AKADEMIN FÖR TEKNIK OCH MILJÖ
Avdelningen för industriell utveckling, IT och samhällsbyggnad
Mätosäkerhet vid digital terrängmodellering med handhållen laserskanner
Undersökning av den handhållna laserskannern ZEB-REVO
Amanda Gustafsson & Olov Wängborg 2018
Examensarbete, Grundnivå (kandidatexamen), 15 hp Lantmäteriteknik
Lantmätarprogrammet, teknisk inriktning
Handledare: Yuriy Reshetyuk Examinator: Stig-Göran Mårtensson
Bitr. examinator: Ulrika Ågren
i Förord
I och med detta examensarbete avslutar vi våra tre år på Högskolan i Gävles Tekniska Lantmätarprogram, vilket har varit tre intensiva men lärorika år. Vi vill med detta förord passa på att tacka alla personer som hjälpt oss under det omfattande examensarbetet.
Först och främst vill vi tacka Yuriy Reshetyuk för värdefull handledning och stöttning vid stunder av tvivel. Även övriga lärare tillhörande programmet som ställt upp extra när det behövts. Vi vill även rikta ett stort tack till Bengt Lindell och Susanna Gavhed på Norsecraft Geo som gjorde detta
examensarbete möjligt genom att låna ut instrumentet ZEB-REVO. Även Tommy Segerkvist, ägare av Segerkvist Mätteknik, ska tackas för att ha bistått med andra viktiga instrument.
Till sist men inte minst vill vi tacka våra respektive familjer och vänner som stöttat oss under examensarbetet som såväl under hela studietiden.
Gävle, maj 2018
Amanda Gustafsson & Olov Wängborg
ii
iii Sammanfattning
En digital terrängmodell (DTM) är en representation av enbart själva markytan. Det finns flera metoder för att framställa DTM:er, där laserskanning har blivit en alltmer vanlig metod. Inom laserskanning är flygburen laserskanning (FLS) en flitigt använd metod, då metoden har fördelen av att kunna täcka stora områden på kort tid. Det finns dock
nackdelar med FLS då datainsamlingen kan bli bristfällig i t.ex. skogsområden, där laserstrålar inte kan tränga igenom tät vegetation. Här kan handhållen laserskanning (HLS) vara ett bra alternativ då HLS går snabbt och inte behöver samma omfattande planering. Tidigare studier visar att HLS har många
fördelar, men som dock inte kan hålla samma låga osäkerhet som terrester laserskanning (TLS). Det saknas däremot studier om hur HLS ställer sig mot mätningar med FLS. Syftet med studien är därför att utvärdera möjligheten att använda och tillämpa mätningar med HLS för framställning av DTM i
skogsterräng gentemot FLS.
Detta görs genom att jämföra respektive DTM:s lägesosäkerhet. I studien användes instrumentet ZEB-REVO för insamlingen av data för metoden HLS.
Medan för FLS användes laserdata från Lantmäteriet. Från insamlad laserdata skapades därefter DTM:er. Dessa jämfördes mot ett antal kontrollprofiler som mättes in med totalstation. För respektive metod, HLS och FLS, beräknades medelvärde för höjdavvikelserna mot kontrollprofilerna där även
standardavvikelse beräknades. Resultatet visar att DTM:en skapad av data från FLS beräknades ha en höjdavvikelse för hela området på 0,055 m som
medelvärde gentemot inmätta kontrollprofiler. Standardavvikelsen för denna höjdavvikelse beräknades till 0,046 m för FLS. För DTM:en med data från HLS beräknades en höjdavvikelse på 0,043 m i medelvärde som bäst, där standardavvikelse beräknades till 0,034 m. Studien visar att metoderna HLS och FLS gav likvärdiga resultat gentemot de inmätta kontrollprofilerna, dock gav HLS generellt mindre standardavvikelse i jämförelse mot FLS. Vidare ansågs ZEB-REVO och dess tillhörande databearbetningsprogram GeoSLAM vara väldigt användarvänligt, där själva skanningen med instrumentet tog endast 10 minuter för studiens område på ca 2000 m2. Utifrån studiens
resultat drogs slutsatsen att mätningar med HLS kan ge en likvärdig DTM, sett till osäkerheten, som FLS-mätningar. HLS kan därmed vara en
kompletterande metod men att FLS är en fortsatt effektiv metod.
Nyckelord: Digital terrängmodell (DTM), Flygburen laserskanning (FLS), Handhållen laserskanning (HLS), Simultaneuos localization and mapping (SLAM), ZEB-REVO
iv
v Abstract
A digital terrain model (DTM) represent exclusively the earth surface. There are several methods which can be utilized to create DTMs, where laser scanning have become a common used method. Airborne laser scanning (ALS) is often used since the method can cover a large area in a relatively short time. However a disadvantage with ALS is that the data collection, for a wooded area, can be inadequate due to penetration difficulties for some laser beams. For that reason a handheld laser scanner (HLS) can be an alternative since measurements can be done fast and does not need the same extensive planning. Earlier studies mention HLS to have several advantages but can still not yet be compared with terrestrial laser scanning (TLS) concerning the measurements uncertainty. There are, however, no studies that investigates how measurements with HLS stands against FLS. The purpose with the study is to evaluate the ability to use measurements from HLS to create a DTM for a wooded area in comparison with ALS.
This is done by comparing the different uncertainties for each DTM. In the study the acquisition of HLS laser data was collected with the instrument ZEB-REVO and the ALS laser data was received from Lantmäteriet (cadastral mapping and surveying authority in Sweden). After the data acquisition a DTM were created from each data set (method). The DTMs were then compared to control profiles, which have been measured with total station. From the comparison with the control profiles average height deviation and standard deviation were calculated for each DTM. The result shows that the DTM created from ALS data received an average height deviation of 0,055 m for the whole area with a standard deviation of 0,046 m. Corresponding result for the DTM created from HLS data were
calculated, at best, to 0,043 m in average height deviation and 0,034 m in standard deviation. The study shows that the methods HLS and ALS gave equivalent result regarding the comparison with the control profiles, however HLS gave a generally lower value for standard deviation.
Furthermore ZEB-REVO with its processing program GeoSLAM was considered to be very easy and user friendly. The area (approx. 2000 m2) for the study was scanned within only 10 min. The conclusion which were drawn from the obtained result was that measurements with HLS can generate an equivalent DTM, concerning the uncertainty, as measurements with FLS. Thereby HLS can be a complementing method but still FLS is seen as an effective method.
Key words: Airborne laser scanning (ALS), Digital terrain model (DTM), Handheld laser scanning (HLS), Simultaneuos localization and mapping (SLAM), ZEB-REVO
vi
vii Innehållsförteckning
1 Introduktion ... 1
1.1 Bakgrund ... 1
1.1.1 Digital terrängmodell ... 1
1.1.2 Laserskanning ... 1
1.2 Syfte ... 2
1.3 Tidigare studier... 3
1.3.1 Mobil laserskanning ... 3
1.3.2 Simultaneous localization and mapping (SLAM) ... 4
1.3.3 Handhållen laserskanning ... 4
2 Teoretisk bakgrund ... 6
2.1 Terminologi för höjdmodeller ... 6
2.2 Olika metoder för laserskanning ... 6
2.3 SLAM ... 8
2.4 RUFRIS ... 8
2.5 Kontrollprofiler ... 8
3 Metod och material ... 10
3.1 Instrument... 10
3.1.1 ZEB-REVO ... 10
3.1.2 Övriga instrument och utrustning ... 11
3.2 Studieområde ... 12
3.3 Laserskanning ... 12
3.4 Mätning ... 13
3.4.1 Stationsetablering ... 13
3.4.2 Inmätning av sfärer ... 14
3.4.3 Kontrollprofiler ... 14
3.5 Bearbetning ... 15
3.5.1 Georeferering ... 15
3.5.2 Skapa DTM som TIN ... 16
3.6 Jämförelse av DTM:er mot kontrollprofiler ... 16
4 Resultat ... 18
5 Diskussion ... 23
5.1 Vidare studier ... 25
5.2 Hållbar utveckling och etiska aspekter ... 26
6 Slutsats ... 27
Referenser ... 28 Bilaga A ... A1 Bilaga B ... B1 Bilaga C ... C1
viii
Bilaga D... D1 Bilaga E ... E1 Bilaga F ... F1 Bilaga G ... G1
1 1 Introduktion
1.1 Bakgrund
1.1.1 Digital terrängmodell
Digital terrängmodell (från engelskans digital terrain model) kan förkortas DTM och är en modell som enbart representerar markytan utan vegetation eller andra objekt som finns på marken (INSPIRE Thematic Working Group Elevation [TWG-EL], 2012). DTM kan även kallas för markmodell (SIS-TS 21144:2016 avsnitt 3.6).
Höjddata, i form av exempelvis DTM:er, har många olika användningsområden och används därför ofta (Hubacek, Kovarik & Kratochvil, 2016; INSPIRE TWG-EL, 2012). Det är därför viktigt att utforska hur framställning av DTM:er kan utvecklas och förbättras, vilket är anledningen till denna studie.
