5.3.1 Jämförelse av olika georefereringsmetoder
Den totala medelavvikelsen mellan markmodellen och kontrollprofilerna för varje georeferering på flyghöjden 100 m kan ses i figur 15. Minsta medelavvikelsen fick uppsättningarna NRTK samt NRTK + 5 GCP, medan uppsättningen NRTK + 2 GCP fick de största avvikelserna. Överlag uppkom inga större skillnader mellan de olika georefereringarna. Standardosäkerheten var jämn i alla metoder.
Markstöd-punkter N E H inmätning Typ av Markerings-typ
TA 6721952,864 142867,316 112,365 GNSS Kryss TB 6721909,712 142893,027 111,541 GNSS Kryss TC 6721864,027 142831,086 112,711 TS Kryss TD 6721912,492 142786,226 115,469 TS Kryss A 6721774,167 142826,232 115,472 GNSS Naturlig punkt B 6721788,140 142961,221 111,385 GNSS Naturlig punkt D 6721856,634 142849,065 112,604 TS Naturlig punkt E 6721924,989 142845,361 112,820 TS Naturlig punkt G 6721705,646 142817,325 117,879 GNSS Naturlig punkt Avvikelse mellan två mätningar (då GNSS använts) ΔN (m) ΔE (m) ΔH (m) u(ΔN) (m) u(ΔE) (m) u(ΔH) (m) TA 0,017 0,005 0,007 0,012 0,004 0,005 TB 0,009 -0,010 -0,031 0,006 0,007 0,022 A 0,001 0,016 0,001 0,001 0,011 0,001 B -0,002 -0,015 0,041 0,001 0,010 0,029 G 0,001 0,000 0,015 0,001 0,000 0,011
Figur 15. Ett stapeldiagram som visualiserar skillnaden mellan de olika georefereringsmetoderna på flyghöjden 100 m. Avvikelserna är beräknade mellan markmodellen och kontrollprofilerna.
Även på 50 m flyghöjd gjordes en jämförelse av olika georefereringsmetoder, dock med endast två olika uppsättningar: NRTK och NRTK + 1 GCP, se figur 16.
Uppsättningen med NRTK + 1 GCP är har marginellt lägre medelavvikelse, RMS-värde samt standardosäkerhet.
Figur 16. Stapeldiagram som visualiserar skillnaden mellan olika georefereringsmetoder när flyghöjden är 50 m nadir. NRTK NRTK +1GCP NRTK +2GCP NRTK +3GCP NRTK +5GCP Medelavvikelse 0,053 0,052 0,061 0,056 0,053 Standardosäkerhet 0,030 0,030 0,029 0,030 0,030 RMS 0,061 0,060 0,068 0,064 0,061 0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080
Jämförelse av olika georefereringsmetoder på 100 m flyghöjd,
nadir (m)
Medelavvikelse Standardosäkerhet RMS NRTK NRTK+1 GCP Medelavvikelse -0,0002 0,0001 Standardosäkerhet 0,0143 0,0137 RMS 0,0143 0,0137 -0,002 0 0,002 0,004 0,006 0,008 0,01 0,012 0,014 0,016Jämförelse av olika georefereringsmetoder på 50 m flyghöjd,
nadir (m)
5.3.2 Medelavvikelsen för varje markprofil
För flyghöjden 100 m kan avvikelserna för varje i markmodellen beräknad profil ses i tabell 8. Här är de bästa värdena för respektive kontrollprofil markerade i grönt, medan de sämsta värdena för respektive markprofil är markerade i gult. Tydligt i denna tabell blir att uppsättningen NRTK + 2 GCP är den georefereringsmetod som fått sämst resultat. Bästa resultatet uppnås med uppsättningen NRTK + 5 GCP som har flest markprofiler med den minsta avvikelsen för respektive markprofil.
Tabell 8. En tabell som redovisar vilken medelavvikelse de olika georefereringsmetoderna får på respektive markprofil när flyghöjden är 100 m. Bästa värdena för respektive kontrollprofil är markerade med grönt medan de sämsta är markerade med gult.
