Mehr

LiDAR (.las) zu Bare-Earth-DEM: durchschnittlicher Punktabstand und Zellengröße?

LiDAR (.las) zu Bare-Earth-DEM: durchschnittlicher Punktabstand und Zellengröße?


Ich verwende ArcGIS 10.1, um ein DEM (Bare Earth) aus einem LAS-Dataset zu generieren. Um dies zu erreichen, verwende ichLas-Dataset zu Rasterwie auf der Esri-Website beschrieben.

Ich habe hier und da im Web gelesen, dass die Zellengröße des Ausgabe-Rasters auf einen Wert eingestellt werden sollte, der dem durchschnittlichen LAS-Punkteabstand entspricht; an anderer Stelle schlagen sie vor, einen Wert zu verwenden, der dem Dreifachen des durchschnittlichen Punktabstands entspricht.

Da ich nun ein Blanke-Earth-DEM erzeugen möchte (dh nur mit Bodenrückgaben), frage ich mich, ob die Zellengröße auf den durchschnittlichen Punktabstand des gesamten LAS-Datensatzes eingestellt werden muss (dh bestehend aus Nicht-Boden, Erde , etc) oder ausschließlich der Massepunkte?

Auf Basis der ArcGIS'sPunktdateiinformationenTool (Beispiel) habe ich es geschafft, Statistiken für jede LiDAR-Klasse zu erhalten. Der durchschnittliche Abstand (gesamter Datensatz) beträgt 1,5 m, während er nur für Bodenpunkte 0,67 beträgt.

Irgendein Einblick in das Problem?


Es hängt wirklich davon ab, was du hier vorhast. Wenn Ihr Ziel darin besteht, genaue Messungen durchzuführen, sollten Sie den Rasterabstand kleiner sein, etwa um den durchschnittlichen Punktabstand des Datasets. Wenn dies Teil eines Prozesses zum Erstellen von Orthofotos oder Analysieren von Wasserscheiden oder einer anderen Aufgabe ist, die ein allgemeineres Geländemodell erfordert, sollten Sie den Abstand vergrößern.

Auch wenn Sie die Daten auf die Bodenpunkte gefiltert haben, VERWENDEN SIE DIESE! Sie können die anderen Klassifizierungen ignorieren.

Die dreifache Größe des Punktabstands wird im Allgemeinen als eine gute Idee für die Verallgemeinerung angesehen, da sie es ermöglicht, dass die drei Punkte der Rasterzelle auf einen theoretisch konsistenten Wert gemittelt werden. In meinem Beruf erlaube ich manchmal, wenn ich Orthofotos produziere, ein riesiges Raster, oft 8-12 mal so groß wie der Punktabstand.

Mein Punkt (heh) ist: Es gibt keinen richtigen oder falschen Weg, um ein nacktes Erdmodell zu erstellen. Sicher, es gibt manchmal Spezifikationen (und wenn dies einer dieser Fälle ist, schlage ich vor, dass Sie alles, was ich sage, ignorieren und die Spezifikationen befolgen), aber das zu produzieren, was Sie für Ihr Problem benötigen, kann völlig heuristisch sein.

Sie wollen ein steiferes, vermutlich genaueres Modell mit härteren Kanten, auf dem Sie Gelände präziser modellieren können? Verwenden Sie einen kleineren Abstand. Möchten Sie ein allgemeineres Geländemodell, das glatter und weniger präzise ist, aber die allgemeinen Geländeeigenschaften eines großen Gebiets zeigt? Verwenden Sie einen großen Abstand.

Vieles davon ist Versuch und Irrtum. Das ist das Schöne daran: Es besteht zu etwa 30 % aus Wissenschaft und zu 70 % aus Kunst.


Ich arbeite als Teil eines Produktionsteams, das LiDAR erwirbt und DEMs für mehrere Regierungsbehörden, einschließlich der USGS, generiert. Es ist üblich, Spezifikationen zu sehen, die die Zellgröße auf nicht kleiner als den nominalen Pulsabstand (NPS) des gesamten Projekts (alle Punkte) beschränken. Wenn beispielsweise der NPS für einen Datensatz 2 m beträgt, sollten unsere LiDAR-Derivate nicht kleiner als 2 m sein. Der Grund dafür ist, dass, wenn die Zellengröße kleiner als der NPS ist, eine beträchtliche Interpolation von Werten zwischen bekannten Punkten stattfindet. Dies wiederum erzeugt einen weniger genauen Datensatz.

BEARBEITEN: NPS definiert

Eine gute Definition in diesem Dokument:

Der nominale Pulsabstand (NPS) bezieht sich auf den durchschnittlichen Punktabstand eines LiDAR-Datensatzes, der typischerweise in einem Zick-Zack-Muster mit variablem Punktabstand entlang der Spur und quer zur Spur erfasst wird. NPS ist eine Schätzung und keine genaue Berechnung; Standardverfahren werden von ASPRS für NPS-Berechnungen entwickelt


Zu Vergleichszwecken habe ich zwei Blanke-Earth-DEMs erstellt, wobei ich als Zellengrößenwert einmal den durchschnittlichen Punktwert des gesamten LiDAR-Datensatzes verwendet habe, im anderen Fall den durchschnittlichen Abstand nur von Bodenpunkten (aufgerundet: es war 0,668, ich habe den Wert 1, so dass ein DEM mit einer Auflösung von 1 m erhalten wird).

Das Verfahren erfolgte über ArcGIS'sLas-Dataset zu RasterWerkzeug.

Ich stelle einen deutlichen Unterschied zugunsten des zweiten DEM fest. Wenn ich mich auf denselben Teil der Landschaft konzentriere, stelle ich eine Verbesserung der Details und Qualität der Darstellung des Geländes fest. Also, ich bin sehr zufrieden mit dem zweiten DEM.


LASmoons: Olumese Efeovbokhan

Hintergrund:
Hydrologische Modelle benötigen verschiedene Eingabedaten für die Kartierung der Hochwasservulnerabilität. Ein wichtiges Eingabedatum für das Mapping der Hochwasseranfälligkeit ist das DTM, über das der Fluss geleitet wird. DTMs werden unter anderem mit Kartographie, Bodenvermessung, digitaler Luftphotogrammetrie, interferometrischem SAR (InSAR), LiDAR erzeugt. Die Genauigkeit hochauflösender DGMs minimiert Fehler, die bei der Durchführung hydrologischer Modellierungen von Eingabedaten ausgehen können, insbesondere in kleinen bebauten Einzugsgebieten. Diese Forschung beinhaltet die Anwendung von digitaler Luftphotogrammetrie, um Punktwolken zu erzeugen, die anschließend für die Kartierung von Hochwasseranfälligkeiten verwendet werden können.

Tor:
Konsolidierung früherer Fortschritte bei der Verwendung von LAStools zum Generieren von DTMs, die für die Kartierung von Flood-Schwachstellen erforderlich sind. Die Eignung dieser DTMs wird anschließend für die Hochwasser-Verwundbarkeitsanalyse validiert. Diese Ergebnisse werden mit anderen DTMs verglichen, um die Unsicherheit zu bestimmen, die mit der Verwendung solcher DTMs für die Kartierung von Hochwasseranfälligkeiten verbunden ist.