Det finns flera olika metoder för insamling av data vid framställning av DTM. En allmän beskrivning av möjliga framställningsmetoder för en DTM framgår i SIS-TS 21144:2016 avsnitt 7.1, där bland annat fotogrammetrisk-, geodetisk mätning (terrester eller satellitbaserad) samt laserskanning (mark- eller flygbaserad) listas som några användbara metoder. Då mätning utförs med exempelvis totalstation eller global navigation satellite system (GNSS) gör användaren ett urval av indata redan ute i fält genom de faktiskt inmätta punkterna, vilket leder till generaliserad data som sedan kan genereras till en DTM. Vid användning av terrester
laserskanning (TLS) som insamlingsmetod mäts i stort sett ”allt” in och
generaliseringen (filtreringen) av data får bearbetas i efterhand för att skapa en DTM. I och med att TLS kan samla in betydligt mer data än exempelvis totalstation eller GNSS är en DTM skapad genom TLS, teoretiskt sett, mer noggrann
(Lantmäteriet m.fl., 2013; Mårtensson, 2016; Reshetyuk, 2017).
1.1.2 Laserskanning
Enligt HMK-Höjddata (2017) och Hubacek et al. (2016) är laserdata det vanligaste utgångsmaterialet för höjddata, där flygburen laserskanning (FLS) beskrivs som en effektiv metod för att samla in höjddata över större områden som kan användas vid framställning av både yt- och markmodeller. HMK-Höjddata (2017) förtydligar att när avståndet till sensorn ökar, avtar punkttätheten, vilket genererar högre
mätosäkerhet. TLS eller annan geodetisk mätning kan användas för mindre områden eller där det ställs högre krav på lägesosäkerheten och det är inte ovanligt att
metoderna kombineras för att uppnå önskat resultat (HMK-Höjddata, 2017).
2
Sveriges höjdmodell är framtagen med hjälp av FLS (Lantmäteriet, 2016). För en varierad terräng kan höjdmodellen förväntas ge en osäkerhet i höjd på omkring 0,2 m, där osäkerheten bland annat kan bero på att vegetation hindrar laserstrålarna från att nå ända ner till marken (Lantmäteriet, 2011). Osäkerheten kan jämföras med Tjeckiens nya nationella höjdmodell (DMR 5G), som även den tagits fram genom FLS och där Hubacek et al. (2016) utförde en studie för att verifiera angivna osäkerheter (0,18 m för öppen terräng och 0,30 m för skogsterräng). Genom geodetiska mätningar kom författarna fram till att höjdmodellens osäkerhet överensstämde med de angivna, till och med gav testerna något bättre resultat för skogsterräng. Med handhållen laserskanner (HLS) bör mer data kunna samlas in på ett hållbart sätt för ett mindre område och dessutom på kortare tid i jämförelse med mätningar utförda med TLS eller totalstation som kräver fler uppställningar för att få motsvarande data. Från tidigare studier (avsnitt 1.3) framgår det att HLS verkar vara en lovande metod med många fördelar men som ännu inte kan mätas med den låga osäkerhet som TLS kan åstadkomma. Däremot saknas det studier om hur mätningar med HLS ställer sig mot mätningar med FLS. Därför är det av högsta intresse att göra en fördjupning för i vilken utsträckning HLS kan användas och om HLS i vissa skeden kan ersätta eller komplettera mer tidskrävande metoder som t.ex. FLS, vilket kommer undersökas i och med denna studie.
1.2 Syfte
Syftet med studien är att utvärdera möjligheterna att använda och tillämpa mätningar från HLS för framställning av en digital terrängmodell (DTM) i skogsterräng. Främsta fokus är att se hur låg osäkerhet en DTM kan erhålla med hjälp av mätningar med en HLS i jämförelse med FLS. Studien begränsas till praktiskt utförande och kvantitativ metod. Området för studien, vilken är beläget strax utanför Gävle, begränsades till ett ca 2000 m2 stort område för att undvika påverkan av kringliggande snö och säkerställa att den bestämda tidsramen för arbetet inte överskrids. För att kunna jämföra de båda metoderna och de framställda
DTM:ernas osäkerheter gjordes mätningar med totalstation som referensdata.
Forskningsfrågor som har behandlats i studien:
Hur låg osäkerhet kan erhållas för en DTM skapad genom mätningar med HLS i jämförelse med FLS-mätningar?
Vilka för- respektive nackdelar finns det med användandet av HLS i jämförelse med FLS?
Förhoppningen innan studiens utförande var att HLS-mätningarna med simultaneuos localization and mapping (SLAM) algoritmer kunde generera en likvärdig DTM, sett till osäkerheten, som FLS-mätningarna.
3 1.3 Tidigare studier
1.3.1 Mobil laserskanning
Tyagur och Hollaus (2016) skriver att laserskanning har blivit en allt mer använd teknik för att samla in tredimensionell data, vilket ofta används för att skapa DTM:er eller andra ytmodeller. Författarna skriver även att FLS har mer eller mindre blivit en standardmetod för att samla in topografisk data för skapandet av DTM:er. Dock menar författarna att det finns begränsningar med FLS när det kommer till att fånga de många detaljerna för t.ex. ett skogsområden. I studien använder författarna mobil laserskanning (MLS), i form av en laserskanner monterad på en bil. Författarna beskriver MLS som en snabb och noggrann metod för att samla in data för ett område, i detta fall för ett skyddat naturreservat. Genom några kontrollpunkter inmätta med totalstation kunde den genomsnittliga vertikala osäkerheten sättas till omkring 0,1 m för DTM skapad med MLS mätningar. I likhet med studien av Tyagur och Hollaus (2016) användes MLS även i denna studie för att samla in detaljrik data för ett skogsområde på ett effektivt sätt som sedan
genererades till en DTM. Till skillnad från Tyagur och Hollaus (2016) användes HLS istället för en laserskanner monterad på ett fordon, för att samla in ytterligare data från fler vinklar och på så vis täcka hela området av intresse.
Lehtola et al. (2017) menar även de att MLS är en lovande teknik och gör i studien jämförelser mellan flera olika mobila laserskanningssystem för att därefter göra en sammanställning av samtliga systems styrkor respektive svagheter. Liang et al.
(2014) använder en viss typ av MLS, närmare bestämt personburen laserskanner (PLS). Författarna beskriver att största fördelen med MLS är att metoden kan samla in data på kortare tid i jämförelse med TLS. PLS kan även komma åt mer
svårtillgängliga platser och samla in ytterligare data av intresse (Liang et al., 2014).
Författarna skriver att bortsett ifrån en laserskanningsenhet ingår även GNSS och inertial measurment unit (IMU) i PLS-enheten. Studien visade på goda möjligheter att i framtiden använda PLS som metod för skogsinventering men att TLS
fortfarande ger lägre osäkerhet (Liang et al., 2014). Främsta orsaken till PLS:ens osäkerhet tros bero på bristande GNSS-signaler som försämrar resultatet och är något som måste utvecklas för framtida användning (Liang et al., 2014). Författarna ger förslag på andra tillämpningar av PLS än bara skogsinventering, t.ex.
dokumentering av skogsområden som vandringsleder för rekreation. Istället för att fokusera på inventering har denna studie koncentrerat på framställning av DTM. På grund av svagheterna med GNSS-mätning i skog användes SLAM-algoritmer för punktmolnsregistrering.
4
1.3.2 Simultaneous localization and mapping (SLAM)
Qian et al. (2017) har undersökt hur en integration av tekniken SLAM med GNSS/inertial navigation system (INS) kan göras för att positionera instrument i svårtillgängliga områden såsom skog. I studien användes MLS för att kartera ett skogsområde. Positionering med GNSS/INS anses i dessa fall vara otillräckligt på grund av förlorade signaler och flervägsfel, men en integrering av SLAM anses vara både en effektiv och hållbar metod utan extra kostnader för hårdvaruteknik. I studien av Qian et al. (2017) testas två olika metoder för SLAM-integration, en som stödjer sig på rörelsens riktning samt en metod baserad på rörelsens riktning och hastighet. Studien visar att den första SLAM-metoden som endast stödjer sig på rörelsens riktning ger en horisontell postitionsnoggrannhet på 0,13 m, vilket är en förbättring med 70% mot traditionell positionsmätning med GNSS/INS. För den andra SLAM-metoden som stödjer sig på både rörelsens riktning och hastighet, så kunde en positionsnoggrannhet på 0,06 m beräknas, vilket är en förbättring på 86%
mot traditionell positionsmätning med GNSS/INS (Qian et al., 2017).