På flyghöjden 50 m (nadir) genomfördes endast två olika uppsättningar. Ingen större skillnad mellan de två uppsättningarna syns, utan de uppnår likvärdiga resultat. NRTK har något fler markprofiler med den minsta avvikelsen för respektive markprofil, vilket innebär att denna uppsättning är marginellt bättre, se tabell 9.
100 m flyghöjd NRTK NRTK+1GCP NRTK+2GCP NRTK+3GCP NRTK+5GCP Kontrollprofil ΔH (m) ΔH (m) ΔH (m) ΔH (m) ΔH (m) 1 Grus 0,038 0,038 0,051 0,045 0,041 2 Grus 0,038 0,032 0,046 0,039 0,038 3 Grus 0,054 0,048 0,061 0,056 0,052 4 Grus 0,085 0,082 0,087 0,085 0,081 1 Gräs 0,055 0,056 0,062 0,060 0,054 2 Gräs 0,054 0,053 0,062 0,056 0,052 3 Gräs 0,051 0,051 0,058 0,053 0,049 4 Gräs 0,052 0,051 0,060 0,053 0,051 5 Gräs 0,058 0,057 0,069 0,063 0,062 6 Gräs 0,052 0,054 0,066 0,061 0,057 7 Gräs 0,055 0,051 0,064 0,060 0,059 8 Gräs 0,048 0,049 0,052 0,046 0,042 1 Asfalt 0,022 0,021 0,031 0,023 0,019 2 Asfalt 0,060 0,059 0,069 0,064 0,062 3 Asfalt 0,033 0,031 0,046 0,037 0,032 4 Asfalt 0,096 0,099 0,100 0,102 0,094
Tabell 9. En tabell som redovisar vilken medelavvikelse de olika georefereringsmetoderna får på respektive markprofil när flyghöjden är 50 m. Bästa värdena för respektive kontrollprofil är markerade med grönt medan de sämsta är markerade med gult.
5.3.3 Jämförelse av olika flygmetoder
För att jämföra hur de olika flyghöjderna presterade jämfördes medelavvikelse, standardosäkerhet samt RMS-värde för de olika flygmetoderna, se figur 17. För jämförelsen valdes georefereringsmetoden NRTK som hade använts för
georeferering i samtliga fall. I figur 17 kan en tydlig skillnad ses om flyghöjden sänks till 50 m från 100 m. När snedbildsflygningen jämförs med lodbildsflygningen (nadir) blir dock skillnaderna mycket små. Standardosäkerheten samt RMS-värdet för snedbildsflygningen får marginellt lägre värden än för lodbildsflygningen.
50 m flyghöjd NRTK, Nadir NRTK+1GCP, Nadir
Kontrollprofil ΔH (m) ΔH (m) 1 Grus -0,0003 -0,0007 2 Grus -0,0021 -0,0015 3 Grus -0,0033 -0,0040 4 Grus -0,0216 -0,0217 1 Gräs 0,0020 0,0017 2 Gräs 0,0013 0,0018 3 Gräs 0,0063 0,0056 4 Gräs 0,0069 0,0067 5 Gräs 0,0204 0,0216 6 Gräs 0,0162 0,0166 7 Gräs 0,0177 0,0180 8 Gräs -0,0016 -0,0022 1 Asfalt -0,0133 -0,0133 2 Asfalt -0,0132 -0,0099 3 Asfalt -0,0017 -0,0025 4 Asfalt -0,0197 -0,0173
Figur 17. Stapeldiagram som visualiserar skillnaden mellan de olika flygmetoderna. Tabellen redovisar medelavvikelse, standardosäkerhet samt RMS-värde för de olika flygmetoderna som användes i studien.
