AKADEMIN FÖR TEKNIK OCH MILJÖ
Avdelningen för datavetenskap och samhällsbyggnad
Utvärdering av höjdosäkerhet i digital terrängmodell framtagen med fotografier
infångade med DJI Phantom 4 RTK
Maya Bååth & Frida Jonsson 2020
Examensarbete, Grundnivå (kandidatexamen), 15 hp Lantmäteriteknik
Lantmätarprogrammet, teknisk inriktning
Förord
Med detta examensarbete avslutar vi nu vår studietid på Högskolan i Gävle.
Det har varit tre roliga och lärorika år, och vi vill rikta de varmaste tack till våra lärare på högskolan som hjälpt oss med allt de kunnat. Vi vill också tacka de fantastiska klasskamrater vi haft, som alltid bidragit till glad stämning även när uppgifterna varit svåra.
Vi vill också rikta ett speciellt tack till vår handledare och utbildningsansvarige Ulrika Ågren, som med stort engagemang alltid försökt besvara våra
funderingar och hjälpt oss med upplägget av detta examensarbete.
Ett stort tack förtjänar även Andrew Steuernagel och Andreas Westman på Faluns kommun som ställde upp med kort varsel och hjälpte oss med flygningen. Vi vill också tacka Tommy Segerqvist på Segerqvist Mätteknik, som lånade ut mätinstrument och hjälpte oss när det dök upp problem.
Sist men inte minst vill vi tacka våra familjer, för att dessa underbara människor alltid funnits där och gett oss stöd under hela vår studietid.
Gävle 2020-05-24
Maya Bååth och Frida Jonsson
Studenter på Lantmätarprogrammet, teknisk inriktning
Sammanfattning
Att använda obemannade flygfarkoster, även kallat UAS (unmanned aerial systems), i karterings- och modelleringssyften har blivit en välanvänd metod de senaste åren. Mycket på grund av den tekniska utvecklingen som till stor del automatiserat processen med att framställa höjdmodeller och ortofoton.
Inom ramen för denna studie kommer vi att titta närmare på hur olika faktorer påverkar höjdosäkerheten hos en höjdmodell framställd med data insamlat med en Real-Time Kinetic-UAS (RTK-UAS). Studien kommer dels att undersöka hur stor osäkerheten blir om endast den integrerade nätverks- RTK:n (NRTK) används vid georeferering av flygbilderna, dels att se hur stor påverkan adderade markstödpunkter har på osäkerheten. Studien kommer även undersöka hur stor påverkan flyghöjden har på osäkerheten genom att jämföra data från två flyghöjder: 100 m och 50 m. Det sista studien som undersöks är vilken inverkan snedbilder har på osäkerheten. Detta genom att jämföra en flygning där lodbilder tagits med en flygning där kameran har haft en vinkling på 60° från lod. Studien genomfördes med hjälp av Falun
kommuns mättekniker som manövrerade UAS:en. För att kunna testa markstödpunkternas inverkan på osäkerheten mättes nio punkter in. Även kontrollprofiler mättes för att kunna kontrollera höjdmodellerna som producerades. Totalt genomfördes 3 olika flygningar: 100 m med lodbilder, 50 m med lodbilder samt 50 m med snedbilder.
De insamlade fotografierna importerades till programvaran Agisoft Metashape där de georefererades med olika metoder. För att undersöka hur
markstödpunkter påverkar osäkerheten genomfördes fem olika
georefereringsmetoder av fotografierna tagna på 100 m flyghöjd med olika antal markstödpunkter i varje. RMS-värdet varierade från 0,060 m för NRTK + 1 GCP till 0,068 m för NRTK+2 GCP som fick den högsta osäkerheten.
Undersökningen av flyghöjder visade att en lägre flyghöjd har en tydlig effekt på mätosäkerheten. En minskning av RMS-värdet sågs när 50 m flyghöjd användes jämfört med när 100 m flyghöjd användes.
Användningen av snedbilder gav ingen tydlig effekt på mätosäkerheten. RMS- värdet blev 0,014 m då lodbilder användes och 0,017 m då snedbilder
användes. Snedbildernas resultat försämrades något på grund av den adderade höjden från gräset, så på endast hårdgjorda ytor blir RMS-värdet från
snedbildsflygningen noterbart lägre än RMS-värdet från lodbildsflygningen.
Nyckelord: Fotogrammetri, Digital höjdmodell, UAS, NRTK-UAS,
Abstract
The technology of Unmanned Aerial Systems (UAS) has gained popularity as a tool for mapping and modeling applications in recent years. This is mainly due to the technological developments that have largely automated the process of producing digital elevation models (DEMs) and orthophotos.
This study investigates the factors that effect the height uncertainty in an elevation model that is produced with data collected with a NRTK-UAS (Network Real-Time Kinematic UAS). We also evaluate two different scenarios i.e. how the uncertainty is affected by using only NRTK-UAS and the effect of adding ground control points (GCPs) to NRTK-UAS. It is also investigated how the flying height and using oblique images affect the DEM uncertainty. This will be assessed by comparing two flights i.e. by capturing nadiral and oblique images. The oblique images were captured at a 60° angle.
The study was realised with help from the surveying engineer of Falun
municipality, who maneuvered the UAS. The study area was around three and a half ha and consisted mainly of park. To be able to test different
georeferencing methods GCP:s were surveyed, as well as control profiles that served as a reference for investigating the uncertainty of the elevation model.
There were totally 3 different flying methods tested: 100 m with nadiral orientation, 50 m with nadiral orientation and 50 m with oblige orientation.
The acquired data was processed in the software Agisoft Metashape, where it was georeferenced with different above-mentioned methods. To be able to examine which impact GCP has on the uncertainty, five different sets with different number of GCP were made with the photos captured from 100 m flying height. The RMS value varied from 0,060 m for NRTK+1 GCP which had the lowest RMS value to 0,068 m for NRTK+2 GCP which had the highest RMS value.
We used the combination of NRTK-UAS and GCPs for testing the impact of flying height on the uncertainty. The flying heights 100 m and 50 m was compared. A decrease of the uncertainty was observed when the flying height was 50 m instead of 100 m.
Our results show that the RMS-value increased from 0,014 m to 0,017 m using nadiral and oblique images, respectively. The difference is too small to be able to draw a conclusion. The results for the oblique images improved when only hard surfaces such as asphalt, concrete etc. were observed.
Innehållsförteckning
Förord ... i
Sammanfattning ... iii
Abstract ... v
Innehållsförteckning ... vii
1 Introduktion ... 1
1.1 Bakgrund ... 1
1.2 Hur UAS används i dagsläget... 1
1.3 Vilka är rekommendationerna för obemannade flygfarkoster (UAS) ... 3
1.4 Kravställning på DEM ... 4
1.5 Syfte och frågeställningar ... 4
1.6 Avgränsningar ... 5
2 Tidigare studier ... 6
3 Metod ... 10
3.1 Studieområdet ... 10
3.1.1 Rekognoscering ... 11
3.2 Inmätning av markstödpunkter ... 11
3.3 Inmätning av kontrollprofiler ... 14
3.4 Datainsamling med UAS ... 16
3.5 Databearbetning ... 19
3.5.1 Agisoft Metashape ... 19
3.5.2 Structure-from-Motion ... 19
3.5.3 Framställning av punktmoln ... 20
3.6 Bearbetning av kontrollprofiler ... 28
3.6.1 Kontroll av markprofilerna ... 28
3.6.2 Beräkning av varje enskild marktyp ... 29
3.7 Hypotesprövning ... 29
4 Hållbarhetsaspekter ... 31
4.1 Hållbarhet ... 31
4.2 Etiska överväganden ... 31
5 Resultat ... 32
5.1 RUFRIS etablering ... 32
5.2 Markstödpunkter/Kontrollpunkters koordinater ... 32
5.3 Beräkningsresultat ... 33
5.3.1 Jämförelse av olika georefereringsmetoder ... 33
5.3.2 Medelavvikelsen för varje markprofil ... 35
5.3.3 Jämförelse av olika flygmetoder ... 36
5.3.4 Jämförelse av avvikelser på olika marktyper ... 37
5.4 Hypotesprövning ... 42
7.1 Vidare studier ... 47 Referenser ... 49 Bilaga A: Koordinater för kontrollpunkter/markstödpunkter ... A1 Bilaga B: Jonosfärsstörning och tillgängliga satelliter ... B1 Bilaga C: Drönarens kamera och GNSS specifikationer ... C1 Bilaga D: Koordinater för kontrollprofiler ... D1 Bilaga E: Beräknade avvikelser i höjd för samtliga kontrollprofiler ... E1 Bilaga F: Agisoft Processing Reports ... F1
1 Introduktion
Att använda obemannade flygsystem (även kallat UAS, vilket står för Unmanned Aerial Systems) för att med hjälp av fotogrammetri observera och kartera
markanvändning har på senare år blivit populärt. Fotogrammetri med UAS har flera användningsområden, däribland inom jordbruk, övervakning av infrastruktur, arkeologi, med mera (Mårtensson & Reshetyuk, 2017). Även kommuner har insett nyttan med att använda UAS i deras samhällsbyggnadsarbete, och denna studie syftar till att utreda vilken standardosäkerhet i höjd som kan uppnås med en nätverks-RTK (NRTK) UAS för att kommunerna lättare ska kunna nyttja UAS i deras dagliga arbete.