1.3.3 Handhållen laserskanning
I likhet mellan studierna (Bauwens, Bartholomeus, Calders & Lejeune, 2016; James
& Quinton, 2014; Ryding, Williams, Smith & Eichhorn, 2015) har MLS i form av HLS använts utomhus. James och Quinton (2014) beskriver TLS som en vanlig metod för att samla in topografisk data men att metoden har begränsningar när det kommer till att samla in täckande data för mer komplexa miljöer på ett effektivt sätt. Författarna skriver att geomorfologiska studier ofta hanterar någon typ av höjddata och när det gäller kilometervisa områden används ofta FLS men för mindre områden (tio, hundratals meter) används idag ofta TLS som kan vara en tidskrävande metod för att samla in önskad data. Författarna uttrycker att HLS verkar vara en lovande metod för att samla in önskad data för ett mindre men komplext område. I studien jämfördes bl.a. mätningar med HLS (ZEB1) mot mätningar med TLS (Riegl VZ-1000) för ett mer komplext utformat område. Utifrån mätningarna kunde författarna konstatera att HLS är en betydligt snabbare metod vad gäller insamling av data. Enligt författarna tar SLAM-registreringen ungefär lika lång tid som
datainsamlingen men punktmolnet kan behöva vidare bearbetning. Än så länge kan HLS inte generera en DTM med lika låg osäkerhet som TLS men kan ändå användas och möjliggöra för fler typer av geomorfologiska tillämpningar, dessutom kan det vara ett kostnadseffektivt alternativ (James & Quinton, 2014). Bauwens et al.
(2016) skriver att det finns begränsningar med att använda GNSS i skogen men att en HLS inte är beroende av GNSS då en HLS använder SLAM-algoritmer som ger en bättre registrering av punktmolnet. För att optimera SLAM-registreringen utfördes mätningar efter ett planerat mönster för att täcka hela området med god punkttäthet och avsluta mätningen med att sluta slingan (Bauwens et al., 2016).
5
Författarna (Dewez et al., 2017; James & Quinton, 2014) framhäver dock att även SLAM-registrering har vissa begränsningar. Metoden kräver väldefinierade objekt för att registreringen ska vara möjlig, om objekten är glest utspridda kan SLAM- registreringen ha för få objekt att registrera punktmolnet efter. Bauwens et al.
(2016) menar att en annan svaghet är att HLS har en högre stråldivergens som leder till något osäkrare resultat, strålarna kan t.ex. inte penetrera låg vegetation på samma sätt som TLS gör.
Dewez et al. (2017) konstaterar att HLS:en ZEB-REVO använder SLAM-algoritmer för att navigera utan att behöva tillgången till GNSS. Författarna har testat
instrumentet både inomhus och utomhus där resultatet renderade i att skannern inte kunde skanna ett avstånd på mer än 7,5 m utomhus för 99 % av punkterna. Inomhus kunde skanningsavståndet dock uppnå specifikationerna från tillverkaren på 30 m.
Dewez et al. (2017) redogör även att punktmoln skannade från ZEB-REVO har en median punkttäthet på 1 punkt per 21 mm och att ZEB-REVO har en relativ osäkerhet på 1/10000 (3 mm/30,20 m). Ytterligare tekniska specifikationer för instrumentet finns i avsnitt 3.1.1 i denna rapport (tabell 1).
6 2 Teoretisk bakgrund
Mer detaljerade beskrivningar kring betydande begrepp och moment som ingår i denna studie kommer tas upp här i teoridelen. Avsnitt 2.1 och 2.2 är en allmän fördjupning för att separera begrepp och förtydliga studiens omfattning. Medan avsnitt 2.3 översiktligt behandlar tekniken bakom SLAM. Slutligen ger avsnitt 2.4 och 2.5 en mer djupgående beskrivning av två viktiga delmoment som ingår i studiens mätningsmetod.
2.1 Terminologi för höjdmodeller
Utöver DTM finns det ytterligare två benämningar på tredimensionella modeller av jordens yta. Nämligen DEM, som är en förkortning av engelskans digital elevation model (digital höjdmodell) och DSM som också kommer från engelskans digital surface model (digital ytmodell). Efterföljande stycke kommer därmed att sortera i begreppen och ange de vanligt förekommande definitionerna av dem.
DEM fungerar som ett samlingsbegrepp för höjder som digitalt eller matematiskt presenteras i en modell motsvarande en topografisk yta. DSM innehåller
information om marken samt andra fasta objekt som finns på marken som
exempelvis vegetation, byggnader m.m. DTM däremot avser endast själva markytan utan information om övriga objekt. Höjddata och därmed modellerna kan lagras på olika sätt. Antigen som raster, vektor eller triangular irregular network (TIN) (INSPIRE TWG-EL, 2012; Mårtensson, 2016). Där TIN utgår från
kontrollpunkter, brytlinjer och stopplinjer som placeras på ett representativt sätt för terrängen. Mellan inmätta punkter skapas därefter trianglar (INSPIRE TWG-EL, 2012; SIS-TS 21144:2016 avsnitt 9.2)
I och med denna studie kommer ett utsnitt av laserdata, som ligger till grund för Sveriges höjdmodell, att användas för att skapa en DTM i form av en TIN-modell.
Detta för att möjliggöra kontroll och jämförelsen mellan resultaten från flygburen respektive handhållen laserskanning. Då fokus för denna studie är att utvärdera användningen av HLS jämfört med FLS för skapandet av DTM.
2.2 Olika metoder för laserskanning
Laserskanning går ut på att en sändare i instrumentet skickar ut en laserstråle, närmare bestämt en elektromagnetisk energi. Om laserstrålen träffar ett objekt reflekteras en del av strålen tillbaka till instrumentets mottagare som då registrerar den returnerade signalen. Resultatet av mätningarna blir ett punktmoln som kan få koordinater i ett referenssystem genom georeferering (Reshetyuk, 2017).
Laserskanningstekniken kan tillämpas på flera olika sätt genom olika metoder.
7
Med terrester laserskanning (TLS) menas markburen laserskanning, vilket går ut på att en laserskanner placeras på ett stativ som är placerad över önskad position på marken. Vid skanning med TLS kan det behövas fler uppställningar av instrumentet för att kunna täcka hela objektet av intresse. Vid varje uppställning skapas ett eget punktmoln med internt koordinatsystem, för att möjliggöra georeferering av dessa punktmoln måste de först sättas ihop till ett punktmoln, vilket kallas för registrering (Reshetyuk, 2017).
Principen att använda laser för att göra avståndsmätningar är densamma oberoende och laserskanningen är flygburen eller terrester. Dock kan FLS användas för mer omfattande mätningar än TLS som är mer lämplig för skanning av mindre, specifika objekt som t.ex. byggnader, tunnlar. Ett FLS-system består av en laserskanner, en GNSS, ett tröghetssystem samt en kontrollenhet som monteras i/på ett flygplan eller helikopter. Laserskanningssystemets uppgift är att skicka ut och registrera returnerade laserstrålar. Med hjälp av GNSS och tröghetssystemet bestäms
laserskannerns position och läge när skanningen ägde rum. Det är mycket viktigt att alla enheter är noggrant synkroniserade för att undvika fel, vilket är en av
kontrollenhetens uppgift att se över, dessutom lagras all data i kontrollenheten (Lantmäteriet m.fl., 2013).
Tröghetssystemet mäter ständigt accelerationer och vinkelhastigheter för att bestämma laserskanningssensorns position och riktning. Både acceleration och vinkelmätningarna görs i tre riktningar vinkelrätt mot varandra. Detta för att inmätta punkter ska få korrekta koordinater (Lantmäteriet m.fl., 2013).
En laserskanner kan även monteras på andra rörliga (mobila) föremål än flygplan som till exempel på fordon (Tyagur & Hollaus, 2016), eller de kan också vara personburna i en ryggsäck (Liang et al., 2014). De kan också vara handhållen (Bauwens et al., 2016; Dewez et al., 2017; James & Quinton, 2014; Ryding et al., 2015). Mobila laserskannrar innehåller förutom själva laserskannern även ett system för att positionering och orientering. Detta system kommer vanligen i form av GNSS och IMU (Ryding et al., 2015). Positions- och orienteringssystemet är i likhet med tröghetssystemet FLS använder. Den handhållna laserskannern ZEB-REVO använder istället tekniken SLAM och IMU för positionering (GeoSLAM Ltd., 2017).
8 2.3 SLAM
SLAM är en förkortning av engelskans simultaneous localization and mapping och är en process (algoritm) som har till syfte att skapa en karta över ett okänt område i vilken en mobil robot (enhet) samtidigt vistas i. Detta görs genom att enheten tar hjälp av olika landmärken som finns i området och utifrån dessa landmärken görs andra observationer. Mätningar i tid, lokalisering och orientering av enheten under dess rörelse genom området sker relativt landmärkena. Förhållandena mellan varje landmärke måste stämma överens. SLAM använder främst två typer av matematiska filter, ”extended Kalman filter” (EKF) och ”Rao-Blackwellised filter”, vilka har till uppgift att förse observationsekvationerna för SLAM med data (Durrant-Whyte &
Bailey, 2006).
