ROCZNIKI GEOMATYKI 2016 m TOM XIV m ZESZYT 4(74): 511–519
Czynniki wp³ywaj¹ce na gêstoœæ chmury punktów
„le¿¹cych na gruncie”
lotniczego skanowania laserowego
na przyk³adzie danych pochodz¹cych z projektu ISOK
Factors influencing ground point density from Airborne
Laser Scanning – a case study with ISOK Project data
Mateusz Maœlanka
Uniwersytet Jagielloñski, Instytut Geografii i Gospodarki Przestrzennej Zak³ad Systemów Informacji Geograficznej, Kartografii i Teledetekcji
S³owa kluczowe: ISOK, znormalizowany numeryczny model pokrycia terenu, numeryczny model terenu, numeryczny model pokrycia terenu, zwarcie drzewostanów
Keywords: ISOK, normalized Digital Surface Model, Digital Terrain Model, Digital Surface Model, canopy cover
Wstêp
Dane lotniczego skanowania laserowego (Airborne Laser Scaning, ALS) s¹ miêdzy inny-mi niezwykle wa¿nym Ÿród³em pozyskania informacji o wysokoœci terenu (Liu, 2008). Daj¹ mo¿liwoœæ wygenerowania wysokorozdzielczego modelu terenu pozwalaj¹c na detekcjê form rzeŸby, które wczeœniej nie mog³y byæ wykryte za pomoc¹ innych Ÿróde³ teledetekcyjnych (Evans, 2012), ze wzglêdu na cienie i niemo¿liwoœæ obrazowanie terenu na obszarach pokry-tych gêst¹ roœlinnoœci¹ (Kraus i in., 1998). Istotn¹ cech¹ danych ALS jest dok³adnoœæ od-wzorowania powierzchni terenu, jak¹ mo¿na uzyskaæ na obszarze o wybranym pokryciu terenu (Karel i in., 2006; Pourali i in., 2014; Liu i in., 2015). W wielu pracach omawiano wp³yw ró¿nych czynników na wynikow¹ gêstoœæ lotniczego skanowania laserowego. Wiêk-szoœæ prac skupia siê na technicznych aspektach pozyskania danych i ich opracowaniu (Wehr i in., 1999; Zhang, 2007; Kurczyñski i in., 2013; Yang i in., 2015), inne dotycz¹ zagadnieñ zwi¹zanych z wp³ywem sezonowoœci (Stereñczak, Kozak, 2011), pokrycia roœlin-noœci¹ (Doneus, 2008), k¹ta skanowania (Aguilar i in., 2010) lub te¿ nachylenia terenu (Su i in., 2006) na dok³adnoœæ generowanych produktów. Jednak¿e ze wzglêdu na zró¿nicowane parametry techniczne lotniczego skanowania laserowego, ka¿dy zestaw danych powinien byæ rozpatrywany osobno, w kontekœcie wp³ywu roœlinnoœci oraz innych czynników na
redukcjê liczby odbiæ od powierzchni gruntu i warunkowan¹ przez to mo¿liwoœæ wykrywa-nia niewielkich rozmiarowo form rzeŸby, szczególnie na obszarach pokrytych gêst¹ roœlin-noœci¹.
