [ σs 2 cos 2 A + σas 2 2 sin 2 A cos A sin A ( ) ] σs 2 s 2 σa 2 cos A sin A (, σs 2 s 2 σa) 2 σ 2 s sin 2 A + σas 2 2 cos 2 A jossa alkiot laskettiin varianssien kasautumislain (17) avulla 4 Sijoittamalla vielä saadaan vaihtoehtoinen muoto: cos A = x x P s, sin A = y y P s 4 Jos ilmaistaan suunnan A varianssi gooneissa, voidaan sijoittaa kaikkiin alla oleviiin kaavoihin ( ) 2 σa 2 σa [g] =, ρ jossa ρ on radiaanin suuruus käytetyssä asteyksikössä, tässä tapauksessa ρ = Samoin kun käytetään kaarisekunteja: silloin ( σa 2 σa [ ) 2 ] =, ρ jossa nyt ρ = =

16 8 Luku 1 Linearisointi ja virheiden kasautuminen N σ x Q sσ A A s σ y σ s P Kuva 13: Virhe-ellipsin geometria σ 2 x = Var ( x) = ( ) 2 x xp σs 2 + (y y P ) 2 σ 2 s A, σy 2 = Var ( y ) ( ) 2 y yp = σs 2 + (x x P ) 2 σ 2 s A, σ xy = Cov ( x, y ) [ (σs ) ] 2 = σ 2 A (x x P ) (y y P ), (18) s jossa x x P = s cos A, y y P = s sin A Näin havaintotyön keskivirheet σ s, σ A muunnetaan koordinaattikeskivirheiksi σ x, σ y Kuten näkyy, vaikuttavat tarkkuuteen vaikuttavat sekä havaintojen tarkkuus σ s, σ A että geometria A, s Virhe-ellipsi on tilastomatemaattinen varmuusalue kaksiulotteisen pisteen ratkaisulle Tätä käytetään eri testeissä Pisteen tarkkuuden mitaksi on olemassa sopivampi suure joka ei riipu koordinaattiakseleiden suunnasta Sellainen mitta saadaan seuraavasti: virhe-ellipsi on oikeastaan varianssimatriisin kuvaaja: jos pisteen P koordinaattien, tai kahden pisteiden P, Q, koordinaattierojen, x, y varianssimatriisi kirjoitetaan [ x V = Var y ] [ = Var (x) Cov ( x, y ) Cov ( x, y ) Var ( y ) Tämän matriisin invariantit ovat sen ominaisarvoja ja -vektoreita: Kaavan (V λi) x = 0 ratkaisuja (λ i, x i ) Jos käännetään koordinaatiston akselit näin, että ne ovat samansuuntaisia ellipsin pääakseleiden kanssa, saadaan V = [ s 2 σ 2 A 0 0 σ 2 s ja on selvä, että λ 1 = s 2 σ 2 A ja λ 2 = σ 2 s Yleisemmin ratkaistaan determinanttiyhtälö V 11 λ V 12 V 22 λ = 0, V 21 ] ]