2.4 RUFRIS
Stationsetablering med metoden realtidsuppdaterad fri station (RUFRIS) kan vara ett alternativ då kända stompunkter inte finns tillgängliga för ett område och
mätning med real time kinematic (RTK) inte anses ge tillräckligt låg osäkerhet. Med fri station menas att stationen kan etableras över valfri uppställningspunkt. Metoden för RUFRIS går ut på att en mätstång kombineras med både GNSS och prisma för att på så vis kunna göra två mätningar samtidigt. Genom etablering med RUFRIS kan GNSS-mätningar därefter övergå till traditionella mätningar med totalstation (Vium Andersson, 2012).
Vid fri stationsetablering med RUFRIS beskriver Vium Andersson (2012) att gemensamma punkter (inmätta med både GNSS och totalstation) bör placeras utspridda, minst 200 gon, runt stationen där minst 20 % av punkterna bör placeras vid mätområdets gräns. Osäkerheten på stationsetableringen styrs av antalet gemensamma punkter som mäts in, men desto fler punkter desto lägre osäkerhet, antalet ska dock vara minst 15 stycken. Dessa tre riktlinjer för placering av gemensamma punkter görs för att förbättra skattningen av stationens läge i: plan (spridning i 200 gon), höjd (≥15 punkter) och orientering (20 % av punkterna i ytterområdet).
2.5 Kontrollprofiler
Kontroll av DTM (markmodell) görs enligt tekniska specifikationer i SIS-TS
21144:2016 kap. 10 med underliggande avsnitt. Syftet med kontrollen är att se om eventuella systematiska eller grova fel finns i modellen och dessutom göra en utvärdering av modellens lägesosäkerhet i höjd.
9
Det finns två olika nivåer för kontroll, 1 och 2. Val av kontrollnivå beror bland annat på vad avsikten är med användandet av DTM:en. Beroende på val av
kontrollnivå finns det tre olika kontrollutföranden (A, B och C). För kontrollnivå 1 gäller utförande A, vilket ger en översiktlig kontroll. För kontrollnivå 2 gäller utförande B och C. Där utförande B har som syfte att ge större säkerheten av modellens bedömda kvalitet. Utförande C gäller för kontroll av undantagsytor.
Kontrollen består i att profiler (punkter på rak linje) mäts in. Antalet profiler som ska mätas in beror på valt utförande, hur stort område modellen täcker och hur många marktyper som finns för området. Kontrollprofilerna ska placeras utspridda över modellen och på ett sådant sätt att de representerar den faktiska marken för området. Antalet kontrollprofiler för utförande A respektive B beräknas enligt ekvation 1 respektive 2:
3𝑁 + √𝐴 (1)
5𝑁 + 2√𝐴 (2)
Där N är antalet marktyper och A är områdets area i hektar.
Utförande C kräver minst 4 profiler per objekt, därefter tillkommer fler profiler beroende på objektets utbredning. Därefter jämförs profilerna med den skapade DTM:en för att se hur väl de stämmer överens (se avsnitt 3.6 för denna studies beräkningar).
Utifrån kontrollberäkningarna kan en DTM klassas efter toleranser gällande användningsområde samt markslag enligt SIS-TS 21144:2016 avsnitt 8.2, tabell 6 respektive 7 (avsnitt 4).
10 3 Metod och material
3.1 Instrument 3.1.1 ZEB-REVO
Instrumentet ZEB-REVO tillsammans med en bärbar dator lånades av företaget Norsecraft Geo. Instrumentet bestod huvudsakligen av två delar, skanningsenheten (1,0 kg) och dataloggern. Där all utrustning, tillhörande skannern inklusive laddare m.m, rymdes i ryggsäcken och vägde då totalt kring 4,1 kg (Figur 1). Med
instrumentet ingick en licens till bearbetningsprogrammet GeoSLAM som processade insamlad data till ett registrerat punktmoln som gavs i filformaten
.las/.laz (Figur 6). Dessutom erhölls en .ply-fil som innehöll det utförda gångstråket (Figur 7-8).
Figur 1. Utvalda delar från den handhållna laserskanningsutrusningen, från vänster: huvudkabel, datalogger, laserskanningsenhet, överföringskabel och ryggsäck. Bakgrundsmaterial från Norsecraft Geo.
Tabell 1. Utvalda tekniska specifikationer för handhållna laserskannern ZEB-REVO (GeoSLAM Ltd., 2017).
Laserklass 1
Skannade punkter per sekund 43200
Räckvidd 30 m*
Relativ osäkerhet 1 - 3 cm
Absolut positionsosäkerhet 3 - 30 cm
Vinkel siktfält 270° x 360°
* Maximalt avstånd inomhus mot objekt med 90 % reflektans.
Avstånd utomhus kan reduceras till 15-20 m beroende på miljö.
11 3.1.2 Övriga instrument och utrustning
För att möjliggöra georeferering av det laserskannande punktmolnet användes sfärer (figur 3) monterade på stativ. Stativen var försedda med cirkulärprismor Leica GPR121 (figur 4) i sfärernas ställe. Dessa placerades ut i området och mättes in med totalstation MS60 (serienummer: 882619). Inför skanningen byttes
cirkulärprismorna ut till sfärerna. För att etablera totalstationen användes en GNSS, iCON (serienummer: 2677577) med stång och 360-prisma Leica MPR 122.
Ytterligare utrustning som användes för att mäta kontrollprofiler var en stång försedd med plan fot samt prisma Geodimeter 571126111 (figur 2).
Genom digital avvägning höjdbestämdes även en kontrollpunkt i området, där instrumentet Leica DNA03 (serienummer: 341852) användes tillsammans med digital avvägningsstång, flyttpunkter och stativ.
Programvaror som använts för bearbetning och beräkning i studien var Geo
Professional School (version 2016.1.952.67), Terrascan (version 08.11.09.292) och CloudCompare (version 2.9.1).
Figur 3. Halvsfär (till vänster) och helsfär (till
höger). Figur 4. Cirkulärprisma som
användes för att mäta in sfärernas position.
Figur 2. Stång med prisma och plan fot som användes vid inmätning av kontrollprofiler.
12 3.2 Studieområde
För att skanna in marken för ett skogsområde behövde området vara fritt från snö.
Antal eventuella områden för studien begränsades därför på grund av snömängden som fanns i landet under tillfället. Området som valdes för studien var ett mindre skogsparti i Valbo utanför Gävle och bestod mestadels av barrskog med något enstaka lövträd. Vidare bestod landskapet av en större slänt med en brant lutning intill en asfalterad landsväg. I området fanns även ett större elskåp och en skogsväg som nyttjades som fasta objekt när skanningen utfördes. Området som skannades in hade en yta på omkring 2000 m2 (figur 5).
3.3 Laserskanning
Vid insamlingen av data för metoden HLS gjordes först en rekognosering av hur gångstråket skulle utformas för att täcka området med data. Stativ med sfärer (figur 3) placerades utmed det planerade gångstråket för att möjliggöra georeferering av punktmolnet. Slingan skapades på ett sådant sätt att början och slut utgick från samma ställe. Innan mätningens början och avslut placerades skanningsenheten på ett stabilt underlag där den fick rotera ca 5 varv för att initialisera respektive verifiera mätningen. Själva skanningen av området tog ca 10 min.
För att skapa punktmolnet över området överfördes insamlad data från
instrumentets datalogger, via en kabel och ett externt USB-minne, till en dator.
Data laddades sedan upp till datorprogrammet GeoSLAM som processade det till ett registrerat punktmoln, innehållande ca 8,8 miljoner punkter (figur 6). Det tog ungefär lika lång tid för programmet att processa data som det tog att samla in data.
Figur 5. Studieområdet där mätningarna utfördes.
13
.
För FLS laddades laserdata över det aktuella området ner från Lantmäteriet (2015) från produkten ”Laserdata vektor”. Laserskanningen av området ägde rum mellan 2015-05-04 och 2015-05-09.
3.4 Mätning
3.4.1 Stationsetablering
RUFRIS användes som stationsetableringsmetod (avsnitt 2.3), där totalstationen placerades på önskad plats för att möjliggöra fri sikt till samtliga objekt och samtidigt försäkra att GNSS-mottagaren hade täckning. För att kunna göra jämförelser med Lantmäteriets data etablerades stationen i samma referenssystem, SWEREF 99 TM och RH 2000 i höjd. Mätningarna för stationsetableringen med RUFRIS som metod finns i bilaga E. Under mätningen sattes även reflextejpar upp i området som mättes in för att kunna förflytta stationen längre upp i området och med hjälp av dessa etablerades stationen genom fri stationsetablering (bilaga E).
Figur 7. Gångstråk från början (röd färg)
till slut (blå färg). Figur 8. Gångstråk som visar hur mycket
data som samlats in. Röd färg indikerar sämre datainsamling och blå indikerar god datainsamling.
Figur 6. Exempel på det registrerade punktmolnet (HLS) från olika perspektiv.