Georefereringsmetoden som används är endast NRTK. 5.3.4 Jämförelse av avvikelser på olika marktyper
5.3.4.1 100 m flyghöjd
Enligt SIS-TS 21144:2016 genomfördes även en jämförelse mellan de olika marktyperna som fanns i modellen, i detta fall gräs, grus och asfalt. I figur 18 jämförs de olika georefereringsmetoderna på underlaget grus. Resultatet liknar de övergripande medelavvikelserna för respektive georefereringsmetod som
presenterades i figur 15, vilket innebär att georefereringsmetoden NRTK + 2 GCP fick den högsta medelavvikelsen. Dock blir standardosäkerheten för denna
georefereringsmetod den lägsta, vilket tyder på mindre splittring av resultatet.
100 (nadir) 50 (nadir) 50 (sned)
Medelavvikelse 0,0530 -0,0002 0,0104 Standardosäkerhet 0,0300 0,0143 0,0131 RMS 0,0610 0,0143 0,0167 -0,0100 0,0000 0,0100 0,0200 0,0300 0,0400 0,0500 0,0600 0,0700
Jämförelse av olika flygmetoder, där endast
georefereringsmetod NRTK används (m)
Figur 18. Ett stapeldiagram som visualiserar skillnaden mellan de olika georefereringsmetoderna på underlaget grus.
Även på underlaget asfalt blir georefereringsmetoden NRTK + 2 GCP den med högst medelavvikelse och värde, se figur 19. Minsta medelavvikelsen och RMS-värdet har georefereringsmetoderna NRTK + 5 GCP, NRTK + 1 GCP samt NRTK.
Figur 19. Ett stapeldiagram som visualiserar skillnaden mellan de olika georefereringsmetoderna på underlaget asfalt.
Vid en jämförelse av georefereringsmetoderna på marktypen gräs utmärker sig standardosäkerheten som betydligt lägre än för marktyperna grus och asfalt, se figur 20. Liknande de övriga marktyperna uppnår georefereringsmetoden NRTK + 2 GCP den sämsta medelavvikelsen, samt RMS-värdet för marktypen gräs. De övriga georefereringsmetoderna uppnår likvärdiga resultat.
NRTK NRTK +1GCP NRTK +2GCP NRTK +3GCP NRTK +5GCP Medelavvikelse 0,053 0,053 0,062 0,057 0,052 Standardosäkerhet 0,048 0,048 0,046 0,049 0,050 RMS 0,071 0,071 0,077 0,074 0,072 0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 0,090
Jämförelse av de olika georefereringsmetoderna på
marktypen asfalt när flyghöjden är 100 m (m)
Medelavvikelse Standardosäkerhet RMS NRTK NRTK +1GCP NRTK +2GCP NRTK +3GCP NRTK +5GCP Medelavvikelse 0,053 0,050 0,061 0,056 0,053 Standardosäkerhet 0,033 0,033 0,029 0,032 0,031 RMS 0,063 0,060 0,068 0,064 0,061 0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080
Jämförelse av de olika georefereringsmetoderna på
marktypen grus när flyghöjden är 100 m (m)
Figur 20. Ett stapeldiagram som visualiserar skillnaden mellan de olika georefereringsmetoderna på underlaget gräs.
För att kunna avgöra vilken marktyp som uppnått det bästa resultatet skapades också en jämförande tabell med dessa. Georefereringsmetoden med endast NRTK valdes för samtliga för att få ett jämförbart resultat. Resultatet kan ses i figur 21.
Medelavvikelsen för de tre marktyperna är lika, medan vissa skillnader kan ses i standardosäkerhet samt RMS-värde.
Figur 21. Jämförelse av hur väl markmodellen representerar de olika marktyperna.
NRTK NRTK +1GCP NRTK +2GCP NRTK +3GCP NRTK +5GCP Medelavvikelse 0,053 0,053 0,062 0,057 0,053 Standardosäkerhet 0,012 0,013 0,014 0,014 0,014 RMS 0,054 0,054 0,063 0,058 0,055 0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070
Jämförelse av de olika georefereringsmetoderna på
marktypen gräs när flyghöjden är 100 m (m)
Medelavvikelse Standardosäkerhet RMS 0,000 0,010 0,020 0,030 0,040 0,050 0,060 0,070 0,080 Medelavvikelse Standardosäkerhet RMS Medelavvikelse Standardosäkerhet RMS Asfalt 0,053 0,048 0,071 Grus 0,053 0,033 0,063 Gräs 0,053 0,012 0,054Jämförelse av de olika marktypernas kvalitet med
georefereringsmetoden då endast NRTK användes på 100 m
flyghöjd (m)
5.3.4.2 50 m flyghöjd
Även på flyghöjden 50 m beräknades avvikelser för respektive marktyp. Här fanns färre georefereringsmetoder att jämföra mellan, men istället två kameravinklar: nadir och sned. För marktypen grus har de två georefereringsmetoderna där 50 m nadir-flygning används en negativ medelavvikelse till skillnad från 50 m sned-flygningen, se figur 22.