Enligt HMK-Ortofoto 2017 så finns olika standardnivåer för vilken godtagbar kvalité ett ortofoto ska uppnå för olika tillämpningar. Detta arbete kommer att fokusera på HMK standardnivå 2, det vill säga mätning och kartläggning av kommunal tätort för detaljplanering och dokumentation (HMK-Geodatakvalitet, 2017). En HMK standardnivå 2 sätter vissa krav på slutprodukten, dessa är en upplösning på 0,08- 0,12 m, en lägesosäkerhet i plan på 0,08-0,12 m samt en standardosäkerhet i höjd på 0,1-0,25 m (HMK-Ortofoto, 2017). Detta bekräftas av Falun kommun som uppger att de vill uppnå en maximal osäkerhet i höjd på 0,10 m (Personlig kommunikation, 2020-04-14).
1.1 Bakgrund
Det som möjliggör att fotografier kan ge en tredimensionell upplevelse är det stereoskopiska djupseendet (Boberg, 2017). Precis som när vår hjärna
sammanställer informationen från två sidoförskjutna bilder som våra ögon fångat upp till en tredimensionell bild, skapas djupintrycket inom fotogrammetrin (Boberg, 2017). Utifrån bilderna kan då en modell över objektet skapas och tredimensionella lägeskoordinater kan bestämmas utifrån mätningar i bildblocket.
Historiskt sett har människans stereoseende utnyttjats för denna process, men idag utförs detta ofta automatiskt genom digital bildmatchning (Boberg, 2017).
Fotogrammetri tillämpas idag inom en rad områden, t.ex. för framställning av kartor som utgör grund för samhällsbyggande och för geografiska
informationssystem (GIS).
1.2 Hur UAS används i dagsläget
Några av anledningarna till ökningen av UAS-användning är mångsidigheten som finns. På flygfarkosten kan en kamera, laserskanner, värmekamera eller annat monteras, beroende på vad syftet är (Yusoff et al., 2018). En annan aspekt är priset:
uppdrag som tidigare krävde en helikopter eller ett flygplan (plus några
besättningsmedlemmar), kan idag genomföras av en person med en UAS. UAS är också tidseffektivt jämfört med terrestra metoder: på kort tid kan ett större område kartläggas, något som innan UAS:ens uppkomst var betydligt mer tidsödande (Martínez-Carricondo et al., 2018).
Med hjälp av fotografier infångade med UAS kan bland annat digitala höjdmodeller framställas. Digitala representationer av markytan används dagligen i
infrastrukturprojekt och på samhällsförvaltningar runt om i Sverige. Vanliga varianter av dessa är: Digital terrängmodell (DTM), Digital ytmodell (DSM), samt Digital höjdmodell (DEM) (GIS Geography, 2020). Skillnaden mellan dessa är att en DSM representerar hela markytan, inkluderat byggnader och vegetation. Detta gör en DSM till ett bra underlag för till exempel 3D-miljöer. En DTM är istället en representation av den rena markytan, det vill säga utan byggnader och vegetation, men med sluttningar och vattendrag. DEM är ett samlingsnamn för digitala höjdmodeller (Mårtensson & Reshetyuk, 2017).
Dessa olika representationer av markytan har traditionellt framställts med terrestra mätningsmetoder så som totalstation, GNSS eller laserskanning. Med terrestra metoder kan en DEM framställas med mycket låg osäkerhet, men på grund av tidsåtgången blir området begränsat (Reshetyuk & Mårtensson, 2016). Istället används flygburen fotogrammetri eller laserskanning när stora områden behöver kartläggas. Fördelen med laserskanning jämfört med fotogrammetri har varit den låga osäkerheten som kunnat uppnås med laserskanning, då laserpulserna tar sig igenom marktäckande vegetation och skapar ett punktmoln bestående av markytan (Hugenholtz et al., 2013). Flygburen laserskanning är också betydligt snabbare än terrestra metoder för att skapa terrängmodeller, men kostnaden är en begränsande faktor då flygburen LiDAR-utrustning ofta är för dyrt för många projekt
(Hugenholtz et al., 2013). Där fyller flygburen fotogrammetri med små
obemannade farkoster ett behov då dagens billiga kameror kan uppnå en liknande upplösning som LiDAR, och modern teknologi som ”Structure-from-Motion”- programvaror gjort databearbetningen enklare (Hugenholtz et al., 2013).
Moderna UAS:er integrerar Real Time Kinematic-GNSS (RTK-GNSS) för att kunna positionsbestämma varje bild separat. NRTK-UAS möjliggör i teorin snabb
georeferering av bildblock då markstödpunkter ej behövs. Inmätningen av markstödpunkter (GCP:s) har tidigare varit den mest tidsödande delen av flygfotograferingen (Forlani et al., 2018). Detta då inmätningen ska ske med låg osäkerhet på varje punkt och punkterna ska helst vara väl spridda över området.
Detta har bidragit till en ökad transporttid, samt försvårats av det faktum att det inte alltid är möjligt att placera GCP:s på de lämpligaste platserna eftersom miljön omöjliggör detta (Forlani et al., 2018). Tidigare studier (Forlani et al., 2018;
höjdosäkerheten, vilket innebär att mätosäkerheten i höjd hos en DEM skapad med data som samlats in med en NRTK-UAS måste undersökas närmare för att tekniken ska kunna appliceras i praktiken.
1.3 Vilka är rekommendationerna för obemannade flygfarkoster (UAS)
Enligt Transportstyrelsen (2019) ska obemannade flygfarkoster vid flygning vara märkta med telefonnummer och namn på operatören. En pilot ska alltid utses till ansvarig för flygfarkosten och denne ska vara uppdaterad om villkor för flygning med obemannad luftfarkost och restriktioner. Enligt Transportstyrelsen (2019) får flygning ske maximalt 120 m över vatten eller mark och piloten måste se farkosten utan eventuella hjälpmedel så som kikare. Militära områden, fängelser,
naturområden och kärnkraftverk får ej flygas över och till helikopterflygplatser ska ett avstånd på 1 km hållas (Transportstyrelsen, 2019).
Enligt Datainspektionen (u.å) gäller dataskyddsförordningen endast om personer eller personuppgifter går att identifiera på film eller bild tagna från UAS:en . Sker flygning på sådan höjd att identifiering ej är möjligt sker ingen
personuppgiftsbehandling (Datainspektionen u.å).
Enligt Lag om skydd för geografisk information (2016:319) ”är det förbjudet att sprida en sammanställning av geografisk information” 9 §. Detta inkluderar fotografier och information som är hämtad från luftfarkoster (Lag om skydd för geografisk information, SFS 2016:319). På grund av detta behöver ett
spridningstillstånd sökas för att få offentligt publicera bilder tagna från flygfarkoster.
Spridningstillstånd söks via Lantmäteriets hemsida, och kommer att sökas för detta arbete (Lantmäteriet, u.å).
Från och med den 1 januari 2021 kommer nya lagar om hur drönare får användas.
Den nya lagstiftningen kommer från EU-direktiv, och innebär att tre kategorier för drift av drönare definieras: Öppen, specifik samt certifierad (Transportstyrelsen, 2020).
Enligt Kommissionens förordning 2019/947 bör operatören vara registrerad om sensorer som kan fånga upp personuppgifter finns monterade. Det kommer fortfarande vara nödvändigt att söka spridningstillstånd för fotografier eller filmer tagna med drönare (Transportstyrelsen, 2020). En annan förändring blir att gränsen för när tillstånd måste sökas från Transportstyrelsen ändras till 25 kg. Nya krav på utbildning för fjärrpiloter ställs och fjärrpiloten måste genomföra ett online-prov för att få tillstånd att flyga med drönare (Transportstyrelsen, 2020).