14
En egen kontroll av stationsetableringen gjordes genom att en utmarkerad punkt mättes in, med ett 360-prisma som fästes på en prismastång, före respektive efter utförd mätning. Då stationsetableringen gjordes genom metoden RUFRIS krävdes ytterligare kontroll av höjden på kontrollpunkten. Detta då GNSS, som metoden RUFRIS använder, endast har en lägesosäkerhet på 10 mm i höjd enligt HMK- Teknisk rapport 2018:1 (2018). För att kontrollera punktens och därmed även stationsetableringens höjd gjordes därför en digital avvägning (i form av en slinga) från en känd höjdfix, via en annan, till den markerade punkten (bilaga F). Genom att gå från en känd höjdfix till en annan gjordes även en allmän kontroll av de kända fixarnas höjd innan höjden för den utmarkerade punkten togs fram. Eftersom avvägningen gjordes vid ett senare tillfälle än resterande mätning gjordes även en extra inmätning av kontrollpunkten med totalstation, som etablerades efter de tidigare inmätta reflextejparna i studieområdet. Inmätningen gjordes för att upptäcka eventuell förflyttning av kontrollpunkten. Resultatet av avvägningen och kontrollmätningarna redovisas i tabell 6.
3.4.2 Inmätning av sfärer
Utplacerade stativ med sfärer mättes in genom att cirkulärprismor monterades i sfärens ställe (figur 3 och 4) för att kunna få koordinater över sfärens position.
Höjderna för varje signal (cirkulärprisma samt sfär) mättes också för att kunna få korrekt höjd inför georefereringen. Detta gjordes med måttband som placerades på trefoten. Höjden från trefoten till signalens centrum mättes också med måttband därefter.
3.4.3 Kontrollprofiler
Enligt SIS-TS 21144:2016 avsnitt 10.4.2 och avsnitt 2.5 i denna rapport, beräknades antalet kontrollprofiler för området till 7 st. Detta genom användandet av
ekvationen för utförande A, där antalet beräknades utifrån två markslagstyper (skogsmark blandskog och slänt jämn) och en area på 0,2 ha. Kontrollprofilerna placerades på ett sådant sätt att de var inom räckhåll för totalstationen och rymdes i området, samtidigt som de representerade markens utformning (figur 9). Mätningen gjordes genom att prismat (Geodimeter 571126111) sattes fast på stången med plan fot, på en känd höjd. Därefter mättes 8 raka linjer (en extra profil) in med
totalstationen, vardera minst 20 m långa och innehållande minst 20 punkter.
15
Figur 9. Hur de olika profilerna var placerade över DTM:en. P1-P8 utgör profilerna 1 till 8.
3.5 Bearbetning 3.5.1 Georeferering
Georefereringen av det registrerade punktmolnet gjordes i CloudCompare, vilket gjordes genom att först modellera varje sfär i punktmolnet. Modelleringen gick till på så sätt att mittpunkten av varje sfär inledningsvis fastställdes. För helsfärerna kunde programmet själv hitta mittpunkten genom att först låta programmet modellera sfären, för att sedan ändra radien för denna och passa in sfären i centralt läge. För halvsfärerna var det dock tvunget att göra en egen bedömning var
mittpunkten av sfären var, då CloudCompare inte hade möjlighet att modellera dessa. Halvsfärerna skapades som helsfärerna efter bestämd radie och den bedömda mittpunktens koordinater för sfären fastställde sfärens position. De modellerade sfärerna gjordes sedan om till punktmolnsdata, som sammanfogades till det egentliga punktmolnet från HLS-mätningarna. Efter sammanfogningen importerades en koordinatfil för det inmätta sfärerna till programmet i form av punkter. Därefter valdes var och en av sfärerna i punktmolnet ut, för varje markerad sfär i
punktmolnet valdes motsvarande inmätta punkt ut från koordinatfilen. Programmet beräknade även ett root mean square (RMS) värde över georefereringen (bilaga G).
16 3.5.2 Skapa DTM som TIN
Det första steget för att skapa DTM:enra var att filtrera bort punkter som fanns ovanför det som representerade marken. Lantmäteriets laserdata för FLS DTM:en hade redan klassificerat punktmolnet och de aktuella punkterna för endast marken kunde lätt plockas ut med hjälp av programvaran Terrascan. Då detta punktmoln har en punkttäthet på 2 m behövdes ingen vidare reducering av punkterna. Därefter skapades själva DTM:en i form av TIN i programmet Cloudcompare.
Punktmolnet från HLS mätningarna behövde bearbetas mer för att filtrera
punktmolnet, tills det endast avsåg själva marken. För detta användes tillägget med algoritmen cloth simulation filtering (CSF) i CloudCompare (Zhang et al, 2016).
Algoritmen definierade punkterna som representerade marken och filtrerade bort resterande punkter. Enligt Zhang et al. (2016) använder algoritmen en inverterad form av punktmolnet där ett tänkt ”täcke” passas in efter punktmolnets yta och användarens valda parametrar. De delar av punktmolnet som av tillägget fortfarande felaktigt ansågs vara markpunkter kunde sedan manuellt avlägsnas. Därefter
reducerades antalet punkter i det filtrerade punktmolnet genom att bestämma avståndet mellan punkterna, vilket fastställdes till 0,5 m, 1 m och 2 m för HLS.
Detta gjordes för att skapa en DTM med ett relevant antal trianglar men som fortfarande representerade markytans utformning. Anledningen till att tre olika DTM:er, med varierande punkttäthet testades, var att utreda huruvida mängden data påverkade resultat för respektive DTM från HLS. Detta i likhet med Klang och Burman (2006) som testade hur osäkerheten av höjdmodellen påverkades av olika punkttäthet. Tillsist gjordes trianguleringen av modellen genom att använda en av programvarans funktioner för Delauney triangulering som gjorde en bästa
anpassning i alla dimensioner.
3.6 Jämförelse av DTM:er mot kontrollprofiler
Kontrollberäkningen av respektive DTM utfördes enligt SIS-TS 21144:2016 avsnitt 10.8, med underliggande avsnitt. Resultatet från kontrollberäkningarna utgjorde jämförelsen mellan DTM:erna som har sammanställts i tabell 2-5. Beräkningarna gjordes stegvis och DTM:erna var för sig. Första steget var att beräkna
höjdskillnaden (Ah) mellan den genererade DTM:en (Th) och de inmätta punkterna i varje enskild profil (Kh), enligt ekvation (3). Då profilens värde anses vara den sanna värdet för marken utgör höjdskillnaden en avvikelse. Programvaran Geo användes för att beräkna fram höjdavvikelserna för samtliga DTM:er (Bilaga A-D).
𝐴ℎ = 𝑇ℎ − 𝐾ℎ (3)
17
Nästa steg var att beräkna medelavvikelsen (Ahm) enligt ekvation 4. Där summan av höjdavvikelserna (Ahi), från ekvation 3, dividerades med antalet inmätta punkter i profilen (n).
𝐴ℎ𝑚 =∑𝑛𝑖=1𝐴ℎ𝑖
𝑛 (4)
Därefter beräknades höjdavvikelsernas standardavvikelse (Sp) enligt ekvation 5. I beräkningen ingick värden för varje enskild höjdavvikelse (Ahi) som subtraherades med medelavvikelsen (Ahm). Differensen kvadrerades och summerades, därefter dividerades summan med antalet mätpunkter i profilen (n).
𝑆𝑝 = √∑𝑛𝑖=1(𝐴ℎ𝑖−𝐴ℎ𝑚)2
𝑛−1 (5)
Resultatet sammanställdes manuellt i tabell 2-5 där värden för min, max, medel- samt standardavvikelse för varje enskild profil framgår. För att få en helhet över DTM:ernas avvikelse mot profilerna beräknades även medelavvikelse (Mapt) och standardavvikelse (Spt) för varje markslagstyp enligt ekvation 6 och 7. Den totala medelavvikelsen (Mapt) för en viss marktyp beräknades genom att samtliga
höjdavvikelser (Ahi) för respektive profil (tillhörande marktypen) summerades och dividerades med antalet mätpunkter (n).
𝑀𝑎𝑝𝑡 =∑ 𝐴ℎ𝑖
𝑛𝑖=1
𝑛 (6)
Medelavvikelsen (Mapt) för respektive marktyp användes vid beräkningen av standardavvikelsen för respektive marktyp (Spt) tillsammans med varje profils höjdavvikelser (Ahi) och antalet mätpunkter (n), allt enligt ekvation 7.
𝑆𝑝𝑡 = √∑ (𝐴ℎ𝑖−𝑀𝑎𝑝𝑡)2
𝑛 𝑖=1
𝑛−1 (7)
Samma ekvationer (6 och 7) användes för att beräkna medel- och standardavvikelse för hela området för ytterligare jämförelse (tabell 2-5 och figur 10).