W ramach projektu Informatyczny System Os³ony Kraju przed nadzwyczajnymi zagro-¿eniami (ISOK), realizowanego w latach 2011-2015, pozyskano produkty lotniczego skano-wania laserowego dla niemal¿e ca³ej Polski (Maœlanka i in., 2014). Dane w pañstwowym zasobie geodezyjnym znajduj¹ siê w dwóch standardach opracowania, co bezpoœrednio prze-k³ada siê na otrzyman¹ gêstoœæ danych ALS. Standard I dotyczy chmury punktów wykona-nej dla obszarów pozamiejskich i cechuje go gêstoœæ 4 pkt/m2. Standard II zrealizowany zosta³ dla obszarów najwiêkszych miast polskich, gdzie gêstoœæ chmury punktów wynios³a nie mniej ni¿ 12 pkt/m2. Chmura punktów zosta³a w ramach projektu sklasyfikowana zgod-nie ze standardami Amerykañskiego Towarzystwa Fotogrametrii i Teledetekcji (ASPRS). Wyró¿niono miêdzy innymi klasy: i) punkty le¿¹ce na gruncie, ii) punkty reprezentuj¹ce nisk¹, œredni¹ i wysok¹ roœlinnoœæ oraz iii) budynki (GUGiK, 2011). Dane z projektu ISOK wyko-rzystano miêdzy innymi do przygotowania map zagro¿enia i ryzyka powodziowego (Malin-ger, 2012), badañ nad osuwiskami (Wojciechowski i in., 2015) oraz inwentaryzacji archeolo-gicznej (Zap³ata i in., 2013). W tym ostatnim wypadku mo¿liwoœæ wykrycia form rzeŸby œwiadcz¹cych o wystêpowaniu obiektów istotnych dla archeologii zale¿y od gêstoœci skano-wania. Podobny problem mo¿na napotkaæ w badaniach antropogenicznych form rzeŸby, zwi¹zanych z dzia³alnoœci¹ rolnicz¹ na terenach podlegaj¹cych wtórnej sukcesji roœlinnej. Formy te s¹ przedmiotem zainteresowania autora niniejszej pracy. Zatem analiza czynników zró¿nicowania gêstoœci chmury punktów „le¿¹cych na gruncie” pozwoli na ocenê mo¿liwo-œci pozyskiwania informacji z danych ALS projektu ISOK do lokalizacji ró¿nego typu obiek-tów lub form terenu, które mog¹ byæ zidentyfikowane na obszarze objêtym skanowaniem, a tak¿e okreœlenia ich progowych wielkoœci.
Obszar badañ i dane
Badania przeprowadzono w gminie Szczawnica, po³o¿onej w po³udniowej Polsce przy granicy ze S³owacj¹. Wybór podyktowany by³ dostêpnoœci¹ danych oraz sukcesj¹ leœn¹, która mia³a miejsce na tym obszarze po II wojnie œwiatowej, przede wszystkim na skutek wysiedlenia czêœci ludnoœci (Dec i in., 2009; Kaim, 2009). W wyniku regresu osadniczego i samorzutnej sukcesji roœlinnoœci dosz³o do zamaskowania antropogenicznych form zwi¹-zanych z dawn¹ dzia³alnoœci¹ rolnicz¹. Dane wysokoœciowe ALS wykorzystywane w niniej-szej analizie pochodz¹ z 92 modu³ów archiwizacji le¿¹cych w obszarze gminy Szczawnica. Pozyskane zosta³y w ramach projektu ISOK i nalotu dla wiêkszego obszaru bloku LiDAR (ang. Light Detection and Ranging – skanowanie laserowe) nr 5031 w dniu 15 paŸdziernika 2012 roku. Charakteryzuj¹ siê gêstoœci¹ 4 pkt/m2 (GUGiK, 2011), a obszar objêty analiz¹ to oko³o 121 km2 (rys. 4).
Ka¿dy modu³ archiwizacji danych LiDAR zapisany jest w postaci pliku LAS w wersji 1.2, w uk³adzie PL-1992, o rozmiarze 1/16 sekcji mapy topograficznej w skali 1:10 000. Chmura punktów wykorzystana w niniejszej analizie posiada georeferencjê. Ka¿dy rekord punktu pomiarowego prócz wartoœci X, Y, Z, uzupe³niony jest atrybutami: intensywnoœci, liczby odbiæ i ich kolejnoœci, klasyfikacji, k¹ta skanowania, numeru szeregu, czasu GPS (Global Positioning System) czy te¿ wartoœciami RGB (Red, Green, Blue). Do najwa¿niejszych klas
chmury punktów wykorzystywanej w tej analizie nale¿¹ punkty „le¿¹ce na gruncie”, punkty reprezentuj¹ce „budynki” oraz punkty sklasyfikowane jako „roœlinnoœæ (niska, œrednia i wy-soka)” (GUGiK, 2011).
W analizach wykorzystano tak¿e warstwy z Bazy Danych Obiektów Topograficznych (BDOT10k): budynków (BUBD), jezdni (SKJZ), dróg (SKDR), ci¹gu ruchu pieszego i rowe-rowego (SKRP) oraz wody powierzchniowej (PTWP), dla których dokonano buforowania 10 m w celu racjonalnego ograniczenia zasiêgu analizy i wyboru punktów testowych.
Metody analizy danych
Opracowanie warstw do analizy wp³ywu czynników
Czynniki zró¿nicowania gêstoœci chmury punktów „le¿¹cych na gruncie” lotniczego ska-nowania laserowego mo¿na podzieliæ na te, które wynikaj¹ z uwarunkowañ technicznych (k¹t skanowania, liczba szeregów) lub z uwarunkowañ œrodowiskowych (nachylenie tere-nu, zwarcie roœlinnoœci, wysokoœæ szaty roœlinnej).
