Käytännön geodesia Maa-62222 9902 9950 9951 9953 9952 9954 IV luokan takymetrijono mittaus Jyväskylä 521 506 1337 131 5 9968 9907 9965 9967 516 9910 9908 9966 9969 525 113 522 II luokan verkko IV luokka GPS 9908 133 9912 9903 506 9915 9907 1337 9911 9914 9916 9902 521 9910 9905 III luokan verkko 9955 9956 9905 9906 9986 9957 9910 9988 9987 9958 9909 9901 9913 9917 9919 9904 9909 5 9918 9920 113 9906 9986 9914 9911 9984 8485 525 IV luokan takymetrijono mittaus Säynätsalo IV luokka GPS 9904 9963 9964 9905 9906 9909 9959 9960 IV luokka GPS 9962 9961 9970 9917 9916 9971 9972 9991 9973 9992 9980 9974 9979 9978 9981 9975 9918 9977 9976 9982 9919 9983 9920 Jyväskylän kaupungin runkoverkon uudelleenmittauksen 1999 geometria (Maa-6227 Geodesian maastoharjoitukset) Martin Vermeer 12 helmikuuta 2015
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-61213 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
ii Kurssin henkilökunta ja yhteystiedot Martin Vermeer, huone M309 nimi@aaltofi Vastaanottoajat CEFR-taso Lisätietoja
Sisältö iii Sisältö 1 Linearisointi ja virheiden kasautuminen 1 11 Linearisointi 1 111 Skalaaritapaus 1 112 Vektoritapaus 2 113 Havaintoyhtälöiden linearisointi 4 12 Varianssien kasautumislaki 5 13 Geodeettinen päätehtävä 6 2 Datumit 11 21 Yksiulotteiset datuminmuunnokset 11 22 Kaksiulotteiset datuminmuunnokset 13 23 Kompleksinen esitystapa 14 24 Kolmiulotteinen datuminmuunnos (1) 15 25 Kolmulotteinen datummuunnos (2) 17 3 Koordinaattijärjestelmät 19 31 Yleistä 19 32 Suorakulmaiset geosentriset koordinaatit 19 33 Vertausellipsoidi 21 34 WGS84-vertausjärjestelmä 21 35 Toposentrinen koordinaattijärjestelmä 22 36 Geodeettinen datum 23 37 Geodeettisten datumien välinen muunnos 25 38 Suuntakorjaus paikallisesta horisontista vertausellipsoidiin 29 381 Ellipsoidisten normaalien erisuuntaisuus 30 382 Pituuskorjaus 31 4 Keskistykset, asematasoitus 33 41 Vaakakeskistys 33 42 Korkeuskeskistys 34 43 GPS-keskistys 34 44 Vaakakulmien asematasoitus 35 441 Kulmamuunnos 36 442 Jäännösvirheet ja vapausasteet 37 443 Asematasoituksen laskentataulukko 38 5 Vaaitus 41 51 Vaaitusrefraktio 41 52 Vaaituksen satunnaiset virheet 41 53 Vaaituksen systemaattiset virheet 42 54 Vaaituksen karkeat virheet 43 55 Yksittäisen vaaitusjonon laskeminen 45 6 Korkeuden mittaus ja käsittely 49 61 Refraktiokerroin 49
iv Sisältö 62 Pystykulma 50 63 Trigonometrinen korkeudenmittaus 51 631 Periaate, virhepropagaatio 51 632 Trigonometrinen vaaitus 52 633 Refraktion ja Maan kaarevuuden vaikutus 52 634 Vastakkaiset yht aikaiset mittaukset 54 64 xyh -jonomittaus, tarkka trigo 56 641 Mittatanko 56 7 Monikulmiojonon laskenta 59 71 Suljettu monikulmiojono 59 72 Alku- ja loppuliitossuunnan laskeminen 60 73 Suuntien tasoitus 60 74 Koordinaattien tasoitus 61 75 Laskentakaavio 63 751 Huomautuksia 63 76 Avoin monikulmiojono 64 761 Lähtösuunta 64 762 Jonon laskenta 65 8 Ehtoyhtälöiden tasoitus 67 81 Teoria 67 82 Esimerkki: kolmioehto 68 83 Monikulmiojonotasoitus ehtoyhtälötasoituksena 68 831 Ilman painotusta 68 832 Painotuksen kera 69 84 Jonon laskenta 70 841 Painokertoimien valinnasta 70 842 Realistiset painoluvut 71 843 Relatiivinen pistekeskivirhe, loppupistekeskivirhe 72 844 Karkeiden virheiden löytäminen 72 845 Sulkuvirheiden testaus 72 846 Tasoitetun pisteen keskivirhe 74 9 Kriteerivarianssit 77 91 Esimerkki: jono 77 92 Verkon varianssi-kovarianssimatriisi 78 93 Verkon kriteerimatriisi 80 94 Varianssi- ja kriteerimatriisin vertailu 80 10 Pienimmän neliösumman tasoitus 83 101 Teoreettinen tausta 83 1011 Pienimmän neliösumman ratkaisu 83 1012 Harhattomuus 84 1013 Jäännösvirheiden varianssi 85 102 Vinoetäisyys avaruudessa 86 103 Atsimutimittaus 87 104 Zeniittikulmamittaus 88 105 Käytännön esimerkki 89 11 Tasoituslaskun variantit ja sovellukset 91 111 Pakkoehtojen käyttö ratkaisun kiinnittamiseksi 91 112 Ehto- ja havaintoyhtälöiden välinen yhteys 92