18 4 Resultat
I detta avsnitt visas resultatet av de jämförelser som gjorts mellan kontrollprofilerna och DTM:erna som skapats från flygburen respektive handhållen laserskanning. För varje enskild profil anges minsta (Min) respektive största (Max) avvikelsen som DTM:en hade gentemot profilerna. Även medelvärdet (Ahm) och standardavvikelsen (Sp) för höjdavvikelserna anges för varje enskild profil. RMS beräknades också fram för varje enskild profil, vilket är en annan typ av statistiskt spridningsmått som bättre visar systematiska fel än standardosäkerhet. Mapt1 visar medelvärdet för höjdavvikelserna för hela området, medan Spt1 visar standardavvikelsen för hela området. Därefter beräknades höjdavvikelsernas medelvärde (Mapt2) och
standardavvikelse (Spt2) ut för varje marktyp. Där profil 1 till 3 var belägna på ett område som ansågs vara slänt (marktyp 15p) och profil 4 till 8 på skogsmark
(marktyp 5), val av marktyper utgick ifrån SIS-TS 21144:2016, avsnitt 6.1, tabell 3.
Området som ansågs vara av marktypen slänt var dock fortfarande beläget i skogsområdet.
Resultatet av jämförelsen mellan DTM:en för FLS och kontrollprofilerna visas i tabell 2. För FLS beräknades ett medelvärde på 0,055 m i höjdavvikelse för hela området med en standardavvikelse på 0,046 m. Höjdavvikelsens medelvärde för profil 1 till 3 beräknades till 0,057 m där standardavvikelsen var 0,056 m. För profil 4 till 8 beräknades höjdavvikelsen till 0,054 m med en standardavvikelse på 0,041 m.
DTM:en skapad från FLS-data klarar klass 3 enligt SIS-TS 21144:2016 avsnitt 8.2 tabell 6, samt uppfyller kraven för klass E, jämn skogsmark, enligt tabell 7 i samma avsnitt. Klass 3 avser att markmodellen klarar en maximal avvikelse i höjd på 0,10 m.
Tabell 2. Resultatet från jämförelsen mellan kontrollprofilerna och DTM:en från flygburen laserskanning med data inhämtad från Lantmäteriet (2015). Resultatet redovisas i meter.
Profil 1 Profil 2 Profil 3 Profil 4 Profil 5 Profil 6 Profil 7 Profil 8
Min 0,002 -0,002 0,003 0,005 0,000 0,008 0,050 -0,005
Max 0,123 0,110 0,218 0,081 0,116 0,109 0,184 0,151
Ahm 0,054 0,044 0,069 0,033 0,046 0,058 0,078 0,055
Sp 0,049 0,043 0,067 0,019 0,037 0,032 0,043 0,053
RMS 0,072 0,060 0,096 0,038 0,059 0,066 0,088 0,076
Mapt2 0,057 0,054
Spt2 0,056 0,041
Mapt1 0,055
Spt1 0,046
19
För DTM:erna som skapades av laserdata från HLS, med varierande punkttätheter på 0,5 m, 1 m respektive 2 m, beräknades tre olika resultat fram. I tabell 3 visas resultaten för DTM:en med en punkttäthet på 0,5 m, där höjdavvikelsens
medelvärde för hela området beräknades till 0,043 m med en standardavvikelse på 0,034 m. För profil 1 till 3 beräknades höjdavvikelsernas medelvärde till 0,047 m, med en standardavvikelse på 0,032 m för. Profil 4 till 8 fick ett medelvärde på 0,044 m för höjdavvikelserna och en standardavvikelse på 0,036 m.
DTM:en klarar klass 2 enligt SIS-TS 21144:2016 avsnitt 8.2 tabell 6, samt uppfyller klass E, i tabell 7. Klass 2 avser en maximal medelavvikelse på 0,05 m i höjd.
Tabell 3. Resultatet från jämförelsen mellan kontrollprofilerna och DTM:en från handhållen laserskanning där en punkttäthet på 0,5 m användes. Resultatet redovisas i meter.
Profil 1 Profil 2 Profil 3 Profil 4 Profil 5 Profil 6 Profil 7 Profil 8 Min -0,001 0,001 0,001 0,000 -0,001 0,010 -0,002 0,000 Max 0,104 0,107 0,106 0,045 0,088 0,092 0,116 0,158 Ahm 0,039 0,046 0,054 0,012 0,040 0,056 0,046 0,067 Sp 0,034 0,034 0,031 0,014 0,027 0,025 0,028 0,049 RMS 0,051 0,055 0,062 0,019 0,048 0,061 0,053 0,083
Mapt2 0,047 0,044
Spt2 0,032 0,036
Mapt1 0,043
Spt1 0,034
Tabell 4 visar resultatet av HLS DTM:en baserad på reducerad punkttäthet, från 0,5 m till 1 m. Höjdavvikelsernas medelvärde ökade till 0,058 m med en
standardavvikelse på 0,046 m för hela området. Likaså ökade även höjdavvikelsen för de olika marktyperna. Där profil 1 till 3 fick ett medelvärde på 0,065 m med en standardavvikelse på 0,051 m, medan medelvärdet för profil 4 till 8 beräknades till 0,056 m med en standardavvikelse på 0,043 m.
DTM:en skapad från HLS-data med 1 m punkttäthet klarar samma toleranskrav, enligt SIS-TS 21144:2016 avsnitt 8.2 tabell 6 och 7, som DTM:en skapad från FLS- data.
20
Tabell 4. Resultatet från jämförelsen mellan kontrollprofilerna och DTM:en från handhållen laserskanning där en punkttäthet på 1 m användes. Resultatet redovisas i meter.
Profil 1 Profil 2 Profil 3 Profil 4 Profil 5 Profil 6 Profil 7 Profil 8 Min -0,006 0,006 -0,003 0,000 0,003 0,012 0,020 0,012 Max 0,128 0,132 0,198 0,085 0,105 0,137 0,110 0,170 Ahm 0,054 0,062 0,076 0,034 0,050 0,068 0,051 0,080 Sp 0,037 0,050 0,061 0,025 0,035 0,031 0,035 0,066 RMS 0,065 0,077 0,096 0,041 0,060 0,075 0,061 0,102
Mapt2 0,065 0,056
Spt2 0,051 0,043
Mapt1 0,058
Spt1 0,046
Ytterligare reducering av punkttätheten för DTM:en med data från HLS gjordes för att jämföra 2 m punkttäthet gentemot DTM:en med data från FLS, som även den hade 2 m punkttäthet. Följande resulterade i ytterligare växande avvikelser som visas i tabell 5. Höjdavvikelsen för DTM:en med 2 m punkttäthet från HLS beräknades till 0,087 m i medelvärde med en standardavvikelse på 0,102 m. Även här växte höjdavvikelsen för de olika marktyperna, där profil 1 till 3 fick en höjdavvikelse på 0,104 m som medelvärde och en standardavvikelse på 0,116 m. För profil 4 till 8 beräknades höjdavvikelsernas medelvärde till 0,078 m med standardavvikelse på 0,094 m.
Resultatet klarar klass 4 enligt SIS-TS 21144:2016 avsnitt 8.2 tabell 6, samt uppfyller klass E, tabell 7.
Tabell 5. Resultatet från jämförelsen mellan kontrollprofilerna och DTM:en från handhållen laserskanning där en punkttäthet på 2 m användes. Resultatet redovisas i meter.
Profil 1 Profil 2 Profil 3 Profil 4 Profil 5 Profil 6 Profil 7 Profil 8 Min 0,029 -0,011 0,002 0,000 0,009 0,069 -0,009 0,010 Max 0,293 0,335 0,489 0,303 0,216 0,166 0,163 0,222 Ahm 0,114 0,099 0,105 0,149 0,049 0,107 0,078 0,022 Sp 0,107 0,100 0,136 0,099 0,092 0,039 0,041 0,113 RMS 0,154 0,139 0,169 0,177 0,103 0,113 0,088 0,113
Mapt2 0,104 0,078
Spt2 0,116 0,094
Mapt1 0,087
Spt1 0,102
21
Figur 10. Sammanställning av samtliga DTM:ers beräknade medel samt standardavvikelse gentemot kontrollprofilerna för hela området och för varje marktyp för sig. Resultatet redovisas i meter.
I Figur 11-12 visas skillnaden mellan DTM:erna skapade med data från FLS med 2 m punkttäthet respektive HLS med 0,5 m punkttäthet, i en grafisk 3D-vy. HLS-datat med 0,5 m visar på en mer detaljrik modellering av DTM.
Figur 11. DTM skapad med FLS-data från ”Laserdata vektor” © Lantmäteriet (2015) med 2 m punkttäthet.
Framtagen i Geo.
-0,05 0 0,05 0,1 0,15 0,2 0,25
Mapt1 (skogsmark, hela området)
Mapt2 (skogsmark, stark lutning)
Mapt2 (skogsmark, svag lutning) Meter FLS HLS 0,5 m HLS 1 m HLS 2 m
22
Figur 12. DTM skapad från HLS-data med 0,5 m punkttäthet. Framtagen i Geo.
