Utvärdering av mätosäkerhet i höjd för UAS med LiDAR

AKADEMIN FÖR TEKNIK OCH MILJÖ

Utvärdering av mätosäkerhet i höjd för UAS

med LiDAR

Magnus Arvidsson och Tobias Loveere Pettersson

2020

Examensarbete, Grundnivå (kandidatexamen), 15 hp Lantmäteriteknik

Förord

Detta examensarbete avslutar vår treåriga utbildning på lantmätarprogrammet, teknisk inriktning, vid Högskolan i Gävle. Vi vill med dessa ord rikta ett stort tack till de som har berikat våra år av studier och de som har möjliggjort detta

examensarbete.

Ett speciellt tack till Ulrika Ågren, Universitetsadjunkt på Högskolan i Gävle, som inte bara drivit på den spor till idé som vi hade utan för de tre år som du dedikerat till att förse oss med nödvändig kunskap för att nå våra mål under utbildningens gång. Samt den handledning vi fått i samband med vårt examensarbete.

Tack till vår externa handledare Johan Larsson, Senior Surveyor på SWECO Civil, för den tid du tagit till att hjälpa oss med spaka vid flygning, råd på vägen, och en strålande idé till detta examensarbete. Ronny Andersson på SWECO som bidrag till idén för arbetet. Vi vill också tacka Trimtec med Petter Hoffmann i spetsen för det generösa bidraget i form av tillhandahållande av YellowScan Surveyor.

I många vändor av licensfrågor så hade vi fantastisk support av Rea Haaparanta på Terrasolid i Finland som snabbt hjälpte oss när frågorna var många kring TerraScan. Tack Rea!

Även Mitta AB i Gävle hade möjlighet att bidra till vårt fältarbete när stativen var för få. Ett lån av stativ och trefötter löste uppgiften i fält och det tackar vi så klart för. Tack till Marianne Berg och Arash Jouybari för hjälp med flygning av DJI Phantom 4 RTK.

Sist men inte minst så vill vi tacka våra vänner i klassen som med värme delat våra föreläsningar och luncher under tre års tid. Men vi glömmer inte heller våra många föreläsare och lärare som bidragit till våra kunskaper under tiden vi varit på

Sammanfattning

Digitala terrängmodeller (DTM:er) är ett vanligt förekommande verktyg i planering av olika samhällsutvecklande projekt inom stat, kommun och den privata sektorn. Inom planering för byggnationer av väg och järnväg används ofta SIS-TS 21144:2016 som ett dokument för styrning av produktionsprocessen vid framtagning av

DTM:er, eller markmodeller. Med anledning av att ny teknik öppnar för möjligheter till snabbare, effektivare och klimatsmartare insamling av data, har denna studie till syfte att utvärdera Unmanned Aerial System (UAS) med Light Detection and Ranging (LiDAR) från YellowScan och dess mätosäkerhet i höjd. I denna undersökning jämförs resultatet från studien med klass 2 i SIS-TS 21144:2016 för flyghöjderna 50 m och 80 m samt för skanningsvinklarna 0 (lod), 10, 20 och 40 grader.

Platsen för studien är belägen strax sydväst om Gävle i en nedlagd grustäkt med både hårt packat och något lösare underlag. Storleken för studieområdet begränsades till 200 x 300 m, vilket ger en 6 ha stor yta. Med utrustning för mätning med GNSS (Global Navigation Satellite System) mättes två stompunkter in med Nätverks-RTK (Real Time Kinematic). Därefter skapades ett stomnät med åtta punkter. Totalt mättes 26 kontrollytor in för jämförelser mot insamlade LiDAR-data.

Datainsamlingen utfördes med obemannad flygfarkost (Unmanned Aerial Vehicle, UAV), GeoDrone X4L, utrustad med LiDAR-skannern YellowScan Surveyor med en integrerad IMU (Inertial Measurement Unit) från Applanix. Tillsammans bildade dessa enheter ett obemannat flygsystem (UAS) som kunde fjärrstyras och

kommunicera sin position.

All bearbetning utfördes i programvara från Terrasolid, baserat på data från

flygrutten som först bearbetats i YellowScan CloudStation. Punkterna klassificerades för att urskilja marklassade punkter som användes vid generering av DTM:er. En justering av punktmolnet gjordes med avsikt att höja marklassade punkter för att motverka det brus som förekommer i data. Kontrollytorna kunde nu jämföras mot DTM:en och analyseras.

Resultaten i studien visar att YellowScan Surveyor uppnår ett Root Mean Square (RMS) i höjd på 0,024 m vid 50 meters flyghöjd, vilket innebär 0,047 m utvidgad mätosäkerhet (2-sigma, 95 %). Även vid 80 meter uppnås relativt låg mätosäkerhet i höjd med ett RMS på 0,040 m. Resultaten i studien visar också att påverkan av mätning i en större skanningsvinkel inte är den enda faktor som försämrar resultatet.

Abstract

Digital terrain models (DTMs) are a commonly used tool in planning various development projects within the state, municipalities, and the private sector. In planning for road and rail construction, the Swedish technical specification SIS-TS 21144: 2016 is often used as a document for controlling the production process of DTMs. Given that new technology opens the possibilities for faster, more efficient, and climate-smart data collection, this study aims to evaluate Unmanned Aerial System (UAS) with Light Detection and Ranging (LiDAR) from YellowScan and to evaluate the measurement uncertainty in height. In this study, the results of the study are compared with class 2 SIS-TS 21144: 2016 for the flight heights 50 m and 80 m and the scanning angles 0 (in nadir), 10, 20 and 40 degrees.

The site of the study is located just southwest of Gävle in a closed gravel pit with both hard packed and slightly looser substrates. The size of the study area was limited to 200 x 300 m, equivalent to 6 hectares. With Global Navigation Satellite System (GNSS) equipment, two control points were measured with Network-RTK (Real Time Kinematic). Subsequently, a control network of eight points was created. A total of 26 control grids were measured for comparisons of collected LiDAR data.

The data collection was carried out with the Unmanned Aerial Vehicle (UAV) GeoDrone X4L equipped with LiDAR Scanner YellowScan Surveyor with an integrated Inertial Measurement Unit (IMU) from Applanix. Together, these units formed an UAS that could be remotely controlled and communicate its position. All processing was performed in software from Terrasolid, based on data from the flight route that was first processed in YellowScan CloudStation. The points were classified to distinguish ground points used in the generation of the DTM. An adjustment of the point cloud was made with the intention of raising ground level points to reduce the noise present in the data. The control grids could then be compared to the DTM and analysed.

The results of the study show that YellowScan Surveyor achieves a Root Mean Square (RMS) in height of 0,024 m at 50 meters flight altitude, which equals 0,047 m expanded measurement uncertainty (2 sigma level, 95 %). Even at 80 meters, relatively low uncertainty is achieved with an RMS of 0,040 m. The results of the study indicate that the influence of measurements at a wider scanning angle is not the only factor that deteriorates the results.

Innehållsförteckning Förord ... i Sammanfattning ... iii Abstract ... v Innehållsförteckning ... vii Förkortningar ... x 1 Introduktion ... 1

1.1 Digitala terrängmodeller och laserskanning ... 1

1.2 UAS med LiDAR ... 2

1.3 Bakgrund ... 2

1.4 Syfte och frågeställningar ... 3

1.5 Mål och förväntat resultat ... 3

1.6 Avgränsningar ... 4

2 Tidigare studier ... 5

3 Material och metod ... 10

3.1 Planering ... 10 3.2 Studieområde ... 10 3.3 Utrustning ... 11 3.3.1 UAS ... 11 3.3.2 LiDAR ... 13 3.4 Stomnätsetablering ... 14 3.5 Nätutjämning ... 18

3.6 Datainsamling av punktmoln genom UAS-flygning ... 18

3.7 Inmätning av kontrollytor ... 22 3.8 Bearbetning av laserdata ... 24 3.8.1 CloudCompare ... 25 3.8.2 Terrasolid ... 25 3.8.3 Kontroll av mätosäkerhet ... 26 3.8.4 Digital terrängmodell (DTM) ... 28 3.8.5 Skanningsvinklar ... 28 3.8.6 Planstöd ... 28

3.8.7 Markklassade punkters kvalitet ... 28

3.8.8 SBG Geo 2019 ... 29

3.9 Bearbetning av flygfoton ... 30

3.10 Kontroll och utvärdering ... 31

3.10.1 Beräkning av mätosäkerhet i höjd ... 31

4 Resultat ... 33

4.1 Utgångpunkter ... 33

4.3 Punkttäthet ... 36

4.4 Inmätning av kontrollytor ... 37

4.4.1 Gruppering av kontrollytor efter skanningsvinkel ... 37

4.4.2 Beräkning av faktisk flyghöjd ... 38

4.4.3 Planstöd ... 38

4.4.4 Justering av punktmolnet i höjd ... 38

4.5 Mätosäkerhet i höjd på 50 meter flyghöjd ... 39

4.6 Mätosäkerhet i höjd på 80 meter flyghöjd ... 42

4.7 Digital höjdmodell och ortofoto ... 45

5 Diskussion ... 47

6 Slutsatser ... 49

6.1 Vidare Studier ... 49

7 Hållbarhetsaspekter och etiska överväganden ... 50

7.1 Hållbarhet ... 50

7.2 Etik ... 50

Referenser ... 51 Bilaga A: Jonosfärsstörningar och tillgängliga satelliter ... A1 Bilaga B: Inmätning av stomnät ... B1 Bilaga C: Nätutjämning ... C1 Bilaga D: TerraScan ... D1 Bilaga E: Kontrollytor ... E1

Förkortningar

I studien förekommer flera initialförkortningar. I listan nedan skrivs deras betydelse ut i sin helhet.