Figur 22. Ett stapeldiagram som visualiserar skillnaden mellan de olika georefereringsmetoderna på underlaget grus.
Även på asfaltsytor har de två georefereringsmetoderna där flygningen genomfördes i nadir negativ medelavvikelse, se figur 23. Medelavvikelsen är även här bättre för sned-flygningen än för nadir-flygningen.Standardosäkerheten och RMS-värdet blir också bättre för snedflygningen.
Nadir, NRTK Nadir, NRTK+1GCP Sned, NRTK
Medelavvikelse -0,0067 -0,0068 0,0007 Standardosäkerhet 0,0102 0,0102 0,0106 RMS 0,0120 0,0122 0,0106 -0,0100 -0,0050 0,0000 0,0050 0,0100 0,0150
Jämförelse av de olika georefereringsmetoderna på
marktypen grus på flyghöjd 50 m (m)
Figur 23. Ett stapeldiagram som visualiserar skillnaden mellan de olika georefereringsmetoderna på underlaget asfalt.
Marktypen gräs skiljer sig från de övriga då snedflygningen blir betydligt sämre, se figur 24. Detta bidrar till att den övergripande osäkerheten för snedflygningen blir sämre än den skulle varit om endast hårdgjorda ytor funnits i modellen.
Figur 24. Ett stapeldiagram som visualiserar skillnaden mellan de olika georefereringsmetoderna på underlaget gräs.
Nadir, NRTK Nadir, NRTK+1GCP Sned, NRTK
Medelavvikelse -0,0119 -0,0107 0,0000 Standardosäkerhet 0,0107 0,0075 0,0055 RMS 0,0159 0,0130 0,0054 -0,0150 -0,0100 -0,0050 0,0000 0,0050 0,0100 0,0150 0,0200
Jämförelse av de olika georefereringsmetoderna på
marktypen asfalt på flyghöjd 50 m (m)
Medelavvikelse Standardosäkerhet RMS
Nadir, NRTK Nadir, NRTK+1GCP Sned, NRTK
Medelavvikelse 0,0086 0,0087 0,0203 Standardosäkerhet 0,0117 0,0119 0,0084 RMS 0,0145 0,0147 0,0220 0,0000 0,0050 0,0100 0,0150 0,0200 0,0250
Jämförelse av de olika georefereringsmetoderna på marktypen
gräs på flyghöjd 50 m (m)
5.4 Hypotesprövning
För att avgöra om resultaten var statistiskt signifikanta, dvs. med 95% sannolikhet ej berodde på slumpen, genomfördes en dubbelsidig hypotesprövning.
Hypotesprövningen som genomfördes för att avgöra om en lägre flyghöjd är bättre kan ses i tabell 10. Eftersom teststatistikan är högre än det kritiska värdet är
resultatet statistiskt signifikant. Därmed kan det fastslås att en flyghöjd på 50 m ger mindre osäkerhet än en flyghöjd på 100 m på 95% konfidensnivå.
Tabell 10. En hypotesprövning för att se om skillnaden i osäkerhet mellan 100 NRTK + 0 GCP (nadir) och 50 NRTK + 0 GCP (nadir) är statistiskt signifikant.
Hypotesprövningen där snedbilders betydelse är blev också statistiskt signifikant då teststatistikan är högre än det kritiska värdet. Dock är resultatet relativt nära. Se tabell 11.