Daten:
+
hochauflösende Photogrammetrie-Punktwolke und DSM für Lagos Island, Ikorodu und Ajah Nigeria
– – – Bilder, die mit einem Ebee Sensefly-Drohnenflug aufgenommen wurden
– – – Photogrammetrie-Punktwolke erzeugt mit Photoscan von AgiSoft
+ Niederschlagsdaten
+ klassifizierte LiDAR-Punktwolke mit einer Auflösung von 1 Impuls pro Quadratmeter für das Untersuchungsgebiet von der Regierung des Bundesstaates Lagos erhalten

LAStools-Verarbeitung:
1) große Photogrammetrie-Punktwolke in Kacheln mit Puffer kacheln [lastile]
2) Markiere eine Menge von Punkten, deren z-Koordinate ein bestimmtes Perzentil von der ihrer Nachbarn ist [lasthin]
3) isolierte Tiefpunkte aus der Menge der markierten Punkte entfernen [lasnoise]
4) klassifizieren markierte Punkte in Boden und Nicht-Boden [lasground]
5) Einzugspunkte dicht über und unter dem Boden [Zurrmaß]
6) digitales Geländemodell (DTM) aus Bodenpunkten erstellen [las2dem]
7) Zusammenführen und Schummern einzelner Raster-DTMs [blast2dem]


1. EINLEITUNG

Präzise Karten von holozänen Oberflächenverwerfungen helfen Entwicklern, den Bau von Zonen mit gestörtem Boden entlang der Verwerfungen zu vermeiden und bieten Einblicke in die regionale Tektonik. Diese Verwerfungen haben tief sitzende Ursprünge in der Bildung des Golfs von Mexiko (Sheets, 1971). Sie scheinen auch kürzlich durch die Entnahme von Grundwasser und Erdöl durch den Menschen reaktiviert worden zu sein (Holzer, 1984).

Die in dieser Arbeit betrachteten Verwerfungen sind Teil einer Population von Hunderten von Verwerfungen, die pleistozäne und holozäne Sedimente in der Küstenebene zwischen Beaumont und Victoria durchschneiden (Verbeek, 1979). Verbeek schätzt, dass im 20. Jahrhundert mehr als 10 % dieser Verwerfungen aktiv waren. Diese Verwerfungen gehören zu einem regionalen System von bis zum Becken verlaufenden Verwerfungen entlang der Küsten von Texas und Louisiana.

Houston, Texas, liegt innerhalb des breiten passiven Randes des Meeresbeckens des Golfs von Mexiko (Abb. 1). Die Ausdehnung des Golfs von Mexiko begann mit Rifting in der Trias (Salvador, 1991), gefolgt von der Ausbreitung des Meeresbodens während des mittleren Jura (Bird et al., 2005). Die Ablagerung in der nordwestlichen Golfküstenregion hat in der Kreidezeit und im Känozoikum zur Ausbreitung des Schelfrandes in das Becken des Golfs von Mexiko geführt (Winker, 1982). Die paläogene Ablagerung befand sich hauptsächlich im Gebiet von Südtexas, aber die neogene Ablagerung konzentrierte sich auf Osttexas und Süd-Louisiana (Williamson, 1959). Der Bereich der aktivsten Wachstumsstörungen tritt nahe dem progradierenden Schelfrand auf. Die progradierende Schelfmarge des Oligozäns lag in der Gegend von Houston. In Houston kommt es derzeit zu Verwerfungen, jedoch langsamer als am Regalrand.

1.1 Houston-Fehler

Viele aktive Oberflächenverwerfungen in der Gegend von Houston wurden vor unserer Studie kartiert (z. B. Clanton und Amsbury, 1975 Heuer, 1979 Verbeek et al., 1979 O'Neill und Van Siclen, 1984 Shaw und Lanning-Rush, 2005). Abbildung 2 zeigt aktive Oberflächenverwerfungen, die wir mit LIDAR-Daten untersucht haben. Die Geschwindigkeit der lokalen Bewegung auf einzelnen Verwerfungen kann bis zu drei Zentimeter pro Jahr betragen (Norman, 2005). Da es im Gebiet von Houston keine aufgezeichneten Erdbeben-Epizentren gibt, wird auf eine Störungsbewegung durch aseismisches Kriechen geschlossen. Die Houston-Verwerfungsbewegung weist sowohl eine räumliche als auch eine zeitliche Variabilität auf (Mastroianni, 1991). Die Bewegung auf aktiven Verwerfungen hat Schäden an Gebäuden, Pipelines, Erdöl- und Wasserbrunnen, Abwasserleitungen, Stromleitungen und Straßen verursacht. In einigen Fällen blieben die Fehlerorte unbekannt, bis der angesammelte Schlupf zu erheblichen Schäden führte. Durch die laufende Gebäudeinstandhaltung konnten teilweise Schäden durch aktive Störungen minimiert werden.

Die Standorte für viele aktive Oberflächenverwerfungen in der Gegend von Houston werden nicht veröffentlicht, hauptsächlich weil einige Daten proprietär sind (d. h. Standortstudien, die von geotechnischen Beratern für Kunden erstellt wurden). Auch die Androhung von Klagen schränkt die Veröffentlichung ein. Die rechtliche Haupthaftung besteht darin, dass das Fehlen eines Fehlers auf einer Karte fälschlicherweise als Hinweis darauf interpretiert werden kann, dass kein Fehler vorliegt. Im Gegensatz zum kalifornischen Alquist-Priolo-Gesetz (Hart und Bryant, 1997) fehlen in Texas und Houston Vorschriften für den Bau in Verwerfungszonen. In einigen Gebieten, in denen Verwerfungsorte erkannt wurden, wurde das Land entlang der Verwerfung offen gelassen, oft als Park oder als Regenwasserrückhaltebecken.

1.2 Regionale Tektonik

Viele der Oberflächenverwerfungen in Houston wurden mit unterirdischen Verwerfungen korreliert (Heuer, 1979 Sheets, 1979 Van Siclen, 1967). Verbeeket al. (1979) erkannten, dass diese Fehler Wachstumsfehler sind. Down-to-the-Coast-Verwerfungen, die eine Ausdehnung in das Becken darstellen, dominieren und definieren einen regionalen Südwest-Nordost-Trend (Sheets, 1971). Antithetische Oberflächenverwerfungen in Houston befinden sich gegenüber den aktivsten Abschnitten der küstennahen Verwerfungen (Norman, 2005). Viele dieser antithetischen Fehler sind derzeit aktiv.

Die meisten (80%) der Verwerfungen im Gebiet um Houston treten über Salzstöcken auf (Norman, 2005). Viele sind radiale Verwerfungen (Verbeek und Clanton, 1978) und sind typischerweise kurz und bilden gewöhnlich Gräben. Im südöstlichen Teil der Region überwiegen Salzstöcke und direkt damit verbundene Verwerfungen. Die Assoziation von radialen Störungen und Salzstöcken ist gut bekannt und leicht zu verstehen (Schultz-Ela et al., 1994).

Die Verwerfungen im nordwestlichen Houston-Gebiet drücken den regionalen Trend aus und stehen im Mittelpunkt unserer Studie. Es gibt drei Hauptverwerfungssysteme in diesem Gebiet – das Hockley-Conroe-Verwerfungssystem, das Addicks-Verwerfungssystem und das Long Point-Eureka Heights-Verwerfungssystem (Abb. 2 und 3). Das Hockley-Conroe-Verwerfungssystem erstreckt sich weit außerhalb von Harris County, wo wir über Daten verfügen. Interferenzen von Entwässerungsmustern mit Verwerfungsscharen verhindern die eindeutige Identifizierung einer nordöstlichen Fortsetzung der Verwerfung innerhalb des Harris County auf LIDAR-Bildern. Das Addicks Fault System erstreckt sich vom Barker Reservoir nordöstlich zum Bush Intercontinental Airport. Die aktive antithetische Lee-Verwerfung liegt südöstlich des Flughafens, was darauf hindeutet, dass eine aktive Fortsetzung des Addicks-Verwerfungssystems durch die nordwestliche Ecke des Flughafens verläuft. Die Long-Point-Verwerfung ist eine der aktivsten Verwerfungen im Gebiet Houston und wahrscheinlich die am besten untersuchte Verwerfung in der Region.