17 13 Geodeettinen päätehtävä 9 ( mistä ns karakteristinen ) polynomi: (V 11 λ) (V 22 λ) V12 2 = 0, siis λ 2 (V 11 + V 22 ) λ + V11 V 22 V12 2 = 0, mistä 5 ja λ 1 + λ 2 = V 11 + V 22 = Var (x) + Var (y) = σ 2 x + σ 2 y (19) λ 1 λ 2 = V 11 V 22 V 2 12 = det (V ) = σ 2 xσ 2 y σ 2 xy (110) (missä σ 2 xy lasketaan kaavan (18) mukaan) Suureet (19, 110) ovat invariantit (siis: aina sama, koordinaattiakseleiden orientoinnista riippumatta) ja etenkin suure (19), jota kutsutaan pisteen P pistevarianssiksi σ 2 P, on sopiva pistetarkkuuden mitta: σ 2 P = σ 2 x + σ 2 y Pistekeskivirhe σ P on tämän pistevarianssin neliöjuuri 5 Ominaisarvot ovat λ 1,2 = 1 [ ] V 11 + V 22 ± (V 11 + V 22 ) 2 4 (V 11 V 22 V ) = = 1 [ ] V 11 + V 22 ± (V 11 V 22 ) 2 + 4V12 2 = 2 [1 = 1 ] 2 2 (V 11 + V 22 ) ± 2 (V 11 V 22 ) + V12 2, ja ellipsin pitkä ja lyhyt akselit puolikkaat ovat λ 1, λ 2 Myös akseleiden suunnat voidaan määrittää: tutki koordinaattien lineaariyhdistelmä joka on suuntakulman θ funktio Varianssien kasautumislain avulla saadaan z (θ) = x sin θ + y cos θ, Var (z (θ)) = V 11 sin 2 θ + V 22 cos 2 θ + 2 sin θ cos θv 12 ; ellipsin akselit ovat tämän θ-funktion stationaariset arvot, Differentioimalla eli ja d Var (z) = 0 dθ 2 sin θ cos θ (V 11 V 22 ) + 2 ( cos 2 θ sin 2 θ ) V 12 = 0 sin 2θ (V 11 V 22 ) + 2 cos 2θ V 12 = 0 θ = 1 ( 2 arctan 2V ) 12 + k 100 gon = V 11 V 22 V 12 = arctan [ V (V 11 V 22 ) ] + k 100 gon, 2 + V 2 12 käyttämällä arctangentin puolikulmakaava

18 10 Luku 1 Linearisointi ja virheiden kasautuminen

19 11 Datumit Luku 2 Datum-käsite voidaan matemaattisesti käsitellä tapana kiinnittää verkkoratkaisussa tiettyjen pisteiden koordinaatit oletettuun likiarvoihinsa Kiinnitettävien pisteiden valinta on mielivaltainen, siis datumin määrittely on mielivaltainen Esim syy, miksi Suomeen luotiin ja Suomessa käytettiin pitkään N60-korkeusdatumia jonka lähtöpiste on Helsingissä, on täysin poliittinen Lähtöpiste olisi voinut olla Turussakin 21 Yksiulotteiset datuminmuunnokset Yksiulotteinen datuminmuunnos on yksinkertainen translaatio eli arvojen siirto vakiomäärällä Esim korkeusjärjestelmä jossa tietty piste on määritetty lähtöpisteeksi eli datumpisteeksi, jonka arvo on 0, voidaan muunta toiseksi siirtämällä kaikki arvot näin, että uuden datumpisteen arvoksi saadaan 0 Olkoon pistejoukon korkeusarvot tietyssä datumissa H i, ja tietyssä toisessa datumissa H i Olkoon lisäksi käytettävässä joukolle korkeuksien likiarvot H 0 i Kuten myöhemmin tullaan näkemään, onko likiarvojen olemassaolosta hyötyä kun formuloidaan lineaariset havaintoyhtälöt Ensimmäisen datumin lähtöpiste olkoon A ja toisen datumin lähtöpiste B Silloin Jos määritetään H A = H 0 A, H B = H 0 B H i H i H 0 i, H i H i H 0 i, seuraa, että H A = H B = 0 Nyt johdetaan datuminmuunnoskaava! Oletetaan yksinkertaisuuden vuoksi sen olevan muotoa H = H + a, missä a on vakio Kaavan delta-muoto on H = H + a eli H i = H i + a

20 12 Luku 2 Datumit Pisteille A ja B saadaan ja koska H A = H B = 0, saadaan Tästä yleinen muunnoskaava pisteille i: H A = H A + a H B = H B + a a = H A = H B H i = H i H B, H i = H i H A, ts sekä eteenpäin (A-datumista B-datumiin) että taaksepäin muunnoskaava Matriisikielellä: [ H i H A ja [ Hi H B (nähdään helposti, että [ ] = ] = ] [ [ [ ] [ Hi H B ] [ H i ] = H A [ eli matriisi on oma käänteismatriisinsä Tämä matriisi kutsutaan S-muunnosmatriisiksi) Tietenkin näissä kaavoissa ] ] ], H i = [ H 1 H 2 H n ] T, jolloin Myös H 1 H 2 H n H A = = H 1 H 2 H n H B , eli matriisi on oma käänteismatriisinsa Translaatiovakio on tavoitedatumin lähtöpisteen korkeuspoikkeama likiarvosta, laskettuna lähtödatumissa