Tabell 11. En hypotesprövning för att se om skillnaden i osäkerhet mellan 50 NRTK + 0 GCP (nadir) och 50 NRTK + 0 GCP (sned) är statistiskt signifikant.
Vid en undersökning om någon av uppsättningarna av markstödpunkter var bättre än någon annan på flyghöjden 100 m blev resultatet att ingen metod stack ut statistiskt, se tabell 12. Därmed är skillnaderna för små för att fastslå vilken uppsättning som fungerar bäst i denna studie.
Tabell 12. En hypotesprövning för att se om skillnaden i osäkerhet mellan 100 NRTK + 0 GCP (nadir) och resten av georefereringssmetoderna för flyghöjden 100 m (nadir) är statistiskt signifikant.
100 NRTK + 0 GCP (nadir) vs alla andra uppsättningar av GCP:s (nadir)
Typ Ahmi
(m) Ahm(m) j 𝒖(Ahm(m) i) 𝒖(Ahm(m) j) Kritiskt värde zobs signifikant Statistiskt NRTK vs 5 GCP 0,053 0,053 0,008 0,008 1,96 0,03 Nej NRTK vs 3 GCP 0,053 0,056 0,008 0,008 1,96 0,31 Nej NRTK vs 2 GCP 0,053 0,061 0,008 0,007 1,96 0,80 Nej NRTK vs 1 GCP 0,053 0,052 0,008 0,008 1,96 0,11 Nej 100 NRTK + 0 GCP (nadir) vs 50 NRTK + 0 GCP (nadir) Ahmi
(m) Ahm(m) j 𝒖(Ahm(m) i) 𝒖(Ahm(m) j) Kritiskt värde zobs signifikant Statistiskt
0,053 -0,002 0,008 0,004 1,96 6,62 Ja
50 NRTK + 0 GCP (nadir) vs 50 NRTK + 0 GCP (sned) Ahmi
(m) Ahm(m) j 𝒖(Ahm(m) i) 𝒖(Ahm(m) j) Kritiskt värde zobs signifikant Statistiskt
Även på flyghöjden 50 m gjordes en hypotesprövning för att avgöra om
markstödpunkten hade någon betydelse för resultatet. Skillnaden mellan de två georefereringsmetoderna blir mycket liten och resultatet blir ej statistiskt signifikant, se tabell 13.
Tabell 13. En hypotesprövning för att se om skillnaden i osäkerhet mellan 50 NRTK+0 GCP (nadir) och 50 NRTK+1 GCP (nadir) är statistiskt signifikant.
50 NRTK+0 GCP (nadir) vs 50 NRTK+1 GCP (nadir) Ahmi
(m) Ahm(m) j 𝒖(Ahm(m) i) 𝒖(Ahm(m) j) Kritiskt värde zobs signifikant Statistiskt
6 Diskussion
Resultaten i denna studie är överlag goda, bättre än förväntat till och med. Förväntningarna var att en större osäkerhet skulle observeras när inga
markstödpunkter (GCP) användes så som tidigare visats i Forlani et al. (2018) samt Larsson & Stark (2019). Detta var dock inte fallet, utan UAS:ens inbyggda NRTK verkade uppnå mycket låg osäkerhet.
Dock verkade detta ej ha varit problemet i tidigare studier, utan Forlani et al. (2018) argumenterar snarare för att programvaran Agisoft Photoscan inte hanterade UAS:ens position på ett optimalt sätt, utan byggde upp stora osäkerheter när enbart NRTK:n användes. Sedan den studien genomfördes har dock en ny version av Agisofts programvara presenterats, och den har även bytt namn till Agisoft Metashape. I denna version bygger bland annat det täta punktmolnet på Depth Maps, vilket innebär att högkvalitativa tredimensionella modeller kan framställas. En viss oro fanns under studiens gång att det låg någon form av bakgrundsdata från tidigare blockutjämningar som konstant förbättrade resultatet. Därför gjordes flera försök där rådata ny-importerades och blockutjämnades i nya projekt utan någon som helst data från tidigare projekt. Resultatet blev lika bra även i dessa punktmoln, vilket tyder på en trolig förbättring av programvaran.