Die Salztektonik könnte auch eine bedeutende Rolle bei der Verwerfungsaktivität im nordwestlichen Houston-Gebiet spielen. In diesem Modell (Jackson et al., 2003) verursacht der Salzentzug zusätzlichen Aufnahmeraum im Hangenden, wobei Salzschweißnähte ein Gleiten durch Schwerkraft ermöglichen.

1.3 Absinken

Oberflächenabsenkungen in Houston können mit mehreren Ursachen zusammenhängen, darunter Wasserentzug, Sedimentverdichtung und Oberflächenverwerfungen. Die Aufgabe der Brownwood-Unterteilung veranschaulicht die Bedeutung der Absenkung im Gebiet von Houston (Coplin und Galloway, 1999). Die Brownwood-Unterteilung wurde in den späten 1930er Jahren gebaut. Anfangs betrugen die Erhebungen etwa 3 m über dem Meeresspiegel, aber bis Ende der 1970er Jahre waren Absenkungen von mehr als 2,5 m aufgetreten. Die Unterteilung war häufigen Überschwemmungen ausgesetzt. Setzungen in diesem Bereich standen im Zusammenhang mit der Grundwasserentnahme für petrochemische Anlagen entlang des Houston Ship Channel und für die Stadt Baytown. Jüngste InSAR-Messungen (interferometrisches Radar mit synthetischer Apertur) (Stork und Sneed, 2002) bestätigen die Abnahme der Bodensenkung im Gebiet des Houston Ship Channel und die anhaltende Senkung im Gebiet des Addicks-Reservoirs im Westen von Houston.

Die Wechselwirkung zwischen Houston-Oberflächenverwerfungen und Absenkungen ist komplex und nicht gut verstanden. Holzer und Gabyrsch (1987) finden einen zeitlichen Zusammenhang zwischen der Grundwasserentnahme und der Höhe des Verwerfungsschlupfes. Kreitler (1976) stellt fest, dass die Verwerfungen die Absenkung aufteilen. Die Assoziation von kilometergroßen Senkungsdepressionen im Gebiet von Houston mit aktiven Verwerfungen ist nicht gut belegt (O'Neill und Van Siclen, 1984). Paine (1993) führt die seit dem Pleistozän in der gesamten texanischen Küstenregion zunehmende Absenkung auf die Öl- und Gasentnahme zurück, da in vielen Gebieten keine Grundwassernutzung stattfindet. Auch die Gletscherisostasie spielt eine Rolle (Gonzalez und Tornqvist, 2006). Dokka (2006) führt das Absinken auf tektonische Faktoren in der Küste von Louisiana zurück.


LiDAR (.las) zu Bare-Earth-DEM: durchschnittlicher Punktabstand und Zellengröße? - Geografisches Informationssystem

2017 USACE FEMA Topobathy Lidar DEM: Florida Ostküste, Florida Keys und Collier County

Ocean Service der NOAA, Office for Coastal Management (OCM)

Diese Daten wurden von USACE im Auftrag der FEMA im Rahmen der Notfallmaßnahmen nach dem Hurrikan Irma gesammelt, um die Höhen über und unter Wasser entlang der Küste Floridas zu bewerten.

20170918 20170920 20170921 20170922 20170923 20170924 20170925 Bodenbeschaffenheit

Nach Bedarf -82.175 -79.567 30.924 24.328 ISO 19115 Themenkategorie Elevation ISO 19115 Themenkategorien Elevation BilderBaseMapsEarthCover Lage Ozeane GCMD Geowissenschaften Schlüsselwörter v7 OZEANE > BATHYMETRIE/MEERBODENTOPOGRAPHIE > MEERBODENTOPOGRAPHIE OZEANE > BATHYMETRIE/MEERBODENTOPOGRAPHIE > BATHYMETRIE ERDWISSENSCHAFT > OZEANE >KÜSTENPROZESSE > KÜSTENHÖHE FESTE ERDE > GEOMORPHOLOGIE > KÜSTENLANDFORMEN/PROZESSE OZEANE > KÜSTENPROZESSE > KÜSTENHÖHE LANDOBERFLÄCHE > TOPOGRAPHIE> GELÄNDERHÖHE MENSCHLICHE ABMESSUNGEN > LANDNUTZUNG/LANDDECKEL > LANDNUTZUNGSKLASSEN Keiner Bathymetrie/Topographie Bathymetrie Topographie Digitales Geländemodell (DTM) Digitales Höhenmodell (DEM) 1mRaster Nackte Erde Klassifiziertes LAS Joint Airborne Lidar Bathymetry Technical Center of eXpertise (JALBTCX) Mobiles Viertel IWG-OCM Nationales Küstenkartierungsprogramm (NCMP) Ingenieurkorps der US-Armee (USACE) Lidar für Küstenzonenkartierung (CZMIL) Nach Hurrikan Irma GCMD-Rechenzentrum-Schlüsselwörter v7 DOD/USARMY/USACE/SAM/MOBILE/OPJ/JALBTCX > Verteidigungsministerium Armee der Vereinigten Staaten Ingenieurkorps der US-Armee Mobiles Viertel Geodaten-Zweig Gemeinsames technisches Kompetenzzentrum für luftgestützte Lidar-Bathymetrie GCMD-Instrumenten-Schlüsselwörter v7 LIDAR > LICHTERKENNUNG UND REICHWEITE CoRIS Discovery-Thesaurus Geografische Informationen > Lidar CoRIS-Thementhesaurus ERDWISSENSCHAFT > Ozeane > Bathymetrie/Meeresbodentopographie > Bathymetrie ERDWISSENSCHAFT > Landoberfläche > Topographie> Geländehöhe NOAA NOS-Erntekatalog CoRIS

GCMD-Standortschlüsselwörter v7

VERTIKALE LAGE > LANDOBERFLÄCHE

VERTIKALE LAGE > MEERBODEN

Informationssystem für geografische Namen

OZEANBECKEN > Atlantik > Nordatlantik > Florida

LAND/GEBIET > Vereinigte Staaten von Amerika > Florida

OZEANBECKEN > Atlantik > Golf von Mexiko > Florida

LAND/GEBIET > Vereinigte Staaten von Amerika > Florida

US 228-252-1131 228-252-1121 228-252-1133 [email protected] 8-17 Uhr Montag bis Freitag

https://coast.noaa.gov/htdata/lidar2_z/geoid12b/data/6330/supplemental/fl2017_usace_fema_irma_m6330.kmz
Diese Grafik zeigt die Lidar-Abdeckung für die Topobathy-Lidar-Akquisition 2017 entlang der Ostküste von Florida, den Keys und Collier County nach dem Hurrikan Irma.
kmz Die Anerkennung des Joint Airborne Lidar Bathymetry Technical Center of eXpertise (JALBTCX) wäre in allen Veröffentlichungen oder abgeleiteten Produkten willkommen. Microsoft Windows 7 Version 6.1 (Build 7601) Service Pack 1 Esri ArcGIS 10.1.0.3035 Diese Daten werden nicht zugeordnet. Keine Diese Daten werden nicht zugeordnet. Während der Inspektion und QC der LIDAR-Punktwolke erfüllten die Höhenunterschiede von Fluglinie zu Fluglinie die CZMIL-Sensorspezifikationen. Dieser Datensatz deckt die räumliche Ausdehnung von topografischen LIDAR-Daten ab, die während dieser Erhebung gewonnen wurden.