ALS - Airborne Laser Scanning DTM - Digital Terrain Model DSM - Digital Surface Model FOV - Field Of View

GNSS - Global Navigation Satellite Systems GPS - Global Positioning System

HMK - Handbok i Mät och Kartfrågor IMU - Inertial Measurement Unit INS - Inertial Navigation System LiDAR - Light Detection And Radar NH - Nationella Höjdmodellen

PDOP - Position Dilution Of Precision RMS - Root Mean Square

RTK - Real Time Kinematic

SIS-TS - Swedish Standards Institute - Teknisk Specifikation TLS - Terrester Laser Scanning

UAS - Unmanned Aerial System UAV - Unmanned Aerial Vehicle

1 Introduktion

1.1 Digitala terrängmodeller och laserskanning

Digitala terrängmodeller (DTM:er) representerar markytan utan växtlighet eller andra objekt, som till exempel byggnader och fordon. Markmodell är ett annat uttryck som beskriver samma sak som terrängmodell. En metod för att analysera mark och terräng är att samla in data från luften som kan lägga grunden för en DTM. I denna studie används UAS med LiDAR för insamling av data.

Metoden att laserskanna marken från luften har använts i över 20 år genom så kallad luftburen laserskanning (Airborne Laser Scanning, ALS). I jämförelse med inmätning med terrester laserskanning (Terrester Laser Skanning, TLS) erhålls förhållandevis glesa punktmoln, men fördelar som effektivisering av kostnader och tid har

inneburit att metoden blivit mer och mer vanlig enligt Larsson och Tulldahl (2014). Laserskanning från luften har oftast genomförts från helikopter eller flygplan. Lantmäteriet genomförde under flera år ett omfattande projekt där hela Sverige laserskannades för att framställa Ny nationell höjdmodell. Ett nytt projekt har inletts där Sverige återigen laserskannas. Eftersom huvudsyftet är att förbättra

höjdmodellen för skogsnäringen, kommer detta projekt att resultera i en tätare modell med förbättrad punkttäthet (Lantmäteriet, 2019).

Det finns flera olika tillvägagångssätt att samla in data. Med fotogrammetri går det att utföra mätning och kartering med hjälp av överlappande digitala fotografier. Resultatet blir tredimensionella ytmodeller (Digital Surface Model, DSM) som kan användas för samhällsbyggnadsprojekt som innefattar bland annat

översvämningsanalyser, bostadsplanering och infrastruktur. Ett annat

tillvägagångssätt är ALS, där en fördel är att varje stråles träff mot ytan och retur återger en punkt. Tack vare att strålen är av sådan storlek att den delvis tränger igenom bladverk och grenar så genereras även träffar på marken i skog och annan vegetation. Detta ger i slutändan en bättre överensstämmelse mot terrängmodeller bestämda med fotogrammetriska metoder.

Särskilt viktigt vid laserskanning i skoglig terräng är att begränsa

skanningsvinkeln (laserstrålens ingående vinkel mot terrängen, se Figur 1) till ±15 grader då osäkerheten för mätningar ökar ju större

skanningsvinkeln är (HMK – Flygburen laserskanning, 2017). Vid mätningar i mer öppen terräng rekommenderas användande av skanningsvinklar upp till ±20 grader.

Figur 1 Illustration för begreppen skanningsvinkel och svepbredd vid användning av UAS med LiDAR. Bild

modifierad utifrån en illustration i powerpointen Laserskanning skapad av Harrie (2019).

1.2 UAS med LiDAR

På senare tid har det blivit allt vanligare att laserskanna marken med hjälp av Light Detection and Ranging (LiDAR) integrerad med ett obemannat fjärrstyrt flygsystem (Unmanned Aerial System, UAS). I systemet ingår bland annat tillhörande

mottagare för Global Navigation Satellite System (GNSS) samt IMU (Inertial Measurement Unit) för att bestämma farkostens position, vilket beräknas i Inertial Navigation System (INS). Eftersom dessa farkoster vanligtvis flygs på betydligt lägre höjd än flygplan och helikoptrar, erhålls en avsevärt högre punkttäthet, vilket gärna eftersträvas för att öka detaljrikedomen samt för att minska mätosäkerheten hos den slutgiltiga terrängmodellen enligt Nordkvist och Olsson (2013). Vid krävande infrastrukturprojekt kan det vara särskilt viktigt med detaljerade markmodeller, något som UAS med LiDAR har stor potential att leverera till beställaren. Därför finns anledning att ytterligare utvärdera mätosäkerheten för denna typ av system. Hädanefter kommer UAS med LiDAR användas i studien som benämning för det utvärderade systemet.

1.3 Bakgrund

Eftersom UAS med LiDAR är ett relativt nytt teknikområde inom geodetisk mätning, finns ett behov att utvärdera det för kommersiellt bruk. När

mätningsarbeten med TLS utförs av tvåmanna-team på större arealer, kan det ta flera dagar att samla in data, något som kan ta några timmar eller en dag att utföra med UAS med LiDAR. Genom att göra en utvärdering kring ett förekommande systems mätosäkerhet kan framtida arbetsflöde kvalitetssäkras. Att behovet är viktigt visas till exempel av att SWECO redan använder denna typ av system för att bland annat skanna ”korridorer” i samband med väg- och järnvägsprojekteringar. För andra tillämpningar än dessa kan flygburen laserskanning (ALS) vara fullt tillräcklig med punkttäthet på upp till 2 punkter/m2 _{med en mätosäkerhet i höjd på mindre än 0,10} m, vilket exempelvis används vid uppdateringen av den nationella höjdmodellen (NH) (Lantmäteriet, 2019). Däremot kräver projekteringar för väg och järnväg en lägre mätosäkerhet än vad ALS kan leverera. UAS med LiDAR kan därför användas för att nå maximal medelavvikelse, som är mindre än 0,050 m i höjd enligt SIS-TS 21144:2016, tabell 6 (s.15).

För UAS med LiDAR påverkas punkttätheten av flyghöjd och hastighet. För att säkerställa en så effektiv metodik som möjligt i initiala projektskeden behöver, den av tillverkaren specificerade mätosäkerheten kontrolleras. På så sätt kan

bedömningar kring lämpliga flyghöjder samt förväntad svepbredd bestämmas redan innan flygningar genomförs. Om mängden mätning som sker terrestert kan minskas, kan både tidsåtgång och ekonomi påverkas positivt med en besparing av mantimmar, som i sin tur leder till minskade kostnader. Tack vare att UAS har förenklat flera moment inom mätningstekniken finns anledning att undersöka om UAS med LiDAR genom sin effektivitet kan leva upp till de kvalitetskrav som ställs.

1.4 Syfte och frågeställningar

Syftet med studien är att undersöka mätosäkerhet hos YellowScan Surveyor för framställande av DTM. Tillverkaren utlovar en mätosäkerhet på 0,050 m i plan och höjd för mätta punkter i lod vid en flyghöjd på 50 m på 1-sigmanivån (YellowScan, 2020b). Chaponnière och Allouis (2014) bekräftade YellowScan Surveyors

specifikation och angav dessutom en osäkerhet i enbart höjd till 0,020 m. Genom att utvärdera mätosäkerheten för flyghöjderna 50 m och 80 m samt skanningsvinklarna 0 (lod), ±10, ±20 och ±40 grader kan en minsta flyghöjd bestämmas för att klara av att skanna ett visst område med endast ett flygstråk och med en mätosäkerhet som stämmer väl överens med den utlovade kvalitet som YellowScan anger. På så vis har SWECO möjlighet att minska sina resurser vid arbeten som innefattar skanning av markyta för produktion av DTM:er med hög kvalitet. Johan Larsson på SWECO (personlig kommunikation, 21 oktober 2019) menar att den svenska distributören lovar att systemet klarar av att leverera samma kvalitet på punktmolnet oavsett skanningsvinkel, upp till ±40 grader. När dialog fördes med SWECO ansågs det även rimligt att kontrollera systemets utvidgade mätosäkerhet på 2-sigmanivå. Detta för att se om YellowScan kan appliceras inom andra mätningsuppdrag med högre ställda krav än för tidigare nämnda väg- och järnvägsprojekt, något som regleras i SIS-TS 21144:2016, tabell 6 (s.15). I praktiken ger denna metod, oavsett

konfidensnivå för framtida projekt, en möjlighet att spara mantimmar i fält. Följande frågeställningar kommer därför att behandlas i denna studie:

• Vilken mätosäkerhet i höjd kan YellowScan Surveyor uppnå för skanningsvinklar upp till ±40 grader vid 50 m flyghöjd?