1.4 Kravställning på DEM
De osäkerhetskrav som ställs på digitala höjdmodeller för olika applikationer specificeras i Svenska Institutet för Standarder: Teknisk Specifikation 21144:2016 (SIS-TS 21144:2016). Osäkerhetsskraven för markmodellen baseras på vilken yta som modellen utgörs utav. Hårdast krav har hårdgjorda ytor som asfalt och betong som detaljprojekteras till bygghandlingar för väg och järnväg. Dessa har en maximal osäkerhet på 0.02 m (SIS-TS 21144:2016, tabell 6).
SIS-TS 21144:2016 ställer också krav på kontrollen av markmodellen. Kontroll ska enligt SIS-TS 21144:2016 utföras på hela modellens yta, och delas upp beroende på ingående markslag i modellen. Det finns två olika kontrollnivåer: kontrollnivå 1 är lägstanivån för kontroll av markmodell och används när markmodellen ska användas till övergripande ändamål, t.ex. i utredningsfasen. Kontrollnivå 2 används när större säkerhet krävs, t.ex. för detaljprojekteringar och när markmodellen ska användas för mängdberäkningar (SIS-TS 21144:2016, avsnitt 10.2).
Kontrollen utförs genom att mäta in ett antal kontrollprofiler. Antalet beror på hur många marktyper som finns inom området samt områdets area (SIS-TS 21144:2016, tabell 11). Kontrollprofilerna ska placeras i visst antal på varje ingående marktyp, och antalet avgörs baserat på vilket prövningsförfarande som brukas.
1.5 Syfte och frågeställningar
Syftet med studien är att undersöka hur en UAS med integrerad NRTK kan användas av en kommun i deras dagliga arbete. Många studier har gjorts om lägesosäkerheter i plan, där UAS har georefererats med hjälp av markstödpunkter (Mårtensson & Reshetyuk, 2017; Hägglund & Lindh, 2019), och även studier där NRTK-UAS jämförts med traditionellt georefererat UAS-data (Forlani et al., 2018;
Larsson & Stark, 2019). Denna studie ska komplettera tidigare forskningsunderlag genom att undersöka höjdosäkerheten hos en UAS med inbyggd NRTK. Detta kommer bidra med vetskap om i vilken mån höjddata från NRTK-UAS kan ses som tillförlitligt, och därmed hur det kan användas i praktiskt samhällsbyggnadsarbete.
Denna studie kommer att:
• Undersöka mätosäkerheten i höjd med en UAS som georefererats med hjälp av integrerad NRTK-GNSS.
• Kontrollera hur många markstödpunkter (om några) som behövs för att få likvärdiga höjdresultat, som vid användandet av 5 markstödpunkter.
• Undersöka hur flyghöjden påverkar mätosäkerheten i höjd hos en DEM
• Undersöka om en DEM producerad med snedbilder har lägre mätosäkerhet i höjd än en DEM producerad med lodbilder.
1.6 Avgränsningar
Studien avgränsas till att analysera hur mätosäkerheten i höjd påverkas av
användandet av UAS med NRTK. Studien kommer ej hantera lägesosäkerheter i plan. Studien kommer ej heller att jämföra olika typer av markstöd. Studien kommer ej gå in på hur olika fabrikat av NRTK-UAS står sig gentemot varandra.
Den kommer heller inte undersöka olika typer av RTK utan endast nätverks-RTK (NRTK).
2 Tidigare studier
Obemannade flygsystem (UAS) skapades i syfte att användas inom militära sammanhang (Colomina & Molina, 2014), men redan omkring 1980 väcktes intresset för UAS även för karteringssyften. Sensorer var monterade på de små, obemannade flygfarkosterna i syfte att samla in högupplösta bilder tagna från låg höjd. Resultatet av denna utvecklig är att det idag kan tas bilder med en upplösning på cm-nivå för en mycket lägre kostnad än tidigare (Colomina & Molina, 2014).
Digitala terräng- och ytmodeller, samt ortofoton är enligt Colomina & Molina (2014) de vanligaste produkterna som framställs med UAS. Framställning av ortofoton och DSM:er kan göras rutinmässigt i dagens programvaror. Colomina &
Molina, (2014) framhåller dock betydelsen av att fortsatt utvärdera kvaliteten på det data som utvinns, samt att undersöka hur den nya generationen av programvaror presterar.
I en studie av Forlani et al. (2018) påvisas nyttan av att använda markstödpunkter (GCP:s) trots att den använda UAS:en har inbyggd RTK-GNSS. I studien jämförs tre olika metoder för georeferering: med 12 GCP:s, med enbart RTK och med RTK+1 GCP. I studien producerades digitala ytmodeller (DSM) där kvaliteten kontrollerades genom att i ytmodellen leta upp signalerade, inmätta kontrollpunkter och jämföra dessa med de GNSS-inmätta koordinaterna av samma punkt. Detta genomfördes genom att beräkna ett ”root mean square error” (RMSE), samt
standardosäkerhet. I studien användes 14 kontrollpunkter. I resultatet såg Forlani et al. (2018) att den lägsta mätosäkerheten uppnåddes när endast GCP:s användes, då fastställdes osäkerheten till 1,5 cm horisontellt och 2,3 cm vertikalt. När endast RTK:n användes vid georefereringen var osäkerheten 2,4 cm horisontellt samt 4,6 cm vertikalt när en lokal basstation användes, medan osäkerheten istället blev 3,0 cm respektive 9,5 cm när nätverks-RTK:n användes. Den sista
georefereringsmetoden, NRTK + 1 GCP gav en mätosäkerhet på 2,5 cm respektive 3,2 cm.
Även Koeva et al., (2018) poängterar betydelsen av markstödpunkter, och hur de placeras på området. Förutom att markstödpunkterna fungerar som en extra säkerhet för att kunna georeferera ortofotot om det inbyggda GNSS-systemet ej fungerar, så motverkar de också deformationer i blocken som kan uppkomma på grund av systematiska fel i kamerakalibreringen (Koeva et al., 2018). I denna studie mättes markstödpunkterna in med RTK-GNSS för att uppnå osäkerheter på under 2 cm. Resultatet av studien visade att användandet av GCP:s, utöver det i drönaren integrerade GNSS-systemet, förbättrade resultatet avsevärt: från en osäkerhet på 80 cm i plan när inga markstödpunkter användes, till 6 cm i plan när sju
Detta kan jämföras med Mårtensson & Reshetyuks studie från 2017, där två överflygningar genomfördes, en i april och en i maj. I vardera omgången
genomfördes två olika georefereringar, en där åtta GCP:s användes samt en där fem GCP:s användes. Mårtensson och Reshetyuk (2017) upptäckte ingen
anmärkningsvärd skillnad i resultatet när fem GCP:s användes jämfört med när åtta GCP:s användes. Noterbart är då att dessa fem GCP:s var optimalt placerade: en i varje hörn av området, och en i mitten (Mårtensson & Reshetyuk, 2017).
I studien av Mårtensson & Reshetyuk (2017) identifierades tre olika typer av ytor:
asfalt, gräs och grus. Resultatet blev bäst på asfaltsytor, där en mätosäkerhet under 0,02 m uppnåddes, vilket är under SIS-TS 21144:2013 gränsvärde för hårdgjorda ytor (Mårtensson & Reshetyuk, 2017). På grusytor låg mätosäkerheten omkring 0,03 m medan gräsytor uppnådde en mätosäkerhet på under 0,04 m. I studien jämfördes också de olika programvarorna Agisoft Photoscan och RapidTerrain.
Agisoft Photoscan presterade generellt bättre, undantaget på skuggiga områden då osäkerheten fördubblades jämfört med RapidTerrain (Mårtensson & Reshetyuk, 2017).
Martínez-Carricondo et al. (2018) undersökte vilken betydelse placeringen av GCP:s har för slutresultatet i sin studie. I studien producerades ett ”referensprojekt”
där totalt 72 GCP:s användes vid georeferering. Därefter georefererades punktmolnet på fem olika vis: med GCP:s placerade runt kanten, med GCP:s placerade i mitten av området, med GCP:s placerade i hörnen av området, med GCP:s placerade i ett stratifierat urval och med GCP:s placerat slumpmässigt.
Slutsatsen i studien blev att det var viktigast att placera GCP:s runt kanterna på området, men framförallt den vertikala osäkerheten gynnades av en stratifierad punktdistribution även i mitten av området (Martínez-Carricondo et al., 2018).