Skillnaden i höjd var 13 mm mellan första stationsetableringen med RUFRIS och den digitala avvägningen. Vid mätningen av kontrollpunkten mellan första
stationsetableringen och kontrollen beräknades en skillnad på 8 mm fram, vilket inte säkert kan fastställas som en förflyttning av punkten då skillnaden är inom
mätosäkerheten för RUFRIS.
Tabell 6. Resultat från inmätningen av kontrollpunkten (K1). Den digitala avvägningen gav endast resultat i höjdled. Referens- och höjdsystem, SWEREF 99 TM och RH 2000.
N E H (m) Typ Datum
6 727 073,014 612 938,682 28,452 Efter stationsetablering 2018-04-17 6 727 073,017 612 938,684 28,451 Efter mätning 2018-04-17 6 727 073,017 612 938,680 28,448 Efter stationsetablering 2018-04-18 6 727 073,019 612 938,679 28,447 Efter mätning 2018-04-18
- - 28,439 Avvägning 2018-05-15
6 727 073,016 612 938,678 28,444 Kontroll 2018-05-16
23 5 Diskussion
Genomförd studie visar att mätningar med HLS kan jämställas med FLS-mätningar som mätningsmetod, sett till respektive DTM:s avvikelse mot kontrollprofilerna.
Från både HLS och FLS som mätningsmetod skapades DTM:er med en medel- samt standardavvikelse på centimeternivå, där skillnaden dem emellan var små.
Det som är viktigt att ha i åtanke när resultatet analyseras är att laserskanningen med FLS gjordes för tre år sedan, medan skanningen med HLS och inmätningen av kontrollprofilerna gjordes vid samma tillfälle i och med studien. Men då skillnaderna mellan DTM:erna är små anses det inte ha någon betydelse i detta fall. Skanningen av området gjordes utefter rådande väderförhållanden, vilket gjorde att området begränsades i yta för att undvika att kvarliggande snö skannandes in. Dock kan tjäle ha funnits kvar i marken och påverkat resultatet, men vid sådant fall förmodligen ytterst lite. Denna eventuellt påverkande faktor bör också beaktas gällande kontrollen av höjden på kontrollpunkten som gjordes genom digital avvägning.
Kontrollen gjordes vid ett senare tillfälle efter att den först mättes in, vilket ger en viss osäkerhet i och med att kontrollpunkten kan ha rört sig. Men kontrollen gav ändå ett tillfredsställande värde då skillnaden för kontrollpunkten inte var mer än 8 mm från första tillfället. Tidsaspekten mellan mätningarna anses därför inte ha haft någon större påverkan på resultatet.
Ett orosmoment inför skanningen var om miljön var tillräckligt detaljrik för att få en lyckad registrering med SLAM-algoritmen, vilket inte blev något problem. Under skanningen var det svårt att avgöra vilka delområden som blivit skannande och inte.
Det blev inte synliggjort förrän punktmolnet var registrerat av
bearbetningsprogrammet, vilket ansågs vara en nackdel. Önskvärt var att ha en slinga likt Bauwens et al. (2016) men vilket försvårades väl ute i fält. Vid bedömning av punktmolnet i efterhand upptäcktes vissa brister och mindre hål i punktmolnet, där bl.a. vissa sfärer var något ovala eller hade allmänt få punkter. Detta hade kunnat undvikas genom en bättre planering av skanningens utförande. Där sfärerna
förslagsvis skulle kunna rundas för att få heltäckande data att modellera sfärerna efter. Detta hade underlättat placeringen av de modellerade sfärerna och eventuellt resulterat i en bättre georeferering. Insamlad laserdata anses ändå vara
tillfredsställande med tanke på det erhållna slutresultatet.
24
Fördelarna med HLS gentemot FLS är bland annat att skanningen och registreringen av punktmolnet kan göras mycket snabbt utan omfattande planering. Instrumentet ZEB-REVO med bearbetningsprogrammet GeoSLAM var dessutom mycket användarvänligt där mindre förkunskaper krävdes. I likhet med James och Quinton (2014) kan denna studie endast bekräfta att HLS verkar vara en lovande metod som är mycket snabb. För denna studie skannandes omkring 2000 m2 på strax under 10 min och bearbetningen till ett registrerat punktmoln gjordes på ungefär lika lång tid.
Om punktmolnet däremot också ska georefereas krävs det en hel del arbete, både före och efter skanningen, vilket kan vara tidskrävande (speciellt för ett område i skogsmiljö). Det omfattande arbetet med georeferering av punktmolnet anses vara en nackdel men som kanske skulle kunna lösas genom att integrera SLAM-
algoritmerna med GNSS, som Qian et al. (2017). RUFRIS som
stationsetableringsmetod kunde användas i denna studie då studieområdet låg intill en öppen yta, i form av en landsväg. Då RUFRIS använder GNSS-mätningar krävs det att instrumenten kan få signaler från satelliterna, vilket kan förhindras av t.ex.
träd eller höga byggnader. Detta gör att etableringsmetoden inte kan tillämpas överallt. Därmed kan mer svårtillgängliga områden behöva göra mer omfattande mätningar inför skanningen än vad denna studie behövde göra.
Riktlinjerna som anges i avsnitt 2.1, om att använda bl.a. brytlinjer vid framställning och representation av DTM, var ogenomförbart för denna studie. Anledningen till detta var att bearbetningen gjordes i CloudCompare, där brytlinjer inte går att skapa i efterhand. I resultatet har även profilpunkterna 3-4 i profil 1 och punkterna 2-4 i profil 2 tagits bort från samtliga mätningar. I jämförelsen mellan FLS DTM:en och kontrollprofilerna hade dessa punkter höga negativa värden som avvek markant från övriga höjdavvikelser. De höga negativa värdena bidrog till att i profil 1 och 2 fick höjdavvikelserna ett medelvärde (Ahm) som minskade avsevärt i förhållande till vad höjdavvikelserna skulle resultera i utan dessa höga negativa värden. Även det slutliga resultatet (Mapt1) för FLS DTM:en beräknades få en betydande skillnad på grund av detta. Innan dessa punkter togs bort hade profil 1 för FLS DTM:en en höjdavvikelse på 0,004 m, vilket ökade till 0,054 m utan punkternas inverkan. Punkternas
negativa värden resulterade i att profil 2 för samma DTM också fick en höjdavvikelse på 0,004 m, vilket ökade till 0,044 m utan punkterna. I det slutliga resultatet fick FLS DTM:en ett medelvärde på 0,045 m med punkterna, vilket ökade till 0,055 m utan dess inflytande. En bedömning gjorde därför att profilpunkterna 3 och 4, samt 2 till 4 för profil 1 respektive 2 inte var representativ för resultatet, varför
punkterna togs bort.
25
I jämförelsen mellan DTM:erna skapade med data från FLS och HLS så levererade metoderna likvärdiga höjdskillnader i medelvärde för hela området. HLS med 0,5 m punkttäthet var förvisso ca 1 cm bättre än FLS, men HLS med 1 m punkttäthet gav en DTM med väldigt likvärdigt resultat gentemot FLS. Det förväntade resultatet innan studien var att de båda metoderna skulle leverera likvärdiga resultat, vilket de även gjorde på ett tillfredsställande sätt. Sett till standardavvikelsen så var även här DTM:en skapad från HLS med 0,5 m punkttäthet ca 1 cm lägre än DTM:en från FLS. Resultatet för marktyp 15p, dvs. slänt, resulterade i 2 cm lägre
standardavvikelse för HLS med 0,5 m punkttäthet än DTM:en från FLS. DTM:en med 2 m punkttäthet som skapades från HLS gav dock sämst resultat utav samtliga DTM:er. Höjdavvikelsernas medelvärde var 0,087 m, där det var som sämst på marktyp 15p uppkom höjdavvikelsen till 0,104 m och med en standardavvikelse på 0,116 m. I och med att studien endast utgick ifrån åtta kontrollprofiler vid
beräknande av medel- och standardavvikelser kan resultatet, med de relativt små skillnaderna, inte försäkra statistisk signifikans. Skapandet av DTM från HLS-data gav bättre resultat när högre punkttäthet av punktmolnet användes. Därmed visar studien på samma trend som Klang och Burman (2006), att högre punkttäthet kan generera i en DTM med lägre osäkerhet. HLS kan vara en alternativ metod, men samtidigt kan laserdata från FLS ändå ge låg osäkerhet för en DTM skapad från betydligt färre punkter.
I studien av Bauwens et al. (2016) jämfördes b.la. höjdskillnader mellan DTM:er skapade från mätningar med handhållen laserskanner (ZEB1, vilket är en föregångare till ZEB-REVO) och terrester laserskanner (FARO Focus 3D 120). Detta gjordes för tio olika testområden. Där resultatet visade att skillnaderna mellan DTM:erna kunde uppnå värden lägre än 20 cm för vissa områden. Då ZEB-REVO är en nyare modell än ZEB1 bör ZEB-REVO åtminstone kunna uppnå liknande osäkerhet som ZEB1 i jämförelse med TLS (FARO Focus 3D 120). Denna reflektion är dock inget som vår studie kan bekräfta.