Oceniaj¹c czynniki wp³ywaj¹ce na gêstoœæ chmury punktów buduj¹cej numeryczny model terenu (NMT), wykonano wiele produktów pochodnych wykorzystywanych w analizie, w pierwszej kolejnoœci wykonano mapê gêstoœci chmury punktów dla klasy punktów „le¿¹-cych na gruncie” (rys. 1a). Dodatkowo wygenerowano model gêstoœci chmury punktów pochodz¹cej ze wszystkich klas. Oba modele charakteryzuj¹ siê rozdzielczoœci¹ przestrzenn¹ równ¹ 1 m i zosta³y wygenerowane w aplikacji LP360 za pomoc¹ funkcji „Export LiDAR Data” (GeoQue, 2016). Na podstawie powy¿szych danych zosta³a wygenerowana warstwa zawieraj¹ca informacjê o procentowym udziale punktów, jakie dotar³y do terenu ze wszyst-kich punktów zarejestrowanych w analizowanym pikselu (rys. 1b). W celu jej utworzenia skorzystano z funkcji dzielenia i mno¿enia rastrów.
Przypisuj¹c liczbê szeregów do wartoœci piksela wykorzystano funkcjê aplikacji LasTools, bazuj¹c na poleceniu „- lasgrid -i *.las -point_source_range”. Dziêki temu otrzymano ma-cierz zawieraj¹c¹ wartoœci od 0 do 4 (rapidlasso GmbH , 2016) (rys. 2a). Natomiast zareje-strowan¹ wartoœæ k¹ta skanowania pobrano bezpoœrednio z chmury punktów za pomoc¹ funkcji „point cloud statistic extractor” znajduj¹cej siê w aplikacji LP360 (GeoQue, 2016).
W kolejnym etapie prac utworzono znormalizowany numeryczny model pokrycia terenu (zNMPT) o pikselu równym 1 m (rys. 2b), przez odjêcie wartoœci NMT od wartoœci nume-rycznego modelu pokrycia terenu (NMPT). NMT zosta³ zbudowany na podstawie punktów lotniczego skanowania laserowego pochodz¹cych z klasy punktów „le¿¹cych na gruncie”, natomiast NMPT z danych ALS sklasyfikowanych jako punkty pokrycia lotniczego skano-wania laserowego (punkty „le¿¹ce na gruncie”, „roœlinnoœci niskiej, œredniej, wysokiej”, a tak¿e punktów „budynków i budowli”). Model zNMPT odzwierciedla wysokoœæ szaty roœlinnej. Natomiast model nachylenia zosta³ wygenerowany na podstawie NMT (rys. 2c).
Rastrowym modelem wygenerowanym na podstawie danych ALS jest model zwarcia roœlinnoœci (rys. 2d). Zwarcie roœlinnoœci okreœlane jest jako udzia³ procentowy roœlinnoœci wysokiej dla ka¿dego piksela o rozdzielczoœci 1 m. Model zwarcia drzewostanów przyjmuje wiêc wartoœci od 0 dla obszarów gdzie nie ma roœlinnoœci, do 100%, gdzie pokrycie roœlin-noœci¹ jest pe³ne. Warstwa ta zosta³a wygenerowana za pomoc¹ aplikacji FUSION (USDA Forest Service, 2016).
Losowanie punktów testowych
W celu racjonalnego ograniczenia zasiêgu analizy i wyboru punktów testowych wykona-no losowanie, które zosta³o uzale¿nione od powierzchni analizowanego obszaru, tak ¿e 1 punkt by³ losowany na ka¿de 1000 m2. Losowanie przeprowadzano przy u¿yciu funkcji Create Random Points oprogramowania ArcMap. Z grupy punktów poddanych analizie sta-tystycznej usuniêto punkty reprezentuj¹ce budynki, jezdnie, drogi, wody powierzchniowe i punkty znajduj¹ce siê w ich 10 metrowym s¹siedztwie (rys. 3). W rezultacie otrzymano 78 168 punktów.