Topografische CZMIL-Daten - Kompiliert, um eine horizontale Genauigkeit von 1 m bei einem Vertrauensniveau von 95 % zu erreichen. Bathymetrische CZMIL-Daten - Kompiliert, um eine horizontale Genauigkeit von 3,5 + 0,05 d m bei einem Konfidenzniveau von 95 % zu erfüllen, d ist die Tiefe. Topografische CZMIL-Daten - Kompiliert, um eine vertikale Genauigkeit von 19,6 cm bei einem Konfidenzniveau von 95 % zu erreichen. Bathymetrische CZMIL-Daten mit flachem Sichtfeld – Kompiliert, um SQRT((0,25^2) +((0,0075d)^2)) m vertikale Genauigkeit bei 95 % Konfidenzniveau zu erfüllen, d ist die Tiefe. Bathymetrische Tiefen-FOV-Daten von CZMIL - Kompiliert, um SQRT((0,30^2) +((0,013d)^2)) m vertikale Genauigkeit bei 95 % Konfidenzniveau zu erfüllen, d ist die Tiefe.

Diese Daten wurden mit dem CZMIL-System gesammelt. Es ist im Besitz des U.S. Army Corps of Engineers (USACE) und wird von diesem betrieben. Das System sammelt Topobathy-Lidar-Daten bei 10 kHz und RGB-Bilder bei 2 Hz. Auch ein hyperspektraler Linienscanner CASI-1500 ist in das System integriert. Informationen zu Position, Geschwindigkeit und Beschleunigung des Flugzeugs werden durch eine Kombination aus Novatel- und POS A/V 510-Geräten erfasst. Alle Rohdatenströme werden zum Herunterladen und zur Verarbeitung in der Hydro Fusion-Software von CZMIL an das Büro übertragen. Die Positionsdaten von Flugzeugen werden mit der Software POSPac verarbeitet und die Ergebnisse werden mit den LIDAR-Daten kombiniert, um 3D-Positionen für jeden LIDAR-Schuss zu erzeugen. Bei Inspektion und QA/QC in den Softwarepaketen Fledermaus und PFM_ABE werden anomale Daten als ungültig markiert und das Zurückgehalten-Bit gesetzt. Die PFM_ABE-Software konvertiert dann alle gültigen Daten von Ellipsoiden in orthometrische Höhen basierend auf dem GEOID12B-Modell von NGS und exportiert gültige LIDAR-Daten als eine Reihe nicht klassifizierter LAS-Dateien.

US 228-252-1121 228-252-1131 228-252-1133 [email protected] 8-17 Uhr Montag bis Freitag

LAS-Dateien werden in das TerraScan V13-Modul in Microstation V8i importiert und klassifiziert gültige Topobathy-Daten als Bodenpunkte (2) und nicht klassifizierte Punkte (1) und gültige bathymetrische Punkte (29). Nach Abschluss des Makros werden die Klassifizierungsergebnisse einer Qualitätskontrolle unterzogen und alle falsch klassifizierten Punkte werden manuell bearbeitet. In Gebieten mit dichter Vegetation können die Bodenpunkte der nackten Erde falsch klassifiziert werden, da der Laser nicht in der Lage ist, die Baumkronen zu durchdringen und den nackten Boden zu erreichen. In diesen Bereichen verwendet JALBTCX standardmäßig die "Boden"-Oberfläche des Algorithmus, anstatt diese Punkte manuell neu zu klassifizieren. Sie sind in eine Reihe von 1-km-Lieferboxen unterteilt, eine klassifizierte LAS-Datei pro Box. Das Dateiformat ist LAS-Version 1.2. Die Daten werden als 1 (gültige topografische Nicht-Bodendaten), 2 (gültige topografische Bodendaten) und 29 (gültige bathymetrische Daten) klassifiziert.

US 228-252-1121 228-252-1131 228-252-1133 [email protected] 8-17 Uhr Montag bis Freitag

Als Bodenpunkte (2) und bathymetrische Punkte (29) klassifizierte Daten in den las-Dateien werden in ein Gitter umgewandelt, indem ein trianguliertes irreguläres Netzwerk (TIN) erzeugt und dann die Gitterknotenhöhen aus der TIN-Oberfläche extrahiert werden. Der Ursprungspunkt des Gitters befindet sich an einer horizontalen Position, deren Wert gleichmäßig durch die Gitterauflösung von 1 m teilbar ist, sodass Raster aus nachfolgenden Vermessungen gemeinsame Zellgrenzen haben. JALBTCX verwendet Quick Terrain Modeler V8, um diesen Vorgang unter Verwendung der folgenden Parameter durchzuführen: "Adaptive Triangulation, Max Z", "Max Sample Excursion - 30000", "Max Triangle Side - 30000", "Radius - none", "Tolerance - 1", und "Kacheleinstellungen am Raster ausrichten (erweitern)." Das Gitter wird aus Quick Terrain Modeler als ESRI ASCII Z-Gitterdatei exportiert. Unter Verwendung eines internen Python-Skripts in ESRI ArcMap V10.2 wird die ASCII-Z-Rasterdatei in eine Rasterdatei im TIF-Format konvertiert, deren Projektion als "The North American Datum of 1983 (2011)" definiert ist. Das Raster wird dann mit einem entsprechenden 1-m-Maskenraster multipliziert, einem Maskenbild, das aus dem 1mGrid-Produkt von JALBTCX erzeugt wurde, um interpolierte Bereiche zu entfernen, in denen keine Datenabdeckung vorhanden ist.

US 228-252-1121 228-252-1131 228-252-1133 [email protected] 8-17 Uhr Montag bis Freitag

Das NOAA Office for Coastal Management (OCM) erhielt die Daten im tif-Format von JALBTCX. Die Bare-Earth-Rasterdateien wiesen einen Rasterabstand von 1 m auf. Die Daten wurden in geografischen Koordinaten und NAVD88-Höhen in Metern angegeben. OCM kopierte die Rasterdateien in die Datenbank und https für Speicher- und Bereitstellungszwecke von Digital Coast.


Northern Walker Lane, CA Airborne Lidar-Datensatz

Überblick

Das U.S. Geological Survey (USGS) Geological Hazards Science Center (Golden, CO) koordinierte den Erwerb von

198 Quadratkilometer luftgestützte Light Distance and Ranging (Lidar)-Daten und abgeleitete Bare-Earth-Bodenmodelle zur Unterstützung aktiver Verwerfungsstudien in der Northern Walker Lane (Kalifornien-Nevada-Grenze). Die untersuchten Verwerfungen umfassen von West nach Ost die Verwerfungssysteme Mohawk Valley, Grizzly Valley, Honey Lake und Warm Springs Valley. Die Spezifikationen für den Erwerb folgten den Empfehlungen von R. Haugerud et al. in einer vorgeschlagenen Spezifikation für LIDAR-Untersuchungen im pazifischen Nordwesten (2008). Die Daten wurden von Airborne Solutions Inc. erfasst. Der Verkäufer gab eine durchschnittliche Schussdichte von 15-17 Punkten/m 2 an und der Verkäufer lieferte digitale Höhenmodelle der nackten Erde und der ersten Rückkehr mit einem Zellenabstand von 0,25 m 2 . Projekt-PI: Ryan Gold.


LiDAR (.las) zu Bare-Earth-DEM: durchschnittlicher Punktabstand und Zellengröße? - Geografisches Informationssystem

Lab 3 Teil 1: Verarbeitung von LiDAR-Daten

Dieses Lab umfasst vier separate Aufgaben, die Sie in den Prozess der Konvertierung von LiDAR-Rohdaten in verwendbare GIS-Daten einführen. In den Aufgaben 1 bis 3 werden die grundlegenden Schritte der Verarbeitung von LiDAR-Daten in ArcGIS erläutert. Aufgabe 4 befasst sich mit der 3D-Visualisierung von LiDAR-Daten.

