MAA-C2001 Ympäristötiedon keruu http://www.youtube.com/watch?v=8ntfjvm9stq Luento 7, 2017 Petri Rönnholm, Aalto-yliopisto 1 Oppimistavoitteet Ymmärtää laserkeilauksen kartoitusprosesseja Maalaserkeilaus Ilmalaserkeilaus Mobiilikartoitus 2 1
Maalaserkeilausprosessi Mittauksen suunnittelu Aineiston keruu (maastomittaus) Aineiston esikäsittely Pistepilvien yhdistäminen (rekisteröinti/yhteensovitus) ja georeferointi Aineiston prosessointi Mallinnus Mahdollisten analyysien teko, formaattimuunnokset Laadunvarmistus https://www.youtube.com/watch?v=ujfek2uxbec 3 Mittauksen suunnittelu Määritellään tavoitteet ja haluttu lopputuote Mihin asiakas tarvitsee aineistoa ja miten sitä aiotaan käyttää? Asiakas ei välttämättä ymmärrä aineistosta riittävästi osatakseen pyytää sopivaa tuotetta Mitkä lopputuotteet vaaditaan? Aluksi pitäisi määritellä mitattava kohde ja tarkkuusvaatimukset Alueen koko ja monimutkaisuus Otetaan huomioon myös mahdolliset erikoisolosuhteet (pöly, tärinä, sortumavaara, pääsyrajoitukset ym.) Valitaan tarkoitukseen soveltuva laserkeilain Valitaan sopiva pistetiheys Kompromissi pistetiheyden ja mittausajan välillä 4 2
Mittauksen suunnittelu Kannattaa etukäteen suunnitella optimaaliset keilaussijainnit, jotta varsinainen maastomittaus sujuu nopeasti ja kaikki tarvittava tieto saadaan kerättyä Hyvä näkyvyys ja mahdollisimman vähän näkymäesteitä Pitää ottaa huomioon keilaimen mittausetäisyydet ja pistetiheyden harveneminen kaukana keilaimesta Minimoidaan huonot heijastuskulmat pinnoista 5 Aineiston keruu Aineiston keruuvaiheessa tulee huolehtia, että kohteessa on riittävästi tähyksiä tulevaa rekisteröintiä varten Vaihtoehtoisesti voi käyttää kohteen pintojen muotoja, mutta tällöin pitää varmistua, että sopivia pintoja löytyy kohteesta Laserkeilaus tehdään suunnitelluista asemapisteistä siten, että kaikki halutut kohteet tulee mitattua 6 3
Esikäsittely Käsittelemätön pistepilvi sisältää lähes aina hajapisteitä, erityisesti kiiltävien ja heijastavien pintojen kohdalla Kohteeseen kuulumattomat pisteet pitäisi suodattaa pois, jotta ne eivät häiritse jatkokäsittelyä 7 Kuva: Jaakko Järvinen Pistepilvien yhdistäminen Kunkin asemapisteen keilaus on omassa koordinaatistossaan Aineistot on saatettava samaan koordinaatistoon (rekisteröinti/yhteensovitus) Rekisteröinti on helpointa käyttämällä tähyksiä Rekisteröinti saattaa onnistua myös yhteensovittamalla pistepilvistä luotuja pintoja 8 4
Pistepilvien yhdistäminen Rekisteröinti onnistuu piirteiden avulla minimoimalla toisen datan laserpisteiden etäisyys toisen datan perusteella lasketusta pinnasta Rekisteröinnin likiarvon pitää olla hyvä (saadaan osoittamalla manuaalisesti vastinpisteitä aineistojen välille) 9 Rekisteröimätön data Rekisteröity data Laserpistepilvien yhdistäminen ja rekisteröinti Kohteen luonnollisiin muotoihin perustuva rekisteröinti toteutetaan usein ICP pohjaisilla (iterative closest point) menetelmillä 10 Kuvat: elib.uni-stuttgart.de/opus/volltexte/2006/2831/pdf/boehm05_phowo.pdf 5