Okreœlenie zwi¹zków zmiennych i analiza statystyczna
Bazuj¹c na wyselekcjonowanych danych dokonano analizy statystycznej, w celu otrzy-mania informacji o œredniej wartoœci gêstoœci chmury punktów dla ka¿dego z wyodrêbnio-nych zestawów dawyodrêbnio-nych oraz okreœlono korelacjê pomiêdzy gêstoœci¹ chmury punktów le¿¹-cych na gruncie i procentowym udziale punktów, jakie dotar³y do terenu ze wszystkich punktów zarejestrowanych w analizowanym pikselu, a innymi czynnikami, takimi jak: k¹t skanowania, liczby szeregów, nachylenie terenu, zwarcie roœlinnoœci, wysokoœci szaty ro-œlinnej. Nastêpnie dla tych samych zmiennych zale¿nych wykonano analizê regresji wielo-zmiennej z u¿yciem aplikacji Statistica.
Wyniki
Ca³y obszar opracowania charakteryzuje siê œredni¹ gêstoœci¹ chmury punktów wyno-sz¹c¹ 3,3 pkt/m2, przy jednoczesnych wartoœciach œrednich dla procentu punktów w grun-cie wynosz¹cych 29,7%. Rozk³ad gêstoœci chmury punktów le¿¹cych na grungrun-cie nie jest równomierny. Obszary z wiêksz¹ gêstoœci¹ chmury punktów znajduj¹ siê g³ównie w po³u-dniowo-zachodniej czêœci obszaru badañ (rys. 2). Du¿y odsetek, przesz³o 24% z 78 168 punktów testowych cechuje gêstoœæ chmury punktów równa 0. Punkty maj¹ce gêstoœæ równ¹ od 1 do 3 pkt/m2 stanowi¹ ponad 35% notowanych wartoœci gêstoœci. Udzia³ wy-¿szych klas gêstoœci chmury punktów maleje od 9,1 do 1,8% wraz ze wzrostem gêstoœci chmury punktów. Punkty testowe z gêstoœci¹ powy¿ej 10 pkt/m2 stanowi¹ niemal¿e 3% ca³ej zbiorowoœci tych punktów (rys. 5).
Wraz ze wzrostem wartoœci gêstoœci chmury punktów le¿¹cych na gruncie i odsetkiem punktów na gruncie maleje stopieñ wielkoœci zwarcia drzewostanu, wysokoœci szaty roœlin-nej, nachylenia terenu, natomiast wzrasta k¹ta skanowania. Najwiêksz¹ korelacjê wykazuje gêstoœæ chmury punktów le¿¹cych na gruncie w relacji do procentowego udzia³u punktów, jakie dotar³y do powierzchni terenu. Korelacja zanotowana dla tych zmiennych wynosi 0,766.Równie siln¹ korelacj¹ odznacza siê zwarcie drzewostanu w relacji do odsetka punk-tów na gruncie (-0,725) oraz wysokoœci¹ szaty roœlinnej (0,707). Analizuj¹c korelacjê gêsto-œci chmury punktów le¿¹cych na gruncie mo¿na dostrzec, ¿e przeciêtne wartogêsto-œci korelacji gêstoœæ posiada z czynnikiem: zwarcia drzewostanów (-0,504), wysokoœci¹ szaty roœlinnej (-0,454) i k¹tem skanowania (0,446). Uwagê zwraca równie¿ przeciêtna korelacja odsetka punktów na gruncie z wysokoœci¹ szaty roœlinnej wynosz¹ca -0,596. Wszystkie zanotowane korelacji s¹ istotne statystycznie gdy¿ ich p wynosi 0,000 (tab. 1).
Rysunek 5. Procentowy udzia³ danej gêstoœci chmury punktów le¿¹cych na gruncie w ogólnej liczbie punktów testowych
Tabela 1. Korelacja gêstoœci chmury punktów z czynnikami wp³ywaj¹cymi na gêstoœæ chmury punktów obliczone dla wszystkich punktów testowych
y r u m h c æ œ o t s ê G a l d w ó t k n u p w ó t k n u p y s a l k e i c n u r g w 6 6 7 , 0 Procent w w ó t k n u p e i c n u r g 0 9 1 , 0 0,095 Liczba w ó g e r e z s 4 0 5 , 0 - -0,725 -0,085 Zwarcie u n a t s o w e z r d 4 5 4 , 0 - -0,596 -0,016 0,707 Wysokoœæszaty j e n n i l œ o r 6 4 4 , 0 0,379 0,307 -0,287 -0,280 K¹t a i n a w o n a k s 5 8 2 , 0 - -0,376 -0,068 0,360 0,326 -0,153 Nachylenie u n e r e t
Dokonuj¹c analizy regresji wielozmiennej dla ca³ego zbioru danych punktów testowych, objaœniono oko³o 37 % zmiennoœci gêstoœci chmury punktów oraz 58% zmiennoœci procen-towego udzia³u punktów na gruncie. Dodatkowo wspó³czynnik beta, pozwalaj¹cy porównaæ zale¿noœæ miêdzy czynnikami wp³ywaj¹cymi na gêstoœæ chmury punktów, wskazuje, ¿e najmocniejszym powi¹zaniem pomiêdzy gêstoœci¹ czy te¿ procentowym udzia³em punktów odznacza siê zwarcie drzewostanów oraz k¹t skanowania, a najs³abszym liczba szeregów. Wszystkie wyniki obliczeñ zosta³y przedstawione w tabeli 2 i s¹ istotne statystycznie, dla ka¿dej zmiennej p równe jest 0,000.