I en studie av Hugenholtz et al., (2013) undersöks mätosäkerheten hos en DTM skapad med UAS-data. Detta resultat jämförs med en DTM som framställts med data som samlats in med hjälp av luftburen laserskanning (LiDAR). Syftet med studien var i huvudsak att fastställa om UAS kan användas för att kartlägga jordytan ur geomorfologisk synvinkel, men resultatet är applicerbart även för kartografiska tillämpningar. I studien samlades totalt 280 bilder in. Flygningen genomfördes i 14 stråk över ett 1,95 km2 stort område. Flyghöjden var 200 m och övertäckningen mellan stråken var 65%. Den totala tiden för inmätning av kontrollpunkter, UAS- kalibrering samt flygning var 4,5 h (Hugenholtz et al., 2013).
Den resulterande DTM:en hade en upplösning på 0,1 m. Denna kontrollerades med hjälp av 99 kontrollpunkter, där den vertikala skillnaden mellan RTK GPS-höjden och DTM-höjden beräknades, samt skillnaden mellan DTM:en som framställdes med UAS och DTM:en som framställdes med LiDAR (Hugenholtz et al., 2013).
Det vertikala RMSE-värdet för DTM:en som framställdes med UAS beräknades till 0,29 m, vilket var likvärdigt med DTM:en som framställdes med LiDAR
(Hugenholtz et al., 2013).
Reshetyuk och Mårtensson (2016) har även, i samarbete med Trafikverket, tagit fram en studie där de undersökte om det var möjligt att framställa en DEM med en osäkerhet på under 20 mm. Värdet 20 mm motsvarar den högsta klassen i SIS-TS 21144:2013 (Svenska Institutet för Standarder, Teknisk Specifikation). I studien undersöks även hur kravet på maximalt 20 mm ska uppnås genom att utvärdera hur flyghöjd, kuperingsgrad, samt antalet GCP:s påverkar slutresultatet (Reshetyuk &
Mårtensson, 2016).
I studien genomfördes två flygningar på 167 m, respektive 81 m, höjd. Detta gav upplösningar på 50 mm för den högre flyghöjden, respektive 24 mm för den lägre flyghöjden. I området hade nio GCP:s placerats ut, fem ansågs nödvändiga för georefereringen och dessa placerades i varje hörn, samt i mitten av området.
Förutom dessa fem så placerades även fyra till ut för att kunna utvärdera hur många som behövdes för optimal georeferering. Markstödpunkterna mättes in med RTK GNSS med en frekvens av 1 Hz under 60 sekunder, i en omgång (Reshetyuk &
Mårtensson, 2016).
Slutsatsen som dras i studien är att DTM:er med höga krav på låg osäkerhet kan produceras med UAS-data. En flyghöjd på 167 m gav osäkerheter på strax under 20 mm i platt terräng, medan en flyghöjd på 81 m gav osäkerheter på ca 10 mm i platt terräng. Resultaten skilde sig ej åt om åtta GCP:s användes istället för fem. I kuperad terräng var resultatet sämre, då osäkerheterna uppgick till ~27 mm respektive ~80 mm för den lägre respektive högre flyghöjden. Dock är även dessa DTM:er fullt användbara i många sammanhang (Reshetyuk & Mårtensson, 2016).
Chiabrando et. al. (2017) har i en studie undersökt om ett punktmolns osäkerhet och punkttäthet påverkas om bildinsamlingen helt eller delvis genomförs med en vinklad kamera (så kallade snedbilder). Studien genomfördes på det kulturhistoriska slottet Rocca of San Silvestro i Livorno, Italien.
Markstödpunkter som signalerades med hjälp av utspridda papper/plastmål som mättes in med RTK-GNSS. Även byggnader mättes in med en terrester laserskanner för att ha som referensmaterial (Chiabrando et al., 2017). Fem olika flygförfaranden testades i studien: en med kameran riktad i nadir (rakt nedåt) i nord-sydlig
flygriktning, en med kameran riktad i nadir med väst-östlig flygriktning, två med kameran riktad i 45° vinkel i det två olika flygriktningarna, samt en med kameran i 45° vinkel med en cirkulär flygriktning runt studieområdet. Gemensamt för samtliga flygningar var att flyghöjden låg kring 30–40 m och överlappet var >80%
De olika flygförfarandena var kombinerade i sju olika projekt för att testa vilken konfiguration som gav lägst mätosäkerhet (Chiabrando et al., 2017). Gemensamt för alla konfigurationer var att de gav fullt användbara resultat, med ett RMS-värde i höjd mellan 0,01-0,019 m. När punkttätheten i molnen studerades blev det tydligt att konfigurationerna innehållande sneda flygförfaranden hade genomgående bättre punkttäthet, och högst blev punkttätheten när samtliga fem flygningar kombinerades (Chiabrando et al., 2017). I studien dras slutsatsen att sneda bilder är viktiga för att öka punkttätheten och genom detta kunna identifiera objekt vid t.ex.
dokumentering av kulturhistoriska byggnader.
Slutsatserna från denna litteraturstudie blir att det går att uppfylla höga krav på låg mätosäkerhet med hjälp av UAS-insamlat bildmaterial. RTK-UAS har undersökts i några studier, men är generellt mer outforskat än UAS som georefererats med markstödpunkter. Resultatet verkar bli bäst när markstödpunkterna placeras både runt kanten på området, samt i mitten. Hur många punkter som krävs för att RTK- UAS ska fungera optimalt är osäkert. Snedbilder verkar påverka punkttätheten positivt, men hade ej ett lika klart samband med osäkerheten hos produkterna. Flera av studierna i denna litteraturgenomgång framhåller att ämnet måste studeras i fler studier, då det är en relativt ny teknik.
3 Metod
I detta avsnitt presenteras beskrivningar av varje steg i studieprocessen. Det inkluderar vilka instrument som använts, vilka programvaror som behövts i databearbetningen, vilka olika metoder som använts och varför dessa valts samt en allmän presentation av studieområdet.
3.1 Studieområdet
Studieområdet är beläget i Falun. Området består av en relativt nyanlagd park med lekytor, en asfaltsplan, en grusplan samt gräsytor. Totalt är området ca 3,5 ha stort, och relativt kuperat. Området visas i figur 1.
Figur 1. Studieområdet består av gräsytor, grus och asfalt. En lekpark ligger i norra delen av studieområdet medan den södra delen består av parkeringsytor. Bilden är ett egenproducerat ortofoto.
3.1.1 Rekognoscering
Innan flygningen genomfördes rekognoscerades området. Detta för att inventera vilka stompunkter som fanns tillgängliga för att kunna kontrollera instrumenten. På plats sågs även lämpliga positioner för markstödpunkterna ut, samt så planerades placeringen av kontrollprofilerna översiktligt.
3.2 Inmätning av markstödpunkter
Markstödpunkter placeras för att georeferera flygbilderna i ett externt
koordinatsystem. Enligt Martínez-Carricondo et al., (2018) är det viktigast att ha markstödpunkter i kanterna av området, men helst även en eller flera i mitten av området (vid traditionell georeferering). Detta kan jämföras med Forlani et al.
(2018) studie där en markkontrollpunkt endast var placerad i mitten av området.
Agisoft (2020) rekommenderar minst 10 markstödpunkter om enbart dessa används till georefereringen. I denna studie placeras markstödpunkterna spritt över området, men fokus ligger på längs kanterna, samt i mitten av området, detta enligt HMK- Flygfotografering (2017).
Markstödpunkterna ska markeras i kontrasterande färg och i en för upplösningen lämplig storlek (HMK-Flygfotografering, 2017). I denna studie markeras de på asfalt med grön sprayfärg i form av antingen kryss (se figur 2), eller naturliga punkter som är lätta att urskilja i flygbilderna, se figur 3. Totalt mättes 10 punkter in, men endast nio syntes tillräckligt tydligt i flygbilderna för att användas, se figur 4. Punkterna ska ha en mätosäkerhet på under 1/3 av leveranskravet, i detta fall innebär det ca 3,5 cm i höjdled för att uppfylla HMK Standardnivå 2. Punkterna mättes in antingen med GNSS-instrumentet Leica Viva GS14 med nätverks-RTK, eller med en Leica Nova MS60 multistation som etablerats med metoden RUFRIS. Koordinatsystemet som användes var SWEREF99 15 45 med RH2000 som höjdsystem. Geoidmodellen som användes var SWEN17_RH2000.