Verbringen Sie einige Zeit damit, die in diesem Lab eingeführten Funktionen zu erkunden. Dies ist der beste Weg, um sich mit der Software und den Daten vertraut zu machen. Verwenden Sie das Hilfesystem, um mehr über die verschiedenen Optionen zu erfahren. Wenn Sie eine Frage haben, fragen Sie.

Geben Sie die Antworten auf alle Fragen am Ende jeder Aufgabe ein und hängen Sie alle angeforderten Dokumente und Karten an.

Die in Lab 3 verwendeten Dateien (beide Teile 1 und 2) befinden sich in der I:StudentenLehrerGeoffrey_DuhGEOG4593Lab3 Mappe. Bitte kopieren Sie die Lab-Daten in Ihren lokalen Workspace, bevor Sie das Lab starten.

Aufgabe 1 – Verwalten von LiDAR-Daten in ArcGIS (ESRI-Onlinekurs)

Die erste Aufgabe besteht darin, ArcGIS-Funktionen zum Verwalten von LiDAR-Daten mithilfe des Online-Kurses von ESRI zu erlernen. Insbesondere erstellen Sie eine File-Geodatabase zum Speichern und Anzeigen von Punktdaten, die aus LiDAR-las-Dateien stammen. Sie verwenden mehrere ArcGIS-Werkzeuge, um diese Aufgabe auszuführen. Lab-Daten können von ESRI oder aus dem Lab 3-Ordner des Dozenten heruntergeladen werden.

· Gehen Sie zu http://training.esri.com und klicken Sie auf "My Training." Klicken Sie auf "My Virtual Campus Training." Wenn Sie bereits ein Esri Global Account haben, melden Sie sich mit Ihrem Benutzernamen und Passwort an. Wenn Sie dies nicht tun, klicken Sie auf "Neues Konto erstellen" .

· Geben Sie Ihren 14-stelligen Kurszugangscode in das Feld "Neuen Webkurs starten" ein und klicken Sie auf "Los."

· Ihr Kurs wird Ihrer "Kurse in Bearbeitung" hinzugefügt. Klicken Sie auf den Kurstitel, um zu beginnen.

Bitte verwenden Sie den Kurszugangscode, den der Dozent an die Klassenmailliste gesendet hat, um am Online-Kurs teilzunehmen "Verwalten von Lidar-Daten in ArcGIS 10". Nutzen Sie die Daten und Informationen, die Sie im Kurs gewonnen haben, um die folgenden Fragen zu beantworten.

1. Verwenden Sie die Informationen in der Attributtabelle der Ausgabe des Point File Information Tools (d. h. PffileInfo) und die Gleichung, die wir in der Vorlesung besprochen haben, um die folgende Tabelle zu vervollständigen. Stellen Sie sicher, dass Sie die richtigen Einheiten für Punktabstand und Formbereichsspalten eingeben. Bitte zeigen Sie Ihre Gleichung zur Berechnung der Punktdichte.

Punktdichte (Punkt pro Quadratmeter)

2. Fassen Sie zusammen, in welchen Landnutzungs-/Landbedeckungstypen sich diese Hohlräume befinden, und erklären Sie, warum die Hohlräume auftreten. Fügen Sie Screenshots Ihrer Void-Multipoints und Raster-Layer (d. h. FirstReturn_Bare und Raster_Void) ein und überlagern Sie die Luftbilder, um Ihre Zusammenfassung zu veranschaulichen.

Aufgabe 2 "Vorverarbeitete LiDAR-Daten importieren"

Diese Aufgabe besteht darin, vorverarbeitete (d. h. gefilterte) LiDAR-Datenpunkte in ein GIS-Dataset zu importieren, das Sie in Ihrer GIS-Anwendung (in diesem Fall ArcGIS) bearbeiten können. Ziel dieses Prozesses ist die Generierung digitaler Höhenmodelle, die als Rastergitter gespeichert sind. Der in dieser Aufgabe verwendete Datensatz deckt einen anderen Bereich als der in Aufgabe 1 verwendete Datensatz ab. Außerdem wurden die Daten in x-, y- und z-Werte konvertiert, die im Dbase-DBF-Format gespeichert sind. Dies ist ein Beispiel dafür, wie Sie LiDAR-Punkte in ArcGIS importieren.

1. Fügen Sie die Datei "LiDAR_Returns_Bare_Earth_0503.dbf" zu ArcMap hinzu und zeigen Sie ihren Inhalt an. Dies sind die LiDAR-Returns der "nackten Erde" (Oberflächen) für einen kleinen Bereich von Portland. Die Tabelle enthält die X/Y/Z-Koordinaten der Returns in Stateplane-Füßen. Das X-Attribut ist X_COORD, das Y-Attribut ist Y_COORD und der Z-Wert (oder die Höhe) ist Z_VALUE.

2. Öffnen Sie ArcMap. Gehe zu Datei/Daten hinzufügen – XY-Daten hinzufügen. Navigieren Sie zum Bare Earth-DBF. Stellen Sie sicher, dass die angegebenen X-Feld, Y-Feld und Z Feld sind richtig. Außerdem müssen Sie die Projektion der Daten definieren. Drücke den Bearbeiten Knopf, klick Auswählen um ein vordefiniertes Koordinatensystem auszuwählen und zum richtigen "projizierten" Koordinatensystem zu navigieren. Hier die Details:

Stateplane-Projektion: NAD 1983 HARN (Feet, Intl und US), Oregon North FIPS Zone 3601, Internationale Füße

3. Klicken Sie auf das OK Taste. Die Punkte werden der Karte hinzugefügt (dies kann einige Sekunden dauern). Schalten Sie die Ebene ein (das Zeichnen dauert ein oder zwei Minuten). Dies ist ein ArcGIS "event table"-Layer. Vergrößern Sie die Ebene und klicken Sie mit dem Werkzeug Identifizieren auf einige Punkte. Ein Ereignistabellen-Layer ist eine temporäre, nicht permanente Darstellung von geografischen Daten aus in einer Tabelle definierten Koordinaten. Es bleibt mit dem MXD-Dokument erhalten (d. h., wenn Sie das ArcMap-Dokument speichern, speichern Sie den Layer darin). Es ist jedoch an die ursprüngliche DBASE-Tabelle gebunden, sodass Sie den Speicherort der ursprünglichen Tabelle nicht ändern oder die ursprüngliche Tabelle entfernen können. Sie können permanente GIS-Daten aus einem Ereignistabellen-Layer erstellen, indem Sie mit der rechten Maustaste auf den Layer klicken und . auswählen Daten – Daten exportieren. Sie müssen für diese Aufgabe keine permanenten Punkt-Layer verwenden, Sie werden sie jedoch in einer späteren Aufgabe verwenden. Führen Sie die obigen Schritte aus, um permanente Layer-Dateien für beide LiDAR-Datasets zu erstellen.

4. Wiederholen Sie die Schritte 1 bis 3 für die "ersten Rückkehr" LiDAR-Koordinaten in der "LiDAR_Returns_First_Return_0503.dbf" im selben Verzeichnis wie die nackten Erdrückkehren. Hinweis: Dieses Dataset enthält mehr Punkte – das Zeichnen dauert länger.

1. Wie viele Punkte enthält der Datensatz "Erste Rückkehr" und "bare Erde"? Wie hoch ist die geschätzte durchschnittliche Punktzahl pro Quadratmeter für jeden Datensatz? (Hinweis: Die Fläche ist rechteckig. Achten Sie auf Ihre Einheiten.)

2. Vergrößern Sie einen relativ kleinen Bereich und vergleichen Sie die Renditen der nackten Erde mit den ersten Renditen. Viele der Bare-Earth-Returns sind auch im ersten Return-Dataset enthalten. Wieso den?

