UAV-kuvauksella tuotetun fotogrammetrisen aineiston käyttö puustotulkinnassa

Transkriptio

1 UAV-kuvauksella tuotetun fotogrammetrisen aineiston käyttö puustotulkinnassa Sakari Tuominen, Andras Balazs METLA, VMI Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute Taustaa metsien kaukokartoitustekniikasta Tällä hetkellä tarkimpana operatiivisessa käytössä olevana metsäninventointimenetelmänä (metsikkötason tunnusten arvioinnissa) pidetään laserkeilausaineistoon ja digitaalisiin ilmakuviin perustuvaa puustotulkintaa Periaatteessa vastaavanlainen tietosisältö voidaan tuottaa pelkän ilmakuvausaineiston pohjalta (tietyin rajoituksin), edellyttäen: riittävän suurta stereopeittoa riittävän korkeaa spatiaalista resoluutiota Digitaalisen fotogrammetrian menetelmien ja ohjelmistojen kehitys on mahdollistanut kohteiden automaattisen 3D-mallinnuksen stereokuvilta

2 Miehittämättömät lentolaitteet UAS (unmanned aerial system) Lentolaite Työasema lennonhallintaan (lentolinjojen suunnittelu, reittien ja lentoparametrien syöttö, lentolaitteen seuranta lennon aikana) Datalinkki maa-aseman ja lentolaitteen välillä (lentolaitteen telemetriatietojen vastaanottaminen ja ohjauskomentojen lähettäminen lentolaitteelle) UAV (unmanned aerial vehicle) = lentolaite Kooltaan ja muodoltaan monenlaisia (konstruktio eri tarkoituksiin esim. konventionaalisen lentokoneen tai helikopterin kaltainen, multikopteri, lentävä siipi) Siviilikäytössä melko pienikokoisia UAV:n edut kaukokartoituksessa + Kevyt lentolaite lentämisen kustannukset pienet + Autopilotti + GPS-IMU mahdollistaa lentämisen tarkasti haluttua lentolinjaa pitkin (peittoalue tarkasti ilman reikiä kuvapeitossa) + Mahdollisuus lentää matalalla ja hitaasti: korkea kuvausresoluutio ja stereopeitto + Suuri joustavuus kuvattavan alueen koon, ajoituksen ja kuvausolosuhteiden valinnan suhteen + Mahdollisuus operoida suoraan kuvausalueelta + Onnettomuustapauksessa vahinko lähinnä materiaalinen ja silloinkin yleensä pieni Huomionarvoista eritoten kun kartoitetaan vaikeita kohteita (sähkölinjat), vaikeissa olosuhteissa (esim. matala pilvikatto), matalalta/hitaassa lennossa

3 UAV:n ongelmat kaukokartoituskuvauksessa - Sensorikuorman nostokyky rajallinen - Konventionaalista lentokonetta lyhyempi toimintasäde - Siviilimarkkinoilla tarjolla olevat UAV:t eivät kaikki teknisesti täysin kypsiä ja lennättäjien ammattimaisuus vaihtelee ± Ilmailusäädökset periaatteessa miehitettyä ilmailua kevyemmät, toisaalta säädöksiä, jotka nimenomaan suuresti haittaavat kaukokartoituskäyttöä UAV-ilmailu säädösympäristön puitteissa Normaali tilanne: max 150 m lentokorkeus, lennokin oltava lennon aikana visuaalisen tähystyksen ulottuvissa (within line-of-sight) Lisärajoituksia ja vaatimuksia tulossa TraFi:lta Varatussa ilmatilassa mahdollista lentää pelkän autopilotin ohjauksessa ilman visuaalista kontaktia lennokkiin Seuranta telemetriatietojen kautta työasemapäätteeltä (linkkiyhteyskin todellisuudessa katkeilee UAV:n käydessä radiohorisontin takana) Kuvauskorkeus ainakin 600 m asti mahdollinen Ainoa käypä vaihtoehto metsäalueiden kuvauksessa

4 UAV - multikopterityyppi Multikopterit yleisiä UAVkuvauksissa Stabiili kamera-alusta, ohjattavuudeltaan ja hallittavuudeltaan erinomainen 3-8 sähkömoottorin pyörittämää roottoria Kokoon nähden suuri kuormanottokyky Haittapuolena suuri virrankulutus ja lyhyt toimintamatka Soveltuu huonosti metsäkuvauksiin lyhyen toimintamatkan takia, pois luettuna erikoiskohteet, toisaalta hyvin joustava lentopaikan vaatimusten suhteen Konventionaalinen kopterityyppi Pääroottori - pyrstöroottori tai vastakkain pyörivät pääroottorit Multikopteria tehokkaampi energian kulutuksessa, pidempi toimintamatka Helpompi rakentaa multikopteria suurempana ja voiman lähteenä myös polttomoottori mahdollinen Vaatii lentopaikan suhteen jonkin verran multikopteria suuremman avoimen tilan