Skillnaden mellan när endast NRTK användes jämfört med när NRTK + 5 GCP användes var marginell. En försämring av resultatet kunde ses vid vissa
georefereringar som innehöll markstödpunkter. Detta beror troligtvis på att osäkerheten på markstödpunkterna var för stor jämfört med UAS:ens
positionsosäkerhet. Markstödpunkterna var tydliga punkter, men hade ofta en svårdefinierad mittpunkt (det vill säga mätpunkt). Detta medförde att de var svåra att peka ut i Agisoft. Speciellt tydligt blev det när ingen markstödpunkt var belägen i mitten av området (NRTK + 2 GCP).
Denna observation ger tecken på att den viktigaste markstödpunkten för att förbättra höjdosäkerheten är just den i mitten. Detta antyds även i Martínez-Carricondo et al. studie (2018) där en stratifierad distribution i mitten av området verkade viktig för just den vertikala kvalitén. Detta resultat var dock inte tillräckligt tydligt för att kunna anses statistiskt signifikant i denna studie.
En kontroll av markstödpunkternas betydelse gjordes även på flyghöjden 50 m (nadir) men med endast två olika georefereringsmetoder: NRTK och NRTK+ 1 GCP. På denna flyghöjd uppkom ingen större skillnad mellan
georefereringsmetoderna, och detta bevisades även i en hypotesprövning. Noterbart är dock att medelavvikelsen blev extremt låg i båda fallen, omkring 0,0 cm. Dock
kan den extremt låga medelavvikelsen delvis bero på slumpen då standardosäkerheten låg på ca 1,5 cm.
Däremot blir resultatet tydligare när flyghöjder jämförs. En flyghöjd på 100 m gav, när endast NRTK:n användes vid georefereringen, en medelavvikelse på ca 5,3 cm. Detta kan jämföras med en flyghöjd på 50 m som gav en medelavvikelse på omkring 0,0 cm när kameran var riktad i nadir. Standardosäkerheten var också högre på den högre flyghöjden, vilket tyder på att inte endast slumpen bidragit till de sämre värdena. Detta bekräftas i hypotesprövningen, då detta resultat blir statistiskt signifikant på 95% konfidensnivå.
Vid en jämförelse mellan 50 m med kameran riktad i nadir och 50 m med sned kamera så syntes ingen förändring av resultatet när snedbilder användes. Dock presterade flygningen med sned kamera mycket bra på plana ytor så som grus och asfalt, medan osäkerheten blev större på gräsytor. Detta beror dock troligtvis på att kameran fångar upp den adderade höjden av gräset, samt att vid inmätningen av kontrollprofilerna placerade på gräs sjunker spetsen ned lite i marken. Detta innebär att en differens på ca 2 cm bildas mellan kontrollprofilerna och höjdmodellen. Denna faktor kommenteras i Mårtensson och Reshetyuk (2017) där de får sämre värden på gräs i maj än i april på grund av att gräset växt till sig mer vid flygningen de genomförde i maj. Att osäkerheten är så pass låg att en faktor så som grästillväxt påverkar resultatet är imponerande. Skillnaden i osäkerhet mellan 50 NRTK (nadir) och 50 NRTK (sned) blir statistiskt signifikant på 95% konfidensnivå, dock hade det varit intressant att exkludera gräs ur denna prövning för att se om resultatet hade blivit annorlunda.
Även i denna studie märktes en stor skillnad i antalet punkter som fanns i
punktmolnet där snedbilder används, precis som i Chiabrando et al., studie (2017). Detta underlättar en eventuell 3D-modellering av området. Dock närmare
tredubblades processeringstiden som krävdes för att framställa det täta
punktmolnet, vilket gör att traditionella lodbilder fortfarande fyller ett syfte då tidsfaktorn måste tas i beaktning.