• Vad blir mätosäkerheten vid flyghöjden 80 m? 1.5 Mål och förväntat resultat

Målet för studien är att avgöra vilken mätosäkerhet i höjd på 1-sigmanivå och 2-sigmanivå som kan uppnås med avseende på flyghöjd 50 m och 80 m samt skanningsvinkel 0 (lod), ±10, ±20 och ±40 grader. Resultatet förväntas vara i närheten av Chaponnière och Allouis (2014) resultat på 0,020 m för mätosäkerhet i höjd. De har använt en liknande metod men med avsevärt större insamlade

datamängd. Om studien visar att det går att uppnå låg mätosäkerhet vid användande av UAS med LiDAR kan det innebära att ett flygstråk med denna teknik kan

1.6 Avgränsningar

För att inte denna studie ska bli för omfångsrik kommer arean för testområdet att begränsas till en förbestämd yta. Skanningsvinklarna som utreds är lod, ±10, ±20 och ±40 grader. Eftersom instrumentets synfält (FOV) är 360 grader styrs antalet flygningar av hur många flyghöjder som undersöks. Andra aspekter som till exempel användande av programvaror avgränsas till insticksprogram för Bentley Microstation v8i som finns tillgängliga för att analysera data och som Högskolan i Gävle (HiG) innehar licenser för. Ytterligare terrängtyper kan vara värdefulla att utvärdera och analysera, men på grund av den begränsade tid som kursen sträcker sig över kan detta inte genomföras med tillförlitligt resultat.

2 Tidigare studier

Inom ramen för detta forskningsområde finns olika inriktningar som behandlar mätosäkerhet för UAS med LiDAR för olika tillämpningar. Tidigare forskning har haft inverkan på hur nuvarande system utvecklats och förfinats. Exempelvis inom skogsindustrin har det varit ett vanligt förekommande tillvägagångssätt, att med hjälp av TLS mäta trädstammars diameter i brösthöjd (BHD). Den förr i tiden tillgängliga metoden och tillika dess resultat, jämfördes med de nu alltmer tillgängliga ALS-data och senare även med UAS försedd med LiDAR. Vid detta experiment användes Riegel VZ-400 och Riegel RiCOPTER med VUX-1UAV. Enligt Brede, Lau, Bartholomeus och Kooistra (2017) gjordes tidiga försök på området med egenkonstruerade system bestående av en fristående UAV-enhet med en LiDAR-enhet av lågkostnadstyp. Detta gjordes i Finland redan 2010 med lovande resultat. Något som kunde konstateras i det projektet var att stråldivergensen var stor och påverkade laserstrålens fotavtryck, vilket ansågs ha en inverkan på resultatet enligt Jaakkola et al. (2010).

LiDAR-skanning innebär att ljussignaler skickas som pulser i ljusets hastighet. När signalen träffar en yta reflekteras den och återkommer till instrumentet. Olika typer av ytor har olika intensitet i reflektionen. Genom mätning av tiden det tar för pulsen att reflekteras kan avstånd beräknas med Ekvation (1), där S är avståndet till

objektet, v är ljusets hastighet och t är den uppmätta tiden. Eftersom signalen skickas först från och sedan tillbaka till instrumentet, delas den uppmätta tiden för signalens färd därför med två (Nordkvist och Olsson, 2013).

𝑆 = 𝑣 ∗𝑡

2 (1)

Pulsens träff mot ytan återges som en punkt med koordinater i tre dimensioner. Tack vare att instrumenten som används oftast har en skanningsmekanism, kan större ytor mätas in. Alla enskilda punkter bildar då ett gemensamt punktmoln som kan användas för att ta fram digitala terrängmodeller. Punktmolnets täthet varierar på grund av flera olika faktorer. Vid LiDAR-skanning från flygande farkoster är tätheten beroende av frekvens på pulsen, flyghöjd samt farkostens hastighet. Pulsens frekvens är i moderna system mycket hög, flera hundratusen pulser kan sändas ut varje sekund enligt Nordkvist och Olsson (2013).

När Brede et al. (2017) genomförde georeferering för sina försök i Nederländerna på ett område med en ungefärlig storlek på ca 2 ha, användes två olika storlekar på flygstöden, fyra större (120x60 cm) och åtta mindre (60x60 cm), som sedan mättes in med GNSS. För att kunna göra jämförelser med avseende på kvalitet i

punktmolnen, beräknades kvadratiska medelvärden (Root Mean Square, RMS) för skanningarna och det kunde konstateras att resultaten var acceptabla med 0,042 m i RMS för UAS med LiDAR.

Wallace, Lucieer, Watson och Turner (2012) studerade utvecklingen av UAS-buren LiDAR och hur stor mätosäkerheten var vid skogsinventering. Isin studie använde man en UAS av modellen Droidworx AD-8HL Octocopter med inbyggdmottagare för GPS (Global Positioning System) och tröghetssystem, (IMU). Denna UAS tillverkades till viss del med syfte att kunna användas tillsammans med LiDAR-utrustning, idetta fall en Ibeo LUX laserskanner. Ibeo LUX har ett synfält på maximalt 110 grader, men skanningsvinkeln begränsades till ±30 grader eftersom stora skanningsvinklar ansågs ha för stor påverkan på resultatet vidmätningar av skog. Laserstrålens räckvidd var maximalt 200 m. Fyra flygningar genomfördes på medelhöjderna 44, 46, 48 och 54 m med en punkttäthet på ungefär 50 punkter/m². Avtrycket för laserstrålen var 0,690 m vid en skanningsvinkel rakt ner, vilket ökade ju större skanningsvinkeln var. Flygstöd på marken blev inmätta som

kontrollpunkter av laserskannern. Dessa jämfördes sedan med en inmätning i centrum av flygstödet med hjälp av GPS och visade en standardosäkerhet på ±0,34 m horisontellt, samt ±0,14 m vertikalt. För att en kontrollpunkt skulle användas behövde den ha fått minst fem träffar från laserskannern. Wallace et al. (2012) nämner att när flyghöjden minskar uppstår problem med skuggade föremål. Författarna föreslår i sin studie att reducera skanningsvinkeln till ±15 grader vid skogsinventering, något som även rekommenderas av HMK – Flygburen

laserskanning (2017, avsnitt 2.3.4). Även om skanningsvinklar nära noll grader är att föredra kan skanningsvinklar upp till ±20 grader användas, med risk för försämrad mätosäkerhet.

Salach et al. (2018) undersökte den vertikala mätosäkerheten för YellowScan Surveyor ivegetation. Utmärkande för Surveyor var vikten, som angavs till endast 1,6 kg utan batteri. Laserskannern hademonterats under en Hawk Moth UAS och flygningen utfördes på höjden 50 m. En digitalhöjdmodell togs fram i två versioner, en med upplösningen 0,25 m och en med upplösningen0,5 m. Kontrollen av de slutgiltiga höjdmodellerna gjordes mot totalt 193 GNSS/RTKinmätta

kontrollpunkter, vilka sedan delades in i kategorier baserade på höjden på

vegetationen. För kategorin med höjden 0 till 20 cm användes 60 punkter. För att kunna analysera LiDAR-data mot inmätta kontrollpunkter utfördes en justering av den digitala höjdmodellen motsvarade medelavvikelsen, som hade beräknats till 0,11 m. Resultatet av denvertikala kontrollen av standardosäkerheten visade i denna kategori en standardosäkerhet på 0,005 m för bådaupplösningarna. Författarna framhäver även den kostnadseffektivitet och kvalitet som brukandet av UAS med LiDAR bidrar till.

I en studie utförd av Babbel et al. (2019) genomfördes fyra olika experiment baserade på data från UAS med LiDAR. Utrustningen bestod av en DJI Matrice M600 Pro UAV och den medföljandelaserskannern Riegl miniVUX med 60 graders synfält. Terrängen i testområdet innehöll bland annat skog och sluttningar, varför flyghöjden bestämdes till 100 m och hastigheten till 6 m/s. Detta gav en slutgiltig punkttäthet på 24,2 punkter/m². I studien görs bland annat en undersökning där mätosäkerheten i höjd för punktmoln och en DEM utvärderas med tre olika tillvägagångssätt. Först utvärderas den mot kontrollpunkter inmätta med GNSS, sedan mot höjdskillnader på marktyperna asfalt, grus och vegetation inmätta med totalstation, och till sist mot ett punktmoln inmätt med terrester laserskanner. Kontrollpunkterna vid den första undersökningen bestod av 36 svartvita planstöd med dimensionen 1 x 1 meter, vilka hade mätts in med GNSS och totalstation, utspridda över området.