Sisältö v 1121 Testaussuureen laskenta 93 113 Vaaitus ehtoyhtälöiden esimerkkinä 94 114 Esimerkki: vaaitusverkko 96 115 Helmert-muunnosparametrien estimointi 98 116 Vapaa asemapiste 99 117 Vapaan asemapisteen laskuesimerkki 99 118 Helmert-tasomuunnos kahdesta tunnetusta pisteestä 100 119 Helmert-parametrien virheiden kasautuminen 101 12 GPS-mittaus ja laskenta 105 121 Yleistä 105 122 Rekognosointi 105 123 Vektoreiden mittaus 105 124 Vektoreiden määrä 106 125 Verkon geometria 107 126 Mittausten kesto ja aikataulu 107 127 Ratatiedot 108 128 Antennit ja pystytys 108 129 Havaintogeometria, havainto-yhtälöt 109 1210 Tuntemattomien varianssimatriisi ja varianssit 110 1211 Esimerkki: atsimutisymmetrinen geometria 112 1212 Erotushavaintojen havaintoyhtälöt 114 1213 Vektorimittaukset 116 13 Geodeettiset mittaukset ja laskennat 119 131 Runkkoverkkojen hierarkia ja tarkkuusluokitus 119 132 Valtakunnalliset runkoverkot 119 133 Alemman luokan runkoverkot 120 134 Perinteisiä ja satelliittimittauksia 120 1341 kkj -järjestelmän määritys 121 1342 Korkeusjärjestelmät ja geoidin rooli 121 1343 Muunnokset eri järjestelmien välillä 122 14 Maastomittaus käytännössä 127 141 Geodesian laboratorion maastomittaukset 127 142 Maastomittauksessa käytetyt tekniikat 127 1421 Staattinen GPS-mittaus 128 1422 Digitaalinen tarkkavaaitus 129 1423 Trigonometrinen vaaitus: tarkka trigo 129 1424 Monikulmiojonomittaus 129 143 Case: Jyväskylän maastomittaus 130
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
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 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, 1804-51, juutalaissaksalainen matemaatikko, Königsbergin yliopisto 1827-42
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
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
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
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 =63661977236758 Samoin kun käytetään kaarisekunteja: silloin ( σa 2 σa [ ) 2 ] =, ρ jossa nyt ρ = 57295779513 60 60 = 206264806247
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 ] ]
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 V12 2 2 ) = = 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 12 + 1 2 (V 11 V 22 ) ] + k 100 gon, 2 + V 2 12 käyttämällä arctangentin puolikulmakaava
10 Luku 1 Linearisointi ja virheiden kasautuminen
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
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 [ 1 1 0 1 ] = ] = ] [ 1 1 0 1 [ 1 1 0 1 [ 1 1 0 1 ] [ Hi H B ] [ H i ] = H A [ 1 0 0 1 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 1 1 1 1 1 1 0 0 0 1 = 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 = H 1 H 2 H n H B 1 0 1 0 1 0 0 0 0 1, eli matriisi on oma käänteismatriisinsa Translaatiovakio on tavoitedatumin lähtöpisteen korkeuspoikkeama likiarvosta, laskettuna lähtödatumissa
22 Kaksiulotteiset datuminmuunnokset 13 22 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 0 1 0 y 0 x 0 0 1 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, 1843-1917 kuuluisa Saksalainen geodeetti
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
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 0 1 1 z 0 B z 0 A z0 B ( z 0 1 n z 0 B z ( 0 A z0 B z 0 0 0 C z 0 B ( z 0 A z0 B z 0 0 0 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 0 1 1 z 0 B z 0 A z0 B ( z 0 1 n z 0 B z ( 0 A z0 B z 0 0 0 C z 0 B ( z 0 A z0 B z 0 0 0 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 21 24 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?
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 Kolmulotteinen datummuunnos (2) 17 Joskus m jätetään pois; erityisesti satelliittimittauksessa jotka perustuvat konventionaaliseen valon nopeuteen, c = 299 792 458 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 (1805-1865) Dublinista (http://wwwmathstcdie/pub/histmath/people/hamilton/) Ks myös http://wwwgsuedu/~oprdeb/qtrn/indexhtml 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