5 Kiinteäsiipinen UAV Toimintamatka selvästi pidempi kopteriin verrattuna Kuormanottokyky siviili-uav:eissa rajallinen (painoraja tulee helposti vastaan) Lentopaikan suhteen asettaa huomattavasti kopteria suuremmat vaatimukset (ongelma metsäalueilla) riippuen toimintatavasta Vaatii aina jonkinlaisen avoimen kaistaleen Nousu: kädestä, katapultilta, maasta Lasku: varjon varassa, verkkoon, mahalasku Metsäalueilla toimittaessa nousu katapultilta ja varjolla laskeutuminen näyttäisi olevan toimivin konsepti Esimerkkinä C-Astral Bramor UAV C-Astral Bramor Wing span (cm) 230 Fuselage length (cm) 96 Take-off weight (kg) 4.2 Payload Propulsion type kg electric Take-off/landing catapult launch / parachute landing Flight endurance 120 min Altitude ceiling (m) 5000

6 Bramor UAV UAS maa-asema Lennon suunnittelu, lentoparametrien ja reittipisteiden syöttö Lennon seuranta, telemetriatiedot Lentolaitteen/sensorien toiminta, akun varaus Käsiohjauslaitteisto Datalinkki

7 UAV-kuvaukset Evolla Testialueena osa Evon opetusmetsäaluetta (noin 600 ha) Lentolaite: Gatewing X100 ja C-Astral Bramor UAV:t Sensori väärävärikamera Kuvauskorkeus m Lentolinjat autopilotin ohjauksessa GPS-IMU:n avulla Lentolaitteen ilmanopeus m/s (maanopeus vaihteli lentolinjan ja tuulen suunnasta riippuen) Raakakuvan maastoerotuskyky cm kuvauskorkeudesta ja kameran avauskulmasta riippuen Stereopeitto n. 80 % Lentolinjat

8 Kuvausaineistot Ortokuvamosaiikki, 3 kanavaa (NIR, R, G) Fotogrammetrinen latvuston pintamalli (xyzpistedata) Tietueen sisältö: X Y Z NIR R G H (=kasvillisuuden korkeus) laskettu Z-koordinaatin ja laserkeilauksella tuotetun maaston pintamallin arvon pohjalta Periaatteellisena etuna fotogrammetrisella menetelmällä on siis, että sekä optinen sävykuva että 3D- pistepilvidata saadaan tuotettua samasta kuvauksesta Tiheän kasvillisuuden alta ei saada tarpeeksi maaheijastuksia, useimmiten tarvitaan siis erikseen maaston pintamalli (DSM DTM = CHM) Fotogrammetrisen DTM:n puuttuminen ei sinänsä ongelma, koska lidariin perustuva DTM tuotetaan koko maasta, ja DTM:n päivitystarve puustotietoa paljon harvempi

9 Puustotulkinta fotogrammetrisella aineistolla 1 Puustotulkinnassa käytettävät kaukokartoituspiirteet Ortokuvan sävypiirteet Ortokuvan ja rasteroidun latvuspintamallin tekstuuripiirteet Ns. Haralick-piirteet (Angular Second Moment, Contrast, Correlation, Variance, jne., yht. 12 kpl.) + hajonnat Fotogrammetrinen pintamallin XYZ-pistepiirteet Latvusmallin pisteiden korkeusjakaumaa kuvaavat piirteet jne. Periaatteessa samat kuin laserkeilausaineistolla Piirteiden todellinen informaatiosisältö eroaa jonkin verran laseraineistosta, koska fotogrammetrinen aineisto ei anna tietoa kohteista, jotka ovat toisen kohteen alla (vastaa siis laserdatan ensimmäisiä/ainoita kaikuja) Puustotulkinta fotogrammetrisella aineistolla 2 Irrotettuja kaukokartoituspiirteitä testattiin Evolta mitatulla koeala-aineistolla, n. 100 kpl 9.77 m säteisiä ympyräkoealoja (lukupuista mitattu puulaji, lpm, pituus ja elävän latvuksen alaraja). Aluepohjainen estimointimenetelmä (vastaa Suomen Metsäkeskuksen metsäninventointijärjestelmässä sovellettavaa periaatetta) Estimointi hilaruuduille K:n lähimmän naapurin estimointi Estimaattien testaus koealatietojen ristiin validoinnilla