På grund av terrängens utformning uppstod flera problem. Dels var det svårt att placera kontrollpunkterna på stabila ytor, dels var det svårt att få tillräckligt bra fixlösning förGNSS. Därför gjordes endast en kontroll av mätosäkerhet i höjd. Det totala resultatet (RMS)för jämförelsen av höjdmodellen var 0,097 m. Förutsatt normalfördelning motsvarar detta 0,191 m för signifikansnivån 95 % (k=1,96). Detta värde kallas i denna studie för 2-sigmavärdet.Resultatet för jämförelsen mot punktmolnet var 0,093 m (RMS) och vid 2-sigmanivån0,183 m. Den andra undersökningen bestod av att jämföra punktmolnet och höjdmodellen mot inmätta punkter med totalstation Leica TS15P. Inmätningarna genomfördes med två olika metoder,reflektorlöst samt med ett Leica 360º-prisma under två dagar. Babbel et al. (2019) nämner atteftersom totalstationen fick sin position med hjälp av en GNSS-mottagare som mätte över enkänd punkt, kunde stora skillnader observeras i mätningarna för marktypen gräs mellan de två dagarna. Detta visade att

laserstrålarna inte trängde genom grässtråna ända ner till marken,eller att programvaran inte klassificerade punkter för gräs tillräckligt bra. Det totala resultatet(RMS) för jämförelsen av höjdmodellen var 0,067 m vilket motsvarar 0,131 m på 2-sigmanivån.Resultatet från jämförelsen mot punktmolnet var 0,051 m (RMS) och vid 2-sigmanivån0,099 m. Detaljerade resultat visade att marktypen gräs höjde resultaten markant.

Länsstyrelsen i Skåne (2019) undersökte olika metoder för övervakning av förändringar i kustlandskapen i Skåne och Halland. Klimatförändringar bidrar till stigande havsnivåer vilket leder till ökade risker för erosion längs stränderna. Även om de sydligaste landskapen har en landhöjning, så är den lägre än i övriga Sverige. Detta leder till ett behov av en kontinuerlig övervakning av kustlinjerna, framförallt sandstränder. För detta finns idag flera olika metoder. Länsstyrelsen i Skåne (2019) undersökte bland annat metoden LiDAR-skanning från UAS genom flygning över Hagestads naturreservat i sydöstra Skåne i september 2018. Ytterst i området finns stränder av sand där sanddyner bildats av vind. Området är påtagligt utsatt för erosion och på bara några år har stora ytor strand blivit hav (Länsstyrelsen i Skåne, 2020).

Insamling av data i Länsstyrelsen i Skåne (2019) genomfördes med hjälp av GeoDrone X4L UAS utrustad med LiDAR-systemet YellowScan Surveyor. I

området flögs flera stråk och totalt mättes ca 434 miljoner punkter in med en täthet på runt 100 punkter per kvadratmeter. Punkterna passades in i höjdled med hjälp av RTK-inmätta höjdstöd. Länsstyrelsen i Skåne (2019) beräknade medelfelet efter justering till -0,002 ± 0,025 meter på hårdgjorda ytor i jämförelse med elva inmätta kontrollytor. Efter att punkterna delats in i olika klasser i programvaran TerraScan från Terrasolid återstod runt 17 miljoner som markpunkter. Det slutliga rensade punktmolnet innehöll endast markpunkter och användes vid framtagande av en digital terrängmodell (DTM).

Kontroll av mätosäkerheten genomfördes av två forskare vid Lunds tekniska högskola. Kontrollpunkter mättes in i transekter (referenslinjer) med hjälp av GNSS/RTK, där den uppskattade standardosäkerheten angavs till ± 0,005 meter. Punkternas höjder jämfördes med data från LiDAR-skanningen och resulterade i en medelavvikelse mellan metoderna på cirka 0,11 meter. Avvikelserna blev större ju högre höjden var, vilket förklarades med att vegetationen påverkade kvaliteten på terrängmodellen från LiDAR-skanningen samt försämrad sikt för mätningen med RTK-GPS. Avvikelserna blev alltså som lägst vid de öppna sandytorna.

Studien påtalar fördelen med att få information om hur marken ser ut under vegetationen vid insamling av data med LiDAR från UAS i jämförelse med

fotografering från flygplan eller helikopter. För erosionsanalyser i kustområden där beräkning av mängden sand är huvudsyftet, är det bra om större ytor än bara den öppna stranden kan inkluderas. En annan fördel är den kortare tid som krävs för utförandet av datainsamlingen. Ekonomiska skäl samt begränsad räckvidd angavs som nackdelar i jämförelse med skanning från flygplan eller helikopter.

För att själva verifiera mätosäkerheter i sitt system har Chaponnière och Allouis (2014) utvärderat YellowScans skanner Surveyor. Vid testtillfället monterades enheten på en UAV av fabrikatet Onyxstar Fox-C8 som klarar av en lastvikt på upp till 9 kg. Flygtiden för Fox-C8 angavs till cirka 25 minuter. För att låta systemet positioneras startas Surveyor 5 minuter före flygstart. En halvtimme före planerad flygning sattes Septentrio GNSS-basstationen APS-NR2 upp över känd punkt nära testområdet. Totalt åtgången tid för skanning av 8 flygstråk var ca 5 min.

Flyghastigheten var 3 m/s och flyghöjden var 20 m. Det resulterade i ett punktmoln med totalt 21 miljoner punkter och en punkttäthet på 6000 punkter per m2 _{för en} yta om ca 0,5 ha. Kalibrering av Applanix-IMU:n sker med en högre flyghastighet, 8 m/s, före och efter skanning av området.

När data bearbetades i Terrasolids insticksprogram TerraScan och TerraModeler var syftet att validera mätosäkerheten för höjd men också för plan och höjd (3D). I höjdled jämfördes inmätt punkt mot en triangulerad yta i Terrasolids mjukvara, medan hörnen på nio inmätta betongbord jämfördes mot ytor som filtrerats fram, även de i Terrasolids mjukvara. Resultatet av dessa kontroller gav RMS-värden dels för höjderna på tre olika marktyper, dels för plan och höjd (3D) baserat på nio bords fyra hörnpunkter, d.v.s. 36 punkter totalt. I höjdled noteras följande RMS-värden: 0,020 m för grusytor, 0,024 m för gräsytor och 0,019 m för betongbord.

Sammanlagt RMS för höjden är således 0,021 m. För plan och höjd (3D) är RMS högre och totalt för de mätta hörnen blev RMS-värdena 0,041 m, 0,050 m och 0,028 m i X-, Y- respektive höjdled. Chaponnière och Allouis (2014) menar att tekniken för filtrering samt material av bordens kanter har en viss inverkan på resultatet för 3D.

3 Material och metod

I avsnittet metod behandlas flera moment, bland annat planering, genomförande och bearbetning av data. Dessutom beskrivs hur datainsamlingen utfördes, geografiskt område med punktillustrationer samt vilka programvaror som användes för databearbetning. Med två stompunkter inmätta med GNSS (Nätverks-RTK) som utgångspunkter skapades ett stomnät genom inmätning med totalstationen Leica TS15. Utgångskoordinaterna redovisas i referenssystemet SWEREF 99 16 30 och RH 2000, men det bör påpekas att det viktiga i denna studie är den interna

kontrollen. Den externa osäkerheten för de två GNSS-inmätta punkterna är således av mindre betydelse. Leica Geosystems AG (2016) redovisar mätosäkerheten 0,015 mm + 0,5 ppm för totalstationen Leica TS15.

3.1 Planering

I samråd med SWECO Gävle (personlig kommunikation, 21 oktober 2019) ansågs att en yta om ca 200x300 meter var tillräcklig för att utföra kvalitetskontroll av UAS med LiDAR. I och med att siktlängder var under 400 m gick det att undvika

korresponderande längdmätningar som annars rekommenderas för siktlängder på mer än 400 m i HMK – Stommätning (2017, s. 64-67). Däremot togs hänsyn till korrektioner för jordkrökning och refraktion enligt Ekvation (2), där ∆HAB är höjdskillnaden mellan punkt A och punkt B. l är lutande längd, z är zenitvinkeln vid punkt A, k är refraktionskonstanten och R är jordens radie. Instrumenthöjden och signalhöjden betecknas Ih respektive Sh.

∆𝐻_!" = 𝑙 cos 𝑧_!+ 𝑙#1 − 𝑘

2𝑅 + 𝐼ℎ − 𝑆ℎ (2)

Vid planering av stomnätet bestämdes att två utgångspunkter, inmätta med

GNSS/Nätverks-RTK, skulle placeras i hörnen längs ena långsidan i området och i ett senare skede knytas till stomnätet vid nätutjämningen. Stomnätets åtta punkter är viktiga för studien eftersom de utgör bakåtobjekt för de fria stationsetableringar som görs vid inmätning av kontrollytorna, vilket görs enligt HMK - Terrester detaljmätning (2017, s. 11-13) vid inmätning av kontrollytorna. De faktiska förutsättningarna rekognoserades genom fysiskt besök på plats och placeringen av stomnätspunkterna noterades.

3.2 Studieområde

För att korrekt utvärdera mätosäkerheten för YellowScans LiDAR är det viktigt att kontrollerna görs på lämpligt underlag. I detta fall har jämna ytor med god

reflektants eftersträvats, med syfte att utföra kontrollen mot kvalitetskrav för klass 2 i SIS-TS 21144:2016, tabell 6 (s.15). Efter rekognosering och utvärdering

beslutades att en nedlagd grustäkt i Rörberg, belägen intill Gävle flygplats cirka 15 kilometer sydväst om centrala Gävle, uppfyller kriterierna för projektet. Området

har mycket goda siktförhållanden och är relativt plant. En illustration över områdets geografiska läge visas i Figur 2.