Det nordvästra hörnet av modellen skapade problem i flera av punktmolnen. Där låg två kontrollprofiler belägna: 4asfalt och 4grus. En förbättring kunde ses när
punktmolnet rensades från punkter som var belägna tydligt under marken, men dock bara på flyghöjden 50 m. En rensning gav ingen större förändring på 100 m flyghöjd. Anledningen till detta är okänd, men en möjlig anledning kan vara
skuggorna som syns i figur 14. På 100 m flygningen var det som nämnts tidigare ett soligare väder, vilket bidrog till mer skuggor. Detta skapade större hål i modellen på flyghöjden 100 m, vilket gav skador i punktmolnet som ej kunde åtgärdas vid
Reshetyuk (2017), där Agisoft PhotoScan presterade betydligt sämre höjdmodeller i skuggiga områden.
Flygningen där snedbilder användes verkade hantera skuggorna bättre. Detta beror troligtvis på att i denna flygning kombinerades olika flygriktningar så att området flögs både i nord-sydlig riktning samt i väst-östlig riktning. Detta medför att områden ses från fler vinklar vilket verkar minimera effekten av skuggorna.
En av de största felkällorna i arbetet är troligtvis punktmolnsrensningen. Processen att rensa punktmolnet från tydligt avvikande punkter beror mycket på hur
operatören placerar punktmolnet, och blir därför en aning olika varje gång. Detta påverkar medelavvikelsen tydligt för varje punktmoln, och då skillnaden mellan olika georefereringar ej är så stor blir detta den avgörande skillnaden i arbetet. En annan faktor som kan ha påverkat resultatet är närvaron av kontrollpunkter (check
points) i projekten. Nio kontrollpunkter markerades ut i samtliga projekt, men
användes som markstödpunkter (Ground control point) endast i vissa projekt. Agisoft nämner inte att detta kan ha en effekt i sin manual, men på vissa relaterade forum nämns detta som en faktor som kan påverka blockutjämningen. Vi testade att utföra en blockutjämning helt utan några registrerade kontrollpunkter (check points), och förändringen i medelavvikelse blev ca 0,8 cm på flyghöjden 100 m. Detta kan vara värt att undersöka vidare i senare studier.
I denna studie påvisas NRTK-UAS:ens möjligheter inom samhällsbyggnadsområdet. Med endast NRTK kan höga osäkerhetskrav uppnås även i höjd. Markstödpunkter kommer dock alltid att fylla en roll som kvalitetskontroll. Trots att
markstödpunkter ej verkar vara helt nödvändigt för att uppnå låg osäkerhet, kan endast en stödpunkt i mitten förhindra att mätingenjören måste gå ut i fält igen och kan därför vara väl investerad tid.
7 Slutsats
Utifrån resultatet som ges av studien kan det konstateras att produkter som punktmoln, markmodeller m.m., som är framtagna med en UAS med integrerad NRTK-GNSS klarar av kraven på 0,1 m i höjd en kommun har för att kunna skapa sina kartor. Studien visar att detta krav kan uppnås utan att behöva använda
markstödpunkter (GCP). Studien visar även att vädret som flygningen sker i har en betydande effekt på resultatet, då skuggor skapar problem i höjd vid skapandet av punktmoln.
Utifrån studien kan dessa slutsatser konstateras:
• Med hjälp av typen av UAS som används i studien är det möjligt att uppnå ett RMS-värde i höjd på 0,014 m till 0,060 m beroende på flyghöjd, utan att använda markstödpunkter. Detta understiger de maximala värdet på 0,1 m som kommuner har.
• Utifrån studien kan det konstateras att antalet markstödpunketer inte har speciellt stor betydelse för resultatet.
• Flyghöjden påverkar resultatet: med en högre flyghöjd blir osäkerheten i höjd högre. I studien ger en flyghöjd på 100 m med 0 markstödpunkter ett RMS-värde på 0,060 m. En flyghöjd på 50 m med 0 markstödpunkter med kameravinkeln nadir ger istället ett RMS-värde på 0,014 m, och med kameravinkeln sned nås ett RMS-värde på 0,017 m.