Tabela 2. Wyniki regresji wielozmiennej dla ca³ego zbioru danych punktów testowych wzglêdem: a – gêstoœci chmury punktów, b – procentowego udzia³u punktów, jakie dotar³y do terenu, przy czym Beta to standaryzowany wspó³czynnik regresji , r2 – wspó³czynnik determinacji,
p – poziom istotnoœci a Wspó³czynnik i j s e r g e r j e w o i n i l a t e B b Wspó³czynnik i j s e r g e r j e w o i n i l a t e B y n l o w z a r y W 3,6787 Wyrazwolny 59,3251 w ó g e r e z s a b z c i L 0,3917 0,0682 Liczbaszeregów -0,8219 -0,0151 e i c r a w Z u n a t s o w e z r d 2 1 2 0 , 0 - -0,2820 Zwarcie u n a t s o w e z r d 4 2 9 3 , 0 - -0,5495 y t a z s æ œ o k o s y W j e n n i l œ o r 7 1 6 0 , 0 - -0,1442 Wysokoœæszaty j e n n i l œ o r 7 4 9 4 , 0 - -0,1220 t ¹ K a i n a w o n a k s 0 8 1 1 , 0 0,2901 K¹t a i n a w o n a k s 4 1 7 6 , 0 0,1741 e i n e l y h c a N u n e r e t 7 0 3 0 , 0 - -0,0875 Nachylenie u n e r e t 7 7 7 3 , 0 - -0,1134 : e i z d g r2=0,3750p=0,0000 gdzie:r2=0,5784p=0,0000
Dyskusja
W wyniku przeprowadzonych badañ stwierdzono, ¿e na gêstoœæ chmury punktów maj¹ wp³yw zarówno czynniki zwi¹zane z uwarunkowaniami technicznymi (k¹t skanowania, licz-ba szeregów) oraz uwarunkowaniami œrodowiskowymi (nachylenie terenu, zwarcie roœlin-noœci, wysokoœæ szaty roœlinnej). Stwierdzono równie¿, ¿e wiêksza liczebnoœæ szeregów lotniczego skanowania laserowego znajduje siê na obszarach, gdzie wysokoœci bezwzglêdne s¹ niskie. Dodatkowo liczebnoœæ szeregów nie ma du¿ego wp³ywu na gêstoœæ punktów na gruncie lotniczego skanowania laserowego, co potwierdza tabela 2. Gêstoœæ lotniczego ska-nowania laserowego wzrasta wraz liczebnoœci¹ szeregów, jednak¿e g³ównym czynnikiem warunkuj¹cym wzrost gêstoœci chmury punktów jest zwarcie i k¹t skanowania (tab. 1, 2). Nale¿y równie¿ zwróciæ uwagê na zanotowany wzrost gêstoœci chmury punktów wraz z rosn¹cym k¹tem skanowania, który wynika z faktu, ¿e obszary o du¿ym k¹cie skanowania maj¹ wiêksze prawdopodobieñstwo nak³adania siê na siebie i zwiêkszaj¹ gêstoœæ chmury punktów w zale¿noœci od liczby szeregów wystêpuj¹cych na danym obszarze. Wyniki te znajduj¹ równie¿ odzwierciedlenie w dotychczasowych badaniach BollandsDs i innych (2012), które wskazuj¹ na k¹t skanowania, czêstotliwoœæ wys³anego impulsu, prêdkoœæ i wysokoœæ lotu, jako na czynniki determinuj¹ce gêstoœæ skanowania.