Figur 2 Studieområdets placering i förhållande till Gävle och Valbo samt en inzoomad översikt över grustäkten i Rörberg. Ortofotot är genererat från flygfototillfället med DJI Phantom 4 RTK och färdigställts i Agisoft Metashape. GSD - Sverigekartan, © Lantmäteriet.

3.3 Utrustning

3.3.1 UAS

Denna studie utförs med ett sammansatt system bestående av UAS och LiDAR. Begreppet UAS är en utökning av termen obemannad fjärrstyrd farkost (UAV) och inkluderar hela det tekniska systemet, det vill säga även utrustning för styrning, georeferering och kommunikation. Figur 3 visar de viktigaste delarna i det system som användes i denna studie.

Figur 3 Geodrone X4L med radiosändaren JETI DS-16.

användas i olika former av mätning och kartläggning och kan förses med flera olika typer av kameror och sensorer. Utan utrustning väger den ungefär 2 kg och den maximala startvikten är 6,4 kg. Den beräknade maximala flygtiden på 68 minuter innebär att areor på mer än 100 ha kan täckas. Kroppen är heltäckt och innehåller ett 22,2 V batteri samt all elektronik. Den kan användas i vindförhållanden upp till 15 m/s (VideoDrone OY, 2020).

Planering av flygrutt sker i medföljande mjukvara som baseras på Google Earth, vilket ger en tredimensionell bild av hela flygningen. För positionering upprättas kontakt mellan UAS:en och en referensstation som upprättats över en känd punkt, vilket kan ses i Figur 5. Manuell styrning sker med hjälp av radiosändaren JETI DS-16 (JETI Model, 2020).

Figur 4 Foto på utrustning som användes för datainsamling i studien, GeoDrone X4L med YellowScan Surveyor.

3.3.2 LiDAR

YellowScan Surveyor (Figur 6) är ett LiDAR-system som är anpassat för UAS och är tillverkat av det franska företaget YellowScan. Det innehåller LiDAR-skannern Velodyne VLP-16 och det kombinerade GNSS/tröghetssystemet Applanix APX-15 med medföljande mjukvara för efterbearbetning av data, POSPac UAV. Lasern är av säkerhetsklass 1 och avger 300 000 pulser per sekund och upp till två ekon per stråle med en våglängd på 903 nm. Den har 360 graders synfält och väger 1,6 kg med batteriet inkluderat. Lägesosäkerheten anges till 0,050 m vid 50 meters flyghöjd, riktning rakt ner, och precisionen vid upprepade mätningar är 0,040 m (relativt medelvärdet) (YellowScan, 2020b). I denna referens kallas lägesosäkerheten för ”Accuracy”.

Figur 6 YellowScan Surveyor, framsida.

Antennen för GNSS ska placeras så högt upp som möjligt och kopplas in i ett uttag på instrumentets panel. Om medföljande UAS också har en egen aktiv GNSS-antenn bör en GNSS-signalfördelare användas så att båda systemen endast använder en gemensam antenn. Uppstart och avstängning av systemet görs på panelens enda knapp, den gula knappen i Figur 7, och vidare finns även indikatorer i form av LED-lampor som visar status för batteri, inspelning av data samt kamera.

Rådata sparas i två olika filformat på ett USB-minne som monteras i skannern. Det ena filformatet innehåller data från UAS:ens INS, det andra filformatet innehåller data från skanningen. Data från systemets INS samt GNSS-data i Rinexformat från den i området utplacerade basstationen bearbetas i POSPac UAV, vilket resulterar i en ”trajectory”. Den vidare bearbetningen av skanningsdata sker i mjukvaran

YellowScan CloudStation och resulterar i filer i formatet .las (YellowScan, 2020a). 3.4 Stomnätsetablering

För att möjliggöra en så god kontroll av YellowScan som möjligt krävs ett

omsorgsfullt etablerat stomnät. Som utgångspunkt mättes två fasta objekt in med hjälp av en geodetisk mottagare/antenn för GNSS, Leica GS14, med handenheten Leica CS15, monterad på en lodstång. För att uppnå lägre mätosäkerhet stöttades lodstången upp med två stakkäppar. Innan, under och efter mätningen utfördes egenkontroller i enlighet med HMK – GNSS-baserad detaljmätning (2017, avsnitt 3.4).

Mätningarna genomfördes med SWEPOS Nätverks-RTK. Den förväntade utvidgade mätosäkerheten (95 %) är 30-35 mm enligt Lantmäteriet (2020), vilket motsvarar standardosäkerheten 15-17,5 mm. Elevationsgränsen bestämdes till 15 grader eftersom mätningarna utfördes nära en slänt, men annars med goda siktförhållanden. Detta innebar minskad risk för flervägsfel och försämrad positionering. Planering av tidpunkten för GNSS-inmätningen gjordes genom att använda Lantmäteriets tjänst för satellitprediktion (Lantmäteriet, n.d.-b). Där uppskattas tillgången och

geometrin för satelliter vid mätning med GNSS, vilket kan filtreras för tid och plats. Objekten som valdes för markering av stompunkter var naturligt förekommande stenar av sådan karaktär att de inte kunde flyttas eller rubbas med enkla medel. De två punkter som mättes in med GNSS/Nätverks-RTK var placerade längs ena långsidan, på den östliga sidan i stomnätet. Punkterna markerades genom en temporär, men för tiden för studien bestående, markering på det sätt som visas i Figur 8.

Figur 8 Markering av stompunkt.

Vid mätningstillfället användes två satellitsystem: GPS och GLONASS. Värdet för Position Dilution Of Precision (PDOP) kontrollerades regelbundet och översteg

inte 1,6 för någon av mätningarna, vilket anses vara god satellitgeometri (HMK – GNSS-baserad detaljmätning, 2017, avsnitt 2.2.1). Totalt genomfördes fyra mätningar för varje punkt (SP1 och SP2) där varje mätning innefattade 30 en-sekunderspositioner. Efter första mätningen utfördes ominitialisering av GNSS-mottagaren för att erhålla ny fixlösning, varefter ytterligare en mätning

genomfördes. Efter 45 minuter genomfördes ytterligare två mätningar på respektive punkt med identiskt utförande. Genom medeltalsbildning av positionerna enligt HMK – GNSS-baserad detaljmätning (2017) erhölls koordinater för punkterna med tillhörande standardosäkerheter. Med Lantmäteriets tjänst (Lantmäteriet, n.d.-a) gjordes en kontroll av jonosfärens påverkan på GNSS/RTK-mätningen, vilket redovisas i Bilaga A, Figur A1. Placeringarna för punkterna visas i Figur 9.

Figur 9 Punkterna SP1 & SP2 som bestämts vid mätning med Nätverks-RTK och sedan användes som kända punkter vid stomnätsetableringen.

Stomnätet mättes in från fyra stationsuppställningar, markerade med orangea

prickar i Figur 11, där totalstationen etablerades som fri station i enlighet med HMK – Terrester detaljmätning (2017, avsnitt 3.1). För varje punkt som mättes in med totalstation ställdes ett stativ upp över tilltänkt stompunkt. Alla stompunkter utgjordes av stadiga objekt i form av stenar av olika storlek och placering, de flesta i höjd med markytan med undantag för en lite högre ytliggande sten. Varje punkt markerades med en triangel som i Figur 8. På stativen monterades en trefot med optiskt lod som riktades in mot distinkt och definierbar detalj på objektet och sedan centrerades. Trefötterna kontrollerades innan mätning enligt HMK – Stommätning (2017, avsnitt 2.3.4). På stativen placerades cirkelprismor, se Figur 10, med en offset på 0 mm.

För optimalt utförande av inmätningen hade det varit gynnsamt att mäta in alla punkter i en följd från varje uppställning av totalstationen. Antalet tillgängliga cirkelprismor var vid mätningstillfället inte tillräckligt många och fick istället flyttas mellan stativen. Fyra stompunkter mättes först in, varpå cirkelprismorna flyttades och de resterande fyra stompunkterna mättes in. Samtliga inmätningar genomfördes med tre helsatser. Punkterna i stomnätet namngavs i kronologisk ordning enligt följande: SP1-SP8.

För att ytterligare stärka stomnätet mättes även de motstående

stationsuppställningarna in. För ostlig stationsuppställning mättes således den västliga uppställningen in med tre helsatser och då även omvänt vid västlig

stationsuppställning med inmätning av den ostliga uppställningen med tre helsatser. Denna procedur upprepades för nordlig och sydlig stationsuppställning. Se Figur 11 för stationsuppställningarnas placering i förhållande till stompunkterna.

Alla prismor i området var inom gränsen för 300 meters siktlängd från platsen för totalstationen i enlighet med HMK – Terrester detaljmätning (2017, s. 11) och riskerade inte att signifikant påverkas av jordkrökning eller refraktion. Beräkningar för kontroll av stationsetableringarna genomfördes i SBG Geo 2019 samtidigt som nätutjämningen utfördes och sedan jämfördes med rekommenderade toleranser i HMK – Terrester detaljmätning (2017, s. 23).