21 22 Kaksiulotteiset datuminmuunnokset Kaksiulotteiset datuminmuunnokset Kaksiulotteinen datuminmuunnos on useimmiten yhdenmuotois- eli Helmert 1 -muunnos, kaavana [ x y ] [ c d = d c ] [ x y ] + [ a b ], ( neliparametrinen Helmert ) jossa a, b, c, d ovat muunnoksen parametrit: translaatio (siirto) a, b ja rotaatio/skaalaus c, d Selkeämpi kirjoitustapa: [ x y ] [ cos θ sin θ = (1 + m) sin θ cos θ ] [ x y ] + [ a b ], missä c = (1 + m) cos θ ja d = (1 + m) sin θ Usein m ja θ ovat pieniä, jolloin voidaan kirjoittaa likimäärin: [ x y ] [ ] [ ] [ ] 1 θ x a = (1 + m) + = θ 1 y b { } [ ] [ ] 1 + m θ (1 + m) x a = + = θ (1 + m) 1 + m y b {[ ] [ ]} [ ] [ ] m θ 1 θm x a = + + θ m θm 1 y b [ ] [ ] [ ] [ ] [ ] m θ x 1 0 x a + + θ m y 0 1 y b [ ] [ ] [ ] [ ] m θ x 0 x a + +, θ m y b y 0 eli [ x x y y ] [ m θ = θ m ] [ x 0 y 0 ] + [ a b ], (21) missä x 0, y 0 x, y ovat likiarvoja; uudelleen järjestäminen antaa (helposti verifioitavissa kirjoittamalla vain kaavat (21) ja (22) raa asti auki): [ x x y y ] [ = x 0 y y 0 x Helmert-muunnoksen parametrien havaintoyhtälö ] m θ a b, (22) Kaikkien tuntemattomien määrittäminen edellyttää tietysti riittävä määrä havaintoja eli pistekoordinaattieroja vasemmalla puolella Kahden pisteen koordinaatit on minimi 1 Friedrich Robert Helmert, kuuluisa Saksalainen geodeetti

22 14 Luku 2 Datumit 23 Kompleksinen esitystapa Lähdetään Helmert-kaavasta (21) ja kirjoitetaan sen kompleksilukujen avulla 2 : z z = µz 0 + α, missä z x + iy, z x + iy, µ m + iθ, z 0 x 0 + iy 0 ja α a + ib Määrittämällä taas delta-suureet z z z 0, z z z 0, saadaan z = α + z + z 0 µ Vaaditaan nyt tavoitedatumin kahden lähtöpisteen A, B koordinaattipoikkeamat nollaksi: Eli Vähennyslaskun avulla: z A = z B = 0 α + z A + z 0 Aµ = 0 α + z B + z 0 Bµ = 0 z A z B + ( z 0 A z 0 B) µ = 0 eli : µ = z A z B z 0 A z0 B Seuraavaksi ratkaistaan α takaisinsijoituksen avulla: α = z A + z 0 A z A z B z 0 A z0 B Parametrit α, µ ovat nyt ratkaistuina ja voimme kirjoittaa yleinen muunnoskaava pisteille i: z i = z i z A + z 0 z A z B A z 0 A z0 B z 0 i z A z B z 0 A z0 B = z i z A ( ) z 0 i z 0 z A z B A z 0 A = z0 B ( ) ( z 0 = z i i z 0 A z 0 z 0 A 1 z A + i z 0 A z0 B z 0 A z0 B ( ) ( z 0 = z i i z 0 B z 0 z 0 A z A i z 0 A z0 B z 0 B z0 A = ) z B = ) z B (23) 2 Vastaavasti Helmert-muunnoksen parametrien havaintoyhtälöksi (kaava 22) saadaan [ ] [ ] z z = z 0 µ 1 α [ ] a b Huomaa, että kompleksilukujen a + bi ja 2 2 matriisien välillä on olemassa isomorfismi, eli b a ne käyttäytyvät samalla tavalla