Zwarta roœlinnoœæ ma najwiêkszy wp³yw na kszta³towanie siê gêstoœci chmury punktów. Tabela 1 opisuj¹ca korelacjê pomiêdzy tymi cechami wskazuje najsilniejszy zwi¹zek, zaraz po korelacji gêstoœci chmury punktów le¿¹cych na gruncie z procentem punktów w gruncie. Ponadto wyniki regresji wielozmiennej dowodz¹, ¿e zwarcie roœlinnoœci jest jedn¹ z najwa¿-niejszych cech wp³ywaj¹cych na rejestrowan¹ gêstoœæ chmury punktów. Potwierdza to ustalenia Crowa i innych (2016), ¿e gêsta, nierozrzedzona roœlinnoœæ iglasta jest przyczyn¹ braku punktów lotniczego skanowania laserowego poni¿ej koron drzew.
Znaczny wp³yw na nisk¹ gêstoœæ chmury punktów ma zanotowany du¿y odsetek punk-tów o gêstoœci danych ALS równej 0 (rys. 5). Wielkoœæ ta (24,3%) najczêœciej jest notowana w obszarach o wy¿szym zwarciu lub te¿ wysokoœci szaty roœlinnej. Niska gêstoœæ chmury punktów mo¿e negatywnie wp³ywaæ na jakoœæ generowanych modeli wysokoœciowych, a w rezultacie na odwzorowanie form terenowych wystêpuj¹cych na badanym obszarze. Po-wy¿sze badania potwierdzaj¹ tezê Hutchinsona i Gallanta (2000), które wskazuj¹ na gêstoœ i precyzjê, jako na czynniki warunkuj¹ce mo¿liwoœæ budowy bardzo dok³adnego NMT.
Œrednia gêstoœæ lotniczego skanowania laserowego dla ca³ego zeskanowanego obszaru, dla punktów le¿¹cych na gruncie, nie spe³nia przyjêtych norm projektu ISOK (minimalna gêstoœæ chmury punktów – 4pkt/m2). Przyczyn¹ rozbie¿noœci miêdzy wspó³czynnikiem gê-stoœci skanowania ujêtym w analizie a wielkoœciami pozwalaj¹cymi na spe³nienie warunków technicznych ISOK, jest sposób budowy modelu gêstoœci chmury punktów. Projekt ISOK zak³ada³, ¿e pomiary gêstoœci chmury punktów wykonywane s¹ dla punktów „ostatniego” odbicia oraz punktów z jednym odbiciem (GUGiK, 2011), natomiast gêstoœæ na potrzeby analizy by³a obliczona na podstawie tylko i wy³¹cznie punktów le¿¹cych na gruncie. Nale¿y równie¿ zwróciæ uwagê na obszary, w których w ogóle nie zosta³y zarejestrowane punkty lotniczego skanowania laserowego. Na tych terenach, ze wzglêdu na przyjête warunki tech-niczne wykonania lotniczego skanowania laserowego w ramach projektu ISOK, gêstoœæ chmury punktów dla punktów le¿¹cych na gruncie wynosi³a 0. W kolejnych planowanych nalotach nale¿a³oby przyj¹æ odmienne zasady zwi¹zane z pozyskaniem danych i zapisaæ wa-runek uwzglêdniaj¹cy koniecznoœæ zachowania gêstoœci chmury dla punktów ostatniego odbicia, które s¹ sklasyfikowane jako punkty „le¿¹ce na gruncie”. Dziêki temu mo¿na by³oby uzyskaæ dok³adne modele wysokoœciowe obszarów znajduj¹cych siê pod zwart¹ lub wy-sok¹ roœlinnoœci¹.
Wnioski
W prezentowanych badaniach wykazano, ¿e czynniki zwi¹zane z uwarunkowaniami tech-nicznymi (k¹t skanowania, liczba szeregów) i œrodowiskowymi (nachylenie terenu, zwarcie roœlinnoœci, wysokoœæ szaty roœlinnej) istotnie wp³ywaj¹ na gêstoœæ chmury punktów lotni-czego skanowania laserowego.
Niestety, obecna jakoœæ chmury punktów w projekcie ISOK mo¿e uniemo¿liwiæ pozy-skanie numerycznego modelu terenu pod gêst¹ roœlinnoœci¹. W zwi¹zku z tym dalsze bada-nia w tym zakresie, powinny przebiegaæ nad analiz¹ mo¿liwoœci detekcji ró¿nych form ukszta³-towania terenu, opieraj¹c siê o szeroko dostêpne dane z projektu ISOK.