3.5 Nätutjämning

Nätutjämning utfördes i SBG Geo 2019 vilket är ett program för geodesi och byggmätning utvecklat av SBG – Svensk Byggnadsgeodesi (2020). Totalt

importerades en koordinatfil och två inmätningsfiler från stomnätsinmätningarna. Kopior av filerna skapades för att säkerställa backup av oredigerade rådata. Inmätningsfilerna redigerades och förbereddes för att kunna analyseras genom nätutjämning i plan och höjd. Enligt HMK – Stommätning (2017) är nätutjämning av mätningar en mycket fördelaktig och lämplig metod för reducera fel. Genom att utföra flera mätningar än antalet obekanta parametrar i stomnätet uppnås

överbestämning, vilket leder till att felen i nätet kan fördelas. Genom att använda minsta kvadratmetoden görs detta på ett optimalt sätt. De kvarvarande felen betraktas som tillfälliga varför det är viktigt att mätningarna inte innehåller systematiska eller grova fel. Detta är synnerligen viktigt eftersom de grova felen i stort sett aldrig följer kända lagar och ska därför inte bearbetas med statistiska metoder (t.ex. Bjerhammar, 1967).

Utförandet görs generellt stegvis för att resultera i ett godtagbart resultat.

Inledningsvis genomförs enligt HMK – Stommätning (2017) en fri nätutjämning där endast en känd punkt och en bäring hålls fast. Bäringen fås genom riktningen mot ytterligare en känd punkt. Till sist utförs en fast nätutjämning vilket innebär att nätet utjämnas med de kända punkterna fasta, vilket resulterar i slutgiltiga koordinater samt dess standardosäkerheter. Resultatet ger även viktsenhetens standardosäkerhet och osäkerhetsellipser för varje punkt. Dessa är skattningar på punkternas standardosäkerhet, vilket beskrivs ingående av till exempel Bjerhammar (1973).

Som grund till nätutjämningen låg koordinater för punkterna SP1 och SP2 som härstammar från den inledande inmätningen med GNSS/Nätverks-RTK. Vid den fria nätutjämningen användes SP1 som fast punkt med bäringen mot SP2 för att få orienteringen på nätet. Vid den fasta nätutjämningen tilldelades SP1 och SP2 sina koordinater från inmätningen med GNSS/Nätverks-RTK, varefter övriga inmätta punkter utjämnades och definitiva koordinater bestämdes.

3.6 Datainsamling av punktmoln genom UAS-flygning Genomförandet av datainsamling med LiDAR utfördes med UAS GeoDrone X4L och LiDAR-enheten YellowScan Surveyor. Som start- och landningsplats valdes en parkeringsplats alldeles utanför området. En tydlig höjdskillnad finns mellan parkeringsplatsen och det skannade området, vilket medförde en högre verklig flyghöjd än planerat. UAS:ens referensstation placerades över SP1.

Genom programvarans kompabilitet med Google Earth kan flygrutten visualiseras tydligt och informativt, vilket illustreras i Figur 12 och Figur 13. Flygrutten förprogrammerades med koordinater för stomnätets hörnpunkter, SP1, SP2, SP3 och SP8, vilka i Figur 11 motsvarar punkt 1, 6 ,2 och 5. Koordinaterna för

mittlinjen beräknades genom att halvera avståndet mellan stomnätets hörnpunkter. Mittlinjen förlängdes med över 50 meter för att förbättra möjligheten för systemets

INS/IMU att hinna stabilisera sig efter vändning. Förlängningen med 50 meter resulterade i koordinater motsvarande punkt 3 och punkt 4 i Figur 12.

Innan den programmerade flygningen inleddes gjordes en manuell kalibrering av systemets INS/IMU. Kalibreringen utfördes genom några upprepande flygningar fram och tillbaka i öst-västlig riktning. Enligt Johan Larsson (personlig

kommunikation, 8 april 2020) är detta förfarande ett vedertaget tillvägagångssätt för utrustningen som används i studien. När kalibreringen var klar påbörjades den förprogrammerade rutten som illustreras i Figur 12.

Den förprogrammerade rutten inleddes i den södra tvärgående linjen där två stråk flögs, först ifrån punkt 1 till punkt 2 och sedan tillbaka. Från punkt 1 flög UAS:en till punkt 3 där det tredje stråket påbörjades och avslutades i punkt 4. För flyghöjden 50 m återstod nu två stråk i den tvärgående linjen mellan punkt 5 och punkt 6. När UAS:en hade återvänt till punkt 5 bar det av mot punkt 4 igen, samtidigt som den steg till flyghöjden 80 m. Väl uppe på 80 m flögs ett stråk längs med mittlinjen till punkt 3. Sammanlagt flögs sålunda fem stråk på 50 m flyghöjd och ett stråk på 80 m flyghöjd. I Figur 13 ser man även att UAS:en sedan steg till ytterligare en flyghöjd. Skanningen för denna höjd återgav inga returer från marken varför detta inte tas upp något mer i denna studie.

Figur 13 Illustration av planerad flygrutt sett ur sydvästligt perspektiv i systemets programvara baserat på Google Earth.

Två kvadratiska planstöd med måtten 40x40 cm och med färgerna svart och vitt, placerades ut i norra och södra delen av testområdet på ungefär 50 cm höjd över marken. Planstöden monterades fast på stativ, vilket visas i Figur 14. Dessa stöd mättes in med totalstation och miniprisma. Varje hörn samt centrum för planstödet mättes in, utifrån en av punkterna i stomnätet som totalstationen etablerades över. Flygningen för insamling av LiDAR-data genomfördes med hastigheten 4

meter/sekund under sammanlagt ungefär 21 minuter. Väderförhållandena för tidpunkten för flygning var mulet och 5 grader med svag vind, 2 meter/sekund. Data från flygningen skickades till Trimtec för inledande bearbetning i programvaran YellowScan CloudStation.

Figur 14 Planstöd på stativ placerad i den norra delel av området.

För att visualisera och illustrera området för studien i ett beskrivande syfte genomfördes flygning för fotografering av Arash Jouybari från Högskolan i Gävle med UAS DJI Phantom 4 RTK. Flygtiden för fotografering var cirka 22 minuter och täckte mer än hela det skannade området. För georeferering och justering av

bilderna mättes 9 flygstöd in med Nätverks-RTK. Tre flygstöd var av samma modell som planstöden som användes för LiDAR-skanningen och placerades på marken, över punkter från det inmätta stomnätet. Sex flygstöd var sprejade kors på marken eller på stenar.

3.7 Inmätning av kontrollytor

I detta avsnitt beskrivs tillvägagångssättet för inmätning av kontrollytor, hur dessa mätts in och varför just denna metod har valts för insamling av data för kontroll. Metoden tar även stöd i dokumentation från Lantmäteriet samt har hos SWECO setts som en föredragen metod.

Punktmolnet kontrollerades genom inmätning av kontrollytor enligt Lantmäteriets rekommendationer (Persson, Rost, och Lithén, 2014). För varje kontrollyta mättes 25 punkter inom en kvadratisk yta med sidorna två gånger två meter in med

totalstation Leica TS15 och Leica 360-prisma. Totalstationen (Figur 15) etablerades som en fri station genom mätningar med god geometri mot tre kända bakåtobjekt, vilket rekommenderas i HMK – Terrester detaljmätning (2017). Placeringar av varje etablering föregicks av noggrann planering. Alla bakåtobjekt var punkter från det inmätta stomnätet. Sammanlagt genomfördes sex stationsetableringar från fem uppställningar. Placeringarna för etableringarna redovisas i Figur 17, där de är markerade med bokstäver från A till E. Notera att två etableringar gjordes från markering C, på grund av att ett cirkelprisma på stativ över en stompunkt behövde centreras om. Detta hade ingen signifikant inverkan på resultatet.

Figur 15 Bild på totalstation Leica TS15 från tidpunkten för inmätning av kontrollytor.

Leica 360-prismat var monterad på prismastång Leica GLS30 med spets. Vid inmätningarna användes totalstationens tillhörande handenhet Leica CS15 för fjärrstyrning. Eftersom mätningarna utfördes mestadels i grus monterades en 1 mm

tjock platta (stångfot) på prismastången för att undvika att spetsen sjönk ner i marken. Den totala prismahöjden för inmätningarna bestämdes därför till 2,001 m. Prismats centrering över den inmätta punkten förbättrades genom att stakkäppar användes som stöd enligt Figur 16.

Området delades in i tre från flygrutten tvärgående linjer där kontrollytor mättes in. Linjerna placerades enligt Figur 17 i den södra, mellersta och nordliga delen av det skannade området. Varje linje innehöll inledningsvis sex kontrollytor separerade med ungefär 5–15 meters mellanrum, med syfte att täcka men inte hamna utanför skanningens svepbredd. Dessutom mättes ytterligare två kontrollytor in i den södra och den mellersta delen av området, nära flygruttens mittlinje.

Sammantaget har 26 kontrollytor mätts in på varierande avstånd från mittlinjen enligt Figur 17. I bilaga E presenteras resultaten för varje inmätning av enskild kontrollyta. I varje tabell redovisas vilken stationsetablering som tillhör den aktuella inmätningen. Även placering för respektive stationsetablering illustreras i Figur 17.

Figur 17 Placering av kontrollytor och stationsetableringar i området.