23 24 Kolmiulotteinen datuminmuunnos (1) 15 Kaava (23) kutsutaan S-muunnokseksi Se kuvaa pientä yhdenmuotoisuus- eli Helmert-muunnosta millä päästään erään koordinaattijärjestelmän tietystä realisaatiosta (eli lähtöpisteiden vallinnasta) toiseen Kaavassa (23) korjaustermit jotka sisältävät z A, z B ovat pieniä, yhtä pieniä kuin nämä deltasuureet itse Oletetaan vielä, että lähtökoordinaattijärjestelmän lähtöpisteet olivat C ja D, eli että z C = z D = 0; silloin voimme kirjoittaa kaava (23) seuraavaan matriisimuotoon (selvyyden vuoksi on z i kirjoitettu auki vektoriksi [ z 1 z n ] T : z 1 z n z C z D = ( z z 0 B z 0 A z0 B ( z 0 1 n z 0 B z ( 0 A z0 B z C z 0 B ( z 0 A z0 B z D z 0 B z 0 A z0 B ) ) ) ) ( ) z 0 1 z 0 A z 0 B z0 A ( ) z 0 n z 0 A z ( 0 B z0 A ) z 0 C z 0 A ( z 0 B z0 A ) z 0 D z 0 A z 0 B z0 A z 1 z n z A z B tai vaihtoehtoisella notaatiolla, jossa datum on merkattu lähtöpisteillä [AB]tai [CD]: z [AB] 1 z [AB] n z [AB] C z [AB] D = ( z z 0 B z 0 A z0 B ( z 0 1 n z 0 B z ( 0 A z0 B z C z 0 B ( z 0 A z0 B z D z 0 B z 0 A z0 B ) ) ) ) ( ) z 0 1 z 0 A z 0 B z0 A ( ) z 0 n z 0 A z ( 0 B z0 A ) z 0 C z 0 A ( z 0 B z0 A ) z 0 D z 0 A z 0 B z0 A z [CD] 1 z [CD] n z [CD] A z [CD] B Tämä matriisi on neliön muotoinen ja kääntämiskelpoinen 3 Ks kuva Kolmiulotteinen datuminmuunnos (1) Myös kolmessa ulottuvuudessa käytetään yleisesti Helmert-muunnos Tässä tapauksessa meillä on kaksi joukkoa kolmiulotteisia, suorakulmaisia koordinaatteja, esim toisaalta paikallinen perinteisiin geodeettisiin mittauksiin perustuva koordinaattiratkaisu, ja toisaalta globaalinen ratkaisu, joka perustuu satelliittipaikannusmittauksiin (GPS) Sitä käytetään myös eri satelliittiratkaisujen välillä Siinä tapauksessa järjestelmien väliset muunnosparametrit ovat paljon pienempiä, mutta myös tarkempia 3 Osaatko kertoa mitään laskematta, minkä näköinen käänteismatriisi on?