10 Piirrevalinta Kuten lidar-aineistossa, irrotettavissa olevien kaukokartoituspiirteiden määrä on hyvin suuri ( ) Hyperulotteinen piirreavaruus, curse of dimensionality Löydettävä keino poimia puustotunnusten tulkinnan kannalta hyvä piirrejoukko Geneettinen algoritmi (R language Genalg package) Tavoitefunktiona minimoida puustoestimaattien RMSE-arvot Piirrevalinta Tässä tapauksessa piirrevalinta tehtiin kullekin inventointimuuttujalle erikseen Ei normaali menettely inventointiprojektissa K:n arvo eri muuttujille ja mahdollinen etäisyyden painotus iteroitiin samassa vaiheessa

11 Puustotulkinnan tulokset, valitut piirteet Height DBH Basal area STD_G, H05, H30, H80, H85, H95, HCV, VEG, P60, IDM_R, MOC_G, MOC_H, SV_H HSTD, H0, H90, H95, H100, P20, P60, MOC_NIR, ASM_R, ENT_G, DE_H, MOC_H HAVG, H20, H40, H80, H90, D3, ENT_NIR, SV_R, ASM_G, ASM_H, CON_H Vol. total Vol. pine Vol. Spruce Vol. Broadleaf HSTD, H10, H70, H80, H85, H90, H95, D0, P60, SA_R, CON_H, DV_H MEAN_NIR, H20, H80, H85, H95, D2, D6, D9, P60, COR_NIR, DE_NIR, IDM_H, SV_H MEAN_NIR, HSTD, H40, H70, H100, D3, P80, IDM_H HSTD, H0, H40, H80, H90, D2, D8, PGH, SV_NIR, COR_G, ASM_H, IDM_H, SA_H, VAR_H Puustotulkinnan tulokset: estimaattien tarkkuus

12 Tutkimuksen tulokset ja päätelmät 1. UAV-kuvauksella tuotettu fotogrammetrisen pintamallin ja ortokuvamosaiikin yhdistelmä periaatteessa soveltuu hyvin puustotunnusten tulkintaan 2. Puustotunnusten estimaattien tarkkuus samaa luokkaa, kuin mitä aiemmassa tutkimushankkeessa saavutettu Evon aineistolla laserkeilausdatan ja konventionaalisen ilmakuvan yhdistelmällä samanlaisella estimointitekniikalla (Huom. tässä koealojen määrä oli vähäisempi) 3. Tekniikka ja laitteisto eivät teknisesti täysin kypsää operatiiviseen käyttöön, erilaisten lastentautien takia kuvausaineiston laadussa ilmeni vaihtelua ja kuvapeitto jäi rajalliseksi (koealojen määrä jäi pieneksi) 4. Ilmailusäädökset mutkistavat kaukokartoituskäyttöä Yleisiä havaintoja ja avoimia kysymyksiä koskien sovellettavaa metodologiaa Latvuspintamallin tuottamiseen väärävärikamera ei ilmeisesti paras mahdollinen kuvaussensori, väri-infrakuvassa puiden latvusten väliin näkyy huonosti (paitsi silloin kun puusto hyvin harvaa) RGB-kamera sittenkin parempi vaihtoehto fotogrammetrista 3D mallitusta varten? Mistä tieto eri puulajien erottamiseen? Tarvitaanko lennolle useampia eri sensoreita?

13 Jatkotutkimus Hyperspectral stereo imaging (HSI) Tavoitteena on tuottaa tietoa seuraaviin kysymyksiin Mikä on hyperspektrikuvan ja RGB-kuvan yhdistelmän käyttökelpoisuus puustotunnusten ennustamisessa?? RGB kuvan perusteella fotogrammetrisesti johdettu kasvillisuuden pintamalli Ortokuva hyperspektrisensoriaineiston pohjalta Puustotulkinnan tarkkuus laserkeilauksen ja vääräväriilmakuvan yhdistelmään verrattuna Latvuspintamallin (CHM) tarkkuus Mikä on hyperspektrikuvan korkean spektrisen resoluution hyöty puulajien tunnistamisessa? Aineiston soveltuvuus mikrokuvioiden automaattisen rajaamisen pohjaksi? HSI Kuvaukset kesällä 2014 Evon opetusmetsä-alueella ja Vesijaon tutkimusmetsäalueella Kuvauslennot RGB-kameran ja hyperspektrikameran (näkyvä valo - NIR) yhdistelmällä 3D-informaatio RGB-kamerasta, spektrinen informaatio hyperspektrikamerasta Kummankin sensorin kuvausparametrit asetetaan tarpeen mukaan: RGB-kuvissa korkea spatiaalinen resoluutio, hyperspektridatassa 1-sijalla spektrinen resoluutio ja spatiaalinen tarkkuus 2-sijalla Mahdollisesti uusi kuvaus kesällä 2015 (VTT:n SWIRsensorilla) Mikäli hyperspektriaineisto osoittautuu hyödylliseksi, yhdistäminen lidar-3d aineiston kanssa optiona