3.8 Bearbetning av laserdata

Den initiala bearbetningen av insamlade LiDAR-data genomfördes av Trimtec i YellowScans mjukvara CloudStation. Efter detta levererades punktmolnet i filformatet .las som går att läsa in i flertalet mjukvaror på marknaden. Den

huvudsakliga bearbetningen av data utfördes i Terrasolids applikationer TerraScan x32, TerrasMatch x32 och TerraModeler x32, som är insticksprogram till Bentley Microstation v8i (version10).

Att bearbeta insamlade LiDAR-data (benämns som punktmoln i detta avsnitt) har varit en komplex process. Nedan återges stegen för databearbetningen i den ordning som föll sig naturlig i mjukvarumiljön de behandlades i. Microstation är en CAD-mjukvara som agerar plattform till Terrasolids CAD-mjukvara. Flera steg i Terrasolid kommer därför att gå in i varandra och är beroende av att olika steg i processen utförs med TerraScan, TerraMatch och TerraModeler.

3.8.1 CloudCompare

För att få en uppfattning av det skannade området öppnades data först i

CloudCompare, som är en mjukvara av typen Open Source. Detta gav en snabb och enkel överblick av punktmolnet som var till stor hjälp för att bedöma hur tätt punktmolnet blivit. I viss mån var det till hjälp även för planering och placering av kontrollytor. Inga mätdata analyserades i denna programvara.

3.8.2 Terrasolid

Kontrollen av punktmolnets mätosäkerhet i plan och höjd i förhållande till de

inmätta kontrollytorna gjordes i TerraScan. För att göra en så korrekt utvärdering av de insamlade data som möjligt krävdes vissa justeringar av datasetet. Det finns tydliga indikationer på att punktmolnet har en systematisk avvikelse (offset) i höjd från kontrollytorna, något som ofta är fallet enligt Johan Larsson på SWECO i Gävle (personlig kommunikation, 8 maj 2020). En orsak till denna offset är att

punktmolnet har ett ganska högt brus, vilket kan ses i Figur 18. När TerraScan utför kontrollen väljs punkter lågt belägna i punktmolnet, baserat på en algoritm i

mjukvaran. För brusiga data får punkterna en stor spridning mellan lägsta och högsta punkt. För att åtgärda detta behövs en justering av punktmolnet som utförs med hjälp av medelavvikelsen som beräknas från skillnaden kontrollytorna och punktmolnet.

För att möjliggöra en kontroll av punktmolnets kvalitet undersöktes alltså dess läge i förhållande till de inmätta kontrollytorna, vars koordinater här behandlas som sanna. I TerraScan görs då en jämförelse mellan kontrollytor och punktmoln där

medeldifferensen mellan dem med omvänt tecken utgör den justering som

appliceras på det inlästa punktmolnet i TerraScan. Detta genomförs i flera steg innan den slutliga justeringen kan äga rum.

3.8.3 Kontroll av mätosäkerhet

Klassificering

Att klassificera punktmolnet är en förutsättning för att kunna identifiera vilka punkter som utgör markyta, har låg växlighet, medelhög växtlighet samt högvuxen växtlighet. Första steget i denna process är att köra alla punkter i ett makro (flera kommandon som är återkommande och delvis är automatiserade) för klassificering. Speciella makron konstruerades utifrån vilka parametrar som skulle definiera punkter för varje klass. Resultatet utgörs av totalt åtta klasser som är standard i TerraScan: Default, Ground, Low vegetation, Medium vegetetion, High vegetation, Building, Low points och Model key points (TerraSolid OY, 2016b). Tabell D1 i Bilaga D redovisas parametrar för klassificeringen. Ett exempel på hur markklass kan se ut efter klassificering visas i Figur 19.

Figur 19 Punktmoln med endast markklassade punkter efter klassificering.

Justering av flygstråken i TerraMatch (gäller endast för 50 m flyghöjd)

Med anledning av den karaktär UAS-plattformen har så kan påverkan av roll (vinkel runt flygriktningen mot horisontalplanet) vara påtaglig, vilket resulterar i

höjddifferenser mellan flygstråken. Därför kan det vara av yttersta vikt att göra en justering mellan stråken och få punktmolnen att passa ihop bättre vid överlappande

ytor och därmed få en lägre mätosäkerhet (TerraSolid OY, 2015). Innan den faktiska kontrollen av mätosäkerhet kan äga rum behöver en matchning utföras mellan ingående punktmoln och för alla klassificeringar. I Terrasolids programvara TerraMatch jämförs främst två parametrar (även om andra parametrar kan väljas efter egna önskemål): höjd (z) och roll. Syftet med denna justering är att minska inbördes vinklar och höjddifferenser mellan punktmolnen. På så vis kan ett korrigerat och förbättrat punktmoln skapas som jämförelsen sker emot.

Output Control (Inledande kontroll av medelavvikelse mellan punktmoln och kontrollytor) När klassificeringen är utförd och alla punkter tilldelats sin klass kan en första kontroll av punktmolnets systematiska avvikelse utföras. Genom att jämföra höjderna från de inmätta kontrollytorna mot punktmolnets läge i höjd, baserat på marklassificerade punkter, genererar TerraScan en medeldifferens mellan

kontrollytorna och punktmolnet. Differensen används därefter till att justera punktmolnet upp eller ned, för denna studie justerades punktmolnet upp. Ett förtydligande som kan vara på sin plats här är att TerraScan skapar en DTM av de markklassificerade punkterna i samband med jämförelsen mot kontrollytorna. Denna process sker i bakgrunden och DTM:en presenterades inte visuellt, endast ett resultat av Output Control presenterades.

Transformation och justering

Det krävs sedan en separat transformationsoperation för att justera punktmolnets höjd. Den skillnad som genererades från ”Output control” inverteras och anger storleken av justeringen (korrektionen). Att den inverteras beror helt enkelt på att, om det ska vara möjligt att nå ett ”noll-läge” mellan kontrollytorna och

punktmolnet, så måste justeringen göras med omvänt tecken mot den framräknade skillnaden.

Justeringen av hela punktmolnet kan nu gå in den avslutande fasen genom att

transformera alla klassade punkter i punktmolnet och därmed åstadkomma en slutlig justering av punktmolnets höjd. I Terrascan användes en funktion för att

transformera punkters höjd motsvarande den som justeringssteget ”Transformation” tillhandahåller. Här användes den tidigare skapade transformationen som en styrfil för vilka klasser som ska justeras och vilka värden mjukvaran ska justera mot. Efter transformationen har punktmolnet fått sin slutliga justering och en mer korrekt utvärdering av mätosäkerheten i punktmolnet kunde således utföras.

Avslutande kontroll

När punktmolnets nya höjd angivits gjordes en ny kontroll av höjdskillnaderna mellan punktmoln och kontrollytorna. Nu hade rätt differens angivits med korrekt tecken och den nya medeldifferensen var på millimeternivå. Därmed kunde

var ny medeldifferens, medelvärde för skillnaderna mellan varje kontrollyta och punktmoln samt RMS-värden för skillnaderna mellan kontrollytor och punktmoln.

3.8.4 Digital terrängmodell (DTM)

Genom att skapa DTM:er från punktmolnen i TerraScan kunde en visuell

granskning utföras i syfte att finna eventuella fel i klassningen av punkter i datasetet. När klassificeringen gjorts skapades en editerbar modell från TerraScans meny. Efter att ha namngivits kunde den öppnas i TerraModelers modul för visning av

höjdmodellen (TerraSolid OY, 2016a). Där misstänkta fel fanns, togs ett tvärsnitt från den aktuella ytan fram som sedan kunde granskas i profil och eventuella fel korrigeras.

3.8.5 Skanningsvinklar

De enskilda skanningsvinklarnas mätosäkerhet kontrollerades var för sig med utgångspunkt i kontrollytorna som föll inom avståndet ca ± 3 m från en tänkt mittlinje i skanningsområdet för respektive skanningsvinkel. När kontrollytor valts ut baserat på placering i förhållande till skanningsvinkel och punkttäthet,

grupperades kontrollytorna. För flyghöjd 50 m kunde de planerade

skanningsvinklarna 0, ±10, ±20 och ±40 grader undersökas, för flyghöjd 80 m visade sig 0, ±5, ±10 och ±15 grader vara genomförbara. Funktionen Output Control utfördes för att kontrollera mätosäkerhet i höjd för varje grupp av

kontrollytor. När detta var gjort fastslogs fyra resultat för flyghöjden 50 m och fyra resultat för flyghöjden 80 m. Här användes samma parametrar som i den avslutande kontrollen i avsnitt 3.8.3.

3.8.6 Planstöd

Vid skanningstillfället användes så kallade planstöd för att kontrollera punktmolnets läge i plan vid efterbearbetning av LiDAR-data. I TerraScan möjliggjorde

klassningsförfarandet, som nämndes ovan, att det blev lättare att identifiera planstöden. Tack vare den höjd som stöden fick i fält (över 50 cm), kunde de enklare hittas i klassen för medelhög vegetation. Punkterna som träffat planstöden isolerades och gavs en ny klass samt sparades som separata punkter.