• En DEM som är skapad med snedbilder ger inte en betydande lägre
osäkerhet i höjd jämfört med en DEM som är skapade med lodbilder. Dock ses en ökning i antalet punkter i punktmolnet när sneda bilder används. • Trots att markstödpunkter ej behövs för att uppnå ett godkänt resultat, kan
det vara en god idé att placera en markstödpunkt i mitten av området för att uppnå god vertikal kvalitét. Denna markstödpunkt kan fungera som
kvalitetskontroll för markmodellen, och spara en extra vända i fält om de positioner som loggats i UAS:en ej är tillräckligt bra.
7.1 Vidare studier
Vidare studier av intresse skulle vara att undersöka i större utsträckning vilken betydelse snedbilder har för både plan och höjd. Även en undersökning av vilken betydelse den avslutande diagonala flygningen med snedbilder har för resultatet i höjd.
Ett annat förslag på vidare studier är en djupdykning i Agisofts olika parametrar, t.ex. vilken betydelse kvaliteten på det täta punktmolnet har för mätosäkerheten, eller hur olika inställningar i blockutjämningen påverkar resultatet.
Referenser
Agisoft. (2019). About Metashape. Hämtad 2020-05-12 från https://www.agisoft.com/
Agisoft. (2020). Agisoft Metashape User Manual - Professional Edition [User Manual Version 1.6]. Hämtad 2020-04-28 från:
https://www.agisoft.com/pdf/metashape-pro_1_6_en.pdf
Agisoft. (u.å.). Tutorial (Beginner level): Orthomosaic and DEM generation with agisoft
Photoscan Pro 1.3 (whit ground control points). Hämtad 2020-04-28 från
https://www.agisoft.com/pdf/PS_1.3%20-Tutorial%20(BL)%20-%20Orthophoto,%20DEM%20(GCPs).pdf
Boberg, A. (2017). Introduktion till fotogrammetri (elfte upplagan). Sollentuna: Universitetsservice US-AB
Chiabrando, F., Lingua, A., Maschio, P., & Losè, L. T. (2017). THE INFLUENCE OF
FLIGHT PLANNING AND CAMERA ORIENTATION IN UAVs PHOTOGRAMMETRY. A TEST IN THE AREA OF ROCCA SAN SILVESTRO (LI), TUSCANY.
https://doi.org/10.5194/isprs-archives-XLII-2-W3-163-2017
Colomina, I., & Molina, P. (2014). Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS Journal of Photogrammetry and Remote
Sensing, 92, 79–97.
https://doi.org/https://doi.org/10.1016/j.isprsjprs.2014.02.013
Datainspektionen. (u.å). Privatpersoners kamerabevakning. Hämtad 2020-04-02 från
https://www.datainspektionen.se/vagledningar/kamerabevakning/privatpers oners-kamerabevakning/
DJI. (2020). Phantom 4 RTK User Manual (2.2). Hämtad 2020-05-12 från
https://dl.djicdn.com/downloads/phantom_4_rtk/20200310/Phantom_4_ RTK_User_Manual_v2.2_EN.pdf
Forlani, G., Dall’Asta, E., Diotri, F., di Cella, U. M., Roncella, R., & Santise, M. (2018). Quality assessment of DSMs produced from UAV flights
georeferenced with on-board RTK positioning. Remote Sensing, 10(2). https://doi.org/10.3390/rs10020311
GIS Geography. (2020). DEM, DSM & DTM Differences – A look at Elevation models in GIS. Hämtad 2020-04-05 från https://gisgeography.com/dem-dsm-dtm-differences/
HMK – Flygfotografering. (2017). Handbok i mät- och kartfrågor, Flygfotografering 2017. Gävle: Lantmäteriet
HMK – Geodatakvalitet. (2017). Handbok i mät- och kartfrågor, Geodatakvalitet 2017. Gävle: Lantmäteriet
HMK – Ortofoto. (2017). Handbok i mät- och kartfrågor, Ortofoto 2017. Gävle: Lantmäteriet
Horemuž, M., & Andersson, J. V. (2011). Analysis of the Precision in Free Station Establishment by RTK GPS. Survey Review, 43(323), 679–686.