Markstödpunkterna som mättes med GNSS mättes in i två sessioner, se tabell 1.
Mellan varje session var det minst 45 min, vilket enligt Odolinski (2012) minimerar effekten av tidskorrelation i höjd. Två sessioner ansågs räcka då samma punkter använts i en tidigare flygning för ca sex månader sedan, och koordinaterna som uppmättes i studien matchade bra med dessa koordinater. Mätningarna med TS gjordes endast en gång och jämfördes med mätningar från flygningen för 6 månader sedan.
Innan GNSS-instrumentet användes gjordes en inledande kontroll mot två kända punkter för att kontrollera att instrumentet fungerade som det skulle. CQ-värdet ställdes på 0,03 m och elevationsmasken sattes till 15°. Även SWEPOS
jonosfärsmonitor observerades för att kontrollera att antalet laddade partiklar i
atmosfären ej gav upphov till för stora störningar (SWEPOS, 2020a). Resultatet från SWEPOS jonosfärsmonitor och antalet tillgängliga satelliter finns att ses i bilaga B, figur B1 och B2.
Figur 2. Flygstöden markerades med ett grönt kryss där inga naturligt tydliga punkter fanns att tillgå.
Figur 3. Exempel på naturlig punkt. Här användes hörnet på den vitmålade linjen på en basketplan. Detta är markstödpunkt D.
Figur 4. Studieområdet och de nio stödpunkternas placering. Punkt TE var för otydlig för att kunna användas vid bearbetningen.
Tabell 1. De koordinater som mättes dagen då fältarbetet för denna studie genomfördes. Koordinaterna är medelvärden i de fall de mätts med GNSS. Koordinatsystemet som använts är SWEREF 99 15 45.
Punkt N E H Anmärkning
A 6721774,167 142826,232 115,472 Mättes med GNSS
B 6721788,140 142961,221 111,385 Mättes med GNSS
D 6721856,634 142849,065 112,604 Mättes med TS
E 6721924,989 142845,361 112,820 Mättes med TS
G 6721705,646 142817,325 117,879 Mättes med GNSS
3.3 Inmätning av kontrollprofiler
Enligt SIS-TS 2144:2016 ska kontroll av DTM utföras. Denna kontroll kan
genomföras med ett av två utföranden: A eller B. I detta arbete kommer utförande A att användas, då denna kontroll syftar till att skatta de systematiska fel som finns i modellen samt utgöra en leveranskontroll. För att beräkna antalet markprofiler som behövs i denna studie används formel [1].
𝐴𝑛𝑡𝑎𝑙 𝑚𝑎𝑟𝑘𝑝𝑟𝑜𝑓𝑖𝑙𝑒𝑟 = 3𝑁 + √𝐴 (1) Där N beskriver antalet ingående marktyper och A beskriver arean på området i hektar (ha). För att beräkna antalet kontrollprofiler som behövs på varje marktyp som finns i modellen används formel [2].
𝐴𝑛𝑡𝑎𝑙 𝑚𝑎𝑟𝑘𝑝𝑟𝑜𝑓𝑖𝑙𝑒𝑟 𝑝𝑒𝑟 𝑚𝑎𝑟𝑘𝑡𝑦𝑝 = 3 + √𝐴 (2) I denna studie fanns tre olika marktyper: gräs, grus och asfalt, och området var totalt ca 3,5 ha stort. En översiktlig beräkning gjordes vilket gav att marktypen gräs var ca 1,6 ha stor, grus var ca 0,4 ha och asfalt var ca 1,5 ha av den totala ytan på 3,5 ha.
Vilket medförde att fyra kontrollprofiler per marktyp skulle placeras ut. Då en större slänt fanns i mitten av området placerades fyra extra kontrollprofiler där, vilket gjorde att totalt åtta markprofiler placerades på gräsytor (se figur 5). Totalt placerades 16 kontrollprofiler ut, se tabell 2 för information om kontrollprofilerna.
Koordinater för varje punkt i varje kontrollprofil finns att se i bilaga D, tabell D1.
Tabell 2. Information om varje kontrollprofil som mättes in.
Kontrollprofil Marktyp Antal punkter Längd (m) Station
1 Gräs 22 20,5 Rufris 1
2 Gräs 21 20,6 Rufris 1
3 Gräs 21 20,3 Rufris 1
4 Gräs 20 21,1 Rufris 1
5 Gräs 21 20,1 Rufris 1
6 Gräs 21 20,5 Rufris 1
7 Gräs 20 19,0 Rufris 1
8 Gräs 20 26,5 Rufris 2
9 Grus 22 20,9 Rufris 1
10 Grus 22 21,0 Rufris 1
11 Grus 21 21,8 Rufris 1
12 Grus 21 36,5 Rufris 2
13 Asfalt 19 21,7 Rufris 1
14 Asfalt 19 23,1 Rufris 1
15 Asfalt 20 22,3 Rufris 1
16 Asfalt 20 24,9 Rufris 2
Inmätningarna av kontrollprofilerna ska enligt SIS-TS 21144:2016 uppnå en
osäkerhet på maximalt 0,05 horisontellt samt 0,02 m i höjd för varje enskild punkt i kontrollprofilen. Kontrollprofilerna ska enligt SIS-TS 21144:2016 vara minst 20 m långa och innehålla minst 20 punkter. Maxavståndet mellan två punkter i
kontrollprofilen är 3 m och punkterna ska väljas så att bästa möjliga representativitet av markens verkliga höjd uppnås.
I denna studie mättes kontrollprofilerna in med multistationen MS60 för att säkerställa att de kraven uppfylldes. Multistationen var nyligen servad. Stationen etablerades med metoden RUFRIS (realtids-uppdaterad fri station), vilket är ett alternativ till totalstation eller NRTK GNSS då tillräckligt med stompunkter ej finns i området (Trafikverket, 2012). RUFRIS bygger på en kombination av totalstation och NRTK GNSS, där stationen etableras genom att orientera stationen mot positioner som i realtid mäts in med NRTK GNSS (Trafikverket, 2012). För att uppnå en godkänd kvalitét ska minst 15 gemensamma punkter mätas in, det vill säga punkter som mäts in med en kombinerad prisma/GNSS-stång. En RUFRIS-
etablering kan uppnå en osäkerhet på under 10 mm i höjd vid en etablering när fler än 10 punkter används (Horemuž & Andersson, 2011).
När multistationen etablerats kontrollerades etableringen mot kända punkter. Två etableringar genomfördes för att säkerställa en stor spridning av kontrollprofiler i området. Vid mätningen rullades ett måttband ut för att kontrollera att profilerna översteg 20 m, och punkterna placerades jämt över hela längden. Då profilerna på gräs mättes in placerades en mycket tunn plastskiva under mätstången för att
förhindra att den sjönk ned i marken, se figur 6. På två av profilerna mättes endast 19 punkter in på grund av felräkning, men det bedöms ej påverka resultatet.
Figur 6. En tunn plastskiva placerades under mätstången vid mätning på gräsytor.
3.4 Datainsamling med UAS
Flygfotograferingen genomfördes med en DJI Phantom 4 RTK (se figur 7) i
samarbete med Faluns kommun. Farkosten är utrustad med en digitalkamera, samt en GNSS-mottagare. GNSS-mottagaren uppdaterar farkostens ruttinformation i realtid, och placerar alla bilder direkt i ett externt referenssystem. GNSS-
mottagaren stöder GNSS-systemen GPS, GLONASS och Galileo och dessas olika bärvågslängder. Mätosäkerhetsnivån för positioneringssystemet ligger på 1,5 cm + 1 ppm vertikalt, samt 1,0 cm + 1 ppm horisontellt enligt DJI (2020).
Specifikationerna för UAS:ens GNSS-mottagare kan ses i bilaga C, tabell C2. För att kunna producera tydliga och stadiga bilder är DJI Phatom 4 RTK även utrustad med en treaxlig gimbal. Denna lagrar orienteringsvinklar (Yaw, Pitch, Roll) för varje position (DJI, 2020).
Figur 7. UAS:en som användes i studien var en DJI Phantom 4 RTK, som finns i Faluns kommuns ägo.
Tre olika flygningar genomfördes: en på 100 m flyghöjd och två på 50 m flyghöjd.
Flygningen på 100 m flyghöjd hade en kameravinkel på 90°, vilket innebär att lodbilder tas. Denna kameravinkel kan också kallas ”nadir”. I kontrollenheten kallas lodbilder för ”2D”. Även en flygning på 50 m flyghöjd hade en kameravinkel på 90°.