Aufgabe 3 – Erstellen einer TIN und DEM aus den LiDAR-Rücksendungen

Die zweite Aufgabe besteht darin, die LiDAR-Returns in ein irreguläres Triangulate-Network-(TIN)-Modell und dann in ein "digitales Höhenmodell" (DEM) der Oberfläche unter Verwendung der LiDAR-Returns der nackten Erde umzuwandeln. Das DEM ist normalerweise die endgültige Darstellung der aus LiDAR-Punkten abgeleiteten Oberfläche. Das Rasterformat ist eine viel effizientere Methode zum Speichern großer, komplexer Höhenmodelle, die aus LiDAR-Daten abgeleitet wurden (das TIN wird meistens nach der Erstellung des DEM verworfen). Auch hier gibt es viele Möglichkeiten, dies zu tun, und einige bieten Ihnen viel mehr Kontrolle über die resultierende Triangulation als andere. Dies ist ein Beispiel dafür, wie Sie ein TIN und ein DEM mit den standardmäßigen ArcGIS 3D Analyst Tools erstellen. Beachten Sie, dass die nächsten Aufgaben nur an den Bare-Earth-Returns durchgeführt werden.

1. Öffnen Sie ArcMap, falls es noch nicht geöffnet ist. Stellen Sie sicher, dass 3D Analyst-Nebenstelle ist aktiviert.

2. Schalten Sie den ein 3DAnalyst Symbolleiste.

3. Starten Sie die TIN erstellen Werkzeug. Legen Sie "LiDAR_Returns_Bare_Earth_0503 Events" als Eingabe-Feature-Class fest.

4. Stellen Sie die Höhenquelle zu Z_Wert. Der Z_Value ist die Höhe jedes Punktes über dem Meeresspiegel. Wir erstellen diese TIN aus "Massenpunkten". Lassen Sie die Tag-Wert Feld als "<None>".

5. Geben Sie einen Dateispeicherort und einen Namen für das Ausgabe-TIN an. Da die Ausgabe im ArcInfo-Coverage-Format vorliegt, darf der Name maximal 13 Zeichen lang sein. Möglicherweise möchten Sie im Dateinamen angeben, dass dies die Bare-Earth-TIN ist (z. B. tin_be). Legen Sie den Raumbezug wie für die eingegebenen LiDAR-Daten fest.

6. Klicken Sie auf OK um die TIN zu erstellen. Dies wird eine Weile dauern. Vergrößern Sie einen kleineren Bereich und erkunden Sie das Modell (kleinere Bereiche werden viel schneller gezeichnet). Klicken Sie mit der rechten Maustaste auf die Ebene und wählen Sie Eigenschaften. Gehe zum Symbolik Registerkarte, und drücken Sie die Hinzufügen Taste. Fügen Sie einige verschiedene Renderer hinzu, um die verschiedenen TIN-Symbolisierungsoptionen zu erkunden.

7. Starten Sie die TIN zu Raster Werkzeug. Geben Sie das von Ihnen erstellte Bare-Earth-TIN als TIN eingeben. Setzen Sie den Ausgabedatentyp auf FLOAT, die Methode auf LINEAR und den Abtastabstand auf "ZELLENGRÖSSE 5." Verlassen Z-Faktor als 1 (dies ist der Betrag der vertikalen Übertreibung). Geben Sie einen Dateispeicherort und einen Namen für das Ausgabe-Rasterbild an. Da die Ausgabe im ArcInfo GRID-Format vorliegt, darf der Name maximal 13 Zeichen lang sein. Möglicherweise möchten Sie im Dateinamen angeben, dass dies das blanke Erd-DEM ist (z. B. dem_be).

8. Klicken Sie auf OK um das DEM zu erstellen. Wenn Sie fertig sind, verkleinern Sie das DEM vollständig. Klicken Sie mit der rechten Maustaste auf die Ebene und wählen Sie Eigenschaften. Gehe zum Symbolik Registerkarte, und erkunden Sie die verschiedenen Symbolisierungs- und Klassifizierungsoptionen.

9. Wiederholen Sie die Schritte in den Aufgaben 2 und 3, um die LiDAR_Returns_First_Return _0503.dbf in ein DSM (z. B. dsm_fr) zu konvertieren.

1. Was sind die maximalen und minimalen Höhenwerte im DEM? Warum unterscheiden sie sich vom TIN-Modell?

2. Sie haben beim Erstellen von DEM und DSM eine Zellengröße von "5" angegeben. Was stellt dieser Wert dar? Warum ist "5" ein geeigneter Wert für diese LiDAR-Daten? (Hinweis: Sie müssen die Punktabstandswerte für die ersten und letzten Rückgabedaten kennen.)

3. Vergleichen Sie visuell das Blanke-Erde-DSM und das erste Rückkehr-DSM. Was ist der Höhe der "gewölbten" Struktur westlich der Lagertanks?

Aufgabe 4 – Visualisierung der Daten in 3D

Diese Aufgabe besteht darin, die bisher erstellten Daten in 3D zu visualisieren. Für diese Aufgabe verwenden wir ArcGIS's ArcScene von ArcGIS. Es ist nicht die beste 3D-Visualisierungssoftware, aber es erledigt (normalerweise) die Arbeit.

1. Speichern Sie Ihr MXD und schließen Sie ArcMap.

2. Öffnen Sie ArcScene (im Windows-Startmenü unter ArcGIS).

3. Fügen Sie das in Aufgabe 2 erstellte Bare-Earth-DEM hinzu.

4. Klicken Sie mit der rechten Maustaste auf die Ebene, wählen Sie Eigenschaften, dann wählen Sie die Basishöhen Tab. Klicken Sie auf die Schweben auf einer benutzerdefinierten Oberfläche Option, und wählen Sie das DEM aus dem Dropdown-Menü aus. Dadurch wird das DEM in 3D gerendert, wobei die Höhenwerte aus den Rasterpixeln verwendet werden.

5. Klicken Sie auf Rasterauflösung und gib 10 in ein Zellengröße X und Zellengröße Y. Dies ist die Auflösung, auf die ArcScene das DEM verallgemeinert (damit es schneller gezeichnet wird). Wenn Sie möchten, dass das DEM mit seiner vollen Auflösung gerendert wird, geben Sie 5 für jeden Wert ein.

6. Klicken Sie auf das Rendering Tab. Unter Auswirkungen, prüfen Auf Schattierung von Flächenmerkmalen relativ zur Lichtposition der Szene. Ziehen Sie auch die Qualitätssteigerung slider bar a bit to the right, so that the slider sits about 2/3 of the way to "high" (to improve the quality of the rendering).

7. Click the Symbolik tab. Select a more colorful Color Ramp.

9. Repeat steps 1 through 8 with the first return DSM.

1. Note that the model has some irregularities on the southern edge. What are some possible ways to remove these kinds of edge issues when generating an elevation model?

2. Play around with the Raster Resolution layer property (in the Base Heights Tab). Set it to the maximum resolution (5). For which model does it make the most difference visually? Wieso den?

3. Where is this area in Portland? (Hint: Use RLIS data on the I drive to figure it out.)

Export a view of the full first return DSM from ArcScene (File – Export Scene – 2D). Print out a copy and turn it in with your lab report.


LiDAR (.las) to bare-earth DEM: average points spacing and cell size? - Geografisches Informationssystem

Point cloud digital data Additional Contact Information: Airborne Imaging Suite 130, 885 42nd Avenue SE, Calgary, Alberta T2G 1Y8 ISO 19115 ThemenkategorieElevation

Canada 604 591 4657 604 591 8693 mfosler at surrey dot ca Contact via telephone or e-mail CITY OF SURREY Matt Osler, P. Eng.