Pistepilven georeferointi Georeferoinnilla pistepilvi saadaan maastokoordinaatistoon Tähyksille ja laserkeilaimen asemapisteelle voidaan määrittää sijainti halutussa koordinaatistossa esim. takymetrimittauksin Osa keilaimista on tasattavissa tunnetulle pisteelle Joissain keilaimissa on sisäänrakennettu satelliittipaikannusjärjestelmä (GNSS = Global Navigation Satellite System) 11 Aineiston prosessointi Aineiston prosessointivaiheessa keilattu aineisto muunnetaan lopputuotteeksi siivottu pistepilvi 2D piirrokset (pohjapiirustus, korkeudet, poikkileikkaukset) Teksturoidut 3D mallit (pintamallit, CAD-mallit) Analyysit (esim.) Luokittelu (tästä enemmän ilmalaserkeilausprosessin yhteydessä) Aineiston geometrian vertailu muihin aineistoihin (esim. CAD-malli) Aineiston vertailu geometriseen muotoon (esim. seinän pintamallin vertaaminen tasoon) Aineiston vertailu aiemmin hankittuun vastaavaan aineistoon (muutostulkinta) 12 6
Pistepilvi Organisoimaton 3D pistepilvi (värjätty: intensiteetti, etäisyys, RGB-väri, muu) Syvyyskartta 13 Yksikuvamittaus Monissa maalaserkeilainohjelmissa on mahdollisuus yksikuvamittaukseen, jossa mittaukset tehdään valokuvilta Vaikka valokuvalla mittaus on 2D, 3D saadaan taustalla olevan laserpistepilven avulla (havaintovektorin ja kohteen pintamallin leikkaus) Tulokset voidaan suoraan tallentaa CAD-ympäristöön https://www.youtube.com/watch?v=8dict6qhtnu 14 7
Pistepilviaineiston käsittely Mallinnus Sovitetaan aineistoon geometrisia muotoja, kuten tasoja ja lieriöitä tai standardikirjastojen mukaisia (rakennus)elementtejä Muodostetaan pisteistöstä kolmioverkko tai muu pintamalli Ennen pintamallin muodostamista voi olla tarpeellista harventaa aineistoa 15 Kuvat: Anna Annila Laserdatan prosessointi: harvennus Harventamisessa poistetaan sellaisia pisteitä, jotka eivät ole oleellisia mallin tarkkuuden kannalta Harvennuksessa käytettävät algoritmit ottavat yleensä huomioon kohteen pinnanmuotojen vaihtelevuuden. Tasaisilla alueilla pistetiheys on harvennuksen jälkeen pienempi kuin alueilla, joissa kohteen pinnanmuodot vaihtelevat. 16 8
Esimerkki analyysistä Esimerkissä kuvataan, miten seinässä olevat marmorilaatat ovat kupertuneet tai kovertuneet. Vertaus pistepilven keskimääräiseen tasoon. 17 Kuva: Anna Annila Laserkeilauksen vertaaminen CAD-malliin 18 Kuva: http://www.surfaceandedge.com/benefits/compatibility 9
Yhdistetty laserpistepilvi ja CAD-malli 19 Kuva: http://www.surfaceandedge.com/benefits/compatibility Ilmalaserkeilausprosessi Suunnittelu Maastotyöt Aineiston keruu Jonojen tasoitus Usein maanpinta pitää luokitella ensin Georeferointi Suora georeferointi: paikannus GPS- ja IMU-laitteista aineistojen keruun yhteydessä Epäsuora georeferointi: takymetrillä tai GPS:llä voidaan myös mitata kohteita maanpinnalta, jotka voidaan tunnistaa pistepilviaineistosta Aineiston suodatus, segmentointi, ja luokittelu Harvennus Lopputuotteiden muodostaminen Laaduntarkastus 20 10
Ilmalaserkeilauksen suunnittelu määritetään haluttu pistetiheys lentokorkeus lasersäteen leviäminen lentojonon leveys lentojonojen päällekkäisyys ajoitus valitaan sopiva sää onko puissa lehdet? 21 Keilainten pyyhkäisynopeus ilmoitetaan taajuutena (keilaustaajuus) Taajuus (f ) on jaksollisen ilmiön tietyssä ajassa tapahtuva toistojen tai värähdysten määrä (wikipedia) Tässä tapauksessa kyse on peilin asennosta eli kuinka nopeasti peili on jälleen lähtöasennossaan Jos samanlaisena toistuvan ilmiön jakson kestoaika (T ) tiedetään, taajuus on 1 f = T Yksikkö on hertsi (Hz) Eli 1 Hz tarkoittaa, että säännöllinen ilmiö tapahtuu kerran sekunnissa 1 Hz = s 22 11