För att kunna undersöka hur snedbilder påverkar kvalitén genomfördes också en flygning på 50 m flyghöjd med en kameravinkel på 60°, vilket innebär att kameran är vinklad 30° uppåt från nadir (se figur 8). Detta kallas i kontrollenheten för ”3D”
(Swe:Dron Media, 2020). Hädanefter kommer kameravinkeln 90° att benämnas nadir och kameravinkeln 60° kommer att benämnas sned, och dessa två typer representerar lodbilder respektive snedbilder.
Teoretiskt sett kan snedbilder hjälpa till att förbättra den vertikala kvalitén.
Snedbilder är enligt Chiabrando et al. (2017) avgörande för att öka densiteten hos punktmolnet. Denna skillnad blir tydligast för vertikala objekt så som väggar och liknande, där Chiabrando et. al. (2017) observerar en märkbar skillnad då modeller som skapats med snedbilder har en bättre bevarad höjd än de som skapats med lodbilder, samt att snedbilder bättre fångar upp områdena där ett vertikalt objekt möter marken.
En flyghöjd på 100 m ger en markupplösning på 2,7 cm, vilket är fullt användbart för kommunala tillämpningar. Det är därför Falu kommuns typexempel på en vanlig UAS-flygning (Personlig kommunikation, 2020-04-14).
Figur 8. Figuren till vänster visar kameravinkeln ”nadir” och figuren till höger visar kameravinkeln ”sned”
Övertäckningen ska enligt Agisoft (2020) och Colomina & Molina (2014) vara minst 80 % framåt och minst 60 % i sidled. I denna studie valdes övertäckningen 80 % framåt och 70 % i sidled för flygningarna med lodbilder, och 80% framåt respektive 80 % i sidled i flygningen med snedbilder. Efter att stråken med lodbilder flugits klart genomfördes en diagonal överflygning med snedbilder till ungefär mitten av området. I flygningen där snedbilder togs läggs stråken istället i två riktningar så att de bildar ett rutnät, vilket är förprogrammerat i DJI:s programvara och detta tillvägagångssätt ska vara en fördel vid 3D-modellering (DJI, 2020). Detta gör dessa flygningar betydligt mer tidskrävande, samt ökar datamängden mycket. I figur 9 visas flygstråken för respektive kameravinkel.
Dagen för flygningen var blåsig, med en temperatur kring 8° C. Rutten planerades direkt i DJI Phantom 4 RTK:s kontrollenhet. Där bestäms parametrar så som flyghöjd, flygområde och övertäckning, sedan beräknar programvaran den effektivaste rutten efter de valda parametrarna. I kontrollenheten läggs även väderförhållanden in för att optimera kamerainställningarna, som beräknas
automatiskt av programvaran. För nadir-flygningarna ställdes vädret sunny in, men då vädret förändrades så ändrades inställningarna till cloudy för den avslutande sned- flygningen.
På kontrollenhetens skärm syns information som antal satelliter, om en fixlösning existerar, batteriprocent, kvarvarande flygtid samt UAS:ens nuvarande position.
3.5 Databearbetning 3.5.1 Agisoft Metashape
Agisoft Metashape Professional 1.6.2 (tidigare Agisoft PhotoScan) är en
programvara för fotogrammetrisk bearbetning av digitala bilder. Programvaran genererar tredimensionella produkter som kan användas inom geografisk informationsteknik (GIT), övervakning av kulturhistoriska objekt samt för mätningstekniska uppdrag (Agisoft, 2019). I följande avsnitt följs Agisofts manual för framställning av georefererade punktmoln (Agisoft u.å.). I Agisoft Metashape finns en mängd olika alternativ för inställningar och alternativ för databearbetningen.
En del av dessa lagras i rapporter (se bilaga F). Dels finns det generell information så som hur många bilder som importerats (Cameras) och om alla dessa bilder har kunnat användas vid blockutjämningen (Aligned Cameras). Även hur många marstödpunkter som laddats in i programmet (Markers) samt vilka referenssytem kan ses i rapporten (Agisoft, 2020).
Agisoft Metashape är en ”computer-vision-based” programvara. Programvaran har använts i flera studier där osäkerheten hos UAS-producerade ortofoton och DTM:er undersökts (Forlani et al., 2018; Mårtensson & Reshetyuk, 2017; Martínez-
Carricondo et al., 2018). I Mårtensson & Reshetyuks studie från 2017 jämförs dessutom Agisoft PhotoScan med den fotogrammetriska programvaran
RapodTerrain. Slutsatsen där är att i de flesta fall så producerar Agisoft PhotoScan markmodeller med lägre mätosäkerhet, förutom på skuggiga områden.
3.5.2 Structure-from-Motion
Agisoft MetaShape använder sig av en så kallad Structure-from-Motion (SfM)- algoritm. Algoritmen bildar bildblock från fotografier. SfM bestämmer automatiskt geometrin i bilden, kamerapositioner samt orienteringen utan att kräva
markstödpunkter (GCP:s) i varje bild (Martínez-Carricondo et al., 2018). Med hjälp
av SfM-algoritmer har flygfotografering blivit mer lättillgängligt, då det inte längre kräver lika noggrann planering av flygstråk och kalibrering av kameran (Martínez- Carricondo et al., 2018). På grund av UAS:ers ringa storlek och vikt är dessa ostabila och utsatta för t.ex. blåsiga förhållanden. Detta kan skapa problem vid användandet av en fotogrammetrisk programvara. Men då en SfM-programvara ej nödvändigtvis behöver bilder tagna i en viss sekvens, och kan kringgå
skalförändringar är algoritmen mycket användbar vid processering av UAS-data (Reshetyuk & Mårtensson, 2016). Slutresultatet av data som bearbetats med SfM- algoritmen är ett bildblock vars inbördes förhållanden är kända, men bildblocket är ej placerat i ett yttre koordinatsystem.
3.5.3 Framställning av punktmoln
Fotografierna som tagits från flygfarkosten lades in i programmet i tre olika projekt:
ett för 100 m flyghöjd som tagits i nadir kameravinkel, ett för 50 m flyghöjd som tagits i nadir kameravinkel, samt ett för 50 m flyghöjd med sned kameravinkel.
Med fotona fanns tillhörande NRTK-positioner som lades in i koordinatsystemet SWEREF99 15 45 och höjdsystemet RH2000. Dessa positioner hjälpte till att blockutjämna fotona, det vill säga placera dem rätt i ett internt koordinatsystem med hjälp av matchande punkter som återfinns i överlappet mellan bilderna.
Kamerakalibreringen kontrollerades så att den stämde med de i kameran bestämda parametrarna, se bilaga C, tabell C1. Fotonas kvalitét kontrollerades enligt Agisoft (2020), och foton med kvalitétsvärden under 0,5 uteslöts. Osäkerheten för
kamerapositionerna sattes till 0,05 m och osäkerheten för markstödpunkterna sattes till 0,01 m.
3.5.3.1 Blockutjämning
Därefter utfördes blockutjämningen. I blockutjämningen valdes noggrannheten (Accuracy) till High och både Generic och Reference preselection bockades i så att
programmet snabbare kunde utföra blockutjämningen. Då utförs matchningen först med lägre precision (Generic), innan en noggrannare matchning utförs, samt används de registrerade positionerna för varje bild (Reference) (Agisoft, 2020). Key point limit sattes till 40 000, vilket innebär att 40 000 punkter är taket till hur många punkter programmet tillåts identifiera i varje bild. En för högt satt gräns kan innebära att fler punkter av sämre kvalitét registreras (Agisoft, 2020). Vidare sattes Tie point limit till 4000, vilket innebär att 4000 är maxantalet matchande punkter (med annan bild) programvaran tillåts hitta i varje bild. Under blockutjämningen användes Adaptive camera model fitting, som automatiskt väljer vilka kamera-parametrar som bör bli inkluderade i bildmatchningen beroende på deras estimerade kvalitet (Agisoft,
För att blockutjämningen ska fungera så bra som möjligt matchas bilder på olika skalor (Agisoft, 2020). En skala så nära ett som möjligt är fördelaktigt då en större skala ger osäkerheter som ökar proportionellt mot storleken på skalan.
Medelstorleken på skalan kan ses i bilaga F, under Mean key point size (Agisoft, 2020). Baserat på de tie points som hittats i blockutjämningen beräknas ett RMS Reprojection error, som är avståndet mellan vart en tänkt tredimensionell punkt skulle projekterats och vart punkten verkligen projekterats i fotografiet (Agisoft, 2020).