Literatura
Aguilar F.J., Mills J.P., Delgado J., Aguilar M.A., Negreiros J.G., Perez J.L., 2010: Modelling vertical error in LiDAR-derived digital elevation models. ISPRS Journal of Photogrammetry and Remote Sensing vol. 65, issue 1: 103-110.
BollandsDs O.M., Risbrl O., Ene L.T., NFsset E., 2012: Using airborne small-footprint laser scanner data for detection of cultural. Journal of Archaeological Science 39 (8): 2733-2743.
CODGiK, 2016: Numeryczne dane wysokoœciowe. Dostêp 05.01.2016 r.
http://www.codgik.gov.pl/index.php/zasob/numeryczne-dane-wysokosciowe.html.
Crow P., Benham S., Devereux B.J., Amable G.S., 2016: Woodland vegetation and its implications for archa-eological survey using LiDAR. Oxford Journals: Forestry vol. 80, issue 3: 241-252.
Dec M., Kaszta ¯., Korzeniowska K., Podsada A., Sobczyszyn-¯mudŸ S., Wójtowicz A., Zimna E., Osta-powicz K., 2009: Zmiany u¿ytkowania ziemi w trzech gminach karpackich (NiedŸwiedŸ, Szczawnica i Trzciana) w drugiej po³owie XX wieku. Archiwum Fotogrametrii, Kartografii i Teledetekcji vol. 20: 81-98. Doneus M., Briese Ch., Fera M., Janner M., 2008: Archaeological prospection of forested areas using
full-waveform airborne laser scanning. Journal of Archaeological Science 35: 882-893.
Evans I.S., 2012: Geomorphometry and landform mapping: What is a landform? Geomorphology t. 137(1): 94-106.
GeoQue, 2016: Dostêp 30.04.2016 r. http://www.lp360.com/
GUGiK, 2011: Warunki techniczne na wykonanie lotniczego skaningu laserowego (LiDAR) oraz opracowa-nie produktów pochodnych.
Hutchinson M., Gallant J., 2000: Digital elevation models and representation of terrain shape. [In:] Wilson J., Gallant J. (eds.), Terrain Analysis: Principles and Applications. John Wiley & Sons: 77-108.
Kaim D., 2009: Zmiany pokrycia terenu na pograniczu polsko-s³owackim na przyk³adzie Ma³ych Pienin. Przegl¹d Geograficzny 81 (1): 93-106.
Karel W., Kraus K., 2006: Quality Parameters of Digital Terrain Models. [In:] Checking and improving of digital terrain models / Reliability of Direct Georeferencing, Official Publication No 51: 125-139, EuroSDR, ISBN: 9789051794915.
Kraus K., Pfeifer N., 1998: Determination of terrain models in wooded areas with airborne laser. ISPRS Journal of Photogrammetry & Remote Sensing 53(4): 193-203.
Kurczyñski Z., Baku³a K., 2013: Generowanie referencyjnego numerycznego modelu terenu o zasiêgu krajo-wym w oparciu o lotnicze skanowanie laserowe w projekcie ISOK. Archiwum Fotogrametrii, Kartografii i Teledetekcji t. spec.: 59-68.
Liu X.H., Hu H., Hu P., 2015: Accuracy Assessment of LiDAR-Derived Digital Elevation. Remote Sensing 7(6): 7062-7079.
Liu X., 2008: Airborne LiDAR for DEM generation: some critical issues. Progress in Physical Geography vol. 32, no. 1: 31-49.
Malinger A., 2012: Wprowadzenie do opracowania map zagro¿enia i ryzyka powodziowego. IMGW, Od-dzia³ w Poznaniu.
Maœlanka M., Wê¿yk P., 2014: Harmonogram i zadania realizowane w projekcie ISOK. [W:] Wê¿yk P. (red.), Podrêcznik dla uczestników szkoleñ z wykorzystania produktów LiDAR:17-19. GUGiK,Warszawa. Pourali S., Arrowsmith C., Chrisman N., Matkan A., 2014: Vertical accuracy assessment of LiDAR ground
points using minimum distance approach. Proceedings Research@ Locate’14. Rapidlasso GmbH, 2016: Dostêp 30.04.2016. https://rapidlasso.com/lastools/
Stereñczak K., Kozak J., 2011: Evaluation of digital terrain models generated in forest conditions from airborne laser scanning data acquired in two seasons. Scandinavian Journal of Forest Research 26 (4): 374-384. Su J., Bork E., 2006: Influence of Vegetation, Slope, and Lidar Sampling Angle on DEM Accuracy.