24 16 Luku 2 Datumit z 0 i z i z i z C C z A A D B Kuva 21: S-muunnos Yleisessä kolmiulotteisessa tapauksessa ei saa olettaa, että kahden järjestelmän koordinaattiakselit ovat samansuuntaisia Parametrien määrä on silloin seitsemän: X Y Z = (1 + m) 1 e z e y e z 1 e x e y e x 1 X Y Z + t x t y t z (24) Tässä muunnosparametrit ovat m, e x, e y, e z, t x, t y, t z 4 Tässä m on mittakaavapoikkeama (K = 1 + m on muunnoksen mittakaava), [ t x t y t z ] T on origon siirtymä- eli translaatiovektori, ja e x, e y, e z ovat kiertokulmat, joita oletetaan olevan pieniä 5 Usein m:n yksikkönä käytetään ppm (parts per million) ja e x, e y, e z ilmaistaan kaarisekunteina Kaikissa laskutoimituksissa on kuitenkin käytettävä radiaaneja Kaavaa voidaan kirjoittaa symbolisesti X = (1 + m) RX + t, (25) jossa X = [ X Y Z ] T, X = [ X Y Z ] T, t = [ tx t y t z ] T ja rotaatiomatriisi on R = 1 e z e y e z 1 e x e y e x 1 4 Kiertokulmien e x, e y, e z oikeaan suuntaan on kiinnittävä huomiota Jopa ammattikirjallisuudessa esiintyy virheitä! 5 Elleivät ne olisi pieniä, sisältäisi rotaatiomatriisi monimutkaisia trigonometrisia ilmaisuja itse e-kulmien sijasta

25 25 Kolmulotteinen datummuunnos (2) 17 Joskus m jätetään pois; erityisesti satelliittimittauksessa jotka perustuvat konventionaaliseen valon nopeuteen, c = ms 1 ; koska myös satelliittimittaukset tapahtuvat ilmakehän läpi, ei voi kuitenkaan aina olettaa, että alueelliset mittaukset ja näihin perustuvat verkkoratkaisut olisivat aina mittakaavoiltaan oikeita Valitettavasti kolmessa ulottuvuudessa ei ole olemassa kompleksilukujen vastine On yritetty käyttää Hamiltonin keksimät kvaterniot 6, mutta tulokset eivät olleet yhtä tyydyttäviä kuin tasokoordinaateissa kompleksiluvukuja käyttäessä 25 Kolmulotteinen datummuunnos (2) Yllä kuvattua datummuunnosta (24) kutsutaan usein Burša-Wolf esitystavaksi Tässä muunnoskaavassa rotaatio R (ja skaalaus 1 + m) tapahtuu Maan massakeskipisteen suhteen, jonka jälkeen suoritetaan translaatio t Usein paremmin käyttäytyvä muunnoskaava on Molodenskii-Badekas, jossa rotaatio ja skaalaus tapahtuu koko pistekentän painopisteen, X, suhteen Tässä tapauksessa translaatio kuvaa tämän painopisteen siirtymistä: X = X + (1 + m) R ( X X ) + t Tässä tapauksessa R ja m ovat identtisiä Burša-Wolfin vastaavien kanssa; kuitenkin t t Voimme johtaa X = (1 + m) RX + X (1 + m) RX + t, josta vertailemalla kaavan (25) kanssa saa seuraava yhteys kahden translaatiovektorin välillä: eli t = X (1 + m) RX + t t = t taas olettamalla, että m, e x, e y, e z ovat pieniä 7 m e z e y e z m e x e y e x m Molodenskii-Badekas -esitystavan etuna on, että pistekentän kohdalla translaatio ja rotaatio ovat melkein riippumattomia toisistaan Tämä tulee esille, kun ratkaistaan tuntemattomat parametrit pistekentän annetuista koordinaateista kummassa datumissa: silloin translaatio- ja rotaatioparametrien väliset korrelaatiot häviävät Haittana toisaalta on, että tämä optimaalisuus toimii vain pistekentän alueella, se ei ole globaalisesti voimassa X, 6 Kvaterniot ovat lukuja Q = a + ix + jy + kz, joiden laskusäännöt ovat: ij = k, jk = i, ki = j, ji = k, kj = i, ik = j, i 2 = j 2 = k 2 = 1 Ne ovat jollain tavalla samanlaisia kuin kompleksiluvut, muttei niin käteviä Keksijä oli Sir William R Hamilton ( ) Dublinista ( Ks myös 7 Huomaa, että jos X = 0, silloin t = t, eli B-W on sama kuin M-B jossa pistekentän painopiste on Maan massakeskipisteessä, X, Y, Z-järjestelmän origossa