Även det maximala avståndet mellan den tänkta punkten och den verkliga punkten lagras som Max reprojection error (Agisoft, 2020). Dessa värden kan hittas i bilaga F.
Värdena visas i två enheter: dels som pixlar, dels som Tie point scale. Värdet på Tie point scale är det som programvaran siktar på att minimera under blockutjämningen (Agisoft, 2020). Medelvärdet för hur många olika projektioner en Tie point återfinns i kan ses i bilaga F, under Average Tie point multiplicity (Agisoft. 2020).
3.5.3.2 Markstödpunkter
Markstödpunkter används i Agisoft för att georeferera bilderna i ett externt
koordinatsystem, samt för att optimera kamerapositionerna då markstödpunkterna avslöjar oregelbundenhet i kamerapositionerna. För att förenkla utplaceringen av markstödpunkter rekommenderar Agisoft (u.å.) att göra ett mesh i form av ett sparse cloud. Om ett mesh skapas innan utsättningen av markstödpunkter så kan
programvaran guida utsättningen av markstödpunkterna, vilket underlättar processen. Det glesa punktmolnet som produceras byggs upp av punkter som färgsätts i tre band (Point colors i rapporten, bilaga F).
Därefter placeras markstödpunkterna ut genom att lokalisera ett foto där en markstödpunkt existerar och markera punkten. Genom programvarans
guidningsmetod identifieras därefter alla foton där punkten finns närvarande, vilket underlättar att en manuell kontroll och markering av punkten i resten av bilderna.
Detta tillvägagångssätt brukas på alla markstödpunkter, vilket gör att detta är ett av de mer tidskrävande momenten i framställningen av DEM.
Efter att alla markstödpunkter identifierats i bilderna så importeras dessas
koordinater i form av en CSV-fil. I detta stadium kan markstödpunkterna fungera som antingen stödpunkt eller kontrollpunkt. Punkter som ej används som stöd (det vill säga, bockas i), används som kontrollpunkt.
Markstödpunkternas/kontrollpunkternas koordinater kommer upp i en lista, och osäkerheter beräknas. Denna procedur fungerar som en kvalitetskontroll innan vidare bearbetning.
3.5.3.3 Optimering av kamerapositioner
När markstödpunkterna är identifierade och koordinatsatta kan dessa hjälpa till att beräkna och korrigera kamerans interna och externa parametrar. Detta
rekommenderas enligt Agisoft (u.å.), speciellt då markstödpunkternas osäkerhet är centimeternivå, vilket är fallet i denna studie.
För att efterlikna ett verklighetsbaserat fall så användes endast de markstödpunkter som senare användes i georefereringen i varje scenario för kameraoptimeringen, då ett överflöd av markstödpunkter ej hade mätts in i ett verklighetsbaserat fall.
3.5.3.4 Skapande av tätt punktmoln
Efter importen av markstödpunkter delades projektet upp i olika delar där olika georefereringsmetoder testades, se tabell 3.
Tabell 3. De olika georefereringssmetoder som testades.
Avgörande för vilka projekt som skapades var processeringstiden. När flyghöjden sänktes till 50 m så ökade datamängden med över tre gånger, från 100 bilder till 330 bilder. Under flygningen på 50 m när snedbilder togs ökade bildantalet till över 800.
Detta medförde att enbart två georefereringsmetoder testades för flygmetoden 50 nadir, och enbart en georefereringsmetod testades för flygmetoden 50 sned (se tabell 3). För varje georefereringsmetod valdes olika kombinationer av
markstödpunkter, se figur 10 till figur 13.
100 m flyghöjd (Nadir) 50 m flyghöjd (Nadir) 50 m flyghöjd (Sned)
NRTK + 0 GCP NRTK + 0 GCP NRTK + 0 GCP
NRTK + 1 GCP NRTK + 1 GCP
NRTK + 2 GCP NRTK + 3 GCP NRTK + 5 GCP
Figur 10. Markstödpunktens placering när georefereringsmetoden NRTK + 1 GCP användes
Figur 11. Markstödpunkternas placering när georefereringsmetoden NRTK + 2 GCP användes
Figur 12. Markstödpunkternas placering när georefereringsmetoden NRTK + 3 GCP användes
Figur 13. Markstödpunkternas placering när georefereringsmetoden NRTK + 5 GCP användes
Därefter skapades ett tätt punktmoln, se figur 14. Quality sattes till High för att utgöra ett så bra underlag som möjligt för vidare bearbetning, och Depth filtering sattes till Moderate för att bevara terrängens struktur (Agisoft, u.å.). Det täta punktmolnet skapas genom att Agisoft producerar Depth Maps, vilket är bilder i gråskala där varje pixel har fått ett värde efter sin vertikala position (I-Art 3D, u.å.).
Detta innebär att den vertikala postitionen kan bestämmas pixel för pixel genom Depth maps, vilket innebär att 3D-produkter av hög kvalité kan produceras.
Figur 14. Ett tätt punktmoln skapat i Agisoft Metashape.
Punktmolnen som skapades för flyghöjderna 100 m nadir, 50 m nadir och 50 m sned innehöll 25 000 000, 98 000 000 respektive 230 000 000 punkter. Punktmolnen rensades från punkter som låg tydligt under markytan.
3.5.3.5 Framställning av rapporter
I Agisoft kan rapporter för varje projekt skapas, två rapporter från detta arbete finns att se i bilaga F. Dessa är nyttiga att ha om något behöver göras om, eller om en utredning av tillvägagångssättet behöver genomföras. På sida 2 i rapporten kan varje kameraposition ses, samt hur stort överlapp varje del inom studieområdet har. Det finns även information om kameramodellen: vilken modell, hur stor upplösningen är, vilken brännvidd som kameran har samt vilken storlek varje pixel har.
På sida 3 i rapporten finns information om kamerakalibreringen. Här finns en figur som visualiserar residualerna för varje kameraposition, samt en tabell som beskriver parametrar för kamerakalibreringen. Residualerna bör vara så små som möjligt, men annars kompenserar programvaran så gott det går genom kamerakalibreringen.
På sida 4 syns återigen varje kameraposition, och en felellips runt dessa som beskriver felen i respektive kameraposition. Felellipsen bör vara så liten som möjligt. Dessutom bör färgen helst vara grön, då detta innebär ett lågt höjdfel.
På sida 5 och 6 kan GCP:S respektive Check points ses. Även här visualiseras felen med felellipser, men avvikelser kan även ses i tabellform. Här bör avvikelserna vara så små som möjligt.
På sida 7 kan en auto-genererad DEM ses, och på sida 8 och 9 kan parametrar för databearbetningen ses. Dessa parametrar har förklarats i avsnittet ovan.
3.6 Bearbetning av kontrollprofiler
Efter att de täta punktmolnen skapats exporterades dessa i LAS-format till programvaran SBG GEO 2019.03 -64, där punktmolnen gjordes om till PCI-
format. I GEO glesades punktmolnen ut till 10 cm upplösning. Därefter skapades en terrängmodell som kunde användas till att utvinna höjddifferenser mellan
terrängmodellen och de inmätta kontrollprofilerna. Höjddifferenserna importerades sedan till Excel 2016, och beräknades vidare där.
3.6.1 Kontroll av markprofilerna
Kontrollprofilerna utgör referens för kontrollen av den digitala markmodellen. För varje punkt i kontrollprofilen beräknas en höjdavvikelse gentemot terrängmodellen med formel [3]. Beräkningen av höjdavvikelsen (Ah) mellan kontrollmätt höjd (Kh) och markmodellens höjd (Th) utförs med ekvation [3].
𝐴ℎ = 𝑇ℎ − 𝐾ℎ (3) Med dessa värden kan en medelavvikelse (Ahm) för varje kontrollprofil beräknas med
formel [4], där n är antalet ingående punkter i kontrollprofilen.
𝐴ℎ𝑚 =∑ 𝐴ℎ𝑖
𝑛𝑖=1
𝑛 (4) En standardosäkerhet (uAh) i höjd beräknas med hjälp av formel [5] för att kunna
avgöra hur bra terrängmodellen är jämfört mot kontrollprofilerna, och om den kan användas i t.ex. kommunal detaljplanering. HMK-Ortofoto (2017) rekommenderar att standardosäkerheten ej bör överstiga dubbla den geometriska upplösningen.