Photogram-metric Engineering and Remote Sensing vol. 72, issue 11: 1275-1286.
USDA Forest Service, 2016: Manual describing FUSION/LDV and the LIDAR Toolit. Dostêp 06.01.2016 r. http://forsys.cfr.washington.edu/fusion/FUSION_manual.pdf
Wehr A., Lohr U., 1999: Airborne laser scanning – an introduction and overview. ISPRS Journal of Photogram-metry and Remote Sensing vol. 54, issues 2-3: 68-82.
Wojciechowski T., Perski Z., Wójcik A., 2015: Wykorzystanie wysokoœciowych danych laserowych w badaniu osuwisk. Materia³y konferencyjne, Ogólnopolska Konferencja OSUWISKO, 19-22.05, Wie-liczka, PIG-BIP.
Yang H., Wang C., Ma T., Guo W., 2015: Accuracy assessment of interpolation methods in grid DEMs based on a variance-scale relation. Environmental Earth Sciences vol. 74, issue 8: 6525-6539.
Zap³ata R., Borowski M., 2013: GIS w archeologii przyk³ad prospekcji i inwentaryzacji dziedzictwa arche-ologiczno-przemys³owego. Roczniki Geomatyki t. 11, z. 4(61): 103-112, PTIP, Warszawa.
Zhang K., 2007: Airborne LIDAR Data Processing and Analysis Tools. American Geophysical Union. Fall Meeting 2007.
Streszczenie
Obszary gêsto pokryte roœlinnoœci¹ charakteryzuj¹ siê obni¿on¹ gêstoœci¹ chmury punktów „le¿¹-cych na gruncie”. Wp³ywa to negatywnie na odwzorowanie szczegó³ów terenowych na danym obsza-rze. W Polsce w latach 2011-2015 pozyskano dane lotniczego skanowania laserowego w ramach projektu Informatyczny Systemu Os³ony Kraju (ISOK) przed nadzwyczajnymi zagro¿eniami. Ze wzglêdu na coraz czêstsze wykorzystanie tych danych do generowania NMT, nale¿y oceniæ czynniki wp³ywaj¹-ce na gêstoœæ chmury punktów pod obszarami gêsto pokrytymi roœlinnoœci¹. Praca przedstawia przyk³ad takiej oceny. W pierwszym etapie wykonano modele rastrowe: gêstoœci chmury punktów, procentowego udzia³u punktów gruntu, liczby szeregów, NMT, nachylenia terenu, k¹ta skanowania, zwarcia drzewostanów i znormalizowanego numerycznego modelu pokrycia terenu (zNMPT). W dalszej czêœci dla punktów testowych przeprowadzono analizê zwi¹zków miêdzy zmiennymi na podstawie wielkoœci z wygenerowanych modeli oraz obiektów wektorowych. W wyniku przeprowa-dzonych badañ stwierdzono, ¿e gêstoœæ chmury punktów warunkowana jest g³ównie przez zwarcie drzewostanów, wysokoœæ szaty roœlinnej i k¹t skanowania, przy czym pewien wp³yw na kszta³towanie siê gêstoœci chmury punktów ma równie¿ nachylenie terenu oraz liczba szeregów.
Abstract
Areas covered with vegetation are characterized by a lower density of ground points. This issue has a negative impact on the accuracy of terrain representation and terrain details that could be detected. Country-wide ALS data was delivered in Poland within the ISOK Project (the IT System of the Country’s Protection against Extreme Hazards) between 2011 and 2015. Considering the increasing use of this data in the process of generation of Digital Terrain Models (DTM), factors affecting the density of ground points in areas covered with vegetation should be carefully assessed. During the first step various raster models were generated: the point cloud density, the percentage of ground points, the point source number, the slope, the scan angle, the canopy cover, the DTM and the normalized Digital Surface Model (nDSM). In the next step statistical analysis of relations between variables, basing on values from generated models and vector objects, was performed. The results showed that the density of ground points is mainly determined by the canopy cover, the forest height and the scan angle; however it is also influenced by the slope and the point source number.
mgr Mateusz Maœlanka maslanka.mateusz@gmail.com
Rysunek 1. Mapy: a – gêstoœci chmury punktów le¿¹cych na gruncie, b – procentowego udzia³u punktów, jakie dotar³y do terenu
Rysunek 2. Mapy: a – pokrycia szeregami, b – wysokoœci szaty roœlinnej
Rysunek 2. Mapy: c – nachylenia terenu, d – zwarcia roœlinnoœci