5.1 Vidare studier
En vidare inriktning på denna studie skulle kunna vara att testa samla in FLS-data med UAS istället för att använda Lantmäteriets. Detta kan vara intressant då UAS blir en allt mer vanlig metod bland verksamma yrkesmän.
En annan idé för kommande studier skulle kunna vara att utforska hur SLAM- algoritmen integrerat med GNSS eventuellt skulle kunna förbättra registrering och georeferering av ett punktmoln. Där studien skulle kunna testa olika detaljrika områden för att se hur och när teknikerna behöver komplettera varandra.
26
5.2 Hållbar utveckling och etiska aspekter
HLS med instrumentet ZEB-REVO är en tidseffektiv metod som underlättar och effektiviserar arbetsprocessen. Då metoden HLS är fri från avgaser gör HLS mindre inverkan på miljön och kan vara en alternativ metod i jämförelse med flygplan eller andra bränsledrivna fordon. I och med att HLS snabbt kan samla in önskad data för ett mindre område kan dessutom antalet extra arbetsresor minskas och utsläppen av avgaser med dem. Då studien använde ny teknik i form av instrumentet ZEB-REVO kan studien gå under mål nio av 17 för hållbar utveckling (United Nations, u.å.).
Etiska aspekter som togs i beaktning för denna studie var om markägaren hade några synpunkter på att vi var på dennes mark och gjorde studien. Markägaren
kontaktades varav markägaren godkände vår förfrågan om att tillfälligt få vistas på marken och även använda det data vi samlade in för studien.
27 6 Slutsats
Utifrån en inledande utvärdering av HLS som mätningsmetod, för framställande av en DTM i skogsterräng, visar studien på likvärdigt resultat sett till lägesosäkerheten för vad en DTM med FLS-mätningar kan åstadkomma. I och med det kan slutsatser dras att FLS är fortsatt bra, effektiv metod att samla in data för att skapandet av DTM i skogsterräng. Men att HLS kan vara en kompletterande metod om data saknas för ett mindre område, eller om området i fråga har en utmanande terräng.
Då metoden inte behöver samma omfattande planering och kan utföras mycket snabbt på bara några minuter. I jämförelse med FLS som mätningsmetod är
enkelheten att samla in data och få ett registrerat punktmoln på en sådan kort tid en klar fördel för HLS. Medan nackdelarna med HLS är att insamlad data inte blir synlig förrän efter bearbetningen av punktmolnet och att om punktmolnet ska georefereras krävs en hel del förberedande samt vidare bearbetning.
28 Referenser
Bauwens, S., Bartholomeus, H., Calders, K. & Lejeune, P. (2016). Forest Inventory with Terrestrial LiDAR: A Comparison of Static and Hand-Held Mobile Laser Scanning. Forests, 7(6). https://doi.org/10.3390/f7060127 Dewez, T. J. B., Yart, S., Thuon, Y., Pannet, P., & Plat, E. (2017). Towards
cavity-collapse hazard maps with Zeb-Revo handheld laser scanner point clouds. Photogrammetric Record, 32(160), 354–376.
https://doi.org/10.1111/phor.12223
Durrant-Whyte, H., & Bailey, T. (2006). Simultaneous localization and mapping (SLAM): part I The Essential Algorithms. Robotics & Automation Magazine, 2, 99–110. https://doi.org/10.1109/MRA.2006.1638022
GeoSLAM Ltd. (2017). ZEB-REVO user manual v3.0.0 [Broschyr]. Hämtad 8 maj, 2018, från http://download.geoslam.com/docs/zeb-revo/ZEB-
REVO%20User%20Guide%20V3.0.0.pdf
HMK-Höjddata. (2017). Handbok i mät- och kartfrågor, Höjddata. Gävle:
Lantmäteriet. Hämtad den 1 januari, 2018, från
http://www.lantmateriet.se/globalassets/om-lantmateriet/var-samverkan- med-andra/handbok-mat--och-
kartfragor/dokument/2017/hmk_hojddata_2017.pdf
HMK-Teknisk rapport 2018:1. (2018). Handbok i mät- och kartfrågor, Teknisk rapport 2018:1:Mät- och lägesosäkerhet vid geodatainsamling – en lathund. Gävle:
Lantmäteriet. Hämtad den 14 maj, 2018, från
https://www.lantmateriet.se/globalassets/om-lantmateriet/var-samverkan- med-andra/handbok-mat--och-kartfragor/tekn_rapporter/hmk-tr_2018- 1_lathund.pdf
Hubacek, M., Kovarik, V., & Kratochvil, V. (2016). ANALYSIS OF INFLUENCE OF TERRAIN RELIEF ROUGHNESS ON DEM ACCURACY GENERATED FROM LIDAR IN THE CZECH REPUBLIC TERRITORY. ISPRS -
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B4, 25–30. https://doi.org/10.5194/isprs-archives-XLI-B4-25- 2016
INSPIRE Thematic Working Group Elevation. (2012). D2.8.II.1 INSPIRE Data Specification on Elevation – Technical Guidelines. Hämtad 7 maj, 2018, från http://inspire.ec.europa.eu/documents/Data_Specifications/INSPIRE_DataS pecification_EL_v3.0.2.pdf
James, M.R. & Quinton, J.N. (2014). Ultra-rapid topographic surveying for complex environments: the hand-held mobile laser scanner (HMLS). Earth Surf. Process. Landforms, 39, 138-142. https://doi.org/10.1002/esp.3489
29
Klang, D. & Burman, H. (2006). En ny svensk höjdmodell – Laserskanning, Testprojekt Falun. LMV-rapport 2006:3. Gävle: Lantmäteriet. Hämtad 24 maj, 2018, från https://www.lantmateriet.se/globalassets/kartor-och-geografisk-
information/gps-och-
matning/geodesi/rapporter_publikationer/rapporter/lmv- rapport_2006_03_laserskanning_falun.pdf
Lantmäteriet. (2011). Rapporter - Höjdmodellens noggrannhet. Gävle: Lantmäteriet.
Hämtad den 1 januari 2018 från
http://www.lantmateriet.se/globalassets/kartor-och-geografisk- information/hojddata/rapporter/nnh_noggrannhet.pdf
Lantmäteriet m.fl. (2013). Geodetisk och fotogrammetrisk mätnings- och beräkningsteknik.
Gävle: Lantmäteriet.
Lantmäteriet. (2015). Laserdata vektor. Hämtad den 13 april, 2018.
Lantmäteriet. (2016). Kvalitetsbeskrivning nationell höjdmodell. Gävle: Lantmäteriet.
Hämtad den 15 februari, 2018, från
https://www.lantmateriet.se/globalassets/kartor-och-geografisk-
information/hojddata/produktbeskrivningar/kvalitetsbeskrivning_nh.pdf Lehtola, V. V., Kaartinen, H., Nüchter, A., Kaijaluoto, R., Kukko, A., Litkey, P.,
Honkavaara, E., Rosnell, T., Vaaja, M.T., Virtanen, J-P., Kukela, M., El Issaoui, A., Zhu, L., Jaakkola, A. & Hyyppä, J. (2017). Comparison of the selected state-of-the-art 3D indoor scanning and point cloud generation methods. Remote Sensing, 9(8). https://doi.org/10.3390/rs9080796
Liang, X., Kukko, A., Kaartinen, H., Hyyppä, J., Yu, X., Jaakkola, A. & Wang, Y.
(2014). Possibilities of a Personal Laser Scanning System for Forest Mapping and Ecosystem Services. Sensors, 14(1), 1228–1248.
https://doi.org/10.3390/s140101228
Mårtensson, S-G. (2016). Geodetisk mätning och beräkning [Kompendium]. Högskolan i Gävle, Akademin för teknik och miljö.
Qian, C., Liu, H., Tang, J., Chen, Y., Kaartinen, H., Kukko, A., Zhu, L., Liang, X., Chen, L. & Hyyppä, J. (2017). An Integrated GNSS/INS/LiDAR-SLAM Positioning Method for Highly Accurate Forest Stem Mapping. Remote Sensing, 9(1). https://doi.org/10.3390/rs9010003
Reshetyuk, Y. (2017). Terrester Laserskanning. Bookboon. Hämtad från https://bookboon.com/se/terrester-laserskanning-ebook
Ryding, J., Williams, E., Smith, M. J., & Eichhorn, M. P. (2015). Assessing handheld mobile laser scanners for forest surveys. Remote Sensing, 7(1), 1095–
1111. https://doi.org/10.3390/rs70101095
SIS-TS 21144 (2016). Byggmätning - Specifikationer vid framställning och kontroll av digitala terrängmodeller. Stockholm: SIS Förlag AB.