Lentokorkeus ja keilausjonon leveys θ keilausjonon leveys = 2H tan 2 Esim. Halutaan keilata 400 metrin levyinen alue yhdellä keilausjonolla. Mikä pitäisi olla lentokorkeus? Keilaimen avauskulma on ± 25 astetta. 23 keilausjonon leveys = H 2 tan θ 2 400m = 428,90m 50 2 tan 2 θ Η Montako pistettä (N ) mahtuu yhdelle keilauspyyhkäisylle? PRF=pulse repetition frequency, lasersäteiden lähetystaajuus f scanner =keilaimen keilaustaajuus (pyyhkäisynopeus) N = PRF f scanner Esim. keilaimen PRF=120 khz ja keilaustaajuus 150 Hz. Montako laserhavaintoa mahtuu yhteen pyyhkäisyyn? 120000Hz N = = 800 havaintoa 150Hz 24 12
Pistetiheys lentosuuntaan kohtisuorasti keilausalueen leveys dx across = N Edellisten esimerkkien arvoilla 3D laserhavaintojen välimatka olisi sivusuunnassa siis 400m dx across = = 0. 50m 800 Zik-zak -kuviota tuottavan keilaimen tapauksessa tämä tulos pitäisi kertoa kahdella 25 Pisteiden etäisyys lentosuunnassa Riippumaton lentokorkeudesta Riippuu lentokoneen nopeudesta (v ) ja keilaustaajuudesta (f scanner ) v dx along = f scanner Esim. koneen nopeus on 75 m/s (270 km/h) ja keilaustaajuus on 150 Hz m 75 dx s along = = 0. 50m 150Hz 26 13
Laserkeilausprosessi käytännössä valmistellaan GPS laitteistot maanpäällinen GPS-tukiasema (dgps) virtuaali GPS-tukiasema (VRS=Virtual Reference Station), esim. gpsnet.fi/ 27 GPS/GNSS Webserver VRS-verkko muodostuu kiinteistä GPS-tukiasemista sekä laskentakeskuksesta 28 GPSNet.fi 14
Laserkeilausprosessi käytännössä suoritetaan laserkeilaus lennetään kohteen yli kerätään havainnot GPS:stä, inertialaitteistosta sekä itse laseretäisyysmittauksista 29 Laserkeilausprosessi käytännössä Järjestelmä laskee mittaushavaintojen perusteella kolmiulotteisia koordinaatteja selvitetään lasersensorin sijainti ja kallistus jokaisen laseretäisyysmittauksen aikana sijainnin, kallistuksen ja etäisyyden avulla saadaan oikeat 3D koordinaatit Jos halutaan myöhemmin korjata fysikaalisia virheitä laserdatasta, alkuperäiset havainnot (sijainti, kallistus, etäisyysmittaus = trajectory information) pitää säilyttää 30 15
Laserkeilausprosessi käytännössä tarkastetaan datan laatu verrataan maastosta tunnettuihin piirteisiin verrataan päällekkäisiin lentolinjoihin varmistetaan, ettei aineistossa ole aukkoja 31 Keilausjonojen tasoitus Tarkastellaan päällekkäisiä lentojonoja sovitetaan lentolinjat maastomallin avulla Tässä vaiheessa käytetään usein vain maanpintaan kuuluvia laserpisteitä eli ne täytyy luokitella aineistosta Ratkaistaan korjausparametreja, joilla voidaan parantaa aineiston laatua 32 TerraSolid 16
Keilausjonojen rekisteröinti Tarkastellaan päällekkäisiä lentojonoja sovitetaan lentolinjat piirteiden avulla or roof area 33 Laserin rekisteröinti maastokoordinaatistoon Tunnettujen pisteiden tai piirteiden avulla Vaatii GPS- tai takymetrimittauksia maastossa Kuva: Petri Rönnholm 34 17
Datan käsittely 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 suodatettava pois Joskus halutaan laskea ndsm (normalized Digital Surface Model) ndsm=dsm-dtm (eli maanpinnan vaikutus on poistettu) 35 - DSM DTM = ndsm http://www.fgg.uni-lj.si/~/alisec/www/wg5/wg5_documents/isprs2007_proceedings/doc/lectures/isprs2007_straub- Applications_of_Laser_Scanning_in_Forestry.pdf 36 18