CITY OF SURREY CITY OF SURREY Use Only CITY OF SURREY

The purpose of this dataset is to provide CITY OF SURREY with a copy of the entire survey in nearly raw form and provide the ability for users to customize the dataset for specific applications through re-processing into suitable formats.

The following LiDAR specific metadata elements are not part of the FGDC Geospatial Metadata Standard, but FGDC recommendation is to include such elements as part of the Supplemental Information: Data Provider: Airborne Imaging / Acquired under: Contract # 1372, / Method of Capture: LiDAR / Flight Altitude (above ground level, metres): 1000 / Acquisition Flight Speed (knots): 120 / Missions associated with this tile: 7913102a, , / LiDAR tiling system: All data is tiled using the native UTM Zone coordinates. Each tile is named using the coordinates of the lower left corner of the tile. For this project the tiles are 500m x 500m and named as follows. The first 4 digits of the Easting coordinate and the first 5 digits of the Northing coordinate. For example: 6345_65343. Presence of snow in dataset: Season Dependent / Snow Depth: None. Average point density for this tile (based on approximately 500m x 500m sq tile. If tile is not completely filled with data APD will appear lower than actual): 31.56 points per square metre. / Tile colums: 520 Tile rows: 520 20130411 4:56 20130411 10:35 ground condition

None planned 510490 511010 5448510 5447990 79.23 Be: 98.9 Fe: 194.57 metres be_5105_54480 CITY OF SURREY - Surrey

Raster digital data – 1m grid Arc binary Bare Earth

For further information on processing: See metadata corresponding to point cloud 5105_54480.las ff_5105_54480 CITY OF SURREY - Surrey

Raster digital data – 1m grid Arc binary, Full Feature using TIN from the first returns

For further information: See metadata corresponding to point cloud 5105_54480.las int_5105_54480 .tif CITY OF SURREY - Surrey

Raster digital data – 1m Intensity Geotiffs – also used in the digitization of the water bodies

For further information: See metadata corresponding to point cloud 5105_54480.las void_ 5105_54480.shp CITY OF SURREY - Surrey

Vector data – void shapefile of 16x16m sizes for Bare Earth

For further information: See metadata corresponding to point cloud 5105_54480.las

Jocelyn Parent Airborne Imaging Processing Manager (403) 215 2960 (403) 243 8681 [email protected] 08:00 – 16:00 NA

Data Collection: The data acquisition phase of the project involves planning flight line coverage, aircraft operations, ground control and calibration as well as logistics for moving personnel and equipment in and out of the project area. Flight line planning is based on existing maps or digital files supplied by the client of the project area. Some of the factors that affect flight planning include ground terrain, location of cities, location of airports, airport flight patterns, etc. Flight lines are plotted on digitized maps so that the coordinates of flight lines can be used in the aircraft’s flight management and navigation system. One of the most important and determining factors of flight operations planning is computing GPS satellite visibility models to determine flight exclusion times when there are not enough GPS satellites to track or the PDOP (Positional Dilution of Precision) values are out of tolerance. Airborne will only collect LiDAR data when it is possible to track a minimum of 6 GPS satellites with a PDOP of less than 3.0. Due to the ever-changing satellite geometry, Airborne Imaging will fly multiple day operations during optimum periods of GPS coverage, weather permitting. GPS Reference Station locations are selected which utilize existing federal geodetic control network, CSRS first order vertical to insure accuracy of the LiDAR survey is maintained. The goal is to locate survey control where the published horizontal coordinates have been determined by GPS observation and orthometric heights (elevations) have been determined by precise differential leveling. Ellipsoidal heights are calculated from accepted orthometric elevations and geoid-ellipsoid separations are determined using the geoid model GRS-80. // A calibration site is an area of survey control that is flown twice during every mission, usually at the beginning of a mission and again when the aircraft returns from a mission. This procedure can identify any systematic issues in data acquisition or failures on the part of the GPS, IMU or other equipment that may not have been evident to the LiDAR operator during the mission. The calibration site is usually selected in a relatively open, tree-less area where several large buildings are located. The buildings used for calibration are surveyed using both GPS and conventional survey methods. A local network of GPS points are established to provide a baseline for conventional traversing around the perimeter of the buildings. The aircraft initially flies over the selected calibration site to collect calibration data for use in post-processing. The aircraft then proceeds to the project area and the operator selects the first flight line to be surveyed. When the aircraft is on line, the operator initiates data collection and stores the data on a removable hard disk drive. A terrain viewer formats and displays the acquired data so that the operator can monitor the data quality in real time. After all flight lines have been completed for the mission, the aircraft returns to the calibration site. This time the calibration site is flown in the opposite direction of the first pass. Flying the site in opposing directions provides the greatest sensitivity in calculating the initial adjustment factors needed in data processing. The operator performs kinematic post-processing of the aircraft GPS data in conjunction with the data collected at the Reference Station in closest proximity to the area flown. Double difference phase processing of the GPS data is used to achieve the greatest accuracy. The GPS position accuracy is assessed by comparison of forward and reverse processing solutions and a review of the computational statistics. Any data anomalies are identified and the necessary corrective actions are implemented prior to the next mission. // // QC Data Collection: Ground truth validation is used to assess the data quality and consistency over sample areas of the project. To facilitate a confident evaluation, existing survey control is used to validate the LiDAR data. Published CSRS survey control, where the orthometric height (elevation) has been determined by precise differential leveling observation, is deemed to be suitable. Ground truth validation points will be collected to establish RMSE accuracies for the LiDAR project. These points must be gathered in flat or uniformly sloped terrain (<20% slope) away from surface features such as stream banks, bridges or embankments. After collection, these points will be used during data processing to test the RMSEz accuracy of the final LiDAR data products. // // Data Processing: Airborne has post-processing methodology designed to use the data from the LiDAR unit , and combines the calibration site and overlap analysis, to create the X,Y,Z raw product. In post-processing, surface values derived from LiDAR data are tested against the known ground surveyed values to determine the correct calibration parameters for each mission. This will immediately identifies any systematic issues in data acquisition, or failures on the part of INS, GPS or other equipment that may not have been evident to the LiDAR survey operator during the mission. In order to eliminate the effects of artifacts left in the bare-earth, the original, raw LiDAR data are processed with an automated, artifact removal technique and then followed up by manual inspection of the data. The raw LiDAR data are processed into tiles conforming to the client’s requirements. These tiles contain points of all-returns from the LiDAR unit and are stored in individual binary files. // Point classification or artifact removal is done using a product by TerraSolid software running on Microstation V8 called TerraScan and TerraModel. The TerraScan software uses macros that are set-up to measure the angles and distances between points to determine what classification a point should be: ground, vegetation, building, other. The angle and distance values in the macros can be varied to be more or less aggressive with the classification of points from ground to vegetation to building by varying the incidence angles and estimated distances among neighboring points. Anything not classified as ground or error is finally placed into a non-ground class. Error points are determined to be either high (spikes) or low (pits) outlier points, often beyond 3-sigma from the rest of the data set. Clouds, birds, pollution, or noise in the data can cause error points, for example. After an automated macro is run, a manual QC effort is made to fine tune the classification of points among the different categories. To better understand areas for improvement, the points that are classified as bare earth are extracted and turned into viewable TIN and grid surfaces. These surfaces are viewed with ArcView software for inspection of areas that appear rough, artificially flattened or cut, no data areas, or have other viewable errors. // In cleaning up ground points, an effort is concentrated in areas where few ground points have been left in the bare earth model and the ground appears rough or lower and flatter than it may be in reality. The scarcity of ground points may be a result from no penetration through a dense vegetation layer, or too aggressive values with the macro. A manual inspection of these areas plays a major role in resolving any issues or irregularities with the bare earth model. A manual effort is also made to make sure that bridges have been removed from the bare earth model or that any special features, determined by the client are correctly identified as ground or non-ground. This special feature list can include: large rock outcrops, piers and docks, levees, construction sites, and elevated roadways. // Both DEM and DTM grids are created. Selecting out all points that have been classified as bare earth, from the TerraScan binary files, and creating a TIN and grid surface creates bare earth grids. Extracting out all non-error points from the TerraScan binary files and creating a TIN and grid surface from the highest elevations create highest surface grids. As grids are created, grid cell locations are set to precisely correspond and register between the DEM and the DTM. Cell easting and northing coordinates are calculated as integer multiples of the cell size, so that adjacent tiles can be merged without re-sampling or pixel-shift. As a final step for data processing, all data are exported as deliverables. Any geographic projections or datum shifts are applied to the final, edited versions of the data. The data are clipped into a tiling scheme, specified by the client, and all files are exported into the format and maximum sizes specified. Upon completion of all exports, files are randomly checked on the deliverable media to ensure transferability and the data are shipped to the client. // // QC Data Processing: Airborne has developed a rigorous and complete process, which does everything possible to ensure data will meet or exceed the technical specifications. Experience dealing with all ranges of difficulty in all types of topographic regions has led to the development of our quality assurance methods. QA/QC procedures are continued through all iterations of the data processing cycle. Data pass through an automated set of macros for initial cleaning, a first edit by a trained technician, and a second review and edit by an advanced processor, and finally exported to a final product. All final products are reviewed for completeness and correctness before delivering to the client. // All final products pass through a six-step QC control check that verifies that the data meet the criteria specified by the client. // // Step 1 - Completeness Review- all GPS, aircraft trajectory, mission information, and ground control files are reviewed and logged into a database // Step 2 - LiDAR data is post processed and calibrated - Data is inspected for flight line errors, flight line overlap, slivers or gaps in the data, point data minimums, or issues with the LiDAR unit or GPS. - This initial inspection is repetitive since point density and data integrity are checked by the field personnel prior to leaving the project site. // Step 3 - Classification of Remaining Points- all remaining points are classified as ground and non-ground features. Any non-regular structures or features like towers, water bodies, bridges, piers, are to be classified into the category specified by the client for these feature types. // Step4 – Quality Controlling the Bare-Earth model. Adjustments are made to fine-tune and fix specific errors. These areas generally involve fixing those areas where the removal of features was too aggressive, particularly along mountaintops, shorelines, or other areas of high percent slope. Vegetation artifacts leave a signature surface that appears bumpy or rough. Spurious vegetation values and remnants from the bare-earth model are removed. // Step 5 – RMSE Comparisons- Both RMSEz and RMSExy are inspected in the classified bare-earth model and compared to project specifications. RMSEz is examined in open, flat areas away from breaks and under specified vegetation categories. Neither RMSEz or RMSExy are compared to orthoimagery or existing building footprints cause these can be skewed. The checkpoints in various land cover types may also be used. A point to point comparison of a recently acquired or existing high confidence ground survey point as from the checkpoints to its nearest neighbor LiDAR laser return point. This is done in the raw data set. The two points must be within a 0.5m radius of each other in open flat areas is made. // Step 6 – Final QC- Deliverables Check- checks for file naming convention, integrity checks of the files, conformance to file format requirements, media readability, and file size limits (if any), and finally reports as completed.