3.8.7 Markklassade punkters kvalitet

Utvärderingen av mätosäkerheten för markklassade punkter utfördes separat och med kontrollytor för respektive skanningsvinkel. För flyghöjden 50 m fanns relativt goda möjligheter att undersöka mätosäkerheten. Många kontrollytor var placerade så att de fick många träffar från skanningen. De inmätta kontrollytorna sorterades utifrån punkttäthet och avstånd till mittlinjen. Kontrollytor som placerades sig

mellan två skanningsvinklar kunde, om avståndet inte ansågs vara för stort, tilldelas en vinkelgrupp som låg inom ±3 meter från centrum på flygstråk i syd-nordlig riktning. Annars uteslöts de för att inte påverka resultatet på oönskat sätt och ge missvisande resultat.

På flyghöjden 80 m visade det sig mer utmanande att finna tillräckligt punkttäta ytor som sammanföll med kontrollytorna. På grund av denna förutsättning antogs nya skanningsvinklar att undersöka och utifrån punkttätheten valdes kontrollytor ut för att bäst kunna få ett tillförlitligt resultat.

3.8.8 SBG Geo 2019

Som en extra kontroll behandlades även data i SBG Geo 2019 genom att först ta in punktmolnet och sedan exportera det i ett format som skulle ligga till grund för en digital terrängmodell (DTM), vilket krävdes för att möjliggöra den önskade kontrollen av höjdskillnader mellan punktmolnet och kontrollytan. När en DTM producerats kunde en jämförelse göras. Dock ska sägas att det inte är helt

tillförlitligt resultat på grund av de tillkortakommanden som mjukvaran visade sig ha vid bearbetning av laserdata. Trots kommandon som skulle rensa bort punkter ovan markytan kvarstod dessa punkter vid generande av DTM, vilket således resulterar i ett missvisande resultat. Men som tidigare nämnts var detta endast avsett som en kontroll.

3.9 Bearbetning av flygfoton

För att få en visuell presentation av studieområdet bearbetades foton tagna från DJI Phantom 4 RTK (Figur 20) i programvaran Agisoft Metashape Professional.

Programvaran är utvecklad av företaget Agisoft LLC, som är baserat i St. Petersburg, Ryssland. Arbetsflödet i programvaran utförs stegvis där man först justerar de individuella bilderna i en automatisk process där gemensamma knutpunkter identifieras. Kontrollpunkternas koordinater importerades i ASCII-format och används för att utföra inpassning av modellen till referenssystemet. Bearbetningsprocesserna resulterade i en digital höjdmodell och en ortomosaik i filformatet .tif. Resultatet redovisas i avsnitt 4.7. Observera att syftet här endast är att ge en visuell bild av studieområdet.

3.10 Kontroll och utvärdering

3.10.1 Beräkning av mätosäkerhet i höjd

För att kontrollera mätosäkerheten i höjd utfördes beräkningar i enlighet med HMK – Flygburen laserskanning (2017) och tillämpade tumregeln (som är förslag på lämpliga gränsvärden) för att hitta grova fel enligt Tabell C.2.d (s.57) i HMK-dokumentet. SIS-TS 21144:2016 användes till stor del för att utföra beräkningarna och kontrollera resultatet i denna studie. Det bör påpekas att SIS-TS 21144:2016 behandlar utvärdering av markmodeller. För utvärderingen i detta examensarbete interpoleras först en DTM ur de marklassade punkterna i punktmolnet, som sedan utvärderas.

Beräkning av höjdavvikelse Ah mellan höjden Th för den DTM som genererats ur de markklassade punkterna i punktmolnet och kontrollmätt höjd Kh före och efter justering av punktmoln i höjdled. Beräkningar gjordes i enlighet med SIS-TS 21144:2016 (Avsnitt 10.8) för varje kontrollyta och utfördes enligt Ekvation (3).

𝐴ℎ = 𝑇ℎ − 𝐾ℎ ₍₃₎

Som kontrollförfarande beräknades medelavvikelsen i höjd i enlighet med HMK – Flygburen laserskanning (2017). Medelavvikelse i höjd beräknas enligt Ekvation (4) där ∆Hi avser avvikelsen mellan LiDAR-mätningen och inmätningen av kontrollyta för jämförelse och n är antalet kontrollytor.

∆Η: =1

𝑛< ∆Η$

% $&'

(4)

För att skatta den sammanlagda standardosäkerheten i höjd utfördes beräkning av RMS enligt Ekvation (5).

𝑅𝑀𝑆_(ö*+ = >∑%$&'∆Η$#

Vidare beräknades medelavvikelse för varje kontrollyta enligt Ekvation (6) där Ahm är medelavvikelsen i en kontrollyta uttryckt i meter och Ahi är avvikelsen för varje kontrollpunkt i ytan.

𝐴ℎ, =

∑% 𝐴ℎ_$

$&'

𝑛 (6)

För varje kontrollyta beräknades variationsbredden Varp mellan högsta Maxp och lägsta Minp avvikelse enligt Ekvation (7) för att kontrollera spridningen.

𝑉𝑎𝑟_- = 𝑀𝑎𝑥_-− 𝑀𝑖𝑛_{- (7)}

Varje kontrollyta som ansågs ha tillräcklig täckning i punktmolnet grupperades efter avstånd från flygruttens mittlinje. Följaktligen skapades grupper som representerade de skanningsvinklar som undersöks i denna studie. Medelavvikelse för kontrollytor vid en viss skanningsvinkel beräknades sedan enligt Ekvation (8), där Mapt är medelavvikelsen i höjd för en grupp. Ah är avvikelsen i varje enskild kontrollyta i gruppen och n är antalet kontrollytor i gruppen.

𝑀𝑎𝑝_. =∑ 𝐴ℎ$

% $&'

𝑛 (8)

Standardavvikelsen för varje skanningsvinkels grupp innehållande kontrollytor beräknades enligt Ekvation (9) med syfte att kontrollera spridningen av medelavvikelserna i höjd.

𝑆_-. = >∑%$&'(𝐴ℎ.− 𝑀𝑎𝑝.)#

4 Resultat

I följande avsnitt redovisas resultateten för de olika delmomenten av studien. Resultat för inmätningen med GNSS/Nätverks-RTK för etablering av stomnätets utgångspunkter redovisas och därefter stomnätsetablering genom

totalstationsmätning. Beräkningar för stomnätsetableringen har genomförts genom nätutjämning i plan likväl som i höjd. Slutligen presenteras resultatet från

beräkningen av LiDAR-data och utvärdering, med avseende på mätosäkerhet i höjd, för olika skanningsvinklar och flyghöjd.

4.1 Utgångpunkter

Resultaten från inmätningen av två punkter med GNSS/Nätverks-RTK presenteras i Tabell 1 med koordinater och Leicas kvalitetsparametrar 3D CQ, som är en sorts förbättrad skattning av standardosäkerheten. Tillgången på satelliter var god, vilket visas i Bilaga A, Tabell A1. Under tiden för mätning var det totala antalet för de båda systemen GPS och GLONASS i intervallet 14–17. Jonosfärsstörningar under tiden för mätning hade obetydlig påverkan på mätosäkerheten. Figur A1 i Bilaga A visar ett diagram över variationen för jonosfärens störningar under mätningens hela dygn.

Tabell 1 Koordinater för två de utgångspunkter som mättes in med GNSS/Nätverks-RTK.

De inmätta punkterna namngavs i detta skede som SPGNSS1 respektive SPGNSS2. Fortsättningsvis benämns dessa punkter som SP1 respektive SP2.

4.2 Stomnät

Inmätning av stomnätet genomfördes från totalt fyra uppställningar för totalstationen. De koordinater och standardosäkerhetersom skattades för uppställningarna i nätutjämningarna (se nedan) presenteras i Tabell 2.

Tabell 2 Koordinater för uppställningar av totalstation vid inmätning av stomnät.

Inmätningarna av punkter i stomnätet resulterade i koordinater efter beräkning genom nätutjämning. Rapporter från nätutjämningen finns i Bilaga C, Fel! Hittar i

nte referenskälla. och Tabell C2.

4.2.1 Nätutjämning i plan

När inmätningsfilen lästs in och redigerats beräknades a priori standardosäkerheter för mätningarna. Inledningsvis behölls standardinställningarna 0,005 m +3,000 ppm för längder, 0,003 m för centrering samt 0,0008 mgon för riktningar mätta i tre helsatser. Beräkning utfördes först som en fri utjämning vilket resulterade i att viktsenhetens standardosäkerhet blev 0,67, vilket tyder på en för pessimistisk viktsättning. Ändringar av inställningar genomfördes och inledningsvis gavs alla mätningar standardosäkerheterna 0,001 m +3,000 ppm, 0,001 m för centrering samt 0,0003 mgon för riktningar. Beräkningen resulterade i att viktsenhetens standardosäkerhet blev 1,80. Nästa steg var att först analysera observationernas residualer och sedan de standardiserade residualerna. Individuella ändringar i viktsättning, främst högre a priori-standardosäkerheter för riktning, genomfördes för enskilda observationer. Slutligen beräknades nätutjämningen som en fast utjämning med de kända punkterna, SP1 och SP2, fasta. Det slutgiltiga värdet för viktsenhetens standardosäkerhet för nätutjämningen blev 0,81 och koordinater med standardosäkerheter bestämdes, vilket presenteras i Tabell 3. En grafisk översikt med osäkerhetsellipser visas i Figur 21.

Tabell 3 Skattade koordinater och standardosäkerheter i plan för stomnätspunkterna.