Datan käsittely Datan suodatus Poistetaan virheet Poistetaan ne luokitellut pisteet, jotka eivät ole sovelluksen kannalta kiinnostavia Korkeusmallin luominen TIN-pintamalli Grid-korkeusmalli korkeuskäyrät 37 Datan suodatus Pilvet tai ilmassa leijuvat hiukkaset saattavat tuottaa kohinaa aineistoon Linnut tuottavat virhepisteitä 38 19
Maanpinnan alle saattaa tulla vääriä havaintoja (ringing) Esiintyy erityisesti voimakkaiden maakaikujen jälkeen Johtuu vastaanottimen elektroniikasta Aiheuttaa yleensä n. 10-14 ns virheen (eli 1.5-2 m) Nordin, L., 2006. 39 Ringing Esimerkki jalkapallokentästä, jossa on esiintynyt ringingilmiötä http://foto.hut.fi/seura/julkaisut/pjf/pjf_e/2008/roncat_et_al_2008_pjf.pdf 40 20
Datan suodatus, luokittelu luokitellaan laserpisteet maanpinta rakennukset kasvillisuus 41 Datan suodatus, DTM Jätetään jäljelle vain maanpinnan pisteet saadaan digitaalinen maanpintamalli (DTM=Digital Terrain Model) 42 21
Datan suodatus (Lähde: George Vosselman) 43 Datan suodatus (Lähde: George Vosselman) 44 22
Segmentoinnin strategioita Segmentoinnissa erotellaan pisteet homogeenisiin joukkoihin Verrataan kahta pistettä kerrallaan toisiinsa (point-topoint) Sijaintiin perustuva päätös, kuuluvatko pisteet samaan objektiin Vain yksi piste luokitellaan kerrallaan segmenttiin Verrataan yhtä pistettä ympäristöön (point-to-points) Ympäristön avulla luokitellaan yksi piste segmenttiin Luodaan pistejoukolle erottelufunktio (points-to-points) Luokitellaan kerralla useita pisteitä segmenttiin 45 Segmentoinnin strategioita Kaltevuuteen perustuvia (slope-based) Verrataan kahden pisteen korkeuseroja (tai niiden kautta kulkevan pinnan kaltevuutta) Pienen alueen alimmat pisteet (block-minimum) Etsitään tutkinta-alueen matalimmat pisteet, valitaan kaikki pisteet, jotka ovat sopivalla korkeudella suhteessa alimpaan pisteeseen 46 23
Segmentoinnin 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 Segmentit voidaan yhdistää luokiksi 47 Segmentoinnin 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 Sekoittuu maanpintaan 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 48 24
Tuotteita 49 Korkeusmalli 50 Kuva: http://blogs.pitneybowes.fi/pbsoftware/2012/09/28/discover-tehotyokalumaastokorkeusmallien-kasittelyyn/ 25
Automaattinen rakennusvektorien irrotus ilmalaserkeilausaineistosta 51 www.terrasolid.com Virtuaalimallit Arttu Soininen, 52 Terrasolid 26
Mobiilikartoitusprosessi Systeemikalibrointi Projektisuunnittelu Maastotyöt, Kohdealueen keilaus Laadunvalvonta Keilausaineiston yhteensovitus ja rekisteröinti Lopputuotteen valmistus (luokittelu, malli jne.) 53 Mobiilikartoitusprosessi Prosessi on siis pääpiirteittäin samanlainen kuin esim. ilmalasekeilauksessa Keilaustapa asettaa erilaisia vaatimuksia suunnittelulle (esim. optimoidaan ajettavat kilometrit) Laadun varmistamiseksi tarvitaan tunnettuja kohteita, päällekkäisiä keilauksia (esim. tie voidaan keilata kahteen suuntaan), sulkeutuvia keilauksia ja satelliittinäkyvyyttä Kaikki ilmalaserkeilaukselle suunnitellut algoritmit eivät toimi mobiilikartoitusaineiston kanssa Räätälöidyt algoritmit 54 27
Usean aineiston yhdistäminen 55 28