Horizontal accuracy 36cm RMS Airborne Imaging performs a complete calibration on every LiDAR acquisition flight, data is acquired over a calibration site flown with at least two passes in opposite directions before and after the flight. Any error in the attitude of the aircraft (roll, pitch and heading) can be observed and corrected for within system specifications. To statistically quantify the accuracy, we compare the LiDAR elevations with independently surveyed ground points. A GPS mounted truck collects data while driving on an open road. The kinematic positions on the road are post-processed from a nearby base station (common to the aerial survey) to give an accuracy of the ground truth data of 5 cm or better in both the vertical and horizontal. Tile found to meet stated horizontal accuracy Vertical accuracy 4.5 cm RMS Airborne Imaging performs a complete calibration on every LiDAR acquisition flight, data is acquired over a calibration site flown with at least two passes in opposite directions before and after the flight. Any error in the attitude of the aircraft (roll, pitch and heading) can be observed and corrected for within system specifications. To statistically quantify the accuracy, we compare the LiDAR elevations with independently surveyed ground points. A GPS mounted truck collects data while driving on an open road. The kinematic positions on the road are post-processed from a nearby base station (common to the aerial survey) to give an accuracy of the ground truth data of 5 cm or better in both the vertical and horizontal. Tile found to meet stated vertical accuracy


Spatial Data Properties ▼ ►

Axis dimensions properties Dimension type column (x-axis) * Dimension size 34500 * Resolution 1.000000 Meter
Axis dimensions properties Dimension type row (y-axis) * Dimension size 39000 * Resolution 1.000000 Meter
* Cell geometry area * Point in pixel center

* Transformation parameters are available Yes

* Check points are available No

Corner points * Point 675000.000000 5575500.000000 * Point 675000.000000 5614500.000000 * Point 709500.000000 5614500.000000 * Point 709500.000000 5575500.000000
* Center point 692250.000000 5595000.000000

General Information * Pixel depth 32 * Compression type None * Number of bands 1 * Raster format GRID * Source type continuous * Pixel type floating point * No data value -3.4028235e+038 * Has colormap No * Has pyramids Yes


Abstrakt

Unmanned aerial vehicles (UAVs) provide a new research tool to obtain high spatial and temporal resolution imagery at a reduced cost. Rapid advances in miniature sensor technology are leading to greater potentials for ecological research. We demonstrate one of the first applications of UAV lidar and hyperspectral imagery and a fusion method for individual plant species identification and 3D characterization at submeter scales in south-eastern Arizona, USA. The UAV lidar scanner characterized the individual vegetation canopy structure and bare ground elevation, whereas the hyperspectral sensor provided species-specific spectral signatures for the dominant and target species at our study area in leaf-on condition. We hypothesized that the fusion of the two different data sources would perform better than either data type alone in the arid and semi-arid ecosystems with sparse vegetation. The fusion approach provides 84–89% overall accuracy (kappa values of 0.80–0.86) in target species classification at the canopy scale, leveraging a wide range of target spectral responses in the hyperspectral data and a high point density (50 points/m 2 ) in the lidar data. In comparison, the hyperspectral image classification alone produced 72–76% overall accuracies (kappa values of 0.70 and 0.71). The UAV lidar-derived digital elevation model (DEM) is also strongly correlated with manned airborne lidar-derived DEM (R 2 = 0.98 and 0.96), but was obtained at a lower cost. The lidar and hyperspectral data as well as the fusion method demonstrated here can be widely applied across a gradient of vegetation and topography to monitor and detect ecological changes at a local scale.


Spatial Data Properties ▼ ►

Axis dimensions properties Dimension type column (x-axis) * Dimension size 31000 * Resolution 5.000000
Axis dimensions properties Dimension type row (y-axis) * Dimension size 47000 * Resolution 5.000000
* Cell geometry area * Point in pixel center

* Transformation parameters are available Yes

* Check points are available No

Corner points * Point 435000.000000 1920000.000000 * Point 435000.000000 2155000.000000 * Point 590000.000000 2155000.000000 * Point 590000.000000 1920000.000000
* Center point 512500.000000 2037500.000000

General Information * Pixel depth 32 * Compression type None * Number of bands 1 * Raster format GRID * Source type continuous * Pixel type floating point * No data value -3.4028235e+038 * Has colormap No * Has pyramids Yes