𝑢𝐴ℎ = √∑ (𝐴ℎ𝑖−𝐴ℎ𝑚)2
𝑛𝑖=1
𝑛−1 (5) SIS-TS 21144:2016 rekommenderar också att variationsvidden för varje profil bör
beräknas. Variationsvidden (Varkp) beräknas genom att subtrahera den minsta avvikelsen (MinAh) för en enskild profil från den maximala avvikelsen (MaxAh), se formel [6].
𝑉𝑎𝑟𝑘𝑝 = 𝑀𝑎𝑥𝐴ℎ − 𝑀𝑖𝑛𝐴ℎ (6) Enligt SIS-TS 21144:2016 består den huvudsakliga utvärderingen av den
producerade DEM:en i att beräkna ett medelfel för modellen (Ahm) samt en
standardosäkerhet och variationsvidd för modellen. Detta anser inte Reshetyuk och Mårtensson (2016) är tillräckligt, utan de anser att ett RMS-värde (Root mean square) på ett bättre sätt sätter ett mått på kvalitén. Ett RMS-värde är en funktion av
medelavvikelsen (Ahi) hos modellen och antalet ingående punkter (n) och beräknas
𝑅𝑀𝑆 = √∑𝑛𝑖=1𝐴ℎ𝑖2
𝑛 (7) I bilaga E, tabell E1 till E8 kan avvikelserna i höjd för respektive kontrollprofil ses.
Där finns också medelavvikelser, standardosäkerheten, variationsbredd samt RMS- värden för varje kontrollprofil, för respektive georeferering och flyghöjd.
3.6.2 Beräkning av varje enskild marktyp
Enligt SIS-TS 21144:2016 ska en särredovisning av de olika marktyperna
genomföras. Detta för att det ska gå att avgöra hur de olika flygutförandena fungerar på olika marktyper. I denna studie hade varje profil ett renodlat underlag, det vill säga varje kontrollprofil befann sig på endast en marktyp. Detta underlättade beräkningarna, då medelavvikelsen redan var beräknad för varje profil och en särskild uträkning för att beräkna medelavvikelse för varje underlag ej behövde genomföras. Istället sammanställdes informationen så att resultatet för varje marktyp blev mer överblickbart.
3.7 Hypotesprövning
För att kunna säga att ett resultat är statistiskt säkerställt behöver en
hypotesprövning genomföras. Med en hypotesprövning kan ett antagande göras om populationen via ett stickprov (Körner &Wahlgren, 2016). I detta fall är
kontrollprofilerna ett stickprov av hela markmodellen. Med hjälp av en
hypotesprövning värderas resultatet utifrån om det är en verklig förändring, eller om skillnaden kan bero på felmarginalen.
För att kunna göra detta behöver en signifikansnivå fastslås. I denna studie har signifikansnivån 5% valts, vilket är en vanlig nivå. Detta innebär att det finns 5% risk att få ett högre värde än det kritiska värdet och då förkasta den så kallade
nollhypotesen trots att den är sann (Körner & Wahlgren, 2017). Det finns också en risk att acceptera nollhypotesen trots att den är falsk, denna risk är okänd men generellt ett mycket större tal.
I denna studie gjordes en dubbelsidig hypotesprövning, vilket ger ett kritiskt värde på 1,96 vid 5% signifikansnivå vid en normalfördelning. Att en normalfördelning kan användas beror på det stora antalet testade punkter, i detta fall 330 punkter.
Fyra olika nollhypoteser testades enligt modellen:
𝐻0: 𝐴ℎ𝑚𝑖− 𝐴ℎ𝑚𝑗 = 0 𝐻1: 𝐴ℎ𝑚𝑖− 𝐴ℎ𝑚𝑗 ≠ 0
Där H0 ställdes upp enligt:
• Test av flyghöjden: Medelavvikelsen för 100 NRTK + 0 GCP (nadir) är densamma som för 50 NRTK + 0 GCP (nadir).
• Test av snedbilders betydelse: Medelavvikelsen för 50 NRTK + 0 GCP (nadir) är densamma som för 50 NRTK + 0 GCP (sned)
• Markstödpunkternas betydelse på 100 m flyghöjd: Medelavvikelsen för 100 NRTK + 0 GCP är densamma som för 100 NRTK + 1 GCP, 100 NRTK + 2 GCP, 100 NRTK + 3 GCP och 100 NRTK + 5 GCP
• Markstödpunkternas betydelse på 50 m flyghöjd: Medelavvikelsen för 50 NRTK + 0 GCP (nadir) är densamma som för 50 NRTK + 1 GCP (nadir) Teststatistikan för hypotesprövningen beräknades enligt formel 8.
𝑧𝑜𝑏𝑠 = | 𝐴ℎ𝑚𝑖− 𝐴ℎ𝑚𝑗
√𝑢(𝐴ℎ𝑚𝑖)2+ 𝑢(𝐴ℎ𝑚𝑗)2| (8) Medeltalets mätosäkerhet (u(Ahmi), u(Ahmj)) beräknades enligt formel 9, där n är antalet kontrollprofiler.
𝑢(𝐴ℎ𝑚) =𝑢𝐴ℎ
√𝑛 (9)
4 Hållbarhetsaspekter
4.1 Hållbarhet
Att använda sig av UAS för kartering har övervägande positiva effekter på UN:s Sustainable Development Goal No. 11, som behandlar ämnet hållbara städer (The United Nations, 2015). Detta då korrekt information är grundläggande för att kunna planera på ett hållbart vis.
Att använda sig av UAS istället för t.ex. flygplan för kartering har övervägande positiva miljöeffekter. En drönare är lätt och kräver inga fossila drivmedel, så som till exempel ett flygplan gör. En negativ aspekt av användandet av UAS är
batterierna. Även om Litium-polymer batterier (som används ibland annat DJI Phantom 4 RTK (DJI, 2020)) ej släpper ut koldioxid vid användning, så är litium ett grundämne som bryts ur marken. Det innebär att utvinningen av litium måste vara kontrollerad så att naturvärden ej förstörs.
4.2 Etiska överväganden
En beaktningsvärd etisk aspekt att förhålla sig till vid användandet av UAS är att kontrollera att människors rätt till privatliv respekteras. Det innebär att flyga på en sådan höjd att ansikten och registreringsskyltar ej syns tydligt, och helst maska ansikten, alternativt helt ta bort människor ur datamängden. Om möjligt är det också bra att flyga då få människor är ute och rör sig, för att minska detta arbete.
I DJI:s programvara exkluderas automatiskt objekt som rör sig, så som människor och bilar. Detta gör att maskning ej har varit nödvändigt i detta arbete.
Innan publicering av studien kommer också ett spridningstillstånd från Lantmäteriet att sökas. Spridningstillstånd ska sökas varje gång foton tagna med drönare
publiceras, för att människor av misstag inte ska råka sprida olämplig information (Lantmäteriet, u.å)
5 Resultat
I detta avsnitt presenteras resultatet kortfattat. Tabeller och grafer som beskriver etableringen för inmätning, markstödpunkternas koordinater samt beräkningar av kontrollprofilerna presenteras. En diskussion och utredning av resultatet går att hitta i kommande avsnitt.
5.1 RUFRIS etablering
Totalstationstableringarna som användes för att mäta in kontrollprofilerna gjordes med metoden Realtidsuppdaterad Fri Station. I tabell 4 kan koordinaterna för de två etableringarna som skapades ses.
Tabell 4. Koordinater för det två etableringarna som användes för att mäta in kontrollprofiler och markstödpunkter. Koordinatsystemet som använts är SWEREF 99 15 45 (m).
Efter etablering kontrollerades de kvalitetsvärden multistationen estimerar, se tabell 5. Multistationen beräknar orienteringens standardosäkerhet (sO),
standardosäkerheten radiellt (sR) och i höjd (sZ) hos stationskoordinaten, samt vad grundmedelfelet för beräkningen förväntas vara (s0) (Svensk Byggnadsgeodesi, 2020).
Tabell 5. Kvalitétsvärden för de två RUFRIS-etableringarna som genomfördes.
5.2 Markstödpunkter/Kontrollpunkters koordinater Inmätningarna av markstödpunkterna medeltalsbildads i de fall som flera
inmätningar genomförts. Resultatet för alla inmätningar som genomfördes kan ses i bilaga A, tabell A1. De medeltalsbildade koordinaterna kan ses i tabell 6.
Etablering N E H
RUFRIS 1 6721864,428 142865,653 112,948
RUFRIS 2 6721809,259 142799,553 118,599
Etablering s0 sO sZ (m) sR (m)
RUFRIS 1 0,64 0,0016 0,002 0,002
RUFRIS 2 0,52 0,0012 0,002 0,001
